AI 기반 슬로팅 최적화: 암묵지에서 알고리즘 제안으로

창고의 AI 슬로팅 최적화가 업계에서 가장 오래된 판단 중 하나 — 각 SKU가 어디에 있어야 하는가 — 를 베테랑의 두뇌에서 알고리즘 모델로 조용히 옮기고 있습니다. 제가 연구한 모든 창고에는 그런 베테랑이 한 명씩 있었습니다: 새 상품을 힐끗 보고 직감으로 통로와 단을 말하는 슈퍼바이저입니다. 연구자로서 제가 관심 갖는 것은 기술 자체가 아니라, 이 이동이 업계의 근저에 있는 제약을 어떻게 드러내는가입니다.

현상: 슬로팅 최적화는 두뇌에서 모델로 이동

공개된 벤더 사례 연구와 업계 보고서에 따르면, AI 기반 슬로팅 최적화는 보통 세 종류의 데이터를 섭취합니다: 과거 주문 라인 데이터 (어떤 SKU가 같은 주문에 함께 나타나기 쉬운지), SKU 마스터 데이터 (치수, 중량, 회전율, ABC 클래스), 그리고 시설의 물리적 레이아웃 (통로 길이, 피킹면 높이, 장비 위치)입니다. 출력은 슬로팅 제안의 집합입니다: 어떤 SKU가 골든 피킹 존에 어울리는지, 어떤 것들을 나란히 두어야 하는지, 어떤 저회전 품목을 바깥으로 옮겨야 하는지.

저는 공개 정보가 충분히 상세해 교훈적인 두 사례를 추적했습니다. 첫째는 캘리포니아주의 약 20,000제곱미터 e커머스 이행센터에서 2024년 파일럿을 진행한 중견 미국 3PL입니다. 12개월의 주문 라인 히스토리를 슬로팅 모델에 넣자 SKU의 약 15퍼센트 이전을 제안했습니다 — 주로 함께 주문되는 품목을 인접 통로로 끌어당기는 것이었습니다. 도입 3개월 만에 해당 시설은 피커 이동 거리가 유의미하게 두 자릿수로 감소했고, 검품 단계의 탐색 시간도 줄었다고 보고했습니다. 둘째는 유럽 자동차 부품 유통센터로, 문제는 이동 거리가 아니라 잘못된 배치였습니다: 무거운 부품이 상단 랙 레벨로 계속 제안되어 피커들이 지게차에 반복해서 오르내려야 했습니다. 중량과 인간공학 제약을 모델의 목적함수에 추가하자 "기술적으로는 최적이지만 현장에서는 어색한" 제안이 급감했습니다. 두 사례가 가리키는 통찰은 같습니다: 알고리즘의 가치는 계산이 빠르다는 것이 아니라, 회전율·친화성·중량·인간공학이라는 제약을 함께 최적화할 수 있다는 것입니다 — 인간의 두뇌는 한 번에 2~3개밖에 다룰 수 없습니다.

데이터: 성능의 상한은 알고리즘이 아니라 데이터 품질이 정한다

벤더 마케팅 자료는 인상적인 효율 개선을 자랑하고 싶어 하지만, 제 조언은 어떤 숫자든 진지하게 받아들이기 전에 할인하라는 것입니다. 제가 검토한 공개 문서화된 사례들에서는 피킹 효율 개선이 대체로 십 수 퍼센트 범위에 들어갑니다 — 약속이 아니라 오더로 받아들이세요. 단일 숫자보다 계몽적인 것은 3세대 슬로팅 로직이 실제로 어떻게 다른지를 비교한 것입니다:

마지막 행이 중요합니다. 제 관찰에 따르면 AI 슬로팅 프로젝트 실패 중 알고리즘 자체에 기인하는 것은 3분의 1 이하이며, 3분의 2 이상은 데이터에서 죽습니다. SKU 마스터의 치수·중량 누락, 반품과 이관으로 오염된 주문 이력, 물리적 실태와 일치하지 않게 된 로케이션 마스터 — 모델은 더러운 데이터를 먹고 아무도 신뢰하지 않는 제안을 뱉어내고, 현장 직원들이 제안에 대한 신뢰를 잃는 순간 프로젝트는 사실상 죽습니다. AI 슬로팅 최적화를 평가하는 사람에게 실무적 시사점은 데이터를 먼저 감사하고 모델 데모는 나중에 보라는 것입니다 — 왜냐하면 성공을 결정하는 것은 바로 AI 등장 전 10년 동안 한 번도 이루어지지 않은 기초 작업이기 때문입니다.

