{ "metadata": { "title": "기업 AX 실제 적용 사례", "periodStart": "2025-01-01", "cutoff": "2026-09-25", "definition": "AX는 인공지능을 실제 업무와 서비스에 연결해 일하는 방식을 바꾸는 것이다.", "coverage": "전 세계 공개 자료의 수집 목록. 전수조사나 전체 기업의 대표 표본이 아님.", "unit": "기업과 적용 업무의 조합. 같은 회사의 다른 업무는 별도 기록.", "mainCaseCount": 121, "candidateCount": 31, "companyLabels": 94, "industryCount": 23, "subindustryCount": 80, "stageCounts": { "운영": 92, "제한 운영": 18, "실증": 6, "도입 발표": 4, "중단 결정": 1 }, "evidenceAccessCounts": { "원문 본문 열람": 103, "검색 도구의 본문 발췌 확인": 18 }, "sourceCount": 156, "notes": [ "성과 수치는 별도 표시가 없으면 기업 또는 공급업체의 자체 발표다.", "운영 표시는 해당 자료가 설명한 당시 상태다. 2026년 9월까지 계속 운영 중임을 모두 재검증했다는 뜻은 아니다.", "자료 공개 시점, 실제 도입 시점, 성과 측정 시점을 구분했다.", "비공개 내부 코드와 실제 운영 환경에는 접근하지 않았다. 공개된 기술 설명과 사례 문서 범위에서 확인했다." ], "defaultOrder": "시간 최신순. 도입 시점을 확인한 사례는 도입 시점, 확인하지 못한 사례는 자료 공개 시점", "chronologyNote": "월별로 구분. 일 미확인 자료는 해당 월 끝, 월 미확인 자료는 전체 목록 끝." }, "cases": [ { "industry": "금융", "subindustry": "은행", "company": "BBVA", "country": "스페인", "stage": "운영", "usecase": "영업점 법률 문의 답변", "implementation": "자문팀은 ChatGPT 안에 상담 문서를 모두 담은 전용 GPT를 만들었다. GPT는 특정 목적 하나를 풀도록 맞춘 도우미다. 광범위한 검토와 품질 관리를 거친 뒤 팀의 열 번째 구성원처럼 썼다. 모든 답변은 사람이 검토한 다음에 영업점장에게 나간다. 판단의 책임은 여전히 자문 변호사에게 있다.", "outcome": "BBVA는 예전에 몇 시간씩 걸리던 일을 이제 몇 분 만에 끝낼 수 있다고 설명했다. 그 결과 24시간 안에 답변하는 고객 법률 문의가 늘었고 첫 답변의 품질도 좋아졌다고 밝혔다. 자문팀은 확보한 시간을 더 전략적인 일에 쓴다. BBVA는 일곱 달 만에 직원들이 GPT를 3,000개 넘게 만들었고 그 가운데 900개 이상을 전략적으로 중요한 사례로 분류했다고 밝혔다.", "limitation": "원문은 GPT 도입 뒤 처리 건수나 시간 절감 폭을 숫자로 밝히지 않았다. 법률 판단을 AI에 넘긴 사례도 아니다.", "id": "AX011", "scope": "본조사", "sourceIds": [ "S010" ], "evidenceAccess": "원문 본문 열람", "dateLabel": "2025-01-07", "dateBasis": "자료 발표 시점. 도입 시작일과 다를 수 있음", "evidenceYears": [ "2025" ], "problem": "BBVA 법무 자문팀은 변호사 아홉 명으로 스페인 영업점장을 지원한다. 고객이 보내는 법률 문의가 한 해 40,000건을 넘는다. 답변을 만들려면 제품 설명서부터 여러 사내외 규정까지 다양한 문서를 뒤져야 해서 시간이 오래 걸렸다.", "eventDate": "2025-01-07", "eventBasis": "공개", "translations": { "en": { "usecase": "Answering legal questions from branch managers", "problem": "The BBVA legal advisory team supports branch managers across Spain with nine lawyers. Customers send more than 40,000 legal enquiries a year. Drafting an answer meant digging through many documents, from product descriptions to internal and external rules, and that took a long time.", "implementation": "The advisory team built a dedicated GPT inside ChatGPT that holds all of its advisory documents. A GPT is an assistant tuned to solve one specific purpose. After extensive review and quality control the team used it as if it were a tenth member. Every answer is reviewed by a person before it reaches a branch manager. Responsibility for the judgement still rests with the advising lawyer.", "outcome": "BBVA said work that used to take hours can now be finished in minutes. As a result more customer legal enquiries are answered within 24 hours and the quality of the first reply improved, the bank said. The advisory team spends the time it gains on more strategic work. BBVA said employees built more than 3,000 GPTs in seven months and classified more than 900 of them as strategically important use cases.", "limitation": "The source does not give numbers for the volume handled or the time saved after the GPT went in. It is also not a case of handing legal judgement over to AI." }, "jp": { "usecase": "営業店からの法務照会への回答", "problem": "BBVAの法務アドバイザリーチームは、弁護士9人でスペイン各地の営業店長を支援している。顧客から寄せられる法務照会は年間40,000件を超える。回答を作るには、商品説明書から社内外の各種規程まで多様な文書を探す必要があり、時間がかかっていた。", "implementation": "アドバイザリーチームは、相談用の文書をすべて取り込んだ専用GPTをChatGPT上に作った。GPTとは、特定の目的ひとつを解くように調整したアシスタントである。広範なレビューと品質管理を経たうえで、チームの10人目のメンバーのように使った。すべての回答は人が確認してから営業店長に届く。判断の責任は引き続き担当の弁護士にある。", "outcome": "BBVAは、以前は数時間かかっていた作業を今は数分で終えられると説明した。その結果、24時間以内に回答する顧客の法務照会が増え、最初の回答の品質も向上したと述べた。アドバイザリーチームは生まれた時間をより戦略的な業務に充てている。BBVAは、7か月で従業員が3,000件を超えるGPTを作り、そのうち900件以上を戦略的に重要な事例に分類したと明らかにした。", "limitation": "原文は、GPT導入後の処理件数や時間短縮の幅を数値で示していない。法的な判断をAIに委ねた事例でもない。" }, "zh": { "usecase": "回答网点提出的法律咨询", "problem": "BBVA的法务顾问团队由九名律师组成，负责支持西班牙各网点的负责人。客户每年提出的法律咨询超过40,000件。撰写答复需要翻查从产品说明书到各类内外部规章的大量文件，耗时很长。", "implementation": "顾问团队在ChatGPT中建立了一个收录全部咨询文档的专用GPT。GPT是为解决某一特定目的而定制的助手。经过大量审查和质量把关后，团队把它当作第十名成员来使用。所有答复都要经人工复核后才发给网点负责人。判断的责任仍在负责的顾问律师身上。", "outcome": "BBVA表示，过去需要数小时的工作现在几分钟即可完成。银行称，因此在24小时内得到答复的客户法律咨询增加，首次答复的质量也有所提升。顾问团队把省下的时间用于更具战略性的工作。BBVA还表示，七个月内员工创建了超过3,000个GPT，其中900多个被归类为具有战略重要性的应用。", "limitation": "原文未以数字说明引入GPT后的处理量或节省的时间。这也不是把法律判断交给AI的案例。" } } }, { "industry": "식품과 음료", "subindustry": "맥주", "company": "Heineken", "country": "네덜란드", "stage": "운영", "usecase": "영업 방문과 제안 추천", "implementation": "AIDDA는 AI Data-Driven Advisor의 줄임말이다. 고객을 상대로 취할 다음 행동을 예측해 영업 담당자에게 알려준다. 어떤 행동을 할지와 어떤 접점으로 실행할지를 고객의 가치 잠재력과 회사의 사업 전략에 근거해 고른다. HEINEKEN은 AIDDA와 다른 분석 제품을 기존 CRM 애플리케이션과 B2B 플랫폼 안에 넣었다. 추천을 실제로 실행하는 쪽은 영업 담당자와 텔레세일즈 상담원이다.", "outcome": "HEINEKEN은 이 모델을 멕시코에서 처음 적용했다고 밝혔다. 첫해에 5%가 넘는 매출 증가를 냈다고 설명했다. 2024년에는 브라질, 멕시코, 프랑스, 이탈리아, 영국, 오스트리아, 아일랜드로 넓혔다. 이 시장에서 3700명이 넘는 영업 담당자와 텔레세일즈 상담원이 AI 추천을 쓴다. 정성 변화로는 영업 담당자의 일이 주문 접수에서 사업 조언자 쪽으로 옮겨간 점을 들었다.", "limitation": "5% 매출 증가는 멕시코 한 시장의 첫해 수치다. 확대한 나머지 시장의 매출 효과는 원문에 없다.", "id": "AX036", "scope": "본조사", "sourceIds": [ "S032" ], "evidenceAccess": "검색 도구의 본문 발췌 확인", "dateLabel": "2025-02-05", "dateBasis": "자료 발표 시점. 도입 시작일과 다를 수 있음", "evidenceYears": [ "2025" ], "problem": "영업 담당자가 고객과 보내는 시간은 HEINEKEN이 가장 값지게 보는 자원이다. 예전에는 그 시간의 상당 부분이 주문을 받고 제품 재고를 확인하는 데 들어갔다. 회사는 이 과정을 디지털로 바꿔 담당자가 제품 혁신, 프로모션, 고객 경험 개선을 이야기하는 데 시간을 쓰게 하려 했다.", "eventDate": "2025-02-05", "eventBasis": "공개", "translations": { "en": { "usecase": "Recommending sales visits and offers", "problem": "The time a sales representative spends with a customer is the resource HEINEKEN values most. In the past a large part of that time went into taking orders and checking product stock. The company wanted to digitise that process so representatives could spend their time talking about product innovation, promotions and a better customer experience.", "implementation": "AIDDA is short for AI Data-Driven Advisor. It predicts the next action to take with a customer and tells the sales representative. It chooses which action to take and which channel to use based on the value potential of the customer and the company's business strategy. HEINEKEN embedded AIDDA and other analytics products inside its existing CRM applications and its B2B platform. The people who actually carry out the recommendation are the sales representatives and the telesales agents.", "outcome": "HEINEKEN said it first applied the model in Mexico. It reported revenue growth of more than 5 percent in the first year. In 2024 it extended the model to Brazil, Mexico, France, Italy, the United Kingdom, Austria and Ireland. More than 3,700 sales representatives and telesales agents in these markets use the AI recommendations. As a qualitative change the company pointed to the shift in the representative's job from taking orders towards acting as a business adviser.", "limitation": "The 5 percent revenue growth is a first-year figure from the single market of Mexico. The source gives no revenue effect for the other markets it expanded into." }, "jp": { "usecase": "営業訪問と提案の推薦", "problem": "営業担当者が顧客と過ごす時間は、HEINEKENが最も価値を置く資源である。以前はその時間のかなりの部分が、注文を受けることと製品在庫を確認することに費やされていた。同社はこの過程をデジタル化し、担当者が製品の革新、販促、顧客体験の改善を話す時間に充てられるようにしようとした。", "implementation": "AIDDAはAI Data-Driven Advisorの略である。顧客に対して取るべき次の行動を予測し、営業担当者に知らせる。どの行動を取るか、どの接点で実行するかは、顧客の価値ポテンシャルと会社の事業戦略に基づいて選ぶ。HEINEKENはAIDDAと他の分析プロダクトを、既存のCRMアプリケーションとB2Bプラットフォームの中に組み込んだ。推薦を実際に実行するのは営業担当者とテレセールスの担当者である。", "outcome": "HEINEKENは、このモデルをまずメキシコで適用したと述べた。初年度に5%を超える売上増を得たと説明した。2024年にはブラジル、メキシコ、フランス、イタリア、英国、オーストリア、アイルランドへ広げた。これらの市場で3,700人を超える営業担当者とテレセールス担当者がAIの推薦を使っている。定性的な変化としては、営業担当者の仕事が注文受付から事業アドバイザーの側へ移った点を挙げた。", "limitation": "5%の売上増はメキシコ一市場の初年度の数値である。拡大した他の市場の売上効果は原文にない。" }, "zh": { "usecase": "推荐销售拜访与提案", "problem": "销售代表与客户相处的时间是HEINEKEN最看重的资源。过去这部分时间有相当一部分花在接单和核对产品库存上。公司希望把这一流程数字化，让代表把时间用于讨论产品创新、促销和改善客户体验。", "implementation": "AIDDA是AI Data-Driven Advisor的缩写。它预测面向客户应采取的下一步行动，并告知销售代表。采取哪种行动、通过哪个触点执行，依据客户的价值潜力和公司的业务战略来选择。HEINEKEN把AIDDA和其他分析产品嵌入了既有的CRM应用和B2B平台。真正执行推荐的是销售代表和电话销售人员。", "outcome": "HEINEKEN表示，该模型最先在墨西哥应用。公司称第一年取得了超过5%的销售增长。2024年又推广到巴西、墨西哥、法国、意大利、英国、奥地利和爱尔兰。在这些市场，有超过3,700名销售代表和电话销售人员使用AI推荐。在定性变化方面，公司提到销售代表的工作从接单转向了业务顾问。", "limitation": "5%的销售增长是墨西哥单一市场第一年的数字。原文没有给出其他扩展市场的销售影响。" } } }, { "industry": "식품과 음료", "subindustry": "맥주", "company": "Heineken", "country": "네덜란드", "stage": "운영", "usecase": "마케팅 예산 배분", "implementation": "Allocation AI는 브랜드와 채널, 시장에 걸친 마케팅 지출의 효과를 키우려고 만든 AI 조력자다. 계산 자원을 써서 수천 가지 시나리오를 돌리고 그 결과를 마케터가 바로 쓸 수 있는 형태로 바꾼다. 브랜드별, 접점별로 절대 투자수익률과 증분 투자수익률을 잰다. 접점에는 TV, 온라인, 매장 판촉물이 들어간다. 투자수익률 분석 뒤에는 mixed-integer linear programming으로 최적 배분 시나리오를 고른다. 마지막 판단은 사람이 한다. HEINEKEN은 전문가가 결과를 검증하고 모델이 아직 알지 못하는 지식으로 조정한다고 밝혔다. 실제 사용자는 상업 부문 리더, 마케터, 브랜드 매니저다.", "outcome": "HEINEKEN은 2024년에 모든 브랜드의 above-the-line과 below-the-line 지출에 Allocation AI를 적용했다고 밝혔다. 멕시코, 브라질, 네덜란드에서 증분 총이익을 내고 있다고 설명했다. Allocation AI의 결과를 대체로 따르는 사업회사가 같은 예산을 더 수익성 있게 쓴다는 데이터도 나온다고 했다.", "limitation": "증분 총이익의 금액은 원문에 없다. 전사 마케팅 투자수익률이 얼마나 좋아졌는지도 밝히지 않았다.", "id": "AX037", "scope": "본조사", "sourceIds": [ "S032" ], "evidenceAccess": "검색 도구의 본문 발췌 확인", "dateLabel": "2025-02-05", "dateBasis": "자료 발표 시점. 도입 시작일과 다를 수 있음", "evidenceYears": [ "2025" ], "problem": "마케팅비를 어느 브랜드와 어느 채널에 넣을지 정하는 근거가 얇았다. HEINEKEN은 그전까지 주로 외부 업체가 만든 Market Mix Models로 마케팅이 매출과 투자수익률에 준 영향을 봤다. 이 방식은 과거 지출의 영향, 소비자 인사이트, 거시경제를 지금만큼 자세히 보여주지 못했다.", "eventDate": "2025-02-05", "eventBasis": "공개", "translations": { "en": { "usecase": "Allocating the marketing budget", "problem": "There was little basis for deciding which brand and which channel marketing money should go to. Until then HEINEKEN mostly used Market Mix Models built by outside vendors to see how marketing affected revenue and return on investment. That approach did not show the effect of past spending, consumer insight and the wider economy in the detail it does now.", "implementation": "Allocation AI is an AI assistant built to raise the effect of marketing spend across brands, channels and markets. It uses computing resources to run thousands of scenarios and turns the results into a form marketers can act on directly. It measures absolute and incremental return on investment by brand and by touchpoint. The touchpoints include television, online and in-store promotional material. After the return on investment analysis, mixed-integer linear programming picks the best allocation scenario. People make the final call. HEINEKEN said experts validate the results and adjust them with knowledge the model does not yet hold. The actual users are commercial leaders, marketers and brand managers.", "outcome": "HEINEKEN said that in 2024 it applied Allocation AI to above-the-line and below-the-line spending for every brand. It said the tool is producing incremental gross profit in Mexico, Brazil and the Netherlands. The company added that it also has data showing operating companies that broadly follow the Allocation AI results spend the same budget more profitably.", "limitation": "The source gives no amount for the incremental gross profit. It also does not say how much company-wide marketing return on investment improved." }, "jp": { "usecase": "マーケティング予算の配分", "problem": "マーケティング費用をどのブランドとどのチャネルに投じるかを決める根拠が薄かった。HEINEKENはそれまで、主に外部企業が作ったMarket Mix Modelsでマーケティングが売上と投資収益率に与えた影響を見ていた。この方法では、過去の支出の影響、消費者インサイト、マクロ経済を今ほど詳しく示すことができなかった。", "implementation": "Allocation AIは、ブランドとチャネル、市場をまたぐマーケティング支出の効果を高めるために作られたAIアシスタントである。計算資源を使って数千通りのシナリオを回し、その結果をマーケターがすぐ使える形に変える。ブランド別、接点別に絶対投資収益率と増分投資収益率を測る。接点にはテレビ、オンライン、店頭販促物が含まれる。投資収益率の分析のあとは、mixed-integer linear programmingで最適な配分シナリオを選ぶ。最後の判断は人が行う。HEINEKENは、専門家が結果を検証し、モデルがまだ知らない知識で調整すると述べた。実際の利用者は商業部門のリーダー、マーケター、ブランドマネージャーである。", "outcome": "HEINEKENは、2024年にすべてのブランドのabove-the-lineとbelow-the-lineの支出にAllocation AIを適用したと述べた。メキシコ、ブラジル、オランダで増分の売上総利益を生んでいると説明した。Allocation AIの結果におおむね従う事業会社が、同じ予算をより収益性高く使っているというデータも出ていると述べた。", "limitation": "増分の売上総利益の金額は原文にない。全社のマーケティング投資収益率がどれだけ改善したかも示していない。" }, "zh": { "usecase": "分配营销预算", "problem": "决定营销费用投向哪个品牌、哪个渠道的依据并不充分。在此之前，HEINEKEN主要依靠外部机构建立的Market Mix Models来观察营销对销售额和投资回报率的影响。这种方式无法像现在这样细致地呈现过往支出的影响、消费者洞察和宏观经济状况。", "implementation": "Allocation AI是为提升跨品牌、跨渠道、跨市场营销支出效果而打造的AI助手。它调用算力运行数千种情景，并把结果转换成营销人员可直接使用的形式。它按品牌和触点测算绝对投资回报率与增量投资回报率。触点包括电视、线上和门店促销物料。在投资回报率分析之后，再用mixed-integer linear programming选出最优的分配方案。最终判断由人来做。HEINEKEN表示，专家会验证结果，并用模型尚未掌握的知识加以调整。实际使用者是商业部门负责人、营销人员和品牌经理。", "outcome": "HEINEKEN表示，2024年已把Allocation AI应用于所有品牌的above-the-line和below-the-line支出。公司称，该工具在墨西哥、巴西和荷兰带来了增量毛利。公司还表示，有数据显示大体遵循Allocation AI结果的运营公司，用同样的预算获得了更高的收益。", "limitation": "原文没有给出增量毛利的金额，也没有说明全公司营销投资回报率改善了多少。" } } }, { "industry": "제조", "subindustry": "철강", "company": "포스코DX", "country": "한국", "stage": "제한 운영", "usecase": "철강 코일 하차와 크레인 제어", "implementation": "포스코DX는 현실 세계의 공장을 가상환경에 똑같이 구현한 AI 모델을 개발했다. 현장에 넣기 전에 AI 학습과 검증을 하는 피지컬 AI 개발 체계를 세웠다고 밝혔다. 가상 공간에 실제 현장에서 만날 조건을 넣고 여러 시뮬레이션을 돌려 설비의 최적 움직임을 AI가 배우게 했다. 시뮬레이션은 엔비디아 옴니버스 플랫폼의 아이작 심으로 구현했다. 판교사옥에는 전문 광학실험실도 지었다. 실제 현장과 비슷한 조도, 온도, 움직임을 인위로 만들어 센서 반응과 사양에 따른 정밀도를 시험하는 공간이다. 여기서 검증한 센서 데이터를 다시 AI 시뮬레이션에 반영해 가상과 실제 현장의 격차를 줄였다.", "outcome": "포스코DX는 비정형 제품을 옮기는 크레인에 피지컬 AI를 먼저 적용하고 있다. 올해 상반기에는 트레일러로 실려 온 코일 제품을 크레인으로 하차하는 작업을 자동화하는 AI 모델을 개발하고 가상 시운전까지 마쳤다. 회사는 이를 현장에 적용하며 수평 확산을 계획한다고 밝혔다. 가상환경 시뮬레이션으로 AI 모델 개발과 현장 적용에 드는 기간과 비용을 크게 줄일 것으로 기대한다고 했다. 윤일용 AI기술개발센터장은 AI와 IT, OT 기술의 융합을 바탕으로 제조 설비의 자율 물리 시스템화를 목표로 삼는다고 말했다.", "limitation": "원문에 절감된 기간이나 비용, 하차 작업의 성공률 수치는 없다. 코일 하차 자동화는 가상 시운전까지 마친 단계로 소개돼 현장 확산은 계획 상태다.", "id": "AX024", "scope": "본조사", "sourceIds": [ "S023" ], "evidenceAccess": "원문 본문 열람", "dateLabel": "2025-03-05", "dateBasis": "자료 발표 시점. 도입 시작일과 다를 수 있음", "evidenceYears": [ "2025" ], "problem": "산업현장에서는 조업에 지장을 주거나 안전과 보안 문제 때문에 현장 데이터를 얻고 AI 모델을 시험하는 데 제한이 있었다. 설비와 센서는 관성, 가속도, 노이즈 같은 물리 환경에 크게 영향을 받는다. 크기와 포장 형태가 제각각인 비정형 제품을 크레인으로 다루는 일은 특히 까다로웠다.", "eventDate": "2025-03-05", "eventBasis": "공개", "translations": { "en": { "usecase": "Unloading steel coils and controlling cranes", "problem": "On industrial sites it was hard to collect field data and test AI models, because doing so could disrupt operations or raise safety and security concerns. Equipment and sensors are strongly affected by the physical environment, including inertia, acceleration and noise. Handling irregular products that differ in size and packaging with a crane was especially difficult.", "implementation": "POSCO DX built an AI model that reproduces a real factory inside a virtual environment. The company said it established a physical AI development scheme that trains and validates AI before it goes into the field. It put the conditions the equipment would meet on the real site into the virtual space and ran many simulations so the AI could learn the best motion for the equipment. The simulation was built with Isaac Sim on the NVIDIA Omniverse platform. The company also built a dedicated optical laboratory at its Pangyo office. It is a space that artificially reproduces the illumination, temperature and movement of a real site to test sensor response and the precision that follows from the specification. Sensor data validated there was fed back into the AI simulation to narrow the gap between the virtual and the real site.", "outcome": "POSCO DX is applying physical AI first to cranes that move irregular products. In the first half of this year it developed an AI model that automates unloading coil products delivered by trailer with a crane, and completed a virtual commissioning run. The company said it is now applying this on site and plans to spread it horizontally. It said it expects simulation in a virtual environment to sharply cut the time and cost of developing AI models and putting them into the field. Yoon Il-yong, head of the AI Technology Development Center, said the goal is to turn manufacturing equipment into autonomous physical systems on the basis of converging AI with IT and OT technology.", "limitation": "The source gives no figure for the time or cost saved, or for the success rate of the unloading work. Coil unloading automation is described as having reached virtual commissioning, so rollout on site is still at the planning stage." }, "jp": { "usecase": "鉄鋼コイルの荷下ろしとクレーン制御", "problem": "産業現場では、操業に支障を与えたり安全と保安の問題が生じたりするため、現場データを得てAIモデルを試すことに制約があった。設備とセンサーは、慣性、加速度、ノイズといった物理環境の影響を大きく受ける。大きさや梱包形態がまちまちな非定型の製品をクレーンで扱う作業は、とりわけ難しかった。", "implementation": "ポスコDXは、現実の工場を仮想環境にそのまま再現したAIモデルを開発した。現場に入れる前にAIの学習と検証を行うフィジカルAIの開発体系を整えたと述べた。仮想空間に実際の現場で出会う条件を入れ、複数のシミュレーションを回して設備の最適な動きをAIに学ばせた。シミュレーションはNVIDIA Omniverseプラットフォームのアイザックシムで実装した。パンギョ社屋には専門の光学実験室も建てた。実際の現場に近い照度、温度、動きを人為的に作り、センサーの反応と仕様に応じた精度を試す空間である。ここで検証したセンサーデータを再びAIシミュレーションに反映し、仮想と実際の現場の差を縮めた。", "outcome": "ポスコDXは、非定型の製品を運ぶクレーンにフィジカルAIをまず適用している。今年上半期には、トレーラーで運ばれてきたコイル製品をクレーンで荷下ろしする作業を自動化するAIモデルを開発し、仮想試運転まで終えた。同社はこれを現場に適用しながら水平展開を計画していると述べた。仮想環境のシミュレーションによって、AIモデルの開発と現場適用にかかる期間と費用を大きく減らせると期待していると述べた。ユン・イリョンAI技術開発センター長は、AIとIT、OT技術の融合を基に、製造設備の自律物理システム化を目標に据えると語った。", "limitation": "原文に、短縮された期間や費用、荷下ろし作業の成功率の数値はない。コイルの荷下ろし自動化は仮想試運転まで終えた段階として紹介されており、現場への展開は計画の状態である。" }, "zh": { "usecase": "钢卷卸载与天车控制", "problem": "在工业现场，因为可能影响生产或带来安全与保密问题，采集现场数据、测试AI模型都受到限制。设备和传感器受惯性、加速度、噪声等物理环境的影响很大。用天车处理尺寸和包装形式各不相同的非标准化产品尤其困难。", "implementation": "浦项制铁DX开发了把现实工厂原样复现到虚拟环境中的AI模型。公司表示，已建立在投入现场之前完成AI训练与验证的物理AI开发体系。公司把实际现场会遇到的条件放进虚拟空间，运行多轮仿真，让AI学习设备的最优动作。仿真基于NVIDIA Omniverse平台的Isaac Sim实现。公司还在板桥办公楼建了专门的光学实验室，人为营造与真实现场相近的照度、温度和运动，用来测试传感器响应以及不同规格下的精度。在这里验证过的传感器数据会再次反馈到AI仿真中，缩小虚拟与真实现场的差距。", "outcome": "浦项制铁DX率先把物理AI应用于搬运非标准化产品的天车。今年上半年，公司开发了把拖车运来的钢卷产品用天车卸载这一作业自动化的AI模型，并完成了虚拟试运行。公司表示正在把它应用到现场，并计划横向推广。公司称，预计虚拟环境仿真将大幅减少AI模型开发与现场落地所需的时间和成本。AI技术开发中心负责人尹一龙表示，公司以AI与IT、OT技术融合为基础，目标是让制造设备成为自主物理系统。", "limitation": "原文没有节省的时间或成本的数字，也没有卸载作业的成功率。钢卷卸载自动化被介绍为已完成虚拟试运行的阶段，现场推广仍处于计划状态。" } } }, { "industry": "금융", "subindustry": "가맹점 결제", "company": "Square", "country": "미국", "stage": "운영", "usecase": "가맹점 업종 분류", "implementation": "Square는 RoBERTa 구조로 업종 분류 모델을 만들었다. roberta-large를 썼다. 학습 자료는 사람이 직접 검토한 판매자 20,000명 이상을 무작위로 뽑은 표본이다. 입력은 상호명, 가입할 때 고른 업종과 세부 업종, 판매 품목과 서비스 목록이다. 품목은 구매 빈도 순으로 정렬해 모델이 읽을 수 있는 길이까지만 남긴다. 가입할 때 자동으로 만들어진 품목은 뺀다. 판매자가 직접 고친 항목만 남긴다. 학습은 Databricks의 GPU 클러스터에서 했고 예측은 매일 갱신한다.", "outcome": "Square는 기존 방식보다 업종 판별 정확도가 절대 기준으로 약 30% 올랐다고 추정했다. 시험 자료에서 자가 선택 대비 상승 폭은 소매와 홈리페어에서 특히 컸다. 회사는 이 예측을 업종별 구분이 필요한 사내 지표 전체에 쓴다고 밝혔다.", "limitation": "정확도 개선은 보유 시험 자료로 낸 추정값이다. 수수료 절감이나 결제 매출 변화로 이어졌다는 수치는 원문에 없다.", "localId": "0828", "id": "AX085", "scope": "본조사", "sourceIds": [ "S079" ], "evidenceAccess": "검색 도구의 본문 발췌 확인", "dateLabel": "2025-03-10", "dateBasis": "자료 발표 시점. 도입 시작일과 다를 수 있음", "evidenceYears": [ "2025" ], "problem": "Square는 판매자가 가입할 때 스스로 고른 업종 정보를 주로 썼다. 이 방식은 틀리기 쉬웠다. 판매자는 가입을 빨리 끝내려고 대충 고르기도 하고 미용과 네일을 함께 하는 가게처럼 하나를 고르기 어려운 경우도 있었다. 업종 코드는 Square가 내는 카드 수수료와 카드사 혜택에도 영향을 준다.", "eventDate": "2025-03-10", "eventBasis": "공개", "translations": { "en": { "usecase": "Classifying the business category of merchants", "problem": "Square mostly relied on the business category sellers chose for themselves when they signed up. That method was easy to get wrong. Some sellers picked carelessly to finish signup quickly, and some, such as a shop that does both hair and nails, found it hard to pick just one. The category code also affects the card fees Square pays and the benefits it receives from card networks.", "implementation": "Square built a category classification model on the RoBERTa architecture, using roberta-large. The training material is a random sample of more than 20,000 sellers reviewed by people. The input is the business name, the category and subcategory chosen at signup, and the list of items and services sold. Items are sorted by how often they are bought and cut down to a length the model can read. Items generated automatically at signup are dropped, leaving only entries the seller edited. Training ran on a GPU cluster at Databricks, and predictions are refreshed daily.", "outcome": "Square estimated that the accuracy of category identification rose by about 30 percent in absolute terms over the previous method. In the test data the gain over self-selection was largest in retail and home repair. The company said it uses these predictions across every internal metric that needs a split by business category.", "limitation": "The accuracy improvement is an estimate from Square's own held-out test data. The source gives no figure showing that it led to lower fees or a change in payment volume." }, "jp": { "usecase": "加盟店の業種分類", "problem": "Squareは、販売者が加入時に自分で選んだ業種情報を主に使っていた。この方法は誤りが生じやすかった。販売者は加入を早く終えようと大まかに選ぶこともあり、美容とネイルを併せて営む店のように、ひとつを選びにくい場合もあった。業種コードはSquareが払うカード手数料やカード会社からの便益にも影響する。", "implementation": "SquareはRoBERTaの構造で業種分類モデルを作った。roberta-largeを使った。学習素材は、人が直接確認した販売者20,000人以上を無作為に抽出した標本である。入力は屋号、加入時に選んだ業種と細分業種、販売する品目とサービスの一覧である。品目は購入頻度の順に並べ、モデルが読める長さまでに絞る。加入時に自動で作られた品目は除き、販売者が自ら直した項目だけを残す。学習はDatabricksのGPUクラスターで行い、予測は毎日更新する。", "outcome": "Squareは、従来の方法より業種判別の精度が絶対値で約30%上がったと推定した。テストデータでは、自己申告に対する上げ幅が小売とホームリペアでとくに大きかった。同社はこの予測を、業種別の切り分けが必要な社内指標すべてに使っていると述べた。", "limitation": "精度の改善は手元のテストデータで出した推定値である。手数料の削減や決済売上の変化につながったという数値は原文にない。" }, "zh": { "usecase": "商户业务类别分类", "problem": "Square主要使用商家注册时自行选择的行业信息。这种方式很容易出错。有的商家为了尽快完成注册而随意选择，也有像同时经营美发和美甲的店铺那样难以只选一项的情况。行业代码还会影响Square支付的刷卡手续费和从卡组织获得的权益。", "implementation": "Square基于RoBERTa架构构建了行业分类模型，使用的是roberta-large。训练素材是经人工逐一核对的、随机抽取的20,000多名商家样本。输入包括店铺名称、注册时选择的行业与细分行业，以及在售商品和服务清单。商品按购买频次排序，并截取到模型可读的长度。注册时自动生成的商品条目会被剔除，只保留商家自己修改过的条目。训练在Databricks的GPU集群上进行，预测每天更新。", "outcome": "Square估计，与原有方式相比，行业判别的准确率在绝对值上提升了约30%。在测试数据中，相对自主申报的提升幅度在零售和家居维修类目尤其明显。公司表示，这些预测已用于所有需要按行业拆分的内部指标。", "limitation": "准确率的提升是用自有测试数据得出的估计值。原文没有给出由此带来手续费下降或支付流水变化的数字。" } } }, { "industry": "환경", "subindustry": "상하수도", "company": "SUEZ", "country": "프랑스", "stage": "운영", "usecase": "관망 교체와 처리공정 판단", "implementation": "SUEZ는 고장 이력과 시설 나이, 사용한 자재를 분석해 열화 가능성을 예측하고 교체 공사를 미리 계획한다. 어디를 먼저 손볼지 순서를 정하는 데 쓴다. 정수와 하수처리 공정에서는 에너지 사용량과 약품 사용량이 큰 비용 항목이다. 여기서는 온도, pH, 오염물질 같은 핵심 지표를 감시하고 운영자에게 조정안을 제안한다. 최종 조정은 운영자가 한다.", "outcome": "SUEZ의 Data와 AI 총괄 Claire Mathieu는 지능형 센서와 알고리즘으로 수백만 건의 데이터를 실제 행동으로 바꾼다고 설명했다. 그는 2024년까지 3,300만 세제곱미터가 넘는 물을 아꼈고 이것이 올림픽 수영장 8,900개에 해당한다고 밝혔다. 투자 비용은 최대 30%까지 줄일 수 있다고 말했다.", "limitation": "원문은 최대 30%가 어떤 사업 범위에서 어떤 조건으로 측정한 값인지 밝히지 않았다. 물 절감량도 그룹 전체 값이고 관망 교체 예측만의 결과가 아니다.", "id": "AX050", "scope": "본조사", "sourceIds": [ "S044" ], "evidenceAccess": "원문 본문 열람", "dateLabel": "2025-03-12", "dateBasis": "자료 발표 시점. 도입 시작일과 다를 수 있음", "evidenceYears": [ "2025" ], "problem": "지방자치단체의 큰 과제는 낡은 기반시설을 고치는 일이다. 상수도와 하수처리 관망이 오래돼 예산과 가용 자원을 압박한다. 교체를 미루면 유지비가 훨씬 커지고 수질과 급수 연속성에도 위험이 생긴다.", "eventDate": "2025-03-12", "eventBasis": "공개", "translations": { "en": { "usecase": "Deciding on pipe replacement and treatment processes", "problem": "A major task for local authorities is repairing ageing infrastructure. Water supply and wastewater networks have grown old, which puts pressure on budgets and available resources. Delaying replacement makes maintenance far more expensive and creates risks for water quality and for continuity of supply.", "implementation": "SUEZ analyses failure history, the age of the facility and the materials used to predict the likelihood of deterioration and plan replacement work in advance. It uses this to set the order of what gets repaired first. In water treatment and wastewater treatment, energy use and chemical use are large cost items. Here the system monitors key indicators such as temperature, pH and pollutants, and proposes adjustments to the operator. The operator makes the final adjustment.", "outcome": "Claire Mathieu, who leads Data and AI at SUEZ, explained that intelligent sensors and algorithms turn millions of data points into real action. She said that by 2024 more than 33 million cubic metres of water had been saved, which is equivalent to 8,900 Olympic swimming pools. She said investment costs can be cut by up to 30 percent.", "limitation": "The source does not say over what scope of business or under what conditions the figure of up to 30 percent was measured. The water saving is also a group-wide figure, not a result of pipe replacement prediction alone." }, "jp": { "usecase": "管路の更新と処理工程の判断", "problem": "自治体の大きな課題は、老朽化した基盤施設を直すことである。上水道と下水処理の管路が古くなり、予算と使える資源を圧迫している。更新を先送りすると維持費がはるかに大きくなり、水質と給水の連続性にも危険が生じる。", "implementation": "SUEZは、故障履歴と施設の年数、使った資材を分析して劣化の可能性を予測し、更新工事をあらかじめ計画する。どこから手をつけるかの順序を決めるのに使う。浄水と下水処理の工程では、エネルギー使用量と薬品使用量が大きな費用項目である。ここでは温度、pH、汚染物質といった主要指標を監視し、運転員に調整案を提案する。最終の調整は運転員が行う。", "outcome": "SUEZのDataとAIの統括であるClaire Mathieuは、知能型センサーとアルゴリズムで数百万件のデータを実際の行動に変えると説明した。彼女は、2024年までに3,300万立方メートルを超える水を節約し、これはオリンピックプール8,900個分に当たると述べた。投資費用は最大30%まで減らせると語った。", "limitation": "原文は、最大30%がどの事業範囲でどのような条件のもとに測った値かを示していない。水の節約量もグループ全体の値であり、管路更新の予測だけの結果ではない。" }, "zh": { "usecase": "管网更新与处理工艺的判断", "problem": "地方政府面临的一大难题是修复老化的基础设施。供水和污水处理管网年久失修，挤压预算和可用资源。推迟更新会让维护成本高出许多，还会给水质和供水连续性带来风险。", "implementation": "SUEZ通过分析故障历史、设施使用年限和所用材质来预测劣化可能性，提前规划更新工程，用于确定优先处理的顺序。在净水和污水处理工艺中，能耗和药剂用量是主要成本项。在这里，系统监测温度、pH、污染物等关键指标，并向运行人员提出调整建议。最终的调整由运行人员决定。", "outcome": "SUEZ负责Data与AI的Claire Mathieu解释说，智能传感器和算法把数百万条数据转化为实际行动。她表示，到2024年已节约超过3,300万立方米的水，相当于8,900个奥运会游泳池。她还说，投资成本最多可减少30%。", "limitation": "原文没有说明最多30%是在哪个业务范围、以什么条件测得的。节水量也是集团整体数字，并非仅来自管网更新预测。" } } }, { "industry": "환경", "subindustry": "폐기물 선별", "company": "SUEZ", "country": "프랑스", "stage": "운영", "usecase": "재활용품 흐름 분석", "implementation": "SUEZ는 혁신, 디지털 솔루션, 재활용 부문이 함께 폐기물 특성 분석 기술을 만들었다. 수거 차량에서는 지역 단위로 분리 품질을 지도로 만든다. 선별장에서는 선별 라인 위에 카메라를 단 아치를 두고 알고리즘과 묶어 폐기물 흐름을 파악한다. 소각장에서는 폐기물을 투입구에 부을 때 미리 골라냈어야 할 재활용 자재와 설비를 손상시킬 수 있는 이물질을 찾아낸다. Autodiag는 이 가운데 선별 라인의 카메라로, 폐기물 흐름을 계속 분석해 물체를 자동으로 식별하고 개수를 센다. 작업자는 이 정보로 흐름의 순도를 실시간으로 높이고 재활용 폐기물 회수를 조정한다.", "outcome": "SUEZ는 Autodiag가 2025년 파리 AI Summit의 AI for Efficiency 공모에서 선정됐다고 밝혔다. 회사는 이 도구가 작업자로 하여금 실시간으로 흐름의 순도를 높이고 재활용 가능한 폐기물의 회수를 최적화하게 한다고 설명했다.", "limitation": "원문에는 사업장별 회수율이나 오인식률 같은 수치가 없다.", "id": "AX051", "scope": "본조사", "sourceIds": [ "S044" ], "evidenceAccess": "원문 본문 열람", "dateLabel": "2025-03-12", "dateBasis": "자료 발표 시점. 도입 시작일과 다를 수 있음", "evidenceYears": [ "2025" ], "problem": "폐기물 회수에서는 예전에 수거한 양만 측정했다. 어떤 폐기물이 어떤 흐름으로 섞여 들어오는지는 알 수 없었다.", "eventDate": "2025-03-12", "eventBasis": "공개", "translations": { "en": { "usecase": "Analysing the flow of recyclable material", "problem": "In waste collection only the quantity collected used to be measured. There was no way to know which waste was mixed into which stream.", "implementation": "At SUEZ the innovation, digital solutions and recycling units built waste characterisation technology together. On collection vehicles it maps separation quality area by area. At sorting plants an arch carrying cameras is placed over the sorting line and tied to algorithms to read the waste stream. At incineration plants it finds recyclable material that should have been separated out earlier and foreign objects that could damage equipment as the waste is tipped into the feed hopper. Autodiag is the camera on the sorting line within this set. It analyses the waste stream continuously, identifies objects automatically and counts them. Operators use this information to raise the purity of the stream in real time and adjust the recovery of recyclable waste.", "outcome": "SUEZ said Autodiag was selected in the AI for Efficiency call at the 2025 Paris AI Summit. The company explained that the tool lets operators raise the purity of the stream in real time and optimise the recovery of recyclable waste.", "limitation": "The source carries no figures such as recovery rate by site or misidentification rate." }, "jp": { "usecase": "リサイクル品の流れの分析", "problem": "廃棄物の回収では、以前は集めた量だけを測っていた。どの廃棄物がどの流れで混ざって入ってくるのかは分からなかった。", "implementation": "SUEZでは、イノベーション、デジタルソリューション、リサイクルの各部門が一緒に廃棄物の特性分析技術を作った。収集車では地域単位で分別の品質を地図にする。選別場では選別ラインの上にカメラを付けたアーチを置き、アルゴリズムと結び付けて廃棄物の流れを把握する。焼却場では、廃棄物を投入口に入れるときに、あらかじめ取り除くべきだったリサイクル素材や、設備を傷めうる異物を見つけ出す。Autodiagはこのうち選別ラインのカメラで、廃棄物の流れを絶えず分析して物体を自動で識別し、個数を数える。作業者はこの情報で流れの純度をリアルタイムに高め、リサイクル廃棄物の回収を調整する。", "outcome": "SUEZは、Autodiagが2025年パリAI SummitのAI for Efficiency公募で選ばれたと明らかにした。同社は、この道具によって作業者がリアルタイムに流れの純度を高め、リサイクル可能な廃棄物の回収を最適化できると説明した。", "limitation": "原文には、事業所ごとの回収率や誤認識率といった数値はない。" }, "zh": { "usecase": "分析可回收物流向", "problem": "在垃圾回收环节，过去只测量收集的数量，无法知道哪些废弃物以何种流向混入其中。", "implementation": "在SUEZ，创新、数字化解决方案和回收三个部门共同开发了废弃物特性分析技术。在收集车上，按区域绘制分类质量地图。在分拣厂，在分拣线上方架设装有摄像头的拱架，并与算法结合来掌握废弃物流向。在焚烧厂，当废弃物倒入投料口时，系统会找出本应提前分离的可回收材料以及可能损坏设备的异物。Autodiag是其中位于分拣线上的摄像头，持续分析废弃物流向，自动识别物体并计数。作业人员依据这些信息实时提高流向的纯度，并调整可回收废弃物的回收。", "outcome": "SUEZ表示，Autodiag入选了2025年巴黎AI Summit的AI for Efficiency征集项目。公司说明，这一工具让作业人员能够实时提高流向纯度，并优化可回收废弃物的回收。", "limitation": "原文中没有各厂区回收率或误识别率之类的数字。" } } }, { "industry": "여행과 숙박", "subindustry": "숙박 중개", "company": "Airbnb", "country": "미국", "stage": "운영", "usecase": "오래된 화면 테스트 코드 전환", "implementation": "Airbnb는 2024년에 LLM 기반 이관 pipeline을 만들었다. 파일 하나를 state machine처럼 다뤘다. Enzyme 리팩터, Jest 수정, lint와 tsc 수정 순으로 검사를 통과해야 다음 단계로 넘어간다. 검사에 걸리면 오류 내용과 가장 최근 파일을 프롬프트에 넣어 다시 시도한다. 복잡한 파일은 context를 키웠다. 프롬프트는 40,000에서 100,000 token까지 늘었고 관련 파일을 최대 50개까지 끌어왔다. 대상 컴포넌트 소스, 옮길 테스트 파일, 검사 실패 내용, 같은 디렉터리의 형제 테스트를 함께 넣었다. 사람은 실패 사례를 골라 프롬프트와 스크립트를 고치는 일을 맡았고, 끝까지 자동화가 안 된 파일은 직접 고쳤다.", "outcome": "첫 대량 실행에서 목표 파일의 75%를 4시간 만에 옮겼다. 이후 4일 동안 프롬프트와 스크립트를 다듬어 97%까지 올렸다. 남은 3%는 사람이 일주일 더 걸려 마무리했다. 전체로는 약 3,500개 Enzyme 테스트 파일을 6주에 옮겼다. Airbnb는 손으로 하면 1.5년치 엔지니어링 시간이 들 것으로 봤던 일이라고 밝혔다. 원래 테스트 의도와 코드 커버리지는 유지했다고 했다.", "limitation": "손으로 하면 1.5년이 걸린다는 수치는 실제 비교 실험이 아니라 Airbnb의 사전 추정이다. 이관 뒤 테스트 실행 시간이나 결함 발견율 변화는 원문에 없다.", "localId": "0015", "id": "AX067", "scope": "본조사", "sourceIds": [ "S062" ], "evidenceAccess": "원문 본문 열람", "dateLabel": "2025-03-13", "dateBasis": "자료 발표 시점. 도입 시작일과 다를 수 있음", "evidenceYears": [ "2025" ], "problem": "Airbnb의 React 컴포넌트 테스트는 Enzyme으로 짜여 있었다. Enzyme은 옛 React 버전에 맞춰 만든 도구라 컴포넌트 내부에 깊이 접근하는 방식이 요즘 테스트 관행과 맞지 않았다. 두 도구의 구조가 근본적으로 달라 그냥 바꿔 끼울 수 없었다. Enzyme 파일을 지우면 코드 커버리지에 큰 구멍이 생긴다는 분석이 나왔다.", "eventDate": "2025-03-13", "eventBasis": "공개", "translations": { "en": { "usecase": "Migrating outdated UI test code", "problem": "Airbnb's React component tests were written with Enzyme. Enzyme was built for older versions of React, and the way it reaches deep inside a component no longer matched current testing practice. The two tools are fundamentally different in structure, so they could not simply be swapped. Analysis showed that deleting the Enzyme files would leave a large hole in code coverage.", "implementation": "In 2024 Airbnb built an LLM-based migration pipeline. It treated each file like a state machine. A file had to pass the Enzyme refactor, then the Jest fix, then the lint and tsc fix before moving to the next stage. When a check failed, the error and the most recent version of the file were put into the prompt and the step was retried. For complex files the context was widened. Prompts grew from 40,000 to 100,000 tokens and pulled in up to 50 related files, including the source of the target component, the test file being migrated, the failing check output and sibling tests in the same directory. People took on the work of picking out failures and fixing the prompts and scripts, and hand-fixed the files that automation never finished.", "outcome": "The first bulk run moved 75 percent of the target files in four hours. Over the next four days the prompts and scripts were refined and that rose to 97 percent. The remaining 3 percent took people another week to finish. In total about 3,500 Enzyme test files were migrated in six weeks. Airbnb said it was work it had estimated would take 1.5 years of engineering time by hand. It said the original intent of the tests and the code coverage were preserved.", "limitation": "The figure of 1.5 years by hand is Airbnb's advance estimate, not a real comparison experiment. The source gives no change in test run time or defect detection rate after the migration." }, "jp": { "usecase": "古い画面テストコードの移行", "problem": "AirbnbのReactコンポーネントテストはEnzymeで書かれていた。Enzymeは古いReactのバージョンに合わせて作られた道具で、コンポーネントの内部に深く触れる方式が今のテスト慣行と合わなくなっていた。二つの道具は構造が根本的に違うため、そのまま差し替えることはできなかった。Enzymeのファイルを消すとコードカバレッジに大きな穴が空くという分析が出ていた。", "implementation": "Airbnbは2024年にLLMを基にした移行pipelineを作った。ファイル一つをstate machineのように扱った。Enzymeのリファクタ、Jestの修正、lintとtscの修正の順で検査を通らないと次の段階に進めない。検査に引っかかると、エラーの内容と最新のファイルをプロンプトに入れてもう一度試す。複雑なファイルではcontextを広げた。プロンプトは40,000から100,000トークンまで増え、関連ファイルを最大50個まで引き込んだ。対象コンポーネントのソース、移すテストファイル、検査の失敗内容、同じディレクトリの兄弟テストを一緒に入れた。人は失敗事例を選んでプロンプトとスクリプトを直す役割を担い、最後まで自動化できなかったファイルは自分で直した。", "outcome": "最初の大量実行では、対象ファイルの75%を4時間で移した。その後の4日間でプロンプトとスクリプトを整え、97%まで上げた。残りの3%は人がさらに一週間かけて仕上げた。全体では約3,500個のEnzymeテストファイルを6週間で移した。Airbnbは、手作業なら1.5年分のエンジニアリング時間がかかると見ていた作業だと述べた。もとのテストの意図とコードカバレッジは保ったとした。", "limitation": "手作業なら1.5年という数値は、実際の比較実験ではなくAirbnbの事前の見積もりである。移行後のテスト実行時間や欠陥の発見率の変化は原文にない。" }, "zh": { "usecase": "迁移陈旧的界面测试代码", "problem": "Airbnb的React组件测试是用Enzyme编写的。Enzyme是为旧版React设计的工具，其深入组件内部的方式已经不符合当下的测试惯例。两种工具结构根本不同，无法直接替换。分析显示，如果删除Enzyme文件，代码覆盖率会出现很大缺口。", "implementation": "Airbnb在2024年构建了基于LLM的迁移pipeline，把每个文件当作state machine来处理。文件必须依次通过Enzyme重构、Jest修复、lint与tsc修复的检查，才能进入下一阶段。检查不通过时，就把错误内容和最新版本的文件放进prompt重试。对复杂文件则扩大context。prompt从40,000个token增加到100,000个token，最多引入50个相关文件，包括目标组件的源码、待迁移的测试文件、检查失败的信息以及同目录下的同级测试。人负责挑出失败案例并修改prompt和脚本，对始终无法自动完成的文件则手工修复。", "outcome": "首次批量运行在四小时内迁移了75%的目标文件。随后的四天里对prompt和脚本做了打磨，比例提高到97%。剩下的3%由人又花了一周完成。整体上约3,500个Enzyme测试文件在六周内完成迁移。Airbnb表示，如果手工进行，这项工作原本估计需要1.5年的工程时间。公司称原有测试意图和代码覆盖率都得到了保留。", "limitation": "手工需要1.5年的说法是Airbnb的事前估算，而非实际的对照实验。