특수화학 영업의 범용 AI와 근거 기반 AI

특수화학 영업에서 범용 AI는 근거를 보여 주지 않고도 답할 수 있습니다. 근거 기반 AI는 답변을 회사 자체 기록으로 만들고 그 기록을 보여 줍니다. AI를 쓰느냐 마느냐는 그보다 작은 문제입니다. 고객이 보고 행동할 답변에는 출처가 있어야 합니다. 현행 TDS와 SDS, 그 현장의 이력, 그리고 사람이 승인한 추론입니다.

• 2026년 4월 Stanford HAI가 발표한 2026 AI Index에서, AA-Omniscience 지식 벤치마크로 평가한 26개 모델의 환각률은 22%에서 94%까지였습니다(Stanford HAI, 2026).

• AA-Omniscience는 6개 분야 6,000개 질문으로 사실 신뢰성을 시험합니다. 정답에는 점수를 주고 오답은 감점하며, 답하지 않는 데에는 감점하지 않습니다(Stanford HAI, 2026).

• 2026 AI Index는 사실성의 좋은 관행으로, 여러 조치 가운데 검증된 출처에 근거해 결과를 내고 사용자에게 인용을 제공하는 회사를 예로 듭니다(Stanford HAI, 2026).

• 미국 국립표준기술연구소(NIST)는 작화(confabulation)를 생성형 AI가 "자신 있게 서술했지만 틀리거나 거짓인 내용을 만들어 내는 것"으로 정의합니다(NIST AI 600-1, 2024).

2026 AI Index는 AI 답변이 얼마나 정확하다고 보고했나요?

미국 스탠퍼드대 인간중심 AI 연구소(Stanford HAI)가 2026년 4월 발표한 2026 AI Index는, 한 지식 벤치마크에서 26개 모델의 환각률이 22%에서 94%까지였다고 보고했습니다(Stanford HAI, 2026). 이 벤치마크는 Artificial Analysis가 만든 AA-Omniscience로, 법률과 보건부터 소프트웨어 공학과 수학까지 6개 분야의 6,000개 질문으로 사실 신뢰성을 시험합니다. 채점은 정답에 점수를 주고 오답은 감점하며, 답하지 않는 데에는 감점하지 않습니다. 보고서는 이 설계가 "모델이 추측하는 대신 불확실함을 인정하도록 유도한다"고 설명합니다(Stanford HAI, 2026).

보고서는 낮은 환각률을 두 가지로 해석합니다. 보고서에 따르면 환각률이 낮다는 것은 "모델이 더 많이 알거나, 자신이 확실하지 않을 때를 더 잘 안다는 뜻"입니다(Stanford HAI, 2026). 보고서는 책임 있는 AI의 여러 측면을 정리한 틀에서 사실성의 좋은 관행으로 한 회사를 예로 듭니다. 여러 조치 가운데 검색 증강 생성을 도입해 "검증된 출처에 근거해 결과를 내고", 사용자가 "AI가 생성한 응답의 신뢰성을 판단할 수 있도록 신뢰도 표시와 인용을 제공하는" 회사입니다(Stanford HAI, 2026).

이 수치는 일반 벤치마크 결과이며, 화학 데이터로 한 시험이 아닙니다. 점수도 모델이 새로 나올 때마다 바뀝니다. 그래도 측정 기준 자체는 그대로 적용됩니다. 답이 맞는지, 모르는 것은 모른다고 말하는지, 읽는 사람이 출처를 확인할 수 있는지로 답을 평가합니다.

특수화학 영업 답변에는 왜 출처가 필요한가요?

특수화학 영업 답변에 출처가 필요한 이유는 고객이 그 답을 보고 행동하기 때문입니다. 공장은 제품을 라인에 투입하고, 품질팀은 규격에 비춰 제품을 승인하고, 안전 담당자는 함께 온 유해성 정보에 기댑니다. 도료 배합 담당자가 어떤 첨가제가 자사 경화 조건을 견디는지 묻거나, 설비 보전 계획 담당자가 어떤 유압유가 프레스의 씰에 맞는지 물을 때, 답의 품질은 그 뒤에 있는 데이터를 넘지 못합니다. 그 데이터는 현행 기술 데이터시트(TDS)의 한계값, 물질안전보건자료(SDS)의 유해성 분류, 해당 배치의 시험성적서(CoA), 그리고 비슷한 라인에서 있었던 결과입니다.

