지난해 10월, 한 클라이언트로부터 AI 인력 스케줄링에 대한 문의를 받았습니다. Fontana에 창고를 둔 홈굿즈 전자상거래 브랜드였죠. 통화에서 나온 첫 질문은 이랬습니다. "Susan, 3PL 업계 사람들이 전부 이 얘기만 하더라고요. 피크 시즌 전에 우리도 도입해야 할까요?"
저는 이렇게 되물었습니다. 작년 피크 시즌에는 인력을 어떻게 편성하셨어요? 그분 왈, 전부 오퍼레이션 매니저 한 사람이 정했다고 합니다. 12년 차 베테랑으로, 11월 프로모션 캘린더를 대충 훑어보고 감으로 인원을 정하는 방식이죠. 평일 주문량은 보통 하루 3~4천 건, Black Friday 주간에는 7~8천 건을 훌쩍 넘습니다. 결과는 이랬습니다. 피킹 구역에 20명이 넘는 임시직이 남아서 서성이며 폰만 만지작거리고 있었고요. 그러다 12월 둘째 주 반품 물결이 밀려오자 인력이 모자라 창고 전체가 사흘 연속 잔업을 했습니다. 임시직 잔업 수당은 평소 시급을 크게 웃돌았고요.
오늘 제가 얘기하고 싶은 건 바로 이겁니다. AI 인력 스케줄링이 이 피크 시즌 인력 계산을 정말 정확하게 풀 수 있을까요?
AI 인력 스케줄링의 실제 동작 원리
벤더의 전문용어에 휘둘리지 않도록 원리를 한 문장으로 설명하겠습니다. AI 스케줄링은 과거 주문량에 계절성 요인, 프로모션 캘린더, 대형 세일 이벤트를 얹어서, 특정 날짜·특정 교대에 대략 몇 명이 필요한지 계산해 냅니다.
멋져 보이죠? 그런데 먼저 찬물을 한 바가지 끼얹겠습니다. 보통 잘못되는 건 알고리즘이 아닙니다. 여러분의 이력 데이터 자체가 숨겨진 '물타기'로 가득 차 있다는 거죠.
직관에 반하는 진실: 가장 큰 함정은 알고리즘이 아니라 데이터
올해 초, 또 다른 클라이언트——Perris에 창고를 둔 뷰티 브랜드——는 AI 스케줄링 도구를 실제로 도입했습니다. 벤더는 예측 정확도가 90%를 넘는다고 장담했죠. 야간 교대 한 팀에 파일럿으로 돌리면서 4주 동안 예측 대 실적 비교표를 굴렸습니다. 결과는 이랬습니다. 예측이 체계적으로 높게 나와서, 거의 매주 3~5명씩 인원이 과다 편성됐습니다.
문제는 어디였을까요? 오퍼레이션 디렉터가 작년 피크 시즌 스케줄을 뒤져보고는 웃음을 터뜨렸습니다. 작년 11월의 2주, 기록은 서류상으로 완벽했거든요. 40명 편성, 목표 주문량 달성. 하지만 현실에서는 그 2주를 힘으로 버티는 잔업으로 넘겼던 겁니다. 정상 교대로는 도저히 일을 끝낼 수 없었고, 잔업이 물량을 흡수했습니다. 시스템은 인원수와 주문량을 기록했습니다. 잔업이 몇 시간이나 들었는지는 한 번도 기록하지 않았습니다.
AI가 학습한 건 '당신이 몇 명을 편성했는지'이지, '몇 명이 필요했는지'가 아닙니다. 물 탄 데이터를 먹이면 물 타는 법까지 학습합니다. 그래서 예측이 부풀려 나오는 겁니다. 벤더 측에서 일한 제 오랜 경험으로 말하자면, 이건 제가 본 가장 비싼 데이터 품질 문제입니다. 기술이 나쁜 게 아니라, 지난해에 실제로 무슨 일이 있었는지 AI에게 아무도 말해주지 않았을 뿐이죠.
그래서 첫 번째 조언은 이겁니다. 스케줄링 AI를 도입하기 전에, 이력 데이터에 주석부터 다십시오. 잔업, 긴급 교대 변경, 전사 투입 대소동까지요. 벤더가 '학습 데이터를 어떻게 정제합니까'라는 질문조차 대답 못 한다면, 그냥 돌아서 나오세요.
계산해 보기: 10% 스케줄링 오차가 실제로 얼마나 비싼가
수동 스케줄링 대 AI 스케줄링. 실제 금액 차이는 얼마나 될까요? 규모 감을 한번 잡아 보죠.
