산업별 AI 활용 사례 — 국내 15개 기관의 도입 성과와 기준

TL;DR 국내 제조·금융·공공·유통·의료·교육·통신 15개 AI 활용 사례를 출처와 함께 정리하고, 우리 조직 업무를 고르는 기준까지 담았습니다.

2026년 국내 기업과 공공기관의 담당자를 위해, 실제로 AI를 업무에 적용한 국내 기관 15곳이 무엇을 바꿨는지 공개 출처를 통해 확인한 사실만으로 정리했습니다.

“AI를 도입하라는데, 다른 회사는 도대체 어디에 쓰고 있나요?” 도입 검토 회의에서 가장 먼저 나오는 질문입니다. 해외 빅테크의 화려한 발표는 많지만 우리와 비슷한 국내 조직이 어떤 업무에 AI를 붙였고 무엇이 달라졌는지를 한곳에 모은 자료는 드뭅니다. 이 글은 제조, 금융, 보험, 유통, 물류, 공공, 의료, 교육, 통신 분야에서 공개 보도자료와 언론 보도로 확인되는 AI 활용 사례 15건을 골라 무슨 업무에, 어떤 AI를, 어떤 결과로 썼는지 같은 틀로 정리합니다. 성과 수치는 출처에 적힌 그대로만 옮겼고, 계획 단계인 사례는 계획이라고 밝혔습니다. AI의 기본 개념은 AI란 무엇인가에서, 문장과 이미지를 만드는 기술은 생성형 AI란에서 먼저 보셔도 좋습니다.

“AI 활용 사례”, “AI 활용”, “산업별 AI 사례”를 검색하는 분들이 실제로 궁금해하는 내용을 기준으로 순서를 잡았습니다.

1. 국내 기업의 AI 활용은 지금 어느 정도까지 와 있나요?
2. 제조 현장에서는 AI를 어떤 업무에 쓰고 있나요?
3. 은행과 보험사는 AI로 무엇을 바꿨나요?
4. 유통·물류 기업의 AI 활용 사례에는 무엇이 있나요?
5. 공공기관과 지자체는 AI를 어디에 쓰고 있나요?
6. 병원, 학교, 통신사 고객센터의 AI 활용 사례는 어떤가요?
7. 15개 사례에서 공통으로 보이는 성공 패턴은 무엇인가요?
8. 우리 조직은 어떤 업무부터 AI를 적용해야 하나요?

AI 활용 사례를 모은 글은 많지만, 그대로 우리 조직에 옮기기 어려운 경우가 대부분입니다. 사례마다 다루는 업무와 기술, 그리고 성과를 말하는 방식이 제각각이기 때문입니다. 이 글은 15건 모두를 같은 세 가지 질문으로 읽습니다.

첫째, 무슨 업무인가입니다. “AI를 도입했다”는 문장은 아무것도 알려 주지 않습니다. 품질 검사인지, 사기 거래 탐지인지, 상담 요약인지처럼 업무 단위로 내려와야 우리 조직의 어느 부서와 겹치는지 비교할 수 있습니다.

둘째, 어떤 AI인가입니다. 같은 AI라도 이미지를 보고 불량을 가려내는 비전 AI, 숫자를 보고 다음 값을 예측하는 머신러닝, 문장을 만들어 내는 생성형 AI는 필요한 데이터와 인프라가 전혀 다릅니다. 기술 유형을 구분해 두면 우리에게 그 데이터가 있는지를 바로 따져 볼 수 있습니다. 각 기술 유형의 분류는 AI 종류 총정리에 정리했습니다.

셋째, 무엇이 달라졌다고 누가 말했나입니다. 성과 수치는 대부분 기업이나 기관이 직접 발표한 값입니다. 외부 감사를 거친 숫자가 아니고, 측정 기준도 서로 다릅니다. 그래서 이 글은 수치마다 출처와 시점을 밝히고, 실적과 계획을 구분했습니다.

이 세 가지 기준으로 보면 AI 활용 사례는 남의 자랑이 아니라 우리 업무를 고르는 비교표가 됩니다. 아래 사례 하나하나를 읽으실 때도 이 표를 옆에 두시기 바랍니다.

먼저 15건 전체를 한 표로 봅니다. 사례 번호는 이 글의 본문 순서와 같습니다.

표를 세로로 훑어보면 흥미로운 점이 하나 보입니다. 15건 가운데 생성형 AI가 주인공인 사례는 절반이 안 됩니다. 품질 예측, 사기 탐지, 인수심사, 배차, 영상 판독처럼 숫자와 이미지를 다루는 예측형 AI가 여전히 성과의 큰 몫을 차지합니다. AI 활용 사례를 찾을 때 챗봇만 떠올리면 이미 효과가 검증된 영역을 놓치게 됩니다.

생성형 AI가 들어가는 자리만 따로 떼어 보면 네 영역으로 정리됩니다. 아래 슬라이드는 문서에서 답을 찾는 정보 검색, 데이터를 읽는 분석과 예측, 보고서와 거래 데이터를 만드는 기록, 제조와 설비 운영을 나란히 보여 줍니다.

그림. 생성형 AI가 들어가는 네 가지 업무 영역

사례로 들어가기 전에 전체 그림을 봅니다. 국내 AI 활용 수준을 보여 주는 대표 통계는 두 가지입니다.

두 조사는 질문 방식과 대상이 달라 숫자를 직접 비교할 수는 없습니다. 그래도 방향은 같습니다. AI를 실제 업무 체계에 넣은 기업은 아직 소수이고, 쓰기 시작한 기업은 빠르게 늘고 있다는 것입니다. 직원 개인이 외부 챗봇을 쓰는 단계와, 조직이 업무 절차 안에 AI를 넣고 효과를 재는 단계 사이에는 큰 간격이 있습니다. 이 글에서 다루는 AI 활용 사례는 모두 뒤쪽, 곧 조직의 업무 시스템 안에 AI를 넣은 경우입니다. 특히 제조업 도입률이 정보통신업보다 크게 낮다는 점은, 이 글의 제조 AI 활용 사례가 아직 앞선 소수의 이야기라는 뜻이기도 합니다.

또 하나 눈여겨볼 대목은 성과입니다. AI를 도입한 기업의 부가가치와 매출이 늘었다는 분석은 AI가 비용 절감 도구에 그치지 않고 생산성 지표에 반영되기 시작했다는 신호로 읽을 수 있습니다. 다만 이 수치는 도입 기업 전체의 평균이므로, 개별 업무의 효과는 아래 사례처럼 업무 단위로 따로 재야 합니다. 업종 전반의 디지털 전환 흐름은 AX란 무엇인가에서 함께 보실 수 있습니다.

