Formosa Plastics의 Formosa GPT Decision Brain: 자체 에이전트 플랫폼으로 사내 문서·지식 업무를 바꾸다

대만 석유화학 그룹 Formosa Plastics는 외부 AI 서비스에 사내 정보를 맡기는 대신 에이전트 플랫폼과 데이터 레이크를 직접 세웠습니다. 그 위에서 문서 질의응답, 실험실 데이터 조회, 직원이 직접 만드는 AI 비서를 한곳에 모았습니다. 옮겨 쓰려면 문서 정리와 권한 설계를 먼저 하고 절감액을 어떤 가정으로 셀지 미리 정해야 합니다.

요약

Formosa Plastics Corporation(대만 타이베이)은 2026 Gartner Eye on Innovation Awards에 『Formosa GPT Decision Brain』을 제출했고 이 사례는 Greater China 사례집의 기타 산업 편에 실렸습니다. 회사가 꼽은 출발점은 세 문제가 한꺼번에 겹친 상황입니다. 숙련 인력이 은퇴하면서 현장 지식이 빠져나가고 데이터는 서로 맞지 않는 시스템에 흩어져 있었습니다. 외부 AI 플랫폼에 사내 정보를 넣는 일도 보안 위험이었습니다. 회사는 자체 AI agent platform(업무를 대신 처리하는 AI를 만들고 돌리는 사내 기반)과 enterprise data lake(전사 데이터를 원형 그대로 모아 두는 저장소)를 만들었습니다. 모델은 Azure OpenAI와 AWS Bedrock에서 불러 쓰고 문서 해석에는 Azure AI Document Intelligence를 썼습니다. 이 위에 올린 기능은 문서에 답하는 RAG(retrieval-augmented generation, 사내 문서를 찾아 근거로 붙여 답하는 방식) 챗봇, LIMS(laboratory information management system, 실험실 시료·분석 결과 관리 시스템)와 연결한 셀프서비스 에이전트, 여러 에이전트를 묶어 판단을 돕는 multiagent orchestration입니다.

사례집이 밝힌 성과는 주로 사용량입니다. 월 플랫폼 세션은 2,000에서 12,200으로 늘었습니다. 원문은 이를 『600% 증가』로 적었지만 두 값으로 계산하면 약 6.1배, 증가율 510%여서 원문 안에서 수치가 맞지 않습니다. 이 노트는 두 끝값만 쓰고 증가율은 따로 내세우지 않습니다. 직원이 만든 AI Assistant는 460개, 벡터화한 문서는 1만 건 이상입니다. 연간 인건비 절감은 약 240만 달러로 추정했습니다. 2025년 7월 세션 12,589건에 세션당 0.5시간 절감을 가정한 값이고 산정 기간과 시간당 단가는 밝히지 않았습니다. 아래에서는 이 구조를 다섯 가지 구현 메커니즘으로 풀고 한국 제조 대기업 AX 조직이 같은 과제를 4주 파일럿으로 옮기는 방법을 붙입니다.

핵심 메커니즘

Self-built Agent Platform: 모델은 빌리고 권한·로그·연결은 회사가 쥐는 구조

자체 플랫폼이라고 해서 모델까지 직접 만든 것은 아닙니다. 사례집에 따르면 언어 모델은 Azure OpenAI와 AWS Bedrock에서 불러 씁니다. 회사가 직접 쥔 것은 그 앞뒤입니다. 직원이 요청하면 사내 플랫폼이 먼저 사용자와 권한을 확인하고 데이터 레이크와 사내 시스템에서 필요한 자료만 골라 모델에 넘깁니다. 답과 사용 기록은 다시 플랫폼에 남습니다. 그래서 회사는 무엇이 밖으로 나갔는지 추적하고 모델 공급사를 바꿔도 화면과 연결을 그대로 둡니다. 사례집이 공급자로 적은 곳은 Microsoft Azure, AWS, Google Cloud Platform 셋입니다. 이 가운데 GCP가 맡은 역할은 원문에서 밝히지 않았습니다.

이 구조는 사내 시스템 연결이 많고 데이터 반출을 통제해야 할 때 맞습니다. 이메일 초안이나 번역처럼 사내 연결이 필요 없는 일만 있다면 상용 서비스를 그대로 쓰는 편이 빠를 수 있습니다. 작은 예를 들면(가상 예시) 품질팀 직원이 지난 분기 고객 클레임 요약을 요청할 때, 플랫폼이 사번으로 소속을 확인하고 본인 사업부 클레임만 모델에 넘기는 식입니다.

