솔직히 말하겠다. 화이트보드에서 3년 회수가 증명되지 않는 AI 프로젝트는 회의실을 나가서는 안 된다. 지난 2년간 나는 12개가 넘는 창고 AI 프로젝트를 옆에서 지켜봤고, 계약 전에 ROI 계산을 한 오너는 거의 없었다. 대부분은 먼저 기술을 사고 숫자를 좋게 보이도록 거꾸로 맞췄다. 순서를 뒤집으면 결말은 다 똑같다. 시스템은 가동되고, 데이터는 따라오지 않고, 인력은 그대로고, 돈은 조용히 타버린다.
맥킨지의 2025년 글로벌 AI 조사에는 생각하게 만드는 숫자 한 쌍이 있다. AI가 수익에 귀속 가능한 영향을 미쳤다고 답한 기업은 39%에 불과하다. 그런데 AI를 매일 쓰는 직원 10명 중 8명은 생산성이 올랐다고 한다. 둘을 합치면 교훈은 명확하다. 개인에게 유용한 것과 회사에 돈을 버는 것은 다른 일이다. 창고 AI 프로젝트는 후자에 걸어야 한다.
돈이 실제로 어디로 가는지
벤더 견적이 아니라 총비용부터 시작하라. 내가 검토하는 예산 대부분은 소프트웨어 라이선스와 하드웨어를 적어 넣고, 지출의 대부분을 차지하게 되는 세 가지 항목을 조용히 빼먹는다.
데이터 준비. AI는 깨끗한 데이터로 돌아가는데, 창고 데이터는 깨끗한 경우가 드물다. 10년간 표준화되지 않은 로케이션 코드, 수작업으로 조정된 실사 차이, 세 시스템에 흩어진 웨이브 기록. 2024년 남부 캘리포니아의 이커머스 풀필먼트 센터를 둘러봤는데, 비전 선별 파일럿이 과거 주문 이미지 라벨링에만 거의 반년을 썼다. 임시직원 2명이 거의 풀타임으로. 그 항목은 프로젝트 제안서에 한 번도 등장하지 않았다.
사람. 줄일 사람이 아니라 추가될 사람이다. 모든 AI 프로젝트에는 몇 달간 거의 풀타임으로 매달릴 내부 챔피언이 필요하다. 운영을 아는 사람, 모델을 다듬는 사람, 벤더와 논쟁하는 사람. 그 챔피언의 연봉에, 프로젝트 기간 동안 멈춘 그의 업무를 더하면 그것이 비용의 일부다.
학습 곡선. 모든 AI 시스템은 처음 몇 달간 걷기를 배우고, 그 기간 동안 에러율은 대체한 수작업 프로세스보다 나빠질 수 있다. 재작업, 크레딧, 긴급 출고 같은 에러 비용은 예산에 들어가야 한다. 벤더 데모는 튜닝된 버전을 보여주지만, 당신 건물에 오는 건 첫날 버전이다.
수익 쪽에도 똑같은 정직함이 필요하다. 인건비 절감은 부풀리기 가장 쉽다. 대부분의 창고에서 '절감된' 인력은 떠나지 않고 재배치될 뿐이며 급여 총액은 1달러도 줄지 않는다. 처리량 증가는 용량이 진짜 병목이어서 추가 속도가 추가 주문으로 이어질 때만 인정된다. 가장 정직한 항목은 에러 감소다. 오배송, 놓친 불량, 차지백. 이 숫자들에는 송장이 붙어 있다.
건너뛰라고 말하고 싶은 세 가지 AI 프로젝트
단도직입적으로 말하겠다. 2026년 이 시점에서 대부분의 중규모 창고에 권하지 않는 카테고리 세 가지가 있다.
롱테일 SKU 수요 예측. 수만 개 SKU에 걸쳐 보충을 계획하는 대기업에게는 아름답게 작동한다. 하지만 하루에 수천 건의 주문을 출고하고 깨끗한 이력이 2년도 안 되는 건물에서는 모델이 굶어 죽는다. 베테랑 플래너의 감을 이기지 못한다. 데이터가 부족하면 AI는 점성술이다.
만능 서비스 봇. 창고업은 B2B이고 질문은 고통스러울 만큼 구체적이다. 한 팔레트의 예외, 변경된 도크 예약. 고객이 원하는 건 결정을 내릴 수 있는 사람이지, 매끄러운 스크립트를 가진 봇이 아니다. 한 3PL이 AI 서비스 데스크를 도입했다가 3개월 후 조용히 전화를 다시 사람에게 돌리는 걸 봤다.
AI를 위한 AI 장비 교체. AGV와 비전 검사는 진짜 멋진 기술이다. 하지만 피킹 에러율이 이미 소수점 이하로 떨어져 있다면, 한 자리 더 깎겠다고 큰돈을 쓰는 건 절대 회수되지 않는다. 먼저 프로세스의 낭비를 없애고, 다음에 장비를 업그레이드하라. 순서가 중요하다.
벤더의 계산 전에 하는 빠른 계산. 내가 약 20분 만에 제안을 검증하는 방법은 이렇다. 모든 걸 연 단위로 환산한다. 라이선스, 하드웨어 상각, 데이터 정리, 챔피언의 총 인건비, 학습 곡선 예비비. 그다음 연간 순이익으로 나누고, CFO 앞에서 변호할 수 있는 이익만 센다.
공식은 단순하다. 회수 기간 = 3년 총비용 ÷ 연간 순이익. 답이 3년을 넘으면 기다려라. 기술은 매년 싸진다. 오늘 계산이 안 나오는 프로젝트는 18개월 후엔 나오는 경우가 많고, 그때쯤이면 더 좋은 데이터를 갖게 된다.
내가 쓰는 필터가 하나 더 있다. 프로젝트는 정확히 하나의 문제를 해결해야 한다. '효율 개선'은 문제가 아니다. '반품 검사가 하루 4노동시간을 먹고 놓친 불량이 매달 수천 달러가 든다'는 문제다. 세 가지를 고치겠다고 약속하는 프로젝트는 대개 하나도 고치지 못한다.
승인 전 체크리스트. 그렇다면 자금 조달 가능한 AI 프로젝트는 어떤 모습인가. 킥오프 미팅 전에 내가 돌리는 체크리스트다.
베이스라인을 암기하듯 말할 수 있어야 한다. 오늘의 피킹율, 에러율, 단위당 인건비. 이 세 가지가 술술 나오면 데이터 기반은 아마 탄탄하다. 낼 수 없으면 AI가 아니라 데이터 거버넌스부터 하라.
고통은 크고 구체적이며, 형용사가 아니라 달러와 시간으로 측정되어야 한다.
회수 경로는 하나다. 하나의 프로젝트, 하나의 문제, 움직이는 하나의 지표.
출구 조항이 있다. 계약에는 파일럿이 몇 개월 내 합의한 목표를 놓치면 철수하거나 환불받는다고 적혀 있다. 그런 내기에 서명할 의향이 있는 벤더는 대개 뒷받침할 기술을 갖고 있다.
모든 비용 항목을 포함한 3년 계산이 맞아떨어진다. 소프트웨어, 하드웨어, 데이터, 사람, 학습 곡선.
그럼 내 질문을 돌려주겠다. 어제의 피킹 에러율을 지금 당장 뽑을 수 없는 창고에서, AI가 도착하는 날 데이터가 마법처럼 깨끗해질 거라고 왜 생각하는가?
영어판 번역본입니다. 내용이 다를 경우 영어판을 우선합니다.
