기업 내 문서를 데이터화 하라

엄밀하게 말하자면, 기업이나 조직 내에 존재하는 모든 자료와 정보도 모두 데이터라고 할 수 있습니다. 보통의 경우 정형 데이터 위주로 많이 분석하기 때문에 일반적으로 데이터라고 하면 정형 데이터만 떠올리기 쉽지만, 기업이나 조직 내 모든 문서와 자료도 기업의 데이터라고 할 수 있습니다. 특히 최근 생성형 AI 적용이 활발해지면서 기존의 정형 데이터 중심의 활용에서 문서 등 기존에 활용하기 어려웠던 비정형 데이터로 데이터 활용의 범위가 확장되는 추세입니다. 예를 들면 기존에는 텍스트 등의 문서 데이터는 대부분 워드 클라우드 형태 등으로 빈도를 확인하는 수준의 간단한 활용이 대부분이었습니다. 하지만 생성형 AI가 적용되면서 문장 간의 맥락을 파악하고 관계성을 분석하는 것이 훨씬 쉬워지게 되었습니다. 이를 계기로 기존에 제대로 활용되지 못했던 문서들이 활용 가능한 데이터 영역으로 들어오게 되었습니다.

대표적으로 사내 프로세스를 운영하는 서버 또는 시스템에 업로드되어 저장/관리되는 다양한 문서들을 예로 들어보겠습니다. 지금까지는 사내 문서 정보는 사람이 직접 찾아서 읽고 이해하는 수준으로 활용되는 것이 대부분이었습니다. 하지만 이러한 문서들을 전사적으로 파싱하고 DB화 함으로써 LLM 형태의 AI 모델이 이해하고 활용하는 것이 가능하게 되었습니다. (아직까지는 기업의 개인 업무용 PC에 저장된 구성원의 문서까지 AI 모델을 기반으로 활용하는 것은 쉽지 않습니다. 이를 위해서는 문서의 관리체계 뿐만 아니라 개인정보보호 측면에서 추가적인 사전 검토가 필요합니다.) 

AI 기반의 사내 데이터 활용

생성형 AI를 활용한 사내 데이터 활용 (생성형 AI 활용 - Gemini)

만일 사내 특정 도메인에서의 업무 프로세스나 정책 문서에 있는 내용을 AI 모델을 통해 검색하고 원하는 정보를 바로바로 추출하여 활용할 수 있다면, 그 자체만으로 업무 생산성을 획기적으로 개선할 수 있을 것입니다. 또한 특정 영역에서는 노하우나 지식을 자산화할 수도 있을 것입니다.
예를 들면 특정 제품에서 품질 관련 이슈가 발생했을 경우, 지금까지는 그 품질 이슈를 담당했던 사람을 찾거나 해당 문서를 직접 찾아서 문제를 해결하는 방식으로 활용했습니다. 하지만 만일 이런 품질 문서를 파싱 하여 DB화 한 후 저장하고 있다면, 누구나 AI 모델을 활용하여 해당 품질 문제를 쉽게 검색하고 해결방안을 찾을 수 있을 것입니다. 설사 그 해결책이 10년 전의 지식이라고 하더라도. 이렇게 챗봇 기능과 연계된 사내 문서를 AI 모델로 검색하고 활용하는 것은 단순히 업무 효율성을 높인다는 측면 뿐만 아니라 사내 지식을 자산화한다는 측면에서 엄청난 가치를 지닙니다. 그리고 이러한 사내 지식의 자산화 범위는 단순히 문서 데이터 뿐만 아니라 콜랩이나 팀즈 등의 협업 도구, 사내 메일 시스템 등으로 확장될 수 있습니다.

사내 지식을 자산화하고 AI를 통해 활용하기 위해서는 업무 수행 측면에서 몇 가지 개선되어야 하는 사항이 있습니다. 먼저 사내 문서를 작성할 때 파워포인트나 엑셀, 이미지보다는 가급적 워드 등 정보의 파싱이 용이한 텍스트 문서 형태로 작성하는 것이 좋습니다. 다음으로는 DB화 된 문서 정보를 AI 모델을 통해 통합적으로 조회하고 확인할 수 있도록 전사 관점에서 시스템화된 형태로 관리되고 활용될 수 있도록 해야 합니다. 이를 AI Agent화 하는 것도 하나의 방법입니다. 무엇보다 이제는 사내에서 생성되는 모든 문서가 개인의 업무 산출물이 아니라 회사 차원의 자산이라는 인식과 함께 모든 것은 데이터이자 자산이라는 생각을 항상 염두에 두어야 합니다.