- Wallmart는 기존 AI 솔루션을 구매하지 않고, 자체 AI Foundry 플랫폼 Element를 통해 AI앱을 개발하며, 150만 직원이 이를 활용 중
-
LLM에 종속되지 않는 구조를 통해 매 쿼리마다 최적의 모델을 선택할 수 있어, 비용 효율성과 성능 최적화를 동시에 실현함
-
AI 앱을 프로젝트가 아니라 제품처럼 대량 생산하는 'Foundry 모델'을 도입해 개발 속도를 획기적으로 향상시킴
- 업무 일정, 실시간 번역, 대화형 AI, 재고 관리 등 5개 핵심 앱을 빠르게 출시하며, 앱 개발 주기를 수 주 단위로 단축
- 공급망 데이터를 중심으로 운영과 피드백을 결합해, 운영 데이터를 실시간으로 분석하고 반영하여 지속적으로 개선되는 AI 앱을 만들고 있음
- 월마트는 AI를 ‘설치하는 소프트웨어’가 아니라 ‘내재화된 역량’으로 전환하고, 이를 통해 경쟁사와의 격차를 계속 확대하고 있음
Walmart isn’t buying enterprise AI solutions — they’re creating them
자체 AI 플랫폼 Element 개발
- 월마트는 외부 AI 벤더가 아닌 내부 AI Foundry를 통해 Element 플랫폼을 개발함
- 이 플랫폼은 전통적인 소프트웨어 개발 속도를 넘어서는 속도로 AI 애플리케이션을 생산함
- 150만 직원 중 매주 90만 명의 직원이 사용하며, 하루 3백만 건의 쿼리를 처리할 정도로 대규모 확장성을 보여줌
- 실시간 번역은 44개 언어, 교대 근무 일정 계획 시간은 90분에서 30분으로 단축됨
- 이는 단일 앱 성공이 아닌, 산업화된 AI 개발 방식의 효과를 보여주는 초기 신호임
LLM-agnostic 설계 철학과 오픈소스 기반 설계
- Element는 특정 대형 언어 모델(LLM)에 종속되지 않고, 유연하게 모델을 선택할 수 있는 구조를 가짐
- 사용 목적이나 쿼리 유형에 따라 비용 대비 가장 효과적인 LLM을 자동 선택함
- 플랫폼 구조에 오픈소스 통합 옵션이 기본 탑재되어 있어 확장성과 유연성이 높음
The first wave reveals the principles of the foundry model
첫 번째 Foundry 앱 생산 사례
- 다음 5가지 주요 애플리케이션이 Foundry 방식으로 동일한 플랫폼 위에서 "제조"됨
-
AI 일정 관리: 관리자당 하루에 기존 90분 걸리던 업무 계획을 30분으로 단축, 공급망 데이터를 기반으로 작업 우선순위 결정
-
실시간 번역: 44개 언어 지원, 언어쌍에 따라 최적 모델 자동 선택
-
대화형 AI: 일일 3만 건 질의에 응답, 반복 작업에 대해 사람 개입 없이 해결
-
AR 기반 VizPick: RFID + 컴퓨터 비전 기술로 재고 정확도 85%→99% 달성
-
MyAssistant: 사내 문서와 데이터를 분석하는 도우미
-
공유 인프라와 통합된 데이터 파이프라인으로 중복 개발을 방지함
- 모든 앱은 동일한 배포 패턴, 품질 관리, 피드백 구조를 공유하며 생산 공정처럼 표준화됨
반복 가능한 생산 체계
- Element는 각 앱을 독립적인 프로젝트로 보지 않고, 조립식 제품처럼 생산
-
데이터 과학자가 사양을 제출하면, 플랫폼이 모델 선택부터 인프라, 배포까지 자동 처리
- 이전 앱에서 검증된 컴포넌트를 재활용할 수 있어, 신규 앱 개발 마찰이 거의 없음
How Walmart’s foundry model changes development economics
AI 개발 경제학의 전환
- 전통적인 기업 AI는 벤더 평가, 계약 협상, 통합을 반복하며 시간과 비용이 소모됨
- 반면 Element는 여러 앱 개발 요청을 병렬 처리하며 낭비를 최소화
- 생산성과 속도는 린 제조 수준으로, 앱이 아이디어 단계에서 즉시 개발로 전환됨
