SF Technology Global AI Logistics: 통관 검토·간선 배차·포장 계산을 AI로 묶은 국제 물류

SF Technology는 국제 물류의 통관 서류 검토, 간선 배차, 포장 계산, 다국어 배송 표준을 자체 운영망 하나 위에서 AI로 묶었고 사례집 기준으로 통관 신고 검토가 건당 5초, 50배 빨라졌습니다. 한국 제조사가 수출 물류에 옮기려면 나라별 규칙은 엔진으로 따로 관리하고 모델은 품목 판단과 예외 분류만 맡기며 의심 건을 사람에게 넘기는 기준부터 정해야 합니다.

요약

이 노트의 뼈대는 2026 Gartner Eye on Innovation Awards에 제출·소개된 Greater China 사례 자료입니다. 사례를 낸 곳은 SF Express의 기술 계열사 SF Technology(광둥)이고 대상은 국제 사업을 맡은 SF International입니다. 문제는 여러 겹이었습니다. 지정학 갈등과 무역장벽이 커졌고 물류 데이터는 나라마다 흩어져 있었습니다. 통관은 사람이 손으로 처리해 느렸고 운임 변동과 계절 수요, 비효율적인 재고 운영이 비용을 밀어 올려 전 구간을 한눈에 보기 어려웠습니다. SF Technology는 네 가지 모델·플랫폼으로 전 과정을 잇는 프레임워크를 만들었습니다. Fengyu LLM(丰语, 물류 특화 언어 모델), SF Forecast-to-Decision Platform(예측을 결정으로 잇는 플랫폼), Baichuan, Fengzhi Large Model(丰知, 물류 결정 모델)입니다. 이 프레임워크로 집하·통관·운송·창고·배송을 자동화하고 97개국과 해외 창고 27개를 잇는 자체 운영망에서 실시간으로 조정합니다. Baichuan은 이름만 나오고 역할은 사례집에 없습니다.

사례집이 밝힌 성과는 기업이 보고한 실적입니다. 31개국 통관 신고 검토는 건당 5초에 정확도 90%를 넘었고 속도는 50배가 됐습니다. 태국 간선망을 최적화해 하루 수백 회 운행을 줄이고 2일·3일 배송 충족을 개선했습니다. 창고에서는 포장비가 17% 줄고 포장 계산 시간이 8분의 1이 됐습니다. 7개 언어·12개국 다국어 배송 표준은 연간 수백만 위안의 추가 매출을 냈고 피크 처리량은 시간당 350만 주문, 고객은 5,000곳 이상, 지원 창고는 500곳 이상입니다. 금액 두 개는 확정하지 않았습니다. 사례집 영문 원문은 통관 쪽 세금 손실 회피액을 ‘RBM100m’, 태국 월 절감액을 ‘TBH100m’으로 적었습니다. 사례집 정리본은 이 표기를 통화 오기 가능성이 있는 원문 내부 불일치로 표시했습니다. 그래서 이 노트도 원문 표기만 남기고 위안·바트 금액으로 옮기지 않습니다. 해외 창고 27개와 지원 창고 500곳 이상도 서로 다른 범위의 숫자입니다. 통관·포장·망 규모는 2025년 12월~2026년 8월 공개 자료 3건으로 보충했습니다. 회사 경영진은 AI 오케스트레이션으로 “complex cross-border logistics”를 매끄럽게 만들었다고 말합니다. 아래에서 네 갈래 메커니즘을 풀고 한국 제조사 수출 물류에 옮기는 방법을 붙입니다.

핵심 메커니즘

Fengyu 통관 심사: 규칙 엔진이 거르고 모델이 품목을 읽는 신고 검토

무엇인가. 수출입 신고 자료에서 HS 코드(국제 품목 분류 번호), 신고 가격, 원산지를 자동으로 확인해 통과 건과 의심 건을 가르는 검토 단계입니다. 사례집은 31개국, 건당 5초, 정확도 90% 초과, 50배라는 결과만 적었습니다.

