올해 WMS 벤더 브리핑을 일곱여덟 번 들어봤는데, 반복되는 디테일이 하나 있다. 세 번째쯤 슬라이드에 가면 항상 같은 단어가 나온다. 에이전틱(agentic). 3년 전 그 슬라이드에는 "클라우드 네이티브"라고 쓰여 있었고, 5년 전에는 "마이크로서비스"라고 쓰여 있었다. 벤더는 항상 제품보다 이야기를 앞서 나가는데, 그건 새로운 게 아니다. 새로운 건 구매자들이 이번에는 그걸 진심으로 믿는 것 같다는 점이다.

Deloitte와 공동 작성한 MHI 2024년 연례 산업 보고서에 따르면, 조사에 응한 공급망 기업의 84%가 향후 5년 내 AI 기술 도입을 계획하고, 27%는 이미 AI를 사용 중이라고 답했으며, 도입 가능성이 낮다고 답한 기업은 15%에 불과하다. 한편 기업의 55%는 공급망 기술·혁신 예산을 늘리고 있고, 42%는 $10 million 이상 지출을 계획하고 있다. IoT Analytics의 인트라로지스틱스 시장 보고서의 또 다른 데이터: 글로벌 인트라로지스틱스 시장은 2025년에 $96 billion에 도달했고, 소프트웨어 부문은 연평균 성장률 11.4%로 2030년까지 $10.8 billion으로 성장할 전망이다. 돈과 의지가 같은 방향으로 움직이고 있는데, 마케팅만으로는 설명이 안 된다.

플러그인 AI의 한계: "AI 모듈 추가"가 부족한 이유

AI 네이티브를 이해하려면 그것이 대체하는 것을 똑똑히 봐야 한다. 오늘날 대부분의 창고에서 돌아가는 WMS는 근본적으로 기록의 시스템이다. 재고, 주문, 작업을 성실히 기록하고, 규칙 엔진이 미리 정해진 로직으로 웨이브를 생성하고 로케이션을 할당한다. 진짜 의사결정 — 어떤 웨이브를 먼저 풀 것인지, 인력을 어디로 돌릴 것인지, 보충을 앞당길 것인지 — 은 여전히 현장 감독의 경험 속에 있다. 지난 2년간 벤더들이 내놓은 "AI 플러그인"은 대부분 코파일럿이었다. 추천이 뜬다 — "SKU 4821을 B존으로 옮기는 것을 고려하세요" — 그리고 누가 행동할지는 사람이 정한다.

이 형태에는 분명한 한계가 있다. 추천형 AI는 실행 루프를 바꾸지 않는다. 낡은 프로세스 위에 조금 더 똑똑한 제안 레이어를 얹을 뿐이다. 그리고 창고에서 가장 비싼 것은 바로 제안과 실행 사이의 시간 간격이다. 성수기에는 2시간 늦게 풀린 웨이브 계획이 피킹 라인 전체의 리듬을 무너뜨린다. 플러그인은 개별 지점을 최적화하지만, 감지·결정·실행을 잇는 마스터 스위치에는 닿지 못한다.

변곡점은 2025년에 왔다. Amazon은 100만 번째 창고 로봇의 배치를 발표했고, 함대를 조정하는 DeepFleet이라는 파운데이션 모델과 함께 함대 이동 시간을 10% 개선했다고 밝혔다. 10%는 대단해 보이지 않는다. 어디서 나왔는지를 보기 전까지는 말이다. 더 좋은 로봇이 아니라, 이미 있는 로봇을 어디로 보낼지에 대한 더 좋은 결정에서 나왔다. 순수한 소프트웨어 이득이며, 하드웨어에 어떤 로고가 붙어 있는지는 상관없다. 비슷한 시기 Manhattan Associates는 일련의 AI 에이전트를 상용화했다. Wave Coordinator 에이전트, Labour 에이전트, Dock 에이전트, 그리고 고객이 평이한 언어로 자체 에이전트를 만들 수 있는 Agent Foundry다. 이 에이전트들이 가져간 일을 보라. 웨이브 계획, 인력 배치, 독 스케줄링 — 20년간 WMS 감독 화면이 해온 핵심이다. 달라진 건, 예전에는 보여주기만 했다면 이제는 행동한다는 점이다.

창고 관제실 대시보드 화면 클로즈업

AI 네이티브 WMS의 세 계층 아키텍처

벤더들이 공개하는 기술 로드맵과, Gartner가 2026년 WMS 매직 쿼드런트에서 꼽은 세 가지 기술 트렌드 — 핵심 기능을 넘어선 클라우드 네이티브 컴포저빌리티, AI·자동화 준비 플랫폼, 공급망 실행과 융합된 WMS — 를 종합하면 AI 네이티브 아키텍처는 세 계층으로 수렴하고 있으며, 각 계층은 기존 WMS와의 단절이다.

첫 번째 계층은 감지와 데이터다. 기존 WMS는 배치로 지연된 데이터 위에서 돈다. 야간 작업, 주간 정산. AI 네이티브는 통합된 실시간 이벤트 스트림을 요구한다. 주문, 재고, 인력 출퇴근, 설비 상태, 독 예약이 모두 이벤트로 같은 데이터 기반에 들어온다. 이 계층이 없으면, 위의 에이전트는 현장과 단절된 탁상 시뮬레이션일 뿐이다.

두 번째 계층은 추론과 의사결정이다. 이것이 "네이티브"의 진짜 의미다. 에이전트는 더 이상 고정 규칙으로 작동하지 않고, 목적 함수에 대해 지속적으로 최적화한다 — 서비스 수준, 비용, 노동 부하를 동적으로 균형 맞춘다. DeepFleet이 하는 일은 본질적으로 "로봇이 어떤 경로를 가야 하는가"를 정적인 라우팅 문제에서 실시간 학습 문제로 바꾸는 것이다.

