국내 기업 AX 소식: AI가 예측에서 실행까지 맡고 사람은 목표와 경계를 정한다 (10월 29일 묶음)

10월 22~28일 국내 기사 5건에서 AI는 예측에 그치지 않고 실행까지 맡기 시작했습니다. 배민은 라이더 확보를, KT는 기지국 전력 절감을 AI가 직접 돌립니다. 대신 목표와 예산, 합격 같은 경계는 사람이 정하고 실행 직전에 최신 데이터를 다시 확인합니다. 따라 하려면 예측 단위를 실제 처리 능력으로 다시 정의하고 실행 전후 확인 규칙과 사용 기록 계층부터 만들어야 합니다.

요약

이번 묶음은 10월 22일부터 28일까지 국내 매체가 보도한 기업 AX 소식 5건입니다. 우아한형제들(배민)은 우아콘 2026에서 라이더 수급 자동화 플랫폼 KAIROS(카이로스)를 공개했습니다. 하루 한 번 하던 수급 예측을 10분마다 돌리고 운영팀 대응 시간을 90% 줄였다고 밝혔습니다. KT는 자체 플랫폼 ES-O로 5G 기지국 전력을 절감하는 운용을 AI에 맡겨 TM포럼의 자율 네트워크 레벨 4 인증을 받았습니다. 신성이엔지는 디스플레이 소부장 업계 행사에서 예측정비와 IoT 센서 적용 결과를 내놓았습니다. 한화솔루션은 AWS 행사에서 사내 LLM 게이트웨이로 Claude 사용을 관리하는 구조를 소개했습니다. 카카오는 채용 사전 인터뷰를 AI가 진행하는 방식으로 바꿉니다. 모두 회사 발표나 행사 발표를 옮긴 기사여서 수치는 회사가 밝힌 값입니다.

AX Review가 기사 5건을 패턴별로 묶은 분류. 한 기사가 여러 패턴에 들어감

겹치는 패턴은 네 가지입니다. 가장 뚜렷한 것은 예측을 실행까지 잇는 흐름입니다. 배민의 발표자는 모델을 만드는 것만으로는 사업이 바뀌지 않는다며 예측이 실행으로 이어져야 한다고 강조했습니다. KT는 AI가 분석과 판단을 거쳐 제어와 사후 조치까지 맡는 수준을 인증받았습니다. 두 번째는 실행 전후의 확인입니다. KT는 정책을 적용하기 직전에 최신 트래픽을 다시 보고 카카오는 AI가 인터뷰를 진행해도 답변 검토와 합격 결정은 담당자가 합니다. 세 번째는 사용 통제 계층입니다. 한화솔루션은 게이트웨이에서 사용 이력과 비용을 남기고 개인정보를 가립니다. 네 번째는 예측 단위를 다시 정한 일입니다. 배민은 라이더 수 대신 공급 시간을 세고 KT는 운용자의 말을 실행 가능한 정책으로 바꿉니다. 아래에서 기사별 사실을 먼저 정리하고 이 패턴을 실제로 돌리는 방법을 기술과 현업 두 쪽으로 나눠 붙였습니다.

여러 기사에 흩어진 단계를 한 흐름으로 모은 개념도

사례별 정리

배민: 라이더 수급 예측을 하루 1회에서 10분마다로 바꿔 운영팀 대응 시간을 90% 줄였다

상황: 예전에는 하루 단위로 수급을 예측했습니다. 예상 주문량에 필요한 라이더 수와 실제 운행 예정 인원을 비교해 모자란 만큼 확보했습니다. 라이더마다 운행 시간이 달라 인원수만으로는 실제 처리 능력을 알기 어려웠습니다. 배달 품질이 나빠진 뒤에야 추가 대응을 했고 비 예보가 바뀌거나 주문이 몰리면 확보가 늦었습니다.
한 일: AI 기반 라이더 수급 자동화 플랫폼 KAIROS를 만들었습니다. 기준을 라이더 수에서 ‘공급 시간’으로 바꿨습니다. 날씨, 주문 수요, 필요한 운행 시간, 라이더별 예상 운행 시간, 라이더가 운행 요청에 응할 확률을 머신러닝 모델 20여 개로 분석합니다. 10분마다 30분 뒤부터 1시간 동안의 수급을 예측하고 응답 확률과 예상 운행 시간을 따져 필요한 인원을 고릅니다. 수급 예측과 대상자 선정, 운영 대응까지 자동으로 돌아갑니다.
결과(회사 발표): 배차 소요 시간 25%, 배달 과도 지연 건수 50%, 품질 기준을 벗어난 지역 수 20%, 품질 악화 지속 시간 74%가 줄었습니다. 운영팀 대응 시간은 90% 줄었습니다. 측정 기간과 비교 기준은 기사에 나오지 않습니다.
출처: 지디넷코리아 안희정 기자, 10월 28일. 우아한형제들 신성찬 데이터 과학자, 주가람 데이터 분석가의 우아콘 2026 발표

