더 많이 보여 줬는데, AI는 왜 더 헤맬까요?

무엇을 넣고 뺄지 정하는 컨텍스트 엔지니어링

더 많이 보여 줬는데, AI는 왜 더 헤맬까요? 부제 무엇을 넣고 뺄지 정하는 컨텍스트 엔지니어링. 짙은 남색 바탕 가운데에서 주황 빛이 퍼지고, 왼쪽 위에 TECH - Context Engineering 표시가, 오른쪽에 흩날리는 흰색·베이지·주황 쪽지들 가운데 몇 장이 검은 깔때기 입구로 들어가고, 아래로는 주황 쪽지만 나오는 표지.

같은 모델에 같은 질문을 두 번 했습니다. 한 번은 답에 필요한 대화 부분만 약 300토큰으로 잘라서 줬고, 다른 한 번은 그 부분이 들어 있는 대화 전체 약 11만 3천 토큰을 통째로 줬습니다. Claude Opus 4의 점수는 0.92에서 0.38로 떨어졌습니다. 모델도 질문도 그대로였고, 달라진 것은 함께 넣은 글의 양뿐이었습니다. Chroma 연구팀이 2025년 7월에 발표한 실험 (새 탭에서 열림) 결과입니다.

현장에서 AI 어시스턴트를 만들다 보면 비슷한 장면을 자주 봅니다. 매뉴얼을 더 많이 넣으면 더 정확해질 것 같은데, 오히려 다른 판의 절차를 섞어 답하거나 "문서에서 확인되지 않습니다"라며 물러섭니다. 이럴 때 프롬프트 문장을 고치기 전에 먼저 볼 것이 있습니다. 그 순간 모델이 무엇을 보고 있었느냐입니다.

프롬프트 한 줄이 아니라 창 전체를 설계합니다

컨텍스트(context)는 모델이 한 번 호출될 때 입력으로 받는 토큰 전부를 말합니다. 시스템 지시, 도구 설명, 검색해 온 문서, 지난 대화, 앞 단계에서 실행한 도구 결과, 작업 메모가 모두 여기에 들어갑니다. 한 번에 받을 수 있는 최대 길이는 컨텍스트 창(context window)이라고 부릅니다. 이 글에서는 '컨텍스트'와 '문맥'을 같은 뜻으로 씁니다.

프롬프트 엔지니어링은 이 가운데 지시문을 잘 쓰는 일에 가까웠습니다. 질문 한 번에 답 한 번이라면 그걸로 충분했죠. 에이전트는 다릅니다. 도구를 부르고, 결과를 읽고, 다음 행동을 정하는 과정을 수십 번 되풀이합니다. Manus (새 탭에서 열림)는 작업 하나에 도구 호출이 평균 50번쯤 일어나고, 입력 토큰이 출력 토큰의 약 100배라고 밝혔습니다. 호출할 때마다 창에 무엇을 다시 담을지 정해야 하니, 문장 하나가 아니라 창 전체가 설계 대상이 됩니다.

안드레이 카파시는 이 일을 다음 단계에 꼭 맞는 정보로 컨텍스트 창을 채우는 기술이라고 표현했고, Anthropic (새 탭에서 열림)은 원하는 결과를 낼 가능성이 가장 높은, 신호가 강한 토큰의 가장 작은 묶음을 찾는 일이라고 정리했습니다. 두 정의 모두 핵심은 '많이'가 아니라 '꼭 맞게'입니다.

왼쪽에는 시스템 지시, 도구 설명 40개, 설비 매뉴얼 3,000쪽, 지난 대화 120턴 같은 후보 정보가 쌓여 있고, 오른쪽 컨텍스트 창에는 시스템 지시, 도구 3개, 진행 메모 요약, 매뉴얼 2쪽과 도면 1장, 최근 대화 4턴, 이번 질문만 들어간 그림.
그림 1. 가져올 수 있는 정보는 많지만, 한 번의 호출에 들어가는 것은 그중 일부입니다. 도구 결과는 다시 후보로 쌓여 다음 호출의 창을 채웁니다.

