몇 장의 피치 덱은 건너뛰게 해 주자. 지난 2년간 수십 건의 창고 AI 데모를 봤는데, 패턴은 항상 같다. 아름다운 슬라이드, 영웅적인 숫자, 그리고 실제 현장을 방문하면 훨씬 작은 이야기다.
나에게 중요한 데이터 포인트는 하나다. 2025년 6월, Amazon은 전 세계 300개가 넘는 시설에 배치한 창고 로봇이 100만 대에 도달했다고 발표했다. 같은 해 로봇 플릿을 오케스트레이션하기 위해 구축한 AI 모델 DeepFleet을 출시했는데, Amazon에 따르면 플릿 이동 효율이 약 10퍼센트 개선된다고 한다. 이는 Amazon의 숫자이지 독립 감사의 결과가 아니다. 하지만 규모가 중요한 사실을 알려준다. 창고에서는 계산이 가장 깨끗한 곳에 AI가 가장 먼저 들어간다.
실제로 투자할 세 가지 베팅
베팅 하나: 영상 기반 품질 검사와 예외 탐지. 입고 검증, 출고 감사, 포장 라인의 파손 탐지. 왜 가장 먼저 회수될까? 루프가 짧기 때문이다. 컨베이어 위에 카메라를 두고, 모든 소포를 촬영하고, 모델이 파손, 잘못된 라벨, 수량 불일치를 플래그한다. 사람은 예외만 건드린다. 데이터는 이미 있다. 창고는 클레임 때문에 어차피 소포를 촬영한다. 그리고 ROI는 읽기 쉽다. 감사 노동 시간 감소, 오배송 감소, 반품 감소.
이 분야는 스토리텔링 단계를 넘어섰다. 벤더들은 입고·출고용으로 한 번의 스캔으로 파렛트 전체를 360도로 촬영하는 카메라 어레이를 판다. 어떤 것은 파렛트 처리 속도가 몇 배가 된다고 주장한다. 벤더 숫자는 항상 부풀려지니 방향은 인정하고 크기는 할인한다. 사람이 파렛트 하나를 감사하는 데 몇 분이 걸리는 것을 카메라 어레이는 몇 초 만에 한다. 주장의 절반만 해도 계산이 맞는다.
베팅 둘: 수요 예측과 노동 계획. 인건비는 창고 운영비에서 가장 큰 항목이다. 예측을 잘못하면 사람을 세워두고 돈을 주거나, 잔업으로 교대조를 날려버리거나 둘 중 하나다. 여기서 AI의 가치는 신비로운 정확도가 아니라 계획의 분산을 흡수하는 것이다. 하루에 수만 건의 주문을 출고하는 시설은 몇 포인트의 스케줄 오차로 매달 실제 돈을 잃는다. 그리고 데이터 요구 조건은 까다롭지 않다. 과거 출고량, 프로모션 캘린더, 계절성. 이미 손에 있는 것뿐이다.
예측에 대해 한 가지 더. 완벽할 필요는 없다. 일요일 밤에 감으로 짜는 플래너의 스케줄보다 나으면 된다. 대부분의 창고는 아직도 경험과 지난주 숫자로 노동 계획을 세운다. 예측 오차를 절반으로 줄여주는 모델이면 이미 대가를 치를 가치가 있다. 데이터 레이크는 필요 없다. 필요한 것은 깨끗한 3년치 출고 기록이다.
베팅 셋: AMR 플릿 오케스트레이션. 한 대의 AMR은 싸다. 가치는 40대가 통로에서 서로를 막지 않는 데 있다. 라우팅은 순수한 수학 문제이며, 바로 그게 AI가 잘하는 일이다. DeepFleet 사례는 시사하는 바가 크다. 100만 대의 로봇, 이동 효율 약 10퍼센트 개선, 그 규모로 곱해진다. 진짜 돈이다. 작은 플릿이 Amazon의 숫자를 보지는 못하겠지만 원칙은 성립한다. 차량이 많을수록 더 똑똑한 배차의 한계 수익은 높아진다.
공통점을 한 문장으로 정리하면: 범위가 명확한 업무, 기존 데이터, 정량화 가능한 대가. 이야기가 아닌 도구로서의 AI다.
