AI에게 “이번 분기 목표 달성률을 계산해 줘”라고 해도 될까? 생성형 AI를 기업 업무에 적용하다 보면 자연스럽게 숫자를 묻게 됩니다. 예를 들어 다음과 같은 질문입니다. “이번 분기 목표 달성률은 얼마인가?” “실제로 수주 가능성이 높은 영업 파이프라인은 얼마인가?” “현재 손실 위험이 높은 프로젝트는 어디인가?” “조직별 가동률은 어떻게 되는가?” “지난달 대비 원가율이 얼마나 높아졌는가?” 생성형 AI는 이런 질문을 이해하고 자연스럽게 설명할 수 있습니다. 그렇다면 필요한 데이터를 모두 LLM에게 넘기고 계산까지 맡기면 되는 것일까요? 기업 업무에서는 조금 다르게 접근할 필요가 있습니다. 특히 매출, 원가, 손익, 목표 달성률, 가동률, 파이프라인처럼 중요한 경영 숫자는 단순한 산술문제가 아닙니다. 어떤 데이터를 사용할 것인지, 어느 시점을 기준으로 할 것인지, 어떤 항목을 포함하고 제외할 것인지, 어떤 계산식을 적용할 것인지가 함께 정의되

AI PoC를 시작할 때 가장 먼저 무엇을 정해야 할까? 기업에서 생성형 AI 도입을 검토하면 비슷한 질문이 나옵니다. “어떤 LLM을 사용해야 할까?” “RAG를 구축해야 할까?” “AI Agent까지 만들어 볼까?” “ERP와 CRM을 어떻게 연결해야 할까?” 모두 중요한 질문입니다. 하지만 기술을 정하기 전에 먼저 답해야 할 질문이 있습니다. “우리 회사에서 반복해서 묻지만 답을 얻는 데 시간이 많이 걸리는 질문은 무엇인가?” GS비즈플은 기업 AI PoC의 출발점을 여기서 봅니다. 예를 들어 경영진과 현업이 매주 다음과 같은 질문에 답하기 위해 여러 시스템을 조회하고 Excel을 취합하고 담당자에게 다시 확인하고 있다면, 그 질문 자체가 좋은 AI PoC 후보가 될 수 있습니다. 이번 분기 목표 달성이 어려운 조직은 어디인가? 실제로 믿을 수 있는 영업 파이프라인은 얼마인가? 손실 위험이 높아지고 있는 프로젝트는 무엇인가? 프로젝트 종료 후

기업에는 이미 많은 데이터와 지식이 쌓여 있습니다. ERP, CRM, HR, PMS와 같은 업무시스템에는 정형 데이터가 축적되고, 각종 규정과 보고서, 업무 매뉴얼, 프로젝트 산출물에는 회사의 업무지식이 담겨 있습니다. 여기에 임직원이 업무를 수행하면서 축적한 경험과 노하우까지 더해집니다. 그런데 실제 업무에서는 여전히 답을 찾기 어렵습니다. “믿을 수 있는 영업 파이프라인은 무엇인가?”, “손실 위험이 높은 프로젝트는 어디인가?”, “필요한 경험과 역량을 가진 사내 인재는 누구인가?” 이런 질문에 답하려면 여러 시스템과 문서를 다시 찾아보고 데이터를 대조해야 합니다. 기업 AI 도입에서 중요한 것은 단순히 데이터를 많이 확보하는 것이 아닙니다. 회사의 업무지식과 데이터의 의미, 계산식, 업무규칙과 판단기준을 AI가 이해할 수 있는 구조로 연결하는 것​이 핵심입니다. 기업 AI가 어려운 이유는 데이터보다 ‘업무 맥락’에 있습니다 생성형 AI나 LL