지난해 가을, 나는 Inland Empire에 있는 120,000평방피트 규모의 이커머스 풀필먼트 센터에서 포장 스테이션 뒤에 꼬박 이틀을 서서 보냈습니다. 사람을 보고 있던 게 아닙니다. 천장에 달린 모니터를 보고 있었습니다. 매일 오후 2시가 조금 지나면 포장 공정 앞 컨베이어가 주차장으로 변했습니다—박스들이 머지 지점에 줄을 서서 한 번에 10분에서 15분씩 그대로 얼어붙었습니다. 창고 매니저가 내 어깨에 손을 올렸습니다. "보여, Lao Mi? 포장 공정이 병목 구간이야. 인력이 모자라."
나는 대답하지 않았습니다. 포장 작업자들이 인력 부족해 보이지 않았기 때문입니다. 노는 손이 하나도 없었습니다.
그러고 나서 그 현장에서 작은 파일럿을 돌렸습니다. 신규 하드웨어 없이—벽에 이미 달려 있던 Axis P3225-VE 돔 카메라를 AI 영상분석 플랫폼에 연결해 정확히 두 곳, 포장 스테이션과 컨베이어 머지 지점만 보게 했습니다. 3주간의 기준선 데이터. 결과에 나는 거의 소리 내어 웃을 뻔했습니다. 포장 공정은 병목 구간이 전혀 아니었던 겁니다. 진짜 막힘 지점은 머지 지점 상류의 스캔 스테이션이었습니다. 그 자리를 두 명의 작업자가 교대로 돌았는데—한 명은 빠르고, 한 명은 느렸습니다. 느린 쪽이 들어설 때마다 투입 흐름이 들쭉날쭉해지고, 포장 공정의 대기열이 하류로 쌓였습니다. 정체의 원인은 하류의 느림이 아니었습니다. 상류로부터의 공급 부족이었습니다.
그 뒤로 묻는 사람마다 나는 한 마디로 답합니다. 병목 구간이 어디인지 추측하지 마세요. 카메라에게 3주 동안 보게 하세요.
작게 시작하세요: 건물 전체가 아니라 용의자 한두 곳만
영상분석에 돈을 태우는 가장 빠른 방법은 첫날부터 현장 전체에 깔아버리는 겁니다. 내 조언은 변함이 없습니다. 이미 의심되는 한두 곳을 고르고 작은 파일럿을 돌리세요. 포장 스테이션, 컨베이어 머지 지점, 분류 투입구—물건이 눈에 보이고 동작이 반복되는 곳이면 어디든. AI가 정말 잘 보는 곳이 바로 그곳입니다.
방법은 간단합니다. 기존 카메라 영상을 분석 플랫폼에 연결하고, 2~4주간의 기준선을 돌린 뒤, 아무것도 바꾸지 마세요. 그냥 지켜보세요. 세 가지를 봅니다. 각 스테이션의 사이클 타임이 안정적인지(같은 동작이 오늘은 40초, 내일은 70초 걸린다면 뭔가 잘못된 겁니다), 대기열 길이(스테이션 앞에 유닛이 몇 개씩 계속 쌓여 있는지), 그리고 비정상 체류—몇 분 이상 조용해지는 스테이션을 1회 플래그합니다. 이 "몇 분"에는 업계 표준이 없습니다. 건물마다 기준선 데이터로 자체 임계값을 조정합니다. 아무 데서나 정한 임계값은 오경보만 사게 됩니다.
그리고 함정은 바로 그곳에 있습니다. 먼저 조명입니다. 그 Inland Empire 현장에서는 채광창이 컨베이어를 정면으로 마주 보고 있었는데, 한낮의 역광 때문에 화면이 일렁거렸습니다—AI가 하루에 수십 건의 "비정상 체류" 이벤트를 감지했고, 전부 오탐이었습니다. 조명 캘리브레이션 시간대를 추가하고 나서야 겨우 통제가 됐습니다. 다음은 가림입니다. 지게차가 렌즈 앞을 지나가면 화면이 15초간 까맣게 되고, 데이터 스트림에 구멍이 뚫립니다. 그리고 각도 문제—창고 카메라는 도난 방지용으로 설치돼서 구석에 쑤셔 박혀 있고, 사람들 정수리만 내려다봅니다. 프로세스를 보고 싶다면 렌즈는 컨베이어와 각 스테이션 앞에 쌓인 물건을 향해야 합니다. 보는 건 사람이 어떻게 움직이는지가 아니라 화물이 어떻게 흐르는지입니다. 이 문장이 중요합니다. 나중에 돌아오겠습니다.
