Seller Hours and Cases per Mile: US Foods가 AI 성과를 영업 시간과 배송 효율로 재는 법
미국 식품 유통사 US Foods는 메뉴판을 읽어 제안서를 만드는 생성형 AI로 영업 시간을, 라우팅 소프트웨어로 마일당 배송 케이스를 잽니다. 도구마다 다른 단위로 성과를 밝히되 출처와 빈칸을 구분해 읽는 법, 제안서 파이프라인 설계와 8주 파일럿안을 붙였습니다.
US Foods는 AI 성과를 한 숫자로 뭉치지 않고 도구마다 맞는 단위로 잽니다. 제안서 도구는 영업 시간, 라우팅은 마일당 배송 케이스, 검색은 장바구니 전환으로 봅니다. 따라 하려면 도입 전에 기준 시간을 실측하고, 벤더가 낸 숫자와 회사가 직접 밝힌 숫자를 나눠 관리해야 합니다.
요약
US Foods는 미국의 대형 식품 유통사로, 식당과 급식 사업자에게 식자재를 공급합니다. 2025 회계연도 매출은 394억 달러이고 고객 거점은 약 25만 곳입니다. PYMNTS는 2026년 10월 28일 기사에서 이 회사가 쓰는 AI 도구 여섯 가지를 모아, 각각 무엇으로 성과를 재는지 정리했습니다. 중심은 영업 쪽입니다. Automated Order Guide(메뉴를 읽어 제품 제안서를 만드는 생성형 AI 도구)는 잠재 고객의 메뉴판과 메모를 읽고 어떤 제품을 제안할지 정리합니다. 자체 개발한 Visit Assistant Insights(방문 도우미)는 고객 데이터를 보고 어느 거래처를 먼저 찾아갈지, 가서 무엇을 이야기할지 추천합니다. 운영 쪽에는 Descartes의 라우팅 소프트웨어, 수요 예측과 인력 계획 AI, 주문 플랫폼 MOXe의 AI 검색이 있습니다.
공개된 수치는 출처가 서로 다릅니다. 제안서 작성은 최대 4시간에서 30분 안팎으로 줄었다고 기사 첫머리에 나옵니다. 2024년 12월 AWS re:Invent에서 US Foods 엔지니어들은 3~4시간이던 작업이 20~30분이 됐다고 말했습니다. 첫 6개월에 영업 시간 3만 2,000시간 이상을 아꼈다는 수치와 10배 ROI는 AWS가 발표한 것입니다. ROI의 투자액과 절감액은 공개되지 않았고 US Foods가 직접 인용한 적도 없다고 기사는 짚습니다. 회사가 직접 밝힌 수치는 따로 있습니다. 방문 도우미는 첫 6주에 70만 건 넘게 추천을 냈습니다. 라우팅을 2025년 전 네트워크에 깐 뒤 배송 케이스/마일은 2024년보다 약 2% 늘었고, MOXe 검색은 온라인 장바구니 전환을 3% 올렸습니다. CEO Dave Flitman은 고객당 판매 품목 수가 몇 분기째 늘어난 데 AI 지원이 한몫했다고 말했지만 그 기여분은 따로 떼어 밝히지 않았습니다. 아래에서는 이 도구들을 네 가지 작동 원리로 풀고, 제안서 파이프라인을 직접 만들 때 필요한 필드와 검증 규칙, 8주 파일럿 일정을 덧붙입니다.
핵심 메커니즘
Automated Order Guide: 메뉴판을 읽어 제품 제안서로
무엇인가. 영업 담당이 새 거래처를 만나기 전에 손으로 하던 일, 곧 상대 식당의 메뉴를 보고 공급할 제품 목록을 짜는 일을 생성형 AI가 대신하는 도구입니다.
어떻게 작동하나. AWS 사례 연구에 따르면 입력은 종이 메뉴판, 스프레드시트, 손글씨 메모이고 일부는 여러 언어로 적혀 있습니다. Amazon Textract(문서에서 글자·손글씨·표를 뽑는 AWS 서비스)가 이 자료에서 텍스트를 뽑습니다. Amazon Bedrock(여러 회사의 생성형 AI 모델을 API로 쓰게 해 주는 AWS 서비스)에 올린 Anthropic의 Claude가 그 내용을 읽고 제품과 서비스를 추천합니다. 영업 담당은 그 결과로 거래처별 제안서를 만듭니다. 개념 검증은 6주 만에 끝냈고, Lake Michigan 지역 파일럿을 거쳐 다른 팀과 지역으로 넓혔습니다. 운영 단계에서 영업 담당 3,300명이 쓰기 시작했습니다.
