Seres Group Cost-Reduction Mining·Coding Agents: 원가절감안 발굴과 SW 개발을 에이전트에 맡긴 중국 전기차 회사

Seres Group은 원가절감과 소프트웨어 개발이라는 성격이 다른 두 업무에 같은 공식을 썼습니다. 숙련자 머릿속의 기준을 데이터베이스와 규정으로 꺼내 놓고 그 위에서 에이전트가 후보를 넓게 만들게 한 다음, 걸러 내는 일은 설계 표준과 그룹 규정에 맡겼습니다. 우리 회사로 옮기려면 모델보다 과거 절감 사례, 단가 이력, 설계 표준, 개발 규정을 기계가 읽을 수 있게 정리하는 일을 먼저 해야 합니다.

요약

Seres Group은 충칭에 본사를 둔 전기차 제조사로, 2026 Gartner Eye on Innovation Awards(첨단 제조 부문)에 사례 두 건을 냈습니다. 첫째는 차량 BOM(bill of materials, 부품 구성표)을 AI가 읽어 원가를 줄일 부품과 대안을 찾는 일입니다. 실시간 소재가격, 다른 산업의 절감 사례, 사내 설계 표준을 데이터베이스 세 개로 묶고 전통 원가절감 방법론 네 가지를 결합해 설계 요건에 맞는 안을 만들게 했습니다. 둘째는 소프트웨어 납품 과정을 여섯 단계로 나누고 단계마다 전문 에이전트를 붙인 Coding Agent입니다. 아래층에서 에이전트 오케스트레이션과 거버넌스를 맡고 위층에서 Coding Agent가 일하는 2계층 구조이며 검증을 거친 뒤 그룹 전체로 넓혔습니다. 두 사례 모두 Lianshan AI Gateway 위에서 돌아가고 원가 사례에는 DeepSeek 모델, 개발 사례에는 Seres Cloud와 Seres-ai가 함께 쓰였습니다. 공개 자료로 보면 이 사례들은 회사 전체 방침 안에 있습니다. 강보(Kang Bo) 부총재는 2026년 8월 AI로 연구개발부터 생산·공급·판매·서비스까지 업무를 다시 짜고 있다고 말했고 회사의 2025년 연구개발비는 125.1억 위안으로 1년 전보다 80% 가까이 늘었다고 보도됐습니다.

회사가 보고한 결과는 이렇습니다. 원가 사례에서는 우선 검토할 고가 부품을 고르는 데 1주가 걸리던 일이 0.5일로, 절감안을 만드는 데 2주 걸리던 일이 3일로 줄었습니다. 차종마다 나오는 실행 가능한 대안은 3배가 됐고 실행 성공률은 60%에서 85%로 올랐으며 차종당 연평균 절감액은 22% 늘었습니다. 개발 사례에서는 복잡한 요구 하나를 처리하는 기간이 14일에서 3일로, 결함 때문에 생긴 P0(최고 등급) 사고가 47%, 반복 작업이 60% 줄었습니다. 연간 개발 인건비 112만 달러 절감은 실적이 아니라 연환산 전망치이고 ‘일일 유효 코드 산출 70% 이상’은 분모와 산식이 밝혀지지 않았습니다. 성과가 난 이유로 회사는 숙련자 개인에게 묶여 있던 절감 노하우를 제도로 만든 점, 그리고 개발자마다 따로 쓰던 국소 AI 플러그인을 생애주기 전체를 덮는 구조로 바꾼 점을 듭니다. 아래에서는 두 사례의 구현 메커니즘을 개념 단위로 풀고 한국 제조사 AX 조직이 이 구조를 자기 과제로 옮길 때 필요한 필드, 일정, 판정 기준을 덧붙입니다.

