Grab의 CFO는 인공지능 (AI) 덕분에 회사의 물품 배송 속도가 30% 이상 빨라졌다고 말했습니다. 이는 모호한 기술적 약속이 난무하는 산업계에서 구체적인 효율성 수치를 제시한 것입니다. PYMNTS에 따르면, Peter Oey의 이러한 주장은 이론적인 것이 아닙니다. 이는 전년 대비 22% 증가한 9억 9,700만 달러의 매출과 186% 급증한 1,900만 달러의 영업 이익을 포함한 회사의 분기 실적과 직접적으로 연결되어 있습니다. 성장이 수익성을 앞지르는 경우가 많은 슈퍼 앱 (super-apps)의 세계에서, 이 구체적인 수치는 급격한 전환을 시사합니다. 즉, AI는 단순한 기능이 아니라, 오랫동안 이 비즈니스를 정의해 온 비용 구조에 직접적인 레버리지 (lever) 역할을 하고 있다는 것입니다.

30%라는 수치가 중요한 이유는 이것이 개발자 컨퍼런스에서 제품 매니저가 발표한 것이 아니기 때문입니다. 이 수치는 회사의 연간 재무 전망 상향에 관한 CNBC 인터뷰에서 CFO에 의해 발표되었습니다. 투자자들에게 전달하는 메시지는 명확합니다. 우리의 기술 투자가 이제 비즈니스의 가장 큰 가변 비용인 '물리적 상품을 A 지점에서 B 지점으로 이동시키는 것'을 실질적으로 줄이고 있다는 것입니다.

Grab의 효율성 주장은 마케팅 과장 그 이상이다

수년간 기술 플랫폼들은 AI를 "더 나은 고객 경험"을 위한 모호한 동력으로 프레임화해 왔습니다. Grab의 주장은 다릅니다. Grab은 배송 및 물류의 핵심이자 마진을 갉아먹는 가변 요소인 '시간'을 직접적으로 겨냥하고 있습니다.

CFO Peter Oey는 "AI는 이제 우리의 제품이든 업무 방식이든 Grab의 삶의 방식에 내재되어 있습니다"라고 밝혔습니다. 이 말의 속뜻은 열망이 아닌 운영에 관한 것입니다. CTO가 아닌 CFO가 AI가 "물품을 30% 이상 더 빠르게 배송"하도록 도와주며, 이는 "더 나은 마진과 더 효율적인 비용 구조를 의미한다"고 강조할 때, 그는 실리콘 밸리 (Silicon Valley)가 아닌 월스트리트 (Wall Street)의 언어로 말하고 있는 것입니다. 이것은 재무 모델이 수용할 수 있는 정량화 가능한 결과물입니다.

이 성명은 또한 명확한 구분을 만들어냅니다. 차량 호출 (ride-hail) 서비스가 전년 대비 28%의 강력한 이용 건수 증가를 기록한 반면, 30%의 속도 향상은 명시적으로 물품 (items) 이동에 해당합니다. 이는 효율성 개선의 초점을 Grab의 음식 및 소포 배달 수직 계열 (verticals)에 맞추고 있음을 보여줍니다. 이 분야에서는 속도가 주요 고객 지표이며, 분당 드라이버 비용이 수익 (bottom line)에 직접적인 영향을 미치기 때문입니다. 이는 Grab의 지속 가능한 수익성을 향한 경로가 매일 이루어지는 수백만 건의 배달에서 몇 분씩을 짜내어 구축되고 있다는 전략적 신호입니다.

수치 분석: AI가 실제로 초를 단축하는 지점

30% 더 빠른 배송은 놀라운 주장입니다. 질문은 고객 주문, 식당 주방, 드라이버 픽업, 교통 내비게이션, 그리고 최종 배송에 이르는 여정 중 절약된 그 시간들이 어디에서 오는가 하는 점입니다. Grab이 공개한 다른 프로젝트들을 바탕으로 볼 때, AI는 아마도 여러 병목 지점 (choke points)을 동시에 공략하고 있을 것입니다.

그는 AI가 Grab의 물품 배송 속도를 30% 이상 높이는 데 도움을 주었으며, 이는 더 나은 마진 (margins)과 더 효율적인 비용 구조를 의미한다고 말했습니다.