제조 분야 AI 활용 사례는 대부분 품질과 공정에서 출발합니다. 불량 하나, 설비 정지 한 번이 곧 비용으로 이어지고, 센서와 검사 장비가 이미 데이터를 쌓고 있기 때문입니다.

사례 1. LG전자 — 시제품 없이 완제품 품질을 미리 예측합니다. LG전자는 제품 설계 단계에서 시제품을 만들기 전에 완제품의 품질을 AI로 예측하는 기술을 개발했습니다. 기존에는 컴퓨터 시뮬레이션으로 한 번 예측하는 데 약 3~8시간이 걸렸는데, AI 예측으로 이 시간을 3분 이내로, 최대 99%까지 단축했다고 2025년 3월 LG 보도자료에서 밝혔습니다. 같은 발표에서 모델 학습 시간은 95% 이상 줄고, 메모리 사용량은 기존의 10분의 1 수준이며, 예측 정확도는 15% 이상 높아졌다고 설명했습니다. 이 기술은 웹 기반 플랫폼으로 사내 설계자들이 쓰도록 준비하고 있습니다.

이 사례가 의미 있는 이유는 AI가 사람의 판단을 대신한 것이 아니라 설계 반복 주기를 줄였다는 데 있습니다. 설계자는 한 번 시뮬레이션을 돌리고 반나절을 기다리는 대신, 설계안을 여러 번 바꿔 가며 결과를 바로 확인할 수 있습니다. 시간 단축이 곧 검토할 수 있는 설계안의 수로 바뀐 것입니다.

사례 2. 포스코 — 고로 조업을 딥러닝으로 자동 제어합니다. 포스코 포항제철소의 스마트 고로는 국내 제조 AI 활용 사례 가운데 가장 자주 인용되는 선구 사례입니다. 쇳물을 만드는 고로 내부는 사람이 직접 볼 수 없어 숙련 작업자의 경험에 크게 의존해 왔습니다. 포스코는 고로 내부 상태를 데이터로 읽고 딥러닝으로 조업을 자동 제어하는 방식을 적용했고, 2020년 1월 보도에 따르면 고로 일일 생산량이 240톤 늘고 쇳물 1톤당 연료가 4kg 줄었습니다. 이 성과로 포스코는 2019년 7월 세계경제포럼의 등대공장으로 선정됐습니다.

포스코 사례에서 배울 점은 시점입니다. 이 사례는 생성형 AI가 대중화되기 몇 해 전 이야기입니다. 제조 현장의 AI는 센서 데이터가 쌓인 공정에서 이미 오래전부터 성과를 내 왔다는 것을 보여 줍니다.

같은 흐름은 자동차 공장으로도 이어집니다. 현대자동차는 현대오토에버와 함께 개발한 AI 비전 검사로 육안으로 구분하기 어려운 1mm 크기의 차체 외관 결함까지 찾아내는 기술을 울산 제네시스 공장에 도입하겠다고 2024년 10월 보도에서 밝혔습니다. 보도 시점 기준으로는 도입 예정 단계였으므로 이 글의 15건에는 넣지 않았지만, 검사 공정이 비전 AI의 대표 적용처라는 점은 분명합니다.

세 가지 제조 AI 활용 사례를 우리 공장에 옮겨 보려면 먼저 데이터가 어디에 얼마나 쌓여 있는지를 확인해야 합니다. 품질 예측은 과거 시험 결과가 수천 건 이상 있어야 모델이 의미 있는 패턴을 배우고, 비전 검사는 불량 이미지가 충분해야 합니다. 불량률이 낮은 공정일수록 불량 이미지가 귀해서, 정상 이미지로 이상을 찾는 방식이나 사람이 불량 표시를 보태는 단계가 필요합니다. 또 하나는 현장 작업자의 수용입니다. 숙련 작업자의 판단을 모델이 대신한다고 느끼면 현장은 결과를 믿지 않습니다. 포스코 사례처럼 모델이 내린 제어 결과를 작업자가 함께 보며 조정하는 기간을 두는 것이 제조 AI 활용 사례의 공통된 정착 방식입니다.

금융 분야 AI 활용 사례는 고객 자산을 지키는 일과 창구에서 고객을 맞는 일 두 갈래로 나뉩니다. 앞쪽은 정확도가 곧 돈이고, 뒤쪽은 규제와 신뢰가 핵심입니다.

사례 3. 카카오뱅크 — 보이스피싱과 금융사기를 AI로 막습니다. 카카오뱅크는 이상거래탐지시스템(FDS)에 AI를 적용하고, 통신사 AI가 고객의 통화 패턴을 분석해 보이스피싱 위험 등급을 산출하는 방식도 함께 쓰고 있습니다. 2026년 1월 보도에 따르면 이런 조치로 2025년 한 해 동안 약 385억 원의 고객 자산을 보호했습니다. 2025년 11월에는 거래의 순서와 흐름을 함께 읽는 시퀀스 모델을 시범 도입했고, 2026년 6월 보도에서 FDS 예방 건수가 월평균 4.4배 늘었으며 1분기 금융사기 의심 사례 가운데 시퀀스 모델이 단독으로 잡아낸 비중이 49.8%였다고 밝혔습니다.

이 수치에서 주목할 부분은 마지막 비중입니다. 기존 규칙과 모델이 놓친 의심 사례의 절반 가까이를 새 모델이 따로 잡아냈다는 뜻이기 때문입니다. 사기 수법이 바뀌는 속도를 규칙만으로는 따라가기 어렵다는 것이 금융권이 AI 탐지 모델을 계속 고도화하는 이유입니다.

사례 4. 신한은행 — AI 은행원이 창구 업무를 처리합니다. 신한은행은 2024년 11월 서울 서소문에 AI 브랜치를 열고 대면 창구에 AI 은행원을 배치했습니다. 2024년 12월 9일에는 금융위원회의 혁신금융서비스로 지정됐고, 보도에 따르면 이 AI 은행원은 AI 브랜치에서 창구 업무 64개를 처리할 수 있습니다.

