전산에는 100개가 있다.
창고에는 92개가 있다.
이 숫자로 AI가 적정 발주량을 계산하면 답은 그럴듯하게 나올 수 있다. 문제는 답이 아니라 입력값이다.
재고가 틀린 상태에서 나온 분석은, 아무리 빨라도 현장에서는 위험하다.
GLP와 Huawei는 2026년 9월 Huawei Connect 2026에서 AI 영상인식, RFID, IoT를 활용한 지능형 창고 모니터링 솔루션을 공개했다. 재고 변화와 상품 상태를 더 투명하게 보려는 시도다. 다만 이 글의 중심은 기술이 아니라, 그 기술이 바라보는 재고 숫자가 어떻게 만들어지는가에 있다.
✓재고 차이의 시작점
재고는 어느 날 갑자기 틀어지지 않는다.
발주가 들어가고, 입고가 잡히고, 창고 안에서 위치가 바뀐다. 작업장에서 세트가 만들어지고, 출고가 나가고, 반품이 돌아온다.
이 흐름 중 한 곳에서 실물과 전산이 다르게 움직이면 그때부터 재고 차이가 시작된다.
월말 재고조사는 결과를 보여줄 뿐, 원인을 자동으로 설명해주지는 않는다.
✓발주와 입고의 작은 차이
재고 불일치는 창고 안에서만 생기지 않는다. 발주 단계에서 이미 틀어질 수 있다.
박스 단위로 봐야 할 상품을 낱개 단위로 입력하거나, 최소주문수량과 납기를 반영하지 못하면 입고 전부터 기대 재고가 어긋난다.
입고에서도 마찬가지다. 실물은 들어왔는데 전산 처리가 늦거나, 실제 검수 수량과 전산 입고 수량이 다르면 차이는 그대로 남는다.
입고에서 볼 것
전산에는 100개가 입고됐지만 검수 결과가 98개라면, 2개 차이는 그 순간 바로 정리돼야 한다. 나중에 맞추겠다고 미루면 출고와 재고조사에서 더 큰 문제로 돌아온다.
✓이동과 작업의 기준정보
창고 안에서 상품은 계속 움직인다. 보관 위치가 바뀌고, 피킹 위치가 바뀌고, 임시 적치도 생긴다.
실물은 B구역으로 갔는데 전산 위치가 A구역에 남아 있으면 숫자는 맞아도 현장에서는 찾을 수 없는 재고가 된다.
작업 단계는 더 조심해야 한다. 세트 구성, 포장 변경, 라벨링, 해체 작업은 원재료와 완성품 재고를 동시에 바꾼다.
BOM이 틀리면 작업자가 정확해도 재고는 틀어진다.
세트상품 1개를 만들 때 원재료 X가 2개 필요한데, 시스템 BOM에는 1개로 등록돼 있다고 해보자. 실물에서는 2개가 빠졌지만 전산에서는 1개만 차감된다. 작업 실수 없이도 재고 차이가 생긴다.
대체자재, 추가 투입, 로스도 같은 문제다. 작업 실적만 볼 것이 아니라 BOM 구성, 소요량, 대체 기준, 로스 반영까지 함께 봐야 한다.
✓출고와 반품의 끝처리
출고는 보냈다는 말로 끝나지 않는다.
출고 지시는 100개였지만 실제 피킹은 98개일 수 있다. 반대로 실물은 100개가 나갔는데 전산에서는 98개만 차감될 수도 있다.
그래서 출고는 지시, 피킹, 검수, 실제 출고, 전산 차감이 같은 흐름으로 닫혀야 한다.
반품은 더 쉽게 새어 나간다. 돌아온 상품이 정상재고인지, 불량재고인지, 폐기 대상인지 구분되지 않으면 재고 숫자는 다시 흐려진다.
반품은 입고가 아니라 상태 판단까지 끝나야 재고 처리가 끝난다.
✓AI 도입 전 재고 점검
AI가 창고를 보기 시작해도 출발점은 같다.
먼저 재고가 어느 순간 만들어지고, 어느 순간 바뀌는지 봐야 한다. 그 변화가 실물과 전산에 동시에 남는지도 확인해야 한다.
| 점검 항목 | 확인 기준 | 실무 포인트 |
|---|---|---|
| □ 발주 | 단위·MOQ·납기 일치 | 박스·낱개 기준 확인 |
| □ 입고 | 검수 수량·전산 수량 일치 | 차이 수량 당일 마감 |
| □ 이동 | 실물 위치·전산 위치 일치 | 임시 위치 기록 |
| □ 작업 | BOM·소요량·로스 기준 | 대체자재·추가 투입 기록 |
| □ 출고 | 지시·피킹·검수·차감 일치 | 수기 처리 별도 확인 |
| □ 반품 | 정상·불량·폐기 구분 | 재입고 기준 문서화 |
결국 볼 것
재고관리는 숫자를 맞추는 일이기도 하지만, 더 정확히는 숫자가 만들어지는 과정을 관리하는 일이다. AI가 볼 재고라면 더 그렇다.
AI에게 좋은 답을 얻으려면, 먼저 믿을 수 있는 재고를 보여줘야 한다.
English Summary
Inventory accuracy starts before AI. Discrepancies usually come from small gaps across ordering, receiving, movement, production, shipping, and returns. Before adopting AI warehouse tools, companies should first make sure physical inventory and system records move together.