입학서류 검토는 행정 업무가 아니라 유학생 사업의 첫 번째 관문이다.
이 관문에서 놓친 하자는 사라지지 않고 2~3년에 걸쳐 대학 전체의 문제로 커진다.
첫 칸을 지키는 비용은 서류 한 건당 수십 초다. 세 번째 칸부터는 어떤 비용을 들여도 그 학기를 되돌릴 수 없고, 다섯 번째 칸부터는 개별 학생의 문제가 아니라 대학의 유치 자격 문제가 된다.
연 9회(대학원 4 · 학부 5)의 마감이 있고, 마감 후 약 2주간 야근이 반복된다. 놓치는 것은 담당자의 실력 문제가 아니라 같은 사람이 같은 기준을 2주 내내 유지할 수 없는 구조 문제다.
②를 넘어가면 서류는 더 이상 검토 대상이 아니라 이미 승인된 근거가 된다. ③ 이후에 문제가 드러나면 그때는 검토가 아니라 사후 수습이고, 소요 비용은 칸을 넘을 때마다 자릿수로 커진다.
약속하는 것은 전수 검토 · 동일 기준 · 근거 기록 세 가지다. 놓친 하자가 나오면 어느 규정의 어느 조항에서 놓쳤는지가 남고, 그 케이스가 즉시 회귀 테스트로 등록되어 같은 실수가 두 번 통과하지 않는다.
예산 담당자가 반드시 묻는 질문이므로 숫자를 먼저 꺼내 둔다. 계산식을 그대로 공개한다 — 가정을 감추면 «그 숫자 어디서 나왔느냐»에서 논의가 끝나고, 공개하면 대학이 자기 숫자를 대입해 볼 수 있다.
지금 이 업무를 100% 없애도 0.63명분이다. 그리고 대학은 그 0.63명을 해고하지 않는다 — 남는 시간은 다른 업무로 채워질 뿐이므로 회계상 절감액은 0에 수렴한다. «인건비 절감»으로 품의를 쓰면 이 지점에서 반드시 막힌다.
확대 계획이 실재하면 늘어나는 1.25명은 아직 뽑지 않은 사람이다. 안 뽑으면 그 돈은 실제로 나가지 않는다. 절감은 인사 문제라 막히고, 증원 회피는 예산 문제라 통과한다 — 대학 예산 구조에서 이 둘은 완전히 다른 항목이다.
| 가정 | 적용값 | 근거 · 확인 필요 사항 |
|---|---|---|
| 건당 검토 시간 | 30분 | 인터뷰에서 확인된 20~40분의 중간값. 하한(20분)을 쓰면 위 인력은 0.42명 / 1.25명이 된다 |
| 연 지원 건수 | 2,500건 → 7,500건 | ★ 확인 필요 — 「2,500명」이 재학 규모인지 연간 지원·입학 건수인지에 따라 위 숫자가 통째로 달라진다. 연간 건수가 1,000건이면 필요 인력은 0.25명이 된다 |
| 연 근무시간 | 2,000시간 | 1인 연 250일 × 8시간 기준 |
| 인건비 단가 | 3,000~5,000만원 | 비정규~정규 범위. 대학 실제 단가로 대체 |
같은 하자 한 건이 어느 칸에서 발견되느냐에 따라 처리 주체와 비용이 달라진다. 이 표가 «왜 첫 칸에 투자하는가»에 대한 답이다.
| 발견 시점 | 처리 주체 | 필요한 조치 | 되돌릴 수 있는가 |
|---|---|---|---|
| ① 검토 단계 | 에이전트 / 담당자 | 보완 요청 안내문 1통 — 지원자가 재제출 | 예 · 비용 없음 |
| ② 허가서 발급 후 | 입학팀 · 국제처 | 합격·허가 취소 행정 절차, 지원자 통보와 분쟁 대응 | 예 · 비용 발생 |
| ③ 비자 단계 | 법무부 심사 | 대학이 개입할 수 없음. 해당 학기 입학 무산 | 아니오 |
| ④ 학기 중 | 학사·생활지도 | 이탈·체류 관리. 개별 대응으로는 지표를 되돌리지 못함 | 아니오 |
| ⑤ 지표 집계 | 대학 본부 | 이미 확정된 연간 지표. 다음 해 개선분부터 반영 | 아니오 |
| ⑥ 등급 심사 | 대학 전체 | 유치 규모 자체가 제약된다. 회복에 지표 1~2년치 | 아니오 |
본 PoC의 목적은 절감액을 주장하는 것이 아니라, 첫 칸이 지금 얼마나 지켜지고 있는지를 처음으로 측정하는 것이다. 측정되지 않은 값은 개선할 수도, 결재할 수도 없다.
