Procurement AI Agent: JD.com이 상품 선정·가격·재고 보충을 에이전트에 맡기기 시작했다
JD.com은 3분기 실적 콜에서 상품 선정, 동적 가격 책정, 재고 보충을 맡는 구매 AI 에이전트를 시범 운영 중이며 이 에이전트가 관리한 SKU에서 수십억 위안의 거래액이 나왔다고 밝혔습니다. 물류에서는 MetaBrain LLM 3.0이 자체 로봇 11종을 지휘하고 자동화 물류 설비 가동이 1년 새 89% 늘었습니다.
JD.com은 구매 담당자가 하던 상품 선정, 가격 책정, 재고 보충을 한 에이전트에 묶어 시범 운영합니다. 물류 현장의 로봇 무리는 자체 LLM이 지휘합니다. 따라 하려면 에이전트가 혼자 결정할 수 있는 범위(가격 폭, 발주 한도)를 먼저 정하고 사람과 나란히 돌려 보는 그림자 운영으로 성적을 확인한 뒤 권한을 넘겨야 합니다.
요약
JD.com은 11월 17일 3분기 실적 콜에서 AI를 소매와 물류 운영에 넣은 결과를 설명했습니다. CEO Sandy Xu가 꺼낸 사례는 세 가지입니다. 첫째는 구매 AI 에이전트(procurement AI agent)입니다. 상품 선정, 동적 가격 책정, 재고 보충을 처음부터 끝까지 자동으로 처리하며 아직 초기 시범 단계입니다. 둘째는 물류 자회사 JD Logistics의 MetaBrain LLM 3.0으로, 자체 개발한 LangzuTech 로봇 무리를 실시간으로 지휘하는 중앙 시스템입니다. 셋째는 9월 메인 앱에 넣은 AI 쇼핑 비서 Dongdong입니다. 회사는 이 묶음을 응용 중심의 AI 체계로 설명하며 수요 만들기, 구매, 배송 전 구간에 적용한다고 말했습니다.
숫자는 구매보다 물류 쪽에서 더 구체적으로 나왔습니다. 구매 에이전트가 관리한 SKU에서는 Xu의 말로 “generated billions of RMB in GMV” 했지만 정확한 금액은 밝히지 않았습니다. 물류에서는 9월 기준 자동화 물류 설비 가동이 전년보다 89% 늘었고 주요 분류 거점의 자동화율이 올랐습니다. CFO Ian Su Shan은 JD Logistics의 비GAAP 영업이익이 49.8% 늘어 RMB 19억이 됐다며 유가 상승 부담에도 피지컬 AI와 로봇의 기술 효과가 이익률을 끌어올렸다고 설명했습니다. JD Retail의 R&D 비용은 45.4% 늘었습니다. 대부분 AI 업무 적용용 소프트웨어여서 큰 설비 투자가 필요 없다고 했습니다. 아래에서는 이 네 가지 장치를 풀고 구매 에이전트를 국내 유통·제조사에서 시범 운영할 때 필요한 설계와 일정을 정리합니다.
핵심 메커니즘
Procurement AI Agent: 상품 선정, 가격, 재고 보충을 한 에이전트로
구매 에이전트는 MD(상품 기획·구매 담당)가 나눠 하던 세 가지 판단을 한 흐름으로 묶습니다. 어떤 상품을 들일지 고르고 팔리는 속도와 경쟁 상황에 맞춰 가격을 바꾸며 재고가 떨어지기 전에 보충 발주를 냅니다. Xu는 이 과정이 처음부터 끝까지 자동화됐다고 했습니다. 그 결과 구매팀이 반복 업무에서 벗어나 카테고리 전략 기획과 핵심 판매자와의 협력에 집중하게 됐다고 설명했습니다. JD.com은 직접 사서 파는 1P(자사 매입) 비중이 큰 회사입니다. CFO는 3분기 JD Retail 매출총이익률이 20.1%로 0.76%p 오른 이유로 1P 공급망 역량과 규모를 들었습니다. 매입 판단이 마진으로 바로 이어지는 구조입니다.
