"창고 AI의 데이터 플라이휠: 선행 주자가 해자를 구축하는 이유"

"창고 AI 데이터 플라이휠"이라는 말이 공급망 업계에서 점점 자주 등장하고 있다. 창고 AI 시스템을 많이 쓸수록 데이터가 많이 쌓이고 모델이 더 정확해지며, 정확해질수록 사람들이 더 많이 의존하고, 의존이 늘어날수록 데이터가 다시 더 많이 쌓인다——. 하지만 내가 추적해 온 창고 AI 도입 사례들을 보면, 이 플라이휠은 전설처럼 부드럽게 돌지 않는다. 일부 시나리오에서는 실제로 존재하지만, 다른 시나리오에서는 비전에 더 가깝다. 이를 제대로 이해하려면 먼저 데이터를 보고, 그다음 귀인을 따져야 한다.

창고에서 데이터 플라이휠이 실제로 도는 곳

창고에서 데이터 플라이휠은 슬로건이 아니다. 구체적이고 검증 가능한 세 가지 형태가 있다. 첫째, 수요 예측과 보충이다. 과거 주문과 재고가 모델에 들어가고, 모델이 SKU 단위 예측을 내고, 예측이 보충과 슬롯팅을 이끌며, 실제 판매가 새로운 학습 데이터가 된다. 둘째, 비전 검사다. 입고 검사, 파손 감지, 재실사——모든 육안 검사는 무료 어노테이션을 겸한다. 셋째, 로봇 작업 할당이다. AMR 한 번의 이동이 이동 시간을 기록하고, 한 번의 파지가 성공인지 실패인지를 기록한다——데이터가 태어날 때부터 라벨이 붙어 있어 2차 가공이 필요 없다.

플라이휠의 진짜 회전 속도를 관찰하려면 충분히 긴 타임라인이 필요하고, 아마존의 창고 로보틱스 네트워크가 최고의 공개 샘플이다. 2012년 Kiva Systems 인수, 대규모 GTP(Goods-to-Person) 로봇 전개. 2022년 공개된 Sparrow 암은 재고 품목의 약 65%를 처리한다고 알려졌고, 2024년에는 75만 대가 넘는 이동 로봇을 발표했다. 12년——모든 피킹, 모든 파지, 모든 실패가 점진적 학습 데이터가 되었다.

Sparrow의 진화는 이 메커니즘을 보여준다. 초기의 암은 정해진 위치의 정형 상품만 다룰 수 있었다. 파지 데이터가 쌓이면서 비정형 상품과 유연 포장 상품의 성공률이 올라갔고, 아마존은 더 많은 카테고리에 전개할 수 있게 되었다——역량 경계→데이터 증가→역량 경계. 포인트는 알고리즘의 정교함이 아니다——파지 계획 프레임워크는 학계에 오래전부터 공개되어 있었다——아마존이 남들은 얻을 수 없는 "진짜 실패 라벨이 붙은" 파지 데이터를 쥐고 있다는 점이다.

두 번째 샘플은 수요 예측이다. 2024년 말부터 2025년 초까지 나는 두 개의 대형 이커머스 풀필먼트 센터를 연구했다——하나는 중국 동부, 하나는 중국 남부에 있었고, 하루 약 80,000~120,000건의 주문을 처리하며, 모두 2023년경부터 SKU 단위 ML 판매 예측을 운영하고 있었다. 가동 1년 후 두 곳의 결품률은 약 6%에서 약 4%로 떨어졌고, 비인기 재고의 체류 일수도 약 20% 줄었다. 두 회사의 공급망 책임자는 거의 같은 말을 했다. "가동 직후의 모델은 기획 담당자의 직감보다 못했다. 데이터가 6개월 쌓인 뒤에야 앞서 나갔다"고. 플라이휠의 첫 반 바퀴는 적자로 돈다——후발주자가 가장 과소평가하는 지점이다.