움직일 생각이라면 첫날부터 전 사업장에 펼치지 마라. 하나의 컨베이어나 하나의 감사 스테이션에서 파일럿을 하고, 두 달간 돌려서, 예외 적발률과 절감된 노동 시간을 측정하고, 그다음에 확대를 결정해라. 파일럿은 비용이 적게 들고 실제 데이터를 사준다.
두 가지 함정
함정 하나: 창고 운영용 범용 "AI 고객 서비스"나 Q&A 어시스턴트. 창고 문제는 Q&A 문제가 아니다. 고객이 "화물이 어디 있느냐"고 물으면 답은 지식베이스에 있는 게 아니라 시스템 데이터에 있다. 봇이 두 번 틀리면 고객은 사람을 요구하고, 사람은 처음부터 조회를 다시 시작한다. 3PL이 AI 서비스 에이전트를 도입했다가 6개월 뒤에 조용히 폐기하는 걸 본 적이 있다. 서비스 매니저의 평가는 이렇다. "뭐든 답하는데, 맞는 건 한 번도 없다."
벤더들이 항상 데모하는 걸 봐라. "입고 시간이 언제인가요." 절대 데모하지 않는 것도 봐라. "PO 4471이 박스 2개 부족한 이유가 뭐냐." 팀이 일주일에 50번 실제로 답하는 질문이다. 이건 실시간 데이터, 판단, 전화 통화가 필요하다. 챗봇은 세 가지 중 하나도 없다.
더 깊은 문제가 있다. 이런 도구들은 반복 질문을 없앤다고 약속하지만, 창고에서 반복 질문은 망가진 프로세스의 신호다. 신호를 AI로 감싸도 프로세스는 고쳐지지 않는다. 구독료만 추가될 뿐이다.
함정 둘: 쓰레기 데이터 기반의 예측 분석. 재고 정확도는 엉망, 로케이션 데이터는 몇 달째 업데이트 안 됐는데, AI가 보충을 예측해주길 바란다고? 모델 출력은 세련돼 보이는데 완전히 틀렸다. AI의 상한은 데이터 품질이고 하한도 그렇다. 쓰레기를 넣으면 쓰레기가 나온다. AI 시대에는 쓰레기가 더 빨리 움직인다. 이제 틀린 발주가 자신감 넘치게 자동으로 나가기 때문이다.
나의 규칙은 단순하다. AI 프로젝트가 "절감된 노동 시간"이나 "줄어든 오배송과 반품"으로 대가를 말하지 못하면 서명하지 마라. 분위기로 파는 것은 전부 함정으로 취급해라.
나의 2027년 타임라인
첫째: 2027년 말까지 영상 검사는 중대형 창고의 표준 장비가 된다. 오늘날의 바코드 스캔처럼. 기술이 마법이라서가 아니다. 카메라와 컴퓨트가 계속 싸지고 계산이 계속 쉬워지기 때문이다.
둘째: 예측과 오케스트레이션은 계속 벌어진다. 탄탄한 데이터 기반을 가진 창고는 복리로 수익을 얻고, 없는 창고는 파일럿에서 계속 돈을 잃는다. 2027년에는 "AI 수요 예측 프로젝트 실패" 헤드라인이 물결처럼 밀려올 것이다. 놀라지 마라. 돌아와서 이 글을 다시 읽어라.
셋째: AI 서비스 에이전트와 범용 어시스턴트는 2027년 내내 창고 운영에서 조연에 머문다. 창고에 필요한 것은 실행이지 대화가 아니다. 먼저 프로세스를 고치고, 그다음에 지능을 이야기하자.
마지막으로 솔직한 질문으로 끝내자. 지금 재고 정확도가 얼마인가? 95퍼센트 아래라면 AI 얘기는 건너뛰고 대신 순환 재고 조사 얘기를 하자. 데이터가 버텨주지 않는 창고에서 AI는 그저 더 비싸게, 더 빨리 틀리는 방법일 뿐이다.
영어판 번역본입니다. 내용이 다를 경우 영어판을 우선합니다.
