AI 시대 창고가 가진 가장 가치 있는 자산은 데이터다: WMS 데이터 자산 감사

솔직히 말하자. AI 시대에 창고에서 가장 가치 있는 것은 AMR도 높은 랙도 아니다. WMS에 잠들어 있는 10년 치 데이터다――당신이 그것을 자산으로 대하든 말든, 데이터 자산인 것이다.

"노미(老米), AI에 투자해야 합니까?"라는 질문을 수시로 받는다. 나의 첫 대답은 언제나 같다. 입고 타임스탬프는 정확한가? 열 번 중 아홉 번은 침묵이 돌아온다.

이야기는 양면이 있다. 한편으로 창고에서 AI는 실제로 작동한다. 수요 예측, 웨이브 최적화, 인력 계획, 예외 알림――둘러보면 유스케이스 투성이다. 다른 한편으로 그 유스케이스는 전부 데이터로 돌아간다. 쓰레기를 넣으면 비싼 쓰레기가 나온다. 데이터는 많다고 좋은 게 아니다. 더러운 데이터는 데이터가 없는 것보다 비용이 크다. 데이터가 없으면 최소한 맨눈으로 날고 있다는 걸 알지만, 더러운 데이터는 자신감 넘치게 틀리게 만든다.

이런 파국을 너무 많이 봤다. 가장 기억에 남는 건 캘리포니아의 한 3PL이다. 제법 규모 있는 사업자로, 고객은 대부분 이커머스였다. 2023년 그들은 과거 물동량으로 자동으로 스케줄을 짜는 AI 인력 예측 시스템에 거금을 썼다. 합리적으로 들렸다. 3개월 후 스케줄은 나아지기는커녕 악화됐다. 성수기 직전 주에 완전히 붕괴했고――긴급 인력을 임시인력 회사에 의존해야 했으며, 아픈 프리미엄을 치렀다.

사후 분석은 부끄러운 수준이었다. 알고리즘은 정상이었다. 데이터가 쓰레기였던 것이다. 그들의 입고팀은 퇴근 직전에 입고를 일괄 입력하는 습관이 있었고, 시스템의 입고 타임스탬프는 전부 오후 5시~6시에 몰려 있었다. AI는 가르친 대로 정확히 학습했다. 매일 오후 5시에 물동량 폭증이 오니 인력을 늘리라는 것이다. 실제로 화물은 오전에 도착했다. 오후 5시는 누군가 입력한 시간에 불과했다. 모델은 틀린 교훈을 완벽한 자신감으로 학습했다.

더 나쁜 건 웨이브 릴리스 시각과 피킹 완료 시각도 같은 식의 소급 타임스탬프 투성이었다는 것이다. WMS의 시간 축 전체가 허구였다. AI 프로젝트는 죽고, 돈은 사라졌으며, 경영진은 "AI는 사기"라고 확신하며 떠났다. 솔직히 말하자. 죽은 건 AI가 아니다. 데이터다.

고립된 사례가 아니다. 아는 한 의류 창고는 수년간 반품 사유 코드를 "기타" 하나로 돌려왔다. 나중에 AI로 반품을 예측하고 품질 검사를 효율화하려 데이터를 뽑아보니, 대다수 행이 "기타"였다. 알고리즘이 배울 게 없었다. 편의를 위해 사유 코드를 설계한 사람을 탓하라――그리고 데이터를 자산으로 대한 적 없는 모든 사람을 탓하라.

데이터 자산은 실제로 얼마의 가치인가

아래 표를 따라가 보자. 왼쪽 열: 데이터. 가운데: 그것이 먹여 살리는 AI 유스케이스. 오른쪽: 아마 빠져 있는 것. 한 번 훑어보면 자산 위에 앉아 있는지 부채 위에 앉아 있는지 알 수 있다.

대부분의 창고는 이 연습을 불편한 발견과 함께 마친다. 데이터는 많은데 쓸 만한 건 별로 없다. 그것이 데이터 자산 감사의 진짜 의미다. 테이블이 몇 개인지 세는 게 아니라, 알고리즘의 심문에 견딜 수 있는 데이터가 얼마나 되는지를 확인하는 것이다.