RAG Document Q&A: 문서 1만 건을 찾아 근거로 답하는 챗봇

RAG 챗봇은 사내 문서에서 관련 대목을 먼저 찾아 질문과 함께 모델에 넣습니다. 회사 문서를 근거로 답하므로 출처를 붙일 수 있습니다. 앞단에서 Azure AI Document Intelligence가 PDF와 스캔 문서에서 글자, 표, 제목 구조를 뽑습니다. 뽑은 글은 조각으로 나뉘어 vector(문장의 뜻을 숫자 배열로 바꾼 값)로 저장됩니다. 사례집은 이렇게 벡터화한 문서가 1만 건 이상이라고 밝혔고 일상 사용의 15.7%가 지식 검색이었습니다.

숙련자 은퇴라는 출발 문제와 바로 닿는 기능이 이것입니다. 다만 RAG는 문서로 남은 지식만 찾습니다. 답이 사람 머릿속에만 있다면 먼저 문서로 옮겨야 합니다. 가상 예시로, 설비팀 신입이 압축기 정기 점검 주기를 물으면 챗봇이 정비 절차서의 해당 조각과 문서 번호, 개정일을 함께 보여 줍니다.

Self-service Agent와 LIMS: 직원이 직접 만드는 업무 비서

직원은 플랫폼에서 지시문, 참고 문서, 연결할 시스템을 골라 자기 업무용 Assistant를 만듭니다. 사례집이 든 연결 대상은 LIMS입니다. 에이전트가 질문을 해석해 LIMS 조회 기능을 부르고 돌아온 분석 결과를 모델이 읽기 쉬운 말로 정리합니다. 사례집 기준으로 직원이 만든 Assistant는 460개이고 코딩과 Assistant 제작이 일상 사용의 15.6%를 차지했습니다. 어떤 LIMS 제품인지, 어떤 질의를 주로 했는지는 원문에서 밝히지 않았습니다.

IT 부서가 요청마다 개발하지 않아도 현업이 반복 업무를 덜어 냅니다. 다만 결과를 그대로 결재나 출하 판정에 쓰는 일에는 맞지 않습니다. 가상 예시로, 품질관리 담당자가 이번 주 PVC 레진 로트 가운데 규격을 벗어난 항목을 물으면 Assistant가 LIMS 값을 표로 돌려주고 규격 상하한을 옆에 붙입니다.

Multiagent Orchestration: 여러 에이전트를 엮어 판단을 돕는 Decision Brain

사례 이름의 Decision Brain은 여러 에이전트를 묶어 판단을 돕는 층을 가리킵니다. 흔한 구성에서는 조정 에이전트가 과제를 나눠 작업 에이전트에 맡기고 결과를 모아 사람에게 판단안을 내놓습니다. 사례집은 이 층을 AI 기반 의사결정을 위한 다중 에이전트 조율이라고만 적었습니다. 어떤 업무에 쓰는지, 결정 권한이 어디까지인지, 사람이 언제 승인하는지는 원문에서 밝히지 않았습니다.

그래서 이 노트는 앞의 두 기능(문서와 시스템 조회)을 묶는 상위 층으로 봅니다. 가상 예시로, 원료 성적서 수치가 평소와 다를 때 데이터 에이전트가 LIMS 이력을, 문서 에이전트가 구매 규격서를 찾아 오고 조정 에이전트가 조치안 초안을 만듭니다. 최종 결정은 품질 책임자가 내립니다.

Adoption Metrics: 세션·Assistant 수·용도 구성으로 성과를 세는 방식

이 사례의 성과는 공정 지표가 아니라 사용 지표입니다. 용도 구성은 아래 그림과 같고 합계는 100.0%입니다. 연간 약 240만 달러는 측정값이 아니라 세션당 0.5시간 가정에서 나온 추정치이므로 옮겨 쓸 때는 세션당 절감 시간을 표본으로 따로 재야 합니다.

