벤더 포털에 Claude Code와 함께 얹은 두 가지 AI 기능 — OQC 출하검사 자동판독과 Shipping Guideline 챗봇. 이 문서는 "무엇을 만들었나"보다 어떻게 추론하고 어떻게 협업했나에 초점을 둔 파트원 교육용 사례입니다.
상세로 들어가기 전에, 이 사례가 어떤 선택지를 검토해 · 어떤 원칙으로 설계하고 · 어떤 기술을 활용했는지를 먼저 정리합니다. 아래 세 축이 이 문서 전체를 관통합니다.
벤더가 제품을 출고할 때 OQC(출하검사) 사진을 포털에 올립니다. 담당자는 그 사진 수십 장을 열어 카톤 라벨의 SKU·수량·무게·색상이 지시서(CI/PL)와 맞는지를 눈으로 대조했습니다. 성수기엔 월 수백 건 — 놓치면 오색상·오수량 제품이 그대로 해외로 배송되는 사고로 이어졌습니다.
개발 과정의 절반은 코딩이 아니라 "어떤 정보로 무엇을 추론할 수 있는가"를 함께 따진 대화였습니다. 아래는 실제로 쌓아 올린 추론 계층입니다.
모든 판정은 무엇을 읽어 · CI/PL·마스터의 어느 값과 대조했는지를 함께 남깁니다. 실제 판정을 재현한 예시입니다 — 통과·확인·차단 각각에 근거가 붙습니다.
이 시스템은 "프롬프트 한 방"으로 나오지 않았습니다. 한 달여간 근거를 요구하고 · 실데이터로 검증하고 · 여러 관점으로 되짚는 반복이 만든 결과입니다. 파트에서 그대로 쓸 수 있는 협업 패턴을 뽑았습니다.
개선은 한 번에 되지 않았습니다. 담당자가 "왜?"를 묻고 AI가 다시 읽고 고치는 되짚음의 반복이 정확도를 만들었습니다. (실제 대화를 요약 재현)
벤더가 출고·포장·선적 규정(팔레트·바코드·이너카톤 등)을 물을 때마다 담당자가 가이드라인 PDF를 뒤져 답하던 일을, Gemini 기반 RAG 챗봇이 대신합니다. 핵심은 답변마다 원본 문서의 페이지 출처를 인용한다는 점 — 근거 없는 답을 만들지 않습니다. 원본은 신규업체_가이드라인_2026_S2C_ver.pdf 한 권으로, 매뉴얼 102개 항목 · 24개 카테고리로 색인돼 있습니다.