SClaw·디지털 직원: 중국 택배사가 경로 추천 AI와 에이전트로 쌍십일 물량을 처리하는 방식
쌍십일 피크를 앞둔 중국 택배사의 AI 전환을 다룬 신화망 기사입니다. 징둥물류는 대형 모델 슈퍼브레인 3.0으로 주문량을 예측해 운송 능력을 조정하고 현장 직원의 AI 추천 경로 채택률이 90.2%를 넘었으며 위안퉁은 에이전트 100여 개와 디지털 직원 28명을, 선퉁은 SClaw 플랫폼을 운영합니다. 채택 기록 루프, 디지털 직원 정의서, 8주 시범 계획을 붙였습니다.
중국 택배사는 AI를 창고 한 곳의 자동화가 아니라 주문 예측부터 간선, 말단 배송, 고객 응대까지 잇는 운영 도구로 쓰고 있습니다. 징둥물류에서는 현장 직원이 AI 추천 경로를 받아들인 비율이 90.2%를 넘었습니다. 우리 물류에 옮기려면 모델보다 먼저 추천을 현장이 채택했는지 기록하는 장치와, 에이전트를 직무 단위로 묶어 사람 관리자에게 맡기는 운영 규칙을 정해야 합니다.
요약
이 기사는 연중 최대 물량이 몰리는 쌍십일(11월 11일 쇼핑 행사)을 앞둔 중국 택배업계가 AI를 어디에 쓰는지 회사별로 짚습니다. 징둥물류(京东物流)는 대형 모델 슈퍼브레인(超脑) 3.0으로 지역별 주문량을 미리 예측하고 전국 운송 능력을 그때그때 조정합니다. 선퉁(申通, STO)은 자체 에이전트 플랫폼 SClaw로 택배 조회 응대, 간선 경로 계획, 배송 기사 지원, 민감 택배 이상 감지를 맡겼습니다. 위안퉁(圆通, YTO)은 전국 집산센터에 디지털 트윈(현장을 그대로 본뜬 가상 모델)을 깔고 에이전트 100여 개와 디지털 직원 28명을 운영·고객서비스에 배치했습니다. 순펑(顺丰, SF)은 판매 예측으로 재고를 소비자 가까운 창고에 먼저 옮겨 둡니다.
숫자로 확인되는 성과는 징둥물류에서 나옵니다. 현장 직원의 AI 추천 배송 경로 채택률이 90.2%를 넘었고 창고 분류에 쓰는 로봇팔 이랑(异狼)은 소포 전 과정 추적 정확도 99.9%를 기록했습니다. 업계 전체로는 중국물류구매연합회 보고서 기준 물류·공급망 분야의 AI 적용 침투율이 37%를 넘었고 분야별로는 운송이 78%로 가장 높습니다. 연합회 후다젠(胡大剑) 부회장은 AI가 한 지점의 적용에서 공급망 전체의 협업으로, 한 기업에서 산업 체인 전체로 넓어지고 있다고 봅니다. 아래에서는 이 사례들을 움직이는 다섯 가지 메커니즘을 풀고 같은 구조를 우리 물류 조직에서 돌릴 때 필요한 기술·현업 디테일을 덧붙입니다.
핵심 메커니즘
Demand-driven dispatch: 주문 예측으로 운송 능력을 먼저 옮기고 경로를 추천하기
무엇인가. 주문이 들어온 뒤 차량과 인력을 찾는 대신, 지역별 주문량을 먼저 예측해 운송 능력을 미리 배분하고 배송 기사에게 경로를 추천하는 방식입니다.
어떻게 작동하나. 지역별 주문 데이터와 전국의 운송 능력이 슈퍼브레인 3.0에 들어갑니다. 모델은 지역별 주문량을 예측해 어느 노선에 운송 능력을 얼마나 둘지 조정하고 말단에서는 배송 기사에게 추천 경로를 내놓습니다. 기사가 추천을 받아들이면 실제 배송이 그 경로를 따릅니다. 2026년 9월 신화망 보도에 따르면 슈퍼브레인 3.0은 창고·운송·배송 전 과정을 잇는 산업용 대형 모델 응용 체계이고 억 단위 소포의 경로 계획 계산 시간을 분 단위에서 초 단위로 줄였습니다.
