[세종=뉴스핌] 정성훈 경제부장 = 온라인으로 주문한 생수 한 묶음이 다음 날 문 앞에 도착하기까지 상품은 여러 번 움직인다. 물류센터 안에서 보관 위치를 찾고, 선반에서 꺼내고, 박스에 담고, 목적지별로 분류해 차량에 싣는다. 소비자는 배송시간만 보지만 기업은 수백만개의 상품과 주문, 작업자와 로봇, 트럭의 움직임을 매 순간 다시 계산한다.

과거 물류 자동화의 목표는 컨베이어와 로봇을 설치해 사람의 이동과 반복작업을 줄이는 것이었다. 지금의 AI 물류는 한 단계 더 나아간다. 주문이 들어오기 전에 어느 지역에서 어떤 상품이 팔릴지 예측하고, 상품을 고객 가까이에 배치한다. 주문 뒤에는 피킹 순서와 로봇 동선, 포장규격과 배차, 배송경로를 함께 최적화한다.

창고를 움직이는 것은 로봇이지만 판을 바꾸는 것은 데이터다. 물동량이 많을수록 예측과 경로 최적화에 사용할 데이터가 늘고, 정확도가 높아질수록 배송비와 재고비용이 내려간다. 낮아진 비용과 빠른 배송은 다시 주문을 끌어온다. 물류 AI는 자동화 기술인 동시에 규모의 경제를 강화하는 산업 인프라다.

아마존은 2025년 6월 전 세계 300개 이상의 물류시설에서 100만번째 로봇을 배치했다고 발표했다. 2012년 이동식 선반 로봇을 도입한 뒤 중량물을 옮기는 허큘리스, 개별 소포를 처리하는 페가수스, 사람과 같은 공간을 자율주행하는 프로테우스 등으로 로봇 종류를 늘렸다.

그러나 로봇이 늘면 새로운 문제가 생긴다. 수천대가 같은 통로를 오갈 때 가까운 길만 선택하면 병목과 대기가 커진다. 아마존이 공개한 생성형 AI 기반 모델 'DeepFleet(딥플리트)'는 물류센터 전체를 하나의 도시처럼 보고 로봇의 경로와 순서를 조정한다. 회사는 로봇 이동효율을 10% 개선할 수 있다고 밝혔다.

이 수치의 의미는 로봇 한 대가 10% 빨라진다는 뜻과 다르다. 같은 설비와 공간에서 충돌과 정체를 줄여 전체 처리량을 높이는 시스템 효과다. 창고 경쟁력이 로봇 하드웨어의 성능에서 수많은 로봇을 동시에 움직이는 운영 알고리즘으로 이동하고 있음을 보여준다.

다만 10%는 아마존이 제시한 기대 또는 적용 성과다. 어느 시설과 기간을 기준으로 했는지, 처리량과 에너지 사용량, 장애율까지 개선됐는지 독립 검증이 필요하다. 로봇 이동시간이 줄어도 포장·분류·출고 등 다른 공정이 병목이면 전체 배송비는 같은 폭으로 줄지 않는다.

인공지능(AI) 물류의 가장 큰 변화는 재고의 위치를 바꾸는 데서 시작된다. 상품을 주문받은 뒤 먼 창고에서 보내면 로봇이 아무리 빨라도 배송시간과 운송비를 크게 줄이기 어렵다. AI는 지역·계절·행사·가격·검색과 구매 패턴을 분석해 어떤 상품이 어디에서 팔릴지를 예측하고 미리 가까운 거점에 배치한다.

아마존은 2025년 2분기 실적자료에서 AI 기반 수요예측의 지역 정확도가 20% 개선됐다고 밝혔다. 이 예측을 활용해 인기 상품을 수요지역 가까이에 배치하고 배송속도를 높였다는 설명이다. 2026년에는 통합 재고 풀과 예측기능을 외부 기업의 여러 판매채널에도 제공하는 공급망 서비스로 확대했다.

