블로그
AI 종류 정리, 기준 4가지와 업무별로 쓰는 AI
재고 담당자는 다음 주 전기포트 출고량을 예측하고, 검수 담당자는 포장에 흠집이 있는지 판정합니다. 두 업무에 맞는 AI는 입력부터 다릅니다. 수요 예측에는 주별 출고표, 외관 검사에는 제품 사진을 넣습니다. 능력 수준과 작동 방식은 AI를 설명하는 또 다른 기준입니다.
중소벤처기업부가 2025년 4월 발표한 2024년 스마트제조혁신실태조사는 공장이 있는 중소/중견 제조기업 5,000곳을 표본으로 조사했습니다. 제조 AI를 도입한 비율은 0.1%, 도입 계획이 있는 곳은 1.6%, 제조 데이터와 AI 전담 부서나 인력을 둔 곳은 0.8%였습니다.
AI를 나누는 네 가지 기준
| 분류 기준 | 용어 | 적용 예 |
|---|---|---|
| 능력 범위 | 약인공지능/강인공지능/초인공지능 | 스팸을 분류하도록 훈련된 모델은 약인공지능입니다. |
| 작동 방식 | 규칙 기반 자동화/머신러닝(딥러닝 포함) | 매입 명세서의 품목을 코드표에서 찾아 치환하는 작업은 규칙 자동화입니다. 불량 사진으로 흠집의 특징을 학습한 검사기는 머신러닝을 씁니다. |
| 작업 | 분류/예측/추천/생성/최적화/에이전트 | 여러 배송지의 방문 순서를 짜는 데는 경로 최적화를 씁니다. |
| 입력 데이터 | 텍스트/이미지/음성/정형 데이터/멀티모달 | 송품장 사진을 보고 글로 입력한 품번과 대조하는 모델은 이미지와 텍스트를 함께 처리합니다. |
능력 수준과 약인공지능
IBM은 AI를 약인공지능(좁은 AI), 강인공지능(범용 AI), 초인공지능으로 나누고, 지금 존재하는 것은 정해진 작업 하나에 맞춰 훈련된 약인공지능뿐이라고 설명합니다. 생성형 AI와 가상 비서도 약인공지능의 사례입니다.
규칙 실행, 머신러닝, 딥러닝
EU 인공지능법의 전문 12항은 사람이 정한 규칙만으로 작업을 자동 실행하는 시스템을 AI 시스템의 정의에서 뺍니다. '재고가 50개 아래로 내려가면 발주서를 만든다'는 ERP 설정이 여기에 해당합니다. 같은 항이 AI의 방법으로 드는 것은 데이터에서 목표를 이루는 법을 배우는 머신러닝과 부호화된 지식에서 추론하는 논리/지식 기반 방식입니다. 딥러닝은 IBM의 설명대로 머신러닝의 한 갈래이고, 전통적인 머신러닝은 구조화된 표 데이터를, 딥러닝은 이미지나 글 같은 비정형 데이터를 원본 그대로 받아들입니다.
입출력으로 보는 예측, 분류, 생성과 멀티모달
OECD는 AI 시스템이 만드는 출력의 예로 예측, 콘텐츠, 추천, 결정을 듭니다. 회사 업무로 보면 정상과 불량을 분류하거나 다음 주 출고량을 예측하고, 메일 초안을 작성하거나 배송 경로를 계산하는 일입니다. 한 모델이 사진과 글처럼 여러 종류의 데이터를 함께 처리하면 멀티모달이라고 부릅니다. 음성을 받아 회의록을 쓰는 작업도 입력 형식을 먼저 확인해야 합니다. AI 회의록 글
도매사의 전기포트 수요 예측부터 배송 경로까지
직원 45명인 가상의 도매사 디앤비유통은 에이블테크에서 전기포트 KT-17을 들여와 데일리앤코와 넥스트랩에 납품합니다. 이 회사에서 AI를 시험할 여섯 가지 업무를 골랐습니다.
출고 예측, 이상 거래 탐지, 외관 검사
첫 번째 일은 전기포트 KT-17의 수요 예측입니다. 주간 출고 이력 104주(2년)가 표로 쌓여 있어 머신러닝 예측 AI의 재료가 됩니다. 예측 교재 Forecasting: Principles and Practice는 모델을 맞춘 데이터가 아니라 따로 둔 검증 구간으로 정확도를 재라고 하고 그 구간이 전체의 약 20%쯤이라고 적으니, 약 21주를 가려 두고 그중 마지막 4주를 봅니다.
- 실제 출고는 120, 95, 140, 100대이고 합계는 455대입니다.
- AI 예측은 110, 105, 120, 115대입니다. 주별 오차는 10, 10, 20, 15대로 합계 55대이고, 오차율은 55 ÷ 455 = 12.1%입니다.
