작년 온타리오의 한 3PL이 나를 컨설턴트로 불렀다. AI 수요예측을 원했고, 벤더 데모는 훌륭했으며, 계약서에는 거의 서명할 참이었다. 현장에서 이틀을 보내고 돌아와 경영자에게 가장 먼저 말했다. "이 돈을 지금 쓰면 날리는 겁니다." 알고리즘이 나빠서가 아니었다 ― 20,000개가 넘는 SKU 중 4,000개가 넘는 제품에 바코드조차 없었기 때문이다. 피커들은 기억에 의존해 제품을 식별했다. 세상 어떤 알고리즘도 누군가의 머릿속에 사는 재고를 예측할 수 없다.
창고에서 AI가 죽는 가장 흔한 방식은 이거다. 기술 때문에 죽는 게 아니라 데이터 때문에 죽는다. 수년간 AI 파일럿을 십여 건 지켜봤는데, 실패의 10건 중 7~8건은 한 번도 이뤄지지 않은 데이터 준비로 거슬러 올라간다. 벤더들은 이걸 자진해서 알려주지 않는다 ― 라이선스 판매로 돈을 버니 가급적 일찍 계약하길 바란다. 내 체크리스트는 이렇다. AI가 라이브되기 전에 창고 데이터 세 가지 카테고리를 먼저 정리해야 한다. 하나라도 기준에 못 미치면, 그것에 의존하는 유스케이스는 시작하지 마라. 생각보다 훨씬 절약된다.
마스터 데이터: SKU, 로케이션, 로트 ― "대충"으로는 안 된다
마스터 데이터는 모든 AI 모델이 서는 토대다. 누락된 SKU 속성, 엉망인 로케이션 코드, 손으로 땜질한 로트 정보 ― 전통적인 운영에서는 베테랑의 암묵지로 이 모든 걸 덮을 수 있었다. AI가 들어오는 순간, 틈 하나하나가 지뢰가 된다.
나는 고객에게 세 가지 엄격한 기준을 적용한다. 첫째, SKU 마스터 완전성 95% 이상: 치수, 중량, 포장 사양, ABC 등급. 이게 빠지면 AI의 슬롯팅과 웨이브 계획은 쓰레기가 들어가면 쓰레기가 나온다. "알고리즘이 빈틈을 자동으로 메운다"는 말은 믿지 마라 ― 치수가 10%만 어긋나도 카톤 추천은 전부 틀린다.
둘째, 로케이션은 100% 스캔 가능해야 한다. AMR을 배차하고 이동 동선을 최적화하는 AI는 시스템의 모든 로케이션이 물리적 로케이션과 매칭된다고 가정한다. 시스템에 12,000개의 로케이션이 있는 건물에서 현장 감사를 하니 300개가 넘는 유령 로케이션이 나왔다 ― 라벨은 떨어지고, 랙은 철거됐는데 데이터베이스에는 그대로 있었다. 이런 데이터를 AI에 먹이면 계획하는 경로는 전부 소설이다.
셋째, 로트와 유통기한 데이터는 고리를 닫아야 한다. 유통기한 경고 AI를 돌리는 식품·제약 창고에서는 로트 단위 입출고 기록이 없으면 학습 샘플 자체가 존재하지 않는다. 이게 재구축이 가장 느린 데이터다. 왜냐면 이력이 보통 존재하지 않기 때문이다 ― 오늘부터 수집을 시작하고 꼬박 한 분기를 기다린다.
어떻게 고치나? 청소 캠페인은 벌이지 마라. 내 방법: 200 SKU를 샘플링해 마스터 데이터 오류율을 계산한다. 15%를 넘으면 체계적인 재구축이 필요하다 ― 2~3개월 예산을 잡아라. 5% 미만이면 AI를 시작하면서 병행으로 채워 넣을 수 있다. 이 계산은 알고리즘 라이브 후에 하는 게 아니라 미리 하는 거다.
이벤트 데이터: 타임스탬프가 끊어지면 이력은 쓸모없다
AI는 당신의 창고가 실제로 어떻게 돌아가는지 배운다. 그 교과서는 모든 스캔, 모든 입고, 모든 웨이브 타임스탬프다. 여기서 가장 큰 문제는 데이터 누락이 아니라 깨진 데이터다.
