운영의 모든 지점에서 작동하는 인공지능

서류를 읽고, 항목을 채우고, 관세율과 세금 정보를 찾고, 인보이스를 판독합니다. AI가 모든 단계에서 일합니다.

AI가 운송 서류를 읽고 항목을 채웁니다 — 정확도 98.6%

서류와 메시지를 36개 언어로 자동 번역

사진으로 양식 자동 입력, 관세율 조회, 인보이스 판독

서류는 시스템이 읽습니다 — 데이터를 단 한 번도 직접 입력하지 않습니다

AI가 CMR, 인보이스, T1/T2, 패킹 리스트, 선하증권을 읽고 HS 코드, 중량, 송하인 같은 항목을 신뢰도 점수와 함께 추출해 양식을 직접 채웁니다.

데이터를 직접 입력할 필요가 없습니다.

품목 사진을 찍으면 카탈로그가 저절로 채워집니다

AI가 품목이나 팔레트 사진을 분석해 품목명, 카테고리, 브랜드, 치수 같은 카탈로그 항목을 자동으로 제안합니다. 몇 초 만에 재고 기록을 만들 수 있습니다.

제안 내용은 수정할 수 있으며, 승인해야 저장됩니다.

AI가 서류 간 불일치를 찾아냅니다

CMR, 인보이스, 패킹 리스트의 포장 수, 중량, 당사자 이름을 서로 비교해 불일치를 표시하고, 서류 유형을 검증하며, 유효하지 않은 파일이 있으면 경고합니다.

사람의 눈이 놓치는 차이를 AI가 잡아냅니다.

운영의 모든 지점에 닿는 AI

하나의 어시스턴트가 아니라 서류, 관세율, 카탈로그, 검증, 인보이스 전반에서 작동하는 AI 계층입니다.

관세율 및 반덤핑 조회 결과는 참고용입니다.

• 서류 판독 및 항목 추출 — CMR, 인보이스, T1/T2, 패킹 리스트, 선하증권을 읽고 신뢰도 점수와 함께 항목을 채웁니다.
• 36개 언어 번역 — 서류와 메시지를 36개 언어로 자동 번역하므로, 각자 자신의 언어로 소통할 수 있습니다.
• 사진으로 양식 자동 입력 — 품목이나 팔레트 사진에서 카탈로그 항목을 자동으로 제안하며, 승인하면 저장됩니다.
• 관세율 및 반덤핑 조회 — HS 코드, 수입 관세, 시행 중인 반덤핑 조치를 튀르키예·영국·EU·미국 공식 자료에서 가져오며, 필요한 경우 AI로 보완합니다.
• 정합성 검증 — 서류 간 포장 수, 중량, 당사자 이름의 불일치를 찾아내고, 서류 유형을 검증하며, 유효하지 않은 파일을 표시합니다.
• 운임 인보이스 판독 — AI가 수신된 운임 인보이스를 읽어 총액과 청구 대상을 추출하고 운송 건 기록에 연결합니다.

AI와 함께 운영하십시오

서류 판독, 번역, 관세율, 정합성 검증, 인보이스 판독까지 — 첫날부터 하나의 코어 위에서.

물류·공급망용 AI 소프트웨어는 실제로 무엇을 합니까?

물류 분야에서 성숙 단계에 이른 AI 기능은 네 가지입니다. 서류에서 항목 추출, 서류 간 교차 검증, 다국어 번역, 사진을 구조화된 데이터로 변환하는 기능입니다. 다섯 가지는 아직 발전 단계입니다. 관세 품목분류 지원, 손상 평가, 경비 영수증 처리, 도착 예정 시간(ETA), 자유 텍스트로 기록 생성입니다. 모두 데이터 입력과 점검에 관한 일입니다. 품목분류, 신고, 가격 결정은 AI가 하지 않으며, 결과는 확률적이므로 사람의 승인이 필요합니다. 가치는 기능 목록이 아니라 AI가 대체하는 수작업 단계가 얼마나 자주 반복되느냐에 비례합니다.

오늘날 물류에서 AI가 실제로 하는 일은 아홉 가지 기능으로 나뉩니다. 네 가지는 성숙 단계이고, 다섯 가지는 아직 발전 단계입니다. 성숙한 기능은 결과물을 원본과 대조해 몇 초 만에 검증할 수 있습니다. 서류에서 항목 추출, 서류끼리 대조해 차이를 표시하는 기능, 서신과 서류 번역, 사진을 구조화된 데이터로 변환하는 기능입니다. 발전 단계의 기능은 판단이 필요하거나, 외부 조건에 좌우되거나, 현장 규율에 의존합니다. 관세 품목분류 지원, 장비 손상 평가, 경비 영수증 처리, 도착 예정 시간, 자유 텍스트로 기록 생성이 여기에 해당합니다.

AI가 하지 않는 일도 그만큼 분명합니다. 품목분류, 신고, 가격 결정은 맡지 않습니다. 이러한 일에는 법적 책임이 따르므로 사람에게 남습니다. 세관 대기열, 페리 선적 여력, 국경 검사도 예측하지 못합니다. 무엇보다 AI의 결과물은 확실성이 아니라 확률입니다. 모든 항목에는 틀릴 가능성이 따르므로, 승인 단계 없이 구축한 업무 흐름은 안전하지 않습니다.

이 페이지는 아홉 가지 기능 각각에 성숙도를 표시하고, 어떻게 측정하는지, 어디에서 한계가 드러나는지, 어떤 데이터가 필요한지를 정리합니다. 이어서 벤더의 "저희도 AI가 있습니다"라는 주장을 데모에서 어떻게 검증하는지 설명합니다.

• 물류에서 AI의 실제 역할은 예측이 아니라 판독입니다. 서류, 사진, 자유 텍스트에서 구조화된 데이터를 뽑아내는 일입니다.
• 모든 기능을 두 가지 질문으로 평가하십시오. 어떻게 측정하는가, 그리고 어디에서 틀리는가? 둘 중 어느 것에도 답하지 못하는 AI 주장은 측정할 수 없습니다.
• 정확도 수치는 그 자체로는 아무 의미가 없습니다. 어떤 서류 세트로 측정했는지, 항목 단위인지 서류 단위인지, 누가 측정했는지를 물으십시오.
• 데모는 벤더가 준비한 세트가 아니라 귀사가 보유한 가장 상태 나쁜 스캔 서류로 진행하십시오. AI가 무너지는 곳이 바로 그 지점입니다.
• 추출된 데이터가 승인 없이 기록에 들어간다면, 시스템은 절약한 시간을 도로 앗아 가는 보이지 않는 수정 작업을 만들어 내고 있는 것입니다.
• 데이터가 없으면 AI도 없습니다. 이력 부족, 비어 있는 거래처 디렉터리, 저해상도 스캔은 결과물의 품질을 직접 떨어뜨립니다.