언제 맞나: SKU가 많고 회전이 빨라 사람이 모든 품목의 가격과 재고를 매일 들여다볼 수 없는 카테고리에 맞습니다. 콜은 사람의 몫을 카테고리 기획과 핵심 판매자 협력으로 설명했습니다. CFO는 2027년부터 구매와 영업 운영 효율에서 효과가 나올 것으로 봤습니다.
MetaBrain LLM 3.0: 로봇 무리를 지휘하는 중앙 LLM
JD Logistics는 MetaBrain과 LangzuTech 로봇을 묶은 운영 체계를 새로 내놨습니다. LangzuTech는 JD가 직접 만든 물류 로봇 계열로, 창고, 분류, 배송의 특정 작업을 맡는 로봇 11종이 생산 라인 9개에 투입됐습니다. Q&A에서 Xu는 자체 개발 로봇 11종이 10개가 넘는 나라에서 돌고 있다고 덧붙였습니다. MetaBrain LLM 3.0은 이 로봇 무리 전체를 지휘하는 중앙 시스템입니다. 복잡한 현장에서 어떤 로봇에게 무슨 일을 언제 맡길지 실시간으로 판단합니다. 목표는 로봇, 자율주행 차량, 드론을 엮어 주문 처리 전 구간을 자동화하는 것입니다.
언제 맞나: 로봇 종류가 여럿이고 작업이 서로 얽혀 개별 로봇의 규칙만으로 흐름을 맞추기 어려울 때 중앙 지휘 층이 필요해집니다. 로봇이 한두 종이고 공정이 일직선이면 기존 설비 제어 시스템으로 충분합니다.
Software-led AI Investment: 큰 설비 없이 소프트웨어 R&D로
Goldman Sachs와 Citigroup 애널리스트는 R&D가 40~50% 느는 데 따른 이익률 부담을 물었습니다. CFO의 답은 이랬습니다. AI 투자는 대부분 소프트웨어 응용 R&D 비용이고 큰 설비 투자가 필요하지 않아 잉여현금흐름은 건강하게 유지됩니다. 단기 이익률에는 부담이 될 수 있지만 투자 속도는 수익률을 보며 조정합니다. 효과가 날 곳으로는 마케팅 효율, 구매·영업 운영, 고객센터 비용 절감, 검색·추천의 전환율 향상을 꼽았고 시점은 2027년으로 봤습니다. 2027년 AI 예산 규모는 밝히지 않았습니다.
Dongdong: 키워드 검색을 의도 파악으로
Dongdong은 9월 메인 앱에 들어간 AI 쇼핑 비서입니다. 고객이 상품명을 치는 대신 상황과 필요를 말하면 그 의도를 해석해 답을 찾아 줍니다. Xu는 사용자 규모, 전환율, 주문량, GMV가 모두 눈에 띄게 올랐다고 했지만 수치는 내놓지 않았습니다. 구매 에이전트가 공급 쪽 판단을 맡는다면 Dongdong은 수요 쪽 신호를 더 정확하게 잡는 장치입니다. 같은 콜에서 AI 광고 매칭 개선도 광고 매출 성장 요인으로 언급됐습니다.
통념과 다른 주장
흔히 이렇게 봅니다무엇을 들이고 얼마에 팔지는 MD의 경험과 감이 필요한 일이라 AI는 보조 도구에 머문다.
JD.com은 이렇게 봅니다상품 선정, 가격, 보충을 에이전트가 끝까지 맡고 사람은 카테고리 기획과 판매자 협력으로 옮깁니다.
근거시범 단계에서도 에이전트가 관리한 SKU에서 수십억 위안의 거래액이 나왔다고 CEO가 밝혔습니다.
흔히 이렇게 봅니다AI를 본격적으로 쓰려면 GPU와 데이터센터에 큰돈을 먼저 들여야 하고 현금흐름이 나빠진다.
JD.com은 이렇게 봅니다운영에 붙이는 AI는 소프트웨어 R&D 비용이 대부분이라 큰 설비 투자 없이 속도를 조절하며 늘릴 수 있습니다.