혁신금융서비스 지정이 필요했다는 사실 자체가 금융 AI 활용 사례의 특징을 보여 줍니다. 금융업은 고객 확인, 설명 의무, 망 분리 같은 규제가 촘촘해서 기술보다 제도적 허용 범위가 먼저 결정해야 할 문제인 경우가 많습니다. AI 은행원 사례는 규제 샌드박스를 통해 그 범위를 넓혀 간 방식으로 읽을 수 있습니다.

금융권의 AI 활용 사례를 우리 조직과 비교할 때는 데이터가 어디에서 처리되는지를 함께 봐야 합니다. 금융권은 망 분리 규제가 단계적으로 완화되면서 외부 AI 서비스를 쓸 수 있는 범위가 넓어졌지만, 고객 정보가 들어가는 업무는 여전히 내부 처리 원칙을 유지하는 경우가 대부분입니다. 그래서 금융 AI 활용 사례 가운데 상당수가 내부에서 운영하는 탐지 모델과 업무 범위를 좁힌 언어 모델을 조합하는 구조입니다. 사기 탐지처럼 실시간성이 중요한 업무는 응답 지연도 성과를 좌우하므로, 모델 성능과 함께 운영 인프라를 설계 단계부터 함께 검토해야 합니다.

금융 분야에는 또 하나의 조건이 붙습니다. AI가 내린 판정의 근거를 나중에 설명할 수 있어야 한다는 점입니다. 대출이나 심사에서 부적격 판정이 나왔다면 내부 규정의 어느 조항을 근거로 삼았는지 보여 줄 수 있어야 감사와 민원에 대응할 수 있습니다. 그래서 금융권의 생성형 AI 활용은 답변마다 근거 문서를 함께 남기는 구조를 기본으로 설계합니다.

사례 5. 삼성화재 — 장기보험 인수심사를 머신러닝으로 자동화했습니다. 보험사의 인수심사는 가입 신청자의 정보를 보고 어떤 보장을 받아 줄지 결정하는 업무입니다. 건수가 많고 기준이 복잡해 심사 인력이 오래 매달려야 하는 일입니다. 삼성화재는 머신러닝 기반 자동 심사 시스템 장기U를 운영하고 있는데, 2025년 10월 보도에 따르면 추가 심사 없이 이 시스템만으로 심사가 끝난 비율이 2021년 5월 63%에서 2025년 상반기 88%로 높아졌습니다.

이 수치가 보여 주는 것은 정확도 그 자체보다 사람이 들여다봐야 하는 건수의 감소입니다. 열 건 가운데 아홉 건 가까이를 자동으로 마무리하면, 심사 인력은 판단이 어려운 나머지 건에 집중할 수 있습니다. 보험업의 AI 활용 사례가 대개 이런 모양입니다. 쉬운 다수는 기계가, 어려운 소수는 사람이 맡는 구조입니다.

보험금 지급 쪽에서도 자동화가 진행되고 있지만, 공개된 보도 가운데에는 AI가 아니라 규칙 기반 자동 심사를 설명한 경우도 섞여 있습니다. 보험사의 “AI 자동 심사” 발표를 볼 때는 규칙 기반 자동화와 학습 모델을 구분해서 읽어야 합니다. 두 방식은 유지 보수 비용과 확장성이 다르기 때문입니다.

유통 분야 AI 활용 사례는 재고를 남기지 않는 일과 고객 목소리를 빨리 읽는 일에 모입니다. 매장 수와 상품 수가 많아 사람이 하나하나 판단하기 어려운 업무입니다.

사례 6. 이마트 — 신선식품 할인율을 AI가 정합니다. 신선식품은 유통기한이 짧아 언제 얼마나 할인할지가 손실을 좌우합니다. 이마트는 AI 신선 마크다운으로 할인 시점과 할인율을 정하고 있으며, 2026년 7월 보도에 따르면 수산 129개 점포, 델리 99개 점포에서 운영 중입니다. 같은 보도에서 이마트는 AI 챗봇이 민원 처리의 50% 이상을 맡고 있고, 58개 점포에 AI 카메라 923대를 운영한다고 밝혔습니다. 같은 기사에서 롯데마트는 AI 수요 예측과 재고 관리, 로봇을 활용해 하루 3만 건 이상의 배송을 처리하겠다는 계획을 소개했습니다.

이마트 사례의 핵심은 할인 결정이라는 반복 업무를 점포 단위로 표준화했다는 점입니다. 점포마다 담당자의 감으로 정하던 할인 폭을 같은 기준으로 맞추면, 손실을 줄이는 효과와 함께 점포 사이 편차도 줄어듭니다.

사례 7. 현대백화점 — 생성형 AI가 고객 불만을 분류하고 응대를 돕습니다. 현대백화점은 고객 불만을 분석하는 인사이트 랩스, 이른바 AI 상담실장을 도입했습니다. 2024년 9월 보도에 따르면 이 서비스는 고객 의견과 처리 결과 7만여 건을 학습해 300여 개 범주로 분류하고, 상담 직원에게 응대 가이드를 제시합니다. 개발은 그룹 계열사인 현대퓨처넷이 맡았습니다.

이 사례는 공개된 시간 절감 수치가 없습니다. 그래도 이 글에 넣은 이유는 생성형 AI가 고객 응대 품질을 맞추는 도구로 쓰인 국내 유통 사례이기 때문입니다. 숙련 상담 직원의 처리 방식이 학습 데이터로 남아 신입 직원에게 전달된다는 점에서, 생성형 AI가 조직의 경험을 재사용하는 장치로 쓰인 예입니다.

유통 AI 활용 사례를 우리 조직에 대입할 때 주의할 점은 점포와 채널마다 데이터 품질이 다르다는 것입니다. 할인 최적화는 점포별 판매 기록과 재고 기록이 같은 기준으로 쌓여 있어야 하고, 불만 분류는 상담 기록의 분류 체계가 먼저 정리돼 있어야 합니다. 데이터 정비가 덜 된 상태에서 모델부터 붙이면, 점포마다 결과가 들쭉날쭉해 현장이 AI 결과를 따르지 않게 됩니다. 이마트가 수산과 델리처럼 품목군을 나눠 단계적으로 넓힌 것도 같은 이유로 볼 수 있습니다.

