Haier Smart Home AI Digital Warehousing·Zero-Defect Quality: 재고 배분·배차·불량 검출을 AI에 맡긴 세 사례

하이얼 스마트홈의 세 사례는 같은 순서로 움직입니다. 흩어진 재고·차량·품질 기록을 한 판에 모읍니다. 상황이 바뀔 때마다 AI가 다시 계산하고 사람은 예외만 봅니다. 옮기려면 알고리즘보다 먼저 주인이 다른 데이터를 하나로 보자는 합의와 공통 키가 있어야 합니다.

요약

중국 칭다오의 가전 기업 하이얼 스마트홈(Haier Smart Home)은 2026 Gartner Eye on Innovation Awards 첨단 제조 부문에 AI 사례 세 건을 제출했습니다. 첫째는 AI Digital Warehousing(AI 디지털 창고)입니다. 동북 지역에 폭염이 오자 에어컨 주문이 몰렸고 지역 간 긴급 재고 이동이 늘어 물류비가 오르고 배송이 늦어졌습니다. 다른 창고에는 재고가 쌓여 있었습니다. 회사는 산업·채널·고객 쪽에 흩어진 재고를 하나의 디지털 재고 풀로 묶고 AI가 수요와 처리 능력을 예측해 수요와 공급을 짝짓고 운송을 계획하게 했습니다. 둘째는 Intelligent Vehicle Allocation System(자율 배차 시스템)입니다. SKU 1만4,000개, 차량 16종, 업무 규칙 62개가 얽혀 있어 사람이 전체를 다시 맞출 수 없었습니다. 그래서 주문과 차량을 모델이 자동으로 짝짓고 핵심 지점에서만 사람이 검토하게 했습니다. 셋째는 Zero-Defect Quality Engine(무결점 품질 엔진)입니다. 생산·품질·공급사·물류·서비스 데이터를 잇고 영상·소리·설비 신호로 결함과 고장 위험을 완제품이 되기 전에 잡습니다.

성과는 모두 회사가 사례집에 보고한 실적입니다. 디지털 창고는 2025년 상품 1,220만 개를 글로벌 스케줄링해 연 2억800만 달러 매출을 지원했고 재고회전 42% 개선과 단위 물류비 28~37% 감소를 보고했습니다. 배차 시스템은 배치 시간을 4시간에서 30분으로, 배차 정시율을 70.66%에서 86.26%로 바꿨고 일상 결정의 90% 이상을 자동화했다고 밝혔습니다. 품질 엔진은 불량률 22% 감소, 초도합격률 15% 증가, 분석 시간 48~72시간에서 15분 단축을 내놓았습니다. 세 사례에는 공통 구조가 있습니다. 주인이 다른 자원을 한 판에 올려야 AI가 전체를 보고 다시 계산합니다. 그래야 사람이 반복 계산에서 빠져 예외를 맡습니다. 아래에서는 사례마다 이 구조가 어떻게 작동하는지 풀고 한국 제조사가 같은 과제를 시작할 때 필요한 데이터 필드와 12주 일정을 붙입니다.

핵심 메커니즘

Shared Inventory Pool: 주인이 달라도 재고를 한 풀로 보기

Shared Inventory Pool(공유 재고 풀)은 공장 창고 대리점·채널 재고, 고객사 창고에 있는 물건을 누가 갖고 있든 하나의 디지털 재고로 보고 배분하는 방식입니다. 사례집은 이를 수요 쪽과 공급 쪽을 서로 독립된 공유 자원 풀로 떼어 내는 일로 설명합니다. 입력은 위치별 재고 수량과 상태, 판매·출고 기록, 창고별 처리 능력입니다. 처리 단계에서는 재고 한 단위마다 위치와 소유, 지금 쓸 수 있는 수량, 보낼 수 있는 지역을 같은 형식으로 적어 풀에 올립니다. 출력은 어느 위치의 재고를 어느 주문에 쓰고 어디서 출고할지 정한 배정입니다.

