국내 K 증권사
AI UX Writer로 금융 문구 검토 자동화 및 품질 표준화
75%
문구 검토 시간 단축
40%
가이드라인 위반 문구 감소
국내 K 증권사
75%
문구 검토 시간 단축
40%
가이드라인 위반 문구 감소
이 기업은 계좌 개설, 주문, 이체, 알림, 오류 안내, 약관 동의, 투자 리스크 고지 등 다양한 사용자 접점에서 노출되는 문구 품질을 강화해야 하는 증권사입니다. 금융 서비스에서는 한 문장이 고객 행동과 규제 리스크에 동시에 영향을 줄 수 있기 때문에, 문구는 단순한 카피가 아니라 운영 통제의 일부에 가까웠습니다.
특히 거래 전후 화면, 상품 안내, 수수료·위험 고지, 실패·오류 메시지처럼 화면 목적이 달라질 때마다 강조해야 하는 표현과 금지해야 하는 표현도 함께 바뀌었습니다. 사용자가 빠르게 이해해야 하면서도 과장되거나 오해 소지가 없어야 했기 때문에, 자연스러움만으로는 충분하지 않았습니다.
내부 UX Writing 가이드와 운영 원칙은 이미 존재했지만, 실제 문구 작업은 기획자, 디자이너, 운영팀, 검수자가 함께 참여하는 구조였습니다. 이 과정에서 숙련도 차이와 해석 차이로 표현 편차가 발생하기 쉬웠고, 사소한 문구 수정도 반복적인 검토 라운드를 거치며 시간이 늘어나는 문제가 있었습니다.
핵심 문제는 가이드라인이 없다는 점이 아니라, 가이드라인이 너무 많고 맥락 의존적이라 실무 전반에 일관되게 적용되기 어렵다는 점이었습니다. 동일한 '안내 문구'라도 화면이 온보딩인지, 거래 확인인지, 에러 복구인지에 따라 허용되는 표현과 강조 포인트가 달랐습니다.
사용자 상태, 거래 단계, 화면 유형, 리스크 수준에 따라 문구 톤이 달라져야 했고, 같은 기능이라도 어느 시점에서 노출되는지에 따라 검토 기준이 달라졌습니다. 예를 들어 투자 유도처럼 보이면 안 되는 화면, 책임 주체를 명확히 해야 하는 화면, 오해를 줄이기 위해 절차를 더 설명해야 하는 화면이 각각 달랐습니다.
기획자, 디자이너, 운영팀이 함께 작업했지만 기준 숙지 수준과 해석 차이로 표현 편차와 가이드 위반이 반복됐고, 금융 특화 문구일수록 검수 비용은 더 커졌습니다. 변경 주기가 빠른 서비스에서는 모든 문구를 전문가가 일일이 1차 검수하기 어려워, 반복 작업의 비효율과 품질 편차가 누적되고 있었습니다.
결국 필요한 것은 단순 문장 생성기가 아니라, 현재 화면 맥락에서 어떤 표현이 적절한지 판단하고 그 이유까지 설명해줄 수 있는 검토 지원 체계였습니다.
프로젝트 팀은 내부 UX Writing 가이드, 운영 원칙, 금지·권장 표현, 실제 서비스 문구 예시, 검수 이력을 통합한 고맥락 지식 자산을 먼저 구조화했습니다. 중요한 점은 문장을 모아두는 데서 끝내지 않고, 어떤 문구가 어떤 화면 맥락과 리스크 수준에서 적합했는지까지 연결하는 의미 계층을 만든 것입니다.
작성 및 검토 흐름은 화면 목적, 사용자 상태, 기능 목표, 거래 단계, 제약 조건을 함께 입력받고, 그 맥락에 맞는 문구 후보와 작성 근거를 제시하도록 설계했습니다. 덕분에 시스템은 단순히 '더 자연스러운 문장'을 제안하는 것이 아니라, 현재 화면에서 왜 이런 표현이 필요한지까지 설명할 수 있었습니다.
예를 들어 온보딩, 거래 확인, 오류 안내, 투자 리스크 고지 같은 화면 유형마다 서로 다른 기준이 적용되도록 프롬프트와 규칙 레이어를 분리했습니다. 투자 판단을 과도하게 유도할 수 있는 표현, 책임 주체가 불분명한 표현, 리스크 고지가 약한 표현은 별도 점검 규칙으로 다루어 금융 맥락에서의 실수를 줄였습니다.
기존 문구를 검토할 때는 가이드라인 위반 가능성, 표현 일관성, 과도한 마케팅성, 책임 주체 불명확성, 과장 가능성 등을 다각도로 점검하고, 대안 문구와 수정 이유를 함께 반환하도록 구현했습니다. 즉 '이 문장이 왜 문제인지'와 '어떻게 바꾸면 되는지'를 동시에 제공해 실무자가 빠르게 수정할 수 있게 한 것입니다.
