창고 AI 사후 분석에 반복 등장하는 장면은 알고리즘과 거의 관계가 없다. 비전 시스템은 인수 테스트를 통과하고, AMR은 루트를 달린다——그리고 3개월 후 현장은 그 대부분을 쓰지 않고 있다. 왜냐고 물으면, 답은 모델 정확도 얘기가 결코 아니다. 다시 쓰지 않은 SOP, 아무도 맡지 않은 예외, 옛날 일하는 방식을 계속 재는 KPI 얘기다. 프로젝트는 기술로 실패한 게 아니다. 변화 관리에서 멈췄다——예산 행이 보통 0으로 읽히는 그것이다.
이 패턴은 기술을 넘어 성립한다. 코터는 수십 년 전 『Leading Change』에서 지적했다. 변혁은 도구로 무너지는 일이 드물고, 그것을 중심으로 일을 재설계하지 않은 조직이 무너진다. 창고 AI는 그 이치를 답습하고 있다. 다만 더 빠르고, 훨씬 많은 현장 노동자가 영향을 받으면서다.
걸리는 지점은 세 영역에 모인다. 프로세스, 조직, KPI다. 각각 단독으로는 어떻게든 될 것 같아 보인다. 어려운 건 셋이 보조를 맞춰 움직여야 한다는 것이다.
변화 관리는 소프트웨어가 아니라 SOP에서 시작한다
AI가 창고에 들어올 때의 첫 질문은, 어떤 장비를 들이느냐가 아니라, 어떤 단계를 AI가 맡고, 어떤 게 사람에게 남으며, 둘이 엇갈릴 때 누가 이기느냐다. 그 답이 새 SOP다.
2024년 후반, 캘리포니아 온타리오 인근의 의류 반품 3PL이 파손·오포장 유닛의 AI 비전 검사를 도입했다. 기술은 한 번에 인수 테스트를 통과했지만, SOP는 수작업 버전 그대로였다. 검사원은 이전처럼 일했고, 이제는 스테이션 위에서 카메라가 알람을 울렸다. 며칠 만에 충돌이 표면화됐다——AI는 멀쩡해 보이는 유닛에 "손상 의심" 플래그를 세웠고, 에스컬레이션 경로가 없어 검사원은 리스크를 지지 않고 플래그 유닛을 전부 상세 수작업 검사로 돌렸다. 검사 구역이 막혔다. 2주 만에 현장은 AI 스위치를 껐다.
실패는 인식률이 아니었다. 인간과 기계의 분업을 위해 재설계되지 않은 프로세스다. 다시 쓴 SOP는 네 가지를 명기했다. AI는 신뢰도 티어付き 1차 스크리닝을 하고, 저신뢰도 유닛은 사람에게 넘긴다. 검사원은 AI 인계 리스트에서만 작업한다. 의견 불일치는 시프트 리드에게 올려 기록付き로裁定한다. 다툼案件은 훈련 샘플로 되돌린다. 그제야 시스템은 다시 본가동됐다——실제로 착지한 순간이다.
본가동 전 경영진에게 기대 하나 더. 파일럿 효율은 J커브를 그린다. 브리뇰프손 등은 생산성 J커브를 기술했다——새 기술이 온 뒤, 조직은 보완적 무형자산을 쌓을 시간이 필요하고, 측정되는 효율은 베이스라인 아래로 떨어졌다가 그것을 넘어 상승한다. 창고 말로 하면, 처음 몇 주간은 사람이 새 동작을 익히는 동안 같은 물량에도 노동 투입이 늘어날 수 있다. 그 기대가 없으면, 경영진은 커브 바닥에서 "이건 안 된다"고 선언하기 쉽다——투자는 매몰됐고, 보상은 아직 오지 않은 지점에서. 그래서 파일럿에는 단계 목표付き 정의된 램프가 필요하고, "먼저 내려갔다가 오른다"를 계획으로 만든다. 서프라이즈가 아니다.
