안녕하세요. 텍스트넷입니다. 어느덧 2025년이 마무리되고 있습니다. 지난 2024년이 AI를 탐색하고 어떻게 활용할 수 있을지 고민하는 해였다면, 올해는 많은 기업이 본격적으로 실제 운영 환경에 반영 하고 검증하는 해였던 것 같습니다.
2025년 AI 데이터 시장의 변화
RAG 기반 시스템 도입이 확대되면서 기업들은 단순히 모델 성능 개성이 아닌 데이터의 품질, 지식 자산화, 운영 프로세스를 포함한 전반적인 완성도를 요구하고 있습니다. 텍스트넷이 통신, 제조, 금융, 유통 등 다양한 산업의 기업들과 함께 프로젝트를 수행하며 경험한 핵심 변화는 아래와 같습니다.
RAG 시스템의 성능을 좌우하는 데이터 구조화
동일한 데이터라도 어떻게 구조화했는지에 따라 RAG 시스템의 성능 차이가 발생합니다. Chunk를 어떤 기준으로 나누는지, 문서를 어떻게 정제하는지, 메타 데이터 체계는 어떻게 설계되었는지, RAGAS 등 평가 기준을 어떻게 정의하는지에 따라 데이터의 품질 격차와 활용성에서 큰 차이를 보입니다. 이러한 데이터 구조화 및 설계 역량은 서비스의 성능을 결정짓는 핵심 기준으로 자리 잡고 있습니다.
암묵지, 형식지 등 도메인별 언어 패턴과 업무 맥락의 중요성 증가
작게는 기업 내부 부서부터 크게는 산업 전반에 걸쳐 용어, 절차, 문서의 구조와 의미가 다릅니다. AI 에 업무에 따른 정확한 맥락을 녹여내기 위해 실제 업무 환경에 맞춘 데이터를 구축하고, 이를 정례화 시키는 것에 대한 중요성이 증가하고 있습니다.
AI 에이전트의 본격화
질의응답 중심의 챗봇을 넘어, 업무 절차 수행, 문서 처리, 여러 단계 액션을 수행하는 에이전트형 AI 에 대한 니즈가 증가하고 있습니다. 이에 따라 단순히 학습용으로 정제된 데이터가 아닌, 업무 규칙과 의사결정 기준을 담을 수 있는 데이터의 필요성이 대두되고 있습니다.
2025년, TEXTNET 주요 활동
이러한 변화 속에서 텍스트넷은 고객사의 다양한 니즈에 맞춰 AI 학습/평가를 위한 데이터 구축과 서비스 역량 강화에 힘쓴 한 해였습니다. 2025년, 텍스트넷의 활동에 대해 간략하게 소개해드리도록 하겠습니다.
2025. 01
모빌리티 분야 - 홈페이지 구축 챗봇 연계 개발
가전 분야 - 챗봇 운영 지원 및 고객 맞춤 서비스 언어 운영/개선2025. 02
모빌리티 분야 - 재정 챗봇 시나리오 구축2025. 03
모빌리티 분야 - 챗봇 유지보수2025. 04
제조 분야 - RAG 챗봇(PoC) 데이터 구축
공간관리 분야 - RAG 챗봇 구축
통신 분야 - 콜봇 학습용 데이터 구축2025. 06
미디어·통신 분야 - 고객센터 대상 콜봇/챗봇 인력 제공 사업2025. 07
원유니버스 - AI 기술력 강화를 위한 MOU 체결
월 구독형 온사이트 데이터팀, In-house Data Partner 서비스 런칭2025. 08
KT Cloud – 버티컬 AI 사업 협력을 위한 MOU 체결2025. 09
합성·증강 데이터 솔루션 런칭2025. 10
AI 솔루션 분야 - 데이터 품질 평가 자동화 솔루션 학습용 데이터셋 구축
AI 솔루션 분야 - RAG 성능 향상 컨설팅2025. 11
모빌리티 분야 - 챗봇/보이스봇 콘텐츠 구축
모빌리티 분야 - AI 어시스턴트 학습용 데이터셋 구축
인피니티컨설팅 – 호텔·관광 특화 AI 솔루션 개발을 위한 MOU 체결
개인의 경험이 지식 자산으로, 첫 번째 TEXTNET 레퍼런스 북
2025년의 큰 수확 중 하나는 텍스트넷의 첫 번째 레퍼런스 북을 만든 것입니다. 수년간 수행한 프로젝트를 하나하나 다시 걷는다는 생각으로 되짚어보며, 도메인마다 공통적인 페인포인트가 무엇인지, 목적에 따라 어떻게 접근했는지, 태스크별 중요 포인트는 무엇인지, 그 결과 어떤 결과물을 얻을 수 있는지 정리했습니다.
이는 단순히 레퍼런스를 정리하고 취합하는 과정을 넘어 PM과 작업자들의 경험을 내부 자산화하는 과정이었습니다. 먼저, 프로젝트 종료 시 기록해 놓은 작업 일지 및 리뷰 문서를 기반으로 개인의 경험을 공유하고 다양한 생각과 의견을 주고받으며 케이스별로 어떤 기술이 효과적인지, 상황에 따라 어 떤 방식으로 접근하는 것이 좋은지, 예외 상황이 발생하였을 때 어떻게 대처하는 것이 좋은지 정의하였습니다. 이를 통해 데이터 스카마 및 지식 그래프, 평가 방법론 등 데이터 설계의 핵심을 정례화하고 고도화할 수 있었습니다.