통념과 다른 주장

사례 재구성

Formosa GPT Decision Brain

구분	내용
상황	대만 최대 석유화학 그룹. 숙련자 은퇴로 지식이 빠져나가고 데이터가 맞지 않는 시스템에 흩어졌으며 외부 AI 플랫폼은 보안 위험이었음
한 일	자체 AI agent platform과 enterprise data lake 구축. Azure OpenAI · AWS Bedrock · Azure AI Document Intelligence로 문서 RAG 챗봇, LIMS 연계 셀프서비스 에이전트, multiagent orchestration 운영
결과	월 세션 2,000 → 12,200(원문 600% 표기는 두 값과 불일치). 2025년 7월 12,589세션. Assistant 460개, 문서 1만 건 이상 벡터화. 연간 약 240만 달러 인건비 절감 추정(세션당 0.5시간 가정, 기간·단가 미제시)
연결	Self-built Agent Platform, RAG Document Q&A, Self-service Agent, Adoption Metrics의 사례

배경: 공개 자료로 본 Formosa Plastics의 AI 이력

Formosa GPT를 직접 다룬 회사 발표나 언론 보도는 찾지 못했습니다. iThome 보도(2022년 11월)에 따르면 회사는 2018년부터 AI를 도입했고 2022년 10월 말까지 AI 프로젝트 777건을 마쳤습니다. 런우(仁武) 공장에는 AI 연구개발 센터를 두었습니다. 2026년 6월에는 Innodisk, Qualcomm과 손잡고 엣지 서버와 프라이빗 클라우드에서 도는 AI 산업안전 비전 솔루션을 발표했습니다(UDN 보도). 두 자료 모두 Formosa GPT는 다루지 않으며 사례집도 이 이력과의 관계를 밝히지 않았습니다. 생성형 AI 플랫폼 이전에 예측형 AI 과제가 쌓여 있었다는 맥락으로만 봅니다.

기술 디테일: 첫 프로토타입을 세우는 법

자체 플랫폼의 골격(Self-built Agent Platform)을 세우려면 모델 호출부, 권한 확인부, 사용 기록부 세 모듈부터 만듭니다. 두 클라우드 모델을 함께 쓰려면 같은 요청 형식으로 감싼 어댑터를 두고 업무별로 기본 모델을 정합니다. 규정 답변처럼 같은 질문에 같은 답이 나와야 하는 Assistant는 temperature 0~0.2, 번역과 보고서 초안은 0.3~0.5로 시작합니다(가상 예시 기준값). 사용 기록에는 처음부터 용도 분류를 남겨야 사례집처럼 용도 구성을 셀 수 있습니다. 아래는 세션 로그 한 줄의 예입니다(가상 예시).

{
  "session_id": "s-20261028-00042",
  "user_id": "E10234", "dept": "PVC사업부 품질팀",
  "assistant_id": "qc-lims-helper", "model": "azure-openai/<배포명>",
  "use_category": "knowledge",
  "sources": [{"doc_id": "QP-PVC-017", "rev": "2026-03"}],
  "input_tokens": 2140, "output_tokens": 380, "latency_ms": 4100,
  "user_feedback": "helpful",
  "est_minutes_saved": null
}

use_category는 policy_translation_report, knowledge, coding_assistant, other 네 값으로 사례집 분류를 따릅니다. est_minutes_saved는 비워 두고 표본 측정 뒤에 채웁니다.

문서 RAG(RAG Document Q&A)를 1만 건 규모로 돌리려면 문서 해석 단계에서 표와 제목 구조를 살리는 것이 먼저입니다. Document Intelligence의 layout 계열 모델로 제목 단위를 지키며 500~800토큰 조각으로 나누고 앞뒤 100토큰 정도를 겹칩니다. 조각마다 문서 번호, 개정일, 사업장, 보안 등급을 메타데이터로 붙여 검색할 때 권한과 최신본으로 거릅니다. 임베딩 모델은 하나로 고정합니다. 바꾸면 1만 건 전체를 다시 색인해야 합니다. 검색은 키워드와 벡터를 함께 쓰고 상위 5~8개 조각을 모델에 넣습니다. 근거 조각이 없으면 문서에서 찾지 못했다고 답하게 지시하고 답에는 문서 번호와 개정일을 꼭 붙입니다. 흐린 스캔본, 개정 전 문서 혼입, 표가 글로 풀려 숫자가 섞이는 경우가 흔한 실패입니다. 평가는 부서마다 실제 질문 50개와 정답 문서를 모은 세트로 하고 정답 문서가 상위 5개 안에 드는 비율을 봅니다(가상 예시 기준).

LIMS 연계 에이전트(Self-service Agent)를 붙이려면 LIMS에 읽기 전용 조회 API를 열고 에이전트가 부를 도구를 좁게 정의합니다. 예를 들어 get_lot_results(lot_id, test_items, date_from, date_to)가 로트별 시험 항목, 측정값, 단위, 규격 상하한, 판정을 JSON으로 돌려주게 합니다. 규격 이탈 판정 같은 계산은 모델이 아니라 도구가 하고 모델은 결과를 정리해 설명만 합니다. 로트 번호 표기가 시스템마다 다르면 조회 전에 정규화 규칙을 둡니다. Assistant마다 쓰는 도구와 문서 범위는 등록 대장에 남깁니다.

