아마존의 연말 배송 비밀: AI와 75만 대의 로봇 군단

블랙프라이데이나 사이버 먼데이에 아마존에서 주문을 마치면 상자는 어김없이 다음 날 문 앞에 도착합니다. 단순한 택배 기사의 부지런함 덕분 같지만, 그 뒤편에서는 아마존이 자체적인 슈퍼볼이라 부르는 거대한 AI 물류 작전이 돌아가고 있습니다.

아마존의 라스트 마일 배송 라우팅 및 기획 기술 부사장인 스콧 해밀턴은 AI가 산소와 같은 존재라고 설명합니다. 사용자가 그 존재를 전혀 느끼지 못할 때 비로소 가장 완벽하게 작동하고 있다는 뜻입니다.

4억 개 제품 수요 예측과 75만 대의 로봇 군단

소비자가 장바구니에서 결제 버튼을 누르기도 전에, 아마존의 공급망 최적화 기술인 SCOT는 이미 계산을 끝마칩니다.

이 시스템은 매일 4억 개가 넘는 상품의 수요를 예측합니다. 딥러닝과 대규모 데이터를 바탕으로 어떤 시설에 어떤 물건을 얼마나 입고시킬지 결정합니다. 아마존이 SCOT에 딥러닝을 처음 도입했을 당시 예측 정확도는 2년 만에 15배나 뛰었고, 2020년에는 트랜스포머 기술을 결합해 장기적인 수요 예측 모델로 발전시켰습니다.

구매 버튼이 눌리는 순간 물류센터에서는 전 세계 75만 대에 달하는 모바일 산업용 로봇 중 한 대가 즉시 출동합니다. 선반 아래로 들어가 짐을 통째로 들어 올린 뒤 직원 앞까지 배달합니다. 놀라운 점은 한 대의 로봇이 더 나은 이동 경로를 학습하면 전체 로봇 함대가 그 능력을 즉시 공유한다는 것입니다. 아마존은 대형 쇼핑 시즌의 혼잡한 상황을 가상으로 재현하기 위해 생성형 AI로 만든 합성 데이터까지 활용해 로봇을 사전 훈련합니다.

흡착판 개수를 계산하는 로봇팔과 배송 메모를 읽는 LLM

포장된 상품을 트럭에 싣기 전 분류하는 작업은 로빈이라는 AI 로봇팔이 돕습니다.

로빈은 비전 시스템을 사용해 크기가 제각각인 상자와 비닐 포장, 서류 봉투가 뒤엉킨 더미를 파악합니다. 어떤 각도로 접근할지뿐만 아니라 몇 개의 진공 흡착판을 작동시켜 들어 올릴지까지 계산합니다. 흡착판을 너무 많이 켜면 다른 물건까지 같이 집히고, 너무 적게 켜면 들어 올리다 떨어뜨리기 때문입니다.

마지막 관문인 배송 스테이션의 물량도 만만치 않습니다. 매사추세츠의 한 배송 거점은 평소 하루 6만 5천 개의 상자를 처리하지만 연말에는 10만 개 이상으로 급증합니다. 도로 정체와 기상 이변 속에서 최적 경로를 실시간으로 짜기 위해 20개 이상의 머신러닝 모델이 동시에 가동됩니다.

최근에는 배송 기사를 돕기 위해 대규모 언어 모델을 접목하는 실험도 진행 중입니다. 복잡한 대형 아파트 단지에서 고객이 남긴 난해한 배송 요청 메모를 LLM이 명확히 해석하고, 건물 외곽선과 도로 진입로 같은 물리적 지형 정보와 매칭해 기사의 길 찾기 고민을 덜어주는 방식입니다.

왜 중요한가

대다수 기업이 챗봇이나 텍스트 생성 서비스에 집중할 때, 아마존은 AI를 가장 거칠고 복잡한 오프라인 물류 인프라 깊숙이 밀어 넣었습니다.

우리가 보기에 이번 행보의 핵심은 AI를 겉으로 드러나는 신기능이 아니라 철저히 보이지 않는 산소처럼 다뤘다는 점입니다. 4억 개 제품의 재고 배치부터 75만 대 로봇 제어, 로봇팔의 흡착판 개수 계산, 배송 메모 해석까지 공급망의 모든 마찰 지점에 알고리즘을 촘촘히 심어두었습니다.

이것은 경쟁사들에게 높은 진입 장벽을 만듭니다. 이제 이커머스의 경쟁력은 단순히 창고 면적을 넓히거나 배송 트럭을 늘리는 하드웨어 싸움이 아니라, 물리적 세계의 수많은 변수를 소프트웨어로 얼마나 오차 없이 지워내느냐의 싸움으로 바뀌었기 때문입니다.

다만 현실 세계의 물리적 복잡성은 여전히 변수입니다. 도로 위 돌발 상황이나 시스템이 예측하지 못한 특이 사례가 발생했을 때, 지나치게 정밀하게 맞물려 돌아가는 자동화 라인이 병목을 얼마나 유연하게 극복할 수 있을지는 계속 지켜봐야 할 부분입니다.