지역·계절에 따라 수요가 크게 출렁이고 재고가 여러 주체에 흩어진 산업에 맞습니다. 에어컨처럼 날씨가 수요를 움직이는 제품이 대표적입니다. 재고를 옮겨도 소유권 이전과 정산 규칙이 정해져 있지 않으면 풀은 화면에만 있고 실제 출고로 이어지지 않습니다. 사례집이 든 예는 동북 폭염입니다. 한쪽에서는 긴급 이동이 일어나고 다른 쪽 창고는 재고가 쌓여 있었으며 주문의 45% 이상이 영향을 받고 재고의 30%가 적체됐습니다. 가상 예시로 옮기면 이렇습니다. 7월 수도권 폭염으로 에어컨 주문이 몰릴 때, 공장 창고에서 새로 보내는 대신 경기 남부 대리점 두 곳에 남은 재고를 먼저 배정하고 대리점에는 정해 둔 수수료를 정산합니다.

Forecast-Match-Route: 예측, 짝짓기, 운송 계획을 한 바퀴로

디지털 창고 안에서 AI가 하는 일은 세 단계로 나뉩니다. 먼저 두 가지를 예측합니다. 지역·SKU별로 주문이 얼마나 들어올지, 그리고 창고와 운송 자원이 얼마나 처리할 수 있을지입니다. 다음으로 풀에 있는 재고와 들어올 주문을 짝짓습니다. 마지막으로 짝지은 결과를 어떤 차량과 경로로 옮길지 운송 계획을 세웁니다. 실행 결과는 다음 회차 예측의 입력으로 돌아갑니다. 사례집은 이 사례의 기술로 AI, Data & Analytics, Digital Twin/Modeling & Simulation(디지털 트윈·모의 실험), Blockchain, Decision Intelligence Platforms(의사결정 지능 플랫폼)를 적었습니다. 각 기술을 어느 단계에 썼는지는 따로 설명하지 않습니다.

이 루프는 수요 예측만 잘해서는 효과가 나지 않는 곳에 맞습니다. 예측이 맞아도 창고 출고 능력이나 차량이 모자라면 배정은 실행되지 않습니다. 그래서 처리 능력 예측을 수요 예측과 나란히 둡니다. 거꾸로 수요가 안정적이고 재고 위치가 한두 곳뿐이면 일반 보충 계획으로 충분합니다. 사례집이 밝힌 결과는 재고회전 42% 개선, 건당 배송비 12% 감소, 운송비 35% 이상 감소, 배송 효율 50% 증가입니다. 가상 예시로는 하루 두 번(오전 6시, 오후 2시) 예측을 갱신하고 그때마다 짝짓기와 운송 계획을 다시 돌리는 운영을 생각할 수 있습니다.

Human-at-Key-Nodes Dispatch: 수분 안에 다시 계산하고 사람은 핵심 지점만 보기

자율 배차 시스템은 실행 전, 실행 중, 실행 후로 나눠 움직입니다. 실행 전에는 생산 계획, 운송 데이터, 업무 규칙 데이터를 한 플랫폼에 모읍니다. 실행 중에는 모델이 주문과 차량을 자동으로 짝짓고 주문이나 차량 상황이 바뀌면 수분 안에 계획을 다시 계산합니다. 사람은 핵심 지점에서만 검토합니다. 실행 후에는 실제 결과 데이터가 알고리즘을 계속 다듬습니다. 사례집 기술 목록에는 AI Agents, LLMs, Automation, Internet of Things가 있습니다.

이 방식이 필요한 이유는 변경 빈도입니다. 하루 230회 이상 조정이 필요했는데 사람이 한 번 다시 계산하는 데 30분이 넘게 걸렸습니다. 사례집은 이전에 시스템 보조를 시도했지만 여전히 경험에 기대고 문제 일부만 풀었다고 적었습니다. 변경이 하루 몇 번뿐이고 규칙이 단순하면 사람 배차와 엑셀로도 충분합니다. SKU가 해마다 2,000개 이상 늘고 차량 종류와 규칙이 많아질수록 사람이 전체 최적을 맞추기는 어려워집니다. 가상 예시로, 오후 3시에 대형 냉장고 주문 40건이 취소되면 시스템이 그 차량 세 대의 적재를 다시 짜고 비용이 미리 정한 한도를 넘는 경우에만 배차 담당자 화면에 승인 요청을 띄웁니다.