다중 에이전트 판단(Multiagent Orchestration)을 돌리려면 조정 에이전트와 작업 에이전트의 출력 형식을 먼저 고정합니다. 작업 에이전트는 finding, evidence(문서 번호나 LIMS 로트), confidence, needs_human 네 필드를 돌려주게 합니다. 한 번의 판단에 도구 호출은 8회 안팎으로 상한을 두어 끝없이 돌지 않게 합니다. 같은 질문을 3회 돌려 결론이 갈리면 자동으로 사람 검토로 넘깁니다. 첫 단계에서는 조치안을 초안으로만 내고 시스템에 직접 쓰는 권한은 주지 않습니다.

절감액 추정(Adoption Metrics)을 검증하려면 사례집과 같은 공식을 쓰되 가정을 하나씩 확인합니다. 공식은 월 세션 수 × 세션당 절감 시간 × 시간당 인건비 × 12개월입니다. 사례집이 밝힌 값은 2025년 7월 세션 12,589건과 세션당 0.5시간 가정뿐이고 시간당 단가와 산정 기간은 밝히지 않았습니다. 자기 회사에 옮길 때는 용도별로 20~30건씩 같은 업무를 AI 없이 한 시간과 AI로 한 시간을 재서 세션당 절감 시간을 정합니다. 절감 시간이 실제 다른 업무로 옮겨 갔는지는 별도 지표로 봅니다.

현업 실행 디테일: 누가, 언제, 무엇을

한국 제조 대기업 AX 조직이라면 플랫폼 전체를 한 번에 세우기보다 한 사업부에서 문서 RAG와 LIMS 조회 Assistant 하나로 4주 파일럿을 도는 편이 현실적입니다. 숙련자 은퇴 대응이 목적이라면 HR을 처음부터 끼워 인터뷰와 문서화 일정을 같이 잡습니다. 아래 역할, 일정, 판정 기준은 모두 가상 예시입니다.

역할	담당	하는 일
파일럿 리드	AX 추진팀 매니저 1명	범위 확정, 주간 점검, 판정 회의 진행
플랫폼 엔지니어	IT 2명	모델 어댑터, 권한, 로그, RAG 파이프라인
정보보안	보안팀 1명	문서 보안 등급, 반출 통제, 로그 검토
문서 소유 부서	품질·설비팀 각 1명	문서 300건 선정, 최신본 확인, 정답 세트 작성
LIMS 담당	품질 실험실 1명	읽기 전용 API, 시험 항목·규격 정의
현장 챔피언	숙련자·중견 10명	Assistant 제작, 사용 피드백, 지식 인터뷰
HR	인재개발 1명	은퇴 예정자 인터뷰 일정, 지식 이전 기록

시작 전에는 자주 찾는 문서 상위 300건과 최신본, 보안 등급 기준, LIMS API 명세와 규격표, 네 가지 용도 분류표, 기준 작업 시간 측정표를 준비합니다.

기간	할 일	산출물
1주차	대상 사업부와 문서 300건 확정, 보안 등급 지정, 은퇴 예정자 인터뷰 일정 수립	문서 목록, 권한 표, 인터뷰 일정
2주차	문서 해석·색인, RAG 챗봇 시범, 부서별 정답 질문 50개로 평가	RAG 시범판, 평가 결과
3주차	LIMS 조회 Assistant 1개 제작, 현장 챔피언 10명이 각자 Assistant 1개씩 제작	Assistant 11개, 사용 로그
4주차	용도별 20~30건 시간 측정, 사용 지표 집계, 확대 여부 판정	측정표, 판정 보고서

숙련자 인터뷰에서는 다음을 묻습니다. 신입이 가장 자주 묻는 질문 다섯 가지는 무엇인가, 그 답이 문서로 있는가, 문서와 실제 작업이 다른 곳은 어디인가, 이상 징후를 처음 알아채는 신호는 무엇인가, 판단을 바꾼 과거 사례가 있는가. 보안팀에는 어떤 등급의 문서까지 외부 모델 API에 넘길 수 있는지, 사용 로그를 누가 얼마나 보관하는지를 확인합니다.

