목록으로
업무 생산성 개선을 위한 AI 활용
현장 작업자가 AI로 직접 개발한 주소·공간정보 기반 우편물 분류 시스템, ZIP AI
현장 작업자가 여러 AI를 활용해 직접 개발한 ZIP AI는 주소 오타와 누락 등으로 분류가 어려운 우편물을 공공데이터와 공간정보로 검증하여 정확한 배달루트를 빠르게 찾도록 돕는 시스템입니다.
🤖 활용 AI 도구
ChatGPT(Codex 포함), Claude, GLM, GPT-5 mini(OpenAI API)
ZIP AI의 개발 목표와 설계 철학
ZIP AI는 송장에 기재된 불완전한 배달루트 정보를 보완하고, 잘못 적힌 주소에서도 정확한 배달루트를 찾기 위해 시작한 프로젝트입니다.
실제 우편물에는 불완전한 배달루트 정보, 잘못된 우편번호, 누락된 주소, 오타가 있는 도로명과 상호 등이 빈번하게 등장합니다. 기존 처리 방식만으로는 대량의 우편물을 빠르고 정확하게 분류하기 어렵습니다.
그렇다고 생성형 AI에 주소와 배달루트의 판단을 맡길 수도 없습니다. 그럴듯한 오답 하나가 실제 우편물의 오분류로 이어질 수 있기 때문입니다.
그래서 ZIP AI는 AI의 유연한 추론 능력과 데이터베이스의 객관적인 검증 기능을 분리했습니다.
AI는 오타를 교정하고 검색 단서를 제안하며, 실제 주소와 배달루트는 공식 자료와 공간정보를 통해 확인합니다. 확실한 근거가 없으면 정답을 만들어 내지 않고, 판단 근거를 제시해 작업자가 최종 결정하도록 합니다.
ZIP AI의 목표는 AI가 사람을 대신해 판단하는 것이 아니라, 사람이 더 빠르고 정확하게 판단할 수 있도록 돕는 것입니다.
① 어떤 상황에서 AI를 활용했나요?
제주우편집중국 물류총괄과는 전국에서 제주로 도착하는 소포를 수집하고, 제주 지역의 각 관할 우체국으로 분류하는 업무를 담당합니다. 정상적으로 기재된 송장은 기존 물류 시스템을 통해 처리할 수 있지만, 주소나 분류 정보에 오류가 있는 송장은 일반적인 처리 과정에서 분리하여 수작업으로 처리해야 합니다.
소포가 수취인에게 정확하게 전달되려면 주소뿐 아니라 우체국 물류 시스템에서 사용하는 분류 식별 코드도 정확해야 합니다. 가장 흔한 오류는 이 분류 코드의 오기입입니다. 예를 들어 구분구 81로 분류되어야 할 소포에 80이 표시되었다면 이를 확인하고 올바른 코드로 수정해야 합니다.
주소 자체가 불완전한 경우도 있습니다. 수취인의 주소 대신 건물명이나 상호명만 기재하거나, 도로명·동명·지번의 일부가 잘못되거나 누락된 사례입니다. 실제 존재하는 주소라도 우체국 배달루트 DB에 등록되지 않아 담당 구역을 바로 확인할 수 없는 경우도 있습니다. 이러한 소포는 작업자가 여러 단서를 대조하여 올바른 배달루트를 찾아야 합니다.
기존에는 우편번호를 기준으로 분류하거나 PC의 집배코드 검색 시스템을 이용했습니다. 우편번호를 이용하면 빠르게 판단할 수 있지만, 하나의 우편번호에 여러 구분구가 포함되는 경우가 있어 정확성이 떨어집니다. 반면 PC 집배코드 검색은 정확하지만, 부피가 큰 소포를 컴퓨터 앞으로 옮기고 주소 전체를 입력해야 하므로 현장 작업의 흐름이 끊기는 불편이 있습니다.
이렇게 수작업으로 넘어오는 소포는 하루 평균 400건, 많은 날은 900건에 이르며, 주소를 확인할 수 없는 소포는 지도 앱으로 주변 주소를 찾아 다시 검색하느라 한 건에 길게는 5분이 걸렸습니다. 이러한 수작업을 줄이고, 현장에서 확인할 수 있는 제한된 주소 정보만으로도 올바른 배달루트를 빠르고 정확하게 찾아낼 방법이 필요했습니다. 이를 해결하기 위해 AI 활용을 검토했고, 그 결과 ZIP AI 개발을 시작했습니다.
② 어떤 AI를 어떻게 활용했나요?
ZIP AI 개발에는 AI를 두 가지 방식으로 활용했습니다. 프로그램을 설계하고 구현하는 개발 도구로 활용했고, 완성된 프로그램 안에서는 잘못되거나 불완전하게 기재된 명칭을 보완하는 검색 도구로 활용했습니다.
1. 여러 AI에 역할을 나눠 맡긴 개발
저는 소포 분류 현장의 문제와 실제 업무 절차는 잘 알고 있었지만, 이를 해결할 프로그램의 설계와 구현에는 AI의 도움이 필요했습니다. ChatGPT, Claude, GLM, OpenAI Codex 등 여러 AI 도구를 활용하여 검색 알고리즘, 데이터베이스, 서버, 모바일 화면, Android 앱을 개발했습니다.
개발 과정에서 가장 중시한 것은 하나의 AI가 제시한 결과를 그대로 받아들이지 않는 것이었습니다. 한 모델이 설계하거나 구현한 결과를 다른 모델이 독립적으로 검토하도록 했고, 발견된 문제와 개선안을 비교했습니다. 의견이 엇갈리면 실제 주소 데이터를 활용한 시험으로 판단했습니다.
예를 들어 공간검색 알고리즘을 개선할 때는 검증용 데이터에서 실제 주소를 하나씩 제외한 뒤, 주변 주소와 공간정보만으로 원래 배달루트를 찾아낼 수 있는지 시험했습니다. 새로운 방식과 기존 방식의 결과를 비교하여 개선 효과도 확인했습니다.
어떤 경우에 자동으로 배달루트를 확정하고, 어떤 경우에 작업자의 판단을 받아야 하는지 등 핵심 업무 규칙은 직접 결정했습니다. AI는 이를 구현하고 오류를 찾아 수정하며 검증하는 역할을 담당했습니다.
2. AI와 함께 설계한 단계별 검색 시스템
ZIP AI는 우체국의 주소별 배달루트 자료에 공공 도로명주소, 건물·필지의 위치정보, 도로 중심선, 상호명 자료 등을 결합한 검색 시스템입니다.
일반적인 송장은 우편번호와 건물번호만으로 신속하게 검색합니다. 주소가 잘못 기재되었거나 검색 결과가 확인되지 않으면 도로명·동명·건물명·상호명 등 다른 단서를 활용해 검색을 이어갑니다.
우체국 DB에 등록되지 않은 주소라도 공식 주소와 건물 위치가 확인되면 공간검색을 수행합니다. 같은 필지 또는 주변 건물의 배달루트를 조사하고, 큰 도로로 분리된 후보는 판정에서 제외합니다. 큰 도로 건너편을 제외한 주변 건물 세 곳 이상에서 동일한 배달루트가 확인되고, 다른 필수 조건까지 충족하면 해당 배달루트를 자동 확정합니다.
근거가 부족하거나 배달루트가 서로 다르면 주변 건물의 위치, 도로, 후보별 배달루트를 그림으로 보여주어 작업자가 직접 판단할 수 있도록 했습니다.
이러한 검색과 공간 판정은 생성형 AI가 주소를 추측하는 방식이 아니라, AI와 함께 설계하고 실제 데이터로 검증한 알고리즘으로 수행합니다.
3. 실제 검색 과정에서의 GPT-5 mini 활용
완성된 ZIP AI에서는 GPT-5 mini를 활용해 기존 DB 검색만으로 해결하기 어려운 명칭 오류를 보완합니다.
