AI 재고관리, 왜 기대만큼 안 될까?

수작업 재고관리의 한계를 경험한 제조기업들이 AI 재고관리 시스템 도입을 고려합니다. 엑셀과 경험에 의존하던 방식에서 벗어나, 수요를 예측하고 자동으로 발주하는 시스템. 기대가 참 크겠죠.

하지만 도입 후 현장에서는 "예측은 나오는데 왜 재고가 또 쌓이지?", "시스템은 바뀌었는데 일은 왜 안 줄어들지?"라는 질문이 반복되는 게 현실입니다.

AI 재고관리는 분명 전통 방식보다 낫습니다. 하지만 기대만큼 모든 문제를 해결하지는 못합니다. 이 글에서는 수작업의 한계, AI 재고관리의 약속과 현실, 그리고 진짜 필요한 것이 무엇인지 정리합니다.

수작업 재고관리, 얼마나 큰 손실을 만드나

엑셀과 경험에 의존하는 현실

많은 제조기업이 아직도 재고관리를 엑셀과 담당자의 경험에 의존합니다. 과거 판매 데이터를 보고, "작년 이맘때 이 정도 팔렸으니까..."라고 판단해서 발주합니다.

계절성, 프로모션, 경기 변동, 공급망 충격 같은 변수를 제대로 반영하기 어렵습니다. 담당자가 바뀌면 노하우가 사라지고, 품목이 늘어나면 관리가 불가능해집니다.

베테랑 재고 담당자는 경험으로 압니다. "이 시기에는 A 원료 발주를 줄여야 해", "B 제품은 항상 부족하니까 여유있게". 하지만 이런 판단 기준은 그 사람 머릿속에만 있습니다.

실시간 가시성 부족

ERP에 재고 데이터가 있어도 현장 기록이 지연됩니다. "시스템상으로는 재고가 있는데 창고에는 없다", "입고됐는데 시스템에는 안 찍혔다"는 일이 반복됩니다.

원자재, 반제품, 완제품의 현재 상태를 정확히 파악하지 못하면, 발주 판단이 틀어집니다. 구매팀, 생산팀, 창고팀의 데이터가 따로 놀면서 통합적으로 재고 흐름을 파악하기 어렵습니다.

수작업 오류의 구체적 비용

글로벌 제조업은 재고 오류로 연간 1.1조 달러(약 1,500조 원)를 손실을 본다고 합니다. 개별 기업은 연 매출의 10~30%가 재고 유지와 오류 비용으로 나간다고 하죠.

긴급 발주를 하면 표준 가격보다 15~25% 더 비쌉니다. "A 자재가 부족해서 생산이 멈췄습니다" 하면, 프리미엄을 주고라도 긴급 조달해야 합니다.

픽킹 오류율이 1~3%만 돼도 연간 수백만 원이 손실됩니다. 엑셀에서 품목 코드를 하나 잘못 입력하면, 전혀 다른 제품이 출고됩니다. 반품, 재배송, 손상 폐기 비용이 쌓입니다.

과잉재고는 자금을 묶습니다. 2억 원어치 원자재가 창고에 6개월째 쌓여 있으면, 그 돈으로 다른 투자를 할 수 없습니다. 부족재고는 생산을 멈춥니다. 자재 하나가 없어서 전체 라인이 중단되면, 한 시간에 수천만 원이 날아갑니다.

결론은 과잉과 부족의 반복입니다.

수작업 재고관리는 반응형입니다. 문제가 터지면 그때 대응합니다. 과잉재고로 자금이 묶이거나, 부족재고로 생산이 중단되는 일이 반복됩니다.

원인을 찾는 데 시간이 오래 걸리니, 근본적인 해결이 어렵습니다. 같은 문제가 다음 달에 또 발생합니다.

AI 재고관리의 약속 - "이제 자동화됩니다"

AI 재고관리가 약속하는 것

수작업의 한계를 경험한 기업들은 AI 재고관리 시스템을 검토합니다. AI는 이렇게 약속합니다.

“과거 수요 패턴을 학습해서 미래 수요를 예측합니다.

안전재고 수준을 자동으로 계산하고, 발주 시점이 되면 자동으로 주문을 넣습니다.

실시간으로 재고를 모니터링하고, 이상 징후를 알려줍니다.”

수요 예측 정확도가 95%라고 합니다. 과거 3년치 데이터를 학습해서 계절성, 트렌드, 프로모션 효과까지 반영한다고 합니다.

완벽한 자동화처럼 보입니다.

우리가 하는 기대 : 완벽한 재고관리 자동화

담당자는 더 이상 엑셀로 재고를 정리하지 않아도 됩니다. 발주 시점을 계산하지 않아도 됩니다. AI가 알아서 합니다.

과잉재고도, 부족재고도 사라질 것 같습니다. 데이터 기반 의사결정으로 정확도가 높아지고, 자동화로 업무 부담이 줄어들 것 같습니다.

AI 재고관리의 현실 - "기대만큼 안 됩니다"

AI 재고관리, 도입 후 겪는 어려움

하지만 현실은 다릅니다. AI 재고관리를 도입한 기업들이 겪는 어려움은 반복됩니다.

