리포트/뉴스레터

  • 교육 자료
  • 리포트/뉴스레터

[칼럼] 흔들리는 해운시장, AI로 선복 운영의 해답을 찾다

2026-10-30
159

운임만으로는 읽을 수 없는 해운시장의 변화

해운시장의 흐름을 파악할 때 가장 먼저 주목하는 지표는 운임입니다. 운임이 상승하면 선박 수요가 늘어난 것으로, 하락하면 시장이 둔화된 것으로 받아들이기 쉽습니다. 그러나 실제 해운시장의 움직임은 이보다 복잡합니다. 화물의 수요와 공급뿐 아니라 선박이 어디에 위치해 있는지, 어떤 항로를 운항하고 있는지, 언제 다음 운송에 투입될 수 있는지에 따라 시장의 수급구조가 달라지기 때문입니다.

최근 해운시장의 불확실성은 이러한 복잡성을 더욱 부각하고 있습니다. 글로벌 교역구조의 변화와 지정학적 불안, 보호무역주의 확산 등으로 화물의 이동 경로가 재편되는 가운데, 항만혼잡과 선복 공급의 변화도 운임 및 운영환경에 영향을 미치고 있습니다.

유엔무역개발회의(UNCTAD)가 발표한 「2025년 해상운송 보고서」는 이러한 변화를 보여줍니다. 보고서에 따르면 2024년 전 세계 해상 물동량은 2.2% 증가했지만, 화물량과 운송거리를 함께 고려한 톤마일(Ton-mile) 수요는 약 5.9% 증가했습니다. 지정학적 갈등에 따른 항로 우회로 동일한 화물을 운송하는 데 필요한 이동거리가 길어졌기 때문입니다.

화물량의 증가율은 비교적 낮았지만, 선박에 요구되는 운송활동은 더 큰 폭으로 늘어난 것입니다. 이는 단순한 물동량 통계만으로는 실제 선복 수요의 변화를 충분히 설명하기 어렵다는 점을 시사합니다.

지역별 수급 불균형도 중요한 변수입니다. 특정 지역에서 화물 수요가 증가하더라도 적절한 선박이 다른 해역에 집중되어 있다면 필요한 시점에 선복을 확보하기 어렵습니다. 반대로 선박이 충분하더라도 운송 수요가 발생하는 지역과 시점이 맞지 않으면 선복을 효율적으로 활용하기 어렵습니다.

결국 해운시장을 이해하기 위해서는 운임이나 물동량의 증감뿐 아니라 화물이 어디로 움직이고, 선박이 어디에 있으며, 실제로 활용할 수 있는 선복이 얼마나 되는지 함께 살펴야 합니다.

시장을 읽는 것과 선복을 움직이는 것은 다르다

해운시장의 변화를 이해하는 일이 중요하지만, 시장을 정확하게 분석했다고 해서 곧바로 최적의 운영계획이 만들어지는 것은 아닙니다.

예를 들어 아시아에서 유럽으로 향하는 자동차 수출 물량이 증가했다고 가정해 보겠습니다. 선사 입장에서는 새로운 운송 수요를 확보할 기회가 될 수 있습니다. 그러나 실제 운송계획을 수립하려면 해당 지역에 투입할 수 있는 자동차운반선이 있는지부터 확인해야 합니다.

현재 운항 중인 선박의 도착 예정일, 적재 가능 대수, 다음 기항지와 정비일정 등을 검토해야 하며, 다른 지역에 배정된 선박을 이동시킬 경우 기존 운송계획에 미치는 영향도 고려해야 합니다. 고객이 요구하는 납기와 항만의 작업 가능 시간까지 맞춰야 비로소 실행 가능한 배선계획이 완성됩니다.

이 과정에서 하나의 결정은 다른 선박과 항차에도 영향을 미칩니다. 특정 선박을 새로운 화물 운송에 투입하면 원래 예정된 항차에 다른 선박을 배정해야 할 수 있고, 이러한 조정은 다시 후속 일정과 비용에 영향을 미칩니다.

