단언합니다. 2027년까지 여러분의 창고가 정말로 AI를 쓸 수 있을지는, 어떤 알고리즘을 사느냐와는 거의 관계없고, 시스템 안에 얼마나 깨끗하고 쓸 수 있는 데이터가 쌓여 있느냐에 달려 있습니다. 알고리즘은 매달 싸지고 있습니다. 데이터가 진짜 화폐입니다.
지난봄 애틀랜타 Modex에 며칠 있었습니다. AI 부스는 인산인해였습니다. 비전 피킹, 수요 예측, 스마트 노동 스케줄링 — 모든 데모가 완벽해 보였습니다. 그러고 나서 WMS를 파는 오랜 친구 몇 명과 맥주를 마시러 갔는데, 얘기는 매번 같은 지점으로 돌아왔습니다. 그 데모들은 정성껏 준비된 깨끗한 데이터셋 위에서 돌아갑니다. 같은 소프트웨어를 진짜 고객 창고에 떨궈 놓으면 열 번 중 아홉 번은 데이터에 발목이 잡힙니다.
병목은 더 이상 알고리즘이 아니다
5년 전만 해도 이런 말을 했다가는 웃음거리가 됐을 겁니다. 지금은 그냥 사실입니다. 비전 기반 피킹 모듈은 매년 싸집니다. 수요 예측 모델은 오픈소스 레포에 올라와 있습니다. 알고리즘 간 격차는 줄어들고, 데이터 자산 간 격차는 벌어지고 있습니다.
그럼 진짜 창고 속은 어떨까요? 작년에 Inland Empire에 있는 300,000평방피트 규모의 3PL 시설을 걸어봤습니다. 10년 만에 세 번째 WMS였고, 히스토리 데이터는 서로 읽을 수 없는 세 가지 형식으로 왔습니다. 피킹 기록에는 "done"이라고만 적혀 있었고, 누가 집었고, 어떤 통로를 걸었고, 몇 분 걸렸는지는 없었습니다. AMR 차량단은 데이터를 생성했지만, 그 데이터는 장비 벤더의 클라우드에 있었고, 계약서에는 소유권이 명시되어 있지 않았습니다. IT가 익스포트를 원했고, 법무팀이 개입해야 했습니다.
그런 토대 위에서는 가장 비싼 AI도 더러운 데이터 위에 얹힌 예쁜 껍데기일 뿐입니다. 모델은 먹인 것을 증폭합니다. 좋은 데이터는 효율이 되고, 나쁜 데이터는 자신감 넘치는 자동화된 실수가 됩니다 — 기계 속도로 틀리고, 완벽한 대형으로.
판별법은 이겁니다. WMS 벤더들은 대부분의 고객보다 먼저 이걸 깨달았습니다. 요즘은 기능 모듈을 팔지 않습니다. 세일즈 피치는 온통 "데이터 플랫폼"과 "AI 레디"입니다. 번역하면 "일단 데이터 청소부터 시켜주세요"입니다. 소프트웨어 팔던 사람들이 삽을 팔기 시작하면, 첫날부터 금광을 기대하는 건 그만두는 게 좋습니다.
데이터에 굶주린 AI 도입의 실제 모습
몇 년 전, 아는 의류 3PL이 "AI 노동 스케줄링" 플랫폼에 거금을 썼습니다. 피치는 매혹적이었습니다. 주문 히스토리로 노동 수요를 예측하고, 스케줄을 자동 생성해, 피크 때 사람이 부족하지도, 비수기에 넘치지도 않게 한다는 것.
석 달 만에 폐기됐습니다. 근본 원인은 부끄러울 정도로 단순했습니다. 피킹이 주문 단위로만 기록되어 WMS에 '인당 시간당 피스 수'라는 믿을 만한 숫자가 없었습니다. 노동 데이터를 개인 레벨에서 잡은 적이 한 번도 없었던 겁니다. 알고리즘은 주문 합계에 맞춰 스케줄을 짰고, 현장 반장이 감으로 짠 것보다 형편없는 시프트를 만들어냈습니다. 피크 첫날은 아수라장. 반장은 밤새 손으로 스케줄을 다시 짰고, 그날부터 시스템은 장식품이 됐습니다.
돈은 썼고, 데이터는 여전히 더러웠습니다. 제가 봐온 가장 흔한 AI 실패 패턴입니다. 알고리즘이 나쁜 게 아니라 토대가 없는 것. 그리고 가장 잔인한 건, 이런 실패 후에 사장이 "AI는 안 된다"고 결론 내리면서, 정작 필요했던 데이터 인프라 예산이 날아간다는 겁니다. 한 번의 실패한 도입이 회사를 3년 뒤처지게 합니다.
