Lean AI: C.H. Robinson 3분기 콜, 사내 에이전트로 1인당 처리 물량은 늘리고 인원은 10.4% 줄인 방식

C.H. Robinson은 업무를 먼저 다시 설계하고 그 위에 사내에서 만든 에이전트를 얹어 견적에서 정산까지의 일을 자동화하고 있습니다. 그 결과 인원을 줄이면서도 물량은 시장보다 빨리 늘렸고 모델은 작업마다 골라 토큰 비용을 연 200만 달러 아래로 묶었습니다. 따라 하려면 에이전트마다 맡은 일과 가드레일, 사람이 확인하는 지점을 먼저 문서로 정하고 "1인당 일 처리 건수" 같은 생산성 지표를 고정해야 합니다.

요약

C.H. Robinson은 화주와 운송사를 잇는 미국 물류 중개사(3PL)입니다. 2026년 10월 28일 3분기 실적 콜에서 CEO David Bozeman, 북미 육상(NAST, North American Surface Transportation) 사장 Michael Castagnetto, 전략·혁신 책임자(CSIO) Arun Rajan, CFO Damon Lee가 회사가 Lean AI라고 부르는 방식을 설명했습니다. Lean AI는 군살을 빼는 운영 모델(Robinson operating model)과 사내에서 만든 AI 에이전트, 그리고 사람을 한 묶음으로 굴리는 방식입니다. Rajan에 따르면 사내 엔지니어와 데이터 과학자 450여 명이 자사 시스템과 업무 흐름 안에 들어가는 에이전트를 직접 만듭니다. 이메일로 들어온 단건 운임 견적 요청에 답하는 에이전트, 해상 운임 견적을 빠르게 내는 에이전트가 콜에서 언급된 예입니다.

Lean AI의 세 구성 요소. 콜 발언을 바탕으로 다시 그림

숫자도 함께 나왔습니다. NAST의 1인당 하루 처리 물량(shipments per person per day)은 전년보다 15% 넘게, 2022년 말보다 65% 넘게 늘었습니다. 3분기 평균 인원은 11,253명으로 1년 전보다 10.4% 줄었고 NAST 물량은 3.5% 늘어 화물 시장 지수(Cass)를 14분기 연속 앞섰습니다. NAST 영업이익률은 40.3%, 해상·항공 포워딩(Global Forwarding)은 36.6%로 둘 다 회사가 정한 중기 목표를 넘었습니다. 토큰 사용량은 2년 새 40배 넘게 늘었지만 연환산 토큰 비용은 200만 달러 미만이라고 Rajan은 말했습니다. 경영진은 견적~정산(quote-to-cash) 과정의 수백 개 프로세스 중 일부만 자동화했다며 아직 초반이라고 봅니다. 아래에서는 이 결과를 만든 여섯 가지 작동 방식과 실제로 옮길 때 필요한 기술·현업 디테일을 정리합니다.

콜에서 밝힌 값(15%·65%는 '넘게'). 막대는 0 기준 같은 척도

핵심 메커니즘

Lean AI: 업무를 고친 뒤에 에이전트를 얹기

Lean AI는 자동화보다 업무 재설계를 앞에 두는 순서입니다. Rajan은 회사가 기존 프로세스를 그대로 자동화하는 데 그치지 않고 일하는 방식 자체를 다시 짠다고 했습니다. 순서는 이렇습니다. 먼저 업무 흐름을 단순화·표준화합니다. 다음으로 손이 많이 가고 자주 막히는 일(high-friction work)을 찾고 측정 가능한 성과 기준으로 우선순위를 매깁니다. 이 과정에 현장 직원이 참여해 어디서 프로세스와 기술이 중요한지 짚습니다. 에이전트는 그렇게 정리된 업무에 붙습니다. 업무가 정리되지 않은 곳에 에이전트를 붙이면 예외가 그대로 남아 사람이 다시 손봐야 하므로, 재설계가 먼저입니다. 작은 가상 예시를 들면 운임 견적 메일 처리에서 “견적 양식이 화주마다 다른 문제”를 먼저 표준 필드로 묶어 놓고 나서 추출 에이전트를 붙이는 식입니다.