근거JD Retail R&D는 45.4% 늘었지만 CFO는 설비 투자 부담이 크지 않고 잉여현금흐름이 건강하다고 설명했습니다.
콜에서 나온 사례
구매 에이전트 시범 운영
| 구분 | 내용 |
|---|---|
| 상황 | 1P 매입 비중이 커서 상품 선정, 가격, 재고 보충 판단이 마진을 좌우 |
| 한 일 | 상품 선정, 동적 가격 책정, 재고 보충을 끝까지 자동화한 구매 AI 에이전트를 초기 시범 운영 |
| 결과 | 관리 SKU에서 수십억 위안 GMV(정확한 금액과 SKU 수는 원문에서 밝히지 않음). 구매팀은 카테고리 기획과 판매자 협력에 집중 |
| 연결 | Procurement AI Agent |
JD Logistics 로봇 자동화
| 구분 | 내용 |
|---|---|
| 상황 | 창고, 분류, 배송 전 구간 자동화를 목표로 로봇 종류가 늘어남 |
| 한 일 | LangzuTech 로봇 11종을 생산 라인 9개에 투입하고 MetaBrain LLM 3.0이 로봇 무리를 지휘 |
| 결과 | 9월 기준 자동화 물류 설비 가동 89% 증가, 주요 분류 거점 자동화율 상승. 3분기 비GAAP 영업이익 RMB 19억(49.8% 증가), 이익률 3%(0.7%p 상승) |
| 연결 | MetaBrain LLM 3.0, Software-led AI Investment |
기술 디테일: 구매 에이전트를 직접 돌린다면
아래 필드명, 설정값, 기준은 실제로 돌릴 때 필요한 것을 새로 쓴 가상 예시입니다. JD.com은 구매 에이전트의 모델, 데이터, 권한 설계를 공개하지 않았습니다.
Procurement AI Agent를 돌리려면 판단 하나를 결정 레코드 하나로 남깁니다. 에이전트는 SKU마다 하루 한 번 판매 속도, 현재 재고, 입고 예정, 공급사 리드타임, 경쟁 가격, 마진 하한을 입력으로 받습니다. 수요 예측과 최적 발주량 계산은 기존 예측 모델과 규칙으로 하고 LLM은 예외 해석(프로모션, 신제품, 단종 신호)과 근거 문장 작성을 맡깁니다. 출력은 아래처럼 구조화해 사람이 검토하고 되돌릴 수 있게 합니다.
{
"sku_id": "SKU-102938",
"decision": "reorder",
"qty": 1200,
"price_change_pct": -3.0,
"confidence": 0.82,
"reasons": ["재고 소진 예상 6일, 리드타임 9일", "경쟁 최저가 대비 4% 높음"],
"guardrail_check": {"margin_floor": "pass", "price_band": "pass"},
"route": "auto"
}
권한은 세 구간으로 나눕니다. 가격 변경 ±5% 이내, 발주액이 최근 4주 평균의 1.5배 이내면 자동 실행합니다. 이를 넘거나 confidence가 0.7 미만이면 MD 승인 큐로 보냅니다. 판매자 계약 조건, 프로모션 예산은 에이전트가 건드리지 못하게 도구 자체를 주지 않습니다. 같은 입력으로 3회 돌려 발주량이 10% 넘게 흔들리면 그 SKU는 자동 실행에서 뺍니다(LLM 판단부는 temperature 0). 운영 중에는 SKU별로 MD 거절률, 결품률, 재고일수, 하루 가격 변경 횟수를 매일 집계합니다. 거절률이 2주 연속 30%를 넘는 카테고리는 자동 실행을 멈추고 거절 사유부터 다시 봅니다.
