AI 컨테이너 적재 최적화: 같은 40피트 컨테이너에 8% 더 싣는 법

결론부터 말하겠습니다. AI 컨테이너 적재 최적화에서 알고리즘은 일의 30%에 불과합니다. 나머지 70%는 카톤 마스터 데이터입니다. 쓰레기 같은 마스터 데이터를 넣으면 아름다운 적재 계획이 나오고——그리고 도크에서는 아무것도 맞지 않습니다. 저는 이 똑같은 실패를 세 번 봤습니다. 세 번 모두 같은 이유로 죽었습니다. 시스템에 들어 있는 카톤을 실제로 측정한 사람이 아무도 없었던 겁니다.

2024년 6월. 캘리포니아의 국경 간 가구 이커머스 고객이 저를 불렀습니다. 그들의 40피트 컨테이너는 대략 65% 채워진 상태로 봉인되고 있었습니다. 창고 슈퍼바이저는 태연하게 이렇게 말했습니다. "우리 베테랑들은 10년 동안 컨테이너를 실어 왔습니다. 거기엔 더 이상 공간이 없습니다. 마법으로도 못 넣습니다."

저는 논쟁을 멈추고 상위 30개 SKU에 줄자를 대라고 했습니다. 측정해 보고 그는 입을 다물었습니다. 시스템에 들어 있던 카톤 치수는 3년 전 구매팀이 손으로, 눈대중으로 입력한 것이었습니다. 실제로 재 보니 모든 카톤이 평균 2~3센티미터씩 어긋나 있었습니다. 카톤당 2센티미터, 컨테이너당 400개——그것만으로 거의 1세제곱미터의 '유령 틈새'입니다. 마스터 데이터를 고치고 최적화를 다시 돌리자, 3개월간의 검증에서 같은 화물이 65%가 아니라……73%로 실렸습니다. 같은 상자에 약 8% 더 실은 겁니다.

알고리즘은 실제로 무엇을 합니까? 산업용 테트리스——정식 명칭은 3D 빈 패킹입니다. 각 카톤의 치수, 무게, 눌림 가능성, 방향 제약을 입력하면 적재 순서와 적층 도면이 나옵니다. 표준 40피트 컨테이너의 내부 치수는 길이 12.03 m, 너비 2.35 m, 높이 2.39 m——서류상으로 약 67.7세제곱미터입니다. 도크에서 그중 60을 실제로 쓸 수 있으면 잘하는 겁니다. 나머지는 불규칙한 카톤, 작업 여유 공간, "무거운 화물은 가벼운 화물 위에 올릴 수 없다"는 규칙에 잡아먹힙니다. 알고리즘의 진짜 가치는 이론상 최적값이 아니라——도크에 실제로 들어맞는 최적값입니다.

베테랑들은 실제로 어디서 집니까? 경험이 아니라 작업 기억입니다. 카톤 치수, 무게, 눌림 가능성, 적층 방향, 하역 순서. 다섯 가지 제약을 인간의 머릿속에서 동시에 돌리는 것은 누구도 못 합니다. 알고리즘의 강점은 수십 가지 제약을 지치지 않고 씹어내는 것입니다. 반대로 말하면, 알고리즘은 "이 고객의 카톤은 비를 맞으면 무른다"거나 "저 터미널은 축중 검사가 빡빡하다"는 것을 모릅니다. 그 도크의 지식은 여전히 사람이 입력해야 합니다. 올바른 자세는 이렇습니다. 사람이 규칙을 정하고, 알고리즘이 조합을 계산하고, 도크가 수정을 피드백합니다.

계산을 해봅시다. 연간 200개 컨테이너를 내보내는 고객이 적재율을 65%에서 73%로 올리면 연간 약 16개의 컨테이너가 줄어듭니다. 절약되는 것은 해상 운임만이 아닙니다. 예약, 드레이지(항만 육송), 터미널 핸들링——체인 전체입니다. 투자는 몇 주간의 데이터 정제와 소프트웨어 구독료입니다. 첫 해에 본전을 뽑고, 그 이후 매년이 순이익입니다.

도입에는 4단계가 필요합니다. 하나도 빼먹으면 안 됩니다.