현장의 AI는 누군가 맡아야 한다
프로세스는 "어떻게"를 답한다. 조직도는 "누가 책임지는가"를 답해야 한다. 본가동 후 첫 한 달은 계획 외 사태가 보장된다. AMR 태스킹이 피크에 이상해지고, 비전 정확도가 새 포장에 떨어지고, 프로모션에 예측이 빗나간다. 전통적으로 이런 문제에 주인이 없다——IT는 운영 탓, 운영은 시스템 탓을 하고, 모두의 문제가 되어, 즉 아무도 아닌 것이 된다.
2025년 초, 댈러스 인근 풀필먼트센터가 새 goods-to-person AMR 플리트로 바로 이걸 맞았다. 태스킹 엔진이 가끔 눈에 보이게 비효율적인 루트를 내고, 피커는 대기하고, 시프트 리드는 시스템을 오버라이드할 수 없다고 하고, IT는 알고리즘은 벤더 것이라고 했다. 신뢰는 거기서 빠져나갔다. 일부 피커는 시스템을 우회해 수작업으로 피킹하기 시작했다——우회할수록 데이터는 나빠지고, 태스킹은 더 나빠졌다. 교과서적인 악순환이다.
전환점은 조직 변경이었다. 현장은 "AMR 슈퍼유저"를 지명했다——6년 차 베테랑 피커로, 2주간 벤더와 태스킹 룰을 조정하러 파견됐다가 그 후 현장에 상주했다. 현장 문제는 먼저 그에게 갔다. 고칠 수 있는 건 그 자리에서 고치고, 나머지는 현장 데이터를 들고 벤더에 가져갔다. 이 역할은 세 가지를 했다. AI 시스템에 현장의 얼굴을 줘서 문제에 입구를 만들었다. 베테랑이 시스템을 테스트·조정하는 것은 현장 최대의 훈련이 됐다. 그리고 가장 미묘한 것, 현장에서 가장 경험 많은 자가 새 시스템을 공개 지지하면, 지켜보는 다수가 따른다. 프로스키의 ADKAR 모델——awareness, desire, knowledge, ability, reinforcement——에서는, desire가 탑다운 명령으로 만들어내기 가장 어렵다. 슈퍼유저는 그것을 현장 안쪽에서 만들어낸다.
조직 피스는 인원 얘기가 아니다. 두 가지 명시적 결정이다. 현장에서 AI 시스템을 누가 맡는지, 그리고 베테랑이 어떤 자격으로 참여하는지다. 데이터 라벨링, 테스트 참여, 예외 규칙 정의——그 일이 상급 직원을 변화의 대상에서 설계자로 바꾼다.
KPI는 핸들이다: 옛날 재는 법으로 재면 옛날 행동이 돌아온다
사람은 지표를 따른다——조직 행동에서 가장 안정적인 규칙성 중 하나다. AI가 일하는 법을 바꿔도 KPI가 아직 옛날 일하는 법을 기술할 때, 직원은 합리적으로 발로 투표한다.
전형적인 충돌은 시간당 유닛 수다. AMR 본가동 후, 피커의 일은 통로를 걷는 것에서 스테이션에서 기다리는 것으로 바뀌고, 대기 시간은 플리트 배차 효율에 달렸다——피커 통제 밖이다. KPI를 개인 시간당 픽 수 그대로 두면, 배차 삐끗이 매번 작업자 점수를 갉아먹는다. 합리적 반응은 시스템에 저항해 수작업으로 돌아가는 것이다. 품질 지표도 똑같이 왜곡된다. 비전 검사 본가동 후, "검사 오류율"의 분모는 인간이 검사한 전부에서, AI가 인계한 저신뢰도 유닛으로 바뀐다——분자와 분모가 동시에 움직이고, 역사 비교는 하룻밤에 깨진다.
