# AI로 5억 재고 문제 해결한 방법 | 클로드 코드 실전 사례

> 2026-05-14 · 큐레이션 김태우
> https://challengekim.com/insights/how-ai-solved-500-million-won-inventory-problem-claude-code-case-study-ko
> 원문: https://www.youtube.com/watch?v=qbdQhk_7K14

## 핵심 요약

이 글에서 다루는 주요 내용은 코딩 경험이 전혀 없는 일반인이 AI(Claude Code)를 활용하여 회사의 10년 이상 적체된 재고 문제를 어떻게 해결했는지를 보여줍니다.

- **AI 클로드 코드로 5억 원 규모의 재고 문제를 2개월 안에 완판 성공**
- **코딩 지식 없이도 AI와 대화하면서 복잡한 알고리즘 개발 가능**
- **가격 최적화, 노출 관리, 시즌성 분석을 자동화하여 일일 매출 5배 증가 달성**
- **큰 비즈니스 문제 해결에 AI를 활용하는 것이 핵심 전략**
- **직원 신뢰도 향상과 회사 문화 개선이라는 부가 효과 창출**

## 회사 문제 상황: 5억 원 적체 재고의 현실

우리 회사는 전형적인 이커머스 유통 회사였습니다. 매년 신제품 개발에 힘을 쏟고 있었지만, 한 가지 심각한 문제가 있었습니다. 바로 **10년 이상 적체된 재고** 였습니다.

담당 팀장님과의 회의 중 외부 감사가 끝난 시점이었는데, 회사 대표님께서 "지금 이 재고를 조금 줄이는 게 좋을 것 같다"라고 지시하셨습니다. 회계 용어로 '무이동 재고(Dead Stock)'와 '추가 재고(Excess Inventory)'로 분류되던 이 문제들을 정리해야 했습니다.

당시 총 재고는 약 **5억 원대** 였고, 그 중에서 **3억 원 규모는 빨리 처리해야 하는 상황** 이었습니다. 여러 시도가 있었습니다. 담당 MD가 지속적으로 가격을 인하했고, 판매 데이터에 따라 사이즈와 컬러를 조정했습니다. 하지만 수년간의 노력에도 불구하고 큰 성과가 나오지 않았습니다. 마치 버려진 자식처럼 방치되어 있던 상황이었죠.

문제는 단순한 가격 인하만으로는 해결되지 않는다는 것을 깨달았습니다. 그때 한 가지 가설을 세우게 되었습니다. **"사람들이 제품을 사지 않는 게 아니라, 우리가 충분히 가격을 내리지 않았거나, 제품 노출이 부족한 것이 아닐까?"** 이 문제를 해결하기 위해서는 상식적인 방법이 아닌, 완전히 다른 접근이 필요했습니다.

## AI를 활용하는 두 가지 원칙

회사에서 AI를 도입하기 전에 명확히 한 두 가지 원칙이 있었습니다. 이 원칙들이 이후의 성공을 결정하는 데 중요한 역할을 했습니다.

### 첫 번째 원칙: 영향력이 큰 문제에 AI를 써라

AI를 사용할 때 가장 흔한 실수는 **작은 생산성 문제에 시간을 쏟는 것** 입니다. 예를 들어 자동화된 보고서 작성, 예쁜 디자인 생성, 시간 절약 같은 사소한 것들이 있습니다. 하지만 이런 것들은 전체 회사의 경영 성과에 미치는 영향이 미미합니다.

반대로 **회사 매출에 직결되고, 경영진이 고민하는 큰 문제들** 에 AI를 적용할 때 진정한 가치가 생깁니다. 우리의 경우 5억 원 재고 문제와 신제품 개발 시간 단축이 바로 그런 큰 문제였습니다.

### 두 번째 원칙: 실행에 사용하라, 이해에만 사용하지 말라

AI 컨설팅을 받는 것은 좋지만, 아무리 좋은 조언도 우리의 구체적인 상황을 100% 이해할 수 없습니다. 따라서 **직접 해보고, 결과를 보고, 빠르게 수정하는 실행 중심의 접근** 이 필요했습니다. 이론이 아닌, 실제 매출 데이터와 고객 반응을 바탕으로 알고리즘을 개선해 나가는 방식입니다.

