물류 산업에서의 AI: 잠재적 이점과 활용

제품의 생산 및 배송 전 과정에 걸쳐 발생하는 공급망 관리의 하위 개념인 물류 관리에는 원자재 운송과 제품의 이동 및 보관이 포함됩니다. 물류 관리자는 이 단계의 관리를 보다 효율적으로 할 수 있는 방법들을 끊임없이 모색해 왔습니다. 오늘날까지 그들은 운송 및 창고 관리 소프트웨어의 이점을 오랜 기간 누려왔고, 트럭, 운송용 차량, 화물 열차 및 기타 운송 모드의 추적을 지원하는 사물인터넷 기기의 혜택을 받아 왔습니다. AI가 기존의 소프트웨어 및 기기와 기타 애플리케이션 및 장비에 내장되면서 이제 물류 관리자들은 그 어느 때보다 정확도 높은 도구를 손에 쥐게 되었습니다.

물류 산업에서의 AI가 무엇인가요?

수요 전망, 운송 계획 수립, 창고 최적화, 경로, 화물 상태, 잠재적 운송 중단에 대한 단계별 가시성 확보 등 AI는 물류 산업에서 다양한 목적을 위해 사용되고 있습니다. AI 알고리즘은 물류 전문가들이 운송 시간을 예측하고, 최적의 가격을 제시하는 최적의 운송업체를 결정하고, 운송 중단 발생 시 대체 경로 및 운송업체를 파악할 수 있도록 지원합니다. 또한 기본적인 고객 문의 처리를 지원하는 AI 기반 챗봇 및 고객의 불만을 분석하고 해당 데이터를 물류 팀에 제공하는 AI 기반 도구를 통해 고객 서비스의 특정 요소들을 자동화할 수 있습니다.

핵심 요점

• 기업들은 AI를 사용해 공급망의 다양한 단계들을 거치는 제품 및 부품들의 출처를 추적함으로써 공급업체가 공정한 노동법 및 지속가능한 관행을 준수하는지 확인할 수 있습니다.
• AI는 교통 흐름, 날씨, 배송 위치, 심지어 노동자 파업의 영향까지 고려하여 운송 경로를 최적화할 수 있습니다. 기업은 최적화된 경로를 활용해 탄소 배출과 연료 소비를 줄이고 제품을 더욱 빠른 속도로 배송할 수 있게 됩니다.
• AI는 제품의 반품 문제 해결도 지원할 수 있습니다. 예를 들어 AI는 고객 반품 빈도가 높은 제품을 파악할 수 있기 때문에 기업은 해당 피드백을 활용해 제품 결함을 알아내거나 제품과 목표 시장 간 불일치 요소들을 파악할 수 있습니다.

물류 산업에서의 AI 정의

물류 산업에서 사용되는 AI의 주된 목표는 내부 및 제3자 데이터(예: 기상 예보, 잠재적 작업 중단)를 기반으로 보다 정확한 ETA를 예측하고 위험 상태에 놓인 배송 품목을 식별해 관리자가 조치를 취할 수 있게 하는 것입니다(예: 운송 경로를 변경하는 방식 등). AI 모델들은 이전에 이행된 주문 및 사용자 선호도를 기반으로 훈련되기 때문에 운영 성과 개선 및 수동 개입의 필요성 절감에 도움이 됩니다. McKinsey & Company의 연구에 따르면, AI 기반 공급망 관리 소프트웨어를 조기에 도입한 얼리어답터 기업들은 뒤늦게 이를 도입한 경쟁사 대비 물류 비용을 15% 절감할 수 있었고, 재고 수준은 35% 개선할 수 있었습니다.

모던 물류 산업에서 AI의 역할

모던 물류 산업에서 AI의 역할이 확장되고 있습니다. Zogby Strategies 및 Xometry가 2024년 제조업 CEO들을 대상으로 진행한 설문 결과, 응답자의 97%가 향후 2년간 운영에 AI를 사용할 것이라고 답했습니다.

