무엇을 바꿀지 함께 찾고,
AI로 실현합니다.

식품안전 담당자가 국내외 기관과 언론에 흩어진 소식을 매일 읽고, 우리 회사와 관련된 위험을 가려내던 일입니다. 기사가 늘어도 중요한 이슈가 묻히지 않게 하려 했습니다.

접근

이슈 자체의 위험도보다 우리 회사의 원료·국가·제조사와 얼마나 관련 있는지를 위험으로 보자고 기준을 다시 잡았습니다. 수집, 분류 모델, 정보 추출, 현황판을 만들고, 운영 시스템 구축의 기술 부분을 이끌었습니다.

현업

식품안전 담당자가 판단 기준을 알려 주었고, 고객사 IT 조직이 운영 시스템을 넘겨받았습니다.

결과

2023년 8월 운영을 시작해 고객사 IT 조직에 넘겼습니다. 해외 공지가 올라온 뒤 수집·번역·분석을 거쳐 담당자에게 알림이 가기까지 평균 21분이 걸리는 체계입니다.

구매팀이 환율, 대체 유지, 시장 지표를 따로 보며 팜유를 언제 살지 판단하던 일입니다. 판단에 바로 쓸 수 있는 예측을 만들려 했습니다.

접근

흔한 종가 예측은 구매팀이 결정하는 시점과 맞지 않았습니다. 예측 대상을 실제 판단 대상인 두 달 뒤 선적가격(M+2)으로 다시 정하고, 가격을 정확히 맞히기보다 오를지 내릴지를 먼저 보도록 평가 기준을 바꿨습니다. 데이터 정합, 변수 선정, 모델 실험, 화면 로직을 맡았습니다.

현업

구매팀은 예측값 하나가 아니라 변수 흐름과 방향, 불확실성을 함께 보고 구매 시점을 판단합니다. 운영 요건은 고객사 IT 조직과 함께 정했습니다.

결과

2024년 9월 운영을 시작했습니다. 운영 버전 검증에서 125개 일별 신호의 상승·하락 방향을 75.46% 맞혔습니다.

마감 담당자가 월말마다 법인카드, 세금계산서, 부서별 마감 진척, 손익 파일을 모아 마감이 어디까지 됐는지 확인하던 일입니다. 무엇이 왜 늦어지는지 한 화면에서 보이게 하려 했습니다.

접근

마감을 데이터 발생–검증–승인–완료 단계로 나누고 지표와 자료 연결 기준을 정했습니다. 핵심 모듈 하나를 먼저 만들고, 나머지 화면은 현업이 만들 수 있도록 Tableau 개발을 가르쳤습니다.

현업

현업 담당자가 그 모듈을 본보기 삼아 나머지 화면을 개발했습니다.

결과

파일을 모아 확인하던 마감 현황을 진행률·누락·손익을 함께 보는 대시보드로 바꿨고, 현업이 Tableau 화면을 이어서 개발할 수 있게 됐습니다.

새 제품이 나오거나 바뀔 때마다 담당자가 원재료·하위원료 정보와 규정 문서 15종, 기존 승인 문구를 대조해 표시 문구를 쓰고 심의하던 일입니다. 처음부터 쓰는 일을, AI가 만든 초안과 근거를 사람이 검토하는 일로 바꾸려 했습니다.

접근

작성–검토–승인 업무를 데이터, 규정 로직, AI 판단, 사람 검토 단계로 나눠 설계했습니다. 데이터베이스와 하위원료 전개, OCR·LLM·규칙 로직, 검증 프로그램을 개발하고, 연구·품질·IT·외부 개발사 사이의 결정을 조율했습니다.

현업

현업 전문가가 AI가 만든 문구와 규정 근거를 검토하고 최종 승인을 맡았습니다.

결과

학습에 쓰지 않은 15개 제품으로 확인한 결과, AI가 쓴 문구와 현업 정답의 일치율이 34%에서 98%로 올랐습니다. 2025년 2월 운영을 시작했고, 법적 판단은 지금도 전문가가 승인합니다.

연구원들이 식물성 마요네즈용 풍미분말을 개발하며 원료를 하나씩 바꿔 맛과 물성(흐름성·압축성)을 맞추던 일입니다. 적은 실험으로 원료끼리의 상호작용까지 보려 했습니다.

접근

연구 질문을 실험 설계로 바꾸는 것부터 함께 했습니다. 핵심 원료 세 가지를 동시에 바꾸는 실험과 판정 기준을 정하도록 가르치고, 통계 해석과 재현성 확인을 멘토링했습니다.

현업

배합 처방과 시제품 제작, 실험은 연구원들이 처음부터 수행했습니다.

결과

적은 실험으로 원료 간 상호작용을 확인하고, 맛과 물성 기준(안식각 64도 이하, 압축성 35% 이하)을 함께 만족하는 후보 배합을 좁혔습니다. 실험실 단계의 결과입니다.

영업 담당자가 흩어진 제품·공장·설비 정보를 찾아 제안서를 쓰던 일입니다. 영업·마케팅·연구소·IT 조직이 원하는 것이 제각각이었고 요구도 계속 바뀌었습니다.

접근

무엇을 만들지보다 어떤 제품 정보를 누가 책임지고 모을지부터 정했습니다. 요구를 제품 데이터 구조와 단계별 검증 계획으로 정리하고, 검색·추천·제안서 초안을 PoC로 확인한 뒤 데이터베이스부터 AI Agent, 백엔드, 웹 화면까지 전체 시스템을 설계하고 만들었습니다.

현업

현업이 업무 기준과 요구를 제시했고, 고객사 IT 조직이 운영 검수를 거쳐 시스템을 넘겨받았습니다.

결과

2026년 7월 개발을 마치고 고객사 IT 조직에 넘겼습니다. 넘긴 뒤의 사용 현황은 아직 확인하지 못했습니다.

플랜트 설계 엔지니어가 새 프로젝트마다 지난 요구사항서와 설계 검토, 완료 보고서를 뒤져 판단 근거를 다시 찾던 일입니다.

접근

처음에는 업무 자동화를 검토했지만, 프로젝트마다 일이 다른 조직에서는 지난 결과물을 다시 쓰는 일이 더 큰 문제라고 보고 과제를 바꿨습니다. 실제 질문을 모아 범위를 세 가지 업무로 좁히고, 유사 프로젝트와 근거, 주의할 점을 알려 주는 Agent를 함께 개발했습니다.

현업

엔지니어들이 한 사람당 30개가 넘는 실제 질문과 프로젝트 자료를 모으고, 답변을 검증해 피드백을 주었습니다.

결과

실제 업무 질문으로 반복 검증한 PoC입니다. 처음에는 잘 쓰이지 않았는데, 원인을 보니 어떤 질문에 답하는 도구인지 사용자가 몰랐고 답변도 읽기 어려웠습니다. 이 두 가지를 고쳤습니다.