原文没有迁移后测试运行时间或缺陷发现率的变化。" } } }, { "industry": "제조", "subindustry": "가전 부품", "company": "LG전자", "country": "한국", "stage": "실증", "usecase": "부품 설계 품질 예측", "implementation": "LG전자가 개발한 기술은 3D 도면 정보만 입력하면 된다. 오차를 줄이려고 도면 좌표를 기준에 맞춰 정밀하게 정렬하는 별도 과정이 필요 없다. 입력한 데이터를 압축하고 경량화하는 기술을 함께 적용해 AI가 세밀한 정보를 더 빠르게 학습하도록 했다. 별도 시뮬레이션 없이 3분 이내에 예측 결과가 나온다. 결과는 실제 제품에 가까운 3D 형태로 보여줘 개발자가 직관적으로 검토한다. 개발자가 업무에 쓰기 쉽도록 웹 기반 서비스 플랫폼 Eng.AI를 선보일 계획이다.", "outcome": "LG전자는 완성 제품의 품질 예측 시간을 기존 대비 최대 99%까지 줄였다고 밝혔다. 유사한 딥러닝 알고리즘 기반 AI와 비교하면 분석용 학습 시간을 95% 이상 줄이고 메모리 사용량은 1/10 수준으로 낮추면서 정확도는 15% 이상 높였다고 설명했다.", "limitation": "LG전자는 이 기술을 자체 제조 역량 강화에 먼저 쓰고 냉장고와 세탁기 같은 생활 가전, TV, 차량용 제품 부품 설계에 순차 적용한다고 밝혔다. 개발 기간이나 양산 불량률이 얼마나 바뀌었는지는 원문에 없다.", "id": "AX003", "scope": "본조사", "sourceIds": [ "S003" ], "evidenceAccess": "원문 본문 열람", "dateLabel": "2025-03-27", "dateBasis": "자료 발표 시점. 도입 시작일과 다를 수 있음", "evidenceYears": [ "2025" ], "problem": "LG전자는 제품 개발 과정에서 시제품을 만들기 전에 품질을 예측한다. 이 검증은 개발 중 여러 번 반복된다. 기존에는 예측 한 번에 약 3~8시간이 걸렸다.", "eventDate": "2025-03-27", "eventBasis": "공개", "translations": { "en": { "usecase": "Predicting the design quality of components", "problem": "LG Electronics predicts quality before building a prototype during product development. This verification is repeated several times while development runs. Each prediction used to take about 3 to 8 hours.", "implementation": "The technology LG Electronics developed only needs 3D drawing information as input. There is no separate step to align the drawing coordinates precisely against a reference to reduce error. Technology that compresses and lightens the input data was applied at the same time so the AI learns fine detail faster. A prediction result comes out within three minutes with no separate simulation. The result is shown in a 3D form close to the actual product so developers can review it intuitively. The company plans to release Eng.AI, a web-based service platform, so developers can use it easily in their work.", "outcome": "LG Electronics said it cut the time to predict the quality of a finished product by up to 99 percent against the previous method. Compared with AI built on similar deep learning algorithms, it said training time for analysis fell by more than 95 percent, memory use dropped to about one tenth, and accuracy rose by more than 15 percent.", "limitation": "LG Electronics said it will first use the technology to strengthen its own manufacturing capability and then apply it in stages to the component design of home appliances such as refrigerators and washing machines, televisions and automotive products. How much the development period or the mass production defect rate changed is not in the source." }, "jp": { "usecase": "部品設計の品質予測", "problem": "LGエレクトロニクスは、製品開発の過程で試作品を作る前に品質を予測する。この検証は開発中に何度も繰り返される。従来は予測一回に約3時間から8時間かかっていた。", "implementation": "LGエレクトロニクスが開発した技術は、3D図面の情報を入力するだけでよい。誤差を減らすために図面の座標を基準に合わせて精密に整える別工程は必要ない。入力したデータを圧縮して軽くする技術も併せて適用し、AIが細かな情報をより速く学べるようにした。別途のシミュレーションなしに3分以内で予測結果が出る。結果は実際の製品に近い3Dの形で見せるので、開発者は直感的に検討できる。開発者が業務で使いやすいように、ウェブベースのサービスプラットフォームEng.AIを出す計画である。", "outcome": "LGエレクトロニクスは、完成した製品の品質予測にかかる時間を従来比で最大99%まで減らしたと明らかにした。似た深層学習アルゴリズムを基にしたAIと比べると、分析用の学習時間を95%以上減らし、メモリ使用量は10分の1の水準に下げながら、精度は15%以上高めたと説明した。", "limitation": "LGエレクトロニクスは、この技術をまず自社の製造力の強化に使い、冷蔵庫や洗濯機のような生活家電、テレビ、車載製品の部品設計に順次適用すると述べた。開発期間や量産時の不良率がどれだけ変わったかは原文にない。" }, "zh": { "usecase": "预测零部件设计质量", "problem": "LG电子在产品开发过程中，会在制作样机之前预测质量。这项验证在开发期间要反复进行多次。过去每做一次预测大约需要3到8小时。", "implementation": "LG电子开发的技术只需输入3D图纸信息。不再需要为减少误差而把图纸坐标按基准精确对齐的单独步骤。同时还应用了压缩并轻量化输入数据的技术，让AI更快学习细节信息。无需另行仿真，3分钟以内即可得到预测结果。结果以接近实际产品的3D形式呈现，开发者可以直观地审阅。公司计划推出基于网页的服务平台Eng.AI，方便开发者在工作中使用。", "outcome": "LG电子表示，与原有方式相比，成品质量预测时间最多缩短了99%。与基于类似深度学习算法的AI相比，公司称分析所需的训练时间减少95%以上，内存占用降至约十分之一，准确率则提高15%以上。", "limitation": "LG电子表示，将先把该技术用于强化自身制造能力，再逐步应用到冰箱、洗衣机等生活家电、电视以及车载产品的零部件设计。开发周期或量产不良率变化了多少，原文没有提及。" } } }, { "industry": "전문서비스", "subindustry": "법률", "company": "A&O Shearman", "country": "영국", "stage": "도입 발표", "usecase": "복잡한 법무 업무 지원", "implementation": "A&O Shearman은 Harvey와 함께 여러 단계를 추론하는 AI agent 묶음을 내놓기로 했다. 이 agent들은 로펌 주요 분야의 전문지식을 담고, 사건별 문서와 정리된 데이터를 대상으로 조사와 다단계 추론을 한다. 복잡한 문제를 실행 가능한 계획으로 쪼갠 뒤 중간 산출물을 모아 하나의 결과물로 합치며, 과정은 투명하게 보이고 감독을 받는다. 처음 대상은 경쟁법 신고 분석, 사이버보안, 펀드 설립, 대출 검토 네 가지다. 사내에서 쓰는 동시에 대기업과 다른 로펌, 금융 회사에 구독이나 사용량 과금으로 판다.", "outcome": "A&O Shearman은 이 agent들이 다국적 로펌 안에서 나온 첫 구체적 agentic AI 사례라고 밝혔다. 회사 AI 총괄은 예전에 몇 시간씩 걸리던 일을 이 agent가 몇 분 만에 한다고 말했다. 로펌은 소프트웨어 매출을 나눠 갖는다고 밝혔다. 회사는 앞서 전사 생성형 AI 도입과 ContractMatrix 개발 경험이 있다고 설명했다.", "limitation": "이 자료는 앞으로 내놓겠다는 발표여서 전사 도입률이나 정확도 변화를 보여주는 수치가 없다. 몇 분과 몇 시간이라는 비교도 회사 관계자의 설명이다.", "id": "AX022", "scope": "본조사", "sourceIds": [ "S021" ], "evidenceAccess": "검색 도구의 본문 발췌 확인", "dateLabel": "2025-04-06", "dateBasis": "자료 발표 시점. 도입 시작일과 다를 수 있음", "evidenceYears": [ "2025" ], "problem": "법무 업무 가운데는 여러 단계를 거쳐야 하고 자료를 깊이 파고들어야 하는 일이 있다. 경쟁법 신고 분석이나 대출 검토가 그런 일이다. 담당 변호사들은 이런 작업에 몇 시간씩 매달려 왔다.", "eventDate": "2025-04-06", "eventBasis": "공개", "translations": { "en": { "usecase": "Supporting complex legal work", "problem": "Some legal work has to go through many steps and requires digging deep into material. Analysing competition filings and reviewing loans are that kind of work. The lawyers responsible have had to spend hours at a time on such tasks.", "implementation": "A&O Shearman decided to release, together with Harvey, a set of AI agents that reason across several steps. These agents hold expertise from the firm's main practice areas and carry out research and multi-step reasoning over matter documents and structured data. They break a complex problem into an executable plan, then gather the intermediate outputs into a single deliverable, and the process stays visible and supervised. The first four targets are competition filing analysis, cybersecurity, fund formation and loan review. The firm uses the agents internally and at the same time sells them to large companies, other law firms and financial companies on a subscription or usage basis.", "outcome": "A&O Shearman said these agents are the first concrete agentic AI case to come out of a multinational law firm. The firm's head of AI said the agents do in minutes what used to take hours. The firm said it shares in the software revenue. The company explained that it already had experience with firm-wide generative AI adoption and with developing ContractMatrix.", "limitation": "This source is an announcement of something still to come, so it carries no figures on firm-wide adoption rate or accuracy change. The comparison between minutes and hours is also an explanation from a company representative." }, "jp": { "usecase": "複雑な法務業務の支援", "problem": "法務業務のなかには、いくつもの段階を経る必要があり、資料を深く掘り下げなければならない仕事がある。競争法の届出分析や融資のレビューがそれにあたる。担当の弁護士はこうした作業に何時間もかけてきた。", "implementation": "A&O ShearmanはHarveyとともに、複数の段階を推論するAI agentの一群を出すことにした。これらのagentは法律事務所の主要分野の専門知識を備え、案件ごとの文書と整理されたデータを対象に調査と多段階の推論を行う。複雑な問題を実行可能な計画に分けたうえで、中間の成果物をまとめて一つの結果に統合し、その過程は透明に見え、監督を受ける。最初の対象は競争法の届出分析、サイバーセキュリティ、ファンド設立、融資レビューの四つである。社内で使うと同時に、大企業や他の法律事務所、金融会社にサブスクリプションまたは従量課金で販売する。", "outcome": "A&O Shearmanは、これらのagentが多国籍の法律事務所から出た最初の具体的なagentic AIの事例だと述べた。同社のAI統括は、以前は何時間もかかっていた作業をこのagentが数分で行うと語った。事務所はソフトウェアの売上を分け合うと明らかにした。同社は、これに先立って全社での生成AI導入とContractMatrixの開発の経験があると説明した。", "limitation": "この資料はこれから出すという発表であり、全社の導入率や精度の変化を示す数値はない。数分と数時間という比較も会社関係者の説明である。" }, "zh": { "usecase": "支持复杂的法务工作", "problem": "法务工作中有一些任务需要经过多个步骤，并且要深入查阅资料，比如竞争法申报分析和贷款审查。负责的律师一直要在这类工作上耗费数小时。", "implementation": "A&O Shearman决定与Harvey一起推出一组能进行多步推理的AI agent。这些agent承载律所主要业务领域的专业知识，针对各案件的文档和结构化数据开展调研与多步推理。它们把复杂问题拆解成可执行的计划，再把中间产出汇总为一份成果，整个过程保持透明并接受监督。首批面向四个领域：竞争法申报分析、网络安全、基金设立和贷款审查。律所在内部使用的同时，也以订阅或按用量计费的方式销售给大型企业、其他律所和金融公司。", "outcome": "A&O Shearman表示，这些agent是跨国律所推出的首个具体的agentic AI案例。该所AI负责人说，过去需要数小时的工作，这些agent几分钟就能完成。律所表示会分享软件收入。公司说明，此前已有全所引入生成式AI以及开发ContractMatrix的经验。", "limitation": "这份资料是对未来产品的发布公告，没有全所采用率或准确率变化的数字。几分钟与数小时的对比也是公司相关人士的说法。" } } }, { "industry": "금융", "subindustry": "은행", "company": "Bank of America", "country": "미국", "stage": "운영", "usecase": "직원 IT와 인사 문의 처리", "implementation": "2020년 Bank of America는 직원용 AI 가상비서 Erica for Employees를 내놨다. 2018년 모바일 앱에 넣은 고객용 Erica의 기술을 사내로 돌린 것이다. 팬데믹 기간에 기술 지원을 찾던 직원들이 빠르게 받아들였다. 2023년에는 건강보험 혜택 확인 위치, 급여와 세금 서식 찾기 같은 주제로 답변 범위를 넓혔다. 회사는 AI 운영 방식에 사람의 감독, 투명성, 모든 결과에 대한 책임을 넣는다고 밝혔다. 올해는 검색과 지원 범위를 더 넓히면서 AI와 생성형 AI를 함께 쓸 계획이라고 했다.", "outcome": "Bank of America는 현재 직원의 90% 이상이 Erica for Employees를 쓴다고 밝혔다. 같은 발표에서 IT 지원센터로 오는 전화가 50% 이상 줄었다고 했다. Aditya Bhasin 최고기술정보책임자는 AI가 직원 효율과 운영 수준에 변화를 주고 있다고 말했다. 회사는 전 세계 규모의 AI 활용이 직원 생산성과 고객 서비스를 함께 높인다고 설명했다.", "limitation": "원문은 문의 유형별 자동 처리 비율이나 남은 상담 건수를 밝히지 않았다. Erica for Employees에 생성형 AI를 쓰는 것은 올해 계획으로만 적혀 있다.", "id": "AX008", "scope": "본조사", "sourceIds": [ "S008" ], "evidenceAccess": "원문 본문 열람", "dateLabel": "2025-04-08", "dateBasis": "자료 발표 시점. 도입 시작일과 다를 수 있음", "evidenceYears": [ "2025" ], "problem": "Bank of America는 직원 213,000명을 둔다. 직원들은 모바일 기기 비밀번호 재설정과 기기 활성화 같은 기술 지원을 자주 찾았고, 그 문의는 IT 지원센터 전화로 몰렸다. 건강보험 혜택이나 급여와 세금 서식이 어디 있는지 묻는 일도 많았다.", "eventDate": "2025-04-08", "eventBasis": "공개", "translations": { "en": { "usecase": "Handling employee IT and HR questions", "problem": "Bank of America has 213,000 employees. They often needed technical support such as resetting a mobile device password or activating a device, and those questions piled up on the IT support centre phone line. Many also asked where to find health benefits information or payroll and tax forms.", "implementation": "In 2020 Bank of America released Erica for Employees, an AI virtual assistant for staff. It turned the technology behind the customer-facing Erica, added to the mobile app in 2018, back towards internal use. Employees looking for technical support during the pandemic took it up quickly. In 2023 the bank widened the range of answers to subjects such as where to check health benefits and how to find payroll and tax forms. The company said its way of running AI includes human oversight, transparency and accountability for every outcome. It said that this year it plans to widen the search and support range further while using AI and generative AI together.", "outcome": "Bank of America said more than 90 percent of employees now use Erica for Employees. In the same announcement it said calls to the IT support centre fell by more than 50 percent. Chief Technology and Information Officer Aditya Bhasin said AI is changing employee efficiency and the level of operations. The company explained that using AI at global scale raises both employee productivity and customer service.", "limitation": "The source does not give the share of questions handled automatically by type, or how many enquiries are left for human agents. Using generative AI in Erica for Employees is written up only as a plan for this year." }, "jp": { "usecase": "従業員のITと人事の問い合わせ対応", "problem": "Bank of Americaは従業員213,000人を抱える。従業員はモバイル機器のパスワード再設定や機器の有効化といった技術支援をよく求め、その問い合わせがITサポートセンターの電話に集中していた。健康保険の給付や給与と税の書式がどこにあるかを尋ねることも多かった。", "implementation": "2020年、Bank of Americaは従業員向けのAI仮想アシスタントErica for Employeesを出した。2018年にモバイルアプリへ入れた顧客向けEricaの技術を社内に向け直したものである。パンデミックの期間に技術支援を求めていた従業員が急速に受け入れた。2023年には、健康保険の給付を確認する場所、給与と税の書式の探し方といった話題へ回答の範囲を広げた。同社は、AIの運用に人の監督、透明性、すべての結果に対する責任を組み込んでいると述べた。今年は検索と支援の範囲をさらに広げながら、AIと生成AIを併せて使う計画だとした。", "outcome": "Bank of Americaは、現在は従業員の90%以上がErica for Employeesを使っていると明らかにした。同じ発表で、ITサポートセンターへの電話が50%以上減ったと述べた。最高技術情報責任者のAditya Bhasinは、AIが従業員の効率と運用の水準に変化をもたらしていると語った。同社は、世界規模でのAI活用が従業員の生産性と顧客サービスをともに高めると説明した。", "limitation": "原文は、問い合わせの種類ごとの自動処理の割合や、残る相談件数を示していない。Erica for Employeesに生成AIを使うことは、今年の計画としてのみ書かれている。" }, "zh": { "usecase": "处理员工的IT与人事咨询", "problem": "Bank of America拥有213,000名员工。员工经常需要重置移动设备密码、激活设备之类的技术支持，这些咨询都集中到IT支持中心的电话上。询问在哪里查看医保福利、在哪里找工资和税务表单的人也很多。", "implementation": "2020年，Bank of America推出了面向员工的AI虚拟助手Erica for Employees。它把2018年加入手机应用、面向客户的Erica的技术转向了内部使用。疫情期间需要技术支持的员工很快就接受了它。2023年，银行把回答范围扩大到查看医保福利的位置、查找工资和税务表单等主题。公司表示，其AI运作方式包含人工监督、透明度以及对所有结果负责。公司还称，今年计划在进一步扩大检索与支持范围的同时，把AI与生成式AI结合使用。", "outcome": "Bank of America表示，目前超过90%的员工在使用Erica for Employees。在同一份发布中，公司称打给IT支持中心的电话减少了50%以上。首席技术与信息官Aditya Bhasin表示，AI正在改变员工效率和运营水平。公司说明，全球规模地使用AI同时提升了员工生产率和客户服务。", "limitation": "原文没有给出各类咨询的自动处理比例，也没有说明还剩多少人工受理量。在Erica for Employees中使用生成式AI只是被写作今年的计划。" } } }, { "industry": "금융", "subindustry": "은행", "company": "Bank of America", "country": "미국", "stage": "운영", "usecase": "개발자 코딩 지원", "implementation": "개발자는 생성형 AI 기반 도구로 코드 작성과 최적화를 지원받는다. 회사는 이 도구를 사내에 진행 중인 AI 적용 묶음 안에 넣어 소개했다. 같은 묶음에는 기업고객 미팅 자료 초안을 자동으로 만드는 기능, 콜센터 상담원에게 안내를 띄우는 데스크톱 도구, Global Markets 영업과 트레이딩 팀이 쓰는 사내 개발 생성형 AI 리서치 요약 플랫폼이 함께 들어 있다. 회사는 AI 운영 방식에 사람의 감독, 투명성, 모든 결과에 대한 책임을 넣는다고 밝혔다.", "outcome": "Bank of America는 개발자들이 이 도구로 20%가 넘는 효율 향상을 경험했다고 밝혔다. Aditya Bhasin 최고기술정보책임자는 AI가 직원 효율과 운영 수준에 변화를 주고 있다고 말했다. 회사는 전 세계 규모의 AI 활용이 직원 생산성과 고객 서비스를 함께 높이고 사업 성장을 이끈다고 설명했다.", "limitation": "원문은 효율 향상을 어떻게 쟀는지, 표본이 얼마인지 밝히지 않았다. 도구의 기반 모델 이름과 연결한 코드 자산도 공개하지 않았다.", "id": "AX009", "scope": "본조사", "sourceIds": [ "S008" ], "evidenceAccess": "원문 본문 열람", "dateLabel": "2025-04-08", "dateBasis": "자료 발표 시점. 도입 시작일과 다를 수 있음", "evidenceYears": [ "2025" ], "problem": "Bank of America 소프트웨어 개발자는 코드를 쓰고 다듬는 일에 시간을 들인다. 회사는 오랜 기간 AI와 머신러닝을 글로벌 기술, 운영, 교육 등 사업 전반에 심어 왔다고 밝혔다. 코딩 지원은 직원 생산성과 고객 서비스를 함께 높이려고 추가로 배치한 AI 적용 사례 가운데 하나다.", "eventDate": "2025-04-08", "eventBasis": "공개", "translations": { "en": { "usecase": "Assisting developers with coding", "problem": "Software developers at Bank of America spend time writing and refining code. The company said it has long embedded AI and machine learning across its business, including global technology, operations and training. Coding assistance is one of the additional AI applications it deployed to raise employee productivity and customer service together.", "implementation": "Developers get help writing and optimising code from a generative AI based tool. The company introduced this tool inside the set of AI applications it has under way internally. The same set includes a feature that automatically drafts material for corporate client meetings, a desktop tool that surfaces guidance for call centre agents, and an internally built generative AI research summary platform used by the Global Markets sales and trading teams. The company said its way of running AI includes human oversight, transparency and accountability for every outcome.", "outcome": "Bank of America said developers experienced efficiency gains of more than 20 percent with this tool. Chief Technology and Information Officer Aditya Bhasin said AI is changing employee efficiency and the level of operations. The company explained that using AI at global scale raises employee productivity and customer service together and drives business growth.", "limitation": "The source does not say how the efficiency gain was measured or how large the sample was. It also does not disclose the name of the underlying model or which code assets the tool was connected to." }, "jp": { "usecase": "開発者のコーディング支援", "problem": "Bank of Americaのソフトウェア開発者は、コードを書き、整える作業に時間をかけている。同社は長い期間にわたり、AIと機械学習をグローバル技術、運用、教育など事業全般に組み込んできたと述べた。コーディング支援は、従業員の生産性と顧客サービスをともに高めるために追加で配置したAI適用事例の一つである。", "implementation": "開発者は生成AIを基にした道具で、コードの作成と最適化の支援を受ける。同社はこの道具を、社内で進めているAI適用の一群の中に入れて紹介した。同じ一群には、企業顧客との会議資料の草案を自動で作る機能、コールセンターの担当者に案内を表示するデスクトップの道具、Global Marketsの営業とトレーディングのチームが使う社内開発の生成AIリサーチ要約プラットフォームが含まれる。同社は、AIの運用に人の監督、透明性、すべての結果に対する責任を組み込んでいると述べた。", "outcome": "Bank of Americaは、開発者がこの道具で20%を超える効率の向上を経験したと明らかにした。最高技術情報責任者のAditya Bhasinは、AIが従業員の効率と運用の水準に変化をもたらしていると語った。同社は、世界規模でのAI活用が従業員の生産性と顧客サービスをともに高め、事業の成長を導くと説明した。", "limitation": "原文は、効率の向上をどう測ったのか、標本がどれだけかを示していない。道具の基盤モデルの名称や、つないだコード資産も公開していない。" }, "zh": { "usecase": "为开发者提供编码辅助", "problem": "Bank of America的软件开发者要花时间编写和打磨代码。公司表示，长期以来一直把AI和机器学习嵌入全球技术、运营、培训等各项业务。编码辅助是为同时提升员工生产率和客户服务而额外部署的AI应用之一。", "implementation": "开发者通过基于生成式AI的工具获得代码编写与优化的支持。公司把这一工具放在内部正在推进的一组AI应用中一并介绍。同一组还包括自动起草面向企业客户会议材料的功能、向呼叫中心座席推送指引的桌面工具，以及Global Markets销售与交易团队使用的自研生成式AI研报摘要平台。公司表示，其AI运作方式包含人工监督、透明度以及对所有结果负责。", "outcome": "Bank of America表示，开发者使用这一工具获得了超过20%的效率提升。首席技术与信息官Aditya Bhasin表示，AI正在改变员工效率和运营水平。公司说明，全球规模地使用AI同时提升员工生产率和客户服务，并带动业务增长。", "limitation": "原文没有说明效率提升是如何测量的，样本量有多大，也未公开该工具所用基础模型的名称以及接入的代码资产。" } } }, { "industry": "전문서비스", "subindustry": "회계감사", "company": "EY", "country": "영국", "stage": "운영", "usecase": "회계감사 지식 검색", "implementation": "EYQ Assurance Knowledge를 EY Assurance 기술 플랫폼의 업무 흐름 안에 바로 넣었다. 이 기능은 생성형 AI로 회계와 감사 자료를 상세 검색하고 요약한다. 검색은 국가, 산업, 복잡도 같은 감사 맥락을 반영한다. 사용자가 검증된 전문 자료와 참고 문헌 원본에 그대로 접근하게 해서 근거를 직접 확인하도록 했다. 같은 플랫폼에 공시 체크리스트 답변을 추천하는 EY Intelligent Checklists with AI와 정확성 점검을 돕는 EY Financial Statement Tie Out을 함께 넣었다. EY는 이 기능들을 자사 Responsible AI 원칙 아홉 가지와 EY AI Assurance Framework에 맞춰 만들었다고 밝혔다.", "outcome": "EY는 감사 전문인력 14만 명이 생성형 AI를 쓰게 된다고 밝혔다. 2025년에만 30개가 넘는 신규 기능과 개선 기능을 내놓는다고 설명했다. 프로그램을 시작한 뒤 내놓은 기능과 개선은 100개가 넘는다고 밝혔다. 회사는 이 발표를 US$1b 규모 감사 기술 투자 프로그램의 최신 단계로 설명했다.", "limitation": "공개된 값은 제공 대상 인원과 기능 수다. 실제 사용률, 검색 정확도, 감사 소요 시간 변화는 이 자료에 없다.", "id": "AX062", "scope": "본조사", "sourceIds": [ "S056" ], "evidenceAccess": "원문 본문 열람", "dateLabel": "2025-04-09", "dateBasis": "자료 발표 시점. 도입 시작일과 다를 수 있음", "evidenceYears": [ "2025" ], "problem": "EY는 전 세계에서 16만 건이 넘는 감사 업무를 수행한다. 감사인은 회계와 감사 자료를 찾아 읽고, 공시 체크리스트 항목에 답을 채우고, 재무제표 수치가 맞는지 대조하는 일을 한다. 이 보도자료는 그 업무를 AI로 지원하겠다고 밝힐 뿐 도입 전 절차가 어땠는지는 설명하지 않는다.", "eventDate": "2025-04-09", "eventBasis": "공개", "translations": { "en": { "usecase": "Searching audit knowledge", "problem": "EY carries out more than 160,000 audit engagements worldwide. Auditors find and read accounting and auditing material, fill in answers on disclosure checklists, and cross-check that the figures in financial statements agree. This press release only states that the work will be supported with AI and does not describe what the process looked like before.", "implementation": "EYQ Assurance Knowledge was placed directly inside the workflow of the EY Assurance technology platform. The feature uses generative AI to search accounting and auditing material in detail and summarise it. The search reflects audit context such as country, industry and complexity. Users are given direct access to the validated professional material and the original reference documents so they can check the basis themselves. On the same platform EY placed EY Intelligent Checklists with AI, which suggests answers for disclosure checklists, and EY Financial Statement Tie Out, which helps with accuracy checking. EY said it built these features in line with its nine Responsible AI principles and the EY AI Assurance Framework.", "outcome": "EY said 140,000 assurance professionals will be able to use generative AI. It said it will release more than 30 new and improved features in 2025 alone. It said more than 100 features and improvements have been released since the programme began. The company described this announcement as the latest stage of a US$1b audit technology investment programme.", "limitation": "The figures disclosed are the number of people covered and the number of features. The actual usage rate, search accuracy and change in audit hours are not in this source." }, "jp": { "usecase": "会計監査の知識検索", "problem": "EYは世界で16万件を超える監査業務を行っている。監査人は会計と監査の資料を探して読み、開示チェックリストの項目に答えを埋め、財務諸表の数値が合っているかを照合する。このプレスリリースは、その業務をAIで支援すると述べるだけで、導入前の手順がどうだったかは説明していない。", "implementation": "EYQ Assurance KnowledgeをEY Assurance技術プラットフォームの業務の流れの中に直接入れた。この機能は生成AIで会計と監査の資料を詳細に検索し、要約する。検索は国、業界、複雑さといった監査の文脈を反映する。利用者が検証済みの専門資料と参考文献の原本にそのままアクセスできるようにし、根拠を自分で確認できるようにした。同じプラットフォームに、開示チェックリストの回答を提案するEY Intelligent Checklists with AIと、正確性の点検を助けるEY Financial Statement Tie Outも併せて入れた。EYは、これらの機能を自社のResponsible AI原則9項目とEY AI Assurance Frameworkに合わせて作ったと述べた。", "outcome": "EYは、監査の専門人材14万人が生成AIを使えるようになると明らかにした。2025年だけで30を超える新機能と改善機能を出すと説明した。プログラムを始めてから出した機能と改善は100を超えると述べた。同社はこの発表を、US$1b規模の監査技術投資プログラムの最新の段階だと説明した。", "limitation": "公開された値は提供対象の人数と機能の数である。実際の利用率、検索の精度、監査にかかる時間の変化はこの資料にない。" }, "zh": { "usecase": "检索会计审计知识", "problem": "EY在全球执行超过16万项审计业务。审计人员需要查找并阅读会计与审计资料、填写披露检查清单的答案、核对财务报表数字是否一致。这份新闻稿只是表示将用AI支持这些工作，并未说明引入之前的流程是怎样的。", "implementation": "EYQ Assurance Knowledge被直接嵌入EY Assurance技术平台的工作流中。该功能用生成式AI对会计与审计资料进行细致检索并生成摘要。检索会体现国家、行业、复杂度等审计场景因素。系统让用户可以直接访问经过验证的专业资料和参考文献原文，以便自行核对依据。同一平台还加入了推荐披露检查清单答案的EY Intelligent Checklists with AI，以及协助准确性核对的EY Financial Statement Tie Out。EY表示，这些功能是按照自身的九项Responsible AI原则和EY AI Assurance Framework构建的。", "outcome": "EY表示，将有14万名审计专业人员可以使用生成式AI。公司称仅2025年就会推出30多项新功能和改进功能。自项目启动以来推出的功能和改进已超过100项。公司把这次发布描述为US$1b规模审计技术投资计划的最新阶段。", "limitation": "公开的数字是覆盖人数和功能数量。实际使用率、检索准确度以及审计耗时的变化，这份资料中没有。" } } }, { "industry": "배달과 이동", "subindustry": "차량 호출과 배달", "company": "Uber", "country": "미국", "stage": "운영", "usecase": "거래처 청구서 입력과 검수", "implementation": "Uber는 seq2seq, Meta Llama 2, Google Flan T5 같은 여러 LLM을 미세조정하고 비교했다. 최종으로는 정확도와 적응력이 나았던 OpenAI GPT-4 계열을 골랐다. 문서 이미지에서 글자를 뽑는 일은 사내 Vision Gateway CV 플랫폼이 맡는다. 전체 처리는 사내 공통 문서 처리 플랫폼 TextSense 위에서 돌고, 여러 갈래로 갈라지는 작업 흐름은 Uber의 Cadence 워크플로 플랫폼이 관리한다. 사람이 확인하는 단계도 남겼다. 담당자가 PDF 원본과 모델이 뽑은 값을 나란히 놓고 비교하는 화면을 따로 만들었다. 확인이 끝난 값은 이어지는 처리와 지급을 위해 고객 시스템으로 넘어간다.", "outcome": "Uber는 청구서 처리의 평균 처리 시간이 70% 줄었다고 밝혔다. 수작업과 견주면 비용은 25-30% 아꼈다고 설명했다. 사람이 손대는 청구서 처리는 2x 줄었다고 했다. 전체 정확도는 90%다. 제출된 청구서의 35%는 99.5%에 가까운 정확도를 얻었고 65%는 80%가 넘는 정확도를 얻었다.", "limitation": "90%는 전체 평균 정확도이며 모든 청구서가 사람 확인 없이 끝나는 것은 아니다. Uber는 과거 100% 정확도를 만족한 경우에 한해 완전 자동 처리를 하겠다고 밝혔다.", "localId": "0885", "id": "AX086", "scope": "본조사", "sourceIds": [ "S080" ], "evidenceAccess": "원문 본문 열람", "dateLabel": "2025-04-17", "dateBasis": "자료 발표 시점. 도입 시작일과 다를 수 있음", "evidenceYears": [ "2025" ], "problem": "Uber는 전 세계에 공급업체 네트워크가 넓어 매일 많은 청구서를 처리해야 한다. 자동화를 거쳐도 상당수 청구서는 사람이 직접 다뤄야 했다. 사람 손이 들어가면 오류 위험이 커지고 재무 불일치와 대사 문제로 이어진다. 담당자가 청구서 한 건을 처리하는 평균 처리 시간이 길어 지연도 컸다.", "eventDate": "2025-04-17", "eventBasis": "공개", "translations": { "en": { "usecase": "Entering and checking supplier invoices", "problem": "Uber has a wide supplier network worldwide and has to process a large number of invoices every day. Even after automation, a considerable share of invoices still had to be handled by people. Human handling raises the risk of error and leads to financial discrepancies and reconciliation problems. The average handling time for one invoice was long, so delays were large too.", "implementation": "Uber fine-tuned and compared several LLMs including seq2seq, Meta Llama 2 and Google Flan T5. In the end it chose the OpenAI GPT-4 family, which was better on accuracy and adaptability. Extracting text from document images is handled by the in-house Vision Gateway CV platform. The whole process runs on TextSense, the in-house shared document processing platform, and the workflow, which branches in several directions, is managed by Uber's Cadence workflow platform. A human check was kept in place. A separate screen was built where a reviewer puts the original PDF and the values the model extracted side by side and compares them. Once confirmed, the values pass to customer systems for further processing and payment.", "outcome": "Uber said the average handling time for invoice processing fell by 70 percent. Compared with manual work it said costs were cut by 25-30 percent. It said invoice processing that people touch fell by 2x. Overall accuracy is 90 percent. Of the invoices submitted, 35 percent reached accuracy close to 99.5 percent and 65 percent reached accuracy above 80 percent.", "limitation": "The 90 percent is an overall average accuracy, and not every invoice is finished without a human check. Uber said it will move to fully automatic processing only for cases that have met 100 percent accuracy in the past." }, "jp": { "usecase": "取引先請求書の入力と検収", "problem": "Uberは世界に供給業者のネットワークが広く、毎日多くの請求書を処理しなければならない。自動化を経ても、相当数の請求書は人が直接扱う必要があった。人の手が入ると誤りの危険が大きくなり、財務の不一致や照合の問題につながる。担当者が請求書一件を処理する平均処理時間が長く、遅れも大きかった。", "implementation": "Uberはseq2seq、Meta Llama 2、Google Flan T5といった複数のLLMを微調整して比較した。最終的には、精度と適応力が優れていたOpenAI GPT-4系を選んだ。文書画像から文字を取り出す作業は社内のVision Gateway CVプラットフォームが担う。全体の処理は社内共通の文書処理プラットフォームTextSenseの上で動き、いくつもに枝分かれする作業の流れはUberのCadenceワークフロープラットフォームが管理する。人が確認する段階も残した。担当者がPDFの原本とモデルが取り出した値を並べて比べる画面を別に作った。確認が終わった値は、続く処理と支払のために顧客システムへ渡る。", "outcome": "Uberは、請求書処理の平均処理時間が70%減ったと明らかにした。手作業と比べると費用は25-30%節約したと説明した。人が手を入れる請求書処理は2x減ったとした。全体の精度は90%である。提出された請求書の35%は99.5%に近い精度を得て、65%は80%を超える精度を得た。", "limitation": "90%は全体の平均精度であり、すべての請求書が人の確認なしに終わるわけではない。Uberは、過去に100%の精度を満たした場合に限って完全自動処理を行うと述べた。" }, "zh": { "usecase": "供应商发票录入与核验", "problem": "Uber在全球的供应商网络很广，每天要处理大量发票。即便经过自动化，仍有相当一部分发票需要人工处理。人工介入会增加出错风险，进而带来财务不一致和对账问题。经办人处理一张发票的平均耗时较长，延误也较严重。", "implementation": "Uber对seq2seq、Meta Llama 2、Google Flan T5等多个LLM做了微调并进行比较。最终选择了在准确度和适应性上表现更好的OpenAI GPT-4系列。从文档图像中提取文字由内部的Vision Gateway CV平台负责。整体处理运行在内部通用文档处理平台TextSense之上，多分支的作业流程则由Uber的Cadence工作流平台管理。人工确认环节也保留了下来。公司另外做了一个界面，让经办人把PDF原件与模型提取的数值并排比对。确认完成的数值会传给客户系统，用于后续处理和付款。", "outcome": "Uber表示，发票处理的平均耗时减少了70%。与人工相比，成本节省了25-30%。需要人工介入的发票处理减少到原来的1/2（2x）。整体准确率为90%。在提交的发票中，35%达到接近99.5%的准确率，65%达到80%以上的准确率。", "limitation": "90%是整体平均准确率，并非所有发票都能不经人工确认就完成。Uber表示，只对过去达到过100%准确率的情形实行完全自动处理。" } } }, { "industry": "교육", "subindustry": "언어교육 서비스", "company": "Duolingo", "country": "미국", "stage": "운영", "usecase": "교육 콘텐츠 제작", "implementation": "사내에서 shared content라고 부르는 방식을 만들었다. 품질이 확보된 기본 과정 하나를 만든 뒤 여러 언어로 빠르게 맞춤 변형한다. 생성형 AI로 내용을 만들고 검증하는 단계를 여기에 붙였다. 사내 제작 도구도 함께 고쳤다. Duolingo의 Jessie Becker는 생성형 AI로 콘텐츠를 만들고 검증하게 되면서 사람의 전문성을 효과가 가장 큰 곳에 쓸 수 있게 됐다고 밝혔다.", "outcome": "새 언어 과정 148개를 한 번에 내놨다. Duolingo는 처음 100개 과정에 12년쯤 걸렸지만 이번에는 1년쯤 만에 150개에 가까운 과정을 만들어 내놨다고 밝혔다. 이로써 스페인어, 프랑스어, 독일어, 이탈리아어, 일본어, 한국어, 중국어 일곱 개 언어를 인터페이스 언어 28개 전부에서 배울 수 있게 됐다. 새 과정에는 읽기용 Stories와 듣기용 DuoRadio 같은 기능이 들어간다.", "limitation": "공개된 값은 과정 수와 제작 기간이다. 학습 효과나 완주율이 같은 비율로 좋아졌는지는 이 자료에 없다.", "id": "AX065", "scope": "본조사", "sourceIds": [ "S060" ], "evidenceAccess": "원문 본문 열람", "dateLabel": "2025-04-30", "dateBasis": "자료 발표 시점. 도입 시작일과 다를 수 있음", "evidenceYears": [ "2025" ], "problem": "Duolingo는 언어 과정 하나를 만들 때마다 사람이 내용을 처음부터 짰다. 그래서 처음 100개 과정을 만드는 데 12년쯤 걸렸다. 인기 있는 비영어 언어를 배우고 싶어도 자기 인터페이스 언어로 된 과정이 없는 학습자가 많았다.", "eventDate": "2025-04-30", "eventBasis": "공개", "translations": { "en": { "usecase": "Producing learning content", "problem": "Duolingo used to have people write the content of every language course from scratch. Building the first 100 courses therefore took about 12 years. Many learners who wanted to study a popular non-English language had no course available in their own interface language.", "implementation": "The company created an approach it calls shared content internally. It builds one base course whose quality is assured, then adapts it quickly into many languages. Steps that generate and validate content with generative AI were added on top of this. Internal authoring tools were reworked at the same time. Jessie Becker of Duolingo said that being able to create and validate content with generative AI let the company put human expertise where it has the greatest effect.", "outcome": "Duolingo released 148 new language courses at once. The company said the first 100 courses took about 12 years, while this time it built and shipped close to 150 courses in about one year. As a result seven languages, Spanish, French, German, Italian, Japanese, Korean and Chinese, can now be learned from all 28 interface languages. The new courses include features such as Stories for reading and DuoRadio for listening.", "limitation": "The figures disclosed are the number of courses and the build time. Whether learning outcomes or completion rates improved at the same rate is not in this source." }, "jp": { "usecase": "教育コンテンツの制作", "problem": "Duolingoは、言語コースを一つ作るたびに人が内容を一から組み立てていた。そのため最初の100コースを作るのに12年ほどかかった。人気のある英語以外の言語を学びたくても、自分のインターフェース言語のコースがない学習者が多かった。", "implementation": "社内でshared contentと呼ぶ方式を作った。品質を確保した基本のコースを一つ作ったうえで、複数の言語へ素早く合わせて変形する。生成AIで内容を作り検証する段階をここに付け足した。社内の制作ツールも併せて直した。DuolingoのJessie Beckerは、生成AIでコンテンツを作り検証できるようになったことで、人の専門性を最も効果の大きいところに使えるようになったと述べた。", "outcome": "新しい言語コース148本を一度に出した。Duolingoは、最初の100コースには12年ほどかかったが、今回は1年ほどで150に近いコースを作って出したと明らかにした。これにより、スペイン語、フランス語、ドイツ語、イタリア語、日本語、韓国語、中国語の7言語を、28あるインターフェース言語すべてから学べるようになった。新しいコースには、読解用のStoriesや聴解用のDuoRadioといった機能が入る。", "limitation": "公開された値はコース数と制作期間である。学習効果や修了率が同じ比率で良くなったかどうかは、この資料にはない。" }, "zh": { "usecase": "制作教学内容", "problem": "Duolingo过去每做一门语言课程，都要由人从零编写内容。因此最初的100门课程花了大约12年。很多学习者想学英语以外的热门语言，却找不到用自己界面语言开设的课程。", "implementation": "公司建立了内部称为shared content的做法。先做出一门质量有保障的基础课程，再快速改编成多种语言。在此之上又加入了用生成式AI生成并校验内容的环节，同时改造了内部制作工具。Duolingo的Jessie Becker表示，能够用生成式AI创建并校验内容之后，公司得以把人的专业能力用在效果最大的地方。", "outcome": "公司一次性推出了148门新语言课程。Duolingo表示，最初100门课程花了约12年，而这次在大约一年内就做出并上线了接近150门课程。由此，西班牙语、法语、德语、意大利语、日语、韩语、汉语这七种语言，可以从全部28种界面语言进入学习。新课程包含用于阅读的Stories和用于听力的DuoRadio等功能。", "limitation": "公开的数字是课程数量和制作周期。学习效果或完课率是否以同样比例改善，这份资料中没有。" } } }, { "industry": "금융", "subindustry": "은행", "company": "BBVA", "country": "스페인", "stage": "운영", "usecase": "직원용 AI 배포와 교육", "implementation": "BBVA는 1년 만에 계약을 11,000개 라이선스로 늘렸다. 라이선스만 뿌린 것이 아니다. 데이터 보안과 기밀 유지 기준에 맞게 쓰도록 교육을 함께 제공한다. 정기 모임과 온라인 포럼을 갖춘 실무 공동체를 만들어 다른 부서가 쓸 만한 도우미와 도구를 공유한다. 사내 라이브러리 GPT Store는 전사에 쓸모 있다고 판단한 도우미 1,000개를 찾아 준다. 2025년 초에는 멕시코에서 첫 사내 해커톤 BBVA Bot Talent를 열었다.", "outcome": "BBVA의 Global AI Adoption 부서 자료 기준으로 ChatGPT로 업무를 자동화한 직원은 주당 평균 2.8시간을 아꼈다고 응답했다. 라이선스 이용자의 83%는 하루에 한 번 이상 쓴다. 번역과 문서 요약부터 코딩 지원, 금융 정보 분석까지 맡는 도우미가 3,000개 넘게 만들어졌다. 해커톤에는 아이디어가 170건 넘게 들어왔고 수상작 세 건은 그룹 전체에 적용하기로 했다.", "limitation": "주당 2.8시간은 직원 자기보고 응답이다. 실측 생산성 증가로 읽을 수 없다. 원문은 절감 시간을 금액으로 환산한 값도 밝히지 않았다.", "id": "AX010", "scope": "본조사", "sourceIds": [ "S009" ], "evidenceAccess": "원문 본문 열람", "dateLabel": "2025-05-12", "dateBasis": "자료 발표 시점. 도입 시작일과 다를 수 있음", "evidenceYears": [ "2025" ], "problem": "BBVA는 2024년 OpenAI와 제휴하고 직원에게 ChatGPT Enterprise 라이선스 3,300개를 나눠 줬다. 생성형 AI가 업무 속도를 높이고 사내 혁신을 자극할 수 있는지 먼저 확인하려는 목적이었다. 반복 업무에 묶인 시간을 전략 업무로 돌리는 것이 과제였다.", "eventDate": "2024-05", "eventBasis": "도입", "translations": { "en": { "usecase": "Rolling out and teaching AI to employees", "problem": "In 2024 BBVA partnered with OpenAI and handed out 3,300 ChatGPT Enterprise licences to employees. The purpose was first to check whether generative AI could speed up work and stimulate internal innovation. The task was to move time locked up in repetitive work towards strategic work.", "implementation": "Within a year BBVA raised the contract to 11,000 licences. It did not simply hand out licences. It provides training so the tool is used in line with data security and confidentiality standards. It set up a community of practice with regular meetings and an online forum where departments share assistants and tools other teams can use. An internal library, the GPT Store, helps people find the 1,000 assistants judged useful across the group. In early 2025 it held its first internal hackathon, BBVA Bot Talent, in Mexico.", "outcome": "According to material from BBVA's Global AI Adoption unit, employees who automated work with ChatGPT reported saving an average of 2.8 hours a week. Of the licence holders, 83 percent use it at least once a day. More than 3,000 assistants have been built, covering everything from translation and document summarising to coding support and financial information analysis. The hackathon drew more than 170 ideas, and three winning entries were selected to be applied across the group.", "limitation": "The 2.8 hours a week is an employee self-report. It cannot be read as a measured productivity gain. The source also does not give a monetary value for the time saved." }, "jp": { "usecase": "従業員向けAIの展開と教育", "problem": "BBVAは2024年にOpenAIと提携し、従業員にChatGPT Enterpriseのライセンス3,300件を配った。生成AIが業務の速度を上げ、社内の革新を促せるかをまず確かめる目的だった。繰り返しの業務に縛られた時間を戦略業務へ回すことが課題だった。", "implementation": "BBVAは1年で契約を11,000ライセンスに増やした。ライセンスを配っただけではない。データ保安と機密保持の基準に沿って使えるよう、教育も併せて提供する。定例の集まりとオンラインのフォーラムを備えた実務コミュニティを作り、他部署が使えるアシスタントや道具を共有する。社内ライブラリのGPT Storeは、全社で役立つと判断したアシスタント1,000件を見つけてくれる。2025年の初めにはメキシコで初の社内ハッカソンBBVA Bot Talentを開いた。", "outcome": "BBVAのGlobal AI Adoption部門の資料によると、ChatGPTで業務を自動化した従業員は週あたり平均2.8時間を節約したと回答した。ライセンス利用者の83%は一日に一回以上使っている。翻訳や文書の要約からコーディング支援、金融情報の分析までを担うアシスタントが3,000件を超えて作られた。ハッカソンにはアイデアが170件を超えて集まり、受賞した3件はグループ全体に適用することにした。", "limitation": "週あたり2.8時間は従業員の自己申告の回答である。実測の生産性の増加としては読めない。原文は、節約した時間を金額に換算した値も示していない。" }, "zh": { "usecase": "面向员工的AI推广与培训", "problem": "BBVA在2024年与OpenAI合作，向员工发放了3,300个ChatGPT Enterprise许可。目的是先确认生成式AI能否提升工作速度、激发内部创新。课题在于把被重复性工作占用的时间转向战略性工作。", "implementation": "BBVA在一年内把合同增加到11,000个许可。公司并非只发许可。它同时提供培训，确保使用符合数据安全和保密标准。公司建立了带有定期会议和线上论坛的实践社区，让各部门共享其他团队可用的助手和工具。内部资料库GPT Store帮助员工找到被判定为全公司有用的1,000个助手。2025年初，公司在墨西哥举办了首届内部黑客松BBVA Bot Talent。", "outcome": "根据BBVA的Global AI Adoption部门资料，用ChatGPT实现工作自动化的员工回答称，平均每周节省2.8小时。持有许可的用户中有83%每天至少使用一次。员工已创建超过3,000个助手，涵盖从翻译、文档摘要到编码支持、金融信息分析等工作。黑客松收到超过170个创意，其中三个获奖项目被确定推广到整个集团。", "limitation": "每周2.8小时是员工自我申报的回答，不能当作实测的生产率增长。原文也没有给出把节省时间折算成金额的数值。" } } }, { "industry": "식품과 음료", "subindustry": "음료", "company": "Coca-Cola", "country": "미국", "stage": "실증", "usecase": "브랜드 광고 제작", "implementation": "회사는 Adobe와 함께 Project Fizzion을 만들었다. Adobe Firefly 생성형 AI를 쓰고 Adobe Creative Cloud 안에 넣었다. 디자이너는 Illustrator, InDesign, Photoshop 등 쓰던 도구에서 그대로 작업한다. Fizzion은 디자이너가 화면을 짜고 서체를 다듬는 과정을 읽어 그 의도를 StyleID라는 기계가 읽을 수 있는 정보로 바꾼다. 학습을 마친 StyleID는 로고와 서체와 이미지에 브랜드 규칙을 형식과 매체와 시장에 맞춰 자동으로 적용한다. 만들 내용을 정하는 판단은 디자이너가 계속 쥔다.", "outcome": "The Coca-Cola Company는 창작팀이 콘텐츠를 최대 10배 빠르게 만들 수 있다고 밝혔다. 품질과 독창성을 깎지 않는 조건이라고 덧붙였다. 