그림 1에서 왼쪽은 모델에게 보여 줄 수 있는 정보 전체이고, 오른쪽은 이번 호출에 실제로 들어간 정보입니다. 컨텍스트 엔지니어링은 왼쪽에서 무엇을 골라, 얼마나 줄여, 어떤 순서로 오른쪽에 놓을지 정하는 일입니다. 모델이 도구를 호출하면 그 결과가 다시 왼쪽에 쌓이고, 다음 호출에서 같은 결정을 또 내려야 합니다.

창이 이렇게 넓어졌는데, 다 넣으면 안 될까요?

요즘 모델은 수십만에서 100만 토큰까지 받습니다. 매뉴얼 수천 쪽이 들어가는 크기입니다. 그런데 연구 결과는 '들어간다'와 '잘 쓴다'가 다르다고 말합니다.

가운데에 묻힌 정보는 잘 찾지 못합니다

스탠퍼드 등의 연구진은 문서 20개를 주고 그중 하나에만 정답을 넣은 뒤, 정답 문서의 위치만 바꿔 봤습니다(Lost in the Middle (새 탭에서 열림), 2023). GPT-3.5-Turbo는 정답 문서가 맨 앞에 있을 때 75.8%를 맞혔지만, 10번째에 있을 때는 53.8%였습니다. 문서를 하나도 주지 않고 물었을 때의 56.1%보다도 낮습니다. 맨 뒤로 가면 63.2%로 다시 올라가 U자 모양이 됩니다. 정답 문서를 넣어 줬는데도 가운데에 두면 안 넣은 것만 못했던 셈입니다.

길어질수록, 비슷한 방해 문장이 있을수록 흔들립니다

Chroma는 18개 모델을 대상으로 입력 길이만 바꾸는 실험을 했습니다. 도입부의 0.92와 0.38이 이 실험의 LongMemEval 결과입니다. GPT-4.1은 0.87에서 0.62로, 추론 강도를 높인 o3도 0.94에서 0.81로 내려갔습니다. 질문과 비슷하지만 답은 아닌 방해 문장을 하나만 넣어도 정답률이 떨어졌고, 넷을 넣으면 더 떨어졌습니다. 무너지는 방식도 모델마다 달라서, Claude 계열은 모호하면 답을 보류하는 쪽으로, GPT 계열은 그럴듯한 오답을 내는 쪽으로 기울었습니다.

왼쪽은 정답 문서 위치가 1번째, 5번째, 10번째, 15번째, 20번째일 때 GPT-3.5-Turbo의 정답률이 75.8, 57.2, 53.8, 55.4, 63.2%로 U자를 그리고, 문서를 주지 않았을 때 56.1%를 점선으로 표시한 그래프. 오른쪽은 네 모델의 LongMemEval 점수를 필요한 부분만 넣었을 때와 대화 전체를 넣었을 때로 비교한 막대그래프.
그림 2. 정답 문서의 위치(왼쪽)와 문맥의 길이(오른쪽)에 따라 같은 질문의 정답률이 달라집니다.

출처: Liu et al., Lost in the Middle (TACL, 2023) 표 6·표 1 · Hong et al., Context Rot (Chroma, 2025) LongMemEval 결과. 원문 수치를 바탕으로 다시 그렸습니다.

Anthropic은 이 현상을 '주의 예산(attention budget)'으로 설명합니다. 트랜스포머는 모든 토큰이 다른 모든 토큰과의 관계를 계산하므로, 토큰이 n개면 관계는 n²개로 늘어납니다. 학습 데이터에는 짧은 글이 훨씬 많아서, 멀리 떨어진 토큰끼리의 관계를 다뤄 본 경험도 상대적으로 적습니다. 토큰을 하나 더 넣을 때마다 이 예산이 조금씩 줄어든다고 보면 됩니다. 성능은 어느 길이에서 뚝 끊기기보다 서서히 떨어진다는 점도 함께 짚었습니다.

문맥이 망가지는 네 가지 모습

Drew Breunig (새 탭에서 열림)는 긴 문맥이 실패하는 모습을 네 가지로 나눴습니다. 설비 문서 어시스턴트에 옮겨 보면 이렇습니다.