기사 내용을 전후로 나눈 비교

우아콘 2026 발표 기준 감소율. 측정 기간과 비교 기준은 기사에 나오지 않음

KT: 운용자가 말로 넣은 목표를 AI가 정책으로 바꿔 5G 기지국 전력을 절감한다

상황: 5G 무선망의 에너지 효율을 높이는 운용을 사람이 아니라 AI가 맡게 하려 합니다.
한 일: 자체 개발한 AI 네트워크 운영 플랫폼 ES-O를 썼습니다. 운용자가 목표를 자연어로 넣으면 AI가 실행 가능한 정책으로 바꿉니다. 기지국별 통신 범위와 기지국 사이의 상호 영향을 분석해 전력 절감 방안을 정합니다. 적용 전에 최신 트래픽을 확인하고 품질이 떨어질 우려가 있으면 실행 조건을 자동으로 고칩니다. 적용 뒤에도 품질 변화를 감시하고 문제가 보이면 원인을 분석해 대응합니다. 시간대별 이용량 예측에도 AI를 씁니다. 인접 기지국 사이의 관계를 학습하고 실제 트래픽과 비교해 정확도가 떨어지면 최신 데이터로 다시 학습합니다.
결과(회사 발표): 통신 업계 표준 협의체 TM포럼에서 5G 무선망 에너지 효율 최적화 분야의 자율 네트워크 레벨 4 인증을 받았습니다. 레벨 4는 반복 작업 자동화를 넘어 AI가 운용 목표를 이해하고 상태 분석, 의사결정, 제어, 사후 조치까지 하는 수준입니다. 절감한 전력량과 적용 기지국 수는 기사에 나오지 않습니다. 회사는 적용 범위를 넓힐 계획입니다.
출처: 지디넷코리아 박수형 기자, 10월 28일. 정선일 KT 네트워크운용혁신본부장 발언 포함

기사에 나온 단계. 절감량과 적용 기지국 수는 기사에 없음

신성이엔지: 예측정비와 IoT 센서를 붙여 불량률 98% 감소를 발표했다

상황: 한국디스플레이산업협회(KDIA)와 한국인공지능소프트웨어산업협회(KOSA)가 디스플레이 소재·부품·장비(소부장) 기업의 제조 AX를 지원하려고 10월 22일 ‘AX 커넥트 데이’를 열었습니다. 디스플레이 제조기업과 AI 기업 약 60곳이 참여했습니다.
한 일: 신성이엔지는 AI 기반 예측정비, IoT 센서, 실시간 모니터링 시스템을 적용한 사례를 발표했습니다. 대상 설비나 공정은 기사에 나오지 않습니다.
결과(회사 발표): 생산능력 210% 향상, 공정 불량률 98% 감소, 설계 시간 80% 단축을 밝혔습니다. 기준 시점과 기간은 기사에 없습니다. 같은 행사에서 에드워드코리아는 자동화 창고와 자율주행 지게차(AGF)를, 위존은 자체 제조 AX 플랫폼을, 뉴로클은 눈으로 찾기 어려운 패널 결함을 AI로 실시간 검사하는 비전 솔루션을 소개했습니다. 동아엘텍, 탑엔지니어링 등 소부장 기업은 AI 기업과 데이터 수집, 우선 적용 공정, 도입 조건을 논의했습니다.
출처: 디일렉 김건 기자, 10월 22일

