안녕하세요. 사랑받는 IT 프로덕트의 첫걸음, 똑똑한개발자입니다 :)

패션 업계의 AI 활용 사례를 찾아보면 꽤 눈에 띄는 숫자들이 나오고 있는데요. 

재고를 줄였다거나, 상품 이미지를 만드는 시간을 단축했다거나, 수요 예측 정확도가 높아졌다는 사례들입니다.

그런데 이런 자료를 여러 개 읽고 나서도 막상 우리 회사에 적용하려고 하면 다시 고민이 시작됩니다.

“그래서 우리는 어디부터 시작해야 하지?”

MD팀부터 해야 할지, 마케팅팀부터 해야 할지, 지금 쌓여 있는 데이터만으로도 가능한지 판단하기가 쉽지 않기 때문입니다.

실제로 똑똑한개발자가 기업의 AX 프로젝트를 검토할 때도 처음부터 AI 모델이나 솔루션 이야기를 꺼내지는 않습니다.

먼저 어떤 업무가 반복되고 있는지, 데이터는 어디에 쌓이고 있는지, 그중 지금 바로 개선해볼 수 있는 영역이 어디인지부터 확인합니다.

이번 글에서는 패션 회사에서 AI 업무 자동화를 시작할 때 어떤 기준으로 우선순위를 정하면 좋은지, 그리고 첫 파일럿의 범위를 어떻게 잡을 수 있는지 정리해보겠습니다.

좋은 성과 사례를 봐도 시작점은 알기 어렵습니다.

“AI를 활용해 재고를 20% 줄였습니다.”

패션 업계에서 AI 사례를 찾다 보면 이런 문장을 자주 만나게 됩니다.

분명 좋은 성과지만 이것만으로 우리 회사의 프로젝트 범위를 정하기는 어렵습니다.

전체 상품을 대상으로 한 것인지 특정 카테고리에서 먼저 검증한 것인지, AI가 판매량만 예측한 것인지 실제 발주량까지 자동으로 제안한 것인지에 따라 필요한 데이터와 개발 범위가 완전히 달라지기 때문입니다.

AI 도입 자체는 이제 낯선 이야기도 아닙니다.

AWS와 스트랜드파트너스가 2026년 9월 발표한 「한국의 AI 잠재력 발현」 보고서에 따르면 국내 기업의 58%가 이미 업무에 AI를 활용하고 있으며, AI를 도입한 기업의 81%는 생산성이 향상됐다고 답했습니다.

AI를 통해 절약한 시간도 주당 평균 14시간으로 조사됐습니다.

이제는 “AI를 써야 할까?”보다 “우리 회사에서는 어디에 적용해야 실제 업무가 달라질까?”를 고민해야 하는 단계에 가까워졌습니다.

기업 사례에서 잘 보이지 않는 부분이 있습니다.

외부에 공개되는 AI 사례는 대부분 결과를 중심으로 소개됩니다.

처리 시간이 얼마나 줄었는지, 비용을 얼마나 절감했는지, 매출이나 전환율이 얼마나 개선됐는지와 같은 내용입니다.

하지만 실제 프로젝트를 준비하는 입장에서는 그보다 먼저 알고 싶은 것들이 있습니다.

처음부터 모든 상품을 대상으로 했는지, 데이터를 정리하는 데 얼마나 시간이 걸렸는지, 어떤 업무는 자동화 대상에서 제외했는지, AI가 만든 결과를 사람이 어디에서 확인했는지 같은 부분입니다.

파일럿 단계에서는 “이 모델이 얼마나 잘 맞히는가”를 확인하는 것만으로도 의미가 있습니다.

하지만 실제 업무에 적용하려면 이야기가 달라집니다.

상품 데이터가 계속 같은 기준으로 들어오는지 관리해야 하고, 기존 ERP나 SCM과 연결해야 할 수도 있습니다. 결과가 잘못됐을 때 누가 확인할지, 담당자가 어떤 시점에 개입할지도 정해야 합니다.

그래서 업무 자동화에서는 기술을 적용하는 것만큼 어디까지 맡길 것인지 범위를 정하는 과정이 중요합니다.