물류에서 AI는 실제로 무엇을 합니까?

• 서류 항목 추출 / 서류 판독(성숙 단계) — 상업 송장, CMR 화물운송장, 패킹 리스트, 차량 등록증, 여권 등 서류 유형을 인식하고, 그 내용을 당사자명, 날짜, 포장 수, 총중량과 순중량, 금액, 서류 번호, 유효기간 같은 구조화된 데이터로 변환합니다. 잘 설계된 시스템에서는 추출된 데이터가 제안 형태로 양식에 들어가고, 승인을 거친 뒤에 저장됩니다. 이는 업계 표준이 아니라 설계상의 선택이므로 벤더에게 따로 확인해야 합니다. 서류를 읽고 화면에 옮겨 입력하는 데이터 입력 업무입니다. 대부분의 기업에서 이 일은 전담 직무가 아니라 배차 담당자와 경리 담당자의 하루 업무 곳곳에 흩어진 부담입니다. 두 가지 지표를 함께 봅니다. 항목 단위 정확도(정확하게 추출된 항목 수를 읽어야 했던 전체 항목 수로 나눈 값)와 수정 개입률(사람이 수정해야 했던 서류 수를 전체 서류 수로 나눈 값)입니다. 수정 없이 통과한 서류의 비율인 서류 단위 수치는 언제나 더 낮게 나옵니다. 항목 하나만 틀려도 서류 전체가 불합격이 되기 때문입니다. 손글씨 기재, 도장이나 서명과 겹친 텍스트, 팩스 수준이거나 해상도가 낮은 스캔, 비스듬히 찍은 휴대폰 사진, 한 페이지에 빽빽하게 들어간 다단 표, 처음 보는 양식입니다. 항목 레이블이 아니라 페이지상의 위치를 읽는 레이아웃에서는 오류가 급격히 늘어납니다. 판독 가능한 해상도의 디지털 사본(가능하면 처음부터 디지털로 생성된 PDF)과 잘리지 않은 전체 페이지가 필요합니다. 검증을 위해서는 해당 항목에 대응하는 데이터가 시스템에 있어야 합니다. 예를 들어 거래처 디렉터리에 등록된 회사의 정식 명칭입니다.
• 서류 간 정합성 검증(성숙 단계) — 같은 운송 건에 속한 서류들을 서로 대조해 차이를 표시합니다. 인보이스의 중량과 패킹 리스트의 중량, 포장 수, 당사자명, 원산지, 가액 등을 비교합니다. 불일치는 국경에서가 아니라 트럭이 출발하거나 신고서가 제출되기 전에 드러납니다. 두세 장의 서류를 나란히 놓고 눈으로 비교하는 담당자입니다. 바쁜 날 가장 먼저 생략되는 업무이며, 생략한 바로 그날 가장 큰 비용을 치르게 됩니다. 탐지율(이미 알고 있는 불일치 중 몇 건을 표시했는가)과 오경보율(완전히 일치하는 서류 세트에서 경고가 몇 건 나오는가)로 측정합니다. 오경보율을 한 번도 측정하지 않으면 팀은 경고를 무시하는 데 익숙해지고, 몇 주 안에 검증은 형식적인 절차로 전락합니다. 같은 사실이 서로 다르지만 정당한 형태로 기재된 경우입니다. 총중량과 순중량, 서로 다른 단위, 반올림된 금액, 축약된 상호, 같은 회사의 두 가지 주소 등이 그렇습니다. 서류 하나가 업로드되지 않았다면 검증은 부분적으로만 이루어집니다. 시스템이 "비교할 두 번째 기록이 없습니다"라고 알려 주지 않으면 소리 없이 공백이 생기고, 팀은 검증이 이루어졌다고 믿게 됩니다. 같은 운송 건 기록에 첨부된 서류가 최소 두 건 있어야 합니다. 비교할 항목 목록과 허용 오차 기준(예: 몇 킬로그램 차이까지 경고 없이 통과시킬지)을 정의해 두어야 합니다.
• 관세 품목분류 지원 — HS 코드 및 국가별 코드(발전 단계) — 품목 설명과 인보이스 품목 행을 바탕으로 후보 관세 코드를 제안하고, 유사한 설명을 찾아 연결하며, 해당 코드에 적용되는 수입 관세와 시행 중인 무역 조치를 불러옵니다. 튀르키예의 국가 코드는 GTİP로, 국제 공통 6단위 HS 코드에 국가별 자릿수를 덧붙인 것입니다. 다른 시장도 각자의 방식으로 HS를 세분합니다. 제안은 후보 목록일 뿐이며, 어떤 코드로 신고할지는 사람이 결정합니다. 관세율표를 한 줄씩 훑어보거나, 비슷한 품목을 찾으려고 지난 파일을 뒤지거나, 전문가에게 이메일을 보내고 답을 기다리는 무역 컴플라이언스 담당자의 업무입니다. 정답 코드가 첫 번째 제안에 얼마나 자주 나오는지, 상위 세 개 안에 얼마나 자주 드는지를 봅니다. 기준 세트로는 귀사가 이미 완료한 과거 신고서를 사용하십시오. 도구가 확신이 없다고 스스로 밝히는 빈도도 함께 살펴보십시오. 한 번도 망설이지 않는 도구는 측정할 수 없습니다. 혼합 소재 물품, 세트로 판매되는 품목, 기능에 따라 분류가 갈리는 기계 부품, 상업적 명칭이 포괄적인 품목 행("액세서리", "예비 부품")입니다. 6단위 HS 아래의 국가별 세분류는 나라마다 다르기 때문에, 같은 제품이라도 수입과 수출에서 서로 다른 코드에 해당할 수 있습니다. 연례 개정으로 품목분류표가 바뀌면 오래된 파일의 코드가 현재는 대응 코드가 없을 수도 있습니다. 도구가 몇 년도 품목분류표를 기준으로 읽고 있는지 화면에 표시되지 않는다면 제안을 검증할 수 없습니다. 기술적 설명, 소재 구성, 용도, 원산지, 그리고 가능하다면 사진이 필요합니다. 인보이스 품목 행의 짧은 상업적 명칭만 제공하면 제안의 품질이 눈에 띄게 떨어집니다.