따라서 선복 운영의 핵심은 수요가 높은 지역에 단순히 선박을 추가하는 것이 아닙니다. 제한된 선박을 여러 운송 수요에 어떻게 배분해야 선대 전체의 효율을 높일 수 있는지 판단하는 데 있습니다.

이를 위해서는 외부 시장정보와 내부 운영정보를 연결해야 합니다. 운임과 물동량, AIS 기반 선박 이동정보, 항만 기항 및 혼잡 현황 등은 시장의 수급 변화를 이해하는 데 도움이 됩니다. 여기에 고객별 운송 수요, 선박의 적재능력과 운항일정, 용선계약, 정비계획 등 기업 내부의 정보를 결합하면 실제 운영 가능한 선택지를 구체화할 수 있습니다.

기존에는 이러한 판단을 숙련된 영업 및 배선 담당자의 경험에 상당 부분 의존해 왔습니다. 그러나 선대 규모가 커지고 고려해야 할 조건이 복잡해질수록 개인의 경험과 수작업만으로 모든 대안을 충분히 검토하기는 어려워집니다.

특히 시장 상황이나 고객의 운송계획이 변경될 때마다 기존 배선계획을 반복적으로 수정해야 한다는 점도 부담입니다. 하나의 변경사항이 여러 항차에 영향을 미치는 만큼, 계획을 다시 수립하는 데 상당한 시간과 노력이 필요할 수 있습니다.

해운시장의 변화에 대응하는 능력은 시장을 얼마나 정확히 전망하는가뿐 아니라, 그 변화에 맞춰 선복을 얼마나 합리적으로 배분하는가에 달려 있습니다.

데이터와 AI, 수많은 운영 대안을 비교하다

이러한 문제를 해결하기 위한 접근으로 AI 기반 배선 최적화 기술이 주목받고 있습니다.

배선 최적화는 어떤 선박이 어느 항만에서 어떤 화물을 선적하고, 언제 목적지에 도착해야 하는지를 결정하는 과정입니다. 단순히 선박과 화물을 연결하는 작업처럼 보이지만, 실제로는 수많은 제약조건을 동시에 고려해야 하는 복잡한 의사결정입니다.

선박마다 적재능력과 운항속력, 연료소비 특성이 다르고, 항차별로 요구되는 운송구간과 일정도 다릅니다. 여기에 항만혼잡, 선박 정비, 연료 보급, 용선계약 등 다양한 제약이 추가됩니다. 최근에는 온실가스 배출과 탄소비용까지 고려해야 하는 경우도 늘어나고 있습니다.

이처럼 여러 조건이 결합되면 가능한 배선 조합의 수는 급격히 증가합니다. 개별 선박만 놓고 보면 합리적인 계획이라도 선대 전체의 관점에서는 비효율적일 수 있습니다.

예를 들어 특정 화물을 가장 가까운 선박에 배정하는 것이 당장의 운송비용을 줄일 수는 있습니다. 그러나 그 선박이 이후 더 큰 운송 수요가 발생하는 지역에 투입될 예정이었다면, 전체 선대의 운영 효율은 오히려 낮아질 수 있습니다. 따라서 개별 항차의 효율과 선대 전체의 효율을 구분해 판단할 필요가 있습니다.

AI 기반 최적화 기술은 이러한 복잡한 관계를 분석하는 데 활용됩니다.

고객의 운송 수요와 선박별 운항정보, 항만일정, 계약조건 등을 통합하고, 수학적 최적화 알고리즘을 통해 방대한 배선 조합을 계산합니다. 이를 바탕으로 선박 활용률, 운송비용, 운송 효율 등 다양한 목표를 고려한 대안을 도출할 수 있습니다.

중요한 것은 단순히 계획을 빠르게 만드는 데 그치지 않는다는 점입니다. 기존에는 시간과 인력의 제약으로 일부 대안만 검토했다면, AI를 활용하면 훨씬 넓은 범위의 조합을 체계적으로 비교할 수 있습니다.

