업무 프로세스 자동화콘텐츠를 자동화한 게 아니라, 마케팅 직원을 만든 이야기
감에 의존하던 소규모 팀의 콘텐츠 운영을 온톨로지 기반 판단 체계로 전환. 주제 탐색부터 초안, 톤 검수, 플랫폼 변환, 카드뉴스, 발행까지 한 흐름으로 연결한 사례
업무 프로세스 자동화
HR 문의에 매일 15시간 쓰던 팀이 2시간으로, AI-HR 선배 도입 사례
식품 제조·유통
하루 30건쯤 들어오는 HR 문의에 매일 15시간 가까이 쓰던 팀이, AI-HR 선배를 도입한 뒤 2시간대로 줄었습니다. 메일, 메신저, 전화, 자리에 직접 와서 묻는 경우까지 흩어져 있던 상담을 한 채널로 모은 이야기예요.
문서는 있었지만, 답은 늘 사람을 찾아다녔습니다
사무직, 현장직, 외국인 근로자마다 기준이 달랐고 상담도 메일, 메신저, 전화, 자리 방문까지 다양했습니다
이 고객사는 식품 제조와 유통을 함께 운영하는 약 1,000명 규모의 중견기업입니다. 직원은 사무직, 공장 현장직, 외국인 근로자로 나뉘었고 휴가, 수당, 비용 처리 기준도 그룹마다 달랐습니다. 일부 항목은 ERP나 그룹웨어에서 확인할 수 있었지만, 현장과 계열사 예외는 파일, NAS, 개인 메모에 남아 있는 경우가 많았습니다. 외국인 근로자 안내는 별도 엑셀로 관리됐고요. 직원 질문이 들어오는 경로도 한곳이 아니었습니다. 회사 이메일, 사내 메신저, 사무실 전화, 자리로 직접 와서 묻는 구두 문의, 심지어 포스트잇으로 책상에 붙여 두는 메모까지 섞여 있었습니다. 답변 하나를 만들려면 최근 문의 이력, 실제 참고한 문서, 원문 규정, 오래 일한 담당자의 기억까지 다시 확인해야 했고 같은 질문도 누가 받느냐에 따라 답이 조금씩 달라졌습니다. 외부 노무사에게 넘겨야 할 사안인지 사내에서 답해도 되는지 가르는 일에도 시간이 들었습니다.
구체적인 어려움
- •사무직, 현장직, 외국인 근로자의 휴가, 수당, 비용 처리 기준이 달라 같은 질문도 직군에 따라 답이 달라졌습니다
- •온보딩 자료가 폴더, NAS, 개인 메모에 흩어져 있어 담당자마다 안내 품질이 달랐습니다
- •ERP, 그룹웨어, 엑셀, 계열사 문서가 뒤섞여 최신 기준을 찾는 데 답변 한 건당 약 30분이 걸렸습니다
- •질문이 메일, 사내 메신저, 사무실 전화, 구두 문의, 포스트잇 메모까지 다양한 경로로 들어와 같은 문의가 다른 답으로 흘러가곤 했습니다
- •성과관리 툴은 있었지만, 직군별 성과급과 교대·야간·연장 수당이 급여에 어떻게 반영되는지 설명하기 어려웠습니다
- •반복 질문과 답변 출처가 쌓이지 않아 비슷한 리서치를 계속 다시 했습니다
- •노무사 자문이 필요한 질문인지 사내 답변으로 충분한 질문인지 판단하는 데도 별도 시간이 들었습니다
“문서는 분명히 있는데, 질문이 들어오면 어디 있는지부터 찾아야 했어요. 현장직인지 사무직인지, 계열사인지, 외국인 근로자인지에 따라 답이 달라지니까 결국 오래 일한 담당자에게 묻게 되더라고요.”
— 고객사 HR 담당자
먼저 지식도서관을 만들고, 그 위에 AI-HR 선배를 올렸습니다
챗봇을 바로 붙이는 대신, 답변의 근거가 될 HR 지식을 먼저 정리했습니다
이번에 만든 건 AI-HR 선배라는 HR 전용 AI Agent예요. 다만 시작은 Agent가 아니었습니다. 답이 기댈 수 있는 사내 HR 지식도서관부터 정리했습니다. 취업규칙, 복리후생 안내, 그룹웨어 공지, 비용 처리 가이드, 외국인 근로자용 엑셀을 한곳에 모아 SSOT로 만들었어요. 메일과 사내 메신저, 사무실 전화, 자리 방문으로 흩어져 있던 직원 질문은 AI-HR 선배 한 채널로 모았고, 사무직, 현장직, 외국인 근로자 기준은 지식도서관 안에서 따로 검색되도록 분리해 뒀습니다. 운영은 HR CS에서 시작해서 온보딩과 교육, 페이롤과 성과관리 검토로 범위를 넓혔어요. HR 업무 전체를 한 번에 자동화하려 하지 않았고, 담당자가 매일 마주치는 반복 질문부터 하나씩 옮겼습니다.
