생성형 AI 기반 자동화의 주요 유스케이스

생성형 AI 기반 자동화에 대한 50가지 이상의 유스케이스

생성형 AI와 같이 세계 무대에 폭풍처럼 등장하여 글로벌 경제에 큰 영향을 미친 기술은 찾아보기 힘들었습니다. 생성형 AI는 출시 첫 해에 각종 성장률 및 도입률 기록을 경신했으며 업무, 생활, 산업 전반에 점점 더 많은 영향력을 미치며 놀라움을 자아내고 있습니다. McKinsey의 평가 보고서에 따르면 각종 산업의 생성형 AI 유스 케이스 16개만으로도 연간 4조 4천억 달러의 경제적 효과가 발생할 것으로 추정된다고 합니다.

생성형 AI란 무엇인가요?

생성형 AI란 일반적으로는 LLM(대규모 언어 모델)과 같은 기본 모델을 기반으로 학습된 AI(인공지능) 기술의 한 유형입니다. 이는 자연어 입력, 특히 입력의 의도를 이해할 수 있으며 하나의 유일한 정답이 존재하지 않을 때도 유용한 콘텐츠를 제공할 수 있는 능력을 갖추고 있습니다. 생성형 AI는 대규모의 비정형 데이터 세트를 분석할 수 있으며 독창적인 콘텐츠를 다양한 형식으로 출력할 수 있습니다. 그중에서도 텍스트 콘텐츠의 비중이 가장 높지만, 이미지, 컴퓨터 코드, 사운드 형식의 콘텐츠도 점차 늘어나고 있습니다.

비유하자면 생성형 AI란 어떤 업무든 맡길 수 있고 학습 속도가 빠르며 창의적이고 똑똑한 (하지만 항상 신뢰할 수 있는 것은 아닌) 프로젝트 파트너라고 할 수 있습니다. 생성형 AI가 보고서 작성, 이메일 캠페인, 번역 등을 위한 독립적 도구로서 널리 사용되고 있는 것은 바로 이런 이유 때문입니다. 생성형 AI는 독창적이고 정확한 콘텐츠를 생성함으로써 생산성을 크게 높입니다.

이는 비즈니스에 어떤 이점이 있을까요?

다양한 산업과 직무 전반에 걸쳐 생성형 AI는 막대한 가치를 창출할 것으로 예상되지만, 그중에서도 특정 산업은 더 많은 혜택을 더 빠르게 누릴 수 있을 것입니다. 그래서 생성형 AI의 각종 응용 사례와 업계별 구체적 유스케이스를 이해하는 것이 더욱 중요한 것입니다. 하지만 생성형 AI의 실무적 활용 방법을 파악하기는 쉽지 않습니다. 생성형 AI가 콘텐츠 생성 도구로서 유용하다는 것은 널리 알려져 있지만, 사실은 그마저도 보안, 개인정보 보호, 정확도 측면에서 상당한 위험 요인을 안고 있습니다. 그래서 다양한 산업과 직군의 비즈니스 리더들은 지금 당장 생성형 AI를 실질적으로 어떻게 활용할 수 있을지를 고민하고 있습니다.

이 글에서는 직무와 산업에 따른 유스케이스를 제시함으로써 생성형 AI의 방대하지만 막연한 잠재력과 실제 비즈니스 응용 사이의 간극을 좁혀보겠습니다. 아래의 내용이 생성형 AI의 잠재력을 실현할 수 있는 가교가 되어 유스케이스를 직접 구현하거나 고유의 비즈니스에 맞는 애플리케이션을 브레인스토밍 및 개발하기 위한 출발점이 되기를 바랍니다. 이 유스케이스 요약본은 생성형 AI의 잠재력을 실현하는 여정을 위한 길잡이가 될 것입니다.

생성형 AI를 사용하기 전에 알아야 할 사항

생성형 AI를 활용하기에 앞서, 이 기술에 수반되는 잠재적인 위험과 우려는 무엇이며 이를 어떻게 완화할 수 있는지를 반드시 알아야 합니다.

데이터 보안

새로운 기술을 도입할 때는 개인 식별 정보, 독점적 비즈니스 정보 등의 민감한 데이터를 무단으로 열람하거나 사용할 수 없게 방지하는 것이 무엇보다도 중요합니다. 생성형 AI와 관련된 보안 문제를 해결하려면 기술의 고유한 층위(기본 모델, 서드파티 애드온/플러그인 제공업체)에서 비롯되는 문제를 해결해야 합니다.

먼저 핵심적인 질문부터 던져보세요. 예컨대 기밀 정보가 포함될 수 있는 학습 데이터에는 누가 액세스할 수 있나요? 또한 제공업체는 어떤 방식으로 데이터 유출을 방지하나요? 강력한 암호화를 구축하고, 안전한 AI 모델을 선택하고, 생성 AI 사용에 대한 액세스를 엄격하게 제어할 필요가 있습니다.

개인정보 보호 및 규제 관련 문제

생성형 AI 모델은 방대한 양의 데이터를 기반으로 구축되는데, 그 과정에서 개인 데이터와 지적 재산을 사용함에 따라 상당한 개인정보 보호 및 규제 문제가 뒤따르게 됩니다. 고객 데이터를 사용할 때는 반드시 고객의 동의를 얻음으로써 기업 및 업계 전반의 컴플라이언스 표준(GDPR, PII, HIPAA 등)을 준수해야 합니다.

점점 더 많은 국가와 지역에서 지적 재산권, 데이터 보호, 보안에 관한 법률을 제정 및 개정하고 있기에 기업은 탄탄한 생성형 AI 정책과 거버넌스를 반드시 수립해야 합니다.

정확도 및 편향성

사용자는 결과물을 검증을 해야 합니다. 생성형 AI는 환각을 발생시키고는 합니다. 다시 말해 생성형 AI는 자신이 생성하는 콘텐츠에 허위 또는 조작이 있음을 알리지 않고서 거짓된 내용을 지어낼 수 있다는 뜻입니다. 또한 생성형 AI의 출력에 녹아 있는 편향성은 기업을 정책적 또는 법적 문제에 노출시킬 수 있습니다. 따라서 데이터와 결과물의 정확성을 확보하기 위해서는 전문성을 갖춘 사람의 감독이 필요합니다.

보안 및 개인정보 보호 제어 기능을 사용할 수 있다는 반가운 소식!

생성형 AI가 지닌 모든 잠재력과 위험을 고려할 때, 그 잠재적 가치를 실현하기 위해서는 생성형 AI를 지능형 자동화에 적용하는 단계를 반드시 거쳐야 합니다. 기업의 생산성 향상에 박차를 가하고 초자동화 및 엔드투엔드 프로세스 자동화 여정의 다음 단계로 나아가기 위해서는 먼저 올바른 자동화 플랫폼을 선택하여 이 새로운 기술을 비즈니스 워크플로에 안전하게 도입해야 합니다.

기업이 보안, 개인정보 보호, 정확도 제어를 달성할 핵심적인 방안은 내장된 거버넌스와 가드레일을 통해서 시스템과 사용자 전반에 대한 엔드투엔드 오케스트레이션을 제공하는 보안 지능형 자동화 플랫폼을 통해 생성형 AI를 활용함으로써 그 기술을 안전하고 효과적으로 사용하는 것입니다.

여기서 핵심은 AI 기반의 자동화를 기업 운영에 적용하는 데 필요한 도구, 가드레일, 거버넌스, 분석, 통합 등을 포괄적으로 갖춘 엔터프라이즈 오케스트레이션 플랫폼을 채택하고, 이를 통해 생성형 AI를 다단계 및 다중 시스템 프로세스 자동화의 구성 요소로서 조율하는 것입니다.

생성형 AI 유스케이스 모음의 활용 방법

이 유스케이스 모음을 작성한 목적은 현재 모든 조직에서 사용할 수 있는 생성형 AI의 실질적인 가치를 구체적으로 제시하는 한편, 막대한 가치를 창출할 수 있는 응용 사례를 설명함으로써 조직이 자동화와 AI의 결합에서 발생하는 시너지를 온전히 활용할 수 있도록 안내하는 것입니다.

이 목록은 생성형 AI의 응용 사례를 비즈니스 기능 및 산업별로 신속하게 찾을 수 있는 카탈로그로서, 관련 아이디어를 떠올리거나 기술의 신속한 활용을 돕는 자료로 활용 가능합니다. 생성형 AI가 꾸준히 발전하고 있으며 조직에서 이를 활용하기 시작한 만큼, 가치 있고 참신하며 영향력 있는 유스케이스가 앞으로 더욱 신속하게 등장할 것입니다. 그러니 최신 정보를 꾸준히 확인하세요!