문제 1: 데이터 품질

AI는 깨끗하고 일관된 데이터가 필요합니다. 하지만 현장 데이터에는 누락, 오류, 코드 불일치가 많습니다.

같은 원자재인데 공장마다 품목 코드가 다릅니다. 입고 날짜가 누락된 데이터, 수량이 마이너스인 데이터, 단위가 뒤섞인 데이터가 섞여 있습니다. 과거 데이터 정비에만 몇 개월이 걸립니다.

더 큰 문제는 학습할 데이터가 부족하다는 점입니다. 정상 가동 데이터는 수십만 건인데, 정작 AI가 학습해야 할 이상 상황 데이터는 몇십 건에 불과합니다. 공급 지연, 긴급 주문, 품질 불량 같은 예외 상황은 희소합니다.

예측 신뢰도가 떨어집니다. "95% 정확도"라고 했지만, 실제로는 60~70%에 그칩니다.

문제 2: 기존 시스템 통합

ERP, MES, WMS와 연동이 매끄럽지 않습니다. 각 시스템의 데이터 형식이 다르고, 실시간 동기화가 안 됩니다.

ERP에서는 품목을 A라고 부르는데, MES에서는 B라고 부릅니다. WMS는 또 다른 코드 체계를 씁니다. 이 모든 것을 맞추는 통합 작업에만 수개월이 걸리고 비용이 급증합니다.

더군다나 20년 된 ERP, 15년 된 MES처럼 레거시 시스템이면 통합이 더 어렵습니다. 시스템을 통째로 교체하라는 제안이 나오지만, 수억 원이 들고 리스크가 큽니다.

문제 3: 예외 상황 대응 못함

AI는 발주량을 추천합니다. "다음 주에 A 자재 500개 발주하세요"라고 합니다.

하지만 공급망 변동, 특수 주문, 긴급 생산 같은 예외 상황이 많으면 추천값을 그대로 쓸 수 없습니다. 갑자기 대량 주문이 들어오면? 공급업체가 파업 중이라면? AI는 이런 맥락을 모릅니다.

결국 사람이 다시 검토하고 수정해야 합니다. "실질적으로는 반자동"이 됩니다. "시스템은 바뀌었는데 데이터 입력 업무는 줄지 않았다"는 불만이 나옵니다.

문제 4: 현장에서 신뢰 못함

"예측은 숫자로는 그럴듯한데, 현장 체감은 부족하다"는 반응이 나옵니다.

베테랑 담당자는 30년 경험으로 압니다. "이 시기에는 무조건 이렇게 해야 해". AI가 다른 추천을 하면? 자신의 판단을 더 믿습니다.

AI 추천을 무시하고 기존 방식대로 합니다. 시스템은 구축됐는데 아무도 안 쓰는 상황이 됩니다.

핵심 문제: "왜 재고가 쌓였는지"는 모름

AI 재고관리는 "얼마나 발주할지" 예측은 잘합니다. 하지만 "왜 이번 달 재고가 2억이나 늘었는지", "왜 A 자재는 6개월째 창고에 있는지"는 알려주지 않습니다.

발주량 추천은 나오는데, 과잉재고가 쌓인 원인은 여전히 사람이 3~5일 걸려서 찾아야 합니다.

원인을 모르면 문제는 반복됩니다.

문제 재정립 - ‘예측’이 아니라 “원인”이 필요하다

AI 재고관리의 한계

AI 재고관리는 수요 예측에 집중합니다. 과거 패턴을 학습해서 "다음 달에는 이 정도 필요할 것"이라고 예측합니다.

예측은 분명 수작업보다 정확합니다. 하지만 과잉재고가 발생한 원인, 부족재고가 반복되는 이유는 찾지 못합니다.

예측만으로는 재고 문제를 근본적으로 해결할 수 없습니다.

진짜 필요한 것은 바로 ‘원인 분석’

재고 담당자가 정말 알고 싶은 것은 이것입니다.

"A 자재 500개가 왜 6개월째 창고에 있나?"
"B 제품은 왜 매번 부족한가?"
"이번 달 재고 자산이 왜 2억이나 늘었나?"

원인을 알아야 재발을 막을 수 있습니다. 같은 문제가 반복되지 않게 할 수 있습니다.

과잉재고가 생긴 이유가 "3월 2주차 생산 계획 변경으로 B 라인 가동률이 30% 떨어졌기 때문"이라는 걸 알면, 다음에는 생산 계획 변경 시 재고 영향을 미리 확인할 수 있습니다.

원인 분석에 3~5일 걸림

담당자는 ERP에서 입출고 이력을 조회하고, MES에서 생산 계획을 대조하고, 영업팀에 판매 계획을 확인하고, 구매팀에 발주 이력을 물어봅니다. 이 모든 것을 엑셀로 정리해서 3~5일 만에 원인을 찾습니다.

그사이 다른 긴급 업무가 생기면? 분석은 미뤄지고 재고는 계속 쌓입니다.