도로명이나 동명이 잘못 기재되었을 때는 올바른 명칭의 후보를 제안하고, 건물명이나 상호명이 불완전할 때는 검색에 사용할 수 있는 명칭을 추출합니다.
실제 시험에서 우편번호 63219, 건물번호 59와 함께 잘못된 도로명인 '청시로'를 입력하자 AI는 '청사로'와 '청수로'를 제안했습니다. ZIP AI는 두 명칭을 실제 DB와 대조해 우편번호와 건물번호가 모두 일치하는 '청사로 59(정부제주지방합동청사)', 배달루트 25를 찾아냈으며, 작업자가 해당 결과를 확인하고 선택했습니다.
AI는 일반적인 DB 검색으로 해결되지 않을 때 필요한 범위에서만 호출합니다. AI가 제안한 명칭을 곧바로 정답으로 사용하지 않고, 반드시 DB에서 실제 주소와 배달 정보를 확인합니다. 최종 배달루트 확정 역시 AI의 추측이 아니라 검증된 자료와 사전에 정한 판정 기준을 따릅니다.
4. 현장 작업 환경에 맞춘 구현
검색 기능뿐 아니라 실제 작업에 사용할 모바일 웹 화면과 Android 앱도 AI와 함께 개발했습니다.
휴대용 단말기의 바코드 스캐너와 카메라 기능을 연계하고, 복잡한 주소 입력을 최소화했습니다. 검색 결과에서는 배달루트를 크게 표시하여 작업자가 즉시 확인할 수 있도록 했습니다.
자동 확정이 어려운 경우에는 주변 건물의 위치와 배달루트를 공간 도식으로 보여주고, 작업자가 해당 그림을 보고 바로 배달루트를 선택할 수 있도록 구성했습니다.
이렇게 개발된 ZIP AI는 AI를 활용해 만든 프로그램이면서, 실제 업무에서는 생성형 AI의 언어 처리 능력과 검증된 데이터베이스의 정확성을 결합한 현장용 검색 시스템입니다.
③ 활용 결과 어떤 변화가 있었나요?
ZIP AI 도입으로 달라진 것은 소포 분류의 속도와 정확성뿐만 아니라, 숙련자의 경험에 의존하던 작업 방식과 복잡한 주소를 처리하는 과정입니다. 특히 작업자 한 명이 독립적으로 검색과 분류를 수행할 수 있게 되면서, 물량에 따라 인력을 유연하게 투입할 수 있게 되었습니다.
1. 숙련자의 경험에 의존하던 분류 방식 개선
과거에는 우편번호별 배달루트 대응표를 A1 용지에 출력해 작업장에 붙여 놓고 사용했습니다. 매일 같은 업무를 수행하며 우편번호에 익숙해진 작업자는 몇 초 만에 해당 위치를 찾아 소포를 분류할 수 있었습니다.
그러나 하나의 우편번호에 여러 배달루트가 포함되어 있어도, 미리 정해 둔 대표 배달루트에 소포를 일괄 분류하는 방식이었습니다. 아무리 숙련된 작업자라도 우편번호만으로는 개별 소포의 정확한 배달루트를 구분할 수 없었습니다.
정확히 확인하려면 PC의 집배코드 검색 시스템을 이용해야 했습니다. 하지만 부피가 큰 소포를 컴퓨터 앞으로 옮기기 어려워, 한 사람이 송장의 주소를 불러주고 다른 사람이 검색하거나 다른 작업자가 소포를 계속 운반해 주어야 했습니다. 이러한 준비 과정과 주소 입력·확인을 포함하면 숙련자도 한 건에 약 20초가 걸렸습니다.
이제는 소포가 놓인 자리에서 우편번호를 스캔하고 건물번호만 입력하면 됩니다. 예를 들어 과거 PC 검색에서는 '1100로 3307'처럼 주소를 입력해야 했지만, ZIP AI에서는 우편번호를 스캔한 뒤 '3307'만 입력하고 화면에 표시된 '1100로'가 송장과 일치하는지 확인하면 됩니다.
현재는 검색과 확인에 건당 10초 안팎이 걸리며, 업무에 익숙하지 않은 작업자도 20초 이내에 처리할 수 있습니다. 우편번호를 외워야 빠르게 일할 수 있었던 숙련도 의존도 크게 낮아졌습니다.
2. 빠른 처리와 정확한 주소 확인의 결합
기존 우편번호 중심 분류는 빠르지만 정확성에 한계가 있었고, PC 검색은 정확하지만 현장에서 이용하기 불편했습니다.
ZIP AI는 우편번호와 건물번호를 함께 조회해 개별 주소에 해당하는 배달루트를 찾습니다. 작업자는 검색 결과에 표시된 도로명을 송장과 대조하여 주소가 맞는지 확인합니다. 송장의 우편번호 자체가 잘못 기재된 소포도 현장 경험상 100건 중 약 1~2건 발생하기 때문에 필요한 절차입니다.
빠른 분류를 위해 정확성을 희생하거나, 정확한 확인을 위해 작업 흐름을 중단해야 했던 문제를 개선한 것입니다.
3. 물량에 맞춘 유연한 인력 투입
기존 PC 검색은 검색 장소가 고정되어 있어, 작업자를 추가하더라도 소포를 PC로 운반하거나 주소를 전달하는 과정이 필요했습니다. 반면 ZIP AI는 작업자가 휴대폰을 들고 소포가 있는 곳으로 이동하므로, 한 사람이 별도의 검색 보조 인력 없이 독립적으로 작업할 수 있습니다.
현재 하루 평균 처리 물량은 약 400건이며, 적은 날에는 200건, 많은 날에는 900건을 넘기도 합니다. 평소에는 한 사람이 처리하지만, 물량이 400건을 넘으면 2명, 600건을 넘으면 3명 이상으로 작업 인원을 늘립니다. 실제로 2026년 10월 23일에는 처리 물량이 900건을 넘었고, 마지막 수작업 처리에 5명이 넘는 인원이 투입되기도 했습니다.
ZIP AI에서는 각 작업자가 자신의 휴대폰으로 독립적으로 검색할 수 있으므로, 작업 공간만 확보되면 여러 사람이 동시에 작업을 분담할 수 있습니다. 고정된 PC와 보조 인력에 의존하던 방식에서 벗어나, 물량 변화에 맞춰 작업 인원을 유연하게 투입할 수 있게 된 것입니다.
4. 복잡한 예외 처리의 효율화
우체국 DB에 등록되지 않은 주소나 도로명·건물명 등이 잘못 기재된 소포는 처리하기 특히 어려웠습니다. 과거에는 네이버 지도나 카카오맵으로 주변 주소를 찾은 뒤, 다시 우체국 검색 시스템에서 해당 주소들의 배달루트를 확인해야 했습니다. 짧게는 1분, 복잡한 경우에는 5분까지 걸렸습니다.
지금은 ZIP AI의 공간검색을 통해 주변 건물의 배달루트와 도로 경계를 한 화면에서 확인할 수 있습니다. 도로명 오타는 GPT-5 mini가 교정 후보를 제안하고, 불완전한 건물명·상호명에서는 검색에 필요한 명칭을 추려냅니다. 실제 주소와 배달루트는 DB에서 확인합니다.
배달루트를 자동으로 확정하기 어려운 경우에도 주변 건물의 위치와 후보별 배달루트를 그림으로 보여줍니다. 작업자는 여러 지도와 검색 화면을 오가지 않고, 제시된 근거를 확인해 현장에서 판단할 수 있습니다.
과거에는 여러 자료를 찾아가며 해결해야 했던 복잡한 주소 문제를 이제는 하나의 작업 화면에서 처리할 수 있게 되었습니다.