생성형 AI의 비즈니스 기능별 유스케이스

고객 서비스

불만 해결

지난 몇 년 동안 업계 전반의 고객 서비스 업무량이 급격히 늘어났으며 고객 문의 전화는 600%까지 증가했습니다. 생성형 AI를 지능형 자동화와 결합하면, 수많은 에이전트가 단일한 기본 애플리케이션(Salesforce 등) 내에서 제공되는 실시간 정보 검색 및 신속한 케이스 해결 기능을 바탕으로 고객 서비스 불만 사항을 우수한 품질로 신속하게 해결할 수 있습니다.

이 경우 새로운 고객 문의가 접수되면 서로 다른 각종 시스템에서 고객 데이터 검색이 자동으로 트리거됩니다. 이어서 생성형 AI는 고객 서비스 에이전트가 검토할 수 있도록 케이스 파일을 전달합니다. 생성형 AI는 수 초 내로 개인 맞춤형 이메일 회신을 생성하며, 이는 같은 업무용 애플리케이션의 자동화 어시스턴트를 사용하여 전송할 수 있습니다. 그 결과 해당 업무의 효율성과 응답 품질이 향상됩니다.

주문 정보를 요청하는 이메일의 분류와 응답

고객 문의 분류 업무가 어려운 이유 중 하나는 문의 자체가 너무 많다는 것입니다. 엔터프라이즈급 고객 서비스에서는 매일 수십만 건의 문의가 발생하기도 합니다. 또한 의료, 은행, 보험과 같은 산업의 고객 문의에는 재정적, 개인적 이해관계가 복잡하게 얽혀 있습니다. 에이전트가 여러 시스템을 빠르게 탐색하여 문의를 적절한 팀으로 전달하고 최신 전문 지식을 바탕으로 적시에 응답하기란 결코 쉽지 않습니다.

하지만 이때 생성형 AI 및 지능형 자동화를 활용하면 고객 서비스 문의 분류 및 응답 업무의 속도를 높일 수 있습니다. 새로운 고객 문의가 접수되면 Document Automation이 해당 문의로부터 고객 정보를 추출합니다. 생성형 AI는 데이터를 분석한 다음 평가 결과에 기반한 권장 조치를 통해 문제를 해결할 수 있는 가능성을 예측합니다. 자동화는 선택된 권장 사항을 채택하여 문의의 처리 경로를 지정하고 ERP 시스템을 업데이트할 수 있습니다. 생성형 AI는 고객에게 추가 정보를 요청하는 이메일과 같은 후속 커뮤니케이션을 생성할 수 있습니다.

고객 문의 감정 분석

복잡한 고객 문의를 조사하고 그에 응답하는 데는 많은 시간이 걸리기 때문에 에이전트가 문제를 신속하게 해결하는 데 많은 어려움이 따릅니다. 항공사의 고객 불만 및 의료 보험 청구 거부와 같은 몇몇 케이스는 특히 복잡하기 때문에 조사 및 해결에 더 많은 시간과 자원이 필요할 수 있습니다. 또한 정보 불충분으로 인해 에스컬레이션 워크플로가 종종 지연되기도 합니다.

이 경우 생성형 AI는 접수된 고객 서비스 문의의 맥락과 의도를 검토하고 이해할 수 있습니다. 자동화 솔루션이 지식 베이스에서 관련 해결책을 찾으면 생성형 AI가 그 해결책과 문의의 구체적 맥락에 맞는 답변 초안을 작성할 수 있습니다. 간단한 문의에 대해서는 에이전트가 관여할 필요 없이 자동으로 응답을 전송하는 것도 가능합니다. 문제가 복잡하다면 에이전트가 주어진 응답의 초안을 바탕으로 워크플로에 착수할 수 있습니다.

고객 응답 품질

고객 서비스의 품질은 고객 만족도를 결정하는 핵심 요소입니다. 대량의 고객 문의를 빠르게 처리하는 것을 목표로 삼는 기업 환경에서는 응답 품질을 확보하는 것이 쉽지 않습니다.

이 경우 생성형 AI 기반 자동화를 통해서 에이전트가 답변을 하기 전에 고객 서비스 문의에 대한 응답의 품질을 검토할 수 있습니다. 이때 자동화 솔루션은 응답 품질 점수 또는 평가 결과를 반환할 수 있습니다. 응답 품질이 정해진 기준에 미치지 못한다면 생성형 AI가 작동하여 개선된 내용을 작성해서 에이전트에게 전달하도록 설정할 수 있습니다.

재무 및 회계

재무 보고서 및 문서에서 이상 징후와 불일치 감지하기

재무 감사는 비즈니스 운영의 필수 불가결한 요소로서, 재무 데이터의 정확성과 관련 규제 충족 여부를 검증하는 과정입니다. 그러나 재무 감사를 수작업으로 진행하면 시간이 많이 걸리고 오류가 발생하기 쉬우며 복잡한 패턴이나 이상 징후를 파악하지 못할 수도 있습니다. 이는 재무 보고의 정확성을 떨어뜨리고 컴플라이언스 문제를 일으키기나 부정행위 및 오류가 발생할 가능성을 높일 수 있습니다.

이 경우 생성형 AI를 활용하면 머신러닝 알고리즘을 활용해 방대한 양의 재무 데이터를 신속하게 처리함으로써 수작업에서 간과하기 쉬운 이상 징후를 식별할 수 있습니다. 생성형 AI는 각각의 재무적 또는 회계적 거래를 면밀히 조사하여 부정행위나 오류를 시사하는 패턴을 찾아낼 수 있습니다. 또한 생성형 AI는 점진적으로 학습하고 적응하는 능력이 있어, 문제를 탐지하는 역량이 향상되면서 결과도 지속해서 개선됩니다.

공급업체 할인 협상

기업은 할인 및 결제 조건과 같은 예산과 요구 사항을 설정합니다. 하지만 공급업체의 요구를 트렌드, 상품 가치, 경쟁사의 비용과 비교하는 과정은 번거로우며 많은 시간과 자원을 소모합니다. 이로 인해 비용 절약과 할인의 기회가 지연되거나 사라질 수 있습니다.

이 경우 생성형 AI와 지능형 자동화를 통해 재무 운영 전반의 비정형 계약 및 트렌드 데이터를 검토하고, 조건을 비교하고, 추천받은 대응 전략을 바탕으로 이후의 단계에 대해 협상한다면 최종 계약에 도달하는 시간을 며칠로 단축할 수 있습니다.

정확성과 적시성을 갖춘 재무 데이터

재무 데이터 분석 및 예측은 비즈니스 계획 수립의 필수 요소로서, 조직은 이를 통해 자신의 재무 건전성에 대한 정확한 평가와 예측을 바탕으로 합리적인 의사 결정을 내릴 수 있습니다. 그러나 수작업으로 데이터를 분석하고 예측하면 오류가 발생하기 쉬우며, 복잡한 패턴과 이상 징후를 파악하는 데 너무 많은 시간이 소요되므로 조직이 위험에 노출될 수 있습니다.

이 유스케이스에서는 생성형 AI와 지능형 자동화를 결합함으로써 오류를 줄이고, 위험을 더욱 면밀히 관리하고, 재무 보고 프로세스의 속도를 높일 수 있습니다. 이 경우 자동화 솔루션이 과거의 기록 및 관련 문서와 함께 최신 재무 및 회계 데이터를 수집할 수 있습니다. 생성형 AI는 데이터를 검토, 분석, 종합하여 보고서를 생성하고 패턴과 이상치를 찾아냅니다. 분석가가 이에 힘입어 조직이 정확하고 시의적절한 재무 데이터를 바탕으로 합리적인 의사 결정을 내릴 수 있도록 지원한다면 궁극적으로 더 우수한 성과가 달성될 수 있습니다.

송장 처리

AP(미지급금) 처리 업무는 노동집약적입니다. 예컨대 공급업체의 송장 데이터를 수작업으로 추출해서 SAP와 같은 AP 시스템에 반영하는 프로세스는 최대 90일 정도 걸리기도 합니다. 송장 데이터를 수동으로 입력하면 많은 문제가 발생하며 이는 결제 지연을 비롯한 각종 문제를 일으킬 수 있습니다. 또한 데이터 보안 및 부정행위 방지 규정으로 인해 송장 처리 시 더욱 면밀한 확인이 필요하므로, 관련 프로세스 그 자체 뿐만 아니라 이를 모니터링하고 감사에 소요되는 시간과 자원도 늘어났습니다.

송장 처리 업무에서 생성형 AI를 활용하면 엔드투엔드 송장 처리 자동화를 구현함으로써 미지급금 처리팀의 업무 효율성을 높이고 시간을 절약할 수 있게 됩니다. 생성형 AI는 송장과 ERP 양식 간의 불일치를 신속하게 찾아낼 수 있습니다. 생성형 AI는 정형화되지 않았거나 복잡한 형식의 송장을 포함해 모든 송장을 해석할 수 있으며 공급업체 이름, 송장 번호, 금액과 같은 필수적 세부 정보를 식별 및 포착할 수 있습니다. 송장을 처리한 이후에는 생성형 AI가 맞춤형 이메일을 생성하여 공급업체에 전송할 수 있습니다.

