원칙부터 시작하겠습니다. 대부분의 창고가 틀리는 지점이기 때문입니다. 창고 팀이 실제로 따르는 AI 도입 단계는 세 개의 층을 설치하는 것으로 생각할 수 있습니다. 첫 번째 층은 눈입니다. 컴퓨터 비전입니다. 두 번째 층은 뇌입니다. 수요 예측과 최적화입니다. 세 번째 층은 손입니다. 로봇이 실제로 일을 하는 것입니다. 너무 많은 창고가 눈을 설치하기도 전에, 뇌가 먹을 데이터도 없는데 손부터 사려고 합니다. 그러면 손은 공급업체의 데모 영상에서만 움직입니다. 걷기도 전에 뛰려는 것과 같습니다. 넘어지는 것은 확실합니다.

MIT와 Mecalux가 2025년에 실시한 글로벌 연구에서는 공급망과 창고 전문가 2,000명 이상을 조사했고, 그 결과는 곱씹어 볼 만합니다. 기업의 92.1퍼센트가 이미 AI를 도입하고 있으며, 계획이 전혀 없는 기업은 1.7퍼센트에 불과합니다. 일반적인 투자 회수 기간은 불과 2~3년이며, 기업의 87퍼센트는 향후 2~3년 안에 AI 예산을 늘릴 것으로 예상합니다. 따라서 문제는 더 이상 AI를 도입할 것인지가 아닙니다. 당신이 어느 단계에 있는지입니다. 세 단계를 소개합니다. 그 안에서 자신을 찾아보십시오.

1단계: AI 도입 파일럿 — 먼저 하나의 숫자를 증명하라

1단계의 목표는 정확히 한 가지입니다. 측정 가능한 숫자로, AI가 당신의 창고에서 돈을 번다는 것을 증명하는 것입니다. 슬라이드 자료가 아닙니다. 데모가 아닙니다. 하나의 사용 사례, 하나의 지표, 90일. 숫자가 움직이는지 아닌지 지켜보십시오.

수요 예측은 시작하기 가장 안전한 곳입니다. 업계 도입 경험에 따르면 중규모 예측 파일럿은 6~10주가 걸립니다. 데이터 준비와 정제에 3~4주, 모델 학습과 검증에 2~3주, 통합과 테스트에 2~3주입니다. 비용은 주요 20~50개 SKU 또는 제품 카테고리를 대상으로 하는 파일럿 기준으로 대략 20,000~50,000달러입니다. 이 숫자를 인용할 수 있는 이유는 공급업체의 가격표가 아니라 공개된 도입 벤치마크이기 때문입니다. 컴퓨터 비전도 또 하나의 좋은 출발점입니다. 입고 도크의 카메라는 들어오는 각 팔레트를 촬영하고, 라벨을 읽고, ASN과 대조합니다. 불일치는 몇 시간이 아니라 몇 초 만에 표시됩니다. 업계 도입 사례에서 드론 또는 천장 카메라 시스템은 200,000제곱피트 규모의 창고 전체 팔레트 위치를 한 시간 이내에 셀 수 있습니다. 수동 재고 실사는 3명의 팀이 이틀 걸립니다.

1단계의 종료 기준은 구체적입니다. 파일럿 지표가 목표를 달성하고, 데이터 파이프라인이 사람의 손을 빌리지 않고 돌아가며, 팀원 중 최소 한 명이 모델의 출력을 읽고 설명할 수 있어야 합니다. 이 기준을 통과하지 못하면 다음으로 넘어가지 마십시오. 파일럿을 계속하거나 다른 사용 사례를 선택하십시오. 많은 창고가 1단계에서 좌절하는데, 원인은 대개 범위 선택의 실수입니다. '창고 전체의 지능형 스케줄링'으로 시작하고, 90일 후에도 보여줄 숫자가 없습니다. 상사는 그것을 보고, 그 건물에서 AI는 수년간 끝입니다.

2단계: AI 도입 스케일업 — 대부분의 프로젝트가 죽는 곳

2단계에서는 검증된 한 지점을 선으로, 그리고 면으로 확산시킵니다. 예측은 50개 SKU에서 전체 카탈로그로, 비전은 입고에서 품질 관리와 재고 실사로, 인력 계획과 슬롯 배치는 WMS의 일상 업무에 연결됩니다. 창고 팀이 실제로 따르는 AI 도입 단계 중 이것이 가장 어렵고, 가장 많은 프로젝트가 죽는 곳입니다.

왜일까요? 1단계는 하나의 프로젝트 팀이 열심히 일하면 해낼 수 있습니다. 2단계는 당신의 데이터와 프로세스 기본기를 시험합니다. 같은 MIT와 Mecalux 연구의 숫자 하나를 생각해 볼 만합니다. 조직의 57.5퍼센트가 스스로를 고도 또는 완전 자동화 성숙도 수준으로 평가하는 반면, 여전히 대부분 수작업인 조직은 11.7퍼센트에 불과합니다. 다시 말해, 대부분의 창고에 부족한 것은 장비가 아닙니다. 깨끗한 데이터입니다. 주문 데이터가 세 개의 서로 다른 시스템에 흩어져 있습니까? 고객 이름이 2년 동안 정리되지 않았습니까? 그렇다면 모델은 더러운 데이터를 먹고 더러운 결론을 냅니다. 업계의 합의는 단호합니다. 예측은 과거 데이터만큼만 좋을 뿐이며, 데이터가 더럽다면 AI가 뭔가 유용한 일을 하기 전에 데이터 위생 단계가 필요합니다.

