목록으로
업무 생산성 개선을 위한 AI 활용
검토자료를 토대로 근거를 찾아 보고서에 수정 부분을 알려주는 AI 서비스 '근거온'
AI와 함께 만든 보고서 검토 도우미 ‘근거온’: 숫자와 표현을 출처와 대조하고, 사람이 최종 확인하는 업무 도구(로컬 환경에서 실행 가능하여 문서 유출 위험이 없는 AI Agent 서비스)
🤖 활용 AI 도구
ChatGPT
① 어떤 상황에서 AI를 활용했나요?
공공 금융기관의 보고서는 숫자 하나뿐 아니라 기준 연도, 집계 범위, 잠정·확정 여부까지 정확하게 전달하는 것이 중요합니다. 하지만 초안과 여러 참고자료를 번갈아 보며 확인하는 과정은 반복적이고, 작은 차이를 놓치기 쉽습니다.
이러한 검토 작업을 돕기 위해, 보고서의 문장과 근거자료를 연결해 확인할 수 있는 ‘근거온’을 기획했습니다. 보고서를 작성하는 데서 끝나지 않고, 작성한 내용을 근거와 대조하는 과정에 초점을 맞췄습니다.
② 어떤 AI를 어떻게 활용했나요?
ChatGPT의 코딩 지원 기능을 활용해 아이디어를 구체화하고, Python 기반 로컬 웹사이트와 검토 기능, 테스트 코드, 기능 정의서를 제작했습니다. 필요한 기능과 판단 기준을 자연어로 설명하고, 이를 실제로 동작하는 프로그램으로 구현하는 방식으로 AI를 활용했습니다.
근거온은 보고서 초안과 참고자료를 입력하면 문장을 나누고 관련 근거 구절을 찾아 보여줍니다. 숫자와 증감률, 기준 연도, 잠정·확정 표현 등을 대조하고, 사용자가 검토 이유와 출처를 함께 확인할 수 있도록 구성했습니다.
검토 방식은 두 가지로 구분했습니다. 기본 모드는 규칙과 키워드 검색으로 동작하며, 생성형 AI를 사용하지 않습니다. 문장의 의미를 비교하는 기능은 사용자 PC의 Ollama 모델을 연결하도록 구현했습니다. 다만 실제 로컬 모델 추론은 아직 검증하지 않았으며, 현재 확인된 결과는 기본 검사와 AI 연동 코드의 모의 응답 테스트에 해당합니다.
③ 활용 결과 어떤 변화가 있었나요?
업무상의 문제를 설명하는 아이디어에서 출발해, 보고서 입력부터 근거 대조, 담당자 판정, 결과 저장까지 이어지는 시연용 제품으로 구체화했습니다.
제작 환경에서 가상 자료를 검토한 결과, 전년 100억원에서 당해 112억원으로 증가한 실적을 ‘15% 증가’라고 작성한 문장에 대해 계산값 12%를 제시했습니다. 또한 기업 수 240개와 원문 204개의 차이, 잠정 수치를 확정으로 표현한 경우, 일부 부문의 감소가 있는데도 모든 부문이 증가했다고 표현한 경우를 확인 대상으로 표시했습니다.
근거가 부족한 문장과 원문이 일치하는 문장도 구분했습니다. 엔진·문서 파싱·API에 대한 자동 테스트 36개를 통과했으며, 브라우저에서 담당자 메모, 이력 저장·복원, 검토서와 프로젝트 파일의 내보내기 등을 확인했습니다.
이는 가상 자료를 이용한 기능 검증 결과입니다. 실제 업무의 검토 시간 단축과 오류 감소 효과는 향후 별도로 측정할 계획입니다.
④ 나만의 방식 또는 개선 포인트는 무엇인가요?
핵심은 검토 결과를 사람이 확인할 수 있는 형태로 제공하는 것입니다. 단순히 ‘틀렸다’고 표시하지 않고, 어떤 문장이 어떤 근거와 다른지, 계산 과정은 무엇인지 함께 보여줍니다.
특히 ‘근거를 찾지 못했다’와 ‘주장이 틀렸다’를 구분했습니다. 자료에 없는 내용은 근거 부족으로 표시하고, 기준 연도가 다른 수치는 오류로 단정하지 않도록 했습니다. AI가 제시한 인용도 실제 근거 구절에 포함되는지 확인하도록 구성했습니다.
자동 검사 결과와 담당자의 최종 판단도 분리했습니다. 사용자가 ‘수정 필요’ 또는 ‘문제 없음’을 선택하고 판단 이유를 기록하게 해, 검토의 책임과 과정을 남길 수 있도록 했습니다.
또한 기본 검사는 외부 전송 없이 로컬에서 처리하며, 시연에는 실제 기관 자료가 아닌 가상 자료를 사용했습니다.
⑤ 다른 사람도 따라 할 수 있나요?
소스 코드, 실행 안내서, 가상 샘플, 기능 정의서, 테스트 코드를 함께 구성해 다른 사람도 재현할 수 있도록 했습니다. Python을 설치하고 프로그램을 실행한 뒤 ‘샘플로 시작하기’를 선택하면 기본 검토 과정을 확인할 수 있습니다. PDF·Word·Excel 처리는 추가 패키지를 설치하면 사용할 수 있고, 생성형 AI 의미 검토는 로컬 모델을 연결해 확장할 수 있습니다.
