불과 2년 전, 우리는 LLM이 시를 쓰고 코드를 짜는 모습에 경도되었습니다. 하지만 대부분은 보고용 발표 자료로 소모되거나 신기한 데모 수준에서 멈춰 서 있습니다. 실제 비즈니스 현장에서 AI가 돈을 벌어다 주는 프로젝트는 여전히 희귀하죠.

모델은 나날이 똑똑해지고 데모는 정교해지는데, 왜 우리가 일하는 방식은 그대로일까요? 그 이유는 우리가 AI를 말하는 비서로만 대우했기 때문입니다.

최신 거대언어모델(LLM)을 기존 업무에 단순하게 붙이는 식의 접근은 이제 임계점에 도달하고 있습니다. 이제는 AI를 도구로 대하는 관성에서 벗어나, AI가 직접 업무를 수행하고 책임을 지는 일하는 환경을 설계해야 합니다. 이것이 바로 Applied AI(응용 AI)로의 전환입니다. 

이번 블로그 아티클은 비즈니스의 실질적 가치를 만들어내는 Vertical(Applied) AI의 본질을 해부합니다.

‍

‍Vertical AI 또는 Applied AI(응용 AI)란?

Applied AI란 단순히 ‘AI 기술을 적용하는 것’ 이상의 의미를 갖습니다. 기술 그 자체보다 문제의 해결에 방점을 찍는 실무적 철학인데요. 

범용 AI(Horizontal AI)가 무엇을 질문해도 답해주는 수평적 능력을 지향한다면, Applied AI는 이 문제를 해결하기 위해 무엇이 필요한가를 묻는 수직적(Vertical) 지향점을 갖고있습니다. 

대개 범용 모델이 기업의 재무 상황이나 특정 산업의 규제 환경에 대해 엉뚱한 답을 내놓는 환각(Hallucination) 현상은 기술적 한계라기보다는 산업의 맥락(Context)을 이해하지 못한 태생적 부재에서 기인합니다. Applied AI는 이러한 부재를 기업의 맥락을 파악한 구조 설계와 도메인 지식의 내재화로 극복하는 것이 특징입니다.

‍

Horizontal AI vs. Vertical(Applied) AI

비즈니스 현장에서 AI를 대하는 관점은 크게 두 가지로 나뉩니다.  

• Horizontal AI (수평적 AI): 무엇을 질문해도 답해주는 박학다식한 대학생입니다. 넓은 지식을 가졌지만, 우리 회사의 복잡한 규정이나 전문 용어 앞에서는 피상적인 답을 내놓거나 엉뚱한 소리(환각)를 하곤 합니다.     
• Applied AI (응용 AI): 특정 산업의 언어와 데이터 패턴을 꿰뚫고 있는 10년 차 베테랑입니다. 기술 그 자체보다 문제 해결에 방점을 찍으며, 우리 비즈니스의 맥락(Context)을 깊이 이해하여 정밀하게 타격합니다.

‍

‍

Horizontal AI는 범용성(Versatility)을 강조하며 광범위한 산업에 빠르게 배포될 수 있는 장점이 있지만, 특정 산업의 규제나 복잡한 전문 용어를 처리하는 데 한계를 보입니다. 

반면 Vertical AI(Applied AI)는 깊이(Depth)를 우선시합니다. 의료 진단, 법률 분석, 금융 컴플라이언스 등 높은 정밀도가 요구되는 영역에서 전문화된 데이터로 훈련되어 더 높은 정확도와 신뢰를 제공할 수 있습니다. 특히 보험 자격 확인이나 방사선 영상 해석처럼 오류의 대가가 큰 분야에서는 Applied AI의 수직적 접근이 해답이 될 수 있습니다.

‍

Applied AI 실제 활용 사례

Applied AI의 진짜 가치는 현장의 난제를 뚫고 실질적인 숫자를 만들어내는 데 있습니다. 선두 기업들은 어떻게 인공지능을 활용하고 있을까요?
‍

📍 BBVA (금융)

• Challenge: 25개 시장에 걸친 거대 조직의 업무 파편화. 엄격한 금융 규제 환경에서 리스크 분석 및 고객 응대의 정밀도 유지와 생산성 향상이라는 상충하는 과제.  
• Solution: 전 직원 12만 명에게 ChatGPT Enterprise를 배포하고, 부서별로 특화된 20,000개 이상의 커스텀 GPT 개발. 고객용 AI 어시스턴트 'Blue'를 뱅킹 워크플로우 전면에 배치.  
• Result: 직원 1인당 주당 평균 3시간의 업무 시간 절약. 특정 복잡 업무에서 76% 이상의 시간 단축 효과를 보이며 'AI-Native' 뱅킹으로의 전환 입증.
  ‍

📍 신한투자증권 (금융) 

• Challenge: 사내에 분산된 방대한 금융 문서와 매뉴얼을 찾는 데 과도한 리소스 소모. 금융권 특유의 보안 규정으로 인해 외부 AI 도구 활용이 원천적으로 불가능함.  
• Solution: 외부망과 차단된 온프레미스(On-premise) RAG 인프라 구축. 단순 키워드 검색을 넘어 표와 복잡한 문서 구조의 맥락을 이해하고 요약하는 지능형 시스템 구현.  
• Result: 월 평균 약 17,000건의 문의 자동화 및 상담사 업무량 16% 감소. 도입 후 서비스 사용량 193% 증가라는 압도적 지표 기록.
  ‍

📍 KB국민카드 (금융)