언제 쓰나. 제품 수가 많고 고객마다 필요한 조합이 다른 B2B 영업에 맞습니다. 입력 자료가 비정형이고 영업 담당이 그것을 자사 카탈로그 용어로 옮기는 데 시간을 쓰는 경우입니다. 제품이 몇 개뿐이거나 고객 요구가 표준화돼 있으면 효과가 작습니다.
원문의 예. 기사 첫머리는 제안서 준비가 약 4시간에서 30분으로 줄었다고 씁니다. AWS 사례 연구 페이지는 3~4시간에서 20분으로 줄었다고 적습니다. 회사는 이 도구를 영업 시스템에 넣어 흐름을 더 줄일 계획입니다.
Visit Assistant Insights: 오늘 누구를 찾아가 무엇을 말할지
무엇인가. 고객 데이터를 읽고 영업 담당에게 방문할 거래처의 우선순위와 각 방문에서 꺼낼 화제를 추천하는 자체 개발 도구입니다.
어떻게 작동하나. 입력은 회사가 가진 고객 데이터입니다. 출력은 거래처별 추천입니다. 제안서 도구가 신규 고객을 여는 일을 돕는다면, 이 도구는 기존 고객에게 더 많이 파는 일을 돕습니다. 두 도구를 합치면 Flitman이 말한 그림이 됩니다. 서류 일을 AI가 맡으면 영업 담당은 새 고객을 찾고 기존 고객에게 더 파는 데 시간을 씁니다.
언제 쓰나. 영업 담당 한 명이 맡는 거래처가 많아서, 어느 집을 먼저 갈지가 성과를 가르는 조직에 맞습니다.
원문의 예. 첫 6주에 영업 추천 70만 건 이상을 냈습니다. 그 추천이 구매나 매출로 얼마나 이어졌는지는 공개하지 않았습니다.
운영 AI는 운영 지표로: 케이스/마일과 장바구니 전환
무엇인가. 물류와 온라인 주문에 쓴 AI는 그 업무가 원래 쓰던 지표로 성과를 잽니다. 새 지표를 만들지 않습니다.
어떻게 작동하나. 라우팅 소프트웨어는 트럭이 달린 거리 대비 배달한 케이스 수, 곧 케이스/마일로 봅니다. 주문 플랫폼 MOXe의 AI 검색은 검색한 고객이 장바구니를 실제 주문으로 넘기는 비율로 봅니다. 두 지표 모두 AI 도입 전부터 회사가 관리하던 숫자라 전년과 바로 비교할 수 있습니다. 수요 예측과 인력 계획 AI는 서비스 수준, 생산성, 운전자본을 개선한다고 Flitman이 말했지만 수치는 내지 않았습니다.
원문의 예. Descartes 라우팅을 2025년 네트워크 전체에 배포한 뒤 브로드라인(여러 품목을 한꺼번에 공급하는 주력 사업) 배송 케이스/마일이 2024년보다 약 2% 늘었습니다. MOXe 검색의 3% 전환 개선은 2025년 11월에 공개했습니다. 회사는 해마다 생산성을 3~5% 올리는 목표를 두는데, 그 안에서 AI 몫을 따로 밝힌 것은 이 두 수치뿐입니다.
성과 귀속: 어디까지가 AI 덕인가
무엇인가. AI가 만든 효과를 경영 성과와 연결할 때, 측정하기 쉬운 층과 경영진이 궁금한 층이 다르다는 점을 구분해 보는 틀입니다.
어떻게 작동하나. 가장 아래는 사용량입니다(추천 70만 건). 그 위가 절약한 시간(3만 2,000시간), 다음이 운영 지표(케이스/마일, 전환율), 맨 위가 사업 결과(고객당 판매 품목, 매출)입니다. 위로 갈수록 경영진이 보고 싶은 숫자에 가깝지만, 다른 요인이 섞여 AI 몫을 떼어 내기 어렵습니다. US Foods 사례에서 고객당 판매 품목이 늘어난 같은 분기에 영업 인원도 8% 늘었습니다. 그래서 Flitman의 주장은 영업 담당 1인당 성과에 관한 것이고, AI가 그중 얼마를 만들었는지는 분리되지 않았습니다.
