결론부터 말하면, 2026년 기준으로 창고에서의 생성형 AI는 문서 읽기와 질문 응답은 정말 잘하지만, 당신을 대신해 의사결정을 내리기까지는 최소 두 세대 이상 남았다. 단계별로 타임라인을 정리하면서 성숙도, 투자 회수, 함정에 대해 솔직하게 적는다.
2024년 초, 시스템 선정 상담을 하러 온 클라이언트들은 거의 예외 없이 같은 질문을 했다. "Lao Mi, AI가 그냥 창고를 대신 운영해 줄 수 없나요?" 나는 웃을 수밖에 없었다. 2년이 지난 지금도 답은 아니오다 — 다만 그 "아니오"의 경계는 꽤 앞으로 나아갔다. 이 글에서는 타임라인을 따라간다. 창고에서의 생성형 AI 도입이 실제로 몇 단계로 나뉘는지, 각 단계가 얼마나 성숙했는지, 돈이 아까운지 아닌지, 그리고 중소 규모 창고는 어디서 시작해야 하는지.
1단계: 질의응답과 지원 (2024년부터 가동, 가장 성숙)
생성형 AI가 창고에서 처음으로 확실한 발판을 마련한 곳이 여기다. 하는 일은 하나, 기존 정보를 자연어로 꺼내는 것. 피커가 "이 SKU는 어느 슬롯에 있나요"라고 물으면 답이 나온다. 신입이 "반품 프로세스가 어떻게 되나요"라고 물으면 챗봇이 SOP를 단계별로 안내한다. 고객 서비스는 "내 화물은 어디 있나요"에 자동 응답한다.
왜 이것이 가장 먼저 안착했을까? 의사결정에 절대 손대지 않기 때문이다. 답이 틀려도 누군가 더블체크한다 — 잘못된 주소로 출고되는 일은 없다. 2024년 말에 온타리오의 이커머스 창고(약 120,000제곱피트)를 방문했다. 내부 지식 베이스를 질의응답 레이어에 연결해 놓은 곳이었다. 피킹 슈퍼바이저 말로는 신입 적응 기간이 대략 2주에서 약 1주로 줄었다고 한다. 이 "대략"에 주목하라. 절약되는 것은 교육 담당 슈퍼바이저의 시간이지, 직접적인 인건비가 아니다.
경제성도 여기가 가장 명확하다. 보통은 기존 WMS 업체의 애드온 모듈이거나, 상용 대형 모델 API 위에 구축한 질의응답 레이어로, 프로젝트 규모는 수만 달러 수준이다. 중견 3PL도 감당할 수 있다. 가장 큰 함정은 데이터 품질이다. SOP 문서가 5년 된 그대로라면, AI는 틀린 프로세스를 자신만만하게 가르친다. 먼저 지식 베이스를 정리하고 나서 AI 질의응답을 논하라. 이 순서는 협상 불가다.
2단계: 문서 인식과 예외 알림 (2025년 시작, 아직 상승 중)
2단계에서는 AI의 눈이 서류와 사진으로 향한다. 입고 서류, 패킹 리스트, 선하증권에서 핵심 항목을 읽어 자동 입력하고, 컨베이어 위 파손 화물 사진을 감지하고, 운전자가 문자로 보낸 배송 업데이트를 구조화 데이터로 바꾼다. 가치는 진짜다 — 현장에서 가장 지루하고, 가장 실수가 잦은 수작업 키잉을 대체한다.
하지만 여기서 찬물을 한 바가지. "데모에서 99% 정확도"와 "실전에서 99% 정확도"는 다른 짐승이다. 창고 서류는 영광스러울 만큼 지저분하다 — 손글씨, 구김, 기름 얼룩, 팩스 사본. 한 클라이언트의 서류에 완벽하게 튜닝된 모델이 다른 3PL에서는 통하지 않을 수 있다. 파일럿 정확도는 아름다웠는데, 성수기 임시직의 휘갈긴 양식 때문에 오류율이 두 배가 되어 사람 검토 단계를 추가할 수밖에 없었던 프로젝트를 나는 목격했다. 검토자 비용을 반영하고 나면 ROI는 더 이상 예쁘지 않다.
이 단계에 대한 내 판단: 문서 형식이 안정적인 곳에서는 진행하라 — 레이아웃이 고정된 장기 공급업체, 표준화된 운송사 인보이스. 돈이 아깝지 않다. 서류가 온갖 곳에서 온갖 형식으로 들어오는 곳에서는 아직 사람을 빼지 마라. 투자 규모는 질의응답보다 한 자릿수 위이고, 사람 검토 예산은 필수다. 이 교훈은 현금으로 지불됐다.
내가 계산하는 법: 업체의 "효율 향상률 ○%"는 무시하고, 현재 문서 처리 인건비를 직접 산정한다. 약 100,000제곱피트 규모의 3PL을 예로 들자 — 하루 수백 건의 입고 서류, 키잉과 검수에 전담 2명. 그 시간의 절반 이상을 절약해 주는 자동화라면 프로젝트 견적과 견줄 수 있는 숫자가 나오고, 투자 회수는 플러스이거나 아니거나다. 이 계산이 안 되는 프로젝트는 보류한다.
