AI in 50% of Core Workflows: FedEx가 2028년까지 핵심 운영 업무 절반 이상에 AI를 넣는 순서

FedEx는 2028년까지 핵심 운영 업무의 50% 이상에 AI를 넣는다는 목표를 걸었습니다. 이 목표는 AI 도구를 늘리는 계획이라기보다 업무를 먼저 하나로 합치고 데이터를 한곳에 모은 뒤 AI를 조금씩 넣는 순서에 가깝습니다. 따라 하려면 "AI가 들어간 업무"를 무엇으로 셀지부터 정해야 합니다.

요약

Forbes의 Randy Bean은 2026년 11월 5일 FedEx가 AI로 전 세계 소포 배송을 바꾸는 과정을 다뤘습니다. 이 노트는 Forbes 본문을 열지 못해 같은 내용을 다룬 FedEx 발표와 공개 보도로 썼습니다. 중심인물은 Vishal Talwar입니다. 2025년 Accenture에서 옮겨 와 FedEx의 CDIO(최고 디지털·정보 책임자)와 데이터 사업 조직 FedEx Dataworks 대표를 맡고 있습니다. 그는 2026년 2월 Investor Day에서 2028년까지 핵심 운영 업무(core operational workflows)의 50% 이상에 AI를 넣겠다고 밝혔습니다. 3월 WSJ 인터뷰에서는 이 목표를 AI 에이전트 인력(agent workforce)이라는 말로 설명했습니다. 220개가 넘는 국가와 지역에서 매일 수백만 개 소포를 옮기는 회사가 운영 업무 절반에 AI를 붙이겠다는 계획입니다.

계획의 바닥에는 정리 작업이 있습니다. FedEx는 Express, Ground처럼 운영 회사마다 따로 일하던 시절에 애플리케이션 약 7,500개와 중복된 업무 흐름을 쌓았습니다. 이를 One FedEx라는 이름으로 합치면서 분류 프로세스 9가지를 하나로 묶었고 애플리케이션 수를 30% 줄였습니다. 2029년까지는 50%를 줄일 계획입니다. 데이터는 2027년 말까지 전부 Atlas라는 전사 데이터 플랫폼으로 옮기고, 그 위에서 이미 200개 넘는 AI 사용 사례가 돌고 있습니다. 성과도 나왔습니다. AI가 하루 10만 개의 첫 구간·마지막 구간 배송 경로를 계획하고, 예지 정비 시스템 MOBIUS는 41개 시설에서 17,000시간의 설비 중단을 막았습니다. 아래에서는 네 가지 작동 방식과 세 사례를 본 뒤, 같은 목표를 세울 때 필요한 기술·현업 디테일을 붙입니다.

핵심 메커니즘

One FedEx: AI를 넣기 전에 업무부터 하나로 합친다

One FedEx는 운영 회사마다 다르게 하던 같은 업무를 하나의 방식으로 통일하는 프로그램입니다. Talwar가 밝힌 순서는 세 단계입니다. 업무를 처음부터 다시 그리고, 흩어진 흐름을 끝에서 끝까지 이어지는 하나의 워크플로로 합친 뒤, 기술이 무르익는 대로 AI를 넣습니다. 한 번에 크게 바꾸지 않고 작은 단위로 나눠 진행합니다. 공통 흐름을 올릴 바탕은 ServiceNow입니다. FedEx는 이미 약 500만 개 워크플로에 ServiceNow를 쓰지만 업무가 쪼개져 있어 매끄럽게 이어지지 않는다고 봅니다. 그래서 채용부터 퇴직까지(hire-to-retire), 구매부터 지급까지(source-to-pay)를 먼저 손봅니다. 운영 회사나 사업장마다 같은 업무를 다르게 하는 조직에서 특히 효과가 큽니다. 업무가 이미 표준화된 조직이라면 이 단계를 짧게 끝내고 데이터 단계로 넘어가도 됩니다. 가상 예시로, 공장 세 곳이 반품 처리를 각자 다른 화면과 승인 단계로 한다면 AI 분류기를 세 번 만들기 전에 반품 흐름을 하나로 합치는 편이 먼저입니다.