핵심 메커니즘

Three-Database Grounding: 단가·사례·설계 표준을 한 번에 보는 근거

원가 사례의 출발점은 모델이 아니라 근거 데이터입니다. 실시간 소재가격, 산업을 가로지르는 절감 사례, 사내 설계 표준을 각각 데이터베이스로 만들고 AI가 셋을 함께 참조하게 했습니다. 입력은 부품 하나이고 처리 단계에서 그 부품의 소재가 지금 얼마인지, 비슷한 부품을 다른 회사나 산업이 어떻게 줄였는지, 우리 설계 표준이 무엇을 허용하는지를 동시에 찾습니다. 출력은 세 근거가 붙은 후보입니다. 숙련자 한 사람이 셋을 모두 기억하기는 어렵고 셋 중 하나만 보면 싸지만 표준에 어긋나는 안이나 표준에는 맞지만 소재가 하락하는 중이라 실익이 없는 안이 나옵니다. 소재 비중이 큰 금속·수지 부품에 잘 맞고 소프트웨어 라이선스처럼 소재가격과 상관없는 비용 항목에는 단가 데이터베이스가 쓸모가 적습니다. 가상 예시를 들면, 알루미늄 브래킷 하나를 두고 단가 DB는 최근 3개월 알루미늄 가격 상승을, 사례 DB는 가전 업계의 판금 전환 사례를, 설계 표준 DB는 해당 위치의 최소 강성 기준을 함께 내놓습니다.

BOM Screening: 수만 개 부품 가운데 먼저 볼 부품 고르기

차량 한 대에는 부품이 수만 개 들어갑니다. 사람이 손으로 훑으면 범위가 좁아지고 시간이 오래 걸립니다. Seres는 AI가 차량 BOM을 자동으로 읽어 절감 여지가 가장 큰 부품을 먼저 골라내게 했고 이 단계가 1주에서 0.5일로 줄었습니다. 입력은 BOM과 부품별 구매 정보, 처리는 세 데이터베이스를 기준으로 한 우선순위 매기기, 출력은 검토할 상위 부품 목록입니다. 이 단계는 ‘무엇을 먼저 볼지’를 정하는 깔때기라서 정밀한 판단보다 빠짐없이 훑는 쪽이 중요합니다. 우선순위 계산식은 사례 자료에 나오지 않으므로, 아래 기술 디테일에서 가상 예시로 하나를 제안합니다.

Methodology Synthesis: 원가절감 방법론 네 가지를 한꺼번에 적용하기

우선 부품이 정해지면 AI는 전통 원가절감 방법론 네 가지를 결합해 대안을 만들고 그중 설계 요건을 만족하는 안만 남깁니다. 사례 자료는 네 방법론의 이름을 밝히지 않았습니다. 요점은 사람이 브레인스토밍할 때 익숙한 방법 한두 개로 쏠리는 일을, 방법론 목록을 빠짐없이 돌려 막는다는 데 있습니다. 차종당 실행 가능한 대안이 3배로 늘었는데 실행 성공률도 60%에서 85%로 함께 올랐습니다. 후보를 넓게 만든 뒤 설계 표준으로 거른 순서 덕분으로 읽힙니다. 회사 경영진은 이 방식으로 나온 절감 전략을 두고 “exceeded human brainstorming in breadth and comprehensiveness”라고 평가했습니다. 설계 표준이 문서로 정리돼 있지 않은 회사에서는 이 걸러 내는 단계가 작동하지 않으므로, 생성보다 걸러 낼 기준을 먼저 갖춰야 합니다.

Lifecycle Decoupling: 개발 납품을 여섯 단계로 쪼개고 단계마다 전문 에이전트

개발 사례에서 Seres가 먼저 한 일은 납품 생애주기를 여섯 핵심 단계로 나누는 것이었습니다. 단계마다 전문 에이전트가 그룹 규정에 맞게 일을 자동으로 처리합니다. 범용 코딩 플러그인은 개발자 한 명이 코드를 쓰는 순간만 돕기 때문에, 요구 해석이 틀리거나 테스트가 빠지거나 부서 사이에서 일이 멈추는 문제는 그대로 남습니다. 단계를 나누면 단계마다 입력과 산출물이 정해지고 앞 단계의 산출물이 다음 에이전트의 입력이 됩니다. 사례 자료는 여섯 단계의 이름을 밝히지 않았습니다. 그림은 단계 수와 구조만 나타냅니다.

