시스템을 새로 넣었는데, 왜 피크 때마다 같은 혼란이 반복될까
WMS를 고도화한 지 얼마 안 됐는데, 피크가 오면 여전히 현장 팀장이 수기로 작업을 배분합니다. 설비를 새로 들였는데, 설비 앞 대기열은 그대로입니다. 막연히 이상하다는 느낌은 드는데, 정확히 어디서 막히는지 짚기가 어렵습니다.
이런 상황에서 "AI를 붙이면 달라지지 않을까"라는 말이 센터 안에서도 조금씩 나옵니다. AI는 판단을 대신해주는 도구가 맞습니다. 그러려면 판단의 기준이 먼저 있어야 합니다.
기준이 없는 곳에 AI가 들어오면 어떻게 될까요. 한 업계 분석은 이렇게 말합니다. "불안정한 운영에 AI를 적용하면, 나쁜 결과를 가속화할 뿐이다." (출처: SCCG, 2026)
에이전틱 AI는 이미 창고 안으로 들어오고 있다
에이전틱 AI는 대시보드가 아닙니다. 지연된 입고 상황이 생기면 원인을 조사하고, 대안을 평가하고, 재고를 재배치하고, 고객 알림까지 자동으로 처리합니다. 사람이 보기 전에 이미 행동이 완료되는 방식입니다.
📊 숫자로 보는 현재 상황
생성형 AI를 도입한 기업 임원의 52%가 이미 AI 에이전트를 실운영 중 (출처: Google Cloud, 2026)
그러나 이를 측정·관리하는 체계를 갖춘 곳은 31%에 그침 (출처: Adobe, 2026)
Gartner는 2026년까지 AI 준비 데이터 부족으로 AI 프로젝트의 60%가 중단될 것으로 전망 (출처: Gartner, 2025)
생성형 AI 이니셔티브 중 측정 가능한 P&L 성과를 낸 조직: 5% (출처: MIT Project NANDA, 2025)
숫자가 역설적입니다. AI는 빠르게 확산되고 있지만, 성과를 내는 곳은 드뭅니다. 이 격차는 기술의 문제가 아닙니다. 데이터와 프로세스가 준비됐느냐의 문제입니다.
물류 창고는 이 준비 과제가 특히 까다롭습니다. 피크마다 오더 믹스가 달라지고, 설비·사람·규칙이 뒤섞인 공간에서 AI가 정확한 판단을 내리려면 '무엇을 기준으로 판단할 것인가'가 사전에 정의돼 있어야 하기 때문입니다.
AI는 데이터 문제를 해결하지 않는다, 드러낸다
현장에서 오래 쌓인 문제들이 있습니다. 로케이션 마스터가 시스템마다 다르게 등록돼 있거나, 스캔 누락이 습관처럼 방치됩니다. 구두로 정해진 컷오프 기준이 교대마다 다르게 해석되기도 합니다. WMS가 돌아가는 동안은 표면에 잘 드러나지 않는 조용한 문제들입니다.
AI는 이 문제를 해결하지 않습니다. 오히려 더 크게 드러냅니다.
IDC는 데이터 부채 정비를 미룬 조직이 2027년까지 AI 실패율이 50% 높아질 것이라고 경고합니다. (출처: IDC, 2026 CIO Agenda Predictions, 2026) 창고 현장에서 이 문제는 세 층위로 나타납니다.
마스터 데이터: SKU 규격·로케이션·포장 단위가 OMS와 WMS에서 다르게 정의돼 있으면, AI가 참조하는 기준 자체가 흔들립니다.
트랜잭션 데이터: 스캔 누락과 이벤트 미기록이 쌓이면 AI는 없는 재고, 잘못된 우선순위로 작업을 배정합니다.
운영 룰: 컷오프 기준, 피크 인력 배치 방식, 예외 처리 흐름이 구두로만 돌아가면 AI가 학습할 패턴 자체가 없습니다.