측정하라. 상위 SKU에 줄자를 대라——내측 치수가 아니라 외측 치수로, 테이프 두께와 카톤의 부풀어 오름까지 포함해서. 시스템에 있는 값은 아무것도 믿지 마라. 믿으면 도크에서 대가를 치른다.
모델링하라. 모든 카톤에 태그를 붙여라. 무게, 눌림 가능성, 방향 제한, 습기 민감도. 이 작업에는 창고 슈퍼바이저가 반드시 참석해야 한다——"눌릴 것 같아 보이지만 실제로 쌓으면 주저앉는" 카톤을 아는 사람은 그뿐이다.
정면으로 대결시켜 검증하라. 같은 화물로 베테랑 방식으로 실은 컨테이너 1대, 알고리즘 방식으로 실은 컨테이너 1대. 둘 다 실제로 싣고, 전부 사진으로 찍어라. 결론을 내리기 전에 최소 3~5대는 실어 봐야 한다——첫 컨테이너의 행운을 결론으로 착각하지 마라.
SOP를 써라. 적재 순서를 인쇄해 컨테이너 문에 붙이고, 시프트 리드의 서명을 받아라. 아무도 따르지 않는 알고리즘 출력은 0과 같다.

태블릿에 AI 적재 계획을 표시하고 컨테이너 안에 서서 가지런히 쌓인 카톤 옆에 있는 작업자

이제 4가지 실패 패턴이다. 나는 그 모든 것이 일어나는 것을 봤다.

첫째, 마스터 데이터가 나쁘다. 이 함정을 세 번 봤다. 최악의 사례: 한 고객이 내측 치수를 외측 치수로 입력해 뒀다. 알고리즘은 완벽하게 가득 찬 아름다운 계획을 내놓았고——화물은 문 밖으로 0.5미터 삐져나왔다. 컨테이너는 닫히지도 않았다.

둘째, 무게 없는 부피. 2023년 말, 로스앤젤레스의 크리스마스 장식 수입업체가 무거운 화물을 전부 문 쪽에 쌓았다. 그 박스는 롱비치 항구의 계량대에서 축중 검사를 통과하지 못하고 거부당해, 끌고 돌아와 다시 실어야 했다. 이틀을 날리고 선박을 놓칠 뻔했다. 무게 분배를 소화하지 못하는 적재 계획은 종이 위의 연습이다.

셋째, 출력을 읽을 수 없다. 알고리즘이 내놓는 3D 적층 도면 말이다. 시프트 리드는 3분 보고 옆에 던져 버렸다. 사람의 언어로 번역해야 한다——"3층, 카톤 41번부터 58번은 여기"——그렇지 않으면 베테랑들이 평소대로 도크를 장악한다.

넷째, 하역 시간을 무시한다. 73%까지 실은 컨테이너는 싣고 내리는 데 1시간 이상 더 걸린다. 선박 마감 시간에 쫓기는 긴급 화물이라면 조금 덜 싣고 빨리 움직이는 게 낫다. 알고리즘은 그 트레이드오프를 절대 알려주지 않는다. 규칙은 스스로 정해야 한다.

소프트웨어를 고른다면 다른 무엇보다 먼저 세 가지를 확인하라. 부피만이 아니라 무게와 축중 제약을 다루는가. 3D 렌더링만이 아니라 시프트 리드가 실제로 읽을 수 있는 순서 시트를 뽑을 수 있는가. 그리고 눌림 규칙이 있는 혼합 SKU를 다루는가, 아니면 모든 카톤이 완벽한 강체라고 가정하는가. 세 가지 모두 "예"인 경우는 영업 자료가 암시하는 것보다 훨씬 드물다.

직관에 반하는 판단을 말하겠다. 적재율은 최대화해야 할 지표가 아니다. 현장에서 실제로 따르는 73% 계획이, 아무도 실행하지 않는 78% "이론상 최적값"을 이긴다. AI는 도구다. 도크의 사람들이 병목이다. 도크를 우회하는 최적화는 도크에서 죽는다.

그럼 해야 하나? 연간 물량에 맞춰라.

연간 컨테이너 수	나의 판단
50개 미만	알고리즘은 신경 쓰지 마라. 카톤을 제대로 측정하고 무료 적재 플래너를 쓰면 바로 효과가 난다
50~300개	시판 적재 최적화 도구를 구독으로 사라——직접 만드는 것보다 한 자릿수 싸다
300개 초과	깊은 커스터마이징의 가치가 있다. 무게 분배와 혼적 규칙을 모델에 내장하라