80명 규모의 창고, 피크 3개월, 임시직이 절반인 경우를 가정합시다. 피크 시즌 임시직 임금은 평시보다 20~30% 높게 뜹니다. 매년 10월이 되면 인력 회사가 가격을 올리기 시작하죠. 업계 생리입니다. 스케줄링 오차가 10% 높게 나면, 하는 일 없는 4~5명분 임금을 3개월 동안 그냥 내는 겁니다. 낮게 나면 주문이 잔업의 함정과 납기 지연의 함정으로 밀려 들어갑니다. 잔업은 비싸고, 한 번의 대소동으로 잃는 고객 신뢰는 그보다 더 비쌉니다.
분기로 보면 10% 스케줄링 오차는 수만 달러 규모의 비용입니다. 그래서 제가 이렇게 말하는 겁니다. AI 스케줄링의 가치는 벤더 슬라이드에 적힌 정확도 숫자와는 아무 상관이 없습니다. 당신의 10% 오차의 절반을 먹을 수 있느냐, 그게 전부입니다. 절반을 먹으면 한 번의 피크 시즌으로 본전을 뽑습니다. 못 먹으면 비싼 스케줄 생성기일 뿐입니다.
대부분이 놓치는 또 하나의 비즈니스 관점이 있습니다. 타이밍입니다. 인력 회사는 10월에 요금을 올리지만, 인원을 일찍 확약하면 저가로 조기 예약을 받아줍니다. 2주 일찍 도착한 예측은 저렴한 임시직을 확보하게 해주지만, 물량 급등 주간에 도착한 예측은 프리미엄 요금을 물게 만듭니다. 그러니 스케줄링 도구는 정확도뿐 아니라 리드 타임으로도 평가하십시오. 실제로 행동 가능한 숫자를 얼마나 미리 주느냐가 관건입니다.
탈 없이 파일럿으로 돌리는 법
도입해 보고 싶다면, 제가 권하는 순서는 이렇습니다. 창고 전체가 아니라 교대 한 팀을 고르세요. 4주 내내 예측 대 실적 비교표를 굴리세요. 그리고 처음부터 규칙을 정하세요. 오차가 임계값을 계속 넘으면, 먼저 들여다보는 건 데이터지 알고리즘이 아닙니다. 열 번 중 아홉 번은 물타기가 데이터 안에 숨어 있습니다.
다음 AI 스케줄링 계약에서 반드시 물어야 할 세 가지 질문
영업 일선에서 오랜 세월을 보내고 나서 제가 믿게 된 게 하나 있습니다. 벤더 슬라이드의 숫자는 계약서에 쓰여야 비로소 의미가 있습니다. AI 스케줄링 계약을 협상할 때는 이 세 가지 질문을 꼭 하십시오.
첫째, 예측 정확도 약속이 서비스 약관에 적혀 있습니까, 슬라이드에만 있습니까? 연속된 주 동안 오차가 임계값을 넘으면 구제 조항이 있습니까? 이게 없으면 '정확도 90%'는 그냥 광고 문구입니다.
둘째, 학습 데이터의 소유권은 누구에게 있습니까? 계약이 끝나고 벤더를 갈아탈 때, 이력 데이터와 튜닝된 모델을 가져갈 수 있습니까? 이 지점에 함정을 숨긴 계약이 아주 많습니다. 데이터는 명목상 여러분 것인데, 내보내기 형식이 쓸 수 없게 되어 있는 식으로요.
셋째, 가동 후 리뷰 주기는 어떻게 됩니까? '정확하다'의 정의는 누가 정하고, 리뷰는 주간입니까 월간입니까? 리뷰 장치가 없는 AI 프로젝트는 '시스템이 이만큼 편성하라니까 이만큼 편성한다'로 끝납니다. 옛날 감 편성 방식과 다를 바가 없죠. 달라진 거라곤 감의 주인이 베테랑 매니저에서 알고리즘으로 바뀌었을 뿐입니다.
마지막으로 솔직한 한 마디. AI 스케줄링은 점쟁이가 아닙니다. '역사가 반복된다면 몇 명이 필요한가'를 계산하는 겁니다. 피크 시즌이 진짜로 시험하는 건 역사가 한 번도 본 적 없는 모든 겁니다. 예상 밖의 물량 급증, 대소동, 운송업 파업 같은 것들이요. 그러니 제 결론은 명확합니다. 쓰되, 구세주로 여기진 마세요. 교대 한 팀에 파일럿으로 돌리고, 한 달간 비교표를 굴린 뒤 숫자가 맞으면 전체에 확장하세요. '첫날부터 창고 전체 본 가동'을 밀어붙이는 벤더는 AI를 파는 게 아닙니다. 분기 커미션을 파는 겁니다.
Susan, 3PL 세일즈 디렉터 지음
영어판 번역본입니다. 내용이 다를 경우 영어판을 우선합니다.