물류 관리자들은 운송 효율성을 높이기 위해 새로운 AI 기능들을 사용하기 시작했습니다. 예를 들어 교통량과 날씨 패턴을 분석해 연료를 가장 효율적으로 사용할 수 있는 배송 경로를 찾고 배송 지연을 피함으로써 비용을 절감할 수 있게 되었습니다. 제조업체들은 전 세계로부터 배송되는 수천 개의 부품으로 자사의 제품을 조립합니다. 이런 상황에서 배송은 통합관리가 필요한데, 모든 부품 하나하나가 너무 이르지 않게, 적절한 시기에 준비되어야 하기 때문입니다. 지나치게 빠른 배송으로 인한 초과 재고 발생 시 막대한 보관 비용이 발생하기 때문입니다.

물류 산업의 AI가 제공하는 잠재적 이점

제품의 운송, 보관, 배송 과정에서 어마어마한 양의 데이터가 생성됩니다. 실시간 위치, 온도, 운송비, 운송업체 가용성 등이 데이터 포인트에 포함됩니다. AI 기반 물류 및 정시 배송이 고객 만족도에 미치는 잠재적 영향은 분명합니다. 하지만 물류 개선 측면에서 AI가 할 수 있는 역할은 아래의 설명에서 확인할 수 있듯 아주 다양합니다.

• 재고 관리
  AI 기반 창고 관리 도구는 물류 관리자가 예측 이행 시간 기능을 사용해 목표치를 넘어서는 입고 주문을 파악할 수 있게 해 줍니다. 이후 문제 주문의 세부 사항을 이행 관리자에게 공유하여 해당 주문들의 처리를 우선순위로 지정하거나, 자주 주문되는 제품 그룹이 한곳에 보관되도록 보관 위치를 조정할 수 있습니다. 또한 생성형 AI 기능들은 관련 주문 수정 기록의 간결하고 구조화된 요약 및 신규 주문 및 주문 변경에 대한 편집 가능한 이메일을 제공할 수 있도록 설계되었습니다.
• 수요 정확도
  AI 내장형 물류 애플리케이션은 수요 예측 담당자가 완제품의 배송을 지연시킬 가능성이 있는 문제들을 예측할 수 있게 지원합니다. 또한 수요 예측 애플리케이션이 생성한 데이터는 물류 관리자가 고객 만족도 및 전반적인 수익성에 가장 큰 영향을 미칠 것으로 예상되는 제품의 배송을 우선순위에 두도록 지원합니다.
• 재고 과잉 최적화
  제조업체들은 AI 기반 예측 분석을 사용해 재고 수준을 최적화하고, 과거 데이터 및 실시간 수요 데이터를 바탕으로 재고 부족 사태를 방지하고, 잉여 재고량을 줄일 수 있습니다.
• 이행 효율성
  AI는 창고의 운영 효율성 개선을 지원함으로써 이행률 증가를 보조할 수 있습니다. 예를 들어 과거 수요 데이터를 분석하여 특정 제품을 위한 최적의 위치를 결정하고, 이행 속도 개선을 위한 현장 배치와 작업자 이동 경로를 추천할 수 있습니다. 창고 관리자들은 또한 AI를 사용해 배송 컨테이너에 낭비되는 공간은 없는지, 수화물의 양은 이상적인지 확인할 수 있습니다.
• 주문 정확성
  제조업체 및 물류 기업들은 카메라 및 센서로부터 수집한 데이터를 기반으로 AI 알고리즘을 훈련시킨 뒤 이를 통해 잘못된 제품 회수 및 잘못된 위치로의 물품 배송 등 작업자 오류를 발견 및 저지할 수 있습니다. 이와 동일한 시스템을 사용해 데이터를 분석하면 프로세스 또는 설계 변경(예: 작업자 교육 개선, 포장 변경, 수요 수준을 기반으로 한 제품 위치 최적화 등)으로 피할 수 있는 빈번한 오류를 파악할 수 있습니다.
• 피킹 최적화
  AI는 주문 패턴을 파악하고, 자주 함께 주문되는 제품들을 창고의 동일한 구역에 함께 보관함으로써 창고 직원들이 주문 이행을 위해 제품을 회수할 때 제품 피킹을 최적화할 수 있습니다. 쉽게 상하는 제품 또는 시간에 민감한 주문 등 배송일이 도래한 제품들이 창고 내 접근성이 가장 뛰어난 공간에 보관될 수 있게 하는 것 역시 AI 기반 수요 예측 기능이 제품 피킹을 개선하는 한 가지 방법입니다.
• 라벨링 자동화
  GenAI 도구는 배송 라벨 생성을 자동화하는 데에도 사용됩니다. 과거에는 수동으로 이루어져 오류에 취약한 작업이었습니다. 이 작업을 위한 도구는 물류 및 창고 관리 애플리케이션에 통합될 수 있으며, 다국어 및 국제 배송 요구 사항을 지원할 수 있습니다.
• 운송 관리
  AI 기반 운송 관리 애플리케이션은 물류 관리자가 운송을 계획하는 시점, 제품이 실제로 이동 중인 시점 이렇게 두 차례에 걸쳐 운송 ETA를 예측합니다. 계획 단계에서 운송 지연 가능성이 있는지 예측할 수 있다면 물류 관리자가 대체 운송 경로 및 운송업체를 선택하는 데 용이합니다.
  