선행 주자가 더 빠르게 도는 이유

귀인은 세 가지 메커니즘으로 정리된다. 첫째, 라벨링된 자산의 복리 효과다. 창고에서는 업무 행동 자체가 어노테이션이다——육안 검사, 예외 처리, 재고 차이, 하나하나에 라벨이 붙어 있다. 선행 주자는 일찍 가동했기 때문에 이 "무료 어노테이션"의 복리가 일찍 시작되었다. 후발주자는 같은 알고리즘을 살 수 있지만, 수년간의 라벨링된 자산은 살 수 없다. 둘째, 피드백 루프의 속도다. 회전 속도를 정하는 것은 데이터량이 아니라 한 사이클이 도는 데 걸리는 시간이다——데이터→모델→의사결정→새 데이터. 아마존 풀필먼트 네트워크에서는 이 사이클이 시간 단위로 측정되고, 수요 예측에서는 일 단위다. 사이클이 짧을수록 선행 주자의 리드는 더 빨리 벌어진다. 셋째, 롱테일 커버리지의 폭이다. 비정형 상품 파지 방법, 성수기 주문 웨이브 나누는 법, 예외 처리법. 후발주자가 공개 데이터셋으로 학습한 모델은 표준 시나리오에서는 비등하게 동작하지만, 롱테일에서는 격차가 즉시 벌어진다——창고는 롱테일 시나리오의 보고다.

불편한 진실: 플라이휠은 저절로 돌지 않는다

여기까지는 선행 주자의 이야기처럼 들린다. 하지만 먼저 직관에 반하는 세 가지 판단이 있다——이것이 플라이휠이 도는지조차 결정한다.

첫째, 플라이휠에는 콜드스타트 임계값이 있고, 절대 낮지 않다. "많이 쓸수록 정확해진다"는 사람들이 쓰고 싶어할 만큼 시스템이 이미 충분히 정확할 때만 성립한다. 초기의 정확도가 사람보다 뒤처지면 현장은 이를 우회하고 데이터 흐름은 마른다. 위의 두 창고가 첫 6개월을 살아남은 것은 기술 덕분이 아니라 경영의 명령 덕분이었다. 예측 아웃풋을 보충에 반드시 쓰라는. 조직적으로 강제된 클로즈드 루프가 없으면 첫 한 바퀴는 절대 일어나지 않는다. 많은 창고 AI 프로젝트가 바로 여기서 죽는다. 데이터는 있다, 모델도 있다, 하지만 프로세스에는 모델이 "반드시 거쳐야 할" 자리가 마련되어 있지 않다.

둘째, 데이터는 열화한다. 창고 데이터에는 숨은 적이 있다. 분포 이동(distribution shift)이다. SKU 믹스의 대대적 개편, 이전, 표준품에서 비표준품으로의 전환——오래된 데이터는 빠르게 부패한다. 의류로 3년 학습한 비전 모델이 자동차 부품 창고에서는 하룻밤 새 정확도가 반으로 떨어질 수 있다. 데이터 해자의 유통기한은 시나리오의 안정성이 정한다. 시나리오가 안정적일수록 해자는 깊고, 변화가 빠를수록 빨리 증발한다.

셋째, 플라이휠은 초기 편향을 증폭한다. 초기의 어노테이션 품질이 나쁘거나, 체계적으로 편향된 라벨링 규칙이라면, 빨리 돌수록 편향의 증폭도 빠르다. 나는 한 번 분류 이상 감지 프로젝트에서 "약간 구겨진 포장"이 초기에 대량으로 "파손"으로 라벨링된 사례를 봤다. 가동 후 모델은 점점 엄격해졌고, 오검지율은 계속 올랐으며, 현장은 결국 자동 차단 기능을 껐다. 플라이휠에는 방향 감각이 없다——가속할 뿐이다.

이 세 가지 판단은 어떤 시나리오가 플라이휠에 베팅할 가치가 있는지를 판단하는 프레임워크가 된다.