- 지금 방식은 직전 4주(105, 130, 90, 115대)의 평균 110대를 그대로 쓰는 것입니다. 오차는 10, 15, 30, 10대로 합계 65대이고, 오차율은 65 ÷ 455 = 14.3%입니다.
네 주의 절대오차 합계는 예측 AI가 55대, 기존 방식이 65대입니다. 실제 출고 합계로 나눈 오차율은 2.2%포인트 낮았습니다. 주별 오차율 평균(MAPE)은 실적이 0인 주가 하나만 있어도 분모가 0이 됩니다. 이 예는 전체 출고량을 분모로 썼습니다.

두 번째 일은 이상 거래 탐지입니다. 월 2,000건의 매입 결제를 정상과 의심으로 가르는 분류 AI입니다. 실제 이상 거래가 월 20건인데 AI가 40건을 의심으로 표시했고 그중 16건이 진짜였다고 해 보겠습니다(가정입니다). 정상을 정상으로 맞힌 거래가 1,956건이라 정확도는 (16 + 1,956) ÷ 2,000 = 98.6%로 높아 보입니다. 그런데 모든 거래를 정상이라고 답하는 시스템도 1,980 ÷ 2,000 = 99.0%입니다. Google의 머신러닝 단기 과정이 드문 사건에는 정확도를 쓰지 말라고 하는 이유입니다.
대신 의심한 40건 중 진짜의 비율인 정밀도(16 ÷ 40 = 40%)와 진짜 20건 중 잡아낸 비율인 재현율(16 ÷ 20 = 80%)을 봅니다. 의심 기준을 낮춰 80건을 표시하고 그중 진짜가 19건이라면 재현율은 95%가 되고 정밀도는 19 ÷ 80 = 23.8%로 떨어집니다. 경리가 확인할 건이 월 40건에서 80건으로 늘고 더 잡는 이상 거래는 3건이라, 기준은 확인에 쓸 수 있는 시간으로 정합니다.
세 번째 일은 입고 검수대의 불량 외관 검사입니다. 카메라로 찍은 전기포트의 스크래치와 박스 찌그러짐을 판정하는 비전 AI이고, 딥러닝이 사진에서 규칙으로 적기 어려운 모양을 배웁니다. 검증은 분류와 같아서 검사원이 정답을 매긴 사진으로 정밀도와 재현율을 잽니다. 범용 AI에 사진을 올려 맡기는 방법도 있지만, Anthropic의 비전 문서는 자사 모델 Claude가 화질이 낮거나 200픽셀 미만인 이미지에서 틀릴 수 있고 개수는 근사치이며 완벽한 정밀도가 필요한 일은 사람의 감독 없이 쓰지 말라고 적습니다.

문의 메일 초안 작성과 주문 처리
네 번째 일은 거래처가 보내는 재입고 문의 메일의 요약과 회신 초안입니다. 글을 만드는 생성형 AI의 일이고 첨부된 견적서 사진까지 읽으면 멀티모달입니다. 정답이 하나가 아니어서 점수를 낼 수 없으므로 담당자가 초안 속 날짜, 수량, 단가를 원본 메일과 대조하는 것이 검증입니다. 지어내는 이유는 할루시네이션 글에, 지시문 쓰는 법은 프롬프트 글에 있습니다.
👉 생성형 AI 뜻, 기존 AI와 다른 점과 활용법
다섯 번째 일은 데일리앤코의 메일 주문 처리입니다. 메일을 읽고 재고를 확인하고 출고를 요청하고 회신을 쓰는 단계를 이어 가는 AI 에이전트의 일입니다. 단계마다 95%를 맞히고 단계끼리 영향을 주지 않는다고 가정하면 5단계를 모두 맞힐 확률은 0.95의 5제곱인 77.4%라서, 주문 100건 중 약 23건은 어딘가 틀립니다. 처음 한 달은 전 건을 같이 읽고 틀린 단계를 세어 단계별 정확도를 잰 뒤에 줄여 갑니다.
👉 AI 에이전트란? 챗봇과 다른 점, 회사 업무에 쓰는 법
배송 차량의 방문 순서 계산
여섯 번째 일은 하루 배송 22곳을 차량 3대에 나누는 경로 짜기입니다. 최적화는 데이터에서 규칙을 배우는 것이 아니라 목적과 제약을 받아 가장 좋은 조합을 계산합니다. Google OR-Tools의 차량 경로 문서는 거리표와 차량 수가 입력이고 적재량과 도착 시간대가 제약이며 목적은 가장 긴 경로를 줄이는 쪽으로 둘 수 있다고 설명합니다. 검증은 여섯 종류 중 가장 쉽습니다. 같은 22곳과 3대로 사람이 짠 경로가 58, 47, 37km(합계 142km), 계산 결과가 46, 44, 38km(합계 128km)라면(가정입니다) 합계는 14km(9.9%), 가장 긴 경로는 12km(20.7%) 줄어듭니다.