Atlas: 운영 데이터를 한곳에 모아 실행까지 잇는다

Atlas는 FedEx의 전사 데이터 플랫폼입니다. 라벨 스캔 같은 운영 데이터가 모이고, 2027년 말까지 전체 데이터를 이곳으로 옮기는 것이 목표입니다. FedEx 네트워크가 하루에 처리하는 데이터는 2PB(페타바이트)에 이릅니다. Atlas 위에는 이미 200개 넘는 AI 사용 사례가 있습니다. 일부 고객 화물에는 RFID(무선 인식 태그) 센서를 시험 중인데, 화주의 공급망 정보와 FedEx 운영 정보를 더 촘촘히 잇고 이 데이터를 플랫폼에 넣으려는 것입니다. Talwar는 FedEx의 강점이 자기 운영 데이터와 그 데이터로 바로 움직일 수 있는 물리 네트워크를 함께 가진 데 있다고 봅니다. 추천만 하고 끝나는 분석이 아니라 비행기, 트럭, 시설이 실제로 움직인다는 뜻입니다. 사용 사례가 여러 부서에 흩어져 있고 같은 데이터를 저마다 따로 끌어 쓰는 조직이라면 이 단계를 먼저 해야 합니다. 사용 사례가 몇 개뿐이라면 플랫폼 이전부터 하기보다 사례별 데이터부터 정리하는 편이 빠릅니다.

Manager-Worker-Audit Agents: 관리, 작업, 감사로 나눈 에이전트 팀

WSJ 인터뷰를 전한 보도에 따르면 FedEx는 에이전트를 사람 팀처럼 3층으로 짭니다. Manager agent(관리 에이전트)가 워크플로 하나를 맡고, Worker agent(작업 에이전트)들이 일을 나눠 하며, Audit agent(감사 에이전트)가 결과가 맞는지 확인합니다. 보도가 든 예는 날씨로 늦어진 화물입니다. 한 에이전트가 예외를 감지하고, 다른 에이전트가 대체 경로를 따져 보고, 세 번째 에이전트가 물류 시스템을 고쳐 화물의 경로를 바꿉니다. 사람이 손대지 않고 끝나는 흐름입니다. 에이전트가 맡을 영역으로는 화물 모니터링, 예외 처리, 업무 조율, 사내 소프트웨어 개발이 꼽힙니다. 이 구조는 한 업무가 감지, 판단, 시스템 반영처럼 성격이 다른 단계로 나뉘고 결과를 규칙으로 검사할 수 있을 때 맞습니다. 판단 근거를 규칙으로 쓸 수 없는 업무, 예컨대 고객과의 협상에는 감사 에이전트가 확인할 기준이 없으므로 맞지 않습니다.

Closed-Loop Predictive Maintenance: 예측이 작업 지시까지 이어지는 정비

MOBIUS(Maintenance Optimization by IOT Unified Systems)는 정비 방식을 바꾼 시스템입니다. 정해진 주기나 고장 뒤에 고치던 정비를 설비 상태를 보고 하는 정비로 옮겼습니다. IoT 센서, PLC(설비 제어 장치), 초음파 도구, 영상 장비에서 실시간 데이터를 받아 고장을 미리 알아내고, IBM Maximo(설비 관리 시스템)에 작업 지시를 자동으로 만듭니다. 예측에서 끝나지 않고 기술자의 작업 목록까지 이어지기 때문에 닫힌 고리(closed loop)라고 부릅니다. 지금 41개 지상 운영 시설에서 기계 설비 18,000대를 보고 있고 전 네트워크로 넓힐 계획입니다. 분류 설비 고장 예방으로 연간 약 1,000만 달러를 아낀다고도 밝혔습니다. 설비가 많고 한 대가 멈추면 처리량 전체가 막히는 시설에 맞습니다. 센서 이력이 쌓이지 않은 설비라면 먼저 데이터를 몇 달 모아야 합니다.

통념과 다른 주장

저자가 든 사례

이 절의 사례는 Forbes 본문 대신 FedEx 발표와 공개 보도에서 확인한 사실로 다시 짰습니다.