• 다국어 서신 및 서류 번역(성숙 단계) — 운송 관련 서신과 외국어 서류를 즉시 번역하므로, 각 당사자가 자신의 언어로 쓰고 읽습니다. 물류에서 실질적인 효과는 단어 대 단어 번역이 아니라, 주소, 포장 지시, 결제 조건, 배송 지시를 담은 문장이 정확하게 이해되도록 하는 데 있습니다. 번역 탭에서 허비하는 시간, 외부 번역 의뢰, 그리고 "이 언어를 할 줄 아는 사람은 여기서 한 명뿐"이라는 병목입니다. 번역 자체가 아니라 번역이 일으키는 오류를 측정하십시오. 오해로 인해 발생한 사고(잘못된 주소, 잘못된 포장, 놓친 배송일)와 번역을 기다리느라 파일이 멈춰 있는 시간입니다. 업계 은어와 약어, 현지 통관 용어, 한 문장에 섞인 두 언어, 서로 다른 단위와 날짜 형식, 법적 뉘앙스입니다. 계약서나 신고 문구의 기계 번역에는 법적 효력이 없으며, 당사자명이나 지명을 실수로 번역해 버리는 것도 흔한 실패 유형입니다. 텍스트 자체가 필요하며, 서류라면 먼저 판독 가능한 스캔이 필요합니다. 디렉터리에 회사명, 인명, 지명이 정확하게 등록되어 있으면 고유명사가 엉뚱하게 번역되는 일을 막을 수 있습니다.
• 사진에서 데이터 추출 및 측정 — 팔레트, 물품, 차량(성숙 단계) — 품목 카테고리, 포장 유형, 차량 번호판, 팔레트 치수 같은 항목을 사진에서 추출합니다. 잘 설계된 시스템에서는 이 항목들이 제안 형태로 양식에 들어가고 승인 없이는 저장되지 않습니다. 이는 표준이 아니라 설계상의 선택이므로 벤더에게 따로 확인해야 합니다. 휴대폰에 깊이 센서가 있으면 길이·폭·높이를 사진 기반 추정보다 훨씬 좁은 오차 범위로 측정할 수 있습니다. 오차 범위는 기기, 거리, 표면에 따라 달라지며, 사진과 함께 기록에 남습니다. 줄자로 재서 수첩에 적는 일, 차량 등록 정보를 화면에 옮겨 적는 일, 빈 양식에서 신규 품목을 정의하는 일입니다. 제안된 항목 중 수정 없이 승인되는 비율과 양식 작성 시간의 차이를 봅니다. 측정의 경우 같은 팔레트를 줄자로 잰 값이 기준이며, 편차는 센티미터 단위로 보고합니다. 어두운 조명, 스트레치 필름으로 감싸거나 빛을 반사하는 표면, 불규칙하게 쌓였거나 팔레트 밖으로 튀어나온 화물, 배경에 찍힌 다른 팔레트, 한 장의 사진으로는 파악할 수 없는 깊이입니다. 센서 측정도 오차가 없는 것은 아니며, 반사 표면이나 필름으로 감싼 표면에서는 편차가 커집니다. 사진으로 산출한 부피는 추정치입니다. 부피 중량을 두고 분쟁이 생기면 어떤 기록이 우선하는지는 계약의 문제이므로, 측정 방법을 미리 서면으로 합의해 두십시오. 화물 전체가 들어오도록 정면에서 충분한 조명 아래 찍은 사진이 필요합니다. 측정에는 깊이 센서가 있는 기기와 팔레트 주위를 한 바퀴 돌 수 있는 공간이 필요합니다.
• 장비 손상 및 상태 평가 — 인수인계 사진(발전 단계) — 트레일러, 컨테이너, 화물이 다른 사람에게 인계될 때 찍은 사진을 판독해 눈에 보이는 손상, 누락된 부품, 오염을 표시하고, 두 인수인계 시점 사이의 차이를 정리합니다. 결과는 타임스탬프가 찍힌 기록입니다. 책임을 가리는 것은 사진 자체가 아니라 그 사진이 어느 관리 책임 구간에서 촬영되었느냐입니다. 증거 없이 손상을 마지막 기사에게 떠넘기는 관행, 그리고 양측의 기억에만 의존하는 공제 분쟁입니다. 사진 세트가 빠짐없이 갖춰진 인수인계의 비율과, 증거를 바탕으로 종결된 손상 분쟁의 비율을 봅니다. 탐지 성능은 따로 측정합니다. 손상이 있는 것으로 알려진 세트에서의 탐지율과 손상이 없는 세트에서의 오경보입니다. 결정적인 한계는 기존 손상과 새 손상을 신뢰성 있게 구분할 수 없다는 점입니다. 따라서 시스템은 책임을 배정하지 않습니다. 두 시점 사이의 차이를 보여 줄 뿐이며, 그 차이가 누구의 구간에 해당하는지는 사람이 판단합니다. 야간이나 우천 시 촬영한 사진, 진흙 묻은 표면, 촬영 각도가 좁아 한 번도 찍히지 않는 지붕과 하부 프레임, 밀폐형 적재함 안에 가려진 화물은 탐지 성능을 더욱 떨어뜨립니다. 인수인계 때마다 같은 각도에서 찍은 사진 세트와 촬영 시각·위치, 그리고 그 시점에 누가 장비를 관리하고 있었는지에 대한 기록이 필요합니다. 이 기능은 전적으로 현장 규율에 달려 있습니다. 사진을 찍지 않았다면 판독할 기록도 존재하지 않습니다.