어떻게 작동하나. 공개 보도(차이나데일리 중문판 재게재, 2025.12.16)가 작동 방식을 더 밝힙니다. 제품 이름은 丰语商编이고 여러 나라의 통관 데이터로 학습했습니다. 100개국 이상의 통관 정책을 담은 규칙 엔진이 따로 있고 정책이 바뀌면 갱신합니다. 신고 검토와 고객 자동 연락을 포함한 7개 핵심 장면을 다루고 30개 이상 국가 노선에서 HS 코드 매칭 정확도 90% 이상을 보고했습니다. 일본 수입 노선에서는 AI가 건당 평균 약 5초에 처리하고 표시된 건은 사람이 시스템 도움을 받아 약 30초에 검토하며 하루 2만 건 이상을 봅니다. 사례집의 31개국과 보도의 30개 이상 노선은 시점이 달라 둘 다 적습니다.

언제 쓰고 언제 안 쓰나. 품목이 많고 나라별 규칙이 자주 바뀌는 화물에 맞습니다. 보도는 신선식품, 3C 전자제품, 산업 부품도 다룬다고 밝혔습니다. 전략물자 판정이 걸린 수출은 모델이 후보만 내고 결정은 사람이 합니다.

작은 예시(가상 예시). 한국 부품사가 일본 법인에 보낼 수리 부품 송장 300줄을 올립니다. 규칙 엔진이 금지 품목과 원산지 기준을 먼저 보고 모델이 품명 ‘브래킷, 스틸, 도장’과 HS 후보가 맞는지 판단합니다. 280줄은 자동 통과, 20줄은 근거와 함께 관세 담당자 화면에 올라갑니다.

Forecast-to-Decision: 수요 예측을 배차 결정까지 한 번에 잇기

무엇인가. 예측 값을 보고서로 끝내지 않고 운행 횟수, 경로, 차량 배정 같은 결정으로 바로 넘기는 구조입니다. 사례집은 SF Forecast-to-Decision Platform이라는 이름과 태국 간선망 결과만 밝혔습니다.

어떻게 작동하나. 공개 자료가 Fengzhi 쪽을 보충합니다. 2026년 7월 기사는 Fengzhi를 물류 결정 대형 모델로 소개하며 수백억 건 규모 소포의 경로와 수요 예측을 지원한다고 적었습니다. 2026년 8월 IDC 수상 보도는 Fengzhi 안의 예측 모델 Li-Net이 과거 판매 추세, 프로모션, 지역 수요를 함께 보고 용량·재고·망 계획을 받친다고 밝혔습니다. SF 자체 소포량 예측의 연산 비용은 이전의 약 46분의 1이 됐다고 합니다. 다만 이 보도는 중국 내 공급망 사례이고 태국 간선망과 같은 시스템인지는 자료에 없습니다. 일반적인 Forecast-to-Decision은 이렇게 돕니다. 구간별 물동량을 분포로 예측하고 차량 용량·출발 시각·배송 약속을 제약으로 넣어 최적화한 뒤, 운행표로 내보냅니다.

언제 쓰고 언제 안 쓰나. 물동량이 요일·계절에 따라 크게 출렁이고 노선이 많은 간선망에 맞습니다. 노선이 몇 개 안 되고 운행이 고정 계약이면 사람이 짜는 계획표로 충분합니다.

Packing Optimization: 주문마다 상자와 배치를 고르는 계산

무엇인가. 주문 품목의 크기와 수량을 보고 어떤 상자에 어떻게 넣을지 고르는 계산입니다. 사례집은 포장비 17% 감소, 포장 계산 시간 8분의 1을 보고했습니다.

어떻게 작동하나. 2026년 8월 보도(SF Holding 공식 계정발)에 따르면 AI 상자 추천 시스템이 주문마다 맞는 상자와 배치를 고르고 모양이 고르지 않은 품목도 다룹니다. 작업자 채택률은 99.8%, 소모재 비용은 17% 감소, 검토 효율은 20% 개선이었고 고객으로 유아용품·3C·콜드체인·트렌디 완구 기업을 들었습니다. 사례집과 보도가 같은 17%를 말하지만 같은 시스템이라고 명시한 곳은 없습니다.

언제 쓰고 언제 안 쓰나. 품목 조합이 주문마다 다른 B2C·소량 다품종 출고에 맞습니다. 같은 제품을 팔레트 단위로 내보내는 출고라면 포장 규격을 한 번 정하면 끝나 효과가 작습니다.

Self-operated Network: 자체 운영망이 단계를 한 줄로 잇는 토대

무엇인가. 집하부터 배송까지 회사가 직접 운영하는 망입니다. 사례집은 이 망이 97개국과 해외 창고 27개를 잇고 피크 시간당 350만 주문을 처리하며 고객 5,000곳 이상과 창고 500곳 이상을 지원한다고 적었습니다. 7개 언어·12개국 다국어 배송 표준은 연간 수백만 위안의 추가 매출로 이어졌다고 보고했습니다.