Two-Tier R&D Architecture: 아래는 오케스트레이션·거버넌스, 위는 Coding Agent

여섯 단계 에이전트는 두 층 구조 위에서 움직입니다. 아래층은 에이전트를 순서대로 부르고(orchestration, 작업 순서 조율), 그룹 규정을 지키는지 통제하는(governance) 기반입니다. 위층에는 Coding Agent가 올라가 생애주기 전체에 걸친 개발 기능을 제공합니다. 층을 나눈 덕분에 개별 팀이 위층 에이전트를 바꾸거나 늘려도 규정과 통제는 아래층 한곳에서 관리됩니다. 결과로 회사는 요구 처리 14일에서 3일, 결함발 P0 사고 47% 감소, 반복 작업 60% 감소를 보고했습니다. 사고가 줄었다는 수치는 속도를 높이면서 품질 통제를 아래층에 박아 둔 구조와 맞물립니다.

Shared Gateway, Staged Rollout: 같은 입구 위에서 검증 후 확산

두 사례 모두 Lianshan AI Gateway를 썼다고 적혀 있습니다. 사례 자료는 이 게이트웨이의 기능을 설명하지 않습니다. 일반적으로 AI 게이트웨이는 여러 모델로 가는 호출을 한 입구로 모아 인증, 사용량, 로그, 모델 선택을 관리합니다. 원가 업무와 개발 업무가 같은 입구를 쓴다는 것은 새 업무를 붙일 때마다 접속·보안 구조를 새로 만들 필요가 없다는 뜻입니다. 개발 사례는 위험을 줄이려고 먼저 검증한 뒤 그룹 전체로 넓혔습니다. 검증 범위와 기간은 밝히지 않았습니다.

통념과 다른 주장

사례 재구성

AI for Cost-Reduction Solution Mining: BOM 원가절감안 발굴

구분	내용
상황	차량 한 대의 부품이 수만 개라 수작업 검토는 느리고 범위가 좁음. 숙련자에게 의존해 지식이 흩어지고 소재가격이 빠르게 변해 좋은 절감 사례가 다른 차종으로 퍼지지 않음
한 일	실시간 소재가격, 산업 간 절감 사례, 사내 설계 표준 DB 세 개를 통합. AI가 BOM을 읽어 절감 여지가 큰 부품을 고르고 전통 원가절감 방법론 네 가지를 결합해 설계 요건에 맞는 대안 생성. Lianshan AI Gateway와 DeepSeek 모델 사용
결과 (회사 보고 실적)	고가 부품 선별 1주에서 0.5일(사례집 표기 90% 단축), 제안 작성 2주에서 3일(80% 단축), 차종당 실행 가능 대안 3배, 실행 성공률 60%에서 85%, 차종당 연평균 절감액 22% 증가
연결	Three-Database Grounding, BOM Screening, Methodology Synthesis

Coding Agents for R&D Efficiency: 개발 전 과정 Coding Agent

구분	내용
상황	소프트웨어 사업이 연구개발 인력보다 빠르게 커짐. 반복 코딩, 부서 단절, 코드 품질 편차, 개발자별 국소 AI 플러그인 때문에 실행 손실과 기술부채가 쌓임
한 일	납품 생애주기를 6단계로 나누고 단계마다 그룹 규정을 지키는 전문 에이전트 배치. 아래층 오케스트레이션·거버넌스, 위층 Coding Agent의 2계층 구조. 검증 뒤 그룹 전체로 확산. Lianshan AI Gateway, Seres Cloud, Seres-ai 사용
결과	복잡한 요구 처리 14일에서 3일, 결함발 P0 사고 47% 감소, 반복 작업 60% 감소(실적). 일일 유효 코드 산출 70% 이상(분모·산식 미공개). 연간 개발 인건비 112만 달러 절감(연환산 전망)
연결	Lifecycle Decoupling, Two-Tier R&D Architecture, Shared Gateway·Staged Rollout