적용 순서는 사례의 용도 구성에서 힌트를 얻습니다. Formosa Plastics에서도 일상 사용의 62.3%가 규정·번역·보고서였습니다. 첫 가치는 의사결정 지원보다 매일 하는 문서 업무에서 나온다고 읽을 수 있습니다. 그래서 한국 제조사라면 문서 RAG로 사용 습관을 만들고 LIMS·MES 같은 시스템 조회 Assistant로 넓힌 뒤, 데이터 연결이 쌓인 다음에 다중 에이전트 판단 지원으로 가는 순서가 맞습니다. 현업 스폰서로는 은퇴 예정 숙련자가 많은 공장장이나 품질 임원이 맞습니다. 직원이 Assistant를 만들게 할 때는 공용 도구 목록과 Assistant 등록 대장을 처음부터 두어야 수백 개로 늘어도 관리가 됩니다.

원문 사례

항목	내용
회사	Formosa Plastics Corporation(대만 타이베이), 석유화학
출처	Gartner 2026 Eye on Innovation Awards Greater China 사례집, 기타 산업, 슬라이드 57·58. 제출·소개된 사례이며 수상 여부는 확인하지 못함
사례명	Formosa GPT Decision Brain
문제	숙련자 은퇴로 인한 지식 공백, 시스템 간 데이터 불일치, 외부 AI 플랫폼의 보안 위험
구현	자체 AI agent platform, enterprise data lake, Azure OpenAI · AWS Bedrock · Azure AI Document Intelligence
기능	문서 RAG 챗봇, LIMS 연계 셀프서비스 에이전트, multiagent orchestration
공급자	Microsoft Azure, AWS, Google Cloud Platform(GCP 역할은 원문에서 밝히지 않음)
사용량	월 세션 2,000 → 12,200. 2025년 7월 12,589세션
수치 확인	원문은 600% 증가로 표기. 두 값으로 계산하면 약 6.1배, 증가율 510%로 원문 내부 불일치
확산	직원이 만든 Assistant 460개, 문서 1만 건 이상 벡터화
용도	규정·번역·보고서 62.3%, 지식 검색 15.7%, 코딩·Assistant 15.6%, 기타 6.4%(합계 100.0%)
절감	연간 약 240만 달러 인건비 절감 추정. 세션당 0.5시간 가정, 산정 기간·단가 미제시
공개 자료(배경)	iThome(2022.11): 2018년 AI 도입, 2022년 10월 말 AI 프로젝트 777건 완료. UDN(2026.06.03): Innodisk·Qualcomm과 AI 산업안전 비전 솔루션. 둘 다 Formosa GPT는 다루지 않음

핵심 개념

Azure OpenAI

Microsoft Azure에서 OpenAI 모델을 기업 계정과 보안 설정 아래 불러 쓰는 서비스.

AWS Bedrock

여러 회사의 생성형 AI 모델을 AWS 안에서 같은 방식으로 호출하게 해 주는 서비스.

Azure AI Document Intelligence

PDF·스캔 문서에서 글자, 표, 양식 항목, 문서 구조를 뽑아 주는 Microsoft 서비스.

벡터화(embedding)

문장 조각을 뜻이 가까울수록 가까운 숫자 배열로 바꾸는 일. 의미 검색의 바탕.

세션(session)

직원이 AI 플랫폼에서 한 번 대화를 열어 이어 간 단위. 이 사례의 사용량 지표.

temperature

모델 답의 무작위성을 정하는 설정. 낮을수록 같은 질문에 같은 답이 나온다.

내 메모

TODO: 내 생각 추가

근거: 사용자가 제공한 Gartner 2026 Eye on Innovation Awards Greater China 사례 자료(Formosa Plastics, 『Formosa GPT Decision Brain』, 슬라이드 57·58). 요약·메커니즘·통념과 다른 주장·사례 재구성·원문 사례 표는 이 자료를 AX Review가 다시 정리했습니다. 월 세션 증가율은 사례집 원문의 600% 표기가 시작값·끝값과 맞지 않아 두 끝값만 썼습니다. Formosa GPT 자체를 다룬 추가 공개 자료는 확인하지 못했고 회사의 AI 이력은 다음 공개 자료로 보강했습니다: iThome 『台塑4年AI化完成777件專案』(2022.11, https://www.ithome.com.tw/news/154426), UDN 『台塑推 AI 工安解決方案』(2026.06.03, https://udn.com/news/story/7252/9541528), 旺得富理財網 보도(2026.06.02, https://wantrich.chinatimes.com/news/20260602900528-420101). 기술·현업 디테일, JSON 예시, 설정값, 일정·판정 기준, 인포그래픽과 표는 새로 작성했으며 그 안의 숫자는 가상 예시입니다.