수요예측이 맞으면 재고 이동거리와 긴급 보충, 품절과 과잉재고가 줄어든다. 반대로 예측이 틀리면 팔리지 않는 상품이 지역 창고에 쌓이고 다른 지역에서는 품절이 발생한다. 정확도 개선 수치는 단순 알고리즘 지표가 아니라 재고회전율, 품절률, 폐기, 배송거리와 함께 봐야 한다.

물류 AI의 작동 순서는 수요예측, 재고배치, 주문 묶음, 피킹, 포장, 분류, 배차, 배송으로 이어진다. 각 단계가 따로 최적화되면 한쪽의 효율이 다른 쪽의 병목을 만들 수 있다. 전체 주문이 고객에게 도착할 때까지의 비용과 시간을 하나의 목적함수로 설계해야 한다.

물류산업에서는 데이터의 양이 곧 운영경험이다. 어떤 시간대에 주문이 몰리는지, 상품별 크기와 파손위험은 어떤지, 어느 통로가 막히는지, 어떤 기사와 차량이 어느 노선에서 효율적인지가 매일 기록된다. 실패와 지연도 다음 예측을 개선하는 학습자료가 된다.

물동량이 많은 기업은 더 다양한 상품과 지역, 계절과 돌발상황을 경험한다. 예측 정확도가 높아지면 재고와 차량, 인력의 여유분을 줄이고 같은 시설에서 더 많은 주문을 처리할 수 있다. 비용이 내려가면 더 많은 화주와 판매자를 유치하고 다시 데이터가 늘어난다.

이 구조는 진입장벽도 높인다. 후발 물류기업은 로봇이나 AI 소프트웨어를 구매할 수 있어도 충분한 주문과 운영데이터가 없으면 모델을 고도화하기 어렵다. 대형 플랫폼의 물류망을 이용하는 중소 판매자는 빠른 배송을 얻지만 수수료와 재고, 고객데이터를 플랫폼에 의존할 수 있다.

문제는 AI가 물류시장을 효율화하느냐가 아니라 그 효율을 만드는 데이터와 고객접점을 누가 소유하느냐다. 데이터 이전권과 개방형 인터페이스, 판매자가 자신의 재고·배송 성과를 다른 사업자에서도 활용할 수 있는 기준이 필요하다.

국내 물류기업도 자동화와 AI를 결합하고 있다. CJ대한통운은 스마트 풀필먼트센터에서 무인운반로봇이 상품을 작업자에게 가져오는 방식으로 기존 공정 대비 생산성이 55% 높아졌다고 발표했다. 자동 포장과 중량검수, 디지털 트윈을 통해 설비와 작업자 동선을 시뮬레이션하는 체계도 구축했다.

AI 비전 피스피킹 로봇은 3차원 영상과 딥러닝으로 모양이 다른 상품을 인식해 시간당 평균 600개를 처리한다고 회사는 설명한다. 포장 시스템은 주문상품에 맞는 상자를 추천해 박스 안 빈 공간을 평균 36% 줄였다고 밝혔다. 모두 기업 발표치인 만큼 적용센터와 상품군, 예외처리, 투자비를 함께 확인해야 한다.

AI 적용은 창고 밖 운송으로 넓어지고 있다. CJ대한통운의 미들마일 플랫폼 '더 운반'은 2026년 6월 말 기준 화주 7000여개사와 차주 7만여명을 확보했다고 밝혔다. 계약운임, 운행이력, 노선별 수요와 화물특성, 지역별 차량수급을 분석해 자동배차 성공률이 서비스 초기 50% 미만에서 최근 80% 이상으로 높아졌다는 설명이다.

자동배차는 빈 트럭이 화물 없이 이동하는 공차를 줄이고 화주가 차량을 찾는 시간을 단축할 수 있다. 그러나 가입자 수와 매칭률이 실제 운임 안정, 차주의 대기시간과 소득, 화주의 총물류비 절감으로 이어졌는지는 별도로 검증해야 한다. 플랫폼의 효율이 화주와 차주에게 균형 있게 배분되는지가 핵심이다.

AI 물류가 줄이는 비용은 분명하다. 작업자의 이동거리와 중량물 취급, 재고 탐색과 분류 오류, 차량의 공차와 우회, 과잉포장과 에너지 사용을 낮출 수 있다. 고객은 빠르고 정확한 배송을 얻고 화주는 재고와 배송상태를 실시간으로 확인할 수 있다.

