창고의 AI 에이전트: 챗 어시스턴트에서 작업 자동화로

2026년 10월 5일, 유럽의 물류 시스템 통합 기업 Logistics Reply는 AI 에이전트의 권한 모델을 발표했다. 아울러 창고관리시스템(WMS)에 다시 써넣도록 설계된 기성 에이전트 5종도 함께 발표했다: 결품 원인을 진단하는 것, 인력을 평준화하는 것, ABC 분류를 재계산하는 것, 자연어 대화로 도크 도어 슬롯을 예약하는 것, 작업이 늦어지면 카메라 영상을 끌어와 AMR 통로를 막는 게 있는지 확인하는 것이다. 이는 발표에 대한 공개 보도에 따른 것이다.

이건 우리 대부분이 아는 창고 AI와는 이제 다른 종이다. 지난 2년, 창고의 AI는 대개 SOP 문서에 대한 RAG였다: 작업자가 반품 프로세스가 어떻게 되는지 물으면 어시스턴트가 지식 베이스에서 단락 하나를 꺼내 온다. 어떤 시스템도 건드리지 않고 데이터도 바꾸지 않는다. 틀린 답의 비용은 눈살 한 번과 두 번째 검색 정도다. 창고 AI 에이전트 도입을 가르는 진짜 경계선은 도구 접근이다: WMS API를 호출할 권한, 보충 추천을 생성하는 것, 심지어 업데이트된 ABC 등급을 품목 마스터에 다시 써넣는 것까지.

AI 에이전트와 챗봇을 가르는 건 지능이 아니라 접근이다

발표 뒤에는 곱씹어 읽을 만한 조사 숫자 묶음이 있다. 2025년 11월에 실시된, 북미 물류 임원 2,000명 이상 대상 ORTEC 조사에 따르면 물류 조직의 42퍼센트는 에이전트형 AI를 전혀 검토하지 않았고, 반면 23퍼센트는 향후 12개월 안에 파일럿을 시작하겠다고 답했다. 업계는 사실상 2026년을 시험과 학습의 해로 지정한 셈이다.

창고 현장에 더 가까운 두 번째 조사는 Logistics Reply의 것: 현재 AI가 자율적으로 운영 결정을 내린다고 답한 건 고작 2.5퍼센트, 82.4퍼센트는 행동 전에 AI 추천을 보통 검토한다고 답했고, 4분의 3 가까이는 직원이 AI 추천이나 결정을 뒤집을 수 있다고 답했다. 차질이 터지면 47.5퍼센트는 AI가 문제를 짚고 사람이 대응을 조율한다고 답했고, AI가 시스템들을 넘나들며 자동으로 대응을 조율한다고 답한 건 고작 3.8퍼센트였다.

같이 읽으면 패턴이 분명하다: 창고 AI 에이전트 질문은 '돌아가는가'에서 '조직이 맡길 배짱이 있는가'로 옮겨갔다. 모델 역량이 병목이 아니다. 위임된 권한이 병목이다.

AI 에이전트가 진짜 안착할 수 있는 창고 작업 셋

연구 관점에서, 관련 질문은 AI가 뭘 할 수 있느냐가 아니었다. 오류 비용과 인건비 구조가 기계를 먼저 내보낼 수 있게 하는 작업이 무엇이냐이다. 공개된 사례들은 세 영역에 몰려 있다.

첫째는 재고 진단과 보충 추천이다. 위의 결품 에이전트는 아직 입고되지 않은 운송 중 상품 같은 일시적 상태와 진짜 결품을 구분해, 손으로 하는 SKU별 조사를 기계 스크리닝으로 바꾼다. 이런 작업은 구조화된 입력(재고, 운송 중, 판매 이력)을 받아 명령이 아닌 추천을 낸다. 사람이 확인하고, 오류 비용은 통제된 채로 남는다.

둘째는 자율 예외 소통이다. 도크 예약 에이전트는 운송사가 예약 규칙에 따라 안내되는 대화를 통해 도크 슬롯을 검색·예약하게 한다. 예전엔 플래너가 하루에 수십 통의 왕복 이메일을 처리하는, 반복적이고 규칙에 묶인 일이었다. AI는 대화를 구조화된 예약 액션으로 바꾼다.

셋째는 순환 실사 트리아지와 마스터 데이터 유지다. ABC 재조정 에이전트는 이동 데이터에서 분류를 재계산해, 사람의 승인 뒤에만 WMS 품목 마스터에 다시 써넣는 재분류 리포트를 만든다. 지연 작업 에이전트는 카메라 입력으로 지연 원인을 진단한다. 공통점은 고빈도·건당 가치가 낮다는 것: 아무도 하고 싶어 하지 않지만 누군가는 해야 하는 일이다.

