aIDEM: 이데미쓰코산이 탱크로리 배차를 AI 초안·사람 확정으로 바꿔 작성 시간 23% 줄인 방식

이데미쓰코산은 하루 약 5,000건의 연료유 배송을 AI가 먼저 배차안을 짜고 배차 담당자가 확인해 확정하는 방식으로 바꿨고, 배차계획 작성 시간을 전국 평균 약 23% 줄였습니다. AI보다 먼저 한 일은 적재부터 하역까지 보이지 않던 구간을 데이터로 남기는 플랫폼이었습니다. 다른 회사가 옮기려면 이 순서와 사람이 확정하는 자리를 함께 가져가야 합니다.

요약

MONOist의 長町基 기자는 2026년 10월 23일 이데미쓰코산(出光興産)의 물류 강연을 정리해 보도했습니다. 연사는 유통업무부 수주배송관리센터의 友野寛(도모노 히로시) 배송과장이고, 무대는 ITmedia Virtual EXPO 2026 여름(8월 25일~9월 25일, 온라인)이었습니다. 대상은 연료유 육상 물류입니다. 하루 약 5,000건의 배송 주문을 탱크로리 약 1,800대가 소화하고, 수주배송관리센터의 배차 담당자 약 70명이 주문을 받아 배차계획을 세웁니다. 센터는 유조소(油槽所, 연료 출하 기지), 운송회사, 승무원, SS(서비스스테이션, 주유소), 수요처를 잇는 사령탑입니다. 계획대로 움직이는지 확인하고 어긋나면 바로잡습니다. 이데미쓰는 두 단계로 일을 바꿨습니다. 먼저 수주·배차·운행·하역·실적을 잇는 수송관리 플랫폼을 깔아 적재부터 하역 완료까지를 기록했습니다. 그 위에 AI 배차 최적화 시스템 aIDEM을 올렸습니다. aIDEM은 수요예측 AI 하나와 수리최적화(mathematical optimization, 제약을 지키면서 가장 좋은 답을 계산하는 기법) 모델 두 개를 묶은 구성입니다.

결과는 배차계획 작성 시간 전국 평균 약 23% 감소입니다. 여러 배차안을 그 자리에서 비교할 수 있게 됐고, 담당자가 누구냐에 따라 계획 품질이 흔들리는 폭도 줄었습니다. 배차 밖의 업무 부담도 가벼워졌다고 합니다. 도모노 과장은 그 이유를 역할 분담에서 찾습니다. AI가 고려할 조건을 빠짐없이 넣어 초안을 내면, 담당자는 현장의 돌발 상황을 보고 조정·재입안해 최종안을 확정합니다. 담당자는 빈 화면에서 계획을 짜는 대신 전체 최적과 예외 대응에 시간을 씁니다. 그는 다음 단계를 AX(AI transformation)라고 부릅니다. 앞으로 물을 것은 AI를 넣을지가 아니라 AI를 전제로 일을 어떻게 다시 짤지라는 것입니다. 아래에서는 이 구조를 다섯 가지 메커니즘으로 풀고, 다른 회사가 배차·배송 계획에 옮길 때 필요한 데이터 필드, 최적화 설정, 일정을 덧붙입니다.

핵심 메커니즘

수송관리 플랫폼: 적재부터 하역까지 ‘보이지 않는 물류’를 기록으로

수송관리 플랫폼(輸送管理プラットフォーム)은 수주, 배차, 운행, 하역, 실적을 하나로 잇는 시스템입니다. 배차가 끝난 뒤 차량이 어디 있는지, 언제 도착하는지, 하역이 어디까지 됐는지, 어디서 기다리는지를 남깁니다. 종이·팩스·전화로 오가던 정보가 탱크로리 동태와 작업 실적 데이터로 쌓입니다. 도모노 과장은 이 구간이 보이지 않으면 개선할 수 없다고 봤습니다. 그래서 AI가 배울 데이터를 현장에서 만들어 내는 일을 DX의 출발점으로 삼았습니다. 그가 꼽은 가치는 시스템을 만든 것 자체가 아닙니다. 현장의 사실을 기록해 두고 나중에 고칠 수 있는 상태를 만든 데 있다고 말합니다.