5. 실제 운영 기록으로 확인한 활용 실적
실제 운영 서버의 Nginx 검색 기록을 분석한 결과, ZIP AI의 검색 실행 API 요청은 총 4,407회 확인되었습니다.
Android 단말기의 정상 기본검색 기록에서 5분 이내에 이어진 연속 검색 간격 2,894개를 분석한 결과, 중앙값은 14초였으며, 73.4%가 20초 이내였습니다. 중간 50%의 간격은 10~21초였습니다.
특히 2026년 10월 23일에는 실제 처리 물량이 900건을 넘었으며, 서버에는 검색 실행 요청 1,154회가 기록되었습니다. 이날 일반 기본검색은 1,032회였고, Android 단말기의 연속 기본검색 간격 중앙값은 11초였습니다. 물량이 크게 증가한 날에도 여러 작업자가 각자의 휴대폰으로 독립적으로 검색하고 분류할 수 있었음을 보여주는 사례입니다.
이 간격은 순수한 검색시간이 아니라, 검색 결과를 확인하고 소포에 마카펜으로 배달루트를 적은 뒤 분류·적재하고 다음 소포를 검색하기까지의 시간입니다. 이런 현장 작업을 모두 포함하고도 중앙값이 14초였습니다.
이러한 운영 기록은 ZIP AI가 실제 현장에서 반복적으로 활용되고 있음을 보여줍니다. 정확한 개별 주소 확인, 작업시간 단축, 숙련도 의존 감소에 더해, 물량에 따라 여러 작업자가 독립적으로 참여할 수 있는 작업 환경까지 마련한 것이 ZIP AI 도입의 가장 큰 성과입니다.
④ 나만의 방식 또는 개선 포인트는 무엇인가요?
ZIP AI를 개발하면서 가장 중요하게 생각한 것은 AI를 많이 사용하는 것이 아니라, AI가 잘하는 일과 반드시 정확해야 하는 일을 구분하는 것이었습니다. 또한 현장 업무를 가장 잘 아는 사람이 개발의 방향을 결정하고, 여러 AI를 설계·구현·검증에 활용하는 방식을 선택했습니다.
1. AI는 주소를 해석하지만, 배달루트를 결정하지 않는다
우편물 분류에서 잘못된 배달루트를 안내하면 실제 오분류로 이어집니다. 따라서 AI가 그럴듯한 주소나 배달루트를 만들어 내는 방식은 처음부터 배제했습니다.
GPT-5 mini는 잘못 기재된 도로명을 교정하거나 불완전한 건물명·상호명에서 검색에 필요한 단어를 추출하는 역할만 수행합니다. AI가 제시한 검색어는 실제 주소 DB에서 다시 확인하며, 최종 주소와 배달루트는 DB와 확정된 판단 규칙으로 결정합니다.
특히 실제 주소를 찾지 못했다고 주변 건물의 주소를 해당 소포의 주소인 것처럼 대신 기록하지 않습니다. 주변 건물은 배달루트를 판단하는 근거로만 사용합니다. 판단 근거가 부족하면 무리하게 자동 확정하지 않고 작업자가 직접 판단하도록 설계했습니다.
이는 AI의 활용 범위를 줄이기 위한 것이 아닙니다. 언어를 유연하게 해석하는 AI의 장점은 살리면서, 정확성이 중요한 업무 판단에는 검증 가능한 데이터와 규칙을 사용하는 방식입니다.
2. 약 100시간을 들인 공간검색 설계
개발 과정에서 가장 어려웠던 부분은 우체국 DB에 정확한 주소가 없는 경우, 주변 공간정보를 이용해 배달루트를 판단하는 2단계 공간검색이었습니다.
처음에는 주변 건물의 배달루트를 참고하면 해결할 수 있을 것처럼 보였습니다. 그러나 실제 데이터를 검토할수록 단순한 거리 계산으로는 해결할 수 없는 문제가 드러났습니다.
가장 가까운 건물이라도 큰 도로를 사이에 두고 있다면 배달루트가 다를 수 있습니다. 하나의 필지에 여러 건물이 존재한다고 해서 모두 독립적인 판단 근거가 되는 것도 아닙니다. 주변 건물의 배달루트가 일치하더라도, 그 정보만으로 자동 확정해도 되는지 별도로 판단해야 했습니다.
이러한 문제를 해결하면서 필지와 건물의 관계, 도로 경계, 관할, 주변 배달루트의 일치 여부 등을 검토하는 규칙을 만들었습니다. 예를 들어 큰 도로 건너편을 제외한 주변 건물 세 곳 이상에서 같은 배달루트가 확인되고 다른 필수 조건까지 충족해야 자동 확정할 수 있도록 했습니다.
조건을 충족하지 못하면 억지로 답을 정하지 않습니다. 대신 주변 건물의 위치와 배달루트를 시각화하여 작업자가 판단할 수 있게 했습니다.
이 과정은 처음부터 완성된 설계를 작성한 것이 아니라, 문제를 하나 해결하면 새로운 예외가 나타나고, 그 예외를 해결하면서 설계를 발전시키는 과정이었습니다.
공간검색 설계에만 약 100시간을 투입한 것으로 기억합니다. 구현에는 최대 10시간 정도를 예상했지만, 설계가 정리된 뒤 Claude가 약 2시간 만에 최초 코드를 높은 완성도로 구현했습니다. 이후 세부적인 수정과 보완은 계속했지만, 핵심 구조를 처음부터 다시 설계해야 할 정도의 큰 문제는 없었습니다.
이 경험을 통해 복잡한 소프트웨어 개발에서 가장 어려운 일은 코드를 작성하는 것보다 올바른 해결 방법을 찾아내는 것임을 확인했습니다.
3. 여러 AI를 개발팀처럼 활용하고, 최종 판단은 직접 수행
저는 전문 소프트웨어 개발자가 아니라 우편물 분류 업무를 직접 수행하는 현장 작업자입니다. 기존 방식으로 이런 시스템을 개발하려면 상당한 외주 비용과 여러 분야의 기술 인력이 필요했을 것입니다.
AI를 활용하면서 개발 방식 자체를 바꿀 수 있었습니다.
ChatGPT, Claude, GLM, Codex 등 여러 AI를 설계 검토, 구현, 오류 수정, 독립 검증에 활용했습니다.
AI에게 모든 구현 절차를 세세하게 지시하기보다 목표와 성공 조건, 반드시 지켜야 할 제약을 명확히 전달하고 구체적인 구현 방법은 모델의 판단에 맡겼습니다. 대신 완성된 결과가 요구사항을 충족하는지 독립적으로 검증하는 데 집중했습니다.
AI의 제안을 그대로 따르는 것이 아니라, 여러 AI의 능력을 활용하면서 설계의 최종 책임은 사람이 지는 방식입니다.
전체 개발에 직접 투입한 시간은 200시간이 넘습니다. 그러나 AI가 없었다면 그 시간을 투자하더라도 기술과 비용의 장벽 때문에 개발 자체가 어려웠을 것입니다.
4. 프로그램이 아니라 실제 작업 흐름을 개선하는 설계
기능을 구현할 때마다 기준으로 삼은 것은 실제 작업장에서 얼마나 편리하고 정확하게 사용할 수 있느냐였습니다.
고정된 PC 앞으로 소포를 가져가는 대신 작업자가 휴대폰을 들고 소포가 있는 곳으로 이동하도록 했습니다. 우편번호는 바코드로 스캔하고, 입력해야 할 정보는 최소화했습니다. 배달루트는 현장에서 즉시 알아볼 수 있도록 크게 표시하고, 복잡한 주소는 판단 근거를 그림으로 보여주도록 했습니다.
실제 사용 중 불편한 점이 발견되면 화면과 검색 절차를 수정했습니다. 작업자가 이미 알고 있는 정보를 반복 입력하게 하거나, 확실하지 않은 결과를 확정된 것처럼 표시하지 않는 것도 중요한 원칙이었습니다.
