창고 AI 파일럿이 90일 전에 죽는 이유: 실제 실패 세 건의 부검 보고서

지난 2년 동안 나는 창고 AI 파일럿을 운영한 20명 이상의 실무자를 인터뷰했다. 3PL 운영 책임자, 전자상거래 풀필먼트 센터의 IT 리드, 자동화 벤더의 프리세일즈 엔지니어들이다. "파일럿은 어땠습니까"라고 물으면, 절반 이상이 성공이나 실패로 답하지 않았다. 날짜로 답했다. "두 달쯤 갔어요", "세 번째 달에 접었어요", "90일차 리뷰에서 죽었어요". 창고 AI 파일럿은 창고 디지털화에서 가장 기묘한 존재가 되었다. 벤더들은 무대 위에서 성공 사례를 발표하는 동안, 훨씬 더 많은 프로젝트가 90일 전에 조용히 죽어간다. 이 글은 파일럿 시나리오를 고르는 방법이나 ROI를 계산하는 방법에 관한 글이 아니다. 실제 실패 세 건의 부검 보고서다. 각각이 정확히 어디에서 죽었는지, 그리고 왜 기술이 사인이 아니었는지를 다룬다.

세 건의 창고 AI 파일럿, 세 가지 사인

사례 1: 데이터 드리프트에 죽은 비전 선별 시스템.

2025년 1월, 미국 중서부의 3PL 창고(의류 주문을 처리)가 비전 기반 품질 검사 파일럿을 시작했다. 컨베이어 위의 산업용 카메라 두 대, 손상된 소포와 판독 불가능한 배송 라벨을 AI 모델이 식별하여 풀타임 QC 검사원 두 명을 대체한다는 목표였다. 타임라인은 교과서대로였다. 1–4주차: 설치와 통합. 5–8주차: 모델 튜닝. 9주차: 시범 운영. 정확도는 벤더가 약속한 98%에 도달했다. 측정 대상은 주목할 만한데, 피크 시즌 표준 카톤 프로파일이었다. 전환점은 10주차 이후에 왔다. 비수기 상품 구성이 들어왔다. 불규칙한 소포와 소량 배치 SKU가 표준 박스를 대체했고, 모델이 학습한 형태, 테이프 색상, 라벨 위치가 현실과 맞지 않게 되었다. 오탐률이 2%에서 15%를 넘어섰다. 검사원들은 소포를 일일이 손으로 확인하는 체제로 돌아갔고, 시스템은 장식품이 되었다. 12주차 리뷰에서 운영 책임자가 플러그를 뽑았다. 프로젝트 매니저는 내게 이렇게 말했다, 그대로 인용한다. "모델이 나빠진 게 아니에요. 창고가 먼저 바뀌었어요." 교훈은 정밀하다. 학습 분포가 커버한 것은 피크 시즌뿐이었고, 수락 테스트는 비수기에 맞았다. 데이터 드리프트는 기술 문제가 아니었다. 스케줄 문제였다.

사례 2: 성공을 바라지 않은 조직에 죽은 AMR 피킹 최적화.

2025년 6월, 중국 동부의 의류 전자상거래 창고가 AI 기반 피킹 작업 배정을 위해 AMR 여섯 대를 도입했다. 기술적으로는 잘 돌아갔다. 처음 3주 동안 피커의 평균 이동 거리는 약 20% 줄었다. 창고 WMS 로그에서 검증 가능한 수치다. 이상한 일들은 4주차부터 시작되었다. 피커들이 로봇 충전을 "잊어버리기" 시작했다. 누군가 빈 토트를 AMR 이동 차선에 쌓아 올렸다. 피킹 팀 리더는 인터뷰에서 직설적으로 말했다. "시스템이 모든 작업을 배정하고 모든 걸 기록해요. 그 데이터가 연말 평가에서 우리한테 불리하게 쓰이지 않을지 누가 알겠어요." 파일럿의 KPI는 IT 부서의 것이었다. 운영 부서는 결과에 대한 책임이 없었다. 비즈니스 오너가 없었다. 파일럿의 성공에 자신의 일이 걸린 사람이 없었다. 8주차가 되자 여섯 대 중 네 대의 AMR이 충전 구역에 영구히 주차되어 있었다. 프로젝트는 방치되어 죽었다. 기술은 100%를 전달했다. 조직은 0을 전달했다.