MetaBrain처럼 로봇 무리를 지휘하려면 LLM과 실시간 제어를 나눕니다. 밀리초 단위 경로·충돌 제어는 기존 WCS(창고 설비 제어 시스템)에 둡니다. LLM 지휘 층은 작업 배정, 병목 재배치, 장애 시 우회 같은 초~분 단위 판단만 맡깁니다. 지휘 층이 내는 명령은 WCS가 받는 작업 지시 형식(로봇 ID, 작업 유형, 우선순위, 마감 시각)으로 고정하고 형식 검증에 실패하면 직전 규칙 기반 배정으로 돌아갑니다.
| 막히는 경우 | 증상 | 대응 |
|---|---|---|
| 프로모션 왜곡 | 행사 기간 판매 급증을 수요로 읽어 과다 발주 | 행사 캘린더를 입력에 넣고 행사 SKU는 승인 큐로 |
| 가격 경쟁 연쇄 | 경쟁사 가격 봇과 서로 내리기 | 하루 변경 횟수 1회, 마진 하한 고정 |
| 데이터 지연 | 입고 예정이 늦게 반영돼 중복 발주 | 입력 데이터 기준 시각을 레코드에 남기고 6시간 넘으면 보류 |
| 근거 부족 | MD가 결정 이유를 납득 못 함 | reasons 필드 필수, 근거 수치 2개 이상 |
현업 실행 디테일: 누가, 언제, 무엇을
아래 역할, 일정, 기준은 콜에서 밝힌 방향을 참고해 새로 짠 가상 예시입니다.
| 역할 | 맡는 일 |
|---|---|
| 카테고리 MD(스폰서) | 시범 카테고리와 권한 구간 결정, 승인 큐 처리, 확대 판단 |
| 공급 계획 담당 | 리드타임·안전재고 규칙 제공, 결품·과잉 재고 점검 |
| 가격·재무 담당 | 가격 변경 폭과 마진 하한 승인, 시범 성과 판정 |
| 데이터 엔지니어 | 판매·재고·발주 데이터 연결, 백테스트, 결정 레코드 저장 |
| 판매자 협력 담당 | 공급사 조건 변경 시 에이전트 범위에서 제외, 판매자 소통 |
준비물. 시범 카테고리의 최근 12개월 일별 판매·재고·발주 이력, 공급사별 리드타임, 현재 가격 규칙과 마진 하한, 행사 캘린더, MD가 지난 3개월 내린 발주·가격 결정 기록이 필요합니다.
| 기간 | 할 일 | 산출물 |
|---|---|---|
| 1~2주 | SKU 300~500개 카테고리 하나 선정, 권한 구간·한도 확정, 데이터 연결 | 권한 정의서, 데이터 사전 |
| 3~4주 | 지난 3개월로 백테스트, MD 실제 결정과 비교 | 결품률·재고일수·마진 비교표 |
| 5~6주 | 그림자 운영: 에이전트는 제안만, MD가 실제 결정 | 제안 채택률, 불일치 사례집 |
| 7~8주 | 보충 발주부터 자동 실행, 가격은 승인 큐 유지 | 확대 여부 판정 보고 |
MD와 공급 계획 담당에게 물을 것.
- 이 카테고리에서 가격을 바꾸는 판단 기준과 한 번에 바꾸는 최대 폭은 얼마인가요?
- 결품과 과잉 재고 중 어느 쪽 손실이 더 큰가요? 품목별로 다른가요?
- 공급사 리드타임이 자주 어긋나는 곳은 어디인가요?
- 에이전트 제안을 거절할 때 주로 어떤 이유인가요?
- 업무가 줄어든 시간을 카테고리 기획과 판매자 협력 중 어디에 쓰겠나요?
진행 판정 기준(예시). 그림자 운영에서 MD 채택률 70% 이상, 백테스트 결품률이 사람 결정보다 나쁘지 않고 재고일수가 10% 이상 줄면 보충 발주부터 자동 실행으로 넘깁니다. 가격 자동 실행은 4주 더 승인 큐로 돌린 뒤 마진 하한 위반 0건일 때만 엽니다.