이처럼 ZIP AI는 완성된 프로그램을 현장에 적용한 것이 아니라, 현장 작업을 계속 관찰하고 개선하면서 프로그램 자체를 발전시킨 시스템입니다.
결과적으로 ZIP AI의 가장 큰 특징은 특정 AI 모델이나 알고리즘 하나에 있지 않습니다.
현장 업무의 문제를 직접 발견한 사람이 여러 AI를 활용해 해결 방법을 설계하고, 구현과 검증까지 주도하여 실제 운영 가능한 시스템을 만들었다는 점입니다.
기존에는 비용과 기술적 한계 때문에 시도하기 어려웠던 개선을 현장 작업자가 직접 실현할 수 있었다는 것이 이번 AI 활용에서 가장 의미 있는 변화입니다.
⑤ 다른 사람도 따라 할 수 있나요?
ZIP AI는 제주 지역의 우편물 분류 문제를 해결하기 위해 개발했지만, 다른 지역으로 확장하거나 다양한 업무에 응용할 수 있는 구조로 만들었습니다. 특히 오픈소스 프로그램과 공공데이터를 기반으로 구축했기 때문에, 필요한 업무 데이터를 확보한 기관이라면 자체 서버에서 직접 운영할 수 있습니다.
1. DB 확장을 통한 전국 서비스 가능
ZIP AI의 검색 알고리즘은 제주 지역의 특정 주소나 배달루트에 맞춰 만들어진 것이 아닙니다. 주소와 공간정보를 분석하고, 정해진 기준에 따라 배달루트를 판단하는 공통 구조를 사용합니다.
따라서 다른 지역의 주소·건물·공간정보와 해당 지역의 배달루트 데이터를 추가하면 동일한 검색 체계를 다른 지역에도 적용할 수 있습니다. 전국의 관련 데이터를 확보해 연결한다면 전국 단위 서비스로 확대하는 것도 가능합니다.
지역마다 별도의 검색 프로그램을 처음부터 개발할 필요 없이, 기존 시스템의 DB를 확장하는 방식으로 서비스 범위를 넓힐 수 있습니다.
2. 우편물 분류를 넘어 다양한 공간검색 시스템으로 확장
ZIP AI에서 특히 활용 가치가 높은 부분은 공간검색 기능입니다.
기존 우체국 검색 시스템은 DB에 등록된 주소를 조회하는 방식이어서, 주소가 없거나 잘못 기재되어 있으면 정확한 배달루트를 찾기 어려웠습니다.
ZIP AI는 이 문제를 해결하기 위해 도로명주소, 건물, 필지, 도로 및 공간정보를 통합했습니다. 정확한 주소를 찾지 못하더라도 주변 건물의 위치와 배달루트, 도로 경계 등 공간적 관계를 분석하여 판단 근거를 제시합니다.
단순히 지도에서 가까운 건물을 찾는 것이 아닙니다. 큰 도로를 사이에 둔 건물을 구분하고, 주변 건물의 배달루트와 정해진 판단 조건을 함께 검토합니다. 자동 확정이 어려우면 작업자가 판단할 수 있도록 주변 건물의 위치와 배달루트를 시각화합니다.
이 공간검색 기능은 기존 우체국 검색 시스템에는 없었던 기능으로, ZIP AI를 개발하면서 가장 많은 노력을 들인 부분이기도 합니다.
중요한 것은 이러한 공간정보 검색 기반이 우편물 분류에만 한정되지 않는다는 점입니다.
현재는 공간정보를 이용해 배달루트를 찾지만, 다른 업무 데이터를 연결하면 시설물 검색, 관할구역 확인, 주소 검증, 현장 점검 등으로도 응용할 수 있습니다. 각 업무에 필요한 정보와 판단 규칙을 추가하는 방식입니다.
전국 확대가 같은 기능을 더 넓은 지역에 제공하는 것이라면, 공간검색의 응용은 기존 기술을 전혀 다른 업무에 활용하는 것입니다. ZIP AI를 개발하면서 구축한 주소·공간정보 통합 검색 기반은 여러 분야에서 재사용할 수 있는 기술적 자산입니다.
3. 오픈소스와 공공데이터를 활용한 자체 운영
ZIP AI에 사용된 프로그램과 라이브러리는 모두 오픈소스 기반이며, 주소·건물·필지·도로 등 검색에 필요한 기초정보는 공공데이터를 활용했습니다.
따라서 기관이 필요한 업무 데이터를 확보하고 자체 서버를 운영할 수 있다면, 특정 상용 소프트웨어나 고가의 전용 장비에 의존하지 않고 시스템을 구축할 수 있습니다.
실제 주소 검색과 배달루트 판단은 서버의 DB와 규칙에 따라 이루어집니다. GPT-5 mini는 주소의 오타 교정이나 불완전한 명칭에서 검색어를 추출하는 보조 역할을 담당하므로, 핵심 검색 기능이 외부 AI의 판단에 종속되지도 않습니다.
사용하는 AI 모델도 설정만 바꾸면 다른 서비스나 기관 내부 서버의 모델로 교체할 수 있습니다. AI 제공자, 서버 주소, 모델, 인증키를 설정값으로 분리했기 때문에 특정 AI 서비스에 의존하지 않고 운영 환경에 맞게 선택할 수 있습니다.
기관별로 자체 서버와 DB를 운영하면서 필요한 기능을 확장하고 개선할 수 있는 구조라는 점도 장점입니다.
4. 최신 공공데이터의 자동 갱신
주소와 건물정보는 계속 변경됩니다. 새로운 건물이 생기거나 도로명주소가 바뀌기 때문에 검색 시스템도 최신 정보를 유지해야 합니다.
ZIP AI는 매월 또는 분기별로 제공되는 최신 DB를 반영하는 갱신 작업을 자동화했습니다. 따라서 운영자가 데이터가 갱신될 때마다 방대한 주소정보를 수작업으로 다시 정리할 필요가 없습니다.
새 자료는 검사를 통과해야 기존 DB를 교체하며, 문제가 생기면 이전 DB로 되돌릴 수 있도록 설계했습니다. 실제로 2026년 10월 우체국 배달루트 자료를 교체할 때 서비스가 중단된 시간은 21초였습니다.
이러한 구조는 최초 구축 이후의 유지관리 부담을 줄이고, 최신 주소·공간정보를 지속적으로 활용할 수 있도록 합니다.
한 번 개발하고 끝나는 프로그램이 아니라, 데이터의 변화에 맞춰 계속 운영할 수 있는 시스템으로 설계한 것입니다.
5. 다른 현장에서도 따라 할 수 있는 AI 활용 방식
ZIP AI의 개발 방식은 업무를 잘 아는 사람이라면 다른 현장에서도 따라 할 수 있습니다.
첫째, 현장 담당자가 해결할 문제와 업무 규칙, 성공 조건을 먼저 정합니다.
둘째, AI가 맡을 일과 맡기지 않을 일을 구분합니다. 언어 해석과 검색어 제안은 AI에 맡기고, 정확해야 하는 판단은 데이터와 명확한 규칙으로 처리합니다.
셋째, 한 AI가 만든 설계와 코드를 다른 AI가 독립적으로 검토하게 하고, 의견이 다르면 실제 데이터로 시험해 결정합니다.
넷째, 현장에서 직접 사용하며 불편한 점과 발견된 문제를 지속적으로 개선합니다.
업무를 잘 아는 현장 담당자가 AI를 활용해, 기존에는 비용과 기술적 장벽 때문에 만들기 어려웠던 시스템을 직접 구축할 수 있다는 것이 핵심입니다.
ZIP AI는 제주 우편물 분류 시스템으로 시작했지만, DB 확장을 통한 전국 서비스와 공간검색 기술을 활용한 다른 업무로의 확대가 모두 가능합니다.