3단계: 스케줄 지원과 자율 의사결정 (2026년 파일럿, 신뢰성과는 거리가 멂)
모두가 궁금해하는 부분이다. AI가 내일의 인원 배치, 어느 트럭을 먼저 보낼지, 보충을 언제 트리거할지를 정할 수 있을까? 2026년 기준으로 솔직한 답: 지원은 예, 자율은 아니오.
지원이란 시스템이 과거 주문량, 프로모션 캘린더, 날씨를 보고 "내일은 18명 체제로" 제안하고, 슈퍼바이저가 훑어보고 승인하는 패턴이다. 이 "AI가 조언하고 사람이 결정한다" 패턴은 수요 변동이 심한 이커머스 창고에서 이미 효과를 내고 있다. 내가 아는 남부 캘리포니아의 뷰티 이커머스 창고는 이런 도구를 성수기 인력 계획에 쓰고 있다. 매니저 말로는 그 예측이 자신의 직감보다 낫고, 큰 세일 전날 밤에 임시 인력을 급히 구하지 않게 되었다고 한다.
자율은 다른 짐승이다. 창고의 의사결정은 연쇄된다. 인원 배치가 피킹 속도를 정하고, 피킹 속도가 컷오프 시간을 정하고, 컷오프가 운송사 집하를 정한다 — 제약 하나가 바뀌면(예를 들어 운송사가 집하 시간대를 옮기면) 계획 전체를 다시 계산해야 한다. 생성형 AI는 언어와 패턴에 강하지만, 엄격한 제약 하의 최적화에는 강하지 않다. 그것은 오퍼레이션스 리서치의 영역이다. 스케줄을 대형 모델에 완전히 맡기는 것은 뛰어난 수필가에게 수학자의 일을 맡기는 것과 같다. 방향은 맞는 것 같지만 숫자는 틀릴 수 있다.
여기에 책임 문제가 있다. AI가 인원을 적게 배치해서 성수기가 망가지면 누구의 책임인가? 명확한 책임 체계가 생기기 전까지는, 내가 아는 운영 책임자 중 누구도 승인 권한을 넘기지 않을 것이다. 그래서 내 전망은 2027년 이전까지 자율 의사결정은 닫힌 마이크로 시나리오에 머문다는 것 — 이를테면 고정된 생산 라인의 보충 트리거 — 창고 전체 오케스트레이션이 아니다.
중소 규모 창고는 어디서 시작해야 할까: 세 가지 조언
마무리에 실행 가능한 세 가지 제안을.
첫째, 질의응답과 지식 베이스부터 시작하라. 투자가 가장 작고, 회수가 가장 빠르고, 리스크가 가장 낮다. SOP, FAQ, 고객별 요구사항을 문서로 정리해 질의응답 시스템에 넣어라. 이 단계를 과소평가하지 마라. 50,000제곱피트 미만 창고 중에는 SOP가 베테랑 직원의 머릿속에만 있는 곳이 아직도 많다. 그리고 지식은 그들과 함께 문밖으로 나간다. AI 질의응답은 그 지식을 기록하도록 강제한다. 그것만으로도 본전이다.
둘째, 문서 인식은 형식이 고정된 곳에만 써라. 하루 처리량이 많은 문서 유형 상위 3개를 세어 보고, 고도로 표준화된 것이 있으면 — 예를 들어 대형 고객의 고정 양식 입고 전표 — 그곳에서 파일럿하라. 파일럿 기간에는 모든 문서에 사람 검토를 유지하고, 3개월 돌려 실제 오류율을 보고 확대 여부를 결정하라.
셋째, 스케줄 지원은 시도해 보되 결정권은 유지하라. AI 예측은 슈퍼바이저의 경험과 교차 검증하는 두 번째 조언자로 대하라. 몇 달 연속 그 제안이 사람의 판단을 계속 앞지르면, 더 큰 발언권을 주는 것을 고려하라. 순서는 지원 먼저, 반자동화 다음, 자율은 마지막이다. 어느 단계를 건너뛰면 수업료가 비싸진다.
타임라인으로 돌아가자. 2024년은 질의응답 가동, 2025년은 문서가 곡선을 오르고, 2026년은 스케줄 지원이 파일럿에 들어가고, 2027년도 아마 인간-기계 협업이지 기계의 자율이 아닐 것이다. 창고에서의 생성형 AI는 사기가 아니지만 마법도 아니다 — 강력한 조언자이지 승인 도장을 찍는 보스가 아니다. 그것을 명심하면 돈이 헛되지 않는다. 기술은 계속 발전하겠지만, 창고의 달러는 항상 가장 깊이 파고들 수 있는 곳에 가야 한다. 이 2년간 이 영역을 지켜보며 얻은 가장 솔직한 결론이다.
영어판 번역본입니다. 내용이 다를 경우 영어판을 우선합니다.
