AX Field Notes

전체 사례No. 054

C.H. 로빈슨, 미수거 전화·판단을 두 에이전트에

미수거 확인 95%를 자동화해 하루 350시간의 수작업을 덜었습니다

사례 번호
054
1차 출처
Company press release and earnings call
원문 게시
2026-01-26

요약

  • 혼적 화물 운송의 미수거 확인 업무를 두 인공지능 에이전트에 맡겼습니다.
  • 미수거 확인의 95%가 자동화되어 하루 350시간 이상의 수작업을 줄였습니다.
  • 낭비 시간을 먼저 측정하고 조사와 판단을 분리하는 구조가 효과적입니다.

화물차가 그냥 지나쳤을 때 시작되는 긴 추적

물류 창고에 화물차가 제시간에 도착하지 못하거나, 물건을 싣지 못하고 그냥 떠나는 상황을 상상해 보십시오. 북미 대형 물류 기업인 C.H. 로빈슨(C.H. Robinson)의 에이전트는 지금 이런 건을 하루 수백 건씩 처리합니다.

화물 운송에는 여러 화주의 짐을 한 트럭에 모아서 싣는 방식이 있습니다. 이를 LTL(less-than-truckload, 혼적 화물) 운송이라고 부릅니다. 트럭 한 대에 최대 20곳에 달하는 서로 다른 화주의 화물이 함께 실립니다. 이 트럭이 정해진 화물 터미널로 이동해 방향별로 짐을 다시 나누어 싣는 복잡한 연결 고리를 거칩니다. 만약 어떤 창고에서 물건 포장이 덜 끝났거나 트럭이 교통 체증에 갇혀 화물을 싣지 못하면, 그 영향은 그 한 건으로 끝나지 않습니다. 다음 날 다른 트럭을 다시 보내야 하고, 그 뒤에 연결된 다른 화주들의 화물 운송 일정까지 줄줄이 밀리는 연쇄 지연이 발생합니다.

이때부터 사람이 수작업으로 원인을 쫓는 긴 추적이 시작되었습니다. 물류 담당자들은 하루의 절반 이상을 운송사 웹사이트 조회, 전화 확인, 진행 상태 기록, 고객 안내에 쏟아부어야 했습니다. 화물이 실제로 수거되었는지 아닌지 상태를 끝내 확인하지 못하면, 결국 화물 운송을 다른 운송사나 다른 일정으로 재배차하는 retender(재배차)를 진행했습니다.

그렇게 보낸 화물차가 현장에 도착했을 때, 화물 준비가 여전히 안 되어 있거나 이미 다른 차가 싣고 가 버린 헛걸음이 자주 벌어졌습니다. 확인을 위한 사람의 노동 시간과 헛바퀴를 도는 화물차의 운송 능력이 동시에 낭비되던 구조였습니다.

이 문제는 2026년 1월 회사 보도자료와 실적 발표를 통해 공개된 AI 에이전트 도입으로 큰 변화를 맞이했습니다. C.H. 로빈슨은 두 대의 인공지능 에이전트를 투입해 미수거 확인 작업의 95%를 자동화했다고 발표했습니다.

낭비된 시간을 측정한 뒤에 기술을 얹었습니다

C.H. 로빈슨은 연간 3,700만 건의 화물을 처리하고 7만 4,000곳의 고객사와 45만 곳의 계약 운송사를 연결하는 3PL(third-party logistics, 제3자 물류) 기업입니다. 북미 3PL 가운데 가장 많은 혼적 화물을 취급한다고 밝히고 있으며, 2025년 4분기 실적 발표에서 혼적 화물 사업 규모만 30억 달러 이상이라고 설명했습니다.

마크 올브레히트(Mark Albrecht) 인공지능 부문 부사장은 회사의 개발 원칙을 Lean AI라고 소개했습니다. 기술을 과시하기 위해 아무 데나 도입하는 것이 아니라, 명확한 사업 결과가 나오는 지점에만 집중한다는 원칙입니다.

“우리는 온갖 일에 무작정 AI를 들이붓지 않습니다. 취미로 하는 일이 아닙니다. 우리는 뚜렷한 사업 결과를 낼 수 있는 곳에만 AI 에이전트를 사용합니다. 우리의 Lean AI 절차 덕분에 미수거 화물을 처리하면서 낭비되던 시간의 규모를 밝혀낼 수 있었고, 기존 자동화 소프트웨어를 보강하는 데 인공지능이 가장 큰 잠재력을 발휘할 지점을 찾아냈습니다.”