위험 기반 감사 심의

임베디드 금융과 디지털화가 부상하면서 감사 담당자는 끊임없이 늘어나는 막대한 양의 데이터를 처리해야 하는 난관에 봉착했습니다. 금융 거래는 매년 급증하고 있기에 수작업으로 관련 심의를 하고 위험을 식별하는 데 점점 더 많은 시간과 노력이 들고 있습니다. 하지만 생성형 AI를 감사에 도입하면 시간과 비용을 절감하고 위험을 완화할 수 있습니다.

방대한 양의 데이터를 처리하고 의미 있는 인사이트를 생성할 수 있는 생성형 AI는 감사 업무에서 사람이 놓치기 쉬운 패턴과 경향성을 신속하게 식별할 수 있습니다. 생성형 AI는 고급 패턴 인식 및 예측 모델링을 통해 감사 테스트를 수행하여 부정행위, 오류, 불일치를 식별할 수 있습니다. 또한 위험의 심각도에 따라 감사의 빈도를 결정하고, 고위험 프로세스를 우선적으로 처리하고, 자원을 효과적으로 할당할 수 있습니다. 그뿐만 아니라 감사 결과를 명확하고 간결하게 요약함으로써 재무 및 회계 분야의 이해관계자가 그 내용을 쉽게 이해하고 합리적인 의사 결정을 내릴 수 있게 돕습니다.

보고서 작성: MD&A

MD&A(경영진단의견서)의 초안 작성에는 많은 시간이 걸립니다. 그렇기 때문에 재무 데이터를 종합적이고 이해하기 쉬운 형식으로 수집, 분석, 제시하는 과정에서 종종 몇 주 또는 몇 개월이 걸리기도 합니다. 그런데 이처럼 중요한 MD&A를 작성하는 과정에서 인적 오류로 인해 위험이 발생할 수 있습니다. MD&A 보고서 및 기타 내외부용 재무제표 작성에 지능형 자동화와 생성형 AI를 활용하면 데이터의 정확성과 일관성을 높이면서도 소요 시간을 크게 줄일 수 있습니다.

재무제표 작성 업무에 생성형 AI와 지능형 자동화를 도입하면 막대한 양의 재무 데이터를 빠르게 확인하면서 주요 경향성, 이상 징후, 핵심 내용을 찾아낼 수 있습니다. 이러한 인사이트를 바탕으로 생성형 AI는 명확하고 간결한 보고서 초안을 작성할 수 있습니다. 초안에 대한 검토와 승인을 완료한 뒤에는 생성형 AI를 통해 보고서를 다른 언어로 번역하거나 보고서와 함께 전달할 사항의 초안을 작성할 수 있습니다.

공급업체에 대한 자동 응답

공급업체와 협업할 때는 수많은 이메일을 주고받으면서 제품 사양, 배송 일정, 결제 조건 등의 세부 사항을 논의해야 합니다. 이때 수작업을 통해 개별 케이스에 대응하면 많은 시간이 소모되며 오류나 지연이 발생하여 공급업체와의 관계에 부정적 영향을 미칠 수 있습니다.

하지만 지능형 자동화와 생성형 AI를 활용한다면 공급업체와의 소통을 자동화할 수 있습니다. 생성형 AI는 수신한 이메일을 읽고 그 문맥을 이해하여 적절한 응답을 생성할 수 있습니다. 지능형 자동화와 결합된 생성형 AI는 주문 상태, 결제 확인, 배송 일정과 관련된 통상적 문의에 직접 응답할 수 있으므로 직원들이 더욱 복잡한 문제를 처리할 수 있는 여유가 확보됩니다. 또한 생성형 AI는 공급업체의 프로필과 과거 상호 작용을 기반으로 맞춤형 응답을 작성하므로 공급업체와의 관계를 더욱 탄탄하게 다지는 데 도움이 됩니다. 이러한 과정을 통해 공급업체에 대한 응답 시간을 며칠에서 몇 분으로 단축할 수 있습니다.

공급업체의 위험 평가

공급업체 후보를 평가하려면 재무 안정성, 운영 능력, 평판 등을 폭넓게 조사하고 분석해야 합니다. 이 과정을 수작업으로 진행하면 몇 주가 소요될 수 있으며 중요한 정보를 놓칠 수도 있습니다.

공급업체 위험 평가 업무에서 지능형 자동화와 생성형 AI는 재무 보고서, 뉴스 기사, 소셜 미디어 게시물과 같은 다양한 소스에서 데이터를 자동으로 수집함으로써 프로세스를 간소화할 수 있습니다. 이후 해당 데이터를 분석하여 공급업체의 위험 수준을 평가하고 재무 불안정, 법률 문제, 부정적 평가와 같은 위험 신호를 짚어낼 수 있습니다. 기업은 해당 정보를 바탕으로 빠르고 자신 있게 합리적인 의사 결정을 집행할 수 있습니다.

조달 문의

조달 문의 처리는 매우 중요하지만 시간을 많이 소모하는 업무입니다. 기업은 제품 공급 가능 여부, 가격, 배송 일정 등에 관해 수많은 질문을 받습니다. 이러한 문의에 신속하고 정확하게 응답하는 것은 고객과의 관계를 구축하고 고객 만족도를 유지하기 위한 기본 요건입니다.

이때 생성형 AI와 지능형 자동화를 통해 조달 문의 처리 업무를 자동화할 수 있습니다. 생성형 AI는 문의의 성격을 파악한 다음 자동화를 실행해서 회사 시스템으로부터 필요한 정보를 검색한 다음 상세한 답변을 생성할 수 있습니다. 또한 복잡한 문의에 대해서는 사람의 직접 개입을 요청하는 플래그를 지정할 수 있습니다. 이를 통해 응답 시간을 크게 단축하고 응답의 정확도를 향상시킬 수 있습니다.

계약서 검토

계약서 검토는 상세한 부분까지 세심한 주의를 기울여야 하는 중요한 업무입니다. 기업은 계약의 약관이 자신에게 유리한지, 비즈니스상의 요건과 관련 규정을 모두 충족하는지를 확인해야 합니다. 그러나 계약을 수작업으로 검토하면 며칠에서 몇 주가 걸릴 수 있으며 오류가 발생하기도 쉽습니다.

계약서 검토 업무에서 생성형 AI는 계약서 텍스트를 스캔하여 핵심 조항을 찾아낸 다음 그 내용을 기업의 표준 약관과 비교할 수 있습니다. 이를 통해 계약 운영팀의 추가 검토가 필요한 불리한 약관이나 잠재적 컴플라이언스 문제를 짚어낼 수 있습니다. 이렇게 하면 계약서 검토 속도를 크게 높이고 오류를 줄이고 계약이 비즈니스적 요구 사항에 부합하는지 확인할 수 있습니다.

결제 지연

때때로 기업은 기한을 넘겨 결제를 지연하는 고객을 상대해야 합니다. 결제 지연은 현금 흐름을 방해하고 비즈니스 관계에 악영향을 미칠 수 있습니다. 연체된 대금을 수작업으로 추적하고 후속 조치를 취하는 데는 많은 시간이 소모되므로 대금 회수가 더욱 지연되고 재무팀의 업무 부담이 가중될 수 있습니다.

이 경우 생성형 AI와 지능형 자동화를 통해 송장 지급 기한 추적, 연체 송장 식별, 연체 수수료 계산, 맞춤형 알림 이메일 작성을 수행하면 관련 프로세스를 신속하게 처리할 수 있습니다. 또한 자동 징수 프로세스를 통해 장기 지연된 케이스를 에스컬레이션하여 추가 조치를 취할 수도 있습니다.

송장 조정

송장을 조정할 때는 송장과 구매 주문서 및 납품 문서를 서로 비교하면서 거래가 정확하게 이루어졌는지 확인해야 합니다. 이때 불일치가 발생하면 재정적 손실이나 규정 위반 문제가 발생할 수 있습니다. 그런데 수작업을 통해 송장을 조정하면 업무가 느려지고 오류가 발생하기 쉽습니다.

하지만 생성형 AI를 지능형 자동화에 접목하면 송장 조정 프로세스를 자동화할 수 있습니다. 생성형 AI는 모든 형식의 송장 문서를 스캔해서 관련 세부 정보를 추출하고 서로 대조하여 추가 확인이 필요한 불일치 항목을 표시함으로써, 오류가 없으며 조정이 완료된 송장을 자동화 프로세스를 통해 처리할 수 있게 만듭니다. 이 프로세스를 자동화하면 송장 조정 시간을 크게 단축하고 오류를 줄여서 재무 보고의 정확성을 높일 수 있습니다.

