그러나 이 수치들 뒤에 놓치기 쉬운 본질적 변화가 있다. 생성형 AI가 물류에 가져온 핵심적 전환은 ‘효율의 개선’이 아니라 ‘역할의 재정의’다. 기존의 AI는 과거 데이터를 분석하여 다음 달 수요를 예측하거나, 최적의 배송 경로를 계산하는 역할을 했다. 주어진 문제에 대한 최적의 답을 찾는 것이었다. 생성형 AI는 문제 자체를 새로 구성한다. 아직 발생하지 않은 공급망 교란 시나리오를 만들어 내고, 각 시나리오에 대한 대응 전략을 자율적으로 생성한다. 창고의 레이아웃을 현재의 수요 패턴이 아니라 미래의 예상 수요 변동에 맞추어 재설계한다. DHL이 고객 데이터를 정제하여 맞춤형 솔루션을 설계하는 것도, 아마존의 딥플릿이 로봇 경로를 동적으로 조율하는 것도, 쿠팡이 주문 전에 상품을 이동시키는 것도 모두 같은 맥락이다. ‘발생한 일에 대응하는 것’에서 ‘발생할 일을 미리 구성하는 것’으로의 전환. 이것이 생성형 AI가 물류 현장에 가져온 본질적 변화다.
－01_“물류 현장에 다가온 생성형 AI” 중에서

이 기술적 발전들을 종합하면, 물류 센터 운영 로직의 재설계는 세 가지 차원에서 진행되고 있다. 첫째, 정적에서 동적으로. 슬로팅, 레이아웃, 작업 할당이 고정된 규칙이 아니라 실시간 데이터에 따라 변한다. 둘째, 부분에서 전체로. 개별 프로세스의 최적화가 아니라 슬로팅·피킹·패킹·출고의 통합 최적화로 전환된다. 셋째, 반응에서 예측으로. 이미 발생한 주문에 대응하는 것이 아니라, 발생할 주문을 예측하여 사전에 자원을 배치한다. 이 세 가지 전환이 동시에 일어날 때, 물류 센터는 단순한 ‘창고’에서 ‘지능형 운영 시스템’으로 진화한다. 그러나 이 진화에는 조직적 준비가 필요하다. 아무리 뛰어난 기술도 그것을 수용하고 활용할 수 있는 조직이 없다면 실효를 거두지 못한다.
－03_“물류 센터 운영 로직의 근본적 재설계” 중에서

물류 센터의 성과를 측정하는 가장 기본적인 두 가지 지표는 공간 효율(space utilization)과 처리량(throughput)이다. 공간 효율은 주어진 면적과 체적에서 얼마나 많은 재고를 보관하고 주문을 처리할 수 있는가를 나타내고, 처리량은 단위 시간당 얼마나 많은 주문을 입고·피킹·출고할 수 있는가를 뜻한다. 전통적 물류 센터에서 이 두 지표는 상충 관계에 있었다. 보관 밀도를 높이면 피킹 경로가 길어지고 처리 속도가 떨어진다. 통로를 넓혀 피킹 효율을 높이면 보관 용량이 줄어든다. 이 상충은 물류 센터 설계의 기본 전제로 수십 년간 받아들여져 왔다. 센터를 신축하거나 이전하는 것이 유일한 해결책이었다. 그러나 도심 물류의 확대와 부동산 비용의 상승은 이 해법을 점점 비현실적으로 만들고 있다. 기존 공간에서 보관과 처리 능력을 동시에 높여야 하는 압박이 커지는 가운데, 이 상충을 깨뜨리는 것이 생성형 AI와 로보틱스의 결합이 물류 센터에 가져오는 가장 직접적인 성과다.
－06_“공간 효율 및 처리량의 비약적 향상” 중에서

이 장의 논의를 관통하는 핵심은, 기술적 최적화만으로는 충분하지 않다는 것이다. 타비스톡 연구소가 70년 전에 발견한 공동 최적화 원리는 AI 시대에도 유효하다. 기술이 고도화될수록, 그 기술을 운용하고 감독하며 개선하는 인간의 역할은 더 정교해지고 더 중요해진다. 물류 자동화의 성공은 로봇의 대수나 AI 알고리즘의 정확도가 아니라, 기술과 인간이 하나의 시스템으로 얼마나 조화롭게 작동하느냐에 달려 있다. 사회 기술적 최적화는 기술 투자의 ROI를 높이는 실용적 전략이면서, 동시에 기술 변화가 인간의 존엄성을 훼손하지 않도록 보장하는 윤리적 프레임워크이기도 하다.
－09_“지능형 물류를 위한 사회 기술적 최적화” 중에서