대책은 일 자체와 함께 KPI를 재설계하는 것이다. 개인 시간당 유닛 수에서 인간-기계 셀 생산으로——스테이션 셀당 처리량으로, 시스템 대기 시간은 별도 추적해 개인 점수에서 제외한다. 오류율은 재베이스라인화한다. 1~2개월 이중 주행은 회계 비용에 값한다. 두 KPI를 병행 돌려 직원에게 새 계산식이 자신을 벌하지 않음을 보여준 뒤, 완전히 전환한다. 이중 주행은 장부 시간을 먹지만, 하드 전환의 행동 왜곡에 비하면 싸다. KPI는 핸들이다——승무원은 그것이 가리키는 방향으로 간다.
반직관적 제안: 변화 관리에 독자적 예산 행을 줘라
위의 전부——SOP 다시 쓰기, 슈퍼유저 배치, KPI 재설계, 훈련, 파일럿 손잡기——는 진짜 노동과 진짜 시간을 먹는다. 그런데 대부분 AI 프로젝트 예산에서는 "훈련" 행에 묻히거나 아예 존재하지 않고, "부서 협력"으로 흡수된다고 가정된다. 바로잡을 판단은 이렇다. 변화 관리는 소프트웨어 라이선스나 하드웨어와 나란한 1급 예산 카테고리에 속하고, 프로젝트 총예산의 명시적 비율을 가진다. 0이 아니다.
근거는 단순하다. 세 워크스트림은 측정 가능한 노력에 사상된다——SOP 다시 쓰기 사이클, 슈퍼유저 파견, 훈련 교대, 램프 용량 버퍼, 이중 주행 회계 노동. 합치면 쓸 만한 틀이 된다(비율은 저자의 권장 계획 범위).
| 예산 행 | 커버하는 것 | 권장 비율 |
|---|---|---|
| 프로세스 재설계 | SOP 다시 쓰기, 에스컬레이션 설계, 램프 계획 | 3%~5% |
| 조직イネ이블먼트 | 슈퍼유저 파견, 시드팀, 현장 참여 | 2%~4% |
| KPI 전환 | KPI 재설계, 이중 주행 회계, 커뮤니케이션 | 1%~3% |
| 훈련과 현장 지원 | 계층별 훈련, 현장 코칭, 매뉴얼 | 2%~4% |
| 파일럿 버퍼 | 램프 용량 손실, 롤백 예비 | 2%~4% |
합치면 약 10%~15%——반대쪽은 트레이드오프다. 빼면 예산서 숫자는 절약되지만, 지연, 재작업, 경우에 따라 유휴 시스템으로 낸다. 과소투자된 변화 관리에서의 재작업은, 제대로 자금 대는 것보다 일관되게 비싸다. 그리고 타이밍이 중요하다——이 돈은 일찍 써야 한다. SOP와 KPI는 본가동 전 확정하라. 나중의 시정은 기하급수적으로 비싸기 때문이다.
솔직히 말하자. 창고 AI 프로젝트는 예산서의 변화 관리 행으로 판단하라. 그 행이 없는 프로젝트는 기술 리스크를 안고 있지 않다. 조직 준비 리스크를 안고 있다.
프로젝트 활동에서 조직 역량으로: 열린 질문
줌아웃하면, 질문 자체가 바뀌고 있다. 변화 관리는 한때 본가동에 딸린 일회성 작업이었다. AI의 결정적 특징은 지속적 반복이다——모델은 재훈련되고, 규칙은 품목 변화에 조정되고, 인간-기계 경계는 계속 움직인다. "변화"는 정상 상태가 되어가고 있다. 버전 관리되는 SOP, 상설 슈퍼유저 역할, 일과 함께 움직이는 KPI다.
주목할 질문: AI가 "프로젝트"에서 일상의 창고 인프라로 바뀌면서, 변화 관리는 프로젝트 활동에서 조직 역량으로 졸업하는가? 프로세스-조직-KPI 3위일체를 제대로 한 기업은, 다음 사이클에 단순히 더 빨리 움직일 수 있을지 모른다——조직이 배우는 법을 배웠기 때문이다. 그것이야말로, 창고 AI 도입의 진짜 장기 수익이라고 주장할 수 있다.
Dr. Chen, 공급망 연구원 지음
영어판 번역본입니다. 내용이 다를 경우 영어판을 우선합니다.