경로 계획: AI가 하루 10만 개 경로를 짠다

• 상황: FedEx는 소포를 받으러 가는 첫 구간과 집 앞까지 가는 마지막 구간의 경로를 매일 새로 짜야 합니다. 중간 구간에서는 비행기와 트럭을 최대한 채워야 합니다. Ground의 정해진 날 배송 물량과 Express의 정해진 시각 배송 물량을 한 네트워크로 합치는 Network 2.0도 진행 중입니다.
• 한 일: AI가 첫·마지막 구간 경로를 계획하고 최적화하며, 중간 구간 물량을 조정해 적재율을 높입니다. 날씨와 혼잡을 미리 알리는 도구는 대체 경로를 제안하고 물량을 항공과 지상, 노선, 시설 사이에서 옮깁니다.
• 결과: 하루 10만 개 경로를 AI가 계획합니다. FedEx 데이터·AI 담당 부사장 Bala Vaidyanathan은 AI를 부수 기능이 아니라 운영의 중심으로 설명했습니다. 경로당 절감 거리나 비용은 공개 자료에서 밝히지 않았습니다.
• 연결: Atlas, Manager-Worker-Audit Agents(날씨 대응은 앞으로 에이전트가 맡을 후보로 거론됨).

MOBIUS: 41개 시설에서 설비 중단 17,000시간 예방

• 상황: 분류 설비가 멈추면 네트워크 처리 속도가 떨어집니다. 정비는 주기에 맞추거나 고장 난 뒤에 했습니다.
• 한 일: 설비 18,000대에 센서 데이터 기반 예측을 붙이고 작업 지시를 Maximo에 자동으로 만들었습니다.
• 결과: 41개 시설에서 17,000시간의 잠재 중단을 막았고, 2026년 3월 CIO 100 수상 과제로 뽑혔습니다. 분류 설비 고장 예방 절감액은 연 약 1,000만 달러로 따로 밝혔습니다.
• 연결: Closed-Loop Predictive Maintenance, Atlas.

날씨 지연 재경로: 에이전트 셋이 나눠 처리하는 예시

• 상황: 날씨 때문에 화물이 늦어지면 사람이 지연을 찾고, 다른 경로를 고르고, 시스템을 고쳐야 했습니다.
• 한 일: WSJ 인터뷰를 전한 보도에서 소개된 흐름입니다. 감지, 경로 평가, 시스템 반영을 에이전트가 하나씩 맡고 관리 에이전트가 순서를 지휘하며 감사 에이전트가 결과를 확인합니다.
• 결과: 사람이 손대지 않고 재경로까지 끝납니다. 이 방식을 2028년까지 운영 업무 절반 이상으로 넓히는 것이 목표입니다. 처리 건수와 정확도는 공개되지 않았습니다.
• 연결: Manager-Worker-Audit Agents.

기술 디테일: 같은 목표를 세운다면

아래 필드명, 설정값, 구성은 공개 자료에 없는 실행 제안이자 가상 예시입니다.

“업무의 50%“를 셀 분모부터 만듭니다(One FedEx, 목표 50%). 비율 목표는 분모가 없으면 관리할 수 없습니다. 핵심 운영 업무를 L3 수준(예: “지연 화물 재경로”, “분류 설비 정비 지시”)으로 쪼개 목록을 만들고, 업무마다 AI가 어느 단계까지 들어갔는지 기록합니다. ai_stage가 2 이상인 업무만 “AI가 들어간 업무”로 세면 보고용 숫자가 부풀지 않습니다.

{
  "workflow_id": "OPS-EXC-014",
  "name": "날씨 지연 화물 재경로",
  "owner": "허브 운영 팀장",
  "core": true,
  "consolidated": true,
  "volume_per_day": 1200,
  "ai_stage": 2,
  "ai_stage_legend": "0 없음 · 1 정보 제공 · 2 AI 추천을 사람이 승인 · 3 한도 안 자동 실행",
  "data_sources": ["tracking_scans", "weather_alerts", "linehaul_capacity"],
  "kpi": {"on_time_rate": 0.0, "manual_minutes_per_case": 0}
}

consolidated가 false인 업무는 AI 대상에서 빼고 통합 대기열에 둡니다. One FedEx의 순서를 숫자로 강제하는 장치입니다.