사례 8. CJ대한통운 — 간선 배차와 적재율 계산에 AI를 적용합니다. 택배 물류의 간선 배차는 전국 터미널 사이를 오가는 차량을 어디에 몇 대 보낼지 정하는 일입니다. 2025년 11월 보도에 따르면 CJ대한통운은 140여 곳 센터가 전화로 조율하던 배차를 수요 예측 기반 배차로 전환하는 단계에 있으며, 3PL 물류의 적재율 산정에는 AI 에이전트를 적용해 기존 1시간 걸리던 적재율 계산을 10분 안에 처리할 수 있게 됐다고 발표했습니다. 같은 발표에서 잔류량은 13% 정도 개선됐다고 밝혔습니다.

물류 AI 활용 사례에서 볼 점은 전화와 엑셀로 이뤄지던 조율 업무가 예측과 최적화 계산으로 바뀐다는 것입니다. 배차 담당자가 각 센터와 통화하며 맞추던 일을 모델이 먼저 안을 내고 사람이 확인하는 방식으로 바꾸면, 조율에 쓰던 시간이 예외 처리로 옮겨 갑니다. 다만 CJ대한통운 스스로 “전환하는 단계”라고 표현한 만큼, 배차 쪽 효과는 진행 중인 사례로 보는 것이 정확합니다.

공공 분야 AI 활용 사례는 국민이 직접 체감하는 대국민 서비스와, 공무원이 쓰는 행정 업무 도구 두 방향으로 나뉩니다. 공공기관은 개인정보와 내부망 규정 때문에 외부 AI 서비스를 그대로 쓰기 어렵다는 공통 조건을 안고 있습니다.

사례 9. 국세청 — 홈택스 생성형 AI 세무 상담 챗봇. 국세청은 홈택스에 생성형 AI 세무 상담 챗봇을 열고 부가가치세 신고와 연말정산 상담부터 시작했습니다. 이 챗봇은 국세청이 직접 검증한 상담 사례와 신고 매뉴얼을 근거로 답하고, 세법과 관계없는 질문에는 답하지 않도록 범위를 막아 두었습니다. 2026년 4월 보도에 따르면 부가세·연말정산 챗봇 이용자는 2월까지 51,670명으로 전년 같은 기간 일반 챗봇보다 약 20% 늘었고, 1인당 질의 수는 1.9건으로 약 26% 줄었습니다. 2026년 5월 1일부터는 종합소득세와 근로·자녀장려금 상담으로 넓혀 시범 운영하고, 개인별 과세 정보와 연계한 맞춤 상담은 2028년 도입을 계획하고 있습니다.

국세청 사례에서 눈여겨볼 지표는 이용자 수보다 1인당 질의 수 감소입니다. 같은 답을 얻기 위해 다시 묻는 횟수가 줄었다는 것은, 첫 답변이 질문에 더 정확히 맞았다는 신호로 읽을 수 있습니다. 검증된 내부 문서만 근거로 쓰는 방식은 흔히 RAG라고 부르는데, 그 구조는 RAG란 무엇인가에서 자세히 설명했습니다.

공공 대국민 서비스에 AI 에이전트를 적용한 다른 사례는 공공기관 Ask Gov 도입 사례에서 볼 수 있습니다. 공공기관이 이런 서비스를 기획할 때 점검해야 할 항목은 2025 공공 AI 도입 가이드라인에 정리해 두었습니다.

국세청 챗봇에서 배울 또 하나의 설계 원칙은 답하지 않을 범위를 먼저 정했다는 점입니다. 세법과 관계없는 질문을 막아 두면 엉뚱한 답이 나올 여지가 줄고, 기관이 책임질 수 있는 범위 안에서만 서비스가 동작합니다. 공공 AI 활용 사례에서 이 원칙은 특히 중요합니다. 대국민 서비스의 답변은 기관의 공식 안내로 받아들여지기 때문에, 정확하지 않은 답을 하는 것보다 답하지 않는 편이 낫다는 판단이 설계에 들어가야 합니다.

공공기관 담당자가 가장 자주 받는 질문은 “직원들에게 외부 챗봇 유료 계정을 나눠 주면 되지 않느냐”는 것입니다. 공공 업무에서는 망 분리, 개인정보 국외 이전 제한, 국가정보원의 생성형 AI 보안 가이드라인이 함께 걸리기 때문에 이 방식만으로는 업무 데이터를 다루기 어렵습니다. 2026년 1분기 공공 발주에서는 에이전틱 AI 기반 민원상담처럼 단발성 챗봇을 넘어 여러 단계를 처리하는 AI를 전제로 한 사업도 나타나고 있어, 기관 내부에서 운영할 수 있는 기반의 중요성이 더 커지고 있습니다.

사례 10. 과기정통부·행안부 — 범정부 AI 공통기반을 열었습니다. 2025년 11월 24일 과학기술정보통신부와 행정안전부는 중앙과 지방 정부가 업무망 안에서 민간 AI를 안전하게 쓰도록 하는 범정부 AI 공통기반을 열었습니다. 보도에 따르면 이 기반은 AI 모델과 학습 데이터, GPU를 함께 쓰는 구조이며, 삼성SDS의 생성형 AI 플랫폼이 공문과 회의록 작성을 돕고, 네이버클라우드는 법령 검색 챗봇을 시연했습니다. 지능형 업무관리 플랫폼은 2025년 11월 말부터 2026년 2월 말까지 과기정통부·행안부·식약처에서 시범 운영하고, 온나라 업무관리 시스템을 민간 SaaS로 바꾸는 사업 대상은 300여 개 공공기관, 72만 명 공무원입니다.

이 사례가 다른 AI 활용 사례와 다른 점은 기관 하나가 아니라 정부 전체의 공통 기반이라는 데 있습니다. 기관마다 모델 서빙과 보안 심의를 따로 하면 같은 비용이 수백 번 반복됩니다. 공통 기반을 두고 각 기관이 가져다 쓰게 하는 설계는 중복 투자를 줄이는 공공 AI의 기본 구조로 자리 잡아 가고 있습니다.

사례 11. 지자체 — AI가 독거 어르신에게 안부 전화를 겁니다. 네이버의 클로바 케어콜은 AI가 독거 어르신에게 정기적으로 전화를 걸어 건강과 생활을 묻는 서비스입니다. 2024년 9월 네이버 발표에 따르면 2024년 8월 기준 전국 229개 시군구 가운데 128곳이 도입했고, 이용자는 약 3만 명으로 1년 전의 두 배였습니다. 응답률은 96%, 네이버 자체 설문 기준 만족도는 약 90%였으며, 순천시에서는 통화 중 발화에서 건강 이상 징후를 발견해 급성 간경화 환자를 구한 사례도 소개됐습니다.

