AI 에이전트가 단순한 질의응답 시스템을 넘어 사람과 함께 ‘업무를 수행하는 주체’로 진화하면서,

기업들은 이제 LLM을 어떻게 현장에 맞게 정교하게 통제하고 활용할 것인가라는 문제에 직면하고 있습니다.

하지만 금융, 공공, 제조 등 다양한 도메인의 실무 지식을 이해하는 것에 더해 정확성과 보안

그리고 사용 편의성이라는 까다로운 요구사항까지 충족시키는 AI 에이전트를 직접 구축하는 것은 결코 쉬운일이 아닙니다.

이러한 흐름 속에서 다이퀘스트가 개발한 엔터프라이즈 AI Platform Delma(DELMA, Domain Expert Language Model based AI Agent)가

도메인 특화 지식과 에이전트 실행 구조를 결합한 실무형 아키텍처라는 하나의 확실한 대안을 제시해 주고 있습니다.

Delma는 노코드(no code) 기반으로 누구나 RAG(Retrieval-Augmented Generation)를 활용해 기업 내부의 방대한 데이터를 연동하고,

이를 LLM과 결합하여 정확한 응답 생성뿐 아니라 실제 업무 흐름을 수행하는 에이전트를 구성할 수 있는 AI 에이전트 플랫폼입니다.

특히 API 연동, 멀티 에이전트 구조, 그리고 기업 환경에 맞는 유연한 구성을 통해 기존의 챗봇이나 검색 시스템과는 달리 ‘실행 가능한 AI’를 지향한다는 점이 특징이라고 할 수 있습니다.

이미 현실로 다가온 AI 에이전트 시대에 Delma는 어떻게 우리 회사에 딱 맞는 해법을 제시해 줄 수 있을까요?

이번 글에서는 Delma가 어떤 기술적 구성 요소 위에서 동작하며, 어떻게 기업 환경에 최적화된 AI 에이전트를 구현하는지

그 구조와 특징을 구체적으로 살펴보도록 하겠습니다.

기업이 AI 에이전트를 도입하려 할 때 가장 먼저 마주하는 장벽은 “기술의 복잡성”입니다. 단순히 LLM을 RAG와 연동하는 것만으로는 실제 업무에 투입 가능한 수준의 에이전트를 만들 수 없으며, 도메인 지식 학습, 데이터 정제, 시스템 연동, 그리고 운영 최적화까지 수많은 기술 요소가 유기적으로 결합되어야 하기 때문입니다.

Delma는 바로 이 복잡한 과정을 하나의 플랫폼으로 추상화함으로써, 비전문가도 빠르게 ‘현업에 바로 투입 가능한 전문가 AI 에이전트’를 구축할 수 있도록 설계되어 있습니다. 특히, Delma의 본질은 도메인 특화 전문가 언어모델(ELM)을 기반으로 스스로 판단하고 실행하는 Agentic AI를 구현하는 통합 프레임워크에 있습니다. 그리고 이를 가능하게 하는 Delma의 기술적 기반은 크게 네 가지 핵심 축으로 구성됩니다.

1) CASA(Customer Service Agentic AI)

먼저, CASA(Customer Service Agentic AI)는 Delma의 실행 엔진에 해당하는 기술로, AI가 단순히 질문에 답하는 수준을 넘어 목표를 이해하고, 계획을 수립하며, 필요한 작업을 선택·실행하는 에이전트 구조를 제공합니다. 기존의 FAQ 기반 챗봇이나 스크립트 중심 자동화에서 벗어나, 실제 업무 흐름을 따라 문제를 끝까지 해결하는 ‘디지털 워커’ 형태의 AI를 구현할 수 있게 해주는 핵심 기술이라고 할 수 있습니다. 특히 CASA는 관리자의 워크플로우 설계와 접근 제어를 통해 에이전트의 실행 범위를 명확히 통제할 수 있도록 설계되어 있어, 예측 가능하고 안전한 방식으로 업무를 수행하는 ‘통제 가능한 에이전트 실행’을 지향합니다.