핵심은 소프트웨어를 처음부터 완전히 새로 만드는 대신, 기존에 쓰던 물류 자동화 소프트웨어를 보강하는 장치로 에이전트를 설계했다는 점입니다. 사람이 하루의 절반 이상 전화기를 붙잡고 있던 병목을 정확히 집어내어 그 일을 에이전트에게 넘겼습니다.

한쪽은 전화를 걸고 다른 쪽은 다음 조치를 정합니다

C.H. 로빈슨이 세운 해결책은 두 대의 전문 에이전트를 나란히 배치하는 구조였습니다. 한 에이전트가 운송사에 전화를 걸어 사실관계를 캐묻고, 조사가 끝나면 다른 에이전트가 그 정보를 바탕으로 다음 단계의 운영 결정을 내립니다.

하나의 인공지능에 조사와 결정을 모두 맡기지 않고 나눈 데에는 이유가 있었을 것입니다. 과거의 헛걸음은 상태를 확인하지 못한 채 재배차를 해야 했기 때문에 생겼습니다. 따라서 사실을 확인하는 과정과 대안을 선택하는 과정을 명확히 분리하여, 확실한 답을 얻은 뒤에만 다음 단계로 넘어가도록 통제 장치를 둔 것으로 보입니다.

두 에이전트는 동시에 100건의 전화 통화와 100건의 의사결정을 동시에 처리할 수 있는 병렬 처리 능력을 갖추었습니다. 사람이 순서대로 전화를 돌리며 몇 시간씩 지체되던 대기 시간이 사라졌습니다.

미수거 화물 처리 흐름 비교
이전 방식미수거조회·전화·기록·안내하루 절반 이상상태 미확인재배차다른 트럭미준비 혹은 이미 수거됨에이전트 도입100건 통화·100건 판단 동시미수거전화 에이전트운송사 전화판단 에이전트다음 조치 결정화물 이동매일 운송사에 데이터 공유직원은 고객과 해결책 논의
수작업 확인과 헛걸음 고리를 전화·판단 에이전트로 전환해 불필요한 재방문이 42% 줄었습니다. (출처: C.H. Robinson)

실제 시스템 내부에서는 먼저 정해진 수거 시각이 지났는데도 운송사의 전산 수거 완료 신호가 들어오지 않은 건을 자동으로 감지했을 것입니다. 전산망이나 웹사이트의 상태를 먼저 점검한 뒤, 여전히 확인되지 않는 건에 한해 첫 번째 통화 에이전트가 운송사 배차실이나 터미널로 직접 전화를 거는 구조로 작동했을 가능성이 높습니다. 통화 에이전트가 수거 시도 여부와 미수거 사유, 재방문 가능 시각을 확인하여 전산 기록에 입력하면, 두 번째 결정 에이전트는 기존 시스템 규칙에 정의된 정해진 선택지 안에서 최적의 경로를 골라냈을 것입니다. 운송사의 변경 일정을 승인할지, 다른 운송사로 재배차할지, 혹은 화주에게 화물 준비 상태를 재확인할지 결정하는 방식이었을 것입니다.

이 시스템은 2025년 중소형 고객 대상 플랫폼인 프레이트쿼트(Freightquote)에 먼저 도입되었습니다. 2025년 7월부터 전체 혼적 화물 고객으로 범위를 넓혔습니다. 회사가 보유한 30개 이상의 AI 에이전트군에 속해 있으며, 견적 산출, 주문 접수, 화물 분류, 운송 추적, 배송 증명 처리 등 다른 물류 에이전트들과 함께 작동합니다.

하루 350시간의 수작업 절감과 재방문 42% 감소

에이전트가 업무를 넘겨받은 뒤 나타난 결과는 명확했습니다. 발표 시점 기준으로 1만 1,000곳 이상의 고객사를 대상으로 매일 수백 건의 운송 건이 에이전트를 통해 해결되고 있습니다.

가장 두드러진 지표는 미수거 화물에 대한 확인 작업의 95%가 사람의 개입 없이 자동으로 처리된다는 점입니다. 이를 통해 절감된 단순 반복 업무는 하루 350시간 이상에 달합니다. 마이클 카스타그네토(Michael Castagnetto) 북미 육상운송 부문 사장은 실적 발표에서 이 350시간을 두고 외부 위탁으로 처리하던 수작업이었다고 설명했습니다.

