질문에 답하던 AI가 이제는 일을 합니다: 제조업 AI 챗봇의 진화
발주서 입력부터 생산계획, 입찰 매칭까지. 사내 AI 챗봇 활용 사례
"이 부품 지난번에 얼마에 들어왔죠?"
"A거래처 이번 달 주문 몇 건이었어요?"
"이 알람코드 뜨면 어떻게 해요?"
제조기업에서는 이런 질문이 매일 반복됩니다. 필요한 정보는 이미 ERP와 엑셀, 사내 문서에 존재하지만, 정작 그 정보를 찾으려면 여러 시스템을 뒤지거나 담당자에게 물어봐야 합니다.
문제는 정보가 부족한 것이 아니라, 정보를 찾고 활용하는 데 너무 많은 시간이 든다는 점입니다.
그래서 많은 기업이 사내 AI 챗봇에 관심을 갖기 시작했습니다. 하지만 단순히 문서를 찾아주는 챗봇만으로는 충분하지 않습니다.
진짜 변화는 AI가 정보를 찾아주는 것을 넘어, 그 정보를 활용해 실제 업무를 수행하기 시작할 때 일어납니다.
달파는 다양한 제조기업과 함께 사내 정보 검색부터 발주서 처리, 생산계획 최적화, 입찰 매칭까지 AI의 활용 범위를 넓혀 왔습니다.
이번 글에서는 실제 구축 및 PoC 사례를 통해 제조업 AI 챗봇이 어디까지 발전할 수 있는지 살펴보겠습니다.
한눈에 보는 요약
정보 검색: ERP, 엑셀, 사내 문서에 흩어진 정보를 AI 챗봇 하나로 조회할 수 있습니다.
업무 자동화: 연결된 데이터를 활용해 발주서 입력, 생산계획 수립, 입찰 매칭 등 반복 업무를 자동화할 수 있습니다.
선제적 업무 제안: 사용자의 질문과 수정 기록을 활용하면 AI가 반복 업무를 발견하고 다음 행동을 제안하는 방향으로 발전할 수 있습니다.
공장에 필요한 정보는 이미 회사 안에 있습니다.
제조기업의 품목 정보와 단가는 ERP에, 생산계획은 엑셀에, 설비 매뉴얼과 고장 이력은 공유 폴더에, 거래처 요청은 메일과 팩스에 저장됩니다.
문제는 이 정보들이 서로 연결되어 있지 않다는 것입니다.
하나의 질문에 답하려면 여러 시스템을 열어야 하고, 정보의 연결 방법은 숙련된 담당자만 아는 경우가 많습니다. 담당자가 자리를 비우면 업무가 느려지고, 퇴사하면 노하우까지 사라지기도 합니다.
정보는 회사에 있지만, 이를 연결하고 활용하는 방법은 사람에게 집중되어 있는 것입니다.
사내 AI 챗봇은 바로 이 문제를 해결하는 데서 출발합니다.
[1] 첫 번째 단계: 흩어진 사내 정보를 AI 챗봇 하나로 연결합니다.
제조업 AI 챗봇의 첫 번째 역할은 여러 시스템에 흩어진 정보를 하나의 창구에서 조회하도록 만드는 것입니다.
달파는 기업이 기존에 사용하던 ERP, 엑셀, 문서 등을 AI가 활용할 수 있도록 연결합니다. 담당자는 시스템을 직접 뒤지는 대신 자연어로 질문할 수 있습니다.
실제 제조기업에서는 다음과 같이 활용했습니다.
① 문서 검색: 사내 자료를 대화로 찾기
식품 제조사 B사는 시장 리포트와 내부 문서를 검색하는 AI 챗봇을 도입했습니다. 2024년 도입 이후 재계약을 이어가며 활용하고 있습니다.
② 데이터 조회: ERP 숫자를 말로 묻기
에너지·기계 제조사 D사와는 영업일보와 매출 데이터를 자연어로 조회하고 보고서 초안을 작성하는 AI를 검증했습니다. PoC에서 현업 만족도는 7점 만점에 6점이었습니다.
③ 현장 지식: 매뉴얼과 고장 이력을 묻기
자동화 설비 제조사 W사와는 설비 매뉴얼, 알람코드, AS 이력을 검색하는 챗봇을 시험했습니다. 숙련된 담당자에게 의존하던 현장 지식을 더 쉽게 활용하기 위한 시도였습니다.
이처럼 AI 챗봇은 사내 정보를 찾는 시간을 줄여줍니다. 하지만 여기서 한 가지 질문이 생깁니다.
"찾아준 정보로 실제 업무까지 처리할 수는 없을까요?"
[2] 두 번째 단계: 정보 검색을 넘어 실제 업무를 자동화합니다.
사내 데이터를 AI가 활용할 수 있게 되면, 다음 단계는 그 정보를 바탕으로 실제 업무를 수행하는 것입니다.
발주서를 읽고 ERP 품목과 매칭하거나, 생산계획을 수립하고, 입찰공고에서 자사 제품에 맞는 기회를 찾는 방식입니다.
이러한 기능은 개별 AI 솔루션으로 구현하거나 사내 챗봇과 연결해 활용할 수 있습니다.
