도어대시 공동창업자 인터뷰: 자율배달 로봇 DOT과 대화형 주문이 바꾼 소비 행동

핵심 메시지

• 대화형 주문 기능을 쓴 음식 주문의 절반이 한 번도 시켜 본 적 없는 가게에서 이뤄졌고, 식료품은 장바구니 규모가 약 40% 커졌다.
• 도어대시는 2018년부터 자율주행을 살펴봤고, 여러 업체와 제휴한 끝에 자사 용도에 맞는 로봇이 없다고 판단해 직접 만들었다.
• 자체 로봇 DOT은 무게 약 136kg(300파운드), 최고 시속 32km(20마일)로 인도와 자전거 도로, 차도를 오가며 피닉스에서 2년 넘게 배달했다.
• 지금의 병목은 자율주행 기술 자체보다 운영과 하드웨어 양산이다. 로봇 부팅 스크립트, 낙엽 위 바퀴 토크 같은 현장 문제가 규모를 막는다.
• 창업자는 로봇과 AI가 늘어도 10년 뒤 배달 인력은 줄지 않고 오히려 늘어날 것으로 본다.

쉽게 이해하기

노 프라이어스 팟캐스트에 도어대시 공동창업자 앤디 팡과 스탠리 탕이 출연해, 대화형 주문과 자율배달 로봇이라는 두 축을 어떻게 밀고 있는지 설명했다. 두 사람이 먼저 시도한 것은 음성이었지만 잘 되지 않았고, 대신 자연어로 대화하듯 주문하는 방식이 자리를 잡았다. 사용자가 머릿속 생각을 검색어로 바꾸는 대신 그대로 말하면 된다는 점이 통했다는 것이다.

행동 변화는 숫자로 드러났다. 대화형 주문으로 음식을 시킨 경우의 절반이 한 번도 이용한 적 없는 가게였는데, 이는 그동안 회사가 가장 움직이기 어려워하던 지표였다. 식료품에서는 장바구니 규모가 약 40% 커졌다. 냉장고 안을 사진으로 찍어 채워 달라고 하거나, 식이 제한을 알려 주고 한 주 식단을 짜거나, 늘 사던 것을 다시 주문하는 식의 사용이 늘었다. 여기에 모델이 학습 시점 이후의 정보를 모른다는 점을 보완하려고 외부의 최신 화제까지 끌어와 추천에 반영했다고 한다.

로봇 쪽 이야기는 더 길다. 회사는 2018년부터 자율주행을 들여다봤는데, 처음에는 직접 만들 생각이 없어 인도 주행 로봇부터 로보택시까지 업계 대부분과 제휴해 봤다. 그 과정에서 얻은 결론은 자사의 용도에 맞는 물건이 없다는 것이었다. 시속 3km 남짓한 인도 로봇은 평균 5~8km에 이르는 배달 거리를 감당하지 못했고, 사람을 태우도록 설계된 1.8t짜리 로보택시는 음식 몇 개를 옮기기에 과했다. 그래서 그 사이에 있는 형태, 즉 오토바이나 자전거에 가까운 차체를 직접 만들기로 했다.

그렇게 나온 DOT은 무게 약 136kg에 최고 시속 32km로, 자동차의 10분의 1 크기다. 인도만 다니는 것이 아니라 자전거 도로와 차도까지 오가도록 설계됐고, 피닉스 지역에서 2년 넘게 실제 배달을 해 왔으며 지난해 완전 자율 단계에 도달했다. 다만 두 사람이 강조한 것은 기술 자체보다 그 주변이었다. 낙엽 위에 오른쪽 바퀴만 올라갔을 때 좌우 토크를 다르게 줘야 하는 문제, 급제동 때 회생 제동이 배터리 쪽에 부담을 주는 문제, 아침마다 로봇 수백 대를 켜는 스크립트가 자꾸 실패해 생산성을 갉아먹던 문제처럼, 시연 환경에서는 보이지 않던 것들이 규모를 키우자 한꺼번에 튀어나왔다.

이들이 자신하는 근거는 데이터다. 사람 배달원이 실제로 어느 지점에 물건을 놓았는지에 대한 기록은 지도 서비스에도 없고 자사 안에만 있다는 것이다. 이른바 '마지막 30m 문제', 즉 아파트 단지에서 어느 문 앞으로 가야 하는지를 푸는 열쇠가 여기에 있다. 회사는 배달 형태에 따라 로봇, 드론, 사람을 섞어 쓰는 다중 방식으로 가겠다고 밝혔다. 계단을 오르내리며 장을 대신 봐 주는 주문은 여전히 사람 몫이다. 사내 AI 활용에 대해서도, 6월 지출이 1월의 20배까지 뛴 뒤 지금은 평평해졌으며 투자 대비 효과를 재기 위해 코딩 과제용 자체 평가 기준을 만들었다고 설명했다.

주요 인사이트

• 대화형 인터페이스는 편의성만 개선하는 것이 아니라 수요의 방향을 바꾼다. 새 가게 주문 비중이 절반에 이르렀다는 것은, 그동안 탐색이 번거로워 억눌려 있던 수요가 있었다는 뜻이다.
• 하드웨어와 AI에서는 기술을 먼저 만들고 쓸 곳을 찾는 순서가 자주 실패한다. 사용 사례에서 거꾸로 내려와야 인도 로봇도 로보택시도 아닌 중간 형태라는 답이 나온다.
• 현실 세계의 분포는 상상으로 채울 수 없다. 낙엽 위 바퀴 토크처럼 아무도 예상하지 못한 사례는 실제 운행 데이터에서만 나오고, 이것이 실물 서비스를 가진 기업의 진짜 데이터 우위다.
• 자율주행 사업의 병목은 시간이 지나며 이동한다. 5년 전에는 자율주행이 되느냐가 문제였다면 지금은 운영, 상용화, 부품 공급망과 양산이 문제다. 하드웨어가 다시 어려운 축으로 돌아왔다.
• 사내 AI 도입도 결국 측정의 문제다. 팀에 물으면 '그럭저럭 쓸 만하다'는 답이 오지만, 실제 기업 데이터를 넣으면 성능이 떨어지는 구간이 드러난다. 그래서 자체 기준을 만들어 비용 대비 효과를 따져야 한다.

자주 묻는 질문

관련 AI 소식