  운송 중에 운송업체를 교체하는 게 항상 가능한 일은 아니지만 다양한 운송 경로를 활용하면 최적화의 기회 역시 늘어납니다. 물류 관리자는 AI 기반 데이터 분석을 사용해 물류를 다른 항구로 보내거나 트럭 서비스가 더 나은 경로를 선택하도록 지시할 수 있습니다. 예측 배송 시간과 실제 배송 시간을 나란히 두고 분석하는 데에도 AI 도구가 사용될 수 있습니다. 물류 관리자는 이를 통해 가장 위험이 높은 경로를 파악하고 가능한 한 해당 경로를 피할 수 있습니다. 예측 정확도는 당연히 물류가 배송지에 가까워갈 수록 높아집니다. ETA 안정성이 특정 임계점에 도달하면, AI 관리 도구는 가장 적합한 운송업체를 자동으로 선택해 물류가 도착하자마자 배송을 위해 출발할 수 있도록 준비할 수도 있습니다.
• 연료 절약
  유럽 환경청(European Environment Agency)에 따르면 현재 수준에서 배출량 저감 조치를 취하지 않는 이상 2050년까지 전 세계 항공 및 운송 부문이 차지하는 이산화탄소 배출량은 전체 배출량의 거의 40%를 차지할 것으로 예상됩니다. AI에 최적화된 물류는 트럭 적재/운송 적재 및 배송 경로를 최적화하여 제품 및 자재 운송이 환경에 미치는 영향을 줄이는 데 도움이 될 수 있습니다. 2021년 보고서에서 세계 경제 포럼(World Economic Forum)은 전체 운송용 트럭의 이동 거리 중 15%는 적재물 없이 운행된 것으로 추정했습니다.
• 배송 시간 최적화
  물류 관리자들은 AI를 사용해 배송 경로를 최적화합니다. 덕분에 기업들은 필요한 원자재를 필요한 때 확보할 수 있고, 완제품을 창고 또는 매장에 신속하고 효율적으로 배송할 수 있습니다. 관리자들은 주문량, 제품 가용성 등 거의 모든 요소를 기반으로 우선순위를 설정할 수 있습니다. 심지어 AI에게 우선순위가 높은 고객으로부터 온 주문에 대해, 마치 해당 주문이 위험에 처한 것처럼, 매 단계 특별한 주의를 기울이도록 명령할 수도 있습니다.
• 운송 안전
  카메라와 센서로 구성된 AI 기반 대시보드 시스템 및 기타 시스템들은 부주의하거나 졸고 있는 운전자 등 차량 내에서 발생하는 위험은 물론 갑작스러운 충돌 이나 도로 상황의 변경 등을 감지하는 데 도움이 될 수 있습니다. 물류 관리자는 이와 같은 시스템의 데이터를 사용해 안전 프로토콜을 준수하지 않는 직원들을 파악할 수도 있습니다. 사고가 발생하면 관리자는 AI를 사용해 사고 원인을 분석하고, 향후 동일한 사고가 발생하지 않도록 예방적 조치를 취할 수 있습니다.
• 창고 및 운송 관리
  지게차, 팔레트, 선별기, 켄베이어, 적하기 및 다양한 창고 장비들은 고장에 취약합니다. 트럭, 선박, 화물 열차, 철로 및 다양한 운송 수단 역시 마찬가지입니다. 물류 관리자들은 이 장비 및 인프라에 내장된 센서로부터 수집한 데이터에 GenAI를 적용하여 고장을 더욱 정확히 예측할 수 있습니다. 그 결과 유지 보수 일정을 사전 예방적으로 수립하고, 계획되지 않은 가동 중단을 피하고, 고가 장비의 수명을 연장하고, 궁극적으로는 공급망의 원활한 운영을 지원할 수 있습니다.
• 반품
  AI는 또한 역물류(반품이라고도 함) 문제를 조명하는 데도 도움이 됩니다. 특정 제품이 잦은 고객 반품 대상이 되거나 특정 지역에서 자주 반품이 된다면, AI 알고리즘이 이와 같은 추세를 신속히 파악하여 제조업체에 설계 문제, 결함 경보 또는 시장과 제품의 미스매치 등을 경보를 통해 알립니다. 대량의 제품이 리콜되는 경우 AI는 보다 효율적인 반품 흐름을 수립해 프로세스를 간소화할 수 있습니다. 예를 들어 회수된 제품을 지정된 위치로 이동시키기 위한 특별한 반품 코드를 설정해 다른 모든 반품 제품들과 뒤섞이지 않도록 할 수 있습니다.

