창고에서의 생성형 AI 도입은 이제 두 해째 큰 화제다. 나는 이 기술이 건물 하나를 스스로 운영할 수 있는 것처럼 말하는 벤더 데모와 업계 보고서를 읽어 왔고, 그 후 실제 창고를 걸어 다니며 그곳에서는 여전히 주로 질문에 답하는 수준에 머물러 있음을 보았다. 이 글은 비전에 관한 것이 아니다. 질문에 답하는 것과 의사결정을 내리는 것 사이의 거리를 단계별로 측정하고, 각 단계에 실제로 드는 비용과 걸리는 시간을 묻는 글이다.

창고는 자신감 넘치는 말투의 시스템에게는 어려운 곳이다. 잘못된 상품을 고르면 반품할 수 있다. 잘못된 팔레트를 출고하면 트럭 한 대 분량 전체에 대한 클레임으로 번질 수 있다. 언어 모델은 모호한 표현을 다루고 흩어진 정보를 모으는 데 능하다. 창고에 필요한 것은 추적 가능한 기록을 갖춘 확실한 행동이다. 창고용 생성형 AI 도구에 대한 검색 관심은 계속 오르고 있지만, 검색 관심은 현장 준비도와 같은 것이 아니다. 그 두 가지 요구 사이의 간극이 바로 이 글의 주제다.

창고의 생성형 AI: 한 번의 도약이 아닌 세 단계

첫 번째 단계는 질문에 답하는 어시스턴트다. 작업자가 전화나 태블릿으로 내일 아침 출고될 선적물이 어디에 있는지 물으면, 시스템은 창고관리시스템에서 위치를 조회해 평이한 말로 답한다. 이곳의 장벽은 낮다. 아무것도 실행되지 않기 때문이다. 시스템이 건드리는 것은 정보뿐이다. 2024년 가을, 나는 캘리포니아 온타리오 인근의 타사 물류 창고에서 이런 종류의 파일럿을 보았다. 야간 근무 슈퍼바이저가 아침에 출고될 배치가 어디에 보관되어 있는지 음성으로 묻자, 시스템은 WMS에서 위치를 읽어 주었다. 파일럿은 여섯 주간 이어졌고, 슈퍼바이저의 평가는 실무적이었다. 시간을 절약할 수 있었다고 그는 말했다. 다만 위치 데이터가 이미 정확할 때만 그렇다고. 데이터가 틀리면 유창한 답변은 그저 틀린 답변을 더 빨리 전달할 뿐이었다.

두 번째 단계는 코파일럿이다. 이제 단순히 답하는 것을 멈추고 사람들의 판단을 돕기 시작한다. 이번 웨이브에서 어떤 주문을 피킹할지, 오늘의 입고 계획상 어느 존이 막힐지, 혹은 다음 교대조를 위한 인계 메모 초안 같은 것들이다. 이 단계는 프로세스에 닿는다. 프로세스에 닿으면 책임의 문제가 따라온다. 제안이 틀리면 누가 책임지는가? 시스템은 자신이 얼마나 확신하는지 말해 주는가? 데모에서는 이런 질문을 결코 보여주지 않는다. 실제 현장에서는 매일 제기된다.

세 번째 단계는 자율적 실행이다. 시스템이 보충, 이동, 웨이브 변경을 스스로 결정하고, 사람은 예외를 검토한다. 가장 현실에 가까운 형태는 완전한 자동화가 아니라 좁은 범위의 자율성이다. 하나의 상품군, 하나의 존, 하나의 교대조 안에서의 권한이며, 그 범위를 벗어난 것은 모두 사람에게 되돌려진다. 이 단계를 하룻밤 사이의 장악으로 여기는 것은 창고가 어떻게 돌아가는지 오해하는 것이다.

건너뛰기는 없다. 질문에 답하는 어시스턴트가 제대로 돌아가지 않는 창고에서는 코파일럿이 그 오류를 증폭시킬 뿐이다. 아무도 검토하지 않고 아무도 바로잡지 않는 코파일럿의 제안은 자율적 실행으로 자랄 수 없다. 각 단계는 더 넓은 범위를 얻기 전에 작은 규모에서 검토 가능한 결과를 내야 한다.

생성형 AI와 돈의 문제

연구자는 기술을 헤드라인이 아니라 장부로 본다. 생성형 AI의 장부에는 세 가지 항목이 있고, 각 항목의 전제를 솔직히 밝혀야 숫자가 의미를 갖는다.

아래 표는 가상의 예이다. 모든 수치는 방법을 보여주기 위해 만든 것으로, 실제 창고의 장부에서 가져온 것이 아니다.