드라이버를 위한 AI 기반 도구인 회사의 "Turbo" 모드는 이미 경로와 타이밍을 최적화함으로써 시간당 수입을 23% 증가시킨 것으로 보고되었습니다. 이는 30% 향상의 주요 부분 중 하나가 기존 GPS보다 앞서는 동적 실시간 경로 최적화 (dynamic, real-time routing)에서 온다는 것을 시사합니다. 또 다른 부분은 예측 매칭 (predictive matching)에서 올 가능성이 높습니다. 즉, 단순히 가장 가까운 드라이버를 배정하는 것이 아니라, 식당의 예상 음식 준비 시간에 가장 적합한 위치에 있는 드라이버를 배정하여, 인도에서 대기하는 불필요한 시간을 줄이는 AI 기술입니다.

식당 파트너들의 경우, Grab 단일 매장 가맹점의 절반이 도입한 디지털 어시스턴트 "Mai"를 통해 해당 사용자들의 매출이 15% 증가했습니다. 매출 상승은 속도와는 다른 개념이지만, 그 근저에 깔린 메커니즘은 예측적(predictive)입니다. 주문량과 타이밍을 더 잘 예측하면 주방이 더 효율적으로 음식을 준비할 수 있게 되며, 이는 드라이버로의 인계(handoff)를 직접적으로 가속화합니다.

속도의 네트워크 효과 (network effect): 더 빠른 배송은 복리 효과를 창출합니다. 드라이버는 시간당 더 많은 업무를 완료할 수 있어 수익 잠재력(Turbo에서 확인된 바와 같이)을 높일 수 있습니다. 고객은 대기 시간이 짧아짐에 따라 주문 빈도를 높이게 됩니다. 이러한 양면 네트워크 효과(two-sided network effect)는 AI가 비용 절감 수단에서 성장 엔진으로 전환되는 지점입니다.

원문 자료에서 명확히 밝히지 않은 점은 30%라는 수치의 기준점(baseline)입니다. 이것이 모든 배송에 대한 평균치인가요? 인구 밀집 도시 지역의 피크 시간대 최적화 결과인가요? 아니면 특정 제품 라인에 대한 개선 사항인가요? 이러한 세부 정보(granularity) 없이는, 해당 수치가 강력한 헤드라인이 될 수는 있지만 그 보편적 적용 가능성은 미지수로 남아 있습니다.

순수 물류 경쟁사 대비 Grab의 AI 우위에 대한 짧은 역사

Grab이 이러한 주장을 할 수 있는 능력은 그 구조에 뿌리를 두고 있습니다. 순수 음식 배달 앱과 달리, Grab은 차량 호출(ride-hail), 음식 배달, 택배 서비스, 디지털 결제를 아우르는 다각화된 버티컬 슈퍼 앱(multi-vertical super-app)입니다. 이는 단순한 제품 목록이 아니라, 근본적인 데이터 우위입니다.

DoorDash와 같은 기업이나 지역의 순수 배달 전문 기업은 주로 음식 주문과 식당 트래픽에 관한 데이터만을 봅니다. 반면 Grab의 AI 모델은 이론적으로 훨씬 더 풍부한 데이터 세트를 흡수할 수 있습니다. 차량 호출을 통한 오전 출퇴근 패턴, 음식 배달을 통한 점심 및 저녁 시간대의 급증(surge), 저녁 시간대의 택배 배송 경로, 그리고 각 단계에서의 결제 흐름 등이 포함됩니다. 이러한 데이터의 교차 수분(cross-pollination)은 더욱 미세한 예측을 가능하게 합니다. 예를 들어, 차량 데이터를 통해 특정 오피스 지구의 인구가 오후 6시에 빠져나간다는 것을 아는 AI는, 해당 지역에서 이어질 저녁 배달 수요 급증에 대비해 드라이버를 더 효과적으로 사전 배치(pre-position)할 수 있습니다.

이 통합 모델은 승차 공유와 음식 배달이라는 유사하게 다양한 데이터(rides and food)를 보유한 Uber와 같은 기업의 접근 방식과는 극명한 대조를 이룹니다. 승부처는 누구의 AI가 이러한 수직적 계열(verticals) 간의 숨겨진 상관관계를 가장 효과적으로 찾아내고 활용하여, 대규모 규모에서 초 단위의 시간을 절약할 수 있느냐가 됩니다. Grab의 발표는 자사의 AI가 정확히 그 일을 수행하고 있으며, 슈퍼 앱(super-app)의 복잡성을 관리적 과제에서 경쟁 우위의 해자(moat)로 전환하고 있다는 주장입니다. 이러한 데이터 중심적 접근 방식은 독점적인 트랜잭션 데이터(transactional data)가 AI 성공의 핵심 요소가 되고 있는 광범위한 변화를 반영하며, 이는 우리가 [Transaction Data Crowns the B2B Payments AI Winners](/fintech/b2b-payments-ai-data) 맥락에서 살펴본 트렌드이기도 합니다.