고객사 직원들은 문서를 근거로 일합니다. 품질 엔지니어는 규격에 비춰 자재를 승인하고 CoA를 보관합니다. 안전 담당자는 제품이 현장에 들어오기 전에 SDS의 유해성 항목을 확인합니다. 이들은 모두 어떤 결정이 어느 문서에 근거했는지 짚을 수 있습니다. 공급사가 뒷받침하는 문서 없이 판정만 담아 회신하면, 이들에게 출처를 확인할 수 없는 진술을 받아들이라고 하는 셈입니다. 신중한 엔지니어라면 그 답대로 하기 전에 질문을 할 것입니다.

기술 회신을 실무에서 가늠하는 기준은 하나입니다. 회신을 받은 사람이 각 값이 어디서 나왔는지 볼 수 있느냐입니다. TDS 개정본을 밝히고, 한계값을 인용하고, 어떤 고객 조건과 대조했는지 적은 회신은 이 기준을 통과합니다. 아무것도 밝히지 않은 회신은 아무리 매끄럽게 읽혀도 통과하지 못합니다.

범용 AI는 특수화학 질문에서 어디가 부족한가요?

범용 AI가 특수화학 질문에서 부족한 곳은, 답이 그 AI가 본 적 없는 기록에 달린 경우입니다. 회사의 현행 TDS 개정본, 고객의 라인 조건, 그 현장에서 했던 이전 시험의 결과입니다. 범용 어시스턴트는 학습 데이터의 패턴, 웹 검색 결과, 사용자가 추가한 파일이나 텍스트를 바탕으로 답합니다. 제품군 전반에 관한 넓은 질문이라면 정확할 수 있습니다. 한 라인에서 쓰는 한 등급에 관한 질문이라면, 어느 데이터시트 개정본이 적용되는지, 그 현장에서 비슷한 제품을 왜 뺐는지 알 방법이 없습니다. 사용자가 데이터시트 한 장을 올릴 수는 있습니다. 그래도 어시스턴트에게는 현장 이력, 이전 케이스, 근거에 대한 사람의 승인이 없습니다.

NIST는 이렇게 생기는 실패를 작화, 곧 "자신 있게 서술했지만 틀리거나 거짓인 내용을 만들어 내는 것"으로 설명합니다. 그리고 이 문제가 "맥락 의존도가 높거나 전문 지식이 필요한 분야에서" 특히 중요하다고 밝힙니다(NIST AI 600-1, 2024). NIST는 생성된 결과물에 답을 정당화하는 듯한 작화된 논리나 인용이 들어갈 수 있다고 덧붙입니다. 출처처럼 보이는 참고문헌은 누군가 그것을 열어 해당 진술을 찾을 수 있을 때에만 출처입니다.

이 모든 것이 영업에 AI를 쓰지 말자는 주장은 아닙니다. 회사 문서가 없는 도구가 무엇을 알 수 있고 무엇을 알 수 없는지를 설명하는 것입니다. 부족한 것은 기술이 아니라 근거입니다. 이 공백은 올바른 기록으로 답을 만들고, 답을 보내는 사람이 확인할 때 메워집니다.

근거를 보여 주는 AI는 무엇이 다른가요?

근거를 보여 주는 AI는 답변을 회사 자체 문서와 현장 기록으로 만들고, 그중 무엇을 썼는지 보여 줍니다. 그래서 답을 보내는 사람이 고객에게 가기 전에 확인할 수 있습니다. 차이는 입력과 출력에 있습니다. 입력은 회사의 TDS, SDS, CoA 파일, 고객사 이력, 방문 기록, 이전 케이스입니다. 출력은 근거가 붙은 결론입니다. 어느 데이터시트 값이 한계를 정했는지, 어느 현장 결과가 선택을 뒷받침했는지, 어느 부분이 아직 미확인인지가 함께 나옵니다.

언어 모델 연구도 같은 설계를 가리킵니다. 검색 증강 생성을 처음 제시한 논문에서 Lewis와 동료들은 대규모 사전학습 모델에서 "결정의 출처를 제시하고 세계 지식을 갱신하는 일은 여전히 열린 연구 과제"라고 썼습니다. 또 검색한 문서를 활용하는 모델이 파라미터만 쓰는 기준 모델보다 "더 구체적이고 다양하며 사실에 맞는 문장"을 생성한다고 보고했습니다(Lewis et al., 2020). 이 실험은 화학 데이터가 아니라 일반 지식 과제로 진행했습니다.

특수화학 영업에서 출처 제시는 실무적인 형태를 띱니다. 검토자가 인용된 TDS를 열어 한계값을 보고, 고객의 조건과 대조한 뒤 승인합니다. 이런 답을 단계별로 만드는 방법은 특수화학의 기술 추론에 무엇이 들어가는지에서, 고객이 받기를 기대하는 내용은 화학제품 추천에 무엇이 들어가야 하는지에서 다룹니다.

화학 고객의 질문 하나에 범용 AI와 근거 기반 AI는 어떻게 다른가요?

