2026년, 거의 모든 창고 소프트웨어 업체가 AI 에이전트를 이야기하고 있다. 데모 영상에서 에이전트는 지칠 줄 모르는 디스패처처럼 행동한다. 주문이 들어오면 웨이브를 스케줄링하고, 재고가 부족해지면 보충 주문을 올리며, 운전자가 늦으면 도크 예약을 변경한다. 데모를 보면 자율 창고 실행의 시대가 이미 도래했다고 결론 내리기 쉽다. 그러나 그 인상과 현실 사이에는 아직 넘어서지 못한 몇 가지 격차가 있다. 이 글은 단순한 일을 시도한다. 공개 데이터를 가져와 그 격차를 열어 보이고, 질문에 답하는 창고의 AI 에이전트와 스스로 행동하는 에이전트 사이에 몇 단계가 남아 있는지 세는 것이다.
데이터부터 시작하자: 진짜 열기, 불확실한 착륙
가트너의 2025년 6월 전망에 따르면 에이전틱 AI 프로젝트의 40% 이상이 2027년 말까지 취소될 것으로 보이며, 그 주요 원인은 비용 상승, 불분명한 비즈니스 가치, 부적절한 리스크 통제이다. 이것은 예측이지 이미 이루어진 사실이 아니다.
같은 전망에는 나란히 놓을 가치가 있는 또 다른 수치들이 있다. 가트너는 2028년까지 일상 업무 의사결정의 최소 15%가 에이전틱 AI를 통해 자율적으로 이루어질 것으로 예상한다. 오늘날에는 거의 0에 가깝다. 그리고 2030년까지 공급망 관리 소프트웨어를 사용하는 기업의 60%가 에이전틱 AI 기능을 도입할 것으로 보이며, 이는 2025년의 5%에서 증가한 수치이다. 가트너를 인용하는 업계 분석에 따르면 2026년 말까지 기업 애플리케이션의 40%가 작업 특화 AI 에이전트를 통합할 것이며, 이는 2025년의 5% 미만에서 증가한 수치이다.
창고 측의 도입 데이터도 같은 격차를 보여준다. MIT와 Mecalux가 2025년에 실시한 2,000명이 넘는 공급망 전문가 대상 조사에 따르면, 창고의 60% 이상이 어떤 형태의 AI 또는 머신러닝을 도입했고, 거의 90%가 기초 수준을 넘어선 자동화 수준으로 운영되고 있다. 그러나 'AI를 사용한다'와 '에이전트가 자율적으로 실행하게 한다'는 서로 다른 명제이다. 전자는 대부분 예측, 인식, 추천을 의미한다. 후자는 아무도 각 단계를 승인하지 않는데도 시스템이 실제 작업 지시를 다시 써야 한다는 것을 요구한다. 그 사이의 거리가 바로 이 글이 다루는 몇 단계이다.
오늘날 실제 도입 사례는 실행의 핵심이 아니라 조정 계층에 몰려 있다. DHL Supply Chain과 HappyRobot의 파트너십이 대표적인 사례이다. AI 에이전트가 전화와 이메일로 예약 스케줄링, 운전자 후속 전화, 우선순위가 높은 창고 조정을 처리한다. 반복적이고 규칙에 묶인 조정 업무이다. UPS의 ORION 시스템은 매일 십억 개가 넘는 데이터 포인트를 분석하여 소포 배송 경로를 조율한다. 이 역시 최적의 답을 계산하고 사전에 정의된 행동을 실행하는 사례이다. 아마존은 AI 에이전트를 풀필먼트 센터 운영에 직접 통합하여 재고 위치, 선반 공간 최적화, 주문 피킹, 로봇 조정을 관리한다. 이러한 사례는 규칙이 명확하고 목표가 측정 가능한 곳에서는 에이전트가 이미 일할 수 있음을 증명한다. 규칙이 모호하고 이해관계가 큰 곳에서 에이전트가 혼자 결정할 수 있음을 증명하지는 않는다.