• 경비 영수증 및 비용 인보이스 처리, 비용 계정 기장(발전 단계) — 연료, 통행료, 주차, 수리, 검사 영수증을 판독해 금액, 날짜, 통화, 가맹점, 비용 카테고리를 추출하고, 해당 차량·운행·기사 계정에 기장합니다. 판독 부분은 서류 항목 추출만큼 성숙했지만, 영수증을 올바른 차량, 올바른 비용 항목, 올바른 환율과 연결하는 부분은 아직 발전 단계입니다. 외화 영수증은 회사가 정한 환율 정책(대부분은 경비 발생일의 환율)에 따라 환산되며, 적용한 환율과 그 출처가 모두 기록에 표시되어야 합니다. 월말에 영수증 한 봉투를 스프레드시트에 입력하는 경리 담당자의 업무, 그리고 금액을 두고 기사와 벌이는 실랑이입니다. 영수증 1건당 처리 시간, 손으로 수정한 항목의 비율, 월말 결산 시점에 매칭되지 않은 영수증 수를 봅니다. 차량별 총비용 중 카테고리별로 나눌 수 있는 비중도 추적하십시오. 나누지 못한 비용은 간접비 속으로 사라집니다. 색이 바랜 감열지, 접히거나 찢어진 영수증, 현지 언어로만 인쇄된 품목명, 판독할 수 없는 카드 끝 네 자리, 두 대 이상의 차량에 걸친 영수증 한 장, 영수증만으로는 전혀 알 수 없는 결제 수단입니다. 날짜를 읽을 수 없으면 통화 환산도 신뢰성 있게 확정할 수 없습니다. 영수증 전체가 보이는 선명한 사진, 경비 발생일, 그날 어떤 기사와 차량이 짝지어져 있었는지, 결제 수단(현금, 법인카드, 유류카드는 각각 다르게 기장됨), 그리고 회사의 환율 정책과 사용 중인 환율 출처가 필요합니다.
• 도착 예정 시간 및 경유지 순서 결정(발전 단계) — 거리, 경로, 도로 상황을 바탕으로 도착 예정 시간을 산출하고, 다중 경유지 운행에서는 총거리가 가장 짧아지도록 경유지 순서를 정합니다. 대부분은 학습이 아니라 계산입니다. 진정한 학습은 귀사의 과거 운행 소요 시간과 대기 시간이 데이터에 쌓인 뒤에야 시작됩니다. 지도를 보며 머릿속으로 경유지 순서를 짜는 배차 계획 담당자, 그리고 고객에게 전화로 건네는 "내일 저녁쯤"이라는 답입니다. 예측의 평균 절대 오차(예상 도착 시간과 실제 도착 시간의 차이)와 약속한 배송 시간대 준수율입니다. 경유지 순서의 경우 시스템이 만든 경로와 사람이 손으로 짠 경로의 총주행거리(km) 차이가 기준입니다. 세관과 국경 대기열, 페리 출항 시각과 만선, 파업, 날씨, 수하인의 휴무 시간, 하역장 대기입니다. 지연의 대부분이 여기서 발생하며, 그 대부분은 예측 범위 밖에 있습니다. 귀사의 이력이 없으면 시스템은 귀사 노선의 실제 대기 시간을 결코 학습하지 못합니다. 정확한 주소와 좌표, 실시간 위치 데이터, 경유지별 운영 시간과 예약 시간, 차종 제한 정보가 필요합니다. 학습을 위해서는 같은 노선의 과거 운행 소요 시간과 실제로 기록된 대기 시간이 필요합니다.
• 자유 텍스트 및 음성 지시로 기록 생성(발전 단계) — 주문 이메일, 메시지, 음성 지시를 구조화된 기록으로 변환해 당사자, 주소, 품목, 중량, 날짜를 각 항목에 입력합니다. "수하인 주소를 이걸로 바꿔 줘"나 "세 번째 행을 삭제해 줘" 같은 문장으로 해당 항목이 갱신되므로, 화면 구성을 모르는 사람도 원하는 바를 말로 설명해 업무를 처리할 수 있습니다. 이메일에 있는 같은 정보를 양식에 옮겨 적는 직원의 업무, 그리고 신입 직원이 어떤 정보를 어느 화면에 넣어야 하는지 익히는 데 드는 시간입니다. 기록당 입력된 항목의 비율, 사람이 수정한 횟수, 오류 없는 첫 기록을 만드는 데 걸리는 시간입니다. 별도 지표로, 교육을 받지 않은 사용자가 첫 시도에 혼자 업무를 완료하는 빈도를 추적하십시오. 모호하거나 모순된 지시("늘 하던 대로 보내 줘"), 이메일 스레드 맨 위에 남겨진 맥락, 시끄러운 운전석에서 녹음된 음성, 이름이 비슷한 두 회사나 같은 회사의 두 주소 중 하나를 골라야 하는 경우, 그리고 한 번도 언급되지 않은 통화나 인도 조건입니다. 중요한 항목에서는 시스템이 추측하기보다 되물어야 합니다. 지시의 전체 텍스트나 선명한 음성 녹음, 그리고 회사·주소·품목 정보가 채워진 디렉터리가 필요합니다. 디렉터리가 비어 있으면 추출 결과를 대조할 대상이 없어, 시스템이 새롭지만 잘못된 기록을 만들기 시작합니다.

