블로그 목록으로 
94
B2B 영업의 성패는 고객의 요구를 얼마나 정확하고 빠르게 파악하느냐에 달려 있습니다.
문제는, 그 요구가 단순하지 않다는 점입니다. 특히 승강기 산업처럼 건물 구조와 법규에 따라 수천 가지 사양이 조합되는 주문 제작형 제조업에서는 수십 페이지의 RFQ(견적요청서)와 복잡한 시방서가 영업의 첫 관문이 됩니다.
실제 저희가 만난 글로벌 제조 기업도 같은 고민을 안고 있었습니다. 승강기는 적재 하중, 속도, 제어 방식 등 다양한 조건을 동시에 고려해야 하는 정밀한 장비이다 보니, 담당자는 늘 방대한 시방서를 펼쳐놓고 수치와 단위를 하나씩 대조한 뒤, 매칭되는 항목을 일일이 입력해야 했습니다. 그리고 이러한 과정은 수주 대응 속도를 낮추는 결정적인 병목으로 작용하고 있었습니다.
라온피플은 이 문제를 해결하기 위해 ‘시방서 영업스펙 추출 에이전트’를 설계했습니다.
이 에이전트는 시방서를 업로드하면, 사전에 정의된 특성명·특성코드·키워드 정보를 기반으로 스펙을 자동 추출하고 CRM 항목에 매핑까지 완료하는데요. 그 결과 시방서 분석에 소요되던 시간을 50%이상 단축할 수 있었습니다.
어떻게 이러한 변화가 가능했는지, 지금부터 자세히 살펴보겠습니다.
라온피플은 이렇게 해결했습니다.
1단계: 시방서를 AI가 읽는 데이터로 바꾸다
영업의 설계도라 할 수 있는 시방서는 AI가 다루기에는 까다로운 문서 중 하나입니다. 단순히 텍스트를 읽는 것을 넘어, 우리 회사의 제품 맥락을 이해하고 복잡한 문서 구조를 파악해야 하기 때문입니다. 우리는 이 과정에서 마주하는 두 가지 벽을 Hi FENN DeepScan 기술로 돌파했습니다.
- 첫 번째 벽, 정보의 비대칭성: AI는 우리 회사의 제품 특성이나 견적에 필요한 핵심 항목을 미리 알지 못합니다. 맥락 없이는 무엇이 중요한 데이터인지 판단하기 어렵습니다.
- 두 번째 벽, 문서의 복잡성: 시방서는 텍스트, 도면, 이미지가 혼재되어 있으며 고객사마다 용어와 양식이 제각각입니다. 단순히 키워드만 찾는 방식으로는 문장 속에 숨은 핵심 스펙을 놓치기 쉽습니다.
🔍 텍스트 너머의 ‘계층 구조’를 읽는 VLM 딥 스캔 기술
시방서의 핵심 정보는 대부분 표(Table) 안에 담겨 있습니다. 하지만 승강기의 ‘용량(Capacity)’ 스펙을 예로 들어보면, 대부분의 시방서에는 “용량: 900kg”이라고 친절하게 적혀 있는 경우는 드뭅니다. 대신 ‘정원’이라는 상위 항목 아래, ‘인승’과 ‘kg’이라는 하위 항목이 나뉘어 있고, 그 아래에 각각 ‘13’과 ‘900’이라는 값이 대응되는 복합적인 구조를 취합니다.
이때 중요한 것은 숫자 그 자체가 아니라 이 값들이 어떤 항목과 연결되어 있는지를 이해하는 것입니다.
- 일반 AI: “용량”이라는 키워드가 없으면 스펙 추출에 실패하거나, 맥락 없는 숫자만 가져옵니다.
- DeepScan: VLM(Vision Language Model) 기반으로 레이아웃을 분석합니다. 병합된 셀이나 다단계 헤더 등 인간의 눈으로 보아야 파악되는 시각적 계층 관계를 AI가 그대로 인지합니다.
👀 지능적 임베딩: 전문가의 눈으로 데이터를 분류하다
DeepScan은 단순히 글자를 긁어모으는 일반 파서와 달리, 정원 → kg → 900과 같은 데이터 간의 연결 고리를 유지한 상태로 정보를 저장(임베딩)합니다.
이러한 지능적 임베딩 덕분에 사용자가 “용량 값을 찾아줘”라고 요청하면, AI는 표 내의 구조적 관계를 역추적하여 ‘975kg’ 또는 ‘1125kg’ 같은 값을 정확한 맥락과 함께 찾아낼 수 있습니다.
이처럼 DeepScan은 파편화된 시방서에서 단순히 정보를 찾는 수준을 넘어, AI가 문서를 사람처럼 입체적으로 이해하게 만듭니다. 이 정교한 변환 과정은 복잡한 시방서 속에서 단 하나의 스펙도 놓치지 않고 완벽한 견적을 뽑아낼 수 있는 탄탄한 기초가 됩니다.
2단계: 하이브리드 리트리벌 (Hybrid Retrieval)
현장의 언어를 시스템의 언어로 연결하다
문서 파싱을 통해 데이터를 확보했다면, 이제 이 값들을 사내 CRM 체계인 [특성명 – 특성코드 – 특성값]에 정확히 매핑해야 합니다. 예를 들어, 시방서에서 찾아낸 “13인승/900kg”이라는 정보를 CRM 내의 ‘용량(EL_ACAPA)’ 코드와 연결하여 실질적인 견적 데이터로 만드는 작업이라고 할 수 있습니다.
📚 같은 의미, 다른 표현: ‘키워드 데이터베이스’ 구축
여기서 가장 큰 난관은 고객사마다 사용하는 용어가 전부 다르다는 점입니다.
