우리에게는 한 클라이언트가 있었습니다——중국 동부에서 FMCG 브랜드의 풀필먼트를 운영하는 3PL인데, 지난해 AI 수요예측 시스템에 일곱 자리 숫자를 썼습니다. 영업 데모는 훌륭했습니다. 과거 판매 데이터를 입력하면 전 SKU에 대해 8주치 보충 권장량을 내놓고——슬라이드에는 "정확도 90% 이상". 오너는 현장에서 사인했습니다.
도입 3개월 후, 창고 매니저가 하소연 전화가 걸어왔습니다. 시스템의 보충 제안은 잘 맞으면 천리안, 안 맞으면 방해공작이었습니다. 한번은 키친타월 SKU를 3개월치나 비축하라고 제안했습니다——그 SKU가 막 패키지를 리뉴얼한 참이었고, 구 패키지 SKU가 시스템에서 아직 살아 있었기 때문에, AI는 두 판매 이력을 합쳐 "이 상품은 불티나게 팔린다"고 결론을 내린 것입니다. 창고가 키친타월에 익사할 뻔했습니다.
저는 오너에게 똑바로 말했습니다. 당신의 AI 프로젝트는 알고리즘 때문에 죽은 게 아닙니다. 데이터 때문에 죽은 겁니다. 수입 엔진을 사 놓고 폐유를 넣은 겁니다.
AI 벤더가 자발적으로는 절대 말하지 않는 업계의 속사정
저는 3PL 서비스를 오래 팔아서 창고 계약서를 백 장쯤은 써 봤고, AI 프로젝트가 무너지는 것도 여러 번 봤습니다. 테이블 건너편 벤더 쪽에서 들은 업계의 속사정 하나를 알려드리겠습니다. 계약서에 서명하기 전에 당신의 데이터 품질을 진지하게 감사하는 AI 벤더는 없습니다.
왜 하겠습니까? 감사를 했다가 계약이 깨질 수도 있는데요. 영업은 사인이 필요하고, 데이터 품질은 "구현 단계의 문제" 취급입니다. 계약서의 데이터 조항은 대개 한 줄짜리입니다. "갑은 필요한 사업 데이터를 제공해야 한다." 무엇이 필요한지, "제공"이 뭔지, 얼마나 깨끗해야 충분한지. 아무것도 정의되어 있지 않습니다. 그리고 도입 후 성과가 기대에 못 미치면, 벤더는 어깨를 으쓱합니다. 당신의 데이터가 나빴던 겁니다——가비지 인, 가비지 아웃. 기술적으로 맞는 말입니다. 하지만 청구서는 당신에게 날아옵니다. 우위를 쥔 시점에 데이터 책임을 협상하지 않았으니까요.
제가 본 최악의 사례: 중국 남부의 자동차 부품 유통사, SKU가 50,000개가 넘고, 제 추산으로 중복 코드율이 15%——같은 브레이크 패드가 구매팀에서는 한 코드, 창고에서는 다른 코드, 이커머스팀에서는 또 다른 코드였습니다. AI 보충 시스템이 가동된 뒤, 모델은 세 코드를 세 상품으로 취급했고, 각각의 판매 이력이 얇아 예측이 전부 노이즈가 되었습니다. 벤더는 구현 컨설턴트를 "데이터 클렌징" 명목으로 파견했고, 일당제로 두 달을 매달렸고, 클렌징 청구서는 수십만 위안에 달했습니다. 오너는 분노했습니다. 데이터 정화에 소프트웨어보다 더 많은 돈이 들었으니까요.
솔직히 말씀드리겠습니다. AI 프로젝트의 데이터 준비는 벤더가 당신 대신 써 주는 돈이 아닙니다. 계약 전에 조금 자비로 데이터를 정리하거나, 계약 후에 벤더에게 비싼 돈을 주고 정리하게 하거나. 이 돈은 피할 수 없습니다——고를 수 있는 건 선불이냐 후불이냐뿐입니다.
창고 데이터의 4대 만성질환——몇 개나 해당되나요?
정화 전에 창고 건강검진부터 하세요. 질환이 네 개, 열 곳 중 아홉 곳의 창고가 최소 두 개는 안고 있습니다.
- 하나의 상품, 여러 개의 코드. 같은 상품이 구매·창고·판매에서 여러 SKU 코드를 갖고 있습니다. AI는 하나인 것을 세 개의 "상품"으로 봅니다.
- 혼돈의 로케이션 코드. 구 건물은 구 체계, 신 건물은 신 체계, WMS는 또 다른 체계. 어떤 클라이언트는 세 로케이션 체계를 병행 운영했습니다——AMR이 가동된 뒤 "상품을 찾을 수 없음" 에러를 매일 뱉어냈고, 로봇이 바닥을 빙빙 도는 뒤에서 사람이 뒷수습을 했습니다.
- 사라진 과거 문서. 예측 모델은 12–24개월치 깨끗한 판매 이력을 원합니다. 많은 창고에서는 그 이력이 영업사원의 스프레드시트에——퇴사할 때마다 문밖으로 걸어 나갑니다.
- 엑셀 vs 시스템: 두 개의 진실. WMS가 말하는 것과 교대조장의 스프레드시트가 말하는 게 다릅니다. 실사 조사는 엑셀로 돌리고, 시스템은 "대충"으로 돌아갑니다. AI가 보는 건 늘 "대충" 쪽뿐입니다.