Multimodal Quality Sensing: 눈·귀·레이더로 완제품 전에 잡기

무결점 품질 엔진은 생산, 품질, 공급사, 물류, 서비스 시스템을 잇고 여러 형태의 데이터를 대량으로 받아들이는 품질 인텔리전스 플랫폼입니다. 그 위에서 세 기능이 감지를 맡습니다. Smart Eyes는 영상으로 미세한 흠집과 결함을 찾습니다. Smart Ears는 모터의 희미한 이상음처럼 사람이나 기존 센서가 안정적으로 잡기 어려운 소리를 가려냅니다. Risk Radar는 설비가 고장 나기 전에 경고합니다. 사례집 기술 목록은 Computer Vision, GenAI, Reasoning Models, Decision Intelligence Platforms, LLMs입니다.

문제는 발견 시점이었습니다. 불량을 완제품 단계에서야 알아채 일괄 폐기가 생겼고 품질 데이터가 여러 시스템에 흩어져 원인 추적에 이틀 넘게 걸렸습니다. 감지를 공정 앞쪽으로 당기고 다섯 시스템의 기록을 같은 제품 단위로 묶어야 이 두 문제가 함께 풀립니다. 결함이 눈이나 귀로 구분되지 않는 특성(예: 내부 용접 강도)이라면 이 방식만으로는 잡을 수 없고 기존 시험을 유지합니다. 공개 자료로는 하이얼 공식 뉴스(2026년 1월)가 세탁기 공장에서 숙련 기사가 눈과 반복 시험으로 하던 검사를 AI 시각 검사로 바꾸고 제품마다 검사 데이터를 추적하게 했다고 소개합니다. 이 공장은 중국품질협회의 2025년 품질 벤치마크로 뽑혔습니다. 사례집의 Smart Eyes와 같은 시스템인지는 자료에서 확인되지 않습니다.

Searchable Fault Knowledge: 30년 고장 경험을 검색되게 만들기

품질 엔진의 다른 축은 지식입니다. 회사는 30년 동안 쌓인 고장 경험을 검색할 수 있는 지식 기반으로 바꿨습니다. 새 불량이나 고장 증상이 들어오면 비슷한 과거 사례와 원인, 대책을 찾아 원인 후보를 내고 그 결과를 제품 개선에 씁니다. 숙련자 머릿속에 있던 판단을 기록으로 꺼내 누구나 같은 근거로 원인을 좁히게 하는 장치입니다.

시간 단축은 사례집에 두 가지로 적혀 있습니다. 솔루션 설명에서는 진단이 이틀 넘게 걸리던 것이 수초로 줄었다고 하고 성과 항목에서는 분석 시간이 48~72시간에서 15분으로 줄었다고 합니다. 서로 다른 처리 단계일 수 있지만 자료에 구분 설명은 없습니다. 이 노트에서는 성과 항목의 15분을 대표값으로 씁니다. 과거 보고서가 사진 첨부 위주이거나 원인 칸이 비어 있으면 검색 결과도 빈약해집니다. 가상 예시로, 세탁기 탈수 중 떨림 클레임이 들어오면 같은 모델·같은 베어링 공급사 로트의 과거 사례 세 건과 당시 대책이 근거와 함께 뜹니다.