원문의 예. 징둥물류 현장 직원이 AI 추천 경로를 채택한 비율이 90.2%를 넘었습니다. 기사는 슈퍼브레인 3.0을 의사결정의 중추로 소개합니다.
언제 쓰고 언제 안 쓰나. 지역마다 물량 차이가 크고 피크가 예고된 업무(쇼핑 행사, 명절 배송)에 맞습니다. 물량이 고르고 노선이 고정된 정기 배송은 예측으로 얻는 몫이 작습니다.
작은 예시(가상). 수도권 택배 터미널이 행사 3일 전 권역별 주문 예측을 받아 간선 차량 12대를 남부 권역으로 미리 돌리고 배송 기사 앱에 권역별 추천 경로를 띄웁니다.
SClaw: 택배 흐름 단계마다 에이전트를 붙이는 플랫폼
무엇인가. 선퉁이 자체로 만든 에이전트 플랫폼입니다. AI를 ‘디지털 직원’이라는 이름으로 현장 업무에 투입합니다.
어떻게 작동하나. 기사에 따르면 네 단계로 나뉩니다. 프런트에서는 데이터를 바탕으로 고객의 택배 조회에 응대하고 이상 건을 차단합니다. 중계 단계에서는 시스템이 간선의 최적 경로를 동적으로 계획합니다. 말단에서는 배송 기사의 디지털 분신이 외부 전화 안내와 경로 계획을 돕습니다. 품질 관리에서는 신선식품 같은 민감 택배의 이상을 식별해 경고합니다.
언제 쓰고 언제 안 쓰나. 같은 질문과 같은 판단이 하루 수천 번 반복되는 단계에 맞습니다. 분실 보상 협상처럼 금액 결정과 감정 대응이 섞인 업무는 사람에게 넘기는 지점을 먼저 정해야 합니다.
작은 예시(가상). 냉장 택배가 분류센터에서 4시간 넘게 머물면 품질 에이전트가 경고를 띄우고 고객 응대 에이전트가 수취인에게 지연 안내 문구 초안을 만듭니다.
Digital employee: 에이전트를 직무 단위로 묶어 배치하기
무엇인가. 에이전트를 기능별로 따로 두지 않고 몇 개씩 묶어 운영·고객서비스 같은 직무에 ‘직원’처럼 배치하는 방식입니다.
어떻게 작동하나. 위안퉁은 노선 최적화, 배송 분석, 고객서비스 티켓 처리에 에이전트 100여 개를 올렸고 운영·고객서비스 분야에 디지털 직원 28명을 투입했습니다. 아래층에서는 디지털 트윈이 전국 집산센터를 덮고 머신비전(카메라 영상 판독)이 24개 업무 장면에 쓰입니다. 디지털 트윈과 비전이 현장 상태를 데이터로 만들고 에이전트가 그 데이터로 판단하는 층 구조입니다.
언제 쓰고 언제 안 쓰나. 에이전트 수가 수십 개를 넘어 누가 무엇을 맡는지 헷갈리기 시작할 때 맞습니다. 에이전트가 몇 개뿐이면 직무 단위로 묶는 관리 부담이 이득보다 큽니다.
원문과 기사의 구분. 에이전트 수(100여 개)와 디지털 직원 수(28명)의 관계, 디지털 직원 한 명에 에이전트가 몇 개 들어가는지는 기사에서 밝히지 않았습니다.
Forward stocking: 판매 예측으로 재고를 소비자 가까이 먼저 두기
무엇인가. 팔린 뒤 배송하는 대신, 팔릴 곳을 예측해 재고를 소비자 가까운 창고에 먼저 옮겨 두는 방식입니다.
어떻게 작동하나. 순펑은 데이터 기반 공급망 역량으로 판매를 예측하고 그 결과로 상품을 소비자 가까운 창고에 미리 배치해 말단 배송 거리를 줄입니다. 기사에 따르면 순펑은 고객사에게 재고 선배치와 분산 창고 배치를 제안합니다. 택배사가 배송만 하지 않고 화주의 재고 배치까지 함께 설계하는 셈입니다.