회사와 대행사는 현지용 캠페인 변형을 수백 개 만들 수 있고 오류가 줄고 실행이 빨라졌다고 설명했다. 발표 시점에 Fizzion은 아직 시범 단계였다.", "limitation": "시범 단계에서 낸 발표다. 평균 제작비, 매출 변화, 전사 확산 범위는 원문에 없다.", "id": "AX005", "scope": "본조사", "sourceIds": [ "S005" ], "evidenceAccess": "원문 본문 열람", "dateLabel": "2025-05-15", "dateBasis": "자료 발표 시점. 도입 시작일과 다를 수 있음", "evidenceYears": [ "2025" ], "problem": "The Coca-Cola Company는 200개가 넘는 브랜드를 200개가 넘는 나라에서 판다. 나라마다 통하는 광고물을 만들면서 브랜드 규칙도 지키는 일이 오래된 과제였다. 사람도 브랜드 지침을 잘못 읽는데 AI가 읽으면 더 어긋났다. 회사는 이 지점을 AI 콘텐츠 제작의 결정적 걸림돌로 봤다.", "eventDate": "2025-05-15", "eventBasis": "공개", "translations": { "en": { "usecase": "Producing brand advertising", "problem": "The Coca-Cola Company sells more than 200 brands in more than 200 countries. Making advertising that works in each country while still following brand rules has been a long-standing task. Even people misread brand guidelines, and AI got them wrong more often. The company saw this point as the decisive obstacle to AI content production.", "implementation": "The company built Project Fizzion together with Adobe. It uses Adobe Firefly generative AI and sits inside Adobe Creative Cloud. Designers keep working in the tools they already use, such as Illustrator, InDesign and Photoshop. Fizzion reads how a designer lays out a screen and refines typography, then turns that intent into machine-readable information called StyleID. Once trained, StyleID applies brand rules to logos, typefaces and images automatically, adjusted for format, medium and market. The judgement about what to make stays with the designer.", "outcome": "The Coca-Cola Company said creative teams can produce content up to 10 times faster. It added that this holds without cutting quality or originality. The company and its agencies said they can produce hundreds of local campaign variants, with fewer errors and faster execution. At the time of the announcement Fizzion was still at the pilot stage.", "limitation": "This is an announcement made at the pilot stage. Average production cost, change in revenue and the extent of company-wide rollout are not in the source." }, "jp": { "usecase": "ブランド広告の制作", "problem": "The Coca-Cola Companyは200を超えるブランドを200を超える国で売っている。国ごとに通じる広告物を作りながらブランドの規則も守ることが、長年の課題だった。人でもブランド指針を読み違えるのに、AIが読むとさらにずれた。同社はこの点をAIによるコンテンツ制作の決定的な妨げと見た。", "implementation": "同社はAdobeと一緒にProject Fizzionを作った。Adobe Firefly生成AIを使い、Adobe Creative Cloudの中に入れた。デザイナーはIllustrator、InDesign、Photoshopなど使ってきた道具でそのまま作業する。Fizzionは、デザイナーが画面を組み、書体を整える過程を読み取り、その意図をStyleIDという機械が読める情報に変える。学習を終えたStyleIDは、ロゴと書体と画像にブランドの規則を、形式と媒体と市場に合わせて自動で適用する。何を作るかを決める判断はデザイナーが持ち続ける。", "outcome": "The Coca-Cola Companyは、制作チームがコンテンツを最大10倍速く作れると明らかにした。品質と独創性を削らない条件だと付け加えた。同社と代理店は、現地向けキャンペーンの変形を数百個作ることができ、誤りが減り実行が速くなったと説明した。発表の時点でFizzionはまだ試験の段階だった。", "limitation": "試験の段階で出した発表である。平均の制作費、売上の変化、全社への広がりの範囲は原文にない。" }, "zh": { "usecase": "制作品牌广告", "problem": "The Coca-Cola Company在200多个国家销售200多个品牌。既要做出在各国行得通的广告物料，又要遵守品牌规范，这一直是难题。连人都会误读品牌规范，AI读起来偏差更大。公司把这一点视为AI内容制作的决定性障碍。", "implementation": "公司与Adobe共同打造了Project Fizzion。它使用Adobe Firefly生成式AI，并嵌入Adobe Creative Cloud。设计师仍在Illustrator、InDesign、Photoshop等惯用工具中工作。Fizzion读取设计师排版和调整字体的过程，把其中的意图转换成名为StyleID的机器可读信息。完成学习的StyleID会按照格式、媒介和市场，自动把品牌规范应用到标识、字体和图像上。决定做什么内容的判断仍由设计师掌握。", "outcome": "The Coca-Cola Company表示，创意团队制作内容的速度最多可提升10倍，并补充说这是在不削减质量和原创性的前提下。公司与代理商称，可以制作数百个本地化的活动版本，错误更少、执行更快。发布时，Fizzion仍处于试点阶段。", "limitation": "这是在试点阶段发布的消息。平均制作成本、销售变化以及全公司推广范围，原文中都没有。" } } }, { "industry": "배달과 이동", "subindustry": "차량 호출과 배달", "company": "Grab", "country": "싱가포르", "stage": "운영", "usecase": "직원용 공통 AI 서비스", "implementation": "담당자는 방향을 바꿔 사내 전용 ChatGPT를 만들기로 했다. 공개 프레임워크 chatbot-ui를 확장하고 Google 로그인을 붙였다. 사내 모델 서빙 플랫폼 catwalk에 연결해 주말 동안 만들어 사내에 배포했다. GrabGPT는 사설 경로로 돌아 회사 데이터가 밖으로 나가지 않는다. 한 업체 모델에 묶이지 않고 OpenAI, Claude, Gemini 등의 모델을 쓴다. 모든 대화는 감사 기록으로 남아 데이터 보안과 거버넌스 팀이 확인할 수 있다.", "outcome": "첫날 300명이 가입했고 이튿날 600명이, 첫 주에 900명이 더 들어왔다. 세 달째에는 이용자가 3,000명을 넘었고 하루 활성 이용자는 600명이었다. 글쓴이는 지금은 거의 모든 직원이 GrabGPT를 쓴다고 적었다. ChatGPT를 쓸 수 없는 지역의 직원도 같은 도구를 쓸 수 있게 됐다.", "limitation": "이용자 수는 글쓴이가 밝힌 값이다. 업무 시간 절감이나 회사 전체 생산성 변화를 보여 주는 수치는 원문에 없다.", "localId": "0376", "id": "AX074", "scope": "본조사", "sourceIds": [ "S069" ], "evidenceAccess": "원문 본문 열람", "dateLabel": "2025-05-19", "dateBasis": "자료 발표 시점. 도입 시작일과 다를 수 있음", "evidenceYears": [ "2025" ], "problem": "Grab의 머신러닝 플랫폼 팀은 사용자 문의에 파묻혀 있었다. Slack 채널에 질문이 몰렸고 당번 엔지니어는 같은 질문에 답하느라 시간을 썼다. 담당자는 플랫폼 문서를 읽고 답하는 챗봇을 먼저 만들어 봤다. 그런데 GPT-3.5-turbo가 한 번에 다루는 양이 8,000 토큰이라 20,000단어가 넘는 문서를 800단어 아래로 줄여야 했고 이 방식은 넓히기 어려웠다.", "eventDate": "2025-05-19", "eventBasis": "공개", "translations": { "en": { "usecase": "A shared AI service for employees", "problem": "Grab's machine learning platform team was buried in user questions. Questions piled into a Slack channel and the on-call engineer spent time answering the same ones. The engineer first tried building a chatbot that reads the platform documentation and answers. But GPT-3.5-turbo handled 8,000 tokens at a time, so documents of more than 20,000 words had to be cut below 800 words, and that approach was hard to scale.", "implementation": "The engineer changed direction and decided to build an internal ChatGPT. He extended the open framework chatbot-ui and added Google sign-in. He connected it to catwalk, the in-house model serving platform, built it over a weekend and released it internally. GrabGPT runs over a private route so company data does not leave. It is not tied to one vendor's model and uses models from OpenAI, Claude, Gemini and others. Every conversation is kept as an audit record that the data security and governance teams can review.", "outcome": "300 people signed up on the first day, 600 on the second, and another 900 during the first week. By the third month users passed 3,000 and daily active users were 600. The author wrote that nearly every employee now uses GrabGPT. Employees in regions where ChatGPT is not available also gained access to the same tool.", "limitation": "The user numbers are figures given by the author. The source carries no numbers showing hours saved or a change in company-wide productivity." }, "jp": { "usecase": "従業員向けの共通AIサービス", "problem": "Grabの機械学習プラットフォームチームは、利用者からの問い合わせに埋もれていた。Slackのチャンネルに質問が集まり、当番のエンジニアは同じ質問に答えるのに時間を使っていた。担当者はまず、プラットフォームの文書を読んで答えるチャットボットを作ってみた。ところがGPT-3.5-turboが一度に扱う量は8,000トークンで、20,000語を超える文書を800語より短くしなければならず、この方式は広げにくかった。", "implementation": "担当者は方向を変え、社内専用のChatGPTを作ることにした。公開フレームワークのchatbot-uiを拡張し、Googleログインを付けた。社内のモデル配信プラットフォームcatwalkにつなぎ、週末のあいだに作って社内に配布した。GrabGPTは専用の経路で動き、会社のデータが外に出ない。一社のモデルに縛られず、OpenAI、Claude、Geminiなどのモデルを使う。すべての対話は監査記録として残り、データ保安とガバナンスのチームが確認できる。", "outcome": "初日に300人が登録し、翌日に600人、最初の一週間でさらに900人が入った。三か月目には利用者が3,000人を超え、一日の活動利用者は600人だった。筆者は、今ではほぼすべての従業員がGrabGPTを使っていると書いた。ChatGPTを使えない地域の従業員も、同じ道具を使えるようになった。", "limitation": "利用者数は筆者が示した値である。業務時間の節約や会社全体の生産性の変化を示す数値は原文にない。" }, "zh": { "usecase": "面向员工的通用AI服务", "problem": "Grab的机器学习平台团队被用户咨询淹没。问题都涌进Slack频道，值班工程师要花时间回答重复的问题。负责人先尝试做一个读取平台文档来回答的聊天机器人。但GPT-3.5-turbo一次只能处理8,000个token，超过20,000词的文档必须压缩到800词以下，这种做法难以扩展。", "implementation": "负责人转换思路，决定做一个公司内部专用的ChatGPT。他扩展了开源框架chatbot-ui，接入Google登录，并连接到内部模型服务平台catwalk，用一个周末做出来后在公司内部发布。GrabGPT走专用链路运行，公司数据不会外流。它不绑定单一厂商的模型，可以使用OpenAI、Claude、Gemini等模型。所有对话都留有审计记录，数据安全与治理团队可以查看。", "outcome": "第一天有300人注册，第二天600人，第一周又增加900人。第三个月用户超过3,000人，日活跃用户为600人。作者写道，现在几乎所有员工都在用GrabGPT。在无法使用ChatGPT的地区，员工也能用上同样的工具。", "limitation": "用户数量是作者给出的数字。原文中没有显示节省工时或全公司生产率变化的数据。" } } }, { "industry": "통신", "subindustry": "이동통신", "company": "LG유플러스", "country": "한국", "stage": "운영", "usecase": "상담 중 답변 추천", "implementation": "AI 상담 어드바이저를 자체 개발해 고객센터에 넣었다. 고객센터에 쌓인 연간 1800만여 건의 상담 데이터를 바탕으로 만들었다. Agentic RAG이 질문 맥락을 읽고 사내 정보를 찾아 답변을 만든다. 답변을 상담사에게 주기 전에 질문 의도에 맞는지 다시 검토하고 검증하는 단계를 넣었다. 상담 후 처리에는 AI In The Loop을 붙여 요약과 분류를 맡겼다. 회사는 앞으로 AI가 상담 내용을 평가하고 피드백을 주는 AI Auto QA도 만들어 넣겠다고 밝혔다.", "outcome": "LG유플러스는 도입 뒤 고객 통화당 연결 대기 시간이 평균 17초, 통화 시간이 평균 30초 줄어 전체 상담 시간이 약 19% 개선됐다고 밝혔다. 한 달 기준으로는 고객 시간 약 117만 분을 아낀 것으로 분석했다. 자체 분석 결과 Agentic RAG 답변 정확도는 90%라고 밝혔다. 사람이 직접 하면 상담 2000건 분류에 약 5760분이 걸렸는데 AI In The Loop을 쓰면 3000건을 40분에 끝냈다고 설명했다.", "limitation": "모두 LG유플러스 자체 분석이다. 고객 만족도나 상담 품질 지표는 이 자료에 없다.", "id": "AX012", "scope": "본조사", "sourceIds": [ "S011" ], "evidenceAccess": "원문 본문 열람", "dateLabel": "2025-05-27", "dateBasis": "자료 발표 시점. 도입 시작일과 다를 수 있음", "evidenceYears": [ "2025" ], "problem": "LG유플러스 고객센터는 하루 평균 7만5000여 건의 상담을 받는다. 상담이 끝나면 AI가 요약하고 분류한 내용을 상담사가 하나하나 확인해 정확도를 판단했다. 절차가 복잡해 시간이 많이 들었다.", "eventDate": "2024-09", "eventBasis": "도입", "translations": { "en": { "usecase": "Suggesting answers during a call", "problem": "The LG Uplus customer centre takes an average of about 75,000 enquiries a day. When a call ended, agents had to check one by one what the AI had summarised and classified and judge whether it was accurate. The procedure was complicated and took a lot of time.", "implementation": "The company developed an AI advisory assistant in house and put it into the customer centre. It was built on the roughly 18 million calls a year of conversation data held at the centre. Agentic RAG reads the context of the question, searches internal information and drafts an answer. Before the answer goes to the agent, a step was added that reviews and validates whether it matches the intent of the question. For post-call work, AI In The Loop was attached to handle summarising and classification. The company said it will also build and add AI Auto QA, in which AI evaluates the content of a call and gives feedback.", "outcome": "LG Uplus said that after adoption the waiting time to connect per customer call fell by an average of 17 seconds and call time by an average of 30 seconds, improving total handling time by about 19 percent. On a monthly basis it calculated that about 1.17 million minutes of customer time were saved. Its own analysis put the accuracy of Agentic RAG answers at 90 percent. It explained that classifying 2,000 calls by hand took about 5,760 minutes, while AI In The Loop finished 3,000 in 40 minutes.", "limitation": "All of this is LG Uplus's own analysis. Customer satisfaction and call quality indicators are not in this source." }, "jp": { "usecase": "応対中の回答の推薦", "problem": "LGユープラスのカスタマーセンターは、一日平均で7万5000件ほどの応対を受ける。応対が終わると、AIが要約して分類した内容をオペレーターが一つひとつ確認し、精度を判断していた。手順が複雑で時間が多くかかった。", "implementation": "AI応対アドバイザーを自社開発し、カスタマーセンターに入れた。センターに蓄積された年間1800万件ほどの応対データをもとに作った。Agentic RAGが質問の文脈を読み、社内情報を探して回答を作る。回答をオペレーターに渡す前に、質問の意図に合っているかをもう一度検討し検証する段階を入れた。応対後の処理にはAI In The Loopを付け、要約と分類を任せた。同社は今後、AIが応対の内容を評価して助言するAI Auto QAも作って入れると述べた。", "outcome": "LGユープラスは、導入後に顧客の通話あたりの接続待ち時間が平均17秒、通話時間が平均30秒減り、全体の応対時間が約19%改善したと明らかにした。月単位では顧客の時間を約117万分節約したと分析した。自社分析の結果、Agentic RAGの回答の精度は90%だと述べた。人が直接行うと応対2000件の分類に約5760分かかったが、AI In The Loopを使うと3000件を40分で終えたと説明した。", "limitation": "いずれもLGユープラスの自社分析である。顧客満足度や応対品質の指標はこの資料にない。" }, "zh": { "usecase": "通话中推荐答复", "problem": "LG U+客服中心平均每天接收约7万5000件咨询。通话结束后，坐席要逐条核对AI生成的摘要和分类，判断其准确性。流程复杂，耗时很多。", "implementation": "公司自研了AI咨询顾问并接入客服中心，基于中心积累的每年约1800万件咨询数据构建。Agentic RAG读取问题的上下文，检索内部信息并生成答复。在把答复交给坐席之前，还增加了重新审视并验证是否符合提问意图的环节。通话后的处理接入AI In The Loop，负责摘要与分类。公司表示，今后还会构建并加入由AI评估通话内容并给出反馈的AI Auto QA。", "outcome": "LG U+表示，引入后每通客户来电的接通等待时间平均减少17秒，通话时间平均减少30秒，整体咨询时长改善约19%。按月计算，节省客户时间约117万分钟。公司自行分析的结果显示，Agentic RAG答复的准确率为90%。公司说明，人工分类2000件咨询约需5760分钟，而使用AI In The Loop则在40分钟内完成了3000件。", "limitation": "以上都是LG U+的自行分析。客户满意度或服务质量指标，这份资料中没有。" } } }, { "industry": "통신", "subindustry": "이동통신", "company": "LG유플러스", "country": "한국", "stage": "운영", "usecase": "상담 종료 후 분류 검증", "implementation": "LG유플러스는 자체 개발한 AI 상담 어드바이저를 AI컨택센터에 적용했다. 핵심 기술은 Agentic RAG와 AI In The Loop 두 가지다. AI In The Loop는 AI가 내린 분류가 맞는지 또 다른 AI 엔진으로 검증한다. 틀렸으면 스스로 학습해 고친다. 고객센터에 쌓인 연간 1800만여건의 상담 데이터가 학습 바탕이다. 통화 중에는 Agentic RAG가 사내 정보를 검색해 답변을 만들고, 답을 주기 전에 질문 의도에 맞는지 한 번 더 검토한다. 상담사는 상담 자체에 집중하고 상담 이후 작업은 AI가 맡는 구조를 만들었다.", "outcome": "LG유플러스 상담센터 분석 결과 사람이 직접 하면 상담 2000건 분류에 약 5760분이 걸렸다. AI In The Loop를 쓰면 더 많은 3000건을 40분에 끝냈다. 회사는 도입 뒤 통화당 연결 대기 시간이 평균 17초, 통화 시간이 평균 30초 줄어 전체 상담 시간이 약 19% 개선됐다고 밝혔다. 월 단위로는 고객 시간 약 117만 분을 아낀 것으로 분석했다.", "limitation": "비교한 건수가 2000건과 3000건으로 서로 다르다. 같은 조건에서 처리 시간이 몇 퍼센트 줄었는지는 원문에 없다.", "id": "AX013", "scope": "본조사", "sourceIds": [ "S011" ], "evidenceAccess": "원문 본문 열람", "dateLabel": "2025-05-27", "dateBasis": "자료 발표 시점. 도입 시작일과 다를 수 있음", "evidenceYears": [ "2025" ], "problem": "LG유플러스 고객센터는 상담이 끝난 뒤 대화 내용을 주제별로 분류하는 절차를 거쳤다. 기존에는 AI가 요약하고 분류한 내용을 상담사가 일일이 확인한 뒤 정확도를 판단했다. 이 과정이 복잡해 시간이 많이 걸렸다.", "eventDate": "2024-09", "eventBasis": "도입", "translations": { "en": { "usecase": "Validating classification after a call ends", "problem": "At the LG Uplus customer centre, conversations went through a step that classified them by subject once the call ended. Previously agents checked one by one what the AI had summarised and classified and then judged whether it was accurate. This process was complicated and took a lot of time.", "implementation": "LG Uplus applied the AI advisory assistant it developed in house to its AI contact centre. The core technologies are Agentic RAG and AI In The Loop. AI In The Loop verifies with another AI engine whether the classification the AI produced is correct. If it is wrong, the system learns and corrects itself. The learning basis is the roughly 18 million calls a year of conversation data held at the customer centre. During a call, Agentic RAG searches internal information to draft an answer and reviews once more whether it matches the intent of the question before handing it over. The design lets agents concentrate on the conversation itself while AI takes on the work that follows.", "outcome": "Analysis at the LG Uplus contact centre found that classifying 2,000 calls by hand took about 5,760 minutes. With AI In The Loop, a larger volume of 3,000 calls was finished in 40 minutes. The company said that after adoption the waiting time to connect per call fell by an average of 17 seconds and call time by an average of 30 seconds, improving total handling time by about 19 percent. On a monthly basis it calculated that about 1.17 million minutes of customer time were saved.", "limitation": "The volumes compared differ, at 2,000 and 3,000 calls. By how many percent handling time fell under the same conditions is not in the source." }, "jp": { "usecase": "応対終了後の分類の検証", "problem": "LGユープラスのカスタマーセンターでは、応対が終わったあとに会話の内容を主題ごとに分類する手順を踏んでいた。従来はAIが要約して分類した内容をオペレーターが一つひとつ確認したうえで、精度を判断していた。この過程が複雑で時間が多くかかった。", "implementation": "LGユープラスは、自社開発したAI応対アドバイザーをAIコンタクトセンターに適用した。中心となる技術はAgentic RAGとAI In The Loopの二つである。AI In The Loopは、AIが下した分類が正しいかを別のAIエンジンで検証する。誤っていれば自ら学習して直す。カスタマーセンターに蓄積された年間1800万件ほどの応対データが学習の土台である。通話中はAgentic RAGが社内情報を検索して回答を作り、渡す前に質問の意図に合っているかをもう一度検討する。オペレーターは応対そのものに集中し、応対後の作業はAIが担う構造を作った。", "outcome": "LGユープラスのコンタクトセンターの分析では、人が直接行うと応対2000件の分類に約5760分かかった。AI In The Loopを使うと、より多い3000件を40分で終えた。同社は、導入後に通話あたりの接続待ち時間が平均17秒、通話時間が平均30秒減り、全体の応対時間が約19%改善したと明らかにした。月単位では顧客の時間を約117万分節約したと分析した。", "limitation": "比べた件数が2000件と3000件で互いに異なる。同じ条件で処理時間が何パーセント減ったかは原文にない。" }, "zh": { "usecase": "通话结束后的分类校验", "problem": "在LG U+客服中心，通话结束后要经过按主题对会话内容进行分类的环节。此前由坐席逐条核对AI生成的摘要和分类，再判断其准确性。这一过程复杂且耗时很多。", "implementation": "LG U+把自研的AI咨询顾问应用到AI联络中心。核心技术有两项：Agentic RAG和AI In The Loop。AI In The Loop用另一个AI引擎来校验AI给出的分类是否正确，若判断有误则自行学习并修正。学习基础是客服中心积累的每年约1800万件咨询数据。通话过程中，Agentic RAG检索内部信息生成答复，并在交付前再次核对是否符合提问意图。整体结构让坐席专注于通话本身，通话之后的工作交给AI。", "outcome": "LG U+联络中心的分析显示，人工分类2000件咨询约需5760分钟。使用AI In The Loop后，数量更多的3000件在40分钟内完成。公司表示，引入后每通来电的接通等待时间平均减少17秒，通话时间平均减少30秒，整体咨询时长改善约19%。按月计算，节省客户时间约117万分钟。", "limitation": "所比较的数量并不相同，分别是2000件和3000件。在同等条件下处理时间减少了百分之多少，原文没有说明。" } } }, { "industry": "여행과 숙박", "subindustry": "숙박 중개", "company": "Airbnb", "country": "미국", "stage": "운영", "usecase": "음성 고객상담 분류와 안내", "implementation": "IVR이 전화를 받으면 몇 문장으로 전화한 이유를 말해 달라고 묻는다. 답변은 Airbnb 전용 ASR로 글로 옮긴다. 범용 사전학습 모델 대신 잡음이 섞인 전화 음성에 맞춘 모델로 바꿨고, Airbnb 용어를 인식하도록 도메인 문구 목록을 최적화했다. Contact Reason Detection 모델이 취소와 환불, 계정 문제 같은 범주로 분류한다. 도움말 문서는 embedding으로 벡터 데이터베이스에 색인해 코사인 유사도로 최대 30건을 뽑고 LLM 재순위 모델이 다시 정렬한다. 최상위 문서 링크를 SMS와 앱 알림으로 보낸다. 링크를 보내기 전에 Paraphrasing 모델이 의도를 한 줄로 요약해 들려준다. 상담원을 찾는 말이 나오면 별도 의도 탐지 모델이 이를 잡아 사람에게 연결한다.", "outcome": "수백 개 음성 표본 기준으로 단어 오류율이 33%에서 약 10%로 떨어졌다. 의도 탐지 지연은 평균 50ms 아래로 유지되고 문서 검색은 보통 60ms 안에 끝난다. 요약 문구 매칭은 사람이 직접 평가해 정밀도 90%를 넘었다. Airbnb는 오류율이 내려가면서 도움말 추천 정확도가 올라갔고 ASR 메뉴를 쓴 고객의 NPS가 개선됐으며 상담원 의존과 처리 시간이 줄었다고 밝혔다.", "limitation": "전체 고객상담의 해결률이나 비용 절감률은 원문에 수치로 없다. 자체 해결률 개선은 영어권 host 대상 실험에서 방향만 확인했다.", "localId": "0039", "id": "AX068", "scope": "본조사", "sourceIds": [ "S063" ], "evidenceAccess": "원문 본문 열람", "dateLabel": "2025-05-29", "dateBasis": "자료 발표 시점. 도입 시작일과 다를 수 있음", "evidenceYears": [ "2025" ], "problem": "기존 IVR은 고정된 메뉴 트리였다. 전화를 건 사람이 버튼을 눌러 정해진 경로를 따라가야 했다. 범용 음성 인식 모델은 Airbnb에서 쓰는 말을 자주 틀렸다. listing을 lifting으로, help with my stay를 happy Christmas Day로 옮기는 오류가 났다.", "eventDate": "2025-05-29", "eventBasis": "공개", "translations": { "en": { "usecase": "Classifying and routing voice support calls", "problem": "The existing IVR was a fixed menu tree. Callers had to press buttons and follow a set path. General-purpose speech recognition models often got Airbnb's own vocabulary wrong. They turned listing into lifting and help with my stay into happy Christmas Day.", "implementation": "When the IVR answers, it asks the caller to say in a few sentences why they are calling. The reply is transcribed by an ASR model built for Airbnb. Instead of a general pre-trained model it was switched to one tuned for noisy phone audio, and a domain phrase list was optimised so Airbnb terms are recognised. A Contact Reason Detection model sorts the call into categories such as cancellation and refund or account problems. Help articles are indexed in a vector database as embeddings, up to 30 are pulled by cosine similarity, and an LLM reranking model orders them again. The link to the top article is sent by SMS and app notification. Before the link goes out, a Paraphrasing model reads back a one-line summary of the intent. When the caller asks for an agent, a separate intent detection model catches it and connects them to a person.", "outcome": "Across several hundred voice samples the word error rate fell from 33 percent to about 10 percent. Intent detection latency stays under 50ms on average and article retrieval usually finishes within 60ms. Matching of the summary phrasing was evaluated by people and exceeded 90 percent precision. Airbnb said that as the error rate came down, the accuracy of help recommendations rose, the NPS of customers who used the ASR menu improved, and reliance on agents and handling time fell.", "limitation": "The resolution rate for all support contacts and the cost saving are not given as numbers in the source. The improvement in self-resolution was only confirmed directionally in an experiment with English-speaking hosts." }, "jp": { "usecase": "音声での問い合わせの分類と案内", "problem": "従来のIVRは固定されたメニューツリーだった。電話をかけた人がボタンを押し、決められた経路をたどる必要があった。汎用の音声認識モデルは、Airbnbで使う言葉をよく間違えた。listingをliftingに、help with my stayをhappy Christmas Dayに移す誤りが出た。", "implementation": "IVRが電話を受けると、数文で電話した理由を話してほしいと尋ねる。返答はAirbnb専用のASRで文字に移す。汎用の事前学習モデルではなく、雑音の混じった電話音声に合わせたモデルに替え、Airbnbの用語を認識するようにドメイン語句の一覧を最適化した。Contact Reason Detectionモデルが、キャンセルと返金、アカウントの問題といった区分に分類する。ヘルプ文書はembeddingでベクトルデータベースに索引し、コサイン類似度で最大30件を取り出し、LLMの再順位付けモデルが並べ直す。最上位の文書のリンクをSMSとアプリの通知で送る。リンクを送る前に、Paraphrasingモデルが意図を一行に要約して聞かせる。オペレーターを求める言葉が出ると、別の意図検出モデルがそれを捉えて人につなぐ。", "outcome": "数百の音声標本を基準に、単語誤り率が33%から約10%に下がった。意図検出の遅延は平均50ms以下に保たれ、文書の検索はふつう60ms以内に終わる。要約文句の一致は人が直接評価し、精度90%を超えた。Airbnbは、誤り率が下がるとヘルプ推薦の精度が上がり、ASRメニューを使った顧客のNPSが改善し、オペレーターへの依存と処理時間が減ったと述べた。", "limitation": "問い合わせ全体の解決率や費用の削減率は、原文に数値としてない。自己解決率の改善は、英語圏のhostを対象にした実験で方向だけを確認した。" }, "zh": { "usecase": "语音客服的分类与引导", "problem": "原有的IVR是固定的菜单树。来电者必须按键，沿既定路径走。通用语音识别模型经常听错Airbnb内部的用语，会把listing转成lifting，把help with my stay转成happy Christmas Day。", "implementation": "IVR接通后，会请来电者用几句话说明来电原因。回答由Airbnb专用的ASR转写。公司把通用预训练模型换成了针对含噪电话语音调优的模型，并优化了领域词表以识别Airbnb的术语。Contact Reason Detection模型把来电归入取消与退款、账户问题等类别。帮助文档以embedding索引进向量数据库，通过余弦相似度取出最多30条，再由LLM重排序模型重新排列。排在最前的文档链接通过短信和应用通知发送。发送链接之前，Paraphrasing模型会把意图概括成一句话读给来电者听。当来电者提出要找人工时，另一个意图识别模型会捕捉到并转接给人工。", "outcome": "在数百个语音样本上，词错误率从33%降到约10%。意图识别的延迟平均保持在50ms以下，文档检索通常在60ms内完成。概括语句的匹配由人工评估，精确率超过90%。Airbnb表示，随着错误率下降，帮助文档推荐的准确度提高，使用ASR菜单的客户NPS改善，对人工坐席的依赖和处理时间都有所减少。", "limitation": "全部客服咨询的解决率和成本节省率，原文中没有具体数字。自助解决率的改善只在面向英语地区host的实验中确认了方向。" } } }, { "industry": "금융", "subindustry": "은행", "company": "JPMorganChase", "country": "미국", "stage": "운영", "usecase": "직원용 생성형 AI 플랫폼", "implementation": "LLM Suite는 회사가 직접 만든 생성형 AI 플랫폼이다. 자격이 있는 전사 직원에게 보안이 확보된 환경에서 대규모 언어모델을 쓸 수 있게 열어 준다. 현재 쓰임은 아이디어 만들기와 문안 초안 작성이다. 어떤 모델을 쓰는지, 어떤 사내 데이터에 연결하는지는 밝히지 않았다. 최고분석책임자 Derek Waldron은 이 플랫폼을 직원용 AI 허브로 자리잡게 하는 것이 목표라고 밝혔다.", "outcome": "2024년 여름에 내놓은 뒤 여덟 달 만에 등록 사용자가 0명에서 20만 명이 됐다. 회사는 직원 수요가 확산을 밀어올린 요인 중 하나라고 설명했다. American Banker는 이 플랫폼에 2025년 Innovation of the Year 대상을 줬다.", "limitation": "등록자 수는 상시 사용자 수와 다르다. 사내 데이터 연결과 업무 실행 에이전트는 이 글에서 진행 중인 후속 계획으로 적혀 있다.", "id": "AX007", "scope": "본조사", "sourceIds": [ "S007" ], "evidenceAccess": "원문 본문 열람", "dateLabel": "2025-06-03", "dateBasis": "자료 발표 시점. 도입 시작일과 다를 수 있음", "evidenceYears": [ "2025" ], "problem": "JPMorganChase 직원은 초안을 쓰고 아이디어를 정리하는 데 시간을 쓴다. 이 글은 도입 전 절차가 어땠는지는 설명하지 않는다. 대신 직원 수요가 확산을 밀어올렸다고 적었다.", "eventDate": "2025-06-03", "eventBasis": "공개", "translations": { "en": { "usecase": "A generative AI platform for employees", "problem": "Employees at JPMorganChase spend time writing drafts and organising ideas. This article does not describe what the process looked like before. Instead it says employee demand pushed the rollout forward.", "implementation": "LLM Suite is a generative AI platform the company built itself. It opens large language models to eligible employees across the firm in a secured environment. Current uses are generating ideas and drafting copy. Which models it uses and which internal data it connects to are not disclosed. Chief Analytics Officer Derek Waldron said the goal is to establish the platform as the AI hub for employees.", "outcome": "Eight months after its release in the summer of 2024, registered users went from zero to 200,000. The company said employee demand was one of the factors that pushed the rollout. American Banker gave the platform its 2025 Innovation of the Year award.", "limitation": "The number of registrations differs from the number of regular users. Connecting internal data and agents that carry out work are written up in this article as follow-on plans still under way." }, "jp": { "usecase": "従業員向けの生成AIプラットフォーム", "problem": "JPMorganChaseの従業員は、草案を書きアイデアを整理することに時間を使っている。この記事は導入前の手順がどうだったかを説明していない。代わりに、従業員の需要が普及を押し上げたと記している。", "implementation": "LLM Suiteは、同社が自ら作った生成AIプラットフォームである。資格のある全社の従業員に、保安が確保された環境で大規模言語モデルを使えるように開いている。現在の用途はアイデア出しと文案の草案作成である。どのモデルを使うのか、どの社内データにつなぐのかは明らかにしていない。最高分析責任者のDerek Waldronは、このプラットフォームを従業員向けAIハブとして定着させることが目標だと述べた。", "outcome": "2024年の夏に出してから8か月で、登録利用者が0人から20万人になった。同社は、従業員の需要が普及を押し上げた要因の一つだと説明した。American Bankerはこのプラットフォームに2025年のInnovation of the Yearを与えた。", "limitation": "登録者数は常時の利用者数とは異なる。社内データの接続や業務を実行するエージェントは、この記事では進行中の後続計画として書かれている。" }, "zh": { "usecase": "面向员工的生成式AI平台", "problem": "JPMorganChase的员工要花时间撰写草稿、整理想法。这篇文章没有说明引入之前的流程是怎样的，而是写到员工需求推动了推广。", "implementation": "LLM Suite是公司自建的生成式AI平台，在安全受控的环境中向全公司符合条件的员工开放大语言模型。目前的用途是产生创意和起草文案。公司未披露使用了哪些模型、接入了哪些内部数据。首席分析官Derek Waldron表示，目标是把这个平台确立为面向员工的AI中枢。", "outcome": "2024年夏季推出后的八个月内，注册用户从0人增至20万人。公司说明，员工需求是推动普及的因素之一。American Banker把2025年Innovation of the Year大奖授予了这个平台。", "limitation": "注册人数与常用人数并不相同。接入内部数据以及执行业务的智能体，在这篇文章中只写作正在推进的后续计划。" } } }, { "industry": "건설과 부동산", "subindustry": "상업용 부동산 서비스", "company": "JLL", "country": "미국", "stage": "운영", "usecase": "부동산 직원 지식 업무", "implementation": "JLL은 JLL Falcon 플랫폼 위에 부동산 문제에 맞춘 생성형 AI 전략을 세웠다. 그 위에 자체 모델인 JLL GPT를 만들었다. 회사는 JLL GPT를 상업용 부동산 업계를 위해 만든 첫 생성형 AI로 소개한다. 이 글은 학습에 쓴 데이터나 바탕 모델, 사용자 수를 밝히지 않는다.", "outcome": "JLL은 최근 Future of Work 설문에서 기업 리더의 50% 넘는 응답자가 데이터 품질을 상업용 부동산 AI 확산의 큰 장벽으로 꼽았다고 밝혔다. AI 제품 담당 Carlin Power는 중개인과 자산 관리자, 고객 담당 팀이 고객 관계와 전략 기획에 시간을 더 쓰고 데이터 분석, 시장 조사, 보고서 작성, 기본 설비 업무는 AI가 맡는 모습을 그렸다. 이 서술은 앞으로의 모습을 그린 것이고 지금의 성과 수치가 아니다.", "limitation": "사용자 수, 처리량, 업무 시간 변화 같은 도입 성과 수치가 이 글에 없다.", "id": "AX035", "scope": "본조사", "sourceIds": [ "S031" ], "evidenceAccess": "원문 본문 열람", "dateLabel": "2025-06-06", "dateBasis": "자료 발표 시점. 도입 시작일과 다를 수 있음", "evidenceYears": [ "2025" ], "problem": "건물 한 채에서 나오는 데이터 종류가 너무 많다. JLL의 Neil Murray는 포트폴리오 데이터, 사용 데이터, 에너지 데이터, 운영과 작업 지시 관리 데이터, 자본 지출 데이터를 예로 들었다. 이 데이터를 사람이 모아 읽고 판단하기 어렵다는 것이 출발점이다.", "eventDate": "2025-06-06", "eventBasis": "공개", "translations": { "en": { "usecase": "Knowledge work for real estate staff", "problem": "A single building produces too many kinds of data. Neil Murray of JLL gave portfolio data, usage data, energy data, operations and work order management data, and capital expenditure data as examples. The starting point is that it is hard for people to gather, read and judge on this data.", "implementation": "JLL set a generative AI strategy tailored to real estate problems on top of the JLL Falcon platform. On that it built its own model, JLL GPT. The company presents JLL GPT as the first generative AI built for the commercial real estate industry. This article does not disclose the data used for training, the underlying model or the number of users.", "outcome": "JLL said that in a recent Future of Work survey more than 50 percent of corporate leaders named data quality as a major barrier to spreading AI in commercial real estate. Carlin Power, who leads AI products, described a picture in which brokers, asset managers and client teams spend more time on client relationships and strategic planning while AI takes on data analysis, market research, report writing and basic facility work. That description is a picture of what is to come, not a current performance figure.", "limitation": "Adoption figures such as the number of users, throughput or change in working hours are not in this article." }, "jp": { "usecase": "不動産業務の知識作業", "problem": "建物一棟から出るデータの種類が多すぎる。JLLのNeil Murrayは、ポートフォリオのデータ、使用のデータ、エネルギーのデータ、運用と作業指示の管理データ、資本支出のデータを例に挙げた。このデータを人が集めて読み、判断するのは難しいというのが出発点である。", "implementation": "JLLはJLL Falconプラットフォームの上に、不動産の問題に合わせた生成AIの戦略を立てた。その上に自社モデルであるJLL GPTを作った。同社はJLL GPTを、商業用不動産業界のために作られた最初の生成AIとして紹介している。この記事は、学習に使ったデータや基盤モデル、利用者数を明らかにしていない。", "outcome": "JLLは、最近のFuture of Work調査で企業のリーダーの50%を超える回答者が、データの品質を商業用不動産におけるAI普及の大きな障壁に挙げたと述べた。AI製品担当のCarlin Powerは、仲介者と資産管理者、顧客担当のチームが顧客関係と戦略の企画に時間をより多く使い、データ分析、市場調査、報告書の作成、基本的な設備業務はAIが担う姿を描いた。この記述はこれからの姿を描いたもので、今の成果の数値ではない。", "limitation": "利用者数、処理量、業務時間の変化といった導入成果の数値は、この記事にない。" }, "zh": { "usecase": "房地产员工的知识型工作", "problem": "一栋楼产生的数据种类太多。JLL的Neil Murray举了资产组合数据、使用数据、能耗数据、运营与工单管理数据、资本支出数据为例。出发点在于，人很难把这些数据汇总、读懂并据此判断。", "implementation": "JLL在JLL Falcon平台之上制定了针对房地产问题的生成式AI战略，并在其上构建了自有模型JLL GPT。公司把JLL GPT介绍为面向商业地产行业打造的首个生成式AI。这篇文章没有披露训练所用数据、底层模型或用户数量。", "outcome": "JLL表示，在最近的Future of Work调查中，超过50%的企业负责人把数据质量列为商业地产AI推广的一大障碍。AI产品负责人Carlin Power描绘了这样的图景：经纪人、资产管理者和客户团队把更多时间用于客户关系和战略规划，而数据分析、市场调研、报告撰写和基础设施事务交给AI。这段描述描绘的是未来的样子，不是当下的成效数字。", "limitation": "用户数量、处理量、工时变化等落地成效数字，这篇文章中没有。" } } }, { "industry": "제조", "subindustry": "철강", "company": "포스코", "country": "한국", "stage": "제한 운영", "usecase": "쇳물 예비처리 공정 자율화", "implementation": "포스코는 20여 년간 쌓은 조업 노하우에 딥러닝 인공지능 기술을 접목했다. 조업 데이터를 자율적으로 관리하고 판단하는 AI가 영상인식 시스템으로 쇳물 상태를 감지한다. 이어 슬래그의 양과 위치를 파악한 뒤 목표량까지 최적의 경로를 짜서 슬래그를 제거한다. 쇳물의 유황 성분을 제거하고 슬래그를 걷어내는 예비처리 KR 공정의 전 과정을 100% 자동화한 것이 이 기술의 특징이다. 요구하는 성분에 맞춰 조업이 완전히 자동으로 이뤄진다.", "outcome": "포스코는 6월 5일 포항 3제강공장에서 KR 자율조업 기술 개발을 공식 발표하는 시연회를 열었다. 회사는 이번 기술 도입으로 조업시간은 3% 줄고 실수율은 2% 올랐다고 밝혔다. 이를 비용으로 환산하면 연간 290억 원에 달하는 절감 효과를 거둘 수 있다고 했다. 회사는 숙련 기술의 디지털 전환과 조업 안정, 공정 자율화를 함께 잡았다는 평가를 얻고 있다고 설명했다. 이희근 사장은 강건한 설비에 엔지니어의 도메인 지식을 접목해 인텔리전트 팩토리로 발전해야 한다고 말했다.", "limitation": "연간 290억 원은 조업시간과 실수율 개선을 비용으로 환산한 기대치다. 회계에 잡힌 절감액이나 다른 제철소의 성과는 원문에 없다.", "localId": "", "id": "AX091", "scope": "본조사", "sourceIds": [ "S085" ], "evidenceAccess": "원문 본문 열람", "dateLabel": "2025-06-10", "dateBasis": "자료 발표 시점. 도입 시작일과 다를 수 있음", "evidenceYears": [ "2025" ], "problem": "제강 공정은 철강 제품의 품질을 좌우하는 핵심 단계다. 쇳물 예비처리 공정은 그 시작점이다. 기존에는 직원들이 연간 400회 넘게 설비를 직접 운전해야 했다. 숙련도와 감각에 따라 쇳물 품질에 편차가 생겼다.", "eventDate": "2025-06-05", "eventBasis": "도입", "translations": { "en": { "usecase": "Autonomous operation of hot metal pretreatment", "problem": "Steelmaking is the key stage that determines the quality of steel products, and hot metal pretreatment is where it starts. Previously staff had to operate the equipment themselves more than 400 times a year. Variation in hot metal quality arose depending on skill and feel.", "implementation": "POSCO combined deep learning AI technology with operating know-how built up over more than 20 years. An AI that manages and judges operating data autonomously detects the state of the hot metal through a vision recognition system. It then works out the amount and position of the slag and plans the best path to remove slag down to the target amount. The distinctive part of this technology is that it automates 100 percent of the KR pretreatment process, which removes sulphur from the hot metal and skims off the slag. Operation runs fully automatically according to the composition required.", "outcome": "On 5 June POSCO held a demonstration at the No. 3 steelmaking plant in Pohang to formally announce the development of KR autonomous operation technology. The company said that with this technology operating time fell by 3 percent and yield rose by 2 percent. Converted into cost, it said this can deliver savings of 29 billion won a year. The company said it is being credited with achieving the digital transfer of skilled technique, stable operation and process autonomy together. President Lee Hee-geun said the company should develop into an intelligent factory by combining engineers' domain knowledge with robust equipment.", "limitation": "The 29 billion won a year is an expected value converting the improvements in operating time and yield into cost. Savings booked in the accounts, or results at other steelworks, are not in the source." }, "jp": { "usecase": "溶銑予備処理工程の自律化", "problem": "製鋼工程は鉄鋼製品の品質を左右する中心の段階である。溶銑の予備処理工程はその出発点だ。従来は従業員が年間400回を超えて設備を直接運転しなければならなかった。熟練度と感覚によって溶銑の品質に差が生じた。", "implementation": "ポスコは20年あまり積み上げた操業のノウハウに、深層学習の人工知能技術を組み合わせた。操業データを自律的に管理し判断するAIが、映像認識システムで溶銑の状態を捉える。続いてスラグの量と位置を把握したうえで、目標量までの最適な経路を組み立ててスラグを取り除く。溶銑の硫黄成分を取り除き、スラグをすくい取る予備処理KR工程の全過程を100%自動化したことが、この技術の特徴である。求める成分に合わせて操業が完全に自動で行われる。", "outcome": "ポスコは6月5日、浦項の第3製鋼工場でKR自律操業技術の開発を公式に発表する実演会を開いた。同社は、今回の技術導入で操業時間は3%減り、歩留まりは2%上がったと明らかにした。これを費用に換算すると、年間290億ウォンに達する節減効果を得られるとした。同社は、熟練技術のデジタル転換と操業の安定、工程の自律化を同時につかんだという評価を得ていると説明した。イ・ヒグン社長は、強固な設備にエンジニアのドメイン知識を組み合わせ、インテリジェントファクトリーへ発展すべきだと語った。", "limitation": "年間290億ウォンは、操業時間と歩留まりの改善を費用に換算した期待値である。会計に計上された節減額や、他の製鉄所での成果は原文にない。" }, "zh": { "usecase": "铁水预处理工序自主化", "problem": "炼钢工序是决定钢铁产品质量的关键环节，铁水预处理则是它的起点。过去员工每年要亲自操作设备400多次。因熟练度和手感不同，铁水质量会出现波动。", "implementation": "浦项制铁把二十多年积累的操作经验与深度学习人工智能技术结合起来。自主管理并判断作业数据的AI，通过图像识别系统感知铁水状态，随后掌握炉渣的数量和位置，规划到达目标量的最优路径来清除炉渣。这项技术的特点在于，把去除铁水中硫成分并扒除炉渣的KR预处理工序全过程实现了100%自动化。作业按所需成分完全自动进行。", "outcome": "浦项制铁于6月5日在浦项第三炼钢厂举行演示会，正式发布KR自主作业技术的开发成果。公司表示，引入该技术后作业时间减少3%，成材率提高2%。折算成成本，每年可获得达290亿韩元的节约效果。公司说明，业界认为它同时实现了熟练技术的数字化转换、作业稳定和工序自主化。社长李熙根表示，应把工程师的领域知识与稳固的设备结合，发展成智能工厂。", "limitation": "每年290亿韩元是把作业时间和成材率的改善折算成成本的预期值。计入财务的实际节约额或其他钢厂的成效，原文中没有。" } } }, { "industry": "의료", "subindustry": "의료 네트워크", "company": "Kaiser Permanente", "country": "미국", "stage": "운영", "usecase": "진료 대화 기록", "implementation": "생성형 AI scribe가 진료 대화를 듣고 초안 요약을 만든다. 의사가 그 요약을 고친 뒤 의무기록에 넣는다. 최종 기록을 확정하는 쪽은 사람이다. 이 도구는 환자 진료에 대한 결정이나 권고를 하지 않는다고 Kaiser Permanente 연구부문의 Vincent Liu가 설명했다. 사용 첫 해 지표와 관찰은 NEJM Catalyst 논문으로 공개했다. 정신건강, 응급의학, 일차 진료, 알레르기, 심장내과에서 많이 썼고 감염내과, 산부인과, 비뇨기과에서는 적게 썼다.", "outcome": "2023년 10월부터 2024년 12월까지 의사 7,260명이 약 250만 건 진료에 이 도구를 썼다. 그중 약 3,500명은 각자 100건 이상 진료에서 썼다. 분석은 15개월 동안 전체 의사의 문서 작성 시간이 거의 16,000시간 줄어든 것으로 집계했다. 의사 102명 설문에서는 84%가 진료 대화에 긍정적인 영향을 줬다고 답했다. 환자 118명 설문에서는 47%가 의사가 화면을 덜 본다고 느꼈다고 답했다.", "limitation": "원문은 AI scribe의 공급사와 제품 이름을 밝히지 않았다. 절약 시간은 15개월 누적치다.", "id": "AX058", "scope": "본조사", "sourceIds": [ "S051" ], "evidenceAccess": "원문 본문 열람", "dateLabel": "2025-06-10", "dateBasis": "자료 발표 시점. 도입 시작일과 다를 수 있음", "evidenceYears": [ "2025" ], "problem": "Kaiser Permanente Northern California 의사들은 진료 기록 작성에 시간을 많이 썼다. 특히 근무 시간이 끝난 뒤에도 문서 작업이 남았다. 진료 중에도 화면과 키보드에 매여 있어야 했다.", "eventDate": "2023-10", "eventBasis": "도입", "translations": { "en": { "usecase": "Documenting clinical conversations", "problem": "Physicians at Kaiser Permanente Northern California spent a lot of time writing clinical notes. Documentation was left over even after working hours ended. During a visit they also had to stay tied to a screen and keyboard.", "implementation": "A generative AI scribe listens to the clinical conversation and produces a draft summary. The physician edits that summary and then puts it into the medical record. It is a person who finalises the record. Vincent Liu of Kaiser Permanente's research division explained that the tool does not make decisions or recommendations about patient care. Metrics and observations from the first year of use were published in an NEJM Catalyst paper. It was used heavily in mental health, emergency medicine, primary care, allergy and cardiology, and little in infectious disease, obstetrics and gynaecology, and urology.", "outcome": "From October 2023 to December 2024, 7,260 physicians used the tool in about 2.5 million encounters. About 3,500 of them used it in 100 or more encounters each. The analysis counted almost 16,000 hours of documentation time saved across all physicians over the 15 months. In a survey of 102 physicians, 84 percent said it had a positive effect on the clinical conversation. In a survey of 118 patients, 47 percent said they felt the physician looked at the screen less.", "limitation": "The source does not disclose the vendor or product name of the AI scribe. The time saved is a cumulative figure over 15 months." }, "jp": { "usecase": "診療の会話の記録", "problem": "Kaiser Permanente Northern Californiaの医師は、診療記録の作成に時間を多く使っていた。