AX로 가는 길에 가이드가 필요하다면

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.

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.

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.

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.

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

본 예제를 학습하시기 전에 docker 이미지를 교체해 주세요

Omni는 Slack, Gmail, Jira를 하나로 연결하는 오픈소스 AI 검색 플랫폼입니다. 어떻게 작동하는지, 그리고 AI 업무 자동화를 고민하는 팀이 다음에 봐야 할 것은 무엇인지 정리했습니다.

한 줄짜리 코드 수정이 인증 시스템을 무너뜨릴 뻔했습니다. 이 문제를 잡은 건 사람이 아니라 AI 에이전트였습니다. Anthropic이 내부에서 먼저 검증한 멀티에이전트 코드 리뷰 시스템의 작동 원리와, 이 구조를 우리 조직 업무에 적용하는 방법까지 정리해보았습니다.

AI 에이전트 개발 플랫폼 Dify의 한국 첫 공식 밋업 현장 리뷰. 120명이 모인 이유, 실무자들의 도입 사례와 인사이트를 직접 담았습니다.

AI 에이전트 도입, 왜 아이디어는 넘치는데 실행은 안 될까요? 가트너가 경고한 2026년 격차와 실무에서 검증된 Dify 활용법을 정리했습니다.

Google DeepMind의 최신 이미지 생성 모델 Nano Banana 2(Gemini 3.1 Flash Image)가 공개됐습니다. Nano Banana Pro의 고급 기능과 Flash 속도를 결합, 4K 해상도·주제 일관성·정밀 텍스트 렌더링까지 실무 현장에서 바로 쓸 수 있는 스펙으로 돌아왔습니다.

Claude가 챗GPT를 제치고 앱스토어 AI 앱 1위에 올랐습니다. 하지만 Claude 앱만으로는 기업 업무 자동화에 한계가 있습니다. Dify와 연동했을 때 Claude의 단점이 어떻게 보완되고, 실무에서 어떤 시너지가 나오는지 실제 경험을 바탕으로 정리했습니다.

Dify를 통하여 HyDE(Hypothetical Document Embeddings)를 구현하여 응답의 정확도를 높이는 방법입니다.

Dify를 통하여 Human-in-the-loop 구현하여 AI Agent와 함께 일하는 방법에 대해 알아봅시다.

AI가 혼자 결정하고 실행하는 워크플로우는 생각보다 훨씬 위험합니다. 에어캐나다는 챗봇 하나 때문에 법원에서 배상 판결을 받았고, 맥도날드는 3년을 투자한 AI 시스템을 결국 전면 중단했습니다. 이 글에서는 실제 사고 사례부터 Human-in-the-Loop(HITL)의 개념, 그리고 Dify로 이를 실제로 구현하는 방법까지 정리했습니다.

OpenClaw가 증명한 Agentic AI의 가능성, 기업이 안전하게 도입하려면? 개인용 AI 에이전트의 보안 한계와 엔터프라이즈 솔루션 Dify를 비교합니다.