사내 시스템(ERP·CRM·WMS)에 AI 붙이는 실전 패턴 — 5가지 진입 지점

"ChatGPT는 알겠는데, 우리 ERP·CRM에 AI를 어떻게 붙이지?" 대표님들이 가장 많이 묻는 질문입니다.

답은 도구가 아니라 패턴입니다. ERP에 GPT-4 API를 어떻게 연결할지가 아니라, ERP가 받는 input과 내는 output 사이에 AI가 들어갈 적절한 지점이 어디인지가 핵심입니다.

이 글은 사내 시스템·클라이언트 프로덕트를 설계·운영하면서 본 5가지 실전 패턴을 정리한 노트입니다. 각 패턴은 input → AI → output 흐름으로 적었고, 도구·운영 디테일까지 포함했습니다.

Level 0 회사의 사내 시스템 페인 포인트

다음 페인이 익숙하면 시작 시점입니다.

• 베테랑 머릿속 규정 의존 — "이 케이스는 김 부장님 결재 받아야 해." 그분 휴가면 멈춤
• 5년치 데이터가 쌓였는데 분석 못 함 — DB에 누적된 매출·고객·재고 데이터를 활용할 도구가 없음
• 인사이동으로 부서 정지 — 인계 자료 없이 사람만 의존
• CS 미응대로 고객 이탈 — 문의 1건 응대까지 30분, 그 사이 고객은 이미 떠남

이 4개는 사내 시스템에 AI를 붙이면 직접 해결되는 영역입니다. "AI 자동화"라는 추상 단어보다 구체 패턴 5개로 보겠습니다.

5가지 실전 패턴

패턴 ① — ERP 견적 자동 산정

input: 영업담당이 작성한 요구사항 텍스트 (자유 형식) AI 처리: 요구사항 → 항목별 견적 산정 (기존 견적 DB + 마진 정책 + 할인 규칙) output: 견적서 PDF + ERP에 자동 저장 + 영업담당에게 검토 요청

실제 운영 디테일:

• ERP는 그대로 둠. AI는 API로 ERP와 통신
• 견적 검증은 영업담당이 마지막에 함 (자동 발송 X)
• 마진율·할인은 코드로 관리 (LLM이 함부로 못 정함)

도입 효과: 견적 1건당 작성 시간 30분 → 5분. 정확도 비슷.

패턴 ② — CRM 리드 스코어링

input: CRM에 들어온 리드 (회사명·연락처·문의 내용) AI 처리: 리드를 0~100점으로 스코어링 (이전 매출 데이터·문의 톤·회사 규모 추정) output: CRM에 점수 + 영업 우선순위 자동 정렬

실제 운영 디테일:

• 첫 3개월은 사람이 모든 점수를 검토 (정확도 측정)
• 80% 정확도 넘어가면 자동 적용 시작
• 영업담당이 "이 점수 틀렸어"라고 표시하면 자동 학습 데이터로 누적

도입 효과: 영업 시간의 70%가 상위 점수 리드에 집중. 전환율 1.5~2배.

패턴 ③ — WMS 재고 예측

input: 5년치 발주·판매 데이터 + 계절성·이벤트 정보 AI 처리: 향후 4주 발주 시점·수량 예측 (시계열 분석 모델 + LLM 검증) output: WMS에 발주 추천 + 담당자 검토용 대시보드

실제 운영 디테일:

• 시계열 모델(Prophet·LSTM)이 1차 예측, LLM이 이벤트·계절성 보정
• 발주 결정은 사람이 함 (AI는 추천만)
• 첫 3개월은 AI 추천 vs 실제 발주 비교 → 정확도 측정 후 신뢰 누적

도입 효과: 재고 부족·과잉 케이스 30~50% 감소. 5년 데이터를 실제 운영에 활용.

패턴 ④ — 어드민 이상 거래 탐지

input: 결제·로그인·접근 로그 (실시간 스트림) AI 처리: 정상 패턴 학습 → 이탈 케이스 감지 (anomaly detection) output: 알람 + 어드민에 표시 + 자동 차단 옵션

실제 운영 디테일:

• false positive 줄이는 게 핵심. 첫 3개월은 알람만, 자동 차단 X
• 운영팀 피드백으로 정확도 누적
• 보안 사고는 비용이 크니, 정확도 95%+ 도달 전엔 사람 결재 필수

도입 효과: 어뷰징·도용 탐지 1주일+ → 1시간 이내. 손실 비용 직접 절감.

패턴 ⑤ — CS 티켓 자동 분류·1차 답변

input: 이메일·카카오톡·홈페이지 문의 텍스트 AI 처리: 카테고리 분류 + 답변 초안 생성 (RAG 기반 — 회사 매뉴얼·FAQ 참조) output: CS 담당에게 카테고리별 큐 + 답변 초안

실제 운영 디테일:

• 답변은 사람이 검토·발송. 자동 발송 X (정확도 100% 아니면 위험)
• 신입이 답변 작성에 30분 걸리던 게 5분으로 줄어듦
• 자주 묻는 질문은 FAQ로 자동 분류 → 사람 응대 0건

도입 효과: 응대 시간 60% 절감, 응대 품질 일관성 상승.

5가지 패턴 공통 운영 원칙

패턴 5가지를 운영하면서 발견한 공통 원칙:

1. 사람이 항상 마지막 결재 — AI가 결정 안 함. 추천만
2. 3개월은 정확도 측정 기간 — 자동 적용 전에 사람이 모든 케이스 검토
3. 이탈 케이스 학습 데이터로 누적 — 틀린 케이스가 다음 정확도 향상의 연료
4. 사내 시스템(ERP·CRM 등)은 그대로 — AI는 API·MCP로 통신, 시스템 자체는 안 건드림
5. 운영 매뉴얼·모니터링 필수 — 도입보다 정착이 어렵습니다

베비투스랩이 직접 Claude Code·MCP·AI Agent를 사내 시스템에 적용하면서 본 패턴이라 시행착오가 적습니다. "이렇게 만들면 된다"는 도구 설명이 아니라, 운영 단계에서 어디가 막히는지 압니다.

교훈 — 패턴이 도구를 정합니다

AI Agent·RAG·MCP — 도구는 매년 새로 나옵니다. 그러나 사내 시스템에 AI를 붙이는 패턴은 5년째 비슷합니다. 도구를 먼저 고르지 마세요. 우리 시스템의 어디에 AI가 들어가야 가치 있는지부터 패턴으로 보세요.

베비투스랩이 패턴을 강조하는 이유 — 도구는 갈아끼울 수 있지만, 잘못된 architecture는 6개월 후 재개발 비용으로 돌아옵니다. 처음부터 끝까지 같은 담당자가 patterns 설계 → 도구 선택 → 정착까지 책임지는 게 우리 방식입니다.

---

우리 시스템에 어떤 패턴이 맞을지 궁금하면 3분 AX 진단에서 4축 점수로 측정할 수 있습니다. 또는 30분 무료 상담에서 우리 ERP·CRM에 맞춘 patterns 함께 정리합니다.