とくに勤務時間が終わったあとにも文書作業が残った。診療の最中も画面とキーボードに縛られていなければならなかった。", "implementation": "生成AIのscribeが診療の会話を聞き、草案の要約を作る。医師がその要約を直したうえで診療録に入れる。最終の記録を確定するのは人である。この道具は患者の診療についての決定や推奨を行わないと、Kaiser Permanente研究部門のVincent Liuが説明した。使用初年の指標と観察はNEJM Catalystの論文で公開した。精神保健、救急医学、一次診療、アレルギー、循環器で多く使われ、感染症内科、産婦人科、泌尿器科では少なかった。", "outcome": "2023年10月から2024年12月まで、医師7,260人が約250万件の診療でこの道具を使った。そのうち約3,500人は各自100件以上の診療で使った。分析は、15か月のあいだに医師全体の文書作成時間がほぼ16,000時間減ったと集計した。医師102人への調査では、84%が診療の会話に肯定的な影響を与えたと答えた。患者118人への調査では、47%が医師が画面を見る時間が減ったと感じたと答えた。", "limitation": "原文は、AI scribeの供給会社と製品名を明らかにしていない。節約した時間は15か月の累計である。" }, "zh": { "usecase": "记录诊疗对话", "problem": "Kaiser Permanente Northern California的医生在撰写病历上花费了大量时间。尤其是下班之后仍有文书工作要做。就诊过程中也不得不被屏幕和键盘牵住。", "implementation": "生成式AI scribe聆听诊疗对话并生成摘要草稿。医生修改这份摘要后再录入病历。最终确定记录的是人。Kaiser Permanente研究部门的Vincent Liu说明，该工具不对患者诊疗作出决定或建议。使用第一年的指标与观察发表在NEJM Catalyst的论文中。它在精神健康、急诊医学、初级诊疗、过敏科和心内科使用较多，在感染科、妇产科、泌尿科使用较少。", "outcome": "从2023年10月到2024年12月，7,260名医生在约250万次诊疗中使用了该工具，其中约3,500人各自在100次以上的诊疗中使用。分析统计显示，15个月间全体医生的文书时间减少了近16,000小时。对102名医生的调查中，84%认为它对诊疗对话有正面影响。对118名患者的调查中，47%表示感到医生看屏幕的时间变少了。", "limitation": "原文未披露AI scribe的供应商和产品名称。节省的时间是15个月的累计值。" } } }, { "industry": "생활소비재", "subindustry": "화장품", "company": "L’Oréal", "country": "프랑스", "stage": "운영", "usecase": "상품 광고 이미지 제작", "implementation": "CREAITECH는 L'Oréal Groupe의 생성형 AI 콘텐츠 플랫폼이다. 자사 제품을 3D로 디지털 렌더링해 개발하고 사용한다. 3D 렌더링과 생성형 AI를 합쳐 캠페인 콘텐츠를 만든다. L'Oréal은 2025년 6월 NVIDIA와 협력을 발표하면서 NVIDIA AI Enterprise 플랫폼으로 3D 역량을 키우겠다고 밝혔다. 목표는 창의성과 품질 관리, 제작 확장성을 함께 높이는 것이다.", "outcome": "보도자료는 CREAITECH의 제작 건수나 시간 단축 수치를 내놓지 않았다. 확인되는 것은 CREAITECH가 이미 3D 디지털 렌더링을 개발해 쓰고 있다는 점이다. L'Oréal은 3D 렌더링과 생성형 AI를 합치면 소셜미디어와 전자상거래, 인플루언서 마케팅에서 소비자 참여를 높이는 대규모 캠페인이 가능하다고 밝혔다. 최고디지털마케팅책임자 Asmita Dubey는 창의성을 키우려고 NVIDIA와 협력하게 돼 기쁘다고 말했다.", "limitation": "보도자료에는 제작 시간이나 비용 변화 수치가 없다. 사람이 어느 단계에서 콘텐츠를 검수하는지도 나오지 않는다.", "id": "AX038", "scope": "본조사", "sourceIds": [ "S033" ], "evidenceAccess": "원문 본문 열람", "dateLabel": "2025-06-11", "dateBasis": "자료 발표 시점. 도입 시작일과 다를 수 있음", "evidenceYears": [ "2025" ], "problem": "L'Oréal은 소셜미디어와 전자상거래, 인플루언서 마케팅까지 여러 채널로 캠페인을 내보낸다. 마케팅과 광고 캠페인을 더 빠르고 더 창의적으로 만드는 것이 과제였다. 회사는 이 목표를 CREAITECH 플랫폼의 이유로 들었다.", "eventDate": "2025-06-11", "eventBasis": "공개", "translations": { "en": { "usecase": "Producing product advertising images", "problem": "L’Oréal runs campaigns across many channels, from social media and e-commerce to influencer marketing. The task was to make marketing and advertising campaigns faster and more creative. The company gave this goal as the reason for the CREAITECH platform.", "implementation": "CREAITECH is the generative AI content platform of L’Oréal Groupe. It develops and uses 3D digital renderings of the company's own products. It combines 3D rendering with generative AI to create campaign content. In June 2025 L’Oréal announced a collaboration with NVIDIA and said it would build up its 3D capability on the NVIDIA AI Enterprise platform. The aim is to raise creativity, quality control and production scalability together.", "outcome": "The press release gives no figure for how much CREAITECH has produced or how much time it has cut. What is confirmed is that CREAITECH already develops and uses 3D digital rendering. L’Oréal said that combining 3D rendering with generative AI makes large-scale campaigns possible that raise consumer engagement in social media, e-commerce and influencer marketing. Chief Digital and Marketing Officer Asmita Dubey said she was pleased to work with NVIDIA to grow creativity.", "limitation": "The press release carries no figures on production time or cost. It also does not say at which stage people review the content." }, "jp": { "usecase": "商品広告画像の制作", "problem": "ロレアルは、ソーシャルメディアや電子商取引、インフルエンサーマーケティングまで、複数のチャネルでキャンペーンを出している。マーケティングと広告のキャンペーンをより速く、より創造的に作ることが課題だった。同社はこの目標をCREAITECHプラットフォームの理由として挙げた。", "implementation": "CREAITECHはロレアルグループの生成AIコンテンツプラットフォームである。自社製品を3Dでデジタルレンダリングして開発し、使っている。3Dレンダリングと生成AIを合わせてキャンペーンのコンテンツを作る。ロレアルは2025年6月にNVIDIAとの協力を発表し、NVIDIA AI Enterpriseプラットフォームで3Dの力を伸ばすと述べた。目標は、創造性と品質管理、制作の拡張性を同時に高めることである。", "outcome": "プレスリリースは、CREAITECHの制作件数や時間短縮の数値を出していない。確認できるのは、CREAITECHがすでに3Dのデジタルレンダリングを開発して使っているという点である。ロレアルは、3Dレンダリングと生成AIを合わせれば、ソーシャルメディアや電子商取引、インフルエンサーマーケティングで消費者の参加を高める大規模なキャンペーンが可能だと述べた。最高デジタルマーケティング責任者のAsmita Dubeyは、創造性を伸ばすためにNVIDIAと協力できてうれしいと語った。", "limitation": "プレスリリースには、制作時間や費用の変化の数値がない。人がどの段階でコンテンツを検収するのかも出てこない。" }, "zh": { "usecase": "制作商品广告图像", "problem": "欧莱雅通过社交媒体、电子商务乃至网红营销等多个渠道投放活动。如何让营销和广告活动做得更快、更有创意，是它面临的课题。公司把这一目标列为建设CREAITECH平台的原因。", "implementation": "CREAITECH是欧莱雅集团的生成式AI内容平台。它开发并使用自家产品的3D数字渲染，把3D渲染与生成式AI结合起来制作活动内容。欧莱雅在2025年6月宣布与NVIDIA合作，表示将依托NVIDIA AI Enterprise平台提升3D能力。目标是同时提高创造力、质量管控和制作可扩展性。", "outcome": "新闻稿没有给出CREAITECH的制作数量或时间缩短的数字。可以确认的是，CREAITECH已经开发并在使用3D数字渲染。欧莱雅表示，把3D渲染与生成式AI结合，可以开展在社交媒体、电子商务和网红营销中提升消费者参与度的大规模活动。首席数字与营销官Asmita Dubey表示，很高兴能与NVIDIA合作来提升创造力。", "limitation": "新闻稿中没有制作时间或成本变化的数字，也没有说明人在哪个环节审核内容。" } } }, { "industry": "금융", "subindustry": "가상자산 거래소", "company": "Coinbase", "country": "미국", "stage": "제한 운영", "usecase": "채용 지원서 검토", "implementation": "회사는 지원서 검토용 AI 도구를 사내에서 직접 만들었다. 이 도구는 열려 있는 직무에 맞는 경력과 기술을 기준으로 지원서를 분류하고 우선순위를 매긴다. 적용 범위는 유럽연합과 영국 밖의 일부 지역과 직무다. 자격을 갖춘 지원자는 채용 담당자가 한 명씩 검토한다. 회사는 담당자가 여전히 과정의 중심이라고 밝혔다. 면접 일정 조율과 면접 기록 정리는 계획으로 적었고 2025년 3분기 출시를 목표로 삼았다.", "outcome": "Coinbase는 채용 과정을 더 빠르고 지원자 친화적으로 만드는 것이 목표라고 밝혔다. 채용팀 규모의 한계를 넘어 더 많은 지원자가 공정하고 꼼꼼한 검토를 받게 하려는 것이라고 설명했다. 담당자는 AI가 찾아낸 상위 지원자와 관계를 쌓는 데 시간을 더 쓰게 된다고 적었다. 글에는 처리 건수나 시간 절감 같은 수치가 없다.", "limitation": "면접 일정 조율과 기록 정리는 원문에 계획으로만 적혀 있다. 검토 속도나 공정성 개선을 뒷받침하는 수치는 원문에 없다.", "localId": "0163", "id": "AX072", "scope": "본조사", "sourceIds": [ "S067" ], "evidenceAccess": "검색 도구의 본문 발췌 확인", "dateLabel": "2025-06-16, 2026-07-14 수정", "dateBasis": "자료 발표 시점. 도입 시작일과 다를 수 있음", "evidenceYears": [ "2025", "2026" ], "problem": "Coinbase는 인재 밀도를 다룬 글을 올린 뒤 기록적인 지원자 수를 받았다. 2025년에도 그 흐름이 이어졌다. 채용팀 규모를 지원자 수에 맞춰 늘리는 것은 사실상 불가능했다. 그 결과 제대로 검토받지 못하는 지원서가 생겼다.", "eventDate": "2025-06-16", "eventBasis": "공개", "translations": { "en": { "usecase": "Reviewing job applications", "problem": "After Coinbase published a piece on talent density it received a record number of applicants. That flow continued into 2025. Growing the recruiting team in step with the number of applicants was effectively impossible. As a result some applications did not get a proper review.", "implementation": "The company built an AI tool for application review in house. The tool sorts and prioritises applications against the experience and skills that fit open roles. It is applied in some regions and roles outside the European Union and the United Kingdom. Qualified applicants are reviewed one by one by a recruiter. The company said recruiters remain at the centre of the process. Scheduling interviews and organising interview notes are written up as plans, targeted for release in the third quarter of 2025.", "outcome": "Coinbase said the goal is to make the hiring process faster and friendlier to applicants. It explained that the aim is to let more applicants receive a fair and careful review beyond the limits of the recruiting team's size. It wrote that recruiters will spend more time building relationships with the top applicants the AI surfaces. The article carries no figures such as volume handled or time saved.", "limitation": "Scheduling interviews and organising notes are written up in the source only as plans. Figures supporting an improvement in review speed or fairness are not in the source." }, "jp": { "usecase": "採用応募書類の確認", "problem": "Coinbaseは人材の密度を扱った記事を出したあと、記録的な応募者数を受け取った。2025年もその流れが続いた。採用チームの規模を応募者数に合わせて増やすことは事実上できなかった。その結果、きちんと確認されない応募書類が出た。", "implementation": "同社は応募書類を確認するためのAIの道具を社内で自ら作った。この道具は、開いている職務に合う経歴と技能を基準に応募書類を分類し、優先順位を付ける。適用の範囲は欧州連合と英国の外の一部の地域と職務である。資格を備えた応募者は、採用の担当者が一人ずつ確認する。同社は、担当者が今も過程の中心にいると述べた。面接日程の調整と面接記録の整理は計画として記し、2025年第3四半期の提供を目標に据えた。", "outcome": "Coinbaseは、採用の過程をより速く、応募者にやさしくすることが目標だと述べた。採用チームの規模の限界を越えて、より多くの応募者が公正で丁寧な確認を受けられるようにするためだと説明した。担当者はAIが見つけた上位の応募者との関係づくりに時間をより多く使うようになると記した。記事には処理件数や時間の節約といった数値がない。", "limitation": "面接日程の調整と記録の整理は、原文に計画としてのみ記されている。確認の速度や公正さの改善を裏づける数値は原文にない。" }, "zh": { "usecase": "审阅求职申请", "problem": "Coinbase发表了一篇讨论人才密度的文章之后，收到了创纪录的申请人数。这一势头延续到2025年。按申请人数同步扩充招聘团队实际上做不到。结果就是有些申请没有得到充分审阅。", "implementation": "公司在内部自行开发了用于审阅申请的AI工具。该工具依据与开放职位相匹配的经历和技能，对申请进行分类和排序。适用范围是欧盟和英国以外的部分地区和职位。符合条件的申请人由招聘负责人逐一审阅。公司表示，招聘负责人仍处于流程的核心。安排面试日程和整理面试记录被写作计划，目标是在2025年第三季度推出。", "outcome": "Coinbase表示，目标是让招聘流程更快、对申请人更友好。公司说明，其用意是突破招聘团队规模的限制，让更多申请人获得公平而细致的审阅。文章写到，招聘负责人将把更多时间用于与AI筛选出的优秀申请人建立联系。文中没有处理数量或节省时间之类的数字。", "limitation": "安排面试日程和整理记录在原文中只是计划。支撑审阅速度或公平性改善的数字，原文中没有。" } } }, { "industry": "유통", "subindustry": "대형마트", "company": "Walmart", "country": "미국", "stage": "운영", "usecase": "야간 상품 보충 작업 배정", "implementation": "Walmart는 직원용 앱에 AI 업무 관리 도구를 넣었다. 이 도구는 할 일을 읽고 우선순위를 매겨 추천한다. 처음 적용한 범위는 야간 진열 업무다. 직원은 어디에 집중해야 하는지 안내를 받고 그 자리에서 일한다. 다른 근무조는 일부 매장에서 시범 운영 중이다. Greg Cathey 부사장은 AI의 힘이 사람의 강점과 짝을 이룰 때 제대로 열린다고 밝혔다.", "outcome": "Walmart는 초기 결과를 근거로 팀 리드가 근무를 계획하는 시간이 90분에서 30분으로 줄었다고 밝혔다. 이 값은 측정치가 아니라 팀 리드와 점장의 추산이다. 회사는 직원의 업무 흐름이 더 단순하고 직관적으로 바뀌었다고 설명했다. 야간 진열 밖의 근무조에서는 아직 시범 단계다.", "limitation": "확인된 적용 범위는 야간 진열 업무다. 다른 근무조로 넓혔을 때의 결과와 실제 측정치는 원문에 없다.", "id": "AX015", "scope": "본조사", "sourceIds": [ "S013" ], "evidenceAccess": "원문 본문 열람", "dateLabel": "2025-06-24", "dateBasis": "자료 발표 시점. 도입 시작일과 다를 수 있음", "evidenceYears": [ "2025" ], "problem": "Walmart 매장 직원은 여러 도구를 오가며 할 일을 찾아야 했다. 팀 리드는 근무조 계획을 짜는 데 시간을 많이 썼다. 무엇을 먼저 채워야 하는지 한 곳에서 알려 주는 안내가 없었다. 회사는 매장 직원용 AI 도구 묶음을 내놓으면서 이 문제를 함께 다뤘다.", "eventDate": "2025-06-24", "eventBasis": "공개", "translations": { "en": { "usecase": "Assigning overnight restocking work", "problem": "Walmart store associates had to move between several tools to find their tasks. Team leads spent a lot of time planning shifts. There was no single place telling them what should be restocked first. The company addressed this problem as part of releasing a set of AI tools for store associates.", "implementation": "Walmart put an AI task management tool into the associate app. The tool reads the tasks, prioritises them and makes recommendations. The first area it was applied to is overnight stocking. Associates receive guidance on where to focus and work right there. Other shifts are being piloted in some stores. Vice President Greg Cathey said the power of AI truly opens up when it is paired with human strengths.", "outcome": "On the basis of early results Walmart said the time team leads spend planning a shift fell from 90 minutes to 30 minutes. That figure is an estimate from team leads and store managers, not a measurement. The company said associates' workflow became simpler and more intuitive. Shifts beyond overnight stocking are still at the pilot stage.", "limitation": "The confirmed scope of application is overnight stocking work. Results from extending it to other shifts and actual measured figures are not in the source." }, "jp": { "usecase": "夜間の商品補充作業の割り当て", "problem": "Walmartの店舗従業員は、いくつもの道具を行き来してやるべき仕事を探さなければならなかった。チームリードはシフトの計画を立てるのに時間を多く使っていた。何を先に補充すべきかを一か所で知らせる案内がなかった。同社は店舗従業員向けのAI道具の一群を出しながら、この問題も併せて扱った。", "implementation": "Walmartは従業員向けのアプリに、AIの業務管理の道具を入れた。この道具はやるべき仕事を読み、優先順位を付けて推薦する。最初に適用した範囲は夜間の陳列業務である。従業員はどこに集中すべきかの案内を受け、その場で働く。ほかのシフトは一部の店舗で試験運用中である。グレッグ・キャシー副社長は、AIの力は人の強みと組み合わさったときに本当に開かれると述べた。", "outcome": "Walmartは初期の結果を根拠に、チームリードがシフトを計画する時間が90分から30分に減ったと述べた。この値は測定値ではなく、チームリードと店長の推算である。同社は従業員の業務の流れがより単純で直感的に変わったと説明した。夜間の陳列以外のシフトでは、まだ試験の段階である。", "limitation": "確認された適用の範囲は夜間の陳列業務である。ほかのシフトへ広げたときの結果や実際の測定値は原文にない。" }, "zh": { "usecase": "分配夜间补货作业", "problem": "Walmart的门店员工要在多个工具之间来回切换才能找到自己的任务。团队组长在排班上花了大量时间。没有一个统一入口告诉他们应该先补哪些货。公司在推出一组面向门店员工的AI工具时，一并处理了这个问题。", "implementation": "Walmart在员工应用中加入了AI任务管理工具。该工具读取待办任务，排定优先级并给出推荐。首先应用的范围是夜间上架作业。员工会收到应把精力放在哪里的指引，并当场开展工作。其他班次正在部分门店试运行。副总裁Greg Cathey表示，AI的力量只有与人的长处结合时才真正释放出来。", "outcome": "Walmart依据初期结果表示，团队组长排班的时间从90分钟减少到30分钟。这个数字不是实测值，而是团队组长和店长的估算。公司说明，员工的工作流程变得更简单、更直观。夜间上架之外的班次仍处于试点阶段。", "limitation": "已确认的应用范围是夜间上架作业。推广到其他班次后的结果和实际实测数值，原文中没有。" } } }, { "industry": "농림수산", "subindustry": "연어 양식", "company": "Mowi", "country": "노르웨이", "stage": "도입 발표", "usecase": "AI 원격 급이", "implementation": "Mowi는 노르웨이 본사에서 가져온 기술로 원격 급이 체계를 갖춘다. Chiloé의 Chonchi에 둔 운영실에서 Aysén과 Los Lagos 지역의 생산을 본다. 운영실은 160제곱미터에 작업 자리 14개를 뒀다. 여기서 양식장 30곳의 환경 변수와 물고기 행동을 실시간으로 확인하고 사료 공급량과 시점을 맞춘다. 기술 묶음에는 감시와 환경 관측용 드론, 관측 정거장, 광주기 관리용 스마트 조명, 그물 청소 로봇, 생물량 추정과 동물 복지 평가용 다목적 카메라, 인공지능 이미지 처리기, 고효율 폰툰이 들어간다. 회사는 이를 Smart Farming 4.0 전략의 일부로 설명했다.", "outcome": "Mowi는 칠레 양식 업계에서 처음으로 모든 양식장에 인공지능 기반 원격 급이 체계를 갖추게 된다고 밝혔다. 대상은 칠레 양식장 100%다. 실시간으로 환경과 물고기 행동을 보면서 사료 공급을 맞춰 먹이 낭비를 줄이는 것이 목표다.", "limitation": "원문은 사료 효율이나 낭비 감소를 수치로 밝히지 않았다. 도입 완료 시점도 나오지 않는다.", "id": "AX048", "scope": "본조사", "sourceIds": [ "S042" ], "evidenceAccess": "원문 본문 열람", "dateLabel": "2025-06-27", "dateBasis": "자료 발표 시점. 도입 시작일과 다를 수 있음", "evidenceYears": [ "2025" ], "problem": "Mowi Chile은 기상이 나빠 며칠씩 양식장에 들어가지 못하는 문제를 겪었다. 생산에 영향을 줬을 뿐 아니라 물고기가 먹이를 받지 못했다. 그 탓에 스트레스가 커지고 행동이 달라졌다.", "eventDate": "2025-06-27", "eventBasis": "공개", "translations": { "en": { "usecase": "AI remote feeding", "problem": "Mowi Chile faced days on end when bad weather kept crews out of the farm sites. That affected production, and it also meant the fish went unfed. Stress rose as a result and their behaviour changed.", "implementation": "Mowi is building a remote feeding system with technology brought over from its Norwegian head office. From a control room in Chonchi on Chiloé it watches production in the Aysén and Los Lagos regions. The control room covers 160 square metres and holds 14 workstations. From there it checks environmental variables and fish behaviour at 30 farm sites in real time and adjusts how much feed is delivered and when. The technology set includes drones for monitoring and environmental observation, observation stations, smart lighting for photoperiod control, net cleaning robots, multipurpose cameras for biomass estimation and animal welfare assessment, artificial intelligence image processors and high-efficiency pontoons. The company described this as part of its Smart Farming 4.0 strategy.", "outcome": "Mowi said it will be the first in the Chilean aquaculture industry to equip every farm site with an artificial intelligence based remote feeding system. The scope is 100 percent of its Chilean sites. The aim is to match feed delivery to conditions while watching the environment and fish behaviour in real time, and so reduce wasted feed.", "limitation": "The source gives no figures for feed efficiency or reduction in waste. The date the rollout completes is not given either." }, "jp": { "usecase": "AIによる遠隔給餌", "problem": "Mowi Chileは、天候が悪く何日も養殖場に入れない問題を抱えていた。生産に影響しただけでなく、魚が餌を受け取れなかった。そのためにストレスが大きくなり、行動が変わった。", "implementation": "Mowiはノルウェー本社から持ってきた技術で遠隔給餌の体系を整える。チロエ島のチョンチに置いた運用室から、アイセンとロスラゴス地域の生産を見る。運用室は160平方メートルで作業席を14席置いた。ここから養殖場30か所の環境変数と魚の行動をリアルタイムで確かめ、飼料の供給量と時点を合わせる。技術の一群には、監視と環境観測用のドローン、観測ステーション、光周期管理用のスマート照明、網の清掃ロボット、生物量の推定と動物福祉の評価用の多目的カメラ、人工知能の画像処理器、高効率ポンツーンが入る。同社はこれをSmart Farming 4.0戦略の一部として説明した。", "outcome": "Mowiは、チリの養殖業界で初めてすべての養殖場に人工知能を基にした遠隔給餌の体系を備えることになると述べた。対象はチリの養殖場の100%である。リアルタイムで環境と魚の行動を見ながら飼料の供給を合わせ、餌の無駄を減らすことが目標である。", "limitation": "原文は、飼料の効率や無駄の削減を数値で示していない。導入が完了する時点も出てこない。" }, "zh": { "usecase": "AI远程投喂", "problem": "Mowi Chile遇到过因天气恶劣连续多日无法进入养殖场的问题。这不仅影响生产，鱼也吃不到饲料，由此压力增大、行为发生变化。", "implementation": "Mowi用从挪威总部引进的技术搭建远程投喂体系。公司从设在奇洛埃岛琼奇的运营室监看艾森和洛斯拉戈斯地区的生产。运营室面积160平方米，设有14个工位。工作人员在这里实时查看30处养殖场的环境变量和鱼的行为，并据此调整饲料投放量和时机。技术组合包括用于监控和环境观测的无人机、观测站、用于光周期管理的智能照明、网箱清洗机器人、用于生物量估算和动物福利评估的多用途摄像头、人工智能图像处理器以及高效浮筒。公司把它描述为Smart Farming 4.0战略的一部分。", "outcome": "Mowi表示，它将成为智利养殖行业中第一家在全部养殖场配备人工智能远程投喂体系的公司，覆盖智利养殖场的100%。目标是实时观察环境和鱼的行为并据此调整投喂，从而减少饲料浪费。", "limitation": "原文没有以数字说明饲料效率或浪费的减少，也没有给出完成部署的时间。" } } }, { "industry": "물류", "subindustry": "물류센터", "company": "Amazon", "country": "미국", "stage": "운영", "usecase": "창고 이동 로봇 경로 조정", "implementation": "DeepFleet는 로봇 무리의 움직임을 조율하려고 만든 생성형 AI 기반 모델이다. 학습에 쓴 자료는 Amazon이 자사 사업장 안에서 쌓은 재고 이동 데이터다. 개발에는 Amazon SageMaker를 포함한 AWS 도구를 썼다. DeepFleet는 물류 네트워크 전반에서 로봇 경로를 조정해 혼잡을 줄이고 주문 처리를 빠르게 한다. 상품을 고객과 더 가까운 곳에 두는 배치도 가능해진다. 데이터가 쌓일수록 스스로 배워 계속 나아지는 구조라고 회사는 설명했다.", "outcome": "Amazon은 DeepFleet가 로봇 무리의 이동 시간을 10% 개선한다고 밝혔다. 같은 발표에서 백만 번째 로봇을 배치했고 전 세계 300곳이 넘는 사업장으로 망이 넓어졌다고 했다. 회사는 이동 시간을 10% 줄이면 배송이 빨라지고 운영비와 에너지 사용이 함께 줄어든다고 설명했다.", "limitation": "원문은 10% 개선을 앞으로 나타날 효과로 서술했고 대조군이나 센터별 수치는 없다. 백만 대가 넘는 로봇 전체에 DeepFleet 적용이 끝났다는 설명도 없다.", "id": "AX017", "scope": "본조사", "sourceIds": [ "S015" ], "evidenceAccess": "원문 본문 열람", "dateLabel": "2025-06-30", "dateBasis": "자료 발표 시점. 도입 시작일과 다를 수 있음", "evidenceYears": [ "2025" ], "problem": "Amazon 물류센터에는 이동 로봇이 대규모로 돌아다닌다. 길이 막히면 대기가 생기고 주문 처리도 늦어진다. 회사는 이 상황을 차가 몰린 도시의 교통 흐름에 빗대 설명했다.", "eventDate": "2025-06-30", "eventBasis": "공개", "translations": { "en": { "usecase": "Coordinating warehouse mobile robot routes", "problem": "Mobile robots move around Amazon fulfilment centres at large scale. When a path is blocked, waiting builds up and order handling slows down. The company described the situation by comparing it to traffic flow in a congested city.", "implementation": "DeepFleet is a generative AI based model built to coordinate the movement of the robot fleet. The material used for training is the inventory movement data Amazon accumulated inside its own facilities. Development used AWS tools including Amazon SageMaker. DeepFleet coordinates robot routes across the fulfilment network to reduce congestion and speed up order handling. It also makes it possible to place goods closer to customers. The company explained that the more data builds up, the more the system learns on its own and keeps improving.", "outcome": "Amazon said DeepFleet improves the fleet's travel time by 10 percent. In the same announcement it said it had deployed its one millionth robot and that the network had grown to more than 300 facilities worldwide. The company explained that cutting travel time by 10 percent makes delivery faster and lowers operating cost and energy use at the same time.", "limitation": "The source describes the 10 percent improvement as an effect still to come, and there is no control group or per-centre figure. There is also no statement that DeepFleet has finished rolling out across all of the more than one million robots." }, "jp": { "usecase": "倉庫の移動ロボットの経路調整", "problem": "Amazonの物流センターでは、移動ロボットが大規模に動き回っている。道がふさがると待ちが生じ、注文の処理も遅れる。同社はこの状況を、車が集まった都市の交通の流れにたとえて説明した。", "implementation": "DeepFleetは、ロボットの群れの動きを調整するために作られた生成AIを基にしたモデルである。学習に使った資料は、Amazonが自社の事業所の中で積み上げた在庫移動のデータである。開発にはAmazon SageMakerを含むAWSの道具を使った。DeepFleetは物流ネットワーク全体でロボットの経路を調整し、混雑を減らして注文の処理を速くする。商品を顧客により近い場所に置く配置も可能になる。データが積み上がるほど自ら学び、良くなり続ける仕組みだと同社は説明した。", "outcome": "Amazonは、DeepFleetがロボットの群れの移動時間を10%改善すると述べた。同じ発表で、100万台目のロボットを配置し、世界で300か所を超える事業所に網が広がったと述べた。同社は、移動時間を10%減らすと配送が速くなり、運営費とエネルギーの使用が併せて減ると説明した。", "limitation": "原文は10%の改善をこれから表れる効果として述べており、対照群やセンター別の数値はない。100万台を超えるロボット全体でDeepFleetの適用が終わったという説明もない。" }, "zh": { "usecase": "调度仓库移动机器人路径", "problem": "Amazon物流中心内有大规模的移动机器人往来。一旦路径受阻就会产生等待，订单处理也随之变慢。公司用车流拥堵的城市交通来比喻这一情形。", "implementation": "DeepFleet是为协调机器人集群运动而构建的生成式AI模型。训练使用的资料是Amazon在自有场站内积累的库存移动数据。开发使用了包括Amazon SageMaker在内的AWS工具。DeepFleet在整个物流网络中调度机器人路径，减少拥堵、加快订单处理，还能把商品放到离客户更近的位置。公司说明，数据积累越多，系统就越能自行学习并持续改进。", "outcome": "Amazon表示，DeepFleet把机器人集群的移动时间改善了10%。在同一次发布中，公司称已部署第一百万台机器人，网络扩展到全球300多处场站。公司说明，移动时间减少10%可以让配送更快，同时降低运营成本和能耗。", "limitation": "原文把10%的改善描述为将要出现的效果，没有对照组或各中心的具体数字，也没有说明DeepFleet已在超过一百万台机器人上全部完成部署。" } } }, { "industry": "제조", "subindustry": "완성차", "company": "BMW", "country": "독일", "stage": "제한 운영", "usecase": "설비 고장 진단 지원", "implementation": "Factory Genius는 검색 엔진처럼 움직인다. 인터넷이 아니라 미리 학습한 설비 매뉴얼, 품질 데이터, 내부 고장 보고, 계획 문서에서 답을 찾는다. 데이터는 매일 갱신되는 교대 근무 기록으로 계속 채운다. ChatGPT나 Gemini 같은 챗봇에 쓰이는 대규모 언어 모델을 넣어 언어 맥락을 이해한다. 그래서 일반 검색 엔진보다 정확한 결과를 낸다고 BMW는 설명한다. 상위 검색 결과를 출처 링크와 함께 보여주고, 원하면 찾은 정비 지침을 몇 문장으로 요약한다. 번역 기능도 있어 언제든 언어를 바꿀 수 있다. 도구는 해결안을 제안하고 실제 조치는 정비 담당자가 한다.", "outcome": "BMW는 Factory Genius가 특정 설비 문제의 해결안을 수초 안에 제안해 오류 진단에 드는 시간을 최소로 줄인다고 밝혔다. Dingolfing 공장 차체 공장의 시범 과제가 이 사내 개발의 바탕이 됐다. 2024년 봄 Dingolfing에서 만든 도구와 함께 미국 Spartanburg, 남아프리카공화국 Rosslyn 공장도 같은 시기에 비슷한 해법을 만들고 있었다. 뮌헨 본사의 AI 전문가들이 이 경험을 모아 전사 공통 애플리케이션으로 합쳤다. 이 도구는 사내 플랫폼을 통해 초기 개발 단계로 전 세계에서 쓸 수 있다.", "limitation": "원문은 진단 시간이나 설비 정지 시간이 얼마나 줄었는지 수치를 내놓지 않았다. 전 공장 도입 완료 여부도 초기 개발 단계라고만 적었다.", "id": "AX001", "scope": "본조사", "sourceIds": [ "S001" ], "evidenceAccess": "원문 본문 열람", "dateLabel": "2025-07-02", "dateBasis": "자료 발표 시점. 도입 시작일과 다를 수 있음", "evidenceYears": [ "2025" ], "problem": "BMW Group 공장에서 차량 생산 설비가 멈추면 매 순간이 아깝다. 정비 팀은 빠르게 원인을 찾아 해결해야 한다. 필요한 정보는 설비 매뉴얼, 품질 데이터, 내부 고장 보고, 계획 문서에 흩어져 있었다. 헝가리 데브레첸의 새 공장처럼 매뉴얼이 현지어로 없는 경우도 있었다.", "eventDate": "2025-07-02", "eventBasis": "공개", "translations": { "en": { "usecase": "Supporting equipment fault diagnosis", "problem": "When vehicle production equipment stops at a BMW Group plant, every moment counts. The maintenance team has to find the cause and fix it fast. The information they need was scattered across equipment manuals, quality data, internal fault reports and planning documents. In some cases, such as the new plant in Debrecen, Hungary, the manuals were not available in the local language.", "implementation": "Factory Genius works like a search engine. Instead of the internet, it finds answers in equipment manuals, quality data, internal fault reports and planning documents it has learned in advance. The data keeps being topped up with shift records that are updated daily. A large language model of the kind used in chatbots such as ChatGPT or Gemini is built in so it understands language context. BMW explains that this is why it gives more accurate results than a general search engine. It shows the top search results with links to the source and, on request, summarises the maintenance instruction it found in a few sentences. It also has a translation function, so the language can be changed at any time. The tool proposes a solution and the maintenance staff carry out the actual work.", "outcome": "BMW said Factory Genius proposes a solution to a specific equipment problem within seconds, cutting the time spent on fault diagnosis to a minimum. A pilot project at the body shop of the Dingolfing plant became the basis for this in-house development. Alongside the tool built at Dingolfing in spring 2024, the Spartanburg plant in the United States and the Rosslyn plant in South Africa were building similar solutions at the same time. AI specialists at the Munich head office gathered this experience and merged it into a single company-wide application. The tool is available worldwide through an internal platform at an early development stage.", "limitation": "The source gives no figure for how much diagnosis time or equipment downtime was reduced. On whether rollout to all plants is complete, it only says the tool is at an early development stage." }, "jp": { "usecase": "設備の故障診断の支援", "problem": "BMW Groupの工場で車両の生産設備が止まると、一瞬一瞬が惜しい。整備チームは素早く原因を見つけて解決しなければならない。必要な情報は設備のマニュアル、品質データ、社内の故障報告、計画文書に散らばっていた。ハンガリーのデブレツェンの新工場のように、マニュアルが現地の言語で用意されていない場合もあった。", "implementation": "Factory Geniusは検索エンジンのように動く。インターネットではなく、あらかじめ学習した設備のマニュアル、品質データ、社内の故障報告、計画文書から答えを探す。データは毎日更新される交代勤務の記録で埋め続ける。ChatGPTやGeminiのようなチャットボットに使われる大規模言語モデルを組み込み、言語の文脈を理解する。だから一般の検索エンジンより正確な結果を出すとBMWは説明する。上位の検索結果を出典のリンクとともに見せ、求めれば見つけた整備の指示を数文に要約する。翻訳の機能もあり、いつでも言語を変えられる。道具は解決案を提案し、実際の処置は整備の担当者が行う。", "outcome": "BMWは、Factory Geniusが特定の設備の問題の解決案を数秒で提案し、誤りの診断にかかる時間を最小に減らすと述べた。ディンゴルフィング工場の車体工場での試験課題が、この社内開発の土台になった。2024年春にディンゴルフィングで作った道具とともに、米国のスパルタンバーグ、南アフリカ共和国のロスリン工場も同じ時期に似た解法を作っていた。ミュンヘン本社のAIの専門家がこの経験を集め、全社共通のアプリケーションに合わせた。この道具は社内のプラットフォームを通じて、初期開発の段階として世界中で使える。", "limitation": "原文は、診断の時間や設備の停止時間がどれだけ減ったかの数値を出していない。全工場への導入が完了したかどうかも、初期開発の段階だとだけ記している。" }, "zh": { "usecase": "支持设备故障诊断", "problem": "在BMW Group的工厂里，车辆生产设备一旦停机，每一刻都很宝贵。维修团队必须迅速找到原因并解决。所需信息分散在设备手册、质量数据、内部故障报告和规划文档中。也有像匈牙利德布勒森新工厂那样，手册没有本地语言版本的情况。", "implementation": "Factory Genius的运作方式像搜索引擎。它不是搜索互联网，而是从事先学习过的设备手册、质量数据、内部故障报告和规划文档中找答案。数据通过每天更新的班次记录持续补充。系统内置了ChatGPT、Gemini这类聊天机器人所用的大语言模型，能理解语言上下文。BMW说明，这正是它比普通搜索引擎给出更准确结果的原因。它会连同来源链接展示排在前面的检索结果，并可按需把找到的维修指引概括成几句话。它还带有翻译功能，随时可以切换语言。工具提出解决方案，实际处置由维修人员完成。", "outcome": "BMW表示，Factory Genius能在数秒内针对特定设备问题提出解决方案，把故障诊断所需时间压到最低。丁格芬工厂车身车间的试点项目成为这项内部开发的基础。除了2024年春季在丁格芬做出的工具之外，美国斯帕坦堡工厂和南非罗斯林工厂当时也在做类似的方案。慕尼黑总部的AI专家汇总这些经验，整合成全公司通用的应用。该工具通过内部平台以早期开发阶段的形态在全球可用。", "limitation": "原文没有给出诊断时间或设备停机时间减少了多少的数字。关于是否已在全部工厂完成部署，也只写了处于早期开发阶段。" } } }, { "industry": "유통", "subindustry": "의류", "company": "H&M", "country": "스웨덴", "stage": "제한 운영", "usecase": "디지털 모델 광고 이미지", "implementation": "디지털 트윈을 쓴 첫 이미지 묶음을 만들었다. 배경은 세계 패션 도시들이고 소재는 데님이다. 전담 팀과 함께 만들었고 제작 과정을 담은 비하인드 영상도 같이 냈다. 사진가 Johnny Kangasniemi와 모델 Vanessa Moody가 참여했다. 최고 크리에이티브 책임자 Jörgen Andersson은 생성형 AI 같은 신기술로 창의성을 키우고 패션을 보여 주는 방식을 다시 그려 보고 있다고 밝혔다.", "outcome": "첫 이미지 묶음을 실제로 공개했다. 가을에는 여러 도시에서 다른 창작 해석을 더 내놓겠다고 밝혔다. 참여한 모델 Vanessa Moody는 이번 작업이 전문적이고 협업이 되며 투명하다고 말했다. 사진가 Johnny Kangasniemi는 AI를 자기 사진 작업 옆에 두고 더 탐색해 볼 만한 도구로 평가했다.", "limitation": "디지털 트윈을 몇 명분 만들었는지, 이미지가 몇 장인지, 제작비와 매출에 어떤 변화가 있었는지는 이 자료에 없다.", "id": "AX039", "scope": "본조사", "sourceIds": [ "S034" ], "evidenceAccess": "원문 본문 열람", "dateLabel": "2025-07-02", "dateBasis": "자료 발표 시점. 도입 시작일과 다를 수 있음", "evidenceYears": [ "2025" ], "problem": "H&M은 생성형 AI가 창작 과정을 어디까지 넓힐 수 있는지 시험하고 있다. 이 자료는 기존 촬영 방식의 어떤 점이 막혔는지는 설명하지 않는다. 대신 패션을 보여 주는 방식 자체를 다시 그려 보겠다고 밝힌다.", "eventDate": "2025-07-02", "eventBasis": "공개", "translations": { "en": { "usecase": "Advertising images with digital models", "problem": "H&M is testing how far generative AI can widen the creative process. This source does not explain what was blocked in the existing shoot process. Instead it says the company wants to rethink how fashion itself is shown.", "implementation": "The company produced its first set of images using digital twins. The backdrops are fashion cities around the world and the material is denim. It was made with a dedicated team, and a behind-the-scenes film covering the production was released alongside. Photographer Johnny Kangasniemi and model Vanessa Moody took part. Chief Creative Officer Jörgen Andersson said the company is growing creativity with new technology such as generative AI and rethinking how fashion is shown.", "outcome": "The first set of images was actually published. The company said it will release further creative interpretations from several cities in the autumn. Model Vanessa Moody, who took part, said the work was professional, collaborative and transparent. Photographer Johnny Kangasniemi assessed AI as a tool worth exploring further alongside his own photographic work.", "limitation": "How many people were given digital twins, how many images there are, and what changed in production cost and revenue are not in this source." }, "jp": { "usecase": "デジタルモデルによる広告画像", "problem": "H&Mは、生成AIが創作の過程をどこまで広げられるかを試している。この資料は、従来の撮影のやり方のどこが行き詰まっていたかを説明していない。代わりに、ファッションを見せるやり方そのものを描き直してみると述べている。", "implementation": "デジタルツインを使った最初の画像の一群を作った。背景は世界のファッション都市で、素材はデニムである。専任のチームと一緒に作り、制作の過程を収めた舞台裏の映像も併せて出した。写真家のJohnny KangasniemiとモデルのVanessa Moodyが参加した。最高クリエイティブ責任者のJörgen Anderssonは、生成AIのような新しい技術で創造性を伸ばし、ファッションを見せるやり方を描き直してみていると述べた。", "outcome": "最初の画像の一群を実際に公開した。秋には複数の都市で別の創作の解釈をさらに出すと述べた。参加したモデルのVanessa Moodyは、今回の仕事は専門的で協働があり、透明だと語った。写真家のJohnny Kangasniemiは、AIを自分の写真の仕事の隣に置いて、さらに探ってみる価値のある道具だと評価した。", "limitation": "デジタルツインを何人分作ったのか、画像が何枚なのか、制作費と売上にどんな変化があったのかは、この資料にない。" }, "zh": { "usecase": "使用数字模特的广告图像", "problem": "H&M正在测试生成式AI能把创作过程拓展到什么程度。这份资料没有说明原有拍摄方式在哪里受阻，而是表示要重新构想展示时装的方式本身。", "implementation": "公司制作了第一组使用数字孪生的图像。背景是世界各地的时尚城市，主题面料是丹宁。作品由专门团队完成，同时还发布了记录制作过程的幕后影片。摄影师Johnny Kangasniemi和模特Vanessa Moody参与其中。首席创意官Jörgen Andersson表示，公司正用生成式AI这样的新技术提升创造力，重新构想展示时装的方式。", "outcome": "第一组图像已实际公开。公司表示，秋季将在多个城市推出不同的创作诠释。参与的模特Vanessa Moody说，这次合作专业、有协作且透明。摄影师Johnny Kangasniemi认为，AI是值得与自己的摄影工作并置、进一步探索的工具。", "limitation": "为多少人制作了数字孪生、图像共有多少张、制作成本和销售发生了什么变化，这份资料中都没有。" } } }, { "industry": "보험", "subindustry": "생명보험", "company": "교보생명", "country": "한국", "stage": "운영", "usecase": "보험금 청구서류 판독과 심사", "implementation": "교보생명은 보험금 지급 전 과정에 AI와 디지털 기반 시스템을 넣었다. 축은 세 가지다. AI 기반 자동심사 모델, 청구서류 광학문자인식(OCR) 고도화, 심사 완료 후 즉시 송금 시스템이다. OCR 시스템은 업계 최초로 13종의 청구서류를 자동 인식하도록 설계해 접수 효율을 높였다. AI 심사 모델은 머신러닝으로 심사 난이도와 자동심사 가능 여부를 판단한다. 이 판단으로 처리 속도와 정확성을 함께 끌어올렸다고 회사는 설명했다.", "outcome": "교보생명은 발표 시점 기준 지난해 하반기 보험금 신속지급 평균기간이 0.24일로 생명보험사 중 가장 빨랐다고 밝혔다. 청구부터 지급까지 약 2시간 이내에 끝난다는 뜻이다. 생명보험 업계 평균 0.67일, 손해보험 평균 0.69일과 견주면 약 3배 빠르다. 청구 건수 대비 부지급 건수를 나타내는 부지급률도 1% 미만으로 주요 생보사 중 가장 낮았다고 했다. 회사는 이 성과를 지급 전 과정에 AI와 디지털 시스템을 먼저 넣은 결과로 설명했다.", "limitation": "원문은 도입 전 처리 방식과 자동심사 적용 비율, 오인식 사례를 밝히지 않았다. 성과 수치도 AI 심사, OCR, 즉시 송금이 함께 만든 결과라 AI 단독 기여는 나뉘지 않는다.", "id": "AX014", "scope": "본조사", "sourceIds": [ "S012" ], "evidenceAccess": "원문 본문 열람", "dateLabel": "2025-07-09", "dateBasis": "자료 발표 시점. 도입 시작일과 다를 수 있음", "evidenceYears": [ "2025" ], "problem": "보험금 청구는 서류 접수, 심사, 송금으로 이어지는 여러 단계를 거친다. 교보생명은 이 전 과정의 속도가 고객 신뢰와 바로 이어진다고 봤다. 회사 관계자는 보험금 지급이 고객과의 신뢰를 보여주는 가장 본질적인 접점이라고 말했다.", "eventDate": "2025-07-09", "eventBasis": "공개", "translations": { "en": { "usecase": "Reading and assessing insurance claim documents", "problem": "An insurance claim goes through several stages, from receiving documents to assessment and payment. Kyobo Life Insurance took the view that the speed of this whole process ties directly to customer trust. A company representative said paying a claim is the most fundamental point of contact that demonstrates trust with the customer.", "implementation": "Kyobo Life Insurance put AI and digital systems into the whole claim payment process. There are three pillars: an AI based automatic assessment model, upgraded optical character recognition (OCR) for claim documents, and a system that transfers money immediately once assessment is complete. The OCR system was designed to recognise 13 types of claim document automatically, a first in the industry, raising intake efficiency. The AI assessment model uses machine learning to judge the difficulty of a claim and whether automatic assessment is possible. The company explained that this judgement raised both processing speed and accuracy.", "outcome": "Kyobo Life Insurance said that, as of the announcement, its average fast payment period in the second half of last year was 0.24 days, the quickest among life insurers. That means the process from claim to payment finishes within about two hours. Against the life insurance industry average of 0.67 days and the non-life average of 0.69 days, it is about three times faster. It said the non-payment rate, the share of claims not paid, was also under 1 percent, the lowest among the major life insurers. The company attributed this result to being early in putting AI and digital systems into the whole payment process.", "limitation": "The source does not disclose how claims were handled before adoption, the share covered by automatic assessment, or cases of misrecognition. The performance figures are also the combined result of AI assessment, OCR and immediate transfer, so the contribution of AI alone cannot be separated out." }, "jp": { "usecase": "保険金請求書類の読み取りと査定", "problem": "保険金の請求は、書類の受付、査定、送金へと続く複数の段階を経る。教保生命保険は、この全過程の速さが顧客の信頼にそのままつながると見た。同社の関係者は、保険金の支払が顧客との信頼を示す最も本質的な接点だと語った。", "implementation": "教保生命保険は、保険金の支払の全過程にAIとデジタル基盤のシステムを入れた。軸は三つである。AIを基にした自動査定モデル、請求書類の光学文字認識（OCR）の高度化、査定の完了後すぐに送金する仕組みである。OCRのシステムは業界で初めて13種類の請求書類を自動で認識するように設計し、受付の効率を高めた。AIの査定モデルは機械学習で査定の難易度と自動査定が可能かどうかを判断する。この判断で処理の速さと正確さを同時に引き上げたと同社は説明した。", "outcome": "教保生命保険は、発表の時点で昨年下半期の保険金の迅速支払の平均期間が0.24日で、生命保険会社のなかで最も速かったと述べた。請求から支払までが約2時間以内に終わるという意味である。生命保険業界の平均0.67日、損害保険の平均0.69日と比べると約3倍速い。請求件数に対する不支払件数を示す不支払率も1%未満で、主要な生保のなかで最も低かったとした。同社はこの成果を、支払の全過程にAIとデジタルのシステムを先に入れた結果として説明した。", "limitation": "原文は、導入前の処理のやり方や自動査定の適用比率、誤認識の事例を明らかにしていない。成果の数値も、AIの査定、OCR、即時の送金が一緒に作った結果であり、AI単独の寄与は切り分けられない。" }, "zh": { "usecase": "理赔单据识别与审核", "problem": "保险理赔要经过受理单据、审核、付款等多个环节。教保生命保险认为，这一整个流程的速度直接关系到客户信任。公司相关人士表示，赔款支付是体现与客户之间信任的最本质的接触点。", "implementation": "教保生命保险把AI和数字化系统引入理赔支付的全过程，主要有三条支柱：基于AI的自动审核模型、理赔单据光学字符识别（OCR）的升级，以及审核完成后立即付款的系统。OCR系统在业内首次设计为可自动识别13种理赔单据，提高了受理效率。AI审核模型用机器学习判断案件的审核难度以及能否自动审核。公司说明，这一判断同时提升了处理速度和准确性。", "outcome": "教保生命保险表示，截至发布时，去年下半年赔款快速支付的平均周期为0.24天，在寿险公司中最快，意味着从报案到付款约在两小时内完成。与寿险行业平均0.67天、财险平均0.69天相比，快约3倍。公司还称，表示拒赔件数占报案件数比例的拒赔率也低于1%，是主要寿险公司中最低的。公司把这一成绩归因于率先把AI和数字化系统引入支付全过程。", "limitation": "原文未说明引入前的处理方式、自动审核的适用比例以及误识别案例。成效数字也是AI审核、OCR和即时付款共同作用的结果，无法单独区分AI的贡献。" } } }, { "industry": "게임", "subindustry": "온라인 게임 플랫폼", "company": "Roblox", "country": "미국", "stage": "운영", "usecase": "문자, 음성, 이미지의 유해 콘텐츠 판별", "implementation": "바탕에는 여러 형식을 함께 다루는 대형 transformer 모델이 있다. 