제조업과 유통업의 오랜 숙제인 재고 관리. ERP 도입, 전문 인력 채용, 각종 컨설팅까지 시도해봤지만 여전히 64%의 기업이 재고 손실을 겪고 있습니다. 특히 2000년대 이후 재고 지수 증가율이 2배 이상 급증하면서, 중소·중견기업들의 고민은 더욱 깊어지고 있습니다.
더 이상 과거의 방식으로는 해결할 수 없는 문제가 되었기 때문입니다. 글로벌 공급망의 복잡성 증가, 소비자 수요의 급격한 변화, 원자재 가격 변동성 확대 등 기존 엑셀 작업이나 ERP 시스템만으로는 감당하기 어려운 변수들이 늘어났습니다.
그러나 희소식이 있습니다. 최근 수요예측 AI 도입으로 극적인 변화를 이룬 기업들이 등장하고 있기 때문입니다.
실제로 한 중견 제조기업은 AI 도입 후 재고 과잉을 70% 줄이고 월 11억 원의 비용을 절감했습니다. 또 다른 기업은 15일 걸리던 재고 관리 업무를 7분으로 단축하면서도, 예측 정확도를 70% 이상 높였습니다.
이러한 성공 사례의 핵심에는 단순한 자동화나 데이터 분석을 넘어선 ‘새로운 차원의 예측 기술’이 있었습니다. 1,700개의 거시경제 지표부터 600만 건의 트렌드 데이터까지, 방대한 외부 데이터를 실시간으로 분석하는 AI 기술이 수요예측의 판도를 바꾸고 있는 것입니다.
이번 인터뷰에서는 수요예측 AI 분야의 선도 기업인 인팩티브AI 정두희 대표를 만나, 현장에서 필요한 실용적인 인사이트를 중심으로 이야기를 나눴습니다.
생성 AI 시대의 도래와 수요예측 AI의 중요성
최근 ChatGPT로 대표되는 생성 AI가 뜨거운 화두인데요. 이런 상황에서 수요예측 AI의 역할과 중요성은 어떻게 달라질까요?
흥미로운 질문입니다. 생성 AI와 수요예측 AI는 본질적으로 다른 문제를 해결하는 기술입니다. 생성 AI는 인간의 창의적 작업을 지원하는 도구라면, 수요예측 AI는 기업의 생존과 직결되는 의사결정을 지원하는 도구입니다.
특히 주목할 점은 생성 AI 시대가 도래하면서 오히려 수요예측 AI의 중요성이 더욱 부각되고 있다는 것입니다. 그 이유는 세 가지로 설명할 수 있습니다.
먼저, 생성 AI로 인해 시장의 변화 속도가 더욱 빨라지고 있습니다. 새로운 제품과 서비스가 더 빠르게 출시되고, 소비자의 선호도 더 빠르게 변화하면서 정확한 수요예측의 중요성이 커지고 있죠.
또한 맥킨지 보고서에서도 지적했듯이, 기업의 의사결정은 결국 정량적 분석에 기반해야 합니다. 생성 AI가 아무리 훌륭한 아이디어를 제시하더라도, 그것의 실현 가능성과 사업성은 결국 수요예측 AI를 통해 검증되어야 하는 것이죠.
마지막으로, 불확실성이 높아지는 경영 환경에서 데이터에 기반한 의사결정의 중요성이 더욱 커지고 있습니다. 직관이나 경험에 의존하는 의사결정은 더 이상 충분하지 않습니다.
생성 AI와 수요예측 AI가 실제로 어떻게 시너지를 낼 수 있는지 구체적인 사례로 설명해주실 수 있을까요?
우선, 생성 AI를 활용해 수요예측의 정확도를 높일 수 있습니다.
예를 들어, 우리는 부족한 데이터를 보완하기 위해 생성 AI를 활용해 시계열 증강 데이터를 생성합니다. 특정 제품의 과거 판매 데이터가 부족할 경우, 유사한 패턴을 가진 제품들의 데이터를 기반으로 새로운 시나리오를 생성하는 것이죠.
반대로, 수요예측 AI는 생성 AI의 결과물을 최적화하는 데 활용됩니다.
예를 들어, 생성 AI로 다양한 마케팅 문구를 만들었다고 가정해보죠. 우리의 수요예측 AI는 각 문구별 예상 전환율과 ROI를 예측함으로써, 가장 효과적인 마케팅 전략을 수립할 수 있게 돕습니다.
가장 혁신적인 활용 사례는 ‘시나리오 기반 의사결정 지원’ 입니다. 생성 AI가 다양한 비즈니스 시나리오를 생성하면, 수요예측 AI가 각 시나리오별 실현 가능성과 예상 성과를 정량적으로 분석합니다. 이를 통해 기업은 더욱 정교한 전략 수립이 가능해집니다.