- 일정 계획, 대화형 AI, AR 재고 시스템 등 모두 Element 기반으로 빠르게 구축됨
Supply chain data becomes development fuel
공급망 데이터를 앱 개발 연료로 전환
- Element는 공급망 시스템과 연결되어 트럭 도착, 쇼핑 패턴, 직원 피드백 등을 자동 수집
- 이 데이터는 작업 우선순위 결정, 소비자 행동 예측, 지역별 조건에 따른 맞춤 모델 배포에 활용됨
- 운영 복잡성을 통합 데이터로 전환하여, 매장별 맞춤형 앱 개발이 가능해짐
Walmart has a model arbitrage strategy
모델 아비트라지 전략
- Element는 AI 모델 간 성능-비용 비교를 실시간으로 수행하여 최적의 경로로 쿼리를 처리
- 쿼리별 복잡도에 따라 기본 또는 프리미엄 모델로 자동 라우팅함
- 신규 모델이 출시되면 즉시 테스트 및 배포 가능, 기존 모델 성능이 향상되면 자동 적용됨
- 예: 번역 도구는 언어쌍에 따라 서로 다른 최적 모델을 선택함
How Walmart integrates real-time feedback
실시간 피드백 통합 구조
- 직원들의 앱 사용은 단순한 소비가 아니라, 개선 신호를 생성하는 구조로 설계됨
- 대화형 AI는 3만 건 쿼리를 통해 모델 성능, 쿼리 유형, 만족도를 측정하고 피드백으로 반영
- 신규 앱은 이전 앱의 피드백을 학습한 상태로 출시되어, 런칭 초기부터 고성능 제공 가능
- 이를 위해 정교한 데이터 파이프라인, 모델 버전 관리, 배포 오케스트레이션 구조를 갖춤
Why internal Foundries beat external platforms
내부 Foundry가 외부 플랫폼을 능가하는 이유
- 외부 플랫폼은 범용성을 위해 기능을 일반화함 → 특정 조직에 완벽히 맞지 않음
- 월마트는 210만 명 직원의 공통된 업무, 용어, 목표에 맞게 플랫폼을 최적화함
- 새로운 요구가 생기면, 벤더 협상 없이 즉시 개발 가능 → 아이디어에서 제품까지 빠르게 연결됨
Assessing the competitive implications
경쟁적 함의
- Foundry 방식은 앱을 만들수록 플랫폼 자체가 강화되고, 사용자 인터랙션은 모델 선택을 개선하며, 각 배포는 다음 앱의 생산 기준이 됨
- 경쟁사들은
- 자체 플랫폼 구축이라는 막대한 투자를 감수하거나
-
외부 솔루션의 한계를 수용하거나
- 아무것도 하지 않아 격차가 점점 커지는 위험을 떠안게 됨
- 예: 일정 앱 하나만으로도 관리자당 하루 1시간 절약 → 전국적으로는 수백만 달러 절감 효과 발생
Lessons learned from Walmart’s enterprise AI Foundry blueprint
Foundry 설계의 4대 원칙
- 1. AI 모델은 교체 가능한 부품처럼 다뤄야 함
- LLM 독립 구조로 벤더 락인 방지 및 최적화 지속 가능
- 2. 데이터 접근 통합이 우선
- Element는 LLM의 세계 지식과 월마트의 내부 데이터를 통합함
- 3. AI 개발을 산업화해야 함
- Foundry 모델을 통해 개발 → 배포 → 반복의 표준 공정화
- 4. 처음부터 피드백을 설계에 반영
- 피드백 루프 내장으로 사용할수록 성능이 향상되는 앱 구조
Walmart just created the enterprises’ new imperative
기업 AI의 새로운 전환점
- 월마트는 AI를 ‘도입’한 것이 아니라, AI를 만드는 능력 자체를 확보함
- AI를 개별 소프트웨어가 아니라 조립 가능한 제품군으로 간주함
- 직원과의 인터랙션이 시스템을 더 똑똑하게 만들고, 배포될수록 플랫폼이 정교해짐
- AI 성공의 핵심은 모델 선택이 아니라, 조직의 AI 생산 역량 구축임
- 월마트는 AI를 소프트웨어가 아닌 전략적 자산으로 정의한 첫 기업 중 하나로 자리매김함