귀속: 왜 지금인가? 세 조건이 동시에 성숙했다

슬로팅 최적화의 수학은 새로운 것이 아닙니다 — 운영 연구(OR)가 수십 년간 연구해 왔습니다. 그런데 왜 AI 기반 슬로팅이 이 2년에서야 비로소 정착했는가? 저는 새롭게 성숙한 세 조건을 봅니다. 첫째, 연산 비용과 알고리즘 개발 비용이 충분히 내려가 10만 SKU의 동시 최적화가 "감당 불가"에서 "밤새 돌아감"이 되었습니다. 둘째, WMS 데이터가 임계 임계값을 넘어 축적되었습니다 — 많은 창고가 3~5년의 연속적인 주문 라인 이력을 보유해 공출현 관계와 계절 패턴을 학습할 최소 연료를 갖췄습니다. 셋째, 그리고 가장 간과되기 쉬운데, 노동 구조가 바뀌었습니다: 베테랑 슈퍼바이저들이 은퇴하고, 이직률이 상승하고, 암묵지가 저절로 증발하고 있습니다. 기업들은 지식을 두뇌에서 시스템으로 옮기도록 강요받고 있습니다. 이 세 조건 중 하나라도 빠지면 AI 슬로팅은 슬라이드 자료의 개념에 머뭅니다.

경향 판단: AI 슬로팅 최적화에 대한 역설적 시각과 3년 타임라인

역설적 판단은 이렇습니다: 가까운 미래에 AI 슬로팅 최적화로 가장 큰 이득을 보는 창고는 베테랑 슈퍼바이저가 가장 뛰어난 곳이 아니라, 데이터가 가장 깨끗하고 프로세스가 가장 표준화된 중규모 시설입니다. 근거는 두 가지입니다. 첫째, 알고리즘의 강점은 많은 제약의 동시 최적화이고, 베테랑의 강점은 예외의 직관적 처리입니다 — SKU 구성이 안정적이고 주문 패턴이 예측 가능한 창고에서는 전자가 압승하지만, SKU 교체가 격심하고 프로모션 주도의 혼란이 있는 시설에서는 후자가 당분간 대체 불가로 남습니다. 둘째, 대형 플래그십 DC들은 수년 전 자가 규칙 엔진으로 알짜를 이미 다 따먹어서 AI의 한계 이득은 적습니다. 반면 줄곧 손으로 슬로팅해 왔지만 괜찮은 데이터를 가진 중규모 창고가 가장 큰 첫 개선을 봅니다.

이를 바탕으로 향후 3년을 이렇게 읽습니다. 2026년부터 2027년까지는 하이브리드가 주류가 됩니다: 규칙 + 머신러닝으로, 알고리즘이 제안하고 사람이 확인하는 — 휴먼인더루프가 표준 운영 모드입니다. 2027년부터 2028년까지는 창고 디지털 트윈이 일반화되면서 슬로팅이 정적 제안에서 시뮬레이션 검증으로 넘어갑니다: 제안 레이아웃을 먼저 가상 시설에서 돌리고, 이동 거리와 혼잡을 확인한 뒤 실행합니다. 2028년 이후에는 진정한 온라인 학습이 성숙할 수 있습니다 — 수요 변화에 따라 로케이션이 지속적으로 스스로 조정되는 형태입니다. 다만 이 타임라인의 모든 마일스톤은 같은 밧줄에 매달려 있습니다: 데이터 거버넌스입니다. 창고의 SKU 마스터 정확도가 80퍼센트조차 클리어하지 못하면 위의 모든 단계는 그 시설에게 그림의 떡입니다.

결론이 아니라 열린 질문으로 마무리합니다: 상품이 어디에 있어야 하는가라는 판단을 알고리즘이 체계적으로 이어받으면서, 창고 매니저의 핵심 역량은 무엇이 되는가? 알고리즘을 더 잘 이해하는 것 — 아니면 깨끗한 데이터를 어떻게 먹이고, 제안이 실제로 실행 가능한지를 어떻게 판단하는가? 제 관찰에 따르면 후자가 새로운 종류의 희소 역량이 되어 가고 있습니다: 코드를 쓰지는 않지만, 코드의 출력에 가치가 있는지를 결정합니다. 그리고 그 역량을 키우는 것은 어떤 AI 모델을 도입하는 것보다 더디고 어려울 수 있습니다.

Dr. Chen, 공급망 연구원 지음

영어판 번역본입니다. 내용이 다를 경우 영어판을 우선합니다.