누가 승리하고, 누가 패배하며, 누가 AI 추진에 회의적인가

초효율적인 AI 기반 물류(logistics)의 도입은 Grab 생태계의 모든 이해관계자에게 새로운 역학 관계를 생성합니다. 그 효과가 일률적으로 긍정적인 것만은 아닙니다.

드라이버 및 배달 파트너들이 그 중심에 있습니다. Turbo를 통해 시간당 수익이 23% 증가한 사례에서 알 수 있듯이, 더 빠른 이동은 동일한 근무 시간 내에 더 많은 수입을 올릴 수 있는 잠재력을 의미합니다. 하지만 이는 또한 그들의 업무가 알고리즘에 의해 더욱 강도 높게 관리됨을 의미하기도 합니다. 업무 사이의 대기 시간(downtime)은 줄어듭니다. 경로 선택은 개인의 선택 문제라기보다 불투명한 최적화(optimization)의 기능이 됩니다. 즉, 더 가혹하게 관리되는 근무 일과를 대가로 더 높은 잠재적 수익을 얻는 트레이드오프(trade-off)가 발생합니다.

레스토랑 파트너들도 유사한 양날의 검에 직면해 있습니다. "Mai"와 같은 예측 도구는 주방의 워크플로우(workflow)를 원활하게 하고 매출을 증대시킬 수 있습니다. 그러나 속도에 최적화된 생태계는 본질적으로 조리 과정이 더 복잡하고 느린 메뉴를 가진 음식점들에게 불리하게 작용할 수 있습니다. 가능한 한 가장 빠른 인계(handoff)를 추구하는 알고리즘은 느린 독립 레스토랑보다 패스트 캐주얼(fast-casual) 체인점을 미묘하게 선호하기 시작할 수 있으며, 이는 잠재적으로 시간이 흐름에 따라 가맹점 기반을 재편할 수 있습니다.

투자자의 관점에서 볼 때, Grab이 연간 가이던스(guidance)를 상향 조정하고 주가가 상승한 것에서 알 수 있듯이, 이는 명백한 승리입니다. 이는 R&D(연구개발) 지출이 비용 절감 및 마진 확대(margin expansion)로 직접 연결됨을 보여줍니다. 그러나 도시 계획가와 시민들에게는 타당한 회의론이 제기됩니다. 만약 AI가 개별 운전자의 효율성을 30% 높여주는 동시에 배달 수요 또한 30% 더 자극한다면, 도시 교통 혼잡에 미치는 순효과(net effect)는 중립적이거나 심지어 부정적일 수 있습니다. 이 시스템은 공공 도로의 건전성이 아니라, 기업과 소비자의 효율성에 최적화되어 있습니다.

내부적으로 Grab의 엔지니어들은 이제 새로운 긴장 상태를 조율하고 있습니다. 즉, 순수한 알고리즘 효율성을 향한 추진력과 교통사고, 악천후, 또는 식당 장비 고장과 같은 현실 세계의 혼란에 대비한 인간 개입 프로토콜(human-override protocols)의 필요성 사이의 균형입니다.

슈퍼 앱의 다음 행보: 더 빠른 음식 배달에서 금융 서비스로

여기서 드러난 가장 전략적인 장기적 승부수는 배달 속도 그 자체에 관한 것이 아닙니다. 그 속도를 만들어내는 데이터를 활용하여 완전히 별도의, 방어 가능한(defensible) 비즈니스를 구축하는 것입니다.

Oey는 회사의 "금융 서비스(financial services)가 계속해서 규모를 확장하고 있으며 현재 변곡점(inflection point)에 와 있다"고 언급했습니다. 이는 별개의 이니셔티브(initiative)가 아닙니다. 배달 시간과 운전자 위치를 예측하는 예측 AI 모델은 그 본질적으로 정교한 행동 및 운영 리스크 분석기(behavioral and operational risk analyzers)입니다.

