2026년이 끝났고, 올해의 창고 AI 지출에 성적을 매길 때가 왔다. 내 평가는 이렇다. 투자금을 회수한 프로젝트는 열 중 셋도 안 됐고, 순수한 수업료가 된 프로젝트는 열 중 넷이 넘었으며, 나머지는 '진행 중'이다. '진행 중'은 대개 죽었다고 말하기 싫을 때 쓰는 정중한 표현이다. 올해 나는 수십 곳의 창고를 돌아다녔다. 50,000제곱피트 규모의 3PL부터 400,000제곱피트 규모의 이커머스 풀필먼트 센터까지. 돈이 된 프로젝트는 모두 닮았다. 돈에 가깝고, 이미 존재하던 데이터로 먹이를 먹었으며, 아무도 매주 회의를 열지 않았다. 슬라이드 속에서 죽은 프로젝트들은 같은 결함을 공유했다. '동작한다'는 것이 실제로 무엇을 의미하는지 아무도 진지하게 생각하기 전에 돈이 먼저 쓰인 것이다. 이 리뷰는 AI를 조롱하려는 게 아니다. 2027년에 같은 수업료를 두 번 내지 않으려는 것이다.
돈이 된 세 가지 판돈
비전 기반 품질 관리. 입고와 출고 검사는 2026년 가장 확실한 AI 투자수익이 됐다. 논리는 단도직입적이다. 검사는 순수한 수작업이고, 놓친 불량은 실제 돈으로 돌아온다. 카메라가 대체한 한 시간 한 시간은 클레임과 반품 감소로 직접 나타난다. 창의적인 회계는 필요 없다. 캘리포니아 온타리오의 120,000제곱피트 3PL은 2025년 말에 출고 비전 검사를 도입했고, 카메라가 배송 라벨과 카톤 봉인을 확인한다. 약 80,000달러를 투자했다(관측 수치, 대략). 여섯 달 만에 오출고율이 약 0.4%에서 0.1% 미만으로 떨어졌다(관측 수치, 대략). 회피된 클레임과 재배송만으로 시스템 값을 했다. 트레이드오프도 중요하다. SKU 교체가 느리고 예외를 열거할 수 있는 곳에서 먹힌다. SKU가 몇 주마다 바뀌고 카톤이 이상한 모양으로 들어오는 곳에서는 모델이 새로운 외형을 쫓는 데 일생을 보내고, 절감액은 그대로 샌다.
인력 수요 예측과 스케줄링. 주문 이력을 이용해 수 주 앞의 인력 수요를 예측함으로써 스케줄링이 슈퍼바이저의 감에서 벗어나게 한다. 하루 약 30,000건을 처리하는 댈러스의 이커머스 창고는 2년째 이 방식을 쓰고 있다. 이 회사의 2026년 피크 시즌 임시 인력 지출은 전년보다 약 20% 낮게 나왔다(관측 수치, 대략). 모델의 영리함을 칭찬하지 마라. 2주 전 경고를 칭찬하라. '2주 뒤 화요일 오후에 40명이 모자랄 겁니다'라는 것을 알면, 슈퍼바이저는 당일 발을 구르며 대응하는 대신 교대를 조정하고 임시 인력 단가를 협상할 시간이 생긴다. 예상치 못한 보너스도 있었다. 스케줄이 현실에 가까워지면서 정규직의 초과근무 불만이 줄었고, 피크 시즌 이직률도 함께 내려갔다. 인사 담당자는 그게 2026년 가장 큰 놀라움이었다고 내게 말했다. 먼저 경고 하나. WMS 근태 데이터가 엉망이면 예측도 엉망이 된다. 예측을 사기 전에 2~3개월을 들여 인력 기록을 정리해라. 그렇지 않으면 더러운 데이터로 점치는 셈이다.
음성 피킹, 업그레이드판. 음성 지시 피킹은 오래된 기술이지만, 2026년은 더 나은 음성 모델이 시끄러운 환경에서 이 기술에 두 번째 삶을 준 해였다. 피닉스 외곽의 200,000제곱피트 식품 유통 센터는 연초에 8년 묵은 음성 시스템을 교체했다. 피킹 정확도는 99.2%에서 99.7%로 올랐다(관측 수치, 대략). 0.5%포인트를 얕보지 마라. 식품 유통에서 오피킹은 주문 전체를 다시 만드는 일이고, 피크 시즌에 하루 수십 건의 오류를 줄이는 것만으로 인건비와 포장비 측면에서 업그레이드 값을 한다. 내 판단. 이미 음성을 쓰고 있다면 이 업그레이드는 계산이 쉽고 도입 기간도 짧다. 제로에서 시작한다면 벤더 견적서의 숫자뿐 아니라 숨은 비용을 ROI에 넣어라. 헤드셋 파손, 교육 시간, 시끄러운 통로에서의 오인식까지.
