"소규모 창고에 AI는 그냥 돈 낭비 아닌가요?" 내 답은 이렇다. 어떤 AI를 사느냐에 전적으로 달렸다는 것.
올해만 해도 소규모 창고 경영자 세 명이 나에게 이 질문의 변형을 던졌다. 그들 머릿속에 AI는 딱 하나다. 십만 달러대의 AMR 차량 부대, 아니면 처음부터 모델을 학습시킬 데이터 사이언스 팀을 꾸리는 것. 그렇게 가는 거라면 당연히 — 중견 3PL도 대부분 감당 못 하는데, 작은 현장이라고 되겠나. 하지만 현실은 이렇다. AI는 이미 오래전부터 단일 종이 아니다. 지난 2년 동안 나는 비용 곡선이 하루 수백 건을 출고하는 창고도 닿을 수 있는 수준까지 떨어지는 것을 봤다. 당신이 사야 할 단계가 어느 것인지 알기만 하면 된다.
1단계: 남이 만든 것, 월세로 빌려 쓰기
소규모 창고가 지금 진지하게 봐야 할 유일한 단계다.
주요 WMS 업체 거의 모두가 제품에 AI 기능을 우겨넣고 있다. 스마트 보충 제안, 수요 예측, 피킹 작업 자동 배정, 이상 주문 알림. 알고리즘을 이해할 필요도 없고, 서버를 살 필요도 없다. 구독료에 포함되거나 월간 과금되는 추가 모듈이다. 소규모 현장에는 AI가 무서운 자본 지출에서 예측 가능한 운영 비용으로 바뀌는 것이다. 이 차이가 모든 걸 바꾼다.
실제 사례를 하나 들겠다. 작년 Rancho Cucamonga의 전자상거래 창고를 방문했다 — 하루 약 800건 출고, 현장 인력 12명. 이들의 WMS에는 결품 경고 기능이 들어 있었는데, 판매 이력과 입고 재고를 바탕으로 향후 2주 내 소진될 SKU에 깃발을 꽂는다. 사장은 성수기 준비를 예전엔 감으로 했다고 한다. 2023년 연말 시즌 전에 인기 SKU 두 개를 잘못 판단했다 — 하나는 결품으로 주문을 놓쳤고, 다른 하나는 지금도 과잉 재고로 앉아 있다. 이 기능 덕분에 보충은 감에서 "세컨드 오피니언이 있는" 상태가 됐다. 최종 결정은 여전히 그가 내리지만, 최소한 근거는 생긴 셈이다. 추가 월 비용은? 직원 반 명 인건비도 안 된다.
같은 논리는 모바일 앱 수준의 음성 지원 피킹에도 적용된다. 십만 달러대 음성 피킹 하드웨어 세트가 아니라, 스캔하고, 듣고, 확인하는 것. 잘못된 상품을 집으면 즉시 진동이 울린다. 하루 수천 건 미만의 창고라면 오피킹률을 1포인트 낮추는 것만으로 아낀 고객 문의와 재배송비로 본전을 뽑는다.
1단계에 대한 내 평결은 간단하다. WMS에 내장되어 있고, 월간 과금이며, 기술 팀을 뽑을 필요가 없다면 — 지금 당장 켜라. 기다리지 마라.
2단계: 기성품 AI를, 내 공정에 맞춰 붙이기
2단계는 반완성 AI다. 비전 모델도 대화형 모델도 이미 존재한다. 당신은 누군가 — SI 업체나 벤더의 구축팀 — 에게 그것을 당신 워크플로우에 연결하도록 돈을 낸다. 입고 도크 위에 달린 카메라가 파렛트 라벨을 읽고, 박스를 세고, 그 자리에서 수량 불일치에 깃발을 꽂는다. 또는 매일의 택배 청구서를 AI에 먹여 수상한 부대 요금을 하이라이트한다.
이 단계는 프로젝트형으로, 보통 수천 달러에서 수만 달러대, 구축 기간은 년이 아니라 주 단위다. 회수 논리는 깔끔하다. 반복적인 사람의 검수 작업을 대체하는 것.
하지만 나는 소규모 창고 사장들이 두 개의 지뢰를 밟는 것을 봤다.
지뢰 하나: 쓰레기 데이터. "쓰레기 넣으면 쓰레기 나온다"는 소규모 창고에 가장 세게 때린다. 재고 정확도가 85%라면 "스마트 보충" 계산은 모두 오차를 키울 뿐이다. 작년 이 장면을 직접 봤다 — 한 사장이 비전식 순환 재고조사 설비에 돈을 냈고, 카메라는 선명하고 인식률도 탄탄했다. 그런데 시스템 로케이션이 물리적 현실과 안 맞는다는 게 드러났다. AI는 로케이션 A를 세고 있는데 상품은 로케이션 C에 있었다. AI가 실제로 돌아가기까지 벽에서 벽까지 전수 조사와 마스터 데이터 정리에 석 달을 썼다. 순서를 거꾸로 하면 돈이 날아간다. 내 규칙: 재고 정확도가 95%를 넘지 않으면 AI 얘기는 꺼내지 마라 — 순환 재고조사 얘기나 해라.