Lean AI의 순서. 에이전트는 마지막 단계

In-house Agents: 자사 시스템 안에서 도는 맞춤 에이전트

C.H. Robinson은 범용 도구를 사 오기보다 물류 업무에 맞춘 에이전트를 직접 만듭니다. 450명이 넘는 사내 엔지니어와 데이터 과학자가 에이전트를 자사 시스템과 업무 흐름 안에 바로 넣습니다. Rajan은 생산성 향상이 맞춤 기술에 자사 데이터와 맥락(context)이 더해져 나왔다고 설명했습니다. 운임, 운송사 이력, 고객별 조건처럼 회사만 가진 데이터가 에이전트 판단의 근거가 되기 때문입니다. 업무 예외가 많고 회사 고유 데이터가 경쟁력인 영역에서 맞는 방식입니다. 개발 인력이 없다면 처음부터 같은 방식을 쓰기는 어렵고 고유 데이터 연결부터 시작해야 합니다.

맞춤 에이전트의 구성

Model Routing: 작업마다 맞는 모델을 골라 토큰 비용 묶기

모델은 작업 단위로 고릅니다. Rajan은 모든 작업에 가장 새롭고 큰 모델이 필요하지 않으며 작업별로 효과와 비용을 따져 LLM을 고른다고 했습니다. 특정 공급사 하나에 묶이지도 않습니다. 업무 흐름 자체도 토큰을 아끼게 설계합니다. 그 결과 토큰 사용량은 2년 전보다 40배 넘게 늘었는데도 연환산 비용은 200만 달러 미만입니다. 평균 인원 11,253명 규모 회사에서 사람 한 명당 연 200달러가 안 되는 셈입니다. 이 규모라면 AI 운영비의 대부분은 모델 사용료보다 사람과 업무 설계에 들어갑니다.

모델 라우팅과 토큰 비용. 결과 칸은 콜에서 밝힌 값

Agent Guardrails: 에이전트마다 책임, 가드레일, 사람 감독을 정하기

에이전트는 직원처럼 맡은 일이 정해져 있습니다. Rajan에 따르면 에이전트마다 정의된 책임과 가드레일(넘으면 안 되는 한계)이 있고 사람이 감독합니다. 회사는 무엇이 잘 되는지 재고 실패한 경우를 들여다보고 그에 맞춰 고칩니다. CFO Lee는 이미 손댄 프로세스도 기술이 좋아지면 다시 본다고 덧붙였습니다. 운임이나 마진처럼 돈이 걸린 결정을 에이전트에 맡길 때 이 구조가 필요합니다. 가상 예시로, 견적 에이전트에 “목표 마진 범위 밖 견적은 담당자 승인 후 발송”이라는 가드레일을 거는 식입니다.

에이전트 운영 규칙. 마지막 칸이 다시 첫 칸으로 돌아가는 반복 구조

Quote-to-Cash Stitching: 단건 에이전트를 끝에서 끝까지 잇기

지금까지 만든 에이전트는 대부분 한 가지 작업을 맡습니다. 이메일 견적 응답, 해상 견적 같은 일입니다. Rajan은 다음 단계가 이 에이전트들을 이어 견적부터 정산까지 하나의 자동화된 흐름으로 만드는 일이라고 했습니다. 경영진은 견적~정산에 걸친 수백 개 프로세스 중 일부만 자동화했다고 여러 번 강조했습니다. 단건 자동화로 얻은 생산성은 시작이고 단계 사이의 인계(hand-off)를 없애는 데서 다음 몫이 나온다는 판단입니다. 회사는 같은 플랫폼을 북미 육상에서 해상·항공 포워딩으로 옮기고 인수를 발표한 RXO에도 적용할 계획입니다.

Quote-to-cash 연결 로드맵. 수백 개 프로세스 중 일부만 자동화된 상태

Productivity by Role: 감축은 운영 직무에, 고객 접점은 지키기

생산성은 1인당 하루 처리 물량 하나로 잽니다. Lee는 2022년 말 이후 65%가 넘는 생산성 향상이 주로 운영 직무에서 나왔다고 했습니다. 고객을 맡는 인력은 유지하고 승진시켰으며 일부 영역은 늘렸습니다. Castagnetto도 매출과 고객 관계를 맡는 직군에서는 비용 절감을 우선하지 않았다고 했습니다. 이 직군에는 데이터와 도구를 더 주고 시장 변화 신호를 담당 데스크로 바로 보내 직원이 대응하게 합니다. Castagnetto는 3분기 계약 운임 재조정이 회사 역사상 가장 빨랐다고 했습니다.

직무별로 다르게 적용한 Lean AI

통념과 다른 주장

흔히 이렇게 봅니다AI를 제대로 쓰려면 가장 좋은 최신 모델을 쓰고 큰 비용을 감수해야 한다고 봅니다.

회사는 이렇게 봅니다모든 작업에 최신·최대 모델이 필요하지 않으며 작업마다 효과와 비용을 따져 모델을 고르면 사용량이 크게 늘어도 비용은 작게 유지됩니다.