실패무슨 일이 생기나현장에서는
오염(poisoning)앞에서 생긴 오류가 문맥에 남아 계속 참조됩니다첫 턴에 알람 번호를 잘못 옮긴 요약이 이후 답변의 전제가 됩니다
산만(distraction)쌓인 기록에 끌려 모델이 가진 지식을 덜 씁니다지난 대화의 조치 순서를 상황이 달라도 그대로 되풀이합니다
혼란(confusion)필요 없는 정보가 판단을 흐립니다쓰지 않을 도구 설명 40개 사이에서 엉뚱한 조회를 호출합니다
충돌(clash)문맥 안의 정보끼리 어긋납니다구판과 신판 매뉴얼의 절차가 함께 들어갑니다

표 1. 실패 유형은 Drew Breunig, How Long Contexts Fail(2025)의 분류를 따랐고, 오른쪽 예시는 이해를 돕기 위해 만든 것입니다.

같은 글이 소개한 수치도 눈여겨볼 만합니다. 양자화한 Llama 3.1 8B는 도구 46개를 받았을 때 실패한 과제를, 도구를 19개로 줄이자 해냈습니다. 두 경우 모두 창 크기(16k) 안에 충분히 들어가는 길이였습니다. 마이크로소프트와 세일즈포스 연구진의 실험에서는 한 번에 주던 지시를 여러 턴에 나눠 주자 성능이 평균 39% 떨어졌습니다.

무엇을 넣고 뺄지 정하는 네 가지 방법

그렇다면 무엇을 어떻게 남겨야 할까요? LangChain (새 탭에서 열림)은 문맥을 다루는 방법을 쓰기(Write), 고르기(Select), 줄이기(Compress), 나누기(Isolate)로 정리했습니다. 실제로는 하나만 쓰기보다 섞어서 씁니다.

쓰기, 고르기, 줄이기, 나누기 네 가지 방법을 각각 아이콘과 설명, 예시 세 개씩으로 정리한 2×2 카드.
그림 3. 문맥을 다루는 네 가지 방법. 창 밖에 적어 두고, 필요한 것만 가져오고, 오래된 것은 줄이고, 깊은 일은 별도 창에 맡깁니다.

창 밖에 적어 둡니다

지금 다 들고 있을 필요가 없는 정보는 창 밖에 써 둡니다. Anthropic은 Claude가 포켓몬 게임을 하며 수천 단계에 걸쳐 진척 상황과 탐험한 지역, 전략을 메모로 남기고, 문맥이 초기화된 뒤에도 그 메모를 읽어 몇 시간짜리 진행을 이어 간 사례를 소개했습니다. Manus는 에이전트가 todo.md를 단계마다 고쳐 쓰게 해서 전체 계획이 늘 문맥 맨 끝에 오도록 했습니다. 앞에서 본 U자 곡선을 떠올리면 이유가 보입니다. 끝부분은 모델이 비교적 잘 보는 자리입니다.

프로젝트마다 두는 규칙 파일(CLAUDE.md, AGENTS.md)도 같은 방식입니다. 오픈소스 466개 프로젝트의 AGENTS.md를 분석한 연구 (새 탭에서 열림)에 따르면 아직 정해진 구조는 없고, 설명하는 글, 지시하는 글, 금지하는 글, 조건을 다는 글처럼 쓰는 방식이 제각각이었습니다. 무엇을 써 둘지는 팀이 직접 정해야 한다는 뜻입니다. 세션 사이에 진행 기록을 넘기는 방법은 하네스 엔지니어링 글에서 자세히 다뤘습니다.

필요한 것만 가져옵니다

모든 자료를 미리 넣는 대신 파일 경로나 검색어 같은 '위치'만 들고 있다가, 필요할 때 여는 방식이 있습니다. Anthropic은 이를 그때그때(just-in-time) 가져오는 방식이라고 부릅니다. Claude Code는 규칙 파일은 처음부터 넣고, 나머지 파일은 glob과 grep으로 필요할 때 찾는 혼합 방식을 씁니다. 폴더 이름이나 파일 크기 같은 정보도 단서가 됩니다. 같은 test_utils.py라도 tests 폴더에 있을 때와 핵심 로직 폴더에 있을 때 쓰임이 다르니까요.

도구도 고를 대상입니다. Anthropic은 사람이 봐도 어느 도구를 써야 할지 애매하면 에이전트도 헷갈린다며, 기능이 겹치는 도구를 줄이라고 권합니다. 도구 설명에도 검색을 적용해 지금 필요한 도구만 보여 주자 도구 선택 정확도가 약 3배 올랐다는 연구도 있습니다. 다만 Manus는 작업 도중에 도구 목록을 바꾸면 캐시가 깨지고, 지난 기록에는 남아 있는 도구가 목록에서 사라져 모델이 혼란스러워한다고 지적합니다. 그래서 목록은 그대로 두고, 상황에 맞지 않는 도구는 출력 단계에서 고르지 못하게 막는 쪽을 택했습니다.

