생성형 AI는 창고를 옆문으로 들어왔다. 2025년, 대부분의 시설에서 생성형 AI가 처음 맡은 고정된 일은 분류 라인을 돌리거나 로봇을 조종하는 것이 아니라 질문에 답하는 일이었다. 피커가 SKU가 어디에 있는지 묻고, 슈퍼바이저가 야간 근무에 무엇이 부족한지 물으면, 시스템이 평이한 말로 답한다. 장면은 소박해 보이지만, 그 소박함이 바로 핵심이다. 이 기술이 더 큰 역할을 맡게 될지는 모델이 무엇을 말할 수 있는지보다 조직이 모델에게 무엇을 맡길 의향이 있는지에 달려 있다.

챗봇이 먼저 온다: 창고에서 생성형 AI가 제값을 하는 곳

MIT Intelligent Logistics Systems Lab이 2025년 11월에 실시한 조사에 따르면, 21개국 2,000명 이상의 전문가를 대상으로 한 조사에서 조직의 92.1%가 가까운 시일 안에 AI를 도입 중이거나 도입을 계획하고 있었고, 87%는 향후 2~3년 안에 AI 예산을 늘릴 것으로 예상했다. 응답자들은 생성형 AI를 70.3%로 가장 가치 있는 방법으로 꼽았고, 예측 머신러닝 58.4%를 앞섰다. 같은 연구는 일반적인 투자 회수 기간을 2~3년으로 제시했다. 다시 말해 창고들은 특정 도구가 정상적인 예산 주기 안에 비용을 회수하는지를 시험하고 있다.

챗봇이 첫 번째 도입 대상이 된 이유는 실패 비용이 낮게 유지되기 때문이다. 위치에 대한 잘못된 답은 WMS와 대조해 몇 초 만에 확인할 수 있고, 오류는 거기서 멈춘다. 반면 보충 수량이나 웨이브 순서에 대한 잘못된 결정은 주문, 운송사, 고객을 거쳐 가기 전까지 아무도 알아채지 못한다. McKinsey의 공급망 보고서는 같은 비대칭을 반대쪽에서 기록한다. 이 기술은 문서 작업 소요 시간을 최대 60%까지 줄이고, 물류 코디네이터의 업무량을 10%에서 20%까지 줄일 수 있다. 성과는 사람이 결과가 중요해지기 전에 출력을 아직 검사할 수 있는 곳에 모인다.

Amazon은 순서 정하기에 유용한 참고점을 제공한다. 2025년 7월, 이 회사는 풀필먼트 네트워크 전반에서 로봇 이동을 조정하기 위해 생성형 모델 DeepFleet을 도입했고, 로봇 플릿 이동 시간을 10% 개선한다는 목표를 내세웠다. 2026년 4월까지 Amazon은 풀필먼트 센터에서 운영 중인 로봇이 100만 대 이상이라고 보고했다. 이 순서가 전하는 교훈은 다음과 같다. 모델은 정보가 밀집하고 작은 오류를 용인하는 조정과 스케줄링 업무에 먼저 도착했고, 물리적 이동은 결정적 통제 아래에 머물렀다.

두 번째 예시는 일상적인 창고 생활에서 온 것으로, 여기서는 예시 수치를 사용한 가상의 시나리오로 제시한다. 2026년 3월에 WMS에 이러한 어시스턴트를 연결한 중국 동부의 제3자 물류 창고를 생각해 보자. 도입 전에는 재고, 위치, 주문 상태에 대한 일상적인 질의가 각 슈퍼바이저의 하루 중 약 3시간을 소모했다. 도입 후에는 일상적인 질의의 약 70%가 직접 답변되면서, 각 슈퍼바이저에게 하루 약 2시간이 돌아왔다. 수치는 가상이지만, 그 수치가 암시하는 검증은 실제이다. 챗봇은 얼마나 많은 질문에 답했는지가 아니라, 판단 업무에 얼마나 많은 고비용의 인간 주의를 되돌려주었는지로 평가해야 한다.