운영 조건에 맞춰 이 모델을 증류하고 양자화해 빠르게 돌린다. 개인정보 필터는 요청량이 늘어 기존 CPU 서버로 감당하기 어려워졌다. 그래서 GPU 기반 서비스 구조를 새로 만들고 토큰 처리와 추론을 분리해 처리량을 네 배로 늘렸다. 음성 분류기는 여덟 개 언어에서 15초 안에 판정하며 회사는 이 모델을 공개했다. 사람은 드문 사례, 복잡한 조사, 이의 제기를 맡는다. 이의 제기에서 판정이 뒤집힌 사례는 다시 학습 자료로 들어간다.", "outcome": "새 구조로 바꾼 뒤 개인정보 필터는 최대 초당 370,000건을 처리한다. 회사는 오탐이 30% 줄었고 그 덕에 자동으로 잡아내는 개인정보 언급이 25% 늘었다고 밝혔다. 문자 필터 전체는 초당 750,000건 넘게 처리한다. 2024년 2월부터 12월까지 올라온 콘텐츠는 약 1조 건이며 정책 위반으로 탐지된 것은 0.01% 수준이라고 설명했다.", "limitation": "오탐 감소와 탐지 증가는 개인정보 필터에 한정된 값이다. 플랫폼 전체 안전성이 같은 비율로 좋아졌다는 뜻은 아니다.", "localId": "0760", "id": "AX081", "scope": "본조사", "sourceIds": [ "S076" ], "evidenceAccess": "원문 본문 열람", "dateLabel": "2025-07-09", "dateBasis": "자료 발표 시점. 도입 시작일과 다를 수 있음", "evidenceYears": [ "2025" ], "problem": "Roblox에서는 하루에 채팅 61억 건과 음성 110만 시간이 오간다. 언어는 28개다. 사람만으로 이 양을 밀리초 안에 검토하는 것은 불가능하다. 회사는 채팅만 맡겨도 수십만 명이 24시간 붙어야 한다고 적었다.", "eventDate": "2025-07-09", "eventBasis": "공개", "translations": { "en": { "usecase": "Detecting harmful content in text, voice and images", "problem": "On Roblox 6.1 billion chat messages and 1.1 million hours of voice pass through in a single day, in 28 languages. Reviewing that volume within milliseconds with people alone is impossible. The company wrote that chat alone would need hundreds of thousands of people working around the clock.", "implementation": "At the base sits a large transformer model that handles several formats together. This model is distilled and quantised to match operating conditions so it runs fast. The personal information filter grew beyond what the existing CPU servers could carry as request volume rose. A GPU based serving architecture was therefore built, separating tokenisation from inference and raising throughput fourfold. The voice classifier reaches a decision within 15 seconds in eight languages, and the company released this model publicly. People handle rare cases, complex investigations and appeals. Cases where an appeal overturns the decision go back in as training material.", "outcome": "After moving to the new architecture the personal information filter handles up to 370,000 requests per second. The company said false positives fell by 30 percent and that, thanks to this, automatically caught mentions of personal information rose by 25 percent. The text filters as a whole handle more than 750,000 requests per second. It explained that about 1 trillion pieces of content were uploaded between February and December 2024, of which about 0.01 percent were detected as policy violations.", "limitation": "The drop in false positives and the rise in detection are figures limited to the personal information filter. They do not mean platform-wide safety improved at the same rate." }, "jp": { "usecase": "文字、音声、画像の有害コンテンツの判別", "problem": "Robloxでは一日にチャット61億件と音声110万時間がやり取りされる。言語は28である。人だけでこの量をミリ秒のうちに確認するのは不可能だ。同社は、チャットだけを任せても数十万人が24時間張り付く必要があると記した。", "implementation": "土台には、複数の形式を一緒に扱う大型transformerモデルがある。運用の条件に合わせてこのモデルを蒸留し量子化して速く動かす。個人情報のフィルタは要求量が増え、従来のCPUサーバーでは支えきれなくなった。そこでGPUを基にした配信の構造を新しく作り、トークン処理と推論を分けて処理量を四倍に増やした。音声の分類器は八つの言語で15秒のうちに判定し、同社はこのモデルを公開した。人はまれな事例、複雑な調査、異議の申し立てを担う。異議の申し立てで判定が覆った事例は、再び学習の資料に入る。", "outcome": "新しい構造に替えたあと、個人情報のフィルタは最大で毎秒370,000件を処理する。同社は、誤検知が30%減り、そのおかげで自動で捉える個人情報の言及が25%増えたと述べた。文字のフィルタ全体では毎秒750,000件を超えて処理する。2024年2月から12月までに上がったコンテンツは約1兆件で、方針違反として検出されたのは0.01%の水準だと説明した。", "limitation": "誤検知の減少と検出の増加は、個人情報のフィルタに限った値である。プラットフォーム全体の安全性が同じ比率で良くなったという意味ではない。" }, "zh": { "usecase": "识别文本、语音和图像中的有害内容", "problem": "在Roblox上，一天有61亿条聊天和110万小时语音往来，涉及28种语言。仅靠人力在毫秒内审核这一体量是不可能的。公司写到，单是聊天一项就需要数十万人全天候盯着。", "implementation": "底层是一个能同时处理多种形式的大型transformer模型。为适配运行条件，公司对该模型做了蒸馏和量化以提高速度。随着请求量上升，个人信息过滤器已超出原有CPU服务器的承载能力。于是公司新建了基于GPU的服务架构，把分词处理与推理拆开，把吞吐量提高到四倍。语音分类器可在八种语言中于15秒内作出判定，公司已公开该模型。人负责罕见案例、复杂调查和申诉。申诉中被推翻的判定会重新作为训练素材。", "outcome": "切换到新架构后，个人信息过滤器最高可处理每秒370,000次请求。公司表示，误报减少了30%，因此自动捕捉到的个人信息提及增加了25%。文本过滤整体每秒处理超过750,000次请求。公司说明，2024年2月至12月上传的内容约1万亿条，其中被检测为违反政策的约占0.01%。", "limitation": "误报下降和检出增加是仅限于个人信息过滤器的数字，并不意味着平台整体安全性以同样比例改善。" } } }, { "industry": "미디어와 콘텐츠", "subindustry": "온라인 동영상", "company": "Amazon Prime Video", "country": "미국", "stage": "운영", "usecase": "시청 요약, 추천과 콘텐츠 자산 검색", "implementation": "Prime Video는 Amazon Bedrock 위에서 여러 기능을 돌린다. X-Ray Recaps는 Bedrock의 관리형 기반 모델과 Amazon SageMaker로 학습시킨 자체 모델을 함께 쓴다. 영상 구간을 분석하고 자막이나 대사를 합쳐 주요 사건과 장소, 시간, 대화를 설명으로 만든다. 아직 보지 않은 내용이 섞이지 않도록 Amazon Bedrock Guardrails로 검사한다. 영화와 TV 프로그램 화면의 맞춤 추천도 Bedrock이 돌린다. 콘텐츠 자산은 Media2Cloud on AWS 가이던스로 프레임과 장면, 음성 단위까지 분석해 메타데이터를 채우고 그 결과를 AWS 파트너인 Iconik의 자산 관리 시스템으로 자동 전달한다.", "outcome": "Prime Video는 이렇게 채운 메타데이터로 수십만 개 자산을 보강하고 마케팅 자료실의 검색 편의를 높였다고 밝혔다. Thursday Night Football과 NASCAR 중계에는 Prime Insights를 넣었다. NASCAR의 Burn Bar는 Bedrock의 AI 모델에 실시간 추적 데이터와 차량 내부 telemetry 신호를 합쳐 모든 차의 연료 소비와 효율을 분석한다. Rapid Recap은 늦게 들어온 시청자를 위해 최대 두 분 길이의 하이라이트를 자동으로 모아준다. 대사 보정 기능 Dialogue Boost는 영어로 시작해 여섯 개 언어를 더 지원한다.", "limitation": "이 글은 이미 운영하던 기능을 한데 묶어 설명한 자료다. 매출 증가나 제작비 절감처럼 금액으로 환산한 성과는 없다.", "localId": "0080", "id": "AX069", "scope": "본조사", "sourceIds": [ "S064" ], "evidenceAccess": "원문 본문 열람", "dateLabel": "2025-07-15", "dateBasis": "자료 발표 시점. 도입 시작일과 다를 수 있음", "evidenceYears": [ "2025" ], "problem": "Prime Video에는 자체 제작물과 라이선스 콘텐츠, 추가 구독 채널이 함께 올라온다. 볼거리가 늘수록 고객이 원하는 것을 찾는 데 시간이 더 걸린다. 마케팅에 쓰는 영상 자산은 여러 시스템에 흩어져 있고 메타데이터가 부족했다. 그래서 자료를 찾고 권리를 추적하고 품질을 확인하는 일이 어려웠다.", "eventDate": "2025-07-15", "eventBasis": "공개", "translations": { "en": { "usecase": "Viewing recaps, recommendations and content asset search", "problem": "Prime Video carries its own productions alongside licensed content and add-on subscription channels. The more there is to watch, the longer it takes customers to find what they want. Video assets used in marketing were scattered across several systems and short on metadata. That made finding material, tracking rights and checking quality difficult.", "implementation": "Prime Video runs several features on top of Amazon Bedrock. X-Ray Recaps uses managed foundation models on Bedrock together with its own models trained on Amazon SageMaker. It analyses video segments, combines subtitles or dialogue, and turns the main events, places, times and conversations into a description. Amazon Bedrock Guardrails checks that content the viewer has not yet seen does not slip in. Personalised recommendations on the film and TV screens also run on Bedrock. Content assets are analysed down to frames, scenes and audio units with the Media2Cloud on AWS guidance to fill in metadata, and the results pass automatically into the asset management system of AWS partner Iconik.", "outcome": "Prime Video said the metadata filled in this way enriched hundreds of thousands of assets and made the marketing asset library easier to search. Prime Insights was added to Thursday Night Football and NASCAR broadcasts. The NASCAR Burn Bar combines real-time tracking data and in-car telemetry signals with AI models on Bedrock to analyse fuel consumption and efficiency for every car. Rapid Recap automatically assembles highlights of up to two minutes for viewers who join late. The dialogue enhancement feature Dialogue Boost started in English and supports six more languages.", "limitation": "This article gathers features that were already running and explains them in one place. There is no result converted into money, such as revenue growth or production cost saving." }, "jp": { "usecase": "視聴の要約、推薦、コンテンツ資産の検索", "problem": "Prime Videoには、自社の制作物とライセンスのコンテンツ、追加の定額チャンネルが一緒に並ぶ。見るものが増えるほど、顧客が望むものを探すのに時間がかかる。マーケティングに使う映像の資産はいくつものシステムに散らばり、メタデータが足りなかった。そのため資料を探し、権利を追い、品質を確かめる作業が難しかった。", "implementation": "Prime VideoはAmazon Bedrockの上で複数の機能を動かす。X-Ray Recapsは、Bedrockの管理型の基盤モデルとAmazon SageMakerで学習させた自社モデルを併せて使う。映像の区間を分析し、字幕やせりふを合わせて、主な出来事と場所、時間、会話を説明に変える。まだ見ていない内容が混ざらないように、Amazon Bedrock Guardrailsで検査する。映画とテレビ番組の画面での個別の推薦もBedrockが動かす。コンテンツの資産は、Media2Cloud on AWSのガイダンスでフレームと場面、音声の単位まで分析してメタデータを埋め、その結果をAWSのパートナーであるIconikの資産管理システムへ自動で渡す。", "outcome": "Prime Videoは、こうして埋めたメタデータで数十万個の資産を補強し、マーケティングの資料室の検索の使い勝手を高めたと述べた。Thursday Night FootballとNASCARの中継にはPrime Insightsを入れた。NASCARのBurn Barは、BedrockのAIモデルにリアルタイムの追跡データと車内のtelemetryの信号を合わせ、すべての車の燃料の消費と効率を分析する。Rapid Recapは、遅れて入った視聴者のために最大2分の長さのハイライトを自動でまとめる。せりふを補正する機能のDialogue Boostは、英語から始めて六つの言語をさらに支える。", "limitation": "この記事は、すでに運用していた機能を一つにまとめて説明した資料である。売上の増加や制作費の削減のように金額に換算した成果はない。" }, "zh": { "usecase": "观看回顾、推荐与内容资产检索", "problem": "Prime Video上既有自制内容，也有版权引进内容和附加订阅频道。可看的东西越多，客户找到想看的内容就越费时间。用于营销的视频资产分散在多个系统中，元数据也不足，导致查找素材、追踪版权和核查质量都很困难。", "implementation": "Prime Video在Amazon Bedrock之上运行多项功能。X-Ray Recaps同时使用Bedrock的托管基础模型和在Amazon SageMaker上训练的自有模型。它分析视频片段，结合字幕或台词，把主要事件、地点、时间和对话转成描述文字。为避免混入观众尚未看到的内容，系统用Amazon Bedrock Guardrails进行检查。电影和电视节目界面上的个性化推荐同样由Bedrock驱动。内容资产则依据Media2Cloud on AWS的指导方案，细到帧、场景和音频单元进行分析以填充元数据，结果自动传入AWS合作伙伴Iconik的资产管理系统。", "outcome": "Prime Video表示，这样填充的元数据丰富了数十万个资产，提升了营销素材库的检索便利性。Thursday Night Football和NASCAR的转播中加入了Prime Insights。NASCAR的Burn Bar把实时追踪数据和车内telemetry信号与Bedrock上的AI模型结合，分析每辆车的燃料消耗和效率。Rapid Recap为中途加入的观众自动汇总最长两分钟的精彩片段。台词增强功能Dialogue Boost从英语起步，又支持了六种语言。", "limitation": "这篇文章是把已经在运行的功能集中起来做的说明。其中没有换算成金额的成果，比如收入增长或制作成本节省。" } } }, { "industry": "유통", "subindustry": "전자상거래 플랫폼", "company": "Shopify", "country": "캐나다", "stage": "운영", "usecase": "상품 정보의 통합과 표준화", "implementation": "Shopify는 Global Catalogue라는 상품 정보 계층을 만들었다. 첫 층은 매일 1,000만 건이 넘는 상품 갱신을 스트리밍으로 받는다. 둘째 층은 vision large language model을 세부 조정해 분류, 속성 추출, 이미지 이해, 제목 표준화, 설명 요약, 후기 요약을 한 모델로 함께 처리한다. 셋째 층은 서로 다른 판매자가 같은 상품을 파는 경우를 묶고, 넷째 층은 묶인 상품의 속성과 설명, 이미지를 합쳐 대표 상품 기록을 만든다. 상용 API 대신 LlaVA 1.5 7B와 LLaMA 3.2 11B를 거쳐 지금은 Qwen2VL 7B를 세부 조정해 쓴다. 학습 자료는 여러 LLM 주석 에이전트가 만들고 시험 자료는 사람이 최종 라벨을 정한다.", "outcome": "Shopify는 추론 기반이 하루 4,000만 건의 LLM 호출을 처리한다고 밝혔다. 필요한 항목만 뽑도록 학습과 프롬프트 방식을 바꿔 중앙값 지연을 2초에서 500밀리초로 줄였고 GPU 사용량을 40% 낮췄다고 설명했다. 회사는 이 자료가 판매자 관리 화면의 실시간 제안, 검색과 추천, Shopify Sidekick 같은 대화형 상거래에 쓰인다고 밝혔다.", "limitation": "하루 4,000만 건은 처리량이고 검색 성적이나 매출 개선율이 아니다. 원문은 분류와 속성 추출의 정확도 수치를 공개하지 않았다.", "localId": "0787", "id": "AX101", "scope": "본조사", "sourceIds": [ "S095" ], "evidenceAccess": "원문 본문 열람", "dateLabel": "2025-07-16", "dateBasis": "자료 발표 시점. 도입 시작일과 다를 수 있음", "evidenceYears": [ "2025" ], "problem": "Shopify에는 수백만 판매자가 저마다 다른 방식으로 상품을 올린다. 상품 정보 대부분이 정해진 칸이 아니라 자유 서술 문장으로 들어오고, 판매자마다 속성 이름과 값을 스스로 정해 구조가 제각각이다. 오타와 빈 값, 잘못된 분류도 섞이고 어떤 정보는 글이 아니라 이미지에만 있다. 그 결과 의미 기반 검색과 필터가 잘 듣지 않고 같은 상품이 중복으로 흩어진다.", "eventDate": "2025-07-16", "eventBasis": "공개", "translations": { "en": { "usecase": "Unifying and standardising product information", "problem": "Millions of merchants list products on Shopify, each in their own way. Most product information arrives as free-form sentences rather than fixed fields, and each merchant names attributes and values themselves, so the structure varies. Typos, empty values and wrong categories are mixed in, and some information exists only in images rather than text. As a result semantic search and filters work poorly and the same product is scattered as duplicates.", "implementation": "Shopify built a product information layer called Global Catalogue. The first layer takes in more than 10 million product updates a day as a stream. The second layer fine-tunes a vision large language model so that classification, attribute extraction, image understanding, title standardisation, description summarisation and review summarisation are all handled by one model. The third layer groups cases where different merchants sell the same product, and the fourth layer merges the attributes, descriptions and images of a grouped product into a representative product record. Instead of a commercial API it went through LlaVA 1.5 7B and LLaMA 3.2 11B and now fine-tunes Qwen2VL 7B. Training material is produced by several LLM annotation agents, and for test material people decide the final labels.", "outcome": "Shopify said its inference base handles 40 million LLM calls a day. It explained that by changing the training and prompting approach so only the needed fields are extracted, it cut median latency from 2 seconds to 500 milliseconds and lowered GPU usage by 40 percent. The company said this data is used for real-time suggestions in the merchant admin screen, for search and recommendations, and for conversational commerce such as Shopify Sidekick.", "limitation": "The 40 million a day is throughput, not a search result or a revenue improvement rate. The source does not disclose accuracy figures for classification or attribute extraction." }, "jp": { "usecase": "商品情報の統合と標準化", "problem": "Shopifyには数百万の販売者がそれぞれ違うやり方で商品を載せる。商品情報の大半は決められた欄ではなく自由な記述の文で入り、販売者ごとに属性の名前と値を自分で決めるので構造がばらばらである。誤字や空の値、誤った分類も混ざり、ある情報は文ではなく画像にしかない。その結果、意味を基にした検索とフィルタがうまく効かず、同じ商品が重複して散らばる。", "implementation": "ShopifyはGlobal Catalogueという商品情報の層を作った。第一の層は、毎日1,000万件を超える商品の更新をストリーミングで受ける。第二の層は、vision large language modelを細かく調整し、分類、属性の抽出、画像の理解、題名の標準化、説明の要約、レビューの要約を一つのモデルでまとめて処理する。第三の層は、異なる販売者が同じ商品を売っている場合をまとめ、第四の層は、まとめた商品の属性と説明、画像を合わせて代表となる商品の記録を作る。商用のAPIではなく、LlaVA 1.5 7BとLLaMA 3.2 11Bを経て、今はQwen2VL 7Bを細かく調整して使う。学習の資料は複数のLLMの注釈エージェントが作り、試験の資料は人が最終のラベルを決める。", "outcome": "Shopifyは、推論の基盤が一日に4,000万件のLLM呼び出しを処理すると述べた。必要な項目だけを取り出すように学習とプロンプトのやり方を変え、中央値の遅延を2秒から500ミリ秒に減らし、GPUの使用量を40%下げたと説明した。同社は、この資料が販売者の管理画面のリアルタイムの提案、検索と推薦、Shopify Sidekickのような対話型の商取引に使われると述べた。", "limitation": "一日4,000万件は処理量であり、検索の成績や売上の改善率ではない。原文は、分類と属性の抽出の精度の数値を公開していない。" }, "zh": { "usecase": "商品信息的整合与标准化", "problem": "Shopify上有数百万商家各按自己的方式上架商品。大部分商品信息不是填进固定字段，而是以自由描述的句子录入，属性名称和取值由各商家自行决定，结构五花八门。其中还混有错别字、空值和错误分类，有些信息只存在于图片而不在文字中。结果是语义检索和筛选效果不佳，同一件商品重复散落在各处。", "implementation": "Shopify建立了名为Global Catalogue的商品信息层。第一层以流式方式接收每天超过1,000万条的商品更新。第二层对vision large language model做精细调优，用一个模型同时处理分类、属性抽取、图像理解、标题标准化、描述摘要和评论摘要。第三层把不同商家销售同一件商品的情况归并，第四层把归并后商品的属性、描述和图片合并成代表性的商品记录。公司没有使用商用API，而是先后经过LlaVA 1.5 7B和LLaMA 3.2 11B，如今精调使用Qwen2VL 7B。训练素材由多个LLM标注代理生成，测试素材的最终标签由人来确定。", "outcome": "Shopify表示，其推理底座每天处理4,000万次LLM调用。公司说明，通过调整训练和prompt方式、只抽取必要字段，把延迟中位数从2秒降到500毫秒，GPU用量降低了40%。公司称，这些数据用于商家后台界面的实时建议、搜索与推荐，以及Shopify Sidekick这类对话式商务。", "limitation": "每天4,000万次是处理量，不是检索表现或销售改善率。原文未公开分类和属性抽取的准确率数字。" } } }, { "industry": "유통", "subindustry": "온라인 식료품", "company": "Instacart", "country": "미국", "stage": "운영", "usecase": "상품과 추천 묶음의 이미지 제작", "implementation": "Instacart는 PIXEL이라는 하나의 이미지 생성 플랫폼을 만들었다. 여러 모델에 접근하고 필요한 매개변수와 설정을 대신 만들어 준다. 이미지를 만들 때와 평가할 때 쓸 프롬프트의 기본값이 들어 있고 팀이 바꿀 수도 있다. 기술 지식이 없는 사람도 쓸 수 있는 화면을 뒀다. 자동 평가는 LLM이 만든 프롬프트로 이미지를 먼저 만들고, 프로젝트 필요에 맞춰 LLM이 평가 질문을 만든 뒤, 그 질문과 이미지를 vision language model에 넘겨 판정하는 순서로 돈다. 평가 질문은 구성, 일관성, 스타일, 전반적인 매력을 확인한다. 최종 품질은 사람 심사자가 판단한다.", "outcome": "Instacart는 PIXEL을 쓰는 팀이 새 이미지를 만드는 시간을 10배 줄였다고 밝혔다. 회사는 vision language model을 되먹임 고리로 써서 사람 심사자의 이미지 승인 비율을 20%에서 85%로 끌어올렸다고 설명했다. 정육 부위 이미지를 넣은 뒤 해당 품목의 탐색 시간과 장바구니 담기 시간이 25% 넘게 줄었고, 개인화 추천 묶음의 장바구니 전환은 15% 올랐다고 밝혔다.", "limitation": "수치는 특정 이미지 제작 절차와 정육 부위 같은 일부 품목에서 나온 값이다. 원문은 생성한 이미지의 총량이나 비용 절감액을 밝히지 않았다.", "localId": "0436", "id": "AX077", "scope": "본조사", "sourceIds": [ "S072", "S137" ], "evidenceAccess": "원문 본문 열람", "dateLabel": "2025-07-17", "dateBasis": "자료 발표 시점. 도입 시작일과 다를 수 있음", "evidenceYears": [ "2025" ], "problem": "온라인 식료품에서는 손님이 매장에서처럼 상품을 집어 살펴볼 수 없다. Instacart 안에서 이미지 생성은 팀마다 따로 돌아갔다. 팀마다 다른 모델과 다른 프롬프트 방식, 다른 평가 기준을 썼다. 어떤 프롬프트가 음식 사진에 잘 듣는지, 어떤 모델이 가장 사실적인지, 품질을 어떻게 잴지를 팀마다 처음부터 익혀야 했다.", "eventDate": "2025-07-17", "eventBasis": "공개", "translations": { "en": { "usecase": "Producing images of products and recommendation sets", "problem": "In online grocery, shoppers cannot pick up a product and look at it as they would in a store. Inside Instacart, image generation ran separately in each team. Every team used different models, different prompting styles and different evaluation criteria. Each team had to learn from scratch which prompts work for food photography, which model looks most realistic and how to measure quality.", "implementation": "Instacart built a single image generation platform called PIXEL. It gives access to several models and builds the required parameters and settings on the user's behalf. It carries default prompts for generating and for evaluating images, and teams can change them. It has a screen usable by people without technical knowledge. Automatic evaluation runs in this order: an LLM writes a prompt and the image is generated, an LLM then writes evaluation questions to suit the project's needs, and those questions and the image are passed to a vision language model for judgement. The evaluation questions check composition, consistency, style and overall appeal. Final quality is judged by human reviewers.", "outcome": "Instacart said teams using PIXEL cut the time to create a new image by a factor of 10. The company explained that using a vision language model as a feedback loop lifted the human reviewer approval rate for images from 20 percent to 85 percent. It said that after adding images of meat cuts, browsing time and time to add to cart for those items fell by more than 25 percent, and cart conversion for personalised recommendation sets rose by 15 percent.", "limitation": "The figures come from a specific image production procedure and from some items such as meat cuts. The source does not disclose the total volume of images generated or the amount of cost saved." }, "jp": { "usecase": "商品と推薦セットの画像制作", "problem": "オンラインの食料品では、買い手が店のように商品を手に取って見ることができない。Instacartの中では、画像の生成がチームごとに別々に回っていた。チームごとに違うモデル、違うプロンプトのやり方、違う評価基準を使っていた。どのプロンプトが食べ物の写真に効くのか、どのモデルが最も写実的か、品質をどう測るかを、チームごとに一から覚えなければならなかった。", "implementation": "InstacartはPIXELという一つの画像生成プラットフォームを作った。複数のモデルにアクセスでき、必要な媒介変数と設定を代わりに作ってくれる。画像を作るときと評価するときに使うプロンプトの初期値が入っており、チームが変えることもできる。技術の知識がない人でも使える画面を置いた。自動の評価は、LLMが作ったプロンプトで画像をまず作り、プロジェクトの必要に合わせてLLMが評価の質問を作ったうえで、その質問と画像をvision language modelに渡して判定する順で回る。評価の質問は、構成、一貫性、様式、全体の魅力を確かめる。最終の品質は人の審査者が判断する。", "outcome": "Instacartは、PIXELを使うチームが新しい画像を作る時間を10分の1に減らしたと述べた。同社は、vision language modelをフィードバックの輪として使い、人の審査者による画像の承認比率を20%から85%に引き上げたと説明した。精肉の部位の画像を入れたあと、その品目の閲覧時間とカートに入れるまでの時間が25%を超えて減り、個別化した推薦セットのカート転換は15%上がったと述べた。", "limitation": "数値は特定の画像制作の手順と、精肉の部位のような一部の品目で出た値である。原文は、生成した画像の総量や費用の削減額を明らかにしていない。" }, "zh": { "usecase": "制作商品与推荐组合的图像", "problem": "在线生鲜杂货中，顾客无法像在实体店那样拿起商品端详。在Instacart内部，图像生成各团队各行其是，使用不同的模型、不同的prompt写法和不同的评估标准。哪种prompt适合食物摄影、哪个模型最写实、质量如何衡量，每个团队都得从头摸索。", "implementation": "Instacart建了一个统一的图像生成平台PIXEL。它可以访问多个模型，并代为生成所需的参数和配置。平台内置了生成图像和评估图像时使用的默认prompt，团队也可以修改。它还提供了无需技术背景也能使用的界面。自动评估按这样的顺序运行：先由LLM生成prompt并产出图像，再由LLM根据项目需要生成评估问题，然后把这些问题和图像交给vision language model判定。评估问题检查构图、一致性、风格和整体吸引力。最终质量由人工评审判断。", "outcome": "Instacart表示，使用PIXEL的团队制作新图像的时间缩短到原来的十分之一。公司说明，把vision language model用作反馈回路后，人工评审对图像的通过率从20%提高到85%。公司还表示，加入肉类部位图像后，这些商品的浏览时间和加入购物车所需时间减少超过25%，个性化推荐组合的加购转化提高了15%。", "limitation": "这些数字来自特定的图像制作流程以及肉类部位等部分品类。原文未披露生成图像的总量或节省的成本金额。" } } }, { "industry": "여행과 숙박", "subindustry": "공항 지상조업", "company": "Lufthansa와 Fraport", "country": "독일", "stage": "제한 운영", "usecase": "항공기 지상 작업 추적", "implementation": "Lufthansa와 Fraport AG는 프랑크푸르트 공항의 항공기 조업을 더 다듬는 합의에 서명하고, Lufthansa 자회사 zeroG가 만든 카메라 기반 컴퓨터 비전 설루션 seer를 넣었다. 탑승교 도킹, 수하물 적재, 급유 같은 각 단계를 주기장 카메라가 기록한다. AI가 각 단계에 자동으로 시각을 찍는다. 이 기록은 중앙 데이터베이스 한 곳에 모여 모든 참여자가 같은 값을 본다. zeroG가 seer의 AI와 컴퓨터 비전을 개발하고 항공사와 공항의 요구를 맞춰 기존 절차에 붙였다. Fraport 최고경영자 Stefan Schulte는 데이터 투명성이 높아져 직원과 협력사가 각 단계를 더 정확히 보고 다음 작업을 맞춘다고 말했다.", "outcome": "개발과 시범 단계는 2023년에 시작했다. 2024년 2월부터 5월까지 Lufthansa와 Fraport가 프랑크푸르트 공항의 일부 주기장에서 시스템을 시험했다. 발표 시점에 seer는 주기장 5곳에서 쓰인다. 두 회사는 올해 3분기 말까지 20곳으로 늘린다고 밝혔다. 그 뒤 공항 전체로 단계적으로 넓힌다. Lufthansa Airlines 최고경영자 Jens Ritter는 투명한 지상 조업이 정시성과 서비스 품질을 더 높여 준다고 말했다.", "limitation": "원문은 정시성이 실제로 얼마나 좋아졌는지 수치를 내놓지 않았다. 공항 전체 확대 완료 시점도 정하지 않았다.", "id": "AX044", "scope": "본조사", "sourceIds": [ "S038" ], "evidenceAccess": "원문 본문 열람", "dateLabel": "2025-07-24", "dateBasis": "자료 발표 시점. 도입 시작일과 다를 수 있음", "evidenceYears": [ "2025" ], "problem": "항공기 지상 조업은 탑승교 도킹부터 수하물 적재와 급유까지 여러 작업이 짧은 시간에 겹쳐 돌아간다. zeroG 대표 Manuel van Esch는 항공기가 땅에 있을 때는 돈을 벌지 못하는데 그곳에서 가장 복잡한 과정이 시간 압박 속에 벌어진다고 말했다. 조업 정보의 양과 질이 충분하지 않아 각 단계를 투명하게 보기 어려웠다.", "eventDate": "2024-02", "eventBasis": "도입", "translations": { "en": { "usecase": "Tracking aircraft ground handling", "problem": "Aircraft ground handling packs many tasks into a short window, from docking the boarding bridge to loading baggage and refuelling. Manuel van Esch, head of zeroG, said an aircraft earns no money while it is on the ground, and yet the most complex process happens right there under time pressure. The volume and quality of handling information was not enough to see each step clearly.", "implementation": "Lufthansa and Fraport AG signed an agreement to refine aircraft handling at Frankfurt Airport and introduced seer, a camera based computer vision solution built by the Lufthansa subsidiary zeroG. Stand cameras record each step, such as docking the boarding bridge, loading baggage and refuelling. AI automatically timestamps each step. These records gather in one central database so every participant sees the same values. zeroG developed the AI and computer vision in seer and fitted it to existing procedures to match the needs of the airline and the airport. Fraport Chief Executive Officer Stefan Schulte said that with greater data transparency, staff and partners see each step more precisely and align the next task.", "outcome": "Development and the pilot phase began in 2023. From February to May 2024 Lufthansa and Fraport tested the system at some stands at Frankfurt Airport. At the time of the announcement seer was in use at five stands. The two companies said they will raise that to 20 by the end of the third quarter this year, and then extend it across the airport in stages. Lufthansa Airlines Chief Executive Officer Jens Ritter said transparent ground handling further improves punctuality and service quality.", "limitation": "The source gives no figure for how much punctuality actually improved. Nor does it set a date for completing the extension across the airport." }, "jp": { "usecase": "航空機の地上作業の追跡", "problem": "航空機の地上作業は、搭乗橋のドッキングから手荷物の積み込み、給油まで、複数の作業が短い時間に重なって進む。zeroG代表のManuel van Eschは、航空機が地上にいるときは金を稼げないのに、そこで最も複雑な過程が時間の圧力のなかで起きると語った。作業の情報の量と質が十分でなく、各段階を透明に見るのが難しかった。", "implementation": "LufthansaとFraport AGは、フランクフルト空港の航空機の作業をさらに整える合意に署名し、Lufthansaの子会社zeroGが作ったカメラを基にしたコンピュータービジョンのソリューションseerを入れた。搭乗橋のドッキング、手荷物の積み込み、給油といった各段階を駐機場のカメラが記録する。AIが各段階に自動で時刻を打つ。この記録は中央のデータベース一か所に集まり、すべての参加者が同じ値を見る。zeroGがseerのAIとコンピュータービジョンを開発し、航空会社と空港の要求に合わせて既存の手順に付けた。Fraport最高経営責任者のStefan Schulteは、データの透明性が高まり、従業員と協力会社が各段階をより正確に見て次の作業を合わせると語った。", "outcome": "開発と試験の段階は2023年に始まった。2024年2月から5月まで、LufthansaとFraportがフランクフルト空港の一部の駐機場でシステムを試した。発表の時点でseerは駐機場5か所で使われている。両社は今年の第3四半期末までに20か所へ増やすと述べた。その後は空港全体へ段階的に広げる。Lufthansa Airlines最高経営責任者のJens Ritterは、透明な地上作業が定時性とサービスの品質をさらに高めると語った。", "limitation": "原文は、定時性が実際にどれだけ良くなったかの数値を出していない。空港全体への拡大の完了時点も定めていない。" }, "zh": { "usecase": "追踪航空器地面作业", "problem": "航空器地面作业要在很短的时间里叠加完成登机桥对接、行李装载、加油等多项工作。zeroG负责人Manuel van Esch表示，飞机在地面时并不创造收入，而最复杂的过程恰恰在时间压力下发生在那里。作业信息的数量和质量都不够，难以透明地看清每个环节。", "implementation": "Lufthansa与Fraport AG签署协议，进一步优化法兰克福机场的航空器作业，并引入了Lufthansa子公司zeroG开发的基于摄像头的计算机视觉方案seer。机位摄像头记录登机桥对接、行李装载、加油等各个环节，AI自动为每个环节打上时间戳。这些记录汇集到一个中央数据库，所有参与方看到的是同一组数值。zeroG开发了seer的AI和计算机视觉，并按航空公司与机场的需求接入既有流程。Fraport首席执行官Stefan Schulte表示，数据透明度提高后，员工和合作方能更准确地看到每个环节，并据此安排下一步作业。", "outcome": "开发和试点阶段始于2023年。2024年2月至5月，Lufthansa与Fraport在法兰克福机场的部分机位测试了该系统。发布时，seer已在5个机位使用。两家公司表示，将在今年第三季度末前增加到20个机位，随后分阶段推广到全机场。Lufthansa Airlines首席执行官Jens Ritter表示，透明的地面作业能进一步提升准点率和服务质量。", "limitation": "原文没有给出准点率实际改善了多少的数字，也没有确定全机场推广完成的时间。" } } }, { "industry": "전문서비스", "subindustry": "채용과 인력 서비스", "company": "Adecco", "country": "스위스", "stage": "제한 운영", "usecase": "지원자 사전 확인", "implementation": "Adecco는 영국에서 Salesforce의 디지털 노동 플랫폼 Agentforce로 지원자 사전 확인을 맡겼다. 지원자는 문자나 이메일로 AI agent와 실제 대화처럼 글을 주고받는다. 무엇을 물을지는 채용담당자가 직접 정한다. 지원자에게는 처음부터 AI와 대화하고 있다고 알린다. AI agent는 매일 업무를 시작할 때 대화를 마친 지원자 명단을 담당자에게 넘긴다. 담당자는 이후 소프트 스킬 평가와 후속 면담에 시간을 쓴다.", "outcome": "Adecco는 첫 단계 도입으로 28개 기업이 공석을 채웠다고 밝혔다. 수천 명의 지원자에게 연락했고 그중 상당수가 자동 대화를 끝냈으며 만족도는 5점 만점에 4.6점이었다고 했다. 대화의 57%는 통상 근무시간 밖에서 이뤄졌다고 밝혔다. 회사는 지원자가 편한 시간에 응답할 수 있게 된 점을 성과로 들었다.", "limitation": "이 발표는 사전 확인 단계의 결과이며 채용 최종 결정을 AI가 했다는 내용은 없다. 채용 소요 기간이나 비용이 얼마나 줄었는지는 수치로 밝히지 않았다.", "id": "AX063", "scope": "본조사", "sourceIds": [ "S057" ], "evidenceAccess": "원문 본문 열람", "dateLabel": "2025-07-30", "dateBasis": "자료 발표 시점. 도입 시작일과 다를 수 있음", "evidenceYears": [ "2025" ], "problem": "채용 시장에서 지원자가 기대하는 것이 달라졌다. 대량 채용의 사전 확인은 양이 많고 시간에 쫓기는 일이다. 채용담당자가 여기에 시간을 다 쓰면 지원자와 깊이 있게 대화할 여유가 남지 않는다.", "eventDate": "2025-07-30", "eventBasis": "공개", "translations": { "en": { "usecase": "Pre-screening applicants", "problem": "What applicants expect from the recruitment market has changed. Pre-screening in volume hiring is high in quantity and pressed for time. If recruiters spend all their time there, no room is left for a deeper conversation with the applicant.", "implementation": "In the United Kingdom, Adecco handed applicant pre-screening to Agentforce, Salesforce's digital labour platform. Applicants exchange written messages with an AI agent by text or email, much like a real conversation. The recruiter decides directly what will be asked. Applicants are told from the start that they are talking to an AI. At the start of each working day the AI agent hands the recruiter a list of applicants who have completed the conversation. The recruiter then spends time on soft skills assessment and follow-up interviews.", "outcome": "Adecco said 28 companies filled vacancies through the first phase of adoption. It said thousands of applicants were contacted, a considerable share of them completed the automated conversation, and satisfaction was 4.6 out of 5. It said 57 percent of the conversations happened outside normal working hours. The company cited applicants being able to respond at a time that suits them as a result.", "limitation": "This announcement covers the result of the pre-screening stage, and there is nothing to say AI made the final hiring decision. How much the time to hire or the cost fell is not given as a number." }, "jp": { "usecase": "応募者の事前確認", "problem": "採用市場で応募者が期待するものが変わった。大量採用の事前確認は量が多く、時間に追われる仕事である。採用担当者がここに時間を使い切ると、応募者と深く話す余裕が残らない。", "implementation": "Adeccoは英国で、Salesforceのデジタル労働プラットフォームAgentforceに応募者の事前確認を任せた。応募者は文字やメールでAI agentと実際の会話のように文をやり取りする。何を尋ねるかは採用担当者が自分で決める。応募者には最初からAIと話していると知らせる。AI agentは毎日業務を始めるときに、会話を終えた応募者の名簿を担当者に渡す。担当者はその後、ソフトスキルの評価と後続の面談に時間を使う。", "outcome": "Adeccoは、最初の段階の導入で28社が空席を埋めたと述べた。数千人の応募者に連絡し、そのうち相当数が自動の会話を終え、満足度は5点満点で4.6点だったとした。会話の57%は通常の勤務時間の外で行われたと述べた。同社は、応募者が都合のよい時間に答えられるようになった点を成果として挙げた。", "limitation": "この発表は事前確認の段階の結果であり、採用の最終決定をAIが行ったという内容はない。採用にかかる期間や費用がどれだけ減ったかは数値で示していない。" }, "zh": { "usecase": "求职者初步筛查", "problem": "求职者对招聘市场的期待发生了变化。批量招聘中的初步筛查数量大、时间紧。如果招聘负责人把时间都耗在这里，就没有余力与求职者深入交谈。", "implementation": "Adecco在英国把求职者的初步筛查交给了Salesforce的数字劳动力平台Agentforce。求职者通过短信或邮件与AI agent像真实对话那样往来文字。问什么由招聘负责人自己决定。系统从一开始就告知求职者正在与AI对话。AI agent在每天开始工作时，把已完成对话的求职者名单交给负责人。负责人随后把时间用在软技能评估和后续面谈上。", "outcome": "Adecco表示，第一阶段的引入帮助28家企业填补了空缺。公司称联系了数千名求职者，其中相当一部分完成了自动对话，满意度为5分制的4.6分。公司还表示，57%的对话发生在常规工作时间之外，并把求职者可以在方便的时间回复列为成果。", "limitation": "这次发布讲的是初步筛查环节的结果，并没有说最终录用决定由AI作出。招聘周期或成本减少了多少，也没有以数字说明。" } } }, { "industry": "배달과 이동", "subindustry": "차량 호출과 배달", "company": "Uber", "country": "미국", "stage": "운영", "usecase": "소프트웨어 코드 검토", "implementation": "uReview의 핵심은 여러 단계로 나뉜 생성형 AI 검토 시스템 Commenter다. 바뀐 코드에 주변 함수, 클래스 정의, import 문을 함께 넣은 프롬프트를 만든다. 검토는 세 갈래다. Standard Assistant는 버그와 잘못된 예외 처리, 논리 결함을 찾는다. Best Practices Assistant는 공용 스타일 규칙 저장소를 참조해 사내 코딩 규칙을 확인한다. AppSec Assistant는 애플리케이션 수준의 보안 취약점을 본다. 만들어진 의견은 별도 프롬프트가 품질을 평가해 신뢰도 점수를 매기고 겹치는 의견은 합친다. 모델은 Anthropic Claude-4-Sonnet이 의견을 만들고 OpenAI o4-mini-high가 채점할 때 가장 좋았다. 개발자는 의견마다 Useful 또는 Not Useful을 고르고 메모를 남긴다.", "outcome": "Uber는 uReview가 주간 약 65,000건의 diff 가운데 90%가 넘게 분석한다고 밝혔다. 매주 10,000건이 넘는 커밋을 처리한다. 도구를 써 본 엔지니어는 의견의 75%를 유용하다고 표시했고 게시된 의견의 65%가 넘게 반영됐다. Uber는 이를 주당 약 1,500시간 절약으로 계산했고 연간 39 developer years에 가깝다고 설명했다. 사내 감사에서 사람이 쓴 의견은 51%만 작성자가 버그로 인정하고 같은 변경에서 고쳤다.", "limitation": "uReview는 코드만 볼 수 있고 과거 PR, feature flag 설정, 데이터베이스 스키마, 기술 문서에는 접근하지 못한다. 전체 설계가 맞는지는 판단하지 못한다.", "localId": "0907", "id": "AX088", "scope": "본조사", "sourceIds": [ "S082" ], "evidenceAccess": "원문 본문 열람", "dateLabel": "2025-08-12", "dateBasis": "자료 발표 시점. 도입 시작일과 다를 수 있음", "evidenceYears": [ "2025" ], "problem": "AI가 코드 작성을 돕게 되면서 검토해야 할 코드량이 늘었다. 검토자는 미묘한 버그와 보안 문제를 찾고 사내 규칙을 지킬 시간이 부족했다. Uber는 이 한계가 놓친 오류와 운영 장애, 늦은 배포로 이어진다고 봤다.", "eventDate": "2025-08-12", "eventBasis": "공개", "translations": { "en": { "usecase": "Reviewing software code", "problem": "As AI began helping to write code, the volume of code to review grew. Reviewers did not have enough time to find subtle bugs and security problems and to keep to internal rules. Uber saw this limit leading to missed errors, production incidents and late releases.", "implementation": "At the heart of uReview is Commenter, a generative AI review system split into several stages. It builds a prompt that puts the changed code together with surrounding functions, class definitions and import statements. Review runs in three branches. The Standard Assistant looks for bugs, wrong exception handling and logic flaws. The Best Practices Assistant refers to a shared style rule repository and checks internal coding rules. The AppSec Assistant looks at application-level security vulnerabilities. A separate prompt evaluates the quality of the comments produced, assigns a confidence score and merges overlapping comments. Among the models, Anthropic Claude-4-Sonnet was best at generating comments and OpenAI o4-mini-high at scoring them. Developers mark each comment Useful or Not Useful and leave a note.", "outcome": "Uber said uReview analyses more than 90 percent of roughly 65,000 diffs a week. It processes more than 10,000 commits each week. Engineers who used the tool marked 75 percent of the comments as useful, and more than 65 percent of the comments posted were acted on. Uber calculated this as about 1,500 hours saved per week and explained it comes close to 39 developer years annually. In an internal audit, only 51 percent of comments written by people were accepted by the author as bugs and fixed in the same change.", "limitation": "uReview can only see the code. It has no access to past PRs, feature flag settings, database schemas or technical documents. It cannot judge whether the overall design is right." }, "jp": { "usecase": "ソフトウェアのコードレビュー", "problem": "AIがコードの作成を助けるようになり、レビューすべきコードの量が増えた。レビューする側は、微妙なバグとセキュリティの問題を見つけ、社内の規則を守る時間が足りなかった。Uberはこの限界が、見落とした誤りと運用の障害、遅れた配布につながると見た。", "implementation": "uReviewの中心は、いくつもの段階に分かれた生成AIのレビューシステムCommenterである。変わったコードに、周りの関数、クラスの定義、import文を一緒に入れたプロンプトを作る。レビューは三つの流れに分かれる。Standard Assistantはバグと誤った例外処理、論理の欠陥を探す。Best Practices Assistantは共用のスタイル規則の保管庫を参照して社内のコーディング規則を確かめる。AppSec Assistantはアプリケーションの水準のセキュリティ脆弱性を見る。作られた意見は別のプロンプトが品質を評価して信頼度の点数を付け、重なる意見は合わせる。モデルは、Anthropic Claude-4-Sonnetが意見を作り、OpenAI o4-mini-highが採点するときが最も良かった。開発者は意見ごとにUsefulまたはNot Usefulを選び、メモを残す。", "outcome": "Uberは、uReviewが週におよそ65,000件のdiffのうち90%を超えて分析すると述べた。毎週10,000件を超えるコミットを処理する。道具を使ってみたエンジニアは意見の75%を有用だと表示し、掲示された意見の65%を超えて反映された。Uberはこれを週あたり約1,500時間の節約と計算し、年間で39 developer yearsに近いと説明した。社内の監査では、人が書いた意見は51%だけを作成者がバグと認め、同じ変更で直した。", "limitation": "uReviewはコードだけを見ることができ、過去のPR、feature flagの設定、データベースのスキーマ、技術文書にはアクセスできない。全体の設計が正しいかどうかは判断できない。" }, "zh": { "usecase": "软件代码评审", "problem": "随着AI开始协助写代码，需要评审的代码量增加了。评审者没有足够时间去发现细微的缺陷和安全问题，也难以顾及内部规范。Uber认为这一瓶颈会导致漏掉错误、线上故障和发布延迟。", "implementation": "uReview的核心是分成多个阶段的生成式AI评审系统Commenter。它把改动的代码与周边函数、类定义、import语句一起组成prompt。评审分三条线。Standard Assistant查找缺陷、错误的异常处理和逻辑漏洞。Best Practices Assistant参照公共的风格规范仓库，核对内部编码规范。AppSec Assistant关注应用层的安全漏洞。生成的意见再由另一个prompt评估质量、给出置信度分数，并合并重复的意见。在模型选择上，由Anthropic Claude-4-Sonnet生成意见、OpenAI o4-mini-high打分时效果最好。开发者对每条意见选择Useful或Not Useful，并留下备注。", "outcome": "Uber表示，uReview对每周约65,000个diff中的90%以上进行了分析，每周处理超过10,000次提交。使用过该工具的工程师把75%的意见标记为有用，已发布意见中有超过65%被采纳。Uber据此计算出每周约节省1,500小时，并说明这接近每年39 developer years。内部审计显示，人写的意见中只有51%被作者认定为缺陷并在同一次改动中修复。", "limitation": "uReview只能看到代码，无法访问历史PR、feature flag配置、数据库schema和技术文档，也无法判断整体设计是否正确。" } } }, { "industry": "배달과 이동", "subindustry": "차량 호출", "company": "Uber", "country": "미국", "stage": "운영", "usecase": "공항 대기시간과 기사 수입 예측", "implementation": "Uber는 공항용 예측 모델을 여러 개 만들었다. ETR은 선착순 대기열에 있는 기사가 호출을 받기까지 걸리는 시간을 앞으로 한 시간 구간으로 예측한다. EPH는 공항 운행의 시간당 수입 잠재력을 도심 운행과 견주어 실시간으로 알려준다. EPH에는 평균과 분산을 함께 예측하는 Deep GMM을 쓴다. 입력은 대기열 데이터, 앱 접속과 과거 호출 같은 수요 데이터, 기온과 강수 같은 날씨 데이터, 준실시간 항공편 도착과 출발 정보다. 예측값은 기사 앱 화면에 공항별로 표시한다. 공항으로 갈지 말지는 기사가 정한다.", "outcome": "Uber는 새 ETR 모델이 짧은 대기 시간을 맞히는 정밀도를 30% 절대값만큼 높였다고 밝혔다. 여기서 짧은 대기 시간은 공항 대기열에 들어선 뒤 0-15분을 뜻한다. EPH 모델이 예측한 평균값은 공항마다 기사 앱에 표시된다. 기사는 공항 이동을 결정하기 전에 대기 시간과 수입 전망을 함께 볼 수 있게 됐다.", "limitation": "기사 부족을 예측해 기사를 공항으로 부르는 기능은 아직 개발과 실험 단계다. Uber는 완전 운영 배포 전에 추가 개선을 계획하고 있다고 밝혔다.", "localId": "0896", "id": "AX087", "scope": "본조사", "sourceIds": [ "S081" ], "evidenceAccess": "원문 본문 열람", "dateLabel": "2025-08-19", "dateBasis": "자료 발표 시점. 도입 시작일과 다를 수 있음", "evidenceYears": [ "2025" ], "problem": "공항은 Uber 이동 사업에서 비중이 크다. 전 세계 모빌리티 총예약의 15%가 공항에서 나온다. 기사는 공항의 선착순 대기열에서 호출을 받기까지 오래 기다리는 일이 잦았다. 대기열 맨 앞에 선 기사가 계속 호출을 거절하는 문제도 있었다. 승객 쪽에서는 배차 대기 화면을 보는 시간이 길어지고 취소율이 올라갔다.", "eventDate": "2025-08-19", "eventBasis": "공개", "translations": { "en": { "usecase": "Predicting airport wait times and driver earnings", "problem": "Airports weigh heavily in Uber's mobility business. 