검색 결과도 그대로 넣지 말고 한 번 더 고릅니다. 질문과 '관련 있는' 문단과 답의 '근거가 되는' 문단은 다릅니다. 이 판단을 별도 모델에 맡기는 방법은 Jev 글에서 다뤘습니다.

오래된 것은 줄입니다

창이 차오르면 지난 내용을 요약해 새 창에서 이어 갑니다. 이를 압축(compaction)이라고 합니다. Anthropic에 따르면 Claude Code는 설계 결정, 아직 풀리지 않은 버그, 구현 세부는 남기고 중복된 도구 출력은 버린 뒤, 최근에 연 파일 다섯 개를 함께 넘깁니다. 요약 지시를 다듬을 때는 먼저 빠뜨리는 것이 없도록 맞추고, 그다음에 불필요한 부분을 덜어 내라고 권합니다. 가장 가벼운 압축은 쓰임이 끝난 도구 실행 결과를 지우는 것입니다.

요약의 위험은 되돌릴 수 없다는 데 있습니다. 지금은 필요 없어 보이는 조건이 열 단계 뒤에 필요해질 수도 있으니까요. Manus는 웹 페이지 본문을 지우더라도 URL은 남기고, 문서 내용을 빼더라도 파일 경로는 남겨 언제든 다시 열 수 있게 했습니다. 요약하다 공정의 예외 조건이 빠지는 사례는 Agent Lightning 글에서도 다뤘습니다.

줄이는 효과를 실제 업무로 확인한 실험도 있습니다. 2026년 6월 발표된 연구 (새 탭에서 열림)는 GPT-5 에이전트에게 호텔 숙박 경비를 Microsoft Dynamics 365에 항목별로 나눠 입력하는 과제 50개를 맡기고, 도구 호출 기록을 얼마나 남길지만 바꿨습니다. 기록을 전부 남기면 71.0%를 끝까지 처리했고, 최근 다섯 쌍만 남기면 79.0%, 거기에 지운 부분의 요약을 더하면 91.6%였습니다. 쓴 토큰은 148만에서 55만으로, 걸린 시간은 14.6시간에서 5.8시간으로 줄었습니다. 덜 넣었더니 더 정확하고 더 빨라진 것입니다.

기록 전체, 최근 5쌍만, 최근 5쌍과 요약의 세 설정에서 완전 처리 비율이 71.0, 79.0, 91.6%이고 토큰은 148만, 54만, 55만, 시간은 14.6, 5.4, 5.8시간인 표 형태의 막대그래프.
그림 4. 도구 호출 기록을 줄이고 요약을 더하자 성공률은 오르고 토큰과 시간은 줄었습니다.

출처: Lodha et al., Less Context, Better Agents (arXiv:2606.10209, 2026). 과제 50개를 5회씩 실행한 평균이며, 원문 수치를 바탕으로 다시 그렸습니다.

창을 나눠 씁니다

깊게 조사해야 하는 일은 하위 에이전트에게 맡기고 결과만 짧게 돌려받습니다. Anthropic은 하위 에이전트가 수만 토큰을 써서 조사하더라도 돌려주는 요약은 보통 1,000~2,000토큰이라고 설명합니다. 주 에이전트의 창이 깨끗하게 유지되는 것이죠. 대신 비용이 듭니다. Anthropic의 리서치 시스템은 여러 에이전트를 쓸 때 일반 대화보다 토큰을 최대 15배 썼습니다. Cognition (새 탭에서 열림)은 하위 에이전트끼리 서로의 결정을 모르면 결과가 어긋난다고 경고했습니다. 게임의 배경과 캐릭터를 따로 맡은 두 에이전트가 서로 다른 스타일로 만들어 버린 예를 들었습니다. 나누기는 서로 독립적인 조사처럼 결과를 합치기 쉬운 일부터 적용하는 편이 안전합니다.

