2024년 블랙프라이데이 주간, 미국 중서부의 한 3PL 운영 디렉터가 사후 분석 회의에서 한 말이 아직도 기억에 남는다. "우리는 우리 자신의 웨이브 계획에 졌다." 일일 주문량은 평소의 3배가 넘었다. WES는 시계처럼 90분마다 웨이브를 릴리스했고, 여섯 개의 웨이브가 깔끔하게 줄지어 있었다. 그런데 세 번째와 네 번째 웨이브 동안 피커들은 Zone A 입구에서 줄을 섰고, 검증 대기 중인 토트(tote)는 put wall 앞에 쌓여갔다. 나중에 나온 데이터에 따르면 도보 거리는 10% 정도밖에 늘지 않았다. 진짜 원인은 웨이브 겹침과 하류 혼잡이었다. 그래서 AI 웨이브 최적화가 창고 업계의 화두로 계속 오르는 것이다. 문제는 결코 "주문을 어떻게 묶느냐"가 아니라, 엄격한 제약 아래 내려지는 서로 얽힌 일련의 결정이었다.
AI 웨이브 최적화가 중요한 이유: 돈이 드는 곳은 피킹이다
Applied Sciences에 실린 2025년 창고 사례 연구에 따르면 오더 피킹은 전체 창고 운영 비용의 50~75%, 전체 노동 시간의 약 55%를 차지한다. 연구마다 수치는 다르지만 결론은 변하지 않는다. 피킹은 건물에서 가장 비싼 작업이며, 그 구조를 결정하는 것이 웨이브 계획이다.
다시 말해 웨이브 최적화는 창고 비용 구조에서 가장 큰 블록에 작용한다. 그래서 지난 3년 동안 거의 모든 주요 WES 벤더가 로드맵에 "지능형 웨이브 계획"을 추가한 것이다. 하지만 로드맵과 성과 사이에는 제약 조건의 복잡성이 놓여 있다.
AI 웨이브 최적화의 알고리즘 논리: 3세대
AI가 여기서 실제로 무엇을 하는지 보려면 웨이브 계획을 최적화 문제로 다시 써보면 된다. 입력: 이행 대기 중인 주문 풀. 출력: 웨이브 집합. 각 웨이브는 주문 그룹과 릴리스 시각으로 구성된다. 목적은 일반적으로 운송사 마감(cutoff)을 지키면서 총 피킹 이동 거리 또는 노동 시간을 최소화하는 것이다. 단 최소 네 가지 제약 조건군을 만족해야 한다. 마감과 픽업 윈도우, 로케이션 분포와 핫존 혼잡, 노동력 가용성과 스킬 믹스, 설비 택트 타임이다.
1세대는 룰 엔진이었다. 마감 시각에 따른 경직된 절단, 운송사별·주문 유형별·우선순위별 적재. 2015년 이전의 표준적인 WMS 관행으로, 사람의 경험을 코드로 옮긴 것이었다. 설명 가능하고 통제 가능했지만, 주문 프로파일이 바뀌면 전혀 유연성을 잃었다.
2세대는 휴리스틱과 클러스터링을 가져왔다. 피킹 로케이션이 가까운 주문끼리 클러스터링하고, 경로는 외판원 문제 휴리스틱으로 근사하며, 모의 어닐링이나 유전 알고리즘으로 웨이브 크기와 릴리스 주기의 근사 최적 균형을 탐색한다. 이것이 오늘날 상용 WES의 주류이며, 대부분의 "AI 웨이브 계획" 제품의 진짜 핵심이다. 이름은 AI지만 엔진은 대개 오퍼레이션스 리서치다.
3세대는 머신러닝과 강화 학습을 쓴다. 과거 데이터에서 도착 패턴과 주문별 피킹 시간을 예측한 뒤, 지금 릴리스할지 10분 기다릴지를 동적으로 결정한다. 논문은 많지만 실제 운영 도입은 드물다.
반직관적인 발견: 묶는 기술보다 타이밍이 중요하다
AI 웨이브 최적화에 대한 논의는 대부분 주문을 더 영리하게 묶는 데 초점을 맞춘다. 더 정교한 클러스터, 더 짧은 경로. 하지만 2024년 말에 내가 연구한 한 3PL — 중서부의 약 50,000제곱미터 규모, 가정용품 취급 시설 — 은 다른 결론을 가리켰다.