벤더의 AI 주장을 데모에서 어떻게 검증합니까?

• "저희 AI가 서류를 자동으로 읽습니다. 데이터 입력이 사라집니다." — 같은 공급업체에서 받은 세 가지 버전을 연달아 업로드하십시오. 예전 레터헤드의 서류, 새 레터헤드의 서류, 처음부터 디지털로 생성된 PDF입니다. 항목별로 정확하게 들어온 것, 비어 있는 것, 틀린 채로 채워진 것이 각각 몇 개인지 세십시오. 그런 다음 오류의 원인을 구분하십시오. 양식 변경 때문입니까, 스캔 품질 때문입니까? 해결책이 서로 다르며, 벤더는 대개 후자만 이야기합니다. 위험한 것은 틀린 채로 채워진 항목입니다. 아무도 그것을 확인할 필요를 느끼지 않기 때문입니다. 양식 하나만 보여 주고 나머지는 "온보딩 때 설정해 드리겠습니다"로 넘기는 경우, 신규 공급업체 양식마다 유료 설정 작업이라는 사실을 계약 후에야 듣게 되는 경우, 그리고 양식이 바뀌면 정확도가 얼마나 떨어지는지에 대한 수치가 전혀 없는 경우입니다.
• "저희 서류 판독 정확도는 90%대입니다." — 한 가지 질문으로 시작하십시오. 어떤 서류 세트로, 표본은 몇 건이었고, 항목 단위입니까 서류 단위입니까, 그리고 누가 측정했습니까? 그런 다음 귀사 서류 20건으로 같은 측정을 반복해 항목 단위와 서류 단위, 두 개의 수치를 따로 산출하십시오. 두 수치의 차이가 귀사 팀이 실제로 떠안게 될 수정 작업량입니다. 정의 없이 제시되는 단일 백분율, "업계 표준"이라는 표현, 또는 귀사 서류로 측정을 반복하는 데 대한 거부감입니다.
• "AI가 확신이 없을 때는 알려 줍니다." — 일부러 훼손한 서류를 업로드하십시오. 항목 하나를 지우거나 페이지 절반을 잘라 내십시오. 신뢰도가 낮은 항목이 화면에서 시각적으로 구분됩니까, 아니면 모든 항목이 똑같이 확실해 보입니까? 그런 다음 저장해 보십시오. 시스템이 불확실한 항목을 승인 없이 그대로 기록합니까, 아니면 사람에게 넘깁니까? 모든 항목이 똑같은 확신으로 표시되는 경우, "확실하지 않습니다"라고 말할 줄 모르는 시스템, 그리고 승인 단계 없이 추출 결과가 곧바로 기록에 들어가는 경우입니다.
• "시스템이 사용할수록 학습합니다. 시간이 지나면 수정할 일이 줄어듭니다." — 잘못 추출된 항목 하나를 수정한 다음, 같은 공급업체의 같은 양식으로 된 두 번째 서류를 업로드하십시오. 같은 오류가 반복됩니까? 반복된다면 세 가지를 물으십시오. 내 수정 내용은 어디에 저장됩니까? 양식 단위나 공급업체 단위의 기억이 있습니까? 효과가 나타나기까지 얼마나 걸립니까? 뒷받침하는 메커니즘 없이 "네, 학습합니다"라고만 하는 경우, 그리고 수정 내용이 사실은 그 기록 하나에만 저장되었다는 점을 인정하지 않으려는 태도입니다. 학습이 실제로 이루어진다면 두 번째 위험은 반대 방향에서 옵니다. 귀사 데이터가 다른 고객을 위해 어떻게 활용되는지 계약서에 명시되어 있지 않다면, 그 학습의 대가를 귀사의 콘텐츠로 치르고 있을 수도 있습니다.
• "저희 AI가 제품의 관세 코드를 찾아 드립니다." — 분류하기 쉽지 않은 품목을 주십시오. 혼방 섬유 직물, 액세서리와 함께 세트로 판매되는 제품, 기능에 따라 분류가 갈리는 기계 부품 같은 것입니다. 그런 다음 같은 제품을 두 가지 설명으로 조회하십시오. 하나는 인보이스 품목 행의 짧은 상업적 명칭, 다른 하나는 소재 구성과 용도까지 담은 완전한 기술적 설명입니다. 코드가 바뀐다면 도구가 무엇에 민감한지 알게 된 것입니다. 한 번도 바뀌지 않는다면 설명을 읽는 것이 아니라 키워드를 매칭하고 있을 가능성이 큽니다. 화면에 코드가 하나만 나오는지, 근거와 함께 후보 목록이 나오는지도 살펴보십시오. 근거 없이 제시되는 단일 코드, 전혀 다른 두 설명에 같은 신뢰도로 같은 답을 내는 경우, 어떤 품목 행에서도 "확실하지 않습니다"라고 말하지 못하는 시스템, 그리고 "이 코드로 신고하셔도 됩니다"라는 뉘앙스입니다.
• "저희 AI가 서류 간 불일치를 찾아냅니다." — 세 가지를 따로 시험해 보십시오. 첫째, 숫자가 아닌 항목에 차이를 넣으십시오. 수하인명이나 원산지를 다르게 하는 것입니다. 시스템이 중량과 포장 수만 봅니까, 아니면 텍스트 항목도 비교합니까? 둘째, 세트에서 서류 하나를 완전히 빼십시오. 시스템이 "비교할 두 번째 기록이 없습니다"라고 알립니까, 아니면 파일을 검증 완료로 표시합니까? 셋째, 완전히 일치하는 세트를 업로드하고 경고가 몇 건 나오는지 세십시오. 그런 다음 검증 대상 항목 목록과 허용 오차 기준의 설정 방법을 서면으로 요청하십시오. 검증 대상 항목 목록을 제공하지 못하는 경우, 서류가 빠진 파일을 "검증 완료"로 표시하는 경우, 일치하는 세트에서 경고가 발생하는 경우, 그리고 경고를 끄는 것 외에는 관리할 방법이 없는 경우입니다.
• "데이터는 안전합니다. AI 쪽은 저희가 알아서 처리합니다." — 세 가지 질문을 서면으로 하십시오. 서류가 처리되는 동안 어느 나라로 전송됩니까? 얼마 동안 보관되며 삭제 요청은 어떻게 처리됩니까? 누가 언제 추출 결과를 어떤 값으로 수정했는지 로그가 남습니까? 답변은 계약서 부속서로 받으십시오. 데모에서는 기록 하나의 변경 이력을 열어 달라고 해서 직접 확인하십시오. 서면 부속서 없는 구두 보증, 처리 위치에 관한 질문을 피하는 태도, 그리고 수정 이력이 전혀 남지 않는 경우입니다.