에이전트 셋은 출력 형식을 고정합니다(Manager-Worker-Audit Agents). 작업 에이전트 사이에는 자유 문장이 아니라 JSON을 넘깁니다. 감지 에이전트는 shipment_id, delay_reason, promised_by, eta_now를, 평가 에이전트는 후보 경로 3개와 각각의 eta, cost_delta, capacity_ok를 냅니다. 경로 후보 계산은 LLM이 아니라 기존 경로 최적화 솔버에 맡기고, LLM은 예외 분류와 설명 생성에만 씁니다. 같은 입력에 같은 결과가 나와야 감사가 가능하므로 LLM 호출은 temperature 0으로 두고 같은 건을 3회 돌려 결과가 다르면 사람에게 넘깁니다.

감사 에이전트는 규칙부터 검사합니다(Manager-Worker-Audit Agents). 감사를 또 다른 LLM의 느낌으로 맡기지 않습니다. 첫 관문은 결정적 규칙입니다. 선택한 경로의 남은 적재 용량이 화물 부피보다 큰지, 새 도착 예정 시각이 고객 약속 시각 안인지, 비용 증가가 한도(예: 건당 30달러) 안인지를 확인합니다. 셋 중 하나라도 어기면 실행하지 않고 되돌립니다. 규칙을 통과한 건만 두 번째 관문으로 다른 모델이 판단 근거를 검토하게 합니다. 실행 권한은 ai_stage 3인 업무에만 주고, 한도를 넘는 건은 사람이 승인합니다.

예지 정비는 작업 지시 품질로 평가합니다(Closed-Loop Predictive Maintenance). 예측 정확도만 보면 현장 신뢰를 놓칩니다. 자동 생성한 작업 지시 가운데 기술자가 “이상 없음”으로 닫은 비율(오경보율)과, 경보 없이 일어난 고장 건수(놓친 고장)를 함께 봅니다. 같은 설비에 지시가 겹쳐 쌓이지 않게 설비 ID와 고장 유형으로 24시간 안 중복을 막습니다. 센서마다 수집 주기가 다르므로 진동은 초 단위, 온도는 분 단위처럼 나눠 저장합니다.

막히는 경우	증상	대응
분모가 계속 바뀜	업무를 잘게 쪼갤수록 비율이 오름	업무 목록을 분기마다 동결하고 변경은 이력으로 남김
통합 전 업무에 에이전트 투입	사업장마다 다른 예외 규칙으로 감사 실패	consolidated false 업무는 대상에서 제외
에이전트 사이 자유 문장 전달	숫자 누락, 도착 시각 형식 불일치	단계별 JSON 스키마, 검증 실패 시 재시도 1회 후 사람에게
감사가 LLM 판단뿐	그럴듯한 오답 통과	용량·약속 시각·비용 규칙을 먼저 검사
정비 오경보 누적	기술자가 자동 지시를 무시	오경보율 주간 보고, 임계값 조정

현업 실행 디테일: 누가, 언제, 무엇을

공개 자료는 CDIO가 전사 목표를 걸고, 운영 조직이 경로와 정비에 AI를 쓰고, 직무별로 다른 AI 교육을 한다고 전합니다. FedEx는 Accenture와 함께 전사 AI 리터러시 프로그램을 만들어 배송 기사와 운영 인력, 재무, 데이터·기술 인력에게 서로 다른 교육 과정을 줍니다. 아래 역할, 일정, 기준은 이를 바탕으로 새로 짠 가상 예시입니다.