2023년 피크 시즌에는 90분 고정 웨이브였던 이 사이트는 2024년에 도착 예측 모듈이 탑재된 웨이브 모듈을 추가했다. 가장 큰 개선은 "더 스마트한 묶기"가 아니었다. 시스템이 각 웨이브를 언제 릴리스할지를 동적으로 판단했다는 점이었다. 모델이 30분 이내에 같은 운송사의 주문이 대량으로 도착할 것으로 예측하면 의도적으로 릴리스를 늦춰, 두 번의 피킹 여정을 하나로 합쳤다. 내가 인터뷰한 운영 책임자에 따르면 피크 시즌 피커의 평균 도보 거리는 약 20% 감소했고, 그 개선의 절반 이상은 묶기 로직이 아니라 릴리스 타이밍 결정에서 나왔다.
논리는 단순하다. 웨이브 계획은 본질적으로 시간 차원의 결정이며, 모든 묶기 최적화는 그 앞선 판단 위에 서 있다. 다음 배치를 기다릴 것인가, 말 것인가. 기다리면 집적은 되지만 이행 시간은 줄어든다. 지금 릴리스하면 서비스 수준은 지킬 수 있지만 여정을 낭비할 수 있다. AI의 가치는 이 트레이드오프를 직감에서 계산 가능한 것으로 바꾸는 데 있다. 도착 예측과 남은 캐파가 주어졌을 때 기대 비용이 가장 낮은 릴리스 지점을 찾는 것이다.
또 다른 트레이드오프: 빨리 뽑을수록 더 심하게 막힌다
더 가혹한 현실이 있다. 중국 동부의 한 국경 간 이커머스 창고는 2024년 피크를 앞두고 배칭을 강화했다. 웨이브 크기를 2배로 늘렸고 피커 생산성은 실제로 좋아졌다. 2주 뒤 병목은 하류로 이동했다. put wall 검증 대기열이 40분을 넘었고, 스테이징용 토트가 빌린 복도 공간으로 넘쳐났다. 이 사이트는 "느슨한 웨이브 + 사전 분류"로 돌아갔고, 독-투-쉽(dock-to-ship) 리드타임 전체는 공격적인 시기보다 결과적으로 더 좋아졌다.
벤더들이 잘 밝히지 않는 교훈이 있다. 피킹 이동 거리만 최소화하는 목적함수는 시스템 전체 관점에서 쉽게 열등한 해를 만든다는 것이다. 진짜 제약은 하류에 있다. 검증, 포장, 스테이징, 적재 캐파다. AI 배칭 모델은 하류 택트 타임을 하드 제약으로 반영해야 한다. 그렇지 않으면 피킹에서 아낀 1분이 스테이징 구역에서 이자를 붙여 되돌아온다. 이것은 2세대 도입의 가장 흔한 실패 패턴이기도 하다. 시뮬레이션에서는 아름답지만, 생산 현장에서는 대기 이론에 된통 당한다.
도입 전에: 귀사의 창고가 대상이 되는가
모든 창고가 AI 웨이브 최적화에 값하는 것은 아니다. 아래 프레임워크는 벤더 사례와 공개 연구를 종합한 것으로, 수치는 자릿수 추정치다.
| 창고 프로파일 | 일일 주문량 | 권장 접근법 | 예상 효과(자릿수) | 데이터 전제 조건 |
|---|---|---|---|---|
| 마이크로 창고, 단일 존, 5,000 SKU 미만 | 2,000건 미만 | 고정 웨이브 + 운영자 판단 | AI 투자는 순마이너스일 가능성 높음 | 없음 |
| 중규모, 단일 존 | 2,000–10,000건 | 룰 엔진 + 단순 클러스터링 | 이동 거리 5–15% 감소 | 6개월 이상 주문 이력 |
| 대규모, 다중 존 | 10,000건 초과 | 휴리스틱 최적화 + 동적 릴리스 | 이동 거리 15–25% 감소 | 주문·슬로팅·노동 데이터 모두 완비 |
| 자동화(AMR, 소터) | 무관 | 설비 스케줄링과 통합 최적화 | 시스템 차원의 처리량 향상 | 설비 실시간 데이터 스트림 |
첫 번째 행에 주목하자. 하루 수천 건 미만의 주문에서는 ROI가 거의 확실히 마이너스가 된다. 알고리즘 때문이 아니라 분모 때문이다. 데이터 정제, 통합, 튜닝에는 고정 비용이 드는 반면, 작은 주문 풀에서는 개선 여지가 제한적이다. ABC 슬로팅과 웨이브 규율을 제대로 하는 편이 훨씬 낫다. 이것이 정직한 AI ROI 계산의 첫 번째 경계선이다.