반면 새 비용도 발생한다. 로봇과 센서 설치비, 창고 구조 변경, 기존 창고관리시스템과의 연동, 클라우드와 통신료, 모델 업데이트와 보안, 정비인력 교육, 장애에 대비한 예비설비가 필요하다. 자동화 비중이 높을수록 시스템 중단 한 번의 손실도 커진다.

성과평가에서 인건비 감소만 강조하면 전체 비용을 잘못 본다. 로봇 리스료와 감가상각, 유지보수, 소프트웨어 구독, 전력, 예외처리 인력, 재고오배치와 시스템 장애를 포함한 주문 1건당 총비용을 비교해야 한다. 투자회수기간도 성수기 최대처리량이 아니라 연평균 물동량으로 계산해야 한다.

특히 상품 종류와 주문 변동이 큰 중소 물류센터는 대형센터의 자동화 모델을 그대로 적용하기 어렵다. 설비를 많이 설치하는 것보다 공정과 데이터 상태를 먼저 진단하고, 변화하는 물량에 맞춰 임대·공유할 수 있는 모듈형 자동화가 필요하다.

로봇이 상품을 작업자에게 가져오면 장시간 걷고 무거운 물건을 옮기는 부담은 줄어든다. 아마존은 로봇이 중량물과 반복작업을 맡고, 차세대 물류센터에서는 신뢰성·정비·엔지니어링 직무가 기존보다 30% 더 필요하다고 설명했다. 2019년 이후 70만명 이상이 기술교육에 참여했다고도 밝혔다.

그러나 기업의 교육인원과 신규 기술직 증가가 전체 고용과 노동강도의 개선을 의미하지는 않는다. 자동화 이후 작업속도 목표가 높아지거나 스캐너와 알고리즘이 작업자를 실시간 평가하면 이동부담은 줄어도 시간압박과 감시가 강화될 수 있다.

업무는 피킹과 운반에서 로봇 장애 대응, 데이터 품질관리, 잘못 분류된 상품과 파손·반품 같은 예외처리로 이동한다. 자동화가 정상상황을 처리할수록 사람에게 남는 일은 더 불규칙하고 판단이 필요한 업무가 된다. 교육과 권한 없이 책임만 옮기면 현장 갈등이 커진다.

AI가 정한 생산량과 동선, 휴식과 평가기준을 노동자가 이해하고 이의를 제기할 수 있어야 한다. 안전사고와 근골격계 부담, 이직률, 초과근무와 임금까지 포함한 노동성과를 독립적으로 공개해야 생산성 향상이 지속될 수 있다.

대형 물류센터는 주문·재고·설비·인력·차량 데이터를 실시간으로 모을 수 있지만 중소기업은 종이장부와 엑셀, 서로 연결되지 않은 장비를 함께 사용하는 경우가 많다. 데이터의 품목명과 규격, 위치코드가 일치하지 않으면 AI를 설치해도 학습할 수 없다.

중소기업이 감당해야 할 비용은 장비가격만이 아니다. 현장 실측과 공정 재설계, 데이터 정리, 시스템 연동, 작업자 교육, 클라우드와 유지보수비가 누적된다. 정부 지원으로 최초 설치를 해도 물동량이 부족하거나 유지비를 감당하지 못하면 장비가 멈출 수 있다.

2026년 물류AI기술 도입 지원사업은 총 6억6500만원으로 중소·중견 물류기업에 기업당 최대 1억원, 투자비의 50% 이내를 지원한다. 국토교통부의 스마트물류센터 조성지원 예산은 2026년 138억원이다. 지원의 방향은 필요하지만 설치 뒤 3년간 성과와 유지비를 추적하는 체계가 함께 필요하다.

중소기업이 각자 AI를 구매하는 방식보다 지역 물류거점이나 산업단지에서 수요예측, 배차, 로봇관제, 보안과 데이터 분석을 공동으로 사용하는 구조가 효율적일 수 있다. 데이터는 기업별로 보호하되 공통 품목코드와 설비 인터페이스, 익명화된 운영패턴을 공유해야 한다.