3단계 정화: AI를 사기 전에 데이터를 고쳐라
1단계: 마스터 데이터 거버넌스——상품 하나에 코드 하나. 여기서 시작하세요.
이게 기초입니다. 창고·구매·IT(또는 시스템 관리자)에서 한 명씩 3인 팀을 만들어, 유일한 미션은 SKU 마스터 데이터 통합입니다. 구체적으로는: 전 SKU를 추출하고, 품명·스펙·바코드로 퍼지 매칭하고, 중복 의심을 사람이 확인하고, 정규 코드 하나를 지정해 나머지를 거기로 매핑하고, 앞으로 별명 코드 신규 생성을 금지합니다. 그리고 규칙을 정합니다. 신규 SKU는 모두 입고 심사를 거친다——중복 검사 없이 코드 생성 금지. 멋대로 코드를 만든 사람이 책임을 집니다.
보통 4–8주가 걸립니다. 서두르지 마세요. 기초가 흔들리면 그 위의 모든 것이 위험해집니다.
2단계: 프로세스 데이터 백필——이력을 되찾으세요.
AI는 과거 데이터를 먹고 자라니, 이력을 주세요. 24개월치 입출고 기록·판매·프로모션·반품을 끌어내고, 회수할 수 있는 건 회수합니다. 그 엑셀 장부는 쓰레기가 아니라 금광입니다——인턴이나 외주 팀에게 핵심 항목을 구조화해서 시스템에 입력시키세요. 정말로 회수할 수 없는 달은 솔직히 "누락"으로 표시합니다. 구멍을 메우려고 데이터를 지어내서는 안 됩니다. 모델은 성긴 데이터를 용인하지만, 가짜 데이터를 용인하지 않습니다. 선언된 공백은 모델이 우아하게 처리하지만, 지어낸 숫자는 모델을 곧장 도랑으로 이끕니다.
3단계: 데이터 품질 게이트——더러운 데이터를 들이지 마세요.
클렌징은 한 번의 이벤트지만, 게이트는 영구적입니다. WMS에 세 가지 엄격한 규칙을 설정합니다. 신규 SKU 생성은 중복 검사를 통과해야 하고(바코드/품명 유사도 경고), 입고는 스캔과 검증을 해야 합니다——스캔이 안 되는 코드를 "수동 입력, 완료"로 통과시켜서는 안 됩니다. 그리고 월간 데이터 품질 리포트를 돌려 중복 코드율·로케이션 이상률·문서 누락률을 추적하고, 임계값을 깨면 빨간 불과 책임자 이름을 공개합니다.
이 세 단계를 끝내면 창고 데이터 품질이 "AI 준비 완료" 합격선에 도달합니다. 보통 3–6개월이 걸리고 비용은 거의 인건비——AI 소프트웨어 자체의 10분의 1 정도입니다. 하지만 일곱 자리 소프트웨어 예산이 돈 찍는 기계를 샀는지 비싼 문진을 샀는지를 가르는 건 이 과정입니다.
역설적인 결론: 데이터가 더러울수록 AI를 먼저 사지 마세요
마지막으로 상식에 반하는 이야기 하나. 많은 오너는 "우리 데이터는 엉망이라 AI가 더 필요하다"고 생각합니다. 논리가 거꾸로입니다. AI는 데이터 증폭기지, 데이터 청소부가 아닙니다. 깨끗한 데이터라면 AI는 효율을 10배로 만듭니다. 쓰레기 데이터라면 AI는 오류를 10배로 만듭니다——그 증폭에 일곱 자리를 청구하면서요.
순서는 절대 양보할 수 없습니다. 먼저 데이터를 합격선까지 끌어올리고, 그다음 AI를 들이세요. 그리고 영업사원이 "우리 알고리즘은 더러운 데이터를 자동으로 처리합니다"라고 말하면, 그 문장을 계약서의 성능 조항에 쓰라고 요구하고, 쓸 용기가 있는지 지켜보세요.
다음에 AI 계약을 협상할 때 이 세 가지 질문을 해보세요.
- 데이터 준비의 책임자는 누구이며, "준비 완료"는 정확히 무엇을 뜻합니까? 수락 기준을 계약서 부속 문서에 넣고 수치화하세요. 중복 코드율, 문서 완비율, 구체적인 지표를.
- 모델 성과가 기대에 못 미치면, 대금은 성과와 어떻게 연동됩니까? 보류금 비율, 성능 보증, 파일럿 기간——모두 문서로. 구두 정확도 약속은 잉크 가치 제로입니다.
- 파일럿 기간은 얼마나 되며, 어떤 데이터로 검증합니까? 자사의 실제 과거 데이터로 백테스트해야 합니다——벤더의 데모 데이터셋으로는 절대 안 됩니다. 데모 데이터셋에 중복 SKU 코드가 들어 있을 리가 없습니다.
기억하세요. AI 세계에서 벤더는 삽을 팔고, 금을 캐는 건 당신입니다. 광산이 돌밭이면 아무리 날카로운 삽도 소용없습니다. 먼저 돌을 치우고, 그다음 삽 얘기를 하세요——이 순서만 맞으면 2년 치 수업료를 아낄 수 있을 겁니다.
Susan, 3PL 영업 디렉터 지음
영어판 번역본입니다. 내용이 다를 경우 영어판을 우선합니다.