## 클로드 코드와의 첫 만남: 2주간의 시행착오

저는 3월 7일 처음으로 Claude Code(클로드 코드)를 접했습니다. 개발 경험이 전혀 없는 상태에서 시작했습니다. 이전까지는 여러 생산성 도구들을 시도해봤지만, 클로드 코드는 다른 느낌이었습니다.

처음에는 우리 이커머스 플랫폼의 **상품 순위 수집, 판매량 추적** 같은 간단한 작업부터 시작했습니다. 놀랍게도 하나씩 시도할 때마다 "어? 이것도 되네?" "저것도 되네?"라는 반응이 자연스럽게 나왔습니다.

그 다음으로는 **산재되어 있던 데이터를 한 곳으로 수집** 하는 작업을 했습니다. 이전에는 수동으로 엑셀에 정리해야 했던 작업들이 자동화되기 시작했습니다. 약 **2주간의 시행착오를 거치면서 클로드 코드의 가능성을 실감** 하게 되었습니다.

이 과정에서 배운 가장 중요한 것은 **"거의 모든 것이 가능하다"** 는 확신이었습니다. 특정 언어나 프레임워크의 제약이 별로 없었습니다. 데이터 수집부터 분석, 자동화까지 모든 것을 AI와 대화하면서 만들어낼 수 있다는 점이 매력적이었습니다.

## 5억 재고 해결 프로젝트: 세일 플랫폼 구축

2주간의 학습을 거친 후, 본격적으로 재고 문제를 해결할 프로젝트를 시작했습니다. 처음의 아이디어는 상대적으로 단순했습니다.

### 초기 계획: 해외 바이어와의 자동화된 연결

처음에는 **해외 바이어를 찾아 대량으로 재고를 처리** 하려고 했습니다. 구체적으로 다음과 같은 프로세스를 자동화하려고 했습니다.

- AI가 전 세계의 우리 산업에 관심 있는 바이어들을 찾기
- 우리의 브랜드와 제품 리스트로 카탈로그 자동 생성
- 이메일을 통한 자동화된 소개 및 제안
- 바이어의 요청에 따른 견적 자동 생성
- 거래 성사까지의 모든 과정 자동화

이론상으로는 좋았지만, 생각하다 보니 **이 방식도 결국 엄청난 마진을 포기** 해야 한다는 문제가 있었습니다. 해외 덤핑으로 제품을 팔아야 했기 때문입니다.

### 전략 변경: 기존 세일 코너 활성화

회사에는 이미 **세일 코너(Sale Corner)** 라는 할인 상품 판매 구간이 있었습니다. 이미 고객들이 알고 있는 채널이었습니다. "이 코너를 더 잘 활용하면, 가격을 극단적으로 낮추지 않아도 충분히 빠르게 재고를 처리할 수 있지 않을까?" 이 아이디어로 **두 번째 모델을 개발** 하기로 결정했습니다.

## 자동화 알고리즘 설계: 가격, 노출, 타이밍의 완벽한 조화

세일 플랫폼을 위해 설계한 알고리즘은 매우 정교했습니다. 이것은 단순히 "가격을 낮춘다"는 개념이 아니라, **동적 가격 결정 시스템(Dynamic Pricing System)** 이었습니다.

### 알고리즘의 핵심 작동 원리

**매일 새벽 5시마다 자동으로 실행되는 이 시스템은 다음과 같이 작동했습니다:**

1. **조회수, 판매량, 재고 상황 자동 수집** - 우리 플랫폼의 모든 세일 상품에 대한 실시간 데이터를 수집합니다.

