1

AI 활용을 넓혀갈수록 중요해지는 것 － ‘95% 함정’과 우리의 준비

그룹 전반에서 AI 활용이 빠르게 확산되고 있습니다. 문서 요약, 데이터 조회 같은 단건 업무에서는 이미 충분한 완성도를 보여주고 있으며, 이 방향은 계속 확대되어야 합니다.

다만 여러 단계가 이어지는 업무 프로세스로 범위를 넓힐 때는, 고려해야 할 구조적 특성이 있습니다. AI는 확률에 기반해 응답을 생성하므로, 판단이 연쇄되면 전체 정확도는 단계마다 곱해져 내려갑니다.

[ 연속 판단 횟수에 따른 업무 전체의 성공 확률 ]

이는 AI의 결함이 아니라 확률 기반 시스템의 자연스러운 특성입니다. 글로벌 벤치마크에서도 단일 질의 성공률 58%가 연속 업무 조건에서 35%로 하락하는 동일한 패턴이 확인되었습니다.

성과를 낸 기업들이 더 좋은 AI를 쓴 것이 아닙니다. 공통점은 AI의 판단 사이에 검증 장치를 두어 오류의 누적을 끊는 구조를 갖췄다는 점입니다. 규칙 검증, 시스템 확인, 사람의 승인이 들어간 지점에서 오류는 더 이상 곱해지지 않습니다.

저희가 AX 추진에서 가장 공을 들이는 지점이 바로 이 구조 － AI와 시스템의 역할 분리입니다.

[ 안정적인 AX의 실행 구조 ]

AI는 요청을 해석하고 정보를 정리합니다. 실제 실행은 회사가 검증해 온 시스템과 규칙이 수행하며, 예외 상황은 담당자의 검토로 연결됩니다. 이 구조에서 AI의 오류는 설명 단계에 머무르고, 실행의 정확성은 시스템이 보장합니다.

이 구조가 작동하려면 검증의 기준이 되는 규칙이 정의되어 있어야 합니다. 그래서 사람의 경험과 암묵지에 의존해 온 업무를 명확한 규칙과 절차로 정리하는 작업을 AX의 기초 공사로 진행하고 있습니다.

이 작업은 AI 활용의 전제일 뿐 아니라 그 자체로 남는 투자입니다. 개인의 노하우가 조직의 자산으로 전환되고, 담당자가 바뀌어도 프로세스가 유지되며, AI 모델이 교체되어도 규칙과 검증 구조는 재사용됩니다.

적용 순서는 두 축으로 판단합니다 － 규칙이 얼마나 명확한가, 오류 발생 시 비용이 얼마나 큰가.

[ 적용 우선순위 매트릭스 ]

• •

  규칙이 명확하고 오류 비용이 낮은 업무(단순 조회, 문서 분류) → 자동화 우선 적용

• •

  오류 비용이 큰 업무(전표 처리, 발주) → 승인 게이트와 함께 자동화

• •

  규칙이 불명확한 업무 → AI 보조로 시작해 판단 기준을 축적, 규칙이 되면 자동화 영역으로 이동

다단계 업무에서의 정확도 하락은 AI 확산 과정에서 자연스럽게 만나는 특성이며, 검증 구조·업무의 규칙화·단계적 확대로 관리할 수 있습니다. 개발부문은 이 구조를 그룹 공통의 기반으로 구축하고 있습니다.

각 사에서 AX 과제를 발굴하실 때 “이 업무의 판단 기준이 정리되어 있는가” 를 함께 봐주시기 바랍니다. 판단 기준이 정리된 업무는 이 기반 위에 바로 올릴 수 있어, 적용 속도가 크게 빨라집니다.

▶ 외부 근거

- 에어캐나다 챗봇 배상 판결 (2024)
- Salesforce 에이전트 벤치마크 : 단일 질의 58% → 연속 업무 35%
- 다단계 업무의 오류 누적에 관한 연구 (2025~2026)

2

Atlas Lens 모바일 출시 － 이동 중에도, 현장에서도

[ Atlas Lens － Desktop · Chrome · Android ]

Atlas Lens는 사내 Atlas AI 시스템에 등록된 에이전트를 다양한 환경에서 바로 호출해 사용하는 클라이언트입니다. 별도의 계정 등록 없이 그룹웨어(Echo)와 동일한 사번·비밀번호로 모든 환경에서 로그인합니다.

