[PoC사례] 제조업 AI 적용을 위한 3가지 PoC - 사내 챗봇·DB 자동화·설비 검증

제조업이 LLM이나 AI 에이전트 도입을 검토할 때, 가장 자주 부딪히는 어려움은 기술 자체가 아닙니다. '어디서부터 시작해야 할지'에 대한 답이 잘 떠오르지 않는다는 점입니다.

한 번에 큰 시스템을 만들면 위험 부담이 크고 잘못 도입하면 운영 부서의 반발만 커집니다. 그렇다고 너무 작게 시작하면 의미 있는 결과가 나오지 않습니다. AI 에이전트가 우리 회사 업무에 어떻게 작동할지, 도입 후에 사람과 어떻게 분담할지 미리 가늠하기도 쉽지 않습니다.

한 전자부품 제조사도 이 지점에서 출발했습니다.

사내에 LLM과 AI 에이전트를 어떻게 도입할지 검토하면서, 막연한 기술 이야기가 아니라 실제로 풀 만한 3가지 후보 과제를 직접 정의했습니다. 그리고 그 3가지를 한 회사가 같이 풀 수 있는지 검증하는 PoC를 시작했습니다.

L사가 정의한 3가지 출발점

L사가 정의한 3가지는 영역이 완전히 달랐습니다.

첫째는 사내 업무·지식 관리 영역입니다. 한 시스템 담당자가 매일 비슷한 질문에 답하느라 본업을 놓치고, 휴가 때는 그 자리에 답할 사람이 없는 상황. 이 반복 문의를 사내 챗봇이 1차로 받아주는 시스템이 필요했습니다.

둘째는 데이터 시스템 운영 영역입니다. 신규 모델이나 설비가 들어올 때마다 여러 데이터베이스의 구조를 담당자가 손으로 맞춰주던 작업, 한 곳을 놓치면 며칠 후에야 데이터가 안 들어오는 걸 발견하던 작업을 자동화하는 시스템이 필요했습니다.

셋째는 자산·발주 데이터 품질 영역입니다. 발주서에 사람이 풀어 쓴 줄글과 회사의 정식 설비 목록이 서로 안 맞아떨어지면서, 자산 ID가 잘못 등록되는 문제. 수만 건 규모를 사람이 엑셀로 일일이 비교하던 검증 작업을 자동화하는 시스템이 필요했습니다.

도메인이 완전히 다른 이 3가지를 한 회사가 같이 풀 수 있는지가, L사의 PoC가 검증하려던 핵심 질문이었습니다.

PoC 1. 사내 챗봇 - 한 사람 머릿속 노하우를 시스템에 옮기다

어느 회사에나 특정 사내 시스템을 가장 잘 아는 담당자, 다른 부서 사람들이 모르는 게 생기면 가장 먼저 메신저나 메일로 찾는 사람들이 있습니다.

이 담당자가 매일 하는 일은 본업과 별개로 비슷한 질문에 답하는 일입니다. '이 에러는 왜 떴어요?', '이 데이터는 어디서 보면 되죠?'. 휴가를 가면 그 자리에 답할 사람이 없어 일이 멈추고, 만약 이 사람이 회사를 떠나면 머릿속에 있던 노하우가 같이 사라집니다.

디피니트는 이 담당자가 가지고 있던 자료, 사내 매뉴얼·자주 받는 질문 모음·업무 메일 등을 학습한 챗봇을 만들었습니다.

누군가 같은 질문을 하면 챗봇이 1차로 답하고, 그 답이 어느 문서의 몇 번째 항목에서 나왔는지 출처도 같이 보여줍니다. 사내 문서뿐 아니라 PDF 형태의 매뉴얼, 메일 내용까지 데이터 종류에 따라 챗봇 3종이 같은 알고리즘 위에서 작동했습니다.

흥미로운 부분은 그다음입니다. 챗봇이 항상 정답을 주는 건 아닙니다. 회사 정책이 바뀌거나 시스템이 업데이트되면 옛날 답이 나옵니다. 이때 사용자가 답이 틀렸음을 표시하고 피드백을 입력하면, 챗봇은 그 피드백을 기억해두고 다음에 비슷한 질문이 들어올 때 새 정보로 답합니다. 문서를 다시 업로드하거나 학습을 다시 시킬 필요가 없습니다.

이 구조의 의미는 분명합니다. 처음에는 답이 자주 어긋나서 피드백 입력이 많지만 피드백이 쌓일수록 챗봇은 그 회사의 정책과 용어에 점점 정확해집니다.