SOX 통제 기준

SOX(사베인스-옥슬리) 법에 따라 기업은 재무회계 관련 부정행위를 방지하기 위한 내부 통제 수단을 확보하고 관련 절차를 확립해야 합니다. 관련 통제 수단을 마련하고 모니터링하는 과정은 복잡하며 많은 시간과 자원을 소모합니다. 하지만 생성형 AI를 통한 지능형 자동화를 활용하면 상시적인 컴플라이언스를 확보함으로써 법률에 저촉될 가능성을 줄이고 감사에 소요되는 귀중한 시간을 절약할 수 있습니다.

이 경우 생성형 AI는 기업의 거래 내역을 SOX 통제 기준에 비추어 자동으로 확인함으로써 관련 프로세스를 지원합니다. 또한 위반 사항이 식별되었을 때는 감사팀에 전달할 상세 보고서를 작성하고, 자동화 솔루션과 연계해서 이해관계자에게 알림과 보고서를 전달할 수 있습니다.

사기 탐지

금융 사기는 막대한 금전적 손실과 평판 손상을 초래할 수 있습니다. 금융 사기를 탐지하려면 의심스러운 활동의 신호가 되는 거래와 패턴을 지속적으로 모니터링해야 합니다. 잠재적 금융 사기 징후를 찾아내기 위한 거래 모니터링 분야에서는 사람의 감독을 피할 수 있는 정교한 사기 수법을 적발하도록 설계된 AI 도구를 일찍부터 활용해오고 있습니다.

이 경우 생성형 AI와 지능형 자동화는 대량의 데이터를 분석하여 금융 사기를 시사하는 비정상적 패턴이나 이상 징후를 식별함으로써 금융 사기 탐지 업무에 큰 도움을 줍니다. 의심스러운 거래나 사용 패턴에 플래그가 지정되면 자동화 솔루션이 보안팀에 실시간으로 알림을 전송하므로 신속한 조치를 집행할 수 있습니다. 이러한 프로세스를 통해 적발률을 크게 높이고 금융 사기를 신속하게 차단하면 그 부정적 영향력을 최소화할 수 있습니다.

발생주의 회계

발생주의 회계를 정확하게 추적하고 미래의 지급금과 수취액을 추정하기 위해서는 발생주의에 따라 처리해야 하는 거래를 식별하고, 그 금액을 추정하고, 수익과 비용을 정확한 기간에 귀속시켜야 합니다. 이러한 발생주의 회계 처리에는 특히 비용 측면을 중심으로 미묘하고도 복잡한 문제들이 존재하므로 해당 업무를 수작업으로 처리하는 데 많은 시간이 걸리며 오류가 쉽게 발생하기도 합니다.

이 경우 지능형 자동화에 접목한 생성형 AI를 활용하면 발생주의 회계가 필요한 거래를 식별하고 그 금액을 추정해 회계 시스템에 기록하는 과정을 자동으로 처리할 수 있습니다. 또한 생성형 AI는 재무팀이 검토할 수 있도록 모든 발생주의 회계를 상세히 설명하는 보고서를 작성할 수 있으며, 해당 보고서는 승인을 얻은 후 지능형 자동화를 통해 자동으로 전송할 수 있습니다. 이렇게 하면 재무 보고서의 정확성을 확보하고 재무팀의 업무 부담을 덜고 오류가 발생할 가능성을 최소화할 수 있습니다.

예산 책정 및 예측

예산 책정 및 예측은 비즈니스 의사 결정의 핵심이며 이를 위해서는 미래의 수익과 비용에 대한 복잡한 예측이 필요합니다. 과거 성과를 검토하고, 시장 동향을 파악하고, 사업 계획을 평가하려면 광범위한 데이터를 정밀하게 분석해야 하기에 모든 관련 요소를 고려하기란 쉽지 않습니다.

이 경우 지능형 자동화와 생성형 AI를 활용해서 관련 데이터를 자동으로 분석하고 세부 예산을 책정하고 예측을 작성할 수 있습니다. 또한 예측을 바탕으로 잠재적인 위험이나 기회를 찾아낼 수도 있습니다. 이를 통해 예산 책정 및 예측의 정확도를 제고하고, 선제적인 의사 결정을 집행하고, 계획 입안 시간을 단축할 수 있습니다.

수익성 개선 기회 파악

수익성을 높일 기회를 파악하려면 각종 계약을 비롯한 비즈니스 운영 전반을 광범위하게 평가해서 거래 조건을 개선하거나 비용을 절감하거나 수익을 늘릴 수 있는 영역을 찾아야 합니다. 이 과정은 중요하지만 많은 시간을 소모하며, 비즈니스에 대한 심층적 이해와 방대한 비정형 데이터 분석 능력을 요구합니다.

이 경우 생성형 AI와 지능형 자동화, 특히 Process Discovery를 활용하여 운영, 계약, 재무 데이터 전반과 관련된 비즈니스 프로세스와 비정형 정보를 분석해서 고비용, 저수익, 비효율성을 일으키는 요인을 찾아냄으로써 관련 프로세스를 간소화할 수 있습니다.

매출 성장의 기회 파악

매출 성장의 기회를 파악하려면 전략적 분석과 창의적인 사고를 통해 매출을 늘릴 수 있는 새로운 시장, 제품, 전략을 발굴해야 합니다. 이는 복잡한 과정으로서 업계, 관련 시장 및 세그먼트, 고객 선호도, 경쟁 환경에 대한 심층적인 이해가 필요합니다. 이때 수작업으로 정보를 수집하면 많은 시간이 걸리고 모든 잠재적 기회를 포착하지 못할 수 있으며 그 기간이 너무 길어지면서 수익을 창출할 기회를 놓칠 수 있습니다.

이 경우 생성형 AI를 활용하면 시장 데이터, 고객 행동, 경쟁사 활동을 비롯한 각종 비정형 정보를 자동으로 분석하여 탐색 속도를 높임으로써 잠재적 매출 성장의 기회를 발굴할 수 있습니다. 또한 생성형 AI는 분석 결과를 바탕으로 새로운 시장, 상품, 전략을 제안할 수도 있습니다. 이러한 접근 방식을 통해 매출 성장 속도를 높이고 경쟁력을 강화하며 전략적 계획을 지원할 수 있습니다.

유동성 및 자본 최적화

유동성을 관리하고 자본을 최적화하려면 비즈니스 운영, 재무 동향, 경제 지표를 다각적으로 면밀하게 이해해야 합니다. 해당 업무에 대한 기존의 접근 방식은 노동 집약적이며 현금 흐름에 영향을 미치는 미세한 요소들을 자칫 놓칠 수도 있습니다.

이 경우 생성형 AI를 활용하면 방대한 양의 재무 데이터를 분석하고 패턴을 학습해서 과거 데이터와 시장 동향을 기반으로 미래의 현금 흐름을 예측할 수 있습니다. 이후 지능형 자동화를 통해 예측한 내용을 바탕으로 자본 배분을 최적화하면 적재적소에 자본을 배치할 수 있습니다. 그러면 더욱 뛰어난 유동성 관리를 통해 현금 부족이 발생할 위험을 줄이고 자본 효율성을 극대화할 수 있습니다.

투자 관리

복잡한 투자 관리 업무에는 각종 차트와 재무제표에서부터 산업 보고서에 이르는 압도적으로 다양한 정형 및 비정형 데이터가 존재하기 때문에 기존의 분석 방법으로는 시장의 역학과 개별 투자자의 선호를 모두 파악하기 어려울 때가 많습니다.

포트폴리오 관리에 생성형 AI를 활용하면 복잡한 데이터 세트를 분석한 다음 지리, 산업, 섹터, ESG 매개변수를 바탕으로 투자안들을 분류할 수 있습니다. 생성형 AI는 투자 리서치를 통해 얻은 인사이트를 바탕으로 ETF, 주식, 암호화폐, 채권, 뮤추얼 펀드와 같은 금융 상품 전반을 아우르는 포트폴리오 구성 전략을 맞춤형으로 제공할 수도 있습니다.

투자 관리를 위한 생성형 AI는 리스크 관리에도 활용할 수 있습니다. 예컨대 가상의 시장 시나리오 하에서 포트폴리오를 스트레스 테스트하기 위한 데이터를 생성함으로써 유동성, 신용, 시장 리스크에 대한 심층적 리스크 분석과 꼬리 위험 분석을 수행할 수 있게 지원하여 리스크 관리의 신뢰도를 높일 수 있습니다. 마지막으로 생성형 AI는 이러한 분석 결과를 효과적으로 전달하는 보고서를 작성할 수 있습니다.

조세 최적화

조세 채무를 예측하고 관련 계획을 수립할 때는 데이터를 준비하고, 세금 신고와 관련된 규정을 준수하고, 세금을 조정하느라 일상적인 업무 시간의 거의 4분의 3에 해당하는 시간을 소비하기에 시간과 자원이 항상 부족한 세무 및 재무팀에 부담이 더욱 가중됩니다. 정확한 조세 계획을 세우려면 세법을 이해하고, 조세 채무를 예측하고, 납세액를 최소화하기 위한 전략을 확립해야 합니다.