기술 디테일: 우리 데이터로 첫 프로토타입을 만들려면

Three-Database Grounding을 돌리려면 데이터베이스마다 키를 부품번호와 소재 코드로 맞춰야 합니다. 세 DB가 서로 다른 이름으로 같은 부품을 부르면 검색이 엇갈립니다. 단가 DB는 소재 코드, 단가, 통화, 기준일을 담고 사례 DB는 사례 하나를 ‘부품군·소재·적용 방법·절감률·출처 산업·확인일’로 쪼개 넣고 설계 표준 DB는 표준 문서를 조항 단위로 잘라 ‘적용 부품군·조건·허용 범위’를 구조화합니다. 설계 표준은 RAG(검색 증강 생성)로만 읽히면 모델이 조항을 놓칠 수 있으니, 수치 기준은 규칙 엔진이 확인할 수 있게 표로도 둡니다. 아래 필드는 가상 예시입니다.

DB	최소 필드 (가상 예시)	갱신 주기
소재 단가	material_code, unit_price, currency, as_of, source	주 1회 이상
절감 사례	case_id, part_family, material, method, saving_pct, industry, verified_on	사례 등록 시
설계 표준	std_id, part_family, clause, condition, min, max, unit	표준 개정 시

BOM Screening의 우선순위는 설명할 수 있는 점수식으로 시작합니다. 처음부터 모델에 ‘절감 여지가 큰 부품을 골라라’라고 맡기면 왜 그 부품인지 설명하기 어렵습니다. 가상 예시로 연간 구매액(40%), 최근 90일 소재가 변동(20%), 유사 절감 사례 수(25%), 설계 표준상 변경 여지(15%)를 0~100점으로 환산해 합산하고 상위 50~100개 부품만 LLM 단계로 넘깁니다. 가중치는 원가혁신팀이 과거 실행 건과 대조해 조정합니다. 이 단계는 LLM 없이 SQL과 파이썬으로 돌려도 되고 그래야 0.5일 안에 차종 하나를 다시 훑을 수 있습니다.

Methodology Synthesis는 생성과 검증을 다른 호출로 나눕니다. 생성 호출은 부품 하나와 세 DB 검색 결과, 방법론 목록을 넣고 방법론마다 대안을 하나 이상 내게 합니다. 다양성이 필요하니 temperature 0.6~0.8로 3회 돌리고 2회 이상 나온 안이나 근거 사례가 붙은 안만 남깁니다. 검증 호출은 temperature 0으로 설계 표준 조항과 대안을 한 쌍씩 대조하고 수치 기준은 규칙 엔진이 한 번 더 확인합니다. Seres는 DeepSeek을 썼지만 우리 회사에서는 사내 게이트웨이로 접속할 수 있는 모델로 시작하면 되고 검증 호출만 생성과 다른 계열 모델로 돌려 같은 착오를 서로 놓치지 않게 합니다. 출력은 아래 JSON처럼 고정합니다. 방법론 이름은 Seres가 밝히지 않았으므로 우리 회사 VE 표준 목록을 넣습니다(가상 예시).