세 번째 계층은 실행과 오케스트레이션이다. 결정이 바로 작업으로 흐른다. WES로의 지시, 인력 풀로의 웨이브, 로봇으로의 경로, 그리고 실행 결과가 결정 계층으로 피드백되어 루프를 닫는다. 기존 WMS에서는 이 루프가 수동으로 닫힌다. 시스템이 예외를 보여주고, 감독이 전화하고, 현장이 조정한다. AI 네이티브는 사람을 루프에서 빼내고 감독석에 앉힌다.

이 변화를 한 문장으로 요약하면 이렇다. 기존 WMS는 뇌를 시스템 밖에 둔다 — 사람의 경험과 규칙 엔진에. AI 네이티브 WMS는 뇌를 안에서 키운다. 그래서 "강화된(enhanced)"이 아니라 "네이티브"라고 부른다. 낡은 건물에 엘리베이터를 덧다는 게 아니라, 처음부터 엘리베이터를 전제로 설계된 평면도이기 때문이다.

전환 비용 계산: AI 네이티브 WMS 마이그레이션의 다섯 장의 청구서

아키텍처는 매혹적이지만, 청구서는 차분하다. 세대 교체급 WMS 변경에는 벤더의 자료보다 두꺼운 장부가 반드시 따라온다. 비용을 다섯 항목으로 나누어 플러그인 경로와 네이티브 재구축을 비교한다.

비용 항목 플러그인 경로(AI 모듈 추가) AI 네이티브 재구축 비고
소프트웨어 라이선스 증분 구독, 낮음 플랫폼 교체, 높음 네이티브는 벤더 교체로 이어지는 경우가 많음
구현 일정 수 주 내 가동 최소 수 개월 시간의 대부분은 데이터 계층 재구축
통합 재작업 기존 인터페이스 재사용 인터페이스와 데이터 모델 재구축 ERP, TMS, 자동화 연결이 모두 이동
데이터 거버넌스 선택 필수 에이전트는 실시간 정제 데이터를 소비한다. 더러운 데이터는 잘못된 결정으로 복리 증폭된다
조직과 프로세스 교육 주도 SOP 재작성 스케줄링 권한이 사람에서 시스템으로 이동

직관에 반하는 판단은 이렇다. 다섯 장의 청구서 중 가장 비싼 건 첫 번째 라이선스가 아니라 네 번째와 다섯 번째다. AI 네이티브는 데이터 품질에 엄격한 요구를 건다. 기존 WMS에서는 잘못된 재고 레코드 하나가 기껏해야 1건의 피킹 예외를 일으킨다. AI 네이티브 시스템에서는 에이전트가 같은 잘못된 레코드를 최적화해야 할 사실로 취급해 잘못된 결정의 연쇄를 촉발할 수 있다. 데이터 거버넌스는 IT 프로젝트가 아니라 AI 네이티브의 기반이다. 이것이 없으면 에이전트가 똑똑할수록 실수도 빨라진다.

트렌드 판단: AI 네이티브는 티켓이지, 이번 분기의 수익이 아니다

나의 평가: AI 네이티브 WMS는 5~8년 안에 주류 아키텍처가 되겠지만, 그 경제적 가치 곡선은 마케팅 문구와 반대로 움직인다. 이전의 WMS 아키텍처 전환 — 메인프레임에서 클라이언트-서버로, 클라이언트-서버에서 클라우드 네이티브로 — 모두 진정한 확산에 5~8년이 걸렸고, AI 네이티브도 예외가 아니다. 향후 3년간은 플러그인 경로가 가장 좋은 ROI를 낼 가능성이 높다. 투자가 작고, 회수가 빠르고, 리스크가 통제 가능하다. AI 네이티브를 산다는 건 올해의 효율 개선을 사는 게 아니라, 낡은 아키텍처에 갇히지 않을 선택권을 사는 것이다.

언제 전환해야 할까. 나의 프레임워크는 윈도우를 본다. 신설 창고(그린필드), 혹은 신규 고객을 맞이하는 3PL이 최고의 윈도우다 — 제로에서 짓는다면 새 것으로 지어라. 이미 안정된 대규모 현장, 특히 데이터 기반이 약한 경우는 플러그인 경로가 낫다. 거기서 재구축을 밀어붙이면 수익 전에 수업료를 낼 가능성이 가장 높다. 로직은 단순하다. 마이그레이션 리스크와 데이터 준비도가 당신이 티켓을 사는 건지 수업료를 내는 건지 결정한다.

세 가지 열린 질문으로 마무리한다. 자신의 창고에 대입해 보라. 첫째, 실시간 데이터는 정말 준비됐는가 — 보고서용 데이터가 아니라 에이전트가 직접 소비할 수 있는 이벤트 스트림 데이터는. 둘째, 조직은 "기계가 스케줄링을 결정하고 사람이 감독한다"를 받아들일 수 있는가 — 이는 먼저 경영의 질문이고 기술의 질문은 그 다음이다. 셋째, 5년 후 당신의 현재 WMS 벤더는 여전히 AI 테이블에 앉아 있는가. 이 세 질문의 답이 본질적으로 결정한다. 지금 전환할지, 3년 후 전환할지, 계속 지켜볼지를.

Dr. Chen, 공급망 연구원 지음

영어판 번역본입니다. 내용이 다를 경우 영어판을 우선합니다.