역할	맡는 일
CEO·COO	전사 비율 목표와 시한 확정, 분기별 진척 점검
CIO·CDO(AX 추진 리더)	업무 목록과 분모 관리, 통합 우선순위, 데이터 플랫폼 일정
현업 운영 팀장	병목 업무 선정, 예외 기준과 승인 한도 정의, 병행 운영
데이터·AI 팀	데이터 연결, 에이전트·솔버 구축, 감사 로그와 지표
보안·리스크	에이전트 권한과 실행 한도, OT 포함 공격 표면 점검
교육 담당	직무별 AI 교육 과정, 현장 교육 일정

준비물. 운영 업무 목록(업무명, 담당, 하루 처리량), 업무별 사람 처리 시간 실측, 최근 3개월 예외 건 기록(지연 사유, 처리 결과), 사업장별로 같은 업무를 다르게 하는 사례 목록, 설비 고장과 정비 이력, 시스템별 데이터 위치가 필요합니다. 업무 목록을 만드는 데 가장 오래 걸리므로 첫 주부터 운영 팀장 인터뷰를 잡습니다.

기간	할 일	산출물
1~3주	핵심 운영 업무 목록 작성, ai_stage 현재값 기록, 병목 업무 2개 선정	업무 목록(분모), 현재 AI 비율, 시범 대상
4~6주	시범 업무 흐름 통합, 감지·평가·감사 에이전트 구축, 권한·한도 설계	통합된 업무 흐름, 에이전트 초안, 감사 규칙
7~10주	병행 운영(사람 처리와 에이전트 처리 비교), 역할별 교육	건당 처리 시간, 감사 반려율, 사람 개입률
11~12주	판정 회의, 다음 분기 대상 선정	진행·보완·중단 결정서, 갱신된 비율

현장에 물을 것.

1. 이 업무를 사업장마다 다르게 하는 부분은 무엇이고, 그 차이가 꼭 필요한 이유는 무엇인가요?
2. 예외 건을 처리할 때 가장 먼저 보는 화면과 숫자는 무엇인가요?
3. 사람이 승인하지 않고 자동으로 실행해도 되는 금액·시간 한도는 얼마인가요?
4. 지난달 예외 가운데 규칙으로 판정할 수 없던 건은 몇 건이고 어떤 유형이었나요?
5. AI가 틀렸을 때 되돌리는 절차와 책임자는 누구인가요?

진행 판정 기준(예시). 병행 운영에서 건당 처리 시간이 50% 이상 줄고, 감사 에이전트 반려율이 10% 아래이며, 고객 약속 시각 위반이 기준선보다 늘지 않으면 ai_stage를 한 단계 올리고 비슷한 업무로 넓힙니다. 시간은 줄었는데 반려율이 20%를 넘으면 감사 규칙과 입력 데이터를 고쳐 4주 더 봅니다. 시간 절감이 20%에 못 미치면 업무 통합이 덜 된 것이므로 통합 단계로 돌아갑니다.

AX 적용 제언. 이 사례는 물류 회사에만 해당하지 않습니다. 사업장이나 계열사마다 같은 업무를 다르게 하는 제조, 유통, 금융 그룹이라면 FedEx의 순서가 그대로 들어맞습니다. 경영진이 “AI 비율” 목표를 걸 때는 분모가 되는 업무 목록과 단계 정의를 함께 확정해야 숫자가 실제 변화를 반영합니다. 첫 대상은 예측·최적화처럼 검증된 기술로 성과를 낼 수 있는 업무(경로, 정비, 수요)로 잡고, 에이전트는 규칙으로 감사할 수 있는 예외 처리부터 넣습니다. 데이터 플랫폼 이전과 직무별 교육은 시범과 같은 분기에 시작해야 확대 단계에서 막히지 않습니다. 현업 스폰서는 운영 총괄이 맡고, CIO는 분모와 데이터를 책임지는 구조가 맞습니다.