데이터 자산을 고치기 전에, 계산부터 하자

이것도 양면이 있다. 데이터를 고치는 데는 실제 돈이 든다. 입고 시 실시간 스캔 확인은 모든 입고에 수 초를 더한다. 웨이브 릴리스와 피킹 완료에는 타임스탬프의 엄격한 규율이 필요하다. ABC 클래스는 주기적 재계산이 필요하다. 노동 시간은 작업과 연계되어야 한다. 이 모든 것은 현장팀의 공정을 늘리고, 단기적으로 처리량은 떨어진다. 교대 슈퍼바이저가 제일 먼저 불평할 것이다. "물량에 파묻혀 죽겠는데 스캔을 더 하라고?"

하지만 고치지 않는 쪽이 더 비싸다. 소급된 타임스탬프 하나하나는 미래의 AI 프로젝트에 심는 지뢰다――그리고 시스템에 진짜 돈을 쓰는 날 터진다. 그 캘리포니아 3PL의 교훈을 알기 쉽게 풀면, 데이터 부채의 이자는 생각보다 높다. 죽은 프로젝트, 긴급 임시 인력, 경영팀의 AI에 대한 신뢰 상실――그 합계는 "스캔 한 번 더"의 비용을 훨씬 웃돌았다.

ROI 계산은 장부 전체로 하라. AI 프로젝트 예산에서 알고리즘과 소프트웨어 라이선스는 보통 작은 부분이다. 구현, 통합, 재작업이 큰 부분이다. 나쁜 데이터 품질과 재작업은 예산의 절반 이상을 먹어 치울 수 있다. 나중에 소방대에 돈 낼 바에야, 지금 데이터 기초를 붓는 게 싸다. 모든 경영자는 이 계산을 이해한다――다만 눈에 보이지 않는 것에 돈을 쓰고 싶어 하지 않을 뿐이다. 그리고 그것이 가장 비싼 절약이다.

나의 조언은 3단계다. 한 번에 다 하려 하지 마라.

첫째, 시간과 이유를 지켜라. 모든 작업 타임스탬프는 실시간으로 기록한다――교대 끝 소급 입력 금지. 모든 재고 조정에는 사유 코드가 필요하다. 가장 낮은 비용, 가장 높은 리턴. 먼저 기초를 바로잡아라.

둘째, 사람을 작업에 묶어라. 특정 작업과 연계되지 않은 노동 데이터는 쓰레기다. 출입 스캔을 하고, 작업을 개인에게 배정하라――"누가 얼마나 했나"가 추적 가능한 상태로 만들어라. 그때가 되어야 UPH 기준과 스케줄 최적화에 논할 가치 있는 데이터가 생긴다.

셋째, 그 다음 AI 이야기를 하라. 몇 번의 비즈니스 사이클――최소 한 번의 온전한 성수기――을 축적하고 나서 예측과 최적화 이야기를 하라. 3개월 치 데이터로 내년 성수기를 예측하는 건 AI가 아니다. 도박이다.

기초를 붓기 전에 알고리즘을 사지 마라

AI 벤더의 영업이 자기 알고리즘의 대단함을 늘어놓으면, 한 가지 질문을 던져보라. "당신 모델은 더러운 데이터에 얼마나 견딥니까?" 어떻게 답하는지 보라.

솔직 버전은 이렇다. AI 시대에 창고 경쟁에는 두 개의 층이 있다. 위층――알고리즘과 애플리케이션――은 결국 누구나 살 수 있게 된다. 아래층――데이터 자산――은 살 수 없다. 직접 축적할 수밖에 없다. 깨끗하고, 지속적이고, 비즈니스상 의미 있는 데이터를 가진 자가 AI에서 이긴다. 역도 마찬가지다. 데이터가 엉망인 창고는 가장 비싼 AI에 돈을 태우게 된다.

그러니 "AI에 투자해야 합니까?"라고 묻는 건 그만둬라. 대신 3가지 질문을 하라. 타임스탬프는 정확한가. 조정에는 사유가 붙어 있는가. 여러 성수기에 걸친 데이터를 축적해 왔는가. 하나도 답할 수 없다면 답은 명확하다. 먼저 데이터 자산을 감사하고, 그 다음 AI 이야기를 하라.

창고의 데이터는 자산이거나 부채다. 당신은 감사했는가?

Lao Mi, 공급망 베테랑(20년) 지음

영어판 번역본입니다. 내용이 다를 경우 영어판을 우선합니다.