이 사례는 공공 AI 활용 사례 가운데 사람이 손이 모자라 못 하던 일을 AI가 새로 맡은 경우입니다. 담당 공무원 한 명이 매일 수백 명에게 전화를 걸 수는 없습니다. AI가 정기 통화를 맡고, 이상 징후가 감지된 사람만 담당자가 찾아가는 구조로 바뀌면서 돌봄의 빈도와 범위가 함께 넓어졌습니다.

의료 분야는 AI가 진단을 대신한다는 오해를 가장 많이 받는 영역입니다. 실제 국내 의료 AI 활용 사례를 보면 의료진의 기록 부담을 덜고 판독을 보조하는 쪽이 중심입니다.

사례 12. 서울아산병원 — 진료 대화를 AI가 의무기록으로 정리합니다. 서울아산병원은 의료진과 환자의 대화를 AI가 실시간으로 인식해 전자의무기록에 정리하는 음성인식 기술을 도입했습니다. 2026년 1월 보도에 따르면 정형외과와 성형외과 외래에서 시범 운영한 뒤 응급실과 병동을 포함한 전 진료 환경으로 넓혔고, 병원 자체 테스트에서 음성인식 정확도는 96.1%, 대화 요약·추론 정확도는 92.8%였습니다. 2025년 10월 보도는 서울아산병원이 2025년 4월 병동에 이 기능을 도입했고, 같은 기능을 쓰는 이른바 빅5 병원이 4곳이라고 전했습니다.

이 사례가 중요한 이유는 의료진이 환자보다 화면을 더 오래 보던 시간을 돌려준다는 데 있습니다. 기록 작업은 진료의 필수 업무지만 환자에게 직접 가치를 주지는 않습니다. 정확도 수치가 병원 자체 측정값이라는 점은 감안해야 하지만, 대형 병원 여러 곳이 같은 기능을 도입하고 있다는 사실은 음성인식과 요약이 의료 현장에서 실용 단계에 들어섰다는 근거입니다.

사례 13. 권역책임의료기관 — 영상 판독 AI가 지역 공공병원으로 갑니다. 보건복지부의 권역책임의료기관 AI 지원사업은 지역 거점 공공병원에 영상 판독 보조 AI를 공급하는 사업입니다. 2026년 6월 보도에 따르면 사업 예산은 142억 원, 대상은 전국 17개 권역책임의료기관이며, 루닛은 그 가운데 단국대병원, 세종충남대병원, 울산대병원, 제주대병원, 전북대병원, 화순전남대병원 6곳의 공급사로 선정돼 흉부 X-ray와 유방촬영 판독 보조 AI를 제공합니다.

이 사례는 의료 AI가 대형 병원의 전유물에서 지역 의료의 격차를 메우는 수단으로 옮겨 가고 있음을 보여 줍니다. 영상의학 전문의가 부족한 지역 병원에서 AI가 1차로 이상 소견을 표시하고 의사가 최종 판독하는 구조입니다. 판독의 책임은 여전히 의사에게 있고, AI는 놓치기 쉬운 소견을 한 번 더 짚어 주는 역할을 맡습니다.

의료 AI 활용 사례를 볼 때는 규제 경로도 함께 봐야 합니다. 영상 판독 보조처럼 진단에 영향을 주는 소프트웨어는 의료기기로서 인허가 절차를 거쳐야 하고, 음성 의무기록처럼 행정 부담을 줄이는 도구는 개인정보 처리와 기록의 정확성 관리가 핵심 과제가 됩니다. 두 사례 모두 의료진이 최종 확인하는 절차를 업무 흐름 안에 넣었다는 공통점이 있으며, 이것이 의료 현장에서 AI가 받아들여지는 기본 조건입니다.

사례 14. 경기도교육청 — 하이러닝으로 학생 맞춤 학습을 지원합니다. 경기도교육청은 AI 기반 맞춤형 학습 플랫폼 하이러닝을 운영하고 있습니다. 2025년 4월 보도에 따르면 2025년 4월 기준 대안교육기관을 포함한 2,640개 학교에서 학생 86만 9,351명과 교사 6만 7,415명이 이 플랫폼을 쓰고 있으며, 2025년에는 AI 논술 문항 생성과 수업 설계안 복제·공유 기능을 더했습니다.

하이러닝 사례의 특징은 AI가 학생만이 아니라 교사의 수업 준비를 함께 돕는다는 점입니다. 문항을 만들고 수업 설계안을 공유하는 일은 교사의 반복 업무인데, 이 부분을 플랫폼이 받쳐 주면 교사는 학생과의 상호작용에 더 많은 시간을 쓸 수 있습니다.

교육 분야에는 반대 방향의 교훈도 있습니다. 교육부가 2025학년도에 도입한 AI 디지털교과서는 2025년 8월 4일 국회 본회의를 통과한 초·중등교육법 개정으로 교과서가 아닌 교육자료로 지위가 바뀌었고, 학교가 사용 여부를 자율로 정하게 됐습니다(경향신문 보도). 이 변화는 기술의 성능만으로는 현장 정착이 보장되지 않는다는 점을 보여 줍니다. 현장의 합의와 운영 부담을 함께 설계하지 않은 AI 도입은 정책 단위에서도 되돌려질 수 있습니다.

두 교육 AI 활용 사례를 나란히 보면 차이가 분명합니다. 하이러닝은 교육청이 플랫폼을 제공하고 학교와 교사가 필요에 맞춰 쓰는 방식으로 넓어졌고, AI 디지털교과서는 전국 단위 의무 도입으로 출발했다가 자율 사용으로 바뀌었습니다. 기업과 기관의 AI 도입에도 같은 교훈이 적용됩니다. 위에서 일괄 적용하기보다 현업이 효과를 확인하며 넓혀 가는 방식이 정착에 유리합니다.

사례 15. LG유플러스 — AI 상담 어드바이저가 상담사를 실시간으로 돕습니다. LG유플러스는 LG AI연구원의 엑사원 3.5를 바탕으로 만든 통신 특화 소형 언어 모델 익시젠으로 고객센터의 AI 상담 어드바이저를 운영합니다. 2025년 5월 보도에 따르면 2024년 9월 도입 뒤 월평균 전체 상담 시간을 약 117만 분 줄였고, 통화당 연결 대기는 평균 17초, 통화 시간은 평균 30초 짧아졌습니다. 전체 상담 시간은 약 19% 개선됐고 목표는 30%이며, 적용 좌석은 200석에서 1,000석으로 늘었습니다. 상담 코드 추천 정확도는 80%에서 99%로 높아졌습니다.