세 영역은 단순한 판단 프레임에 들어간다:

경험칙: 액션이 시스템 쓰기에 가까워질수록 사람의 서명이 더 필요하고, 스크리닝과 추천에 머무를수록 기계가 먼저 나서는 시점이 빨라진다.

2026년에 대부분 창고가 창고 AI 에이전트를 못 쓰는 이유

숫자는 관심과 도입의 간극도 설명한다. 2026년 7월 재고 전문가 400명 대상 inFlow 조사에 따르면 81퍼센트는 창고에 AI를 원하지만 현재 쓰는 건 11퍼센트뿐. 85퍼센트는 지금도 주 도구로 스프레드시트로 재고를 돌린다.

ORTEC은 장애물을 순위 매겼다: 기존 시스템과의 높은 통합 비용(32퍼센트)이 1위, 다음이 모델 설명 가능성 부족(26퍼센트), 데이터 품질 저하(22퍼센트). 42퍼센트는 자율 결정을 뒷받침하려면 업무 프로세스를 다시 설계해야 한다고 답했고, 22퍼센트는 믿을 만한 실시간 데이터 피드의 필요를 꼽았다.

세 가지 구조적 장벽이 드러난다.

첫째, 권한과 감사다. WMS의 모든 쓰기엔 책임이 따른다: 발주서를 누가 만들었나, ABC 등급을 누가 바꿨나, 망가지면 누가 답하나. 자율 실행엔 오늘날 감사 프레임워크에 자연스러운 주인이 없다. 이 조직 문제가 기술 문제보다 어렵다.

둘째, 비대칭 오류 비용이다. 틀리게 답하는 챗봇은 두 번째 질문을 받는다. 틀린 발주서를 내거나 마스터 데이터를 깨는 에이전트는 진짜 돈이 나간다. 창고는 실수 하나로 라인이 멈추는 환경이다. 오류 허용도는 구조적으로 사무실보다 낮다.

셋째, API와 데이터 토대다. 많은 창고는 API가 불완전하거나 문서가 부실한 WMS 플랫폼으로 돌아가 에이전트가 호출할 수 없다. 재고 정확도 자체도 흔들리는데, inFlow 응답자의 49.5퍼센트가 최대 개선 영역으로 꼽았다. 더러운 데이터 위에 올린 자동화는 오류를 증폭시킬 뿐이다.

직관에 반하는 발견: 창고 AI 에이전트 도입 속도를 정하는 건 모델이 얼마나 더 똑똑해지느냐가 아니라 창고 자체의 오류 비용 구조와 API 성숙도다. 기술 언론은 파라미터와 벤치마크를 다룬다. 창고 관리자가 신경 쓰는 건 두 가지: 기계가 내 데이터를 건드리기 전에 내 사인이 필요한지, 그리고 한 걸 되돌릴 수 있는지다.

창고 AI 에이전트 타임라인: 연구자의 판단

종합하면 타임라인 판단은 이렇다. 참고용으로 제시한다.

2026년은 파일럿의 해(근거: ORTEC 조사에서 12개월 내 파일럿을 계획한 기업이 23퍼센트). 올해의 주류는 조언형 에이전트: 스크리닝, 리포트, 초안으로, 사람 승인 뒤에 실행된다. 벤더는 이미 기성 에이전트를 팔고 있고, 사는 쪽은 주로 대형 3PL과 유통 직영 DC다.

2027~2028년은 반자율화: 체인 안 고빈도·저위험 구간(도크 예약, 예외 트리아지, 보충 초안)이 감사 추적과 롤백 장치가 따라잡는다는 전제 아래 인간이 예외를 처리하는 형태로 기본 실행으로 넘어간다. 근거: 권한 모델과 감사 도구는 보통 모델 역량보다 12~18개월 늦게 성숙한다.

완전 자율 작업 실행이 일상이 되려면, 어느 작업 영역이 인간 수준을 밑도는 오류율을 지속적으로 입증하고, 계약과 보험이 실수의 주인을 명시할 때까지 기다려야 한다. 연구의 규율상 그 시점을 정확히 날짜로 찍어선 안 되지만, 2028년 전에는 오기 어렵다.

그래서 질문은 'AI 에이전트가 언제 창고에 들어오느냐'가 아닐지도 모른다. 이거다: 기계가 당신 대신 판단을 내리기 시작하면, 현장의 어떤 결정엔 서명할 용의가 있고, 어떤 결정은 두 번 다시 보고 싶지 않은가? 그 목록이 각 창고의 진짜 AI 로드맵이다.

Dr. Chen, 공급망 연구자 지음

영어판 번역본입니다. 내용이 다를 경우 영어판을 우선합니다.

영어판 번역본입니다. 내용이 다를 경우 영어판을 우선합니다.