질문에 답하는 일에서 의사결정으로: 자율성의 트레이드오프

챗봇에서 자율 의사결정자로의 이동은 기술 스택보다 창고의 책임 체계를 더 크게 바꾼다. Gartner는 2025년 5월에 2030년까지 교차 기능 공급망 관리 솔루션의 50%가 지능형 에이전트를 사용해 의사결정을 자율적으로 실행할 것이라고 예측했다. 그 전망은 벤더가 무엇을 팔 수 있게 될지를 설명할 뿐, 관리자가 실제로 얼마나 많은 의사결정 권한을 넘길지는 설명하지 않는다.

McKinsey의 2025 State of AI 조사는 105개국 1,993명의 응답자를 기반으로 하며, 도입과 성숙도 사이의 간극을 포착한다. 조직의 약 88%가 최소 하나의 비즈니스 기능에서 AI를 정기적으로 사용한다고 답했는데, 이는 1년 전의 78%에서 증가한 수치이다. 그중 62%는 AI 에이전트를 실험 중이었고, 23%는 이미 최소 하나의 기능에서 이를 확대 적용하고 있었다. 그러나 AI 도입이 성숙 단계에 도달했다고 믿는 조직은 1%에 불과했다. 같은 연구에서는 80%가 부적절한 데이터 노출과 무단 시스템 접근을 포함한 위험한 에이전트 행동을 경험한 것으로 나타났다. 도입은 가파르게 상승하는 반면 성숙도는 거의 평탄하게 유지되며, 그 괴리는 진짜 병목을 가리킨다. 자율 의사결정은 모델 능력보다 조직이 그에 걸맞은 감독 체계를 구축했는지에 더 제한을 받는다.

직관에 반하는 발견은 다음과 같다. 기술적으로 자율화가 가장 쉬운 창고 업무가 반드시 가장 수익이 좋은 업무는 아니다. McKinsey는 10,000대 이상의 차량을 보유한 라스트마일 운영사가 가상 디스패처 에이전트를 도입해 약 $2 million의 투자로 $30 million에서 $35 million의 절감을 달성했다고 기록했다. 그 에이전트들은 디스패처의 판단을 대체하기보다 운전자 문제 해결과 도로변 지원을 돕는 방식으로 디스패처를 지원했다. 수익은 빈번하고 저위험인 의사결정을 자동화하고, 드물고 중대한 판단은 사람에게 남김으로써 나왔다. 보충 수량과 안전 재고를 모델이 자율적으로 정하게 하는 것부터 시작한 프로젝트들은 첫 번째 수요 충격에서 종종 흔들렸는데, 이는 역사로 학습한 모델이 프로모션, 품절, 날씨가 역사를 따르기를 거부하는데도 역사에 맞춰 계속 주문하기 때문이다.

실행 가능한 경로는 세 가지 권한 단계로 이어진다. 첫 번째 단계에서는 모델이 조언만 하며, 근거와 함께 권고안을 제시하고 사람이 결정한다. 두 번째 단계에서는 모델이 조정안을 초안으로 작성하고, 사람이 발효 전에 승인한다. 세 번째 단계에서는 모델이 금액, 수량, 시간에 대한 명시적 한도 안에서 직접 실행하며, 한도를 벗어나는 사례는 자동으로 상위로 이관한다. 단계 간 이동은 기술팀 단독으로 바꾸는 설정이 아니라 운영, 재무, 리스크 기능이 함께 결정해야 한다. 자율 의사결정의 속도는 모델 크기보다 그 책임 체계를 더 밀접하게 따라갈 것이다.

수익을 세어보기: 창고에서 생성형 AI가 실제로 돌려주는 것

솔직한 ROI 논의는 창고 비용 구조에서 시작한다. 업계 벤치마크는 일반적으로 인건비를 전체 창고 운영 비용의 50%에서 70%로 보는데, 이는 MHI와 Deloitte에 귀속된 수치를 포함한 업계 보고서 전반에서 인용되는 범위이다. 그 범위가 뒤따르는 모든 계산의 출발점이다. 인건 시간의 배분을 바꾸지 못하는 기술은 아무리 인상적인 시연을 보여도 수익을 입증하기 어려울 것이다. 아래 표는 단계별 수익 논리를 나눈 것이다. 모든 수치는 예시이며, 결과를 약속하기보다 단계별 경제성이 어떻게 다른지를 드러내기 위해 제시한다.