또한 조건이 변경되었을 때 이를 반영해 계획을 다시 계산할 수 있다는 점도 의미가 있습니다. 특정 선박의 정비일정이 변경되거나 항만혼잡이 발생하면 새로운 조건에 맞는 배선 대안을 검토하는 방식입니다.

이는 배선계획을 한 번 수립한 뒤 최대한 유지하는 접근에서 벗어나, 변화하는 시장과 운영조건에 따라 계획의 적합성을 지속적으로 검토하는 방향으로의 발전을 의미합니다.

다만 이러한 최적화가 제대로 작동하려면 알고리즘의 성능만으로는 충분하지 않습니다. 선박 위치와 운송 수요, 계약조건 등 기초 데이터가 정확해야 하며, 실제 업무에서 고려해야 할 제약조건도 충실하게 반영되어야 합니다.

분석 결과를 담당자가 이해하고 검토할 수 있도록 제공하는 체계 역시 중요합니다. AI가 많은 대안을 계산하더라도, 그 결과가 실제 업무에서 실행 가능한 계획으로 연결되어야 비로소 의미 있는 혁신이 되기 때문입니다.

글로벌 사례: NYK, 4년의 개발을 거쳐 배선계획을 바꾸다

일본의 글로벌 선사 NYK(Nippon Yusen Kabushiki Kaisha)는 이러한 AI 기반 최적화를 자동차운반선 배선업무에 적용하고 있습니다.

약 120척의 자동차운반선을 운영하는 NYK는 수개월에 걸친 수백 개 항차의 배선계획을 수립해야 합니다. 기존에는 소수의 숙련된 담당자가 다양한 운송조건과 제약을 고려해 계획을 작성했으며, 복잡한 업무 특성상 담당자의 경험에 대한 의존도가 높았습니다.

이 문제를 해결하기 위한 프로젝트는 2025년에 갑자기 시작된 것이 아닙니다.

NYK는 2021년부터 배선업무에 필요한 정보와 의사결정 조건을 정리하고, AI 기반 최적화 시스템 개발에 착수했습니다. 그룹사 MTI의 수리·최적화 분야 전문가와 현업 배선 담당자들이 참여했으며, 기술기업 GRID와 함께 실제 업무에 적용할 수 있는 시스템을 개발했습니다.

본격 운영이 시작된 것은 약 4년이 지난 2025년 7월이었습니다.

개발에 오랜 시간이 걸린 이유는 복잡한 배선 조합을 계산하는 기술 자체만의 문제가 아니었습니다. 선박 위치와 운송 수요, 정비일정, 용선계약 등 다양한 데이터를 정리하고, AI가 제시한 결과를 담당자가 이해하고 수정할 수 있는 업무환경을 함께 구축해야 했기 때문입니다.

NYK가 2026년 6월 공개한 개발·운영 담당자 인터뷰에서도 이 점을 강조했습니다. 최적화 엔진을 만드는 것보다 현업의 판단 조건을 체계적으로 정리하고, 정확한 데이터를 확보하며, 결과를 실제 배선업무에 연결하는 과정이 중요했다는 것입니다.

이렇게 개발된 시스템은 고객의 운송 수요와 선대 운영현황, 정비일정, 항만혼잡 가능성 등을 통합 분석합니다. 수개월에 걸친 수백 개 항차의 수백만 가지 배선 조합을 검토하고, 약 10분 만에 최적화된 계획을 산출할 수 있습니다.

분석 과정에서는 선박 활용률과 운송 효율, 운송비용 등을 함께 고려합니다. 차세대 연료 선박의 효과적인 활용과 탄소가격 등의 조건도 반영할 수 있도록 설계해 경제성과 환경적 지속가능성을 함께 추구하고 있습니다.

주목할 부분은 실제 업무방식의 변화입니다.

과거에는 항만 상황이나 운송일정이 달라질 때마다 담당자가 엑셀을 통해 계획을 반복적으로 수정해야 했습니다. 그러나 새로운 시스템에서는 변경된 조건을 입력하고 계획을 재산출할 수 있어 일상적인 업무 부담이 크게 줄었습니다.

