## “AI 챗봇 하나 만들어주세요”라는 요청이 위험한 이유
현업에서 이런 요청을 종종 받습니다. “AI 챗봇 하나 만들어주세요.” 그런데 이 요청 안에는 사실 전혀 다른 세 가지 상황이 섞여 있을 수 있습니다. 재무팀 김대리가 본인 업무를 빠르게 처리하고 싶은 것과, 전사 임직원 500명이 공용으로 쓸 인사 문의 창구를 만드는 것과, 데이터 분석 전체를 알아서 돌려달라는 것은 완전히 다른 설계가 필요합니다. AIP는 이 세 상황을 Assist, Chatbot Studio, Analyst로 나눠서 대응합니다.
## AIP Assist — “내 업무를 도와주는 비서”
김대리가 매달 반복하는 매출 집계 작업이 있다고 해봅시다. 매번 비슷한 SQL을 조금씩 바꿔가며 짜는 게 번거롭습니다.
AIP Assist는 자연어 명령으로 쿼리 작성, 코드 생성, 데이터 분석을 처리해주는 개인 작업 지원 도구입니다. 일반 챗봇과 다른 점은, 기업의 온톨로지·데이터 스키마·권한 체계를 이해한 상태에서 응답한다는 것입니다. 단순히 정보를 알려주는 게 아니라 실제 작업을 실행할 수 있습니다.
– 온톨로지 기반 RAG로 내부 데이터와 스키마를 실시간으로 검색합니다 – Tool Use로 여러 단계가 필요한 작업을 자동으로 처리합니다 – RBAC 권한을 그대로 준수하고, 무엇을 했는지 감사 기록으로 남습니다
김대리 입장에서는 “지난 3개월 매출을 지역별로 집계해줘”처럼 막연하게 묻기보다, “지난 3개월 A지역 매출을 월별로 집계하고 전년 동기 대비 증감률도 같이 보여줘”처럼 구체적으로 요청할수록 결과가 정확해집니다.
## AIP Chatbot Studio — “여러 사람이 함께 쓰는 창구”
이제 전사 인사 문의 창구를 만든다고 해봅시다. 여기서는 다른 문제가 생깁니다. “연차는 며칠 남았나요”처럼 정형화된 질문에도 LLM 혼자 답하게 두면, 사람마다 답변 형식이나 정확도가 달라질 수 있습니다.
Chatbot Studio는 여러 사용자를 위한 대화형 인터페이스를 노코드·로우코드로 설계하고 배포하는 도구입니다. 해결 방식은 하이브리드입니다.
– 정형화된 업무는 시나리오 기반으로 미리 분기 처리를 만들어둡니다 (“연차 조회”는 항상 같은 방식으로 정확하게 답하도록) – 자유롭게 묻는 질문에는 LLM이 사내 문서 기반 RAG로 관련 컨텍스트를 찾아 답합니다 – 배포하기 전에 실시간 시뮬레이터로 미리 품질을 검증할 수 있습니다
Assist와의 차이는 명확합니다. Assist는 “개인의 반복 업무를 줄여주는 비서”이고, Chatbot Studio는 “여러 사람이 공유하는 창구”입니다.
## AIP Analyst — “분석 전체를 맡기는 에이전트”
세 번째는 좀 더 야심 찬 상황입니다. “이번 분기 이탈 고객의 공통 패턴을 찾아줘”처럼, 질문 하나에 여러 단계의 분석이 필요한 경우입니다.
AIP Analyst는 SQL 작성을 넘어, 분석 계획 수립부터 실행, 결과 검증까지 자동화하는 자율 에이전트입니다. 생각-행동-관찰 루프를 반복하면서 분석을 진행하고, 역할이 다른 여러 에이전트가 협업합니다. 원본 데이터를 통째로 다루기보다는 스키마와 요약 통계 위주로 처리합니다.
다만 완전 자율은 아닙니다. 중요한 결론 단계에서는 사람이 검토하고 승인하는 과정이 들어갑니다. 이탈 고객 패턴을 AI가 찾아냈다고 해서 바로 마케팅 예산을 재배정하기 전에, 그 근거를 한 번은 사람이 확인해야 합니다.
## 어떻게 고르는가
| 상황 | 추천 방식 | 이유 |
|---|---|---|
| 개인 또는 소수가 반복 작업을 줄이고 싶다 | AIP Assist | 개인 업무 보조에 특화 |
| 여러 부서나 고객이 함께 쓸 공용 창구가 필요하다 | Chatbot Studio | 시나리오+LLM 하이브리드로 일관성 확보 |
| 분석 전체 과정을 맡기고 싶다 | AIP Analyst | 다단계 자율 분석에 특화 |
세 방식은 서로 배타적이지 않습니다. 실제로는 Chatbot Studio 뒷단에서 Assist나 Analyst가 실제 작업을 처리하는 조합 구조가 흔합니다. 예를 들어 인사 챗봇(Chatbot Studio)이 “복잡한 급여 계산은 Assist에게 넘기고, 분기별 이직률 분석 요청은 Analyst에게 넘기는” 식입니다.
## 자주 하는 실수
**Assist에게 막연한 질문을 던진다.** 앞서 말씀드렸듯, 개방형 질문보다 구체적인 요청이 훨씬 정확한 결과를 냅니다.
**Chatbot Studio에서 정확성이 필수인 업무까지 LLM에만 맡긴다.** 연차 일수, 급여 명세처럼 틀리면 안 되는 정보는 반드시 시나리오 기반 분기로 처리하고, LLM은 자유 질문에만 쓰세요.
**AIP Analyst에게 예외가 많은 분석까지 전부 위임한다.** 자율성이 높을수록 검증 부담도 커집니다. 결과를 아무도 확인하지 않고 그대로 실행에 옮기는 건 위험합니다.
**공통적으로, 자동 생성된 결과를 완제품으로 취급한다.** 세 도구 모두 “출발점”을 만들어주는 것이지, 검토 없이 바로 써도 되는 완제품을 만들어주는 게 아닙니다.
## 자주 묻는 질문
**Q. 세 가지 중 하나만 골라야 하나요?** 아닙니다. 위에서 설명한 것처럼 조합해서 쓰는 경우가 더 일반적입니다. 사용자가 마주하는 창구는 하나(Chatbot Studio)로 통일하고, 뒷단에서 필요에 따라 Assist나 Analyst를 호출하는 구조도 가능합니다.
**Q. 처음 도입한다면 어디서부터 시작해야 하나요?** 범위가 좁고 위험 부담이 적은 개인 업무 지원(Assist)부터 시작해서, 패턴이 검증되면 여러 사람이 쓰는 Chatbot Studio로 확장하는 순서를 권합니다. Analyst는 온톨로지와 데이터 구조가 충분히 성숙한 뒤에 시도하는 게 안전합니다.
**Q. 세 도구 모두 온톨로지가 필수인가요?** 네. 세 방식 모두 온톨로지에 정의된 객체와 권한 체계를 기반으로 동작합니다. 온톨로지 설계가 부실하면 세 도구 모두 성능이 떨어집니다.