2024년 이후 지역 배송 차량단에 흥미로운 분열이 나타났습니다. 한쪽에서는 AI 경로 최적화 시스템이 빠르게 확산되고 있으며, 벤더 페이지들은 더 짧은 주행 거리와 더 적은 도로 위 시간을 약속합니다. 다른 한쪽에서는 10년 이상 현장에서 일한 배차 담당자들이 시스템이 만든 경로를 보고 고개를 젓습니다. 종이 위에서는 더 짧아 보이지만, 실제로 더 빨리 달릴 수 있는 것은 아니라고 말합니다. 이 의견 차이는 진지하게 받아들일 가치가 있습니다. 진짜 문제는 기술이 작동하느냐가 아니기 때문입니다. 경로 최적화가 실제로 무엇을 절약하고, 누구의 돈을 절약하느냐가 문제입니다.

먼저 명시된 가정을 바탕으로 한 대략적인 계산부터 시작하겠습니다. 하루 40건의 배송을 12대의 트럭으로 수행하고, 각 트럭이 하루 평균 180킬로미터를 주행하는 지역 차량단을 생각해 보겠습니다. AI 경로 최적화가 주행 거리를 정말로 8퍼센트 줄였다면, 차량단은 하루에 약 173킬로미터, 26일 일정 기준으로 한 달에 약 4,500킬로미터를 절약하게 됩니다. 킬로미터당 대략적인 운영 비용으로 계산하면 한 달에 수천 달러가 되며, 1년으로 보면 상당한 금액입니다. 문제는 이 8퍼센트라는 수치가 이상적인 조건에서 측정한 벤더의 수치라는 점입니다. 하역 대기, 고객 수령 시간대, 긴급 주문 같은 현실의 변수들이 들어오면 계산은 훨씬 덜 매력적으로 변합니다.

종이 위의 경로 최적화가 도로 위에서 항상 가장 빠른 것은 아닙니다

2024년 하반기, 중국 동부의 한 지역 유통업체가 AI 배차 시스템을 도입했습니다. 시스템이 만든 경로는 종이 위에서 실제로 더 짧았습니다. 총 주행 거리가 줄었고, 이론상의 주행 시간도 함께 줄었습니다. 하지만 3개월 후 차량단의 정시율은 오히려 떨어졌습니다. 사후 분석은 시사하는 바가 컸습니다. 시스템은 지도상의 거리를 최적화했지만 하역 대기 시간은 전혀 고려하지 않았습니다. 고객 A의 창고는 오전에 트럭 2대만 받을 수 있었는데, 시스템은 같은 시간대에 3대를 배정했습니다. 세 번째 트럭은 게이트에서 1시간 넘게 기다렸습니다. 고객 B의 수령 시간대는 오후 2시부터 3시까지였지만, 시스템은 거리를 아끼려고 오전에 트럭을 보냈고, 기사는 그냥 기다릴 수밖에 없었습니다.

여기서 핵심적인 구분이 드러납니다. AI 경로 최적화는 지도상의 거리를 최적화합니다. 베테랑 배차 담당자는 시간대 안의 확실성을 최적화합니다. 배차 담당자의 머릿속에 있는 것은 지도가 아니라, 어느 고객이 몇 시에 하역할 수 있는지, 어느 창고 게이트가 막히는지, 어느 도로가 오후 3시 이후에는 통행이 불가능한지입니다. 그런 지식은 시스템이 스스로 만들어내지 못합니다. 사람이 하나하나 입력해야 합니다. 그 입력이 이루어지기 전까지는 시스템의 경로가 '최적'으로 보일수록 실제로는 대기 시간을 더 만들어낼 수 있습니다.

또 다른 사례가 이 점을 더욱 잘 보여줍니다. 현장 경력 12년의 배차 담당자가 수령 시간대가 충돌하는 두 고객의 순서를 바꾼 적이 있었습니다. 시스템은 새 경로를 우회로 표시했습니다. 십여 킬로미터가 더 드는 길이었습니다. 하지만 순서를 바꾼 뒤 어느 트럭도 고객 게이트에서 기다릴 필요가 없어져, 두 트럭 합쳐 40분의 대기 시간을 절약했습니다. 주행 거리는 늘었고 시간은 줄었으며, 한 기사는 그날 배송을 한 건 더 소화하기까지 했습니다. 주행 거리로 보면 그 결정은 손해였습니다. 시간으로 보면 이익이었습니다. 문제는 많은 AI 경로 최적화 평가표가 대기 시간이 아니라 주행 거리만 측정한다는 점입니다.

경험을 경로 최적화 시스템에 넣는 세 단계

여기서 실무적인 문제에 도달합니다. 베테랑 배차 담당자의 머릿속에 있는 지식은 어떻게 실제로 AI 시스템에 들어갈까요? 이를 잘하는 차량단들을 보면 세 단계로 정리됩니다.