원문의 예. 기사는 업계 맥락으로 PYMNTS Intelligence 조사를 듭니다. 매출 10억 달러 이상 기업 CFO 60명에게 2025년 12월에 물었더니 56.7%가 생성형 AI를 고객당 매출로 평가한다고 답했습니다. 다섯 달 전에는 18.3%였습니다. US Foods가 아니라 업계 전체의 흐름입니다.
통념과 다른 주장
흔히 이렇게 봅니다AI 도입의 효과는 사람이 하던 일을 줄여 인원과 비용을 낮추는 데서 나온다.
US Foods는 이렇게 봅니다AI가 서류 일을 맡으면 영업 담당은 새 고객을 찾고 기존 고객에게 더 파는 데 시간을 씁니다. 효과는 인원 감축이 아니라 영업 1인당 판매 성과로 나타납니다.
근거Flitman은 2026년 2분기 실적 발표에서 고객당 판매 품목 증가의 일부를 AI 지원 덕으로 돌렸습니다. 같은 분기에 영업 인원은 오히려 8% 늘었습니다.
저자가 든 사례
| 사례 | 상황 | 한 일 | 결과 | 연결 |
|---|---|---|---|---|
| Automated Order Guide | 제안서 1건에 영업 담당이 최대 4시간을 씀 | Textract와 Bedrock의 Claude로 메뉴·메모를 읽어 제안서 작성(AWS) | 20~30분 안팎, 6개월 3만 2,000시간 이상 절감·10배 ROI(AWS 주장) | 메뉴판을 제안서로 |
| Visit Assistant Insights | 어느 거래처를 먼저, 무엇을 들고 갈지 판단 필요 | 고객 데이터로 우선순위·화제 추천 | 첫 6주 추천 70만 건 이상, 매출 효과 미공개 | 방문 우선순위 |
| Descartes 라우팅 | 배송 효율 | 2025년 전 네트워크 배포 | 케이스/마일 약 2% 증가(2024년 대비) | 운영 지표로 측정 |
| MOXe AI 검색 | 온라인 주문 전환 | 주문 플랫폼에 AI 검색 | 장바구니 전환 3% 개선 | 운영 지표로 측정 |
| 영업 AI 지원 전반 | 고객당 판매 품목 증대 | 서류 일을 AI로 | 몇 분기 연속 증가, 같은 분기 영업 인원 8% 증가, AI 기여분 미분리 | 성과 귀속 |
기술 디테일: 제안서 파이프라인을 직접 만든다면
아래는 원문에 나온 구성 요소(문서 추출, Bedrock의 LLM)를 바탕으로, 비슷한 도구를 처음 만들 때 필요한 것을 새로 정리한 내용입니다. US Foods의 내부 설계가 아닙니다.
메뉴판을 제안서로 바꾸려면 다섯 단계로 나눕니다. 추출, 카탈로그 매칭, 생성, 검증, 기록입니다. 한 번의 LLM 호출로 메뉴판 사진에서 제안서까지 가면 틀린 SKU(재고 관리 단위, 제품 코드)가 섞여도 어디서 틀렸는지 찾기 어렵습니다. 단계마다 중간 결과를 JSON으로 남깁니다.
추출 단계의 출력 예. 메뉴 항목마다 아래 필드를 뽑게 합니다. 손글씨와 외국어 메모가 섞이므로 원문 표기와 정규화한 이름을 함께 둡니다.
{
"menu_item": "Shrimp tacos",
"raw_text": "shrimp tacos w/ chipotle crema",
"ingredients": ["shrimp", "corn tortilla", "chipotle", "sour cream"],
"est_weekly_volume": null,
"source_page": 2,
"confidence": 0.82
}카탈로그 매칭은 모델의 기억이 아니라 검색에 맡깁니다. 재료마다 자사 카탈로그를 임베딩 검색해 후보 SKU 3~5개를 뽑고, LLM은 그 후보 안에서만 고르게 합니다. 카탈로그에 없는 제품을 지어내는 일을 막는 가장 싼 방법입니다. 구조화 출력(JSON schema)으로 sku_id, pack_size, reason, alternatives를 받고 temperature는 0~0.2로 둡니다. AWS 사례 연구에서 David Falck(US Foods 머신러닝·엔지니어링 담당 VP)은 Bedrock에서 “half a dozen different models”를 시험했다고 말했습니다. 모델을 고를 때도 같은 메뉴 30~50건을 여러 모델에 돌려 매칭 정답률을 비교하면 됩니다.