{
  "part_no": "BRK-2041",
  "method": "재료 대체",
  "proposal": "알루미늄 다이캐스팅을 고장력 강판 프레스로 변경",
  "est_saving_per_unit_krw": 1800,
  "evidence": [
    {"db": "case", "id": "C-0193", "verified_on": "2026-09-30"},
    {"db": "price", "id": "AL-ADC12", "as_of": "2026-10-27"}
  ],
  "std_checks": [{"std_id": "DS-STR-12", "result": "pass"}],
  "open_risks": ["NVH 재시험 필요"],
  "status": "검토 대기"
}

실패는 세 가지가 흔합니다. 근거 사례 ID를 지어내는 경우는 evidence의 id를 DB에서 다시 조회해 없으면 버립니다. 표준을 통과했다고 단정하는 경우는 std_checks가 비어 있으면 ‘unknown’으로 두고 사람 검토로 보냅니다. 절감액을 과장하는 경우는 est_saving을 단가 DB로 다시 계산해 30% 넘게 차이 나면 표시합니다.

Two-Tier R&D Architecture를 따라 하려면 규정을 에이전트 프롬프트가 아니라 아래층 정책으로 둡니다. 그룹 코딩 규정, 보안 규칙, 브랜치 정책, 테스트 커버리지 기준을 아래층의 정책 묶음으로 만들고 위층 에이전트는 이 정책을 통과해야 다음 단계로 넘깁니다. 게이트웨이에서는 단계별로 쓸 수 있는 모델과 도구, 접근 가능한 저장소를 정하고 호출마다 요구 ID, 단계, 모델, 토큰, 결과를 로그로 남깁니다. 사람 승인은 최소 두 곳에 둡니다. 요구 해석이 끝난 뒤와 병합 직전입니다. 단계 이름은 우리 조직 프로세스에 맞춰 정합니다. 가상 예시로 요구 분석, 설계, 구현, 테스트, 리뷰, 배포 여섯 단계를 쓸 수 있습니다.

성과 지표는 파일럿 전에 정의를 고정합니다. Seres의 ‘일일 유효 코드 산출 70% 이상’은 분모가 밝혀지지 않아 우리 기준으로 그대로 쓸 수 없습니다. 우리 파일럿에서는 ‘리뷰를 거쳐 병합된 줄 가운데 에이전트가 처음 작성한 줄의 비율’처럼 분모를 적어 두고 요구 처리 기간은 요구 등록부터 운영 반영까지 중앙값으로, P0 사고는 원인 분류가 ‘코드 결함’인 건만 셉니다. 인건비 절감은 실적과 전망을 따로 적습니다.

지표	정의 (가상 예시)	기준선
요구 처리 기간	등록에서 운영 반영까지, 중앙값(일)	직전 6개월
결함발 P0	원인이 코드 결함인 최고 등급 사고 건수	직전 6개월
에이전트 작성 비율	병합된 줄 중 에이전트 초안 비율	파일럿 1주차
반복 작업	표준 작업 목록 중 사람이 직접 한 횟수	파일럿 전 2주

현업 실행 디테일: 누가, 언제, 무엇을

한국 완성차·부품사가 원가 사례를 먼저, 개발 사례를 그다음에 옮긴다고 보고 짠 계획입니다. 역할, 일정, 기준은 모두 가상 예시입니다.

역할	담당	하는 일
스폰서	원가혁신 또는 구매 임원	대상 차종 선정, 절감안 실행 결정
원가혁신팀(VE)	3~4명	과거 절감 사례 정리, 점수식 가중치 조정, 검토회 운영
설계	부품군별 책임 설계자 2~3명	설계 표준 조항화, 대안 기술 검토
구매	1~2명	단가 이력과 협력사 견적 연결
AX·데이터	엔지니어 2~3명	DB 구축, 점수식, 생성·검증 파이프라인, 게이트웨이 연결
SW 개발 리드	1개 팀 10~15명	2단계 Coding Agent 파일럿, 지표 측정

시작 전 준비물은 대상 차종 1개의 BOM 전체, 부품별 최근 2년 구매 단가, 과거 VE 실행 기록(제안·채택·실패 사유 포함), 설계 표준 문서 원본, 그리고 사내 LLM 접속 경로입니다.