배차 이후 정보가 전화로만 돌아오는 조직이라면 최적화 모델보다 이 층을 먼저 깔아야 합니다. 운행 실적이 이미 디지털로 쌓이는 조직이면 다음 단계로 바로 넘어가도 됩니다. 가상 예시를 들면, 어느 주유소에서 하역 대기가 매번 40분씩 생긴다는 사실은 기록이 있어야 드러납니다. 그 값을 알아야 배차 모델이 쓰는 하역 시간도 고칩니다.

계획배송: 고객 주문을 기다리지 않고 회사가 주문을 만드는 구조

계획배송(計画配送)은 수요와 납품처 탱크 재고를 예측해 이데미쓰가 스스로 배송 주문을 만드는 방식입니다. 탱크가 바닥나기 전에 회사가 주문을 만들기 때문에 날짜별 물량이 고르게 펴지고 공급도 안정됩니다. 대신 주문 작성과 배차를 한 덩어리로 처리해야 합니다. 원문은 이 때문에 전체 수요예측과 개별 배차 최적화를 함께 보되 서로 다른 문제로 나눠 풀어야 했다고 설명합니다.

납품처 탱크 재고가 원격으로 보이고 소비 패턴이 안정된 품목이면 이 구조가 맞습니다. 연료, 산업가스, 화학약품이 그런 예입니다. 주문이 들쭉날쭉하고 재고를 볼 수 없는 품목이면 일반 수주 배송이 낫습니다. aIDEM이 수요예측과 최적화를 따로 둔 것도 이 구조에서 나옵니다.

aIDEM: 수요예측 AI와 수리최적화 모델 둘을 이은 배차 시스템

aIDEM은 AI 하나가 아니라 여러 기술을 묶은 시스템입니다. 기능은 셋입니다. 수요예측 AI, 계획 입안(수리최적화 모델), 배차 최적화(수리최적화 모델)입니다. 매출, 탱크로리 용량 목표율 같은 여러 정보를 입력으로 받아, 고려해야 할 조건을 모두 넣은 배차계획을 내놓습니다. 원문이 이름을 밝힌 입력은 이 두 가지이고, 세 기능을 잇는 방식은 원문에서 밝히지 않았습니다.

기능 이름으로 역할을 나눠 읽으면 이렇습니다. 수요예측은 어디에 얼마가 필요할지를 냅니다. 계획 입안은 그 물량을 날짜와 거점에 나누고, 배차 최적화는 차량과 승무원에게 붙입니다. 이 대응은 기능 이름을 바탕으로 한 해석입니다. 예측은 머신러닝이, 배정은 수리최적화가 맡는 분업은 제약을 어기면 안 되는 일에 맞습니다. 수리최적화는 답이 제약을 지키는지 계산으로 확인할 수 있기 때문입니다. 위험물 운송처럼 규제가 겹겹인 배차가 그런 경우입니다.

사람과 AI의 융합: AI가 초안을 내고 배차 담당자가 확정한다

도모노 과장이 aIDEM에서 가장 중요하게 본 원칙은 「人とAIの融合」(사람과 AI의 융합)입니다. AI가 조건을 빠짐없이 반영한 초안을 내면 담당자가 확인합니다. 현실의 돌발 상황이 있으면 담당자가 조정하고 다시 입안해 최종 배차계획을 확정합니다. 여러 안을 나란히 놓고 바로 비교하는 것도 AI가 맡습니다. 담당자는 계획을 처음부터 짜는 일에서 벗어나 전체 최적과 예외 대응처럼 판단이 필요한 일에 시간을 씁니다.

