이 글의 요약
국내 대형 에너지 기업은 매달 수만 건의 신청서·내역서·기록서 가운데 70% 이상을 수기·팩스로 받아, 담당자가 ERP에 직접 옮겨 적었습니다.
한국딥러닝의 문서 파서로 수기 문서까지 읽고, 업무 규칙으로 검증한 뒤 ERP로 넘기는 구조를 만들었습니다.
데이터 오류는 85% 이상 줄었고(오류율 7~8%에서 1% 이하), 처리 시간은 75% 이상 단축됐습니다.
📌
이 글의 요약
국내 대형 에너지 기업은 매달 수만 건의 신청서·내역서·기록서 가운데 70% 이상을 수기·팩스로 받아, 담당자가 ERP에 직접 옮겨 적었습니다.
한국딥러닝의 문서 파서로 수기 문서까지 읽고, 업무 규칙으로 검증한 뒤 ERP로 넘기는 구조를 만들었습니다.
데이터 오류는 85% 이상 줄었고(오류율 7~8%에서 1% 이하), 처리 시간은 75% 이상 단축됐습니다.
문서 자동화란 신청서·검침 기록서·계약서처럼 양식이 제각각인 문서에서 핵심 항목을 자동으로 추출해 ERP 같은 시스템으로 연결하는 것입니다. 관건은 글자를 빠르게 읽는 것이 아니라, 값을 검증해 정상 건은 자동으로 처리하고 확인이 필요한 문서만 사람에게 넘기는 데 있습니다. 읽은 결과를 기준에 맞춰 검증하고 시스템 입력까지 맡는 것이 AI 에이전트입니다.
ERP와 업무 자동화는 이미 많이 도입됐지만, 문서를 읽어 시스템에 넣는 단계는 여전히 사람 손에 남아 있기 때문입니다.
이유 | 현장에서 벌어지는 일 |
|---|---|
문서 형식이 다양함 | HWP, PDF, 스캔 이미지, 팩스, 모바일 촬영 이미지가 섞여 들어옴 |
수기 문서 비중이 높음 | 에너지·제조·공공 현장에서는 손으로 쓴 신청서와 기록서가 주요 업무 문서 |
기존 OCR의 한계 | 글자는 뽑아도 문서 구조를 이해하지 못해 자동화로 이어지지 않음 |
문서 AI의 발전 | 레이아웃과 의미까지 이해하는 문서 AI로 수기·비정형 문서도 처리 가능 |
수기로 작성된 신청서가 팩스로 들어와, 담당자가 내용을 읽고 ERP에 직접 입력하는 구조였기 때문입니다.
이 에너지 기업은 매달 수만 건이 넘는 고객 신청서, 유지보수 내역서, 검침 기록서를 처리하고 있었습니다. 모바일 앱으로 PDF를 받는 창구도 일부 있었지만, 전체 문서의 70% 이상은 여전히 수기였습니다.
업무 지연: 수기 입력이 밀리면 고객 서비스 처리도 늦어짐
데이터 오류: 옮겨 적는 과정에서 생긴 오류가 서비스 차질로 이어짐
운영 비용: 입력 인력에 연간 수억 원 규모의 비용 발생
문서 항목을 사람이 시스템에 직접 옮겨 적는다
부서·거래처마다 문서 양식이 달라 매번 다시 확인한다
OCR 결과를 사람이 전수 재확인한다
정상 문서와 오류 문서가 같은 절차로 처리된다
문서량이 늘어도 인력으로만 감당하고 있다
두 가지 이상 해당한다면, 인식률만 비교하기보다 문서 수집부터 검증·예외 처리·시스템 연계까지 전체 업무 흐름을 확인할 시점입니다.
이 프로젝트는 문서 수집, 레이아웃 분석, 항목 추출, 검증, 시스템 연계의 5단계로 구성됐습니다.