이 사례는 15건 가운데 생성형 AI의 업무 효과를 가장 구체적인 숫자로 보여 주는 AI 활용 사례입니다. 눈여겨볼 점은 범용 대형 모델이 아니라 통신 업무에 맞춘 소형 언어 모델을 썼다는 것입니다. 상담처럼 처리량이 많은 업무는 요청마다 드는 비용과 응답 속도가 중요해서, 업무 범위를 좁힌 작은 모델이 더 경제적인 선택이 되기도 합니다. 소형 모델을 내부에서 운영하는 비용 구조는 프라이빗 sLLM과 TCO에서 비교했습니다.

SK텔레콤도 2026년 5월 뉴스룸에서 고객센터 상담 전·중·후 전 과정에 AI를 도입했다고 밝혔습니다. 챗봇과 콜봇이 24시간 상담을 맡고, 상담 중에는 AI 실시간 어시스턴트가 고객 의견을 분석하며, 상담 뒤에는 AI가 기록을 자동 분류·요약해 다음 상담으로 넘깁니다. 성과 수치는 공개되지 않았지만, 상담 요약과 실시간 응답 추천이 통신 고객센터의 표준 구성이 되어 가고 있음을 확인할 수 있습니다.

고객센터는 AI 활용 사례가 가장 빨리 쌓이는 업무 가운데 하나입니다. 상담 건수가 많고, 통화 시간과 대기 시간이라는 분명한 지표가 이미 관리되고 있으며, 상담 기록이라는 학습 자료가 매일 생기기 때문입니다. 다만 고객센터에 AI를 넣을 때는 상담사의 업무 방식이 함께 바뀐다는 점을 계획에 넣어야 합니다. 추천 답변을 그대로 읽는 상담과 추천을 참고해 고객에 맞게 다듬는 상담은 품질이 다릅니다. 도입 초기에 추천 결과를 상담사가 평가하는 절차를 두면, 그 평가가 다시 모델을 고치는 데이터가 됩니다.

15건의 AI 활용 사례를 분야를 지우고 다시 모아 보면 다섯 가지 패턴이 반복됩니다.

첫째, 성과를 낸 AI 활용 사례는 모두 업무 단위가 좁습니다. “전사 AI 도입”이 아니라 인수심사, 신선식품 할인, 적재율 계산처럼 하나의 반복 업무를 골랐습니다. 업무가 좁아야 효과를 잴 수 있고, 효과를 재야 다음 투자를 설득할 수 있습니다.

둘째, 사람이 최종 판단에서 빠진 사례는 없습니다. 판독은 의사가, 배차 확정은 담당자가, 이상 거래 확인은 직원이 합니다. AI 활용 사례에서 사람의 역할은 사라지는 것이 아니라 예외 처리와 최종 확인으로 옮겨 갑니다. 이 구조는 2026년 1월 22일 시행된 인공지능 기본법이 강조하는 사람의 개입 원칙과도 맞닿아 있습니다(정책브리핑).

셋째, 생성형 AI 사례는 조직 내부 데이터를 근거로 답할 때 성과가 납니다. 국세청은 검증한 상담 사례와 매뉴얼을, 현대백화점은 7만여 건의 처리 기록을, LG유플러스는 통신 업무 데이터를 썼습니다. 범용 챗봇을 열어 두는 것만으로는 이런 결과가 나오지 않습니다.

넷째, 예측형 AI와 생성형 AI는 경쟁하지 않고 나란히 쓰입니다. 카카오뱅크의 탐지 모델과 LG유플러스의 언어 모델은 서로 다른 문제를 풉니다. AI 활용 사례를 볼 때 기술 유행보다 문제의 모양에 맞는 기술을 골랐는지를 봐야 합니다. 두 계열의 차이는 생성형 AI와 판별형 AI 비교에서 볼 수 있습니다.

다섯째, 성공한 AI 활용 사례 뒤에는 공통 기반이 있습니다. 범정부 AI 공통기반은 모델과 GPU를 함께 쓰고, 하이러닝은 교육청 단위 플랫폼 위에서 학교마다 쓰임새를 넓혔습니다. 기업도 마찬가지입니다. 첫 과제는 업무 하나로 좁게 시작하더라도, 그 과제를 돌린 인프라와 데이터 연결 방식을 다음 업무가 재사용할 수 있게 만들어야 두 번째, 세 번째 AI 활용 사례가 훨씬 빠르게 나옵니다.

반대 방향의 실패도 흔합니다. 업무 시스템마다 AI 모듈을 따로 붙이면 모델, 데이터 연결, 보안 검토, 유지 보수가 시스템 수만큼 반복됩니다. 플랫폼 한 곳이 여러 업무 시스템에 같은 방식의 연결 창구를 제공하면 보안 검토를 한 번에 끝내고 데이터 관리도 한곳에서 할 수 있습니다.

업종이 달라도 반복되는 업무가 비슷하다는 점도 공통 기반을 두는 이유입니다. 아래 슬라이드처럼 금융, 제조, 헬스케어, 부동산 모두 법령과 규정을 대조하고 문서의 정보를 옮겨 적는 일을 공통으로 안고 있습니다.

그림. 업종이 달라도 반복되는 문서 업무는 비슷하다

AI 활용 사례를 근거로 내부 보고서를 쓸 때 가장 흔한 실수는 남의 성과 수치를 우리 기대 효과로 그대로 옮기는 것입니다. 수치를 인용하기 전에 다음 네 가지를 확인해야 합니다.

첫째, 누가 잰 숫자인가. 이 글의 성과 수치는 대부분 기업과 기관이 직접 발표한 값입니다. 서울아산병원의 정확도는 병원 자체 테스트이고, 클로바 케어콜의 만족도는 네이버 자체 설문입니다. 외부 검증 수치가 아니라는 점을 보고서에 함께 적는 것이 안전합니다.

둘째, 실적인가 계획인가. 현대자동차의 비전 검사는 보도 당시 도입 예정이었고, 롯데마트의 하루 3만 건 배송은 계획이며, 국세청의 맞춤 상담은 2028년 도입 계획입니다. 계획 수치를 실적처럼 인용하면 내부 기대치가 과도하게 올라갑니다.