어떻게 작동하나. 단계마다 다른 업체가 끼면 통관에서 읽은 품목 정보를 창고와 배송에서 다시 입력합니다. 한 회사가 망을 운영하면 같은 주문 번호와 품목 정보가 끝까지 따라가 앞 단계 AI의 판단을 뒤 단계가 그대로 씁니다. 2026년 7월 광고성 기사는 망 규모를 다르게 적었습니다. 국제 특송·포워딩 95개국·지역, 핵심 해외 창고 노드 30개 이상, 통관 항구 94곳 가운데 29곳 완전 자체 운영, AEO(수출입 안전관리 우수 공인) 고급 인증 14건입니다. 시점과 범위가 달라 사례집 숫자와 맞추지 않습니다.

언제 쓰고 언제 안 쓰나. 망을 직접 운영하지 않는 화주는 3PL(물류 대행사)과 주문 번호·품목 코드·이벤트 데이터를 같은 형식으로 주고받는 계약이 먼저입니다. 이 계약이 없으면 단계별 AI가 서로의 결과를 보지 못합니다.

사례 재구성

31개국 통관 신고 검토

상황. 나라별 규칙이 다르고 통관 검토를 사람이 처리해 느렸습니다. 한 일. 규칙 엔진과 Fengyu 기반 검토로 HS 코드·신고가·원산지를 자동 확인했습니다. 결과. 건당 5초, 정확도 90% 초과, 50배 빠름(사례집). 세금 손실 회피액은 ‘RBM100m’으로 표기돼 금액을 확정하지 않습니다. 연결. Fengyu 통관 심사.

태국 간선망 최적화

상황. 운임 변동과 계절 수요로 운행 계획이 흔들렸습니다. 한 일. 예측을 운행 결정으로 잇는 최적화를 간선망에 적용했습니다. 결과. 하루 수백 회 운행 감축, 2일·3일 배송 개선. 월 절감액 표기는 ‘TBH100m’. 연결. Forecast-to-Decision.

창고 포장 계산

상황. 주문마다 상자를 고르는 일이 비용과 시간을 잡아먹었습니다. 한 일. 주문별 상자·배치 추천을 붙였습니다. 결과. 포장비 17% 감소, 계산 시간 8분의 1. 연결. Packing Optimization.

다국어 배송 표준

상황. 나라마다 배송 표기와 기준이 달랐습니다. 한 일. 7개 언어·12개국 배송 표준을 만들었습니다. 결과. 연간 수백만 위안 추가 매출. 매출과 표준 사이의 계산 방식은 사례집에서 밝히지 않음. 연결. Self-operated Network.

기술 디테일: 수출 물류에 이 구조를 옮기려면

Fengyu 통관 심사를 수출 통관 검토 에이전트로 옮기려면 규칙과 모델을 나눕니다. 입력은 상업송장, 포장명세서, 품목 마스터(자재 코드·재질·용도), 지난 2년 신고 이력입니다. 1단계에서 문서를 JSON 필드로 추출하고 2단계 규칙 엔진이 국가별 세번, FTA 원산지 기준, 수출 통제 목록을 봅니다. 규칙에는 버전과 시행일을 붙여 어떤 기준으로 판정했는지 남깁니다. 3단계에서 LLM이 품명과 HS 후보가 맞는지 근거 문장과 함께 판단합니다. temperature는 0으로 두고 같은 줄을 3회 돌려 HS 후보가 갈리면 사람 검토로 보냅니다. 출력 예시(가상 예시)는 아래와 같습니다.

{
  "line_id": "INV-2611-0042-017",
  "item_code": "BRK-ST-210",
  "desc_normalized": "steel bracket, painted",
  "hs_candidates": [{"code": "7326.90", "score": 0.91}, {"code": "8302.42", "score": 0.06}],
  "origin_rule": {"fta": "KR-JP RCEP", "rule_version": "2026-07-01", "result": "pass"},
  "runs_agree": 3,
  "decision": "auto_pass",
  "evidence": ["품목 마스터 재질=SPCC", "용도=설비 고정"]
}

판정 기준은 처음부터 숫자로 둡니다. 아래 값은 가상 예시이고 파일럿 첫 2주 결과로 조정합니다.

