국내 기업 AX 소식: 이미 가진 데이터와 시스템 위에 AI를 올려 업무 시간을 줄인다 (11월 9일 묶음)

11월 3~6일 기사 네 건에서 AI가 줄인 시간은 회사가 이미 쌓아 둔 데이터와 쓰던 시스템 위에서 나왔습니다. LG이노텍은 공정·품질 데이터에 엑사원 태뷸러를 붙여 조건 변화 대응을 약 300시간에서 최대 50시간으로 줄였습니다. CJ대한통운 북미 법인은 2010년부터 쓰던 TMS 벤더와 운송사 연락 에이전트를 약 두 달 만에 배치했습니다. 포스코홀딩스는 그룹 표준 온톨로지 위에 자체 SLM과 프런티어 LLM의 역할을 나눈 설계를 공개했습니다. 따라 하려면 대상 업무의 기준 시간, AI가 읽을 데이터와 지식의 정의, 사람에게 넘길 조건을 먼저 정해야 합니다.

요약

이번 묶음은 11월 3일부터 6일까지 나온 기업 AX 기사 4건입니다. 뉴스인사이드는 LG 계열사들이 엑사원(EXAONE) 계열 AI를 공정, 소재 탐색, 고객센터에 적용한 결과를 정리했습니다. 폴리뉴스는 포스코홀딩스 윤일용 AI로봇융합연구소장이 11월 18일 국회 포럼에서 발표할 ‘AI 기반 4대 혁신’ 자료를 미리 소개했습니다. 그 안에 그룹 표준 온톨로지 PFO와 업무별 모델 분업 설계가 들어 있습니다. Forbes의 Steve Banker는 CJ대한통운 북미 물류 법인이 기존 TMS(운송관리시스템) 벤더 Infios와 함께 운송사 상태 확인 에이전트를 배치한 과정을 COO 인터뷰로 다뤘습니다. 디일렉은 CJ올리브네트웍스의 3분기 실적에서 AI 팩토리 같은 공간 구축 사업은 크게 늘고 기업 업무 AX 사업은 제자리였다고 전했습니다.

네 기사 한눈에 보기 · 수치는 회사 발표 기준

네 회사가 AI를 붙인 곳은 모두 이미 데이터나 지식이 쌓여 있던 업무입니다. LG이노텍은 적은 데이터로도 공정 조건과 품질의 관계를 추론해 재학습 부담을 덜었습니다. CJ대한통운은 새 LLM 업체 대신 쓰던 TMS 벤더를 골라 연동과 데이터 중복 걱정을 덜었습니다. 구상부터 배치까지는 약 두 달이 걸렸습니다. 포스코홀딩스는 고숙련 인력의 퇴직에 대비해 현장 지식을 사람과 기계가 함께 읽는 온톨로지로 옮기고 민감한 사내 데이터는 자체 모델 안에서만 다루게 했습니다. CJ올리브네트웍스는 같은 분기 AX 매출 증가가 AI팩토리 같은 공간 구축 사업에서 나왔고 기업 업무 AX 매출은 그대로였습니다. 아래에서 기사별 사실을 정리하고 공통 흐름을 따라 만들 때 필요한 기술과 현업 디테일을 덧붙입니다.