근거토큰 사용량이 2년 새 40배 넘게 늘었지만 연환산 토큰 비용은 200만 달러 미만이라고 Rajan이 밝혔습니다.

흔히 이렇게 봅니다AI로 생산성이 오르면 인력을 고르게 줄이게 되고 고객 응대도 함께 줄어든다고 봅니다.

회사는 이렇게 봅니다감축은 운영 직무에서 하고 고객 접점 인력은 지키거나 늘려야 물량과 마진이 함께 오릅니다.

근거평균 인원이 10.4% 줄어든 분기에 NAST 물량은 3.5% 늘어 시장 지수를 14분기 연속 앞섰고 Lee는 감축이 주로 운영 직무였다고 설명했습니다.

통념과 회사 주장 대비

저자가 든 사례

이 글은 실적 콜 녹취라 사례는 경영진이 콜에서 언급한 것입니다.

NAST 이메일 단건 견적 에이전트

상황 북미 육상 트럭 운송의 약 30%는 단건(spot) 거래이고 화주는 이메일로 견적을 요청합니다. 한 일 이메일로 들어온 단건 견적 요청에 AI 에이전트가 답하게 했습니다. 결과 Bozeman은 응답이 이전보다 훨씬 빨라져 더 나은 마진으로 단건 물량을 따낸다고 했습니다. 응답 시간과 처리 건수는 콜에서 밝히지 않았습니다. 연결 In-house Agents, Agent Guardrails.

NAST 이메일 견적 에이전트. 구체 응답 시간은 콜에서 밝히지 않음

포워딩으로 옮긴 플랫폼과 해상 견적

상황 해상·항공 포워딩은 북미 육상보다 시장 점유율이 작은 사업이고 운영 모델은 약 2.5~3년 전에 들어갔습니다. 한 일 NAST 생산성을 만든 에이전틱 AI 플랫폼과 머신러닝 기반 운임 산정·원가 산정 모델(algorithmic pricing and costing)을 포워딩에 배치하고 있습니다. 해상 견적에는 맞춤 에이전트를 붙였습니다. 결과 고객 응답이 빨라지고 직원 수작업이 줄었다고 Rajan이 말했습니다. 포워딩 영업이익률은 36.6%로 전년보다 660bp 올랐고 경영진은 포워딩에서의 생산성·마진 효과는 아직 초반이라고 봅니다. 연결 Quote-to-Cash Stitching, Model Routing.

포워딩 확장. 이익률 개선을 AI만의 효과로 나누지는 않음

RXO 인수 통합에 같은 방식 적용

상황 회사는 콜 약 3주 전 트럭 중개사 RXO 인수를 발표했고 순 시너지 3억 달러를 목표로 잡았습니다. 한 일 운영 모델 담당 부사장 Jordan Kass가 통합을 이끕니다. 고객 관계와 인재는 지키고 백오피스와 운영 쪽에서 생산성을 올리는 같은 각본을 씁니다. RXO 영업 인력에는 데이터와 도구를 더 주고 운임 산정·원가 산정 엔진과 데이터를 합칩니다. 결과 아직 통합 전이라 결과 수치는 없습니다. 상위 100개 트럭 중개 고객을 분석한 결과 겹치는 고객은 제한적이었다고 했습니다. 연결 Productivity by Role, Quote-to-Cash Stitching.

RXO 통합 계획. 콜 시점 기준

기술 디테일: 견적 에이전트를 직접 만들고 운영하려면

아래는 콜 내용을 실제로 돌릴 때 필요한 것을 새로 정리한 것입니다. 필드명과 숫자는 가상 예시입니다.

에이전트 명세를 먼저 쓰려면 (Agent Guardrails) 에이전트마다 한 장짜리 명세를 저장소에 두고 배포 전 검토 대상으로 삼습니다. 명세에는 맡은 프로세스 단계, 입력과 출력, 가드레일, 사람에게 넘기는 조건, 성과 지표가 들어갑니다.