셋째, 기준선이 무엇인가. LG전자의 “최대 99% 단축”은 컴퓨터 시뮬레이션 대비이고, 국세청의 “이용자 약 20% 증가”는 전년 일반 챗봇 대비입니다. 기준선이 다르면 같은 퍼센트라도 의미가 다릅니다.

넷째, AI 효과만 따로 잰 숫자인가. SK텔레콤이 소개한 우수 콜센터 선정은 AI만이 아니라 상담 품질 전반에 대한 평가입니다. 카카오뱅크의 고객 자산 보호 금액도 여러 조치를 합친 결과입니다.

결국 다른 조직의 AI 활용 사례는 “이 업무는 AI로 바뀔 수 있다”는 가능성의 증거로 쓰고, 효과의 크기는 우리 데이터로 다시 재야 합니다. 시범 사업을 설계할 때 이 기준선 측정을 첫 단계로 넣어야 합니다.

사례를 읽은 다음 단계는 우리 조직에서 첫 과제를 고르는 일입니다. 15개 AI 활용 사례에서 성과를 낸 업무에는 공통 조건이 있었습니다. 그 조건을 점수표로 바꾸면 다음과 같습니다.

표의 두 번째 기준인 데이터 준비는 양보다 상태가 중요합니다. 아래 슬라이드는 AI 과제에 쓰는 데이터가 갖춰야 할 네 가지 조건을 정리한 것으로, 하나라도 빠지면 모델 성능과 관계없이 과제가 멈출 수 있습니다.

그림. AI 과제에 쓰는 데이터가 갖춰야 할 네 가지 조건

점수가 높은 업무부터 하나를 고르고, 다음 순서로 진행하는 것이 안정적입니다.

1. 업무 하나를 고릅니다. 위 표에서 반복 빈도와 효과 측정 점수가 모두 높은 업무를 고릅니다.
2. 현재 값을 잽니다. 처리 시간, 처리 건수, 오류율처럼 바꾸고 싶은 지표의 현재 값을 시범 사업 전에 기록합니다.
3. 데이터 위치와 권한을 확인합니다. 학습이나 검색에 쓸 문서와 기록이 어디에 있고, 누가 볼 수 있는지 정리합니다.
4. 배치 방식을 정합니다. 데이터를 밖으로 보낼 수 없다면 내부 서버에서 모델을 운영하는 구축형을 택합니다.
5. 사람의 확인 단계를 설계합니다. AI 결과를 누가, 언제, 어떤 기준으로 확인할지 업무 절차에 넣습니다.
6. 효과를 재고 넓힙니다. 시범 결과를 기준선과 비교한 뒤 같은 플랫폼 위에서 다음 업무로 넓힙니다.

이 순서를 건너뛰고 전사 챗봇부터 여는 조직은 사용률이 금방 떨어지는 경우가 많습니다. 담당 부서는 다음 90일 안에 첫 업무 하나와 기준선 지표를 결정해야 한다는 목표로 시작하는 편이 현실적입니다. 도입 순서 전체를 전략 관점에서 보려면 AX 전략 로드맵을 함께 참고하시기 바랍니다.

국내 AI 활용 사례를 다시 보면, 공공·금융·의료처럼 민감한 데이터를 다루는 분야일수록 데이터를 조직 밖으로 보내지 않는 방식을 택했다는 공통점이 있습니다. 범정부 AI 공통기반이 업무망 안에서 민간 AI를 쓰도록 설계된 것도, 국세청이 검증된 내부 문서만 근거로 쓰는 것도 같은 이유입니다.

데이터 반출을 막으면서 AI를 쓰는 방법은 크게 세 가지입니다.

• 구독형 서비스의 기업 계약: 외부 AI 서비스를 쓰되 계약으로 학습 활용을 막는 방식입니다. 시작이 빠르지만 데이터 처리 위치와 보관 기간은 계약마다 확인해야 합니다.
• 전용 클라우드 구역: 퍼블릭 클라우드 안에 조직 전용 구역을 두고 모델을 운영하는 방식입니다. 보안 인증 범위를 확인해야 합니다.
• 내부 구축형(온프레미스): 조직의 서버와 GPU에 공개 모델이나 국내 모델을 올려 운영하는 방식입니다. 초기 투자가 들지만 데이터가 조직의 통제 범위를 벗어나지 않습니다.

어느 방식이든 공통으로 필요한 것은 사용 기록과 권한 관리입니다. 같은 AI라도 인사팀 직원이 볼 수 있는 문서와 영업팀 직원이 볼 수 있는 문서는 다르기 때문에, 문서 검색 결과도 질문한 사람의 권한에 맞춰 걸러야 합니다. 이 권한 설계를 뒤로 미루면 시범 사업은 성공해도 전사 확산 단계에서 보안 심의에 막히는 경우가 많습니다. 누가 어떤 데이터로 어떤 답을 받았는지 남아 있어야 감사와 사고 대응이 가능합니다. 공공기관이 내부 구축형을 택하는 이유와 구성 요소는 공공기관 AI, 왜 온프레미스여야 하는가에서 자세히 다뤘습니다. 국내 AI 기업과 서비스 사례를 더 폭넓게 보려면 NIPA 국내 대표 AI 기업·서비스 사례집 요약도 참고할 만합니다.

계약 단계에서는 데이터 소유권을 따로 확인해야 합니다. 조직이 입력한 원본 데이터만이 아니라, 모델이 처리 중에 만든 임베딩과 캐시 같은 중간 데이터, 사용자에게 돌려준 출력 데이터까지 어디에 보관되고 누가 지울 수 있는지 정해 두어야 합니다. 로그 분석을 이유로 외부로 자동 전송된다는 조항이 부속서에 숨어 있으면, 보안성 검토나 감사에서 사업 전체가 멈출 수 있습니다.

MSAP.ai는 국내 공공·금융·제조 조직이 데이터를 밖으로 내보내지 않고 AI를 업무에 붙이도록 돕는 데 집중하고 있습니다. 위 AI 활용 사례에서 반복된 조건, 곧 내부 데이터 연결, 사람의 확인 단계, 공통 기반 위의 확산을 플랫폼으로 받칩니다.