이렇게 찾은 원인도 개인 머릿속에만 남습니다. 다음 달 비슷한 문제가 생기면 또 3~5일을 써야 합니다.

다비스(DARVIS) - 원인 분석 자동화

예측이 아니라 원인 분석

다비스(DARVIS)는 재고 수요를 예측하지 않습니다. 대신 "왜 재고가 쌓였는지" 원인을 자동으로 추적합니다.

"이번 달 재고가 왜 늘었어?"라고 자연어로 물으면, AI가 ERP, MES, 영업 시스템 데이터를 자동으로 조회하고, 판단 기준에 따라 원인을 분석해서 답변합니다.

"A 자재 500개 과잉은 3월 2주차 생산 계획 변경으로 B 라인 가동률이 30% 떨어졌기 때문입니다. 유사 사례 3건에서는 타 라인 전환으로 해소했습니다."

SQL을 몰라도, 데이터가 어디 있는지 몰라도 괜찮습니다. 질문만 하면 됩니다.

기존 시스템 그대로, 위에 얹기

AI 재고관리처럼 시스템을 전면 교체하지 않습니다. 기존 ERP, MES를 그대로 두고, 그 위에 원인 분석 기능만 얹습니다.

20년 된 ERP든, 서로 다른 프로토콜이든 상관없습니다. 데이터를 옮기지 않고 논리적으로만 연결합니다.

소재 제조사 사례입니다. 20년 된 ERP와 15년 된 MES를 그대로 두고 4주 만에 재고 원인 분석 시스템을 구축했습니다. 시스템 교체 비용 제로, 데이터 마이그레이션 리스크 제로입니다.

데이터 정비 작업도 필요 없습니다. 있는 데이터 그대로 연결하면 됩니다.

베테랑 노하우 + AI

데이터 품질이 부족하다면? 베테랑의 판단 기준을 활용합니다.

"B 라인 가동률 30% 이하면 A 자재 과잉 가능성 높음", "계절 상품은 성수기 종료 2주 전부터 생산량 감축 필요" 같은 현장 노하우를 구조화해서 AI에게 가르칩니다.

희소한 이상 데이터만 의존하지 않고, 베테랑이 수십 년간 쌓은 판단 기준을 시스템화합니다. 데이터는 부족해도 노하우는 풍부합니다.

그러면 AI가 베테랑처럼 판단합니다. 신입도 전문가 수준의 분석을 받을 수 있고, 베테랑이 퇴사해도 그 노하우가 시스템에 남습니다.

다비스(DARVIS)의 효과, 부진재고 원인 분석 : “3~5일 → 2시간”

중견 식품 제조사는 부진재고 원인 분석에 평균 3일 걸렸습니다. 담당자가 ERP 데이터를 다운받고, 생산 계획과 대조하고, 영업팀과 미팅하고, 엑셀로 정리하는 과정이었습니다.

다비스(DARVIS) 도입 후 2시간 내로 단축됐습니다. 부진재고 상위 품목의 원인이 자동으로 분석돼서 보고서로 나옵니다.

한 달에 6~8건의 재고 분석 업무가 있다면, 월 18~24일이 절감됩니다. 담당자는 분석 업무에서 해방돼 실제 개선 활동에 집중할 수 있습니다.

다비스(DARVIS) 도입은? “4주 만에 시작 가능”

AI 재고관리처럼 6개월~1년 걸리지 않습니다. 4주 만에 하나의 문제를 해결합니다.

앞 2주는 현장 컨설팅으로 담당자의 판단 기준을 추출하고, 뒤 2주는 프로토타입을 구현합니다. 부진재고 원인 분석으로 시작해서, 빠른 성과를 만들고, 다른 문제로 확장합니다.

하나가 해결되면 거기서 만들어진 데이터 연결과 판단 기준이 쌓입니다. 다음 문제로 확장할 때는 기존 구조를 재활용하니 훨씬 빠릅니다.

AI 재고관리, 예측만으로는 부족하다

AI 재고관리는 수요 예측에서는 확실히 수작업보다 낫습니다. 하지만 예측만으로는 재고 문제를 근본적으로 해결할 수 없습니다.

원인을 모르면 문제는 반복됩니다. "왜 재고가 쌓였는지", "왜 부족했는지"를 알아야 재발을 막을 수 있습니다.

"우리 회사는 재고 문제의 원인을 찾는 데 얼마나 걸리나요?"

만약 3일 이상 걸린다면, 그 시간을 2시간으로 줄일 수 있습니다. 만약 시스템 교체 비용이 부담스럽다면, 기존 시스템 위에 얹으면 됩니다. 만약 베테랑 한 사람에게만 의존한다면, 그 노하우를 시스템에 남길 수 있습니다.

AI 재고관리, 예측이 아니라 원인 분석이 먼저입니다. 다비스(DARVIS)로 시작하세요.

제조 현장의 실제 재고 문제 해결 사례와 AI 활용 노하우가 궁금하시다면 디피니트 다비스(DARVIS) 블로그를 구독해 보세요. 더 많은 AI 재고관리 인사이트는 'AI 인사이트 더 보러가기'에서 확인하세요.