조건	분기	처리
상위 후보 score 0.85 이상, 3회 일치, 규칙 통과	자동 통과	기록만 남김
score 0.60~0.85 또는 3회 중 불일치	사람 검토	근거와 후보 2개를 화면에 표시
규칙 위반, 수출 통제 해당 가능성	차단	관세사 확인 전 신고 보류

Forecast-to-Decision을 권역 간선이나 밀크런(여러 협력사를 도는 순회 집하)에 쓰려면 예측을 한 숫자가 아니라 p10·p50·p90 분위수로 냅니다. 최적화는 MILP(정수계획) 솔버(예: OR-Tools)에 차량 용량, 출발 시각, 배송 약속 2일·3일을 제약으로 넣습니다. 계획마다 예측 버전, 계획 버전, 실행 실적을 같은 키로 저장해야 계획 대비 실적 차이를 추적할 수 있습니다. 흔한 실패는 프로모션·신차 출시 같은 이벤트 정보가 빠져 과소 예측하는 경우입니다. 이벤트 달력을 입력 필드로 넣고 주간 차이가 15%를 넘는 노선은 사람이 계획을 덮어쓰게 합니다.

Packing Optimization을 해외 부품 창고에 쓰려면 품목별 치수·무게·파손 등급과 상자 규격 목록이 먼저 있어야 합니다. 3D bin packing(상자 채우기) 휴리스틱으로 후보를 만들고 과거 작업자 선택으로 학습한 순위 모델이 상위 1개를 추천합니다. 지표는 보도에 나온 것처럼 작업자 채택률로 잡습니다. 채택률이 떨어지는 품목은 대개 치수 마스터가 틀린 품목이라 기준정보 수정 목록으로 돌립니다.

현업 실행 디테일: 누가, 언제, 무엇을

가장 먼저 옮기기 쉬운 것은 수출 통관 검토입니다. 데이터가 이미 사내에 있고 규칙이 문서로 정해져 있으며 검토 시간이라는 판정 지표가 분명합니다.

역할	담당	하는 일
수출입 통관 담당	물류팀 파트장 1명 + 실무 2명	샘플 선정, 정답 라벨, 검토 화면 운영
관세사(사내 또는 관세법인)	1명	HS·원산지 규칙 검수, 오류 원인 분석
물류 IT	개발 2명	문서 추출, 규칙 엔진, LLM 호출, 로그
기준정보 담당	1명	품목 마스터 재질·용도 필드 보완
AX 추진	PM 1명	범위·KPI, 중간 점검, 확대 결정

시작 전 준비물. 지난 6개월 수출 신고 건 중 국가 2곳(예: 일본, 베트남) 샘플 1,000줄, 그 줄의 확정 HS 코드, 상업송장·포장명세서 원본, 품목 마스터 추출본, 현재 건당 검토 시간 측정값(5건 이상 실측).

6주 일정(가상 예시). 1주 범위·KPI와 샘플, 2~3주 정답 라벨·규칙 검수와 파이프라인, 4~5주 실제 신고와 병행 운영(AI 판정과 사람 판정을 나란히 기록), 6주 판정 회의입니다.

확인 질문. 지금 신고 한 줄을 검토하는 데 몇 분이 걸리나? 지난 1년 HS 정정·추징 건은 몇 건이고 원인은 무엇이었나? 품목 마스터에 재질과 용도가 비어 있는 비율은? 나라별 규칙 변경을 누가 언제 알고 반영하나? 의심 건을 받는 사람이 하루에 몇 건까지 볼 수 있나?

진행 판정 기준(가상 예시). HS 상위 후보와 확정 코드 일치율 90% 이상(사례집과 보도의 정확도 수준), 사람 검토로 넘어가는 줄 20% 이하, 검토 시간 50% 이상 단축, 차단 분기에서 놓친 위반 0건. 네 가지를 모두 넘으면 국가를 늘리고 하나라도 못 넘으면 원인을 분류해 2주 연장합니다.

AX 적용 제언. 한국 제조 대기업의 해외 법인·수출 물류에는 세 단계 순서가 맞습니다. 첫째, 수출 통관 검토로 시작해 규칙 엔진과 판정 로그를 만듭니다. 둘째, 해외 부품 창고 포장 추천으로 소모재비를 줄입니다. 효과를 재기 쉽고 품목 마스터 품질이 함께 올라갑니다. 셋째, 권역 간선·밀크런에 Forecast-to-Decision을 붙입니다. 이 단계는 3PL과 데이터를 나눠 써야 가능하므로, 다음 계약 갱신 때 주문 번호·이벤트 데이터 제공 조항부터 넣어 둡니다. SF 사례에서 가져올 것은 같은 주문 정보가 통관에서 배송까지 끊기지 않는 구조이고 모델 선택은 그다음 일입니다.