물류 AI 애플리케이션

제조업체들은 AI 소프트웨어를 사용해 장비 고장 추적, 제품 품질 개선, 물품 배송 속도 향상 등 작업의 자동화를 지원하기 시작했습니다. 이들은 또한 AI를 사용해 방대한 데이터를 분석하고, 자신들이 직면한 가장 복잡한 물류 문제를 해결합니다. 물류 관리자가 목표 달성을 위해 AI를 활용하는 몇 가지 구체적인 방법을 아래에 소개합니다.

• 경로 최적화
  과거에 경로 계획 수립은 수동으로 이루어지는, 노동 집약적인 절차였습니다. 하지만 AI 시스템을 사용하면 교통 흐름과 도로 상태, 날씨, 배송 위치 및 기타 유관한 데이터를 바탕으로 경로를 최적화할 수 있습니다. 보다 효율적인 경로를 선택함으로써 기업은 연료 비용을 아끼고 탄소 배출량을 절감할 수 있으며, 운전자는 동일한 기간 동안 더 많은 배송을 완료할 수 있습니다.
• 라스트 마일 계획
  라스트 마일이라고도 불리는, 유통 허브에서 고객의 집 앞에 이르는 물류 이행의 마지막 단계와 관련된 비용이 2018년 총 배송 비용의 53%에서 2023년 41%로 올랐다고 CapGemini Research Institute가 밝혔습니다. 배송 속도에 대한 고객의 기대가 높아지면서 기업들은 소규모 배송 창고 네트워크를 만들고, 배송을 제3자 공급업체에 아웃소싱하고, AI를 사용해 경로 일정을 최적화하는 방식으로 대응에 나서고 있습니다. AI 도구는 배송 위치와 차량의 용량을 분석해 차량 경로를 보다 효율적으로 계획하고, 운전자가 예상치 못한 지연에 보다 신속히 대응할 수 있도록 지원할 수 있습니다.
• 차량 관리
  차량 관리 애플리케이션에 내장된 AI 기능들은 관리자가 최적의 운송업체 고용 및 사설 업체 활용 옵션 조합을 결정할 수 있게 해 줍니다. 또한 이 도구들은 적재물을 운전자에게 자율적으로 할당하고, 대내외적으로 수집한 과거 데이터를 바탕으로 운송 시작 시간을 조율할 수 있습니다.
• 수요 예측
  전통적인 수요 예측은 보통 내부의 과거 데이터에 전적으로 의존했습니다. AI 기반 수요 예측 도구 역시 날씨, 지역별 이벤트, 변동하는 고객 수요 패턴 및 기타 요소들에 관한 제3자 데이터를 분석하여 정확도를 높이는 데 도움을 줍니다.
• 로보틱스 및 자동화