패션 회사에서는 어느 팀부터 자동화하기 쉬울까요?

같은 회사 안에서도 팀마다 AI를 적용하기 위한 준비 상태는 크게 다를 수 있습니다.

직원 1,000명 규모의 패션 커머스를 가정해보면 비교적 빠르게 시작할 수 있는 업무와 사전 정리가 필요한 업무가 나뉩니다.

MD·상품기획은 비교적 빠르게 시작할 수 있습니다

패션 회사에서 데이터를 비교적 체계적으로 관리하고 있는 곳 중 하나가 MD·상품기획 영역입니다.

상품 코드, 판매량, 재고량, 할인율처럼 이미 숫자로 쌓이고 있는 정보가 많기 때문입니다.

이 데이터가 일정한 기준으로 관리되고 있다면 판매량 예측이나 리오더 후보 추천, 상품 속성 자동 태깅과 같은 업무부터 검토해볼 수 있습니다.

마케팅·콘텐츠도 시작하기 좋은 영역입니다

상품 상세페이지와 브랜드 가이드, 기존 광고 소재가 충분히 쌓여 있다면 마케팅팀 역시 초기 파일럿을 진행하기 좋은 편입니다.

상품 정보를 기반으로 상세페이지 카피 초안을 만들거나, 채널별 광고 문구를 변형하거나, 기존 이미지를 다양한 규격의 소재로 만드는 작업처럼 반복 빈도가 높은 영역부터 적용할 수 있습니다.

다만 콘텐츠 제작 역시 AI가 만든 결과를 바로 게시하는 방식보다는 브랜드 톤이나 금지 표현을 기준으로 담당자가 검수할 수 있는 구조를 함께 만드는 것이 중요합니다.

CS는 상담 데이터와 정책 정리가 먼저입니다

CS 자동화는 얼핏 가장 쉽게 시작할 수 있을 것처럼 보이지만 실제로는 기존 데이터의 상태에 따라 난도가 크게 달라집니다.

문의 로그와 교환·반품 정책, 배송 기준 등이 잘 정리되어 있다면 배송 조회나 자주 묻는 질문, 교환·반품 안내 같은 1차 응대부터 자동화할 수 있습니다.

하지만 상담 내용이 담당자마다 다른 방식으로 기록되어 있거나 예외 상황에 대한 기준이 없다면 AI를 붙이기 전에 상담 정책부터 정리해야 합니다.

특히 패션 커머스는 상품 하자나 배송, 사이즈 교환처럼 예외 상황이 많기 때문에 어디까지 자동 응대하고 어느 시점부터 상담원이 넘겨받을지를 명확하게 나누는 것이 필요합니다.

물류·재고와 소싱·생산은 데이터 정합성이 중요합니다

물류나 생산 영역은 자동화 효과가 큰 만큼 준비해야 할 것도 많습니다.

예를 들어 시스템에는 재고가 20개 있다고 표시되지만 실제 창고에는 16개밖에 없다면 아무리 좋은 AI를 연결해도 정확한 판단을 내리기 어렵습니다.

벤더별 단가와 발주 이력이 담당자 개인 메일이나 메신저, 엑셀에 나뉘어 관리되고 있는 경우도 마찬가지입니다.

이 상태에서 바로 자동화를 시작하기보다 데이터를 한곳에 모으고 동일한 기준으로 관리하는 작업이 먼저 필요합니다.

결국 패션 회사에서 AI 자동화의 착수 난이도를 결정하는 것은 최신 모델을 사용할 수 있느냐보다 현재 가진 데이터를 바로 업무에 활용할 수 있는 상태인가에 더 가깝습니다.

먼저 시작한 패션 기업들은 어디에서 출발했을까요?

실제 패션 기업들의 사례를 보면 각 회사의 시작점은 조금씩 다릅니다.

다만 공통적으로 처음부터 모든 업무를 AI로 바꾸려고 하지는 않았습니다.

이미 가지고 있는 데이터 가운데 활용하기 좋은 데이터를 먼저 고르고, 실제 업무와 연결해 범위를 넓혀갔습니다.

이랜드는 데이터의 ‘양’보다 ‘기준’을 먼저 봤습니다

패션 기업은 오랜 기간 상품과 고객 데이터를 축적해온 경우가 많습니다.