2) COSA(Customer Operation Support Agent)

다음으로, COSA(Customer Operation Support Agent)는 인간과 AI의 협업을 위한 기술입니다. Delma는 AI가 인간을 대체하는 것이 아니라, 상담사와 상호 학습하는 구조를 지향합니다. 상담 과정에서 AI는 실시간으로 답변을 추천하고 품질을 평가하며, 인간 상담사는 그 결과에 피드백을 제공합니다. 이 과정에서 축적된 데이터는 다시 AI를 고도화하는 데 활용되며, 결과적으로 시간이 지날수록 조직 전체의 서비스 역량이 자동으로 향상되는 구조를 만듭니다.

3) MuKG(Multimodal Knowledge Generation)

MuKG(Multimodal Knowledge Generation)는 기업 내부에 흩어져 있는 데이터를 ‘지식’으로 전환하는 역할을 합니다. 현실의 기업 데이터는 텍스트뿐 아니라 음성, 이미지, 영상 등 다양한 형태로 존재하며, 대부분 정제되지 않은 상태입니다. MuKG는 이러한 데이터를 자동으로 수집·가공·구조화하여 AI가 이해하고 활용할 수 있는 지식 베이스로 변환하며, 이를 통해 RAG 기반 응답의 정확성과 신뢰성을 획기적으로 높여 줍니다.

4) OELM(Optimization for Expert Language Model)

마지막으로, OELM(Optimization for Expert Language Model)은 Delma의 ‘두뇌’를 담당하는 기술입니다. 이는 범용 LLM을 그대로 사용하는 대신, 특정 산업과 기업에 맞게 경량화 및 도메인 최적화를 수행한 전문가 언어모델을 생성하는 기술이다. 프루닝, 양자화, 지식 증류, 미세조정 등을 통해 모델을 작고 빠르게 만들면서도, 해당 도메인에서는 오히려 더 높은 성능을 발휘하도록 설계되어 비용·속도·정확성이라는 세 가지 문제를 동시에 해결합니다.

독특한 점은 이 네 가지 기술은 각각 독립적으로 작동하는 것이 아니라, 하나의 유기적인 흐름으로 긴밀하게 연결된다는 것입니다. 즉, MuKG가 지식을 만들고, OELM이 이를 학습한 전문가 모델을 생성하며, CASAI가 이를 기반으로 자율적으로 업무를 수행하고, COSA가 인간과의 협업을 통해 지속적으로 개선하는 방식으로 작동합니다. 즉, Delma는 복잡한 AI 구축 과정을 이해하지 않아도, 사용자가 노코드 환경에서 데이터와 목적만 정의하면 “우리 회사에 최적화된 전문가 AI 에이전트”를 빠르게 생성할 수 있는 구조를 제공한다고 할 수 있습니다.

그렇다면 실제 현업에서는 어떻게 Delma의 기술이 적용하고 있을까요?

Delma의 강점은 특정 기능이나 도메인이 아닌, 기업의 실제 업무 흐름 전체를 에이전트 단위로 재구성할 수 있다는 점에 있습니다.

특히 고객 응대, 운영 자동화, 내부 지식 활용 등 다양한 영역에서 이미 검증된 방식으로 적용되고 있습니다.

가장 대표적인 활용 사례는 고객 서비스(Customer Service) 자동화입니다. 기존의 챗봇은 FAQ 수준의 단순 질의응답에 머무르는 경우가 많았지만, Delma 기반 에이전트는 CASA를 통해 고객의 요청을 단순 질문이 아닌 ‘해결해야 할 목표’로 인식합니다. 예를 들어 고객이 “환불이 가능한지”를 묻는 경우, 단순 정책 안내에 그치지 않고 주문 내역 조회 → 환불 조건 검증 → 환불 요청 처리까지 하나의 흐름으로 실행하는 방식입니다.

여기에 COSA가 결합되면, AI는 인간 상담사를 완전히 대체하기보다는 상담사의 생산성을 극대화하는 방향으로 작동합니다. 상담 중 AI는 실시간으로 답변을 추천하고, 관련 규정이나 상품 정보를 즉시 제공하며, 상담 종료 후에는 자동으로 품질을 평가한다. 동시에 상담사의 피드백은 다시 AI 학습에 반영되어 점점 더 정교한 지원이 가능해집니다. 실제로 이러한 구조는 상담 처리 시간 단축과 응대 품질 향상이라는 두 가지 효과를 동시에 만들어내며, 조직 전체의 서비스 역량을 지속적으로 끌어올립니다.

