크라우드웍스, 기업 AX 실패 원인 5가지 분석…데이터 설계·품질관리 실무 백서 발간

기업들이 인공지능(AI) 도입에 투자하고 있지만 실제 업무 환경에서 기대한 성과를 확보하기까지는 여러 과제가 남아 있다. AI 모델의 성능뿐 아니라 기업이 보유한 데이터를 어떤 기준으로 정리하고, 업무 목적에 맞게 가공하며, 운영 과정에서 발생하는 오류를 어떻게 개선하는지가 중요한 변수로 작용하기 때문이다. 특히 내부 문서와 표, 이미지 등 서로 다른 형태의 데이터를 AI가 활용할 수 있도록 변환하는 과정에서 정보의 맥락이 사라지거나 품질 기준이 일관되지 않으면 프로젝트 일정과 결과물의 완성도에 영향을 미칠 수 있다. 크라우드웍스가 실제 AI 프로젝트 수행 경험을 바탕으로 기업의 인공지능 전환(AX)을 어렵게 만드는 원인과 대응 방안을 정리한 백서를 발간했다.

AI 데이터 테크 기업 크라우드웍스는 기업의 AX 추진 과정에서 반복적으로 발생하는 문제를 분석한 백서 ‘우리 조직의 AX가 실패하는 이유’를 발행했다. 이번 백서는 데이터 구축부터 품질 검증, 실제 운영과 개선에 이르는 전 과정을 살펴보고 기업이 실무에서 적용할 수 있는 대응 방안을 제시한다.

크라우드웍스는 다양한 산업군에서 수행한 AI 프로젝트를 분석한 결과, 기업마다 데이터의 형태와 활용 목적은 다르지만 프로젝트 진행 과정에서 마주하는 문제에는 공통점이 있다고 설명했다.

기업이 AI 도입을 결정하더라도 초기 단계에서 업무 목적과 요구사항을 구체적으로 정의하지 못하거나, 데이터 구축 과정에서 원본 정보의 구조와 맥락을 충분히 반영하지 못하는 경우가 발생한다는 것이다. 데이터 가공과 검수 과정에서 기준이 일관되지 않거나 실제 서비스 운영 이후 개선 체계가 마련되지 않은 점도 주요 문제로 지목했다.

백서는 이러한 문제를 목적·요건 정의 부실, 데이터 맥락 유실, 복합 데이터 가공 오류, 주관적 품질 관리, 운영·개선 체계 미흡 등 다섯 가지로 구분했다.

첫 번째 문제는 프로젝트 초기 단계의 목적과 요구사항이 불명확하다는 점이다. AI가 수행해야 할 업무 범위와 필요한 데이터 유형, 결과물의 품질 기준을 충분히 정하지 않으면 실제 데이터 구축 과정에서 예상하지 못한 사례가 발생할 때마다 작업 방식을 수정해야 한다.

이러한 재작업은 프로젝트 일정 지연과 비용 증가로 이어질 수 있다. 크라우드웍스는 대규모 데이터 구축에 앞서 소량의 데이터를 대상으로 사전 작업을 진행하고, 그 결과를 바탕으로 발주 기업과 수행 조직이 품질 기준과 처리 방식을 구체적으로 합의할 필요가 있다고 제안했다.

초기 단계에서 실제 데이터를 활용해 작업 가능성을 확인하면 예외 상황을 미리 발견하고, 이후 대량의 데이터를 처리할 때 적용할 기준을 정교하게 마련할 수 있다는 설명이다.

두 번째는 데이터 추출 과정에서 발생하는 맥락 유실이다. 기업이 보유한 문서는 단순한 텍스트 외에도 표와 이미지, 제목과 본문 사이의 관계 등 다양한 구조적 정보를 포함하고 있다.

이러한 요소를 고려하지 않고 문서에서 글자만 추출하면 AI가 원래 정보의 의미를 정확하게 해석하기 어려워질 수 있다. 예를 들어 표의 수치와 항목 사이의 연결 관계가 사라지거나 이미지에 포함된 설명 정보가 누락되면 데이터의 활용도가 떨어질 수 있다.

크라우드웍스는 이를 해결하기 위해 문서 요소별 특성을 반영해 데이터를 변환하고, 정보의 구조와 관계를 설명하는 메타데이터를 함께 설계하는 ‘AI 레디 데이터(AI-Ready Data)’ 구축 방식을 강조했다.

AI 레디 데이터는 원본 데이터를 단순히 디지털 형태로 옮기는 수준을 넘어 AI 모델이 학습이나 검색, 추론 과정에서 활용할 수 있도록 목적에 맞게 구조화한 데이터를 의미한다. 데이터의 내용뿐 아니라 정보 간 관계와 사용 맥락까지 고려해야 한다는 점에서 일반적인 데이터 추출 작업과 차이가 있다.

금융 챗봇·멀티모달 AI 사례로 살펴본 데이터 품질 관리와 운영 전략

세 번째 문제는 복합적인 데이터 가공 작업에 동일한 기준을 적용하면서 발생하는 오류다. 데이터는 유형과 활용 목적에 따라 처리 방식이 달라져야 하지만, 서로 다른 작업에 하나의 가이드라인을 적용하면 일부 정보가 누락되거나 잘못 분류될 수 있다.

특히 텍스트와 이미지 등 여러 유형의 정보를 함께 다루는 멀티모달 데이터는 작업 단계마다 확인해야 할 요소가 다르다. 크라우드웍스는 작업 목적과 데이터 유형, 처리 단계에 따라 세분화된 가이드라인을 마련해야 한다고 설명했다.

네 번째는 작업자의 경험이나 주관적인 판단에 의존하는 품질 관리 방식이다. 동일한 데이터를 처리하더라도 작업자마다 해석과 판단이 달라지면 결과물의 일관성을 확보하기 어렵다.

크라우드웍스는 데이터 품질을 안정적으로 유지하기 위해 독립적인 교차 검수 체계를 마련하고, 결과물의 합격과 재작업 여부를 판단할 수 있는 객관적인 기준을 수립해야 한다고 제안했다.