이 경우 생성형 AI를 활용하면 세법, 과거의 세금 데이터, 비즈니스 재무를 분석하여 미래의 조세 채무를 정확하게 예측함으로써 세법을 준수할 수 있습니다. 그 효과는 즉시 나타나기도 합니다. 예컨대 한 기업에서는 3주만에 1억 2천만 달러의 세금을 절세하기도 했습니다.

채권 회수

채권 회수는 건전한 현금 흐름을 유지하는 데 매우 중요합니다. 글로벌 규정이 진화하고 있기에 채권 회수팀은 관련 규정을 준수하는 동안 끊임없는 과제에 직면합니다. 이는 성과에 영향을 미치고 신규 에이전트의 온보딩을 복잡하게 만듭니다.

이 경우 생성형 AI와 지능형 자동화를 결합하면 관련 업무의 효율성, 품질을 높이고 정보에 기반한 의사결정을 촉진할 수 있습니다. 생성형 AI는 자동 실시간 통화 모니터링을 통해 신규 에이전트가 규정을 준수하도록 지원하며, 채권 회수를 위한 통화가 규정의 모범 사례를 따르지 않을 경우 알림을 전송할 수 있습니다. 또한 각 케이스에 더욱 적합한 추심 전략을 통해 채권 회수율을 높이기 위해서 과거 추심 데이터, 상환 행태, 시장 요인을 평가하여 회수 방법을 추천하고 성공 여부를 예측할 수도 있습니다. 생성형 AI는 통화 데이터를 바탕으로 컴플라이언스 분석을 제공하고 특정한 미지급 사유가 증가하는 경향성을 파악할 수 있습니다.

IT

IT 헬프 데스크 고객 문의 감성 분석

항공사의 고객 불만이나 의료 보험 청구 거부와 같은 복잡한 고객 문의에 대응하는 데는 비교적 많은 시간이 걸리기 때문에 문제를 신속하게 해결한다는 목표를 달성하기가 쉽지 않습니다. 생성형 AI와 지능형 자동화는 고객 케이스를 조사하거나, 부족한 고객 정보를 보충하거나, 적절한 커뮤니케이션 초안을 작성하는 등 매우 다양한 방식으로 고객 문의 대응 및 해결 속도를 높일 수 있습니다. 생성형 AI를 통해 에이전트는 단시간에 더욱 많은 문의를 처리하고 신속하게 문제를 해결해서 대기 시간을 줄이고 고객 경험을 개선할 수 있습니다.

이 경우 생성형 AI는 접수된 고객 메시지의 맥락과 의도를 파악해서 고객 서비스 문의에 대한 감성 분석을 지원할 수 있습니다. 지능형 자동화는 의도를 분류하고 감정을 식별하여 지식 베이스에서 적합한 해결책을 찾은 다음 그에 상응하는 후속 조치를 개시할 수 있습니다. 특히 생성형 AI로 하여금 고객에 보낼 회신을 작성하게 할 수 있으며, 케이스가 복잡할 때는 고객 서비스 에이전트가 검토 및 후속 조치를 할 수 있도록 회신의 초안을 작성해 전달할 수 있습니다.

IT 티켓 응답 자동화

IT 헬프 데스크의 티켓이 급증하면 응답 시간이 길어지고 생산성에 영향을 미칠 수 있습니다. 생성형 AI와 지능형 자동화를 활용하면 IT 티켓 처리 프로세스를 간소화하고 응답 속도와 품질을 모두 개선할 수 있습니다.

이 경우 생성형 AI는 접수된 IT 티켓을 즉시 검토하여 문제의 성격과 긴급성을 파악할 수 있습니다. 이후 과거의 티켓과 해결책을 바탕으로 적절한 응답을 생성하거나 해결책을 제안할 수 있습니다. 통합 지능형 자동화는 이렇게 마련한 응답을 사용자에게 전달하여 헬프 데스크팀의 귀중한 시간을 절약하고 최종 사용자의 해결 시간을 단축합니다.

IT 헬프 데스크 티켓 분류 및 전달

IT 헬프 데스크 티켓을 적절한 팀을 통해 적시에 해결하려면 티켓을 반드시 적절하게 분류하고 전달해야 합니다. 수동 분류는 시간이 많이 걸리고 오류가 발생할 가능성이 있으며, 자동 분류 규칙은 티켓의 우선순위를 잘 반영하지 못합니다. 생성형 AI를 활용해서 분류와 전달 과정을 자동화하면 IT팀이 티켓 분류가 아닌 문제 해결 자체에 집중할 수 있으므로 전반적 효율성과 고객 만족도가 향상됩니다.

이 경우 생성형 AI는 접수된 고객 지원 티켓을 분석한 다음 문제 유형, 심각성, 긴급성 및 기타 관련 매개변수에 따라 티켓을 분류합니다. 그런 다음 티켓 처리 애플리케이션에 통합된 지능형 자동화와 연계하여 티켓을 적절한 팀이나 개인에게 전달할 수 있습니다.

사이버 보안 위협 탐지 분석

사이버 보안 위협은 끊임없이 증가 및 진화하고 있기에, IT 보안팀이 모든 위협을 제때 식별한 다음 그에 대응하여 위험을 효과적으로 억제하거나 완화하기란 쉽지 않습니다. 생성형 AI와 지능형 자동화를 적용하면 사이버 보안에 대한 선제적 접근법을 구현하여 취약점을 줄이고 IT 인프라의 복원력을 강화할 수 있습니다.

이 경우 생성형 AI는 네트워크 트래픽, 사용자 행동, 시스템 로그를 분석하여 잠재적인 보안 위협을 식별하는 데 도움을 줄 수 있습니다. 또한 실질적인 위협 가능성을 예측하고 그에 맞는 조치를 추천할 수 있습니다. 지능형 자동화는 위협이 감지되면 위험에 노출된 시스템을 격리하거나 백업을 시작하는 등 즉각적인 보호 조치를 발동할 수 있습니다. 또한 생성형 AI는 상세한 사고 보고서를 작성하여 사후 분석과 향후 위협 예방에 도움을 줄 수 있습니다.

자동화된 IT 지원

원활하고 신속하며 효율적인 IT 지원을 위해서 많은 조직이 자동화된 대화형 환경을 제공하는 직원용 챗봇을 출시하고 있습니다. 챗봇은 기업 시스템과 원활하게 통합하여 기업의 기존 지식 베이스에 접근할 수 있지만, 사용자의 의도를 해석하는 기능을 갖추지 못했기에 신속한 정보 및 문제 해결 도구로서의 잠재력을 온전히 발휘하지 못합니다. 그러나 챗봇에 생성형 AI를 가미하면 챗봇 지원을 효과성을 크게 높일 수 있습니다.

이 경우 생성형 AI를 기존 챗봇 환경에 추가하면 사용자의 의도를 파악할 수 있습니다. 이후 지능형 자동화는 채팅 내용을 바탕으로 시스템과 데이터에 대해 실질적인 작업을 수행하게 됩니다.

법률

계약서 검토

법무팀은 잠재적인 법률 및 컴플라이언스 문제를 피하기 위하여 길고 복잡한 계약서에서 문제가 될 수 있는 약관이나 조항을 꼼꼼하게 검토하는 데 상당한 역량을 소비합니다. 또한 각종 법률 용어와 복잡한 계약서로 인해 비즈니스 이해관계자가 약관을 명확하게 이해하지 못할 경우 계약을 다루기 어려워질 수도 있습니다.

이 경우 지능형 자동화를 갖춘 생성형 AI로 민감한 계약 데이터를 안전하게 처리할 수 있습니다. 생성형 AI는 법률 가이드라인과 업계 규정을 학습하여 계약서의 규정 준수 여부를 자동으로 검토할 수 있습니다. 또한 문제의 소지가 있는 부분을 찾아내고, 수정 사항을 제안하고, 이해관계자를 위해 평이한 언어로 기술한 요약본을 생성할 수 있습니다.

현지화

언어 번역

오늘날의 글로벌 비즈니스 환경에서 효과적으로 소통하고 참여를 유도하기 위해서는 기업의 콘텐츠를 다양한 언어로 번역해야만 합니다. 그런데 사람이 수행하는 번역 서비스는 값비싸며 그 속도도 비즈니스가 요구하는 수준에 미치지 못할 수 있습니다.

이 경우 생성형 AI를 활용해 번역 업무를 자동화할 수 있습니다. 생성형 AI는 웹사이트의 카피와 마케팅 자료를 바탕으로 기업 콘텐츠의 문맥과 뉘앙스를 파악하여 그 내용을 원하는 언어로 정확하게 번역할 수 있습니다. 그뿐만 아니라 지능형 자동화를 적용해 새로운 콘텐츠를 자동으로 번역하게 설정하면 모든 이해관계자가 언어의 장벽을 넘어 기업의 커뮤니케이션 콘텐츠를 적시에 확인할 수 있습니다.