네 사례를 묶어 본 공통 흐름 · AX Review 정리

사례별 정리

LG 계열사: 공정·소재·고객센터 업무에 엑사원을 붙여 걸리던 시간을 줄였다

상황: LG이노텍은 공정 조건이 바뀔 때마다 데이터를 다시 모으고 AI를 재학습해야 했습니다. LG생활건강은 탈모 관리 신소재 후보를 찾는 데 오래 걸렸고 LG유플러스 고객센터는 상담사 연결을 기다리는 시간이 길었습니다.
한 일: LG이노텍은 공정 조건과 품질 정보를 분석하는 엑사원 태뷸러를 적용했고 재학습 없이 품질을 검사하는 엑사원 옴니인스펙트는 연내 실제 검사 공정에 넣을 계획입니다. LG생활건강은 엑사원 디스커버리(EXAONE Discovery)로 후보물질을 검토했습니다. LG디스플레이는 공정 데이터를 학습한 자체 AI 생산체계로 OLED 공정의 이상 징후를 실시간으로 잡고 원인을 분석합니다. LG화학은 물질 특성과 합성 가능성을 예측하는 엑사원 케미칼 에이전트와 데이터 생성 플랫폼 엑사원 데이터 파운드리를 씁니다. LG유플러스는 AI가 고객 문의를 분석해 상담사에게 필요한 정보를 실시간으로 건넵니다.
결과(회사 발표): LG이노텍은 약 14일, 300시간이 걸리던 작업에서 바뀐 조건을 최대 50시간 안에 추론해 대응 시간을 약 85% 줄였습니다. LG생활건강은 42만 개 후보물질을 검토해 신소재 람시딜(Rhamsydil)을 하루 만에 찾았고 예전에는 약 22개월이 걸렸습니다. 내년 제품화를 목표로 후속 개발 중입니다. LG디스플레이는 품질 개선 기간을 평균 3주에서 2일로 줄였고 연간 2,000억 원 이상의 비용 개선 효과를 냈습니다. LG화학은 전문가 60명이 3개월 걸릴 데이터 작업을 1명이 하루에 처리할 수 있다고 밝혔고 실증에서 데이터 생산성은 최소 1,000배, 품질은 평균 20% 이상 나아졌습니다. LG유플러스는 연결 대기시간을 47초에서 5초로, 상담시간을 2024년보다 16% 줄였습니다.
다음 계획: LG AI연구원은 AI가 실험을 설계하고 로봇이 수행하는 자율실험실을 올해 말 24시간 가동할 계획입니다. 금융 특화 AI 엑사원 BI는 국내외 8,000개 이상 상장 종목의 투자 판단을 돕습니다.
출처: 뉴스인사이드 · 김아라 기자, 2026년 11월 3일

LG 계열사별 AI 적용 전후 · 회사 발표 수치, LG화학은 가능하다고 밝힌 처리량

LG이노텍 공정 조건 변화 대응 시간 · 0 기준 막대, 회사는 약 85% 단축이라고 밝힘

포스코홀딩스: 그룹 표준 온톨로지 PFO 위에 업무별 온톨로지를 쌓고 자체 SLM과 프런티어 LLM에 일을 나눠 맡긴다

상황: 고숙련 작업자의 정년퇴직과 비수도권 사업장의 인력 확보 부담이 전통 산업의 과제로 꼽혔습니다. 제강 같은 단위공정마다 개인 숙련에 기대는 작업이 수십 개 있습니다.
한 일: 지식 축에서는 온톨로지(개념과 관계를 기계가 읽을 수 있게 정의한 지식 구조)를 네 층으로 쌓습니다. 맨 아래는 ISO 국제표준 상위 온톨로지 BFO, 그 위에 그룹 표준 PFO(POSCO Foundation Ontology), 다시 제선·압연·구매·인사 같은 업무별 도메인 온톨로지(DCO), 맨 위에 고로 설비정비(하위 온톨로지와 추론기)와 제선 조업진단(조업 로직과 규칙엔진) 같은 응용 지식모듈이 올라갑니다. 단일 진실 공급원(Single Source of Truth)을 두고 거기서 파생한 지식은 따로 검증하며 용접 같은 동작 암묵지도 대상에 넣습니다. 지식 갱신은 다섯 단계입니다. AI가 도메인 온톨로지를 자동으로 만들고 인터뷰와 문서를 더해 요약을 고칩니다. 그다음 역량 질문(CQ)으로 검증하고 사람이 확인(HITL)합니다. 지식 공백을 찾고 출처·갱신일·버전을 관리합니다.
모델 분업: 지능 축에서는 오픈웨이트 모델로 만든 자체 특화 SLM(소형언어모델)과 프런티어 LLM을 섞어 씁니다. 단순 조회는 SLM이 Text2SQL로 혼자 처리합니다. 민감 데이터 분석은 SLM이 비식별화하고 프런티어 모델은 계획만 세우며 실행과 최종 출력은 SLM이 맡습니다. 복합 분석은 프런티어 모델이 계획하고 SLM이 사내 데이터를 조회한 뒤 프런티어 모델이 종합합니다. 일반 지식과 글쓰기는 프런티어 모델이 혼자 합니다. SLM은 철강 코퍼스로 추가 사전학습(CPT)을 하고 철강 질의응답·RAG·Text2SQL·도구 호출 데이터로 미세조정(SFT)한 뒤 강화학습을 거칩니다.
결과(발표 자료): 자체 특화 모델은 greedy 65.2점, pass@5 75.0점으로 GPT-5.4(60.5점, 70.5점)보다 높게 나왔습니다. 평가 과제와 데이터셋, 생산성이나 비용 같은 현장 경영 성과는 기사에 나오지 않습니다.
나머지 두 축: 설비 축에서는 가동 중인 설비에 센서·AI·제어를 붙여 GTSU 무인화, 선재크레인, 코일하차크레인에 적용했습니다. GTSU는 LiDAR 센서 3대와 엔비디아 Isaac Sim 합성데이터로 공간을 인식합니다. 공정 축에서는 여러 AI 에이전트가 협상하는 ‘자율 협조 최적화’와 제강 원터치 조업을 목표로 둡니다.
출처: 폴리뉴스 · 정보영 기자, 2026년 11월 4일(발표는 11월 18일 예정)

