데이터를 모으기만 해서는 AI가 쓰기 어려운 이유

같은 고객을 뜻하는 데이터도 부서마다 다를 수 있습니다

영업팀의 고객은 계약 가능성이 있는 조직이고, 정산팀의 고객은 청구서를 받을 법인일 수 있습니다. 두 목록을 합쳤다고 의미까지 통일되지는 않습니다. AI가 서로 다른 정의를 섞어 답하면 결과가 그럴듯해도 업무에서는 사용할 수 없습니다. Blackbold는 첫 데이터 정리의 단위를 파일 수가 아니라 실제 질문으로 잡을 것을 제안합니다. ‘이 주문의 계약 주체와 청구 주체는 누구인가’처럼 필요한 판단을 먼저 적는 방식입니다.

작은 데이터에도 의미와 사용법을 설명해야 합니다

가상의 상품 정보 묶음이라면 품목 코드, 판매 가능 상태, 가격 적용일, 갱신 담당자부터 정리할 수 있습니다. 누가 수정하며 변경이 언제 반영되는지, 빠진 값이 있으면 어떻게 처리하는지도 함께 정의합니다. 처음부터 모든 데이터를 완벽하게 정비할 필요는 없습니다. 한 업무가 사용할 최소 범위를 만들고, 다른 팀이 같은 자료를 사용했을 때 무엇을 추가로 물어보는지 관찰하면 재사용에 필요한 조건이 드러납니다.

데이터 품질은 구축 후에도 계속 확인해야 합니다

데이터 품질 보고서가 좋아도 사용자가 매번 별도 엑셀을 만들면 실제 요구를 충족하지 못했을 수 있습니다. 요청부터 접근 승인까지의 시간, 자주 생기는 정의 질문, 누락 때문에 중단된 업무를 기록하세요. 데이터 담당자가 제공한 양보다 소비자가 업무를 마칠 수 있었는지가 중요합니다. AI 프로젝트의 오류를 모델 문제로만 분류하지 않고 데이터 정의와 갱신 문제를 분리하면 개선 책임도 더 명확해집니다.

파일마다 네 가지 질문에 답할 수 있어야 합니다

이 파일은 누가 만들었는가, 언제까지 유효한가, 누가 읽을 수 있는가, 무엇에 써도 되는가를 먼저 적습니다. 여러 부서가 같은 이름의 가격표를 관리한다면 최신 파일을 찾는 규칙부터 합의해야 합니다. AI가 두 문서의 숫자를 섞어 답하면 모델을 바꾸는 것으로 해결하기 어렵습니다.

자료의 양보다 반복적으로 쓰는 자료의 신뢰성을 먼저 높이는 것이 좋습니다. 자주 받는 질문 스무 개를 골라 답변에 필요한 문서를 찾아보고, 근거를 찾을 수 없는 질문은 자료의 빈틈으로 기록합니다. 이 과정이 처음 정리할 범위를 알려줍니다.

자료를 담당하는 역할을 업무 안에 넣습니다

문서를 처음 올리는 사람과 계속 갱신하는 사람이 다를 수 있습니다. 업무 규칙이 바뀌면 누가 원문을 수정하고, 검색에 반영됐는지 확인할지 정해야 합니다. 모든 문서를 IT팀이 대신 관리하면 실제 의미를 아는 현업과 수정 책임이 분리됩니다.

Blackbold는 현업이 내용의 유효성을 책임지고, 시스템 담당자가 갱신·접근·기록의 작동을 책임지는 구조를 제안합니다. 자료 관리 시간도 업무 계획에 넣어야 합니다. 자동화로 줄어든 시간을 일부 자료 품질 개선에 다시 쓰면 다음 자동화의 기반이 됩니다.

연결된 자료는 작게 시작해 끝까지 추적합니다

문서 검색 기능에는 답변과 함께 원문 위치, 적용 날짜와 문서 버전을 보여줍니다. 폐기된 문서가 검색되지 않는지, 권한이 없는 사람에게 제목이나 요약이 드러나지 않는지 시험합니다. 자료가 삭제되면 검색용 사본에서도 빠지는지 확인해야 합니다.

진행 상황은 업로드한 파일 수보다 질문에 맞는 근거를 찾은 비율과 잘못된 문서로 답한 사례로 봅니다. 실패한 질문을 다시 자료 담당자에게 돌려보내는 경로까지 있어야 자료 정리가 일회성 행사로 끝나지 않습니다.