구매냐 자체 개발이냐? 창고·3PL을 위한 AI 벤더 선정 체크리스트

작년 저는 프레즈노에 있는 3PL에서 AI 외관 검사 시스템 프레젠테이션에 참석했습니다. 견적은 28만 달러($280,000)였습니다. CTO가 저를 돌아보며 그럴 만한 가치가 있는지 물었습니다.

제 대답: 아직 계약하지 마세요.

벤더가 나빠서가 아닙니다. 그 3PL이 자기 쪽 방정식을 끝까지 생각하지 않았기 때문입니다——정말로 풀어야 할 문제가 무엇인지, 데이터 준비가 되어 있는지, 가동 후 누가 유지보수할 것인지. 창고 업계에서 20년을 보내며 한 번도 쓰이지 않은 AI에 사라져 가는 거금을 너무 많이 봤습니다. 이 글에서는 구매 대 자체 개발의 계산, 제가 실제로 고객과 함께 쓰는 벤더 스코어카드, 그리고 실제 경고 사례 세 가지를 정리합니다.

숫자의 진짜 모습

결론부터 말하겠습니다. 연간 IT 예산이 50만 달러($500,000) 미만이라면 직접 AI를 만드는 건 사실상 돈 태우는 일입니다. 제 말을 믿지 말고 숫자를 직접 뽑아보세요.

창고용 프로덕션급 AI 기능(외관 검사, 지능형 웨이브 계획, 이상 탐지 알림)을 직접 만드는 데 실제로 드는 비용은 이렇습니다: ML 엔지니어 1명(연봉 $180K–$250K) + 데이터 엔지니어 1명($150K–$200K), 거기에 GPU 또는 클라우드 비용(연간 $30K–$80K), 라벨링 데이터(외주 라벨링은 건당 $0.50–$2.00, 믿을 만한 검사 모델에는 최소 50,000–100,000건의 라벨링 샘플 필요). 아무것도 출시하기 전에 1년차에만 $400K–$600K가 들고, 거기에 6–12개월의 시행착오가 붙습니다. 최대 킬러는 이직입니다. 중규모 창고는 ML 인재를 붙잡아 둘 수 없습니다. 리드 엔지니어가 떠나면 모델을 튜닝할 사람이 없어져 석 달 만에 죽습니다.

시판 제품 구매는 어떤가요? 서류상으로는 비싸 보입니다. SaaS가 연간 구독료 $80K–$200K, 고정 프로젝트가 $150K–$400K. 하지만 벤더가 라벨링, 학습, 반복 개선을 떠맡습니다. 매년 내기만 하면 되고, 안 맞으면 그냥 갱신하지 않으면 됩니다. 리스크가 통제됩니다.

그럼 직접 만드는 게 보람 있는 경우는 언제인가요? 제가 인정하는 건 세 가지뿐입니다. 첫째, 시나리오가 너무 특이해서 상용 제품이 존재하지 않는 경우——예를 들어 특수 콜드체인 시설용의 독특한 분류 로직. 둘째, 이미 성숙한 엔지니어링 팀이 있고 ML이 퍼즐 한 조각에 불과한 경우. 셋째, AI가 비용 절감 도구가 아니라 핵심 역량인 경우——예를 들어 알고리즘 자체가 상품인 3PL 기술 플랫폼을 만드는 경우. 이 셋을 벗어나면 사세요.

벤더와 만나기 전에 답해야 할 다섯 가지 질문

선정 실패의 대부분은 AI를 이해하지 못해서가 아닙니다. 자기 자신을 이해하지 못해서입니다. 뭐든 서명하기 전에 이 다섯 질문의 답을 종이에 써보세요.

질문 하나: 측정 가능한 언어로, 정확히 무엇을 푸는 겁니까? "효율을 개선한다"는 답이 아닙니다. "출고 감사 인건비를 월 $24,000에서 $10,000으로 줄인다"가 답입니다. "알아서 해주세요"라고 말하는 고객을 벤더는 겁냅니다. 인수 기준은 늘 싸움으로 끝나니까요.

질문 둘: 데이터 준비가 되어 있습니까? AI는 데이터를 먹고 삽니다. 외관 검사에는 불량품의 과거 사진이 필요합니다. 지능형 스케줄링에는 최소 1년 치 주문 웨이브 이력이 필요합니다. 제가 본 최악의 사례: 어떤 회사는 계약에 서명한 뒤 창고가 WMS 이력 데이터를 한 번도 남겨둔 적이 없다는 걸 깨달았습니다. 벤더가 데이터를 달라고 했는데 손에 쥔 게 아무것도 없었습니다. 서명 전에 데이터 인벤토리를 하세요: 필요한 데이터가 무엇인지, 얼마나 있는지, 품질은 어떤지, 추출할 수 있는지.

질문 셋: 누가 쓰고, 누가 주인입니까? 현장 슈퍼바이저가 실제로 쓸까요? 모델이 양품을 불량으로 판정하면 누가 책임집니까? 이런 조직 문제를 풀지 않으면 세계 최고의 기술도 안착하지 못합니다. POC 단계부터 최종 사용자를 참여시키세요——가동 직전에 교육하는 건 늦습니다.