검증 규칙은 코드로 겁니다. 단종 SKU, 해당 물류센터 미취급 품목, 가격표에 없는 항목, 알레르기 표기 누락을 규칙으로 걸러 영업 담당 화면에 표시합니다. LLM이 스스로 확인하게 하기보다 마스터 데이터와 대조하는 편이 빠르고 확실합니다.
절약 시간을 주장하려면 기록 단계가 필요합니다. 이 사례의 수치가 출처마다 4시간, 3~4시간, 20분, 30분으로 조금씩 다른 것은 실측 기준이 공개되지 않았기 때문입니다. 제안서마다 started_at, ai_draft_at, sent_at, edits_count, rejected_items를 남기면 도입 후 시간을 로그로 증명할 수 있습니다. 도입 전 기준 시간은 영업 담당 10명 정도가 2주 동안 손으로 기록해 둡니다.
방문 추천의 효과를 떼어 보려면 추천에 ID를 붙입니다. 방문 도우미처럼 추천을 내는 도구는 rec_id, account_id, suggested_topic, acted(실제 방문·제안 여부), order_lines_after_30d를 남깁니다. 일부 영업 담당이나 거래처를 2~4주 동안 추천 없이 두는 비교군을 만들면 추천 건수가 아니라 매출 기여를 말할 수 있습니다.
현업 실행 디테일: 누가, 언제, 무엇을
| 역할 | 하는 일 |
|---|---|
| 영업 기획 리더 (스폰서) | 대상 업무 선정, 기준 시간 실측, 진행 판정 |
| AI 엔지니어 1~2명 | 추출·매칭·생성 파이프라인 구축, 로그 설계 |
| 카탈로그·마스터 데이터 담당 | SKU 속성 정리, 매칭 결과 검수 |
| 파일럿 영업 담당 10명 | 실제 제안서에 사용, 수정 내용 기록 |
| 재무 담당 | 시간 절감과 매출 지표의 계산 방식 합의 |
시작 전 준비물. 최근 제안서 50건과 그 근거가 된 메뉴·메모 원본, SKU 카탈로그와 물류센터별 취급 품목표, 영업 담당 10명의 2주치 작업 시간 기록이 필요합니다.
| 기간 | 할 일 | 산출물 |
|---|---|---|
| 1~2주 | 제안서 1건 작성 시간 실측, 카탈로그 정리 | 기준 시간표, 정리된 SKU 마스터 |
| 3~4주 | 과거 제안서 50건으로 추출·매칭 정답률 측정 | 모델별 매칭 정답률 표 |
| 5~6주 | 영업 담당 10명이 실제 거래처에 사용 | 제안서별 시간·수정 로그 |
| 7~8주 | 인터뷰와 지표 검토, 확대 여부 결정 | 판정 보고서 |
파일럿 영업 담당에게 물을 것. AI 초안에서 가장 자주 고친 부분은 무엇이었나요? 고객 앞에 그대로 내놓기 불안했던 항목은 무엇이었나요? 아낀 시간을 실제로 어디에 썼나요? 새 거래처 방문이 늘었나요?
진행 판정 기준(예시). 세 조건을 채우면 확대합니다. 첫째, 제안서 1건 시간이 실측 기준보다 70% 이상 줄었습니다. 둘째, 매칭 SKU 가운데 영업 담당이 고친 비율이 15% 이하입니다. 셋째, 파일럿 영업 담당 10명 중 8명 이상이 계속 쓰겠다고 답했습니다. 시간은 줄었는데 수정률이 높으면 카탈로그 매칭부터 다시 봅니다.