영업

영업 활동

효과적인 영업 활동은 비즈니스 성장을 촉진하는 핵심 요소입니다. 하지만 맞춤형 홍보 메시지를 작성하는 것은 어렵고 시간이 많이 걸리는 작업일 수 있습니다.

이 경우 영업 활동을 위한 생성형 AI를 활용해 고객 데이터를 분석하면 고객의 선호도와 요구 사항을 파악해서 설득력 있는 개인 맞춤형 홍보 메시지를 작성할 수 있습니다. 생성형 AI와 지능형 자동화를 통합하여 영업 활동 프로세스를 강화하면 잠재 고객과 시의적절하고 일관성 있는 소통을 하여 전환 가능성을 높일 수 있습니다.

CRM 데이터 정제

영업팀이 자주 제기하는 불만 중 하나는 CRM 시스템의 데이터 품질이 좋지 않아 분석의 정확성이 떨어지고 의사 결정에 문제가 발생한다는 것입니다. 하지만 수작업으로 데이터를 정제하는 과정은 번거롭고 오류를 일으키기 쉽습니다. 또한 시간에 쫓기는 영업 관리자의 입장에서 해당 업무의 우선순위는 뒤로 밀려나는 경향도 있습니다.

이 경우 생성형 AI를 통해 데이터 정제 프로세스를 자동화할 수 있습니다. 생성형 AI는 CRM 데이터의 오류를 찾아서 수정하고, 중복 데이터를 제거하고, 누락된 정보를 채울 수 있습니다. 또한 지능형 자동화를 사용하면 사람의 확인이 필요한 데이터 오류나 기록을 검토하도록 전송할 수 있습니다. 지능형 자동화와 생성형 AI의 조합을 통해 데이터 정제 작업을 예약해 두면 CRM 데이터를 정확하게 최신 상태로 유지할 수 있습니다.

생성형 AI의 산업별 유스케이스

은행 및 금융 서비스

거래 분쟁(신용카드, 당좌/예금)

고객 계정의 무결성과 신뢰를 확보하고 이를 금융 사기로부터 보호하는 것은 필수적이지만, 거래 분쟁 처리 과정은 여전히 대부분 수작업으로 이루어지고 있습니다. 또한 각종 금융 시스템은 이질적이며 관련 분쟁도 늘어나고 있어서, 오류가 발생하기 쉬우며 많은 시간을 소모하는 관련 업무에 부담이 더욱 가중되고 있습니다.

이 경우 생성형 AI와 지능형 자동화의 연계를 통해서 거래 손실을 줄이고 운영 효율성을 높이며 고객 만족도를 향상시킬 수 있습니다. 고객 요청이 접수되면 자동화 솔루션이 시작되며, 해당 요청은 Fiserv 또는 다른 주요 뱅킹 시스템의 대기열에 자동으로 등록됩니다. 이어서 생성형 AI와 자동화가 고객 요청을 확인하고 요약하여 담당자가 검토할 수 있도록 전송합니다.

은행의 담당자는 자동화된 워크플로우를 실행하여 ERP, 결제, CRM 등의 시스템에서 관련 및 과거 데이터를 검색한 다음 생성형 AI를 통해 그 내용을 요약할 수 있습니다. 은행 담당자는 보유한 정보를 바탕으로 분쟁이 발생한 거래를 심사한 다음 결정된 해결책과 관련된 조치를 자동화 솔루션을 통해 개시하는 한편, 생성형 AI의 지원을 받아 고객에게 보낼 커뮤니케이션 초안을 적절하게 작성할 수 있습니다.

금융 사기 탐지 및 SAR 조사

은행과 금융 서비스 회사가 서비스의 무결성을 확보하기 위해서는 거래 데이터를 주의 깊게 분석하여 잠재적인 사기 행위를 탐지하는 절차가 반드시 필요합니다. 금융 사기 탐지 분석은 거래 기록과 고객 정보에서부터, 거부 목록과 감시 목록을 포함한 외부 데이터에 이르기까지 여러 데이터 소스에 걸쳐 이루어집니다. 이미 리소스 부족과 이질적인 각종 은행 시스템으로 인해 어려움을 겪고 있는 금융 사기 조사팀은 사기 행위가 점점 더 복잡해지고 오탐률이 높아지는 오늘날의 상황에서 과도한 부담을 떠안게 될 수 있습니다.

시스템 통합에 드는 비용과 시간적 장벽으로 인해 실시간 금융 사기 탐지는 어려움을 겪고 있습니다. 금융 사기 탐지 및 SAR 조사에서 생성형 AI와 지능형 자동화를 활용하면 운영상의 손실을 줄이고 효율성을 높이며 고객 만족도를 개선하고 컴플라이언스를 강화할 수 있습니다.

이 경우 생성형 AI와 자동화를 기반으로 하는 상시 가동 시스템이 24시간 동안 데이터를 수집하고 모니터링하면서 행동 패턴, 기기 정보, 소셜 미디어 활동을 지속적으로 분석할 수 있습니다. 생성형 AI는 데이터를 사전 처리한 다음 해당 데이터를 분석하여 기록 정보를 기반으로 잠재적 금융 사기 패턴(신원 도용, 무단 결제/이체, 무단 계좌 개설/해지, 위조된 신용 신청 등)을 식별할 수 있습니다.

의심스러운 활동이나 거래가 탐지되면 생성형 AI는 조사 담당자가 즉시 조치할 수 있는 작업들로 구성된 자동화 워크플로를 개시할 수 있습니다. 이때 담당자는 관련 데이터를 심층 분석한 다음 자동화 어시스턴트의 도움을 받아 추가 정보를 요청하거나 자동화된 후속 조치(거래 보류, 계좌 동결, 신용 거부 등)를 실행할 수 있습니다.

AML 거래 모니터링

AML 컴플라이언스는 관련 판단을 내리고 프로세스를 따르는 개인의 전문성에 크게 의존하기 때문에, 의심스러운 활동을 식별하고 보고하는 과정에서 오류와 불일치가 발생할 수 있습니다. 거래 데이터가 계속 증가함에 따라 은행과 금융 기관은 상당한 어려움을 겪고 있습니다. 이처럼 방대한 양의 데이터를 마이닝하고 수많은 오탐 사례를 확인해야 한다는 부담이 조사 담당자에 가중되면 결과적으로 합법적인 거래가 지연되고 비용이 증가할 수 있습니다.

AML 거래 모니터링에 생성형 AI와 지능형 자동화를 도입하면 조사 담당자가 포괄적인 데이터를 바탕으로 더욱 확실한 정확한 판단을 내려서 거래 보류, 계좌 동결 등의 자동화된 후속 조치를 개시할 수 있습니다. 이는 담당자의 부담을 덜어 주고 운영 효율성을 높이며 더 높은 수준의 AML 컴플라이언스를 보장할 수 있습니다.

이 경우 생성형 AI와 자동화에 기반하는 상시 가동 시스템이 거래 기록, CRM, 웹에 등록된 공개 정보, 감시 목록 등과 같은 다양한 소스에서 대량의 데이터를 24시간 연중무휴로 수집하고 분석할 수 있습니다. 생성형 AI는 거래의 규모, 유형, 고객 인구 통계, 지리적 위치에 따라 데이터를 사전 처리하고 정리하여 이상 및 불일치 사례를 쉽게 분석하고 식별할 수 있습니다.

또한 머신러닝 모델을 활용해서 고위험 거래, 잠재적 자금 세탁, 테러 자금 조달, 경제 제재 대상인 거래 및 기타 범죄 활동 등에 이르는 잠재적 금융 사기에 대한 과거 데이터를 기반으로 패턴을 식별할 수 있습니다. 시스템이 의심스러운 거래나 활동을 감지하면 자동화 솔루션에 해당 사실을 알려서 조사 담당자가 즉각 조치를 취할 수 있는 작업을 트리거합니다. 이때 조사 담당자는 은행 시스템에서 바로 자동화 어시스턴트를 사용해서 모든 데이터를 검토하거나 추가 데이터를 요청할 수 있습니다.

대출 심사 승인 결정

대출 심사를 할 때는 대출 신청인의 위험을 평가하고 대출 기준의 충족 여부를 판단해야 합니다. 이는 인적 오류가 발생하기 쉽고 시간이 많이 소요되는 과정인데, 이러한 특성은 특히 모기지, 자동차 대출, 신용카드, 상업 대출과 같은 복잡한 대출을 처리할 때 더욱 부각됩니다. 그와 동시에 공정 대출법을 준수하고 신청인에 대한 편견과 차별을 배제해야 하기에 문제는 더욱 어려워집니다.