{
  "agent_id": "spot-quote-email-v3",
  "q2c_step": "quote",
  "owner": "NAST 단건 운임 데스크장",
  "input": ["email_body", "attachments", "customer_id"],
  "output": {"lane": "출발-도착", "equipment": "dry_van", "pickup_date": "YYYY-MM-DD", "quote_usd": 0, "margin_pct": 0},
  "guardrails": {"margin_pct_min": 8, "margin_pct_max": 25, "max_quote_usd": 15000, "blocked_customers": "credit_hold"},
  "human_review_if": ["가드레일 이탈", "필수 필드 누락", "신규 화주", "모델 신뢰도 0.8 미만"],
  "metrics": ["first_response_min", "win_rate", "margin_vs_desk", "override_rate"]
}

에이전트 명세 필드 (가상 예시)

작업마다 모델을 고르려면 (Model Routing) 이메일 한 통을 분류, 필드 추출, 운임 산정, 회신 초안으로 쪼갭니다. 분류와 추출은 작은 모델에 JSON 출력을 강제하고 temperature 0으로 돌립니다. 운임 숫자는 LLM이 만들지 않고 사내 운임·원가 모델이 계산합니다. LLM은 회신 문장만 씁니다. 작업마다 평가 세트 200건을 두고 모델을 바꿀 때 정확도와 건당 비용을 같은 표에 놓고 비교합니다. 같은 입력을 3회 돌려 추출 필드가 달라지는 비율이 2%를 넘으면 그 작업은 큰 모델로 올립니다.

작업별 모델 배정 (가상 예시)

토큰 비용을 장부로 관리하려면 (Model Routing) 호출마다 agent_id, model, input_tokens, output_tokens, cost_usd, shipment_id를 남깁니다. 그래야 “처리 물량 1건당 AI 비용”을 계산할 수 있고 사용량이 몇십 배로 늘 때도 어느 에이전트가 비용을 끌어올리는지 바로 보입니다. 월 1회 에이전트별 건당 비용 상위 5개를 뽑아 프롬프트 길이, 불필요한 재시도, 모델 등급을 점검합니다.

생산성 지표를 고정하려면 (Productivity by Role) 1인당 하루 처리 물량은 “그날 완료된 운송 건수 ÷ 해당 조직의 근무 인원”으로 정의하고 분모에 들어가는 직무 범위를 문서로 못 박습니다. 운영 직무와 고객 접점 직무를 나눠 따로 계산해야 어느 쪽에서 생산성이 나왔는지 확인할 수 있습니다.

실패에 대응하려면 (Agent Guardrails) 흔한 실패는 첨부 파일 속 운송 조건을 놓치는 경우, 같은 화주가 여러 메일로 조건을 바꾸는 경우, 시장 운임이 급변하는 경우입니다. 이때는 human_review_if에 걸어 담당자에게 넘기고 담당자가 고친 값을 다음 평가 세트에 넣습니다. 3분기처럼 단건 운임이 1년 새 37% 오른 시장에서는 운임 모델의 기준 데이터 갱신 주기를 하루 단위로 당깁니다.

토큰 비용 장부 (가상 예시)

현업 실행 디테일: 누가, 언제, 무엇을

아래 역할과 일정, 판정 기준은 콜 내용을 옮기기 위해 새로 짠 가상 예시입니다.

역할	맡는 일	산출물
운영 모델 리더(AX 추진)	견적~정산 프로세스 지도 작성, 마찰 큰 일 순위	프로세스 목록과 우선순위표
단건 운임 데스크장(현업 리더)	에이전트 명세 승인, 가드레일 값 결정, 예외 검토	명세서, 주간 예외 리뷰
엔지니어·데이터 과학자	에이전트 구현, 모델 배정, 비용 장부	평가 세트, 비용 리포트
재무(CFO 조직)	생산성·인원 지표 정의, 직무별 분리	1인당 처리 물량 대시보드
영업·고객 담당	시장 신호 받아 고객 대응, 현장 피드백	고객 반응 기록

시작 전 준비물 최근 3개월 견적 요청 메일과 실제 회신, 수주 여부, 확정 운임과 마진 데이터, 직무별 인원표가 필요합니다.

8주 파일럿 일정 (가상 예시)

8주 일정 1~2주차에는 견적~정산 단계를 펼치고 마찰이 큰 일 3개를 고릅니다. 3~4주차에는 첫 에이전트 명세와 평가 세트 200건을 만듭니다. 5~6주차에는 그림자 운영(shadow mode)으로 에이전트가 답을 만들되 사람이 보내고 차이를 기록합니다. 7~8주차에 판정합니다.

확인 질문 이 작업의 마찰은 어디서 오나? 업무를 고치면 없어지는 마찰인가, 에이전트가 필요한가? 사람에게 넘길 조건은 무엇인가? 잘못된 견적이 나가면 누가 책임지나? 이 작업이 자동화되면 담당자는 어떤 일로 옮기나?

진행 판정 기준(예시) 첫 응답 시간이 데스크 평균의 절반 이하이고 에이전트 견적의 마진이 데스크 견적과 ±1%p 안이며 담당자 수정률이 15% 미만이면 실제 발송으로 넘깁니다. 하나라도 못 미치면 2주 더 그림자 운영을 합니다.

