지난 두 해 동안 AI HS 코드 분류 도구는 수입 창고와 관세 중개 현장에 들어왔다. 제품 설명과 소재, 용도를 입력하면 몇 초 만에 신뢰도 점수와 함께 HTS 코드를 돌려준다. 어떤 사람들은 이를 분류 담당자의 종말이라 부른다. 지난 두 해 동안 업계에서 내가 본 바에 비추어 보면, 그 판단은 성급하다. 분류가 어려운 것은 코드를 찾는 일이 어려워서가 아니다. 코드가 틀렸을 때 누군가 대가를 치러야 하기 때문이다.

기본적인 사실부터 시작하자. HTS 제도에는 여섯 자리 세번이 오천 개를 넘게 포함되어 있으며, 열 자리 통계 수준까지 내려가면 조합은 수만 가지에 이른다. 제품이 어떤 코드를 받는지는 그 제품이 무엇인지뿐만 아니라 소재의 비율, 기능의 상대적 중요성, 가공 정도, 심지어 용도에 따라서도 달라진다. 같은 무선 이어폰도 충전 케이스 유무에 따라 다르게 분류될 수 있다. 그래서 분류 담당자의 일은 스프레드시트와 데이터베이스의 수십 년을 살아남았다. 분류는 본질적으로 판단의 일이지, 찾아보는 일이 아니다.

AI HS 코드 분류가 실제로 절약하는 것

절약되는 시간은 계산하기 쉽다. 사람의 경우, 숙련된 분류 담당자는 정형적인 신고 한 건에 약 10~20분을 쓰고, 복잡한 신제품 — 설명서 확인, 과거 판정 읽기, 조성 확인을 위한 공급업체 전화 — 은 한두 시간이 걸릴 수 있다. AI의 경우 답은 몇 초 만에 돌아오고, 수백 건의 신고를 한 번의 배치로 처리할 수 있다. 가정을 명시한 계산 사례를 들어보자. 한 달에 1,000건의 수입 신고를 처리하는 창고가 신고 한 건당 평균 15분의 수작업 분류를 한다면, 분류에 한 달 250시간을 쓰게 되며, 이는 정규직 한 명 반 정도에 해당한다. AI는 첫 번째 패스를 몇 초로 압축하고 어려운 경우만 사람의 검토에 남긴다. 절약되는 시간은 실제다.

| 요소 | 수작업 분류 | AI 분류 + 사람 검토 | | 속도 | 신고 한 건당 10–20분 | 첫 번째 패스는 몇 초, 어려운 신고는 사람이 검토 | | 일관성 | 사람마다 다름 | 유사 물품에 대해 안정적인 결과 | | 비용 | 시간에 따라 선형으로 증가 | 초기 투자 + 신고 건당 수수료 | | 위험 | 오류가 한 사람의 판단에서 비롯됨 | 오류가 체계적 편향에서 비롯됨 — 실수 하나가 배치 전체에 반복될 수 있음 |

하지만 이 계산에는 조건이 붙어 있다. 절약되는 것은 첫 번째 패스의 시간이지 책임이 아니다. 코드의 숫자 하나가 관세율을 몇 퍼센트포인트 움직일 수 있다 — 이는 관세 제도의 기본적인 구조적 사실이며, 어떤 제품의 실제 관세율도 공식 관세표에서 확인해야 한다. AI가 절약하는 노동 시간과 정정된 신고 한 건의 비용은 종종 같은 규모가 아니다. 절약한 시간을 세고 틀렸을 때의 비용을 무시하는 ROI 계산은 ROI 계산이 아니다.

예시 상황을 생각해 보자. 수입업자가 충전 케이스와 함께 판매되는 무선 이어폰 한 쌍을 AI로 분류한다. 모델은 92퍼센트 신뢰도로 코드를 반환하고, 운영자는 높은 점수를 보고 통과시킨다. 검사에서 세관은 해당 제품을 일반 이어폰이 아니라 리튬 배터리가 포함된 완제품으로 분류했어야 했다고 판단하고, 수입업자는 소급 관세와 벌금을 맞닥뜨린다 — 그 한 건만으로 회사가 반년 동안 절약한 인건비를 웃도는 금액이다. 문제는 모델이 "멍청해서"가 아니다. 통계적으로 92퍼센트 신뢰도는 낮지 않다. 문제는 92퍼센트면 통과시켜도 되는지를 아무도 문서로 정해두지 않았다는 점이다.

모델이 아니라 상류 데이터에 뿌리를 둔 두 번째 종류의 오류도 있다. 면 60퍼센트, 폴리에스터 40퍼센트로 기재된 재킷은 면 40퍼센트, 폴리에스터 60퍼센트로 기재된 것과 다른 코드를 받을 수 있다. 공급업체의 조성표가 애초에 틀렸다면 AI는 잘못된 입력을 읽고, 세상에서 가장 정확한 모델도 잘못된 답밖에 내놓을 수 없다. 분류 오류의 원인은 종종 알고리즘이 아니라 데이터 사슬에 있다.