통념과 다른 주장

사례 재구성

AI Digital Warehousing: 흩어진 재고를 하나의 풀로

항목	내용
상황	동북 폭염으로 에어컨 주문이 급증해 지역 간 긴급 재고 이동이 늘고 배송이 늦어졌습니다. 다른 창고에는 재고가 남고 자산이 놀았습니다. 주문 45% 이상이 영향을 받았고 재고 30%가 적체됐습니다.
한 일	수요와 공급을 독립된 공유 자원 풀로 나누고 흩어진 재고를 하나의 디지털 재고 풀로 묶었습니다. AI가 수요·처리능력 예측, 수급 매칭, 운송 계획을 맡습니다.
결과(기업 보고)	2025년 상품 1,220만 개 글로벌 스케줄링으로 연 2억800만 달러 매출 지원. 고객 3,500곳 이상에 누적 10억 회 이상 서비스. 건당 배송비 12% 감소, 단위 물류비 28~37% 감소, 재고회전 42% 개선, 배송 효율 50% 증가, 운송비 35% 이상 감소.
공개 자료	하이얼 공식 뉴스(2026.3.13)는 하이얼 계열 물류 회사 日日顺(RRS)의 디지털 재고가 실물 창고와 가상 창고를 연동해 예약 판매 상품과 운송 중 화물까지 유연하게 배분한다고 소개합니다. 고객사 자산 운영 효율 50% 향상, 창고 비용 12% 감소, 10개 산업 고객 3,500곳 이상이라는 수치를 냈습니다. 언론 보도(2025.12.18)는 그해 여름 동북 에어컨 수요 급증 때 클라우드 창고 역량으로 약 10만 대 공급을 지원했다고 전합니다. 같은 해 하이얼 공식 뉴스(2025.10.30)는 ‘全面统仓TOC(전면 통합 창고)’ 개혁으로 2025년 1~3분기 현·구 단위 전문점 상품의 74%가 사용자에게 바로 배송됐다고 밝혔습니다. 사례집 시스템과 같은 것인지는 자료에서 확인되지 않습니다. 회사 측이 밝힌 2025년 중국 물류 기술 최고상의 이름도 공개 자료에서 확인하지 못했습니다.
연결	Shared Inventory Pool, Forecast-Match-Route

Intelligent Vehicle Allocation System: 배차를 모델이 하고 사람은 예외를

항목	내용
상황	가전 물류 배차가 SKU 1만4,000개(해마다 2,000개 이상 증가), 차량 16종, 업무 규칙 62개를 따라가지 못했습니다. 하루 230회 넘는 조정이 필요했는데 수동 재계산은 30분 이상 걸렸습니다.
한 일	실행 전 생산·운송·규칙 데이터를 한 플랫폼에 통합하고 실행 중 모델이 주문과 차량을 자동 매칭해 수분 안에 재계획합니다. 사람은 핵심 지점에서만 검토하고 실행 후 데이터로 알고리즘을 개선합니다.
결과(기업 보고)	배차 효율 88% 개선(배치 4시간 → 30분). 정시율 70.66% → 86.26%(15.6%p). 상차 적시성 34% 개선(12.69시간 → 8.36시간). 연간 191만 달러 이상 절감. 일상 결정 90% 이상 자동화. 절감 근거로 사례집은 ‘95.3% loading rate improvement’를 적었는데 적재율 수준인지 개선폭인지 분명하지 않아 이 노트에서는 해석하지 않습니다.
공개 자료	언론 보도(2025.10.30)에 따르면 日日顺 공급망의 ‘智慧云仓(스마트 클라우드 창고)’ 프로젝트가 중국물류구매연합회(中物联)의 2025 디지털 전환 사례에 뽑혔습니다. 그 안의 통합 운송력 플랫폼은 AI 스케줄링으로 운송력 비용 12% 감소, 자원 이용률 30% 향상을 보고했습니다. 사례집의 배차 시스템과 같은 것인지는 확인되지 않습니다.
연결	Human-at-Key-Nodes Dispatch

Zero-Defect Quality Engine: 완제품 전에 잡고 원인을 바로 찾기

항목	내용
상황	불량을 완제품 단계에서야 발견해 일괄 폐기와 비용 낭비가 생겼습니다. 품질 데이터가 흩어져 원인 추적에 이틀 넘게 걸렸고 희미한 모터 소음이나 작은 표면 흠집은 사람과 기존 센서가 안정적으로 잡지 못했습니다.
한 일	생산·품질·공급사·물류·서비스 시스템을 잇는 품질 인텔리전스 플랫폼을 만들고 Smart Eyes, Smart Ears, Risk Radar를 붙였습니다. 30년 고장 경험을 검색 가능한 지식 기반으로 바꿨습니다.
결과(기업 보고)	불량률 22% 감소, 초도합격률 15% 증가, 품질 손실 10% 감소, 분석 시간 48~72시간 → 15분, 반복 업무 80%를 AI가 처리. 경영진은 품질팀이 “controller”에서 “enabler”로 바뀌었다고 표현했습니다.
공개 자료	하이얼 공식 뉴스(2026.1.20)는 세탁기 공장의 AI 시각 검사 도입과 중국품질협회 2025 품질 벤치마크 선정을 소개합니다. 사례집의 수치는 이 자료에 없습니다.
연결	Multimodal Quality Sensing, Searchable Fault Knowledge

기술 디테일: 세 사례를 우리 시스템으로 옮기려면

사례집은 기술 이름만 적었습니다. 아래 구성과 필드명, 설정값은 실제로 돌릴 때 필요한 것을 새로 정리한 가상 예시입니다.