AX 적용 제언 국내 3PL이나 제조사 물류 조직이라면 인원 감축 목표보다 “1인당 하루 처리 건수”를 먼저 공식 지표로 정하는 편이 좋습니다. 첫 대상은 이메일·메신저로 들어오는 단건 견적처럼 양이 많고 정답(수주 여부, 확정 운임)이 남는 업무가 맞습니다. 경영진 스폰서는 고객 접점 인력은 줄이지 않는다는 원칙을 먼저 공표해야 현장 협조를 얻습니다. 그다음 단건 에이전트를 배차·추적·정산으로 잇는 로드맵을 분기 단위로 짭니다.

AX 적용 순서 제언 (새로 작성)

원문 사례

항목	내용
자료	C.H. Robinson 2026년 3분기 실적 콜 녹취, The Motley Fool 게재(2026.10.28)
화자	CEO David Bozeman, NAST 사장 Michael Castagnetto, CSIO Arun Rajan, CFO Damon Lee
AI 조직	사내 엔지니어·데이터 과학자 450명 이상, 자사 시스템 안에 에이전트 탑재
모델·비용	작업별 모델 선택, 단일 공급사 의존 없음, 토큰 사용 2년 새 40배 이상, 연환산 토큰 비용 200만 달러 미만
거버넌스	에이전트별 책임·가드레일·사람 감독, 측정과 실패 분석 후 개선
에이전트 예	이메일 단건 견적 응답, 해상 견적, 포워딩용 ML 운임·원가 모델, 시장 신호를 데스크로 전달
진척	견적~정산 수백 개 프로세스 중 일부만 자동화, 다음은 에이전트 연결
생산성	NAST 1인당 일 처리 물량 전년 대비 15% 이상, 2022년 말 대비 65% 이상 증가
인원	평균 11,253명, 전년 대비 10.4%·전 분기 대비 2% 감소, 감축은 주로 운영 직무
실적	매출 54억 달러(+29.5%), 조정 매출총이익 8억 840만 달러(+14.5%), NAST 물량 +3.5%(Cass −0.3%), 트럭 건당 이익 +17%
이익률	NAST 40.3%(+110bp), 포워딩 36.6%(+660bp), 2023년 말 이후 각각 1,500bp·2,500bp 이상 개선
기타	RXO 인수 발표(순 시너지 목표 3억 달러), 연 3,000만 달러 수준 임금 인상분 흡수, 자사주 매입 일시 중단

핵심 개념

3PL: Third-Party Logistics. 화주 대신 운송사를 찾아 운송을 맡기는 물류 대행·중개 사업입니다.
NAST: North American Surface Transportation. C.H. Robinson의 북미 트럭·LTL 육상 운송 사업부입니다.
Global Forwarding: 해상·항공 국제 운송을 주선하는 포워딩 사업부입니다.
AGP: Adjusted Gross Profit. 운송사에 낸 운임을 뺀 조정 매출총이익으로, 중개사의 실제 몫입니다.
Spot / Contractual: 그때그때 견적을 받는 단건 거래와 일정 기간 운임을 정해 둔 계약 거래. NAST 트럭은 약 30 대 70입니다.
Cass Freight Index: 북미 화물 출하량 지수. 회사는 자사 물량 증가율을 이 지수와 비교합니다.
LTL: Less-Than-Truckload. 트럭 한 대를 채우지 않는 소량 화물 운송입니다.

내 메모

TODO: 내 생각 추가

원문: The Motley Fool, 「C.H. Robinson (CHRW) Q3 2026 Earnings Call Transcript」(2026.10.28). 녹취는 The Motley Fool이 LLM의 도움을 받아 만든 것이라 게재처가 오류 가능성을 밝히고 있습니다. 발언은 화자를 밝혀 AX Review가 우리말로 요약했고 직접 옮기지 않았습니다. 매출·순이익 등 일부 실적 수치는 녹취 페이지의 요약 상자 기준입니다. 경영진은 생산성·이익률 개선을 Lean AI와 운영 모델의 결과로 설명했으며 이 노트는 그중 AI만의 몫을 따로 나누지 않습니다. 요약·메커니즘·통념과 다른 주장·사례·원문 사례 표는 녹취 내용을 다시 정리한 것이고 기술·현업 디테일, JSON 예시, 일정·판정 기준, 인포그래픽은 새로 작성했으며 그 안의 필드명과 숫자는 가상 예시입니다. 전체 녹취는 원문에서 볼 수 있습니다.