  AI가 구동하는 로봇은 인간 작업자에 비해 더욱 빠르고 효율적으로 제품을 보관 및 피킹할 수 있습니다. 자동화된 로봇이 제공하는 이점에는 오류 및 부상 위험 감소 및 공간의 효율적 활용이 있습니다. 자율주행 트럭을 위한 파일럿 프로그램을 통해 추가적인 운송 비용 절감과 거의 연중무휴로 24시간 가동되는 차량을 통한 배송 시간 개선 이점을 확인했습니다.
• 지능형 포장 및 분류
  AI 알고리즘은 시설 안팎을 오가는 재고의 이동 속도를 높일 수 있도록 최적의 창고 배치를 제안할 수 있습니다. 또한 제품 피커의 주문 이행을 위한 가장 효율적인 창고 경로 계획 수립도 지원할 수 있습니다. 세계 최대의 택배 배송 기업 중 하나는 심지어 택배 분류에 AI 구동 로봇을 활용하고 있습니다.
• 동적 가격 책정
  일부 산업에서는 전통적인 정적 가격 책정 매커니즘이 동적 가격 책정 방식으로 점차 대체되고 있습니다. 그에 따라 AI 알고리즘은 시장 수요 및 다양한 요소들에 대한 지속적인 분석을 바탕으로 제품 및 서비스의 가격을 지속적으로 조정합니다. 항공 산업은 이 분야의 선구자였으며, 호텔, 리테일 업체, 전자상거래 사이트, 운행 공유(ride-sharing) 기업, 전문 스포츠 팀이 그 뒤를 빠르게 이었습니다.
• 문서 자동화
  GenAI 기반 문서 이해 기능(지능형 문서 인식 기능이라고도 불림)은 디지털 파일에서 자동으로 문자를 추출하기 위해 설계되었습니다. 심지어 판독이 어렵거나 상태가 나쁜 문서에서도 문자 추출이 가능합니다. 이와 같은 기능은 물류 작업 간소화에 도움이 되는데, 예를 들어 선적 청구서를 바탕으로 디지털 영수증을 생성하고, 종이 송장을 디지털화하고, 이를 미지급급 시스템으로 가져오는 데 쓰일 수 있습니다. GenAI 역시 문서로부터 문자, 표 및 기타 핵심 데이터를 추출해 비용 지불, 청구서 처리, 콘텐츠 관리 등을 지원할 수 있습니다.
• 고객 서비스 및 경험
  기업들은 GenAI 기반 챗봇을 배포해 제품이 특정 주소로 배송될 수 있는지, 운송업체가 국가 간 배송도 지원하는지, 한 특정 국가 내 여러 건의 배송을 지원하는지 등 가장 자주 묻는 고객 문의에 대한 답을 제공하고 있습니다. 과거에는 고객 서비스 담당자들이 이와 같은 질문에 답하기 위해 매트릭스화된 스프레드시트를 참고해야 했습니다. AI 시스템은 여러 변수들을 샅샅히 살피고 변수가 변경되면 자동으로 답변을 업데이트할 수 있습니다. 자연어로 구성된 사용자 인터페이스는 인간 사용자가 챗봇과 대화를 나누는 과정에서 이와 같은 정보를 얻을 수 있게 해 줍니다.

