네트워크 인프라 기업, 에스넷시스템

에스넷시스템은 Cisco·Dell Technologies의 최상위 파트너십과 NVIDIA와의 협력을 바탕으로 스위치·액세스포인트·서버·스토리지 등 네트워크·IT 인프라 장비를 취급하며, 공공기관과 기업 고객을 대상으로 한 제안요청서(RFP) 대응 업무를 상시적으로 수행합니다. RFP 대응은 단순한 영업 활동이 아니라, 고객의 요구사항을 정확히 읽어내고 그에 맞는 장비를 근거 있게 제시해야 하는 기술 검증의 영역입니다. 이 부분에서 에스넷시스템은 오랫동안 축적해온 방대한 벤더 장비 데이터와, 그것을 다뤄야 하는 사람의 시간 사이에서 구조적인 병목을 마주하고 있었습니다.

도전 과제: 네트워크 벤더 수만큼 다른 '스펙의 언어'

RFP가 접수되면 엔지니어는 요구사항을 한 줄씩 읽어가며, 사내에 쌓인 벤더 장비 스펙과 데이터시트(PDF)를 수작업으로 대조해 적합한 장비를 선정하고 비교 리포트를 작성해야 했습니다. 문제는 데이터시트의 표기 방식이 벤더마다 제각각이라는 점이었습니다. 같은 항목이라도 표현 방식과 단위, 문서 구조가 다르다 보니 스펙 정보를 구조화된 형태로 축적하는 일 자체가 어려웠습니다. 여기에 더해 공공기관 RFP는 HWP·HWPX 포맷으로 오는 경우가 많아, 일반적인 PDF 기반 도구로는 원활히 처리되지 않는 또 하나의 장벽이 존재했습니다. 결과적으로 반복적인 대조 작업에 상당한 시간이 소요되었고, 이에 따라 RFP 대조 방식과 결과의 일관성이 분석가 개인의 역량과 경험에 좌우되는 구조가 이어졌습니다.

솔루션

삼성SDS는 이러한 문제를 해결하기 위해 AWS 인프라 위에 에스넷AI 플랫폼을 설계했습니다. 이 플랫폼은 데이터 적재, 검수 게이트, RFP 분석, 장비 조회라는 네 개의 기능 축과 이를 뒷받침하는 인프라 운영으로 구성됩니다.

데이터 적재 파이프라인

벤더 데이터시트를 신뢰할 수 있는 자산으로 전환하기 위해, 문서 파싱 엔진과 AWS Bedrock의 LLM을 결합한 파이프라인을 구축했습니다. 문서는 파싱(Parse), 장비 카테고리 분류(Classify), 관련 청크(문서 조각) 검색(Search), 스펙·기능값 추출(Extract), 시리즈·모델 계층 구성(Structure), 정규화 후 데이터베이스 적재의 여섯 단계를 거칩니다. 각 단계는 S3 캐시를 통해 멱등적(idempotent)으로 설계되어, 처리 중 오류가 발생해 재시도하더라도 이미 완료된 단계는 건너뛰고 이어서 진행할 수 있습니다.

검수 게이트

파싱된 원본 데이터는 먼저 raw 테이블에 적재됩니다. 관리자가 내용을 검수해 승인하면, 별도의 배치 처리 없이 즉시 curated 뷰를 통해 검증된 데이터만 장비 추천이나 리포트 생성 같은 하위 시스템에 노출되는 2단계 구조입니다. 이러한 'Human-in-the-loop' 구조는 AI가 처리 속도를 맡고 사람이 정확성을 담보하도록 하며, 검증되지 않은 스펙 데이터가 하위 업무에 그대로 유입되는 것을 막아 장비 추천의 신뢰성과 책임 소재를 분명히 합니다.

RFP 분석 파이프라인

RFP 문서(PDF·HWP·HWPX)를 업로드하면 LangGraph 기반 AI 에이전트가 문서 전체에서 인프라 장비와 관련된 요구사항만 선별해 추출하고, 무관한 페이지는 걸러냅니다. 분량이 많은 RFP일수록 요구사항 추출에 시간이 걸리므로, 에이전트는 이 작업을 별도 처리 엔진에 맡기고 진행 상태를 저장해둔 뒤, 추출이 끝났다는 콜백을 받으면 중단 지점부터 분석 흐름을 재개하는 방식으로 처리합니다. 사람의 단계별 개입 없이 필요한 요구사항을 선별하고 비동기 작업을 재개하는 이러한 구조가 이 시스템의 에이전틱(Agentic) AI 특성입니다. 이렇게 추출된 요구사항은 사내 장비 스펙 지식베이스(Knowledge Base)와 자동으로 매칭되어 비교 리포트(PPTX)로 생성됩니다.