AX 적용 제언. 국내 유통사나 B2B 제조사라면 AI 성과 보고를 한 장의 ROI로 묶지 말고 도구별 단위로 쪼개 시작하는 편이 낫습니다. 제안서·견적 도구는 영업 시간으로, 물류 AI는 기존 운영 지표로, 추천 도구는 비교군을 둔 매출 지표로 봅니다. 벤더가 발표한 숫자는 별도 칸에 두고, 회사가 로그로 확인한 숫자만 경영 보고에 씁니다. 첫 과제로는 견적·제안서처럼 입력이 비정형이고 결과를 영업 담당이 바로 검토할 수 있는 업무가 알맞습니다. 효과를 인원 감축이 아니라 1인당 판매 성과로 설명하면 현업의 저항도 줄어듭니다.
원문 사례
| 항목 | 내용 |
|---|---|
| 출처 | PYMNTS, 2026.10.28 (개인 필자 표기 없음) |
| 회사 | US Foods, 2025 회계연도 매출 394억 달러, 고객 거점 약 25만 곳(PYMNTS). AWS 사례 연구는 식당·급식 사업자 약 30만 곳으로 표기 |
| 제안서 도구 | Automated Order Guide, AWS 기반. 개념 검증 6주, Lake Michigan 지역 파일럿 후 영업 담당 3,300명 사용(AWS) |
| 제안서 시간 | 기사 첫머리 약 4시간 → 30분, re:Invent 2024 발표 3~4시간 → 20~30분, AWS 사례 연구 3~4시간 → 20분 |
| 시간 절감·ROI | 첫 6개월 3만 2,000시간 이상, 10배 ROI (모두 AWS 주장, ROI 산정 근거 미공개) |
| 방문 도우미 | Visit Assistant Insights, 자체 개발, 첫 6주 추천 70만 건 이상 |
| 라우팅 | Descartes, 2025년 전 네트워크 배포, 케이스/마일 약 2% 증가 |
| 주문 검색 | MOXe AI 검색, 장바구니 전환 3% 개선 (2025년 11월 공개) |
| 수요 예측·인력 계획 | 서비스·생산성·운전자본 개선 (수치 없음) |
| 경영진 발언 | Dave Flitman 회장 겸 CEO, 2026년 2분기 실적 발표 |
| 생산성 목표 | 연 3~5% |
| 업계 조사 | PYMNTS Intelligence, CFO 60명(매출 10억 달러 이상), 고객당 매출로 생성형 AI 평가 56.7% (다섯 달 전 18.3%) |
핵심 개념
- broadline distributor
- 식자재, 소모품, 장비까지 여러 품목을 한 회사가 한꺼번에 공급하는 식품 유통 형태. US Foods의 주력 사업입니다.
- cases per mile
- 배송 트럭이 1마일을 달릴 때 배달한 케이스 수. 경로가 촘촘할수록 올라가는 물류 효율 지표입니다.
- cart conversion
- 온라인에서 장바구니에 담긴 상품이 실제 주문으로 넘어간 비율입니다.
- lines per customer
- 고객 한 곳이 주문하는 품목 줄 수. 같은 고객에게 얼마나 넓게 파는지를 봅니다.
- SKU
- Stock Keeping Unit. 규격과 포장 단위까지 구분한 제품 코드입니다.
- re:Invent
- AWS가 해마다 12월에 여는 기술 행사. US Foods 엔지니어들이 2024년 행사에서 제안서 도구를 소개했습니다.
내 메모
TODO: 내 생각 추가
원문은 PYMNTS의 「US Foods Counts AI Gains in Seller Hours and Cases per Mile」(2026.10.28)입니다. 요약, 핵심 메커니즘의 원문 예, 통념과 다른 주장, 사례, 원문 사례 표는 기사 내용을 AX Review가 다시 정리했습니다. Automated Order Guide의 구성 요소(Amazon Textract, Bedrock의 Claude), 개념 검증 6주, Lake Michigan 파일럿, 사용자 3,300명, 20분 수치, Falck의 발언은 AWS 사례 연구 「US Foods」 페이지로 보강했습니다. 3만 2,000시간과 10배 ROI는 AWS가 발표한 수치이며 US Foods가 직접 인용하지 않았습니다. 기술 디테일, 현업 실행 디테일, 인포그래픽, 일정·판정 기준은 실제로 돌릴 때 필요한 것을 새로 작성한 예시입니다. 전체 내용은 원문에서 볼 수 있습니다.