선박의 정비일정이나 용선계약 종료 시점 등 중요한 제약조건을 누락하는 오류를 방지하기 쉬워졌으며, 업무가 집중되는 시기의 초과근무도 감소했다고 설명했습니다. 특정 담당자가 부재하더라도 다른 인력이 계획업무를 이어받기 쉬워졌다는 점 역시 중요한 변화로 제시했습니다.

다만 약 10분이라는 수치는 최적화 계획의 산출시간이며, 그만큼 실제 운송시간이 단축되었다는 의미는 아닙니다. 운송비용 및 온실가스 배출 저감도 최적화 목표와 기대효과로 제시되었을 뿐, 구체적인 실현 절감률이 공개된 것은 아닙니다.

이러한 변화는 다른 글로벌 선사의 운영에서도 나타나고 있습니다. COSCO SHIPPING은 2025년 연차보고서를 통해 스마트 운임·선복관리 플랫폼의 기능 확대와 공컨테이너 배치 자동화 수준 향상을 공개했습니다. NYK가 자동차운반선의 배선계획에 집중했다면, COSCO SHIPPING은 컨테이너선의 운임·선복·장비 배치 등 서로 연결된 운영업무의 디지털 고도화를 추진하고 있는 것입니다.

적용 대상과 기술은 다르지만, 두 사례가 보여주는 방향은 유사합니다. 시장과 운항조건이 달라질 때마다 담당자가 정보를 다시 모으고 계획을 처음부터 수정하는 대신, 데이터를 바탕으로 여러 운영 대안을 검토할 수 있도록 하는 것입니다.

다양한 운영조건을 데이터로 구조화하고, 수많은 대안을 비교해 선대 전체의 운영계획을 보다 체계적으로 수립하는 방향으로 변화하고 있습니다.

Lessons Learned: 시장을 읽는 역량에서 운영을 결정하는 역량으로

해운시장의 불확실성을 완전히 예측하거나 통제하기는 어렵습니다. 화물 수요와 운임, 항만 상황, 선복 공급 등 다양한 변수는 끊임없이 변화하며 서로 영향을 주고받습니다.

따라서 데이터 기반 시장 대응에서 중요한 것은 개별 지표를 정확하게 파악하는 것만이 아닙니다. 여러 시장 신호를 종합해 변화의 의미를 이해하고, 이를 실제 운영계획에 연결하는 능력이 필요합니다.

NYK의 사례는 그 연결이 어떻게 구현될 수 있는지 보여줍니다. 고객의 수요와 선박의 운영조건을 통합하고, 방대한 배선 조합을 분석해 실행 가능한 운영 대안을 제시했습니다. 또한 반복적인 계획 수정과 담당자 개인에 대한 업무 의존도를 줄이는 효과도 확인했습니다.

특히 4년에 걸친 개발 과정은 해운산업의 AX가 단순히 최신 기술을 도입하는 것으로 완성되지 않는다는 점을 보여줍니다. 현장의 업무조건을 정리하고, 데이터를 신뢰할 수 있는 형태로 관리하며, 담당자가 분석 결과를 실제 계획에 반영할 수 있도록 운영방식을 함께 바꿔야 합니다.

앞으로 데이터 기반 해운시장 대응의 경쟁력은 미래 운임을 얼마나 정확하게 예측하는가만으로 결정되지 않을 것입니다.

시장의 변화를 이해하는 데서 한 걸음 더 나아가, 그 변화에 맞춰 가용 자원을 어떻게 배분하고 서로 다른 운영 대안의 영향을 얼마나 정교하게 비교할 수 있는지가 중요해질 것입니다.

데이터와 AI의 가치는 시장의 미래를 대신 결정하는 데 있지 않습니다. 불확실한 시장 속에서 더 많은 선택지를 검토하고, 제한된 선복을 보다 합리적으로 활용할 수 있도록 의사결정의 폭을 넓히는 데 있습니다.