창고 AI 에이전트의 성숙도 사다리: L1에서 L4까지
'몇 단계가 남았는지'를 판단하려면 먼저 자율성을 등급으로 나눠야 한다. 업계에서 흔히 사용되는 평가 방식을 바탕으로 네 단계 프레임워크를 제시한다.
| 수준 | 형태 | 에이전트가 할 수 있는 일 | 사람의 위치 | 창고 사례 |
|---|---|---|---|---|
| L1 | 질문 응답 | 질문에 답하고, 데이터를 조회하고, 보고서를 생성한다 | 사람이 묻고, 사람이 결정한다 | "지난주 피킹 오류율은 얼마였나?" |
| L2 | 조언자 | 데이터를 분석하고, 순위가 매겨진 추천을 제시한다 | 사람이 선택하고, 사람이 실행한다 | 장단점이 있는 세 가지 웨이브 계획 |
| L3 | 확인 후 실행 | 행동 초안을 작성하고, 사람의 승인 후에만 실행한다 | 사람이 승인 관문이다 | 보충 주문이 생성되고, 릴리스 전에 슈퍼바이저가 확인한다 |
| L4 | 안전장치 있는 자율 실행 | 규칙 내에서 실행하고, 예외를 자동으로 에스컬레이션한다 | 사람이 감독하고, 예외만 처리한다 | 야간 웨이브가 자동으로 스케줄링되고, 임계값을 초과한 주문은 직원에게 전달된다 |
L1에서 L2로는 역량의 단계이다. 추천의 질은 데이터의 질에 달려 있다. L2에서 L3으로는 신뢰의 단계이다. 사람들이 기계가 작성한 행동 초안을 넘겨줄지는 과거 추천이 얼마나 정확했는지에 달려 있다. L3에서 L4로는 책임의 단계이다. 자율 실행은 오류의 비용을 누군가 부담한다는 뜻이며, 그 누군가는 오늘날 사람일 수밖에 없다. 대부분의 창고는 현재 L1과 L2 사이에 있고, 소수의 파일럿이 L3에 닿았으며, L4는 규칙이 극도로 명확하고 리스크가 매우 낮은 좁은 시나리오에만 존재한다.
창고의 AI 에이전트가 혼자 행동하기까지의 네 가지 격차
첫 번째 격차는 기술적 성숙도이다. 에이전트가 자율적으로 실행하려면 목표를 이해하고, 도구를 호출하고, 결과를 검증하는 세 가지를 동시에 해야 한다. 목표는 모델을 통해 이해되고, 도구는 시스템 인터페이스를 통해 호출되며, 결과는 되읽기와 검사를 통해 검증된다. 세 가지 중 가장 약한 고리는 인터페이스이다. 많은 창고가 WMS, TMS, 설비 제어 시스템을 운영하면서도 그 사이에 통합된 기계 호출 가능 인터페이스가 없어, 웨이브를 바꾸려는 에이전트는 먼저 세 개 또는 네 개의 데이터 사일로를 가로질러야 한다. 2026년 6월부터 가동 중인 Opendock의 MCP 서버를 이용하면 MCP 호환 AI 에이전트라면 누구나 도크 예약을 직접 스케줄링, 수정, 취소, 조회할 수 있다. 방향성 있는 돌파구이지만, 대상은 도크 예약이지 창고 내부의 실행 핵심이 아니다.
두 번째 격차는 권한과 안전장치이다. 자율적으로 실행하는 에이전트는 누군가를 대신해 돈을 쓰고 계획을 다시 쓰고 있다. 한 번의 잘못된 자동 보충이 트럭 한 대 분량의 팔리지 않는 재고를 의미할 수 있다. 한 번의 잘못된 웨이브 재스케줄링이 야간 근무 전체의 피킹 리듬을 흐트러뜨릴 수 있다. 안전장치는 자율성을 부여하기 전에 구축해야 한다. 금액 상한, 수량 상한, 시간대, 블랙리스트 SKU, 자동 롤백이다. 안전장치 없는 자율성은 혁신이 아니라 통제의 상실이다.