수요예측 AI 도입을 고민하는 기업들이 많은데, 생성 AI 투자와 수요예측 AI 투자의 우선순위를 어떻게 설정해야 할까요?
이는 기업의 디지털 전환 전략에서 매우 중요한 질문입니다. 제가 강조하고 싶은 것은 이것이 ‘선택’의 문제가 아니라 ‘단계’의 문제라는 점입니다.
수요예측 AI는 기업의 기초 체력을 다지는 것과 같습니다. 재고 관리, 생산 계획, 원자재 조달과 같은 기업의 핵심 운영에 직접적인 영향을 미치죠. 실제로 우리 고객사의 경우, 수요예측 정확도 10% 향상으로 재고 비용 30% 절감이라는 즉각적인 효과를 얻었습니다.
반면 생성 AI는 기업의 혁신 역량을 강화하는 도구입니다. 새로운 제품 아이디어 발굴, 마케팅 콘텐츠 생성, 고객 서비스 개선 등에 활용될 수 있죠. 하지만 이러한 혁신이 실질적인 성과로 이어지기 위해서는, 기본적인 운영 효율성이 담보되어야 합니다.
따라서 저희는 ‘선 수요예측 AI, 후 생성 AI’ 전략을 제안합니다. 먼저 수요예측 AI를 통해 기업의 기초 체력을 다지고, 이를 기반으로 생성 AI를 통한 혁신을 추구하는 것이 바람직합니다. 이는 우리가 ‘사용자를 유능하게’라는 모토로 강조하는 점이기도 합니다.
수요예측 AI가 바꾸는 재고관리의 미래
최근 제조업계의 재고 관리 문제가 심각해지고 있다고 들었습니다. 현재 상황을 어떻게 보시나요?
재고 관리는 산업공학 분야에서 50년 이상 연구되어 온 고전적인 문제입니다만, 현재도 기업의 64%가 재고 손실을 겪고 있는 것이 현실입니다. 특히 주목할 만한 점은 2000년대 이후 생산자 제품 재고 지수의 연간 증가율이 2배 이상으로 급증했다는 것입니다.
이는 산업 내 수요와 공급의 불균형이 더욱 심화되었다는 것을 의미합니다. 실제 사례를 보면, 연매출 2조 규모의 기업에서도 연간 재고 비용이 200억 원대에 달하는 경우가 있죠.
이는 기존의 재고 관리 방식으로는 더 이상 현대 산업의 복잡성을 따라잡기 어려워졌다는 것을 보여줍니다.
산업공학계에서 50년 이상 연구된 재고 관리 문제가 왜 AI로 넘어와서야 해결되고 있을까요? 기존 방식의 본질적 한계는 무엇이었나요?
이것은 산업의 복잡성과 데이터의 성격이 근본적으로 변화했기 때문입니다. 과거의 재고 관리는 상대적으로 단순한 수요-공급 패턴을 가정하고 최적화 모델을 만들었습니다.
하지만 2000년대 이후 글로벌 공급망의 복잡성이 급격히 증가했고, 재고 지수 연 증가율이 2배 이상으로 치솟은 것이 이를 증명합니다.
특히 주목할 점은 현대의 수요 패턴이 단순한 수학적 모델로는 설명할 수 없을 만큼 복잡해졌다는 것입니다. 소비자 행동이 다변화되고, 글로벌 이벤트의 영향이 실시간으로 반영되며, 시장의 변동성이 크게 증가했죠.
전통적인 산업공학적 접근은 이런 비선형적이고 다변량적인 패턴을 포착하는 데 한계가 있었습니다. 하지만 AI는 이 문제를 다르게 접근합니다.
즉, 수학적 최적화가 아닌 방대한 데이터에서 패턴을 학습하고 예측하는 방식을 취합니다. 딥플로우는 1,700개의 거시경제 지표부터 600만 건의 트렌드 데이터까지, 과거에는 상상할 수 없었던 규모의 데이터를 통합적으로 분석하였기에 업계의 게임 체인저가 될 수 있었습니다.
딥플로우는 기존 ERP 시스템이나 일반적인 예측 모델과 어떤 차별점이 있나요?
기존 ERP 시스템의 가장 큰 한계는 내부 데이터만을 활용한다는 점입니다. 실제 수요는 시장 환경에 크게 영향을 받는데, 내부 데이터만으로는 이러한 변동성을 예측하기 어렵죠.
또한 기업 내부 IT팀에서 오픈소스 머신러닝 모델을 활용하는 경우도 있지만, 복잡한 패턴의 데이터를 다루기에는 한계가 있습니다.