원문 사례

항목	내용
원문	Forbes, 2026.11.5 게재, Randy Bean 작성. 본문은 열지 못해 아래는 공개 자료 기준
인물	Vishal Talwar, FedEx EVP·CDIO, FedEx Dataworks 대표(2025년 Accenture에서 합류)
전사 목표	2028년까지 핵심 운영 업무 50% 이상에 AI(2026년 2월 Investor Day), WSJ 인터뷰에서 AI 에이전트 인력으로 설명
업무 통합	One FedEx, 애플리케이션 약 7,500개에서 30% 감축, 2029년 50% 목표, 분류 프로세스 9개를 1개로, 통관 레거시 앱 수백 개를 셀프서비스와 AI로 교체
플랫폼	ServiceNow 약 500만 워크플로, hire-to-retire·source-to-pay부터
데이터	Atlas에 2027년 말까지 데이터 100%, AI 사용 사례 200개 이상, 하루 2PB, 일부 고객 화물 RFID 시범
경로	AI가 하루 10만 개 첫·마지막 구간 경로 계획, 중간 구간 적재 조정, Network 2.0, 날씨·혼잡 예측 도구
정비	MOBIUS, 41개 시설, 설비 18,000대, 중단 17,000시간 예방, Maximo 작업 지시 자동 생성, 분류 설비 고장 예방 연 약 1,000만 달러
에이전트	관리·작업·감사 3층, 화물 모니터링·예외 처리·업무 조율·사내 개발
사람	Accenture와 만든 직무별 AI 리터러시 프로그램
보안	OT 포함 공격 표면 6~9개월 재점검, 설계 단계부터 보안
확인 못 한 것	후보 요지에 있던 수요 예측 리드타임 단축(수주에서 수일로)은 공개 자료에서 확인하지 못해 싣지 않음

핵심 개념

CDIO

Chief Digital and Information Officer. 정보 시스템과 디지털 전환을 함께 맡는 임원입니다.

FedEx Dataworks

2022년에 만든 FedEx의 데이터 조직입니다. 배송 시스템에서 나오는 데이터를 새 서비스와 수익으로 바꾸는 일을 맡습니다.

Network 2.0

FedEx Ground의 정해진 날 배송 물량과 FedEx Express의 정해진 시각 배송 물량을 하나의 네트워크로 합치는 계획입니다.

First mile · Last mile

화주에게서 소포를 받아 오는 첫 구간과 받는 사람 문 앞까지 가는 마지막 구간입니다. 그 사이 허브 간 수송이 middle mile입니다.

PLC

Programmable Logic Controller. 컨베이어나 분류기 같은 설비를 제어하는 산업용 컴퓨터로, 설비 상태 신호를 내보냅니다.

IBM Maximo

설비 자산과 정비 작업 지시를 관리하는 소프트웨어입니다.

Hire-to-retire · Source-to-pay

채용부터 퇴직까지의 인사 업무 전체, 구매처 선정부터 대금 지급까지의 구매 업무 전체를 하나의 흐름으로 부르는 말입니다.

내 메모

TODO: 내 생각 추가

원문은 Forbes의 「FedEx Is Using AI To Transform Global Package Delivery」(Randy Bean, 2026.11.5)입니다. 작성 시점에 Forbes 본문을 열 수 없어, 같은 내용을 다룬 공개 자료로 노트를 썼습니다. 사용한 자료는 FedEx 2026년 2월 Investor Day 발언을 전한 diginomica(2026.2.18)와 Supply Chain Dive(2026.4.1) 기사, ServiceNow Knowledge 2026에서 Talwar를 인터뷰한 Computer Weekly 기사, WSJ 인터뷰를 전한 Techstrong.ai·PYMNTS 기사(2026.3), FedEx 뉴스룸의 MOBIUS 발표(2026.3.30)입니다. 그래서 Forbes 기사에만 있는 내용은 이 노트에 빠졌을 수 있습니다. 요약, 핵심 메커니즘의 원문 설명, 통념과 다른 주장, 사례, 원문 사례 표는 이 자료들의 사실을 AX Review가 다시 정리했습니다. 핵심 개념의 뜻풀이와 언제 쓰고 언제 안 쓰는지에 대한 설명은 일반적인 정의로 보탰습니다. JSON 예시, 단계 정의, 감사 규칙, 막히는 경우 표, 역할·일정·판정 기준, 인포그래픽은 공개 자료에 없는 내용으로 새로 작성했고 그 안의 필드명과 숫자는 가상 예시입니다. 전체 내용은 원문 페이지에서 볼 수 있습니다.