[전문가 기고] 기업 AX의 성패는 모델이 아니라 운영 설계에 달렸다 작성일 07-09 8 목록 <div id="layerTranslateNotice" style="display:none;"></div> <div class="article_view" data-translation-body="true" data-tiara-layer="article_body" data-tiara-action-name="본문이미지확대_클릭"> <section dmcf-sid="UhU9zJlwWd"> <figure class="figure_frm origin_fig" contents-hash="01a9c8b51d1c76c990e6ab348db5fc692247033107efd969010333a6db594291" dmcf-pid="ulu2qiSrWe" dmcf-ptype="figure"> <p class="link_figure"><img alt="레드브릭 양영모 대표[사진=레드브릭]" class="thumb_g_article" data-org-src="https://t1.daumcdn.net/news/202607/09/552779-26fvic8/20260709154858874hgza.png" data-org-width="640" dmcf-mid="p0vZWbaelJ" dmcf-mtype="image" height="auto" src="https://img3.daumcdn.net/thumb/R658x0.q70/?fname=https://t1.daumcdn.net/news/202607/09/552779-26fvic8/20260709154858874hgza.png" width="658"></p> <figcaption class="txt_caption default_figure"> 레드브릭 양영모 대표[사진=레드브릭] </figcaption> </figure> <div contents-hash="21af8428d4a6c70f7d6f500d3d8c1cc6750a80d118342df1805dca90a4095fc5" dmcf-pid="7S7VBnvmTR" dmcf-ptype="general"> <br>생성형 AI 도입이 빠르게 확산되면서 기업 전반에서 AI 전환을 핵심 경영 과제로 인식하는 움직임이 커지고 있다. 많은 기업이 챗봇, 문서 요약, 데이터 분석, 업무 자동화 등 다양한 영역에서 AI 적용을 시도하고 있으나, 실제 현장에서 AX 프로젝트를 진행해보면 AI를 도입했다는 사실만으로 전사적 확산이나 실질적인 업무 변화가 곧바로 만들어지지는 않는다. </div> <p contents-hash="2ac127e35efe5e69f9dd2d163776b6d2bebfe8265a46bc69d5669440f1f3b785" dmcf-pid="zvzfbLTsTM" dmcf-ptype="general">이러한 현실은 글로벌 조사 결과에서도 확인된다. 지난해 11월 2000여 개 글로벌 기업을 대상으로 진행된 한 설문조사에 따르면, 응답 기업의 62%가 AI 에이전트를 실험 중이라고 답했다. 반면 특정 기능에서라도 본격적인 전사 확산 단계에 도달한 기업은 10% 미만에 그쳤다. AI에 대한 관심과 실험은 빠르게 늘고 있지만, 이를 실제 업무 안에 정착시키는 일은 여전히 쉽지 않다는 의미다.</p> <p contents-hash="d1189505eb1545aeee04a01a1799af5af4ff11b18aaffff4a5e857465b26c668" dmcf-pid="qH2x4AXSlx" dmcf-ptype="general">필자는 그 이유가 단순히 기술의 한계에만 있다고 보지 않는다. 오히려 지금 기업들이 마주한 가장 큰 과제는 AI 모델을 선택하는 문제가 아니라, AI가 조직 안에서 지속적으로 작동할 수 있는 업무 구조와 운영 체계를 설계하는 문제에 가깝다.</p> <div contents-hash="19b7a8f5f2b55a8de0de2310ad19e14da88ae8937f0155ccbc6c44b25574f8d3" dmcf-pid="BXVM8cZvlQ" dmcf-ptype="general"> 초기 생성형 AI 도입 논의에서는 어떤 모델을 쓸 것인지, 어떤 기능을 구현할 수 있는지가 주요 관심사였다. 그러나 최근 기업들이 AX 프로젝트에서 묻는 질문은 달라지고 있다. 현업 구성원이 실제 업무에서 AI를 어떻게 활용하고 내재화할 수 있을지, 어떤 업무부터 적용해야 투자 효과(ROI)를 만들 수 있을지, 지속 가능한 운영 체계는 어떻게 구축해야 할지에 대한 고민이 커지고 있다. <br> <div> <strong>같은 모델을 써도 정확도가 갈리는 이유: 지식 시스템</strong> </div> <br>이 차이를 가장 극명하게 보여주는 영역이 기업의 지식 시스템, 즉 AI가 기업 내부 문서를 얼마나 정확히 읽고 검색해 답변하는가이다. 많은 기업이 최신 모델만 도입하면 정확한 답변을 얻을 수 있을 것으로 기대하지만, 실제 정확도를 좌우하는 것은 모델이 아니라 그 앞 단계의 설계다. 사내 문서가 어떤 형태로 존재하는지 파악하고, 이를 손실 없이 데이터로 변환하며, 질문 의도에 맞는 정보를 찾아오는 검색 파이프라인(RAG)을 어떻게 설계하느냐가 최종 답변 품질을 좌우한다. </div> <p contents-hash="065c60f74b15e863c47e159fb06587d5fe940554e459fe35f065f5829e821086" dmcf-pid="bZfR6k5TlP" dmcf-ptype="general">특히 국내 기업 환경에서는 이 문제가 훨씬 까다롭다. 