반면 딥플로우는 세 가지 핵심적인 차별점을 가지고 있습니다.
첫째, 고성능 AI 예측 모델을 통해 품목별로 향후 6개월에서 12개월까지의 출고량과 주문량을 정확하게 예측합니다. 둘째, 예측 결과를 바탕으로 지능형 재고 관리 최적화를 제공하여 최적의 생산 발주량과 생산 일정을 자동으로 산출합니다.
마지막으로, 예측 결과의 원인을 정량적으로 분석하여 판매량 증가의 핵심 요인을 설명할 수 있는, 설명 가능한 AI를 구현했습니다.
재고 관리의 자동화가 진행되면서 현업 담당자들의 역할 변화가 불가피할 것 같습니다. 딥플로우는 이 변화를 어떻게 설계하고 있나요?
이는 단순한 업무 자동화가 아닌, ‘역할의 진화’로 접근해야 하는 문제입니다. 향료 회사 사례를 보면, 기존에 담당자가 매월 15일을 소비하던 작업이 7분으로 단축되었습니다. 하지만 이것이 담당자의 가치를 대체하는 것이 아니라, 오히려 더 높은 가치 창출이 가능하도록 만드는 것이 핵심입니다.
구체적으로 딥플로우는 세 가지 방향으로 이 변화를 설계했습니다. AI가 제시하는 다양한 시나리오와 원인 분석을 바탕으로, 담당자는 더 전략적인 의사결정에 집중할 수 있습니다.
또한 AI가 일상적인 패턴을 처리하는 동안, 담당자는 특이 패턴이나 시장 변화에 대한 전문적 판단과 대응에 집중할 수 있습니다. 마지막으로, 비즈니스 개선입니다. 절약된 시간을 활용해 프로세스 개선, 신규 기회 발굴 등 보다 가치 있는 업무에 투자할 수 있게 됩니다.
특히 주목할 점은 현업 담당자들의 전문성과 AI의 시너지를 극대화하는 방향으로 설계되었다는 것입니다. AI가 제시하는 예측과 인사이트는 결국 현업 전문가의 경험과 통찰력을 통해 최적의 의사결정으로 발전되기 때문입니다.
수요예측 분야의 ‘선택과 집중’, 딥플로우
딥플로우의 구체적인 작동 프로세스와 특징을 설명해주실 수 있나요?
딥플로우는 완전 자동화된 AI 시스템으로 설계되었습니다. 먼저 내부 ERP 데이터와 외부 환경 데이터를 수집하고 결합합니다.
그 다음 자동화 시스템이 AI 모델 학습을 위한 데이터 표준화, 전처리, 피처 엔지니어링, 모델 학습 등의 과정을 자동으로 수행합니다. 특히 중요한 점은 노코딩 솔루션으로 설계되어 AI 전문가가 아닌 일반 임직원도 쉽게 사용할 수 있다는 것입니다.
또한 미래지향적 관점에서 재고 손실을 줄이고 영업이익률을 높일 수 있는 예측 인사이트를 제공합니다.
이는 단순한 수치 예측을 넘어, 기업의 의사결정을 지원하는 전략적 도구로서의 역할을 수행합니다. 사용자는 사용자 친화적인 UI를 통해 이러한 모든 정보를 쉽게 확인하고 활용할 수 있습니다.
딥플로우는 어떤 차별화된 기술력을 보유하고 있나요?
저희는 ‘수요 예측’이라는 특정 분야에 집중하여 깊이 있는 기술력을 확보하고 있습니다. 현재 224개의 예측 모델을 운영 중인데, 이는 일반적인 기업 내부 AI팀이 운영하는 10-20개 수준과 비교할 때 상당히 큰 규모입니다.
특히 우리의 AI 스태킹 앙상블 예측 모델은 단일 알고리즘의 한계를 극복하기 위해 다양한 머신러닝 알고리즘을 계층적으로 결합한 고급 예측 시스템입니다.
예를 들어, 시계열 분석에 강한 LSTM, 비선형 패턴 탐지에 뛰어난 XGBoost, 특성 간 상호작용을 잘 포착하는 Random Forest 등 여러 알고리즘을 동시에 활용합니다. 또한 35건의 특허(미국 특허 5건 포함)를 보유하고 있으며, 지속적인 R&D 투자를 통해 예측 정확도를 높이고 있습니다.
딥플로우는 구체적으로 어떤 성과를 내고 있나요?
실제 사례를 통해 설명드리겠습니다. 리모컨 제조업체의 경우, 저희 솔루션 도입 후 재고 부족을 49% 줄이고 재고 과잉을 70% 감소시켜 월 11억 원의 비용 절감 효과를 달성했습니다.