포스코홀딩스 지식체계의 계층 · 발표 자료 기준으로 AX Review가 다시 그림

업무 유형별 분업 · 앰버 칸이 프런티어 LLM, 나머지는 자체 SLM

greedy 점수 · 발표 자료 기준, 평가 과제와 데이터셋은 기사에 나오지 않음

CJ대한통운 북미 법인: 쓰던 TMS 벤더 Infios와 운송사 상태 확인 에이전트를 약 두 달 만에 배치했다

상황: CJ대한통운의 북미 물류 법인(CJ Logistics)은 미국·캐나다·멕시코에서 68개 시설, 2,500만 제곱피트 창고를 운영하고 연간 40억 달러어치 화물을 움직입니다. 올해 매출은 11억~12억 달러로 예상됩니다. EDI와 실시간 가시성 도구를 써도 운송사와 기사가 상태 업데이트를 보내지 않는 일이 잦았고 직원이 이메일과 전화로 묻는 연락도 자주 무시당했습니다. 하루에 추적하는 화물은 수천 건입니다. AI 도입 전 현장 운송사 응대팀은 시간의 20~30%를 필요한 정보를 모으는 데 썼습니다.
한 일: LLM 업체와 새로 만드는 대신 2010년부터 쓰던 TMS 벤더 Infios(옛 MercuryGate)와 에이전트를 만들었습니다. Brad Nuffer COO는 새로 만들면 연동을 따로 구축하고 같은 원천 데이터를 여러 벌 관리해야 할 것을 걱정했고 벤더가 자기 시스템의 워크플로 트리거를 이미 안다는 점에 설득됐습니다. 에이전트는 상태를 보내지 않은 운송사에게 운송사별로 고른 채널(자동 음성 전화 또는 이메일)로 연락합니다. 시간 간격을 두고 다시 묻고 답이 없으면 말투를 더 단호하게 바꿉니다. LLM이 답변에서 지연 사유 코드(교통 체증, 창고 대기 연장 등)와 정보 출처 같은 맥락을 뽑습니다. 유효한 위치와 쓸 만한 정보가 있으면 TMS가 받아 워크플로 단계를 닫고 답이 부족하면 사람에게 넘깁니다.
결과(회사 설명): 구상에서 완전 배치까지 약 두 달이 걸렸고 이후 후속 단계를 여러 개 더했습니다. 경영진은 수익이 좋다고 보고 줄어든 시간을 더 가치 있는 일에 돌린다고 했습니다. ROI 모델은 필요한 연락 횟수와 한 번에 드는 시간으로 계산합니다. 정확한 ROI 비율이나 금액은 밝히지 않았습니다. 요금은 쓴 토큰 수로 내고 모델은 Infios가 고르며 단순한 일에는 싼 모델을 씁니다. 걸려 오는 전화는 거는 전화보다 복잡해 토큰이 더 듭니다.
배운 점: 에이전트가 다음 행동을 정하려면 기억 객체(memory object)와 규칙 세트가 있어야 했고 이를 정하면서 업무 절차를 다시 논의하게 됐습니다. Nuffer COO는 이를 “an awesome set of process discussions”라고 표현했습니다.
다음 계획: 월마트·타깃처럼 받는 쪽마다 절차가 다른 입고 예약은 여러 에이전트로 풀 계획입니다. 배송 증빙(POD) 누락을 TMS에서 표시해 사람이 처리하게 하는 일, 최적화·운송사 협상·경로를 돕는 의사결정 에이전트도 다음 과제입니다. Infios WMS 위에서 마감 시간, 서비스 수준, 공간 활용, 하루 작업 우선순위를 다루는 창고 에이전트는 6개월째 검토 중이며 어느 에이전트부터 만들지 고를 ROI 모델을 짜고 있습니다.
출처: Forbes · Steve Banker, 2026년 11월 4일