화물 운송 속도도 빨라졌습니다. 화주의 화물은 최대 하루 더 빨리 움직이게 되었습니다. 또한 미수거 화물을 다시 실으러 가는 불필요한 재방문은 42% 줄어들었습니다.

그렉 웨스트(Greg West) 혼적 화물 부문 부사장은 미수거 한 건이 운송 네트워크 전체에 미치는 영향을 이렇게 설명했습니다.

“미수거는 단순히 사소한 불편에 그치지 않습니다. 트럭이 도착했을 때 화물이나 포장이 준비되지 않았거나, 운송사가 교통 체증으로 제시간에 오지 못하면 다음 날 다른 트럭이 다시 가야 합니다. 우리 화주의 물건이 아닐지라도, 수거 대기 중이던 다른 화물과 뒤따르는 다른 모든 트럭에 도미노 효과를 일으킵니다.”

그는 이렇게도 말했습니다. “이제 그런 시간과 운송 역량이 낭비되지 않으므로, 다른 화주들의 화물이 지연되는 일도 막을 수 있습니다.”

통화 기록이 매일 운송사에 전달되는 데이터가 되었습니다

두 에이전트가 만든 변화는 사내 효율화에 그치지 않았습니다. 에이전트가 모은 미수거 데이터는 이전에는 없던 새로운 데이터였습니다. C.H. 로빈슨은 이 데이터를 매일 운송사들과 공유하기 시작했습니다.

웨스트 부사장은 이 데이터가 세 가지 용도로 쓰이고 있다고 밝혔습니다.

“매일 새로운 미수거 데이터를 운송사들과 공유함으로써, 운송사들은 어떤 전자 통신을 개선해야 하는지 파악하고, 운영상의 문제를 특정 터미널 단위로 분리해 내며, 배차 일정을 최적화할 수 있게 되었습니다.”

실제로는 운송사의 전산 상태값과 에이전트의 통화 결과가 불일치하는 내역을 비교하여 전산 연동 누락을 찾아내고, 특정 터미널에서 반복되는 지연 원인을 화주 측 문제와 운송사 배차 문제로 나누어 점검했을 것입니다. 운송사 입장에서는 어느 지점의 배차를 손보고 어디의 시스템을 고쳐야 하는지 짚어 주는 운영 지표를 매일 받아보게 된 셈입니다.

사람이 전화를 끊고 고객과의 대화로 돌아갈 때

물류 현장에서 AI가 사람의 전화를 대신하게 되면, 기존 직원들의 역할은 어떻게 달라질까요. 2026년 1월 실적 발표 질의응답에서 감원과 인간적인 고객 관리 사이의 균형에 대한 질문이 나왔을 때, 카스타그네토 사장은 이 미수거 에이전트 사례를 직접 들어 답했습니다.

“보도자료에서 밝혔듯, 미수거 화물을 확인하고 뒤쫓는 데만 하루 350시간의 사람 손이 들어가고 있었습니다. 앞으로는 사람이 그런 일을 직접 할 필요가 없습니다. 그 역할 자체가 높은 가치를 만든다고 보기는 어렵습니다. 이제 우리 직원들은 그 정보를 더 정확하고 더 빠르게 전달받게 됩니다. 그리고 고객에게 전화를 걸어 미수거 상황에 대한 해결책을 논의하고, 다음번에는 이런 일을 어떻게 방지할 수 있을지 이야기하게 됩니다.”

직원은 행방을 수소문하느라 운송사 웹사이트를 뒤적거리는 대신, 에이전트가 모은 정보를 손에 쥐고 고객에게 전화를 걸게 됩니다. 자동화되지 않은 5%의 예외 상황도 사람이 처리했을 것입니다. 직원들은 일정이 어그러진 고객에게 사후 대책을 안내하는 일에 집중하게 됩니다.

C.H. 로빈슨의 사례는 운영 현장의 자동화가 어디를 향해야 하는지 보여줍니다. 핵심은 화려한 생성 기술 자체가 아니라, 가장 많은 시간이 새어나가던 예외 처리 업무를 측정해 내고 사실 조사와 의사결정을 분리하여 배치한 설계에 있었습니다. 사람의 일에서 소모적인 확인 작업을 덜어내었을 때, 시스템은 더 안정적으로 흐르고 사람은 문제 해결의 본질에 다가설 수 있습니다.


출처