특히 기존에 없던 공간검색 기능을 구축하고, 이를 오픈소스와 공공데이터를 기반으로 운영할 수 있게 했다는 점에서 ZIP AI는 다른 지역과 기관에서도 활용할 수 있는 확장성과 재현 가능성을 갖추고 있습니다.
ZIP AI는 송장에 기재된 불완전한 배달루트 정보를 보완하고, 잘못 적힌 주소에서도 정확한 배달루트를 찾기 위해 시작한 프로젝트입니다.
실제 우편물에는 불완전한 배달루트 정보, 잘못된 우편번호, 누락된 주소, 오타가 있는 도로명과 상호 등이 빈번하게 등장합니다. 기존 처리 방식만으로는 대량의 우편물을 빠르고 정확하게 분류하기 어렵습니다.
그렇다고 생성형 AI에 주소와 배달루트의 판단을 맡길 수도 없습니다. 그럴듯한 오답 하나가 실제 우편물의 오분류로 이어질 수 있기 때문입니다.
그래서 ZIP AI는 AI의 유연한 추론 능력과 데이터베이스의 객관적인 검증 기능을 분리했습니다.
AI는 오타를 교정하고 검색 단서를 제안하며, 실제 주소와 배달루트는 공식 자료와 공간정보를 통해 확인합니다. 확실한 근거가 없으면 정답을 만들어 내지 않고, 판단 근거를 제시해 작업자가 최종 결정하도록 합니다.
ZIP AI의 목표는 AI가 사람을 대신해 판단하는 것이 아니라, 사람이 더 빠르고 정확하게 판단할 수 있도록 돕는 것입니다.
① 어떤 상황에서 AI를 활용했나요?
제주우편집중국 물류총괄과는 전국에서 제주로 도착하는 소포를 수집하고, 제주 지역의 각 관할 우체국으로 분류하는 업무를 담당합니다. 정상적으로 기재된 송장은 기존 물류 시스템을 통해 처리할 수 있지만, 주소나 분류 정보에 오류가 있는 송장은 일반적인 처리 과정에서 분리하여 수작업으로 처리해야 합니다.
소포가 수취인에게 정확하게 전달되려면 주소뿐 아니라 우체국 물류 시스템에서 사용하는 분류 식별 코드도 정확해야 합니다. 가장 흔한 오류는 이 분류 코드의 오기입입니다. 예를 들어 구분구 81로 분류되어야 할 소포에 80이 표시되었다면 이를 확인하고 올바른 코드로 수정해야 합니다.
주소 자체가 불완전한 경우도 있습니다. 수취인의 주소 대신 건물명이나 상호명만 기재하거나, 도로명·동명·지번의 일부가 잘못되거나 누락된 사례입니다. 실제 존재하는 주소라도 우체국 배달루트 DB에 등록되지 않아 담당 구역을 바로 확인할 수 없는 경우도 있습니다. 이러한 소포는 작업자가 여러 단서를 대조하여 올바른 배달루트를 찾아야 합니다.
기존에는 우편번호를 기준으로 분류하거나 PC의 집배코드 검색 시스템을 이용했습니다. 우편번호를 이용하면 빠르게 판단할 수 있지만, 하나의 우편번호에 여러 구분구가 포함되는 경우가 있어 정확성이 떨어집니다. 반면 PC 집배코드 검색은 정확하지만, 부피가 큰 소포를 컴퓨터 앞으로 옮기고 주소 전체를 입력해야 하므로 현장 작업의 흐름이 끊기는 불편이 있습니다.
이렇게 수작업으로 넘어오는 소포는 하루 평균 400건, 많은 날은 900건에 이르며, 주소를 확인할 수 없는 소포는 지도 앱으로 주변 주소를 찾아 다시 검색하느라 한 건에 길게는 5분이 걸렸습니다. 이러한 수작업을 줄이고, 현장에서 확인할 수 있는 제한된 주소 정보만으로도 올바른 배달루트를 빠르고 정확하게 찾아낼 방법이 필요했습니다. 이를 해결하기 위해 AI 활용을 검토했고, 그 결과 ZIP AI 개발을 시작했습니다.
② 어떤 AI를 어떻게 활용했나요?
ZIP AI 개발에는 AI를 두 가지 방식으로 활용했습니다. 프로그램을 설계하고 구현하는 개발 도구로 활용했고, 완성된 프로그램 안에서는 잘못되거나 불완전하게 기재된 명칭을 보완하는 검색 도구로 활용했습니다.
1. 여러 AI에 역할을 나눠 맡긴 개발
저는 소포 분류 현장의 문제와 실제 업무 절차는 잘 알고 있었지만, 이를 해결할 프로그램의 설계와 구현에는 AI의 도움이 필요했습니다. ChatGPT, Claude, GLM, OpenAI Codex 등 여러 AI 도구를 활용하여 검색 알고리즘, 데이터베이스, 서버, 모바일 화면, Android 앱을 개발했습니다.
개발 과정에서 가장 중시한 것은 하나의 AI가 제시한 결과를 그대로 받아들이지 않는 것이었습니다. 한 모델이 설계하거나 구현한 결과를 다른 모델이 독립적으로 검토하도록 했고, 발견된 문제와 개선안을 비교했습니다. 의견이 엇갈리면 실제 주소 데이터를 활용한 시험으로 판단했습니다.
예를 들어 공간검색 알고리즘을 개선할 때는 검증용 데이터에서 실제 주소를 하나씩 제외한 뒤, 주변 주소와 공간정보만으로 원래 배달루트를 찾아낼 수 있는지 시험했습니다. 새로운 방식과 기존 방식의 결과를 비교하여 개선 효과도 확인했습니다.
어떤 경우에 자동으로 배달루트를 확정하고, 어떤 경우에 작업자의 판단을 받아야 하는지 등 핵심 업무 규칙은 직접 결정했습니다. AI는 이를 구현하고 오류를 찾아 수정하며 검증하는 역할을 담당했습니다.
2. AI와 함께 설계한 단계별 검색 시스템
ZIP AI는 우체국의 주소별 배달루트 자료에 공공 도로명주소, 건물·필지의 위치정보, 도로 중심선, 상호명 자료 등을 결합한 검색 시스템입니다.
일반적인 송장은 우편번호와 건물번호만으로 신속하게 검색합니다. 주소가 잘못 기재되었거나 검색 결과가 확인되지 않으면 도로명·동명·건물명·상호명 등 다른 단서를 활용해 검색을 이어갑니다.
우체국 DB에 등록되지 않은 주소라도 공식 주소와 건물 위치가 확인되면 공간검색을 수행합니다. 같은 필지 또는 주변 건물의 배달루트를 조사하고, 큰 도로로 분리된 후보는 판정에서 제외합니다. 큰 도로 건너편을 제외한 주변 건물 세 곳 이상에서 동일한 배달루트가 확인되고, 다른 필수 조건까지 충족하면 해당 배달루트를 자동 확정합니다.
근거가 부족하거나 배달루트가 서로 다르면 주변 건물의 위치, 도로, 후보별 배달루트를 그림으로 보여주어 작업자가 직접 판단할 수 있도록 했습니다.
이러한 검색과 공간 판정은 생성형 AI가 주소를 추측하는 방식이 아니라, AI와 함께 설계하고 실제 데이터로 검증한 알고리즘으로 수행합니다.
3. 실제 검색 과정에서의 GPT-5 mini 활용
완성된 ZIP AI에서는 GPT-5 mini를 활용해 기존 DB 검색만으로 해결하기 어려운 명칭 오류를 보완합니다.
도로명이나 동명이 잘못 기재되었을 때는 올바른 명칭의 후보를 제안하고, 건물명이나 상호명이 불완전할 때는 검색에 사용할 수 있는 명칭을 추출합니다.