사례 3: 벤더의 약속에 죽은 수요 예측 보충.

2024년 11월, 유럽의 자동차 부품 창고가 AI 예측 SaaS 벤더와 계약했다. 내세운 문구는 "박스에서 꺼내 바로, 2주 만에 가동". WMS 통합에는 실제로 9주가 걸렸다. 과거 출고 데이터를 캘리버, 단위, 결측값 수준으로 항목별로 다시 손봐야 했다. 더 나쁜 것은 계약이었다. 파일럿의 성공 판정은 가동 시작으로 정해졌고, 데이터 품질 기준선도, 예측 정확도가 목표에 못 미칠 경우의 탈출 조항도 없었다. 시스템은 마침내 2025년 2월에 가동했다. 보충 제안은 15년 경력의 플래너 판단과 번번이 충돌했다. 양측은 서로를 신뢰하지 않았다. 6주차가 되자 플래너는 경험으로 시스템을 무시하게 되었고, 다시는 아무도 시스템 보고서를 열지 않았다. 파일럿은 60일쯤에 동결되었다. 최종 대금은 전액 지급되었다. 계약서에는 가동 시작이 인수라는 뜻이라고 적혀 있었다.

귀인 프레임워크: AI 파일럿 사망의 네 가지 범주

나란히 놓고 보면, 세 건의 죽음은 네 가지 범주로 정리된다.

시나리오 범주는 이 세 건에서는 덮치지 않았지만, 다른 인터뷰 전체에서는 구성 단계에서 가장 흔한 함정이다. 샘플이 적고 규칙이 엉망인 롱테일 예외 처리에 AI를 적용하면, 3개월짜리 파일럿은 시작부터 판단이 불가능해진다.

반직관적인 결론: 기술은 한 번도 주된 원인이 아니었다

세 건 모두 알고리즘 팀은 동작하는 모델을 일정에 맞춰 납품했고, 정확도 수치는 각각의 테스트 세트에서 "통과"했다. 파일럿을 죽인 것은 파일럿 설계 자체였다. 데이터 미준비, 너무 어려운 시나리오, 결과에 책임지는 사람 부재, 모든 위험을 구매자 쪽에 남기는 계약. 다시 말해, AI 파일럿이 실패하는 이유는 "AI가 동작하지 않아서"인 경우가 드물다. 파일럿이라는 조직 행위 자체가 설계되지 않았기 때문이다. 한 국제 컨설팅 회사의 2025년 물류 기술 조사에 따르면, 기업들은 AI 도입의 장벽으로 "데이터 준비 부족"과 "내부 조정의 어려움"을 상위 두 개로 꼽았고, 기술 성숙도는 그 뒤에 있었다. 내 인터뷰에서 나온 결론과 일치하는 순위다.

트렌드 판단: 2026년, 파일럿의 논리가 바뀌고 있다

시계열로 보면, 2024–2025년 파일럿의 대부분은 "기술 검증"의 논리를 따랐다. 먼저 기술을 사고, 사용 사례는 나중에 정한다. 2026년 이후 내가 만난 새로운 프로젝트들은 점차 "조직 검증"의 논리를 따른다. 파일럿 승인 전에도 AI 준비도 평가(데이터, 프로세스, 사람에 대한 채점)가 있고, 계약도 라이선스 일괄 구매에서 마일스톤 기반 지급으로 바뀌고 있다. 데이터 통합 완료 시점에 한 차례, 합의된 정확도 달성 시점에 한 차례. 이 변화의 의미: 시장은 파일럿을 "기술 구매"에서 "조직 변화 프로젝트"로 재정의하고 있다. 기술은 계속 싸질 것이다. 어려운 건 언제나 조직이었다.

이 세 사례를 되짚어 보며 나는 한 가지 질문을 계속 되돌아보게 된다. 90일을 역순으로 배열하면 어떨까. 30일은 데이터와 조직을 준비하고, 30일은 소규모로 검증하고, 그제야 30일은 확장을 이야기한다면. 그래도 여전히 이렇게 많은 프로젝트가 90일차에 죽을까? 표준 답은 없다. 하지만 2026년에 창고 AI 파일럿을 고려하는 모든 사람이 서명하기 전에 스스로에게 물어볼 가치가 있는 질문일지도 모른다.

Dr. Chen, 공급망 연구자 지음

영어판 번역본입니다. 내용이 다를 경우 영어판을 우선합니다.