hr.otoworks.ai
지식도서관이 어떤 식으로 답을 찾는지 직접 볼 수 있습니다
OTOworks가 운영하는 hr.otoworks.ai 공개 데모에서 같은 지식도서관 패턴을 체험해 보실 수 있습니다. 직원 유형별 검색, 답변 생성, 출처 링크가 어떤 식으로 붙는지 확인해 보세요. 고객사 운영 시스템과는 별개의 공개 데모입니다.
데모 새 창에서 열기
처음 한 일은 문서를 업로드하는 일이 아니었습니다. 최근 HR 문의를 펼쳐 놓고, 담당자가 실제로 어떤 순서로 답을 찾는지 같이 따라갔습니다. 취업규칙을 보다가 복리후생 안내를 열고, 그룹웨어 공지를 확인한 뒤, 비용 처리 가이드나 외국인 근로자 엑셀까지 넘어가는 식이었습니다. 이 흐름을 알아야 지식도서관도 쓸모가 생깁니다. AI-HR 선배가 좋은 답을 하려면, 먼저 근거가 제대로 정리돼 있어야 했습니다.
HR 정책, 가이드, FAQ, 온보딩 자료를 질문 단위로 정리해 검색 가능한 지식도서관으로 만드는 흐름입니다.
질문이 들어오면 AI-HR 선배가 관련 문서를 찾고, 답변 초안과 출처 링크, 관리자 검토 로그를 함께 남깁니다.
문서 정리도 생각보다 손이 많이 갔습니다. PDF, Word, Notion, 웹문서, 엑셀을 그대로 넣으면 검색 품질이 금방 흔들렸습니다. 반복되는 머리말을 걷어내고, 긴 문서는 질문 단위로 쪼갰습니다. 태그도 문서 작성자 말이 아니라 직원이 실제로 묻는 말에 맞췄습니다. '출장비', '교대근무', '외국인 근로자 온보딩', '성과급', '그룹웨어 비용 처리'처럼요. 그래야 표현이 달라도 같은 뜻의 질문을 잡아낼 수 있었습니다.
← 좌우로 스크롤하여 차트를 확인하세요
지식도서관 구축 흐름. 문서와 문의 이력을 정리하고, 직군·계열사·업무영역 태그를 붙인 뒤 검색과 답변 로그로 다시 개선합니다.
지식도서관이 어느 정도 정리된 뒤에 AI-HR 선배를 붙였습니다. 도구만 설치하고 끝내지는 않았습니다. 상담 흐름이 HR 담당자, 현장 관리자, 계열사 담당자마다 달랐기 때문입니다. 어떤 질문은 AI-HR 선배가 바로 초안을 내도 되는지, 어떤 질문은 관리자 확인을 거쳐야 하는지, 어떤 경우에는 답변보다 원문 문서를 먼저 고쳐야 하는지 같이 정했습니다. OTOworks는 실제 문의를 함께 처리하면서 운영 기준을 잡았습니다. 그래서 AI-HR 선배는 '답을 대신 내는 봇'보다 '담당자 옆에서 근거를 찾아 주는 선배'에 가깝습니다.
첫 번째 운영 범위
HR CS 자동화
예를 들어 직원이 '현장직 연차 이월 기준이 어떻게 되나요?'라고 묻습니다. AI-HR 선배는 먼저 사무직 기준과 현장직 기준이 다른지, 법정 기준인지 사내 운영 기준인지, 계열사 예외가 있는지 확인합니다. 그런 다음 관련 규정과 FAQ를 모아 초안과 출처 링크를 냅니다. 담당자는 빈 화면에서 답을 쓰지 않습니다. 근거가 붙은 초안을 보고 예외만 판단합니다. 메일이든 메신저든 어느 채널로 들어온 질문이든 같은 흐름을 탑니다.