한 번의 방문으로 전부 알 수 있도록, 웹사이트 개편
2025년 텍스트넷의 또 하나의 과제는 바로 웹사이트 개편이었습니다. 웹사이트에 들어온 방문자들이 내용을 쉽게 이해하고 원하는 정보로 이동할 수 있도록, AI 용어 표현과 사용자 동선을 개선하는 것이 이번 개편의 주요 목표였습니다. 이를 위해 외주가 아닌 노코드 기반 AI 웹사이트 구축 툴을 활용하여 웹사이트의 구조, 콘텐츠, 인터페이스를 직접 설계하여 기획 요소들을 온전히 반영하려고 노력했습니다.
웹사이트 개편에서 가장 많이 고민한 부분은 방문자가 정보를 쉽게 이해하고 접근할 수 있도록 설계 하는 것이었습니다. 기존의 전문 용어를 사용자 관점의 용어로 변경하고, 자세한 내용을 길게 풀어 쓰기보다 핵심 내용과 예시 중심으로 구성해 방문자가 서비스의 내용을 쉽게 이용할 수 있도록 하는 것에 집중했습니다. 또한, 각 세션 사이에 관련 자료를 열람할 수 있는 버튼과 서비스 하단에 FAQ를 배치해 방문자가 원하는 정보를 빠르게 찾고 습득할 수 있도록 개선한 것도 주요 포인트였습니다.
이번 개편은 단순히 웹사이트의 구조를 정리하는 것을 넘어, 일방적인 정보 전달 방식에서 방문자들의 원하는 싶은 정보를 주도적으로 찾아갈 수 있는 방식으로 전환하는 과정이었습니다. 이를 통해 고객사 가 어떤 맥락에서 텍스트넷을 방문하고 어떤 것들을 원하는지 더 명확하게 이해하게 된 계기가 되었으며, 개편 전과 비교했을 때 클릭, 스크롤, 페이지 이동 등 방문자의 활동량이 크게 증가하며 문의의 양과 질이 모두 개선되는 성과도 얻을 수 있었습니다.
가장 기억에 남는, 정답보다 ‘이해’를 고민했던 금융 데이터 구축 프로젝트
레퍼런스 북을 만들면서 가장 인상적이었던 프로젝트는 금융에 특화된 LLM/RAG 학습 QA 데이터셋 구축 프로젝트였습니다. 이 프로젝트가 특히 기억에 남는 이유는, '데이터를 만드는 일'이 곧 '금융 지식을 어떻게 구조화할 것인가'를 정의하는 일이었기 때문입니다.
단순히 금융 용어 QA를 나열하는 수준이 아니라, 금융 상품 정보 테이블을 어떻게 해석해야 하는지, 복잡한 금융 상품을 어떤 논리로 설명해야 하는지, 금융 계산 과정을 어떻게 단계적으로 표현해야 하는지를 데이터로 구현해야 했습니다. 고객사의 요구사항과 실제 금융 데이터 특성 간의 괴리, 그리고 작업자들 간 해석 차이도 있었지만, 심층적인 논의를 통해 일관된 기준을 만들어갈 수 있었습니다.
결과적으로, 금융 개념 간 연결 관계, 계산 로직의 검증 가능성, 복잡한 정보의 단계적 전달 구조까지 세밀하게 설계된 데이터셋을 구축할 수 있었습니다. 이 프로젝트를 통해 텍스트넷이 지향하는 도메인 특화 데이터 설계 역량과 지식 구조화 방법론을 더욱 고도화할 수 있었으며, AI가 전문 영역에서 어떻 게 신뢰할 수 있는 답변을 제공할 수 있는지에 대한 데이터 설계 철학을 한 단계 정교화할 수 있었습니다.
다가올 2026년을 앞두고
2025년은 AI 서비스의 성능을 좌우하는 것은 ‘데이터’라는 사실을 다시 한번 확인한 해였습니다. 다양한 고객사와 AI 서비스에 대해 논의하며, 실제 현장에서 마주한 문제들을 데이터 관점에서 풀어낼 수 있었습니다. 그 과정에서 얻은 인사이트와 성과는 텍스트넷이 걸어온 방향성을 점검하고 앞으로 집중해야 할 기술적·전략적 방향을 명확히 하는 기준점이 되었습니다.
2026년, 텍스트넷은 지금까지 쌓은 정교한 데이터 설계 역량과 다양한 산업 분야의 파트너십을 중심으로 데이터 구축 효율성 및 고객사의 실질적인 AI 성능 향상에 더욱 집중할 예정입니다. AI 기술이 빠르게 발전하더라도, 서비스의 목적과 특성을 반영하기 위해선 정교한 데이터 설계가 바탕이 되어야 합니다. 이러한 원칙을 바탕으로 2026년에도 실질적인 AI 성과를 만드는 데이터 파트너로서 더 나은 서비스와 전략으로 찾아뵙겠습니다.