창고와 물류에서 AI Agent가 실제로 무엇을 할 수 있는가. 한 문장으로 쉽게 말하면 사람이 물건을 찾고 사람이 주문을 지켜보고 사람이 차량을 배차하던 옛 창고 프로세스를 소프트웨어 Agent가 스스로 감지하고 판단하고 실행하는 폐루프로 바꾸어 창고 내 운영을 수동적 대응에서 능동적 스케줄링으로 이동시키는 것이다.
창고와 물류 업계의 AI Agent에 대한 관심은 최근 몇 년 사이 분명히 뜨거워졌다. 한편으로 이커머스와 대규모 제조가 주문 구조를 더 잘게 쪼개 SKU는 늘고 풀필먼트 시간은 갈수록 짧아졌고, 다른 한편으로 창고 자동화 하드웨어는 상당히 갖춰졌지만 소프트웨어 계층의 두뇌가 따라오지 못해 설비는 제각각 돌고 스케줄링은 여전히 사람에게 의존한다. AI Agent는 바로 이 틈을 메운다.
1. 핵심 개념과 정의
AI Agent는 단순한 챗봇도 아니고 전통적 WMS에 하드코딩된 규칙 엔진도 아니다. 환경을 인지하고 자율적으로 판단하며 도구를 호출하고 작업을 지속적으로 실행하는 능력을 지닌 소프트웨어 실체를 말한다. 창고와 물류 맥락에서 AI Agent는 보통 역할이 명확히 나뉜 여러 디지털 직원으로 나타난다. 어떤 것은 로케이션 할당을, 어떤 것은 웨이브 계획을, 어떤 것은 AGV/AMR 군집 관리를, 어떤 것은 예외 주문 처리를, 어떤 것은 운송과 연동해 적재 순서를 최적화한다.
전통적 자동화 스크립트와 무엇이 다른가. 규칙 엔진은 A이면 B이고 사전 설정에 없던 상황을 만나면 막힌다. AI Agent는 목표에서 추론할 수 있다. 같은 주문 폭증을 만나도 어느 주문 묶음을 먼저 풀어야 하는지, 어느 구역의 인력을 임시로 빌려야 하는지, 어떤 SKU를 핫 피킹 구역으로 옮겨야 하는지를 스스로 판단하며 누군가 파라미터를 바꿔 주기를 기다리지 않는다.
2. 기술 원리와 핵심 역량
간단히 말하면 창고 AI Agent는 세 계층에 기반한다. WMS, WCS, IoT 기기, 비전 인식, 주문 스트림의 데이터를 연결하는 인지 계층, 대형 모델과 도메인 소형 모델로 작업 분해와 전략 생성을 수행하는 의사결정 계층, API를 통해 설비를 구동하고 지시를 배차하며 시스템에 기록을 되쓰는 실행 계층이다.
핵심 역량은 네 가지로 요약된다.
첫째는 작업 이해와 분해다. 운영 담당자가 오늘 오후 세 시까지 화동 지역 긴급 주문을 모두 처리해라라고 말하면 Agent는 이를 재고 조회, 웨이브 생성, 인력 스케줄링, 설비 배차 같은 하위 작업으로 쪼개야 하며 사람이 코드를 작성하도록 요구해서는 안 된다.
둘째는 멀티 Agent 협업이다. 창고 내 시나리오는 본질적으로 분산되어 있어 로케이션 Agent, 피킹 Agent, 운송 Agent가 협상해야 한다. 예를 들어 피킹 Agent가 통로 정체를 발견하면 운송 Agent와 경로를 다시 협상하는데 이는 멀티 Agent 강화학습에서 성숙한 방향이다.
셋째는 도구 호출이다. Agent는 WMS 인터페이스를 직접 호출해 재고를 조회하고 WCS 인터페이스로 운송 작업을 발행하며 TMS 인터페이스로 차량을 예약할 수 있다. 이것이 Agent와 분석 대시보드를 가르는 분수령이다.
넷째는 예외 자가 복구다. 결품, 설비 고장, 주문 주소 변경은 창고에서 매일 일어난다. Agent는 사전 설정된 목표에 따라 성능 저하 처리(예를 들어 백업 로케이션으로 자동 전환하거나 주문을 재할당)를 수행해 수동 개입 빈도를 줄일 수 있다.
3. 제조업 적용 시나리오
수만 개 부품 SKU를 보유하고 완성차 업체의 적시 공급 주문과 소량 애프터서비스 수리 주문을 동시에 처리하는 자동차 부품 기업을 가정하자. 이런 창고의 어려움은 혼합 모드 운영이다. AI Agent 방식은 주문 Agent가 납기 적시성과 라인 택트로 주문을 등급화하고 로케이션 Agent가 고빈도 피킹 부품을 포장 구역 가까이로 옮기며 운송 Agent가 실시간 정체를 우회하도록 하는 것이다. 실제로 경험 많은 창고 관리자에게 의존하던 판단이 재현 가능한 소프트웨어 정책이 된다.