AX 적용 제언. 국내 유통사와 직매입 비중이 큰 이커머스, 부품 구매가 많은 제조사라면 JD.com처럼 구매를 첫 에이전트 적용처로 고를 만합니다. 성과가 매출총이익률과 재고일수로 바로 보여 경영진 보고가 쉽습니다. 시작은 SKU가 많고 회전이 빠른 카테고리 하나, 권한은 보충 발주부터입니다. 경영진에게는 정확도보다 “에이전트가 관리하는 SKU 비중”, “그 SKU의 GMV와 마진”, “MD가 기획·협력에 쓰는 시간”을 보고합니다. 물류 로봇이 이미 여러 종류 깔린 회사라면 MetaBrain처럼 지휘 층을 따로 세우는 과제를 2단계로 잡습니다. 다만 실시간 제어는 기존 설비 제어 시스템에 그대로 둡니다.
원문 사례
| 항목 | 내용 |
|---|---|
| 자료 | JD.com 2026년 3분기 실적 콜 녹취(The Motley Fool, 2026.11.17) |
| 발언자 | CEO Sandy Xu(Xu Ran), CFO Ian Su Shan, IR 총괄 Sean Shibiao Zhang |
| 실적 | 그룹 매출 RMB 3,096억(3.5% 증가). JD Retail 매출 RMB 2,580억(2.9% 증가), 매출총이익률 20.1%(0.76%p 상승), 영업이익률 5.8% |
| 구매 에이전트 | 상품 선정, 동적 가격 책정, 재고 보충 자동화. 초기 시범 단계, 관리 SKU에서 수십억 위안 GMV |
| 물류 | LangzuTech 로봇 11종, 생산 라인 9개. MetaBrain LLM 3.0이 중앙 지휘. 자동화 물류 설비 가동 89% 증가(9월 기준) |
| JD Logistics | 매출 RMB 640억(16.1% 증가), 비GAAP 영업이익 RMB 19억(49.8% 증가), 이익률 3%(0.7%p 상승) |
| R&D | JD Retail R&D 45.4% 증가, 비용률 0.61%p 상승. 소프트웨어 응용 중심, 큰 설비 투자 없음 |
| 기타 AI | Dongdong(9월 출시, 의도 기반 검색), AI 광고 매칭. 2027년 구매·영업·고객센터 효율 기대 |
| Q&A | Goldman Sachs(Ronald Keung), UBS(Kenneth Fong), Citigroup(Alicia Yap), Jefferies(Thomas Chong) |
핵심 개념
- 1P / 3P
- 1P는 회사가 직접 사서 파는 매입 판매, 3P는 외부 판매자가 플랫폼에 입점해 파는 방식입니다.
- GMV
- 플랫폼에서 거래된 상품 금액의 합계로, 반품·할인 전 총거래액입니다.
- Dynamic pricing
- 판매 속도, 재고, 경쟁 가격에 맞춰 가격을 자주 바꾸는 방식입니다.
- Physical AI
- 로봇, 자율주행 차량, 드론처럼 실제 세계에서 움직이며 일하는 AI입니다.
- Non-GAAP 영업이익
- 주식 보상비 같은 일회성·비현금 항목을 뺀 회사 기준 영업이익입니다.
- WCS
- Warehouse Control System. 창고 안 컨베이어, 분류기, 로봇의 실시간 동작을 제어하는 시스템입니다.
내 메모
TODO: 내 생각 추가
원문은 The Motley Fool에 실린 「JD.com (JD) Q3 2026 Earnings Call Transcript」(2026.11.17)이며 CEO Sandy Xu와 CFO Ian Su Shan의 발언을 바탕으로 했습니다. 녹취는 LLM 도움으로 만들어졌다는 고지가 있어 로봇 수 표현(신형 11대와 11종)이 엇갈리는 부분은 Q&A의 자체 개발 로봇 11종 표현을 따랐습니다. 요약, 핵심 메커니즘, 통념과 다른 주장, 사례는 콜에서 나온 내용을 AX Partners가 다시 정리했습니다. 기술·현업 디테일의 필드명, JSON 예시, 권한 구간, 일정, 질문, 판정 기준, 인포그래픽과 표는 실제로 돌릴 때 필요한 것을 새로 작성한 가상 예시입니다. 전체 발언은 원문 녹취에서 확인할 수 있습니다.