실제 시험에서 우편번호 63219, 건물번호 59와 함께 잘못된 도로명인 '청시로'를 입력하자 AI는 '청사로'와 '청수로'를 제안했습니다. ZIP AI는 두 명칭을 실제 DB와 대조해 우편번호와 건물번호가 모두 일치하는 '청사로 59(정부제주지방합동청사)', 배달루트 25를 찾아냈으며, 작업자가 해당 결과를 확인하고 선택했습니다.
AI는 일반적인 DB 검색으로 해결되지 않을 때 필요한 범위에서만 호출합니다. AI가 제안한 명칭을 곧바로 정답으로 사용하지 않고, 반드시 DB에서 실제 주소와 배달 정보를 확인합니다. 최종 배달루트 확정 역시 AI의 추측이 아니라 검증된 자료와 사전에 정한 판정 기준을 따릅니다.
4. 현장 작업 환경에 맞춘 구현
검색 기능뿐 아니라 실제 작업에 사용할 모바일 웹 화면과 Android 앱도 AI와 함께 개발했습니다.
휴대용 단말기의 바코드 스캐너와 카메라 기능을 연계하고, 복잡한 주소 입력을 최소화했습니다. 검색 결과에서는 배달루트를 크게 표시하여 작업자가 즉시 확인할 수 있도록 했습니다.
자동 확정이 어려운 경우에는 주변 건물의 위치와 배달루트를 공간 도식으로 보여주고, 작업자가 해당 그림을 보고 바로 배달루트를 선택할 수 있도록 구성했습니다.
이렇게 개발된 ZIP AI는 AI를 활용해 만든 프로그램이면서, 실제 업무에서는 생성형 AI의 언어 처리 능력과 검증된 데이터베이스의 정확성을 결합한 현장용 검색 시스템입니다.
③ 활용 결과 어떤 변화가 있었나요?
ZIP AI 도입으로 달라진 것은 소포 분류의 속도와 정확성뿐만 아니라, 숙련자의 경험에 의존하던 작업 방식과 복잡한 주소를 처리하는 과정입니다. 특히 작업자 한 명이 독립적으로 검색과 분류를 수행할 수 있게 되면서, 물량에 따라 인력을 유연하게 투입할 수 있게 되었습니다.
1. 숙련자의 경험에 의존하던 분류 방식 개선
과거에는 우편번호별 배달루트 대응표를 A1 용지에 출력해 작업장에 붙여 놓고 사용했습니다. 매일 같은 업무를 수행하며 우편번호에 익숙해진 작업자는 몇 초 만에 해당 위치를 찾아 소포를 분류할 수 있었습니다.
그러나 하나의 우편번호에 여러 배달루트가 포함되어 있어도, 미리 정해 둔 대표 배달루트에 소포를 일괄 분류하는 방식이었습니다. 아무리 숙련된 작업자라도 우편번호만으로는 개별 소포의 정확한 배달루트를 구분할 수 없었습니다.
정확히 확인하려면 PC의 집배코드 검색 시스템을 이용해야 했습니다. 하지만 부피가 큰 소포를 컴퓨터 앞으로 옮기기 어려워, 한 사람이 송장의 주소를 불러주고 다른 사람이 검색하거나 다른 작업자가 소포를 계속 운반해 주어야 했습니다. 이러한 준비 과정과 주소 입력·확인을 포함하면 숙련자도 한 건에 약 20초가 걸렸습니다.
이제는 소포가 놓인 자리에서 우편번호를 스캔하고 건물번호만 입력하면 됩니다. 예를 들어 과거 PC 검색에서는 '1100로 3307'처럼 주소를 입력해야 했지만, ZIP AI에서는 우편번호를 스캔한 뒤 '3307'만 입력하고 화면에 표시된 '1100로'가 송장과 일치하는지 확인하면 됩니다.
현재는 검색과 확인에 건당 10초 안팎이 걸리며, 업무에 익숙하지 않은 작업자도 20초 이내에 처리할 수 있습니다. 우편번호를 외워야 빠르게 일할 수 있었던 숙련도 의존도 크게 낮아졌습니다.
2. 빠른 처리와 정확한 주소 확인의 결합
기존 우편번호 중심 분류는 빠르지만 정확성에 한계가 있었고, PC 검색은 정확하지만 현장에서 이용하기 불편했습니다.
ZIP AI는 우편번호와 건물번호를 함께 조회해 개별 주소에 해당하는 배달루트를 찾습니다. 작업자는 검색 결과에 표시된 도로명을 송장과 대조하여 주소가 맞는지 확인합니다. 송장의 우편번호 자체가 잘못 기재된 소포도 현장 경험상 100건 중 약 1~2건 발생하기 때문에 필요한 절차입니다.
빠른 분류를 위해 정확성을 희생하거나, 정확한 확인을 위해 작업 흐름을 중단해야 했던 문제를 개선한 것입니다.
3. 물량에 맞춘 유연한 인력 투입
기존 PC 검색은 검색 장소가 고정되어 있어, 작업자를 추가하더라도 소포를 PC로 운반하거나 주소를 전달하는 과정이 필요했습니다. 반면 ZIP AI는 작업자가 휴대폰을 들고 소포가 있는 곳으로 이동하므로, 한 사람이 별도의 검색 보조 인력 없이 독립적으로 작업할 수 있습니다.
현재 하루 평균 처리 물량은 약 400건이며, 적은 날에는 200건, 많은 날에는 900건을 넘기도 합니다. 평소에는 한 사람이 처리하지만, 물량이 400건을 넘으면 2명, 600건을 넘으면 3명 이상으로 작업 인원을 늘립니다. 실제로 2026년 10월 23일에는 처리 물량이 900건을 넘었고, 마지막 수작업 처리에 5명이 넘는 인원이 투입되기도 했습니다.
ZIP AI에서는 각 작업자가 자신의 휴대폰으로 독립적으로 검색할 수 있으므로, 작업 공간만 확보되면 여러 사람이 동시에 작업을 분담할 수 있습니다. 고정된 PC와 보조 인력에 의존하던 방식에서 벗어나, 물량 변화에 맞춰 작업 인원을 유연하게 투입할 수 있게 된 것입니다.
4. 복잡한 예외 처리의 효율화
우체국 DB에 등록되지 않은 주소나 도로명·건물명 등이 잘못 기재된 소포는 처리하기 특히 어려웠습니다. 과거에는 네이버 지도나 카카오맵으로 주변 주소를 찾은 뒤, 다시 우체국 검색 시스템에서 해당 주소들의 배달루트를 확인해야 했습니다. 짧게는 1분, 복잡한 경우에는 5분까지 걸렸습니다.
지금은 ZIP AI의 공간검색을 통해 주변 건물의 배달루트와 도로 경계를 한 화면에서 확인할 수 있습니다. 도로명 오타는 GPT-5 mini가 교정 후보를 제안하고, 불완전한 건물명·상호명에서는 검색에 필요한 명칭을 추려냅니다. 실제 주소와 배달루트는 DB에서 확인합니다.
배달루트를 자동으로 확정하기 어려운 경우에도 주변 건물의 위치와 후보별 배달루트를 그림으로 보여줍니다. 작업자는 여러 지도와 검색 화면을 오가지 않고, 제시된 근거를 확인해 현장에서 판단할 수 있습니다.
과거에는 여러 자료를 찾아가며 해결해야 했던 복잡한 주소 문제를 이제는 하나의 작업 화면에서 처리할 수 있게 되었습니다.
5. 실제 운영 기록으로 확인한 활용 실적
실제 운영 서버의 Nginx 검색 기록을 분석한 결과, ZIP AI의 검색 실행 API 요청은 총 4,407회 확인되었습니다.
Android 단말기의 정상 기본검색 기록에서 5분 이내에 이어진 연속 검색 간격 2,894개를 분석한 결과, 중앙값은 14초였으며, 73.4%가 20초 이내였습니다. 중간 50%의 간격은 10~21초였습니다.