기간	할 일	산출물
1~2주	세 DB 구축, 과거 사례 200~300건 구조화	DB 3종, 필드 정의서
3~4주	점수식으로 상위 부품 선별, 원가혁신팀이 고른 목록과 대조	상위 50개 부품 목록, 겹침률
5~6주	대안 생성·검증, 설계 검토회 2회	근거가 붙은 대안 목록, 검토 결과
7~8주	채택안 실행 착수, 절감액 재산정	실행 착수 건, 판정 보고서
9주 이후	개발 1개 팀에서 Coding Agent 2계층 파일럿	지표 기준선, 정책 묶음 초안

검토회와 인터뷰에서 물을 질문입니다. 지난 3년 절감안 가운데 채택되지 않은 안은 무슨 이유로 떨어졌나? 이유가 설계 표준이면 그 조항이 문서로 있나? 숙련자가 부품을 고를 때 실제로 보는 신호는 구매액, 소재, 협력사 중 무엇인가? 다른 차종에서 성공한 안이 이 차종으로 넘어오지 않은 경우 무엇이 막았나? 개발 쪽에서는 요구 하나가 14일 걸릴 때 대기 시간은 어느 단계에서 가장 긴가, 지금 쓰는 코딩 플러그인은 누가 어떤 규정으로 관리하나를 묻습니다.

진행 판정 기준(가상 예시)은 이렇게 잡습니다. AI가 고른 상위 50개 부품과 원가혁신팀 목록의 겹침이 60% 이상이고 AI만 찾은 부품 가운데 검토할 가치가 있다고 인정된 것이 5개 이상이면 선별 단계는 통과입니다. 생성된 대안 중 설계 표준 위반이 검토회에서 새로 발견되지 않고 검토회 채택률이 과거 VE 제안 채택률보다 높으면 생성 단계도 통과입니다. Coding Agent는 요구 처리 기간 중앙값이 30% 이상 줄면서 결함발 P0가 늘지 않아야 다음 팀으로 넓힙니다.

어디에 먼저 쓸지 순서도 정해 두면 좋습니다. 한국 제조사 대부분은 연례 원가절감 활동과 신차 원가 목표 관리를 이미 하고 있어서 과거 VE 기록과 단가 이력이 쌓여 있습니다. 원가 사례는 이 데이터를 그대로 쓰고 성과를 절감액으로 바로 잴 수 있어 첫 과제로 알맞습니다. 이때 스폰서는 IT가 아니라 원가 또는 구매 임원이어야 검토회 결정이 실행으로 이어집니다. Coding Agent는 전장·차량 SW나 MES 개발 조직에서 하되, 개발자별 플러그인 계약을 늘리기 전에 게이트웨이와 정책 묶음을 먼저 만드는 순서를 지킵니다. Seres가 두 업무를 한 게이트웨이 위에 올린 것처럼, 첫 과제에서 만든 접속·로그·권한 구조를 두 번째 과제가 물려받게 설계하면 두 번째 과제의 준비 기간이 줄어듭니다.

원문 사례

항목	원가절감안 발굴	개발 전 과정 Coding Agent
사례명(영문)	AI for Cost-Reduction Solution Mining	Coding Agents for R&D Efficiency
회사·지역	Seres Group, 중국 충칭	Seres Group, 중국 충칭
부문	2026 Gartner Eye on Innovation Awards 첨단 제조	같음
대상 업무	차량 BOM 원가절감	소프트웨어 납품 생애주기
구조	DB 3종 통합, BOM 자동 분석, 방법론 4종 결합	6단계 전문 에이전트, 2계층(오케스트레이션·거버넌스 / Coding Agent), 검증 후 확산
기술·제공자	AI Agents, AI, Data & Analytics, 도메인 특화 언어 모델, LLM, Software/Platform/App · Lianshan AI Gateway, DeepSeek	AI, Cloud, Software/Platform/App, LLM, Automation · Lianshan AI Gateway, Seres Cloud, Seres-ai
보고 수치	선별 1주→0.5일, 제안 2주→3일, 대안 3배, 성공률 60%→85%, 연평균 절감액 22% 증가	요구 처리 14일→3일, 결함발 P0 47% 감소, 반복 작업 60% 감소, 일일 유효 코드 산출 70% 이상(산식 미공개), 인건비 112만 달러(연환산 전망)
수치 성격	회사 보고 실적	실적과 전망 혼재