금융기관뿐 아니라 여러 출처를 참고해 보고서를 작성하는 행정·기획·연구 업무에도 적용할 수 있는 구조입니다. 앞으로 공개자료 기반의 실제 작성 업무에 적용해 수작업과 도구 사용 시의 검토 완료 시간, 오류 탐지율, 오탐률을 비교하고 개선할 계획입니다.
공공 금융기관의 보고서는 숫자 하나뿐 아니라 기준 연도, 집계 범위, 잠정·확정 여부까지 정확하게 전달하는 것이 중요합니다. 하지만 초안과 여러 참고자료를 번갈아 보며 확인하는 과정은 반복적이고, 작은 차이를 놓치기 쉽습니다.
이러한 검토 작업을 돕기 위해, 보고서의 문장과 근거자료를 연결해 확인할 수 있는 ‘근거온’을 기획했습니다. 보고서를 작성하는 데서 끝나지 않고, 작성한 내용을 근거와 대조하는 과정에 초점을 맞췄습니다.
② 어떤 AI를 어떻게 활용했나요?
ChatGPT의 코딩 지원 기능을 활용해 아이디어를 구체화하고, Python 기반 로컬 웹사이트와 검토 기능, 테스트 코드, 기능 정의서를 제작했습니다. 필요한 기능과 판단 기준을 자연어로 설명하고, 이를 실제로 동작하는 프로그램으로 구현하는 방식으로 AI를 활용했습니다.
근거온은 보고서 초안과 참고자료를 입력하면 문장을 나누고 관련 근거 구절을 찾아 보여줍니다. 숫자와 증감률, 기준 연도, 잠정·확정 표현 등을 대조하고, 사용자가 검토 이유와 출처를 함께 확인할 수 있도록 구성했습니다.
검토 방식은 두 가지로 구분했습니다. 기본 모드는 규칙과 키워드 검색으로 동작하며, 생성형 AI를 사용하지 않습니다. 문장의 의미를 비교하는 기능은 사용자 PC의 Ollama 모델을 연결하도록 구현했습니다. 다만 실제 로컬 모델 추론은 아직 검증하지 않았으며, 현재 확인된 결과는 기본 검사와 AI 연동 코드의 모의 응답 테스트에 해당합니다.
③ 활용 결과 어떤 변화가 있었나요?
업무상의 문제를 설명하는 아이디어에서 출발해, 보고서 입력부터 근거 대조, 담당자 판정, 결과 저장까지 이어지는 시연용 제품으로 구체화했습니다.
제작 환경에서 가상 자료를 검토한 결과, 전년 100억원에서 당해 112억원으로 증가한 실적을 ‘15% 증가’라고 작성한 문장에 대해 계산값 12%를 제시했습니다. 또한 기업 수 240개와 원문 204개의 차이, 잠정 수치를 확정으로 표현한 경우, 일부 부문의 감소가 있는데도 모든 부문이 증가했다고 표현한 경우를 확인 대상으로 표시했습니다.
근거가 부족한 문장과 원문이 일치하는 문장도 구분했습니다. 엔진·문서 파싱·API에 대한 자동 테스트 36개를 통과했으며, 브라우저에서 담당자 메모, 이력 저장·복원, 검토서와 프로젝트 파일의 내보내기 등을 확인했습니다.
이는 가상 자료를 이용한 기능 검증 결과입니다. 실제 업무의 검토 시간 단축과 오류 감소 효과는 향후 별도로 측정할 계획입니다.
④ 나만의 방식 또는 개선 포인트는 무엇인가요?
핵심은 검토 결과를 사람이 확인할 수 있는 형태로 제공하는 것입니다. 단순히 ‘틀렸다’고 표시하지 않고, 어떤 문장이 어떤 근거와 다른지, 계산 과정은 무엇인지 함께 보여줍니다.
특히 ‘근거를 찾지 못했다’와 ‘주장이 틀렸다’를 구분했습니다. 자료에 없는 내용은 근거 부족으로 표시하고, 기준 연도가 다른 수치는 오류로 단정하지 않도록 했습니다. AI가 제시한 인용도 실제 근거 구절에 포함되는지 확인하도록 구성했습니다.
자동 검사 결과와 담당자의 최종 판단도 분리했습니다. 사용자가 ‘수정 필요’ 또는 ‘문제 없음’을 선택하고 판단 이유를 기록하게 해, 검토의 책임과 과정을 남길 수 있도록 했습니다.
또한 기본 검사는 외부 전송 없이 로컬에서 처리하며, 시연에는 실제 기관 자료가 아닌 가상 자료를 사용했습니다.
⑤ 다른 사람도 따라 할 수 있나요?
소스 코드, 실행 안내서, 가상 샘플, 기능 정의서, 테스트 코드를 함께 구성해 다른 사람도 재현할 수 있도록 했습니다. Python을 설치하고 프로그램을 실행한 뒤 ‘샘플로 시작하기’를 선택하면 기본 검토 과정을 확인할 수 있습니다. PDF·Word·Excel 처리는 추가 패키지를 설치하면 사용할 수 있고, 생성형 AI 의미 검토는 로컬 모델을 연결해 확장할 수 있습니다.
금융기관뿐 아니라 여러 출처를 참고해 보고서를 작성하는 행정·기획·연구 업무에도 적용할 수 있는 구조입니다. 앞으로 공개자료 기반의 실제 작성 업무에 적용해 수작업과 도구 사용 시의 검토 완료 시간, 오류 탐지율, 오탐률을 비교하고 개선할 계획입니다.