회사가 행사에서 밝힌 값. 생산능력 210% 향상은 기준이 달라 막대에서 뺌. 기준 시점과 기간은 기사에 없음

한화솔루션: 사내 LLM 게이트웨이로 Claude 사용 이력과 비용을 관리하고 개인정보를 가린다

상황: 임직원이 AI를 개인적으로 자유롭게 쓰는 단계를 넘어 전사 업무 프로세스에 자리 잡게 하려 합니다.
한 일: Amazon Bedrock 기반으로 사내 LLM 게이트웨이를 만들어 임직원이 Anthropic의 Claude Cowork를 안전하게 쓰게 했습니다. 게이트웨이는 AI 사용 이력과 비용을 관리하고 외부 모델로 넘어가기 전에 개인정보를 마스킹합니다.
결과(회사 발표): AWS와 Anthropic의 협력으로 약 3주 만에 실제 서비스 배포 환경을 갖췄습니다. 대규모 인프라를 따로 짓지 않고 한국과 미국 등 해외 사업장으로 넓혔고 Claude 도입을 추진하는 그룹사는 7곳으로 늘었습니다. 다음으로 팀 단위 예산을 운영하고 주요 업무 KPI와 연계한 AI 에이전트를 들일 계획입니다. 오사랑 팀장은 거버넌스가 도입을 늦추는 장치가 아니라 AI를 핵심 사업에 정착시키는 힘이라고 말했습니다.
출처: 지디넷코리아 한정호 기자, 10월 23일. 오사랑 한화솔루션 AI·AX팀장의 AWS AI 웨이브 2026 발표

약 3주 만에 배포 환경 구성, Claude 도입 추진 그룹사 7곳

카카오: 채용 사전 인터뷰를 AI가 진행하고 합격 결정은 담당자가 한다

상황: 채용 담당자가 전화나 화상으로 온라인 사전 인터뷰를 진행해 왔습니다. 데이터 사이언티스트 경력직, LLM 연구인력 같은 일부 기술직에서 이미 사전 인터뷰를 운영합니다.
한 일: 사전 인터뷰를 AI가 진행하는 방식으로 바꿉니다. 새 평가 단계를 더하는 것이 아니라 기존 단계의 진행 방식만 바꿉니다. 10월 22일 개인정보 처리방침 개정을 공지하며 AI 사전 인터뷰 업체로 무하유를, 인성검사 업체로 ORP연구소를 추가했고 개정안은 29일부터 적용됩니다. 무하유는 답변에 따라 후속 질문을 만들고 직무 지식을 말로 확인하는 대화형 AI 면접 솔루션을 운영합니다. 카카오가 실제로 쓸 기능과 평가 기준은 공개되지 않았습니다. 인성검사는 업무 성향과 협업 방식을 보는 참고자료로 씁니다.
결과(계획): AI는 합격 여부를 정하지 않고 지원자 답변은 채용 담당자가 직접 검토합니다. 신입과 경력을 포함한 전 직군으로 넓힐 계획이며 모든 전형에 한꺼번에 적용하지는 않습니다. 시행 시점은 이후 모집 공고에서 안내합니다.
출처: 디지털데일리 채성오 기자, 10월 27일

전 직군 확대 계획. 시행 시점은 이후 모집 공고에서 안내

기술 디테일: 예측을 실행까지 잇고 경계를 지키려면

아래는 기사의 공통 패턴을 실제 시스템으로 옮길 때 필요한 것입니다. 기사에 나온 내용이 아니라 AX Review가 덧붙인 실행 방법이고 필드명과 수치는 모두 가상 예시입니다.

예측 단위를 처리 능력으로 바꾸려면 사람 수 대신 기대 공급량을 계산합니다(배민 공급 시간 패턴). 인원수로 세면 1시간 일할 사람과 4시간 일할 사람이 같은 1명이 됩니다. 후보마다 p_accept(요청에 응할 확률), expected_minutes(응하면 일할 예상 시간)를 따로 예측하고 둘을 곱해 expected_supply_minutes를 냅니다. 같은 구간의 수요 예측에서 required_supply_minutes를 구하면 둘의 차이가 확보해야 할 양입니다. 선정은 기대 공급량이 큰 후보부터 차이가 메워질 때까지 요청을 보내는 단순한 탐욕 규칙으로 시작해도 됩니다. 배민이 모델을 20여 개 둔 것처럼 응답 확률, 운행 시간, 수요를 모델 하나로 묶지 말고 따로 두면 어느 쪽이 틀렸는지 나눠 볼 수 있습니다. 주기는 의사결정이 실제로 바뀌는 간격에 맞춥니다. 요청을 보내고 사람이 움직이는 데 20~30분이 걸린다면 예측 구간도 그 뒤를 봐야 합니다.