이러한 대출 심사 업무에 생성형 AI를 도입하면 절차적 신속성, 정확성, 효율성을 제고할 수 있습니다. 생성형 AI는 지능형 자동화를 통해 신청자의 세부 정보를 심층 분석하여 필요한 데이터를 추출 및 해석하고, 이를 사전 정의된 대출 기준 및 과거 데이터와 비교할 수 있습니다. 승인 담당자는 해당 평가 결과를 바탕으로 대출 승인, 조정, 거절과 같은 결정을 내려 지능형 자동화 워크플로를 트리거할 수 있습니다. 위험이 높다고 판단될 때는 의사 결정 워크플로 자동화를 거치기 전에 해당 건에 플래그를 지정해서 심사자가 직접 검토하게 할 수 있습니다.

신용 한도 설정

신용 한도를 설정할 때는 리스크 관리와 고객 만족의 균형을 모색해야 합니다. 생성형 AI와 지능형 자동화를 통합하면 해당 프로세스를 대폭 최적화하여 정확성, 효율성, 속도를 향상할 수 있습니다.

이 경우 생성형 AI는 신청인의 복잡한 비정형 신용 기록을 세부적으로 파악하여 과거의 재무 행태, 현재 재무 상태, 잠재적 위험을 분석할 수 있습니다. 해당 데이터를 사전 정의된 대출 기준 및 과거 데이터와 비교하여 해석함으로써, 생성형 AI는 각 신청인의 위험 프로필을 요약하고 결제 및 거래 내역을 정리합니다. 이는 심사 담당자가 복잡한 계좌에 대한 신용 한도를 결정하거나 자동화된 다음 단계에 관련 사실을 반영하는 데 도움이 됩니다. 생성형 AI와 자동화는 신용 한도 결정 내용에 따라 고객과의 커뮤니케이션 초안을 작성하고 후속 조치를 취할 수 있습니다. 이를 통해 운영 효율성을 높이고 투명한 소통을 통해 고객 만족도를 높일 수 있습니다.

불이행 채무 구조조정 및 압류

불이행 채무 및 압류를 처리하는 과정은 복잡합니다. 이와 관련하여 금융 서비스 기업은 커뮤니케이션의 내용과 주기, 상환 계획 수립, 법적 절차 관리를 최적화하여 상당한 효율화를 달성할 수 있습니다. 생성형 AI와 지능형 자동화를 통합하면 비용을 절감하면서 의사 결정을 간소화하고 가속화할 수 있습니다.

이 경우 생성형 AI는 채무자의 프로필, 담보 내역, 결제 거래 내역 등을 비롯한 각종 비정형 데이터의 정보를 종합할 수 있습니다. 생성형 AI는 각각의 연체된 채무에 대해 종합적인 위험 프로필을 작성하여, 심사자가 채무 이행 일정을 수정하거나 채무를 부분적으로 탕감하는 등 최적의 워크아웃 프로그램을 결정할 수 있게 돕습니다. 지능형 자동화는 해당 결정에 상응하는 워크플로를 실행하여 관련 절차의 속도와 효율성을 높일 수 있습니다.

불만 해결

불만 해결은 금융 서비스 산업의 고객 서비스에서 중요한 요소입니다. 고객 불만을 해결할 때는 일반적으로 계정, 제품, 거래 내역과 같은 다양한 고객 정보를 검토해서 적절한 해결 방법을 결정해야 합니다.

고객 불만 해결 업무에 적용된 생성형 AI는 계정 데이터를 빠르게 수집하고 상품과 거래 내역을 분석해 불만의 맥락을 파악함으로써, 다양한 출처의 정보를 조사하는 데 걸리는 시간을 단축할 수 있습니다. 또한 생성형 AI는 고객 행동의 패턴과 경향성을 찾아내어 불만의 맥락을 상세하게 확인하여 정확하고 시의적절한 해결을 가능하게 합니다. 지능형 자동화는 이러한 인사이트를 바탕으로 환불, 사과, 서비스 변경과 같은 적절한 조치를 신속하게 실행하고, 복잡한 케이스는 사람이 검토하도록 에스컬레이션할 수 있습니다.

CSR 지원 및 서비스 요청에 대한 최적의 다음 작업 결정

CSR(고객 서비스 담당자)을 지원하고 서비스 요청에 대한 NBA(최적의 다음 작업)를 결정하는 과정은 금융 서비스 업계의 고객 서비스에서 매우 중요한 요소입니다. 고객 서비스 품질을 확보하려면 고객 정보, 거래 내역을 면밀하게 파악하고 고객의 요구를 정확하게 예측해야 합니다. 특히 여러 시스템과 대량의 요청을 처리할 경우, 해당 프로세스의 복잡성이 증가하고 많은 시간이 소모될 수 있습니다.

이 경우 지능형 자동화 어시스턴트에 내장된 생성형 AI를 사용하면 CSR의 역량을 강화할 수 있습니다. 생성형 AI는 고객 행동의 패턴과 경향성에 대한 인사이트와 함께 간결한 고객 정보 요약본, 상담 시작을 위한 권장 스크립트, 통화 후 상담 내용 문서화 기능을 제공합니다. 따라서 이를 바탕으로 고객의 요구를 더욱 정확하게 예측하고 더 나은 품질의 고객 서비스를 제공할 수 있습니다. 이와 함께 지능형 자동화를 활용하면 CSR이 문의 해결, 제품 제안, 통화 에스컬레이션 등의 작업을 신속하게 처리할 수 있습니다.

교차 판매

교차 판매는 금융 서비스 업계의 핵심 전략으로, 고객 만족도를 높이고 매출 성장을 촉진하는 것이 목적입니다. 교차 판매에서는 고객 정보와 제품 이력을 포괄적으로 이해하는 한편 고객의 요구를 예측해야 합니다. 교차 판매 기회를 파악하고 후속 조치를 취하는 과정은 특히 방대한 고객 기반을 대상으로 할 때 상당히 복잡해집니다.

이 경우 지능형 자동화와 생성형 AI는 고객 프로필과 제품 이력을 심층적으로 분석하여 고객의 요구에 부합하거나 고객 유지율을 높일 잠재적 상품과 서비스를 제안함으로써 교차 판매의 효율성을 높이고 판매를 촉진할 수 있습니다. 생성형 AI는 고객 행동의 패턴과 경향성을 파악하여 고객의 요구를 예측하는 정확도를 높이고 더욱 적합한 맞춤형 상품을 추천할 수 있습니다. 더 나아가서 지능형 자동화는 머신러닝 모델을 활용해 추천 상품을 더욱 세심하게 선별하여 다양한 고객에게 맞는 맞춤형 상품을 제안할 수 있습니다. 예컨대 당좌 예금 고객에게는 신용카드를, 저축/CD 고객에게는 증권 계좌를, 기존의 장기 고객에게는 자동차/주택 대출을 권할 수 있는 것입니다.

의료 서비스

진료용 의료 정보 요약

의사는 환자의 방문 기간과는 무관하게 각 환자의 EHR(전자 의료 기록)을 검토하는 데 평균적으로 16분을 소비합니다. 이때 의사는 환자의 병력에서 중요한 내용을 종합하여 전반적인 진료 상황을 파악하고 우선순위를 설정하며 적절한 치료책이나 추가적인 조치를 처방합니다. 설령 케이스가 비교적 단순하다고 해도, 의사는 이 과정에서 병원 기록, 체계화되지 않은 의사와 간호사의 기록, 진단 및 영상 검사 결과, 투약 기록, 가족력과 사회력, 이전 의료진의 기록, 진료 의뢰서 등을 아우르는 다양한 정보를 검토해야 합니다. 환자가 복잡한 병력과 서로 영향을 미칠 수 있는 여러 질환을 앓고 있는 경우 이 작업은 더욱 어려워집니다.

이 경우 RPA(로보틱 프로세스 자동화)로 환자 데이터를 수집한 다음 생성형 AI를 통해 해결해야 할 주요 문제나 추가로 파악해야 할 정보를 명시하는 간결한 요약 문서를 작성할 수 있습니다. 이를 통해 의료 정보를 찾고 종합하는 데 걸리는 시간은 약 70~80% 절약되고 생산성은 40% 향상될 것으로 추정됩니다.

환자 메시지 분류

33%의 의사들은 근무시간이 아닐 때에도 환자 이메일 및 메시지에 응답하느라 2시간 이상을 소비하면서 개인적인 여가를 즐기거나 가족과 함께할 시간을 빼앗기고 있습니다. 이는 의사들의 번아웃을 유발하는 요인의 63%를 차지하는 심각한 문제로서, 진료 방해, 의료 사고 및 의료 과실 발생 위험 증가, 약물 남용, 환자 만족도 하락, 환자 회복 지연을 야기하는 등 의료 업무에 심각한 위험을 초래할 수 있습니다.

이 경우 지능형 자동화와 생성형 AI를 활용하여 환자 메시지를 분류하고, RPA와 생성형 AI를 활용해서 비정형적인 메시지 내용을 분석해 환자의 우려와 문제를 식별한 다음, EHR 시스템에서 관련 상황을 확인한 후 메시지를 신속하게 요약할 수 있습니다. 이러한 지원을 통해 의사는 환자의 문제를 해석하는 데 소요되는 시간을 약 75% 줄일 수 있습니다.