• 신용 리스크 평가 (Credit Risk Assessment): 피크 시간대에 주문을 이행하는 소규모 식당 가맹점의 신뢰도는 어느 정도일까요? 이들의 과거 배송 속도, 주문량의 일관성, 고객 평점 데이터는 비즈니스 건전성을 나타내는 강력한 대리 지표 (proxy)가 되며, Grab의 가맹점 대출이나 현금 선지급 상품의 언더라이팅 (underwriting)에 유용하게 사용됩니다.
• 현금 흐름 예측 (Cash Flow Prediction): 가맹점의 주간 주문량을 예측하는 AI는 해당 가맹점의 현금 흐름도 예측할 수 있습니다. 이를 통해 적시 운영 자금 (just-in-time working capital)과 같은 자동화된 동적 금융 상품 제공이 가능해집니다.
• 방어 가능한 생태계 (Defensible Ecosystem): 순수 핀테크 스타트업은 이러한 데이터를 쉽게 복제할 수 없습니다. 이 데이터는 수백만 개의 소상공인의 일상적인 물리적 운영에 내재되어 생성되기 때문입니다. 최종 목표는 물류 AI를 금융 서비스 생태계의 엔진으로 사용하여, 핵심 자산인 초미세 실시간 운영 데이터 (hyper-granular, real-time operational data)가 Grab의 슈퍼앱(super-app)에만 존재하는 독보적인 경쟁력을 바탕으로 경쟁으로부터 격리된 생태계를 구축하는 것입니다.

운영 AI (operational AI)를 기반으로 물류에서 핀테크로 전환하는 이러한 움직임은, 플랫폼이 핵심 거래 데이터를 사용하여 경쟁자를 차단하는 더 큰 패턴의 일부이며, 이는 우리가 [Card Networks Stretch Beyond Payments to Box In Rivals](/fintech/card-networks-money-movement) 분석에서 탐구했던 전략과 유사합니다.

시간 및 자본을 향한 Grab의 AI 레이스

Grab의 발표는 새로운 기준을 설정했습니다. 30% 효율성 향상이라는 주장은 오래가지 않아 차별화 요소가 아닌, 기본적인 기대치 (baseline expectation)가 될 것입니다. Grab이 운영되는 모든 시장의 경쟁자들은 자신들만의 수치화된 AI 지표로 대응해야만 할 것이며, 이는 과거에 "기술적 우위"였던 것을 단순한 사업 비용으로 변모시킬 것입니다. 레이스는 단순히 AI를 보유하는 것을 넘어, AI가 매일 수익 (bottom-line)에 미치는 영향을 입증하는 단계로 격상되고 있습니다.

다음 개척지는 이미 눈에 보이고 있습니다: 바로 예측적 수요 창출 (predictive demand generation)입니다. 오늘날의 AI는 기존 수요의 이행 (fulfillment)을 최적화합니다. 내일의 AI는 잠재적 수요를 예측하고 자극하려고 시도할 것입니다. 단순히 운전자를 당신의 저녁 주문지로 효율적으로 경로 안내하는 AI가 아니라, 당신이 늦게까지 일하고 있고, 비가 오고 있으며, 당신이 평소 즐겨 찾는 식당의 조리 시간이 평균보다 짧다는 것을 알고 당신에게 저녁 주문을 유도하는 AI를 생각해 보십시오.

Grab에게 닥친 가장 큰 위험은 기술적 실패가 아니라 규제 조사 (regulatory scrutiny)입니다. 이러한 알고리즘이 긱 경제 (gig economies)를 관리하는 데 있어 더욱 강력해짐에 따라, 동남아시아 정부들은 알고리즘 노동 관행, 데이터 프라이버시, 그리고 시장 지배력에 대한 조사를 강화할 가능성이 높습니다. Grab에게 AI 경쟁 우위를 제공하는 바로 그 데이터 다양성이 반독점 (antitrust) 우려를 불러일으킬 수 있습니다. Oey가 언급했듯이 여전히 규제 검토 단계에 있는 대만 내 foodpanda 인수를 회사가 신중하게 진행하고 있는 것은 이러한 광범위한 과제의 전조입니다.

Grab은 AI를 실험실에서 재무제표 (balance sheet)로 옮겨 놓았습니다. 다음 분기 보고서는 AI가 "Grab의 삶의 방식에 내재되어 있는가"가 아니라, 그 내재된 시스템들이 마침내 가장 중요한 유일한 지표인 수익 (profit)에 대해 두 자릿수 개선을 계속해서 가져다줄 수 있는지에 따라 평가받게 될 것입니다.

핵심 요약 (The Bottom Line)

• 물류 분야에서의 구체적인 30% 속도 향상을 통해 핵심 비즈니스 효율성에 미치는 AI의 실질적인 영향을 입증했습니다.
• 영업 이익이 186% 급증함에 따라, 성장 우선에서 수익성 중심 운영으로의 전환을 시사합니다.
• AI를 재무적 레버리지 (financial lever)로 강조하며, 기술자뿐만 아니라 CFO와 투자자들에게도 유의미한 요소로 만들었습니다.

원문은 XOOMAR에 게시되었습니다. 더 많은 뉴스 및 분석을 원하시면 XOOMAR를 방문하세요.