3

AX의 시작 － 한솔제지 페이퍼넷, AI Agent와 함께 고객 업무를 다시 설계하다

AI Agent의 진정한 가치는 기술 자체가 아니라, 업무와 연결될 때 시작됩니다. 이제 우리는 “AI Agent로 무엇을 할 수 있는가?”를 넘어, “AI Agent가 업무를 어떻게 바꾸고 있는가?”에 주목하고 있습니다.

그 사례로, 한솔제지 고객 주문 시스템 ‘페이퍼넷(PaperNet)’ 리뉴얼 프로젝트를 소개합니다.

오래 사용해 온 시스템을 단순히 새로운 기술로 교체하는 데 그치지 않고, 고객이 제품을 찾고, 재고를 확인하고, 주문하고, 문의하는 일련의 과정에 한솔 AI Atlas를 연결해 고객의 업무 경험을 새롭게 설계한 프로젝트입니다.

페이퍼넷은 고객사가 한솔제지의 제품을 조회하고 주문하며 배송·생산 현황을 확인하는 핵심 고객 접점 시스템입니다. 20년 이상 운영되면서 시스템 노후화뿐 아니라 사용 편의성, 고객 데이터 활용, 유지보수 측면에서 여러 한계가 누적되고 있었습니다.

기존에는 원하는 제품을 찾기 위해 지종·평량·규격 등의 조건을 하나씩 입력해야 했고, 필요한 정보를 확인하기 위해 여러 메뉴와 화면을 이동해야 했습니다. 고객 문의와 응대 이력 역시 충분히 데이터로 축적되지 않아 영업·마케팅 관점에서 활용하는 데 한계가 있었습니다.

이번 프로젝트에서는 기존 기능과 화면을 개선하는 데 그치지 않았습니다. UI/UX를 전면 개편하고, 시스템 연계를 API 방식으로 전환하는 한편, 고객 데이터 축적 기반을 마련하고 AI를 고객 업무 프로세스에 적용했습니다.

특히 AI를 별도의 서비스로 제공하는 것이 아니라 고객이 매일 수행하는 재고조회·발주·상담 과정 안에 자연스럽게 녹여내는 것을 목표로 했습니다.

[ 페이퍼넷 발주의뢰 화면 AS-IS / TO-BE 비교 ]

기존에는 원하는 제품의 재고를 찾기 위해 사용자가 지종, 평량, 가로, 세로 등 여러 검색조건을 각각 알고 입력해야 했습니다.

새로운 페이퍼넷에서는 검색창에 “180 모조 8×6”처럼 평소 사용하는 표현을 입력하면 됩니다. Atlas가 입력된 문장을 분석해 지종·평량·색상·규격 등의 조건으로 변환하고, 이를 재고 데이터와 연결합니다. 여러 제품을 한꺼번에 입력해도 AI가 각각의 조건을 구분하여 다중 재고조회를 수행할 수 있도록 구성했습니다. 기존의 조건 입력 → 검색 → 결과 확인 → 조건 변경 → 다시 검색 과정을 질문 → AI 해석 → 결과 확인이라는 보다 단순한 경험으로 바꾼 것입니다.

사용자가 시스템의 검색 방식을 익히는 것이 아니라, 시스템이 사용자의 표현을 이해하는 방향으로 사용자 경험을 전환했습니다.

[ 자연어 입력 → AI 조건 분석 → 재고조회 결과 화면 ]

종이 유통 현장에서는 여전히 FAX와 PDF 형태의 주문서가 많이 활용됩니다.

기존에는 주문서를 받은 담당자가 문서에 적힌 제품명과 규격을 확인한 뒤, 이를 다시 시스템에 하나씩 입력하여 재고를 조회하고 발주를 진행해야 했습니다. 새로운 페이퍼넷에서는 이 과정에도 AI를 적용했습니다.

FAX 주문 이미지를 붙여넣거나 PDF 파일을 등록하면 AI가 문서에 포함된 제품 정보를 분석하고, 이를 재고조회 조건으로 변환해 재고를 확인합니다. 조회된 제품은 발주 과정으로 연결되어, 주문서 확인부터 재고조회, 발주까지 이어지는 업무 흐름을 간소화했습니다. 텍스트로 전달받은 여러 주문 역시 복사해 붙여넣는 것만으로 다수의 제품을 한꺼번에 조회하고 발주 업무로 이어갈 수 있습니다.