공개 자료에서 확인한 회사 맥락도 함께 적습니다. 2025년 9월 장싱하이(Zhang Xinghai) 회장은 AI를 자동차 산업이 피할 수 없는 과제로 규정하고 연구개발부터 애프터서비스까지 AI를 넣겠다고 밝혔습니다(每日经济新闻). 2025년 12월에는 전 직원 협업 플랫폼 SAI 2.0을 열고 회의 요약, 차량 요구 관리, 사내 지식 문답에 AI를 붙였습니다(China.com 보도). 2026년 8월 강보 부총재는 부서를 가로지르는 데이터 플랫폼과 AI 보조 의사결정을 소개했습니다(Gasgoo). 충칭시는 같은 달 Seres의 산업 디지털 플랫폼이 공급망 상하류 300곳 이상을 잇는다고 발표했습니다. 이 공개 자료들은 두 사례 자체의 수치를 다루지 않습니다.

핵심 개념

BOM (bill of materials)

제품 하나를 이루는 부품과 수량을 계층으로 적은 표. 원가 분석의 출발 자료.

VE (value engineering)

기능은 유지하면서 재료, 형상, 공정을 바꿔 원가를 낮추는 활동. 한국 제조사의 연례 원가절감 활동 이름으로 흔히 씀.

P0 incident

서비스나 기능이 멈추는 최고 등급 장애. Seres는 그중 결함이 원인인 건을 셈.

AI Gateway

여러 모델 호출을 한 입구로 모아 인증, 사용량, 로그, 모델 선택을 관리하는 계층.

Orchestration

여러 에이전트를 정해진 순서로 부르고 산출물을 다음 단계로 넘기는 조율.

DeepSeek

중국 DeepSeek사의 LLM 계열. Seres는 원가 사례에 사용.

Annualized projection

짧은 기간 결과를 1년으로 늘려 잡은 전망치. 실제 1년 실적과 구분해야 함.

내 메모

TODO: 내 생각 추가

근거: 사용자가 제공한 Gartner 2026 Eye on Innovation Awards Greater China 사례 자료(Seres Group 슬라이드 17·18, 원제 ‘AI for Cost-Reduction Solution Mining’, ‘Coding Agents for R&D Efficiency’). 회사 맥락은 공개 자료 네 건으로 확인했습니다: Gasgoo, 2026.8.15 (https://autonews.gasgoo.com/articles/news/seres-kang-bo-promoting-full-chain-ai-application-comprehensive-reconstruction-from-product-manufacturing-to-organizational-management-2088520084296581120), 每日经济新闻, 2025.9.5 (https://www.mrjjxw.com/articles/2025-09-05/4050161.html), China.com 기술, 2025.12.15 (https://m.tech.china.com/articles/20251215/202512151781524.html), 충칭시 정부 영문판, 2026.8.19 (https://english.cq.gov.cn/specials/Shop/EditorsPick/202608/t20260819_15952029.html). 2025년 연구개발비는 华尔街见闻 보도(https://wallstreetcn.com/articles/3773585)를 따랐습니다. 두 사례 자체를 다룬 회사 공식 자료나 언론 보도는 찾지 못했고 수상 여부도 공개 자료로 확인하지 못했습니다. 요약·메커니즘·사례 재구성은 사례 자료의 내용을 AX Review가 다시 정리했고 기술·현업 디테일, 필드, JSON, 점수식, 일정, 판정 기준, 인포그래픽, 표는 새로 작성했으며 그 안의 숫자는 가상 예시입니다.