1단계는 구조화입니다. 한 번에 다 하려고 하지 마십시오. 가장 가치 있는 세 가지 정보부터 적는 것으로 시작합니다. 각 고객의 하역 소요 시간, 각 고객의 수령 시간대, 그리고 어느 구간 도로가 몇 시에 막히는지입니다. 배차 담당자는 매일 업무가 끝날 때 10분을 들여 그날의 예외를 기록합니다. 한 달이 지나면 탄탄한 지역 지식 기반이 생깁니다.

2단계는 검증입니다. 시스템의 경로를 한 번에 차량단 전체에 적용하지 마십시오. 베테랑 배차 담당자가 2주 동안 새 경로에 동행하면서 매일 도로에서 실제로 일어난 일과 비교해 점수를 매기게 합니다. 시스템이 맞힌 부분은 유지하고, 틀린 부분은 표시합니다. 그리고 표시 하나하나가 입력해야 할 추가 데이터입니다. 이 단계에서 가장 나쁜 실수는 시스템을 맹신하고, 경로를 이탈했을 때 바로잡기를 두려워하는 것입니다.

3단계는 사람을 남기는 것입니다. 시스템이 가동된 뒤에도 배차 담당자의 역할은 사라지지 않습니다. 달라질 뿐입니다. 매일 경로를 계획하는 대신, 배차 담당자는 경로를 검토하고 데이터의 빈틈을 채웁니다. 모든 차량단이 두려워해야 할 결과는 이렇습니다. 가동 3년 후 베테랑은 은퇴했고, 신입 사원은 마우스를 클릭하는 방법밖에 모르며, 도로를 어떻게 달려야 하는지 아무도 기억하지 못합니다. 기술은 업그레이드할 수 있습니다. 판단력은 사람이 물려줘야 합니다.

시스템을 믿어야 할 때, 베테랑을 믿어야 할 때

지난 2년간의 관찰을 바탕으로 보면, 경계선은 사실 꽤 명확합니다. 판단의 틀은 다음과 같습니다.

상황 AI 시스템이 더 적합한 경우 베테랑의 경험이 더 적합한 경우
경로 고정 경로, 대량, 정차지 많음 긴급 주문이 잦고 경로가 매일 바뀜
고객 시간대 유연하고 조정 가능한 시간대 서로 충돌하는 엄격한 시간대
도로 복잡성 단순한 네트워크, 예측 가능한 정체 공사, 규제, 계절적 정체
데이터 기반 고객 및 하역 시간 데이터가 이미 구조화됨 노하우가 아직 사람의 머릿속에 있고 시스템에 없음

이 틀은 직관에 어긋나는 결론을 가리킵니다. AI 경로 최적화의 가장 큰 가치는 더 최적의 경로를 만드는 것이 아니라, 베테랑 배차 담당자의 지식을 차량단 전체가 소유하는 자산으로 바꾸는 것일 수 있습니다. 진짜 성과는 배차 담당자들이 '어느 고객이 몇 시에 하역할 수 있는지' 같은 지식을 하나하나 입력한 뒤에 나타납니다. 그리고 가장 큰 위험은 반대 방향에 있습니다. 시스템이 잘못된 경로를 계산하는 것이 아니라, 차량단이 조금씩 경로를 계획하는 능력 자체를 잃어가는 것입니다. 베테랑이 은퇴하면 경험도 함께 떠나고, 시스템에는 제대로 입력되지 않은 알고리즘만 남습니다.

그렇다면 경로 최적화는 실제로 무엇을 절약할까요? 솔직한 답은 여러분의 차량단이 어느 단계에 있느냐에 달려 있습니다. 고정 경로에 데이터가 완비된 차량단에게는 주행 거리 절약이 실제로 있습니다. 시간대가 복잡하고 경험이 아직 시스템에 들어가지 않은 차량단에게는, 먼저 절약해야 할 것은 주행 거리가 아니라 대기 시간입니다. 벤더가 광고하는 절약 수치는 참고 자료로는 쓸 수 있지만, 그것을 그대로 자신의 기대 수익으로 받아들이면 실망하기 쉽습니다.

이 경쟁에서 진짜 문제는 누가 이기느냐가 아닙니다. 시스템은 계속 강해질 것입니다. 그것은 분명한 흐름입니다. 하지만 경험이 살아남느냐는 차량단 자신의 선택입니다. AI 경로 최적화와 베테랑 배차 담당자는 어느 한쪽을 택하는 문제가 아닙니다. 후자를 전자 안에 어떻게 넣느냐의 문제입니다. 그 질문에 잘 답한다면, 절약되는 것은 연료비만이 아닙니다. 차량단이 가장 잃어서는 안 될 것, 도로를 어떻게 달려야 하는지 아는 사람들입니다.

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