운송사 상태 확인 에이전트의 작동 순서 · Forbes 기사 기준으로 다시 그림

벤더 선택의 근거 · COO 발언을 바탕으로 정리

CJ올리브네트웍스: 3분기 스마트스페이스 AX 매출은 112% 늘고 엔터프라이즈 AX는 998억 원으로 제자리였다

상황: CJ CGV가 6일 발표한 자회사 실적에서 CJ올리브네트웍스의 3분기 매출은 2,242억 원으로 9.7%, 영업이익은 165억 원으로 9.1% 늘었습니다. 3분기 누적 매출은 6,906억 원으로 17% 늘었습니다.
부문별: AI팩토리, 물류시설, AI 데이터센터(AIDC), VFX 스튜디오를 짓고 운영하는 스마트스페이스 AX는 172억 원으로 전년 81억 원에서 112% 늘었습니다. 회사는 AI팩토리와 VFX 스튜디오 수주가 늘어난 덕이라고 설명했습니다. 식품·물류·유통·엔터테인먼트 산업별 AI 전환 서비스를 맡는 엔터프라이즈 AX는 998억 원으로 전년 1,000억 원에서 0.2% 줄었고 전체 매출의 45%를 차지합니다. 데이터·마케팅 플랫폼은 21%, 미디어 AI는 13%, ITO는 6% 늘었습니다.
해석(회사 설명): 영업이익이 늘어난 이유로 회사는 AI 네이티브 업무체계를 도입해 생산성이 오르고 원가가 줄었다는 점을 꼽았습니다. 앞으로 AI 데이터센터, AI팩토리, 물류 분야 신규 수주를 늘릴 계획입니다.
출처: 디일렉 · 김성진 전문기자, 2026년 11월 6일

CJ올리브네트웍스 3분기 부문별 매출 · 단위 억 원, 0 기준 막대

기술 디테일: 이미 가진 데이터와 시스템 위에 AI를 올리려면

아래는 네 사례의 공통 흐름을 따라 만들 때 필요한 것입니다. 기사에 나온 내용이 아니라 AX Review가 덧붙인 실행 방법이며 필드명과 수치는 모두 가상 예시입니다.

공정 조건이 바뀔 때 표 형식 모델로 대응하려면 ‘조건 변화’ 자체를 기록 단위로 삼습니다(LG이노텍 패턴). 설비, 자재 로트, 레시피가 바뀔 때마다 change_id, changed_at, change_type(설비·자재·레시피), before, after를 남깁니다. 변경 뒤 첫 로트들의 공정 조건과 품질 측정값을 같은 표 형식으로 붙입니다. 엑사원 태뷸러 같은 표 형식 모델에는 이 소량 데이터와 과거 이력을 함께 넣습니다. 출력은 predicted_quality, interval_low, interval_high, recommended_range처럼 예측 구간과 추천 조건 범위로 받습니다. 예측 구간이 품질 규격 경계를 넘으면 자동 추천을 멈추고 엔지니어 검토로 돌립니다. 엔지니어 판정(decision: 채택·수정·기각)과 실측값의 차이를 쌓아 두면 다음 조건 변화 때 모델을 평가할 자료가 됩니다. 시간 단축을 말하려면 변경 건마다 first_good_lot_at(첫 양품 로트 시점)까지 걸린 시간을 재야 회사가 밝힌 300시간 대 50시간 같은 비교가 가능합니다.

