고객마다 다른 암묵적 규칙을 배운 AI 에이전트가 물류 백오피스 업무를 맡습니다.

누군가 이미 쓴 내용을 다시 입력하는 사람들

창업자는 시리즈 B 발표 글에 Pallet의 출발점이 된 장면을 적었습니다. 회사 초기에 한 트럭 운송사를 찾아갔더니, 그곳 대표가 종이 작업 지시서 100장이 넘는 분량을 컴퓨터에 하나씩 입력하느라 매주 주말 여섯 시간을 쓰고 있었습니다. Pallet은 이런 장면이 물류에서 흔하다고 봅니다. 화물 하나가 화주, 운송사, 기사, 창고, 운송 주선사를 거칩니다. 저마다 다른 시스템을 쓰기 때문에 서로 이메일과 PDF, 웹 포털로 조율합니다. 회사는 공급망 지출의 약 10%가 이런 행정 업무에 쓰인다고 말합니다. 회사 소개 페이지는 운영팀의 3분의 2가 아직 스프레드시트와 암묵지로 일한다고 적습니다. 암묵지는 숙련 직원의 머릿속에만 있는 규칙입니다.

주문이 생겨 들어오면, 중간에 사람이 개입하지 않고도 배송까지 끝낼 수 있습니다. 업계 전체가 그 방향으로 가고 있다고 생각합니다.

Sushanth Raman · 공동 창업자 겸 CEO · 시리즈 A 당시 TechCrunch 인터뷰 · 2024-10-02

기존 자동화가 한계에 부딪힌 이유

CEO Sushanth Raman은 OCR 시스템을 만들며 공급망 일을 시작했다고 말합니다. OCR은 정해진 양식에 맞춰 문서를 읽는 소프트웨어입니다. Raman은 2025년 10월 글에서 한 중견 운송사에 선하증권(BOL) 양식만 500개가 필요했다고 씁니다. 정작 어려운 일은 글자를 뽑아낸 다음부터였습니다. 고객 이름이 TMS에는 다른 코드로 들어가 있었습니다. 리프트게이트가 필요하다는 사실은 아무도 적어 두지 않았습니다. 같은 주에 같은 곳으로 가는 화물은 하나로 묶어야 했습니다. Raman은 2023년 GPT-4가 나왔을 때 양식 기반 도구가 결국 쓸모를 잃을 것이라고 판단했다고 씁니다. 언어 모델은 형식이 제각각인 문서를 읽고, 신입 직원 교육 자료처럼 쓴 지시를 따를 수 있기 때문입니다. Pallet은 문서를 읽는 능력보다 어느 고객에게 어떤 규칙이 적용되는지 아는 능력이 더 귀하다고 믿습니다. 그리고 소프트웨어가 그 규칙을 담아 적용할 수 있다고 봅니다. 이 믿음이 Pallet을 다른 회사와 구별 짓습니다.

Pallet은 이 믿음을 각각 이름을 붙인 구성 요소로 구현했습니다. CTO Nilkanth Patel은 2025년 9월 글에서 Memory Layer가 규칙을 평이한 영어 문장으로 저장한다고 설명합니다. 섀시 대여료나 할인 승인 기준 같은 사실 하나하나가 기억이 됩니다. 에이전트가 일을 내보내기 전에는 다른 모델이 심판처럼 결과를 검사합니다. Pallet은 고객 200곳을 둔 운송 주선사를 예로 듭니다. 고객마다 개별 규칙이 평균 20개라서 한 회사가 약 4,000개 규칙을 지키며 일하는 셈입니다. 이 방식이 지금 통하는 것은 모델과 연결 기술이 함께 갖춰졌기 때문입니다. 2026년에 Pallet 에이전트는 AS/400 그린 스크린, 원격 데스크톱, 브라우저 포털 안에서도 일하게 됐습니다. 물류 업무는 아직 이런 곳에서 많이 이뤄집니다.