세 번째 격차는 인간 슈퍼바이저의 자리이다. L4는 창고에서 사람을 없애지 않는다. 사람을 감독으로 이동시킨다. 대시보드를 지켜보고, 예외를 처리하며, 에이전트의 의사결정 로그를 주기적으로 감사한다. 그러나 감독 자체가 새로운 역량을 요구한다. 슈퍼바이저는 에이전트가 왜 이렇게 웨이브를 스케줄링했는지 볼 수 있어야 하고, 세 번 연속 잘못된 판단을 한 뒤에는 에이전트를 멈출 수 있어야 하며, '에이전트가 틀렸다'와 '데이터가 틀렸다'를 구분할 수 있어야 한다. 가트너가 2025년 말 인프라 및 운영 리더 782명을 대상으로 한 조사에 따르면, 차질을 보고한 사람들 중 38%가 열악한 데이터 품질이나 제한된 데이터 가용성을 직접적인 원인으로 꼽았다. 슈퍼바이저가 보통 가장 먼저 감독해야 하는 것은 에이전트가 아니라 에이전트에게 공급되는 데이터이다.
네 번째 격차는 비용 장부이다. 에이전트의 비용은 일회성 도입 비용만이 아니다. 지속적인 모델 호출, 인터페이스 유지보수, 감독 인력, 안전장치 예비비가 포함된다. 계산을 살펴보자(예시). 중규모 창고가 야간 웨이브 스케줄링을 에이전트에게 맡긴다면, 모델과 인터페이스의 월 비용은 약 8,000위안인 반면, 절약되는 야간 스케줄링 노동은 하루 약 1.5시간이다. 시간당 40위안으로 계산하면 한 달에 약 1,800위안을 절약한다. 계산상으로는 손해이다. 같은 에이전트가 보충 조언, 예외 주문, 예약 조정까지 함께 처리할 때만 비용을 충분한 수의 작업에 분산시켜 손익분기점에 도달할 수 있다. 단일 지점 에이전트는 좀처럼 스스로 비용을 회수하지 못한다. 그룹화된 에이전트라면 가능할 수도 있다.
타임라인 판단: 나의 견해
종합하면 나의 판단은 다음과 같다. 2026년과 2027년에는 L2 조언형 창고 AI 에이전트가 창고 소프트웨어의 표준이 되고, L3 '확인 후 실행'은 보충, 예약, 예외 주문이라는 세 가지 시나리오에서 파일럿에 들어간다. 2027년 말 이전에 가트너가 예측한 40%의 취소율은 대체로 현실이 될 것이고, 살아남는 프로젝트는 대부분 범위를 좁히고 진짜 안전장치를 구축한 프로젝트일 것이다. 2028년까지 15%의 자율 의사결정 수치는 실행 핵심보다 조정 계층에서 달성될 가능성이 더 크다. 예약, 재스케줄링, 운전자 추적, 예외 알림이지 피킹 계획의 자동 재작성이 아니다. 진정한 L4 자율 실행은 2030년경, 좁고, 규칙이 명확하며, 리스크가 통제된 시나리오에서만 일상이 될 것이라고 나는 생각한다. 이는 가트너의 예측, 즉 2030년까지 공급망 소프트웨어를 사용하는 기업의 60%가 에이전틱 AI 기능을 도입할 것이라는 예측과 대략 일치한다.
이 판단에는 하나의 열린 질문이 남는다. WMS와 설비 시스템 사이의 기계 호출 가능 인터페이스가 2027년 이전에 폭넓게 표준화된다면, 첫 번째 격차는 예상보다 빠르게 무너지고 전체 타임라인이 앞당겨진다. 반대로 데이터 품질 문제가 계속 발목을 잡는다면, L3의 확산조차 지연될 것이다. 창고 AI 에이전트의 이야기는 궁극적으로 모델이 얼마나 똑똑한지가 아니라, 창고의 기반, 즉 데이터, 인터페이스, 안전장치 규칙이 준비되어 있는지에 관한 것이다. 기반이 준비되어 있지 않다면, 에이전트가 아무리 똑똑해도 질문 응답 자리에 서서 창고가 일하는 모습을 지켜볼 수밖에 없다.
Dr. Chen, 공급망 연구원 지음 영어판 번역본입니다. 내용이 다를 경우 영어판을 우선합니다.