2. **3단계 가격 조정 모드 설정:**
   - **급변 모드(Fast Mode)**: 전혀 판매되지 않는 상품 → 빠른 가격 인하
   - **기본 모드(Normal Mode)**: 조금씩 판매되는 상품 → 단계적 가격 조정
   - **안정 모드(Stable Mode)**: 잘 팔리는 상품 → 가격 유지

3. **60일 기준 설정** - 60일 후에 모든 세일 상품의 재고가 0이 되도록 역계산하여 일일 필요 판매량을 정합니다.

4. **원가 기반 하한선 설정** - 아무리 팔리지 않아도 **원가의 70% 이상** 으로 가격을 유지합니다. (완전한 손실을 방지)

### 조회수 기반 노출 최적화

프로젝트를 진행하면서 깨달은 중요한 사실이 있었습니다. **"아무리 좋은 가격도 고객이 보지 못하면 의미가 없다"** 는 것입니다.

따라서 알고리즘은 다음과 같이 조정되었습니다.

- 상품을 먼저 충분한 조회수를 받을 수 있도록 상위에 노출
- 충분한 조회수를 받은 후에도 판매되지 않으면 → 가격 인하 후 다시 노출
- 판매가 되면 그 상품을 고정하지 않고, 다른 상품이 노출될 수 있도록 **로테이션**
- 상위 70%는 인기 상품으로 자동 분류되어 우선 노출

### 계절성 및 날씨 데이터 연계

개발 과정에서 또 다른 인사이트를 얻었습니다. 특히 의류 제품의 경우 **날씨와 계절의 영향이 매우 크다** 는 것입니다.

- 기상청 데이터를 자동으로 연계
- 온도가 올라가면 얇은 옷들을 우선 노출
- 비가 오는 날씨에는 우비, 레인코트 등을 상위에 배치
- 시즌에 맞지 않는 상품은 자동으로 노출 순서를 하위로 조정

이 모든 변수를 **AI가 자동으로 조회수와 판매 데이터를 보면서 실시간으로 최적화** 했습니다.

## 실행 단계: 3월 23일 오픈과 예상을 뛰어넘는 성과

### 오픈 준비: 광고 전략 수립

알고리즘 개발이 완료되자, 본격적인 실행 단계로 넘어갔습니다. 3월 23일 월요일 오후 6시경 담당자에게 **세 개의 광고 소재를 만들어서 올려달라** 고 지시했습니다.

당시 마음가짐은 **"과연 이게 실제로 될까?"** 하는 설렘과 불안감의 혼합이었습니다. 이론상으로는 완벽했습니다.

- 가격이 내려간다 → 판매가 증가한다
- 판매가 증가하면 광고 ROI가 좋아진다
- 좋은 광고 성과가 나면 광고비를 더 쓸 수 있다
- 광고비를 더 쓰면 유입이 증가한다

하지만 현실은 항상 다릅니다. 광고 성과가 나오지 않으면 이 모든 선순환이 깨집니다.

### 예상을 뛰어넘은 성과: 첫 주의 매출 폭증

그런데 놀라운 일이 일어났습니다. **광고를 올린 그날 오후부터 판매가 시작** 되었습니다. 그것도 매우 빠르게요.

**오픈 전 기준:**

- 세일 카테고리 일일 매출: 약 150만 원
- 행사 기간: 200만 원 정도

**오픈 후 첫 주 성과:**

- 3월 24일(오픈 다음날): 300만 원
- 3월 25일: 500만 원
- 3월 26일: 700만 원
- 3월 27일: 800만 원
- 3월 28일: **1,000만 원**

**일일 매출이 5배 이상 증가** 했습니다.

물론 처음의 급격한 상승 이후로는 어느 정도 안정화되었습니다. 인기 있는 상품들이 빠져나가면서 700만 원대, 600만 원대로 내려오곤 했습니다. 하지만 전체적인 추세는 명확했습니다.

### 재고 현황의 급속한 변화

3월 23일 당시 재고 현황:

- 총 재고: 약 3억 5천만 원
- 목표: 60일 안에 완판

4월 중순 현황:

- 남은 재고: 약 1억 1천만 원

이 속도라면 목표했던 기간 안에 충분히 재고를 완판할 수 있었습니다.