세 사례 모두 공통 키 표부터 만듭니다. 디지털 창고는 SKU·위치·소유 주체를, 배차는 주문·차량·규칙을, 품질 엔진은 제품 시리얼·부품 로트·클레임을 한 줄로 묶어야 합니다. 시스템마다 같은 대상을 다른 코드로 부르면 AI는 전체를 볼 수 없습니다. ERP, WMS(창고 관리 시스템), TMS(운송 관리 시스템), MES(생산 실행 시스템), QMS(품질 관리 시스템), 서비스 시스템에서 키 매핑 표를 먼저 뽑고 매칭되지 않는 비율을 셉니다. 이 비율이 5%를 넘으면 모델을 만들기 전에 마스터 데이터부터 정리합니다.

Shared Inventory Pool은 재고 한 단위를 아래처럼 적습니다. 핵심은 owner_type과 transfer_rule입니다. 소유가 다른 재고를 배정하려면 옮겨도 되는지, 옮기면 누구에게 얼마를 정산하는지가 데이터에 있어야 합니다.

{
  "sku": "AC-INV-18K-2026",
  "location_id": "DLR-GG-S-014",
  "owner_type": "channel",
  "available_qty": 22,
  "reserved_qty": 6,
  "status": "sellable",
  "allocatable_regions": ["GG-S", "SEOUL-S"],
  "transfer_rule": {"allowed": true, "settlement": "fee_per_unit", "fee_krw": 15000},
  "updated_at": "2026-07-21T05:40:00+09:00"
}

Forecast-Match-Route는 예측과 최적화를 나눠 돌립니다. 수요 예측은 지역×SKU×일 단위로 P50과 P90을 함께 냅니다. 폭염처럼 꼬리가 두꺼운 수요는 평균값만으로 배정하면 매번 모자랍니다. 기온 예보, 판촉 일정, 과거 같은 주 판매를 입력으로 넣습니다. 첫 모델은 그래디언트 부스팅 분위수 회귀 정도로 충분하고 지역×SKU별 WAPE(가중 절대 백분율 오차)로 평가합니다. 처리 능력 예측은 창고별 하루 출고 가능 건수와 지역별 가용 차량 대수를 냅니다. 짝짓기와 운송 계획은 최소 비용 흐름이나 혼합정수계획(MILP)으로 풉니다. 목적함수는 운송비, 지연 벌점, 결품 벌점의 합입니다. 제약은 창고 출고 능력, 차량 용량, transfer_rule입니다. 재고가 오늘 A에서 B로 갔다가 내일 다시 A로 돌아오는 왕복 이동을 막으려면 한 번 옮긴 재고는 48시간 동결합니다. 재고 스냅샷이 2시간 넘게 갱신되지 않은 위치는 배정 대상에서 뺍니다. 화면의 재고와 창고의 실물이 다르면 배정이 출고 단계에서 깨지기 때문입니다. 디지털 트윈은 확정 전 계획을 지난주 실제 주문으로 돌려 보는 모의 실험에 씁니다. LLM은 계산에 넣지 않고 계획이 바뀐 이유를 담당자에게 설명하는 데 씁니다.

Human-at-Key-Nodes Dispatch는 이벤트 기반 재계획으로 구현합니다. 주문 추가·취소, 차량 고장·지연, 규칙 변경이 들어오면 전체를 다시 풀지 않고 영향받는 차량과 주문만 다시 풉니다. 차량 경로 문제(VRP) 해법기에 시간 상한 60~120초를 걸어 수분 안에 답을 내게 합니다. 업무 규칙 62개 같은 규칙은 rule_id, 하드·소프트 구분, 위반 벌점 열을 둔 표로 관리합니다. LLM과 에이전트는 두 곳에 둡니다. 하나는 현업이 말로 바꾼 규칙(예: 이번 주 ○○ 물류센터는 오후 4시 이후 입고 불가)을 규칙 표 초안으로 바꾸는 일이고 사람이 승인해야 반영됩니다. 다른 하나는 검토 게이트에 걸린 건을 설명하는 일입니다. 검토 게이트는 계획 비용이 이전 대비 5% 넘게 늘 때, 하드 규칙끼리 충돌할 때, 고가·긴급 주문이 바뀔 때로 정합니다. 사람이 고친 계획은 수정 사유와 함께 남겨 실행 후 학습 데이터로 씁니다.