많은 창고는 입고·적치·피킹은 열심히 스캔하고, 포장과 출하는 종이로 처리한다. 타임스탬프가 중간에 끊긴다. 진짜 주문 사이클 타임을 배우려는 AI는 수업 중간에 막다른 골목에 부딪힌다. 다른 곳은 야간조가 생산성을 맞추느라 스캔을 건너뛰어 기록이 통째로 비어 있다 ― 그런 데이터로 학습한 모델은 야간조 능력을 체계적으로 과소평가한다.
내 수락 기준: 핵심 공정마다 스캔 커버리지 90% 이상을 3개월 연속. 아직 못 미치나? 대책은 두 가지. 싼 쪽은 스캔 준수 관리다. 조별 KPI에 스캔률을 넣으면 거의 제로 비용으로 2개월 안에 커버리지가 오른다. 비싼 쪽은 하드웨어다. 포장 스테이션의 자동 계량 스캔 장치 같은 것이다. 보통 싼 쪽을 먼저 권한다 ― 습관을 고치고 연속성을 확보한 뒤에 AI 이야기를 하자.
한 가지 더: 비수기와 성수기의 전체 사이클을 커버하는 이력을 최소 6개월은 남겨라. 성수기 데이터로만 학습한 모델은 비수기 내내 늑대소년을 외칠 것이고, 반대도 마찬가지다. 벤더가 "3개월 데이터면 충분하다"고 하면, 그건 빨리 돈 받고 싶다는 소리다.
성과 데이터: 성적표가 없으면 AI는 절대 졸업 못 한다
앞의 두 카테고리는 입력이다. 이건 출력이다. 순환실사 차이 로그, 피킹 오류 기록, 정시 출하율, 반품 사유 분류. 모델은 자신이 맞는지 알기 위해 성과 데이터가 필요하다. 이게 없으면 라이브 후에는 모델이 개선되고 있는지 헛소리를 하고 있는지조차 알 수 없다.
이게 가장 무시되는 이유는 성과 데이터가 여기저기 흩어져 있기 때문이다. 차이는 스프레드시트에, 불만은 이메일에, 반품 사유는 누군가의 머릿속에. 작년 AI 비전 순환실사 평가를 위해 고객을 봤더니 2년치 차이 기록이 합계로만 저장돼 있었다 ― SKU 내역 없이. 모델은 오류가 어디 있는지조차 배울 수 없었다. 정확도 한계는 시작 전부터 뻔했다.
대책은 하나의 성과 마스터 로그다. 날짜, SKU, 공정 단계, 이슈 유형, 금액 임팩트. 2개월간 손으로 기록해 습관을 만들고, 그다음 시스템화한다. 부수 효과도 있다. 경영상의 많은 문제는 이 로그만으로 드러난다. AI가 오기도 전에 경영 수준이 올라간다.
예산의 현실: 데이터 준비가 프로젝트의 60–70%를 먹는다. 놀라지 마라.
솔직히 말하자. AI 파일럿에서 데이터 준비는 보통 시간과 공수의 60–70퍼센트를 소비한다. 알고리즘 선정과 도입은 나머지를 차지한다. 벤더의 프로젝트 계획이 이걸 적는 경우는 거의 없다 ― 데이터 준비는 "고객 협조 2주"로 적힌다. 믿었다가는 프로젝트가 최소 3개월은 밀린다.
내 조언: 킥오프 전에 데이터 헬스체크를 돌려 세 가지 카테고리를 각각 10점 만점으로 채점해라. 합계 18점 미만이면 아직 AI 이야기는 꺼내지 마라 ― 데이터 준비를 3~6개월짜리 독립 프로젝트로 돌리고 끝난 뒤에 돌아와라. 24점 초과면 POC로 직행이다. 5~6개 고객사에서 이 체크를 돌려봤는데, 매번 1~2개의 망할 프로젝트를 죽였다. 절약은 진짜 돈이다.
냉정한 진실: 데이터 준비에는 화려함이 제로다. 전부 막노동이라 아무도 손들지 않는다 ― 벤더는 건너뛰고, 사내에는 주인이 없다. 하지만 AI 시대에 데이터는 새로운 랙이다. 엉망인 랙은 제품 분실을 뜻하고, 엉망인 데이터는 당신의 AI가 장식품임을 뜻한다. 먼저 기초를 다지면 알고리즘 파트는 쉬워진다.
영어판 번역본입니다. 내용이 다를 경우 영어판을 우선합니다.