계산은 쉽다. 사람이 어렵다.
돈 얘기부터. 이 기술의 가장 큰 장점은 신규 하드웨어가 필요 없다는 점입니다—카메라는 이미 벽에 있습니다. 요금은 카메라 포인트당 구독제입니다. 제가 본 견적은 포인트당 월 수백 달러 수준이었습니다—가격은 변동되니 벤더에게 현재 요금을 확인하세요. 그 현장은 4개 포인트를 연결했고, 연간 구독료는 20,000달러 미만이었습니다.
투자 회수는 어떻게 됐을까요? 진짜 병목을 찾은 뒤에는 수정에 거의 돈을 쓰지 않았습니다—상류 스캔 스테이션의 교대를 재배치해서 느린 페이스의 로테이션이 라인을 굶주리게 하지 않도록 했을 뿐입니다. 포장 공정 처리량은 약 10% 올랐습니다. 현장에서 측정해 온 경험에 따르면, 이런 "진짜 병목을 찾고 움직이는" 식의 수정은 보통 8~15% 범위로 효율을 끌어올립니다. 그 이상을 약속하는 사람이 있다면 그 데이터를 의심하기 시작하세요.
대략 계산: 포장 작업자 12명이 시간당 20달러—2025년 Inland Empire 시장 요금으로 대충 그 정도—에 10%의 개선은 연간 40,000달러가 넘는 인건비 절감에 해당합니다. 구독료는 20,000달러 미만. 1년을 훨씬 밑돌아 회수됩니다. 물론 대략적인 추정치입니다—건물마다 주문 구성과 인건비가 다르니 자사 숫자로 계산식을 돌리세요.
이제 사람 얘기—전체에서 가장 민감하고, 가장 망치기 쉬운 부분입니다. 파일럿 시작 전에 전체 회의를 열고 몇 가지 약속을 굳히세요. 얼굴은 블러 처리합니다. 알고리즘이 세는 건 박스이지 사람이 아니며, 렌즈는 "사람"이 아니라 "프로세스"를 향합니다. 데이터는 스테이션 단위로 보고합니다—개인 순위는 절대 만들지 않고, 성과 평가와는 절대 연결하지 않습니다. 이건 문서로 남겨야 합니다. 노조가 있는 건물에서 이 절차를 건너뛰면 며칠 안에 노조 대표가 문을 두드립니다. 대화 없이 도입한 현장을 본 적이 있습니다. 2주 만에 민원이 접수됐고, 파일럿은 중단됐고, 돈은 날아갔습니다.
재밌는 건, 소통이 제대로 되면 베테랑 작업자들이 최고의 주석 작업자가 된다는 겁니다. AI가 비정상 체류 이벤트를 감지하면, 고참이 힐끗 보고 말합니다. "그건 파렛트 교체야, 노는 게 아니야." 이런 현장 판단은 어떤 알고리즘도 3년 안에 못 배웁니다.
그러니 AI 영상분석을 살 만한 가치가 있는지 묻지 마세요. 대신 스스로에게 이렇게 물어보세요. 운영의 어느 부분이 느리게 느껴지는가—그리고 그걸 데이터로 증명할 수 있는가? 거기서 시작하세요. 카메라 영상 2주 치면 시작하기에 충분합니다. 데이터가 당신 대신 결정을 내려주진 않지만, 논쟁이 시작됐을 때 기댈 수 있는 든든한 것을 줍니다.
영어판 번역본입니다. 내용이 다를 경우 영어판을 우선합니다.