계획 결과에 책임이 따르고 현장 변수가 많은 업무에 맞는 구조입니다. 배송 하나가 어긋나면 주유소 재고가 바닥나거나 위험물 안전 문제로 번지는 연료 물류가 대표적입니다. 반대로 변수가 적고 실수 비용이 낮은 배정이라면 사람 확인 단계를 줄여도 됩니다.

속인화를 업무 설정 문제로 보기: 숙련자 지식을 시스템 조건으로 옮기기

도모노 과장은 숙련자 의존(属人化)을 개인의 문제가 아니라 업무를 어떻게 설정했느냐의 문제로 봤습니다. 현장이 애써 온 노력의 이면이기도 하다고 말합니다. 그래서 aIDEM에 숙련 담당자의 실무 지식을 반영했고, 누가 짜도 초안 품질이 비슷하게 나오게 했습니다. 그 결과로 계획 품질이 고르게 되고 속인성이 줄었습니다.

연료 물류는 위험물 규제를 받고 안전 장치를 여러 겹 둡니다. 작은 실수도 큰 위험이 되는 업무라, 숙련자 머릿속에만 있던 규칙을 시스템 조건으로 옮기는 일은 안전과도 이어집니다. 특정 담당자가 휴가를 가면 계획이 흔들리는 업무라면 이 메커니즘부터 점검할 만합니다.

통념과 다른 주장

저자가 든 사례

1단계: 수송관리 플랫폼으로 데이터 만들기

항목	내용
상황	바깥에서는 2024년 문제(2024년 4월 트럭 운전자 시간외 노동에 상한이 붙으며 생긴 운송력 부족 우려)와 물류비 상승이, 업계에서는 수요 감소와 인력 부족이 겹쳤습니다. 안에서는 배차 속인화, 라스트원마일 정보 부족, 시스템 단절로 데이터가 정비되지 않았습니다. 물리적 합리화는 해 왔지만 기존 방식의 한계가 보였습니다.
한 일	수주·배차·운행·하역·실적을 잇는 수송관리 플랫폼을 만들어 적재부터 하역 완료까지를 기록했습니다.
결과	탱크로리 동태와 작업 실적이 쌓이고, 종이·팩스·전화 중심 업무를 데이터로 다루게 됐습니다. 효과 수치는 원문에서 밝히지 않았습니다.
연결	수송관리 플랫폼

2단계: aIDEM으로 배차 초안을 AI에 맡기기

항목	내용
상황	배차 담당자 약 70명이 하루 약 5,000건 주문을 탱크로리 약 1,800대에 배정합니다. 계획배송 때문에 주문 작성과 배차가 묶여 있고 숙련자 의존이 컸습니다.
한 일	수요예측 AI와 수리최적화 모델 둘로 된 aIDEM을 넣었습니다. AI가 초안을 내고 담당자가 확인·조정해 확정합니다.
결과	배차계획 작성 시간이 전국 평균 약 23% 줄었습니다. 여러 안을 바로 비교하게 됐고, 계획 품질이 고르게 되고 속인성과 배차 밖 업무 부담이 줄었습니다. 도입 시기와 거점별 수치는 원문에서 밝히지 않았습니다.
연결	계획배송, aIDEM, 사람과 AI의 융합, 속인화를 업무 설정 문제로 보기

3단계: 도입 뒤 계속 고치며 AX로

항목	내용
상황	도모노 과장은 실제로 운용해야 보이는 과제가 있고, 현장에서 쓰기 시작한 뒤에야 본격적인 개선이 시작된다고 봅니다.
한 일	배차 정확도, 적재 효율, UX, 위치정보를 쓰는 시스템 연계를 고도화하고 있습니다. 사업부는 물류 전체의 풀 DX를 목표로 둡니다.
결과	진행 중입니다. 다음 단계는 AI를 중심에 두고 업무와 의사결정 방식을 다시 설계하는 AX입니다. 그가 꼽은 교훈은 목적 설정을 잘못하지 않기, 현장과 함께 시스템 만들기, 사람과 AI의 역할을 최적으로 설계하기 세 가지입니다.
연결	사람과 AI의 융합, 속인화를 업무 설정 문제로 보기