실제 기업의 문서 폴더를 열어보면 텍스트 계층이 살아있는 전자문서뿐 아니라, 스캔된 계약서, 촬영된 통장 사본, 등기부등본, 이해관계자 서류처럼 이미지로만 존재하는 한국어 금융·법률 문서가 상당수를 차지한다.</p> <p contents-hash="113f42aacfca737cd11c192f17ae8b5d1fcf968fafcbf251e17a81b6dedaf617" dmcf-pid="K54ePE1yl6" dmcf-ptype="general">이런 문서에서는 단순한 텍스트 추출 방식의 도구들이 한글을 깨뜨리거나 표 구조를 무너뜨려 사실상 사용할 수 없는 결과를 내놓는다. 반면 이미지 자체를 정밀하게 인식하는 방식은 원본 서식과 숫자, 한글 정보를 훨씬 높은 수준으로 보존할 수 있다. 같은 문서, 같은 모델이라도 어떤 처리 체계를 설계하느냐에 따라 결과가 업무에 바로 활용 가능할 수 있는 결과와 활용이 어려운 결과로 나뉜다.</p> <div contents-hash="0d2c9c55bfc75bb9c18217f33425781b965b86104b627632c2a1ddca2a44baad" dmcf-pid="918dQDtWW8" dmcf-ptype="general"> 레드브릭이 문서 파싱과 RAG 파이프라인에 지속적으로 R&D를 추진하고, 엔터프라이즈 환경에서 높은 정확도와 신뢰성을 갖춘 지식 시스템을 구축하려는 이유가 여기에 있다. 실제 기업 문서에 포함된 스캔 기반 한국어 문서를 대상으로 여러 처리 방식을 정밀 비교·검증한 결과, 문서 유형에 따라 최적의 처리 경로가 완전히 달라진다는 점을 확인했다. <br> <div> <strong>현장에서 AI가 작동하기 위한 조건</strong> </div>기업 현장에서 AI가 실제로 작동하기 위해서는 몇 가지 조건이 필요하다. 먼저 현업의 업무 흐름을 정확히 이해해야 한다. AI를 적용할 수 있는 업무와 그렇지 않은 업무를 구분하고, 우선적으로 성과를 낼 수 있는 영역을 선별해야 한다. 이후에는 기업 내부 데이터와 기존 시스템을 연결하고, 사용자 권한, 보안, 감사 로그, 운영 정책 등을 함께 설계해야 한다. AI가 특정 기능으로만 머무르지 않고 조직의 업무 방식 안에 자리 잡기 위해서는 이러한 운영 설계가 필수적이다. </div> <div contents-hash="65b776a67871169836b6db4e602bdd5d69c5316c7154ef59ddff8715bb4b461c" dmcf-pid="2t6JxwFYv4" dmcf-ptype="general"> 레드브릭이 FDE 기반 접근 방식을 적용하는 이유도 여기에 있다. FDE는 단순히 기업의 요구사항을 듣고 솔루션을 제공하는 방식이 아니다. 현업의 업무 흐름과 데이터 구조를 함께 분석하고, AI가 실제 업무 환경에서 작동할 수 있도록 적용 영역, 시스템 연계, 운영 체계까지 함께 설계하는 실행 중심의 AX 접근 방식이다. 앞서 설명한 지식 시스템 설계 역시 이 FDE 접근의 한 축으로, 기술 도입에 앞서 “이 기업의 문서는 어떤 형태이고, 어떻게 읽어야 정확한가”와 같은 질문부터 함께 푸는 방식이다. <br> <div> <strong>실제 성과 : 홍콩 이커머스 PoC</strong> </div>최근 레드브릭은 홍콩의 이커머스 기업과 FDE 기반의 AX 프로젝트 PoC를 수행하며 의미 있는 생산성 개선 효과를 확인했다. 해당 기업은 상품 선정 및 프로모션 추천 프로세스를 AI 기반으로 고도화해, 보다 효율적이고 신속한 의사결정 체계를 구축하고자 했다. 핵심은 데이터 기반으로 향후 글로벌 각 지역에서 어떤 상품이 높은 수요를 보일지 예측하고, 이를 추천 프로세스에 반영하는 구조를 만드는 것이었다. </div> <p contents-hash="0c496b5ac6ae615581672c02c8d455cbed3a88cb4e6eec1057478d4e20c76ff1" dmcf-pid="VFPiMr3Ghf" dmcf-ptype="general">PoC 결과, 기존에는 4명이 약 5일간 수행하던 업무를 AX 플랫폼 도입 이후 1명이 1일 이내에 처리할 수 있게 됐다. 단순히 AI 기능을 적용한 것이 아니라, 데이터 분석과 추천 프로세스, 업무 흐름을 함께 재설계했기 때문에 가능했던 결과다. 앞서 살펴본 지식 시스템이 정확한 데이터를 공급하는 토대라면, 이 사례는 그 위에서 업무 흐름 전체를 재설계했을 때 나타나는 성과를 보여준다.</p> <p contents-hash="48eac4f7eaf4728b29ff1ae50c2b14182deaf165565ce892de31a8eedadbff46" dmcf-pid="f3QnRm0HCV" dmcf-ptype="general">이처럼 AI 적용 범위가 실제 업무 환경으로 확장되면서 AX 프로젝트가 다루는 영역 역시 넓어지고 있다. 기업 환경에서는 단순히 최신 AI 모델을 적용하는 것만으로는 충분하지 않다. AI가 조직 내에서 안정적으로 작동하기 위해서는 업무 목적과 특성에 따른 데이터 구조 설계와 기존 시스템 연계뿐 아니라, 기업 환경에 맞는 멀티-LLM 구성과 RAG 기반 데이터 활용 체계, 사용자별 권한 관리와 감사 로그 등 AI 운영 환경 전반을 함께 고려해야 한다.</p> </section> </div> 관련자료 이전 답답한 현실. 게임에서라도 사이다 느껴보자 07-09 다음 골드만삭스의 AI 랠리 GG 선언 : 소프트웨어 거품 시대의 종언 07-09 댓글 0 등록된 댓글이 없습니다. 로그인한 회원만 댓글 등록이 가능합니다.
