문제는 현장의 복잡성이었습니다. A씨에 따르면 제조 현장은 어느 정도 환경을 통제하고 표준화할 수 있는 반면, 유통 현장은 변수의 폭이 너무 넓습니다. 예컨대 SKU(Stock Keeping Units)가 제조 현장 대비 압도적으로 다양하고, 상품 특성이 제각각이라 로봇이나 설비에 요구되는 기능이 달라지고요. 매장 진열 자동화까지 고려하기 위해선 설비 동선 내 고객의 안전까지 고려할 수 있어야 합니다.
즉, 같은 환경이 반복되는 편인 제조와 ‘매일 조건이 달라지는 유통’은 자동화에 필요한 전제가 다르다는 건데요. 그래서 A씨는 해외 레퍼런스를 포함해 다양한 솔루션을 검토했지만, 자사 현장에 정확히 맞는 설비를 찾기는 쉽지 않다는 결론에 도달했습니다.
결국 답은 ‘커스터마이징’이었습니다. 기존 설비를 조합하면서, 부족한 부분은 새롭게 개발하여 채워 넣는 방식이죠. 하지만 이 과정에서도 반드시 함께 고려해야 하는 것이 투자 대비 수익률, ROI(Return on Investment)였는데요. 필요한 기능을 모두 만족하는 설비는 비싸지고, ROI를 맞추다 보면 기능이 부족해지는 딜레마 속에서 ‘적정 조합’을 찾는 일은 생각보다 훨씬 어려웠다는 평가입니다.
[함께 보면 좋아요! : 로지스올이 뜬금 ‘물류 자동화 설비’ 기업을 인수하는 까닭, 커넥터스]
② 데이터의 문제
AX 시대 산업 역량 고도화를 위한 자산은 ‘데이터’라는 데 이견이 있는 사람은 많지 않을 것입니다. 스스로 판단하고 대안을 제안하고 실행까지 하는 ‘에이전틱 AI’든, 물리 환경을 이해하고 물리력을 행사하는 ‘피지컬 AI’든 이를 고도화하기 위한 기반은 데이터가 되기 때문입니다.
[함께 보면 좋아요! : 네이버가 ‘에이전틱 AI’로 바꾸고 싶은 생태계, 커넥터스]
문제는 이 데이터를 수집하는 것 자체가 쉽지 않다는 데 있습니다. 대형 물류기업 실무자 B씨에 따르면 자동화 설비, 즉 ‘하드웨어’에서 나오는 데이터는 비교적 다루기 쉽습니다. 센서와 장비가 일정한 규칙으로 작동하고, 소프트웨어를 바탕으로 기록된 데이터 수집도 용이합니다.
그러나 여전히 물류 현장 업무를 담당하는 것은 ‘사람’이라는 걸 간과하면 안 됩니다. 그리고 사람의 작업 데이터는 설비와 다르게 표준화하기 어렵다는 평가입니다. 이러한 작업 데이터를 제대로 확보하지 못한다면, 인력과 설비 배치 판단 자체가 어려워진다고요. 물류 AI 솔루션사 실무자 C씨도 비슷한 문제를 지적했습니다.
“AI가 산업현장에서 제대로 작동하려면 가장 중요한 것이 ‘표준화된 데이터’입니다. 그런데 지금은 이 표준화 체계가 매우 부족합니다. 올해 테크 업계의 화두가 MCP(Model Context Protocol)인데요. AI 모델이 표준화된 방식으로 외부 도구를 연결하는 개방형 프로토콜입니다. 하지만 궁극적으로는 도구 연동을 넘어서 데이터 표준화가 이뤄져야 물류 프로세스 전체를 엔드투엔드로 다룰 수 있다고 봅니다”
- 물류 AI 솔루션 실무자 C씨
③ 비용의 문제
AX가 현실에서 멈추는 지점은 결국 경제성입니다. 특히 물류업계는 치열한 ‘저단가 경쟁’이 일상화돼 있습니다. 물류 서비스 단가는 사실상 상한선이 정해져 있고, 아무리 서비스 품질이 좋아져도 화주사가 그 비용을 추가로 지불하는 경우는 드뭅니다. 예컨대 새벽배송이나 당일배송조차 결국 택배의 익일배송 단가 구조를 따라가는 것만 봐도 시장 수요자가 원하는 것은 더 좋은 서비스보다 ‘더 저렴한 가격’에 가깝다는 사실을 알 수 있죠.
[함께 보면 좋아요! : CJ대한통운이 투자한 택배보다 저렴한 당일배송, 지속 가능한가요?, 커넥터스]
이런 맥락에서 실무자들이 마주하는 고민이 바로 ‘단가 구조’입니다. 대형 물류기업 실무자 D씨는 기존 물류 단가 산정 방식이 거의 모두 ‘인건비’를 기준으로 만들어져 있다는 점을 강조했습니다. 그런데 여기에 AI나 로봇 기반 자동화가 확산되면, 자연스럽게 이 기준도 사람에서 ‘로봇’으로 옮겨갈 수밖에 없습니다. 문제는 이 과정에서 등장하는 초기 투자비, 유지보수비, 시스템 연동비용 같은 요소들이 기존 인건비 기반 단가에는 포함돼 있지 않다는 것입니다. 즉, 자동화가 확대될수록 단가 체계 전체를 다시 짜야 하는데, 이것이 쉽지 않다는 거죠.
그래서 D씨는 당장 신기술을 전면 도입하는 대신, 현행 단가 구조를 흔들지 않으면서 투자 논리를 만들 수 있는 방식을 찾고 있었습니다. 대표적인 예가 RFID처럼 이미 검증된 기술을 물류센터 환경에 맞게 재설계해 ROI를 충족시키는 전략입니다. 그리고 이 과정에서 서로 다른 물류센터 환경에 맞춘 ‘커스터마이징’은 필수라고 지적했습니다.
이러한 접근은 단순히 첨단 장비를 들여오느냐의 문제가 아니라, 화주사에게 요구할 수 있는 단가 상한선을 맞추고 ROI를 기반으로 경영진들을 설득하기 위한 ‘현실형 전략’으로 평가 가능합니다. 그리고 어쩌면 이 문장은 비용 문제의 본질을 가장 정확히 설명합니다. “물류 현장의 AX는 우수한 기술이 아니라 합리적인 수준의 원가가 결정한다”는 것입니다.
이 세 가지 난제를 정리해 보면, 결국 물류 현장의 AX는 기술이 아니라 구조의 문제라는 결론에 닿습니다. 커스터마이징은 환경의 복잡성에서 나오고, 데이터 문제는 표준화의 한계에서 비롯되며, 비용 문제는 인건비 중심의 단가 설계와 치열한 저단가 경쟁 구조가 바뀌지 않는 이상 반복될 수밖에 없습니다. 다시 말해, 기술의 성숙도보다 기술을 받아들이는 현장의 요구 조건이 더 느리게 움직이고 있는 것이 지금의 현실입니다.
하지만 역설적으로, 이 세 영역이 풀리는 순간 물류 자동화의 변화 속도는 지금과 비교할 수 없을 만큼 빨라질 가능성이 높습니다. 이미 여러 기업이 AX의 실험적 단계에 들어섰고, 작지만 중요한 기초 기술들이 조용히 쌓여가고 있습니다. 언젠가 ‘현장에 맞는 기술’, ‘표준화된 데이터’, ‘납득 가능한 원가’라는 퍼즐이 맞춰지는 순간이 온다면, 물류 현장은 지금과 전혀 다른 풍경을 맞이하게 될지도 모릅니다. | 