| 측정 항목 | 의미 | 현재 값 |
|---|---|---|
| 자동 완결률 | 사람 손을 전혀 타지 않고 끝나는 비율 — 담당자가 되찾는 시간 | 시드 20건 기준 20% |
| 사람 개입률 | 자동 판정을 보류하고 담당자에게 넘긴 비율 — 자동화의 안전 경계 | 시드 20건 기준 35% |
| 게이트별 차단 | 어디서 걸리는가(판독성 / 정합성 / 충족성) — 개선 우선순위의 근거 | A 1 · B 4 · C 12 |
| 건당 처리 시간 | 피크에 몇 건까지 감당 가능한가 | 16.9초 (동시 5건) |
이 데모는 화면 시안이 아니라 실제로 도는 시스템이다. 아래는 그 안에 들어간 기술을 단위로 나눈 것이며, 각 단위가 코드인지 LLM인지를 함께 표기했다. 무엇을 확률에 맡기고 무엇을 맡기지 않았는지가 이 과제의 설계 그 자체다.
무슨 서류이고 무엇이 적혀 있는가. 여기서 틀리면 뒤의 판정이 통째로 틀리므로 가장 싸게 막는 자리다.
파일명·본문의 지문 키워드를 점수화한다. 1등이 2등을 얼마나 앞서는지로 신뢰도를 만든다 — 비슷하면 애매한 것이다.
스캔 원문에서 성명·생년월일·금액 등을 뽑는다. 구조화(JSON) 출력을 강제하고 필드마다 신뢰도를 함께 받는다.
코드가 매긴 라벨과 LLM이 매긴 라벨이 엇갈리면 신뢰도를 깎는다. 기준선 아래로 내려가면 그 서류는 사람에게 간다.
실물 하드카피 스캔본 경로. 인식 엔진 선택은 실제 샘플 확보 후 별도 트랙으로 비교·확정한다.
통과인가 · 보완인가 · 사람인가. 이 층에는 LLM이 없다. 같은 서류를 다시 넣으면 반드시 같은 결과가 나와야 한다.
GATE A 판독성 · B 정합성 · C 충족성. 세 관문을 모두 통과해야 완결이며, 판정 사유를 규정 조항으로 제시한다.
성명 표기 정규화(발음기호·구두점·미들네임), 국가별 날짜 표기 모호성(DD/MM·MM/DD) 양쪽 해석, 통화 환산 경계값 처리.
규정 문서 안에 사람이 읽는 문장과 코드가 읽는 파라미터가 같이 들어 있다. 문서를 고치면 코드 수정 없이 판정 기준이 바뀐다.
규정을 조항 단위로 검색해 판정 근거로 인용한다. 규칙 버전까지 함께 기록해 «그때 무슨 기준이었나»에 답할 수 있다.
무엇을 어떤 순서로 부르고, 어디까지 맡길 것인가. 자동화와 «에이전트»를 가르는 부분이 이 층이다.
접수 조회·서류 목록·체크리스트 로드·분류·추출·규정 검색·대조·게이트·문안 작성·패킷 구성. 호출마다 소요시간과 결과가 기록된다.
같은 근거로 LLM이 독립적으로 경로를 제안한다. 규칙과 다르면 규칙을 적용하고, 그 불일치율을 품질 지표로 집계한다.
처리 과정을 끝나고 결과만 주는 것이 아니라 진행 중에 그대로 중계한다. 화면의 진행 표시가 실제 호출과 1:1이다.
LLM 호출이 한 파일로 격리되어 있다. 판정은 코드가 하므로 모델을 바꿔도 판정 기준은 흔들리지 않는다.
틀렸을 때 무슨 일이 일어나는가. 도입 이후에 값어치가 유지되는지를 결정하는 층이다.
