AI 자동화, 현업에서 이렇게 쓰입니다

15분

4시간 전

1.7K

“AI를 쓸지 말지를 고민하는 시대는 끝났다”

우버(Uber)의 AI 및 제품 책임자가 OpenAI와의 인터뷰에서 말한 내용입니다. 극히 공감하는 분들이 많이 있으시겠지만, 그렇다고 당장 뭘 해야 할지는 감이 안 오죠. 데이터는 어떻게 모으고, 어떤 기술을 써야 하고, 예산은 얼마나 들지… 막상 시작하려 하면 여기저기서 벽이 튀어나옵니다. 기술보다 실행이 더 어렵게 느껴지는 이유죠.

그래서 요즘 기업들은 예전 클라우드나 모바일 붐 때처럼 "잘하는 외부 파트너와 함께 가자" 쪽으로 방향을 잡는 추세입니다.

문제를 정의하고 → 솔루션을 설계하고 → 구축과 운영까지 한 번에 맡길 수 있는 파트너요.

이런 흐름 속에서 국내 1위 IT 아웃소싱 플랫폼 위시켓(Wishket)도 AI 컨설팅부터 구축, 운영, 확장까지 전 과정에 걸쳐 AI 도입을 원하는 곳과 서비스를 제공할 수 있는 개발사를 연결하는 AI 솔루션을 지원하고 있는데요. 국내 어느곳 보다도 현재 국내 기업이 실제로 AI를 도입한 사례를 많이 확보하고 있습니다.

그래서 요즘IT는 위시켓과 함께 “진짜 도입한 기업은 어떤 고민을 했고, 어떤 효과를 봤을까?”를 시리즈로 정리해 보기로 했습니다. 위시켓을 통해 AI 도입을 도운 개발사들의 실전 도입 사례를 탈탈 털어보기로 했죠.

단순히 멋진 사례가 아니라, 지금 AI를 고민 중인 기업과 실무자에게 실질적인 참고자료와 인사이트가 되었으면 하는 바람에서요.

첫 사례는 '달파(Dalpha)'라는 AI 스타트업입니다

설립 1년 만에 120억 원 규모 프리 A 투자 유치, 지금은 미국 진출을 준비 중인 기대주죠.

달파의 특징은 ‘우리 솔루션 써보세요~’가 아니라 “귀사의 문제, 우리가 같이 정의하고 AI로 풀어드릴게요”라는 접근입니다. 커머스, 콘텐츠, 제조, 유통 등 산업군별, 디테일한 케이스별로 전혀 다른 문제를, 딥하게 진단하고 맞춤형으로 해결하면서 빠르게 성장 중이에요.

예를 들어 이런 일들을 해냈습니다

커머스 기업의 상품 분류 작업 → AI 자동 분류 → 작업 시간 70% 단축
콘텐츠 기업의숏폼 영상 제작 → AI 자동 제작 → 외주 70% 절감 + 인하우스 전환
거래처마다 다른 발주서 → AI 자동 정리 시스템 → 수작업 대비 70% 시간 절감

그래서 이번 글에서는

이 기업들은 어떤 문제를 해결하고 싶었는지
그 문제에 어떤 데이터와 기술을 적용했는지
도입 기간은 얼마나 걸렸고
도입 후 결과는 어땠는지

구체적으로 알려드리겠습니다. 특히 주로 ‘자동화’에 초점을 맞춘 사례를 소개하겠습니다.

특히 이 글에는 두 가지 특별한 요소가 담겼습니다.

달파가 실제로 사용한 5단계 도입 프로세스와 체크리스트
관리자 페이지

체크리스트를 통해 우리 회사의 현 단계를 점검하고, 관리자 페이지를 통해 백오피스를 들여다볼 수 있도록 했습니다. 자동화가 진짜 어떻게 작동하는지, 얼마나 효율적인지 눈으로 체감할 수 있어요. 실전형 AI 도입 사례를 찾고 있다면 ‘스크랩’하고 참고해보세요!

아, 그리고 위시켓에서 요즘IT 독자 한정으로 무료 AI 도입 컨설팅을 진행한다고 하니 관심 있으신 분들은 신청해보세요!

1. B2B 커머스 기업 A사의 사례

상품 데이터 분류 자동화로 작업 시간 70% ↓ 정확도 95% ↑ 생산성 증대

A사가 해결하고자 했던 문제

A사는 기업 고객을 대상으로 전자 상거래 서비스를 제공하는 B2B 이커머스 기업입니다. 특히 기업이 필요한 상품을 찾고 구매할 수 있도록 전자상거래 플랫폼을 운영합니다.
A사는 수많은 상품 데이터를 분류하는 데 있어 큰 어려움을 겪고 있었습니다. 상품 하나하나에 사람이 직접 카테고리와 속성값을 지정하다 보니 시간이 오래 걸리고, 휴먼 에러도 잦았죠. 결국 검색 품질에도 영향을 미쳐 고객이 원하는 상품을 제대로 찾지 못하는 상황이 자주 발생하는 상황이었습니다.