기술 디테일: 우리 배차에 이 구조를 옮기려면

수송관리 플랫폼의 기록을 최적화 입력으로 쓰려면 운행 이벤트 필드부터 고정합니다. 운행 한 건마다 적재, 출발, 도착, 하역 시작·종료, 대기 장소, 예외 코드를 남깁니다. 담당자가 AI 초안을 고쳤다면 누가 왜 고쳤는지도 같은 레코드에 붙입니다. 이 기록에서 납품처별 하역 시간과 대기 시간의 중앙값·90퍼센타일을 매주 뽑아 최적화 모델의 서비스 시간 값으로 씁니다. 아래 필드명과 값은 가상 예시입니다.

{
  "trip_id": "T-20261028-0412",
  "lorry_id": "L-0871", "compartments_kl": [4, 4, 4, 4, 4],
  "depot_id": "DEPOT-07", "loaded_at": "2026-10-28T05:40", "departed_at": "06:05",
  "stops": [
    {"site_id": "SS-1123", "product": "regular", "planned_kl": 8, "delivered_kl": 8,
     "arrived_at": "06:52", "unload_start": "07:01", "unload_end": "07:24",
     "wait_location": "site_lot", "exception_code": null}
  ],
  "gps_track_ref": "gps/L-0871/20261028",
  "plan_source": "aidem_draft", "edited_by": "dispatcher_23", "reason_code": "site_request"
}

계획배송의 수요예측은 탱크 단위 재고 예측으로 돌립니다. 납품처 탱크·유종별로 하루 소비량을 예측해 재고 곡선을 그리고, 재고가 안전재고 아래로 내려가기 전의 배송 가능 기간을 주문 후보로 냅니다. 입력은 원문이 든 매출 외에 출하 이력, 요일·계절·기온, 탱크 용량입니다. 수천 개 탱크를 모델 하나로 학습하는 gradient boosting(LightGBM 등) 전역 모델로 시작하면 무난합니다. 안전재고는 평균 예측이 아니라 90퍼센타일 예측으로 잡습니다. 최근 4주 MAPE(평균 절대 백분율 오차)가 30%를 넘는 탱크는 계획배송에서 빼고 일반 주문으로 돌립니다. 아래도 가상 예시입니다.

{
  "tank_id": "SS-1123-T2", "product": "regular", "capacity_kl": 20,
  "forecast_daily_kl": 3.1, "forecast_p90_kl": 3.9,
  "stockout_date": "2026-11-02",
  "window_earliest": "2026-10-30", "window_latest": "2026-11-01",
  "suggested_kl": 12, "mape_4w": 0.14, "planned_delivery": true
}

aIDEM의 배차 최적화는 하드 제약과 소프트 목표를 나눠 적습니다. 탱크로리 배차는 차량경로문제(VRP, Vehicle Routing Problem)의 변형입니다. 반드시 지킬 하드 제약은 칸별 적재 용량, 유종 혼적 규칙, 납품 시간창, 유조소 출하 시간, 승무원 근무시간 상한, 위험물 운송 규칙입니다. 점수로 다툴 소프트 목표는 차량 수, 주행 거리, 적재율이 용량 목표율에 얼마나 가까운지입니다. 도구는 Google OR-Tools 같은 오픈소스나 Gurobi 같은 상용 솔버가 쓰입니다. 거점마다 계산 시간을 60180초로 제한하고, 목표 가중치를 바꾼 23개 안을 함께 내면 원문이 말한 여러 안 비교가 재현됩니다. 같은 입력이면 같은 답이 나오도록 탐색 seed를 고정해야 담당자가 안끼리 비교하기 쉽습니다.

