① 어떤 상황에서 AI를 활용했나요?
기술문서, 스캔 PDF, 도면, 증빙자료처럼 형식이 서로 다른 문서를 반복해서 검토하는 업무에 AI를 활용했습니다. 기존에는 담당자가 파일을 하나씩 열어 문서 종류를 파악하고, 필요한 내용을 검색한 뒤 관련 기준과 비교해야 했습니다. 스캔 문서는 검색이 되지 않았고, 같은 내용이 여러 문서와 부록에 흩어져 있어 검토 근거를 다시 찾는 데도 시간이 많이 들었습니다. 일반적인 생성형 AI 서비스에 문서를 올려 요약하게 하는 방법도 검토했지만, 민감한 업무자료를 외부 서비스에 전송하기 어렵고, 답변이 어느 문서와 페이지에서 나온 것인지 확인하기 힘들다는 문제가 있었습니다. 이에 문서를 로컬 환경에서 처리하면서 수집, 구조화, 검색, 검토, 원문 확인까지 이어지는 업무 절차를 직접 구성했습니다.

② 어떤 AI를 어떻게 활용했나요?
먼저 일반 PDF와 스캔 PDF를 페이지 단위로 분리하고, OCR을 이용해 본문과 문자 위치를 추출했습니다. 이후 컴퓨터 비전과 문서 분류 모델을 이용해 각 페이지를 표지, 본문, 표, 도면, 증빙자료, 서명 페이지, 부록 등으로 구분했습니다. 추출한 정보는 단순한 텍스트 묶음으로 저장하지 않았습니다. 문서 유형과 필수 검토항목을 공통된 문서 ontology로 정리하고, 문서, 페이지, 검토항목, 근거 문장의 관계를 연결한 경량 knowledge graph를 구성했습니다. 이를 통해 특정 검토항목이 어떤 문서와 페이지의 어느 문장을 근거로 하는지 추적할 수 있도록 했습니다. 구조화된 문서는 Markdown과 메타데이터로 변환해 로컬 검색환경에 저장했습니다. RAG와 semantic search를 이용해 자연어로 관련 문서를 찾되, 답변에는 원문 파일명, 페이지 번호와 근거 문장이 함께 표시되도록 했습니다. 검토 과정에서는 모든 판단을 언어모델에 맡기지 않았습니다. 필수 페이지, 날짜 형식, 문서번호, 항목 누락처럼 명확한 조건은 규칙 기반으로 검사하고, 여러 문서의 설명이 서로 충돌하는지, 요구사항에 대한 근거가 충분한지처럼 문맥 이해가 필요한 부분만 LLM으로 검토했습니다. 마지막으로 오류 가능성이 있는 항목만 선별해 사람이 원문을 확인하고 최종 판단하도록 했습니다.

③ 활용 결과 어떤 변화가 있었나요?
업무 방식이 문서를 처음부터 끝까지 모두 읽는 방식에서, 검색 결과와 예외항목을 중심으로 검토하는 방식으로 바뀌었습니다. 검색되지 않던 스캔 PDF도 내용과 페이지 단위로 조회할 수 있게 되었고, 서로 다른 파일에 흩어진 관련 자료도 하나의 질문으로 함께 찾을 수 있었습니다. AI가 제시한 답변이나 검토 결과에는 원문 파일과 페이지, 근거 문장이 연결되어 있어, 답변을 다시 검색하거나 출처를 추정할 필요도 줄었습니다. 정상으로 판단된 페이지에는 불필요한 표시를 만들지 않고, 누락이나 불일치 가능성이 있는 항목만 검토목록으로 남겨 사람이 확인할 범위를 좁혔습니다. 또한 문서 원본과 AI 모델을 로컬 환경에서 운영함으로써 민감한 업무자료를 외부 클라우드 서비스에 전송하지 않고도 검색과 검토에 AI를 활용할 수 있었습니다. AI가 문서를 대신 작성하거나 최종 판정을 내리는 것이 아니라, 사람이 판단하는 데 필요한 근거를 더 빠르게 찾도록 업무 절차를 개선한 사례입니다.

④ 나만의 방식 또는 개선 포인트는 무엇인가요?
첫째, Local-first 원칙을 적용했습니다. 문서 원본, 추출 결과와 검색 색인을 개인 컴퓨터 또는 폐쇄된 환경에서 처리해 자료가 외부 서비스로 전달되는 범위를 최소화했습니다. 둘째, Source-first 방식으로 설계했습니다. AI 답변 자체보다 원문 근거를 우선하고, 모든 검색과 검토 결과에 파일명, 페이지와 관련 문장을 남겼습니다. 근거가 충분하지 않은 경우에는 답을 추정하지 않고 ‘확인 필요’로 표시했습니다. 셋째, Exception-first 검토방식을 적용했습니다. 정상 문서를 다시 읽게 하는 대신 누락, 불일치 또는 판단이 필요한 항목만 선별해 검토량을 줄였습니다. 넷째, 규칙과 LLM의 역할을 분리했습니다. 날짜, 파일명, 필수항목처럼 기준이 명확한 검사는 규칙으로 처리하고, 문맥과 의미를 이해해야 하는 부분에만 언어모델을 사용했습니다. 이를 통해 생성형 AI의 불필요한 추정과 오판 가능성을 줄였습니다. 다섯째, 문서 ontology와 knowledge graph를 이용해 문서, 페이지, 기준, 검토결과와 근거의 관계를 연결했습니다. 일반적인 문서 챗봇이 질문에 답하는 데 그친다면, 이 방식은 답변이 어떤 원문과 검토기준에서 나왔는지를 다시 추적할 수 있습니다. 최종 판정은 항상 사람이 수행하고, AI가 잘못 분류하거나 과도하게 경고한 결과도 기록해 이후 규칙과 검토기준을 개선했습니다.

⑤ 다른 사람도 따라 할 수 있나요?
기본적인 구조는 다른 사람도 적용할 수 있습니다. 먼저 자주 검토하는 문서와 확인해야 할 항목을 정리하고, 문서를 OCR로 검색 가능한 형태로 변환합니다. 다음으로 표지, 본문, 증빙자료와 같은 문서 유형과 각 유형에서 확인할 항목을 간단한 기준표로 만듭니다. 추출한 문서는 Markdown이나 JSON 형태로 저장하고, 로컬 검색도구 또는 RAG 환경에 등록합니다. 형식이나 누락 여부처럼 기준이 명확한 항목은 규칙으로 검사하고, 설명 간 충돌이나 근거의 충분성과 같이 문맥이 필요한 부분만 LLM에 맡깁니다. 결과를 사용할 때에는 반드시 원문 페이지와 함께 확인하고, AI가 판단하기 어려운 항목은 자동으로 확정하지 않아야 합니다. 이 방식은 기술문서뿐 아니라 행정문서, 연구자료, 계약서, 회의자료, 교육자료와 품질검토 업무에도 적용할 수 있습니다. 조직의 보안정책과 문서 민감도에 따라 로컬 모델을 사용하거나, 개인정보를 제거한 뒤 제한적으로 외부 AI를 사용하는 방식으로 조정할 수 있습니다.