## 또 다른 성과: 정상 상품 매출까지 증가

### 세일 알고리즘의 확대 적용

초기 목표는 세일 상품만 정리하는 것이었습니다. 하지만 성과가 눈에 띄자 회사 경영진은 **이 알고리즘을 정상 상품, 신제품, 베스트 셀러 카테고리에도 적용** 해보자고 판단했습니다.

다만 이번에는 가격 조정은 하지 않았습니다. 대신 **노출 순서와 제목을 동적으로 조정** 했습니다.

### AI가 자동으로 제목을 바꾼다

특히 흥미로운 기능은 **상품 제목의 자동 변경** 이었습니다. 예를 들어:

- 원래: "하늘색 셔츠"
- 150개 품절 시: "하늘색 셔츠 - 150개 품절"
- 최신 리뷰가 추가되면: "하늘색 셔츠 - 별점 4.8 / 100+ 리뷰"

AI가 인식할 수 있는 재고 상황, 고객 리뷰, 판매 추세에 따라 **제목을 자동으로 최적화** 했습니다. 이는 고객에게 FOMO(Fear of Missing Out) 심리를 자극하면서도, 신뢰도 있는 정보를 제공했습니다.

### 정상 상품까지의 긍정적 영향

이 알고리즘을 정상 상품에 적용하자 예상치 못한 일이 발생했습니다. **정상 상품의 매출도 함께 올라가기 시작** 했습니다.

이유는 다음과 같이 분석됩니다:

1. **플랫폼의 전반적인 활기**: 세일 상품이 빠르게 팔리면서 플랫폼 전체에 활동성이 증가했습니다.

2. **교차 판매 효과**: 세일 상품을 사러 온 고객들이 정상 상품까지 구매하는 현상이 발생했습니다.

3. **신뢰도 향상**: 세일 코너가 활발하게 움직이면서 회사 전체의 신뢰도가 향상되었습니다.

## 직원들의 반응: 야근과 신뢰의 역설

### 물류팀의 고생

프로젝트의 성공 이면에는 물류팀의 눈에 띄는 변화가 있었습니다. 세일 상품이 **예상보다 훨씬 빠른 속도로 판매** 되기 시작했기 때문입니다.

원래는 한 달에 수백 개 정도 팔리던 재고가, **이제는 매일 수백 개씩 판매되는 상황** 이 되었습니다. 이는 물류팀에게 상당한 업무 부담을 초래했습니다. 물류팀 팀장님이 회사 회식에서 농담 삼아 말씀하셨습니다.

"이 AI 때문에 우리가 죽어나고 있습니다."

하지만 이것은 부정적인 의미만은 아니었습니다.

### 신뢰도의 향상: 리더십의 강화

물류팀의 야근이 증가했지만, **회사 문화 전체에는 긍정적인 변화** 가 일어났습니다.

경영진이 제시한 전략이 **실제로 구체적인 매출 증가로 이어지는 것을 직원들이 직접 목격** 했기 때문입니다. 이는 다음과 같은 효과를 만들었습니다.

1. **리더십 신뢰도 증가**: "우리 대표/팀장이 제시한 방향이 실제로 먹혀먹는다"는 확신

2. **조직 문화 개선**: AI를 단순한 자동화 도구가 아닌, "회사의 큰 문제를 푸는 수단"으로 인식

3. **직원 몰입도 향상**: 아무리 힘들어도 "이것이 정말 의미 있는 일"이라는 확신을 가지고 일하게 됨

## AI와 함께하는 프롬프트 엔지니어링: 아마존에서 배우다

### 첫 번째 프롬프트의 중요성

실제 개발 과정에서 가장 중요했던 부분은 **첫 번째 프롬프트(요청)를 어떻게 작성하느냐** 였습니다.

처음에 재고 처리 시스템을 설계할 때, 저는 Claude에게 다음과 같이 물었습니다.