"AI가 데이터 문제를 만드는 것이 아니라, 이미 존재하는 문제를 가속화하고 노출시킨다." (출처: CIO.com, 2026)
업계가 말하는 "표준화 먼저"의 실제 의미
(리서치) Gartner는 2028년까지 공급망 KPI 리포팅의 상당 비중이 GenAI로 처리될 것으로 전망합니다. 단, 이 전망이 실현되는 전제로 "표준화된 데이터와 명확한 의사결정 룰"을 명시하고 있습니다. SCCG의 2026 물류 트렌드 분석도 같은 방향을 가리킵니다. "표준화된 프로세스와 명확한 의사결정 룰이 고급 AI 도입의 전제조건"이라고 못 박습니다. (출처: Gartner, 2024; SCCG, 2026)
(공개 사례 1) AI 도입 기업들을 분석한 Sumatosoft의 연구에 따르면, 데이터 표준화 단계를 건너뛴 기업에서는 예외 없이 신뢰할 수 없는 아웃풋과 배포 지연이 보고됐습니다. 반면 표준화를 먼저 마친 조직에서는 첫 90일 안에 사이클 타임이 35~40% 단축되는 결과가 일관되게 나타났습니다. 더 좋은 모델이 아니라, 더 깔끔하게 정의된 운영 기준이 성과를 갈랐습니다. (출처: Sumatosoft, 2026)
(벤더 관점) Logistics Viewpoints는 WES의 핵심 요건으로 "표준화된 API와 실시간 재배치 기능"을 꼽습니다. 창고에서 유일하게 확실한 것은 불확실성이라는 전제에서 출발해, WES가 작업 우선순위·인력·설비를 실시간으로 재조율하는 레이어로 기능하려면 운영 기준이 먼저 시스템 안에 정의돼야 한다고 설명합니다. (출처: Logistics Viewpoints, 2023)
성과를 낸 현장의 공통점은 하나입니다. 피크와 컷오프 상황에서 어떻게 판단할지를 먼저 표준으로 만들었고, 그 다음에 시스템이 그 기준을 따라 움직였습니다.
창고 운영 표준화, 4개 축으로 점검하는 법
표준화는 IT 팀이 할 일이 아닙니다. 운영 팀이 먼저 답해야 할 질문들입니다.
노무·피크 운영: 피크 시즌에 단기 인력이 투입될 때, 작업 배분 기준이 자동으로 전환되나요, 아니면 팀장 판단에 맡기나요. 야간·교대 인수인계 기준이 문서로 존재하나요.
연동 현실: OMS에서 WMS로 오더가 넘어올 때, 우선순위 필드는 누가 정의하고 어떤 시스템에 기록되나요. WCS 설비 로그와 WMS 이벤트 로그가 같은 기준으로 쌓이나요.
데이터 품질: 로케이션 마스터와 SKU 규격이 마지막으로 업데이트된 시점을 즉시 확인할 수 있나요. 반품·보류 처리 결과가 트랜잭션으로 남나요, 구두로만 처리되나요.
운영 문화: 룰 변경이 필요할 때, 승인 절차와 기록 방식이 정해져 있나요. 현장에서 예외 처리가 시스템 밖에서 해결될 때, 사후에 어떻게 반영되나요.
이 네 가지가 정리돼 있지 않으면 AI가 들어올 자리가 없습니다. 재료 없이 조리법만 받은 상황과 같습니다.
우리 센터는 AI 도입 준비가 됐을까 — 운영 표준화 진단 체크리스트
체크 질문 | 현장 체크 포인트 | 확인할 데이터/산출물 |
|---|---|---|
피크 시 작업 배분 기준이 시스템 안에 정의돼 있나? | 피크 변동·단기 인력 투입 시 배분 룰 전환 방식 | 피크 운영 SOP 문서, 작업 배분 룰 설정 이력 |
컷오프 기준이 채널·오더 유형별로 명시돼 있나? | 당일·익일 출고 컷오프 설정, 채널별 SLA 차이 반영 여부 | OMS·WMS 컷오프 파라미터 정의서 |
OMS→WMS 오더 전달 시 우선순위 필드가 합의돼 있나? | 연동 인터페이스 소유권, 우선순위 필드 정의 주체 | 인터페이스 정의서(IF 정의서), 우선순위 필드 매핑 문서 |
WCS 설비 로그와 WMS 이벤트 로그가 같은 기준으로 쌓이나? | 설비·시스템 간 로그 타임스탬프·이벤트 기준 일치 여부 | WCS·WMS 이벤트 로그 샘플, 로그 기준 정의서 |
로케이션 마스터·SKU 규격 최종 업데이트 시점을 즉시 확인할 수 있나? | 마스터 데이터 변경 이력 관리 체계 | 로케이션 마스터 변경 이력 리포트 |
오더 믹스(단품·다품·합포장·냉장/상온) 별 처리 룰이 문서화돼 있나? | 오더 유형 분기 처리 로직의 시스템 반영 여부 | 오더 유형별 처리 룰 정의서, 피킹 전략 설정 화면 |
반품·보류 처리 결과가 트랜잭션으로 기록되나? | QC·클레임·반품 처리 이력의 시스템 내 추적 여부 | 반품 처리 이력 로그, 보류 해제 승인 이력 |
룰 변경 시 승인 절차와 기록 방식이 정해져 있나? | SOP·R&R 문서화, 변경 이력 관리 체계 | 룰 변경 요청서·승인 이력, SOP 버전 관리 문서 |
교대·야간 인수인계 기준이 문서로 존재하나? | 3PL·협력사 포함 교대 인수인계 프로세스 표준화 여부 | 인수인계 체크리스트, 교대 인수인계 기록 양식 |
30초 활용법 ① 각 질문에 지금 상태를 한 문장으로 적어보세요. ② "확인할 데이터/산출물" 항목이 실제로 뽑히는지 지금 바로 확인해보세요. ③ 뽑히지 않는 항목이 있다면, AI보다 데이터·룰 정의가 먼저입니다.