같은 내용이라도 놓는 순서가 비용을 바꿉니다

문맥을 설계할 때는 정확도 말고도 따질 것이 있습니다. 비용과 속도입니다. 모델은 입력을 읽으며 토큰마다 중간 계산 결과를 만드는데, 이를 KV 캐시라고 합니다. 다음 호출의 입력이 앞부분부터 똑같으면 이 결과를 다시 쓸 수 있습니다. 반대로 앞부분이 한 토큰만 달라도 그 지점부터 뒤는 처음부터 다시 계산해야 합니다.

에이전트는 입력이 출력보다 훨씬 많아서 이 차이가 큽니다. Manus가 든 예에 따르면 Claude Sonnet에서 캐시된 입력은 100만 토큰당 0.30달러, 캐시되지 않은 입력은 3달러로 10배 차이가 났습니다. 그래서 Manus는 KV 캐시 적중률을 운영 중인 에이전트의 가장 중요한 지표로 꼽습니다.

위쪽은 맨 앞에 초 단위 시각이 들어가 n번째와 n+1번째 호출의 모든 블록을 다시 계산하는 배치, 아래쪽은 시스템 지시와 도구 설명, 작업 기록을 앞에 고정해 새 관찰만 계산하는 배치를 비교한 그림. 아래에 입력 대 출력 약 100 대 1, 가격 10배, 한 토큰 차이라는 세 가지 수치가 있습니다.
그림 5. 맨 앞에 초 단위 시각을 넣으면 매번 전체를 다시 계산합니다. 바뀌지 않는 부분을 앞에 두고 새 내용을 뒤에 덧붙이면 앞부분을 재사용합니다.

여기서 몇 가지 실무 원칙이 나옵니다.

  • 시스템 지시와 도구 설명처럼 바뀌지 않는 것은 앞에, 새로 생기는 기록은 뒤에 둡니다.
  • 시스템 지시 맨 앞에 초 단위 현재 시각을 넣지 않습니다. 시각이 필요하면 뒤쪽에 두거나 날짜 단위로 넣습니다.
  • 지난 기록은 고쳐 쓰지 않고 덧붙이기만 합니다. 도구 결과를 JSON으로 만들 때 키 순서가 매번 같게 나오는지도 확인합니다.
  • 작업 도중에 도구 목록을 바꾸지 않습니다.

압축과 캐시가 서로 부딪힌다는 점도 기억해 둘 만합니다. 요약으로 앞부분을 바꾸는 순간 그 뒤의 캐시는 다시 계산해야 합니다. 그래서 압축은 조금씩 자주 하기보다, 창이 꽤 찼을 때 한 번에 하는 편이 유리할 수 있습니다. LangChain의 2025년 정리에 따르면 Claude Code도 창이 95% 찼을 때 자동으로 압축했습니다.

포인랩 설비 문서 어시스턴트에는 이렇게 적용했습니다

포인랩 AI Platform 팀은 설비 매뉴얼과 도면, 생산 DB를 근거로 답하는 문서 어시스턴트를 만들고 있습니다. 2026년 10월, 답을 쓰는 큰 모델에 무엇을 보낼지를 작은 판단 모델이 먼저 정하도록 바꾸고, 같은 질문으로 바꾸기 전과 후를 비교했습니다. 판단 모델은 정해진 보기 중 하나를 고르는 모델로, Jev 글에서 소개한 것과 같은 계열입니다. 여기서는 모델보다 판단을 넣은 '자리'에 집중해 보겠습니다.

질문 직후, 검색과 조회, 검색 직후, 답변 생성의 네 단계 흐름과 문서 적재 단계를 나타낸 그림. 질문 직후와 검색 직후에는 주황색으로 판단 지점과 측정 수치가 표시되어 있고, 아래에 검색 지연 0.51초에서 1.50초로 늘어난 비용이 적혀 있습니다.
그림 6. 질문 직후와 검색 직후, 그리고 문서를 적재할 때 문맥에 들어갈 정보를 고르는 판단을 넣었습니다.

질문 직후에는 무엇을 가져올지 정합니다. 새 주제의 질문이면 지난 대화 이어쓰기를 끊었습니다. 네 번 중 세 번 끊었고, 앞 대화에 이어지는 질문을 잘못 끊은 경우는 없었습니다. 문서도 웹도 필요 없는 DB 조회나 인사에서는 웹 검색을 건너뛰어, 16턴 중 10턴에서 웹 검색 결과가 문맥에 들어가지 않았습니다. 앞에서 본 산만과 충돌을 애초에 막는 일입니다.