• AINP(AI Native Platform): 쿠버네티스 기반으로 공개 모델과 국내 모델을 조직 내부 GPU에 올리고, 추론 엔진, 게이트웨이, 사용 기록, 권한 관리를 한 체계로 운영합니다. 부서마다 AI 사업을 따로 발주하지 않고 공통 기반을 한 번 갖추는 구조입니다.
• AAS(AI Agent Studio): 업무 담당자가 화면에서 사내 문서와 업무 도구를 연결해 AI 에이전트를 만들고 운영합니다. 상담 요약, 문서 초안, 규정 질의응답처럼 이 글의 사례와 비슷한 업무를 현업이 직접 구성할 수 있습니다.
• 운영 관측: 모델 호출량, 응답 지연, GPU 활용률을 함께 보고 비용을 관리합니다.

어떤 업무부터 시작할지 정하기 어렵다면 업무 후보를 함께 고르고 기준선 지표와 배치 방식을 잡아 보는 워크숍부터 시작하는 것을 권합니다. 무료로 진행하는 AI Discovery Workshop에서 우리 조직에 맞는 첫 AI 활용 과제를 정리해 볼 수 있습니다.

• 국내 AI 활용 사례 15건을 제조, 금융, 보험, 유통, 물류, 공공, 의료, 교육, 통신 분야에서 공개 출처로 확인해 정리했습니다.
• 성과를 낸 사례는 모두 업무 단위가 좁고, 효과를 숫자로 잴 수 있는 반복 업무를 골랐습니다.
• 예측형 AI는 품질 예측, 사기 탐지, 인수심사, 배차에서, 생성형 AI는 세무 상담, 고객 응대, 상담 지원에서 성과를 냈습니다.
• 어느 사례에서도 사람은 최종 판단과 예외 처리에 남았습니다.
• 성과 수치는 대부분 자체 발표값이므로 실적과 계획, 기준선을 구분해 읽어야 합니다.
• 우리 조직은 반복 빈도, 데이터 준비, 효과 측정, 결과 확인, 위험 수준, 데이터 반출 기준으로 첫 업무 하나를 고르는 것부터 시작합니다.
• AI 전체 개념은 AI란 무엇인가에서 이어서 보실 수 있습니다.

AI 활용 사례에는 어떤 것이 있나요?

국내에서는 LG전자의 품질 예측, 포스코의 고로 자동 제어, 카카오뱅크의 금융사기 탐지, 삼성화재의 인수심사 자동화, 이마트의 신선식품 할인 최적화, 국세청의 세무 상담 챗봇, 서울아산병원의 음성 의무기록, LG유플러스의 상담 지원 AI 등이 대표적인 AI 활용 사례입니다.

제조업에서는 AI를 어디에 가장 많이 쓰나요?

제조업은 품질과 공정에서 AI를 가장 먼저 씁니다. 시제품 전 품질 예측, 설비 센서 데이터를 이용한 공정 자동 제어, 불량 이미지를 가려내는 비전 검사가 대표적입니다. 센서와 검사 장비가 이미 데이터를 쌓고 있어 효과를 재기 쉽기 때문입니다.

금융권 AI 활용 사례는 어떤 업무가 중심인가요?

금융권은 보이스피싱과 금융사기를 막는 이상거래탐지, 대면 창구 업무를 돕는 AI 은행원, 보험 인수심사 자동화가 중심입니다. 고객 정보와 규제 때문에 내부 데이터 처리 원칙과 혁신금융서비스 같은 제도적 허용 범위를 함께 확인하며 도입합니다.

공공기관은 AI를 어떻게 활용하고 있나요?

공공기관은 국세청 세무 상담 챗봇처럼 국민이 쓰는 대국민 서비스와, 범정부 AI 공통기반처럼 공무원이 업무망 안에서 쓰는 행정 업무 도구 두 방향으로 활용합니다. 지자체는 독거 어르신 AI 안부 전화처럼 인력이 부족했던 돌봄 서비스에도 AI를 씁니다.

AI 활용 사례의 성과 수치는 믿을 수 있나요?

대부분 기업과 기관이 직접 발표한 값이라 외부 검증 수치는 아닙니다. 측정 주체, 실적과 계획의 구분, 비교 기준선, AI 효과만 따로 잰 값인지를 확인한 뒤 인용해야 합니다. 우리 조직의 기대 효과는 시범 사업에서 기준선을 재고 다시 측정하는 것이 안전합니다.

우리 회사는 어떤 업무부터 AI를 적용해야 하나요?

매일 반복되고, 과거 처리 기록이 쌓여 있고, 시간이나 건수로 효과를 잴 수 있으며, 틀려도 사람이 바로 바로잡을 수 있는 업무부터 시작하는 것이 좋습니다. 첫 업무 하나를 고르고 현재 값을 잰 뒤 데이터 위치와 배치 방식을 정하는 순서가 안정적입니다.

개인정보가 있는 업무에도 AI를 쓸 수 있나요?

쓸 수 있지만 데이터를 조직 밖으로 보내지 않는 방식을 택해야 합니다. 조직 내부 서버와 GPU에 모델을 올리는 구축형이나, 범정부 AI 공통기반처럼 업무망 안에서 동작하는 구조를 쓰고, 사용 기록과 권한 관리를 함께 갖춰야 감사와 사고 대응이 가능합니다.

MSAP.ai

• AI(인공지능)란 무엇인가 — 뜻·원리·종류부터 기업 도입까지
• 생성형 AI란 — 작동 원리·종류·업무 활용 사례와 도입 기준
• AX란 무엇인가 — AI 전환의 개념과 추진 방법
• 공공기관 Ask Gov 도입 사례 — AI Agent가 바꾼 대국민 서비스
• 2025 공공 AI 도입 가이드라인 — 담당자가 꼭 챙겨야 할 핵심
• 공공기관 AI, 왜 온프레미스여야 하는가
• NIPA 발간 국내 대표 AI 기업·서비스 사례집 요약
• AX 전략 로드맵
• RAG란 무엇인가 — 파이프라인 해부와 도입 체크리스트
• 프라이빗 sLLM — 데이터 주권과 TCO를 함께

외부 자료

• LG — AI 품질 예측 기술 보도자료
• 네이버 — 클로바 케어콜 도입 현황 보도자료
• SK텔레콤 뉴스룸 — 고객센터 AI 적용
• 정책브리핑 — 인공지능 기본법 시행
• 파이낸셜뉴스 — 범정부 AI 공통기반 개시
• 헤럴드경제 — 국세청 생성형 AI 세무 상담 확대
• 뉴스토마토 — LG유플러스 AI 상담 어드바이저 성과