AX로 가는 길에 가이드가 필요하다면

사내 문서만 아는 AI를 두려면 모델을 새로 학습시켜야 할까요. RAG가 문서를 어떤 순서로 찾아 답하는지, 대화창에 문서를 올리는 방식이나 파인튜닝과는 어디서 갈리는지, 도입을 검토하기 전에 문서 쪽에서 무엇부터 확인해야 하는지 정리했습니다.

Dify 도입 성패는 기능 목록이 아니라 우리 인원과 권한 구조에서 갈립니다. 무료판과 Enterprise가 실제로 무엇이 다른지, 사내 문서를 넣어도 안전한지, 도입 절차와 비용은 어떻게 잡히는지를 판단에 필요한 것만 모았습니다.

이미지 제작 주기를 6주에서 7일로 줄인 기업이 있지만, 콘텐츠 마케팅 조사에서 생산성이 올랐다는 응답은 87%인 반면 성과가 개선됐다는 응답은 39%에 그쳤습니다. 결과 편차와 웹 데이터 편중, 그리고 AI가 애초에 맡지 않는 구간까지 세 가지 이유를 공급사 공식 문서와 국내외 사례로 정리했습니다.

클라르나는 AI로 상담원 700명분의 업무를 처리했다고 발표했고, 이듬해 상담원을 다시 뽑기 시작했습니다. 어떤 문의부터 맡길 수 있는지, 공개된 해결률을 왜 그대로 기대하면 안 되는지, 사람에게 넘기는 흐름은 어떻게 설계하는지 실제 사례로 정리했습니다.

AI는 쓰고 싶은데 사내 데이터가 밖으로 나가는 것이 걸린다면 선택지가 좁아집니다. 온프레미스가 클라우드와 실제로 어디서 갈리는지, 망분리 환경에서는 왜 선택지가 더 줄어드는지, 우리 회사에 필요한지는 무엇으로 판단하는지 정리했습니다.

AI 채용을 도입하겠다는 500대 기업은 74.5%인데 실제로 쓰는 곳은 21.7%입니다. 유니레버와 치폴레, 로레알은 선발 판단만은 사람에게 남겼고, IBM과 히타치는 인사 행정에서 성과를 냈습니다. 무엇을 맡길 수 있고 무엇부터 검토해야 하는지 공개 자료로 정리했습니다.

챗봇을 켠 뒤에야 사내 문서가 어디까지 열려 있었는지 알게 되는 일이 실제로 있었습니다. 권한 정리를 끝낼 때까지 도입을 멈추지 않으면서 연결할 문서를 무엇부터 점검할지 네 단계로 정리했습니다. 쓰는 솔루션이 권한을 어디에 거는지에 따라 고칠 곳이 어떻게 갈리는지도 함께 담았습니다.

인바운드 리드 가운데 사람이 실제로 대응하는 비율은 25%뿐입니다. 영업팀에서 AI가 가장 먼저 맡는 일이 무엇인지, 성과를 공개한 기업들이 도입 전에 무엇을 갖춰 두었는지, 우리 팀은 어디부터 점검하면 되는지 실제 사례로 정리했습니다.

정부 소버린 AI 사업에서 나온 오픈웨이트 모델 Motif-3를 정리했습니다. Artificial Analysis 지능 지수 47점이 다른 모델과 견줘 어디쯤인지, 코딩과 에이전트 업무에서는 어느 항목이 앞서고 어디가 벌어지는지, 한국어는 어떻게 다루는지 살펴봤습니다. 사내 서버에 직접 올렸을 때 드는 GPU 전기료도 공개 요금표로 계산했습니다.

부서마다 AI 에이전트를 만들어 쓰는데 누가 무엇을 만들었는지 아는 사람이 없습니다. 거버넌스가 전담 조직을 만드는 일로 끝나지 않는 이유, 에이전트 한 대마다 무엇을 답할 수 있어야 하는지, 등록과 정책, 승인, 감사가 그 답을 어떻게 만드는지 정리했습니다.

재무·회계팀에서 AI가 필요하다는 응답은 95%인데, 실제 도입은 28%에 그쳤습니다. 그들이 AI를 어떤 업무부터 쓰고 있는지, 어디까지 맡기고 어디부터 사람이 봐야 하는지, 감사 대응에는 무엇이 필요한지를 공개된 조사결과와 사례로 정리했습니다.

앤트로픽은 평가 기록 141,006건을 되짚어 넉 달 전 사고를 찾아냈고, 정작 침해당한 조직들은 모르고 있었습니다. 사고를 발견할 수 있는 조직이 되기 위한 네 가지를 정리했습니다.

오픈AI와 앤트로픽 모델이 시험 환경을 벗어나 실제 기업을 침해했습니다. 앤트로픽은 이를 하네스와 운영의 실패로 규정했습니다. 사내 AI 에이전트에 그대로 옮겨지는 교훈을 정리했습니다.

같은 모델을 써도 조직마다 결과가 갈립니다. 문제는 모델이 아니라 하네스일 가능성이 높습니다. 에이전트 하네스가 무엇인지, Databricks 벤치마크가 보여준 비용 2배 차이는 어디서 왔는지, 개인 노트북에 남은 하네스를 회사 자산으로 옮기는 방법까지 정리했습니다.