원문 사례

항목	사례집(기업 보고)	공개 자료
제출	SF Technology Co., Ltd., 광둥 · 기타 산업	확인 못 함(수상 여부 포함)
대상	SF International 국제 물류	국제 특송·포워딩 95개국·지역(2026.7 광고성 기사)
기술 분류	AI Agents, Automation, Data & Analytics, Decision Intelligence Platforms, GenAI, LLMs
모델·플랫폼	Fengyu LLM, SF Forecast-to-Decision Platform, Baichuan, Fengzhi Large Model	丰语商编(통관), Fengzhi·Li-Net(예측·경로)
통관	31개국, 건당 5초, 정확도 90% 초과, 50배. 손실 회피 ‘RBM100m’ 표기	30개+ 국가 노선, HS 매칭 90% 이상, 일본 건당 약 5초·의심 건 약 30초·일 2만 건+(2025.12)
운송	태국 간선 하루 수백 운행 감축, 2일·3일 배송 개선. 월 절감 ‘TBH100m’ 표기	태국 간선 자료 확인 못 함
창고·포장	포장비 17% 감소, 계산 시간 8분의 1	상자 추천 채택률 99.8%, 소모재 17% 감소, 검토 효율 20% 개선(2026.8)
매출	7개 언어·12개국 배송 표준, 연 수백만 위안 추가	확인 못 함
규모	피크 시간당 350만 주문, 고객 5,000곳+, 창고 500곳+, 해외 창고 27개	핵심 해외 창고 노드 30개+, 통관 항구 94곳(자체 29곳)
수치 주의	통화 표기 RBM·TBH는 사례집 정리본이 원문 내부 불일치로 표시. 해외 창고 27개와 창고 500곳+는 범위가 다름

핵심 개념

HS 코드

세계관세기구가 정한 국제 품목 분류 번호. 관세율과 수출입 규제가 이 번호로 정해진다.

丰语商编

Fengyu 모델 위에 만든 SF의 통관 신고 솔루션 이름(공개 보도 기준).

간선(trunk)

거점과 거점을 잇는 대량 운송 구간. 집하·배송 같은 말단 구간과 구분한다.

2-Day / 3-Day fulfilment

주문 후 2일 또는 3일 안에 배송을 마치는 약속과 그 충족률.

Li-Net

Fengzhi 안의 수요 예측 모델. 판매 추세·프로모션·지역 수요를 함께 본다(2026.8 보도).

AEO

Authorized Economic Operator. 세관이 공인하는 수출입 안전관리 우수 업체 제도.

Decision Intelligence Platform

예측·규칙·최적화를 묶어 결정을 만들고 기록하는 플랫폼을 가리키는 Gartner 분류.

3D bin packing

크기가 다른 물건을 가장 적은 상자에 담는 배치 계산 문제.

내 메모

TODO: 내 생각 추가

근거: 사용자가 제공한 Gartner 2026 Eye on Innovation Awards Greater China 사례 자료(SF Technology, ‘Global AI Logistics Transformation’, 사례집 58쪽)와 아래 공개 자료. 요약·메커니즘·사례 재구성·원문 사례 표는 이 자료를 AX Review가 다시 정리했고 기술·현업 디테일, JSON 예시, 판정 기준표, 일정, 인포그래픽, 표는 새로 작성했습니다. 통화 표기 ‘RBM100m’·‘TBH100m’은 원문 표기 그대로 두고 금액으로 옮기지 않았습니다. 확인한 공개 자료: 차이나데일리 중문판 재게재 통관 AI 보도(2025.12.16, https://cn.chinadaily.com.cn/a/202512/16/WS6940f910a310942cc4996e02.html), 同花顺 재게재 SF 공식 계정발 IDC 수상 보도(2026.8.21, https://stock.10jqka.com.cn/20260821/c679179509.shtml), 界面 광고성 기사 SF International 망 소개(2026.7.17, https://www.jiemian.com/article/14785205.html). 수상 여부는 공개 자료로 확인하지 못했습니다.