AI LMS는 무엇이 다른가

AI LMS가 실제로 바꾸는 것

1. 답변의 근거가 인터넷이 아니라 사내 자료가 된다 −

   RAG(검색 증강 생성)는 사내 문서를 먼저 검색해 그 내용을 근거로 답을 만드는 방식입니다. 구매 문서는 여기서 멈추지 않고 문서 파싱, 검색 단위 분할(청킹), 메타정보 설계, 임베딩, 중복 제거와 재정렬, 검색 이력, 출처 표시까지 요구합니다. 그래서 AI LMS 검토의 첫 관문은 모델이 아니라 자사 자료가 AI가 읽을 수 있는 상태인가입니다.

   공공 RFP 요구: 내부 보유자료 약 230GB · 문제은행 718개의 구조화

2. AI는 초안을 만들고, 확정은 사람이 한다 +

   AI 생성 결과가 그대로 학습자에게 나가는 구조는 규제 산업과 공공에서 채택되기 어렵습니다. 공개된 요구사항은 생성 → 비교 → 수정·재생성 → 검토 의견 → 전문가 검수 → 확정 → 버전 이력이라는 흐름을 제품 기능으로 요구합니다. 데모에서 "생성" 버튼만 보여 주는 제품과, 확정 단계와 버전 이력을 보여 주는 제품은 다른 물건입니다.

   Human-in-the-loop: 검토 · 수정 · 재생성 · 확정 · 버전 이력

3. 질문이 "AI 되나요"에서 "통제되나요"로 옮겨간다 +

   외부 LLM API를 쓸 때 고객 데이터가 모델 학습에 쓰이지 않는다는 근거자료 제출, 민감정보 외부 전송 차단, AI 호출 범위 제한, 프롬프트 인젝션 필터링, 출처 표시, 감사 로그, 사업 종료 후 삭제·폐기 증빙 — 이 항목들은 보안 문구가 아니라 구매 조건입니다. 전체 8종은 아래 표에 정리했습니다.

   AI 통제 요구 8종이 구매 조건이 된다

4. AI가 기존 LMS 운영 흐름 안으로 들어온다 +

   AI가 별도 도구로 떨어져 있으면 평가에서 약해집니다. 요구되는 것은 문제은행, 강의 운영, 관리자 권한 체계, 출력물(PDF·Excel)과 연결되는 업무별 Agent입니다. 학습자용 챗봇 하나가 아니라 문제출제·강의기획·교육운영·학습지원처럼 직무별 입력폼과 출력폼이 있는 화면이 필요합니다.

   학습자 챗봇 → 관리자 · 전문가 업무 Agent

5. 비용과 응답시간이 운영 지표가 된다 +

   LLM 사용량, 응답시간, RAG 데이터 증가, 재시도와 반복 요청 처리는 도입 후 실제로 비용이 되는 항목입니다. 공개된 요구사항은 토큰 비용과 응답시간을 별도 운영지표로 관리하도록 하고, 모델 교체·자료 증가·Agent 추가·클라우드 이전·Export·개방형 API 같은 확장성까지 함께 묻습니다. 특정 모델에 종속되지 않는 구조인지 계약 전에 확인하는 편이 안전합니다.

   토큰비 · 응답시간 · 모델 교체 가능성