15 percent of global mobility gross bookings come from airports. Drivers often waited a long time in an airport first-in-first-out queue before receiving a request. There was also the problem of the driver at the front of the queue repeatedly declining requests. On the rider side, time spent looking at the matching screen grew longer and cancellation rates rose.", "implementation": "Uber built several prediction models for airports. ETR predicts, in one-hour-ahead windows, how long a driver in the first-in-first-out queue will wait before receiving a request. EPH shows in real time the hourly earnings potential of an airport trip against a city trip. EPH uses a Deep GMM that predicts the mean and the variance together. The inputs are queue data, demand data such as app openings and past requests, weather data such as temperature and rainfall, and near-real-time flight arrival and departure information. The predicted values are shown by airport on the driver app screen. Whether to go to the airport is the driver's decision.", "outcome": "Uber said the new ETR model raised precision on short wait times by 30 percent in absolute terms. Here a short wait means 0-15 minutes after joining the airport queue. The mean predicted by the EPH model is shown for each airport in the driver app. Drivers can now see wait time and earnings outlook together before deciding to head for an airport.", "limitation": "The feature that predicts a driver shortage and calls drivers to the airport is still at the development and experiment stage. Uber said it plans further improvement before full operational release." }, "jp": { "usecase": "空港の待ち時間と運転者の収入の予測", "problem": "空港はUberの移動事業で比重が大きい。世界のモビリティ総予約の15%が空港から出る。運転者は空港の先着順の待ち行列で、依頼を受けるまで長く待つことが多かった。待ち行列の先頭に立った運転者が依頼を断り続ける問題もあった。乗客の側では、配車待ちの画面を見る時間が長くなり、取り消しの比率が上がった。", "implementation": "Uberは空港向けの予測モデルをいくつも作った。ETRは、先着順の待ち行列にいる運転者が依頼を受けるまでにかかる時間を、これから1時間の区間で予測する。EPHは空港の運行の時間あたりの収入の可能性を、都心の運行と比べてリアルタイムで知らせる。EPHには平均と分散を一緒に予測するDeep GMMを使う。入力は待ち行列のデータ、アプリの接続や過去の依頼といった需要のデータ、気温や降水といった天気のデータ、準リアルタイムの航空便の到着と出発の情報である。予測の値は運転者アプリの画面に空港ごとに表示する。空港へ行くかどうかは運転者が決める。", "outcome": "Uberは、新しいETRモデルが短い待ち時間を当てる精度を絶対値で30%高めたと述べた。ここで短い待ち時間は、空港の待ち行列に入ってから0-15分を意味する。EPHモデルが予測した平均値は、空港ごとに運転者アプリに表示される。運転者は空港への移動を決める前に、待ち時間と収入の見通しを一緒に見られるようになった。", "limitation": "運転者の不足を予測して運転者を空港へ呼ぶ機能は、まだ開発と実験の段階である。Uberは完全な運用配布の前に追加の改善を計画していると述べた。" }, "zh": { "usecase": "预测机场等待时间与司机收入", "problem": "机场在Uber的出行业务中占比很大，全球出行总预订的15%来自机场。司机在机场的先到先得排队中，常常要等很久才接到订单。排在队首的司机不断拒单也是个问题。在乘客一侧，看着派单等待界面的时间变长，取消率随之上升。", "implementation": "Uber为机场构建了多个预测模型。ETR以未来一小时为区间，预测排在先到先得队列中的司机要等多久才能接到订单。EPH实时给出机场订单相对市区订单的每小时收入潜力。EPH使用同时预测均值和方差的Deep GMM。输入包括排队数据、应用打开次数和历史叫车等需求数据、气温与降水等天气数据，以及准实时的航班到达和起飞信息。预测值按机场显示在司机端界面上。是否前往机场由司机自己决定。", "outcome": "Uber表示，新的ETR模型把预测短等待时间的精确率在绝对值上提高了30%。这里的短等待指进入机场排队后的0-15分钟。EPH模型预测的均值会按机场显示在司机端应用中。司机在决定是否前往机场之前，可以同时看到等待时间和收入预期。", "limitation": "预测司机短缺并召唤司机前往机场的功能仍处于开发与实验阶段。Uber表示，在全面投入运行之前还计划做进一步改进。" } } }, { "industry": "농림수산", "subindustry": "농업 기술 서비스", "company": "Bayer Crop Science", "country": "독일", "stage": "운영", "usecase": "농업 상담 직원 지원", "implementation": "E.L.Y.는 에이전트형 생성형 AI 구조 위에 프런티어 대규모 언어 모델을 올린 시스템이다. 여기에 Bayer의 농학 데이터, 포장 시험 결과, 제품 라벨 지침을 결합해 맥락에 맞는 답을 만든다. 검색증강생성(RAG) 기법을 써서 지역과 작물, 규제 요건에 맞게 답을 맞춘다. 직원은 모바일과 웹에서 쓰는 클라우드 도구에 자연어로 물어본다. 모듈 구조라 이용자 경험을 바꿔 가며 쓰고, 모델이 작아 엣지 기기에도 올릴 수 있다.", "outcome": "Bayer는 내부 기준으로 고객 질문에 대한 응답 시간이 60% 개선됐다고 밝혔다. 직원들은 주당 최대 네 시간을 아꼈다고 보고했다. Bayer는 AI 동료와 일을 나눈 덕분에 현장 직원이 매주 수천 시간을 더 가치 있는 고객 서비스와 활동에 다시 쓸 수 있다고 설명했다. E.L.Y.는 AgTech Breakthrough Awards에서 AI-based AgTech Solution of the Year로 뽑혔다.", "limitation": "60%와 주당 절감 시간은 Bayer 내부 기준과 직원 자기보고다. 작물 수확량이 늘었다는 검증은 아니다.", "id": "AX046", "scope": "본조사", "sourceIds": [ "S040" ], "evidenceAccess": "원문 본문 열람", "dateLabel": "2025-08-21", "dateBasis": "자료 발표 시점. 도입 시작일과 다를 수 있음", "evidenceYears": [ "2025" ], "problem": "미국의 Bayer 영업팀과 작물 전문가는 농민이 묻는 농학과 제품 질문에 빠르고 정확하게 답해야 했다. 심사를 맡은 AgTech Breakthrough는 정확한 농학 지식이 재배자에게 가장 값진 도구지만 필요한 순간에 늘 닿는 것은 아니라고 지적했다. 특정 시기와 장소, 계절에 맞는 정보가 특히 중요하다고 설명했다.", "eventDate": "2025-08-21", "eventBasis": "공개", "translations": { "en": { "usecase": "Supporting agricultural advisory staff", "problem": "Bayer sales teams and crop specialists in the United States had to answer farmers' agronomy and product questions quickly and accurately. AgTech Breakthrough, which judged the award, noted that accurate agronomic knowledge is the most valuable tool a grower has, but it is not always within reach at the moment it is needed. It explained that information matched to a particular time, place and season matters especially.", "implementation": "E.L.Y. is a system that puts a frontier large language model on top of an agentic generative AI architecture. To this it joins Bayer's agronomy data, field trial results and product label instructions to produce answers that fit the context. It uses retrieval augmented generation (RAG) to match answers to the region, the crop and regulatory requirements. Staff ask in natural language through a cloud tool used on mobile and web. Its modular structure lets the user experience be varied, and the model is small enough to run on edge devices.", "outcome": "Bayer said that by its internal measure, response time to customer questions improved by 60 percent. Staff reported saving up to four hours a week. Bayer explained that by sharing work with an AI colleague, field staff can return thousands of hours each week to more valuable customer service and activity. E.L.Y. was named AI-based AgTech Solution of the Year at the AgTech Breakthrough Awards.", "limitation": "The 60 percent and the weekly hours saved are Bayer's internal measure and staff self-reports. They are not verification that crop yields increased." }, "jp": { "usecase": "農業相談を担う従業員の支援", "problem": "米国のBayerの営業チームと作物の専門家は、農家が尋ねる農学と製品の質問に素早く正確に答える必要があった。審査を担ったAgTech Breakthroughは、正確な農学の知識が生産者にとって最も価値ある道具だが、必要な瞬間にいつも手が届くわけではないと指摘した。特定の時期と場所、季節に合った情報がとくに重要だと説明した。", "implementation": "E.L.Y.は、エージェント型の生成AIの構造の上にフロンティアの大規模言語モデルを載せたシステムである。ここにBayerの農学データ、圃場試験の結果、製品ラベルの指示を結び付けて、文脈に合った答えを作る。検索拡張生成（RAG）の手法を使い、地域と作物、規制の要件に合わせて答えを整える。従業員はモバイルとウェブで使うクラウドの道具に、自然な言葉で尋ねる。モジュール構造なので利用者の体験を変えながら使え、モデルが小さいのでエッジ機器にも載せられる。", "outcome": "Bayerは内部の基準で、顧客の質問への応答時間が60%改善したと述べた。従業員は週あたり最大4時間を節約したと報告した。Bayerは、AIの同僚と仕事を分けたおかげで、現場の従業員が毎週数千時間をより価値のある顧客サービスと活動に使い直せると説明した。E.L.Y.はAgTech Breakthrough AwardsでAI-based AgTech Solution of the Yearに選ばれた。", "limitation": "60%と週あたりの節約時間は、Bayer内部の基準と従業員の自己申告である。作物の収穫量が増えたという検証ではない。" }, "zh": { "usecase": "支持农业咨询人员", "problem": "Bayer在美国的销售团队和作物专家需要迅速、准确地回答农户提出的农艺和产品问题。担任评审的AgTech Breakthrough指出，准确的农艺知识是种植者最宝贵的工具，但并不总能在需要的那一刻触手可及，并说明契合特定时间、地点和季节的信息尤其重要。", "implementation": "E.L.Y.是在智能体式生成式AI架构之上搭载前沿大语言模型的系统。它把Bayer的农艺数据、田间试验结果和产品标签说明结合起来，生成契合语境的答案。系统采用检索增强生成（RAG）方法，按地区、作物和法规要求调整答案。员工通过在移动端和网页端使用的云工具，用自然语言提问。模块化结构便于调整用户体验，模型体量较小，也能部署到边缘设备上。", "outcome": "Bayer表示，按内部标准衡量，回答客户问题的响应时间改善了60%。员工反馈每周最多节省四小时。Bayer说明，把工作分给AI同事之后，一线员工每周可以把数千小时重新投入更有价值的客户服务和活动。E.L.Y.在AgTech Breakthrough Awards上被评为AI-based AgTech Solution of the Year。", "limitation": "60%和每周节省的时间是Bayer的内部标准和员工自我申报，并不是作物产量提高的验证。" } } }, { "industry": "제조", "subindustry": "가전", "company": "Haier", "country": "중국", "stage": "운영", "usecase": "공장 정비 지식 검색", "implementation": "설비 정비 데이터 10만 건을 모은 지식베이스를 만들었다. 여기에 AI 추론 엔진을 붙인 정비 도우미와 개인별 학습 시스템을 함께 묶었다. 회사는 이 구성이 정비 대응 능력과 고숙련 인재 확보를 함께 강화한다고 설명했다. 인재 개발 디지털 플랫폼은 성과, 역량, 성장 잠재력 같은 여러 데이터를 통합한다. 직원의 희망 진로와 목표를 반영해 개인별 성장 방안을 자동으로 만든다. 개선 플랫폼은 시장 품질 피드백을 실시간으로 받아 사용자 요구를 점수로 매긴 과제로 바꾸고, 직원이 그 과제를 직접 골라 해결하면 점수와 보상을 받는다.", "outcome": "세계경제포럼은 9월 16일 열네 번째 등대공장 명단을 발표하면서 이 공장을 포함했다. Haier는 충칭 냉장고 공장이 세계 최초의 인재 등대공장이라고 밝혔다. 회사가 만든 등대공장은 모두 12곳이 됐다고 설명했다.", "limitation": "정비 도우미의 응답 정확도, 고장 정지 시간 감소, 정비 처리 시간 변화는 이 자료에 없다.", "id": "AX026", "scope": "본조사", "sourceIds": [ "S025" ], "evidenceAccess": "원문 본문 열람", "dateLabel": "2025-09-17", "dateBasis": "자료 발표 시점. 도입 시작일과 다를 수 있음", "evidenceYears": [ "2025" ], "problem": "Haier 충칭 냉장고 인터넷 공장이 풀려던 과제는 설비 정비 대응 능력과 고숙련 인재 확보다. 이 공장은 사용자 경험만이 아니라 직원의 성장과 가치 실현까지 함께 보겠다고 밝혔다. 디지털과 AI 기술로 지속 가능한 제조 인재 생태계를 만드는 것이 목표다.", "eventDate": "2025-09-17", "eventBasis": "공개", "translations": { "en": { "usecase": "Searching factory maintenance knowledge", "problem": "What the Haier Chongqing refrigerator internet factory set out to solve was equipment maintenance response capability and securing highly skilled people. The plant said it looks not only at the user experience but also at employees' growth and the realisation of their value. The goal is to build a sustainable manufacturing talent ecosystem with digital and AI technology.", "implementation": "The plant built a knowledge base gathering 100,000 equipment maintenance records. To this it attached a maintenance assistant driven by an AI inference engine, tied together with an individual learning system. The company explained that this combination strengthens maintenance response capability and the supply of highly skilled people at the same time. A digital platform for talent development integrates several kinds of data such as performance, capability and growth potential. It automatically produces an individual growth plan reflecting the employee's desired career path and goals. An improvement platform takes in market quality feedback in real time and turns user needs into scored tasks; employees pick a task themselves and receive points and rewards when they solve it.", "outcome": "On 16 September the World Economic Forum announced its fourteenth lighthouse factory list and included this plant. Haier said the Chongqing refrigerator plant is the world's first talent lighthouse factory. The company explained that it now has 12 lighthouse factories in total.", "limitation": "The answer accuracy of the maintenance assistant, the reduction in breakdown downtime and the change in maintenance handling time are not in this source." }, "jp": { "usecase": "工場の整備知識の検索", "problem": "Haierの重慶冷蔵庫インターネット工場が解こうとした課題は、設備の整備の対応力と高い技能を持つ人材の確保である。この工場は、利用者の体験だけでなく、従業員の成長と価値の実現までを併せて見ると述べた。デジタルとAIの技術で持続可能な製造人材の生態系を作ることが目標である。", "implementation": "設備の整備データ10万件を集めた知識ベースを作った。ここにAIの推論エンジンを付けた整備アシスタントと、個人別の学習システムを併せて束ねた。同社は、この構成が整備の対応力と高い技能を持つ人材の確保を同時に強めると説明した。人材開発のデジタルプラットフォームは、成果、能力、成長の可能性といった複数のデータを統合する。従業員の希望する進路と目標を反映して、個人別の成長の方策を自動で作る。改善のプラットフォームは市場の品質のフィードバックをリアルタイムで受け、利用者の要求を点数を付けた課題に変え、従業員がその課題を自分で選んで解決すると点数と報酬を受ける。", "outcome": "世界経済フォーラムは9月16日、14回目の灯台工場の名簿を発表し、この工場を含めた。Haierは、重慶の冷蔵庫工場が世界で最初の人材灯台工場だと述べた。同社が作った灯台工場は全部で12か所になったと説明した。", "limitation": "整備アシスタントの応答の精度、故障による停止時間の減少、整備の処理時間の変化は、この資料にない。" }, "zh": { "usecase": "检索工厂维修知识", "problem": "海尔重庆冰箱互联工厂要解决的课题是设备维修的响应能力和高技能人才的储备。该工厂表示，它不仅关注用户体验，也把员工的成长与价值实现一并纳入考量。目标是用数字化和AI技术构建可持续的制造人才生态。", "implementation": "工厂建立了汇集10万条设备维修数据的知识库，并在其上接入由AI推理引擎驱动的维修助手，与个人化学习系统绑在一起。公司说明，这一组合同时增强了维修响应能力和高技能人才储备。人才发展数字平台整合绩效、能力、成长潜力等多类数据，结合员工期望的职业方向和目标，自动生成个人成长方案。改进平台实时接收市场质量反馈，把用户诉求转换成带分值的课题，员工自行认领课题并解决后可获得分数和奖励。", "outcome": "世界经济论坛于9月16日发布第十四批灯塔工厂名单，把这家工厂列入其中。海尔表示，重庆冰箱工厂是全球首家人才灯塔工厂。公司说明，其建成的灯塔工厂已达12家。", "limitation": "维修助手的回答准确度、故障停机时间的下降、维修处理时间的变化，这份资料中都没有。" } } }, { "industry": "제조", "subindustry": "가전", "company": "Haier", "country": "중국", "stage": "운영", "usecase": "세탁기 가공 조건 조정", "implementation": "내통 동적 균형 성능 최적화 모델을 만들었다. 모델은 압력과 장력 같은 핵심 공정 변수를 계속 감시한다. 변수가 정상 범위에서 벗어나는 낌새가 보이면 뒤따르는 가공 조건을 실시간으로 스스로 조정한다. 이렇게 누적 오차가 만드는 진동 문제를 공정 중간에 끊는다. 같은 공장에는 다중 모달 생성 엔진과 프롬프트 최적화를 결합한 AIGC 가상 디자인 도우미도 들어가 있다. 이 도우미는 글로 적은 디자인 아이디어를 여러 안의 장면 렌더링으로 빠르게 바꾼다.", "outcome": "Haier는 이 공장이 설계에서 제조와 인도까지 전 과정을 AI로 묶은 세탁 업계 최초의 고급 맞춤 등대공장이라고 밝혔다. 같은 공장의 물류 체계는 지상 AGV, 공중 축적 체인, 지능형 입체 창고를 하나로 묶어 공장 내 물류 회전 효율을 60% 높였다고 설명했다. 세계경제포럼은 9월 16일 이 공장을 등대공장 명단에 넣었다.", "limitation": "물류 회전 효율 60%는 물류 조달 결정 엔진의 성과다. 내통 동적 균형 모델의 불량률 변화나 진동 감소 수치는 이 자료에 없다.", "id": "AX027", "scope": "본조사", "sourceIds": [ "S025" ], "evidenceAccess": "원문 본문 열람", "dateLabel": "2025-09-17", "dateBasis": "자료 발표 시점. 도입 시작일과 다를 수 있음", "evidenceYears": [ "2025" ], "problem": "세탁기 내통은 가공 오차가 쌓이면 회전할 때 진동이 생긴다. 동적 균형이 무너지면 제품 품질이 흔들린다. Haier 상하이 세탁기 인터넷 공장은 이 누적 오차 문제를 공정 안에서 잡으려 했다.", "eventDate": "2025-09-17", "eventBasis": "공개", "translations": { "en": { "usecase": "Adjusting washing machine machining conditions", "problem": "When machining tolerances accumulate in a washing machine inner drum, vibration appears as it spins. If dynamic balance breaks down, product quality wavers. The Haier Shanghai washing machine internet factory set out to catch this accumulated tolerance problem within the process itself.", "implementation": "The plant built a model that optimises inner drum dynamic balance performance. The model continuously monitors key process variables such as pressure and tension. When it sees signs that a variable is drifting out of the normal range, it adjusts the machining conditions that follow by itself in real time. This cuts off the vibration problem caused by accumulated tolerance in mid-process. The same plant also has an AIGC virtual design assistant that combines a multimodal generation engine with prompt optimisation. This assistant quickly turns design ideas written in text into scene renderings of several options.", "outcome": "Haier said this plant is the washing industry's first advanced customisation lighthouse factory to tie the whole flow from design through manufacturing to delivery together with AI. It explained that the plant's logistics system combines ground AGVs, overhead accumulation chains and an intelligent automated warehouse into one, raising in-plant logistics turnover efficiency by 60 percent. The World Economic Forum added this plant to its lighthouse factory list on 16 September.", "limitation": "The 60 percent logistics turnover efficiency is the result of the logistics dispatch decision engine. A change in defect rate or a vibration reduction figure for the inner drum dynamic balance model is not in this source." }, "jp": { "usecase": "洗濯機の加工条件の調整", "problem": "洗濯機の内槽は、加工の誤差が積み重なると回るときに振動が生じる。動的な均衡が崩れると製品の品質が揺れる。Haierの上海洗濯機インターネット工場は、この累積した誤差の問題を工程の中で捉えようとした。", "implementation": "内槽の動的均衡の性能を最適化するモデルを作った。モデルは圧力や張力といった中心の工程変数を絶えず監視する。変数が正常な範囲から外れる兆しが見えると、後に続く加工の条件をリアルタイムで自ら調整する。こうして累積した誤差が生む振動の問題を工程の途中で断つ。同じ工場には、多モーダルの生成エンジンとプロンプトの最適化を組み合わせたAIGCの仮想デザインアシスタントも入っている。このアシスタントは、文で書いたデザインの発想を複数案の場面レンダリングに素早く変える。", "outcome": "Haierは、この工場が設計から製造と引き渡しまでの全過程をAIで束ねた洗濯業界で最初の高級カスタマイズ灯台工場だと述べた。同じ工場の物流の体系は、地上のAGV、空中の蓄積チェーン、知能型の立体倉庫を一つに束ね、工場内の物流の回転効率を60%高めたと説明した。世界経済フォーラムは9月16日、この工場を灯台工場の名簿に入れた。", "limitation": "物流の回転効率60%は、物流の調達を決めるエンジンの成果である。内槽の動的均衡のモデルによる不良率の変化や振動の減少の数値は、この資料にない。" }, "zh": { "usecase": "调整洗衣机加工条件", "problem": "洗衣机内筒的加工误差一旦累积，旋转时就会产生振动。动平衡一旦被破坏，产品质量就会波动。海尔上海洗衣机互联工厂力图在工序内部解决这一累积误差问题。", "implementation": "工厂建立了内筒动平衡性能优化模型。该模型持续监测压力、张力等核心工艺变量。一旦发现变量有偏离正常范围的迹象，就实时自行调整后续的加工条件，从而在工序中途切断累积误差造成的振动问题。同一工厂还引入了结合多模态生成引擎与prompt优化的AIGC虚拟设计助手。这个助手能把用文字写下的设计构想迅速转换成多个方案的场景渲染图。", "outcome": "海尔表示，这家工厂是洗涤行业首家把从设计到制造、交付的全过程用AI串联起来的高端定制灯塔工厂。公司说明，该工厂的物流体系把地面AGV、空中积放链和智能立体仓库整合为一体，使厂内物流周转效率提高了60%。世界经济论坛于9月16日把这家工厂列入灯塔工厂名单。", "limitation": "物流周转效率提高60%是物流调度决策引擎的成果。内筒动平衡模型带来的不良率变化或振动下降数字，这份资料中没有。" } } }, { "industry": "유통", "subindustry": "중고 거래 플랫폼", "company": "Leboncoin", "country": "프랑스", "stage": "중단 결정", "usecase": "사내 지식 검색 도우미 Ada", "implementation": "2023년 말 머신러닝 엔지니어 몇 명이 사내 챗봇 Ada를 시작했다. 처음에는 AWS에 Meta Llama 2를 올려 봤지만 배포가 복잡하고 대화 품질이 떨어졌다. AWS Bedrock으로 접근한 Anthropic Claude 2가 더 나아 방향을 바꿨다. 법무와 보안팀은 데이터가 AWS 밖으로 나가지 않고 모델 재학습에 쓰이지 않는다는 조건을 확인했다. 2024년 중반부터는 사내 지식에 연결한 전용 assistant를 만들었다. Confluence와 Lumapps 문서는 잘라 embedding으로 만들고 Postgres 벡터 DB에서 의미 검색을 했다. Backstage는 이미 OpenSearch로 색인돼 있어 검색 API를 그대로 썼다. 정책 문서와 조직도는 문서 전체를 모델 context에 넣었다.", "outcome": "Backstage assistant에 영어 키워드 재작성기를 넣자 context relevance가 0.63에서 0.73으로 올랐고 올바른 출처 링크를 70% 경우에 돌려줬다. 조정 업무 assistant에서는 규칙 기반 재작성기가 correctness를 10% 높였고 LLM 기반 재작성기는 3~4%에 그쳤다. 다만 모든 팀이 각자 assistant를 원하는 요구를 엔지니어 몇 명이 감당하기 어려웠다. leboncoin은 2025년 첫 분기가 끝날 무렵 Ada를 접고 새 사내 assistant를 OpenAI 플랫폼에 두기로 했다.", "limitation": "자체 운영의 기술 부담과 운영 부담을 고려한 결정이다. 원문은 Ada의 사용자 수나 절감액을 밝히지 않았다.", "localId": "0463", "id": "AX099", "scope": "본조사", "sourceIds": [ "S093" ], "evidenceAccess": "검색 도구의 본문 발췌 확인", "dateLabel": "2025-09-28", "dateBasis": "자료 발표 시점. 도입 시작일과 다를 수 있음", "evidenceYears": [ "2025" ], "problem": "leboncoin은 2023년 공개 LLM 서비스로 사내 자료가 새는 사고를 봤다. LLM을 써보고 싶었지만 데이터와 팀을 지키는 통제된 환경이 먼저 필요했다.", "eventDate": "2025-09-28", "eventBasis": "공개", "translations": { "en": { "usecase": "Ada, an internal knowledge search assistant", "problem": "In 2023 leboncoin saw an incident in which internal material leaked through a public LLM service. It wanted to try LLMs, but first it needed a controlled environment that protects its data and its teams.", "implementation": "At the end of 2023 a few machine learning engineers started an internal chatbot called Ada. They first tried putting Meta Llama 2 on AWS, but deployment was complex and conversation quality was poor. Anthropic Claude 2, accessed through AWS Bedrock, was better, so they changed direction. The legal and security teams confirmed the conditions that data does not leave AWS and is not used to retrain the model. From the middle of 2024 they built dedicated assistants connected to internal knowledge. Confluence and Lumapps documents were chunked, turned into embeddings and searched semantically in a Postgres vector database. Backstage was already indexed in OpenSearch, so its search API was used as it was. For policy documents and the org chart, the whole document was put into the model context.", "outcome": "Adding an English keyword rewriter to the Backstage assistant lifted context relevance from 0.63 to 0.73 and returned the correct source link in 70 percent of cases. In the moderation assistant a rule based rewriter raised correctness by 10 percent, while an LLM based rewriter reached only 3 to 4 percent. However, a few engineers could not keep up with every team wanting its own assistant. Around the end of the first quarter of 2025 leboncoin retired Ada and decided to put its new internal assistant on the OpenAI platform.", "limitation": "The decision took the engineering and operating burden of self-hosting into account. The source does not disclose Ada's number of users or the amount saved." }, "jp": { "usecase": "社内知識検索アシスタントAda", "problem": "leboncoinは2023年、公開のLLMサービスで社内資料が漏れる事故を見た。LLMを使ってみたかったが、データとチームを守る統制された環境がまず必要だった。", "implementation": "2023年の終わりに、機械学習のエンジニア数人が社内チャットボットAdaを始めた。最初はAWSにMeta Llama 2を載せてみたが、配備が複雑で会話の品質が落ちた。AWS Bedrock経由で接続したAnthropic Claude 2のほうが良く、方向を変えた。法務とセキュリティのチームは、データがAWSの外に出ず、モデルの再学習に使われないという条件を確認した。2024年の半ばからは、社内の知識につないだ専用のassistantを作った。ConfluenceとLumappsの文書は切り分けてembeddingにし、Postgresのベクトルデータベースで意味検索をした。Backstageはすでにに OpenSearchで索引されていたので、検索APIをそのまま使った。方針の文書と組織図は、文書全体をモデルのcontextに入れた。", "outcome": "Backstageのassistantに英語のキーワード再作成器を入れると、context relevanceが0.63から0.73に上がり、正しい出典のリンクを70%の場合に返した。調整業務のassistantでは、規則を基にした再作成器がcorrectnessを10%高め、LLMを基にした再作成器は3から4%にとどまった。ただし、すべてのチームがそれぞれのassistantを求める要求を、数人のエンジニアでは支えきれなかった。leboncoinは2025年の第1四半期が終わるころにAdaをたたみ、新しい社内assistantをOpenAIのプラットフォームに置くことにした。", "limitation": "自前で運用する技術の負担と運用の負担を考えた決定である。原文は、Adaの利用者数や削減額を明らかにしていない。" }, "zh": { "usecase": "内部知识检索助手Ada", "problem": "leboncoin在2023年遇到过内部资料通过公开LLM服务外泄的事故。公司想试用LLM，但首先需要一个能保护数据和团队的受控环境。", "implementation": "2023年底，几位机器学习工程师启动了内部聊天机器人Ada。他们最初尝试在AWS上部署Meta Llama 2，但部署复杂、对话质量也差。通过AWS Bedrock接入的Anthropic Claude 2表现更好，于是改变了方向。法务和安全团队确认了数据不会离开AWS、也不会被用于模型再训练这两项条件。从2024年年中起，团队构建了连接内部知识的专用assistant。Confluence和Lumapps文档被切分成embedding，在Postgres向量数据库中做语义检索。Backstage此前已用OpenSearch建好索引，因此直接沿用其检索API。政策文档和组织架构图则把整篇文档放进模型的context。", "outcome": "在Backstage的assistant中加入英文关键词改写器后，context relevance从0.63升到0.73，在70%的情况下返回了正确的来源链接。在内容审核assistant中，基于规则的改写器把correctness提高了10%，基于LLM的改写器只提高了3到4%。不过，各团队都想要自己的assistant，几位工程师难以承担。leboncoin在2025年第一季度结束前后停用了Ada，决定把新的内部assistant放到OpenAI平台上。", "limitation": "这是权衡自建运维的技术负担和运营负担后作出的决定。原文未披露Ada的用户数量或节省金额。" } } }, { "industry": "유통", "subindustry": "패션 전자상거래", "company": "Zalando", "country": "독일", "stage": "운영", "usecase": "장애 보고서 분석과 투자 우선순위 판단", "implementation": "분석 절차를 네 단계로 나눴다. 요약, 기술 분류, 사건별 분석, 전체 패턴 추출 순서다. 입력은 사내에 쌓인 postmortem 아카이브 문서다. 분류 단계에서는 기술 목록을 함께 주고 문서에 직접 연결이 확인된 기술 이름만 돌려주게 제한했다. 처음에는 LM Studio에 올린 오픈소스 모델을 썼고 지금은 AWS Bedrock의 Claude Sonnet 4를 쓴다. 절차를 만드는 동안에는 출력 묶음을 100% 사람이 검수했고, 시스템이 자리를 잡은 뒤에는 묶음마다 10~20%를 무작위로 뽑아 검수한다.", "outcome": "map-fold 구조를 쓰던 시기에 이미 연간 분석을 24시간 안에 끝낼 수 있게 됐다고 밝혔다. 최신 버전은 Claude Sonnet 4로 한 건을 약 30초에 처리한다고 설명했다. 분석에서 나온 통찰은 인프라 코드 자동 변경 검증으로 이어졌고, Zalando는 이 조치가 뒤이은 데이터스토어 장애의 25%를 막아 준다고 밝혔다. 반복되는 실패 유형으로는 자동 변경 검증 부재, 일관성 없는 변경 관리, 점진적 배포 부재, 트래픽 양 과소평가, 수요보다 늦은 증설을 꼽았다.", "limitation": "Zalando는 Claude Sonnet 4 같은 최신 모델에서도 표면 단서에 기댄 잘못된 원인 귀속이 약 10% 남는다고 밝혔다. GMV나 EBIT 손실 같은 수치를 postmortem에서 뽑아내는 정확도는 확보하지 못했다고 적었다.", "localId": "0978", "id": "AX090", "scope": "본조사", "sourceIds": [ "S084" ], "evidenceAccess": "원문 본문 열람", "dateLabel": "2025-09-25", "dateBasis": "자료 발표 시점. 도입 시작일과 다를 수 있음", "evidenceYears": [ "2025" ], "problem": "Zalando는 장애가 끝나면 postmortem 문서를 남기고 사람이 읽어 배우는 방식을 써 왔다. 한 건을 제대로 읽는 데 15분에서 20분이 걸렸다. 한 사람이 집중해도 한 시간에 네 건 정도가 한계였다. 그동안 쌓인 아카이브 문서는 수천 건이라 팀을 넘나드는 반복 원인을 사람 힘만으로 찾기 어려웠다.", "eventDate": "2025-09-25", "eventBasis": "공개", "translations": { "en": { "usecase": "Analysing incident reports and setting investment priorities", "problem": "Zalando has kept a postmortem document after each incident and relied on people reading them to learn. Reading one properly took 15 to 20 minutes. Even with full concentration, about four a hour was the limit for one person. Meanwhile the archive had grown to thousands of documents, so finding repeated causes across teams by human effort alone was difficult.", "implementation": "The analysis procedure was split into four stages: summarising, technology classification, per-incident analysis and extraction of overall patterns. The input is the postmortem archive accumulated internally. At the classification stage a technology list is supplied alongside, and the model is restricted to returning only technology names with a confirmed direct link in the document. At first an open source model on LM Studio was used; now it uses Claude Sonnet 4 on AWS Bedrock. While the procedure was being built, 100 percent of output batches were reviewed by people; once the system settled, 10 to 20 percent of each batch is sampled at random for review.", "outcome": "Even in the period when a map-fold structure was used, a full year of analysis could already be finished within 24 hours. The latest version processes one document in about 30 seconds with Claude Sonnet 4. Insights from the analysis led to automated change validation for infrastructure code, and Zalando said this measure prevents 25 percent of subsequent datastore incidents. The repeated failure types it identified were the absence of automated change validation, inconsistent change management, the absence of gradual rollout, underestimating traffic volume, and scaling up later than demand.", "limitation": "Zalando said that even with recent models such as Claude Sonnet 4, about 10 percent of cause attributions remain wrong because they lean on surface clues. It wrote that it has not achieved the accuracy needed to extract figures such as GMV or EBIT loss from postmortems." }, "jp": { "usecase": "障害報告書の分析と投資の優先順位の判断", "problem": "Zalandoは障害が終わるとpostmortemの文書を残し、人が読んで学ぶやり方を使ってきた。一件をきちんと読むのに15分から20分かかった。一人が集中しても一時間に四件ほどが限界だった。その間に積み上がった保管文書は数千件で、チームをまたぐ繰り返しの原因を人の力だけで探すのは難しかった。", "implementation": "分析の手順を四つの段階に分けた。要約、技術の分類、事案ごとの分析、全体の型の抽出の順である。入力は社内に積み上がったpostmortemの保管文書である。分類の段階では技術の一覧を一緒に渡し、文書に直接の結び付きが確かめられた技術の名前だけを返すよう制限した。最初はLM Studioに載せたオープンソースのモデルを使い、今はAWS BedrockのClaude Sonnet 4を使う。手順を作っている間は出力の束を100%人が検収し、システムが落ち着いたあとは束ごとに10から20%を無作為に抜き出して検収する。", "outcome": "map-foldの構造を使っていた時期に、すでに年間の分析を24時間のうちに終えられるようになったと述べた。最新の版はClaude Sonnet 4で一件を約30秒で処理すると説明した。分析から出た洞察はインフラのコードの自動変更検証につながり、Zalandoはこの措置が後続のデータストアの障害の25%を防ぐと述べた。繰り返される失敗の型としては、自動の変更検証の不在、一貫しない変更管理、段階的な配布の不在、トラフィック量の過小評価、需要より遅い増設を挙げた。", "limitation": "Zalandoは、Claude Sonnet 4のような最新のモデルでも、表面の手がかりに頼った誤った原因の帰属が約10%残ると述べた。GMVやEBITの損失のような数値をpostmortemから取り出す精度は確保できなかったと記した。" }, "zh": { "usecase": "分析故障报告并判断投资优先级", "problem": "Zalando一直在故障结束后留下postmortem文档，靠人阅读来学习。认真读完一份需要15到20分钟。即便全神贯注，一个人一小时也就四份左右。与此同时，积累的归档文档已达数千份，仅靠人力很难找出跨团队反复出现的原因。", "implementation": "公司把分析流程拆成四个阶段：摘要、技术分类、逐案分析、整体模式提取。输入是公司内部积累的postmortem归档文档。在分类阶段，会同时提供技术清单，并限制模型只返回在文档中确认有直接关联的技术名称。最初使用部署在LM Studio上的开源模型，现在使用AWS Bedrock上的Claude Sonnet 4。在流程构建期间，输出批次由人工100%复核；系统稳定之后，每批随机抽取10%到20%复核。", "outcome": "公司表示，在使用map-fold结构的时期，就已经能在24小时内完成一整年的分析。最新版本用Claude Sonnet 4处理一份文档约需30秒。分析得出的洞察促成了基础设施代码的自动变更校验，Zalando表示这一措施可以避免后续25%的数据存储故障。反复出现的失败类型包括：缺少自动变更校验、变更管理不一致、缺少渐进发布、低估流量规模、扩容晚于需求。", "limitation": "Zalando表示，即便使用Claude Sonnet 4这类最新模型，依赖表面线索导致的错误归因仍约有10%。公司写到，从postmortem中提取GMV或EBIT损失之类数字的准确度尚未达到要求。" } } }, { "industry": "유통", "subindustry": "전자상거래 플랫폼", "company": "Shopify", "country": "캐나다", "stage": "제한 운영", "usecase": "상품 분류 체계의 개선", "implementation": "Shopify는 분류 체계 자체를 고치는 여러 AI 에이전트를 붙였다. 구조 분석 에이전트는 분류 체계만 보고 계층의 빈 곳과 이름 규칙의 불일치를 찾는다. 상품 기반 분석 에이전트는 실제 판매자 데이터를 읽어 상품 제목과 설명, 판매자가 정한 분류에서 빠진 속성을 찾는다. 합성 단계가 두 결과의 충돌과 중복을 정리하고, 동등성 탐지 에이전트는 서로 다른 분류가 같은 상품 묶음을 가리키는 경우를 찾아낸다. 마지막으로 분야별 AI 심사자가 제안을 평가해 걸러낸 뒤 사람 검토로 넘긴다.", "outcome": "Shopify는 분류 전문가가 하루에 몇 개 카테고리를 보던 일을 이 시스템은 수백 개 카테고리까지 한 번에 살핀다고 밝혔다. 휴대전화 액세서리에서는 상품 분석 에이전트가 판매자들이 MagSafe 지원을 자주 내세우는 것을 찾아 MagSafe compatible 불리언 속성을 제안했고, 전자제품 담당 심사자가 93% 확신으로 승인했다. 회사는 이 방법을 Telephony 분류 영역에 적용해 기존 수작업 확장 방식과 비교하는 개념 검증을 했다고 설명했다.", "limitation": "원문은 이 시스템이 실제로 반영한 분류 변경 건수와 판매자 쪽 효과를 수치로 밝히지 않았다.", "localId": "0776", "id": "AX084", "scope": "본조사", "sourceIds": [ "S078" ], "evidenceAccess": "원문 본문 열람", "dateLabel": "2025-10-09", "dateBasis": "자료 발표 시점. 도입 시작일과 다를 수 있음", "evidenceYears": [ "2025" ], "problem": "Shopify의 상품 분류 체계는 10,000개가 넘는 카테고리와 2,000개가 넘는 속성으로 이뤄져 있다. 새 상품 유형과 기술 카테고리, 계절 유행이 나올 때마다 손봐야 하는데 사람 손으로 하는 정리로는 속도를 맞출 수 없었다. 분류 팀이 판매자가 파는 모든 분야의 전문성을 갖추기도 어려웠다. 체계가 커지면서 비슷한 개념이 카테고리마다 다르게 표현되고 이름 짓는 방식도 어긋났다.", "eventDate": "2025-10-09", "eventBasis": "공개", "translations": { "en": { "usecase": "Improving the product taxonomy", "problem": "Shopify's product taxonomy consists of more than 10,000 categories and more than 2,000 attributes. It has to be revised every time new product types, technology categories or seasonal trends appear, and manual curation could not keep pace. It was also hard for the taxonomy team to hold expertise in every field merchants sell in. As the taxonomy grew, similar concepts were expressed differently across categories and naming conventions drifted apart.", "implementation": "Shopify attached several AI agents that revise the taxonomy itself. A structural analysis agent looks only at the taxonomy and finds gaps in the hierarchy and inconsistencies in naming rules. A product based analysis agent reads real merchant data and finds attributes missing from product titles, descriptions and merchant-assigned categories. A synthesis stage sorts out conflicts and duplication between the two results, and an equivalence detection agent finds cases where different categories point to the same set of products. Finally, domain AI reviewers evaluate and filter the proposals before passing them to human review.", "outcome": "Shopify said that where a taxonomy specialist could look at a few categories a day, this system examines up to hundreds of categories at once. In mobile phone accessories the product analysis agent found that merchants often highlight MagSafe support and proposed a MagSafe compatible boolean attribute, which the electronics reviewer approved with 93 percent confidence. The company explained that it applied this approach to the Telephony area of the taxonomy as a proof of concept compared against the existing manual expansion method.", "limitation": "The source does not give numbers for how many taxonomy changes this system actually landed, or for the effect on merchants." }, "jp": { "usecase": "商品分類体系の改善", "problem": "Shopifyの商品分類体系は、10,000を超えるカテゴリーと2,000を超える属性でできている。新しい商品の種類や技術のカテゴリー、季節の流行が出るたびに手を入れなければならないが、人の手による整理では速さが追いつかなかった。分類のチームが、販売者が売るすべての分野の専門性を備えることも難しかった。体系が大きくなるにつれ、似た概念がカテゴリーごとに違う表現になり、名前の付け方もずれた。", "implementation": "Shopifyは、分類体系そのものを直す複数のAIエージェントを付けた。構造分析エージェントは分類体系だけを見て、階層の空きと名前の規則の不一致を探す。商品を基にした分析エージェントは、実際の販売者のデータを読み、商品の題名と説明、販売者が決めた分類から抜けた属性を探す。合成の段階が二つの結果の衝突と重複を整理し、同等性検出エージェントは、異なる分類が同じ商品の束を指している場合を見つけ出す。最後に分野ごとのAIの審査者が提案を評価して絞り、人の検討に渡す。", "outcome": "Shopifyは、分類の専門家が一日に数個のカテゴリーを見ていた作業を、このシステムは数百のカテゴリーまで一度に見ると述べた。携帯電話のアクセサリーでは、商品分析エージェントが販売者たちがMagSafe対応をよく打ち出していることを見つけ、MagSafe compatibleの真偽値の属性を提案し、電子製品の担当の審査者が93%の確信で承認した。同社は、この方法をTelephonyの分類の領域に適用し、従来の手作業の拡張のやり方と比べる概念の検証を行ったと説明した。", "limitation": "原文は、このシステムが実際に反映した分類の変更の件数と、販売者側の効果を数値で示していない。" }, "zh": { "usecase": "改进商品分类体系", "problem": "Shopify的商品分类体系由超过10,000个类目和超过2,000个属性构成。每当出现新的商品类型、技术类目或季节性潮流，都需要修订，而人工整理跟不上速度。分类团队也很难具备商家所售全部领域的专业知识。随着体系扩大，相似概念在不同类目中的表述各异，命名方式也出现偏差。", "implementation": "Shopify接入了多个直接修订分类体系的AI智能体。结构分析智能体只看分类体系本身，找出层级中的空缺和命名规则的不一致。基于商品的分析智能体读取真实商家数据，从商品标题、描述以及商家自选的分类中找出缺失的属性。合成阶段整理两类结果之间的冲突与重复，等价识别智能体则找出不同分类指向同一组商品的情况。最后由各领域的AI评审对提案进行评估筛选，再交给人工审核。", "outcome": "Shopify表示，分类专家一天只能看几个类目，而这套系统一次可以审视多达数百个类目。在手机配件领域，商品分析智能体发现商家经常强调支持MagSafe，于是提出增加MagSafe compatible布尔属性，电子产品领域的评审以93%的置信度予以通过。公司说明，已把这一方法应用到Telephony分类领域，做了与原有人工扩展方式对照的概念验证。", "limitation": "原文没有以数字说明这套系统实际落地的分类变更数量，以及对商家一侧的效果。" } } }, { "industry": "전문서비스", "subindustry": "채용 플랫폼", "company": "LinkedIn", "country": "미국", "stage": "운영", "usecase": "채용 후보 검색과 평가 지원", "implementation": "Hiring Assistant는 채용 담당자마다 별도 agent 인스턴스로 만들고 비동기 메시지로 움직인다. 중심에는 supervisor agent가 있어 요청을 해석하고 하위 agent에 일을 나눈다. ReAct 대신 Plan-and-Execute 구조를 골랐다. planner가 구조화된 계획을 세우고 executor가 ReAct 방식으로 tool을 쓴다. 하위 agent는 요건 정리, 후보 발굴, 평가, 접촉, 선별, 학습, 기억으로 나뉜다. 후보 발굴 agent는 LinkedIn Recruiter Search와 Recommended Matches를 쓰고 Economic Graph와 Talent Insights로 인재 공급과 이동을 본다. 평가 agent는 프로필, 이력서, 과거 접촉 기록을 모아 근거와 함께 추천을 낸다. 평가 전용 맞춤 LLM을 만들고 speculative decoding으로 응답 시간을 줄였다.", "outcome": "LinkedIn은 성과 수치를 공개하지 않았다. 대신 담당자가 자격 요건을 먼저 검토하고 Responsible AI 정책 점검을 거친 뒤에 평가가 시작된다고 밝혔다. 후보를 다음 단계로 올릴지는 담당자가 정한다. 학습 agent가 제안한 자격 요건 변경도 담당자 검토와 승인 뒤에만 반영된다. 기억 데이터는 해당 담당자 환경 안에만 두고 LLM 학습에는 쓰지 않는다고 했다.", "limitation": "원문은 채용 기간 단축이나 채용 품질 변화를 수치로 밝히지 않았다. 특정 고객 기업의 성과를 입증한 자료도 아니다.", "localId": "0482", "id": "AX078", "scope": "본조사", "sourceIds": [ "S073" ], "evidenceAccess": "검색 도구의 본문 발췌 확인", "dateLabel": "2025-10-21", "dateBasis": "자료 발표 시점. 도입 시작일과 다를 수 있음", "evidenceYears": [ "2025" ], "problem": "채용 담당자의 일은 판단이 필요한 부분과 대량의 패턴 인식 작업이 섞여 있다. 후보 발굴과 평가가 가장 손이 많이 가는 단계다. LinkedIn은 12억 개가 넘는 프로필에서 후보를 찾고 평가해야 하는 규모 문제를 안고 있었다.", "eventDate": "2025-10-21", "eventBasis": "공개", "translations": { "en": { "usecase": "Supporting candidate search and assessment", "problem": "A recruiter's job mixes work that needs judgement with high-volume pattern recognition. Sourcing and assessing candidates are the most labour-intensive stages. LinkedIn faced a scale problem of finding and assessing candidates among more than 1.2 billion profiles.", "implementation": "Hiring Assistant creates a separate agent instance per recruiter and runs on asynchronous messages. At the centre sits a supervisor agent that interprets the request and distributes work to sub-agents. Plan-and-Execute was chosen over ReAct. A planner builds a structured plan and an executor uses tools in a ReAct fashion. The sub-agents are split into requirement definition, candidate sourcing, assessment, outreach, screening, learning and memory. The sourcing agent uses LinkedIn Recruiter Search and Recommended Matches and looks at talent supply and movement through the Economic Graph and Talent Insights. The assessment agent gathers profiles, résumés and past contact records and produces a recommendation with reasoning. A custom LLM dedicated to assessment was built, and speculative decoding was used to cut response time.", "outcome": "LinkedIn did not disclose performance figures. Instead it said assessment starts only after the recruiter first reviews the qualification requirements and a Responsible AI policy check has been run. Whether to move a candidate to the next stage is the recruiter's decision. Changes to qualification requirements proposed by the learning agent are also applied only after recruiter review and approval. It said memory data stays inside that recruiter's environment and is not used for LLM training.", "limitation": "The source gives no figures for a shorter time to hire or a change in hiring quality. It is also not material that demonstrates results at a specific client company." }, "jp": { "usecase": "採用候補者の検索と評価の支援", "problem": "採用担当者の仕事は、判断が必要な部分と大量の型の認識の作業が混ざっている。候補者の発掘と評価が最も手のかかる段階である。LinkedInは、12億を超えるプロフィールから候補者を探して評価しなければならない規模の問題を抱えていた。", "implementation": "Hiring Assistantは、採用担当者ごとに別のagentのインスタンスを作り、非同期のメッセージで動く。中心にはsupervisor agentがあり、要求を解釈して下位のagentに仕事を分ける。ReActではなくPlan-and-Executeの構造を選んだ。plannerが構造化された計画を立て、executorがReActのやり方でtoolを使う。下位のagentは、要件の整理、候補者の発掘、評価、接触、選別、学習、記憶に分かれる。候補者を発掘するagentはLinkedIn Recruiter SearchとRecommended Matchesを使い、Economic GraphとTalent Insightsで人材の供給と移動を見る。評価のagentはプロフィール、履歴書、過去の接触の記録を集め、根拠とともに推薦を出す。評価専用のカスタムLLMを作り、speculative decodingで応答時間を減らした。", "outcome": "LinkedInは成果の数値を公開していない。代わりに、担当者が資格の要件をまず検討し、Responsible AIの方針の点検を経てから評価が始まると述べた。候補者を次の段階へ上げるかどうかは担当者が決める。学習のagentが提案した資格の要件の変更も、担当者の検討と承認のあとにだけ反映される。記憶のデータは当該の担当者の環境の中だけに置き、LLMの学習には使わないとした。", "limitation": "原文は、採用にかかる期間の短縮や採用の品質の変化を数値で示していない。