두 번째는 지식 기반 업무 자동화 영역입니다. 많은 기업이 내부 문서, 매뉴얼, 정책, 보고서 등 방대한 데이터를 보유하고 있지만, 이를 효과적으로 활용하지 못하는 경우가 많습니다. Delma의 MuKG는 이러한 비정형 데이터를 자동으로 수집하고 구조화하여 검색 가능한 지식 자산이 아니라 ‘이해하고 활용 가능한 지식’으로 전환합니다. 이를 통해 단순 문서 검색을 넘어 “이 상황에서 어떤 정책을 적용해야 하는가”와 같은 복합적인 질문에도 맥락 기반의 정확한 답변을 제공할 수 있게됩니다. 이러한 특성 덕분에 특히 법률, 금융, 제조 등 전문성이 요구되는 분야에서 활발히 활용되고 있습니다.

세 번째는 전문가 언어모델을 통한 도메인 특화 AI 에이전트 구축입니다. 일반적인 LLM은 범용성을 가지지만, 특정 산업의 규정이나 업무 프로세스를 깊이 이해하는 데에는 한계가 있습니다. Delma는 OELM을 통해 기업 데이터 기반으로 전문가 언어모델을 생성함으로써, 금융 상품 설명, 보험 심사, 제조 공정 지원, 유통 상품 추천 등 각 산업에 특화된 AI 에이전트를 구현할 수 있습니다. 특히 경량화된 모델 구조는 실제 서비스 환경에서도 빠르고 안정적으로 운영될 수 있도록 하며, 높은 정확성과 일관성을 유지합니다.

마지막으로 주목할 부분은 엔드투엔드(End-to-End) 업무자동화 입니다. Delma는 API 연동과 멀티 에이전트 구조를 기반으로, 단일 업무가 아닌 여러 시스템과 프로세스를 연결한 복합 업무 흐름을 자동화할 수 있습니다. 예를 들어 고객 문의 → 내부 시스템 조회 → 의사결정 → 후속 처리까지 이어지는 전 과정을 하나의 에이전트 또는 여러 에이전트의 협업으로 수행할 수 있으며, 이는 기존 RPA나 단순 자동화 도구와는 차별화되는 지점입니다.

지금까지 살펴본 것처럼 Delma는 단순히 LLM을 활용하는 도구가 아니라, 기업의 데이터를 기반으로 스스로 사고하고 실행하는 AI 에이전트를 구축하는 통합 플랫폼입니다. CASAI, COSA, MuKG, OELM으로 이어지는 기술적 구조는 각각이 독립적인 기능이 아니라, 지식 생성 → 모델 최적화 → 자율 실행 → 인간 협업 → 지속적 고도화라는 하나의 흐름으로 연결됩니다. 이러한 과정을 통해 기업은 비로소 ‘실제로 일하는 AI’를 확보할 수 있게 되는 것입니다.

결국 Delma의 활용 방식은 특정 기능을 도입하는 것이 아니라, 업무 자체를 에이전트 중심으로 재설계하는 것에 가깝습니다. 고객 응대, 내부 운영, 지식 활용, 의사결정 지원까지—각각의 영역에서 Delma는 단순한 자동화를 넘어 스스로 실행하고, 인간과 협력하며, 지속적으로 진화하는 AI 시스템을 구현한다. 이는 기업이 AI를 도입하는 방식 자체를 ‘도구 활용’에서 ‘업무 구조 혁신’으로 전환시키는 중요한 전환점이라고 할 수 있습니다.

실제로 Delma를 통해 손쉽게 AI 에이전트를 구축하는 방식을 확인해보고 싶으시다면, 아래 데모 영상을 직접 확인해보시기 바랍니다. 우리 회사에서 AI 에이전트 플랫폼 Delma를 활용해 손쉽게 AI 에이전트를 구축하기 위한 힌트를 얻으실 수 있을 것입니다.

https://youtu.be/__lPt_7vxdc?si=j8SrDKLgqcRc6gMN

간편하고 쉬운 AI 에이전트 플랫폼

Delma 홈페이지 바로가기 ▶️