사람과 AI의 융합에서 담당자의 수정은 고정 후 재계산과 사유 코드로 받습니다. 담당자가 특정 배정을 고정(pin)하면 나머지만 다시 최적화하게 합니다. 수정마다 reason_code(차량 고장, 납품처 요청, 안전 판단, 모델 조건 누락)를 남기고 매주 집계합니다. ‘모델 조건 누락’이 같은 항목에서 3회 넘게 나오면 숙련자와 확인해 새 제약으로 올립니다. 숙련자 지식을 시스템 조건으로 옮기는 통로가 이것입니다.

실패하는 경우를 미리 정합니다. 해가 없으면(infeasible) 어떤 제약끼리 부딪혔는지 이름으로 보여 주고, 미리 정한 순서대로 소프트 쪽 제약부터 풉니다. 위험물 규칙과 근무시간 상한은 풀지 않습니다. 위치 데이터가 끊긴 차량은 재계획 대상에서 ‘수동 확인’으로 표시합니다.

현업 실행 디테일: 누가, 언제, 무엇을

역할	담당	하는 일
스폰서	물류·유통 총괄 임원	파일럿 거점과 AI 초안 범위 승인
숙련 배차 담당	2~3명	지켜 온 규칙 목록화, 초안 검토, 제약 승격 판단
배차 담당	파일럿 거점 인원	AI 초안 확인·조정·확정, reason_code 입력
운송회사 담당	1명	승무원 근무 규칙, 차량·칸 사양 제공
위험물 안전 담당	1명	절대 완화하지 않을 제약 목록 확정
데이터·최적화 엔지니어	2명	수요예측 모델, VRP 모델, 재계산 기능
IT	1명	플랫폼·차량 단말 연동, 화면

시작 전에 모을 것. 최근 3~6개월 주문·배차·운행 실적, 납품처 탱크 용량과 재고 데이터, 차량·칸 사양, 유조소 출하 시간, 승무원 근무 규칙, 숙련자가 지켜 온 규칙 목록(인터뷰로 작성), 담당자별 현재 계획 작성 시간입니다.

기간	할 일	산출물
1~2주	담당자별 계획 작성 시간 측정, 숙련자 인터뷰	기준 시간표, 규칙 목록
3~5주	하드·소프트 제약 정의, 과거 하루치 배차 재현	제약 정의서, 재현 결과 비교표
6~8주	섀도 운영: 기존대로 짠 계획과 AI 안을 나란히 비교	초안 채택률, 수정 사유 집계
9~11주	1개 거점에서 AI 초안 + 담당자 확정 운영	작성 시간, 제약 위반, 배송 누락
12주	판정 회의	확대 여부, 다음 거점

배차 담당자에게 물을 것.

1. 하루 배차계획을 짜는 데 몇 분이 걸리고, 어느 단계에서 가장 오래 고민하나요?
2. 신입이 짠 계획을 고칠 때 가장 자주 바로잡는 것은 무엇인가요?
3. 시스템에 적혀 있지 않지만 꼭 지키는 납품처·차량 규칙은 무엇인가요?
4. AI 초안에 무엇이 빠지면 그대로 확정하지 않겠습니까?
5. 하루 중 계획을 다시 짜게 만드는 돌발 상황은 무엇이고 얼마나 자주 생기나요?

진행 판정 기준(예시). 운영 4주차에 네 조건을 모두 채우면 다음 거점으로 넓힙니다. 계획 작성 시간 20% 이상 감소(이데미쓰 전국 평균 약 23%를 참고값으로 둠), 하드 제약 위반 0건, 담당자 수정률이 주마다 내려가는 추세, 배송 누락과 긴급 배송이 늘지 않음입니다. 기준은 섀도 운영 전에 정해 둡니다.