지뢰 둘: 꿈을 파는 벤더. POC 단계는 언제나 마법 같다 — 무료 체험, 정확도 99%. 그러다 계약서가 온다. 커스터마이징 비용, 구축 비용, 연간 유지보수 비용이 쌓인다. 방어는 고전적이지만 효과적이다. 계약서에 성과 연동 조항을 넣거나, 최소한 인수 기준 — 가동 시작 3개월 내 시스템이 달성해야 할 지표 — 을 계약서에 써라. 그 지점에서 말을 흐리는 벤더와는 손절해라.
3단계: 직접 만들기 — 소규모 창고는 손대지 마라
3단계는 자기 알고리즘 팀, 직접 학습시킨 모델, 자체 프라이빗 배포다. 가격은 수십만 달러부터 시작하고 기간은 년 단위. 게다가 밑 빠진 독이다. 모델은 끊임없이 튜닝해야 하고, 데이터는 끊임없이 라벨링해야 하며, 뽑은 사람은 창고에 대해 아무것도 모를 수 있다.
직접적인 평결: 하루 수천 건 미만으로 출고한다면 향후 3년은 이 단계에 손대지 마라. AI가 나빠서가 아니라, 당신 물량으로는 계산이 안 맞아서다. 거인들이 3단계를 만드는 건 하루 수십만 건을 출고하기 때문이다 — 효율 1% 개선이 천문학적 돈이다. 당신은 하루 800건을 출고한다. 피킹 경로가 10% 개선돼도 데이터 사이언티스트 한 명 연봉만큼의 인건비도 못 아낀다.
그렇다면 왜 비용 곡선은 계속 떨어져 왔을까? 세 가지 이유다. 첫째, 클라우드 컴퓨팅이 싸졌다 — 학습도 추론도. 둘째, 기성품 모델이 계속 좋아져 벤더들이 제로에서 시작하지 않는다. 셋째, WMS와 장비 벤더들이 개발 경쟁 중이다 — AI 기능이 비싼 옵션에서 표준 장비로 옮겨가고 있다. 수십 년 전 바코드 스캔이 그랬던 것처럼. 이 힘들이 합쳐져 1단계는 계속 싸지고 좋아지는 반면, 3단계는 거인들의 게임으로 남는다.
소규모 창고는 실제로 어디서 시작해야 할까? 우선순위대로 세 가지 진입점.
첫째, 결품 경고와 보충 제안. 리스크가 가장 낮고, 효과가 가장 눈에 띄며, 실수해도 치명적이지 않다 — 최종 결정은 당신이 쥐고 있다.
둘째, 지능형 피킹 작업 배정. 이건 무시하지 마라. 하루 대략 천 건을 넘기면 시스템이 자동으로 오더를 웨이브로 묶고 작업을 배정하게 하는 게, 수작업 배차보다 시간 절약에서도 오류 감소에서도 이긴다.
셋째, 입고 시 비전 지원. 박스 세기, 라벨 대조, 예외는 사진으로 기록에 남기기. 입고는 분쟁이 시작되는 곳이고, 객관적인 기록이 많은 말다툼을 잠재운다.
이제 찬물을 끼얹겠다. AI가 당신 대신 창고를 관리해주지는 않는다 — 가장 먼저 죽여야 할 기대가 이거다. 공정이 엉망인 창고는 AI를 넣으면 실수를 더 빠르고 더 자동으로 저지를 뿐이다. 내가 본 성공적인 AI 도입에는 모두 공통점이 있다. 사장이 먼저 기본기를 다졌다는 것. 깔끔한 로케이션 코딩. 정기적인 순환 재고조사. 실제로 지켜지는 SOP. AI는 증폭기다 — 당신이 이미 갖춘 관리 수준을 증폭한다. 좋은 것은 더 좋아진다. 나쁜 것은 더 빨리 나빠진다.
타임라인도 주겠다. 2026년부터 2028년까지 1단계 AI는 소규모 창고용 WMS 플랫폼의 표준 장비가 되고, 이를 건너뛰는 곳은 인건비에서 뒤처진다. 2단계는 계속 더 플러그앤플레이가 되고, 도입 장벽은 더 낮아진다. 3단계는 당신 일이 아니다. 실무적 제안: 이번 주에 WMS 벤더에 전화해서, 돈을 내고 있는데 아직 켜지 않은 AI 모듈이 뭔지 물어봐라. 많은 소규모 창고 사장들에게 첫 AI 걸음은 이미 구독료 안에 있다 — 아무도 안 알려줬을 뿐이다.
영어판 번역본입니다. 내용이 다를 경우 영어판을 우선합니다.