AI HS 코드 분류의 오류 한 건이 초래하는 비용

첫째, 소급 관세와 벌금이다. 미국 관세법은 신고 시 허위 진술에 대해 과실 정도에 따라 벌금을 규정하고 있으며, 책임은 기록상의 수입자 — 소프트웨어 공급업체가 아니다 — 에게 있다. 계약에 다른 정함이 없는 한, 공급업체가 비용을 부담할 가능성은 거의 확실히 없다. 그래서 AI 분류 계약의 책임 조항은 정확도 수치보다 더 주의 깊게 읽을 가치가 있다.

둘째, 검사율이다. 한 물품 범주가 오분류된 것으로 확인되면, 이후 같은 물품의 선적분이 검사받을 확률이 올라가고, 창고의 회전 계획과 고객 납기 일정도 함께 흔들린다. 이 숨은 비용은 소급 관세보다 계산하기 어렵고, 고객에게 설명하기도 어렵다. 물품 자체는 멀쩡한데, 직전 선적분의 코드만 틀렸을 뿐이기 때문이다.

셋째, 이월 효과이다. 잘못된 분류 하나가 눈에 띄지 않으면, 같은 잘못된 코드가 그 제품의 이후 모든 신고에 복사된다. 여기서 AI의 효율은 양날의 검이다. 맞을 때는 대량으로 맞고, 틀릴 때는 대량으로 틀린다. 수작업 시대에는 한 사람의 실수가 미치는 범위가 제한적이었다. AI 시대에는 체계적 편향이 몇 주 만에 제품 범주 전체의 분류 기록을 오염시킬 수 있다.

사람 검토가 자리해야 할 곳

내 생각에 사람 검토는 마지막에 최종 확인으로 두어서는 안 된다. 신뢰도 점수와 제품 위험에 따라 단계별로 나누어야 한다.

| 제품 유형 | AI 신뢰도 | 처리 방식 | | 분류 이력이 있는 정형 물품 | 높음 | 사람의 표본 검사 | | 신제품, 경계선상의 조성 | 중간 | 사람 검토 필수 | | 무역 구제 조치 대상 물품, 리튬 배터리, 식품 및 의약품 | 모든 수준 | 전면적인 사람 검토, AI는 참고만 |

핵심 단계는 규칙을 문서로 정하는 것이다. 무엇이 "높음"에 해당하는지, 어떤 제품 범주가 자동으로 사람 검토로 넘어가는지, AI의 답을 뒤집을 권한이 누구에게 있는지를 말이다. 문서화된 규칙 없는 "사람 + 기계"는 결국 확인 버튼만 누르는 사람이 하는 일로 전락한다. 그리고 책임 분쟁에서 확인 버튼을 누르는 것은 물품을 직접 분류한 것과 똑같이 취급된다. 다시 말해, 겉치레에 불과한 사람 검토 단계는 사람 검토가 없는 것과 마찬가지이다.

AI가 아직 분류해서는 안 되는 것

현 단계에서는 AI가 단독으로 분류하게 하고 싶지 않은 물품 범주가 네 가지 있다. 첫째, 판정 이력이 없는 신제품이다. 모델이 배울 선례가 없어 신뢰도 점수 자체가 무의미하다. 둘째, 조성이 경계선상에 있는 화학품과 섬유 제품으로, 결정적인 증거가 제품 설명이 아니라 실험실 보고서에 있다. 셋째, 반덤핑 관세와 상계관세 같은 무역 구제 조치의 대상이 되는 물품으로, 코드가 모델이 볼 수 없는 판정 문서와 판례에 의존한다. 넷째, 복잡한 규제 조건 하의 식품, 의약품, 의료기기로, 잘못된 코드가 단순한 금전 문제가 아니다.

이 네 가지는 한 가지 특징을 공유한다. 분류를 결정하는 증거가 제품 설명 안에 없다는 것이다. 그래서 AI의 입력은 처음부터 불완전하다. 입력이 불완전하면 아무리 좋은 모델도 추측할 수밖에 없다. 그리고 분류에서 옳은 추측은 보상이 없고, 틀린 추측은 돈이 든다.

다시 처음 질문으로 돌아가자. HS 코드 분류 AI는 인력을 절약하지만, AI가 틀렸을 때 누가 비용을 부담하는가? 당분간 답은 기록상의 수입자이다. 앞으로 수년 안에 AI 분류는 수입 창고의 표준 장비가 될 가능성이 높다. 하지만 "표준"이라는 말은 모든 창고가 그것을 갖춘다는 뜻이지, 모든 창고가 주의를 기울이지 않아도 된다는 뜻이 아니다. 생각해 볼 가치가 있는 질문은 AI가 정확한지가 아니라, AI가 95퍼센트 정확할 때 나머지 5퍼센트를 누가 부담하는가일지 모른다. 그 질문에는 아직 표준적인 답이 없다.

Dr. Chen, 공급망 연구원 지음 영어판 번역본입니다. 내용이 다를 경우 영어판을 우선합니다.