비용 또는 이익 가상의 예 확인 방법
질문 응답 파일럿 통합과 세 달의 시범 운영을 포함해 약 $60,000 벤더 견적을 한 줄씩 확인한다
조회에 드는 슈퍼바이저 시간 절약 하루 40분, 시간당 $28로 가정한다 두 주간의 시간 기록을 측정한다
코파일럿 단계 추가 지출 프로세스 변경을 포함해 추가로 $120,000으로 가정한다 소프트웨어, 통합, 교육으로 나눈다
추가 웨이브 처리 능력 하루 90건의 주문 증가로 가정한다 실시 전후 같은 시간대의 출고량을 비교한다
잘못된 답변 수정 비용 수정 작업에 월 $2,000로 가정한다 실제 수정 티켓 수를 센다

계산에 앞서, 굳이 역설적인 판단을 밝힐 가치가 있다. 창고에서 생성형 AI의 가장 과대평가된 이점은 인력 감축이고, 가장 과소평가된 이점은 재작업 감소다. 질문에 답하는 어시스턴트는 역할을 없애지 않는다. 슈퍼바이저의 집중을 깨뜨리는 하루 마흔 번의 방해를 없앤다. 좋은 코파일럿 제안이 가치 있는 것은 빠르기 때문이 아니라, 숙련된 작업자라면 한눈에 알아챌 실수를 신입이 저지르는 것을 막아주기 때문이다. 인력 감축을 전제로 세운 비즈니스 케이스는 서명하는 그날부터 틀린 것이다.

일정에도 같은 절제가 필요하다. 질문 응답 어시스턴트 단계는 대부분의 중규모 창고에서 일 년 안에 쓸 만한 파일럿에 도달할 수 있다. 코파일럿 단계는 먼저 깨끗한 프로세스 데이터가 필요하고, 그 준비 작업은 모델 작업 자체보다 오래 걸리는 경우가 많다. 자율적 실행은 먼저 탄탄한 데이터 기반과 안정적인 상품군을 갖춘 소수의 창고에서만 나타나며, 좁은 범위에서 시작한다. 세 단계를 모두 일 년에 욱여넣는 로드맵에는 한 가지 질문을 던져야 한다. 계획의 어디에 데이터 준비 작업이 있는가?

생성형 AI가 현장에서 아직 할 수 없는 일

첫 번째 장벽은 데이터다. 창고 데이터는 WMS, ERP, 스프레드시트, 경험 많은 직원들의 머릿속에 흩어져 있고, 같은 상품이 세 시스템에서 세 가지 다른 이름을 가질 수 있다. 생성형 AI는 지저분한 데이터를 사람보다 훨씬 더 못 견딘다. 틀린 위치를 본 사람은 경험으로 바로잡는다. 모델은 틀린 답을 자신 있게 말한다. 데이터 거버넌스를 우회하는 지름길은 없으며, 이를 건너뛴 창고는 파일럿 기간에 그 대가를 치른다.

두 번째 장벽은 책임이다. 코파일럿이 제안하고 시스템이 실행할 때, 실수에 대한 책임을 누가 지는지는 사고가 난 뒤에 논할 것이 아니라 가동 전에 프로세스에 적어 두어야 한다. 더 안정적인 접근법은 단계별 권한이다. 일상적인 저위험 제안은 자동으로 실행할 수 있고, 고위험 행동은 사람의 확인이 필요하며, 자동화된 모든 결정은 추적하고 검토하고 중단할 수 있는 기록을 남긴다.

세 번째 장벽은 현장에서의 수용이다. 현장 작업자는 새로운 도구를 단 하나의 기준으로 판단한다. 도움이 되는가, 방해가 되는가. 질문 응답 어시스턴트가 열 번 중 두 번 쓸모없는 답을 내놓으면, 작업자는 세 번째 시도부터 묻는 것을 멈춘다. 파일럿 기간에 가장 중요한 숫자는 데모 점수가 아니라 실제 사용 횟수와 우회 횟수다. 그 두 숫자는 어떤 만족도 조사보다 정직하다.

종합하면 순서는 분명하다. 질문에 답하는 어시스턴트를 작업자가 진심으로 사용할 만큼 탄탄하게 만든다. 코파일럿을 한두 가지 구체적인 시나리오에 배치하고 제안이 검토될 수 있을 때까지 운영한다. 자율적 실행에 대해 말하는 것은 데이터, 책임, 신뢰가 모두 갖춰진 뒤에야 한다. 그 순서는 느리지만, 창고 안에서 통하는 유일한 순서다.

세 해 뒤를 내다보면, 창고에서 생성형 AI 기술이 취할 가장 가능성 높은 모습은 말을 하는 로봇이 아니라 보이지 않는 도움의 층이다. WMS 검색창 안에, 웨이브 계획 제안 안에, 인계 메모 안에. 창고가 그것을 진정으로 사용하고 있는지 판단하려면 론칭 행사를 건너뛰고 두 가지를 확인하라. 작업자가 매일 실제로 질문을 하는가, 그리고 슈퍼바이저가 교대조와 웨이브를 계획할 때 실제로 그 제안을 참고하는가. 두 답이 모두 그렇다면 세 번째 단계는 그리 멀지 않다. 어느 한쪽의 답이 아니라면, 정직한 질문은 무엇이 아직 부족한가이며, 그 답은 대개 데이터, 책임, 신뢰 중 하나다.

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