보행 거리를 5분의 1 줄여준다는 피킹 경로 최적화 시스템이 가동되고, 3개월 뒤 피커들은 여전히 예전 동선을 걷고 있다. 이는 사람의 문제가 아니다. "최적"에 대한 두 가지 정의——알고리즘의 정의와 현장의 정의——사이의 간극이며, 이제는 성숙한 기술은 막히는 부분이 된 적이 없다. 막히는 부분은 도입(정착)이다.
먼저 현상부터 보자. 2024년, 중국 동부의 30,000제곱미터 규모 전자상거래 창고가 주문 프로파일에 따라 피킹 순서를 실시간으로 계산하는 AI 기반 피킹 경로 최적화 시스템을 도입했다. 이론상 피커 1인당 보행 거리를 15–20% 줄일 수 있었다. 가동 첫 달 대시보드 숫자는 아름다웠다. 그러나 현장 슈퍼바이저가 본 것은 다른 것이었다. 피커들은 조용히 따르지 않았다——시스템에는 고개를 끄덕이면서도 발은 예전 동선을 따랐다. 3개월 뒤 익명 설문에서 절반 이상이 권장 순서를 "자주" 벗어난다고 인정했다.
같은 각본이 2025년 상반기에도 반복됐다. 이번에는 소매 체인의 지역 물류센터에서 동적 AI 라우팅을 시범 운영 중이었다. 시스템은 긴 우회를 없앨 수 있는 스테이징 구역 경유 지름길을 추천했다. 피커들은 집단으로 거부하고 먼 길로 걸었다. 이유는 지극히 평범했다. 스테이징 구역은 입고 대기 화물로 늘 가득 차 있어 카트가 도저히 통과할 수 없었다. 알고리즘은 평면도를 읽고 있었다. 피커들은 현실을 읽고 있었다.
데이터는 이것이 고립된 일화가 아님을 시사한다. 2024–2025년에 공개 보고된 10여 개의 지능형 라우팅 프로젝트를 검토한 결과, 실제 성과를 공개한 거의 모든 사례가 어떤 형태로든 "현장 실행 이탈"을 언급했다. 같은 기간 업계 매체 특집들은 널리 인용되는 하나의 수치를 계속 거론한다. 피킹은 일반적으로 창고 인건비의 절반 정도를 차지하는데, 바로 그 때문에 자동화 벤더들이 가장 공략하고 싶어 하고——가장 공략하기 어려운——영역이다. 기술 공급 측은 가속하고 있다. 경로 계획 알고리즘, 디지털 트윈, 실내 측위가 최근 몇 년간 성숙했다. 하지만 수요 측의 도입 곡선은 벤더들의 이야기보다 눈에 띄게 완만하다.
이 "정확하지만 쓰이지 않는" 간극은 왜 지속되는가. 나는 세 겹의 원인에 기인한다고 본다. 아래로 내려갈수록 근원에 가깝다.
첫 번째 층은 엇갈린 인센티브이며, 가장 흔히 간과된다. 많은 창고에서 피커는 성과급(피스레이트)으로 받는다. 피커의 목적함수는 시간당 피킹 수량이고, AI의 목적함수는 총 이동 거리 최소화다. 두 목적은 자주 엇갈린다. 한 번의 패스로 두 개 품목을 더 집고 커브 하나를 생략할 수 있는, 약간 긴 루프가 피커에게는 더 남는 장사다. 시스템은 그것을 이탈로 기록하지만. 알고리즘과 인간이 서로 다른 KPI를 향해 최적화할 때, 알고리즘을 무시하는 것은 게으름이 아니라 합리적 행동이다.
두 번째 층은 신뢰 부족이다. 알고리즘은 일시적인 현장 상황을 볼 수 없다. 오늘의 판촉 엔드캡이 어디에 쌓여 있는지, 어느 통로가 미끄러워 피해야 하는지, 어느 베이 도어가 입고 대기 화물에 막혀 있는지. 그 어느 것도 시스템에 없고, 모두 피커들의 머릿속에 있다. "시스템을 따랐더니 막다른 골목이었다" 한 번이면 신뢰에 금이 간다——그리고 금 간 신뢰를 회복하려면 수십 번의 성공이 필요하다. 실패한 도입의 사후 분석은 늘 같은 빠진 디테일에 수렴한다. 시스템이 피커에게 현장 예외를 보고할 채널을 주지 않았다는 것. 경로가 통과 불가능할 때 선택지는 무리하게 통과하거나 조용히 우회하는 것이고, 시간이 지나면 모두가 조용히 우회한다.