두 번째 확장
온보딩과 교육
기존 자료는 파일로만 남아 있었고, 설명 방식은 담당자마다 달랐습니다. 이 영역도 한 번에 다 풀지 않았습니다. 직원 유형, 사업장, 절차, 필요 서류, 교육 항목, 담당자처럼 꼭 필요한 관계만 먼저 정리했습니다. 말하자면 가벼운 온톨로지입니다. 이 구조를 지식도서관에 반영하자 신입, 현장직, 외국인 근로자, 계열사별로 필요한 자료를 다르게 꺼낼 수 있었습니다. 첫 출근 전 안내, 공장 안전 교육, 체류·서류 안내, 그룹웨어 사용법도 질문 맥락에 맞춰 보여줄 수 있게 됐습니다.
사무직, 현장직, 외국인 근로자 기준을 따로 두고 질문 맥락에 맞는 온보딩 자료를 꺼냅니다.
세 번째 확장
페이롤·성과관리 검토 보조
고객사는 이미 성과 기준과 관리 툴을 갖고 있었습니다. 문제는 그 결과가 급여와 성과급으로 넘어갈 때였습니다. 사무직은 평가 등급과 목표 달성률을 주로 봤고, 현장직은 교대, 연장, 야간, 생산 라인 기준이 같이 걸렸습니다. 외국인 근로자는 체류 자격, 계약 조건, 수당 기준까지 함께 확인해야 했습니다. 그래서 자동 계산기를 만들지 않았습니다. 대신 계산 근거, 적용 규정, 확인 질문을 지식도서관에 정리하고, AI-HR 선배가 검토에 필요한 근거를 한 화면에 묶어 주도록 했습니다.
성과 결과, 직군별 수당, 예외, 페이롤 반영 기준을 담당자가 한 화면에서 검토합니다.
이 부분은 일부러 보수적으로 설계했습니다. 성과급이나 급여 질문을 AI가 혼자 확정하면 안 됩니다. 대신 AI-HR 선배가 성과 등급, 직군, 근무 형태, 수당 기준, 관련 규정 링크를 모아 설명합니다. 예외가 크거나 민감한 질문은 관리자 확인 대상으로 남깁니다. 속도는 올리되, 마지막 판단은 사람이 하도록 둔 겁니다. 이 원칙 덕분에 담당자들이 더 편하게 시스템을 쓰기 시작했습니다.
마지막으로 기록을 남겼습니다. 어떤 질문이 들어왔는지, AI-HR 선배가 어떤 문서를 근거로 답했는지, 관리자가 어느 문장을 고쳤는지 로그로 쌓았습니다. 이 기록은 다음 개선의 재료가 됩니다. 반복 질문은 FAQ 후보가 되고, 근거를 못 찾은 질문은 문서 보완 목록으로 갑니다. 계열사마다 다른 기준은 별도 태그로 분리했습니다. 운영할수록 지식도서관이 정리되고, 지식도서관이 좋아질수록 답변도 안정됐습니다.
만들어진 시스템의 핵심
HR 전용 AI-HR 선배
직원 질문을 이해하고 지식도서관에서 근거 문서를 찾습니다. 답변 초안, 출처 링크, 관리자 확인 필요 여부를 함께 보여줍니다.
사내 HR 지식도서관
사무직, 현장직, 외국인 근로자 문서를 질문 맥락에 맞게 분리한 단일 기준 저장소입니다. AI-HR 선배는 답을 만들기 전에 이곳부터 확인합니다. 같은 패턴은 hr.otoworks.ai 공개 데모에서 확인하실 수 있습니다.
AX 교육과 현장 밀착 적용
채널별 상담 흐름을 먼저 정리하고, 실제 문의를 함께 처리하면서 어떤 질문을 자동화하고 어떤 질문을 검토로 넘길지 운영 기준을 만들었습니다.
온보딩·교육 개인화
직원 유형, 사업장, 절차, 필요 서류, 교육 항목, 담당자를 가볍게 구조화해 신입, 현장직, 외국인 근로자에게 다른 안내를 꺼내 줍니다.
페이롤·성과관리 검토 보조
평가 결과와 수당, 급여 반영 기준을 근거와 함께 보여주고, 민감하거나 예외가 큰 질문은 관리자 확인 대상으로 넘깁니다.
질문 로그 기반 문서 개선
반복 질문, 부족한 문서, 관리자 수정 이력을 모아 지식도서관을 계속 보완합니다. 운영할수록 답변 품질이 안정되는 구조입니다.