돈을 태운 두 가지
디지털 트윈. 2026년 최악의 분야이며, 2위와의 격차가 크다. 세 곳의 창고가 트윈을 만드는 걸 지켜봤다. 4~6개월의 모델링, 납품일의 아름다운 대시보드, 그리고 다시는 아무도 열어보지 않았다. 기술이 문제가 아니다. 그 트윈이 답하는 질문('Zone A를 플로우랙으로 바꾸면 어떻게 될까요?')은 1년에 몇 번 나올까 말까인데, 모델을 유지하는 사람들에게는 매달 월급이 나간다. 80,000제곱피트 규모의 한 시설은 트윈에 약 150,000달러를 썼다(관측 수치, 대략). 1년 뒤에는 한 달에 한 번쯤 열리는 수준이었다(관측 수치, 대략). 가장 치명적인 디테일. 만들기 전에, 트윈이 답해야 할 질문이 무엇인지 아무도 적어두지 않았다. 내 판단. 레이아웃이 수년째 그대로이고 SKU 구성이 안정적인 창고에 트윈은 비싼 화면보호기다. 레이아웃 시뮬레이션을 상시 돌리는 운영만이 이 이야기를 할 자격이 있다.
범용 AI 어시스턴트. 재고 조회와 주문 상태 문의를 위한 챗봇은 인건비 절감처럼 들리지만, 실제로는 양쪽 끝에서 실패한다. 답이 있는 질문은 WMS에서 이미 세 번의 클릭으로 해결된다. 답이 없는 질문에는 어떤 인간도 감히 하지 못할 확신으로 답을 내놓는다. 한 3PL은 고객 서비스 AI를 도입해 1년 동안 약 제로의 인건비를 절감했다(관측 수치, 대략). 대신 새로운 역할이 하나 생겼다. 매일 지식 베이스에 먹이를 주는 사람이다. 월급까지 주면서. 규칙은 이렇다. 사내 지식 베이스가 정리되어 있지 않으면 AI 어시스턴트는 혼돈을 가속할 뿐이다. 먼저 SOP와 지식 베이스를 인간이 따라갈 수 있는 상태로 만들어라. 그 다음에 AI 이야기를 하자. 그렇지 않으면 당신이 사는 건 어시스턴트가 아니라 아주 유창한 변명 기계다.
같은 기술이 정반대의 운명을 맞은 이유
돌이켜보면 분기점은 명확하다. 돈이 된 프로젝트는 모두 세 가지 조건을 충족했다. 새로운 니즈를 만들어내는 대신 이미 존재하던 인건비를 대체했고, 데이터가 첫날부터 준비되어 있었으며('6개월 모아보고 보자'가 아니었다), 성공이 측정 가능했다는 것. 오출고율, 노동 시간, 정확도처럼. 그래서 인수일에는 논쟁이 없었다. 셋 중 하나라도 빠지면 수업료를 내는 것이다. 2026년 실패의 대부분은 같은 각본을 따랐다. 벤더가 비전을 그렸고, 창고가 먼저 돈을 냈으며, 인수 기준은 킥오프 이후 아무도 다시 읽지 않은 계약 부속 문서에 잠들었다. 이름 붙일 만한 패턴이 하나 더 있다. 모두가 새로운 습관을 들이기를 요구한 AI 프로젝트는 빨리 죽었고, 조용히 설치되어 아무도 괴롭히지 않고 일을 한 프로젝트는 오래 살았다. 이 규칙은 2027년에도 유효하다.
2027년에 내가 돈을 걸 곳
거창한 방향 제시는 없다. 내일부터 시작할 수 있는 세 가지 수다. 첫째, AI를 사기 전에 데이터를 감사하라. WMS 트랜잭션 기록, 노동 시간, 예외 클레임을 뽑아라. 빠짐이나 모순 없는 12개월 연속 기록을 내놓지 못하면 아직 예측 AI의 자격이 없다. 2027년 예산은 먼저 데이터 위생에 써라. 어떤 모델 구매보다 효과가 크다. 둘째, 2027년에 내가 실제로 걸 한 줄은 '예외 감지 + 인간 검토'다. 비전 품질관리가 그 패턴을 입증했고, 다음으로 성숙한 응용은 자동 입고 예외 차단이다. 파손, 수량 불일치, 잘못된 라벨. 카메라가 플래그를 달고, 사람이 확인한다. 기술은 준비됐고 계산도 맞는다. 셋째, 모든 AI 프로젝트에 90일 인수선을 그어라. 가동 90일 뒤에도 핵심 지표가 움직이지 않았으면 죽여라. 갱신도 없고 '최적화 한 라운드 더'도 없다. 2026년의 수업료는 한 번만 내고, 2027년에 다시 입학하지 마라.
영어판 번역본입니다. 내용이 다를 경우 영어판을 우선합니다.