검토 지원형 UI도 함께 설계했습니다. 사용자는 추천 결과를 그대로 복사하는 대신, 어떤 기준이 적용됐는지, 어떤 표현이 위험할 수 있는지, 대체 문구 간 차이가 무엇인지를 확인하면서 조직 기준에 맞게 빠르게 승인하거나 수정할 수 있었습니다.
마지막으로 운영 로그를 통해 어떤 유형의 문구에서 위반이 자주 발생하는지, 어떤 제안이 실제로 채택되는지, 검수 단계에서 어떤 수정이 반복되는지를 분석했습니다. 이를 바탕으로 가이드 매핑과 추천 품질을 지속적으로 고도화해 단발성 기능이 아니라 운영형 시스템으로 정착시켰습니다.
LLM 기반 문구 생성 및 검토 엔진
화면 목적, 사용자 상태, 거래 단계, 제약 조건을 반영해 문구를 제안하고 기존 문구를 다각도로 평가하는 핵심 생성·평가 엔진입니다.
Guideline Retrieval
내부 UX Writing 가이드와 금지·권장 표현, 우수 사례, 검수 이력을 검색해 현재 맥락에 맞는 기준을 우선 반영합니다.
Context-aware Prompting
거래 단계, 사용자 맥락, 리스크 유형 등 고맥락 신호를 함께 넣어 표현 정확도와 판단 적합도를 높였습니다.
Review / Feedback Layer
추천 이유, 위반 가능성, 대체 표현, 수정 사유를 함께 제공해 실무자의 검토·수정 효율을 높였습니다.
운영 로그 및 품질 개선
선택률, 수정 패턴, 검수 결과를 누적해 지속적으로 추천 품질과 가이드 매핑 정확도를 고도화했습니다.
Rule Layer for Financial Risk
과장 표현, 책임 주체 불명확성, 리스크 고지 부족 등 금융 특화 위험 요소를 별도 규칙으로 점검해 검토 신뢰도를 높였습니다.
“금융 UX Writing에서 어려운 점은 문장을 쓰는 것 자체보다, 어떤 맥락에서 어떤 표현이 허용되고 어떤 표현이 위험한지를 일관되게 판단하는 데 있습니다. 이 프로젝트의 핵심은 좋은 문장을 대신 써주는 것이 아니라, 조직 안에 흩어진 문구 원칙을 실무자가 바로 활용할 수 있는 검토 체계로 바꾸는 것이었습니다.”
빅시프트 프로젝트팀 · AI UX Writing 프로젝트 리드
AI UX Writer 도입 후, 문구 작성과 검토는 사람 경험에만 의존하던 단발 작업에서 가이드 기반의 반복 가능한 운영 프로세스로 전환됐고, 속도와 일관성을 함께 확보했습니다.
문구 검토 시간이 기존 대비 약 75% 단축됐고, 1차 검수 부하가 줄어 전문 인력은 고난도 판단 업무에 더 집중할 수 있게 됐습니다. 반복적이고 기초적인 수정 라운드가 줄어든 점이 가장 큰 변화였습니다.
가이드라인 위반 문구가 약 40% 감소해 표현 일관성, 금지 표현 회피, 주의 문구 적용 수준이 함께 개선됐습니다. 특히 화면 목적과 맞지 않는 톤이나 리스크 고지가 약한 문구를 초기에 걸러내는 효과가 컸습니다.
비전문 작성자도 고품질 초안을 더 빠르게 만들 수 있게 되어 부서 간 커뮤니케이션 비용이 줄고 협업 속도가 빨라졌습니다. 작성 단계부터 기준에 가까운 문구가 나오면서 검토자와의 왕복 수정도 감소했습니다.
문장 예시 중심 자산을 실무 작동형 지식으로 전환해, 신규 화면이나 타 채널에서도 같은 기준을 재사용할 수 있는 운영 기반을 확보했습니다.
기획 단계부터 데이터 구조, 모델 선택, 제품화 범위까지 함께 설계합니다.
유사한 문제를 다른 방식으로 해결한 프로젝트도 함께 보실 수 있습니다.
국제 식품 정보 스타트업
사이트별 전용 크롤러를 하나씩 운영하던 방식을 멀티모달 AI 기반 적응형 수집 구조로 전환해, 유지보수 부담은 90% 줄이고 데이터 수집 처리량은 10배까지 끌어올린 프로젝트입니다.
케이스 스터디 보기관광 관련 공공기관
관광 관련 공공데이터를 자연어 질문만으로 조회할 수 있도록 온프레미스 NL2SQL 시스템을 구축해, 현업 부서의 데이터 접근 장벽을 낮추고 질의 작성 시간을 80% 단축한 프로젝트입니다.
케이스 스터디 보기