원자재 창고와 완제품 창고가 분리되어 있고 자재 완비도가 생산 라인의 생명줄인 전자 공장을 가정하자. 여기서 AI Agent는 완비도 디스패처 역할을 더 많이 한다. 생산 계획을 받은 뒤 어떤 자재가 부족한지, 어떤 것이 운송 중인지, 어떤 것을 긴급 이송해야 하는지를 역산하고 보충 작업을 운송 설비에 직접 배차한다. 라인에 긴급 주문이 끼어들면 Agent는 반장이 전화로 조율하기를 기다리지 않고 몇 분 안에 완비도 계획을 재계산할 수 있다.
또 다른 전형적 시나리오는 반품 처리다. 양품, 불량품, 검사 대기품이 섞여 상태가 복잡한 반품 창고를 가진 가전 기업을 가정하자. AI Agent는 비전 인식 결과와 반품 사유를 결합해 경로를 결정한다. 양품은 판매 가능 재고로 바로 복귀하고 불량품은 수리 작업지시를 발생시키며 결과는 시스템에 기록된다. 이런 시나리오는 Agent의 규칙 유연성과 시스템 통합 역량을 높게 요구하지만 인건비 절감 효과는 직접적이다.
4. 선정과 도입 제안
첫째, 첫날부터 창고 전체의 완전 자율 의사결정을 목표로 하지 말아야 한다. 더 현실적인 경로는 웨이브 최적화나 예외 주문 처리 같은 단일 시나리오에서 시작해 그것이 원활히 돌아간 뒤 멀티 Agent 협업으로 확장하는 것이다. 창고 운영은 오류 허용도가 낮아 한 걸음을 너무 크게 디디면 실패하기 쉽다.
둘째, 모델 파라미터만 보지 말고 시스템의 도구 호출 역량에 주목해야 한다. Agent가 WMS, WCS, TMS 인터페이스를 안정적으로 호출할 수 있는지, 인터페이스 타임아웃과 비정상 반환을 처리할 수 있는지, 이런 엔지니어링 세부가 성패를 결정한다. ERP와 창고 시스템 분야에서 수십 년간 일해 온, 120만 고객을 서비스하고 누적 수천만 단말을 배치했으며 국내외 시장을 커버하는 공급업체의 축적은 바로 이런 인터페이스의 성숙도에서 드러나는 경우가 많다.
셋째, 데이터 기반을 사전에 정리해야 한다. Agent 의사결정의 품질은 재고 정확도, 로케이션 기준 정보, 설비 상태 데이터의 실시간성에 크게 의존한다. 데이터가 부정확하면 아무리 똑똑한 Agent도 눈먼 지시만 내릴 뿐이다.
넷째, 수동 폴백 경로를 남겨야 한다. 창고는 물리 세계이므로 설비가 고장 나고 네트워크가 끊긴다. Agent에는 사람에게 상향 전환하는 메커니즘이 있어야 하고 그 과정에서 운영자가 Agent가 왜 그렇게 판단했는지 이해할 수 있어야 한다.
다섯째, 평가 지표를 잘 골라야 한다. 인력을 얼마나 줄였는가만 보지 말고 주문 적시 이행률, 설비 가동률, 예외 처리 시간 같은 공정 지표를 더 보아야 한다. 전자는 주문 변동에 크게 좌우되지만 후자는 Agent의 실제 수준을 반영한다.
5. 전망
한 방향은 멀티 Agent 시스템과 구현 지능의 결합이다. 오늘날 창고 내 Agent는 대부분 소프트웨어 계층을 관리하지만 향후 스케줄링이 휴머노이드와 사족 로봇과 연결되면 Agent가 구현 기기를 직접 지시해 피킹, 운송, 재고 실사를 수행하게 되어 소프트웨어 Agent와 물리 Agent의 경계가 흐려질 것이다.
또 다른 방향은 Agent가 창고 안에서 전체 공급망으로 나아가는 것이다. 단일 창고의 최적화 공간은 제한적이므로 Agent가 공장 스케줄링, 간선 운송, 전방 창고 재고를 동시에 고려할 수 있게 되면 의사결정의 가치는 비약적으로 커진다. 이는 시스템에 더 강한 교차 도메인 조율 역량을 요구하며 공급업체가 차별화하는 지점이다.
피할 수 없는 점이 하나 더 있다. 설명 가능성이다. 창고 관리자는 블랙박스 의사결정에 본능적으로 경계하므로 Agent가 내는 모든 스케줄링 제안에는 가능하면 명확한 근거가 붙어야 한다. 의사결정 사슬을 명확히 설명하는 쪽이 현장 관리자와 창고 관리자에게 더 쉽게 받아들여질 것이다.