AI 웨이브 최적화를 위한 데이터 준비: 3가지 데이터셋, 하나도 빠뜨릴 수 없다
앞서의 지적을 되풀이하겠다. 데이터 준비가 창고 AI의 성패를 결정한다. 웨이브 최적화에는 세 가지 데이터셋이 필요하며, 하나라도 빠지면 모델은 룰 엔진으로 퇴화한다.
첫째, 주문 이력. 최소 6~12개월분의 주문 단위 상세 데이터로, 타임스탬프, 주문 구성, 운송사, 우선순위를 포함한다. 이것이 도착 예측의 연료가 된다. 그런데 많은 창고에서 이 데이터는 OMS와 WMS에 나뉘어 있고 타임스탬프도 불일치하는데, 이것이 가장 흔한 함정이다.
둘째, 슬로팅과 회전율 데이터. 각 SKU의 로케이션 좌표, 과거 피킹 빈도, 입고(putaway) 기록. 정확한 로케이션 마스터 데이터가 없으면 클러스터링이 만들어내는 "핫존"은 그저 틀린 것이다. 부실한 슬로팅 데이터는 웨이브 최적화 프로젝트 실패의 1위 원인이다.
셋째, 노동력과 택트 데이터. 공정 단계별 엔지니어드 표준, 과거 실적, 작업자 스킬 태그. 이것이 없으면 모델이 내놓는 "최적 웨이브"는 현재 팀이 물리적으로 실행할 수 없는 계획일 수 있다.
셋 모두 실시간이고, 재생 가능하며, 일관되게 정의되어야 한다. 재생 가능성이 핵심이다. 3개월 전의 실제 주문 스트림을 가져와 새 모델로 다시 돌리고, 실제로 일어난 일과 비교하라. 그것 없이는 "AI가 X를 Y% 개선한다"는 주장은 모두 검증 불가다.
트렌드 전망, 2025–2027: 세 가지 변화
향후 2~3년에 대한 나의 판단은 이렇다.
첫째, 2세대 기술 — 휴리스틱, 클러스터링, 동적 릴리스 — 는 별도로 판매되는 AI 모듈이 아니라 표준 WES 기능이 될 것이다. 웨이브 지능은 차별화 요소에서 기본 사양으로 이동하며, 시기는 아마 2026년경이다.
둘째, 동적 릴리스를 위한 강화 학습 같은 3세대 접근법은 최상위 3PL과 자체 이커머스 풀필먼트 네트워크에서 제한적인 파일럿이 나오겠지만, 본격적인 상용화는 데이터 인프라가 따라잡기를 기다려야 한다. 더 이상 병목은 알고리즘이 아니다. 실시간이고 깨끗하며 재생 가능한 데이터 파이프라인이며, 그것이 바로 대부분의 창고에 없는 것이다.
셋째, 웨이브 최적화는 하류 스케줄링 — 검증, 포장, 예약 적재 — 과 합쳐져 더 큰 통합 최적화 문제가 될 것이다. 피킹만 따로 최적화하던 시대는 끝나가고 있다. 시스템 차원의 최적화가 다음 10년의 주제다.
열린 질문
그래서 물어야 할 것은 "AI가 주문을 더 잘 묶을 수 있는가"가 아닐지도 모른다. 수학적으로는 거의 확실히 그렇다. 물어야 할 것은 귀사의 창고가 매 웨이브 릴리스와 배칭 결정을 구조화된 데이터로 바꾸고 있는가이다. 그렇지 않다면 알고리즘이 몇 세대를 거듭해도, 5년 뒤 당신은 같은 블랙프라이데이를 맞게 된다. 직감으로 묶고, 운으로 피크를 버티는 것이다.
Dr. Chen, 공급망 연구원 지음
영어판 번역본입니다. 내용이 다를 경우 영어판을 우선합니다.