① 발주서 입력: 5,000개 품목을 자동으로 매칭합니다.
건축자재 제조사 Y사는 거래처마다 다른 형식의 발주서를 약 5,000개의 자사 품목과 대조해야 했습니다.
달파는 PDF와 팩스 발주서를 읽고 ERP 품목과 자동 매칭하는 AI를 PoC로 검증했습니다.
AI가 첫 번째로 추천한 품목이 정답인 비율은 약 90%였습니다.
담당자는 모든 품목을 직접 찾는 대신 AI의 추천 결과를 확인하고, 불확실한 항목을 수정할 수 있습니다.
② 생산계획: 현장 규칙을 반영해 계획을 수립합니다.
대형 기계 제조사 A사는 주문량뿐 아니라 기종별 특성과 현장 운영 규칙까지 고려해 생산계획을 세워야 했습니다.
달파는 14개월의 생산 기록에서 "특정 기종은 단독 투입하지 않는다"와 같은 규칙을 파악하고, 과거 18개월의 주문 데이터로 생산계획을 재수립했습니다.
그 결과 PoC에서 하루 생산 부하 변동 지표가 5.3대에서 0.6대로 약 89% 감소했습니다.
공장의 생산능력 자체를 늘리지는 못하지만, 주어진 제약 안에서 생산 부하를 더 고르게 배분할 수 있다는 가능성을 확인했습니다.
③ 입찰 매칭: 월 10만 건의 데이터를 처리합니다.
문서 검색으로 시작했던 식품 제조사 B사는 AI 활용 범위를 입찰 업무까지 확대했습니다.
달파는 급식 입찰공고의 품목을 자사 및 경쟁사 상품과 자동으로 매칭하는 시스템을 구축했습니다.
현재 월 10만 건 규모의 입찰 관련 데이터를 처리하고 있으며, 담당자가 잘못된 매칭을 수정하면 그 기록을 AI 평가와 개선에 활용합니다.
세 사례의 공통점은 기존에 회사가 보유한 데이터를 실제 업무에 활용했다는 것입니다.
AI 챗봇이 업무별 AI 기능을 연결하는 창구로 발전하면, 정보 조회부터 업무 요청까지 하나의 인터페이스에서 처리할 수 있습니다.
[3] 세 번째 단계: AI가 다음에 필요한 업무를 먼저 제안합니다.
지금까지 살펴본 AI는 사람이 먼저 요청해야 작동합니다.
하지만 AI를 계속 사용하면 질문과 답변뿐 아니라, 직원이 어떤 업무를 반복하고 AI의 결과를 어떻게 수정하는지에 대한 기록이 쌓입니다.
이 데이터에는 회사만의 업무 방식과 판단 기준이 담겨 있습니다.
이를 활용하면 AI가 반복 업무를 발견하고 다음 행동을 먼저 제안하는 방향으로 발전할 수 있습니다.
예를 들어 다음과 같은 활용이 가능합니다.
① 반복 업무 자동화 제안
매주 같은 생산 실적을 조회한다면 AI가 "주간 보고서를 자동으로 받아보시겠어요?"라고 제안합니다.
② 수정 기록을 활용한 규칙 제안
특정 거래처의 품목명을 항상 같은 방식으로 수정한다면 AI가 해당 매칭 규칙의 자동 적용을 제안합니다.
③ 이상 상황 감지
거래처의 발주량이 평소보다 크게 감소하면 AI가 먼저 확인을 요청합니다.
위 사례들은 사용 기록을 활용한 향후 확장 시나리오입니다.
실제 업무에서도 유사한 접근이 활용되고 있습니다.
생산을 외부 제조사에 위탁하는 소비재 브랜드 C사는 AI가 품목별 발주량 기본값을 먼저 제안하고, 담당자는 검토가 필요한 품목을 중심으로 수정하는 방식으로 운영하고 있습니다.
담당자의 수정 결과는 다음 제안을 개선하는 데 활용됩니다.
사람이 모든 업무를 처음부터 처리하는 방식에서, AI가 먼저 제안하고 사람이 판단하는 방식으로 바뀌는 것입니다.
이 과정에서 쌓이는 질문과 수정 기록은 외부에서 쉽게 확보할 수 없는 회사 고유의 데이터입니다.
이를 지속적으로 평가하고 개선에 반영하면, AI는 회사의 업무 방식에 더욱 적합한 시스템으로 발전할 수 있습니다.
마무리하며: 사내 AI 챗봇은 회사의 업무를 이해하는 AI로 발전합니다.
제조업 AI 챗봇은 사내 정보를 검색하는 도구에서 출발합니다.
하지만 ERP와 문서에 담긴 정보를 연결하면 발주서 입력, 생산계획, 입찰 매칭 등 실제 업무까지 자동화할 수 있습니다.
나아가 사용자의 질문과 수정 기록을 활용하면 AI가 다음 업무를 먼저 제안하는 방향으로 발전할 수도 있습니다.
정보를 찾아주는 AI에서, 업무를 수행하는 AI로. 그리고 회사의 업무를 이해하고 먼저 제안하는 AI로.
달파는 이러한 변화를 제조기업의 실제 업무 현장에서 만들어가고 있습니다.