{
  "plan_version": "D-2026-07-21-1503",
  "trigger": "order_cancel",
  "affected_orders": 40,
  "affected_vehicles": ["TRK-9.5T-112", "TRK-9.5T-118", "TRK-5T-031"],
  "solve_seconds": 74,
  "hard_violations": 0,
  "cost_delta_pct": 6.2,
  "review_gate": "cost_over_5pct",
  "human_action": "approved_with_edit",
  "edit_reason": "고객 요청 도착 시간 변경"
}

배차 성과는 사례집과 같은 지표로 잽니다. 배치 계산 시간, 배차 정시율, 상차 소요 시간, 자동 확정 비율(사람 수정 없이 확정된 계획의 비율)입니다. 자동 확정 비율이 높아도 정시율이 떨어지면 게이트 기준을 다시 봅니다. 계산이 시간 상한 안에 끝나지 않으면 직전 계획을 유지하고 담당자에게 알립니다.

Multimodal Quality Sensing은 기능마다 학습 방식을 다르게 잡습니다. Smart Eyes형 영상 검사는 라인의 조명과 각도로 찍은 결함 사진이 있어야 합니다. 결함 유형표(흠집, 찍힘, 이물)를 먼저 정하고 유형마다 최소 200~300장을 모읍니다. Smart Ears형 이상음 검출은 결함 소리가 드물기 때문에 정상 소리를 많이 녹음해 정상에서 얼마나 벗어났는지 점수를 매기는 이상 탐지로 시작합니다. 스펙트로그램(소리를 주파수별 세기로 펼친 그림)을 입력으로 쓰고 임계값은 재검 비율이 감당할 수준(예: 2% 이하)에서 정합니다. Risk Radar형 설비 경고는 진동·전류·온도 시계열에서 고장 며칠 전부터 나타나는 변화를 잡습니다. 지표는 경고가 고장보다 얼마나 먼저 왔는지와 헛경보 수입니다. 세 기능 모두 처음 4주는 라인을 멈추지 않고 판정만 기록하는 섀도 운영으로 돌립니다.

Searchable Fault Knowledge는 과거 보고서를 구조화한 뒤 검색합니다. 보고서마다 symptom(증상), product_model, part, supplier_lot, root_cause, countermeasure, report_date 필드를 뽑아 저장합니다. 추출은 LLM에 JSON 형식을 지정해 시키고 50건을 품질 기사가 직접 확인해 필드 정확도를 잽니다. 검색은 키워드 검색과 의미 검색을 함께 쓰고 product_model과 part로 먼저 거릅니다. 답변 모델은 temperature를 0으로 두고 근거 사례 ID를 반드시 인용하게 합니다. 근거 없는 원인 후보는 출력하지 않습니다. 평가는 원인이 확정된 과거 사례 50건을 문제로 내고 상위 3개 후보 안에 실제 원인이 들어 있는 비율로 봅니다. 사례집이 진단 수초와 분석 15분을 따로 적은 만큼, 검색 응답 시간과 원인 분석 완료 시간을 나눠 잽니다.

현업 실행 디테일: 누가, 언제, 무엇을

한국 대기업 제조사 AX 조직이 세 사례 중 하나를 자기 과제로 옮길 때의 가상 예시입니다. 첫 과제는 데이터가 사내에 있고 KPI가 분명한 자율 배차로 잡았습니다.