가상 예시. 배민의 공급 시간 개념을 계산 단계로 풀어 씀

목표를 정책으로 바꿀 때는 LLM 출력을 검증 가능한 형식에 가둡니다(KT ES-O 패턴). 운용자의 문장을 곧바로 제어 명령으로 보내지 않고 정책 JSON 한 건으로 받습니다. 필드는 objective(예: 야간 전력 절감), scope(대상 기지국·지역·시간대), action(허용 목록 안의 동작), guardrails(품질 한도, 예: 셀 사용률 상한·최소 커버리지), precheck(적용 직전 확인할 지표와 기간), rollback(되돌릴 조건)입니다. 스키마 검증을 통과하지 못하거나 허용 목록 밖 동작이 나오면 실행하지 않고 운용자에게 돌려보냅니다. 처음 보는 유형의 정책은 사람 승인 뒤에만 적용하고 같은 유형이 여러 번 문제없이 돌면 자동 적용으로 넘깁니다. 적용 직전에는 최근 15분 트래픽처럼 가장 새 데이터로 한도를 다시 계산하고 넘으면 범위를 줄이거나 시각을 미룹니다.

가상 예시. KT ES-O의 흐름을 일반 운영 자동화로 옮긴 설계

재학습은 일정이 아니라 정확도 하락을 신호로 돌립니다(KT 트래픽 예측 패턴). 예측값과 실제값을 구간마다 저장하고 MAPE(평균 절대 백분율 오차) 같은 지표를 하루 단위로 계산합니다. 지표가 정해 둔 기준(예: 최근 7일 평균보다 30% 나빠짐)을 넘으면 최신 데이터로 다시 학습하고 고정 평가셋에서 기존 모델보다 나을 때만 바꿉니다. 배민처럼 요청과 응답 결과가 매번 쌓이는 구조라면 응답 확률 모델도 같은 방식으로 관리합니다.

LLM 게이트웨이는 요청 전, 전송 직전, 응답 뒤 세 지점에서 일합니다(한화솔루션 패턴). 요청 전에는 사내 인증(SSO)으로 사용자를 확인하고 팀·과제 코드와 예산 잔액을 봅니다. 전송 직전에는 주민등록번호·전화번호 같은 패턴은 정규식으로, 이름·주소는 개체명 인식으로 찾아 가린 뒤 모델로 보냅니다. 응답 뒤에는 user_id, team_id, model, input_tokens, output_tokens, cost, masked_count를 한 줄로 남깁니다. 한화솔루션이 다음 단계로 밝힌 팀 단위 예산과 KPI 연계 에이전트는 이 기록이 있어야 가능합니다. 팀별 비용과 업무 지표를 같은 키로 묶어야 어떤 팀의 사용이 성과로 이어지는지 볼 수 있습니다. 마스킹 모듈이 멈추면 요청을 통과시키지 말고 막는 쪽(fail-closed)으로 둡니다.

가상 예시. 한화솔루션 게이트웨이의 세 기능(이력·비용·마스킹)을 단계로 나눔

AI가 사람을 평가하는 과정에 들어가면 판단 근거를 남기고 결정 권한을 시스템에서 분리합니다(카카오 패턴). AI 인터뷰의 출력은 점수 하나가 아니라 질문, 답변 전사, 직무 역량 항목별 근거 문장으로 저장합니다. 화면에는 합격·불합격 버튼을 담당자 계정에만 두고 AI 출력에는 추천 등급조차 넣지 않는 방식도 고를 수 있습니다. 외부 솔루션을 쓰면 카카오처럼 개인정보 처리방침에 수탁 업체를 먼저 공지하고 보관 기간과 학습 사용 여부를 계약서에 적습니다.