이런 자동화 수요는 에스넷시스템만의 사정이 아닙니다. RFP·제안서 대응 업무에 생성형 AI를 활용하는 조직의 비율은 최근 빠르게 늘고 있으며, 관련 시장 역시 빠르게 성장하고 있는 것으로 조사됩니다.

장비 조회

분석가가 자연어로 질문하면 Text2SQL(자연어 질의를 구조화 질의로 변환하는 기술)과 벡터 검색, 외부 웹검색을 결합한 하이브리드 방식으로 실시간 스트리밍 답변을 제공하는 챗봇도 함께 구축했습니다. 이전이라면 정확한 필드명이나 조건식을 알아야 원하는 장비를 검색할 수 있었지만, 이제는 "처리량 100Gbps 이상이면서 랙 유닛 2U 이하인 스위치를 찾아줘"처럼 실무자가 평소 쓰는 말 그대로 질문해도 됩니다. 정형화된 검색 조건을 몰라도 대화하듯 장비를 조회할 수 있습니다.

확장성 설계

이 플랫폼의 특징은 신규 장비 카테고리, 이를테면 방화벽 같은 항목을 추가할 때 코드를 새로 개발하기보다 JSON·YAML 형태의 레지스트리(설정 파일)를 편집하는 방식을 중심으로 확장할 수 있도록 설계했다는 점입니다. 현재는 스위치·액세스포인트 카테고리부터 이 방식으로 검증을 마쳤고, 서버·스토리지 등 나머지 카테고리는 순차적으로 검증 범위를 넓혀가고 있습니다. 비개발자도 설정 파일 편집만으로 쉽게 확장할 수 있습니다.

벤더 데이터시트 구조화를 위한 6단계 데이터 적재 파이프라인 출처: 삼성SDS

1. INPUT:벤더 데이터시트(PDF)
2. 1단계 Parse(파싱): 문서의 레이아못은 분석하고 덱스트를 분해합니다.
3. 2단계 Classify(분류): 장비의 카테고리를 자동으로 식별하고 분류합니다.
4. 3단계 Search (검색): 데이터시트 내에서 스펙 추출메 필요한 회적의 관련 청크를 검색합니다.
5. 4단계 Extract(추출): AWS Bedrock LLM을 통해 장비의 세부 사양과 기능간을 정밀하게 추출합니다.
6. 5단계 Structure (구조화): 추출된 데이터를 시리즈와 모델별 계층 구조에 맞춰 체계적으로 정리합니다.
7. 6단계 Write(적재): 모든 데이터를 정규화하여 최종 장비 스젝 DB에 만전하게 저장합니다.
8. OUTPUT:구조화된 장비 스펙 DB

성과: 짧아진 대응 시간, 검증된 추천 근거, 코드 없는 확장성

에스넷 AI 플랫폼의 정량적 성과도 실측을 통해 확인됐습니다. 견적 요청부터 대상 장비 조사, 고객 전달용 보고서 작성까지 건당 소요 시간은 120분에서 72분으로 40% 줄었고, 건당 소요 비용도 12만 5천 원에서 7만 6,794원으로 38.6% 절감됐습니다. 영업직원 20명 기준 월간 처리 가능 건수는 1,600건에서 2,540건으로 58.8% 늘어, 더 많은 고객 요건에 대응할 수 있게 됐습니다.

장비 추천 정확도 역시 99.1%를 기록했으며, 단일 조건으로 장비를 조회하는 질의는 62문항 전원 정답, 복수 벤더·조건을 교차 비교하는 질의는 45문항 중 44건이 정답으로 나타나 복합 질의에서도 안정적인 정확도를 확인했습니다. 검수 게이트를 거친 데이터만 하위 시스템에 노출되는 구조 덕분에 이 추천 근거는 표준화되고 일관성을 갖추게 되었고, 레지스트리 기반 설계로 신규 장비 카테고리 확장이 용이해지면서 장기적인 유지보수 부담도 줄어들 것으로 기대됩니다.

개인의 경험에서 조직의 표준으로

에스넷시스템의 사례는 방대한 비정형 문서 자산을 다루는 조직이 AI를 통해 업무의 표준을 세워가는 과정을 보여줍니다. 삼성SDS가 구축한 에스넷AI 플랫폼은 데이터 적재부터 검수 게이트, RFP 분석, 장비 조회에 이르는 흐름을 하나의 체계로 연결하며, 앞으로도 새로운 장비 카테고리와 문서 유형을 흡수해 나갈 수 있는 확장의 토대를 마련했습니다.