단계 | 하는 일 | 결과물 |
|---|---|---|
1. 문서 수집 | HWP, PDF, JPG·PNG·TIFF, 모바일 촬영 이미지를 받고 기울기·왜곡·노이즈를 보정 | 판독 가능한 문서 이미지 |
2. 레이아웃 분석 | 헤더, 본문, 표, 병합 셀, 서명란을 좌표 기준으로 구분 | 문서 구조 정보 |
3. 항목 추출 | 표준 양식은 규칙 기반, 비정형·수기 문서는 AI 모델로 핵심 항목 추출 | 항목별 데이터 |
4. 검증 | 고객명, 계약번호, 금액, 날짜를 필드 간 대조와 업무 규칙으로 확인 | 검증된 데이터 |
5. 시스템 연계 | REST API로 ERP에 자동 등록하고 후속 업무는 RPA로 연결 | ERP 입력 완료 |
수기 문서는 손글씨 인식 모델을 이 기업의 문서 유형에 맞춰 추가 학습해 대응했고, 수기 문서 파싱 정확도는 93% 이상을 확보했습니다. 표가 많은 문서도 행과 열 구조를 유지한 채 데이터로 바뀝니다.
이 사례의 바탕이 된 문서 파싱 기술은 이후 글로벌 평가로도 이어졌습니다. 한국딥러닝의 1.2B 경량 파싱 모델이 ParseBench VLM 부문 1위에 오른 배경은 개발자 인터뷰로 정리한 아래 글에서 볼 수 있습니다.
단계 | 내용 |
|---|---|
1. PoC | 신청서·내역서·기록서 등 주요 문서 유형을 고르고 파싱 정확도 측정 |
2. 맞춤 학습 | 수기 문서 샘플로 모델 추가 학습, HWP·PDF 파싱 템플릿 자동 생성 |
3. 운영 구축 | 파싱 결과를 ERP에 연계하고, RPA로 후속 업무 자동화 |
4. 품질 검증 | 문서 질의응답(Document QA) 단계를 시험 적용 |
문서 파싱 결과 보기
실제 문서에서 항목이 어떻게 추출되고 구조화되는지 직접 확인해 보세요.
데이터 오류는 85% 이상 줄었고, 처리 시간은 75% 이상 단축됐습니다.
구분 | 도입 전 | 도입 후 |
|---|---|---|
업무 처리 시간 | 수기 입력 | 75% 이상 단축 |
데이터 오류율 | 7~8% | 1% 이하 (오류 85% 이상 감소) |
운영 비용 | 입력 인력 운영비 발생 | 연간 수억 원 규모 인력 비용 절감 |
고객 응대 | 입력 지연으로 처리 지연 | 처리 속도 향상 |
데이터 활용 | 종이·팩스에 머무름 | 분석과 검색에 쓸 수 있는 데이터로 축적 |
※ 2025년 사례 공개 당시 도입 기업의 운영 결과 기준입니다.
ℹ️
여기부터는 사례 결과가 아니라, 한국딥러닝이 현재 제공하는 제품 기능입니다.
2025년의 구조에서는 문서를 읽고 검증한 뒤, 후속 업무를 RPA 시나리오로 따로 만들어 이어 붙여야 했습니다. 기준에 맞지 않는 건을 골라내 판단하는 일도 사람이 다시 봐야 했습니다.
한국딥러닝은 이 흐름 전체를 AI 에이전트 플랫폼 「DEEP Agent OS」로 제공합니다. 문서를 읽는 기술 위에서, AI 에이전트가 팀의 기준으로 검증하고 기간계·ERP 입력까지 마칩니다.
제품 | 이 사례에 대입하면 |
|---|---|
DEEP OCR | 팩스·스캔 문서와 손글씨를 읽습니다 |
DEEP Parser | 표와 레이아웃 구조를 유지한 채 데이터로 만듭니다 |
DEEP Agent | 팀의 기준으로 검증하고, 기준을 넘지 못한 건만 담당자에게 넘기며, 기간계·ERP에 입력하고 근거와 함께 기록합니다 |
DEEP Ops | 문서 양식이나 추출 기준이 바뀌어도 정확도를 유지합니다 |
검증과 입력을 맡는 DEEP Agent는 외부 네트워크와 분리된 온프레미스·폐쇄망 환경에서도 동작합니다. 자세한 내용은 아래 제품 페이지에서 확인할 수 있습니다.
문서 AI는 도입 뒤 양식이나 규정이 바뀌면 정확도가 떨어질 수 있습니다. 한국딥러닝은 이 운영 단계의 문제를 다루는 DEEP Ops를 출시했습니다. 자세한 내용은 아래 글에서 확인할 수 있습니다.