"**아마존은 동적 가격 책정(Dynamic Pricing)을 어떻게 하고 있는가?**"

Claude는 아마존의 전략, 알고리즘의 기본 원리, 그리고 고려해야 할 변수들을 모두 설명해주었습니다. 저는 이를 바탕으로 우리 회사의 상황에 맞게 **아마존의 원칙 70%와 우리의 아이디어 30%를 결합** 했습니다.

### 실제 학습 방법: 유튜브와 달리기

저는 Claude Code를 어떻게 배웠을까요? 매우 비정통적인 방법입니다.

저는 달리기를 할 때 유튜브에서 다음과 같은 강의들을 들었습니다.

- "Claude Code 에이전트 만들기"
- "Claude Code Python 코딩"
- "Claude Code 초보자 가이드"

처음에는 집중해서 들었지만, 시간이 지나면서 어느 정도 틀을 이해하게 되었습니다. 완벽히 이해하지는 못했지만, **"아, Claude Code는 이런 것이고, 이렇게 사용하는 것이구나"** 하는 큰 그림이 형성되었습니다.

이 비정통적인 학습 방식의 장점은:

1. **실무에 가까운 학습**: 이론이 아닌 실제 사용 사례 중심
2. **맥락적 이해**: 완벽함을 추구하지 않으면서도 충분한 이해 확보
3. **빠른 실행**: "완벽하게 배운 후 시작"이 아닌 "배우면서 시작"

## 미래의 과제: 수요 예측 시스템 개발

### 과거의 문제를 푼 후, 미래의 문제로

5억 원 재고 문제를 해결한 후, 자연스럽게 다음 과제가 보이기 시작했습니다. **"미래에 일어날 일을 얼마나 정확하게 예측할 수 있는가?"**

제조업과 유통업에서 가장 중요한 것은 **정확한 수요 예측** 입니다. 언제 어떤 상품이 얼마나 팔릴 것인지를 미리 알 수 있다면, 다음과 같은 이점이 생깁니다.

1. **적정 규모의 생산**: 과잉 생산 방지
2. **효율적인 재고 관리**: 적시에 적양의 상품 준비
3. **오프라인-온라인 균형**: 20개 매장과 온라인 채널 간의 재고 최적화

### 기존 방식의 한계

우리가 기존에 하던 예측은 매우 단순했습니다.

- 지난 5일간 50개가 팔렸다
- 하루에 약 10개씩 판매된다
- 따라서 50일 후에는 500개 정도 판매될 것이다
- 최대 1.3배 정도의 가중치를 두어 예측

이 정도의 예측으로는 변화하는 시장에 대응하기 어려웠습니다.

### Claude Code를 활용한 정확한 수요 예측

반면, Claude Code를 활용한 AI의 수요 예측은 훨씬 정교합니다.

**AI가 고려하는 변수들:**

1. **속도 및 가속도**: 판매량이 증가하는 추세뿐 아니라 **그 증가 속도까지 분석**

2. **계절성 요소**: 날씨, 기후, 이벤트 등의 주기적 변화를 학습하고 반영

3. **경쟁사 동향**: 우리 경쟁사의 판매량을 웹 스크래핑으로 수집하여 비교 분석

4. **시장 외부 변수**: 뉴스, 이벤트, 경제 지표 등의 영향도 고려

5. **복합 시나리오 분석**: 여러 변수가 복합적으로 작용하는 경우를 모두 계산

현재 저는 이 수요 예측 시스템을 **80% 정도까지 개발** 했습니다.

### 현재의 도전: 기획의 어려움

그런데 이 과정에서 예상치 못한 어려움을 마주했습니다. 바로 **"이것을 어떻게 기획할 것인가?"** 라는 문제입니다.

개발 과정에서 수많은 시행착오를 겪었습니다.

- 첫 번째 시도: 너무 복잡했음 → 사용자가 이해할 수 없음
- 두 번째 시도: 정확도는 높지만 UI가 복잡함 → 실제 사용 불가
- 세 번째 시도: 특정 변수에 과도하게 의존 → 예측 정확도 저하

**지금까지의 교훈**: **"무조건 쉬워야 한다"**

아무리 정교한 알고리즘도, 사용자가 이해할 수 없으면 의미가 없습니다. 따라서 현재의 초점은 **복잡한 AI 예측을 누구나 이해할 수 있는 간단한 형태로 표현하는 것** 입니다.

