물류 AI는 “더 똑똑한 모델을 붙이면 끝”인 문제가 아니다. 현장에서 먼저 막히는 곳은 대개 모델이 아니라 데이터 연결이다. 주문, 창고, 운송, 클레임, 고객 알림이 서로 다른 시스템에 흩어져 있으면 AI는 좋은 답을 내기보다 그럴듯한 추측을 더 빠르게 내놓는다.
그래서 물류 AI의 첫 제품은 거대한 자율 운영 시스템보다 작고 선명한 예외 처리 레이어여야 한다. 지연, 파손, 누락, 경로 변경 같은 신호를 먼저 모으고, 위험한 건을 분류한 뒤, 사람이 근거를 보고 승인하거나 수정하게 만드는 구조다.
데이터 연결이 먼저다
World Bank의 Logistics Performance Indicators 2.0은 물류 성과를 설명할 때 속도, 연결성, 신뢰성을 함께 본다. 특히 기존 설문 중심 지표에서 운영 데이터 기반 지표로 확장하려는 방향은 물류 성과가 실제 이벤트와 추적 데이터의 품질에 크게 좌우된다는 점을 보여준다.
기업 현장도 비슷하다. TMS, WMS, 주문 시스템, 고객센터, 택배사 이벤트가 따로 움직이면 AI가 볼 수 있는 화면은 조각난다. 이 상태에서 모델을 먼저 고르면 “예측 모델 도입”은 했는데 운영자는 여전히 엑셀, 알림, 전화, 수동 확인을 오가게 된다.
물류 AI의 첫 번째 과제는 모델 선택이 아니라 다음 질문에 답하는 것이다.
- 어떤 이벤트가 한 건의 배송 예외로 묶이는가.
- 어떤 데이터가 사람 검수 전에 반드시 보여야 하는가.
- 어떤 결정은 AI가 추천만 하고 사람이 승인해야 하는가.
- 어떤 로그가 나중에 분쟁, 보상, 운영 개선에 다시 쓰이는가.
예외 Copilot은 운영자를 대체하지 않는다
배송 예외 Copilot의 역할은 운영자를 없애는 것이 아니라, 운영자가 봐야 할 일을 줄여주는 것이다. AI는 지연 가능성, 클레임 유형, 원인 후보, 다음 액션을 먼저 정리한다. 하지만 고가 화물, 책임 소재가 애매한 파손, 고객 보상, 택배사 귀책처럼 이해관계가 걸린 판단은 사람이 근거를 보고 확인해야 한다.
arXiv preprint인 “Foundation Models for Logistics”는 물류 계획 인터페이스에서 foundation model이 자연어 요청을 실행 가능한 계획으로 바꾸는 가능성을 다루면서도, 오해석과 환각 위험을 중요한 설계 이슈로 둔다. 이 논점은 공개 글에서 숫자보다 더 중요하다. 물류 AI는 “정답을 말하는 챗봇”이 아니라 “검증 가능한 계획 후보를 내는 인터페이스”로 설계되어야 한다.
좋은 Copilot은 다음 세 가지를 분리한다.
- AI가 먼저 감지한 예외
- 규칙 엔진이나 운영 기준으로 걸러야 할 제한 조건
- 사람이 최종 책임을 갖고 승인해야 할 액션
이 분리가 없으면 AI는 빠른 도구가 아니라 책임 소재를 흐리는 도구가 된다.
파일럿은 작은 병목에서 시작해야 한다
물류 AI 파일럿은 전사 시스템 교체로 시작하면 무겁다. 더 현실적인 출발점은 특정 배송 예외나 특정 클레임 흐름이다. 예를 들어 반복 지연 지역, 파손 클레임이 잦은 상품군, 특정 허브 이후의 추적 공백처럼 운영팀이 이미 아픈 곳을 먼저 잡는 방식이다.
arXiv preprint인 “Automating Supply Chain Disruption Monitoring via an Agentic AI Approach”는 공급망 교란 신호를 감지하고, 노출도를 평가하고, 대응 후보를 제안하는 agentic 접근을 다룬다. 이 연구를 그대로 상용 시스템 성능으로 일반화하면 안 되지만, 물류 AI의 가치가 단순 예측보다 모니터링, 위험 식별, 대응 추천의 연결에 있다는 점은 참고할 만하다.
또 다른 preprint인 “Will bots take over the supply chain?”은 공급망 자동화에서 여러 정보원을 합치는 agent 기반 시스템의 가능성과 함께, 공급망 정보 시스템 간 상호운용성 부족이 현장 도입을 늦추는 요인이라고 설명한다. 이는 물류 AI 프로젝트가 데이터 통합과 운영 신뢰 문제를 함께 풀어야 한다는 점을 뒷받침한다.
InCore가 보는 투자 포인트
이 시장을 볼 때 핵심은 “물류 AI 모델 회사”가 아니다. 돈이 되는 레이어는 다음에 가깝다.
- TMS/WMS와 외부 이벤트를 연결하는 데이터 커넥터
- 배송 예외를 업무 큐로 바꾸는 분류 엔진
- 운영자가 승인, 반려, 수정할 수 있는 검수 콘솔
- 추천 이유와 사람의 판단을 남기는 감사 로그
- 반복 예외를 다음 운영 규칙으로 바꾸는 학습 루프
즉 물류 AI의 승부처는 모델 성능보다 운영 책임 구조다. 예측이 맞았는지보다, 예외가 발생했을 때 누가 어떤 근거로 어떤 결정을 했는지가 남아야 한다. 그래야 AI가 현장의 부담을 줄이고, 동시에 고객, 운송사, 화주 사이의 분쟁 비용도 낮출 수 있다.
앞으로 볼 포인트
첫째, 물류 AI 기업이 어떤 시스템과 실제로 연결되는지 봐야 한다. 데모 화면보다 중요한 것은 TMS, WMS, 택배사 이벤트, 고객센터 로그와의 연결 깊이다.
둘째, 사람 검수와 예외 처리 UI가 있는지 봐야 한다. AI가 답을 내는 것보다 사람이 빠르게 확인하고 책임 있게 수정할 수 있는지가 더 중요하다.
셋째, 숫자 성과보다 반복 가능한 운영 루프를 봐야 한다. 특정 파일럿에서 나온 개선율 하나보다, 예외 감지, 원인 요약, 액션 추천, 사람 승인, 감사 로그가 한 화면에서 돌아가는지가 장기 경쟁력에 가깝다.
물류 AI는 거창한 자율화보다 예외 처리의 자동화에서 먼저 자리를 잡을 가능성이 크다. 그리고 그 예외 처리 레이어는 보험금 심사, 병원 원무, 제조 품질, 법무 검토에서도 반복되는 같은 공식이다. AI가 먼저 분류하고, 사람이 책임 있게 검수하며, 운영 로그가 다음 개선으로 돌아오는 구조다.