“적재 하중: 1,000kg” / “최대 하중 975kg” / “정격 용량 1,125kg” / “Capacity: 1,200kg”
이처럼 ‘적재 하중’, ‘정격 용량’, ‘Capacity’처럼 표현은 모두 다르지만, CRM에서는 이 값들이 모두 동일한 ‘용량(EL_ACAPA)’ 코드로 매핑되어야 합니다. 이를 위해 우리는 현장에서 쓰이는 다양한 표현들과 시스템 코드를 사전에 매핑한 ‘키워드 데이터베이스’를 구축했습니다. AI가 어떤 표현을 어떤 코드로 해석해야 하는지에 대한 ‘기준점’을 세운 것입니다.
🧩 하이브리드 리트리벌(Hybrid Retrieval): 정확도와 유연성의 결합
이 데이터베이스를 바탕으로, 우리는 두 가지 검색 방식을 결합한 하이브리드 리트리벌 방식을 적용해 매핑의 완결성을 높였습니다.
- 키워드 검색(Term Frequency): 정의된 키워드와 정확히 일치하는 구간을 찾습니다. 명확한 규격이나 코드 값을 매칭할 때 매우 빠르고 정밀합니다.
- 벡터 검색(Semantic Similarity): 키워드가 조금 달라도 맥락상 유사한 표현을 찾아냅니다. “적재 하중”과 “Capacity”를 같은 코드로 연결하는 유연함을 발휘합니다.
단순 키워드 방식의 ‘엄격함’과 벡터 방식의 ‘유연함’이 상호보완하며, 유사 개념 간의 혼동을 최소화하고 정확도는 극대화했습니다. 그 결과, 영업 담당자가 일일이 문서를 대조하며 CRM에 수동으로 입력하던 번거로운 작업이 완전히 자동화되었고, 데이터 입력의 속도와 정확도를 함께 개선할 수 있었습니다.
3단계: 에이전틱 리즈닝(Agentic Reasoning)
단어 너머의 ‘기술적 의도’를 파악하는 지능을 더하다
앞선 과정을 통해 문서의 구조 해석과 특성코드 매핑을 자동화했지만, 마지막 한 가지 숙제가 남았습니다. 시방서의 모든 조건이 항상 명확한 키워드나 숫자로 표현되지는 않는다는 점입니다. 특히 핵심 스펙이 여러 문장에 걸쳐 간접적으로 흩어져 있을 때, 기존의 키워드 기반 시스템은 한계에 부딪힙니다.
우리는 이러한 ‘의도 기반 정보’까지 정확히 판단하기 위해 에이전틱 리즈닝(Agentic Reasoning)을 적용했습니다.
🧠 키워드 검색의 한계를 넘는 ‘문맥적 판단’
대표적인 사례가 승강기 견적의 필수 항목인 ‘이중방진 조건’ 판단입니다.
잠깐! 방진(防振)고무란?
승강기 모터의 진동이 건물로 전달되지 않도록 바닥에 설치하는 고무 패드입니다. 소음에 민감한 건물의 경우 이 고무를 두 겹으로 쌓는 ‘이중방진’을 필수로 요구합니다.
문제는 실제 시방서에 “이중방진 적용”이라는 명확한 단어가 없는 경우가 많다는 것입니다. 대신 다음과 같이 기술되곤 합니다.
”1차 방진고무를 설치하며, 기계대 하부에 2차 방진고무도 추가로 설치한다.“
- 기존 방식: ‘이중방진’이라는 특정 키워드가 없으면 조건을 인식하지 못하거나, 중요한 스펙을 놓칠 위험이 큽니다.
- 에이전틱 리즈닝: 단어를 찾는 대신 문맥을 읽습니다. ‘1차’와 ‘2차’ 방진고무가 함께 설치된다는 정보를 종합적으로 해석해, CRM의 이중방진 여부를 자동으로 ‘적용’이라 판단합니다.
이처럼 에이전트는 용어가 명시되지 않아도 문장 간의 관계를 이해해 숨은 의미를 도출합니다. 더 나아가, 문서 내에서 한 번 정의된 설계 기준을 일관된 규칙으로 인식하고 이후 연관 항목에도 자동으로 확장 적용합니다. 결과적으로 사람이 일일이 조건을 대조하고 반복 입력하지 않아도, AI가 문맥과 설계 의도를 완벽히 이해하여 전문가 수준의 판단을 수행하게 됩니다.
검토 시간 50% 단축, 이제 ‘분석’ 대신 ‘확인’으로 가볍게!
이러한 3단계의 혁신을 통해 고객사는 다음과 같은 실질적인 성과를 거두었습니다.
- 검토시간 50% 단축: 매년 반복되던 시방서 검토 및 CRM 입력 시간이 절반으로 줄어들었습니다.
- 리드타임 절반 단축: 견적 제출까지 평균 2주가 소요되던 업무가 1주 이내로 짧아졌습니다.
- 업무 효율 극대화: 영업 담당자는 이제 번거로운 검토 과정을 수행할 필요 없이, AI가 제안한 데이터의 근거를 최종 ‘확인’하기만 하면 됩니다.
살아있는 AX(AI Transformation)의 실현
단순히 기술적 트렌드를 쫓는 것을 넘어, 현장의 페인 포인트(Pain Point)를 명확히 해결하는 것이 AI의 본질입니다. 이번 프로젝트를 통해 우리는 파편화된 데이터를 ‘표준 데이터’로 재정의하고, 개인의 역량 차이를 메워주는 ‘지능형 워크플로우’를 구축했습니다.
시스템화된 업무 프로세스는 급변하는 시장에서 강력한 무기가 됩니다. Hi FENN Works가 제안하는 기술 영업의 미래, 비즈니스 성과로 직결되는 살아있는 AX를 지금 경험해 보시기 바랍니다.