## 큰 문제를 푸는 AI vs 작은 생산성 AI

### 유튜브 강의의 함정

인터넷에 넘쳐나는 Claude Code 강의들을 보면, 대부분 다음과 같은 것들을 다룹니다.

- "효율적인 보고서 작성"
- "아름다운 PDF 생성"
- "이메일 자동화"
- "회의 노트 정리"
- "시각화 대시보드"

이 모든 것들은 좋은 활용법입니다. 하지만 **회사 경영에 미치는 영향이 미미** 합니다.

### 진정한 AI의 가치

반면, 우리가 한 일은 달랐습니다.

- **문제**: 10년 이상 적체된 5억 원 재고
- **해결**: 2개월 안에 완판하는 자동화 시스템
- **결과**: 일일 매출 5배 증가, 직원 신뢰도 향상, 회사 문화 개선

### 경영진이 보는 세상

대표나 경영진들이 보는 세상은 다릅니다. 그들의 고민은:

- "올해 목표 매출을 어떻게 달성할까?"
- "적체된 자산을 어떻게 회수할까?"
- "시장 변화에 어떻게 빠르게 대응할까?"
- "직원 이탈을 어떻게 막을까?"

**이런 큰 문제들에 AI를 적용할 때 진정한 가치가 생깁니다.**

## 결론: AI 시대의 리더십과 실행

이 프로젝트를 통해 배운 가장 중요한 교훈은 다음과 같습니다.

**첫째, AI를 사용할 때는 영향력의 크기를 기준으로 문제를 선정해야 합니다.** 자동화 가능한 작은 일들도 좋지만, 회사의 경영 성과에 직결되는 큰 문제를 우선해야 합니다. 특히 **경영진이 고민하는 문제들** 이 가장 가치 있는 타겟입니다.

**둘째, 코딩 경험이 없어도 AI와 대화하면서 복잡한 시스템을 만들 수 있습니다.** 저는 개발자도, 프로그래머도 아닙니다. 하지만 Claude와의 대화 속에서 "이것도 가능한가?"라는 물음을 끊임없이 제기하면서 점진적으로 복잡한 알고리즘을 만들어낼 수 있었습니다.

**셋째, 빠른 실행이 완벽한 계획보다 낫습니다.** 완벽하게 모든 것을 이해한 후 시작하는 것이 아니라, 80%만 이해해도 시작하고, 실행하면서 배우고, 결과를 보고, 빠르게 수정하는 사이클이 성공을 결정합니다.

**넷째, 직원 신뢰도는 작은 성과의 축적이 아닌 큰 문제 해결에서 비롯됩니다.** "시간을 10분 줄였습니다"와 "5억 원 손실을 회수했습니다"의 임팩트는 비교할 수 없습니다. 직원들이 느끼는 신뢰도, 조직 문화의 개선은 이런 큰 성과로부터 시작됩니다.

**다섯째, AI 활용의 미래는 기술이 아니라 문제 인식에 달려있습니다.** 유튜브에는 좋은 AI 기술 강의가 많지만, 그 기술을 어떤 큰 문제에 적용할 것인가에 대한 강의는 거의 없습니다. 그렇기 때문에 **자신이 속한 조직의 가장 큰 문제가 무엇인지 정확히 파악하는 것** 이 AI 시대의 리더십입니다.

코딩을 몰라도 AI로 회사의 큰 문제를 해결할 수 있는 시대입니다. 중요한 것은 기술이 아니라, **어떤 문제를 풀 것인가에 대한 명확한 답변** 입니다.

---

원문을 바탕으로 AI 가 한국어로 요약·재구성한 글입니다. 인용·수치는 원문 링크에서 확인해 주세요. [원문 링크](https://www.youtube.com/watch?v=qbdQhk_7K14)