01
상담 중
생성형 AI 적용
문서 요약, 사내 검색, 상담 보조처럼 언어를 다루는 반복 작업에 붙입니다.
Litmers · AI · 디지털 전환
AI와 디지털 전환을 업무에 붙이는 방법
도구 이름을 먼저 정하는 대신, 어디에서 시간이 새는지 확인하는 단계부터 시작합니다. 생성형 AI, 업무 자동화, 데이터 활용, 시스템 현대화를 하나의 흐름으로 정리했습니다.
검토 중인 네 가지 적용 영역
옆으로 넘겨 전체 보기
진단이 먼저인 이유
한국 시장에서 디지털 역량 성숙도를 먼저 평가하자는 흐름이 자리 잡은 데는 이유가 있습니다. 시스템을 새로 사는 일과 업무가 실제로 개선되는 일은 다릅니다.
반복 업무의 빈도
하루에 몇 번, 한 주에 몇 번 되풀이되는지 세어 봅니다. 횟수가 적으면 자동화 비용이 더 큽니다.
담당 인력
누가 처리하고, 그 사람이 다른 일에 쓸 시간이 얼마나 남는지 확인합니다.
예외 처리 방식
예외가 얼마나 자주 나오고, 그때 사람이 무엇을 하는지 적어 둡니다. 여기서 자동화 범위가 갈립니다.
데이터가 쌓이는 위치
같은 내용이 여러 곳에 다르게 저장되어 있으면 요약과 검색 결과가 흔들립니다.
네 가지가 정리되면 자동화 후보와 그렇지 않은 영역이 자연스럽게 나뉩니다. 전략 진단 없이 도구를 들이면 기존 방식 위에 비용만 얹히는 결과가 나오기 쉽습니다.
적용 지점
상담 기록을 요약해 CRM에 남기거나, 문의 내용을 분류해 담당자에게 배분하는 식으로 기존 흐름에 붙습니다. 기술 자체보다 어디에 붙는지가 더 중요하게 다뤄집니다.
생성형 AI가 붙는 지점
생성형 AI는 문서 요약, 사내 검색, 상담 보조, 보고서 초안 작성처럼 언어를 다루는 반복 작업에 맞습니다. 데모에서는 그럴듯해 보이지만, 실제 업무에 붙이려면 검토 절차와 오류 처리 규칙이 함께 있어야 합니다.
누가 결과를 확인하고, 틀렸을 때 어떻게 되돌리는지가 정해지지 않으면 현장에서 쓰이지 않습니다. 웹, 모바일, 백오피스 자동화와 결합되는 경우가 많아 프로젝트 범위가 함께 커지는 일도 흔합니다.
모델 선택
한국어 서비스와 모델 선택
한국어 대화형 서비스에서는 자연스러움이 주요 기대치입니다. 모델을 하나로 정하기보다 업무별로 배치하는 편이 현실적입니다.
국내 대화형 모델
카카오가 공공 AI 논의에서 언급한 Kanana는 카카오톡 같은 생활 밀착 채널과 결합되는 맥락이 강하고, 대화형 서비스와 에이전트형 경험의 기반으로 거론됩니다. 상담 응대처럼 짧고 자연스러운 한국어 상호작용이 중요한 업무에 맞습니다.
실시간 검색 기반 에이전트
KT가 2026년 공공 AI 경쟁에서 소개한 Ieum은 실시간 검색 기반 에이전트로, 행정, 교육, 쇼핑 등 약 10개 분야를 연결하는 구조가 언급되었습니다. 공공 서비스가 단순 검색형 AI보다 에이전트를 선호하는 흐름을 보여주는 사례입니다.
범용 작업이나 다국어 처리는 글로벌 모델이 맞는 경우가 많습니다. 대화 품질과 작업 성격을 나눠 판단하고, 업무마다 적합한 모델을 배치하는 구성이 일반적입니다.
업무 자동화의 범위 정하기
자동화 후보를 정할 때는 사람이 개입해야 하는 지점을 먼저 표시합니다. 승인, 예외 처리, 대외 발송처럼 책임이 따르는 단계는 자동화보다 보조가 맞습니다.
범위를 한 번에 넓히지 않습니다. 한두 개 업무에서 결과를 확인하고, 검토자 피드백을 반영한 뒤 확장합니다. 이 순서를 지키면 실패 비용이 작습니다.
진행 절차 확인하기사람이 남는 단계
- 승인과 결재
- 초안은 자동으로 만들되 결재선은 그대로 둡니다. 누가 책임지는지 바뀌지 않습니다.
- 예외 처리
- 정해진 형식을 벗어난 건만 사람에게 올립니다. 예외 목록이 곧 개선 목록이 됩니다.
- 대외 발송
- 고객에게 나가는 문장은 검토를 거칩니다. 보조 도구가 초안까지 맡습니다.