도입을 결정하기 전에는 인식률보다 핵심 항목 정확도, 양식 대응, 구조 보존, 예외 분리, 시스템 연동의 다섯 가지를 확인해야 합니다.
확인 항목 | 확인할 내용 |
|---|---|
핵심 항목 정확도 | 전체 글자가 아니라 금액·일자·수량처럼 업무에 꼭 필요한 항목이 정확히 추출되는가 |
다양한 양식 대응 | 부서·거래처마다 다른 양식을 템플릿 등록 없이 처리할 수 있는가 |
표와 항목 구조 보존 | 표의 행과 열, 항목과 값의 연결이 데이터로 바뀐 뒤에도 유지되는가 |
예외 분리 | 신뢰도가 낮은 건은 사람에게 넘기고 정상 건은 자동으로 처리하는가 |
기존 시스템 연동 | 추출·검증한 데이터가 ERP 등으로 자동 전달돼 재입력이 사라지는가 |
문서 종류에 따라 확인할 항목과 검증 방식이 달라집니다. 자주 다루는 문서별 도입 기준은 아래 글에서 이어집니다.
조항·특약·갱신일이 얽힌 계약서: 계약서 데이터 추출 자동화 도입 기준
양식·언어가 제각각인 수출입 서류(C/I·P/L·B/L): 무역문서 자동화 도입 기준
표·항목 구조 보존이 핵심인 문서 파싱 기술: 문서 Parser란? PDF·HWP 문서 파싱 완전 정복
기존 OCR은 글자를 뽑아내는 데 그쳐 문서 구조를 파악하기 어렵습니다. 문서 파서는 헤더, 본문, 표, 주석, 서명란 같은 요소를 구분해 구조째 데이터로 만들기 때문에 ERP 연계 같은 자동화로 이어질 수 있습니다.
이 프로젝트에서 수기 신청서·기록서의 파싱 정확도는 93% 이상이었고, 검증 단계를 거친 뒤 데이터 오류율은 7~8%에서 1% 이하로 낮아졌습니다. 정확도는 문서 유형과 스캔 품질에 따라 달라지므로 PoC에서 실제 문서로 먼저 확인합니다.
네. 이 프로젝트에서는 HWP와 PDF 문서의 파싱 템플릿을 자동으로 만들어 처리했습니다.
네. 파싱된 데이터는 REST API로 ERP, 데이터베이스 등 기존 시스템에 연동할 수 있습니다.
네. 구조를 유지한 채 데이터로 만든 문서는 사내 문서 질의응답이나 RAG 기반 검색의 데이터로 쓸 수 있습니다.
DEEP Agent는 재학습 없이 평균 2주 안에 배포하는 것을 목표로 합니다. 실제 기간은 서류 종류와 연동 범위에 따라 달라집니다.
문서 파서는 문서를 읽고 구조화된 데이터로 만드는 기술입니다. AI 에이전트는 그 데이터를 팀의 기준으로 검증하고, 기준에 맞지 않는 건만 담당자에게 넘기며, 기간계·ERP 입력까지 처리합니다.
RPA는 미리 정한 절차를 반복 실행합니다. AI 에이전트는 문서 내용을 보고 기준에 맞는지 판단해, 정상 건은 처리하고 예외 건만 사람에게 넘깁니다.
수기·팩스 문서 자동화의 핵심은 글자를 읽는 데서 끝나지 않고, 검증해 시스템에 넣기까지 이어지는 데 있습니다. 이 에너지 기업은 문서 파서로 수기 문서까지 읽고 검증해 ERP로 넘기면서 데이터 오류를 85% 이상 줄였습니다. 지금은 그 검증과 입력을 AI 에이전트가 맡는 방식으로 더 넓게 적용할 수 있습니다.
문서 수백 건을 사람이 옮겨 적고 있다면, 검증부터 자동화할 수 있습니다. 인식 정확도만이 아니라, 우리 문서에서 자동처리율과 예외검수율이 얼마나 나오는지로 판단하세요.
우리 문서 업무에서 어디까지 자동화·검증할 수 있는지 적용 범위를 상담하세요.