직원들이 피드백을 누를 일이 줄어들고 그만큼 챗봇이 자율적으로 답하는 영역이 늘어납니다. 한 사람의 머릿속에만 있던 노하우가 시스템에 축적되어, 시간이 지날수록 회사의 자산이 되어가는 구조입니다. 정리하면 이렇습니다.

• 챗봇이 1차 답변, 사용자가 피드백: 답이 어긋나면 한 번의 피드백 입력으로 해결합니다

• 출처가 같이 나오는 답변: 사용자가 어떤 문서·항목에서 나온 답인지 직접 확인합니다

• 피드백이 쌓일수록 정확해지는 챗봇: 회사 정책과 용어에 맞춰지면서 피드백 입력이 줄어듭니다

PoC 2. DB 동기화 자동화 - 변화에 끌려가지 않고 따라잡다

제조 회사 안에는 데이터를 모으는 데이터베이스가 여러 개 있습니다. 운영 시스템에서 로그가 쌓이는 데이터베이스, 그리고 그 데이터를 합쳐서 분석에 쓰는 통합 데이터베이스 등입니다. 신규 모델이나 설비가 들어올 때마다 이 데이터베이스들 사이에 새 항목과 새 표가 추가되고 그 변경이 모든 데이터베이스에 똑같이 반영되어야 분석에 문제가 없습니다.

문제는 이 작업을 사람이 일일이 손으로 한다는 점입니다.

어떤 변경이 있었는지 엑셀로 비교하고, 다른 데이터베이스에 반영할 명령어를 작성하고, 영향받는 다른 표가 없는지 머릿속으로 점검하고, 야간에 명령어를 실행합니다. 이 과정에서 변경 한 건을 놓치면 며칠 후에야 분석 데이터가 안 들어오는 걸 발견합니다. 그제서야 원인을 추적하기 시작합니다.

디피니트는 이 사이클을 자동화했습니다.

시스템이 2분 간격으로 데이터베이스 구조 변화를 감지하고 AI가 1분 안에 동기화 명령어 초안을 자동으로 작성합니다. 알림이 담당자에게 도착하면 담당자는 화면에서 변경 내용과 영향 분석을 확인하고 수락 또는 거절 버튼으로 결정합니다. 변화 발생 후 약 3분 안에 담당자에게 알림이 도착합니다.

핵심은 화면에 표시되는 영향 범위 분석입니다.

항목 하나의 이름을 바꾸는 단순한 변경처럼 보여도, 시스템은 그 변경이 다른 데이터베이스의 어떤 표에 어떻게 영향을 미치는지 자동으로 분석해서 보여줍니다. 같은 항목을 참조하던 다른 표, 그 항목으로 데이터를 조회하던 분석 화면까지 한 화면에 정리됩니다. 담당자는 이 정보를 보고 단순 수락이 아닌 안전한 결정을 내릴 수 있습니다.

운영을 시작하면 위험도 기준이 자리잡습니다. 새 항목 추가 같은 안전한 변경은 자동 승인으로 처리하고 항목 이름 변경처럼 도미노 효과가 큰 변경만 사람이 직접 검토하도록 정책을 정할 수 있습니다.

위험 등급의 자동 분류 기준도 운영 데이터가 쌓이면서 회사의 실제 환경에 맞게 조정됩니다. 결과적으로 사람이 모든 변경을 들여다보던 구조에서, 정말 위험한 변경에만 사람이 개입하는 구조로 옮겨갑니다.

• 변경 감지와 명령어 작성은 자동, 적용은 사람이 결정: 알림을 받고 수락·거절 버튼으로 결정합니다

• 도미노 효과를 미리 보여주는 화면: 영향받는 다른 표와 쿼리가 한 화면에 정리됩니다

• 위험도 기준이 회사에 맞게 자리잡는 시스템: 안전한 변경은 자동으로, 위험한 변경만 사람이 봅니다

PoC 3. 설비명 자동 검증 - 흩어진 기록을 정확한 식별자에 연결하다

설비를 새로 사거나 수리할 때마다 회사에는 발주 기록이 쌓입니다. 그런데 이 발주 기록과 회사가 따로 관리하는 정식 설비 목록이 서로 안 맞아떨어진다는 게 문제입니다. 발주서에는 사람이 그때그때 풀어 쓴 글이 들어갑니다. 영문 약어, 한국어, 모델 번호, 부서 코드가 섞여 있고 띄어쓰기·약자도 일관되지 않습니다. 반면 정식 설비 목록은 고유 ID와 정식 설비명, 공장·라인·호기 정보가 정돈된 표 형태입니다.