역할	담당	하는 일
스폰서	물류 담당 임원	대상 권역·센터 승인, 검토 게이트 기준과 감수할 비용 결정
과제 리더	AX 조직 PM 1명	일정·판정 회의 주관, 지표 정의서 관리
배차 현업	배차 담당 2~3명	업무 규칙 목록화, 섀도 운영 중 계획 비교, 수정 사유 기록
데이터	데이터 엔지니어 1~2명	ERP·TMS·WMS 키 매핑, 이벤트 수집
최적화·AI	엔지니어 2명	VRP 해법기, 규칙 표, LLM 설명·규칙 초안 기능
운송 협력사	협력사 담당 1명	차량 가용·위치 데이터 제공, 현장 피드백

시작 전에 모을 것. 최근 3개월 배차 결과(주문, 차량, 출발·도착·상차 시각), 차량 종류별 용량과 제약, 현재 배차 담당자가 지키는 규칙 목록(문서에 없는 것까지 인터뷰로), 하루 변경 건수와 재계산 시간, 운송비 정산 기준입니다. 품질 과제라면 최근 3년 고장·클레임 보고서와 제품 시리얼 추적 범위를, 공유 재고라면 대리점 재고 데이터 수집 범위와 이동·정산 계약 조건을 같은 단계에서 모읍니다.

기간	할 일	산출물
1~2주	대상 센터 1곳 선정, 지표 4개(배치 시간·정시율·상차 시간·자동 확정 비율) 기준값 측정, 규칙 인터뷰	지표 정의서, 규칙 표 초안
3~5주	키 매핑과 이벤트 수집, 해법기 첫 버전	데이터 매핑표, 과거 하루치 재현 결과
6~8주	섀도 운영: 시스템 계획과 사람 계획을 나란히 기록	비교 리포트, 수정 사유 목록
9~12주	검토 게이트를 켠 부분 적용, 판정 회의	적용 범위 확대 여부 결정

현업에 물을 것.

1. 하루에 배차를 몇 번 다시 짜고 한 번 다시 짜는 데 얼마나 걸리나요?
2. 문서에 없지만 실제로 지키는 규칙은 무엇인가요? 어기면 누가 항의하나요?
3. 어떤 변경은 반드시 사람이 확인해야 하나요? 그 이유는 비용, 고객, 안전 중 무엇인가요?
4. 지금 정시율과 상차 시간은 어디에 기록되고 누가 책임지나요?
5. 협력사 차량의 위치와 가용 정보를 실시간으로 받을 수 있나요?

진행 판정 기준(예시). 섀도 운영 3주 동안 하드 규칙 위반 0건, 시스템 계획의 운송비가 사람 계획 대비 같거나 낮은 날이 80% 이상, 재계획이 시간 상한 안에 끝난 비율 95% 이상이면 부분 적용으로 넘어갑니다. 부분 적용 4주 뒤 정시율이 기준값보다 오르고 자동 확정 비율이 60%를 넘으면 다른 센터로 넓힙니다. 기준은 섀도 운영 전에 스폰서와 합의해 둡니다.

AX 적용 제언. 순서는 자율 배차, 고장 지식 검색, 공유 재고 풀이 무난합니다. 배차는 데이터가 사내에 있고 하루 단위로 효과를 볼 수 있어 12주 안에 판정이 납니다. 고장 지식 검색은 센서를 새로 달기 전에 기존 보고서만으로 시작할 수 있고 품질팀이 바로 씁니다. 하이얼 경영진이 말한 품질팀의 역할 변화도 여기서 먼저 체감됩니다. 공유 재고 풀은 효과가 가장 클 수 있지만 영업·대리점·고객사의 재고를 하나로 보자는 합의와 정산 규칙이 먼저입니다. 그래서 IT가 아니라 영업과 SCM을 함께 맡은 임원이 스폰서가 되어야 합니다. 세 과제 모두 지표를 사례집과 같은 이름으로 정해 두면 경영진 보고 때 외부 사례와 나란히 놓고 설명하기 쉽습니다.