한편 생성형 AI는 초기 권장 사항을 제시할 수도 있습니다. 의사는 생성형 AI가 제안한 권장 사항을 살펴보고 필요한 부분을 수정한 다음, Automation Co-Pilot을 사용해서 환자를 응급실로 보내거나, 다음날에 진료 예약을 잡거나, 검사 및 처방을 주문하는 등의 방식으로 적절하게 대응할 수 있습니다.

환자를 위한 진료 후 요약지

연구에 따르면 상당수의 환자가 복약 지도를 정확히 이해하지 못하며 진료를 통해 의사가 주문한 바를 주변인에게 정확히 전달하지 못하는 것으로 나타났습니다. 하지만 연구에 따르면 환자들에게 서면 진료 요약서 또는 AVS(진료 후 요약지)가 매우 유용하다는 점 또한 확인되었습니다. AVS는 환자가 진료 내용을 세부적으로 기억할 수 있게 해줍니다. 이를 통해 환자는 가족과 친지에게 정확한 정보를 전달하고 의사와도 원활하게 소통할 수 있습니다. 이에 힘입어 환자는 주체적으로 다양한 질문을 할 수 있으며, 의사는 자신의 치료 계획을 확고히 전달하고 환자의 치료 순응도를 높일 수 있습니다. AVS에는 이렇게 많은 장점이 있지만, 의사들은 이를 작성하는 데 많은 시간이 소모된다고 느끼기 때문에 그 가치에 대해 서로 분분한 의견을 갖고 있습니다.

이 경우 지능형 자동화와 생성형 AI를 함께 사용해서 환자 데이터 수집 및 대조 작업을 신속하게 수행하면 개인 맞춤형 AVS 초안을 단숨에 작성한 다음 의사가 이를 검토할 수 있습니다. 자동화 솔루션은 RPA를 활용하여 EHR, 보험 적용 범위, 인구 통계의 다양한 시스템에서 환자 데이터를 빠르고 안전하게 검색, 검증, 선별, 체계화, 조합함으로써 생성형 AI가 전반적 진료 상황을 온전하게 이해한 다음 요약본을 작성할 수 있게 합니다.

생성형 AI는 체계화되지 않은 정보와 맥락을 이해하는 능력이 뛰어납니다. 또한 언어, 연령, 문화, 교육 수준, 의료 문해력 등과 같은 개인적 매개변수에 따라 출력을 생성할 줄 알기 때문에 관련 정보를 적절하게 종합 및 요약할 수 있습니다. 의사는 이렇게 작성된 AVS 초안에서 현재의 진료 정보, 진단 결과, 권장 치료법, 후속 조치 등의 항목을 필요에 따라 검토, 검증, 편집, 갱신한 다음 환자, 가족, 간병인에게 제공할 수 있습니다.

인구 건강 분석

인구 건강 분석은 다양한 인구 집단의 경향성을 파악하고, 관련 연구를 준비하고, 건강 격차를 이해하고, 건강 상태를 개선하기 위한 방안을 수립하는데 핵심적인 역할을 합니다. 이를 위해서는 EHR, 인구 조사 데이터, 보험 데이터베이스, 건강에 영향을 미치는 사회적 요인을 포함하는 방대하고도 다양한 데이터 집합을 면밀하게 살펴야 하기에 상당한 시간과 자원이 요구됩니다.

이 경우 지능형 자동화와 생성형 AI를 활용하면 인구 건강 분석에 필요한 데이터를 효율적으로 수집, 선별, 분석할 수 있습니다. 지능형 자동화를 통해 RPA를 활용하면 이질적인 각종 시스템에서 데이터를 안전하고 신속하게 검색, 검증, 수집하여 인구의 건강 상태를 종합적으로 파악할 수 있습니다.

이렇게 준비된 데이터 집합을 바탕으로 생성형 AI는 패턴, 경향성, 상관관계를 파악할 수 있습니다. 이를 통해 질병 유병률, 위험 요인, 건강 격차, 사회적 요인이 건강 상태에 미치는 영향에 대한 인사이트를 생성할 수 있습니다. 이러한 인사이트는 향후 정책 결정자, 의료 서비스 제공자, 일반 대중 등 각 대상에 맞는 형식으로 요약될 수 있습니다. 또한 생성형 AI는 분석한 데이터를 기반으로 예측 모델을 생성하여 보건 경향성과 결과를 모델링하고 예측함으로써 선제적인 계획 수립과 대응을 가능하게 합니다.

연구 문서

연구자들은 연구 데이터를 수집, 대조, 분석하는 데 상당한 시간을 소비합니다. 연구 문서화 프로세스를 개선하면 연구 성과를 실제 의료 현장에 더욱 신속하게 적용할 수 있으므로 환자의 예후를 크게 개선하고 의료계 전반에도 많은 도움이 됩니다.

이 경우 지능형 자동화와 생성형 AI를 도입하는 즉시 연구 문서화 및 데이터 처리 속도를 높일 수 있습니다. RPA 기능을 활용하여 임상 시험, 환자 기록, 진단 검사 결과 등의 다양한 출처에서 연구 데이터를 체계적으로 수집하고 정리함으로써 연구자는 데이터 관리를 위한 수작업을 최소화할 수 있습니다. 생성형 AI는 데이터를 지능적으로 분석해 패턴, 이상 징후, 상관관계를 찾아냄으로써 이 과정을 한층 더 개선할 수 있습니다.

퇴원 계획 수립

퇴원 계획 수립은 병원에서 가정이나 다른 치료 환경으로 옮겨가는 중요한 전환점이지만 의료 부문에서 복잡한 과제를 발생시키기도 합니다. 여러 전문 의료인이 참여하는 이 과정에서는 환자의 건강 상태, 가용 자원, 퇴원 후 치료에 필요한 사항 등의 요소를 신중하게 고려해야 합니다. 퇴원 계획 수립 과정을 개선하면 진료 환경 전환 시 발생할 수 있는 재입원이나 약물 부작용과 같은 문제를 완화할 수 있습니다. 지능형 자동화와 생성형 AI를 활용하면 퇴원 계획 수립 프로세스를 더 빠르고 정확하게 효율적으로 처리함으로써 오류가 발생할 가능성을 최소화하고 관련 규정을 더욱 엄밀하게 준수할 수 있습니다.

이 경우 생성형 AI와 지능형 자동화를 적용하려면 EHR(전자 의료 기록), 세부적인 보험 보장 범위, 인구 통계 정보 등의 관련 소스에서 중요한 환자 데이터를 가져오는 자동화 솔루션을 먼저 배포해야 합니다. 지능형 자동화는 데이터를 안전하게 검색, 검증, 결합하여 환자가 놓인 의료적 상황에 대한 종합적 밑그림을 그립니다.

생성형 AI는 의료진의 감독 하에 이러한 모든 비정형 정보를 맥락에 맞게 분석한 다음 병력, 현재 건강 상태, 가용한 자원, 퇴원 후 치료 방안 등의 요소를 고려하여 환자의 고유한 상황에 맞는 맞춤형 퇴원 계획을 마련할 수 있습니다. 무엇보다도 생성형 AI는 언어, 연령, 문화, 교육 수준, 의료 문해력과 같은 개인 맞춤형 매개변수를 고려할 수 있습니다. 덕분에 고도의 맞춤형 퇴원 계획을 상세하면서도 명확하고 간결한 형식으로 작성하여 의료 전문가와 환자 모두에게 제공할 수 있게 됩니다.

의료 청구 및 코딩

의료 청구 및 코딩은 의료 산업에서 반드시 필요한 과정이지만 복잡하며 많은 시간을 소모하기도 합니다. 해당 업무에서는 각종 의료 절차, 진단, 치료를 보험 및 비용 청구용 표준 코드로 변환해야 합니다. 이러한 코딩을 수작업으로 수행하면 오류가 발생하기 쉽습니다. 또한 자주 변경되는 코딩 규정으로 인해 그 과정이 더욱 복잡해지면서 청구 거부 및 재정적 손실로 이어지는 경우도 많습니다. 생성형 AI는 의료 코딩의 효율성, 속도, 정확성을 향상하는 동시에 규정을 준수하고 비용을 절감할 수 있는 길을 제시합니다.

이 경우 의료 서비스 제공자는 생성형 AI 기반의 지능형 자동화 도구를 기존 코딩 시스템에 통합함으로써 의료 코딩 프로세스를 지원하고 궁극적으로는 관련 업무를 자동화할 수 있습니다. 생성형 AI는 의료 문서를 분석해 핵심 정보를 추출한 다음 최신 코딩 가이드라인에 따라 정확한 코드를 제안할 수 있으며, 그 정확도는 시간이 지나면서 점점 높아지게 됩니다.