그리고 가짜 요구사항이 있습니다. AI 인력 스케줄링에 많은 돈을 쓴 창고를 본 적이 있는데, 생성된 근무표가 교대 감독자가 손으로 짠 것보다 못했습니다. 감독자는 계속 경험으로 스케줄을 짰고, 시스템은 가구가 되었습니다. 이것은 교과서적인 가짜 요구사항입니다. 문제는 애초에 알고리즘 문제가 아니라 프로세스 문제였고, 어떤 알고리즘도 그것을 고치지 못합니다. 제 테스트는 간단합니다. AI를 그림에서 빼보십시오. 프로세스 개선만으로 문제의 절반을 해결할 수 있습니까? 그렇다면 먼저 프로세스를 고치고, AI는 정말 필요한 곳에만 쓰십시오.

2단계에는 자체 합격 테스트가 있습니다. 확장 후 주문당 비용 또는 주문당 노동 시간이 파일럿 예측보다 좋아야지, 나빠져서는 안 됩니다. 확장하면 비용이 올라간다면 데이터 파이프라인이나 통합이 망가진 것입니다. 확장을 멈추고 파이프를 고치십시오.

3단계: 자율 실행 — '무인화'라고 부르기에 서두르지 마십시오

3단계에서는 AI가 조언을 멈추고 실행을 시작합니다. Dematic의 제품 팀은 이를 기기, 걷기, 뛰기라고 표현합니다. 기는 단계에서는 AI가 인간이 개입된 상태에서 의사결정을 지원합니다. 걷는 단계에서는 AI가 신뢰도 점수와 함께 조치를 제안하고, 예를 들어 90퍼센트와 같은 임계값을 넘는 것은 자동으로 실행되며, 신뢰도가 낮은 항목은 인간의 검토로 넘어가고, 피드백이 모델을 학습시킵니다. 뛰는 단계에서는 여러 전문 에이전트가 협력하여 의사결정을 내리고 실행하며, 인간은 전략과 가드레일을 설정합니다. 2025년 9월에 발표된 Gartner의 창고 AI 로드맵도 같은 논리를 네 단계로 따릅니다. 전통적인 최적화, 생성형 AI, 반자율 에이전트, 물리적 AI이며, 각 단계는 아래 단계의 규율을 전제로 합니다.

솔직히 말하면, 3단계는 더 비싼 시스템이 아닙니다. 처음 두 단계에서 쌓은 신뢰가 마침내 충분해졌다는 뜻입니다. 모델은 몇 분기 연속으로 정확하게 예측했고, 비전 시스템의 오경보율은 낮게 유지되었으며, 팀은 데이터로 의사결정하는 데 익숙해졌습니다. 그제야 실행을 맡기는 것이 안전합니다. 2단계를 건너뛰고 3단계에서 성공한 사람은 본 적이 없습니다.

그리고 솔직한 한마디. 완전 자율의 무인 창고는 2027년의 일이 아니며, 2030년의 일도 아닙니다. 비정형 환경에서의 범용 피스 피킹은 아직 그 수준에 이르지 못했고, '내년에 무인화'라고 말하는 사람은 뭔가를 팔고 있는 것입니다.

세 단계 비교표입니다. 자신을 찾아보십시오.

1단계: 파일럿 2단계: 스케일업 3단계: 자율 실행
목표 하나의 숫자 증명 점에서 면으로 확산 AI가 직접 실행
대표 사용 사례 수요 예측, 입고 비전 전체 카탈로그 예측, 품질 관리, 실사, 인력 계획 신뢰도 기반 자동 실행, 다중 에이전트 협업
시간 기준 6~10주 시나리오별로 확장 수분기의 검증을 거친 뒤
종료 기준 지표 달성, 파이프라인 가동 주문당 비용 개선 신뢰 축적, 오경보율 안정적으로 낮음
가장 흔한 실패 원인 범위 과다 더러운 데이터, 망가진 프로세스 2단계 건너뛰기

그렇다면 돈을 쓸 가치가 있을까요? 숫자 하나를 보십시오. 90일 파일럿 후 주문당 비용이 내려갔습니까? 그렇다면 2단계로 가십시오. 아니라면 새로 아무것도 사지 마십시오. 돌아가서 데이터와 프로세스를 확인하십시오. 창고 팀이 실제로 따르는 AI 도입 단계에서 가장 어려웠던 부분은 결코 알고리즘이 아니었습니다. 기초를 제대로 할 의지가 있는지 여부입니다.

Da Liu, 자동화 엔지니어 지음 영어판 번역본입니다. 내용이 다를 경우 영어판을 우선합니다.