언제 쓰고 언제 안 쓰나. 판매 지역이 예측 가능하고 회전이 빠른 상품에 맞습니다. 수요가 흩어지고 단가가 높은 상품은 여러 창고에 나눠 두는 재고 비용이 배송비 절감보다 클 수 있습니다.
Physical AI: 분류 로봇팔과 드론이 현장 작업을 맡기
무엇인가. 판단만 하는 AI가 아니라 물건을 직접 집고 나르는 로봇에 AI를 넣는 흐름입니다.
어떻게 작동하나. 징둥물류의 로봇 계열 랑족(狼族)은 쌍십일 기간 전면 가동됩니다. 로봇팔 이랑은 창고 분류 현장에서 소포의 이동 전 과정을 추적하며 추적 정확도 99.9%를 보고했습니다. 징둥물류 관계자는 이랑을 창고 분류에 규모 있게 쓰이는 체화 지능(embodied intelligence) 로봇팔로 소개했습니다. 드론 비랑(飞狼)은 쓰촨·구이저우의 산간과 수역 지역에서 농촌 택배를 나릅니다.
언제 쓰고 언제 안 쓰나. 소포 규격이 다양해 고정 분류기만으로는 처리하기 어려운 구간, 차량 접근이 어려운 지역에 맞습니다. 물량이 적은 거점은 로봇 유지보수 인력과 부품 공급이 먼저 준비돼야 합니다.
통념과 다른 주장
흔히 이렇게 봅니다물류 AI의 중심은 창고 로봇과 자동 분류기이고 한 거점의 자동화를 넘어서는 일은 아직 멉니다.
기사는 이렇게 봅니다물류 AI는 한 지점의 적용을 지나 공급망 전체의 협업으로, 한 기업 안에서 산업 체인 전체로 넓어지고 있습니다.
근거연합회 보고서에서 운송 분야 AI 침투율이 78%로 스마트 창고(47.27%)보다 높습니다. 선퉁은 조회 응대부터 간선, 말단, 품질까지 한 플랫폼으로 묶었고 순펑은 화주의 재고 배치까지 예측으로 설계합니다.
저자가 든 사례
징둥물류: 슈퍼브레인 3.0과 랑족 로봇
| 항목 | 내용 |
|---|---|
| 상황 | 쌍십일 피크를 앞두고 전국 운송 능력을 배분해야 함 |
| 한 일 | 슈퍼브레인 3.0으로 지역별 주문량 예측, 운송 능력 동적 조정. 로봇팔 이랑, 드론 비랑 투입 |
| 결과 | AI 추천 경로 채택률 90.2% 초과, 이랑 추적 정확도 99.9% |
| 연결 | Demand-driven dispatch, Physical AI |
선퉁: SClaw 디지털 직원
| 항목 | 내용 |
|---|---|
| 상황 | 조회 응대부터 간선, 말단, 민감 택배 관리까지 단계마다 맡길 업무가 있음 |
| 한 일 | 자체 에이전트 플랫폼 SClaw로 AI를 디지털 직원으로 현장 투입 |
| 결과 | 네 단계에 적용. 효과 수치는 원문에서 밝히지 않음 |
| 연결 | SClaw |
위안퉁: 디지털 트윈과 에이전트 100여 개
| 항목 | 내용 |
|---|---|
| 상황 | 전국 집산센터 운영과 고객서비스 |
| 한 일 | 디지털 트윈으로 집산센터 전체를 덮고 머신비전을 24개 장면에, 에이전트 100여 개를 노선·배송 분석·티켓 처리에 적용 |
| 결과 | 디지털 직원 28명을 운영·고객서비스에 배치. 효과 수치는 원문에서 밝히지 않음 |
| 연결 | Digital employee |
순펑: 재고 선배치
| 항목 | 내용 |
|---|---|
| 상황 | 말단 배송 거리를 줄여야 함 |
| 한 일 | 판매 예측으로 상품을 소비자 가까운 창고에 미리 배치, 고객사에 분산 창고 배치 제안 |
| 결과 | 말단 배송 거리 단축. 수치는 원문에서 밝히지 않음 |
| 연결 | Forward stocking |
기술 디테일: 추천과 디지털 직원을 실제로 돌리려면
추천마다 채택 여부와 사유를 남깁니다(Demand-driven dispatch, 징둥물류 사례). 채택률 90.2%라는 숫자는 추천 한 건 한 건에 현장의 응답이 기록돼야 나옵니다. 경로·배차 추천을 내보낼 때 ID를 붙이고 기사 앱에서 채택·수정·거절 버튼과 거절 사유 코드를 받게 합니다.