이제 HR 답변은 기억이 아니라 근거에서 시작됩니다
반복 문의는 빨라졌고, 민감한 질문은 더 안전하게 검토합니다
가장 크게 달라진 건 답변을 시작하는 방식이었어요. 예전에는 오래 일한 담당자를 찾거나 여러 문서를 다시 열어 보느라, 반복되는 문의 한 건에도 30분쯤 걸렸습니다. 하루에 들어오는 HR 문의가 30건 정도이니까, 팀 전체로 보면 매일 15시간 가까이가 그냥 답변을 만드는 데 들어간 셈이죠. 지금은 AI-HR 선배가 질문 의도와 직원 유형부터 정리하고 지식도서관에서 관련 문서와 초안을 같이 꺼내 줍니다. 담당자는 빈 화면에서 답을 쓰지 않고, 근거가 붙은 초안을 보고 손볼 부분만 다듬어요. 같은 30건을 처리하는 데 들어가는 시간이 2시간 안쪽으로 줄었습니다. 페이롤이나 성과관리처럼 민감한 영역은 AI가 결론을 내지 않습니다. 규정과 계산 근거만 정리해서 관리자 확인으로 넘기는 식이에요. 그래서 속도는 빨라졌지만 통제는 놓치지 않았습니다.
15시간 → 2시간
HR CS 하루 처리 시간
하루 30건 가까운 HR 문의에 매일 15시간을 쓰던 팀이, 같은 양을 2시간 안쪽으로 끝냅니다. (한 건당 30분 → 5분)
5가지 → 1곳
흩어진 상담 채널
이메일, 사내 메신저, 사무실 전화, 구두 문의, 포스트잇 메모로 들어오던 문의가 AI-HR 선배 한 채널로 모였습니다.
0% → 100%
답변에 붙는 근거
예전엔 답변 본문만 갔습니다. 지금은 모든 답변에 지식도서관의 근거 문서 링크가 함께 붙습니다.
약 270시간
월간 절감 시간
하루 13시간 절감 × 영업일 22일. HR 팀이 다른 일에 쓸 수 있는 시간이 그만큼 늘어났습니다.
실제로 달라진 것들
반복 질문이 담당자 시간을 덜 잡아먹습니다
연차 이월, 복리후생, 출장비와 식대, 그룹웨어 비용 처리, 온보딩 질문은 AI-HR 선배가 먼저 근거 문서를 찾고 초안을 만듭니다. 담당자는 예외와 표현만 확인합니다.
채널마다 달랐던 답변의 결이 맞춰졌습니다
공통 기준은 지식도서관에 두고 계열사와 직군별 예외만 태그로 떼어 뒀습니다. 메일이든 메신저든 전화든, 같은 질문이면 결국 비슷한 답이 나갑니다.
온보딩이 담당자 개인기에서 벗어났습니다
직원 유형, 사업장, 필요 서류, 교육 항목, 담당자를 구조화해 두자 담당자가 바뀌거나 입사자가 몰려도 첫 안내 품질이 크게 흔들리지 않았습니다.
페이롤·성과관리 질문을 더 안전하게 다룹니다
AI-HR 선배는 민감한 보상 질문을 혼자 확정하지 않습니다. 성과 등급, 직군, 근무 형태, 수당 기준, 관련 규정을 묶어 보여주고 예외 케이스는 관리자 검토로 넘깁니다.
부족한 문서가 눈에 보이기 시작했습니다
근거를 찾지 못한 질문이나 관리자가 많이 고친 답변은 로그에 남습니다. 이 목록이 다음 분기 문서 보완 백로그가 됐습니다.
“예전에는 질문 하나 들어오면 '이거 누가 제일 잘 알지?'부터 떠올렸어요. 외국인 근로자 서류, 현장직 교대 수당, 계열사 출장비처럼 기준이 갈리는 질문은 오래 일한 사람을 찾아가 묻는 게 제일 빨랐거든요. 그 사람이 없으면 답변도 멈췄고요. 지금은 AI-HR 선배가 직원 유형과 질문 맥락을 먼저 정리하고, 관련 문서와 예전 답변, 관리자 검토가 필요한지까지 같이 보여줍니다. 담당자가 정말 판단해야 할 부분이 훨씬 선명해졌어요. 특히 페이롤이나 성과관리처럼 자동화가 조심스러운 영역에서, AI가 혼자 결론을 내지 않고 근거를 모아 주는 방식이라 더 안심됐습니다. 속도도 빨라졌지만, 메일이든 메신저든 채널마다 답변의 결이 같아진 게 더 크게 느껴졌어요.”
고객사 HR 운영 담당자식품 제조·유통 중견기업