가상 예시 · 필드명과 순서는 AX Review가 만든 것

온톨로지를 쌓을 때는 역량 질문(CQ) 목록을 먼저 만들고 그 질문에 답이 나오는지로 검증합니다(포스코홀딩스 PFO 패턴). 도메인마다 현장 전문가와 함께 “고로 풍구 파손이 잦을 때 먼저 볼 설비는?” 같은 질문을 30~50개 씁니다. AI가 정비 일지, 작업 표준, 인터뷰 녹취에서 개념과 관계 후보를 뽑으면 concept_id, parent(PFO 상위 개념), relation, source_doc, source_span, extracted_by, approved_by, version, updated_at을 붙입니다. 그룹 표준에 연결되지 않는 개념은 반영하지 않습니다. CQ를 그래프 질의로 돌려 답이 비는 질문이 지식 공백 목록이 되고 현장 전문가가 승인한 개념만 단일 진실 공급원에 들어갑니다. 파생 지식(요약, 추론 결과)은 원본과 다른 저장소에 두고 derived_from으로 원본 버전을 가리키게 해야 원본이 바뀔 때 다시 검증할 대상을 찾을 수 있습니다.

가상 예시 · 포스코홀딩스가 밝힌 갱신 단계를 실행 순서로 풀어 씀

SLM과 LLM 분업은 라우터의 분류 결과를 로그로 남겨야 운영할 수 있습니다(포스코홀딩스 4갈래 패턴). 라우터는 질의마다 task_type(조회·민감 분석·복합 분석·일반), has_sensitive, needs_internal_data, planner, executor, final_model을 JSON으로 냅니다. 분류는 자체 SLM이 하고 temperature는 0으로 둡니다. 민감 데이터가 걸린 질의에서 프런티어 모델에 넘기는 것은 계획에 필요한 스키마와 질문 요지뿐이고 원본 행과 개인정보는 넘기지 않습니다. 넘기기 직전 비식별화 결과를 정규식과 사전으로 한 번 더 걸러 실명·사번·거래처명이 남아 있으면 호출을 막습니다. 매주 라우팅 로그에서 200건을 뽑아 사람이 분류를 다시 매기고 민감 질의를 ‘일반’으로 잘못 보낸 건이 한 건이라도 나오면 분류 규칙을 먼저 고칩니다. 모델 비교는 회사 자체 평가 세트로 같은 질문을 greedy 한 번과 5회 샘플(pass@5)로 돌려 두 점수를 함께 봅니다.

가상 예시 · 필드명은 AX Review가 만든 것

외부 상대에게 연락하는 에이전트는 화물 단위 상태 기록과 종료 조건부터 정합니다(CJ대한통운 패턴). 기억 객체에 load_id, carrier_id, channel(전화·이메일), attempt_no, last_contact_at, tone_level, reason_code, location, info_source, confidence, status를 둡니다. 규칙 세트 예시는 이렇습니다. 상태 공백이 4시간을 넘은 화물을 대상으로 잡고 2시간 간격으로 최대 세 번 연락하며 시도마다 tone_level을 한 단계 올립니다. LLM 추출 결과의 location이 경로에서 벗어나거나 confidence가 0.7보다 낮으면 TMS에 바로 쓰지 않고 담당자 큐로 보냅니다. 세 번 연락해도 답이 없거나 부족하면 역시 담당자에게 넘깁니다. 비용은 연락 한 건마다 tokens_in, tokens_out, call_direction(걸기·받기)을 남겨 걸려 오는 전화처럼 비싼 유형을 따로 봅니다.

가상 예시 · 시간 간격과 횟수는 시작값, 운영하며 조정

효과는 ‘줄어든 연락·작업 횟수 × 건당 시간’으로 계산합니다(CJ대한통운 ROI 모델, LG 계열사 시간 지표). 시작 전 2주 동안 대상 업무의 건수와 건당 처리 시간을 사람 기준으로 잽니다. 에이전트가 사람 손을 거치지 않고 닫은 건수에 건당 시간을 곱한 값에서, 담당자 큐로 넘어온 건을 처리한 시간과 토큰 비용을 뺀 것이 순효과입니다. 사람에게 넘긴 비율(escalation_rate)도 함께 봐야 합니다. 이 비율이 높으면 자동화 건수는 많아 보여도 담당자 일이 줄지 않습니다.

현업 실행 디테일: 누가, 언제, 무엇을

공정 조건 대응, 사내 지식 질의, 외부 연락처럼 이미 데이터가 쌓인 업무 하나를 골라 8주 파일럿을 돌리는 경우를 예로 듭니다. 역할, 일정, 판정 기준은 모두 가상 예시입니다.