이 둘을 사람이 일일이 비교해서 짝을 맞추는 작업입니다. 발주서 한 줄을 보고 '이 설비가 우리 목록의 어느 행에 해당하지?' 엑셀에서 검색하고 헷갈리면 다른 담당자에게 물어봅니다. 수만 건 규모를 사람이 검증하면 시간이 오래 걸립니다. 그리고 사람마다 판단이 달라져서 결과 편차가 생기고 잘못 매칭되면 자산 정보가 틀어져 회계와 정비 이력에 오류가 누적됩니다.

디피니트는 발주 엑셀과 설비 목록 엑셀을 한 번에 받아서 자동 매칭하는 시스템을 만들었습니다.

AI가 한 줄씩 읽어 가장 가능성 높은 설비 후보를 추천하고 정합성 점수와 함께 자동 분류합니다. 점수가 충분히 높으면 자동 승인, 애매하면 검토 필요, 낮으면 반려. 분류 결과 옆에는 '왜 이렇게 판단했는지' 한국어로 한 줄 근거가 같이 나옵니다.

사람이 수만 건을 다 검토할 수는 없습니다. 시스템이 검토 필요로 분류한 건만 사람이 보면 됩니다. 분류 임계값은 회사가 직접 결정합니다. 보수적으로 운영하면 검토 영역이 늘고, 적극적으로 운영하면 자동 승인이 늘어나는 식으로 회사 정책에 맞게 슬라이더로 조정할 수 있습니다.

운영을 시작하면 시스템이 회사 도메인에 맞춰지기 시작합니다. 발주서에서 자주 등장하는 약어와 별칭, 회사 고유 용어 패턴이 별칭 사전에 쌓이고 매칭 정확도가 올라갑니다. 처음에는 검토 영역이 많아 사람 손이 많이 가지만 사전이 두꺼워질수록 자동 승인 영역이 넓어지면서 검토 부담이 줄어듭니다.

• AI가 매칭 후보 추천, 사람이 검토 영역만 결정: 수만 건을 다 보지 않고 검토 필요 건만 봅니다

• 분류 옆에 한 줄 근거가 같이 나옵니다: 점수만 보는 게 아니라 왜 그렇게 분류됐는지 사람 말로 확인합니다

• 별칭 사전이 쌓일수록 정확해지는 매칭: 회사 고유 용어가 학습되면서 검토 영역이 줄어듭니다

달라보였던 3가지 과제, 해결하는 방식은 같았습니다.

L사가 검증한 3가지 PoC는 다루는 영역이 완전히 달랐습니다. 

사내 업무·지식 관리, 데이터 시스템 운영, 자산·발주 데이터 품질. 사용하는 기술도 챗봇과 데이터베이스 동기화, 매칭 엔진으로 모두 달랐습니다.

그런데 이 3가지가 같은 모양을 하고 있었습니다.

AI가 1차로 정리하고 사람이 결정한다는 점, 그 결정의 근거를 같이 보여준다는 점, 사람이 손볼수록 시스템이 회사에 맞게 다듬어진다는 점은 도메인이 달라도 풀어내는 철학은 일관됐습니다.

L사는 이 3가지 PoC를 종합 평가한 후, 디피니트를 사내 데이터로 본격 검증을 진행할 업체로 선정했습니다. 

우리 회사에 맞는 AI 에이전트를 만드는 법

우리 회사에 맞는 AI 에이전트는 한 번에 만들어지지 않습니다.

AI가 1차로 정리하고 사람이 결정하는 분담 구조에서 시작해서 결정의 근거를 함께 보여주는 투명성으로 신뢰를 쌓아야 합니다. 그리고 이를 운영하면서 사람이 피드백을 할수록 자동 처리 영역이 넓어지는 구조로 다듬어집니다. 작은 PoC에서 출발해 이 사이클을 한 번 검증해보는 것이 출발점이 됩니다.

디피니트는 이런 방식의 PoC를 함께 검증해온 회사입니다. 사내에 AI 에이전트 도입을 고민하고 계신다면, 우리 회사의 어떤 영역에서 시작할 수 있을지 가볍게 이야기 나눠보셔도 좋겠습니다.

PoC로 시작하는 제조업 AI 도입

기업 맞춤형 AI 도입, 계속 고민만 하는 것보다 PoC로 직접 경험해보는 것이 빠릅니다. AI가 우리 회사 업무에 어떻게 작동할지, 사람과 어떻게 분담할지, PoC 한 번이면 가늠할 수 있습니다.

디피니트의 기업용 AI 솔루션 DARVIS는 사내 챗봇·데이터 자동화·자산 데이터 검증 등 여러 영역에서 기업에 맞는 맞춤형 AI를 제공합니다. 사내 AI 챗봇 구축, 아직 막연하게 느껴지시나요?

아래에서 디피니트의 AI 솔루션 DARVIS 서비스 소개서를 받아보세요. PoC 문의는 언제든 환영입니다.