화학 고객의 질문에서 범용 AI와 근거 기반 AI가 가장 크게 다른 점은, 답이 고객에게 가기 전에 검토자가 무엇을 확인할 수 있느냐입니다. 아래 표는 고객의 새 라인에 제품이 맞는지 같은 질문 하나가 두 도구에서 어떻게 처리되는지 따라갑니다.

답을 보낼 수 있는지를 가르는 행은 검토자가 무엇을 확인하느냐입니다. 근거가 붙어 있으면, 검토는 인용된 데이터시트를 열어 값을 고객의 조건과 대조하는 일입니다. 근거가 없으면 검토자는 답을 믿기 전에 다시 만들어야 하고, 도구가 아낀 시간을 다시 쓰게 됩니다. 그 일을 하는 사람은 흔히 시니어 인력입니다. 데이터가 없을 때의 행이 그 이유를 보여 줍니다. 그럴듯한 추측은 확인한 사실과 똑같이 읽히므로, 표시된 빈칸만이 검토자에게 어디를 봐야 할지 알려 줍니다. 마지막 행은 질문이 많아질수록 의미가 커집니다. 기록을 남기는 답변은 다음 비슷한 답변을 더 빨리 만들고 더 쉽게 승인하게 해 줍니다. 채팅 기록은 찾아서 다시 읽어야 합니다.

화학 영업에서 범용 AI로 충분한 때는 언제인가요?

화학 영업에서 범용 AI는 결과물이 고객이 보고 행동할 기술적 주장이 아닌 업무라면 충분합니다. 커버 이메일 초안 쓰기, 문단 다듬기, 긴 입찰 문서 요약, 동료를 위한 방문 기록 번역, 현장 방문 전에 물어볼 질문 목록 만들기가 모두 여기에 속합니다. 이런 업무에서는 결과물을 읽는 사람이 바로 판단할 수 있습니다. 어색한 문장이나 요약에서 빠진 내용은 글에 그대로 드러나고, 그 때문에 제품을 라인에 넣는 사람은 없습니다.

범용 도구를 지지하는 쪽의 말에도 폭넓음이라는 면에서 일리가 있습니다. 범용 어시스턴트는 시험 방법이나 고장 메커니즘을 알기 쉽게 설명할 수 있고, 쓰기도 빠릅니다. 배경 지식을 읽거나 낯선 용도를 처음 파악할 때는 유용합니다.

선은 글이 특정 라인의 특정 제품에 관한 진술이 되는 지점에 있습니다. 상용성 판정, 권장 투입량, 단종 등급의 대체품, 품질 클레임 회신이 그렇습니다. 이 시점부터 고객은 답을 보고 행동하므로, 회사 자체의 근거와 사람의 승인이 필요합니다. 잘못된 추천의 대가는 고객 라인에서 치르게 됩니다. AI 에이전트가 고객에게 이메일을 보내도 되는지에도 같은 논리가 적용됩니다.

특수화학 영업 답변을 위한 AI는 무엇을 보여 줘야 하나요?

특수화학 영업 답변을 위한 AI는 각 진술이 어디서 나왔는지와 누가 승인했는지를 보여 줘야 합니다. 고객사 기술 인력이 묻는 것이 이 두 가지이기 때문입니다. 여기서 다섯 가지 조건이 나옵니다.

• 모든 답변에 근거가 드러납니다. 회사 자체의 TDS, SDS, CoA와 그 현장의 이력입니다.

• 고객의 조건에서 결론에 이르는 추론 과정이 보이고, 무엇이든 나가기 전에 사람이 승인합니다.

• 정보가 빠져 있으면 도구가 지어내지 않습니다. 추정에는 근거를 붙이고, 아니면 그 부분을 미확인으로 남깁니다.

• 케이스를 마치면 다음 비슷한 질문이 참고할 수 있는 문서 한 건이 남습니다.

• 고객사, 프로젝트, 업무일지, 문서가 한 기록 안에서 연결됩니다.

기다리는 비용은 케이스가 쌓일수록 커집니다. 받은편지함과 기억에 기대어 답한 기술 질문은 모두 그 추론을 쓴 사람에게 남겨 둡니다. 같은 질문을 받은 다음 담당자는 처음부터 다시 시작합니다. 팀은 고객 기술 문의 회신 같은 업무 하나부터 시작할 수 있습니다. 답한 케이스는 모두 출처가 달린 기록을 하나 더하고, 기록은 다음 답을 더 빨리 만들고 더 쉽게 승인하게 해 줍니다. 이 기록은 데이터시트가 바뀔 때도 가치를 보여 줍니다. SDS가 개정된 뒤에도 제품 승인이 유효한지 판단할 때가 그렇습니다.