원문 사례

항목	내용
제출처	2026 Gartner Eye on Innovation Awards 첨단 제조 부문에 제출·소개된 사례(Greater China 사례집 슬라이드 10~12)
회사	Haier Smart Home, 중국 칭다오
사례 1	AI-Enabled Digital Warehousing. 기술: AI, Data & Analytics, Digital Twin/Modeling & Simulation, Blockchain, Decision Intelligence Platforms, Software/Platform/App
사례 1 수치	상품 1,220만 개 스케줄링(2025), 연 매출 2억800만 달러 지원, 고객 3,500곳 이상, 누적 서비스 10억 회 이상, 건당 배송비 12%↓, 단위 물류비 28~37%↓, 재고회전 42%↑, 배송 효율 50%↑, 운송비 35% 이상↓
사례 2	Intelligent Vehicle Allocation System. 기술: AI Agents, Data & Analytics, LLMs, Automation, Internet of Things, Software/Platform/App
사례 2 수치	배차 효율 88%↑(4시간 → 30분), 정시율 70.66% → 86.26%, 상차 12.69시간 → 8.36시간(34%↑), 연 191만 달러 이상 절감, 일상 결정 90% 이상 자동화
사례 3	Zero-Defect Quality Engine. 기술: Computer Vision, GenAI, Reasoning Models, Decision Intelligence Platforms, LLMs
사례 3 수치	불량률 22%↓, 초도합격률 15%↑, 품질 손실 10%↓, 분석 48~72시간 → 15분, 반복 업무 80% AI 처리
수치 확인 메모	사례 2 ‘95.3% loading rate improvement’는 해석하지 않음. 사례 3 진단 ‘수초’(솔루션 설명)와 분석 ‘15분’(성과)은 구분 설명 없음
공개 자료	하이얼 공식 뉴스 3건(2025.10.30, 2026.1.20, 2026.3.13), 언론 보도 2건(2025.10.30, 2025.12.18). 자율 배차 시스템을 직접 다룬 공개 자료와 물류 기술상의 이름은 확인하지 못함

핵심 개념

SKU

Stock Keeping Unit. 모델·용량·색까지 구분한 재고 관리 단위입니다.

재고회전

일정 기간 재고가 몇 번 팔려 나가고 다시 채워졌는지를 보는 지표로, 높을수록 재고가 덜 묶여 있습니다.

초도합격률

First-pass yield. 재작업이나 재검 없이 첫 검사에서 합격한 제품의 비율입니다.

Decision Intelligence Platform

예측, 최적화, 규칙, 사람의 승인을 한 흐름으로 묶어 의사결정을 반복 실행하게 하는 소프트웨어 범주입니다.

VRP

Vehicle Routing Problem. 차량 여러 대로 주문을 어떤 순서와 경로로 나를지 정하는 최적화 문제입니다.

MILP

혼합정수계획. 일부 변수를 정수로 두고 제약 아래에서 비용을 최소화하는 최적화 기법입니다.

섀도 운영

새 시스템의 판단을 기록만 하고 실제 운영에는 쓰지 않으면서 사람의 판단과 나란히 비교하는 시험 방식입니다.

내 메모

TODO: 내 생각 추가

근거: 사용자가 제공한 Gartner 2026 Eye on Innovation Awards Greater China 사례 자료(Haier Smart Home, 슬라이드 10~12)와 확인한 공개 자료입니다. 공개 자료: 하이얼 공식 뉴스 「AWE2026：日日顺护航海尔智慧家庭全球落地」(2026.3.13, https://www.haier.com/about_haier/xinwen/20260313_287776.shtml), 「数字化变革获认可！海尔再增2项“全国质量标杆”」(2026.1.20, https://www.haier.com/about_haier/xinwen/20260120_285325.shtml), 「海尔智家数字变革再加速，前三季度74%商品直达用户」(2025.10.30, https://www.haier.com/about_haier/xinwen/20251031_281870.shtml), 언론 보도 「日日顺“智慧云仓”项目入选2025中物联数字化转型案例」(2025.10.30, https://m.tech.china.com/articles/20251030/202510301756233.html), 「日日顺供应链入选2025年山东民营企业百强榜」(2025.12.18, https://m.tech.china.com/hea/articles/20251218/202512181783338.html). 요약·메커니즘·사례 재구성·원문 사례 표는 이 자료의 사실을 AX Review가 다시 정리했고 기술·현업 디테일, JSON 예시, 일정·판정 기준, 인포그래픽과 표는 실제로 돌릴 때 필요한 것으로 새로 작성했으며 그 안의 필드명과 숫자는 가상 예시입니다. 수상 여부와 시상 내용은 Gartner Eye on Innovation 첨단 제조 페이지에서 확인할 수 있습니다.