{
"recommendation_id": "R-20261108-0412",
"type": "route",
"region": "남부권-03",
"driver_id": "D-2291",
"stops": 46,
"model_version": "dispatch-2026.11.1",
"input_snapshot_at": "2026-11-08T06:30:00+09:00",
"response": "modified",
"reason_code": "ACCESS_BLOCKED",
"responded_at": "2026-11-08T07:05:12+09:00"
}필드명과 값은 가상 예시입니다. 채택률은 response가 accepted인 건수를 응답이 있는 전체 건수로 나눠 권역·기사 경력별로 매일 집계합니다. 응답이 없는 건은 분모에서 빼고 따로 셉니다. 기사가 버튼을 누르지 않고 다른 길로 갔다면 GPS 궤적과 추천 경로의 일치율로 보완합니다. 거절 사유 상위 3개(진입 제한, 수령 시간 지정, 엘리베이터 대기 등)는 다음 주 경로 계산의 제약 조건으로 넣습니다.
예측과 경로 계산을 나눕니다(Demand-driven dispatch). 기사는 슈퍼브레인 3.0의 내부 구성을 밝히지 않았습니다. 같은 일을 직접 만든다면 일반적으로 권역별 주문량 예측은 시계열 모델(예: 그래디언트 부스팅에 요일·행사·날씨 변수)로, 차량·경로 배정은 경로 최적화 솔버(예: Google OR-Tools의 차량 경로 문제)로 계산합니다. LLM은 현장 메모를 제약 조건 JSON으로 바꾸고 추천 이유를 기사에게 설명하는 데 씁니다. 숫자 계산을 LLM에 맡기면 같은 입력에서 다른 경로가 나올 수 있기 때문입니다. LLM 호출은 temperature 0으로 두고 같은 메모를 세 번 변환해 결과가 다르면 사람에게 되묻습니다. 예측 오차는 권역별 MAPE(평균 절대 백분율 오차)로 매일 재고 행사 기간에는 전년 같은 행사와 비교합니다.
디지털 직원은 정의서 한 장으로 시작합니다(Digital employee, 위안퉁 사례). 에이전트가 100개를 넘으면 무엇이 누구 소관인지 찾기 어려워집니다. 디지털 직원 한 명마다 아래 정의서를 두면 위안퉁의 ‘28명’처럼 직무 단위로 세고 관리할 수 있습니다.
{
"employee_id": "DE-CS-07",
"role": "지연 택배 문의 응대",
"agents": ["tracking_lookup", "delay_classifier", "reply_drafter"],
"reads": ["WMS.scan_events", "TMS.linehaul_status", "CRM.ticket"],
"writes": [{"system": "CRM", "object": "reply", "mode": "draft"}],
"escalate_when": ["보상 요청", "3회 이상 재문의", "분실 의심"],
"kpi": {"handled_per_day": 800, "human_handoff_rate_max": 0.15},
"manager": "고객서비스 2파트장"
}값은 가상 예시입니다. writes의 mode는 처음 4주 동안 모두 draft로 두어 사람이 확인한 뒤 내보냅니다. 에이전트끼리 결과를 넘길 때는 자유 문장이 아니라 delay_classifier의 분류 코드처럼 값이 정해진 필드로 넘깁니다.
민감 택배 이상 감지는 규칙부터 겁니다(SClaw 품질 단계, 선퉁 사례). 신선식품 같은 민감 택배는 스캔 간격, 체류 시간, 온도 기록이 이상 신호입니다. 처음에는 “분류센터 체류 4시간 초과”, “냉장 구간 온도 8도 초과 15분 이상” 같은 규칙으로 경고를 띄우고(값은 가상 예시), 2~4주 경고 기록이 쌓이면 실제 클레임과 맞춰 오경보 비율을 셉니다. 오경보가 많으면 규칙 임계값을 고치고 규칙으로 못 잡는 패턴이 보일 때 모델을 더합니다.