이 다섯 가지 차원 중 셋 이상이 오른쪽 열에 해당한다면, "많이 쓸수록 정확해진다"는 십중팔구 그저 비전일 뿐이다——투자하기 전에 콜드스타트와 클로즈드 루프 설계를 해결하라.

후발주자를 위한 세 가지 추격 경로

선행 주자의 해자는 후발주자에게 길이 없다는 뜻이 아니다. 나는 세 가지 실현 가능한 경로를 본다. 첫째, 사전학습 모델 + 가벼운 파인튜닝이다. 대규모 비전 모델의 등장이 게임을 바꿨다. 한때 수십만 장의 라벨링된 이미지가 필요했던 파손 감지가, 이제는 자사 창고의 수천 장 이미지로 파인튜닝하면 실용 정확도에 도달한다. 다만 사이트 고유의 이력 깊이가 필요한 수요 예측에는 별로 효과가 없다. 둘째, 데이터 동맹이다. 하나의 중규모 창고로는 플라이휠을 유지할 수 없지만, 수십 개가 비식별화된 운영 데이터를 모으면 의미 있는 학습 세트를 만들 수 있다. 일부 유럽 3PL은 이미 이 방식으로 실험하고 있다. 데이터는 각 회사의 시스템에서 나가지 않고, 모델의 그래디언트나 비식별화된 특성만 공유한다. 어려움은 기술이 아니라 신뢰와 이익 배분이다. AI의 문제가 아니라 비즈니스의 문제다. 셋째, 비대칭 경쟁이다. 플라이휠이 돌 수 없는 시나리오를 고르는 것이다. 비표준품 창고, 맞춤 제조를 서빙하는 창고, 회전이 빠른 패스트패션 창고——데이터 열화가 너무 빨라 선행 주자의 이력상 우위가 대부분 증발한다. 후발주자는 여기서 같은 출발선에서 시작할 수 있다. 해자는 팔 수 있는 곳에만 존재한다.

앞으로 3~5년의 타임라인

아래의 내 판단은 모델 역량 곡선의 역사적 기울기, 어노테이션 비용 하락, 지난 5년의 창고 자동화 침투 속도에 근거한다——반증 가능하고 타임스탬프가 찍힌 판단이다. 몇 년 후에 다시 돌아보길 바란다.

2026년부터 2028년: 창고 비전 AI의 사전학습 모델이 표준 장비가 되고, 중규모 사업자는 "80점짜리" 비전 검사를 적정한 비용으로 살 수 있게 되며, 이 영역에서의 선행 주자 우위는 눈에 띄게 희석된다. 한편 수요 예측의 우위는 계속 벌어진다——이는 사이트 고유 데이터의 축적 깊이로 결정되고, 사전학습 모델로는 도울 수 없다.

2028년부터 2030년: 지역별·카테고리별 데이터 동맹이 등장하고, 리딩 3PL은 "데이터 대 알고리즘 서비스" 거래를 시작한다. 알고리즘은 계속 상품화되고, "데이터 엔지니어링 + 클로즈드 루프 운영" 팀에 대한 프리미엄이 오른다——돈을 주고 살 가치 있는 인재는 모델을 튜닝할 수 있는 사람이 아니라, 플라이휠을 돌릴 수 있는 사람이 된다.

열린 질문 하나를 남기며 마친다. 데이터가 정말 해자라면, 그 물은 판 사람의 것인가, 아니면 물이 흐르는 모든 땅의 것인가. 데이터 동맹과 규제가 모두 등장하는 가운데, 오늘의 선행 주자들의 패는 5년 후에도 얼마나 가치가 있을까. 표준 답은 없다——하지만 창고 AI에 베팅한다면, 먼저 자신만의 답을 가지고 있어야 한다.

Dr. Chen, 공급망 연구원 지음

영어판 번역본입니다. 내용이 다를 경우 영어판을 우선합니다.