여기서 중요한 것은 AI를 사용하기 위해 고객에게 새로운 업무 방식을 요구하지 않았다는 점입니다. 기존에 사용하던 FAX, PDF, 텍스트를 그대로 활용하면서 주문 내용을 다시 입력하고 재고를 찾는 반복적인 작업을 AI가 줄여주는 방식으로 설계했습니다.

[ FAX/PDF 주문서 → AI 인식→ 제품별 재고조회 화면 ]

AI의 적용 범위는 제품 검색만이 아닙니다.

새로운 페이퍼넷의 AI 상담톡에서는 고객이 자연어로 질문하면 Atlas가 질문의 의도를 분석하여 시스템 사용방법은 물론 재고, 배송, 생산진행 현황 등의 정보를 안내합니다.

예를 들어, 아래와 같이 질문할 수 있습니다.

• •

  “에그셀팩 재고 보여줘.”

• •

  “배송조회 메뉴가 보이지 않아요. 어떻게 하면 될까요?”

• •

  “생산의뢰 진행현황 알려줘.”

사용자가 필요한 정보를 찾기 위해 메뉴를 탐색하는 대신 자신이 원하는 업무를 자연어로 바로 질문하는 방식입니다. 필요한 경우 담당 상담원과의 상담으로 이어질 수 있도록 하여, AI와 사람의 상담을 하나의 고객 응대 흐름으로 연결했습니다.

또 하나의 중요한 변화는 고객의 질문과 상담 과정이 데이터로 남는다는 점입니다.

과거에는 전화나 개별 문의로 흩어졌던 고객의 질문이 이제 AI 호출 이력과 상담 기록으로 축적되면서, 고객이 무엇을 궁금해하고 어떤 정보를 필요로 하는지 파악할 수 있는 기반도 마련했습니다.

[ AI 상담톡 : 자연어 질문 → AI 응답 → 상담원 연결 흐름 ]

페이퍼넷은 2026년 7월 6일 신규 시스템을 오픈했으며, 오픈 이후 AI 기능은 일평균 99회 사용되고 있습니다.

고객의 사용이 시작되면서 AI의 활용 가능성을 확인하는 동시에, 앞으로 개선해야 할 영역을 구체적으로 파악할 수 있는 데이터도 쌓이기 시작했습니다. 어떤 제품을 많이 검색하는지, 어떤 표현을 AI가 정확하게 이해하지 못하는지, 어떤 경우 원하는 결과로 연결되지 않는지 등이 호출 로그를 통해 확인되고 있습니다.

초기 호출 데이터를 분석한 결과, 1,799건의 AI 호출 중 현재 8월만 봤을 때는 93% 수준으로 업무 활용 가능성을 확인했습니다. 반면 7%에서는 매핑되지 않은 지종, 불완전한 검색어, FAX 이미지의 텍스트 인식 등의 이유로 원하는 결과를 제공하지 못했습니다.

이러한 결과를 단순히 AI의 오류로만 보지 않습니다. AI를 업무에 적용하면서 Agent뿐 아니라 데이터와 업무 프로세스의 개선점까지 함께 발견할 수 있게 되었다는 데 의미가 있습니다.

예를 들어 AI가 제품을 정확하게 구분하지 못하는 원인을 살펴보면 Agent의 해석 능력뿐 아니라 제품명과 기준정보의 정합성, 고객이 실제 사용하는 표현과 시스템 기준정보 간의 차이도 함께 확인할 수 있습니다. 또한 사용 과정에서 반복적인 조회와 입력, 여러 단계를 거치는 업무가 발견되면 Agent의 응답을 개선하는 데 그치지 않고 업무 절차 자체를 단순화하고 재설계하는 기회로 연결할 수 있습니다. 결국 개선의 대상은 Agent만이 아닙니다. Agent의 정확도와 데이터의 정합성을 높이는 동시에, 업무 프로세스 자체도 더 단순하고 효율적인 방식으로 개선해 나가야 합니다.

페이퍼넷은 이러한 관점에서 사용 → 데이터 축적 → 분석 → Agent·데이터·프로세스 개선 → 다시 사용으로 이어지는 선순환 구조를 만들어가고 있습니다. 페이퍼넷을 통해 확인한 것은 AI Agent를 기존 업무에 단순히 추가하는 것보다, AI를 계기로 업무와 데이터를 다시 들여다보고 더 나은 방식으로 지속적으로 재설계해 나가는 과정이 중요하다는 점입니다.