역할	담당	하는 일
업무 오너	공정기술 팀장, 운송관리 팀장 등	대상 업무 선정, 기준선 승인, 확대 결정
현장 전문가	숙련 엔지니어·운송 담당 2~3명	규칙과 CQ 작성, AI 결과 검토, 넘겨받은 건 처리
지식·데이터	데이터 엔지니어 1명, 온톨로지 담당 1명	조건 변화 기록, 개념 정의, 출처·버전 관리
AI 개발	AI 개발자 1~2명 또는 기존 시스템 벤더	라우터·에이전트 구현, 로그와 비용 집계
보안	정보보호 담당 1명	민감 데이터 기준, 외부 모델로 넘길 수 있는 항목 확정

준비물은 다섯 가지입니다. 대상 업무의 최근 3개월 처리 기록(건수, 건당 시간, 재작업), AI가 읽을 데이터와 문서 목록, 기존 시스템 벤더가 제공하는 AI 기능과 요금 방식, 사람에게 넘길 조건 초안, 민감 데이터 분류표입니다. 1~2주차에 기준선을 재고 데이터·문서 목록과 권한을 정리합니다. 3~4주차에는 필드와 규칙을 정하고 지난 건을 AI로 다시 처리해 사람의 실제 결정과 맞춰 봅니다. 5~6주차에는 새 건에서 AI와 사람을 나란히 돌리고 7~8주차에 업무 오너가 확대 여부를 정합니다.

8주 파일럿 일정 · 가상 예시

시작 전에 현업에 물을 질문입니다.

이 업무는 하루나 한 달에 몇 건이고 한 건에 몇 시간이 걸립니까?
그 시간 가운데 정보 모으기, 판단, 시스템 입력이 각각 얼마입니까?
쓰고 있는 시스템 벤더가 이 업무에 쓸 AI 기능을 이미 내놨습니까?
숙련자 한 명이 빠지면 가장 먼저 막히는 판단은 무엇입니까?
AI 결과가 틀렸을 때 누가 언제 알아차립니까?

진행 판정 기준(예시)은 이렇게 둡니다. 지난 건 재처리에서 담당자가 그대로 또는 조금 고쳐 쓴 AI 결과가 60% 이상이면 병행 운영으로 넘어갑니다. 병행 운영에서 건당 처리 시간 중앙값이 기준선보다 30% 이상 줄고 담당자에게 넘긴 비율이 30% 아래이며 민감 데이터가 외부 모델로 나간 사례가 한 건도 없으면 확대합니다. 온톨로지 과제라면 CQ 가운데 80% 이상에 근거 문서가 달린 답이 나오는 것이 확대 조건입니다.

AX 적용 제언. 물류·유통 고객사라면 CJ대한통운 유형부터 권합니다. 연락 횟수와 건당 시간으로 효과를 바로 잴 수 있고 쓰던 TMS·WMS 벤더의 에이전트 기능을 먼저 확인하면 연동과 데이터 중복 부담이 줄어 두 달 안팎의 일정이 현실적입니다. 제조 고객사라면 LG이노텍처럼 조건 변화가 잦은 공정 하나를 골라 ‘변경부터 첫 양품까지 시간’을 지표로 잡는 것이 경영진에게 보여 주기 쉽습니다. 숙련 인력 퇴직이 걱정인 중후장대 고객사에는 포스코홀딩스처럼 그룹 공통 상위 개념을 먼저 정하고 도메인 하나에서 CQ 검증까지 돌려 보는 순서를 권합니다. 도메인마다 따로 시작하면 나중에 개념을 맞추는 비용이 커집니다. CJ올리브네트웍스 실적처럼 공간·설비 구축 매출이 먼저 늘어나는 흐름에서는 업무 AX 과제에 기준선과 효과 계산식을 처음부터 붙여야 예산 경쟁에서 밀리지 않습니다.