판정마다 근거·적용된 규칙 버전·호출량까지 스냅샷으로 남는다. 감사·실사 대응 자료가 저절로 쌓인다.
담당자가 판정을 뒤집으면 그 케이스가 즉시 테스트로 등록된다. 같은 실수가 두 번 통과하지 않는다.
피드백을 모아 규정 수정안을 만든다. 스키마 검사 → 시험 적용 → 회귀 통과 → 담당자 승인을 모두 지나야 반영된다.
안내문은 허용된 수신 도메인 밖으로 나가지 않는다. 시연 중 실제 지원자에게 메일이 나가는 사고를 서버가 막는다.
인터뷰에서 «하드카피 텍스트 인식 정확도는 OCR 엔진 선택이 핵심»으로 정리된 부분이다. 현재 데모는 비전 언어 모델(VLM) 단독 경로를 쓰고 있으며, 실물 샘플 확보 후 아래 후보군을 실제 서류로 비교해 확정한다. 이 업무는 14개국 서식이 제각각이라는 특성이 있어, 어느 한 방식만으로는 부족하다.
| 방식 | 대표 기술 | 강점 | 한계 |
|---|---|---|---|
| 전용 OCR 엔진 | Google Document AI · Azure Document Intelligence · Naver CLOVA OCR · Upstage Document AI 오픈소스: Tesseract · PaddleOCR · EasyOCR |
글자 인식 정확도와 좌표 정보가 강하다. 대량 처리 단가가 낮고, 오픈소스는 폐쇄망 설치가 가능하다 | 글자는 읽지만 «이 값이 무슨 필드인지»는 모른다. 서식이 바뀌면 규칙을 다시 짜야 한다 |
| 문서 이해 모델 | LayoutLM 계열 · Donut(OCR-free) | 레이아웃과 텍스트를 함께 학습해 정형 서식에서 정확도가 높다 | 학습 데이터가 필요하다. 국가별 서식마다 라벨링 비용이 든다 |
| 비전 언어 모델(VLM) 현재 데모 방식 |
GLM-4.5V(현재) · Qwen2.5-VL(오픈웨이트, 온프렘 가능) 상용: GPT · Claude · Gemini 비전 |
처음 보는 서식도 필드의 의미를 파악한다. 별도 학습 없이 국가 추가가 가능해 14개국 대응에 유리하다 | 글자 단위 정확도는 전용 OCR보다 낮을 수 있고, 좌표 정밀도가 약하다 |
| 하이브리드 권장 구성 |
전용 OCR(글자·좌표) → VLM(의미 해석·필드 매핑) | 인식 정확도와 서식 일반화를 둘 다 확보한다. 서식이 늘어나도 규칙을 다시 짜지 않는다 | 두 단계를 거치므로 건당 비용·지연이 늘어난다 |
무엇을 넣었는가만큼 무엇을 넣지 않았는가가 이 시스템의 성격을 정한다. 아래 넷은 검토한 뒤 이 과제 규모에서는 득보다 실이 크다고 판단해 제외했다.
| 쓰지 않은 것 | 제외한 이유 |
|---|---|
| 모델 파인튜닝 | 사례 수백~수천 건이 필요하고 비용 대비 효과가 낮다. 이 단계에서 필요한 교정은 규정 문서 수정으로 해결되며, 그쪽이 사람이 읽고 승인할 수 있어 안전하다 |
| 벡터 검색(임베딩) | 규정 7종 규모에서는 과잉이다. 판정 근거로 쓰려면 검색 결과가 결정적이고 설명 가능해야 하는데, 유사도 검색은 «왜 이 조항이 나왔는가»에 답하기 어렵다 |
| 에이전트 프레임워크 | 처리 흐름이 ①~⑦로 고정되어 있다. 프레임워크가 주는 이득보다 추적 가능성 손실이 크다 — 어느 도구가 왜 불렸는지가 전부 보여야 한다 |
| LLM에 최종 판정 위임 | 가장 중요한 제외다. 같은 서류가 같은 결과를 내지 않으면 입학 심사에 쓸 수 없다. LLM은 판독과 서술까지만 맡고 판정은 코드가 한다 |