주문 하나가 에이전트를 거치는 과정

가상의 예로, 이메일로 운송 요청을 받는 포워딩 회사를 들어 보겠습니다. 에이전트는 이메일과 첨부 파일을 PDF든 스프레드시트든 스캔한 사진이든 읽습니다. 그다음 고객이 굳이 말하지 않는 기본 조건, 입고지의 접수 시간, 특정 구간에서 먼저 쓸 운송사처럼 그 고객에 관한 기억을 불러옵니다. 에이전트는 주문 초안을 만들고 규칙에 맞는지 검사한 뒤 업무 시스템에 입력합니다. 포워딩 회사라면 CargoWise, 운송사라면 EDI로 연결된 TMS입니다. Pallet은 작업 하나를 여러 회사의 모델로 실행해 보고 결과가 엇갈리면 사람에게 넘긴다고 설명합니다. 운영 담당자가 예외를 처리하고 이유를 적으면 Pallet은 그 설명을 새 기억으로 저장하고, 과거 사례로 검증한 뒤 다음부터 적용합니다.

사람의 판단이 필요한 곳은 여전히 두 군데입니다. 운영 담당자는 시스템이 표시한 건을 처리하고 어떤 규칙이 맞는지 정합니다. 도입 기간에는 Pallet 엔지니어가 그 운영 담당자 옆에 앉습니다. Eassons 사례는 Pallet 팀이 캐나다 노바스코샤 현장에서 함께 일했다고 적습니다. Prism 사례는 계약 며칠 만에 Pallet 팀이 Prism의 폴란드 사무실에 갔다고 전합니다. Pallet의 영업상 약속은 이 마지막 단계에 기대고 있습니다. 제품 페이지는 고객이 개념 검증(PoC)으로 시작하고, 시트 수나 라이선스가 아니라 에이전트가 처리한 일만큼 요금을 낸다고 설명합니다.

구매자가 실제로 확인하는 것

Pallet이 내세우는 근거는 새로움이 아니라 계산입니다. 주문 한 건에 드는 시간, 업무 자리 하나에 필요한 인원, 은행이나 세관에서 반려될 서류의 오류율 같은 숫자입니다. 구매자는 이 계산을 파일럿에서 직접 확인할 수 있습니다. 그래서 서울 공고도 시연보다 업무 진단과 체계적인 파일럿을 중심에 둡니다.

서울 Sales Director는 이 흐름을 한국의 대형 물류 회사에 파는 자리입니다. 공고는 업무 진단 회의에서 고객의 업무 중 에이전트가 맡을 수 있는 일을 짚고, 파일럿으로 측정 가능한 ROI를 보여 달라고 요구합니다. 실제로는 포워딩 회사나 3PL의 주문 접수 과정을 깊이 익혀, 파일럿으로 줄일 시간과 오류를 숫자로 말할 수 있어야 합니다.

고객이 돈을 내고 맡기는 에이전트

Pallet의 핵심 제품은 에이전트이고, 그 곁에 제품 두 가지가 더 있습니다. 2025년에 CoPallet이라는 이름으로 팔던 에이전트는 주문 입력, 운송 실행, 고객 응대, 청구와 정산, 통관 신고를 맡습니다. 에이전트는 운영 담당자가 이미 쓰는 이메일, 전화, 문서, API와 EDI, 브라우저, 원격 데스크톱에서 일합니다. 그 아래에는 회사가 이름 붙인 구성 요소 세 가지가 있습니다. Memory는 고객별 규칙을 담습니다. Pallet이 MCP 계층이라고 부르는 Fabric을 거쳐 에이전트는 AS/400을 비롯한 업무 시스템의 데이터를 읽고 씁니다. 2026년 5월 발표한 Forge는 고객의 과거 이메일과 채팅, 운영 데이터를 학습해 에이전트를 구성하고, 실제 투입 전에 시뮬레이션을 수천 번 실행합니다. Pallet은 맞춤 에이전트 대부분이 약 6주 만에 실제 운영에 들어간다고 말합니다.

두 번째 제품 Atlas는 2026년 3월 출시됐습니다. Atlas는 고객의 TMS, WMS, ERP, 이메일, 문서에서 데이터를 가져와 고객, 자회사, 시설, 운송 구간, 계약을 하나의 네트워크 모델로 정리합니다. 출시 글은 이 제품을 성장 기회를 찾는 도구로 소개했습니다. 예를 들어 운송사가 이미 거래하는 고객 근처에서 새로 따낼 수 있는 구간을 찾는 일입니다. 지금 제품 페이지는 계획 쪽에 무게를 둡니다. 부품을 살지, 옮길지, 급송할지, 모자란 재고를 어느 주문에 먼저 줄지, 어느 생산 일정을 약속할지 판단하게 돕습니다. 승인한 결정은 에이전트에게 넘겨 실행할 수 있습니다. Atlas는 BI 도구, 그리고 계획 담당자가 손으로 만드는 스프레드시트와 경쟁합니다.