질문 넷: 얼마나 기다릴 수 있습니까? 표준 SaaS는 보통 4–8주면 가동됩니다. 커스텀 프로젝트는 3–6개월. 자체 개발은 9–18개월이 걸립니다. 사업이 기다려줍니까? 피크 시즌 3개월 전에도 AI와 씨름하던 사람들은 전부 후회하는 걸 봤습니다.

질문 다섯: 갇히면 어떻게 됩니까? 벤더의 모델은 블랙박스, 당신 데이터는 그들의 클라우드 위에. 어느 날 50% 인상을 통보하면 갈아탈 수 있습니까? 계약서에는 데이터 소유권, 추출 포맷, 해지 후 전환 기간이 명시되어야 합니다. 이 항목이 아래 스코어카드에서 가중치가 가장 큽니다.

창고 운영 대시보드

벤더 스코어카드(그대로 쓰세요)

이건 제가 실제로 고객과 함께 쓰는 스코어카드입니다. 각 항목을 1–5점으로 채점하고 가중치를 적용해 100점 만점으로 합산합니다. 65점 미만: 탈락. 65–80점: 협상 여지. 80점 초과: POC로.

항목	가중치	5점의 모습	1점의 모습
업계 적합도	25%	유사 창고·3PL의 실제 가동 사례 3건 이상. 현장 언어를 구사	사례가 전부 리테일·제조업. 창고는 뒷전
데이터 요구사항	20%	필요한 데이터와 양을 구체적으로 알려주고 데이터 인벤토리를 도와줌	"데이터는 많을수록 좋습니다"라며 구체 기준 없음
도입과 연동	15%	표준 API, 주요 WMS와 연동, 4–8주에 가동	WMS 수정을 요구. 일정이 모호
TCO 투명성	15%	항목별 견적: 구독, 구축, 초과 요금, 인상 조항	1년차 가격만. 갱신은 "협의"
탈출 조건과 데이터 소유권	15%	데이터는 고객 소유, 추출 가능, 해지 후 90일 전환 기간을 계약에 명시	데이터는 벤더 소유. 해지 = 삭제
지원과 개선	10%	전담 고객 성공 매니저, 분기별 모델 업데이트	팔고 나면 잠수. 업그레이드는 별도 요금

채점 팁: 벤더에게 서면으로 답하게 하세요. 구두 약속은 믿지 마세요. "다 됩니다"라고 말하는 영업사원의 말도 계약서에 넣으라고 하면 열에 아홉은 쪼그라듭니다.

실제 경고 사례 세 가지(브랜드는 익명화)

함정 하나: 28만 달러짜리 외관 검사 시스템, 조명에 무너지다. 앞의 프레즈노 3PL 이야기입니다. 벤더의 데모는 훌륭했습니다——정확도 99.2%. 현장 POC 첫 주, 정확도는 81%로 떨어졌습니다. 왜? 데모는 벤더 실험실 조명에서 돌았습니다. 실제 창고는 고천장 조명과 햇빛이 뒤섞였고, 그림자가 움직일 때마다 모델이 눈이 멀었습니다. 대책——전용 조명 + 재라벨링——에는 $90,000이 더 듭니다. 3PL은 프로젝트를 접고 $280,000의 계약금을 날렸습니다. 교훈: POC는 당신의 진짜 환경에서, 진짜 조명으로, 진짜 상품으로 돌려야 합니다. 실험실 숫자는 인정하지 않습니다.

함정 둘: 지능형 스케줄링, 베테랑 작업자에게 무너지다. 남부 캘리포니아의 한 이커머스 창고는 AI 스케줄링에 $160,000를 썼습니다. 알고리즘의 시프트는 수동 계획보다 인건비를 실제로 12% 절감했습니다. 하지만 베테랑 직원들이 거부했습니다——"기계가 내 스케줄을 짜는데 주말에 쉴 수도 없다는 거야?" 이직률은 3개월 만에 8포인트 올랐고, 인건비 절감분은 채용·교육 비용으로 증발했습니다. 시스템은 창고 구석으로 밀려났고, 스케줄링은 슈퍼바이저에게 돌아갔습니다. 교훈: AI는 사람의 일하는 방식을 바꿉니다. POC 단계부터 현장 직원을 참여시키고 사람이 덮어쓸 여지를 남기세요. 기술 문제는 풀 수 있지만 사람 문제는 풀 수 없습니다.

함정 셋: "절약"을 위한 자체 개발, $700,000을 태우다. 기술 출신 CTO가 있는 중규모 3PL은 사는 것보다 만드는 게 낫다고 판단하고 수요 예측을 위해 4인 팀을 꾸렸습니다. 18개월 뒤 $700,000(인건비 + 클라우드)을 쓴 뒤에도 모델 정확도는 상용 제품보다 5포인트 뒤졌습니다. 그러다 리드 ML 엔지니어가 대형 테크 기업에 스카우트되면서 프로젝트는 즉사했습니다. 결국 다시 시판 제품 구매로——$220,000 추가. 교훈: 자체 개발은 돈을 절약하지 않습니다. 예측 가능한 조달 비용을 예측 불가능한 R&D 소각으로 바꿀 뿐입니다. AI가 본업이 아니라면 손대지 마세요.