세 번째 층, 그리고 토대가 되는 층은 데이터 품질이다. 피킹 경로 최적화는 본질적으로 "쓰레기를 넣으면 쓰레기가 나온다"는 시스템이다. 로케이션 마스터 데이터가 틀리면——시스템은 SKU A가 B-03에 있다고 하지만 실제로는 C-11에 있다——수학적으로 완벽한 경로조차 잘못된 지도 위의 최단 경로에 불과하다. 내가 지켜본 여러 프로젝트에서, 라우팅 실패를 한 겹 파고들면 거의 예외 없이 마스터 데이터 문제가 드러났다. 순환 재고조사의 차이가 몇 퍼센트를 계속 웃도는 것, 로케이션 변경이 반영되지 않는 것, 신규 SKU의 슬롯 배정이 주먹구구로 이뤄지는 것. 알고리즘은 데이터 문제를 고칠 수 없다. 증폭할 뿐이다.
여기서 분명히 말해둘 만한, 직관에 반하는 결론에 이른다. 최단 경로는 가장 빠른 피킹이 아니며, 피커가 기꺼이 걷는 경로는 더더욱 아니다. 알고리즘은 유클리드 거리를 최적화한다. 피커는 에너지 소모와 인체공학적 편안함을 최적화한다——커브 하나 줄이기, 오르막 하나 줄이기, 혼잡한 통로 피하기. 거리 공식에서는 거의 0에 가까운 가중치를 갖는 요소가 인간의 의사결정에서는 무거운 가중치를 갖는다. 기하학에는 능통하지만 인체공학에는 문맹인 라우팅 엔진은 피커에게 실전과 동떨어진 이론으로 들린다——그리고 이론은 발로 거부된다.
그렇다면 정말 정착시키고 싶은 피킹 경로 최적화 프로젝트를 시작하기 전에 팀은 무엇에 답해야 하는가. 위의 분석은 세 가지 필수 질문을 시사한다. 첫째, 로케이션 마스터 데이터의 실제 정확도는 어떤가——순환 재고조사의 차이는 허용 범위까지 낮춰졌는가. 흔들리는 토대 위에서 알고리즘을 논하지 마라. 둘째, 피커의 보상 체계는 시스템의 목적과 일치하는가, 아니면 두 KPI가 싸우고 있는가. 엇갈린 KPI는 할인된 실행을 보장한다. 셋째, 시스템은 현장 예외의 루프를 닫고 있는가——피커가 "이 경로는 막혔다"를 한 번의 탭으로 알리고 알고리즘이 그것으로부터 학습할 수 있는가. 피드백 채널이 없는 지능형 시스템은 개루프 시스템이며, 개루프 시스템은 복잡한 환경에서 표류한다. 이는 가설이 아니다. 제어 이론이다.
2026–2028년을 내다보면, 기술 궤적에 대한 나의 판단은 업계가 최단 경로 계산에서 가장 수용 가능한 경로 계산으로 이동할 것이라는 점이다. 이를 뒷받침하는 세 가지 관찰이 있다. 첫째, 선도 벤더들이 목적함수에 인체공학적 요소를 명시적으로 모델링하는 "휴먼 어웨어" 라우팅을 마케팅하기 시작했다. 둘째, 웨어러블과 실내 측위의 확산으로 시스템이 피커가 실제로 어떻게 걷는지에 대한 최초의 실제 데이터셋을 얻고 있다——알고리즘은 마침내 규정된 경로가 아니라 드러난(revealed) 경로를 학습할 수 있다. 셋째, 디지털 트윈이 일시적인 현장 상태를 기계가 읽을 수 있게 만들고 있어, 혼잡한 스테이징 구역이 더 이상 누군가의 기억 속에만 존재하지 않아도 될지 모른다. 솔직히 타임라인은 실내 측위 하드웨어 비용에 달려 있다——3년 안에 떨어지지 않으면 "가장 수용 가능한 경로"의 시대는 기대보다 늦게 올 수 있다.
판정이 아닌 열린 질문으로 마무리하겠다. 알고리즘이 마침내 베테랑 피커처럼 생각하게 될 때——혼잡을 피하고, 인체공학을 우선하고, 에너지를 아끼는——다음 질문은 피킹 라우팅에 단일한 "최적" 답이 필요한지일지 모른다. 어쩌면 미래의 시스템은 트레이드오프가 다른 여러 경로를 제시하고 최종 선택을 현장의 사람에게 돌려줄 것이다. 기술과 사람의 가장 좋은 관계는, 내 생각에, 누가 누구를 지휘하는가의 문제가 결코 아니었다.
Dr. Chen, 공급망 연구원 지음
영어판 번역본입니다. 내용이 다를 경우 영어판을 우선합니다.