특히 2026년 10월 23일에는 실제 처리 물량이 900건을 넘었으며, 서버에는 검색 실행 요청 1,154회가 기록되었습니다. 이날 일반 기본검색은 1,032회였고, Android 단말기의 연속 기본검색 간격 중앙값은 11초였습니다. 물량이 크게 증가한 날에도 여러 작업자가 각자의 휴대폰으로 독립적으로 검색하고 분류할 수 있었음을 보여주는 사례입니다.
이 간격은 순수한 검색시간이 아니라, 검색 결과를 확인하고 소포에 마카펜으로 배달루트를 적은 뒤 분류·적재하고 다음 소포를 검색하기까지의 시간입니다. 이런 현장 작업을 모두 포함하고도 중앙값이 14초였습니다.
이러한 운영 기록은 ZIP AI가 실제 현장에서 반복적으로 활용되고 있음을 보여줍니다. 정확한 개별 주소 확인, 작업시간 단축, 숙련도 의존 감소에 더해, 물량에 따라 여러 작업자가 독립적으로 참여할 수 있는 작업 환경까지 마련한 것이 ZIP AI 도입의 가장 큰 성과입니다.
④ 나만의 방식 또는 개선 포인트는 무엇인가요?
ZIP AI를 개발하면서 가장 중요하게 생각한 것은 AI를 많이 사용하는 것이 아니라, AI가 잘하는 일과 반드시 정확해야 하는 일을 구분하는 것이었습니다. 또한 현장 업무를 가장 잘 아는 사람이 개발의 방향을 결정하고, 여러 AI를 설계·구현·검증에 활용하는 방식을 선택했습니다.
1. AI는 주소를 해석하지만, 배달루트를 결정하지 않는다
우편물 분류에서 잘못된 배달루트를 안내하면 실제 오분류로 이어집니다. 따라서 AI가 그럴듯한 주소나 배달루트를 만들어 내는 방식은 처음부터 배제했습니다.
GPT-5 mini는 잘못 기재된 도로명을 교정하거나 불완전한 건물명·상호명에서 검색에 필요한 단어를 추출하는 역할만 수행합니다. AI가 제시한 검색어는 실제 주소 DB에서 다시 확인하며, 최종 주소와 배달루트는 DB와 확정된 판단 규칙으로 결정합니다.
특히 실제 주소를 찾지 못했다고 주변 건물의 주소를 해당 소포의 주소인 것처럼 대신 기록하지 않습니다. 주변 건물은 배달루트를 판단하는 근거로만 사용합니다. 판단 근거가 부족하면 무리하게 자동 확정하지 않고 작업자가 직접 판단하도록 설계했습니다.
이는 AI의 활용 범위를 줄이기 위한 것이 아닙니다. 언어를 유연하게 해석하는 AI의 장점은 살리면서, 정확성이 중요한 업무 판단에는 검증 가능한 데이터와 규칙을 사용하는 방식입니다.
2. 약 100시간을 들인 공간검색 설계
개발 과정에서 가장 어려웠던 부분은 우체국 DB에 정확한 주소가 없는 경우, 주변 공간정보를 이용해 배달루트를 판단하는 2단계 공간검색이었습니다.
처음에는 주변 건물의 배달루트를 참고하면 해결할 수 있을 것처럼 보였습니다. 그러나 실제 데이터를 검토할수록 단순한 거리 계산으로는 해결할 수 없는 문제가 드러났습니다.
가장 가까운 건물이라도 큰 도로를 사이에 두고 있다면 배달루트가 다를 수 있습니다. 하나의 필지에 여러 건물이 존재한다고 해서 모두 독립적인 판단 근거가 되는 것도 아닙니다. 주변 건물의 배달루트가 일치하더라도, 그 정보만으로 자동 확정해도 되는지 별도로 판단해야 했습니다.
이러한 문제를 해결하면서 필지와 건물의 관계, 도로 경계, 관할, 주변 배달루트의 일치 여부 등을 검토하는 규칙을 만들었습니다. 예를 들어 큰 도로 건너편을 제외한 주변 건물 세 곳 이상에서 같은 배달루트가 확인되고 다른 필수 조건까지 충족해야 자동 확정할 수 있도록 했습니다.
조건을 충족하지 못하면 억지로 답을 정하지 않습니다. 대신 주변 건물의 위치와 배달루트를 시각화하여 작업자가 판단할 수 있게 했습니다.
이 과정은 처음부터 완성된 설계를 작성한 것이 아니라, 문제를 하나 해결하면 새로운 예외가 나타나고, 그 예외를 해결하면서 설계를 발전시키는 과정이었습니다.
공간검색 설계에만 약 100시간을 투입한 것으로 기억합니다. 구현에는 최대 10시간 정도를 예상했지만, 설계가 정리된 뒤 Claude가 약 2시간 만에 최초 코드를 높은 완성도로 구현했습니다. 이후 세부적인 수정과 보완은 계속했지만, 핵심 구조를 처음부터 다시 설계해야 할 정도의 큰 문제는 없었습니다.
이 경험을 통해 복잡한 소프트웨어 개발에서 가장 어려운 일은 코드를 작성하는 것보다 올바른 해결 방법을 찾아내는 것임을 확인했습니다.
3. 여러 AI를 개발팀처럼 활용하고, 최종 판단은 직접 수행
저는 전문 소프트웨어 개발자가 아니라 우편물 분류 업무를 직접 수행하는 현장 작업자입니다. 기존 방식으로 이런 시스템을 개발하려면 상당한 외주 비용과 여러 분야의 기술 인력이 필요했을 것입니다.
AI를 활용하면서 개발 방식 자체를 바꿀 수 있었습니다.
ChatGPT, Claude, GLM, Codex 등 여러 AI를 설계 검토, 구현, 오류 수정, 독립 검증에 활용했습니다.
AI에게 모든 구현 절차를 세세하게 지시하기보다 목표와 성공 조건, 반드시 지켜야 할 제약을 명확히 전달하고 구체적인 구현 방법은 모델의 판단에 맡겼습니다. 대신 완성된 결과가 요구사항을 충족하는지 독립적으로 검증하는 데 집중했습니다.
AI의 제안을 그대로 따르는 것이 아니라, 여러 AI의 능력을 활용하면서 설계의 최종 책임은 사람이 지는 방식입니다.
전체 개발에 직접 투입한 시간은 200시간이 넘습니다. 그러나 AI가 없었다면 그 시간을 투자하더라도 기술과 비용의 장벽 때문에 개발 자체가 어려웠을 것입니다.
4. 프로그램이 아니라 실제 작업 흐름을 개선하는 설계
기능을 구현할 때마다 기준으로 삼은 것은 실제 작업장에서 얼마나 편리하고 정확하게 사용할 수 있느냐였습니다.
고정된 PC 앞으로 소포를 가져가는 대신 작업자가 휴대폰을 들고 소포가 있는 곳으로 이동하도록 했습니다. 우편번호는 바코드로 스캔하고, 입력해야 할 정보는 최소화했습니다. 배달루트는 현장에서 즉시 알아볼 수 있도록 크게 표시하고, 복잡한 주소는 판단 근거를 그림으로 보여주도록 했습니다.
실제 사용 중 불편한 점이 발견되면 화면과 검색 절차를 수정했습니다. 작업자가 이미 알고 있는 정보를 반복 입력하게 하거나, 확실하지 않은 결과를 확정된 것처럼 표시하지 않는 것도 중요한 원칙이었습니다.
이처럼 ZIP AI는 완성된 프로그램을 현장에 적용한 것이 아니라, 현장 작업을 계속 관찰하고 개선하면서 프로그램 자체를 발전시킨 시스템입니다.