효과가 큰 단계
정형 데이터 입력, 알림, 집계, 초안 생성은 자동화 효과가 큰 영역입니다. 반복 횟수가 많고 결과를 눈으로 비교할 수 있어, 개선 여부를 판단하기 쉽습니다.
데이터 활용과 정리
AI 기능의 품질은 데이터 상태에 좌우됩니다. 도입 전에 어떤 데이터를 쓸 수 있는지, 어디에 있는지, 최신 상태인지 확인하는 작업이 필요합니다.
서비스 범위 보기- 무엇을 쓸 수 있는가
- 요약과 검색에 실제로 쓰이는 문서와 기록의 범위를 정합니다. 쓰지 않을 데이터도 함께 표시해 둡니다.
- 어디에 있는가
- 업무 도구마다 흩어진 위치를 확인합니다. 같은 내용이 여러 곳에 다르게 저장되어 있으면 결과가 흔들립니다.
- 최신 상태인가
- 갱신 주기와 담당자를 적어 둡니다. 오래된 사본이 섞이면 요약의 신뢰가 떨어집니다.
- 개인정보 범위
- 개인정보가 포함된 데이터는 활용 범위를 별도로 정합니다. 외부 전송 여부와 학습 사용 조건을 확인하고, 필요한 경우 마스킹이나 사내 환경 구성을 검토합니다.
시스템 현대화와 연결
AI 기능은 대개 기존 시스템 위에 얹힙니다. 그래서 레거시 개선, 클라우드 전환, 하이브리드 구성이 함께 논의됩니다. 어떤 시스템은 그대로 두고 인터페이스만 여는 편이 낫고, 어떤 것은 손대는 순간 멈춰야 합니다. 이 경계를 진단 단계에서 문서로 남깁니다.
그대로 두고 인터페이스만 여는 경우
안정적으로 돌아가고 있는데 손댈 이유가 적다면, 바깥에서 데이터를 읽고 쓰는 통로만 만드는 편이 낫습니다. 기존 화면과 권한 체계는 그대로 둡니다.
교체와 최적화 사이
ERP를 교체할지 최적화할지도 같은 판단입니다. 교체는 비용과 리스크가 크고, 최적화는 범위가 제한적입니다. 현재 사용 범위와 병목 지점을 확인한 뒤 비교해 제안합니다.
도입 후 운영
AI 기능은 출시 후에도 조정이 필요합니다. 답변 품질이 떨어지는 사례를 모으고, 프롬프트와 검색 범위를 손보는 작업이 이어집니다.
이 과정을 담당할 사람과 주기를 정해두지 않으면 초기 결과물이 방치됩니다. 운영 기록이 쌓이면 다음 확장 후보가 명확해집니다.
-
1
품질이 떨어진 사례를 모읍니다
어떤 질문에서 결과가 어긋났는지 기록합니다. 사람이 다시 개입한 지점이 가장 좋은 단서입니다.
-
2
프롬프트와 검색 범위를 손봅니다
참조할 문서를 좁히거나 넓히고, 답변 형식을 다듬습니다. 작은 조정을 자주 하는 편이 낫습니다.
-
3
다음 확장 후보를 정합니다
실제로 쓰이는 기능과 그렇지 않은 기능을 나눠 보면 우선순위를 다투지 않아도 됩니다.
자주 나오는 질문
도입 검토 단계에서 반복해서 나오는 질문을 정리했습니다. 여기에 없는 조건은 상담에서 함께 확인합니다.
AI 프로젝트는 어디서부터 시작하나요?
반복 업무와 데이터 위치를 확인하는 진단 단계부터 시작합니다. 그 결과로 자동화 후보 목록을 만들고 우선순위를 정합니다.
국산 모델과 글로벌 모델을 함께 쓸 수 있나요?
가능합니다. 업무별로 적합한 모델을 배치하는 구성이 일반적입니다. 한국어 대화 품질과 범용 작업 성격을 나눠 판단합니다.
사내 데이터를 외부로 보내지 않고도 가능한가요?
데이터 성격과 정책에 따라 다릅니다. 외부 전송 없이 구성 가능한 범위를 먼저 확인해 안내드립니다.
공공 부문 프로젝트 경험이 있나요?
공공 협력 성격의 프로젝트를 다룹니다. 규제와 보안 요구사항이 있는 경우 사전 확인 항목을 목록으로 정리해 진행합니다.
어디에서 시간이 새는지부터 확인합니다
반복 업무의 빈도, 담당 인력, 예외 처리 방식, 데이터가 쌓이는 위치를 함께 확인하면 자동화할 영역과 사람이 남을 영역이 나뉩니다. 상담에서는 이 네 가지를 기준으로 적용 범위를 정리해 안내합니다.
문의 안내
- 상담 시간
- 월요일–금요일 09:00–18:00
- 사무실
- 서울특별시 관악구 남현3길 61, 패스트파이브 사당점 411호, 대한민국