원문 사례

#	회사	매체 · 기자 · 날짜	핵심 사실	원문
1	LG 계열사(LG이노텍, LG생활건강, LG디스플레이, LG화학, LG유플러스 외)	뉴스인사이드 · 김아라 · 2026.11.3	조건 변화 대응 약 300시간→최대 50시간(약 85%↓), 후보물질 42만 개 하루 검토(기존 약 22개월), 품질 개선 3주→2일, 연결 대기 47초→5초	기사
2	포스코홀딩스	폴리뉴스 · 정보영 · 2026.11.4	BFO→PFO→DCO→응용 지식모듈 4층 온톨로지, 업무 4갈래 SLM·LLM 분업, 자체 모델 greedy 65.2 / pass@5 75.0, 11월 18일 국회 포럼 발표 예정	기사
3	CJ대한통운 북미 법인	Forbes · Steve Banker · 2026.11.4	Infios TMS 위 운송사 상태 확인 에이전트, 구상→배치 약 2개월, 도입 전 응대팀 시간 20~30%가 정보 수집, 토큰 기반 요금	기사
4	CJ올리브네트웍스	디일렉 · 김성진 · 2026.11.6	3분기 매출 2,242억 원(+9.7%), 스마트스페이스 AX 172억 원(+112%), 엔터프라이즈 AX 998억 원(-0.2%, 매출의 45%)	기사

핵심 개념

엑사원 태뷸러: 엑사원 계열의 표 형식 데이터 분석 모델. LG이노텍은 공정 조건과 품질 정보를 적은 데이터로 분석해 조건 변화에 대응하는 데 썼다.
BFO: Basic Formal Ontology. ISO 국제표준으로 정한 상위 온톨로지로, 여러 분야 온톨로지가 공통으로 기대는 가장 일반적인 개념 틀이다.
PFO·DCO: 포스코그룹 표준 온톨로지(POSCO Foundation Ontology)와 제선·압연·구매·인사처럼 업무별로 만든 도메인 온톨로지.
CQ(역량 질문): 온톨로지가 답할 수 있어야 하는 질문 목록. 질문에 답이 나오는지로 지식 구조가 완성됐는지 확인한다.
HITL: Human-in-the-loop. AI가 만든 지식이나 결과를 사람이 확인하고 승인하는 단계를 절차 안에 넣는 방식.
Text2SQL: 자연어 질문을 데이터베이스 조회문(SQL)으로 바꾸는 기법. 포스코홀딩스는 단순 조회를 자체 SLM이 이 방식으로 처리하게 했다.
greedy·pass@5: 모델 평가 방식. greedy는 가장 확률 높은 답 하나로, pass@5는 다섯 번 생성해 하나라도 맞으면 정답으로 친다.
TMS·WMS: 운송관리시스템과 창고관리시스템. CJ대한통운 북미 법인은 Infios의 두 시스템을 쓰고 그 위에 에이전트를 올렸다.
컨트롤 타워 가시성: 여러 운송사와 화물의 위치·상태를 한 화면에서 보는 운영 체계. 운송사가 상태를 보내야 유지된다.

내 메모

TODO: 내 생각 추가

원문: 뉴스인사이드(김아라) 「[구광모 시대㊥] 공장 비용 줄이고 신소재 찾고…LG AI 혁신 가속」(2026.11.3), 폴리뉴스(정보영) 「[2026 상생과통일포럼·폴리뉴스 제27차 포럼] AI로 제조 경쟁력 다시 쓴다···포스코홀딩스 윤일용 소장, ‘4대 혁신’ 전략 제시」(2026.11.4), Forbes(Steve Banker) 「CJ Logistics Ongoing AI Journey」(2026.11.4), 디일렉(김성진) 「CJ올리브네트웍스, 3분기 영업익 9% 증가…엔터프라이즈 AX는 정체」(2026.11.6). 네 기사 모두 원문을 확인했습니다. 포스코홀딩스 내용은 11월 18일 발표 예정 자료를 기사가 미리 소개한 것이고 CJ올리브네트웍스 실적은 CJ CGV가 발표한 자회사 실적 기준입니다. 요약과 사례별 정리, 원문 사례는 기사에 나온 사실을 AX Review가 다시 정리했고 수치는 모두 회사가 밝힌 값입니다. 기술 디테일, 현업 실행 디테일, 인포그래픽과 표는 AX Review가 새로 작성했으며 필드명·시간 간격·일정·판정 기준은 가상 예시입니다. 전체 내용은 원문 기사에서 볼 수 있습니다.