기업들은 평균 12개의 AI 에이전트를 운영하지만 절반은 서로 연결되지 않은 채 혼자 일합니다. 멀티 에이전트 오케스트레이션이 왜 2026년의 핵심 과제인지, Dify 워크플로우로 에이전트 팀을 만드는 법과 함께 정리했습니다.

중국이 발표한 세계 최초의 AI 에이전트 정책 프레임워크와 2026년 8월 발효되는 EU AI Act 고위험 의무까지, 규제가 요구하는 HITL(Human-in-the-Loop)의 개념과 Dify Human Input 노드로 구현하는 방법을 정리했습니다.

2026년 7월 28일 발표된 MCP 스펙 대개편, 무엇이 바뀌었고 실무자는 무엇을 준비해야 할까요? 스테이트리스 전환의 의미와 Dify에서 MCP를 양방향으로 활용하는 법과 한국어 가이드까지 정리했습니다.

RAG 답변이 틀렸을 때 프롬프트를 고쳐도 나아지지 않는 이유. 모델에 무엇이 들어갈지 결정하는 건 검색 단계입니다. 청킹, 메타데이터, 지식베이스 구조까지 AI 시대 데이터 관리의 실행 지점을 정리했습니다.

Gemini 3.6 Flash의 진짜 개선점은 성능이 아니라 '토큰 팽창'을 잡은 것. 출력 토큰 17% 절감과 인하된 단가가 Dify 워크플로 비용에 어떻게 직결되는지, 실무자 관점에서 정리했다. 또 Dify에 얹었을 때의 이점까지 짚었다.

Kimi K3와 Claude Opus 4.8의 API 가격 격차는 3배가 아닌 1.7배입니다. 요금제 제약, 벤치마크 조건, 가중치 공개 일정까지 원자료로 확인한 5단계 검증 기록.

전쟁으로 AWS 데이터센터가 드론에 피격되자 멀쩡하던 회사들 서비스까지 멈췄어요. 우리 회사 AI와 데이터는 지금 어디서 돌아가고 있을까요. 클라우드 의존의 위험과 대비법을 정리했어요.

사람 없이 AI 에이전트가 서버 침투부터 데이터 암호화, 협박문 작성까지 스스로 해낸 첫 자율형 랜섬웨어 '제이드퍼퍼'. 사건의 핵심과 AI 도입 기업이 지금 점검해야 할 것을 정리했습니다.

쓰던 AI 모델이 하루아침에 막히면 우리 업무는 멈출까. Claude Fable 5 '18일 공백' 사건으로 본 모델 종속 리스크와 멀티모델·거버넌스 대응 전략.

AI와 MCP로 구글 API 1,500개를 자동 테스트해 7억 원 버그 바운티를 받은 사례. 검증 가능한 AI 워크플로가 왜 핵심인지 풀어봤습니다.

애플 Siri AI·Gemini·Private Cloud Compute가 보여준 데이터 주권. 오픈웨이트 모델과 Dify로 AI를 내 울타리 안에서 돌리는 법

2026년 금융권 망분리 완화로 SaaS와 보안 목적 AI는 풀렸지만, 고객 개인신용정보와 코어뱅킹은 여전히 막혀 있습니다. 풀린 영역과 막힌 영역을 가르는 기준, 그리고 내부망에서 AI를 직접 운영하는 방법까지 실무 관점에서 짚어봅니다.

AI 에이전트는 30분이면 만드는데 왜 운영까지는 두 달이 걸릴까요. 경영진이 자주 놓치는 마지막 단계 이야기를 풀어봤습니다. 그리고 Dify는 이 문제를 어떻게 보고 활용할 수 있도록 설계되어 있을까요.

젠슨 황은 한국에 GPU를 팔겠다고 했지, 투자하겠다고는 하지 않았다. 대만엔 200조를 약속한 그가 한국에서 끝내 비워둔 세 마디를 짚어본다.

AI 에이전트는 왜 실패할까요? MIT NANDA의 95% 실패율과 카네기멜런 벤치마크를 짚고, 컨텍스트 엔지니어링·운영 인프라·거버넌스라는 살아남은 5%의 조건을 현장 관점에서 풀었습니다.

Dify 에서 Exel 과 같이 정형적인 데이터를 다룰 때 어떤 것이 더 효과적일까?

2026년 AI EXPO에 Dify로 만든 실무에 바로 적용 가능한 AI에이전트 사례를 소개하기 위해 참가했습니다. 방문객에게 시연, 체험할 수 있는 부스를 운영해 많은 방문객들의 관심을 받으며 뜨거웠던 그 현장을 스케치 합니다.

Gemini 3.5 Flash가 속도 4배, 가격 3배로 출시됐습니다. 단순한 모델 업데이트가 아닌 AX팀이 반드시 읽어야 할 3가지 신호 — 에이전트 시대 진입, 프런티어 가격 인플레이션, 그리고 모델 추상화의 부상.

아마존 직원들은 AI 사용량을 부풀리고, 메타 직원들은 에이전트를 찾는 에이전트를 만들고 있습니다. 왜 이런 일이 벌어지는 걸까요? 기업 AI 에이전트 도입이 실패하는 진짜 이유와 올바른 시작점을 알려드립니다.

Claude, Gemini, OpenAI Ollama 비교

Dify Agent를 통한 RAG Text-to-SQL과 API 자동화

Dify의 RAG를 결합한 Text-to-SQL 구현을 통해 다중 테이블 JOIN 및 쿼리 정확도를 높이는 방법입니다.

 dify-sandbox-py 활용법