전부 피할 수 있었습니다. AI를 사기 전에 피킹 데이터 수집부터 석 달 들여 고치는 겁니다. 모든 피킹 작업에 사람, 타임스탬프, 로케이션을 기록하는 것 — WMS에 필드 세 개를 새로 만드는 일. 그 데이터를 석 달만 쌓으면 스케줄링 모델이 방향이라도 맞는지 검증하기에 충분합니다. 작은 투자를 아끼면, 큰 수업료를 냅니다.
타임라인: 지금이 창인 이유
앞으로 18개월이 이렇게 흘러갈 것으로 봅니다. 2026년 말부터 2027년 상반기까지가 데이터 인프라의 창입니다. 내년 봄 시카고 ProMat에서는 AI 벤더들이 데이터 준비도로 고객을 선별하기 시작합니다. 데이터가 깨끗한 창고는 실제로 돌아가는 석 달짜리 파일럿을 따내고, 벤더들은 그걸 레퍼런스 고객으로 만들려고 다툽니다. 데이터가 엉망인 창고는 POC조차 띄우지 못하고, 영업사원은 첫 탐색 콜에서 그걸 알아챕니다.
2027년 하반기에는 분열이 눈에 보이기 시작합니다. 선도 3PL과 대형 리테일 DC들은 동적 스케줄링, 예측 보충, 장비 예측 정비에 AI를 돌리기 시작합니다. 비용 곡선이 다른 회사들과 벌어지기 시작합니다. 중규모 창고가 그때까지 시작하지 않았다면 격차는 벌어질 뿐입니다 — 알고리즘이 비싸서 못 사는 게 아니라, 데이터 축적에는 시간이 걸리고, 시간은 다시 살 수 없는 유일한 것이기 때문입니다.
논리는 단순한 셈입니다. 데이터 인프라의 투자 회수는 대략 12개월에서 18개월입니다. 지금부터 데이터를 정리하고 수집하면 2027년에 AI 파도가 밀려올 때 준비가 되어 있습니다. 가만히 앉아 있으면 경쟁사들이 파일럿을 돌리는 옆에서 스프레드시트와 싸우게 됩니다.
첫날부터 데이터 레이크는 필요 없습니다. 화려하지 않은 첫걸음. WMS, TMS, 장비 시스템에서 매일 데이터를 익스포트하고, 형식을 정규화해서, 시간으로 조회하고 주문번호로 조인할 수 있는 한 곳에 모아두는 것. "레이크하우스 아키텍처"는 잊고, 일단 "찾을 수 있고, 뽑을 수 있고, 조인할 수 있는" 상태부터 만드세요.
그럼 정확히 무엇을 수집해야 할까요? 우선순위대로 세 가지 데이터 스트림입니다.
첫째, 주문과 재고 행동 데이터. "오늘 20,000건을 출고했다"가 아니라, 누가 무엇을, 어느 로케이션에서, 몇 시에, 몇 단위, 몇 분 걸렸는지. 이게 모든 노동 모델과 슬로팅 모델의 원자재입니다. 이게 없으면 어떤 워크포스 AI도 허구입니다.
둘째, 장비 운영 데이터. 지게차, AMR, 컨베이어의 가동 시간, 충전 사이클, 고장 코드, 다운타임. 예측 정비와 용량 계획의 토대입니다. 너무 많은 창고에서 이 데이터가 장비 벤더 손에 있습니다 — 데이터 소유권과 접근 권한은 구매 계약서에 협상하세요. 3년 뒤에 필요해졌을 때가 아닙니다.
셋째, ABC 회전율과 슬로팅 히스토리. 그 SKU가 A에서 C로 떨어지는 데 얼마나 걸렸는지. 슬롯을 몇 번 옮겼고, 도움이 됐는지. 여러분의 WMS에 이미 있을 겁니다. 아무도 자산으로 취급하지 않고, 버전 마이그레이션 때 사라지는 게 다반사입니다.
아직 AI는 사지 마세요. 먼저 IT 팀에 세 가지를 물어보세요. 지난 12개월 피킹 데이터를 사람, 로케이션, 시간으로 나눠 익스포트할 수 있는지. 장비 고장 기록이 구조화되어 있는지, 아니면 스프레드시트에 낙서돼 있는지. 지난 WMS 마이그레이션 때 히스토리 데이터를 잃은 게 있는지.
그중 하나라도 답이 "모른다"면 2027년의 AI 배당은 여러분 것이 아닙니다 — 아직. 먼저 데이터 레이크를 파세요. 물이 차면 AI가 옵니다.
영어판 번역본입니다. 내용이 다를 경우 영어판을 우선합니다.