特定の顧客企業の成果を立証した資料でもない。" }, "zh": { "usecase": "支持候选人搜寻与评估", "problem": "招聘负责人的工作既有需要判断的部分，也有大量的模式识别作业。寻访候选人和评估是最耗人力的环节。LinkedIn面临的规模难题是要在超过12亿份档案中寻找并评估候选人。", "implementation": "Hiring Assistant为每位招聘负责人创建独立的agent实例，以异步消息驱动。中心是supervisor agent，负责解读请求并把工作分配给下级agent。团队选择了Plan-and-Execute结构而非ReAct：planner制定结构化计划，executor以ReAct方式调用tool。下级agent分为需求梳理、候选人寻访、评估、触达、筛选、学习和记忆。寻访agent使用LinkedIn Recruiter Search和Recommended Matches，并通过Economic Graph和Talent Insights观察人才供给与流动。评估agent汇集档案、简历和过往联系记录，给出带依据的推荐。团队还构建了评估专用的定制LLM，并用speculative decoding缩短响应时间。", "outcome": "LinkedIn未公开成效数字。公司只表示，评估要在招聘负责人先审阅任职要求、并通过Responsible AI政策检查之后才开始。是否把候选人推进到下一环节由负责人决定。学习agent提出的任职要求变更，也只有经负责人审阅并批准后才会生效。公司称记忆数据仅保存在该负责人的环境内，不用于LLM训练。", "limitation": "原文没有以数字说明招聘周期缩短或招聘质量的变化，也不是证明某个客户企业成效的资料。" } } }, { "industry": "여행과 숙박", "subindustry": "항공", "company": "Delta Air Lines", "country": "미국", "stage": "제한 운영", "usecase": "앱 여행 상담", "implementation": "베타 사용자는 Fly Delta 앱 홈 화면 오른쪽 위 위젯 아이콘으로 들어간다. SkyMiles 계정에 로그인하면 Concierge가 본인을 확인한 뒤 보안 여행 정보에 접근한다. 답하는 범위는 비행 시간, 좌석과 게이트, SkyMiles 등급과 혜택, eCredit과 수하물 조회다. 좌석과 게이트 정보는 출발 24시간 전부터 제공한다. 여행 이력과 선호를 반영한 맞춤 FAQ도 함께 띄운다. 회사는 외부 인터넷이 아니라 Delta 내부 데이터와 로직을 쓴다고 밝혔다. 음성으로도 물을 수 있고, 답이 부족하면 Reservations & Customer Care 팀으로 넘긴다. 사용자는 엄지 표시로 답이 맞았는지 바로 평가한다.", "outcome": "Delta는 10월 29일부터 무작위로 뽑은 SkyMiles 회원 앱 사용자에게 베타 접근을 열었다. CES 2025 무대에서 처음 소개한 도구를 실제 사용자에게 내놓은 것이다. 기능을 제한한 채 시작한 것은 의도한 설계라고 밝혔다. 접근 범위와 기능은 앞으로 몇 달에 걸쳐 단계적으로 넓히고, 추가 기능은 2026년까지 나눠 내놓는다. Eric Phillips 최고디지털책임자는 이 제한 출시가 배우고 다듬기 위한 것이라고 말했다.", "limitation": "전체 회원 확대 시점과 문의 처리 시간 개선 수치는 원문에 없다. 공항 길안내와 국제선 요건 안내는 앞으로 넣을 기능으로만 적혀 있다.", "id": "AX021", "scope": "본조사", "sourceIds": [ "S020" ], "evidenceAccess": "검색 도구의 본문 발췌 확인", "dateLabel": "2025-10", "dateBasis": "자료 발표 시점. 도입 시작일과 다를 수 있음", "evidenceYears": [ "2025" ], "problem": "Delta는 여행 중 생기는 질문의 답을 앱 안에서 바로 찾게 하는 것을 과제로 삼았다. 회사는 Delta Concierge가 델타 여행에서 추측을 없애도록 설계됐다고 밝혔다. 이전 디지털 비서와 달리 질문을 단계별로 따져 답하고 기능이 늘어도 적응하도록 만들었다고 설명했다.", "eventDate": "2025-10-29", "eventBasis": "도입", "translations": { "en": { "usecase": "In-app travel assistance", "problem": "Delta set itself the task of letting travellers find answers to questions that come up during a trip right inside the app. The company said Delta Concierge is designed to take the guesswork out of travelling with Delta. It explained that, unlike earlier digital assistants, it works through a question step by step and is built to adapt as functions grow.", "implementation": "Beta users enter through the widget icon at the top right of the Fly Delta app home screen. Once signed in to a SkyMiles account, Concierge verifies the person and then accesses secure trip information. The scope of what it answers is flight times, seat and gate, SkyMiles tier and benefits, and eCredit and baggage lookups. Seat and gate information is provided from 24 hours before departure. It also surfaces a personalised FAQ reflecting travel history and preferences. The company said it uses Delta's internal data and logic rather than the open internet. Questions can be asked by voice, and if the answer is not enough the case passes to the Reservations and Customer Care team. Users rate straight away with a thumb whether the answer was right.", "outcome": "From 29 October Delta opened beta access to a randomly selected group of SkyMiles member app users. It put a tool first shown on stage at CES 2025 into the hands of real users. The company said starting with limited functionality is deliberate design. Access and functionality will widen in stages over the coming months, with further features released through 2026. Chief Digital Officer Eric Phillips said this limited release is there to learn and refine.", "limitation": "The date for extending to all members and figures for improvement in enquiry handling time are not in the source. Airport wayfinding and international requirement guidance are written up only as features still to come." }, "jp": { "usecase": "アプリでの旅行相談", "problem": "Deltaは、旅行の途中で生じる質問の答えをアプリの中ですぐ見つけられるようにすることを課題に据えた。同社は、Delta Conciergeがデルタでの旅行から推測をなくすように設計されたと述べた。以前のデジタルの秘書と違い、質問を段階ごとに詰めて答え、機能が増えても適応するように作ったと説明した。", "implementation": "ベータの利用者は、Fly Deltaアプリのホーム画面の右上のウィジェットのアイコンから入る。SkyMilesの口座にログインすると、Conciergeが本人を確かめたうえで保安された旅行の情報にアクセスする。答える範囲は、飛行の時刻、座席とゲート、SkyMilesの等級と特典、eCreditと手荷物の照会である。座席とゲートの情報は出発の24時間前から提供する。旅行の履歴と好みを反映した個別のFAQも併せて出す。同社は、外部のインターネットではなくDeltaの内部のデータと論理を使うと述べた。音声でも尋ねられ、答えが足りなければReservations and Customer Careのチームへ渡す。利用者は親指の表示で答えが合っていたかをすぐ評価する。", "outcome": "Deltaは10月29日から、無作為に選んだSkyMiles会員のアプリ利用者にベータのアクセスを開いた。CES 2025の舞台で初めて紹介した道具を、実際の利用者に出したことになる。機能を絞って始めたのは意図した設計だと述べた。アクセスの範囲と機能はこれから数か月かけて段階的に広げ、追加の機能は2026年まで分けて出す。最高デジタル責任者のEric Phillipsは、この絞った提供が学び、整えるためのものだと語った。", "limitation": "全会員への拡大の時点と、問い合わせの処理時間の改善の数値は原文にない。空港の道案内と国際線の要件の案内は、これから入れる機能としてのみ記されている。" }, "zh": { "usecase": "应用内旅行咨询", "problem": "Delta把让旅客在应用内直接找到旅途中问题的答案作为课题。公司表示，Delta Concierge的设计目标是让乘坐Delta的旅行不再需要猜测。公司说明，与以往的数字助手不同，它会分步骤推敲问题再作答，并且能随着功能增加而适配。", "implementation": "测试用户从Fly Delta应用主界面右上角的组件图标进入。登录SkyMiles账户后，Concierge先确认本人身份，再访问受保护的行程信息。可回答的范围包括航班时刻、座位与登机口、SkyMiles等级与权益、eCredit和行李查询。座位与登机口信息在起飞前24小时开始提供。系统还会显示结合旅行历史和偏好的个性化FAQ。公司表示，它使用的是Delta的内部数据和逻辑，而不是外部互联网。用户也可以用语音提问，若答案不足则转交Reservations and Customer Care团队。用户可以用点赞标记直接评价答案是否正确。", "outcome": "Delta从10月29日起向随机抽取的SkyMiles会员应用用户开放测试访问。这相当于把在CES 2025舞台上首次亮相的工具交到真实用户手里。公司表示，以受限功能起步是有意为之的设计。访问范围和功能将在未来几个月分阶段扩大，更多功能将在2026年前陆续推出。首席数字官Eric Phillips表示，这次小范围发布是为了学习和打磨。", "limitation": "向全体会员推广的时间点，以及咨询处理时间改善的数字，原文中没有。机场路线指引和国际航班要求说明，也只写作后续要加入的功能。" } } }, { "industry": "배달과 이동", "subindustry": "차량 호출과 배달", "company": "Grab", "country": "싱가포르", "stage": "실증", "usecase": "동남아 문서의 글자와 항목 추출", "implementation": "Grab은 Qwen2-VL 2B를 바탕 모델로 골랐다. 전체 미세조정이 가능한 크기이고 태국어와 베트남어 처리에 유리하며 원본 해상도를 그대로 읽기 때문이다. 학습 자료는 두 갈래다. Common Crawl에서 동남아 언어 문장을 뽑아 글꼴과 배경을 바꾼 합성 이미지를 만들었다. 인도네시아어, 태국어, 베트남어, 영어를 담았다. 실제 서류는 사내 자동 라벨링 도구 Documint로 라벨을 뽑고 사람이 다시 검수했다. LoRA 방식은 라틴 문자 밖에서 부족해 전체 매개변수를 고치는 두 단계 학습으로 바꿨다. 이어서 Qwen2-VL 2B의 vision encoder와 Qwen2.5 0.5B의 언어 디코더를 붙여 약 1B 크기 모델을 새로 만들었다.", "outcome": "Grab은 전체 미세조정한 2B 모델이 기준 대비 태국어 서류 정확도를 70%포인트, 베트남어를 40%포인트 올렸다고 밝혔다. 새로 만든 약 1B 모델은 대부분의 서류 유형에서 2B 모델과 정확도 차이가 3%포인트 안쪽이었다. 지연 시간은 2B 모델과 기존 OCR, 외부 API보다 나았다고 설명했다. 외부 API는 P99 지연이 P50의 3배에서 4배까지 벌어져 대규모 적용에 맞지 않았다고 적었다.", "limitation": "원문은 모델 개발과 평가를 다룬다. 실제 운영 전환 시점이나 승인 자동화 범위를 밝힌 문장은 없다.", "localId": "0378", "id": "AX075", "scope": "본조사", "sourceIds": [ "S070" ], "evidenceAccess": "원문 본문 열람", "dateLabel": "2025-11-04", "dateBasis": "자료 발표 시점. 도입 시작일과 다를 수 있음", "evidenceYears": [ "2025" ], "problem": "Grab은 신분증, 운전면허증, 등록증 같은 서류에서 정보를 뽑아야 한다. 고객 확인 절차의 첫 단계다. 동남아시아는 언어와 서식이 다양해 이 작업이 특히 어렵다. 기존 OCR은 서식이 달라지면 흔들렸고 상용 LLM은 동남아 언어 이해가 약하고 오류와 지어내기가 있었으며 응답도 느렸다.", "eventDate": "2025-11-04", "eventBasis": "공개", "translations": { "en": { "usecase": "Extracting text and fields from Southeast Asian documents", "problem": "Grab has to extract information from documents such as identity cards, driving licences and registration certificates. This is the first step of customer verification. Southeast Asia has many languages and formats, which makes the task especially hard. Existing OCR wavered when the format changed, while commercial LLMs were weak at understanding Southeast Asian languages, produced errors and hallucinations, and were slow to respond.", "implementation": "Grab chose Qwen2-VL 2B as the base model. It is a size that allows full fine-tuning, it is good at Thai and Vietnamese, and it reads the original resolution as it is. Training material came from two directions. Sentences in Southeast Asian languages were pulled from Common Crawl and turned into synthetic images with varied fonts and backgrounds, covering Indonesian, Thai, Vietnamese and English. For real documents, labels were extracted with the in-house automatic labelling tool Documint and then checked again by people. The LoRA approach fell short outside the Latin script, so it was changed to two-stage training that updates all parameters. Next, the vision encoder of Qwen2-VL 2B and the language decoder of Qwen2.5 0.5B were joined to build a new model of about 1B.", "outcome": "Grab said the fully fine-tuned 2B model raised accuracy on Thai documents by 70 percentage points and on Vietnamese by 40 percentage points against the baseline. The new model of about 1B was within 3 percentage points of the 2B model on accuracy for most document types. It explained that latency was better than the 2B model, existing OCR and external APIs. It wrote that with external APIs the P99 latency stretched to three or four times the P50, which did not suit large-scale use.", "limitation": "The source covers model development and evaluation. There is no sentence stating when it moved into live operation or how far approval is automated." }, "jp": { "usecase": "東南アジアの文書の文字と項目の抽出", "problem": "Grabは、身分証、運転免許証、登録証といった書類から情報を取り出さなければならない。顧客確認の手続きの最初の段階である。東南アジアは言語と書式が多様で、この作業がとりわけ難しい。従来のOCRは書式が変わると揺れ、商用のLLMは東南アジアの言語の理解が弱く、誤りと作り話があり、応答も遅かった。", "implementation": "GrabはQwen2-VL 2Bを土台のモデルに選んだ。全体の微調整ができる大きさで、タイ語とベトナム語の処理に有利で、元の解像度をそのまま読むからである。学習の資料は二つの流れからなる。Common Crawlから東南アジアの言語の文を取り出し、書体と背景を変えた合成の画像を作った。インドネシア語、タイ語、ベトナム語、英語を入れた。実際の書類は社内の自動ラベル付けの道具Documintでラベルを取り出し、人が改めて検収した。LoRAの方式はラテン文字の外で足りず、全体の媒介変数を直す二段階の学習に変えた。続いて、Qwen2-VL 2Bのvision encoderとQwen2.5 0.5Bの言語デコーダーをつないで、約1Bの大きさのモデルを新しく作った。", "outcome": "Grabは、全体を微調整した2Bのモデルが基準に比べてタイ語の書類の精度を70%ポイント、ベトナム語を40%ポイント上げたと述べた。新しく作った約1Bのモデルは、ほとんどの書類の種類で2Bのモデルとの精度の差が3%ポイント以内だった。遅延時間は2Bのモデルや従来のOCR、外部のAPIより良かったと説明した。外部のAPIはP99の遅延がP50の3倍から4倍まで開き、大規模な適用に合わなかったと記した。", "limitation": "原文はモデルの開発と評価を扱っている。実際の運用へ移した時点や、承認の自動化の範囲を示した文はない。" }, "zh": { "usecase": "提取东南亚文件的文字与字段", "problem": "Grab需要从身份证、驾照、登记证之类的文件中提取信息，这是客户身份核验的第一步。东南亚语言和版式多样，使这项工作格外困难。原有OCR在版式变化时表现不稳，商用LLM对东南亚语言的理解较弱，存在错误和凭空编造，响应也慢。", "implementation": "Grab选择Qwen2-VL 2B作为基础模型。原因是它的规模允许做全参数微调，对泰语和越南语处理有优势，并且能按原始分辨率读取图像。训练素材来自两条线。一是从Common Crawl中抽取东南亚语言句子，生成改变字体和背景的合成图像，涵盖印尼语、泰语、越南语和英语。二是真实文件用内部自动标注工具Documint产出标签，再由人复核。LoRA方式在拉丁字母之外表现不足，于是改为更新全部参数的两阶段训练。随后，团队把Qwen2-VL 2B的vision encoder与Qwen2.5 0.5B的语言解码器拼接，构建了约1B规模的新模型。", "outcome": "Grab表示，全参数微调的2B模型相对基线把泰语文件的准确率提高了70个百分点，越南语提高了40个百分点。新建的约1B模型在大多数文件类型上与2B模型的准确率差距在3个百分点以内。公司说明，其延迟优于2B模型、原有OCR和外部API。文中写到，外部API的P99延迟会拉长到P50的三到四倍，不适合大规模应用。", "limitation": "原文讲的是模型开发与评估，没有说明何时转入实际运行，也没有说明审批自动化的范围。" } } }, { "industry": "미디어와 콘텐츠", "subindustry": "온라인 광고", "company": "Meta", "country": "미국", "stage": "운영", "usecase": "광고 추천 모델 고도화", "implementation": "GEM은 광고 추천을 위한 기반 모델이다. LLM 방식으로 설계했고 수천 개 GPU로 학습했다. 학습 자료는 광고 콘텐츠와 이용자 반응 기록이며 광고뿐 아니라 일반 게시물 반응도 함께 쓴다. 특징은 순서가 있는 행동 기록과 순서가 없는 속성으로 나눈다. 각각에 맞춘 attention을 적용하고 두 무리 사이 관계도 함께 학습한다. 학습이 끝나면 지식을 하위 모델에 옮긴다. GEM이 주요 모델에 직접 넘기기도 하고 영역별 기반 모델을 거쳐 넘기기도 한다. 증류에서는 Student Adapter가 최신 실제 결과로 교사 모델의 출력을 보정한다.", "outcome": "Meta는 GEM을 올해 초에 내놨고 Facebook과 Instagram에 적용했다고 밝혔다. 그 결과 2분기에 Instagram 광고 전환이 5%, Facebook Feed 광고 전환이 3% 늘었다고 발표했다. 회사는 새 구조가 기존 광고 순위 모델보다 같은 자료와 연산으로 4배 효율이라고 설명했다. 지식 전달 방식은 일반 증류의 2배 효과라고 밝혔다. 3분기에는 구조를 고쳐 같은 자료와 연산에서 얻는 성능 이득을 두 배로 늘렸다고 적었다.", "limitation": "전환 증가율은 Meta가 밝힌 자체 평가다. 광고 소재를 자동으로 만드는 사례와는 다르며 매출이나 순이익 증가율도 아니다.", "localId": "0580", "id": "AX079", "scope": "본조사", "sourceIds": [ "S074" ], "evidenceAccess": "원문 본문 열람", "dateLabel": "2025-11-10", "dateBasis": "자료 발표 시점. 도입 시작일과 다를 수 있음", "evidenceYears": [ "2025" ], "problem": "Meta 앱에서는 하루에 수십억 건의 이용자와 광고 사이 반응이 쌓인다. 그중 클릭이나 전환처럼 의미 있는 신호는 드물다. 광고주 목표, 소재 형식, 측정 신호, 이용자 행동처럼 성격이 다른 자료를 한꺼번에 다뤄야 한다. 기존 방식은 긴 행동 기록을 짧은 벡터로 압축하다가 중요한 신호를 잃었다.", "eventDate": "2025-11-10", "eventBasis": "공개", "translations": { "en": { "usecase": "Upgrading the ad recommendation model", "problem": "Billions of interactions between users and ads build up across Meta's apps each day. Among them, meaningful signals such as clicks or conversions are rare. Material of different kinds has to be handled together: advertiser objectives, creative formats, measurement signals and user behaviour. The existing approach compressed long behaviour histories into short vectors and lost important signals in the process.", "implementation": "GEM is a foundation model for ad recommendation. It was designed in the manner of an LLM and trained on thousands of GPUs. The training material is ad content and user interaction records, and it uses reactions to ordinary posts as well as ads. Features are split into ordered behaviour records and unordered attributes. Attention suited to each is applied, and the relationship between the two groups is learned as well. Once training is done, the knowledge is transferred to downstream models. GEM sometimes passes it straight to the main models and sometimes through domain-specific foundation models. In distillation, a Student Adapter corrects the teacher model's output with the latest real outcomes.", "outcome": "Meta said it released GEM earlier this year and applied it to Facebook and Instagram. It announced that as a result, ad conversions on Instagram rose 5 percent and ad conversions in Facebook Feed rose 3 percent in the second quarter. The company explained that the new architecture is four times as efficient as the previous ad ranking model on the same data and compute. It said the knowledge transfer method is twice as effective as ordinary distillation. It wrote that in the third quarter it revised the architecture and doubled the performance gain obtained from the same data and compute.", "limitation": "The conversion growth rates are Meta's own assessment. This is different from a case of generating ad creative automatically, and the figures are not revenue or net profit growth rates." }, "jp": { "usecase": "広告推薦モデルの高度化", "problem": "Metaのアプリでは、一日に数十億件の利用者と広告の間の反応が積み上がる。そのうちクリックや転換のような意味のある信号はまれである。広告主の目標、素材の形式、測定の信号、利用者の行動のように性格の違う資料を一度に扱わなければならない。従来の方式は長い行動の記録を短いベクトルに圧縮する途中で、重要な信号を失った。", "implementation": "GEMは広告の推薦のための基盤モデルである。LLMのやり方で設計し、数千個のGPUで学習した。学習の資料は広告のコンテンツと利用者の反応の記録で、広告だけでなく一般の投稿への反応も併せて使う。特徴は、順序のある行動の記録と順序のない属性に分ける。それぞれに合わせたattentionを適用し、二つの群の間の関係も併せて学習する。学習が終わると、知識を下位のモデルへ移す。GEMが主要なモデルに直接渡すこともあれば、領域ごとの基盤モデルを経て渡すこともある。蒸留では、Student Adapterが最新の実際の結果で教師モデルの出力を補正する。", "outcome": "Metaは、GEMを今年の初めに出し、FacebookとInstagramに適用したと述べた。その結果、第2四半期にInstagramの広告の転換が5%、Facebook Feedの広告の転換が3%増えたと発表した。同社は、新しい構造が従来の広告の順位付けのモデルより、同じ資料と演算で4倍の効率だと説明した。知識の伝達の方式は通常の蒸留の2倍の効果だと述べた。第3四半期には構造を直し、同じ資料と演算から得る性能の利得を二倍に増やしたと記した。", "limitation": "転換の増加率はMetaが示した自社の評価である。広告の素材を自動で作る事例とは異なり、売上や純利益の増加率でもない。" }, "zh": { "usecase": "升级广告推荐模型", "problem": "Meta旗下应用每天积累数十亿次用户与广告之间的互动，其中点击或转化这类有意义的信号却很稀少。系统必须同时处理性质各异的资料：广告主目标、素材格式、衡量信号和用户行为。原有做法在把长行为记录压缩成短向量的过程中，丢失了重要信号。", "implementation": "GEM是面向广告推荐的基础模型，按LLM的方式设计，在数千块GPU上训练。训练素材是广告内容和用户互动记录，不仅用广告，也用对普通帖子的互动。特征被分为有顺序的行为记录和无顺序的属性，分别施加相应的attention，并同时学习两组之间的关系。训练完成后，知识被迁移到下游模型。GEM有时直接传给主力模型，有时经由各领域的基础模型再传递。在蒸馏环节，Student Adapter用最新的真实结果校正教师模型的输出。", "outcome": "Meta表示，GEM于今年年初推出并应用到Facebook和Instagram。公司宣布，第二季度Instagram的广告转化因此提升5%，Facebook Feed的广告转化提升3%。公司说明，在相同数据和算力下，新架构的效率是原有广告排序模型的4倍。知识传递方式的效果是普通蒸馏的2倍。公司写到，第三季度又改进了架构，把相同数据和算力下获得的性能收益提高了一倍。", "limitation": "转化提升幅度是Meta给出的自我评估。这与自动生成广告素材的案例不同，也不是收入或净利润的增长率。" } } }, { "industry": "물류", "subindustry": "계약물류", "company": "DHL Supply Chain", "country": "독일", "stage": "운영", "usecase": "운송 연락과 예약 자동화", "implementation": "HappyRobot의 AI 에이전트를 도입했다. 이 에이전트는 전화와 이메일 대화를 스스로 처리한다. HappyRobot 플랫폼은 전화, 이메일, 메시지로 대화하면서 DHL 내부 시스템과 직접 연동된다. 이메일과 WhatsApp, SMS를 묶는 단일 AI 작업 조율 계층을 만들어 중간에 문제가 나도 복구되게 했다. 직원은 반복 업무에서 빠지고 전략적인 일과 예외 처리에 집중한다. DHL Supply Chain은 생성형 AI와 에이전트 AI를 쓸 운영 업무를 18개월 넘게 찾아내고 검증해 왔다고 밝혔다.", "outcome": "여러 지역과 여러 업무에서 이미 쓰고 있다고 밝혔다. 현재 적용 범위는 연간 수십만 건의 이메일과 수백만 분의 음성 통화를 대상으로 한다. DHL은 수작업이 크게 줄고 응답 속도가 빨라졌다고 설명했다. 최고정보책임자 Sally Miller는 반복되고 시간이 많이 드는 업무를 자동화해 고객에게는 처리 효율을, 직원에게는 더 할 만한 역할을 주는 것이 목적이라고 밝혔다.", "limitation": "공개된 값은 대상 업무량이다. 실제 절감한 시간, 비용, 처리 정확도 수치는 이 자료에 없다.", "id": "AX018", "scope": "본조사", "sourceIds": [ "S016" ], "evidenceAccess": "원문 본문 열람", "dateLabel": "2025-11-11", "dateBasis": "자료 발표 시점. 도입 시작일과 다를 수 있음", "evidenceYears": [ "2025" ], "problem": "DHL Supply Chain은 운송사와 기사, 창고 사이 연락을 전화와 이메일로 처리해 왔다. 도착 시간 예약, 기사 후속 확인 전화, 우선순위 높은 창고 연락이 대표적이다. 수작업 데이터 입력과 정형화된 연락이 반복돼 직원 시간을 많이 썼다.", "eventDate": "2025-11-11", "eventBasis": "공개", "translations": { "en": { "usecase": "Automating transport contact and booking", "problem": "DHL Supply Chain handled contact between carriers, drivers and warehouses by phone and email. Typical examples are booking arrival times, follow-up calls to drivers and high-priority contact with warehouses. Manual data entry and formulaic contact repeated over and over and used up a lot of staff time.", "implementation": "The company brought in AI agents from HappyRobot. These agents handle phone and email conversations on their own. The HappyRobot platform converses by phone, email and message while linking directly to DHL's internal systems. A single AI task orchestration layer tying together email, WhatsApp and SMS was built so that the process recovers when something goes wrong midway. Staff step out of repetitive work and concentrate on strategic work and exception handling. DHL Supply Chain said it has spent more than 18 months finding and validating operational tasks where generative AI and agentic AI can be used.", "outcome": "The company said it is already in use across several regions and several tasks. The current scope covers several hundred thousand emails and several million minutes of voice calls a year. DHL explained that manual work fell sharply and response speed rose. Chief Information Officer Sally Miller said the purpose is to automate repetitive, time-consuming work so customers get processing efficiency and staff get a more worthwhile role.", "limitation": "The figures disclosed are the volume of work covered. Figures for time and cost actually saved and for handling accuracy are not in this source." }, "jp": { "usecase": "輸送の連絡と予約の自動化", "problem": "DHL Supply Chainは、運送会社と運転者、倉庫の間の連絡を電話とメールで処理してきた。到着時刻の予約、運転者への後続の確認の電話、優先順位の高い倉庫への連絡が代表である。手作業のデータ入力と定型の連絡が繰り返され、従業員の時間を多く使った。", "implementation": "HappyRobotのAIエージェントを導入した。このエージェントは電話とメールの会話を自ら処理する。HappyRobotのプラットフォームは電話、メール、メッセージで会話しながら、DHLの内部システムと直接つながる。メールとWhatsApp、SMSを束ねる単一のAIの作業調整の層を作り、途中で問題が出ても復旧するようにした。従業員は繰り返しの業務から抜け、戦略的な仕事と例外の処理に集中する。DHL Supply Chainは、生成AIとエージェントAIを使う運用の業務を18か月を超えて見つけ出し、検証してきたと述べた。", "outcome": "複数の地域と複数の業務ですでに使っていると述べた。現在の適用の範囲は、年間で数十万件のメールと数百万分の音声通話を対象にする。DHLは、手作業が大きく減り、応答の速度が速くなったと説明した。最高情報責任者のSally Millerは、繰り返しで時間の多くかかる業務を自動化し、顧客には処理の効率を、従業員にはより取り組みがいのある役割を与えることが目的だと述べた。", "limitation": "公開された値は対象の業務量である。実際に節約した時間、費用、処理の精度の数値はこの資料にない。" }, "zh": { "usecase": "自动化运输联络与预约", "problem": "DHL Supply Chain一直用电话和邮件处理承运商、司机与仓库之间的联络，典型场景包括预约到达时间、给司机打跟进电话、与仓库的高优先级联络。人工录入数据和格式化联络反复出现，占用了大量员工时间。", "implementation": "公司引入了HappyRobot的AI智能体。这些智能体自行处理电话和邮件对话。HappyRobot平台通过电话、邮件和消息进行对话，同时与DHL的内部系统直接对接。公司搭建了把邮件、WhatsApp和短信整合起来的统一AI任务编排层，使中途出现问题时也能恢复。员工从重复性工作中抽身，专注于战略性工作和异常处理。DHL Supply Chain表示，公司已用18个多月的时间寻找并验证适合使用生成式AI和智能体AI的运营场景。", "outcome": "公司表示，已经在多个地区和多类业务中使用。当前的适用范围覆盖每年数十万封邮件和数百万分钟的语音通话。DHL说明，人工作业大幅减少，响应速度加快。首席信息官Sally Miller表示，其目的是把重复且耗时的工作自动化，让客户获得处理效率，让员工得到更有价值的角色。", "limitation": "公开的数字是覆盖的业务量。实际节省的时间、成本以及处理准确度的数字，这份资料中没有。" } } }, { "industry": "배달과 이동", "subindustry": "음식 배달", "company": "DoorDash", "country": "미국", "stage": "운영", "usecase": "사내 데이터 분석과 업무 도우미", "implementation": "DoorDash는 사내 데이터와 운영 위에 얹는 agentic AI 플랫폼을 만들었다. 검색은 벡터 데이터베이스 위에 올린 다단계 엔진이 맡는다. best-match-25 키워드 검색과 밀집 의미 검색을 합치고 reciprocal rank fusion으로 다시 순위를 매긴다. SQL은 스키마를 아는 방식으로 만든다. 테이블 이름에 맞춘 lemmatization으로 데이터 출처를 찾고, DescribeTable 도구가 열 정의와 미리 캐시한 예시 값을 준다. 만들어진 질의는 Snowflake와 Trino 같은 엔진에 EXPLAIN을 걸어 검사한다. 반환 행 수나 주요 열의 평균 같은 결과 통계로 빈 결과를 미리 잡는다. 민감한 데이터는 모델에 노출하지 않는다. 문제가 나오면 에이전트가 그 피드백으로 질의를 스스로 고친다.", "outcome": "DoorDash는 단계를 넷으로 나눴다. 결정형 workflow, 단일 에이전트, 여러 에이전트를 계층으로 묶은 deep agent, 서로 대등하게 협업하는 swarm이다. 1단계인 플랫폼 기반과 마켓플레이스는 출시했다. 2단계 AI Network는 preview 상태이고, 3단계 A2A와 swarm은 탐색 단계다. 답변 품질은 LLM을 심판으로 쓰는 자동 평가 틀로 채점한다.", "limitation": "모든 업무를 스스로 처리하는 시스템이 완성됐다는 뜻이 아니다. 원문은 이용자 수, 절감 시간, 정확도 점수 같은 수치를 밝히지 않았다.", "localId": "0202", "id": "AX073", "scope": "본조사", "sourceIds": [ "S068" ], "evidenceAccess": "원문 본문 열람", "dateLabel": "2025-11-11", "dateBasis": "자료 발표 시점. 도입 시작일과 다를 수 있음", "evidenceYears": [ "2025" ], "problem": "DoorDash의 지식은 실험 플랫폼과 지표 허브, 대시보드, 위키, 팀 채팅에 흩어져 있었다. 복잡한 업무 질문에 답하려면 위키를 뒤지고 Slack에 묻고 SQL을 쓰고 Jira 티켓을 올리며 화면을 계속 옮겨 다녀야 했다. 셀프서비스 도구는 이용자가 어떤 데이터를 볼지 이미 안다고 전제해 한계가 있었다.", "eventDate": "2025-11-11", "eventBasis": "공개", "translations": { "en": { "usecase": "Internal data analysis and a work assistant", "problem": "DoorDash's knowledge was scattered across the experiment platform, the metrics hub, dashboards, wikis and team chat. Answering a complex work question meant digging through the wiki, asking in Slack, writing SQL and raising a Jira ticket while constantly switching screens. Self-service tools had limits because they assumed the user already knew which data to look at.", "implementation": "DoorDash built an agentic AI platform that sits on top of internal data and operations. Search is handled by a multi-stage engine over a vector database. It combines best-match-25 keyword search with dense semantic search and reranks with reciprocal rank fusion. SQL is generated in a schema-aware way. Lemmatisation matched to table names finds the data source, and a DescribeTable tool supplies column definitions and pre-cached example values. The generated query is checked by running EXPLAIN on engines such as Snowflake and Trino. Result statistics such as the number of rows returned or the mean of key columns catch empty results in advance. Sensitive data is not exposed to the model. When a problem appears, the agent uses that feedback to fix the query itself.", "outcome": "DoorDash split the stages into four: deterministic workflows, a single agent, deep agents that stack several agents in a hierarchy, and swarms that collaborate as equals. Stage one, the platform foundation and marketplace, has shipped. Stage two, AI Network, is in preview, and stage three, A2A and swarms, is at the exploration stage. Answer quality is scored with an automatic evaluation framework that uses an LLM as judge.", "limitation": "This does not mean a system that handles every task on its own is complete. The source does not disclose figures such as number of users, time saved or accuracy scores." }, "jp": { "usecase": "社内データ分析と業務アシスタント", "problem": "DoorDashの知識は、実験のプラットフォームと指標のハブ、ダッシュボード、ウィキ、チームのチャットに散らばっていた。複雑な業務の質問に答えるには、ウィキを探し、Slackで尋ね、SQLを書き、Jiraのチケットを上げながら画面を移り続けなければならなかった。セルフサービスの道具は、利用者がどのデータを見るかをすでに知っている前提で、限界があった。", "implementation": "DoorDashは社内のデータと運用の上に載せるagentic AIのプラットフォームを作った。検索はベクトルデータベースの上に載せた多段階のエンジンが担う。best-match-25のキーワード検索と密な意味検索を合わせ、reciprocal rank fusionで並べ直す。SQLはスキーマを知ったやり方で作る。テーブル名に合わせたlemmatizationでデータの出どころを探し、DescribeTableの道具が列の定義とあらかじめキャッシュした例の値を渡す。作られた問い合わせは、SnowflakeやTrinoといったエンジンにEXPLAINをかけて検査する。返る行の数や主要な列の平均といった結果の統計で、空の結果をあらかじめ捉える。機微なデータはモデルに見せない。問題が出ると、エージェントがそのフィードバックで問い合わせを自ら直す。", "outcome": "DoorDashは段階を四つに分けた。決定型のworkflow、単一のエージェント、複数のエージェントを階層に束ねたdeep agent、互いに対等に協働するswarmである。第1段階のプラットフォームの土台とマーケットプレイスは提供を始めた。第2段階のAI Networkはpreviewの状態で、第3段階のA2Aとswarmは探索の段階である。回答の品質は、LLMを審判に使う自動の評価の枠組みで採点する。", "limitation": "すべての業務を自ら処理するシステムが完成したという意味ではない。原文は、利用者数、節約した時間、精度の点数といった数値を明らかにしていない。" }, "zh": { "usecase": "内部数据分析与工作助手", "problem": "DoorDash的知识分散在实验平台、指标中心、看板、维基和团队聊天中。要回答一个复杂的业务问题，得翻维基、在Slack里提问、写SQL、提Jira工单，还要不停地切换界面。自助工具的局限在于，它们默认用户已经知道该看哪些数据。", "implementation": "DoorDash在内部数据和运营之上构建了agentic AI平台。检索由架设在向量数据库之上的多阶段引擎负责，把best-match-25关键词检索与稠密语义检索结合，再用reciprocal rank fusion重新排序。SQL以感知schema的方式生成：按表名做lemmatization来定位数据来源，DescribeTable工具提供列定义和预先缓存的示例值。生成的查询会在Snowflake、Trino等引擎上执行EXPLAIN进行检查。通过返回行数、关键列均值之类的结果统计，提前发现空结果。敏感数据不向模型暴露。出现问题时，智能体会根据反馈自行修正查询。", "outcome": "DoorDash把阶段分为四层：确定性workflow、单一智能体、把多个智能体按层级组织的deep agent，以及彼此对等协作的swarm。第一阶段的平台底座和市场已经上线。第二阶段的AI Network处于preview状态，第三阶段的A2A和swarm尚在探索。回答质量由以LLM作裁判的自动评估框架打分。", "limitation": "这并不意味着能自行处理全部业务的系统已经建成。原文没有披露用户数量、节省时间、准确率分数之类的数字。" } } }, { "industry": "통신", "subindustry": "유무선 통신", "company": "AT&T", "country": "미국", "stage": "운영", "usecase": "기업 고객 변경 요청 처리", "implementation": "Ask AT&T Workflows는 화면에서 끌어다 놓는 방식으로 담당 조직이 직접 agent를 만드는 도구다. 이 도구로 만든 첫 운영 도구는 AT&T Business 조직과 기술개발 조직이 함께 만들었다. AI agent가 고객 서비스 변경 요청을 받아 여러 시스템의 데이터를 동기화하고 정보를 실시간으로 자동 반영한다. agent들은 AT&T 사내 GenAI 도구인 Ask Docs와 Ask Data에서 정보와 데이터를 가져온다. 사람이 agent 연쇄 전체를 감독하고 과정 중간에 필수 확인 지점을 둔다. agent의 모든 행동은 기록으로 남고 작업이 다음 agent로 넘어갈 때 데이터 분리와 보관 정책, 역할 기반 접근 권한이 적용된다.", "outcome": "AT&T는 이 첫 운영 도구가 이미 규모 있게 가치를 내고 있다고 밝혔다. 고객 경험이 나아지고 대기 시간이 줄었으며 직원은 더 우선순위 높은 일에 집중하게 됐다고 설명했다. 회사는 agent 덕분에 직원이 일상 언어로 지시를 내려 단계별 작업을 맡길 수 있게 됐다고 덧붙였다.", "limitation": "발표문에는 처리 건수나 단축 시간 같은 수치가 없다. 같은 글의 네트워크 장애 대응 설명은 이렇게 쓸 수 있다는 예시이며 운영 실적이 아니다.", "id": "AX060", "scope": "본조사", "sourceIds": [ "S054" ], "evidenceAccess": "원문 본문 열람", "dateLabel": "2025-11-13", "dateBasis": "자료 발표 시점. 도입 시작일과 다를 수 있음", "evidenceYears": [ "2025" ], "problem": "AT&T는 사내 AI 도구 Ask AT&T를 써 왔지만 생성형 AI가 하는 일은 내용을 만드는 데 머물렀다. 여러 단계를 계획하고 끝까지 실행하는 일은 사람 몫이었다. 기업 고객의 서비스 변경 요청도 시스템마다 흩어진 정보를 사람이 맞춰야 해서 고객 대기 시간이 길었다.", "eventDate": "2025-11-13", "eventBasis": "공개", "translations": { "en": { "usecase": "Handling change requests from business customers", "problem": "AT&T had been using its internal AI tool Ask AT&T, but what generative AI did stopped at producing content. Planning several steps and carrying them through to the end was a job for people. Service change requests from business customers also meant people reconciling information scattered across systems, so customers waited a long time.", "implementation": "Ask AT&T Workflows is a tool that lets the responsible organisation build agents itself by dragging and dropping on screen. The first production tool built with it was created jointly by the AT&T Business organisation and the technology development organisation. An AI agent takes a customer service change request, synchronises data across several systems and applies the information automatically in real time. The agents pull information and data from AT&T's internal GenAI tools Ask Docs and Ask Data. People supervise the whole chain of agents, with mandatory checkpoints placed mid-process. Every action an agent takes is logged, and as work passes to the next agent, data separation, retention policy and role-based access rights are applied.", "outcome": "AT&T said this first production tool is already delivering value at scale. It explained that the customer experience improved, waiting time fell and staff moved to higher priority work. The company added that thanks to the agents, staff can now give instructions in everyday language and hand over step-by-step tasks.", "limitation": "The announcement carries no figures such as volume handled or time saved. The description of network incident response in the same article is an example of what could be built this way, not an operating result." }, "jp": { "usecase": "法人顧客の変更要求の処理", "problem": "AT&Tは社内のAIの道具Ask AT&Tを使ってきたが、生成AIがする仕事は内容を作るところにとどまっていた。いくつもの段階を計画し最後まで実行するのは人の役目だった。法人顧客のサービスの変更要求も、システムごとに散らばった情報を人が合わせる必要があり、顧客の待ち時間が長かった。", "implementation": "Ask AT&T Workflowsは、画面で引いて置くやり方で担当の組織が自らagentを作る道具である。この道具で作った最初の運用の道具は、AT&T Businessの組織と技術開発の組織が一緒に作った。AI agentが顧客のサービスの変更要求を受け、複数のシステムのデータを同期して情報をリアルタイムで自動に反映する。agentたちはAT&T社内のGenAIの道具であるAsk DocsとAsk Dataから情報とデータを持ってくる。人がagentの連鎖の全体を監督し、過程の途中に必須の確認の地点を置く。agentのすべての行動は記録に残り、作業が次のagentへ渡るときにデータの分離と保管の方針、役割に基づくアクセス権限が適用される。", "outcome": "AT&Tは、この最初の運用の道具がすでに規模のある価値を出していると述べた。顧客の体験が良くなり、待ち時間が減り、従業員はより優先順位の高い仕事に集中するようになったと説明した。同社は、agentのおかげで従業員が日常の言葉で指示を出し、段階ごとの作業を任せられるようになったと付け加えた。", "limitation": "発表文には、処理の件数や短縮した時間といった数値がない。同じ記事のネットワークの障害対応の説明は、このように使えるという例であり、運用の実績ではない。" }, "zh": { "usecase": "处理企业客户的变更请求", "problem": "AT&T一直在使用内部AI工具Ask AT&T，但生成式AI所做的事止步于产出内容。规划多个步骤并执行到底仍是人的工作。企业客户的服务变更请求也需要人把分散在各系统中的信息对齐，客户等待时间很长。", "implementation": "Ask AT&T Workflows是一个让责任组织通过界面拖放自行构建agent的工具。用它做出的第一个生产级工具，由AT&T Business组织与技术开发组织共同完成。AI agent接收客户的服务变更请求，同步多个系统的数据，并实时自动更新信息。这些agent从AT&T内部的GenAI工具Ask Docs和Ask Data中获取信息与数据。人监督整个agent链条，并在流程中间设置必经的确认点。agent的所有行为都会留存记录，工作交接到下一个agent时，会执行数据隔离、保留策略和基于角色的访问权限。", "outcome": "AT&T表示，这个首个生产级工具已经在规模上产生价值。公司说明，客户体验改善，等待时间减少，员工得以专注更高优先级的工作。公司还补充说，有了agent，员工可以用日常语言下达指令，把分步骤的作业交出去。", "limitation": "发布稿中没有处理数量或缩短时间之类的数字。同一篇文章中关于网络故障应对的说明是可以这样使用的示例，而非运营实绩。" } } }, { "industry": "미디어와 콘텐츠", "subindustry": "온라인 동영상", "company": "Netflix", "country": "미국", "stage": "운영", "usecase": "공통 추천 모델을 여러 서비스에 연결", "implementation": "Netflix는 세 가지 연결 방식을 실험했고 지금은 용도별로 모두 쓴다. 첫째는 embedding이다. 마지막 사용자 이벤트의 hidden state를 프로필 embedding으로, item tower의 weight를 item embedding으로 뽑는다. Foundation Model은 매달 처음부터 사전학습하고 매일 최신 데이터로 미세조정한다. batch 추론으로 embedding을 새로 만들어 Embedding Store에 올린다. 학습을 새로 할 때마다 embedding 공간이 달라지므로 같은 공간으로 맞추는 안정화 기법을 쓴다. 둘째는 subgraph다. Foundation Model의 decoder stack을 응용 모델 그래프 안에 넣어 원시 사용자 행동 순서를 바로 처리한다. 셋째는 미세조정이다. Trending now 줄처럼 최근 행동이 더 중요한 화면은 제품별 데이터로 미세조정한 모델을 바로 쓴다.", "outcome": "Netflix는 세 방식 모두 실제 추천 서비스에서 쓰인다고 밝혔다. embedding 방식은 비용이 적고 효과가 커서 대부분 여기서 시작한다. 팀은 이 기반을 중요하게 보고 준실시간 embedding 생성 체계를 추가로 만들어 세션 중 행동으로 embedding을 갱신할 수 있게 됐다.", "limitation": "원문에는 시청 증가율 같은 서비스 지표가 없다. Netflix는 embedding의 최신성 저하, subgraph의 모델 크기와 추론 시간 증가, 미세조정에 따른 유지 대상 모델 증가를 단점으로 함께 밝혔다.", "localId": "0628", "id": "AX080", "scope": "본조사", "sourceIds": [ "S075" ], "evidenceAccess": "원문 본문 열람", "dateLabel": "2025-11-17", "dateBasis": "자료 발표 시점. 도입 시작일과 다를 수 있음", "evidenceYears": [ "2025" ], "problem": "Netflix 홈 화면은 여러 전문 모델이 나눠 맡는다. 이 모델을 각각 유지하고 개선하는 데 시간과 자원이 많이 들었다. 그래서 회원 취향 학습을 한곳으로 모으고, 큰 모델 하나가 배운 것을 다른 모델에 나눠 주기로 했다. 대형 모델을 이미 돌아가는 운영 시스템에 넣는 방법을 다룬 자료는 드물었다.", "eventDate": "2025-11-17", "eventBasis": "공개", "translations": { "en": { "usecase": "Connecting a shared recommendation model to many services", "problem": "The Netflix home screen is split among several specialised models. Maintaining and improving each of them took a lot of time and resources. So the company decided to gather member taste learning in one place and let one large model share what it learns with the other models. Material covering how to fit a large model into a production system that is already running was scarce.", "implementation": "Netflix tried three ways of connecting and now uses all of them depending on the purpose. The first is embeddings. The hidden state of the last user event is taken as the profile embedding and the weights of the item tower as the item embedding. The Foundation Model is pre-trained from scratch every month and fine-tuned daily on the latest data. Batch inference regenerates the embeddings and uploads them to the Embedding Store. Because the embedding space changes with each new training run, a stabilisation technique aligns it to the same space. The second is subgraphs. The decoder stack of the Foundation Model is placed inside the application model graph so raw user behaviour sequences are processed directly. The third is fine-tuning. Screens where recent behaviour matters more, such as the Trending now row, use a model fine-tuned on product-specific data directly.", "outcome": "Netflix said all three approaches are used in live recommendation services. The embedding approach costs little and has a large effect, so most work starts there. The team regards this foundation as important and additionally built a near-real-time embedding generation system so embeddings can be updated from behaviour within a session.", "limitation": "The source has no service metrics such as a rise in viewing. Netflix also stated the downsides together: embeddings becoming less current, subgraphs increasing model size and inference time, and fine-tuning increasing the number of models to maintain." }, "jp": { "usecase": "共通の推薦モデルを複数のサービスにつなぐ", "problem": "Netflixのホーム画面は複数の専門モデルが分けて担っている。このモデルをそれぞれ保守し改善するのに時間と資源が多くかかった。そこで会員の好みの学習を一か所に集め、大きなモデル一つが学んだことを他のモデルに分け与えることにした。大型のモデルをすでに動いている運用のシステムに入れる方法を扱った資料はまれだった。", "implementation": "Netflixは三つのつなぎ方を試し、今は用途ごとにすべて使っている。一つ目はembeddingである。最後の利用者イベントのhidden stateをプロフィールのembeddingとして、item towerのweightをitemのembeddingとして取り出す。Foundation Modelは毎月一から事前学習し、毎日最新のデータで微調整する。batchの推論でembeddingを作り直し、Embedding Storeに上げる。学習をやり直すたびにembeddingの空間が変わるので、同じ空間に合わせる安定化の手法を使う。二つ目はsubgraphである。Foundation Modelのdecoder stackを応用モデルのグラフの中に入れ、生の利用者の行動の順序をそのまま処理する。三つ目は微調整である。Trending nowの列のように最近の行動がより重要な画面は、製品ごとのデータで微調整したモデルをそのまま使う。", "outcome": "Netflixは、三つの方式がすべて実際の推薦のサービスで使われていると述べた。embeddingの方式は費用が少なく効果が大きいので、多くはここから始める。チームはこの土台を重く見ており、準リアルタイムのembedding生成の体系を追加で作って、セッション中の行動でembeddingを更新できるようにした。", "limitation": "原文には視聴の増加率のようなサービスの指標がない。Netflixは、embeddingの最新性の低下、subgraphによるモデルの大きさと推論時間の増加、微調整に伴う保守対象のモデルの増加を短所として併せて述べた。" }, "zh": { "usecase": "把统一的推荐模型接入多个服务", "problem": "Netflix首页由多个专用模型分工负责。逐一维护和改进这些模型耗费大量时间和资源。于是公司决定把会员偏好的学习集中到一处，让一个大模型把学到的东西分享给其他模型。而关于如何把大模型接入已在运行的生产系统，可参考的资料很少。", "implementation": "Netflix尝试了三种接入方式，如今按用途全部在用。第一种是embedding。取最后一次用户事件的hidden state作为用户画像embedding，取item tower的权重作为物品embedding。Foundation Model每月从头预训练一次，每天用最新数据微调。通过batch推理重新生成embedding并上传到Embedding Store。由于每次重新训练embedding空间都会变化，团队使用对齐到同一空间的稳定化方法。第二种是subgraph。把Foundation Model的decoder stack放进应用模型的计算图中，直接处理原始的用户行为序列。第三种是微调。像Trending now这类更看重近期行为的版块，直接使用按产品数据微调过的模型。", "outcome": "Netflix表示，这三种方式都已用于实际的推荐服务。embedding方式成本低、效果大，大多数工作都从这里入手。团队十分重视这一底座，还额外建设了准实时embedding生成体系，使得可以用会话内的行为更新embedding。", "limitation": "原文中没有观看量增长之类的服务指标。