예지정비는 센서 이상 신호를 정비 작업 지시로 잇는 데까지 설계합니다(신성이엔지 패턴). 진동·온도·전류 같은 센서 값을 설비 ID와 시각으로 묶어 저장하고 정상 구간을 학습한 이상 탐지 모델이 점수를 냅니다. 점수가 기준을 넘으면 경보만 띄우지 말고 설비, 의심 부위, 최근 정비 이력을 담은 작업 지시 초안을 만들어 정비 담당자에게 보냅니다. 정비 결과(실제 고장이었나)를 다시 붙여야 기준값을 조정할 수 있습니다.

현업 실행 디테일: 누가, 언제, 무엇을

배민이나 KT처럼 예측을 실행까지 잇는 과제 하나를 12주 동안 한 지역, 한 범위에 붙이는 파일럿을 예로 듭니다. 역할과 일정, 판정 기준은 모두 가상 예시입니다.

역할	담당	하는 일
현업 스폰서	운영 담당 임원	과제·지표 승인, 확대 여부 최종 판단
운영 책임자	지금 그 판단을 하는 팀장 1명	목표와 경계 정의, 그림자 운영 결과 검토
데이터 담당	데이터 엔지니어 1명	예측 입력 데이터 위치 확인, 실행 결과 기록
AI 개발	데이터 과학자 1~2명	예측 모델, 선정·정책 로직, 백테스트
보안·법무	정보보호 또는 법무 1명	개인정보 처리, 외부 모델 전송 범위, 고지 문구

준비물은 네 가지입니다. 지금 사람이 하는 판단을 적은 목록(누가, 몇 번, 무엇을 보고), 최근 6개월치 예측과 실제 결과 데이터, AI가 넘으면 안 되는 한도 목록(품질 하한, 예산 상한, 결정 권한), 그리고 기존 방식의 기준선 지표입니다. 1~2주차에 과제 하나와 지표 하나를 고릅니다. 3~5주차에는 과거 데이터를 다시 돌려 AI가 그때 무엇을 했을지 계산합니다. 6~8주차에는 실제 운영 옆에서 AI 결정을 기록만 하는 그림자 운영을 합니다. 9~12주차에 한 지역, 한 범위에서 실제로 실행하고 확대 여부를 판정합니다.

가상 예시 일정. 예측을 실행까지 잇는 과제 하나를 한 지역·한 범위에 붙이는 순서

과제를 고를 때 현업에 물을 질문입니다.

지금 이 판단을 하루 또는 한 주에 몇 번 하고 한 번에 얼마나 걸립니까?
판단 기준이 사람 수나 건수처럼 실제 처리 능력과 어긋난 단위로 되어 있지는 않습니까?
판단이 늦으면 무엇이 나빠지고 그것을 무엇으로 셉니까(지연 건수, 품질 이탈 시간, 비용)?
AI가 정해도 되는 것과 사람이 반드시 정해야 하는 것은 각각 무엇입니까?
실행 직전에 다시 확인해야 할 최신 데이터는 무엇이고 몇 분 안에 볼 수 있습니까?

진행 판정 기준(예시)은 이렇게 둡니다. 그림자 운영에서 AI 결정과 운영자 결정의 일치율이 75% 이상이고 불일치 건 가운데 AI 결정이 더 나빴다고 판정된 비율이 10% 이하이며 실제 실행 기간에 한도 위반이 0건이면 다른 지역으로 넓힙니다. 운영팀 대응 시간이나 품질 이탈 시간 중 미리 고른 지표가 기준선보다 나아져야 합니다. 일치율이 60% 아래면 예측 단위와 입력 데이터를 다시 봅니다.

AX 적용 제언. 이번 묶음에서 가장 옮기기 쉬운 것은 배민의 단위 바꾸기입니다. 콜센터 상담 인력, 물류센터 작업자, 현장 정비 인력처럼 ‘몇 명’으로 계획하는 업무라면 ‘처리 가능한 시간’이나 ‘처리 가능 건수’로 다시 세는 것만으로 예측의 쓸모가 달라집니다. 두 번째는 한화솔루션의 게이트웨이입니다. 생성형 AI 사용이 부서마다 흩어진 회사라면 새 에이전트를 만들기 전에 사용 기록과 비용을 한곳에 모으는 계층을 먼저 두는 편이 낫습니다. 그래야 팀별 예산과 성과 연결을 논의할 수 있습니다. 고객사에 적용할 때는 사람이 반복해서 내리는 운영 판단 목록을 먼저 만들고 그중 실행 직전에 최신 데이터로 확인할 수 있는 것 하나를 골라 12주 파일럿을 돌리는 순서를 권합니다. 카카오처럼 사람을 평가하는 업무라면 결정 권한을 사람에게 두는 원칙과 개인정보 고지를 파일럿 첫 주에 확정합니다.