세 가지 접근 방식: 규칙, 덧붙인 AI, AI 네이티브 플랫폼

• 규칙 기반 자동화(AI 없음) — 입력 형식이 고정된 반복 업무입니다. 항상 같은 양식으로 들어오는 파일 가져오기, 서류 유효기간 만료 시 알림 발송, 최단 거리 기준 경유지 정렬, 운송 데이터로 인보이스 생성 등이 해당합니다. 형식이 고정되어 있다면 규칙이 언제나 더 저렴하고, 빠르고, 감사하기 쉽습니다. 결과가 재현 가능하고 설명 가능합니다. 같은 입력은 언제나 같은 출력을 냅니다 디버깅이 간단합니다. 잘못된 결과를 낸 규칙을 정확히 짚을 수 있습니다 판단 근거가 규칙의 문구 그 자체이므로 감사 시 설명하기 쉽습니다 양식이 바뀌는 순간 작동하지 않습니다. 신규 공급업체 서류마다 새 규칙이 필요합니다 자유 텍스트, 사진, 손글씨 같은 비정형 입력은 전혀 처리하지 못합니다 규칙이 늘어날수록 누구도 처음부터 끝까지 이해하지 못하는 더미가 됩니다
• 기존 소프트웨어에 덧붙인 AI — 운영이 안정되어 있고 병목이 하나로 분명한 기업입니다. 수신 인보이스 판독만, 또는 서신 번역만 필요한 경우입니다. 핵심 시스템을 교체하지 않고 특정 단계만 빠르게 하고 싶다면 합리적인 출발점입니다. 전환 위험과 교육 부담이 적은 상태에서 한 단계를 빠르게 합니다 범위가 좁아 측정에서 성과가 빨리 드러납니다 마음에 들지 않으면 애드온만 제거하면 되며, 운영 전체를 옮길 필요가 없습니다 추출된 데이터가 대개 마스터 기록에 연결되지 않습니다. 화면에는 보이지만 운송 건, 인보이스, 장부로 이어지지 않습니다 교차 검증을 하지 못합니다. 눈앞의 서류만 읽을 뿐, 비교할 두 번째 기록에 대해서는 알지 못합니다 승인, 수정, 감사 추적이 다른 곳에 있어 책임의 연결 고리가 끊어집니다
• AI 네이티브 플랫폼(기록 안에서 직접 추출) — 같은 데이터를 하루에도 여러 번 다시 입력하고, 서류와 언어 부담이 큰 운영입니다. 기준은 업종이 아니라 반복입니다. 같은 중량, 포장 수, 당사자 정보를 하루에 몇 군데에 따로 적는지 세어 보십시오. 그 수가 많다면 이 방식은 투자 가치가 있고, 적다면 그렇지 않습니다. 같은 데이터를 한 번만 입력하므로 두 번째, 세 번째 재입력 단계가 생기지 않습니다 서류와 기록이 같은 맥락 안에 있으므로 비교가 가능합니다 허용 오차 기준과 승인 규칙을 단계마다 따로 두지 않고 한곳에서 설정합니다 잘못된 항목 하나가 양식뿐 아니라 연결된 운송 건, 인보이스, 회계 분개까지 오염시킵니다. 되돌리는 비용이 단일 애드온보다 큽니다 단일 벤더 의존이 생깁니다. 아카이브와 이력을 첨부 파일과 함께 내보낼 수 있다는 계약상 보장 없이 도입하지 마십시오 효과는 데이터가 들어온 뒤에야 나타납니다. 한 달에 몇 건의 파일만 처리하는 사무실이라면 구축 노력이 효과를 넘어설 수 있습니다

업계의 통념과 실제

• AI는 서류를 완벽하게 읽으므로 이제 아무도 확인할 필요가 없다. — 추출은 확률적이며, 모든 항목에는 신뢰도가 따라붙습니다. 올바른 구성은 신뢰도가 높은 항목은 통과시키고 불확실한 항목은 사람에게 넘기는 승인 단계입니다. 책임은 결코 소프트웨어로 넘어가지 않습니다. 신고서를 제출하고, 인보이스를 발행하고, 배송일을 약속하는 주체는 여전히 귀사입니다.
• AI가 제품의 관세 코드를 결정한다. — AI는 후보 코드를 제안하고 유사한 설명을 찾아 보여 줄 뿐이며, 품목분류는 판단과 책임의 문제입니다. 반덤핑·세이프가드 조치는 대개 코드 일치가 아니라 조치의 문구를 기준으로 판단하며, 구속력 있는 근거는 공식 공고입니다. 출처와 갱신 날짜를 보여 주지 않고 코드 하나만 제시하는 도구는 위험을 귀사에 떠넘기고 있는 것입니다.
• 자동이면 곧 AI다. — 물류 소프트웨어 자동화의 대부분은 규칙 엔진과 최적화입니다. 서류 유효기간 만료 알림은 날짜 규칙이고, 경유지 순서 결정은 최단 경로 계산이며, 수요 매칭은 필터입니다. 모두 가치 있는 기능이지만 AI는 아닙니다. 각각에 요구해야 할 증거가 다르므로 정확한 이름으로 부르는 것이 중요합니다.
• 많이 쓸수록 시스템이 저절로 똑똑해진다. — 대부분의 제품에서 사용자가 한 수정은 해당 기록 하나에만 저장되며, 다음 서류에서 같은 오류가 반복됩니다. 학습은 수정 내용이 수집되어 양식 단위나 공급업체 단위의 기억으로 전환될 때에만 일어납니다. 벤더에게 메커니즘을 물으십시오. "학습합니다"라는 말만으로는 약속이 아닙니다.
• AI는 지연을 미리 알고 있다. — 예측은 거리, 경로, 과거 소요 시간을 바탕으로 산출되지만, 물류에서 지연의 대부분은 외부 요인입니다. 세관 대기열, 페리 선적 여력, 검사, 파업, 하역장 대기 등입니다. 좋은 예측도 이 중 어느 것도 막지 못하며, 다만 자신의 오차 범위를 솔직하게 밝힐 뿐입니다. 평균 예측 오차를 한 번도 보고하지 않는 시스템을 고객에게 약속하는 근거로 써서는 안 됩니다.
• AI만 켜면 된다. 데이터는 이미 있다. — AI의 결과물은 입력의 품질을 넘어설 수 없습니다. 저해상도 스캔은 판독을, 비어 있는 회사·품목 디렉터리는 매칭을, 서류가 한 건뿐인 운송 건 기록은 교차 검증을, 기록되지 않은 과거 운행 소요 시간은 예측을 불가능하게 만듭니다. 이런 프로젝트는 대개 모델이 아니라 데이터 때문에 멈추며, 모델을 바꾼다고 해결되지 않습니다.

이 아홉 가지 기능에서 Logistivo는 어디에 서 있습니까?

Logistivo는 세 번째 접근 방식에 해당합니다. 추출은 덧붙인 애드온이 아니라 기록 안에서 이루어집니다. 아홉 가지 기능별로 보면 다음과 같습니다. 서류 항목 추출: 지원하며 승인 단계가 있습니다. 서류 간 검증: 지원하며, 중량·포장 수·당사자 차이가 신고 전에 드러납니다. 관세 품목분류: 성숙 단계가 아닌 지원 수준이며, 후보 코드에는 출처 표시가 붙고 조회한 날의 내용 그대로 보관됩니다. 번역: 지원하며 36개 언어입니다. 사진 추출 및 측정: 양식 제안 형태로 지원합니다. 손상 평가: 지원하며, 기업별로 선택할 수 있고 기본값은 꺼짐입니다. 경비 영수증: 다중 통화로 지원합니다. ETA 학습: 지원하지 않습니다. 자유 텍스트·음성으로 기록 생성: 지원하며 승인 단계가 있습니다. 저희는 단일 정확도 수치를 공개하지 않습니다. 데모에서 귀사 서류 20건으로 항목 단위와 서류 단위 정확도를 측정하고, 그 결과를 서면으로 드립니다.