또 다른 사례로, 1,500개의 향료를 관리하는 업체의 경우, 기존에 재고 관리에 매월 15일(연간 180일)이 소요되던 작업을 AI 도입 후 7분 만에 자동 산출이 가능하도록 개선했습니다.
더불어 예측 정확도도 70-80% 향상되었습니다. 이처럼 저희 솔루션은 단순히 비용 절감을 넘어 업무 효율성과 정확도를 동시에 높이는 것이 특징입니다.
딥플로우 도입을 통한 개선 효과는 어떤 단계를 거쳐 나타나나요?
딥플로우를 통한 개선은 세 단계로 이루어집니다. 첫째, 고도화된 예측 AI 적용을 통한 기술적 개선입니다. 이는 예측 정확도의 향상으로 나타납니다. 둘째, 이러한 기술적 개선은 업무 프로세스의 개선으로 이어집니다.
예를 들어, 재고 관리 업무 시간이 대폭 단축되고 작업 효율성이 높아집니다. 마지막으로, 이러한 개선들이 최종적으로 재무적 개선으로 이어지는데, 재고 비용 절감과 영업이익률 향상으로 나타납니다.
중요한 점은 이러한 개선 프로세스가 일회성이 아니라 지속적으로 확대 재생산된다는 것입니다. AI 모델이 더 많은 데이터를 학습할수록 예측 정확도는 더욱 향상되고, 이는 다시 더 큰 비즈니스 가치로 이어지는 선순환 구조를 만들어냅니다.
데이터 기반 의사결정을 위한 설명 가능성과 리스크 관리
딥플로우의 ‘설명 가능한 AI’ 기능이 주목받고 있는데, 이는 단순한 기술적 특징을 넘어 비즈니스적으로 어떤 의미를 가지나요?
이는 AI 도입에 있어 가장 큰 허들이었던 ‘블랙박스 문제’를 해결한다는 점에서 중요한 의미가 있습니다. 기업의 의사결정자들은 단순히 AI가 제시하는 숫자만으로는 중요한 결정을 내리기 어렵습니다. 특히 재고 관리는 기업의 현금 흐름과 직결되는 민감한 영역이죠.
딥플로우는 예측 결과의 원인을 정량적으로 분석하여 제시합니다. 예를 들어, 특정 제품의 수요가 30% 증가할 것으로 예측한다면, 이것이 거시경제 요인의 영향인지, 산업 특수성 때문인지, 아니면 계절적 요인인지를 수치화하여 보여줍니다.
이는 세 가지 중요한 비즈니스적 가치를 창출합니다.
첫째, 의사결정의 책임성이 강화됩니다. AI의 예측을 맹목적으로 따르는 것이 아니라, 그 근거를 이해하고 전략적 판단을 내릴 수 있게 됩니다. 둘째, 선제적 대응이 가능해집니다. 영향을 미치는 요인들을 알면 미리 대비할 수 있는 전략을 수립할 수 있죠.
마지막으로, 조직 학습이 가능해집니다. AI의 예측이 맞았을 때와 틀렸을 때의 원인을 분석함으로써, 조직의 의사결정 역량이 지속적으로 발전할 수 있습니다.
수요 예측의 정확도를 높이는 것도 중요하지만, 예측이 빗나갔을 때의 리스크 관리도 중요할 것 같습니다. 딥플로우는 이 부분을 어떻게 해결하고 있나요?
이것이 바로 우리가 단순 예측 모델이 아닌, ‘예측 리스크 관리 시스템’을 구축한 이유입니다. 예측은 본질적으로 불확실성을 내포하고 있기 때문에, 얼마나 정확한 예측을 하느냐와 함께 예측이 빗나갔을 때 얼마나 빠르게 대응할 수 있느냐가 중요합니다.
딥플로우는 이를 위해 세 가지 핵심 메커니즘을 구현했습니다.
- 실시간 모니터링과 예측 조정: 예측과 실제 데이터 간의 차이를 지속적으로 모니터링하고, 유의미한 차이가 발생하면 즉시 예측을 재조정합니다.
- 멀티 시나리오 플래닝: 기본 예측과 함께 최악의 시나리오, 최선의 시나리오를 함께 제시하여 리스크 대응 범위를 설정합니다.
- 이상 징후 조기 경보 시스템: AI가 학습한 정상 패턴에서 벗어나는 변화가 감지되면 즉시 알림을 제공하여 선제적 대응이 가능하도록 합니다.
실제로 리모컨 제조업체 사례에서 재고 부족을 49%, 재고 과잉을 70% 줄일 수 있었던 것은 단순히 정확한 예측 때문만이 아닙니다. 이러한 리스크 관리 메커니즘이 효과적으로 작동했기 때문입니다.