AX 적용 제언. 정유·LPG·산업가스·화학 유통, 레미콘, 식품 정기 배송처럼 매일 같은 배정 문제를 푸는 곳이 첫 후보입니다. 순서는 이데미쓰와 같게 갑니다. 운행 기록을 먼저 깔고, 예측과 최적화를 올리고, 확정은 사람에게 둡니다. 운행 실적이 전화로만 돌아오는 회사라면 첫 분기 예산은 최적화 엔진이 아니라 차량 단말과 이벤트 기록에 씁니다. 성과 지표는 작성 시간, 초안 채택률, 적재율, 배송 누락 네 가지로 시작합니다. 현업 스폰서는 IT가 아니라 물류 조직에 둡니다. 숙련자 인터뷰는 외주로 돌리지 말고 배차팀 리더가 직접 맡게 하는 편이 좋습니다. 규칙을 제약으로 옮기는 판단이 결국 그 사람에게서 나오기 때문입니다.

원문 사례

항목	내용
보도	MONOist, 長町基, 2026.10.23 (ITmedia Virtual EXPO 2026 여름 강연 정리, 2쪽)
연사	이데미쓰코산 유통업무부 수주배송관리센터 배송과장 友野寛(도모노 히로시)
규모	하루 약 5,000건 배송 주문, 탱크로리 약 1,800대, 배차 담당 약 70명
배경	2024년 문제, 물류비 상승, 수요 감소, 인력 부족, 속인화, 라스트원마일 정보 부족, 시스템 단절
DX 1장	수송관리 플랫폼: 수주·배차·운행·하역·실적 연결
DX 2장	aIDEM: 수요예측 AI + 계획 입안(수리최적화) + 배차 최적화(수리최적화), 입력은 매출·탱크로리 용량 목표율 등
성과	배차계획 작성 시간 전국 평균 약 23% 감소, 여러 안 즉시 비교, 품질 평준화, 속인성·배차 외 업무 부담 감소
진행 중	배차 정확도, 적재 효율, UX, 위치정보 활용 연계 고도화, 물류 풀 DX 목표
교훈	목적 설정, 현장과 함께 만들기, 사람과 AI의 역할 설계

핵심 개념

2024년 문제

일본에서 2024년 4월부터 트럭 운전자 시간외 노동에 상한이 붙으며 운송력이 모자랄 것이라는 우려.

유조소

油槽所. 연료를 저장했다가 탱크로리에 실어 내보내는 출하 기지.

SS

Service Station. 일본에서 주유소를 부르는 말.

수리최적화

목적과 제약을 수식으로 적고 솔버로 가장 좋은 답을 찾는 기법. 답이 제약을 지키는지 계산으로 확인할 수 있습니다.

용량 목표율

탱크로리 용량을 어느 정도까지 채우는 것을 목표로 할지 정한 비율. aIDEM의 입력 가운데 하나입니다.

라스트원마일

마지막 납품 구간. 이데미쓰에서는 납품처 도착부터 하역 완료까지의 정보가 부족했습니다.

속인화

属人化. 업무가 특정 숙련자에게 기대어 그 사람이 없으면 품질이 흔들리는 상태.

내 메모

TODO: 내 생각 추가

원문: 長町基, 「出光興産の“物流司令塔”が実現した、人とAIの融合による配車時間23％減」(MONOist, 2026.10.23, 2쪽). 이데미쓰코산 友野寛 배송과장의 ITmedia Virtual EXPO 2026 여름 강연을 정리한 기사입니다. 요약·메커니즘·통념과 다른 주장·사례·원문 사례 표는 원문 내용을 AX Review가 다시 정리했습니다. 2024년 문제의 뜻, 탱크로리의 칸 구조처럼 원문에 없는 배경은 일반 정보로 덧붙였습니다. 기술·현업 디테일, JSON 예시, 일정·판정 기준, 인포그래픽은 새로 작성했으며 그 안의 필드명과 숫자는 가상 예시입니다. 원문 전체는 MONOist에서 볼 수 있습니다.