출고 이력과 불량 사진을 얼마나 모았는가
도입 순서는 세 가지를 차례로 물으면 정해집니다. 정형 데이터가 얼마나 오래 쌓여 있는가, 같은 일이 하루에 몇 번 반복되는가, 틀린 결과가 거래처에 닿기 전에 사람이 볼 수 있는가입니다. 정형 데이터가 쌓여 있고 반복되는 일이면 점수가 나오는 예측/분류/최적화를 먼저 시험합니다. 데이터는 없고 메일과 문서만 쌓인 반복 업무라면 이미 학습된 생성형 AI나 에이전트부터 씁니다. 월 한 번 하는 판단이면 모델 없이 표와 차트로 충분합니다.
디앤비유통의 순서는 이렇습니다.
- 문의 메일 요약과 회신 초안. 데이터를 쌓을 필요가 없고 매일 반복되며 담당자가 읽은 뒤에 보냅니다.
- 수요 예측. 104주 표가 이미 있고 지금 방식의 오차율 14.3%가 비교 기준입니다.
- 이상 거래 탐지. 경리가 확인한 결과를 기록하면 월 20건씩 정답이 쌓여 12개월에 240건이 됩니다.
- 메일 주문 처리. 주문서 서식이 거래처마다 달라 데일리앤코 한 곳부터 맡깁니다.
- 배송 경로. 거리표와 차량 수, 시간대를 정리해 둔 뒤에 시작합니다.
- 입고 외관 검사. 검사원이 불량 사진에 정답을 매겨야 해서 가장 늦습니다.
효과를 재는 법은 AI 업무 자동화 글에 있습니다.

OECD의 정의와 EU/한국의 AI 투명성 의무
OECD: 2023년에 바뀐 AI 시스템 정의
OECD 인공지능 권고는 AI 시스템을 주어진 입력을 받아 목표에 맞는 예측, 콘텐츠, 추천, 결정 등을 어떻게 만들어 낼지 추론하는 기계 기반 시스템으로 정의합니다. 이런 출력은 실제 또는 가상 환경에 영향을 미칩니다. OECD 이사회는 2023년 11월 8일 정의를 고치면서 생성형 AI의 출력을 가리키는 ‘콘텐츠’를 포함했습니다.
EU 인공지능법: 4단계 위험 등급과 2027년 12월로 밀린 고위험 적용일
EU 인공지능법 제3조 제1호의 AI 시스템 정의는 이 문장에 자율성과 적응성 문구를 더한 것입니다. 집행위원회의 AI Act 안내는 위험을 금지(사회적 점수화), 고위험(이력서 선별, 신용평가), 투명성 위험(챗봇이라는 사실 고지), 최소 위험(스팸 필터, 게임)의 네 단계로 나눕니다. 단계는 AI 종류가 아니라 업무로 정해지고, 부속서 III가 고위험 영역 여덟 가지를 나열합니다.
2026년 7월 24일 관보에 실린 규정 (EU) 2026/1744가 7월 27일 시행되면서 부속서 III 고위험의 적용일이 원래의 2026년 8월 2일에서 2027년 12월 2일로, 제품에 내장되는 부속서 I은 2028년 8월 2일로 미뤄졌습니다. 투명성 의무인 제50조는 2026년 8월 2일부터 적용되고, 이미 출시된 생성형 AI의 제공자가 기계가 읽는 표시를 넣는 제50조 제2항만 2026년 12월 2일까지 유예됩니다(일정).
디앤비유통의 6개 업무는 여덟 영역에 없습니다. 신용평가는 고위험이지만 같은 항목이 금융 사기 탐지용 시스템을 명시적으로 빼고, 피킹 작업자의 개인 성과로 일을 배정하는 최적화는 고용 영역(4항 (b))이라 고위험입니다.
한국 인공지능기본법: 시행일, 고영향 AI, 고지 의무
인공지능 발전과 신뢰 기반 조성 등에 관한 기본법은 법률 제20676호로 2025년 1월 21일 공포되어 2026년 1월 22일 시행됐고, 2026년 1월 20일 일부개정(제21311호)이 고친 곳은 위원회, 학습용데이터, 연구소 지원 조문입니다(개정문). 고지 방법은 시행령이 정합니다. 제2조는 고영향 AI(제4호)를 사람의 생명, 안전, 기본권에 중대한 영향을 미칠 우려가 있는 시스템으로서 에너지, 의료, 교통, 학생 평가, 채용이나 대출 심사 같은 열거 영역에 쓰이는 것으로, 생성형 AI(제5호)를 글, 소리, 그림, 영상을 만드는 시스템으로 정합니다. 과기정통부는 최종 의사결정에 사람이 개입하면 고영향에서 제외한다고 밝혔습니다(정책브리핑).