세 번째는 2026년 7월 발표한 Custom Models입니다. 고객 한 곳의 업무 데이터로 학습한 모델로, 다른 고객과 공유하지 않으며 고객이 관리하는 인프라에서 운영할 수도 있습니다. Pallet 연구 조직은 첫 미세 조정 운영 모델이 최상위 범용 모델 수준의 정확도를 약 3분의 1 비용으로 냈다고 밝혔습니다. 그 도입 사례에서 손익분기점은 범용 모델 사용료 기준 하루 약 750달러였습니다. 회사는 비용과 모델 소유권을 장점으로 내세웁니다. 업무 규칙이 늘수록 범용 모델은 호출할 때마다 더 많은 맥락을 넣어야 하지만, 전용 모델은 반복되는 패턴을 한 번 배워 두면 됩니다.

누가 샀고, 무엇을 얻었다고 말하는지

Pallet은 실명 고객 사례 다섯 건을 공개했고, 사례마다 고객사 임원의 말이 실려 있습니다. Lineage는 사례 페이지에서 시설 480곳 이상을 운영하는 최대 온도 관리 창고 회사로 소개됩니다. Lineage는 입고, 포워딩, 창고 주문에 에이전트 세 개를 씁니다. 사례 페이지에 따르면 AI 실행은 연 200만 회, 평균 정확도는 99%입니다. 15분 걸리던 주문 입력은 2분으로 줄었고 포워딩 에이전트는 49일 만에 가동됐습니다. 사례 페이지는 2026년 처리량을 300만 건 이상으로 예상합니다. 항만에서 문 앞까지 운송하는 STG Logistics는 주문의 95%를 사람 손을 거치지 않고 처리했고 주문 입력 비용을 80% 줄였다고 말합니다. 캐나다의 냉장 운송사 Eassons Transport는 40일 만에 가동했고 화물 등록의 98%를 사람 손을 거치지 않고 처리합니다. Prism Logistix는 에이전트 20개를 쓰며 이익률이 10% 개선됐다고 보고합니다.

맞춤 모델 덕분에 고객에게 더 빠르고 나은 서비스를 제공합니다. 모델이 고객마다, 운송 구간마다 선호를 이미 알고 있어서 매번 시스템에서 찾아보지 않아도 됩니다.

Gene Welsh · Chief Transportation Officer, Mallory Alexander · Pallet Custom Models 발표 글 · 2026-07-15

다섯 번째인 Mallory Alexander는 정확도를 가장 분명히 시험하는 사례입니다. CEO Paul Svindland는 다른 회사와 하던 AI 프로젝트를 멈추고 포워딩 업무 지식과 CargoWise 연동 능력을 보고 Pallet을 골랐습니다. 사례에 따르면 운영 담당자 한 명이 처리하는 수입 건이 세 배로 늘었고, 은행과 정부가 요구하는 수입자 보안 신고(ISF)와 신용장에서 정확도 100%를 냈습니다. Pallet이 기업가치 1,800만 달러를 만들어 냈다는 Svindland의 말도 실려 있습니다.

이 숫자를 읽는 법

여기 나온 결과는 모두 Pallet이 직접 낸 사례 페이지에 실렸고, 고객사 임원의 말도 함께 실려 있습니다. 재는 기준은 사례마다 다릅니다. Lineage는 AI 실행 횟수, STG는 사람 손을 거치지 않은 주문, Prism은 이익률과 신입 업무 적응 기간, Mallory는 운영 담당자 1인당 처리 건수를 기준으로 삼습니다. 각 숫자는 고객과 Pallet이 도입 한 건을 두고 밝힌 결과입니다. 면접에서는 Pallet이 모든 고객사에 공통으로 추적하는 지표가 무엇인지 물어보세요.