머신비전은 장면별로 따로 잽니다(위안퉁 사례). 24개 장면처럼 장면이 많으면 장면마다 정확도가 다릅니다. 장면별로 최근 2주 영상에서 200~300컷을 뽑아 사람이 정답을 달고 아래 기준으로 채점합니다(가상 기준).
| 점수 | 기준 |
|---|---|
| 5 | 판독 결과와 정답이 같고 경고 시점이 1분 이내 |
| 3 | 판독은 맞지만 경고가 늦거나 위치가 다름 |
| 0 | 놓침 또는 없는 이상을 경고 |
0점 비율이 5%를 넘는 장면은 운영 경고에서 빼고 기록만 남기며 조명·카메라 각도를 먼저 손봅니다.
현업 실행 디테일: 누가, 언제, 무엇을
| 역할 | 담당 | 하는 일 |
|---|---|---|
| 스폰서 | 물류센터장 또는 배송 본부장 | 시범 권역·업무 승인, 피크 전 확대 결정 |
| 업무 오너 | 배차 파트장, 고객서비스 파트장 | 기준선 측정, 승인 지점과 이관 조건 정의 |
| 현장 확인자 | 배송 기사 대표 3~5명, 상담 리더 2명 | 추천과 초안이 현실에 맞는지 매일 응답 |
| 데이터 담당 | IT 1명 | 주문·스캔·차량 데이터 연결, 채택 기록 집계 |
| 개발 | 사내 IT 또는 공급사 1~2명 | 예측·경로 계산, 에이전트 구현, 실행 기록 |
시작 전 준비물. 지난 2년의 행사 기간 권역별 주문량, 차량·기사 가용표, 최근 3개월 배송 경로와 GPS 기록, 고객 문의 유형별 월 건수, 민감 택배 클레임 기록, 머신비전을 붙일 장면 목록.
| 기간 | 할 일 | 산출물 |
|---|---|---|
| 1~2주 | 택배 흐름 다섯 단계(예측·분류·간선·말단·응대)별로 반복 업무를 적고 현재 소요 시간을 잰 뒤 2개를 고름(예: 말단 경로 추천, 지연 문의 응대) | 업무 지도, 기준선 시간 |
| 3~4주 | 읽기 전용 데이터 연결, 추천 ID·응답 기록 설계, 디지털 직원 정의서 작성 | 데이터 목록, 응답 기록 화면, 정의서 |
| 5~6주 | 그림자 운영: 기사는 평소대로 다니고 추천에 응답만, 상담원은 초안을 보고 직접 회신 | 일별 채택률, 거절 사유 상위 목록 |
| 7~8주 | 판정, 피크 대비 확대 범위 결정 | 판정 보고서, 피크 운영 규칙 |
업무를 고를 때 묻는 질문. 이 판단은 하루에 몇 번 반복되나? 추천이 틀리면 누가 언제 알아채나? 기사나 상담원이 추천을 거절할 때 이유를 남길 수 있나? 피크 날 이 업무가 막히면 무엇이 멈추나? 사람에게 넘기는 조건을 한 줄로 쓸 수 있나?
진행 판정 기준(예시). 경로 추천은 그림자 운영 2주 동안 채택률 70% 이상, 거절 사유 상위 3개가 정리되고 추천 경로의 배송 완료 시간이 기존보다 늘지 않을 때 실제 적용으로 넘어갑니다. 문의 응대 디지털 직원은 초안 수정 없이 내보낸 비율 60% 이상, 사람 이관률 15% 이하일 때 확대합니다. 기준에 못 미치면 거절 사유를 제약으로 넣고 2주를 더 돌립니다. 피크 시즌 4주 전에 판정이 끝나도록 일정을 거꾸로 잡습니다.
AX 적용 제언. 한국 물류사와 유통사가 이 기사에서 가져갈 것은 에이전트 개수보다 채택률을 운영 지표로 삼은 방식입니다. AI가 내놓은 추천을 현장이 얼마나 받아 쓰는지 세지 않으면 효과를 말할 수 없습니다. 첫 과제로는 배송 기사 경로 추천과 지연 문의 응대가 맞습니다. 결과가 매일 숫자로 나오고 배차 파트장과 고객서비스 파트장이 스폰서가 되기 쉽습니다. 에이전트가 늘어나는 단계에서는 위안퉁처럼 직무 단위로 묶어 사람 관리자를 붙이고 자체 물류가 큰 제조·유통사는 순펑처럼 판매 예측을 재고 배치까지 잇는 과제를 SCM 조직과 함께 2단계로 잡습니다.
