다음 AI 격차: 중간 규모 물류 기업이 AI를 활용하기 전에 인프라를 개선해야 하는 이유

AI에 대한 대화는 종종 접근에 초점을 맞춘다, 올바른 모델과 도구에 접근하게 되면 다음 과제는 이를 어떻게 활용할지 파악하는 것이라는 가정하에 진행됩니다. 중간 규모 물류 기업에게는 반드시 문제가 시작되는 지점이 여기라고 할 수 없습니다.

많은 창고와 제3자 물류 제공업체(3PL) 전반에 걸쳐, 격차는 시스템이 없어서 발생하는 경우는 드뭅니다. 대부분 이미 창고 관리 시스템 (WMS), 전사적 자원 관리 소프트웨어(ERP) 또는 회계 패키지, 운송업체 연결 및 대형 고객과의 EDI를 보유하고 있습니다. 문제는 이러한 시스템들 사이에서 무슨 일이 일어나는가입니다.

점대점 연결은 시간이 지남에 따라 축적됩니다. 한 고객 또는 거래 파트너가 한 방식으로 연결되고, 다른 파트너는 다른 방식으로 연결되면서 결국 누가 누구와 통신하는지 전체적인 파악이 어려워집니다. 통합은 사람에도 의존합니다. 예를 들어 누군가가 고객 포털에서 주문을 다시 입력하거나 매일 아침 스프레드시트에서 전날의 출하를 조정하는 경우가 있습니다. 3PL은 고객이 주문 위치를 문의하기 전까지 거래 실패를 알지 못할 수도 있습니다.

그러한 내용은 IT 자산 목록에 나타나지 않기 때문에 문제를 과소평가하기 쉽습니다.

문제는 인계 과정에 있다

가장 큰 운영 문제는 인계 과정에서 발생하는데, 여기서 주문, 입고 또는 출하가 한 시스템 또는 회사에서 다른 시스템 또는 회사로 이동합니다:

• 늦게 도착하거나 형식이 잘못된 입고 주문은 물류 파동을 놓치고 출하 일정을 놓치는 원인이 될 수 있습니다.
• 실제 도착과 일치하지 않는 사전 출하 통보는 직원들이 각 팔레트를 조사하는 동안 입고를 중단시킬 수 있습니다.
• 고객 시스템에 도착하지 않은 출하 확인은 청구 지연을 초래하고, 소매업체가 규정 위반에 대한 벌금을 차감하는 차감(Chargeback)으로 이어질 수 있습니다.

3PL의 경우, 각 고객마다 고유한 형식, 규칙 및 기대가 있기 때문에 이러한 문제는 배가됩니다. 창고 현장은 보통 원활하게 운영되지만, 그 주변의 정보 흐름은 끊깁니다.

기업이 AI를 운영에 도입함에 따라 이 구분은 더욱 중요해집니다. AI는 사용할 수 있는 정보와만 작업할 수 있기 때문입니다. 챗봇이나 코파일럿을 하나의 시스템에 연결하는 것은 좋은 시연이 될 수 있지만, 여러 시스템에 걸친 운영에 대한 가시성을 해당 시스템에 제공하지는 못합니다.

물류 분야에서는 유용한 질문이 종종 이러한 경계를 넘나들기 때문에, 주문에 대한 답변은 WMS, ERP 및 운송 또는 고객 시스템의 정보를 필요로 할 수 있습니다. 프로세스의 일부분만 볼 수 있는 AI 도구는 불완전한 그림을 기반으로 작업하게 됩니다.

인프라가 AI가 필요한 정보를 활용할 수 있게 하는 기업과 시스템이 여전히 연결되지 않은 기업 사이에 격차가 커지고 있으며, 이것이 차세대 AI 격차가 나타나는 지점입니다.

AI가 실제로 활용할 수 있는 기반이 필요하다

진정한 AI 준비 인프라는 기술 용어보다 운영 용어로 설명되어야 합니다. 주문, 입고, 재고 이동 또는 출하와 같은 모든 중요한 이벤트는 공통 허브를 통해 전달되어야 합니다. 거래 파트너가 전송하는 형식은 더 이상 창고의 문제가 되어서는 안 됩니다. X12, EDIFACT, XML 또는 JSON은 동일한 주문으로 정규화되어야 하며, 이후 단계에서 형식에 대해 고민할 필요가 없습니다.

팀은 문제가 고객에게 전달되기 전에 몇 분 이내에 실패를 파악해야 합니다. 직원들이 문제를 식별하고 해결하는 데 사용하는 동일한 정보는 기존 권한을 유지하는 깔끔한 API를 통해 소프트웨어와 AI 에이전트도 접근할 수 있어야 합니다. 또한 AI가 무언가를 제안했을 때 그 이유를 검증할 수 있도록 발생한 일에 대한 기록도 필요합니다.

이러한 조건이 갖추어지면 AI 도입이 훨씬 간단해집니다. 이는 중간 규모 기업이 전체 기술 스택을 교체해야 한다는 의미는 아닙니다. 실제로 중간 규모 3PL은 AI 준비를 위해 새로운 WMS나 ERP를 도입할 필요가 거의 없습니다. 보다 실용적인 접근 방식은 핵심 시스템은 그대로 두고 시스템 간 연결을 개선하는 것입니다.

모든 시스템과 파트너가 연결되는 단일 허브는 일회성 연결망보다 관리가 훨씬 쉽습니다.