제31조는 고영향 AI나 생성형 AI를 이용한 제품/서비스를 제공하려는 사업자에게 사전 고지(제1항), 생성형 AI 결과물 표시(제2항), 실제와 구분하기 어려운 가상의 음향/이미지/영상의 명확한 고지(제3항)를 요구합니다. 사전 고지를 어기면 제43조에 따라 3천만원 이하의 과태료입니다.
대상은 제2조 제7호의 인공지능사업자, 곧 AI를 개발해 제공하는 자와 그 AI로 제품/서비스를 제공하는 자입니다. 과기정통부 투명성 확보 가이드라인은 업무나 창작의 도구로 AI를 쓰는 데 그치는 이용자를 대상에서 뺍니다. 직원이 챗GPT로 메일 초안을 쓰는 것은 여기에 들고, 거래처의 주문 화면에 AI 챗봇을 붙여 직접 주고받게 하면 사전 고지가 필요합니다. 같은 발표에서 과기정통부는 최소 1년 이상의 계도기간을 두고 그동안 투명성 조항의 사실조사와 과태료 부과를 미룬다고 했으니, 시행일 기준으로 2027년 1월 22일 이전에는 끝나지 않습니다.
메일 초안과 채용 선별에 적용되는 규정
| 업무 | 종류 | 점수를 매기는 법 | 순서 | 인공지능기본법 |
|---|---|---|---|---|
| 문의 메일 요약/초안 | 생성(텍스트) | 날짜/수량/단가를 원본과 대조 | 1 | 업무 도구라 제31조 대상 아님 |
| 수요 예측 | 예측(정형) | 오차율 14.3%에서 12.1%로 | 2 | 고영향 영역 밖 |
| 이상 거래 탐지 | 분류(정형) | 정밀도 40%, 재현율 80% | 3 | 고영향 영역 밖 |
| 메일 주문 처리 | 에이전트 | 100건 중 고친 건수 | 4 | 직접 주고받으면 사전 고지 |
| 배송 경로 | 최적화(정형) | 최장 경로 58km에서 46km로 | 5 | 고영향 영역 밖 |
| 외관 검사 | 비전(이미지) | 정답 사진 대비 정밀도/재현율 | 6 | 고영향 영역 밖 |
디앤비유통 직원이 거래처 메일 초안을 쓰는 일에는 EU 인공지능법 제50조 제2항의 표시 의무가 적용되지 않습니다. 해당 조항의 2026년 12월 2일 기한은 이미 출시된 일부 AI 시스템의 제공자에게 적용됩니다. 국내 인공지능기본법의 과태료 부과 계도기간은 2027년 1월 22일에 최소 1년을 채웁니다. EU에서 AI로 입사 지원자를 선별한다면 2027년 12월 2일부터 적용되는 부속서 III 고위험 규정을 확인해야 합니다.
AI 종류 자주 묻는 질문 (FAQ)
Q. 챗GPT는 AI 종류 중 무엇에 해당하나요?
능력 수준으로는 약인공지능, 작동 방식으로는 딥러닝 기반의 LLM, 하는 일로는 생성, 다루는 데이터로는 텍스트이고 사진까지 읽으면 멀티모달입니다.
Q. 직원이 챗GPT로 거래처 메일 초안을 쓰는데 고지 의무가 있나요?
과기정통부 가이드라인은 업무의 도구로 AI를 쓰는 이용자를 투명성 의무 대상에서 뺍니다. 거래처가 AI 챗봇과 직접 대화하는 화면을 열면 제31조 제1항의 사전 고지 대상입니다.
Q. 한국 회사도 EU 인공지능법을 지켜야 하나요?
제2조 제1항 (c)에 따라 제3국의 제공자와 배치자도 AI가 만든 출력이 EU 안에서 쓰이면 대상입니다. 한국에서만 쓰면 닿지 않고, EU 지사의 채용 선별은 2027년 12월 2일부터 고위험 의무가 붙습니다.
AWP에서 출고를 요청하고 미수금을 조회하기
Automata의 AWP에 “데일리앤코에 블렌더 200대, 23일 출고해 줘”라고 하면 AI가 주문과 재고를 확인합니다. 물량이 모자라면 먼저 보낼 수량을 담당자에게 물어봅니다. AI 대시보드에 “거래처별 미수금 보여 줘”라고 하면 회사 데이터를 표와 차트로 보여 줍니다.
쇼핑몰 주문, 재고, 회계를 ARP 한 곳에서 처리하세요.
쿠팡, 스마트스토어, 홈쇼핑 주문을 모으고 발주, 출고, 정산을 AI가 처리합니다. 지금 쓰는 ERP와 사방넷 자료는 2주 안에 무료로 옮겨 드립니다.
무료 전화 상담