• Challenge: 150여 건이 넘는 수시 변동 이벤트 정보를 고객이 앱 내에서 찾는 데 큰 불편을 겪음. 마케터가 일일이 홍보 문구를 수기로 작성하고 검수하는 데 소모되는 시간적 병목 발생.  
• Solution: 생성형 AI 기반 BELLA QNA 도입. 실시간 이벤트 API를 연동하여 자연어 대화로 정보를 제공하고, AI 에이전트가 마케팅 문구를 자동 생성 및 규정 준수 여부를 감시함.  
• Result: 월 평균 79,000건의 문의 처리 및 성수기 상담 급증(45%)에 효율적 대응. 마케터는 단순 반복 업무에서 해방되어 초개인화 전략 설계에 집중할 수 있는 구조로 전환.
  ‍

📍 Netflix (콘텐츠) 

• Challenge: 수만 개의 타이틀 속에서 사용자가 길을 잃는 '스크롤 피로'로 인해 구독 해지율(Churn)이 상승할 위기.  
• Solution: 머신러닝 기반의 개인화 에이전트 아키텍처 구축. 단순히 본 영화를 추천하는 것을 넘어 시청 시간대, 일시정지 패턴, 심지어 썸네일 클릭 확률까지 계산하는 딥러닝 모델 적용.  
• Result: 넷플릭스 전체 시청 활동의 80%가 AI 추천에서 기인함. 이를 통해 해지율을 9% 이상 낮추고 연간 10억 달러(약 1.3조 원) 이상의 추가 매출 효과를 거둠.
  ‍

📍 Port of Rotterdam (물류)

• Challenge: 연간 4,200만 건의 선박 이동과 10만 개 이상의 거대 자산 관리. 예상치 못한 장비 고장이나 선박 지연이 발생할 경우 천문학적인 물류 손실 초래.  
• Solution: IoT 센서와 AI를 결합한 예측 유지보수(Predictive Maintenance) 시스템 구축. 실시간 데이터를 바탕으로 95%의 정확도로 자산 상태를 진단하고 이상 징후를 사전 포착.  
• Result: 비계획 중단 시간 20% 감소 및 장비 수명 25% 연장. 이를 통해 연간 3,100만 유로(약 450억 원)에 달하는 막대한 운영 비용 절감.
  ‍

📍 Amazon (물류) 

• Challenge: 작업자가 광활한 창고에서 물건을 찾기 위해 하루 20km 이상을 걷는 비효율과 피로로 인한 오배송 발생. 
• Solution: Kiva 로봇과 Sparrow 로봇 암에 AI 에이전트 탑재. 최단 경로 알고리즘과 컴퓨터 비전을 통해 로봇이 스스로 경로를 재설정하고 물건의 형태를 인식해 분류하는 자율 물류망 구축. 
• Result: 물류 효율성 300% 향상 및 작업자 보행 거리 75% 감소. 연간 25억 개의 패키지를 99.9%의 정확도로 처리하며 전 세계 배송 혁신 주도.
  ‍

📍 Moderna (제약)

• Challenge: 신약 개발 및 임상 데이터 분석의 고도화된 복잡성. 전통적인 바이오 제약 모델로는 제품 출시를 위해 수만 명의 인력이 동원되어야 하는 확장성의 한계.  
• Solution: 전용 AI 챗봇 'mChat'과 임상 데이터 분석 특화 'Dose ID GPT' 구축. 임상 데이터를 자동 분석하여 백신의 최적 용량을 결정하고 법률/컴플라이언스 문서를 초단위로 검토.  
• Result: 과거 10만 명의 인력이 필요했던 업무 수준을 단 몇 천 명으로 수행 가능한 조직 구조 확보. 2025년 2분기 기준 운영 비용 40%(약 5.8억 달러) 절감 달성.

‍

맺으며

AI는 이미 충분히 똑똑해졌습니다. 모델의 지능은 임계점을 넘었고, 파라미터의 숫자는 이제 더 이상 놀랍지 않습니다. 활용 방법도 과거보다 훨씬 다양해졌죠. 

그렇지만 지금 기업에게 필요한 것은 기술을 더 발전시키는 일이 아니라, 그 기술이 복잡한 시스템 안에서 제대로 숨 쉬고 작동할 수 있도록 터를 닦고 연결하는 일입니다. 

Applied AI는 바로 그 연결에 대한 작업입니다. 지능을 더하는 것이 아니라, 지능이 조직 안에서 일할 수 있는 방식을 만드는 일입니다. 또는 새로운 모델을 도입하는 것이 아니라, 그 모델이 어디서, 어떻게 역할을 맡고 책임질 수 있을지를 정하는 일입니다. 

최근 SaaS(Software as a Service)가 몰락하고 있는 이유도 여기에 있습니다. 단순히 기능을 제공하고 계정 숫자로 돈을 벌던 시대는 끝난 셈입니다. 사람들은 이제 화면 속 버튼을 대신 눌러줄 도구가 아니라, 스스로 판단하고 결과를 가져오는 동료를 원하죠. 사용법을 익혀야 하는 복잡한 인터페이스의 시대가 저물고, 비즈니스 흐름 그 자체에 녹아드는 에이전트의 시대가 오고 있는 것입니다. 

조직이 쌓아온 고유의 리듬을 해치지 않으면서도, 기술이 마치 원래 그곳에 있었던 것처럼 자연스럽게 스며드는 구조를 만드는 것. 기술을 단순히 붙이는 시대를 지나, 기술이 비로소 제 실력을 발휘할 자리를 만드는 것. 

스켈터랩스는 그 연결을 설계합니다. 

기술이 비즈니스의 맥락과 완벽히 연결될 때, 인공지능은 비로소 우리의 일에 기여하는 진짜 동료가 되어 성과를 증명합니다.

‍