해결 방법

이 문제를 해결하기 위해 달파는 상품 이미지와 이름을 함께 분석할 수 있는 멀티모달 모델을 활용했습니다. 기존에 분류된 데이터를 기반으로 모델을 학습시켰고, A사의 워크플로우와 자연스럽게 연동되도록 API 형태로 솔루션을 제공했죠.

사용한 데이터 및 기술

카테고리, 속성 분류 체계

이 솔루션의 품질과 성능을 좌우하는 핵심적인 요소는 데이터 분류, ‘클래스피케이션classfication’이었습니다. 우선 카테고리와 속성 분류 체계를 정교하게 다시 정의하는 작업부터 시작했습니다. AI의 성능을 위해서는 명확하고 계층에 맞는 카테고리 구조 정의가 필요했습니다.

과거 상품 카테고리 속성 매핑 데이터

이 작업 이후에는 과거 상품에 대한 분류 이력을 알고리즘 학습에 활용했습니다. 이미 분류된 데이터를 기반으로 학습하고 튜닝하는 과정을 거쳤습니다.

파인튜닝한 VLM을 활용한 이미지 및 텍스트 기반 분류

이때 이미지와 텍스트를 함께 처리할 수 있는 VLM 모델(Vision-Language Modle)을 활용했습니다. 분류 작업에 많은 데이터를 활용할수록 정확도가 올라갑니다. 그래서 멀티 모달 모델을 써서 텍스트와 이미지 정보 모두 고려해 카테고리와 속성을 자동분류하는 방식을 구현하고자 했습니다.

사람이 헷갈릴 수 있는 것은 AI도 헷갈릴 수 있습니다. 이 구조를 중복되지 않게 설계하는 것이 매우 중요합니다. 네이버나 쿠팡 같은 유명 오픈마켓 플랫폼들은 카테고리 구조가 굉장히 치밀하게 잘 짜인 편입니다. 그 구조를 참고하고, A사의 상품 DB의 특성을 고려해 이 분류 체계를 다시 정의하는 작업을 수행했습니다.

실제 업무에 적용하는 과정

VLM Fine-Tuning

첫 번째는 VLM 모델 자체를 파인튜닝하는 과정입니다. 과거 상품 정보와 그에 매핑된 카테고리 데이터를 이용해서 상품의 이미지 데이터와 텍스트로 된 상품명 데이터 등을 기반으로 해당 상품이 어떤 카테고리에 속하는지 학습을 진행을 했습니다.

VLM모델 기반 분류

두 번째는 분류 수행 단계입니다. 학습된 모델이 입력된 상품 이미지 그리고 상품명 텍스트 정보를 바탕으로 가장 높은 확률을 가진 카테고리 그리고 그다음 확률이 높은 카테고리, 이렇게 확률이 높은 순서로 이제 정렬해서 보여주게 하는 것입니다. 실제 운영 운영 환경에서는 이 확률 값 자체를 기준으로 분류 결과를 완전 자동화할지 반자동화할지를 결정하게 됩니다.

성능검증

세 번째는 검증 단계 입니다. 모델이 예측한 결괏값과 기존에 수기로 분류한 데이터 2개를 비교해서 정량적인 정확도(Accuracy)를 통해 실제 적용 가능성을 평가했습니다. 아래 좌측 화면이 저희가 재정의한 카테고리 구조이고, 우측 화면은 안전벨트/추락방지라는 카테고리로 실제 태깅된 상품 리스트를 보여주는 화면입니다. 실제로 안전벨트/추락방지에 해당될 확률이 90~95%라면 사람이 검수하지 않는 완전 자동화의 영역으로 구축했습니다. 하지만 만약 확률이 약 50%대로 애매하다 할 경우에는 사람이 간단히 검수하도록 하는 부분 자동화 형태로 운영하고 있습니다.

프로젝트 성과

기존 수작업 대비 분류 시간 70% 감축
수작업으로 카테고리·속성값을 분류하는 데 소요되는 시간 대비 70% 시간이 감축되었습니다. 정확한 기준과 자동화된 분류 방식이 도입됨에 따라 반복 업무의 부담을 대폭 줄인 것입니다.
태깅 처리 SKU 수 65% 증가
처리 효율 자체를 개선할 수 있었습니다. 동일한 시간 내에 태깅 처리를 완료한 상품 SKU 수가 65% 증가했습니다. 이커머스 특성상 상품이 갑자기 몰려들게 되면 병목이 생기는데, 처리량이 대폭 증가하면서 병목을 예방할 수 있게 된 것입니다.
분류 정확도 95% 달성
정답셋과의 정량적인 성능 평가를 거쳤을 때, 분류 정확도 95%를 달성해 기존 대비 휴먼 에러를 비약적으로 감축했습니다. 이는 실제로 조직의 생산성이 증대되고 고객의 경험이 개선됐음을 좀더 직접적으로 보여줄 수 있는 성과입니다.

비용 및 소요 시간

전체 도입까지 약 6주 소요.
오픈 플랫폼의 정보를 이용했기 때문에 데이터의 카테고리 분류 체계를 재정의하는 과정을 빠르게 진행할 수 있었습니다. 첫 번째 데모 결과를 전달하는 데까지 1주, 고도화하는 데 2주, 프로덕션 레벨까지 가는 데 약 2주 정도 소요되었습니다.