아마존의 강점은 창고에 로봇이 많다는 데서 끝나지 않는다. 고객의 검색과 주문, 판매자의 재고, 물류센터의 작업, 배송주소와 운송망을 하나의 운영체계로 연결한다. 수요예측 결과가 재고배치에 반영되고, 재고 위치가 로봇과 배송경로를 다시 바꾼다.

로봇 제어 AI DeepFleet도 개별 장비의 지능보다 전체 네트워크의 혼잡을 줄이는 데 초점을 둔다. AI 물류의 경쟁단위가 로봇 한 대나 창고 한 곳이 아니라 여러 거점과 판매채널, 운송망을 연결한 네트워크임을 보여준다.

국내 기업도 디지털 트윈과 AI 배차, 자동포장과 로봇을 각각 고도화하고 있다. 다음 과제는 기술을 한 센터에 설치하는 것이 아니라 화주·판매자·창고·운송사·택배터미널 간 데이터를 표준화하고, 전체 공급망의 비용을 줄이는 것이다.

한국은 국토가 좁고 당일·익일 배송망이 촘촘해 AI 물류를 적용하기 좋은 조건을 갖췄다. 반면 배송속도 경쟁이 과도해지면 물류기업과 노동자, 입점 판매자가 비용을 떠안을 수 있다. 빠른 배송의 사회적 비용까지 성과지표에 포함해야 한다.

단기적으로 정부와 기업은 주문 1건이 고객에게 도착할 때까지의 통합 성과계정을 만들어야 한다. 처리시간과 오류율뿐 아니라 재고일수, 이동거리, 공차, 포장재, 에너지, 시스템 중단, 산업재해와 노동강도를 함께 측정해야 한다.

정부 지원사업은 장비 설치와 인증을 넘어 사전 데이터 건강검진과 독립 성과검증을 의무화할 필요가 있다. 지원 전에는 공정·설비·데이터 준비도를 평가하고, 설치 후에는 최소 3년간 사용률과 주문당 총비용, 안전성과 고용변화를 추적해야 한다.

중기적으로는 중소 물류기업이 공동으로 사용할 수 있는 지역·산업단지 물류 AI센터를 구축해야 한다. 수요예측과 배차, 로봇 시뮬레이션, 보안과 클라우드, 전문인력을 공유하고 기업이 특정 플랫폼에 묶이지 않도록 데이터 이전과 API 표준을 마련해야 한다.

장기적으로는 물류데이터와 알고리즘이 시장지배력으로 바뀌는 과정을 공정거래 관점에서 봐야 한다. 판매자에게 자신의 재고·배송·반품 데이터를 돌려주고, AI 배차의 운임과 노출기준을 설명하며, 생산성 향상의 이익을 노동자와 차주·협력사에 배분하는 구조가 필요하다.

물류 AI의 본질은 창고에서 사람을 없애는 데 있지 않다. 상품이 어디에 있어야 하고 누가 어떤 순서로 움직여야 하는지를 주문 전부터 판단하는 데 있다. 한국의 경쟁력은 로봇을 많이 설치하는 것이 아니라 분절된 물류 데이터를 연결하면서도 효율의 과실을 공정하게 나누는 운영체계를 만드는 데 달렸다.

jsh@newspim.com

■ 한 줄 요약
AI 물류의 본질은 로봇 대수를 늘리는 자동화가 아니라 수요예측·재고배치·피킹·배차·배송을 하나의 데이터 학습망으로 연결하는 데 있으며, 한국의 해법은 설치 지원을 넘어 공동 데이터 인프라·독립 성과검증·알고리즘 투명성과 이익배분 체계를 만드는 데 있다.

* [AI로 읽는 경제]는 AI 어시스턴트가 분석한 내용을 바탕으로 기자가 정리한 내용입니다. ChatGPT, Google Gemini, Perplexity, Claude AI 모델이 적용됐습니다. 상단의 'AI MY 뉴스' 로그인을 통해 뉴스핌의 차세대 AI 콘텐츠 서비스를 활용해 보기 바랍니다.

jsh@newspim.com