단계 일반적인 투자 규모(예시) 주요 수익원(예시) 회수 기간(예시)
질의응답 어시스턴트 WMS 및 지식베이스 연동 질의 시간 단축, 예외 대응 빨라짐 12–18개월
자문 에이전트 데이터 거버넌스 및 권한 설계 추가 웨이브, 보충, 스케줄링 조언 채택 18–30개월
제한적 자율 실행 감사, 롤백, 리스크 통제 추가 빈번한 저위험 의사결정 자동화 24–36개월

대략적인 계산은 가상의 수치를 일관되게 사용해 제약을 구체적으로 만든다. 하루 8,000건의 주문을 처리하고 연간 운영 비용이 $5.6 million인 중규모 창고를 예로 들어보자. 그중 인건비는 60%, 즉 약 $3.4 million이다. 질의응답 어시스턴트가 슈퍼바이저와 고객 서비스 인건 시간의 약 5%를 확보해 준다면, 연간 절감액은 약 $170,000이다. 약 $210,000의 일회성 투자와 약 $40,000의 연간 운영 비용과 비교하면, 정적 회수 기간은 약 18개월에 가깝다. 이 계산이 드러내는 제약이 산술 자체보다 중요하다. 챗봇 단계는 얼마나 많은 질문에 답하는지가 아니라, 얼마나 많은 고비용 인간 시간을 확보할 수 있는지에 상한이 정해진다. 질의 업무가 이미 저비용 역할에 맡겨져 있는 곳에서는 같은 시스템이 회수에 두 배의 시간이 걸릴 수 있다.

MIT 조사의 일반적인 회수 기간인 2~3년은 이 표의 중간 단계 근처에 자리한다. 창고에서 이 기술의 회수 기간은 벤더의 마케팅 주장이 아니라 세 가지 운영 변수 — 인건비 비중, 질의 밀도, 예외 빈도 — 에 의해 정해진다. 구매 전에 그 세 가지 변수를 측정하는 것은 모델 사양을 비교하는 것보다 구매자에게 더 많은 것을 알려줄 것이다.

2027년부터 2030년 사이에 지켜볼 것

세 가지 변수가 앞으로 일어날 일을 좌우할 것이며, 이들은 각기 다른 속도로 움직이고 있다. 첫 번째는 데이터 거버넌스이다. 창고 지식의 상당 부분은 여전히 숙련 직원의 경험 속에 남아 있고, 절차는 현장 실무를 뒤따라가지 못하며, 예외 처리는 기록되지 않는다. 모델의 한계는 그 암묵적 지식을 검색 가능하고 검증 가능한 자산으로 전환할 수 있는지에 크게 달려 있다. 두 번째는 감사와 책임이다. 자율성을 향한 각 단계마다 기록, 검토, 롤백이 필요하며, 이것이 없으면 아무리 고도화된 모델이라도 질문에 답하는 일에만 머무른다. 세 번째는 노동 시장이다. 채용이 어렵고 이직률이 높을 때, 창고가 자동화에 지불할 프리미엄은 전반적으로 상승한다.

이 변수들이 각기 다른 속도로 움직이기 때문에, 2030년까지의 기간은 완만한 상승 곡선보다 분화를 만들어낼 가능성이 크다. 어떤 창고는 기술을 챗봇에서 제한적 자율 실행까지 끌어올릴 것이고, 다른 창고는 수년간 질의응답 단계에 머물 것이다. 그 사이의 거리는 누가 데이터, 책임, 감사 역량을 가장 먼저 정비했는지를 반영할 것이다. 이 기술이 창고의 표준 장비가 될지는 2030년까지 판가름 날 것이다. 그 답의 형태는 오늘날의 전망이 제시하는 것보다 더 갈라져 있을 수 있으며, 그 분화 자체가 지켜볼 만한 발전이다.

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