물류 산업의 AI 사례

Western Digital은 Logibot이라는 이름의 디지털 어시스턴트를 사용해 공급망 파트너에게 물류 정보를 제공합니다. 경쟁자들의 온라인 스토어를 벤치마킹한 Western Digital의 물류 경영진들은 다음과 같은 3가지 목표를 세웠습니다. 첫째, 고객의 문의에 하루 24시간 연중무휴로 답을 제공할 것. 둘째, 고객의 피드백을 모으고 고객의 의견에 대응할것. 셋째, 대부분의 문의를 자율운영 시스템으로 처리해 고객 서비스 담당자가 가장 중요한 문제에만 개입할 수 있도록 할 것. 이 기업의 최종 목표는 Logibot이 사용자와 나누는 모든 상호작용을 추적하고 그중 성공적으로 끝난 상호작용이 몇 건이었는지, 실패로 끝난 상호작용은 몇 건이었는지 확인한 뒤, 이 데이터를 사용해 도구를 개선하고, 더 나은 고객 서비스를 제공하는 것입니다. Western Digital은 물류에서 계획 수립, 조달, 제조까지 Logibot의 활용을 확장할 계획입니다.

쉽게 상하는 제품을 재배 또는 제조하는 기업과 제품 소싱 및 완제품의 고객 제공에 복잡한 운송 네트워크를 사용하는 기업들에게 있어 운송 현황 추적 역량은 이들이 갖춰야 할 최소한의 조건입니다. AI는 이미 이동 중인 품목을 자율적으로 추적하다가 운송 컨테이너 내 온도 증가 또는 운송을 위태롭게 할 수 있는 예상치 못한 지연이 발생하면 사람 에이전트에게 이를 알립니다. 물류 관리자들은 이와 같은 정보를 사용해 제품의 운송 경로를 변경하고, 고객의 기대를 재설정할 수 있습니다. 배송이 이루어지기 전에도 물류 관리자들은 AI의 예측 기능을 통해 기상 조건, 도로 및 항구 폐쇄, 노동자 파업 등 다양한 변수에 대한 과거의 사내 데이터 및 제3자 데이터를 사용해 문제 발생 가능성을 파악할 수 있습니다.

AI 도입의 과제

AI가 자재 및 제품의 보관 및 운송 방식을 개선할 수 있는 잠재력을 가진 건 맞지만 AI의 구현이 항상 쉬운 건 아닙니다. 다음은 AI 도입 시 기업들이 직면하는 도전 과제 중 일부입니다.

• 구현 및 인력 교육 비용
  직원들은 새로운 애플리케이션의 등장에 의기소침해지곤 합니다. 심지어 그게 직관적인 클라우드 기반 애플리케이션이라면 심지어 기술 도입에 반감을 가지는 경우도 있습니다. 기업들은 다운타임을 일정에 추가해 직원들이 새로운 기능에 익숙해질 시간을 줄 필요가 있습니다. 또한 공급업체와의 협력을 통해 AI 기반 경보에 적절히 대응해야 하는 물류 관리자, 자동화된 운전 기능을 사용하고 AI가 최적화한 경로를 따라야 하는 운전자 등 다양한 역할에 적합한 훈련 프로그램을 개발하는 것 역시 고려해야 합니다.
• 기존 시스템과의 통합
  새로운 AI 기능과 레거시 온프레미스 물류 애플리케이션의 통합은 까다로운 작업일 수 있으며, 종종 시스템 통합 업체(systems integrator)의 개입을 필요로 합니다. 시스템이 다시 프로덕션 단계로 돌아갈 준비가 되면 기업 조직은 보통 일정 기간 가동 중단을 경험하게 됩니다. 클라우드 기반 애플리케이션에서는 AI 및 기타 기능 개선 사항이 보통 훨씬 더 원활하게 제공됩니다.
• 개인정보 보호 및 보안 우려
  레거시 온프레미스 물류 애플리케이션을 사용하는 경우 기업은 보안 취약성 해결을 위해 반드시 지속적으로 패치를 적용해야 합니다. 그러나 클라우드에서 실행되는 AI 기반 물류 애플리케이션의 경우 소프트웨어가 정기적으로 자동 업데이트되기 때문에 데이터 보안 및 개인정보 보호가 강화됩니다.

Oracle로 신속한 물류 이행 극대화

Oracle Fusion Cloud Logistics는 Oracle Fusion Cloud Supply Chain Management & Manufacturing의 일부로, 새롭게 포함된 AI 기능들이 물류 작업을 간소화하고, 운송업체의 경로를 최적화하고, 재고 보관 비용을 절감할 수 있도록 지원합니다. 이와 같은 기능들은 제조업체가 비용을 절감하고, 운송 기간을 단축하고, 직원의 안전을 개선하고, 탄소 발자국을 줄이는 데에도 도움을 줄 수 있습니다.

물류 산업에서의 AI FAQ

AI가 물류 산업에서 어떻게 사용될 수 있나요?
물류 산업에서 AI는 주로 수요를 예측하고, 운송 계획을 수립하고, 화물 상태를 점검하고, 창고 공간과 운송 경로를 최적화하는 데 사용됩니다.

AI가 운송 산업을 어떻게 변화시키고 있나요?
운송 기업들은 AI를 사용해 교통량, 해류, 기상 상황 등을 분석하여 경로를 미세 조정하거나 대체 경로를 찾아냄으로써 연료 소비량과 비용을 야기하는 지연을 줄일 수 있습니다. AI는 예측 장비 유지 보수에도 사용됩니다.

AI가 보다 지속가능한 공급망 형성에 어떤 도움을 줄 수 있나요?
AI는 주로 운송 경로 최적화를 통해 지속가능한 공급망 형성에 기여합니다. 그 결과 운송 차량의 화석 연료 사용량과 탄소 배출량이 줄어듭니다.