【드래곤 스포츠】 보증업체놀이터추천홍보 : 프로그램제작판매제작의뢰 : 스포츠분석 : 무료스포츠중계tv : 섹시bj움짤 : 뉴스 : 안구정화

로그인

글쓰기

[IT뉴스][전문가 기고] 성공하는 AX 프로젝트는 산업별 설계가 다르다

온카뱅크관리자

2026-07-20 16:07:31

<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="GFpuc2b0l3">
          <figure class="figure_frm origin_fig" contents-hash="2c0b1b7b40f594047c019284c9ddbdac6a4b282cc956aa4ee3a6743d562be6c5" dmcf-pid="H3U7kVKphF" 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/202607/20/552779-26fvic8/20260720160504906ftep.png" data-org-width="640" dmcf-mid="Y8gN0rEoy0" dmcf-mtype="image" height="auto" src="https://img4.daumcdn.net/thumb/R658x0.q70/?fname=https://t1.daumcdn.net/news/202607/20/552779-26fvic8/20260720160504906ftep.png" width="658"></p>
           <figcaption class="txt_caption default_figure">
            레드브릭 양영모 대표[사진=레드브릭]
           </figcaption>
          </figure>
          <div contents-hash="40b74a2feebee554b6c1ba651fe78f8dd4309b5a46e815a23fc4d9810aa611da" dmcf-pid="X0uzEf9Ult" dmcf-ptype="general">
           <br>생성형 인공지능(AI) 도입이 빠르게 확산되면서 기업들의 관심은 ‘어떤 AI 모델을 쓸 것인가’에서 ‘AI를 실제 업무에 어떻게 정착시킬 것인가’로 이동하고 있다. 하지만 운영 설계가 중요하다는 사실을 인식하면서도, 그 설계를 모든 산업에 동일하게 적용하려는 시도가 적지 않다.
          </div>
          <p contents-hash="629af69553ad591707feec24b1f825be744710b874808939dd44fc6f21b4dcb4" dmcf-pid="Zp7qD42ul1" dmcf-ptype="general">금융에서 효과를 낸 접근 방식을 제조 현장에 그대로 적용하거나, 유통에 맞게 설계한 데이터 구조를 공공기관에 그대로 적용하는 식이다. 결과는 대부분 비슷하다. 기술은 구현됐지만 실제 업무에서는 작동하지 않는다.</p>
          <p contents-hash="d289a4bf23299e7dd37a7859f9c345c979a49109e91eef8058e8154f5d43590e" dmcf-pid="5UzBw8V7S5" dmcf-ptype="general">실제로 글로벌 연구에 따르면 AI 기반 디지털 전환(AX)의 실패율은 최대 70~85%에 이르며, 산업별 AI 도입률 역시 테크·금융(80~90%대)과 제조업·농업(20~50%대) 간에 큰 격차가 발생하고 있다. 여러 산업군의 AX 프로젝트를 수행하며 현장에서 확인한 것은, 같은 설계 원칙이라도 어느 산업에 적용하느냐에 따라 무엇을 먼저 설계하고 어디에 더 집중해야 하는지가 완전히 달라진다는 점이다. 업무 구조와 데이터 형태, 규제 환경, 실제로 AI를 활용하는 주체가 다르기 때문이다.</p>
          <p contents-hash="8023204b308b1584a87814da80db621a6ac626564ae093261ce1faddc4d7c1c6" dmcf-pid="1uqbr6fzTZ" dmcf-ptype="general">금융권 AX 프로젝트에서 가장 흔한 실수는 기술을 먼저 구현하고 권한 설계를 나중으로 미루는 것이다. 계약 심사 자동화나 고객 상담 AI를 구현했는데 막상 운영 단계에서 접근 권한과 책임 범위가 정리되지 않아 재설계하는 사례가 적지 않다. 또한 스캔 계약서나 이미지 기반 금융·법률 문서가 많은 만큼, 어떤 형태의 문서를 처리하는지와 AI가 활용할 수 있는 형태로 문서를 변환하는 파싱 정확도를 사전에 검증하는 과정도 필수적이다.</p>
          <p contents-hash="96aa999e65e047981ed55fdfffedd1406810d294ef6e59f94537869f094e09e5" dmcf-pid="t7BKmP4qTX" dmcf-ptype="general">공공기관은 민원 처리의 정확성과 행정 절차의 일관성이 무엇보다 중요하다. 따라서 AI는 단순히 답변을 생성하는 수준이 아니라, 어떤 규정과 문서를 근거로 답변했는지 제시하고 응답 이력을 관리할 수 있는 구조가 함께 설계돼야 한다. 또한 담당자가 AI 결과를 검토하고 최종 판단할 수 있는 운영 방식이 현장 수용성을 높이는 데 중요한 역할을 한다.</p>