AI가 인프라 구축을 도울 수 있다

이 역시 AI가 중간 규모 기업에 특히 유용할 수 있는 부분입니다. 전통적으로 통합은 파트너 사양을 읽고, 필드를 수작업으로 매핑하며, 파트너별로 매핑을 테스트하는 작업을 필요로 했습니다. 단일 파트너 매핑은 수주간에 걸친 실무 작업, 테스트 및 파트너와의 반복적인 협의를 요구할 수 있습니다.

현재 AI 모델은 사양 및 샘플 파일을 읽고, 매핑을 제안하며 실제 거래에 대해 테스트할 수 있습니다. 이후 사람은 결과를 검토하고 승인하면 됩니다.

AI는 EDI 매핑의 첫 번째 버전을 만드는 데 필요한 실무 작업을 줄일 수 있습니다. 전문가가 초안을 시작한 뒤 파트너의 기존 검토 과정을 거치기 전에 검토하고 수정할 수 있어, 전문가가 필드별로 매핑을 구축하는 데 드는 시간을 줄이면서 최종 결과에 대한 통제권을 유지할 수 있습니다.

하지만 AI를 통합에 활용하는 것과 통합을 AI에게 맡기는 것 사이에는 중요한 차이가 있습니다.

이를 수행할 때 저는 “제안, 근거, 검증, 확인”이라고 부르는 접근 방식을 사용합니다.

AI는 파트너 설정 및 필드 매핑을 제안합니다. 이는 실제 사양 및 샘플 파일에 기반하며, 필드나 코드를 만들지 않습니다. 별도의 검증 프로세스가 매핑을 실제 문서와 필드별로 비교합니다. 그런 다음 담당자가 결과를 확인하여 실시간 고객 흐름에 도달하기 전에 검증합니다.

우리는 AI가 생성한 매핑을 실제 생산 문서와 테스트함으로써 그 규율이 왜 중요한지 알게 되었습니다.

한 테스트에서는 AI가 생성한 매핑이 창고 전송 문서를 오류 없이 읽었지만 15개의 라인 항목을 모두 누락했습니다. 다른 경우에는 배송 주문의 여섯 개 파티를 모두 유지했지만, 어느 파티가 수신처인지 식별하는 코드와 거리 주소가 사라졌습니다. 자동 검사에서는 매핑을 정상으로 판단했으나, EDI 전문가가 그 차이를 발견했습니다.

참조 데이터조차도 잘못될 수 있습니다. 교차 검증되었다고 주장하는 표준 파일이 우리가 테스트한 모든 논쟁된 구간에서 공개된 표준과 일치하지 않았습니다.

교훈은 부분적인 결과가 누락된 결과보다 발견하기 더 어려울 수 있다는 것입니다. 검증은 실제 문서의 모든 필드를 매핑이 포착한 내용과 비교해야 합니다. 문서가 파싱된다는 것을 확인하는 것만으로는 충분하지 않습니다.

신뢰할 수 있는 결과는 모델을 둘러싼 규율에 달려 있으며, 사용 방식부터 출력 검토 방식까지 모두 포함됩니다.

AI가 결정을 내리기 전에 가치가 시작됩니다

인프라 작업은 AI 에이전트가 운영 권고를 제공하기 훨씬 전에 이미 가치를 가지고 있습니다. 우리가 협력한 3PL은 SAP를 창고 시스템과 함께 운영하고 있었습니다. 모든 입고 영수증은 수동 입력에 3~5분이 걸렸으며, SAP의 재고는 도크보다 약 20분 정도 뒤처져 있었습니다.

두 시스템을 직접 연결한 후, 그 지연은 거의 실시간 수준이 되었습니다. 이 운영은 연간 980시간 이상의 노동 시간을 절감했으며, 그 중 775시간은 출고 작업에 해당합니다. 스프레드시트 추적은 사라지고 라벨, 선하증권 및 포장 목록이 자동으로 생성되기 시작했습니다. 창고는 기존 작업 흐름을 유지했으므로 현장 직원이 재교육을 받을 필요가 없었습니다.

우리가 그 프로젝트에서 얻은 교훈은 노동 절감보다 더 큰 의미를 가집니다. 두 시스템이 하나의 최신 정보를 공유하면, 바로 그 정보가 AI 에이전트가 유용하게 작동하기 위해 필요한 것입니다.

두 시스템을 연결하는 것이 그 이후 모든 것을 가능하게 하는 단계입니다.

AI 준비는 통합부터 시작됩니다

시작점을 결정하는 기업에게는 통합이 먼저이며, AI가 통합 작업의 많은 부분을 수행해야 합니다. 운영팀이 자주 저지르는 실수는 AI를 프로세스의 마지막에만 적용해야 한다고 생각하는 것입니다. 초기 단계에서 통합 작업을 더 빠르고 저렴하게 만들 수 있으며, 그런 다음 의사결정을 지원합니다 그 기반이 마련된 후에.

중간 규모 물류 기업은 반드시 더 많은 기술이 필요한 것은 아닙니다. 많은 기업이 이미 필요한 시스템을 보유하고 있습니다. 기회는 이러한 시스템을 서로 연동시키는 데 있습니다. 바로 그 지점에서 AI는 화면에 또 다른 답변을 생성하는 것을 넘어서는 역할을 할 수 있습니다.