결과적으로 ZIP AI의 가장 큰 특징은 특정 AI 모델이나 알고리즘 하나에 있지 않습니다.
현장 업무의 문제를 직접 발견한 사람이 여러 AI를 활용해 해결 방법을 설계하고, 구현과 검증까지 주도하여 실제 운영 가능한 시스템을 만들었다는 점입니다.
기존에는 비용과 기술적 한계 때문에 시도하기 어려웠던 개선을 현장 작업자가 직접 실현할 수 있었다는 것이 이번 AI 활용에서 가장 의미 있는 변화입니다.
⑤ 다른 사람도 따라 할 수 있나요?
ZIP AI는 제주 지역의 우편물 분류 문제를 해결하기 위해 개발했지만, 다른 지역으로 확장하거나 다양한 업무에 응용할 수 있는 구조로 만들었습니다. 특히 오픈소스 프로그램과 공공데이터를 기반으로 구축했기 때문에, 필요한 업무 데이터를 확보한 기관이라면 자체 서버에서 직접 운영할 수 있습니다.
1. DB 확장을 통한 전국 서비스 가능
ZIP AI의 검색 알고리즘은 제주 지역의 특정 주소나 배달루트에 맞춰 만들어진 것이 아닙니다. 주소와 공간정보를 분석하고, 정해진 기준에 따라 배달루트를 판단하는 공통 구조를 사용합니다.
따라서 다른 지역의 주소·건물·공간정보와 해당 지역의 배달루트 데이터를 추가하면 동일한 검색 체계를 다른 지역에도 적용할 수 있습니다. 전국의 관련 데이터를 확보해 연결한다면 전국 단위 서비스로 확대하는 것도 가능합니다.
지역마다 별도의 검색 프로그램을 처음부터 개발할 필요 없이, 기존 시스템의 DB를 확장하는 방식으로 서비스 범위를 넓힐 수 있습니다.
2. 우편물 분류를 넘어 다양한 공간검색 시스템으로 확장
ZIP AI에서 특히 활용 가치가 높은 부분은 공간검색 기능입니다.
기존 우체국 검색 시스템은 DB에 등록된 주소를 조회하는 방식이어서, 주소가 없거나 잘못 기재되어 있으면 정확한 배달루트를 찾기 어려웠습니다.
ZIP AI는 이 문제를 해결하기 위해 도로명주소, 건물, 필지, 도로 및 공간정보를 통합했습니다. 정확한 주소를 찾지 못하더라도 주변 건물의 위치와 배달루트, 도로 경계 등 공간적 관계를 분석하여 판단 근거를 제시합니다.
단순히 지도에서 가까운 건물을 찾는 것이 아닙니다. 큰 도로를 사이에 둔 건물을 구분하고, 주변 건물의 배달루트와 정해진 판단 조건을 함께 검토합니다. 자동 확정이 어려우면 작업자가 판단할 수 있도록 주변 건물의 위치와 배달루트를 시각화합니다.
이 공간검색 기능은 기존 우체국 검색 시스템에는 없었던 기능으로, ZIP AI를 개발하면서 가장 많은 노력을 들인 부분이기도 합니다.
중요한 것은 이러한 공간정보 검색 기반이 우편물 분류에만 한정되지 않는다는 점입니다.
현재는 공간정보를 이용해 배달루트를 찾지만, 다른 업무 데이터를 연결하면 시설물 검색, 관할구역 확인, 주소 검증, 현장 점검 등으로도 응용할 수 있습니다. 각 업무에 필요한 정보와 판단 규칙을 추가하는 방식입니다.
전국 확대가 같은 기능을 더 넓은 지역에 제공하는 것이라면, 공간검색의 응용은 기존 기술을 전혀 다른 업무에 활용하는 것입니다. ZIP AI를 개발하면서 구축한 주소·공간정보 통합 검색 기반은 여러 분야에서 재사용할 수 있는 기술적 자산입니다.
3. 오픈소스와 공공데이터를 활용한 자체 운영
ZIP AI에 사용된 프로그램과 라이브러리는 모두 오픈소스 기반이며, 주소·건물·필지·도로 등 검색에 필요한 기초정보는 공공데이터를 활용했습니다.
따라서 기관이 필요한 업무 데이터를 확보하고 자체 서버를 운영할 수 있다면, 특정 상용 소프트웨어나 고가의 전용 장비에 의존하지 않고 시스템을 구축할 수 있습니다.
실제 주소 검색과 배달루트 판단은 서버의 DB와 규칙에 따라 이루어집니다. GPT-5 mini는 주소의 오타 교정이나 불완전한 명칭에서 검색어를 추출하는 보조 역할을 담당하므로, 핵심 검색 기능이 외부 AI의 판단에 종속되지도 않습니다.
사용하는 AI 모델도 설정만 바꾸면 다른 서비스나 기관 내부 서버의 모델로 교체할 수 있습니다. AI 제공자, 서버 주소, 모델, 인증키를 설정값으로 분리했기 때문에 특정 AI 서비스에 의존하지 않고 운영 환경에 맞게 선택할 수 있습니다.
기관별로 자체 서버와 DB를 운영하면서 필요한 기능을 확장하고 개선할 수 있는 구조라는 점도 장점입니다.
4. 최신 공공데이터의 자동 갱신
주소와 건물정보는 계속 변경됩니다. 새로운 건물이 생기거나 도로명주소가 바뀌기 때문에 검색 시스템도 최신 정보를 유지해야 합니다.
ZIP AI는 매월 또는 분기별로 제공되는 최신 DB를 반영하는 갱신 작업을 자동화했습니다. 따라서 운영자가 데이터가 갱신될 때마다 방대한 주소정보를 수작업으로 다시 정리할 필요가 없습니다.
새 자료는 검사를 통과해야 기존 DB를 교체하며, 문제가 생기면 이전 DB로 되돌릴 수 있도록 설계했습니다. 실제로 2026년 10월 우체국 배달루트 자료를 교체할 때 서비스가 중단된 시간은 21초였습니다.
이러한 구조는 최초 구축 이후의 유지관리 부담을 줄이고, 최신 주소·공간정보를 지속적으로 활용할 수 있도록 합니다.
한 번 개발하고 끝나는 프로그램이 아니라, 데이터의 변화에 맞춰 계속 운영할 수 있는 시스템으로 설계한 것입니다.
5. 다른 현장에서도 따라 할 수 있는 AI 활용 방식
ZIP AI의 개발 방식은 업무를 잘 아는 사람이라면 다른 현장에서도 따라 할 수 있습니다.
첫째, 현장 담당자가 해결할 문제와 업무 규칙, 성공 조건을 먼저 정합니다.
둘째, AI가 맡을 일과 맡기지 않을 일을 구분합니다. 언어 해석과 검색어 제안은 AI에 맡기고, 정확해야 하는 판단은 데이터와 명확한 규칙으로 처리합니다.
셋째, 한 AI가 만든 설계와 코드를 다른 AI가 독립적으로 검토하게 하고, 의견이 다르면 실제 데이터로 시험해 결정합니다.
넷째, 현장에서 직접 사용하며 불편한 점과 발견된 문제를 지속적으로 개선합니다.
업무를 잘 아는 현장 담당자가 AI를 활용해, 기존에는 비용과 기술적 장벽 때문에 만들기 어려웠던 시스템을 직접 구축할 수 있다는 것이 핵심입니다.
ZIP AI는 제주 우편물 분류 시스템으로 시작했지만, DB 확장을 통한 전국 서비스와 공간검색 기술을 활용한 다른 업무로의 확대가 모두 가능합니다.
특히 기존에 없던 공간검색 기능을 구축하고, 이를 오픈소스와 공공데이터를 기반으로 운영할 수 있게 했다는 점에서 ZIP AI는 다른 지역과 기관에서도 활용할 수 있는 확장성과 재현 가능성을 갖추고 있습니다.