원문 사례

회사	내용	매체	날짜	링크
우아한형제들(배민)	KAIROS로 수급 예측을 10분마다, 공급 시간 기준, 모델 20여 개. 배차 시간 25%, 과도 지연 50%, 품질 이탈 지역 20%, 품질 악화 지속 시간 74%, 운영팀 대응 시간 90% 감소	지디넷코리아 · 안희정	2026-10-28	기사
KT	ES-O로 5G 기지국 전력 절감 자율 운용, 자연어 목표를 정책으로 변환, 적용 전 트래픽 확인, 정확도 하락 시 재학습. TM포럼 자율 네트워크 레벨 4 인증	지디넷코리아 · 박수형	2026-10-28	기사
신성이엔지	AI 예측정비, IoT 센서, 실시간 모니터링. 생산능력 210% 향상, 공정 불량률 98% 감소, 설계 시간 80% 단축(회사 발표). KDIA·KOSA AX 커넥트 데이, 약 60개사 참여	디일렉 · 김건	2026-10-22	기사
한화솔루션	Amazon Bedrock 기반 사내 LLM 게이트웨이로 Claude Cowork 사용 이력·비용 관리, 개인정보 마스킹. 약 3주 만에 배포, 그룹사 7곳 도입 추진, 팀 단위 예산과 KPI 연계 에이전트 계획	지디넷코리아 · 한정호	2026-10-23	기사
카카오	채용 사전 인터뷰를 AI 진행 방식으로 전환(무하유), 인성검사 도입(ORP연구소), 합격 결정은 담당자, 전 직군 확대 계획	디지털데일리 · 채성오	2026-10-27	기사

핵심 개념

공급 시간: 라이더 수 대신 라이더들이 실제로 운행할 시간의 합으로 배달 처리 능력을 세는 배민의 기준.
자율 네트워크 레벨 4: TM포럼의 단계 구분에서 AI가 목표를 이해하고 분석, 판단, 제어, 사후 조치까지 맡는 수준.
TM포럼: 통신사와 기술기업이 모여 업계 표준을 만드는 국제 협의체.
LLM 게이트웨이: 직원과 외부 AI 모델 사이에 두는 중간 계층. 인증, 기록, 비용 관리, 개인정보 마스킹을 한곳에서 처리한다.
개인정보 마스킹: 이름이나 번호 같은 개인 식별 정보를 외부로 보내기 전에 가리거나 바꾸는 처리.
예측정비: 센서 데이터로 고장 징후를 미리 찾아 고장 전에 정비하는 방식.
소부장: 소재·부품·장비 산업을 줄여 부르는 말.
그림자 운영(shadow mode): AI가 실제 운영 옆에서 결정만 기록하고 적용하지 않는 시험 방식.
MAPE: 예측값이 실제값에서 평균 몇 퍼센트 벗어났는지 보는 오차 지표.

내 메모

TODO: 내 생각 추가

원문: 지디넷코리아(안희정, 박수형, 한정호) 3건, 디일렉(김건), 디지털데일리(채성오) 기사 5건(2026.10.22~10.28). 5건 모두 원문을 열어 읽었으며 뺀 기사는 없습니다. 한화솔루션 기사는 AWS AI 웨이브 2026 행사 기사로 카카오의 AWS 활용 발표도 함께 실렸지만 이 노트에는 한화솔루션 부분만 정리했습니다. 요약, 사례별 정리, 원문 사례 표는 기사 내용을 AX Review가 다시 정리했고 수치는 기사에 실린 회사 발표·계획 값입니다. 공통 패턴 분류, 기술 디테일, 현업 실행 디테일, 인포그래픽, 일정·판정 기준은 AX Review가 새로 작성했으며 예시 값은 가상입니다. 기사 전문은 각 링크에서 볼 수 있습니다.