          <p contents-hash="91d44c71dbe009ab8f99f9ed5e5b5fdae404ec2446450fe4441f63b8d806cf26" dmcf-pid="FFpuc2b0yH" dmcf-ptype="general">유통 AX에서 자주 보이는 실수는 데이터 준비 전에 AI를 먼저 붙이는 것이다. 소스마다 상품 코드 체계가 다르거나 반품, 교환이 판매 데이터에 제대로 반영되지 않은 상태에서는 AI 모델을 아무리 고도화해도 결과를 신뢰할 수 없다. 현장에서 외면받는 AI 대부분은 이 단계를 건너뛴 경우다.</p>
          <p contents-hash="013db4ec13b3d1dc43621ee791fe4303cd0971108525830cbc6cb07700c92ad4" dmcf-pid="33U7kVKpTG" dmcf-ptype="general">레드브릭이 참여한 이커머스 기반 유통사 프로젝트에서 AI 적용보다 먼저 해야 했던 일은 데이터 통합이었다. 상품 데이터, 수요 데이터, 지역별 판매 데이터가 각각 다른 시스템에 분산돼 있었고, 이를 하나의 파이프라인으로 연결하는 작업이 선행됐다. 그 위에서 상품 추천과 프로모션 의사결정 프로세스를 함께 재설계했다. 단순히 AI 기능을 추가한 것이 아니라 업무 흐름 전체를 바꾼 결과, 기존에 여러 명이 며칠에 걸쳐 수행하던 작업이 한 명이 하루 안에 처리할 수 있는 구조로 바뀌었다.</p>
          <p contents-hash="99836595a6b4a942abd4111f369470fd02931fa1a97efeb8d9803112239d22ed" dmcf-pid="00uzEf9UlY" dmcf-ptype="general">레드브릭이 AX 프로젝트를 시작할 때 가장 먼저 하는 일은 해당 산업의 업무 구조와 데이터 환경, 규제 맥락을 파악하는 것이다. 같은 기능을 구현하더라도 금융사와 제조사의 설계가 달라야 한다는 것을 전제로, 어떤 영역을 우선 적용할지, 어떤 데이터를 어떻게 구조화할지, 시스템 연계는 어디서부터 시작할지를 산업 맥락에 맞게 결정한다.</p>
          <p contents-hash="47ef383168fbf970a2a0e8bd37b7070706dc8c87b7ddecc83474f46f60566c0c" dmcf-pid="pp7qD42uvW" dmcf-ptype="general">레드브릭의 FDE(Forward Deployed Engineer)는 프로젝트 초기부터 고객 현장에 투입돼 담당자 인터뷰, 실제 문서와 데이터 샘플 분석, 업무 흐름 관찰을 통해 반복 작업과 병목, 오류가 발생하는 지점을 진단한다. 이후 업무 빈도와 소요 시간, 데이터 준비도, 기대 효과, 보안·규제 리스크를 기준으로 후보 과제를 평가해 산업별 우선순위를 정한다. </p>
          <p contents-hash="a2af4292b136cd2dfd643805a971361df60d8d3a6150a000607cd6da8f3e84ac" dmcf-pid="UUzBw8V7yy" dmcf-ptype="general">파일럿은 4~8주 안에 성과를 검증할 수 있는 하나의 업무를 선정하고, 처리 시간 단축·정확도·현업 사용률 등 명확한 KPI를 설정해 설계한다. FDE는 이 과정에서 현업과 개발팀 사이의 언어 차이를 줄이고, 데이터 정제와 권한 구조, 시스템 연계, 검증 절차까지 함께 조율한다. 이를 통해 기술 구현 자체가 아니라 실제 업무에 정착하고 확산할 수 있는 AX 구조를 만든다.</p>
          <p contents-hash="9ec45e6954c12a5b1da05ef872b3fea5d4fc5a2368243acbcd7d1b1f0ef7e763" dmcf-pid="uuqbr6fzTT" dmcf-ptype="general">이 과정에서는 한 번에 전사 전환을 시도하지 않는다. 효과가 높고 리스크가 낮은 영역에서 파일럿을 먼저 실행하고, 현장의 신뢰를 확인한 뒤 확산한다. AI 도입 이후 실제로 쓰이는 비율을 높이는 데 이 순서가 결정적으로 작용한다.</p>
          <p contents-hash="a1cba6485eafae32aa57df2225209752c27b24698cf50acda4aa3c22a0d6a5a9" dmcf-pid="77BKmP4qlv" dmcf-ptype="general">AX 프로젝트는 어떤 AI 모델을 쓰느냐보다 어떻게 설계하느냐에 달렸다는 것, 많은 기업이 이미 체감하고 있다. 다만 그 설계조차 산업에 따라 달라야 한다. 이 차이를 무시하고 검증된 방식 하나를 모든 산업에 적용하려 할 때, 기술은 구현됐지만 현장에서 작동하지 않는 결과가 반복된다. 성공하는 AX 프로젝트는 좋은 AI 모델에서 시작하지 않는다. 그 산업과 그 현장에 대한 이해에서 시작된다.<br> </p>
         </section> 
        </div>

댓글 총 0개

이번주 포인트랭킹

매주 일요일 밤 0시에 랭킹을 초기화합니다.

14,000상품권
23,000상품권
32,000상품권

업체홍보/구인 더보기

지식/노하우 더보기

판매의뢰 더보기

포토 더보기