원문 사례
| 항목 | 내용 |
|---|---|
| 게재 | 신화망 한국어판(2026.11.2). 같은 내용의 중국어 기사: 경제참고보 니룬줘 기자, 신화망 2026.10.28 게재 |
| 핵심 주장 | 쌍십일 피크를 앞두고 AI가 택배·물류 전 과정에 빠르게 스며드는 중 |
| 징둥물류 | 슈퍼브레인 3.0, 지역별 주문 예측과 운송 능력 동적 조정, AI 추천 경로 채택률 90.2% 초과. 로봇팔 이랑 추적 정확도 99.9%, 드론 비랑 쓰촨·구이저우 배송 |
| 선퉁 | SClaw 플랫폼: 조회 응대·이상 차단, 간선 경로, 기사 디지털 분신, 민감 택배 이상 경고 |
| 위안퉁 | 디지털 트윈 전국 집산센터, 머신비전 24개 장면, 에이전트 100여 개, 디지털 직원 28명 |
| 순펑 | 판매 예측으로 재고 선배치, 분산 창고 배치 제안 |
| 업계 수치 | 중국물류구매연합회 『중국 공급망 발전 보고서(2025~2026)』: 침투율 37% 초과, 운송 78%, 안전 컴플라이언스 52.73%, 스마트 창고 47.27% |
| 전문가 | 후다젠 중국물류구매연합회 부회장: 단일 지점에서 체인 전체 협업으로 |
| 보강 자료 | 신화망(2026.9.9) 징둥 JDD-2026 발표 보도: 슈퍼브레인 3.0이 창고·운송·배송 연결, 경로 계획 계산 분 → 초 단위 |
핵심 개념
- 쌍십일
- 11월 11일 중국 최대 온라인 쇼핑 행사. 택배 물량이 한 해 중 가장 많이 몰리는 시기입니다.
- 집산센터
- 여러 지역의 택배를 모아 행선지별로 다시 나누는 허브 분류센터.
- 간선
- 분류센터와 분류센터를 잇는 장거리 운송 구간. 말단 배송과 구분합니다.
- AI 적용 침투율
- 해당 분야에서 AI를 실제 업무에 쓰고 있는 비율. 기사는 연합회 보고서 수치를 인용합니다.
- MAPE
- Mean Absolute Percentage Error. 예측값이 실제값에서 평균 몇 % 벗어났는지 나타내는 오차 지표.
- 그림자 운영
- 사람이 평소대로 일하면서 AI 결과를 나란히 만들어 비교만 하는 시험 운영.
내 메모
TODO: 내 생각 추가
원문: 신화통신, 「中 택배업계 달라진다…드론·로봇·디지털 직원 등 AI 전환 ‘가속’」(신화망 한국어판, 2026.11.2). 한국어판 주소는 이 작업 환경에서 접속이 막혀, 같은 내용을 담은 중국어 기사 「迎战“双11”快递高峰 AI加速渗透物流业」(경제참고보 니룬줘 기자, 신화망 2026.10.28 게재, https://www.news.cn/fortune/20261028/9c3d93ac9b634f0ca8db5c04c4952d83/c.html)를 읽고 썼습니다. 중국 관영 매체의 업계 동향 기사이며 기업 수치는 회사나 기사가 밝힌 값입니다. 요약·메커니즘의 원문 예·통념과 다른 주장·사례·원문 사례 표는 원문을 AX Review가 다시 정리했습니다. 슈퍼브레인 3.0이 창고·운송·배송을 잇는다는 설명과 경로 계획 계산이 분 단위에서 초 단위로 줄었다는 내용은 신화망 2026.9.9 보도(징둥 JDD-2026 발표)에서 보강했습니다. 기술·현업 디테일, JSON 예시, 채점표, 일정·판정 기준, 인포그래픽과 표는 실제로 돌릴 때 필요한 것으로 새로 작성했으며 그 안의 필드명과 숫자는 가상 예시입니다. 전체 내용은 원문에서 볼 수 있습니다.