효과가 가장 컸던 것은 매뉴얼 범위를 먼저 정한 일입니다. "CNC 서보 알람 SV0401의 원인과 조치를 알려 줘"를 세 번 물었을 때, 바꾸기 전에는 세 번 중 한 번만 문서를 근거로 답했습니다. 나머지 두 번은 전체 문서를 검색한 결과의 근거 점수가 기준선(0.45)에 못 미쳐 "문서에서 확인되지 않습니다"라고 답했습니다. 판단 모델이 서보 관련 매뉴얼로 범위를 좁히자 세 번 모두 문서를 근거로 답했고, 그중 두 번은 좁힌 범위 안에서 근거를 찾았습니다.

검색 직후에는 넣기 전에 한 번 더 고릅니다. 점수가 기준선 바로 아래(0.30~0.45)인 결과는 판단 모델이 다시 보고, 근거가 된다고 판단하면 통과시켰습니다. 두 건이 통과했고 둘 다 실제로 답이 있는 질문이었습니다. 질문과 무관한 문단 4개도 뺐는데, 그 과정에서 정답 페이지를 잃은 경우는 없었습니다.

문서를 적재할 때부터 문맥을 만듭니다. 도면과 매뉴얼에는 글 없이 그림만 있는 부분이 많습니다. 글이 없으면 검색에 걸리지 않으니 문맥에 들어갈 기회도 없습니다. 그림 13,800개를 판단 모델에 보여 주고, 그중 10,284개에 "[figure] 전기배선도" 같은 설명을 본문에 붙였습니다. 그림을 찾는 질문 8개 중 3개가 새로 근거를 찾았고, "스핀들 모터 출력 특성 그래프"의 리랭커 점수는 0.15에서 0.72로 올랐습니다.

측정 항목바꾸기 전바꾼 뒤
같은 알람 질문 3회 중 문서 근거 답변1회3회
검색 정확도(검증 질문 160개)92.5%95.0%
답이 없는 질문 거절(56개 중)54개54개
검색 1회 지연(중앙값)0.51초1.50초

표 2. 포인랩 내부 측정(2026년 10월). 검색 정확도는 그림 설명을 붙여 다시 적재한 문서와 판단 모델을 함께 적용한 결과입니다. 질문 수가 적은 사내 시험이어서 일반적인 성능 수치로 보기는 어렵습니다.

물론 공짜는 아니었습니다. 판단을 한 번 더 거치면서 검색 한 번의 지연 중앙값이 0.51초에서 1.50초로 늘었고, 질문당 평균 0.6초가 더 걸렸습니다. 고르는 판단이 틀리는 경우도 있었습니다. 범위를 좁힌 탓에 다른 판의 정답 페이지가 밀려난 질의가 검증 질문 중 2건 나왔습니다. 그래서 정한 범위에서 근거가 모자라면 범위 없이 한 번 더 검색하게 했고, 39번 중 5번이 이렇게 다시 검색했습니다. 문맥을 고르는 판단에도 틀렸을 때 돌아갈 길이 필요합니다.

우리 서비스의 문맥, 이렇게 점검해 보세요

프롬프트를 고치기 전에 다음 질문부터 확인해 보시길 권합니다.

  • 한 번의 호출에 들어가는 토큰을 지시, 도구, 문서, 대화, 도구 결과로 나눠 셀 수 있나요?
  • 같은 질문을 '필요한 부분만 넣은 문맥'과 '지금의 문맥'으로 각각 돌려 비교해 봤나요?
  • 이번 작업에서 한 번도 쓰지 않는 도구 설명이 몇 개나 들어가나요?
  • 요약하거나 지운 뒤 어떤 조건이 사라졌는지 확인하는 테스트가 있나요?
  • 호출할 때마다 앞부분이 바뀌지는 않나요? 캐시 적중률을 보고 있나요?
  • 그림이나 표처럼 글이 없는 자료에도 검색될 수 있는 설명이 붙어 있나요?
글쓴이정우성AI Platform Team · 연구원
산업 AI 도입·전환

우리 산업 현장에도 AI를 적용할 수 있을까요?

어디서 시작할지 고민이라면, 포인랩과 산업 AI 전환의 첫걸음을 함께 찾아보세요.