FAQ
Q1. 에이전틱 AI를 창고에 도입하면 WMS 없이도 운영이 가능한가요?
아니요, 현재 수준에서는 WMS를 대체하기 어렵습니다. 에이전틱 AI는 WMS가 축적한 재고·로케이션·오더 데이터를 기반으로 판단을 내립니다. 피크 시 오더 우선순위처럼 복잡한 의사결정도 결국 WMS의 마스터·트랜잭션 데이터가 정확해야 작동합니다. AI는 WMS를 대체하는 게 아니라, WMS 위에서 실행 판단을 더 빠르게 처리하는 역할에 가깝습니다.
Q2. 데이터 표준화를 하려면 IT 프로젝트를 별도로 해야 하나요?
상황에 따라 다릅니다. 로케이션 마스터 정비나 인터페이스 필드 정의처럼 시스템 변경이 필요한 작업도 있지만, 먼저 해야 할 것은 운영 팀이 "어떤 기준으로 판단할 것인가"를 문서로 합의하는 단계입니다. 컷오프 기준, 피크 인력 배분 룰, 예외 처리 흐름이 구두로만 돌아가고 있다면, IT 이전에 운영 기준 정리가 먼저입니다.
Q3. 에이전틱 AI 도입 시 사람의 역할은 어떻게 바뀌나요?
완전히 같진 않습니다. 현장 반복 작업의 일부는 자동화되지만, 예외 상황 판단과 최종 승인은 여전히 사람이 담당하는 구조로 운영됩니다. Google Cloud의 2026년 데이터에 따르면 실운영 중인 AI 에이전트 환경에서도 고영향·불가역 결정에는 사람의 승인이 유지됩니다. 오히려 사람의 역할이 '처리'에서 '기준 설정·예외 판단·시스템 감독'으로 이동하는 경향이 있습니다.
Q4. WES는 AI와 어떻게 다른가요?
상황에 따라 다릅니다. WES는 미리 정의된 룰과 실시간 데이터를 바탕으로 작업을 조율하는 실행 레이어입니다. AI는 그 판단 과정을 더 빠르고 동적으로 만드는 기술입니다. 피크 때 오더 믹스가 복잡해지거나 설비 가용률이 변할 때, WES가 '무엇을 기준으로 재배치할지'를 정하고 AI가 '언제·어떤 순서로 실행할지'를 최적화하는 방식으로 함께 작동합니다.
Q5. 창고 운영 표준화, 어디서부터 시작해야 하나요?
네, 시작점이 있습니다. 가장 먼저 할 것은 "지금 가장 자주 예외 처리가 발생하는 구간이 어디인가"를 찾는 일입니다. 컷오프 직전 출고 몰림, 교대 인수인계 누락, 반품 보류 처리—이 구간에서 구두로 해결되는 일이 얼마나 되는지 파악하는 것이 출발점입니다. 그 예외 처리를 시스템 룰로 전환하는 작업이 표준화의 시작이고, AI가 들어올 수 있는 첫 번째 자리이기도 합니다.
출처 목록
보고서/리서치
MIT Project NANDA, The GenAI Divide: State of AI in Business 2025, 2025
Gartner, 보도자료 "Gartner Predicts 25 Percent of Logistics KPI Reporting Will Be Supported by GenAI by 2028", 2024년 3월
Gartner, 60% of AI Projects to Be Abandoned by 2026 Due to Lack of AI-Ready Data, 2025
IDC, 2026 CIO Agenda Predictions, 2026
웹 아티클
SCCG (Alex Nedelea), Supply Chain and Logistics Trends to Watch in 2026, sccgltd.com, 2026년 1월
Sumatosoft, AI Readiness: How Companies Move from AI Pilots to Production in 2026, sumatosoft.com, 2026
Logistics Viewpoints, The Warehouse Execution System: A New Competitive Imperative, logisticsviewpoints.com, 2023년 12월
CIO.com, Data debt: AI's value killer hidden in plain sight, cio.com, 2026
Google Cloud / Adobe 통계, Agentic AI Trends 2026: From Pilots To Production, acecloud.ai, 2026