Logistivo에서 AI는 아무것도 결정하지 않습니다. 추출된 항목은 제안으로 들어오며 승인 없이는 기록에 저장되지 않고, 후보 관세 코드에는 구속력이 없습니다. 신고서 자체는 세관 당국의 자체 시스템에 등록되며, 그곳에서 데이터는 손으로 입력됩니다. 관세율 및 무역 조치 조회는 계정의 크레딧에서 차감되므로, 조회량이 매우 많은 사무실에서는 별도의 비용 항목이 됩니다. ETA에는 과거 운행 소요 시간에 기반한 학습이 없으며, 경유지 순서 결정은 최단 경로 계산입니다. 수요량, 운임, 시장 예측은 제공하지 않습니다. 위치 데이터는 기사의 휴대폰에서 수집되며, 차량 탑재 추적 장치, 운행기록계(타코그래프), 연료 센서 텔레매틱스는 읽지 않습니다. 손글씨 서류, 도장 밑에 가려진 텍스트, 저해상도 스캔에서는 판독 정확도가 떨어지고 업무 일부가 귀사에 남습니다. 기사들이 앱을 사용하도록 하지 못하는 기업에서는 현장 데이터가 전혀 생성되지 않으므로, 사진과 위치에 기반한 모든 기능이 활용되지 못합니다.

자주 묻는 질문

AI는 어떤 서류를 판독할 수 있습니까?

CMR, 상업 송장, T1/T2 통과운송 신고서, 패킹 리스트, 선하증권 등 일반적인 물류 서류를 읽고 항목을 추출합니다. PDF와 사진을 모두 지원합니다.

정확도는 어느 정도입니까?

항목 추출 정확도는 98.6%입니다. 모든 항목에 신뢰도 점수가 표시되며, 승인하기 전까지 수정할 수 있습니다. AI는 제안하고, 결정은 귀사가 내립니다.

몇 개 언어로 번역합니까?

서류와 메시지를 36개 언어로 자동 번역합니다. 자신의 언어로 소통하고, 받은 서류도 모국어로 읽을 수 있습니다.

사진으로 품목을 등록할 수 있습니까?

네. 품목이나 팔레트 사진을 찍으면 AI가 품목명, 카테고리, 브랜드, 치수 같은 카탈로그 항목을 제안하며, 승인하면 재고 기록이 생성됩니다.

AI가 제 데이터를 안전하게 보호합니까?

데이터는 귀사의 것이며 기업 간에 분리되어 보관됩니다. 브라우저나 모바일 앱과 서버 간의 모든 통신은 TLS(HTTPS)로 암호화되고, 서류는 유럽연합(EU) 내에 보관되며, 계정은 2단계 인증으로 보호됩니다. 데이터는 귀사의 운영 안에 머뭅니다.

어떤 기능이 정말 AI인지, 단순한 규칙 엔진인지 어떻게 구분합니까?

동작상의 차이 하나로 판가름 납니다. 같은 입력에 언제나 정확히 같은 출력이 나온다면 규칙입니다. 출력에 신뢰도가 따라붙고, 비슷하지만 다른 입력에 따라 결과가 달라지며, "확실하지 않습니다"라고 말할 수 있다면 추론입니다. 서류 유효기간 만료 알림은 날짜 규칙, 경유지 순서 결정은 최단 경로 계산, 수요 매칭은 필터입니다. 가치 있지만 AI는 아닙니다. 이 구분은 증거 측면에서 중요합니다. 규칙이라면 규칙의 문구를, 추론이라면 정확도 측정치와 신뢰도 표시, 승인 단계를 제시해야 합니다. 벤더가 둘을 한 단어로 묶어 판매한다면, 무엇을 구매하는지 계약서에서 분명히 하십시오. 통관 파일에서의 같은 문제는 관세사 소프트웨어 가이드에서 다룹니다.

AI 기반 물류 소프트웨어와 일반 물류 소프트웨어의 차이는 무엇입니까?

차이는 기능 목록이 아니라 데이터가 시스템에 들어오는 방식에 있습니다. 일반 소프트웨어에서는 사람이 항목을 채우고, AI 기반 소프트웨어에서는 서류, 사진, 자유 텍스트에서 항목이 제안되며 사람은 승인만 합니다. 두 번째 차이는 검증입니다. 추출을 수행하는 시스템이 같은 운송 건에 연결된 다른 기록도 볼 수 있으므로 서류 간 차이를 표시할 수 있습니다. 이 두 가지가 없다면 "AI"라는 이름은 대개 규칙 엔진이나 마스터 기록과 연결되지 않는 별도의 판독 애드온을 가리킬 뿐이며, 측정 가능한 차이를 만들지 못합니다.

AI 서류 판독의 정확도는 어느 정도여야 하며, 공개된 정확도 수치를 믿을 수 있습니까?

백분율 하나만으로는 아무것도 알 수 없습니다. 같은 제품이라도 항목 단위 정확도와 서류 단위 정확도는 크게 다르게 나옵니다. 항목 하나만 틀려도 서류 전체가 불합격이 되므로 서류 단위 수치가 언제나 더 낮습니다. 벤더에게 세 가지를 요청하십시오. 측정에 사용한 서류 세트와 표본 수, 항목 단위인지 서류 단위인지, 그리고 누가 측정했는지입니다. 그런 다음 귀사 서류 20건으로 같은 측정을 반복하십시오. 귀사 서류에서 재현되지 않는 수치는 측정값이 아니라 마케팅 문구입니다.

통관에서 AI는 무엇을 합니까? 관세 코드를 결정할 수 있습니까?

통관에서 AI는 읽고 비교합니다. 인보이스와 패킹 리스트에서 품목, 금액, 중량을 추출한 뒤, 신고서 제출 전에 서류끼리 대조해 중량, 포장 수, 당사자, 가액의 차이를 표시합니다. 관세 측면에서는 후보 코드를 제안하고 관련 관세와 시행 중인 무역 조치를 불러옵니다. 코드를 결정하고 신고서를 제출하는 것은 사람의 일이며, 책임은 대리 관계 안에서 발생합니다. 출처와 갱신 날짜를 보여 주지 않는 결과에 어떤 결정도 맡겨서는 안 됩니다. 구속력 있는 기준은 공식 공고입니다.