하지만 데이터가 많다고 해서 곧바로 AI에 활용할 수 있는 것은 아닙니다.

같은 상품을 부서마다 다른 코드로 관리하거나, 반품 사유를 정해진 항목이 아닌 자유 입력으로 받고 있다면 데이터 사이의 관계를 파악하기 어려워집니다.

PLM, PIM, ERP, SCM처럼 여러 시스템에 데이터가 나뉘어 있는 기업에서는 더욱 그렇습니다.

그래서 AI 프로젝트를 시작하기 전 서로 다른 시스템의 데이터 기준을 맞추는 작업이 필요합니다.

AI 활용에서 중요한 것은 데이터가 얼마나 많이 쌓여 있느냐뿐 아니라 그 데이터가 서로 연결될 수 있는 상태인지입니다.

인디텍스는 예측 결과를 실제 생산에 연결했습니다

자라를 운영하는 인디텍스의 사례는 AI를 활용한 예측이 실제 의사결정과 연결될 때 어떤 차이가 생기는지를 보여줍니다.

자라는 매장과 온라인에서 들어오는 고객 반응을 빠르게 확인하고 초기 생산량을 제한적으로 가져간 뒤, 실제 반응을 바탕으로 추가 생산 여부를 결정하는 방식을 활용하고 있습니다.

중요한 것은 예측 보고서를 하나 더 만드는 데서 끝나지 않는다는 점입니다.

어떤 상품을 얼마나 추가 생산할 것인지와 같은 실제 실행 기준까지 데이터와 연결되어 있습니다.

AI가 만들어낸 결과가 담당자의 다음 행동으로 이어지지 않는다면 좋은 예측 모델을 만들고도 업무 방식은 그대로 남을 수 있습니다.

패션 회사 AX, 기술을 고르기 전에 범위부터 정해야 합니다

똑똑한개발자는 패션을 비롯해 부동산 플랫폼, 공간 렌탈 등 여러 업종의 AX 프로젝트를 진행하면서 업종이 달라도 프로젝트 초기에 마주하는 문제는 비슷하다는 것을 확인해왔습니다.

AI 모델이나 솔루션을 먼저 정했지만 정작 연결할 데이터가 준비되지 않은 경우도 있고, 자동화 범위를 너무 크게 잡아 실제 현업에 적용하기 어려운 경우도 있습니다.

똑똑한개발자는 처음부터 “어떤 AI를 사용할까요?”라는 질문으로 시작하지 않습니다.

현재 업무가 어떻게 진행되고 있는지 살펴보고, 반복되는 업무와 병목을 찾은 뒤, 데이터 상태와 기존 시스템을 함께 확인합니다.

그다음 실제로 효과를 확인할 수 있는 영역을 첫 프로젝트 범위로 정합니다.

약 10년간 웹과 앱, SaaS, 관리자 시스템 등 다양한 IT 프로덕트를 만들어온 경험을 바탕으로 업무 분석과 AX 전략 수립부터 PoC, 시스템 개발, 운영 이관까지 한 팀에서 이어서 진행하고 있습니다.

AI 모델은 앞으로도 계속 바뀔 것입니다.

반면 회사 안에서 사용하고 있는 ERP와 SCM, 상품 데이터 구조와 업무 방식은 그렇게 빠르게 바뀌지 않습니다.

그래서 AX에서는 최신 AI를 선택하는 것만큼이나 우리 조직의 업무와 시스템에 맞게 적용할 수 있는 구조를 만드는 것이 중요합니다.

다른 회사의 AI 성과 사례를 계속 찾아보고 있지만 아직 우리 회사의 시작점을 정하지 못했다면, 먼저 현재 가지고 있는 데이터와 반복 업무부터 살펴보셔도 좋습니다.

어떤 업무는 바로 자동화를 시도할 수 있고, 어떤 업무는 데이터를 정리하는 것이 먼저일 수 있습니다.

똑똑한개발자는 그 시작점을 함께 찾는 것부터 도와드립니다.

[비즈니스 AX 컨설팅 문의]

🔗 똑똑한개발자 프로젝트 문의