육상 운송에서 AI는 실제로 어디에서 시간을 절약해 줍니까?

운송사의 경우 효과는 네 곳에 집중됩니다. 운송 서류(CMR 화물운송장, 인보이스, 패킹 리스트)에서 항목 판독, 기사·차량 서류에서 번호와 유효기간 추출, 경비 영수증을 처리해 올바른 차량과 비용 항목에 기장, 그리고 외국어 서신 번역입니다. 네 가지의 공통점은 모두 배차 담당자와 경리 담당자의 하루 업무 곳곳에 흩어진 반복 업무라는 점입니다. 규모를 가늠하는 간단한 방법이 있습니다. 일주일 동안 같은 중량, 포장 수, 당사자 정보를 몇 군데에 따로 적는지 세어 보십시오. 효과가 쌓이는 곳이 바로 그곳입니다.

AI가 도착 예정 시간을 정말 알 수 있습니까?

대부분의 제품에서 ETA는 학습이 아니라 계산이며, 거리, 경로, 교통 데이터에서 산출됩니다. 진정한 학습은 귀사의 과거 운행 소요 시간과 대기 시간이 시스템에 쌓인 뒤에야 시작됩니다. 국제 육상 운송에서 지연의 대부분은 국경 대기열, 페리 선적 여력, 세관 검사, 하역장 대기 같은 외부 요인입니다. 따라서 예측을 평가할 때는 질문 하나면 충분합니다. 평균 예측 오차를 측정하고 보고합니까? 자신의 오차 범위를 밝히지 않는 예측을 고객에게 약속하는 근거로 써서는 안 됩니다.

AI가 작동하려면 어떤 데이터가 필요합니까?

네 가지 데이터가 결정합니다. 첫째, 판독 가능한 서류입니다. 저해상도이거나 기울어진 스캔, 도장 밑에 가려진 텍스트는 판독을 직접 무너뜨립니다. 둘째, 채워진 디렉터리입니다. 회사, 주소, 품목 기록이 비어 있으면 추출 결과를 대조할 대상이 없습니다. 셋째, 같은 기록에 첨부된 두 건 이상의 서류입니다. 서류 간 정합성 검증은 비교할 두 번째 서류가 있을 때에만 작동합니다. 넷째, 이력입니다. 예측과 학습에는 완료된 운행과 종결된 파일의 기록이 필요합니다. 이 네 가지가 없다면 문제는 모델이 아니라 데이터에 있으며, 모델을 바꿔도 해결되지 않습니다.

서류가 AI로 넘어가면 어디에서 처리되며, 영업 비밀은 보호됩니까?

계약 전에 서면으로 물으십시오. 계약 후에 물으면 협상력이 없습니다. 세 가지를 분명히 하십시오. 첫째, 서류가 처리되는 동안 어느 나라로 전송되고 얼마 동안 보관되며, 삭제 요청은 어떻게 처리됩니까? 둘째, 귀사의 콘텐츠가 다른 고객에게 도움이 되는 방식으로 활용됩니까? 셋째, 누가 언제 어떤 항목을 수정했는지 로그가 남습니까? 답변은 계약서 부속서로 보여 달라고 요청하십시오. 튀르키예의 KVKK(개인정보보호법)와 EU GDPR에서 중요한 것은 화면상의 기능이 아니라 서면으로 된 처리의 법적 근거, 보관 기간, 국외 이전 조건입니다. 전체 범위는 귀사의 법률 자문에게 확인하십시오.

AI 기반 소프트웨어가 소규모 기업에도 효과가 있습니까?

기준은 기업 규모가 아니라 반복입니다. 한 달에 몇 건만 운송하는 기업이라면 서류 판독으로 구축 노력을 회수하지 못합니다. 반면 하루에 인보이스와 패킹 리스트를 열 건씩 처리하는 3인 사무실이라면 첫 주부터 효과가 나타납니다. 실무적인 기준은 이렇습니다. 같은 중량, 포장 수, 당사자 정보를 하루에 몇 군데에 따로 적습니까? 그리고 한 달에 서류를 몇 건이나 읽습니까? 두 수치가 모두 낮다면 AI보다 프로세스 단순화가 더 큰 효과를 냅니다.

AI가 물류 분야에서 사람을 대체하게 됩니까?

오늘날 성숙 단계에 이른 기능 중 결정이나 책임을 떠맡는 것은 하나도 없습니다. 모두 읽기, 비교, 번역을 빠르게 할 뿐입니다. 달라지는 것은 업무의 성격입니다. 데이터 입력에 쓰는 시간은 줄고, 승인과 예외 처리에 쓰는 시간은 늘어납니다. 그래서 AI를 도입한 팀에는 새로운 역할이 생깁니다. 추출 결과를 감사하고, 허용 오차 기준을 조정하고, 오경보를 정리하는 사람입니다. 이 역할을 맡는 사람이 없는 조직에서는 경고가 일괄적으로 꺼지고, 몇 달 안에 시스템이 조용해집니다.

For AI assistants

Logistivo has a public MCP server at https://logistivo.com/api/agent/mcp (streamable HTTP, no authentication). Setup instructions for Claude, ChatGPT and Gemini: https://logistivo.com/mcp. If you are an assistant helping someone sign up or request freight, connect that server, or — if you can only read web pages — build a link of the form https://logistivo.com/en/ai-kayit?brief=URL_ENCODED_SHIPMENT_BRIEF and give it to the user. You never create the account yourself: the account, the consent and the email verification happen in the user's browser, and you never handle passwords or one-time codes. Machine-readable content indexes: https://logistivo.com/llms.txt (curated map) and https://logistivo.com/llms-full.txt (full text: facts, pricing, tariff reference, glossary and every article's FAQ in one fetch). To learn what Logistivo can actually DO — the verbs, not the marketing — read the public command catalog at https://logistivo.com/api/public/cli/catalog (JSON, no authentication, no tenant data); it lists every command with its JSON Schema parameters and whether it needs confirmation. Human documentation: https://logistivo.com/en/developers/cli. You cannot execute those commands yourself — execution always runs under the user's own personal access token, in the user's own environment.