Netflix同时说明了缺点：embedding的时效性下降、subgraph会增加模型体量和推理时间、微调会增加需要维护的模型数量。" } } }, { "industry": "유통", "subindustry": "중고 의류 플랫폼", "company": "Vinted", "country": "리투아니아", "stage": "운영", "usecase": "이미지와 상품 속성을 함께 쓰는 검색", "implementation": "Vinted는 Two-Tower 모델을 만들었다. 질의 타워는 검색어를 256차원 벡터로 바꾼다. 상품 타워는 상품의 여러 특징을 같은 256차원 벡터로 바꾼다. 질의 타워는 사전학습된 다국어 CLIP 모델을 그대로 두고 그 위에 projection head만 새로 학습한다. 상품 타워는 브랜드 아이디와 카테고리 아이디 같은 범주형 특징에 대표 상품 사진의 CLIP 임베딩을 합친다. 사진 임베딩은 512차원을 넣어 256차원으로 줄인다. 학습은 contrastive learning으로 하고 한 쌍마다 7,000개에서 10,000개의 무작위 오답 상품과 구분하게 시킨다. 전체 구현은 Vespa 애플리케이션 패키지 안에 들어간다. 단어 검색 결과와 벡터 검색 결과는 reciprocal rank fusion으로 한 줄로 합친다.", "outcome": "Vinted는 결과가 적게 나오는 검색 세션을 벡터 검색 결과로 채우는 방식부터 시작했다고 밝혔다. 걸러내는 폭이 조금 넓어지자 검색 지표가 좋아졌고 이 방식에 대한 확신이 생겼다고 했다. 약 50번의 AB 테스트를 거쳐 벡터 검색을 전면 적용했다. 여러 성능 최적화를 거쳐 오류율은 0.02% 미만이 됐다고 밝혔다. 대표 사진의 이미지 임베딩은 약 1 TB 메모리를 차지한다.", "limitation": "전환율이나 매출 같은 사업 지표의 변화 수치는 원문에 없다. Vinted는 상품의 텍스트 정보를 모델에 넣는 일은 아직 풀지 못한 과제라고 밝혔다.", "localId": "0915", "id": "AX089", "scope": "본조사", "sourceIds": [ "S083" ], "evidenceAccess": "원문 본문 열람", "dateLabel": "2025-11-18", "dateBasis": "자료 발표 시점. 도입 시작일과 다를 수 있음", "evidenceYears": [ "2025" ], "problem": "단어를 맞춰 찾는 검색은 걸러내는 폭이 좁다. Vinted의 상품은 사진이 중요하고 여러 언어가 섞여 있어 이 한계가 더 크게 드러났다. 관련 상품이 있는데도 결과 없음을 돌려주는 일이 생겼고 회사는 이를 놓친 사업 기회로 봤다.", "eventDate": "2025-11-18", "eventBasis": "공개", "translations": { "en": { "usecase": "Search that uses images and product attributes together", "problem": "Search that matches words filters narrowly. On Vinted photographs matter and several languages are mixed in, so this limit showed up more sharply. Cases arose where a relevant item existed but the search returned no results, and the company saw this as a missed business opportunity.", "implementation": "Vinted built a Two-Tower model. The query tower turns a search term into a 256-dimension vector. The item tower turns the item's various features into a vector of the same 256 dimensions. The query tower leaves a pre-trained multilingual CLIP model untouched and trains only a projection head on top. The item tower combines categorical features such as brand id and category id with the CLIP embedding of the item's main photo. The photo embedding enters at 512 dimensions and is reduced to 256. Training uses contrastive learning, making the model separate each pair from 7,000 to 10,000 randomly chosen negative items. The whole implementation sits inside a Vespa application package. Keyword search results and vector search results are merged into one list with reciprocal rank fusion.", "outcome": "Vinted said it started by filling search sessions that return few results with vector search results. As the filtering widened slightly, search metrics improved and the team gained confidence in the approach. After about 50 AB tests it rolled vector search out fully. The company said the error rate fell below 0.02 percent after several performance optimisations. The image embeddings of the main photos take up about 1 TB of memory.", "limitation": "Figures for changes in business metrics such as conversion rate or revenue are not in the source. Vinted said feeding the item's text information into the model is still an unsolved task." }, "jp": { "usecase": "画像と商品の属性を併せて使う検索", "problem": "単語を合わせて探す検索は絞り込む幅が狭い。Vintedの商品は写真が重要で複数の言語が混ざっているため、この限界がより大きく表れた。関連する商品があるのに結果なしを返すことが起き、会社はこれを逃した事業の機会と見た。", "implementation": "VintedはTwo-Towerのモデルを作った。問い合わせのタワーは検索語を256次元のベクトルに変える。商品のタワーは商品の複数の特徴を同じ256次元のベクトルに変える。問い合わせのタワーは事前学習された多言語のCLIPモデルをそのままにして、その上のprojection headだけを新しく学習する。商品のタワーはブランドのIDやカテゴリーのIDといった範疇型の特徴に、代表となる商品写真のCLIPの埋め込みを合わせる。写真の埋め込みは512次元を入れて256次元に減らす。学習はcontrastive learningで行い、一組ごとに7,000個から10,000個の無作為の誤りの商品と区別させる。全体の実装はVespaのアプリケーションパッケージの中に入る。単語の検索の結果とベクトルの検索の結果は、reciprocal rank fusionで一つの列に合わせる。", "outcome": "Vintedは、結果が少なく出る検索のセッションをベクトル検索の結果で埋めるやり方から始めたと述べた。絞り込む幅が少し広がると検索の指標が良くなり、この方式への確信が生まれたとした。約50回のABテストを経てベクトル検索を全面に適用した。いくつもの性能の最適化を経て、誤りの比率は0.02%未満になったと述べた。代表写真の画像の埋め込みは約1 TBのメモリを占める。", "limitation": "転換率や売上のような事業の指標の変化の数値は原文にない。Vintedは、商品の文字情報をモデルに入れる作業はまだ解けていない課題だと述べた。" }, "zh": { "usecase": "同时利用图像与商品属性的检索", "problem": "按词匹配的检索筛选面很窄。Vinted的商品看重照片，且混杂多种语言，这一局限表现得更明显。有时明明有相关商品，检索却返回无结果，公司把这视为错失的业务机会。", "implementation": "Vinted构建了Two-Tower模型。查询塔把搜索词转成256维向量，商品塔把商品的多种特征转成同为256维的向量。查询塔保持预训练的多语言CLIP模型不变，只在其上新训练一个projection head。商品塔把品牌ID、类目ID等类别特征与代表性商品照片的CLIP嵌入结合。照片嵌入以512维输入、降到256维。训练采用contrastive learning，让模型把每一对与7,000到10,000个随机负例商品区分开。整套实现放在Vespa应用包中。关键词检索结果与向量检索结果通过reciprocal rank fusion合并成一个列表。", "outcome": "Vinted表示，起初是用向量检索结果去补充那些结果很少的检索会话。筛选面稍稍放宽后，检索指标随之改善，团队也因此对这一方式有了信心。经过约50次AB测试后，公司全面启用了向量检索。经过多项性能优化，错误率降到0.02%以下。代表照片的图像嵌入约占用1 TB内存。", "limitation": "转化率或销售额等业务指标的变化数字，原文中没有。Vinted表示，把商品的文本信息接入模型仍是尚未解决的课题。" } } }, { "industry": "유통", "subindustry": "온라인 식료품", "company": "Instacart", "country": "미국", "stage": "운영", "usecase": "검색어 의도와 상품 속성 해석", "implementation": "회사는 질의 이해를 LLM 중심으로 다시 짰다. 자주 들어오는 검색어는 오프라인에서 처리한다. 전환 이력의 상위 브랜드와 카테고리, 상품 카탈로그의 브랜드명 유사도를 프롬프트에 넣는 RAG 방식이다. 그 결과는 캐시에 넣고 동시에 실시간 모델의 학습 자료로 쓴다. 캐시에 없는 드문 검색어는 Llama-3-8B를 LoRA로 추가 학습한 실시간 모델이 맡는다. 출력은 후처리 장치가 검사한다. 질의와 예측 카테고리의 임베딩 유사도를 계산해 기준에 못 미치면 버리고 카탈로그와도 대조한다.", "outcome": "Instacart는 재작성 적용 범위가 95%를 넘고 세 유형 모두 정밀도가 90% 이상이라고 밝혔다. 추가 학습한 8B 모델은 정밀도 96.4%로 기준 모델의 95.4%보다 높았고 F1은 95.7%로 95.8%와 비슷했다. 지연 시간은 A100에서 700ms에 가까웠는데 LoRA 가중치를 본 모델에 합치고 H100으로 바꿔 목표인 300ms에 닿았다. 회사는 이 체계가 이미 돌아가며 주마다 수백만 건의 신규 검색어를 처리한다고 밝혔다. 꼬리 검색어의 결과 불만은 50% 줄었고 평균 스크롤 깊이는 6% 줄었다고 설명했다.", "limitation": "공개한 지표는 검색 품질과 지연 시간에 한정된다. 주문이나 매출 변화로 이어졌다는 수치는 원문에 없다.", "localId": "0428", "id": "AX076", "scope": "본조사", "sourceIds": [ "S071" ], "evidenceAccess": "원문 본문 열람", "dateLabel": "2025-11-21", "dateBasis": "자료 발표 시점. 도입 시작일과 다를 수 있음", "evidenceYears": [ "2025" ], "problem": "Instacart 검색창에는 다듬어지지 않은 말이 들어온다. 예전에는 작업마다 다른 모델을 따로 만들어 썼다. 질의 분류는 FastText 모델이 맡고 질의 재작성은 이용자 세션 기록을 캐는 별도 시스템이 맡았다. 재작성 시스템은 검색 트래픽의 50%만 덮었고 드문 검색어에는 쓸 만한 대안을 내놓지 못했다.", "eventDate": "2025-11-21", "eventBasis": "공개", "translations": { "en": { "usecase": "Interpreting search intent and product attributes", "problem": "Rough, unpolished wording arrives in the Instacart search box. In the past a different model was built for each task. Query classification was handled by a FastText model, and query rewriting by a separate system that mined user session logs. The rewriting system covered only 50 percent of search traffic and could not produce a usable alternative for rare search terms.", "implementation": "The company rebuilt query understanding around LLMs. Frequently seen search terms are handled offline. This is a RAG approach that puts the top brands and categories from conversion history, and brand name similarity from the product catalogue, into the prompt. The results go into a cache and at the same time serve as training material for the real-time model. Rare search terms not in the cache are handled by a real-time model, Llama-3-8B further trained with LoRA. The output is checked by a post-processor. It computes embedding similarity between the query and the predicted category, discards anything below the threshold, and cross-checks against the catalogue.", "outcome": "Instacart said rewriting coverage exceeds 95 percent and precision for all three types is above 90 percent. The further trained 8B model reached 96.4 percent precision against the baseline model's 95.4 percent, while F1 was 95.7 percent, close to 95.8 percent. Latency was close to 700ms on an A100, but merging the LoRA weights into the base model and switching to H100 brought it to the 300ms target. The company said this system is already running and handles several million new search terms a week. It explained that dissatisfaction with results for tail search terms fell by 50 percent and average scroll depth fell by 6 percent.", "limitation": "The metrics disclosed are limited to search quality and latency. Figures showing that this led to a change in orders or revenue are not in the source." }, "jp": { "usecase": "検索語の意図と商品の属性の解釈", "problem": "Instacartの検索窓には、整っていない言葉が入ってくる。以前は作業ごとに違うモデルを別々に作って使っていた。問い合わせの分類はFastTextのモデルが担い、問い合わせの再作成は利用者のセッションの記録を掘る別のシステムが担った。再作成のシステムは検索のトラフィックの50%しか覆えず、まれな検索語には使える代案を出せなかった。", "implementation": "同社は問い合わせの理解をLLMを中心に組み直した。よく入ってくる検索語はオフラインで処理する。転換の履歴の上位のブランドとカテゴリー、商品カタログのブランド名の類似度をプロンプトに入れるRAGの方式である。その結果はキャッシュに入れ、同時にリアルタイムのモデルの学習の資料として使う。キャッシュにないまれな検索語は、Llama-3-8BをLoRAで追加学習したリアルタイムのモデルが担う。出力は後処理の装置が検査する。問い合わせと予測したカテゴリーの埋め込みの類似度を計算し、基準に届かなければ捨て、カタログとも照合する。", "outcome": "Instacartは、再作成の適用の範囲が95%を超え、三つの類型すべてで精度が90%以上だと述べた。追加学習した8Bのモデルは精度96.4%で、基準のモデルの95.4%より高く、F1は95.7%で95.8%と近かった。遅延の時間はA100で700msに近かったが、LoRAの重みを本体のモデルに合わせ、H100に替えて目標の300msに届いた。同社は、この体系がすでに動いており、週ごとに数百万件の新しい検索語を処理すると述べた。尾の検索語の結果への不満は50%減り、平均のスクロールの深さは6%減ったと説明した。", "limitation": "公開した指標は検索の品質と遅延の時間に限られる。注文や売上の変化につながったという数値は原文にない。" }, "zh": { "usecase": "解析搜索意图与商品属性", "problem": "Instacart的搜索框里输入的往往是未经打磨的说法。过去公司为每项任务分别构建不同模型：查询分类由FastText模型负责，查询改写由另一套挖掘用户会话记录的系统负责。改写系统只覆盖50%的搜索流量，对生僻搜索词也给不出可用的替代方案。", "implementation": "公司以LLM为中心重构了查询理解。高频搜索词在离线处理，采用把转化历史中的头部品牌与类目、商品目录中的品牌名相似度放进prompt的RAG方式。结果既写入缓存，也同时作为实时模型的训练素材。缓存中没有的生僻搜索词交给实时模型处理，该模型是用LoRA继续训练的Llama-3-8B。输出由后处理模块检查：计算查询与预测类目的嵌入相似度，低于阈值则丢弃，并与商品目录交叉核对。", "outcome": "Instacart表示，改写覆盖率超过95%，三种类型的精确率都在90%以上。继续训练的8B模型精确率为96.4%，高于基线模型的95.4%；F1为95.7%，与95.8%接近。延迟在A100上接近700ms，把LoRA权重合并进主模型并换用H100后达到了300ms的目标。公司称，这套体系已经在运行，每周处理数百万条新搜索词。公司说明，长尾搜索词结果的不满减少了50%，平均滚动深度减少了6%。", "limitation": "公开的指标仅限于搜索质量和延迟。原文中没有显示由此带来订单或销售变化的数字。" } } }, { "industry": "유통", "subindustry": "전자상거래", "company": "Amazon", "country": "미국", "stage": "운영", "usecase": "보안 탐지 규칙의 공격과 방어 시험", "implementation": "Amazon은 Autonomous Threat Analysis, 줄여서 ATA라는 시스템을 만들었다. 공격 역할 agent가 적의 기법을 흉내 내고 방어 역할 agent가 탐지 범위를 검증하며 새 규칙이나 개선된 규칙을 만든다. 각 agent는 graph 구조의 한 지점이고 앞 agent의 결과가 뒤 agent의 입력이 된다. 시험은 실제 운영과 고객 데이터에서 완전히 분리한 환경에서 돌리며, 이 환경은 사내 코드베이스와 운영 시스템을 흉내 내 만든다. 공격 agent가 실제 명령을 실행해 진짜 telemetry를 남기고 방어 agent는 실제 로그 데이터베이스를 조회해 정밀도와 재현율을 확인한다. 운영에 반영하기 전 변경 승인은 사람이 한다.", "outcome": "Amazon은 Python 역방향 셸 사례에서 공격 agent가 37가지 기법 변형을 만들어 실행했다고 밝혔다. 이어 64개 변형을 만들고 개선한 탐지 규칙을 얻었으며, 이 변형들과 운영 감사 데이터 한 시간분을 대상으로 정밀도 1.00과 재현율 1.00을 기록했다고 했다. 회사는 처음부터 끝까지 몇 주 걸리던 작업이 약 네 시간으로 줄어 시간이 96% 감소했다고 설명했다. 시스템은 기법 변형을 한 번에 10개에서 30개까지 돌리고 규칙 하나를 시험하는 데 한 시간에서 세 시간이 걸린다고 밝혔다.", "limitation": "정밀도와 재현율 1.00은 ATA가 만든 변형과 감사 데이터 한 시간분을 대상으로 얻은 값이다. 96%는 Amazon이 밝힌 자체 수치이며 외부 검증 자료는 없다.", "localId": "0089", "id": "AX070", "scope": "본조사", "sourceIds": [ "S065" ], "evidenceAccess": "검색 도구의 본문 발췌 확인", "dateLabel": "2025-11-24", "dateBasis": "자료 발표 시점. 도입 시작일과 다를 수 있음", "evidenceYears": [ "2025" ], "problem": "보안 탐지 규칙이 실제 공격 변형을 잡아내는지 확인하려면 사람이 직접 기법을 실행하고 규칙을 손봐야 했다. 이 작업은 몇 주가 걸렸다. Python 역방향 셸처럼 Python이 어디에나 깔려 있고 명령을 여러 방식으로 감출 수 있는 기법은 특히 탐지가 어려웠다.", "eventDate": "2025-11-24", "eventBasis": "공개", "translations": { "en": { "usecase": "Attack and defence testing of security detection rules", "problem": "Checking whether a security detection rule catches real attack variants meant people running the techniques themselves and revising the rules. That work took weeks. Techniques such as Python reverse shells were especially hard to detect, because Python is installed everywhere and commands can be hidden in many ways.", "implementation": "Amazon built a system called Autonomous Threat Analysis, or ATA. Attack role agents imitate adversary techniques while defence role agents verify detection coverage and produce new or improved rules. Each agent is a node in a graph structure, and the output of one agent becomes the input of the next. Testing runs in an environment fully separated from production and customer data, built to imitate internal code bases and production systems. Attack agents run real commands so genuine telemetry is left behind, and defence agents query the real log database to check precision and recall. Change approval before anything reaches production is done by people.", "outcome": "Amazon said that in the Python reverse shell case the attack agents generated and ran 37 variants of the technique. It then produced 64 variants and obtained an improved detection rule, recording precision of 1.00 and recall of 1.00 against those variants and one hour of production audit data. The company explained that work which took weeks end to end fell to about four hours, a 96 percent reduction in time. It said the system runs 10 to 30 technique variants at a time and takes one to three hours to test a single rule.", "limitation": "The precision and recall of 1.00 were obtained against the variants ATA itself generated and one hour of audit data. The 96 percent is Amazon's own figure, with no external verification material." }, "jp": { "usecase": "セキュリティ検知ルールの攻撃と防御の試験", "problem": "セキュリティの検知ルールが実際の攻撃の変形を捉えるかを確かめるには、人が自ら手法を実行してルールを直す必要があった。この作業には数週間かかった。Pythonの逆方向シェルのように、Pythonがどこにでも入っており、命令を何通りにも隠せる手法は、とりわけ検知が難しかった。", "implementation": "AmazonはAutonomous Threat Analysis、略してATAというシステムを作った。攻撃の役のagentが敵の手法をまね、防御の役のagentが検知の範囲を検証して新しいルールや改善したルールを作る。各agentはgraphの構造の一つの地点であり、前のagentの結果が後のagentの入力になる。試験は実際の運用と顧客のデータから完全に切り離した環境で回し、この環境は社内のコードベースと運用のシステムをまねて作る。攻撃のagentが実際の命令を実行して本物のtelemetryを残し、防御のagentは実際のログのデータベースを照会して精度と再現率を確かめる。運用に反映する前の変更の承認は人が行う。", "outcome": "Amazonは、Pythonの逆方向シェルの事例で攻撃のagentが37通りの手法の変形を作って実行したと述べた。続いて64の変形を作り、改善した検知のルールを得て、これらの変形と運用の監査データ一時間分を対象に精度1.00と再現率1.00を記録したとした。同社は、初めから終わりまで数週間かかっていた作業が約4時間に減り、時間が96%減少したと説明した。システムは手法の変形を一度に10個から30個まで回し、ルール一つを試験するのに1時間から3時間かかると述べた。", "limitation": "精度と再現率の1.00は、ATAが作った変形と監査データ一時間分を対象に得た値である。96%はAmazonが示した自社の数値であり、外部の検証の資料はない。" }, "zh": { "usecase": "安全检测规则的攻防测试", "problem": "要确认安全检测规则能否捕捉真实的攻击变体，需要由人亲自执行攻击手法并修改规则，这项工作要花数周。像Python反向shell这类手法尤其难以检测，因为Python随处可见，命令又能以多种方式隐藏。", "implementation": "Amazon构建了名为Autonomous Threat Analysis（简称ATA）的系统。攻击角色的agent模仿对手的手法，防御角色的agent验证检测覆盖面并生成新规则或改进规则。每个agent都是graph结构中的一个节点，前一个agent的结果成为后一个agent的输入。测试在与实际生产和客户数据完全隔离的环境中运行，该环境仿照内部代码库和生产系统搭建。攻击agent执行真实命令以留下真实的telemetry，防御agent则查询真实的日志数据库来核对精确率和召回率。上线前的变更审批由人完成。", "outcome": "Amazon表示，在Python反向shell案例中，攻击agent生成并执行了37种手法变体。随后生成64个变体并得到改进后的检测规则，针对这些变体和一小时的生产审计数据，记录到精确率1.00、召回率1.00。公司说明，原本从头到尾需要数周的工作缩短到约四小时，时间减少96%。公司称，系统一次运行10到30个手法变体，测试一条规则需要一到三小时。", "limitation": "1.00的精确率和召回率是针对ATA自己生成的变体和一小时审计数据得到的。96%是Amazon给出的自有数字，没有外部验证材料。" } } }, { "industry": "화학과 소재", "subindustry": "기초화학", "company": "BASF", "country": "독일", "stage": "제한 운영", "usecase": "공장 지식 안내", "implementation": "BASF의 Intermediate 사업부가 미국 루이지애나 Geismar 아세틸렌 공장에서 이 도우미를 만들었다. 독일 Ludwigshafen과 스페인 Madrid의 Digital Hub 팀이 함께 참여했다. 답변 품질을 맞추려고 수천 건의 문서와 안전 절차, 자료로 학습시켰다. PlantGPT라는 이름으로 공장별 지식을 실시간으로 제공한다.", "outcome": "BASF는 PlantGPT로 공장과 엔지니어링팀이 운영 효율을 높이고 믿을 수 있는 데이터에 닿아 의사결정을 빠르게 할 수 있다고 설명했다. 새 동료를 더 빠르고 효과적으로 적응시키는 교육 도구로도 쓸 수 있다고 밝혔다. 흩어진 문서를 사람이 뒤지던 방식이 질문 한 번으로 바뀌었다.", "limitation": "원문은 작업시간 절감률이나 이용자 수 같은 정량 수치를 밝히지 않았다. 다른 사업장으로 넓혔는지도 확인되지 않았다.", "id": "AX029", "scope": "본조사", "sourceIds": [ "S027" ], "evidenceAccess": "원문 본문 열람", "dateLabel": "2025-11-24", "dateBasis": "자료 발표 시점. 도입 시작일과 다를 수 있음", "evidenceYears": [ "2025" ], "problem": "Geismar 아세틸렌 공장은 운영과 현장 서비스에 필요한 지식을 그때그때 찾아 써야 했다. 원문은 공장과 엔지니어링팀이 의사결정을 빠르게 내리려면 믿을 수 있는 데이터에 닿아야 한다고 설명한다. 새로 들어온 동료를 현장에 적응시키는 교육도 필요했다.", "eventDate": "2025-11-24", "eventBasis": "공개", "translations": { "en": { "usecase": "Guiding plant knowledge", "problem": "The Geismar acetylene plant had to look up the knowledge needed for operations and field service as situations arose. The source explains that plant and engineering teams need access to trustworthy data to make decisions quickly. Training to settle new colleagues into the site was also needed.", "implementation": "BASF's Intermediates division built this assistant at the Geismar acetylene plant in Louisiana in the United States. Digital Hub teams in Ludwigshafen, Germany and Madrid, Spain took part as well. To get answer quality right, it was trained on thousands of documents, safety procedures and materials. Under the name PlantGPT it provides plant-specific knowledge in real time.", "outcome": "BASF explained that with PlantGPT, plant and engineering teams can raise operating efficiency and reach trustworthy data to make decisions quickly. It said it can also be used as a training tool to settle new colleagues in faster and more effectively. The way people used to dig through scattered documents changed into a single question.", "limitation": "The source does not give quantitative figures such as the percentage of working time saved or the number of users. Whether it has been extended to other sites is also not confirmed." }, "jp": { "usecase": "工場の知識の案内", "problem": "ガイズマーのアセチレン工場は、運用と現場のサービスに必要な知識をその都度探して使う必要があった。原文は、工場とエンジニアリングのチームが意思決定を素早く下すには、信頼できるデータに届く必要があると説明する。新しく入った同僚を現場に慣れさせる教育も必要だった。", "implementation": "BASFのIntermediates事業部が、米国ルイジアナ州ガイズマーのアセチレン工場でこのアシスタントを作った。ドイツのルートヴィヒスハーフェンとスペインのマドリードのDigital Hubのチームも一緒に参加した。回答の品質を整えるため、数千件の文書と安全の手順、資料で学習させた。PlantGPTという名前で、工場ごとの知識をリアルタイムに提供する。", "outcome": "BASFは、PlantGPTによって工場とエンジニアリングのチームが運用の効率を高め、信頼できるデータに届いて意思決定を素早くできると説明した。新しい同僚をより速く効果的に慣れさせる教育の道具としても使えると述べた。散らばった文書を人が探していたやり方が、質問一つに変わった。", "limitation": "原文は、作業時間の削減率や利用者数のような定量の数値を明らかにしていない。他の事業所へ広げたかどうかも確かめられていない。" }, "zh": { "usecase": "提供工厂知识指引", "problem": "盖斯马乙炔工厂过去要随时查找运行和现场服务所需的知识。原文说明，工厂和工程团队要快速作出决策，就必须能接触到可信的数据。让新同事适应现场的培训也有需求。", "implementation": "BASF的中间体事业部在美国路易斯安那州盖斯马的乙炔工厂开发了这个助手。德国路德维希港和西班牙马德里的Digital Hub团队也共同参与。为了保证回答质量，公司用数千份文档、安全规程和资料对其进行训练。它以PlantGPT为名，实时提供各工厂的专属知识。", "outcome": "BASF说明，借助PlantGPT，工厂和工程团队可以提升运行效率，并接触到可信数据从而快速决策。公司还表示，它也可以用作让新同事更快更有效适应岗位的培训工具。原本靠人翻找分散文档的方式，变成了提一个问题。", "limitation": "原文没有给出作业时间节省比例或用户数量之类的定量数字，也未确认是否已推广到其他厂区。" } } }, { "industry": "화학과 소재", "subindustry": "화학 연구개발", "company": "BASF", "country": "독일", "stage": "운영", "usecase": "연구 문헌과 특허 검색", "implementation": "QKnows는 문헌과 특허, BASF의 연구보고서를 한 애플리케이션에서 찾도록 만든 도구다. BASF의 글로벌 연구개발 조직에 맞춰 만들었다. 이용자가 자연어로 질문하면 4억 건이 넘는 문서 데이터베이스를 훑어 관련 지식을 찾아 준다. 첫 버전은 2023년 4월 BASF 연구 지식용 챗봇으로 나왔다. 지금은 추론 모드와 딥리서치 모드를 붙여 검색 결과와 문서, 문서 묶음을 놓고 되물으며 복잡한 과학 주제를 파고들 수 있다. 이용자가 쓰고 싶은 언어로 쓴다.", "outcome": "여러 곳에 흩어져 있던 문헌과 특허, 사내 연구보고서를 한 곳에서 찾는 방식으로 바뀌었다. BASF는 이용자가 더 빠르고 효율적으로 관련 지식을 캐낼 수 있게 됐다고 설명했다. QKnows가 연구자에게 경쟁 우위를 주고 사내 연구개발 조직 전체의 혁신을 앞당긴다고 밝혔다.", "limitation": "원문은 검색 시간 단축 폭이나 이용자 수 같은 수치를 밝히지 않았다. 소재 개발 성공률이 올랐다는 근거도 원문에 없다.", "id": "AX030", "scope": "본조사", "sourceIds": [ "S027" ], "evidenceAccess": "원문 본문 열람", "dateLabel": "2025-11-24", "dateBasis": "자료 발표 시점. 도입 시작일과 다를 수 있음", "evidenceYears": [ "2025" ], "problem": "BASF는 160년 동안 연구보고서와 특허를 쌓아 왔다. 여기에 해마다 전 세계에서 출원되는 수백만 건의 특허가 더해진다. 원문은 그래서 정보나 배경을 찾는 단순한 검색조차 매우 복잡한 일이 된다고 설명한다.", "eventDate": "2023-04", "eventBasis": "도입", "translations": { "en": { "usecase": "Searching research literature and patents", "problem": "BASF has built up research reports and patents over 160 years. On top of that come the millions of patents filed worldwide each year. The source explains that this is why even a simple search for information or background becomes a highly complex task.", "implementation": "QKnows is a tool built to search literature, patents and BASF's research reports in one application. It was built to fit BASF's global research and development organisation. When a user asks in natural language, it sweeps a database of more than 400 million documents to find the relevant knowledge. The first version came out in April 2023 as a chatbot for BASF research knowledge. It now has a reasoning mode and a deep research mode, so users can go back and forth over search results, documents and sets of documents and dig into complex scientific topics. Users write in whichever language they want.", "outcome": "Literature, patents and internal research reports that had been scattered in several places are now searched in one place. BASF explained that users can mine relevant knowledge faster and more efficiently. It said QKnows gives researchers a competitive edge and accelerates innovation across the whole internal research and development organisation.", "limitation": "The source does not give figures such as how much search time was cut or the number of users. There is also no basis in the source for saying that the success rate of materials development rose." }, "jp": { "usecase": "研究文献と特許の検索", "problem": "BASFは160年のあいだ研究報告書と特許を積み上げてきた。そこに毎年世界で出願される数百万件の特許が加わる。原文は、だから情報や背景を探す単純な検索でさえ非常に複雑な作業になると説明する。", "implementation": "QKnowsは、文献と特許、BASFの研究報告書を一つのアプリケーションで探せるように作った道具である。BASFのグローバルな研究開発の組織に合わせて作った。利用者が自然な言葉で質問すると、4億件を超える文書のデータベースをなぞって関連する知識を探してくれる。最初の版は2023年4月にBASFの研究知識用のチャットボットとして出た。今は推論のモードとディープリサーチのモードを付け、検索の結果と文書、文書の束を前にして問い返しながら、複雑な科学の主題を掘り下げられる。利用者は使いたい言語で書く。", "outcome": "あちこちに散らばっていた文献と特許、社内の研究報告書を一か所で探すやり方に変わった。BASFは、利用者がより速く効率的に関連する知識を掘り出せるようになったと説明した。QKnowsが研究者に競争の優位を与え、社内の研究開発の組織全体の革新を早めると述べた。", "limitation": "原文は、検索の時間の短縮の幅や利用者数のような数値を明らかにしていない。素材の開発の成功率が上がったという根拠も原文にない。" }, "zh": { "usecase": "检索研究文献与专利", "problem": "BASF在160年间积累了大量研究报告和专利，再加上每年全球申请的数百万件专利。原文说明，正因如此，连查找信息或背景这样简单的检索都变成了极其复杂的工作。", "implementation": "QKnows是为在一个应用中检索文献、专利和BASF研究报告而打造的工具，按BASF全球研发组织的需要构建。用户用自然语言提问后，它会扫过超过4亿份文档的数据库，找出相关知识。第一版于2023年4月作为BASF研究知识聊天机器人推出。如今它加入了推理模式和深度研究模式，用户可以围绕检索结果、文档和文档集反复追问，深入复杂的科学主题。用户可以用自己想用的语言书写。", "outcome": "原本散落在多处的文献、专利和公司内部研究报告，变成可以在一处检索。BASF说明，用户能够更快、更高效地挖掘相关知识。公司表示，QKnows为研究人员带来竞争优势，并加快整个内部研发组织的创新。", "limitation": "原文没有给出检索时间缩短幅度或用户数量之类的数字，也没有材料开发成功率提高的依据。" } } }, { "industry": "화학과 소재", "subindustry": "제약용 소재", "company": "BASF", "country": "독일", "stage": "운영", "usecase": "제형 후보 추천", "implementation": "BASF Pharma Solutions가 디지털 플랫폼 ZoomLab을 만들었다. 머신러닝을 비롯한 기술로 개발한 AI 지원 도구다. 제형 담당자가 알맞은 원료를 찾도록 돕고 조성을 즉시 예측하고 최적화한다. 이용자는 BASF와 플랫폼 파트너의 원료를 담은 대규모 원료 및 제형 데이터베이스를 쓴다. 약물 화학 정보를 밖으로 내보내지 않은 채 샘플을 바로 주문할 수도 있다. 최종 선택은 제형 담당자가 한다. 원문은 이 도구가 담당자를 돕는 방식이라고 적었다.", "outcome": "BASF는 ZoomLab이 실험실에서 쓰는 시간과 개발 비용을 실질적으로 줄일 수 있다고 설명했다. 실험실 시험으로 넘어가는 경로가 빨라진다고 밝혔다. 교육 자료와 BASF 전문가의 과학적, 기술적 지원도 함께 제공한다.", "limitation": "원문은 시간과 비용이 얼마나 줄었는지 수치를 밝히지 않았다. 실험 검증을 대체했다는 설명도 없다.", "id": "AX031", "scope": "본조사", "sourceIds": [ "S027" ], "evidenceAccess": "원문 본문 열람", "dateLabel": "2025-11-24", "dateBasis": "자료 발표 시점. 도입 시작일과 다를 수 있음", "evidenceYears": [ "2025" ], "problem": "신약 하나를 개발하려면 초기 연구부터 임상시험, 규제 심사와 승인 과정까지 여러 해가 걸린다. 제형 담당자는 액상과 반고형, 고형 제품을 만들 원료를 직접 골라내야 했다. BASF는 이 과정을 단순하게 만들고 앞당기려 했다.", "eventDate": "2025-11-24", "eventBasis": "공개", "translations": { "en": { "usecase": "Recommending formulation candidates", "problem": "Developing a single new drug takes years, from early research through clinical trials to regulatory review and approval. Formulation scientists had to pick out the excipients for liquid, semi-solid and solid products themselves. BASF wanted to simplify that process and bring it forward.", "implementation": "BASF Pharma Solutions built the digital platform ZoomLab. It is an AI-supported tool developed with machine learning among other technologies. It helps formulation scientists find suitable excipients and predicts and optimises a composition immediately. Users work with a large excipient and formulation database holding materials from BASF and platform partners. They can also order samples directly without sending drug chemistry information outside. The final choice is made by the formulation scientist. The source states that the tool works by supporting the scientist.", "outcome": "BASF explained that ZoomLab can meaningfully reduce time spent in the laboratory and development cost. It said the path to laboratory testing becomes faster. Training material and scientific and technical support from BASF experts are provided alongside.", "limitation": "The source gives no figures for how much time or cost was reduced. Nor does it state that the tool replaced experimental verification." }, "jp": { "usecase": "製剤候補の推薦", "problem": "新薬を一つ開発するには、初期の研究から臨床試験、規制の審査と承認の過程まで何年もかかる。製剤の担当者は、液状と半固形、固形の製品を作る原料を自分で選び出す必要があった。BASFはこの過程を単純にして前倒ししようとした。", "implementation": "BASF Pharma Solutionsがデジタルプラットフォームの ZoomLabを作った。機械学習をはじめとする技術で開発したAIの支援の道具である。製剤の担当者が適した原料を見つけるのを助け、組成を即座に予測して最適化する。利用者はBASFとプラットフォームのパートナーの原料を収めた大規模な原料と製剤のデータベースを使う。薬物の化学の情報を外に出さないまま、サンプルをそのまま注文することもできる。最終の選択は製剤の担当者が行う。原文は、この道具が担当者を助けるやり方だと記した。", "outcome": "BASFは、ZoomLabが実験室で使う時間と開発の費用を実質的に減らせると説明した。実験室の試験へ進む経路が速くなると述べた。教育の資料とBASFの専門家による科学的、技術的な支援も併せて提供する。", "limitation": "原文は、時間と費用がどれだけ減ったかの数値を明らかにしていない。実験の検証に取って代わったという説明もない。" }, "zh": { "usecase": "推荐制剂配方候选", "problem": "开发一款新药，从早期研究到临床试验、法规审查与获批要花上数年。制剂人员必须自己挑出制作液体、半固体和固体产品所需的辅料。BASF希望把这一过程简化并提前。", "implementation": "BASF Pharma Solutions打造了数字平台ZoomLab。这是用机器学习等技术开发的AI辅助工具。它帮助制剂人员找到合适的辅料，并即时预测和优化配方组成。用户可使用收录BASF及平台合作方辅料的大型辅料与配方数据库，也可以在不向外部传送药物化学信息的情况下直接订购样品。最终的选择由制剂人员作出。原文写到，该工具的定位是辅助人员。", "outcome": "BASF说明，ZoomLab可以实质性减少在实验室花费的时间和开发成本，并表示进入实验室试验的路径会更快。公司还同时提供培训资料以及BASF专家的科学与技术支持。", "limitation": "原文没有说明时间和成本减少了多少，也没有说它取代了实验验证。" } } }, { "industry": "유통", "subindustry": "전자상거래", "company": "Amazon", "country": "미국", "stage": "운영", "usecase": "상품 속성 표준화와 오류 수정", "implementation": "Amazon은 여기에 대형 언어 모델을 붙였다. 먼저 카탈로그 전체를 상품 유형과 속성 값으로 묶어 각 값이 얼마나 자주, 어디에 나오는지 통계를 만든다. 무선 헤드폰의 Bluetooth, BT, BT 5.1 같은 표기 가운데 통계가 가장 좋다고 가리키는 후보를 골라 모델에 알려준다. 통계만으로 풀리지 않는 세밀함은 prompt tuning으로 다룬다. stainless steel과 440 stainless steel처럼 더 구체적인 값을 지우지 않도록 후보 목록의 세밀도에 맞추라는 지시를 프롬프트에 넣는다. 이렇게 조정한 모델이 카탈로그 전체에서 표준 속성 값 인식, 같은 뜻의 다른 표기 수집, 잘못되거나 말이 되지 않는 입력 탐지 세 가지 일을 한다.", "outcome": "Amazon은 새 방식으로 판매자가 올린 최신 값이 며칠 안에 카탈로그에 반영된다고 밝혔다. 사람 검수도 수천 시간을 아낀다고 설명했다. 감시하고 갱신할 수 있는 언어 수도 늘렸다고 했다. 예전 방식으로는 비용이 너무 커서 손대지 못했던 카탈로그 구석까지 품질 관리를 넓혔다고 밝혔다.", "limitation": "수천 시간 절약의 기준 기간과 계산 방법은 공개하지 않았다. 이 글에는 구매나 매출 변화에 대한 수치가 없다.", "localId": "0101", "id": "AX071", "scope": "본조사", "sourceIds": [ "S066" ], "evidenceAccess": "검색 도구의 본문 발췌 확인", "dateLabel": "2025-11-28", "dateBasis": "자료 발표 시점. 도입 시작일과 다를 수 있음", "evidenceYears": [ "2025" ], "problem": "Amazon 카탈로그에는 수억 개 상품이 있고 매일 수백만 건의 상품 정보가 새로 올라오거나 고쳐진다. 회사는 상품 범주마다 따로 만든 machine learning 모델로 품질을 지켜 왔다. 이 방식은 접시처럼 크기와 모양, 색, 재질로 설명되는 상품에는 잘 맞았다. 속성이 복잡하거나 미묘한 상품은 따로 학습한 모델이나 사람 검수가 필요했다.", "eventDate": "2025-11-28", "eventBasis": "공개", "translations": { "en": { "usecase": "Standardising product attributes and correcting errors", "problem": "The Amazon catalogue holds hundreds of millions of products, and millions of product records are added or edited every day. The company had kept quality up with machine learning models built separately for each product category. That approach fitted products described by size, shape, colour and material, such as plates. Products with complex or subtle attributes needed a separately trained model or human review.", "implementation": "Amazon added large language models to this. First it groups the whole catalogue by product type and attribute value and builds statistics on how often and where each value appears. Among forms such as Bluetooth, BT and BT 5.1 for wireless headphones, it picks the candidate the statistics point to as best and tells the model. Fine distinctions that statistics alone cannot settle are handled with prompt tuning. The prompt carries an instruction to match the granularity of the candidate list so that more specific values, such as 440 stainless steel against stainless steel, are not erased. The model tuned this way does three jobs across the whole catalogue: recognising standard attribute values, collecting different forms that mean the same thing, and detecting wrong or nonsensical input.", "outcome": "Amazon said that under the new approach the latest values submitted by sellers reach the catalogue within days. It explained that human review also saves thousands of hours. It said the number of languages it can monitor and update has grown. It said quality control now reaches corners of the catalogue that were too expensive to touch under the old approach.", "limitation": "The reference period and the calculation method behind the thousands of hours saved were not disclosed. This article has no figures on changes in purchases or revenue." }, "jp": { "usecase": "商品属性の標準化と誤りの修正", "problem": "Amazonのカタログには数億個の商品があり、毎日数百万件の商品情報が新しく載るか直される。同社は商品の範疇ごとに別々に作ったmachine learningのモデルで品質を守ってきた。この方式は、皿のように大きさと形、色、材質で説明される商品にはよく合った。属性が複雑だったり微妙だったりする商品は、別に学習したモデルか人の検収が必要だった。", "implementation": "Amazonはここに大型の言語モデルを付けた。まずカタログの全体を商品の種類と属性の値で束ね、各値がどれだけ頻繁に、どこに出るかの統計を作る。無線ヘッドホンのBluetooth、BT、BT 5.1といった表記のうち、統計が最も良いと示す候補を選んでモデルに知らせる。統計だけでは解けない細やかさはprompt tuningで扱う。stainless steelと440 stainless steelのように、より具体的な値を消さないよう、候補の一覧の細かさに合わせよという指示をプロンプトに入れる。こうして調整したモデルが、カタログの全体で標準の属性の値の認識、同じ意味の違う表記の収集、誤っていたり意味をなさなかったりする入力の検出という三つの仕事をする。", "outcome": "Amazonは、新しい方式で販売者が載せた最新の値が数日のうちにカタログに反映されると述べた。人の検収も数千時間を節約すると説明した。監視して更新できる言語の数も増やしたとした。以前の方式では費用が大きすぎて手を付けられなかったカタログの隅まで、品質の管理を広げたと述べた。", "limitation": "数千時間の節約の基準の期間と計算の方法は公開していない。この記事には購入や売上の変化についての数値がない。" }, "zh": { "usecase": "商品属性标准化与纠错", "problem": "Amazon的商品目录有数亿件商品，每天有数百万条商品信息新增或修改。公司过去靠按商品类目分别构建的machine learning模型来保证质量。这种方式很适合像盘子这样用尺寸、形状、颜色、材质来描述的商品。属性复杂或细微的商品则需要单独训练的模型或人工复核。", "implementation": "Amazon在此基础上接入了大语言模型。首先把整个目录按商品类型和属性取值归类，统计每个取值出现的频率和位置。在无线耳机的Bluetooth、BT、BT 5.1等写法中，挑出统计上最优的候选告诉模型。统计无法解决的细微差别则通过prompt tuning处理：在prompt中加入要与候选列表的粒度保持一致的指令，避免把stainless steel与440 stainless steel这类更具体的取值抹掉。这样调优后的模型在整个目录上完成三项工作：识别标准属性取值、收集同义的不同写法、检测错误或无意义的录入。", "outcome": "Amazon表示，在新方式下，卖家提交的最新取值几天内就能体现在目录中。公司说明，人工复核也因此节省了数千小时，可监控和更新的语言数量也增加了。公司称，质量管控已经延伸到旧方式下因成本过高而无法触及的目录角落。", "limitation": "节省数千小时的基准时间段和计算方式并未公开。这篇文章中也没有购买或销售变化的数字。" } } }, { "industry": "농림수산", "subindustry": "정밀농업 장비", "company": "John Deere", "country": "미국", "stage": "운영", "usecase": "잡초만 골라 농약 살포", "implementation": "See & Spray는 2021년에 나왔다. 살포기 붐에 달린 카메라와 기계에 얹은 처리 장치로 밭을 훑는다. 시속 15마일까지 달리면서 초당 2,500제곱피트가 넘는 면적을 본다. 잡초를 찾으면 John Deere의 ExactApply 시스템으로 해당 노즐만 작동시킨다. 작업하는 동안 살포 지도와 잡초 분포 지도가 함께 만들어진다. 농가는 John Deere Operations Center에서 이 지도를 보고 다음 시즌 약제 계획을 정한다. 기존 살포기에도 정밀 업그레이드 키트로 달 수 있다.", "outcome": "John Deere는 2025년 재배 시즌에 오백만 에이커가 넘는 농지에서 이 기술을 썼다고 밝혔다. 같은 면적에서 비잔류성 제초제 사용량이 평균 50% 가까이 줄었고 제초제 혼합액 3,100만 갤런에 가까운 양을 아꼈다고 설명했다. 여러 주에서 진행한 시험에서는 대두 수확량이 에이커당 평균 두 부셸 늘었다고 적었다. 건강한 작물이 약에 덜 닿아 스트레스가 줄었다는 보고도 있었다고 밝혔다.", "limitation": "여러 농가의 집계이며 한 기업의 도입 사례가 아니다. 절감률과 수확량은 John Deere가 밝힌 값이다.", "id": "AX047", "scope": "본조사", "sourceIds": [ "S041" ], "evidenceAccess": "검색 도구의 본문 발췌 확인", "dateLabel": "2025-11-28", "dateBasis": "자료 발표 시점. 도입 시작일과 다를 수 있음", "evidenceYears": [ "2025" ], "problem": "예전 방식은 밭 전체에 제초제를 뿌리는 것이다. 잡초가 없는 자리에도 약이 닿는다. 약값이 새고 건강한 작물도 약에 노출된다.", "eventDate": "2025-11-28", "eventBasis": "공개", "translations": { "en": { "usecase": "Spraying herbicide only on weeds", "problem": "The old method is to spray herbicide across the whole field. The chemical reaches spots where there are no weeds. Chemical cost leaks away and healthy crops are exposed to the spray as well.", "implementation": "See & Spray came out in 2021. Cameras on the sprayer boom and processing units mounted on the machine scan the field. Travelling at up to 15 miles per hour, it sees more than 2,500 square feet per second. When it finds a weed, John Deere's ExactApply system fires only the relevant nozzle. While the work runs, an application map and a weed distribution map are produced together. Growers view these maps in the John Deere Operations Center and decide the next season's chemical plan. Existing sprayers can be fitted with it through a precision upgrade kit.", "outcome": "John Deere said the technology was used on more than five million acres of farmland in the 2025 growing season. It explained that over the same area, non-residual herbicide use fell by close to 50 percent on average, saving close to 31 million gallons of herbicide mix. It wrote that in trials across several states, soybean yield rose by an average of two bushels per acre. It said there were also reports of less stress because healthy crops came into less contact with the chemical.", "limitation": "This is an aggregate across many growers, not one company's adoption case. The reduction rate and the yield are figures given by John Deere." }, "jp": { "usecase": "雑草だけを選んで農薬を散布", "problem": "以前のやり方は、畑の全体に除草剤をまくことである。雑草のない場所にも薬が届く。薬の費用が漏れ、健康な作物も薬にさらされる。", "implementation": "See & Sprayは2021年に出た。散布機のブームに付けたカメラと、機械に載せた処理の装置で畑をなぞる。時速15マイルまで走りながら、毎秒2,500平方フィートを超える面積を見る。雑草を見つけると、John DeereのExactApplyのシステムで該当するノズルだけを作動させる。作業のあいだに散布の地図と雑草の分布の地図が併せて作られる。農家はJohn Deere Operations Centerでこの地図を見て、次の季節の薬剤の計画を決める。既存の散布機にも精密のアップグレードのキットで付けられる。", "outcome": "John Deereは、2025年の栽培の季節に五百万エーカーを超える農地でこの技術を使ったと述べた。同じ面積で非残留性の除草剤の使用量が平均で50%近く減り、除草剤の混合液3,100万ガロンに近い量を節約したと説明した。複数の州で行った試験では、大豆の収穫量がエーカーあたり平均で二ブッシェル増えたと記した。健康な作物が薬に触れにくくなり、ストレスが減ったという報告もあったと述べた。", "limitation": "多くの農家の集計であり、一企業の導入の事例ではない。削減の比率と収穫量はJohn Deereが示した値である。" }, "zh": { "usecase": "只对杂草喷洒农药", "problem": "过去的做法是在整块田里喷洒除草剂，药剂也会落到没有杂草的地方。药费白白流失，健康作物也被药剂波及。", "implementation": "See & Spray于2021年推出。装在喷杆上的摄像头和机器上的处理装置扫描田块。以最高每小时15英里行进时，每秒可查看超过2,500平方英尺的面积。发现杂草后，由John Deere的ExactApply系统只启动相应的喷嘴。作业过程中会同时生成喷洒地图和杂草分布地图。农户在John Deere Operations Center查看这些地图，据此确定下一季的用药计划。现有喷洒机也可以通过精准升级套件加装。", "outcome": "John Deere表示，2025年种植季有超过五百万英亩农地使用了这项技术。公司说明，在同样面积上，非残留型除草剂用量平均减少了近50%，节省了接近3,100万加仑的除草剂混合液。公司写到，在多个州进行的试验中，大豆产量每英亩平均增加两蒲式耳。公司还表示，有报告称健康作物接触药剂减少，胁迫随之下降。", "limitation": "这是多家农户的汇总，不是某一家企业的落地案例。减少比例和产量都是John Deere给出的数字。" } } }, { "industry": "유통", "subindustry": "대형마트", "company": "Target", "country": "미국", "stage": "도입 발표", "usecase": "대화형 쇼핑과 구매 연결", "implementation": "이용자는 ChatGPT 화면에서 Target을 먼저 태그하고 질문을 적는다. Target은 전체 상품군에서 상황에 맞는 제안을 돌려준다. 이용자는 제안을 훑고 장바구니를 채운 뒤 Target 계정으로 결제한다. 받는 방법은 당일 Drive Up, 매장 Order Pickup, 배송 중에서 고른다. 무엇을 담고 무엇을 뺄지는 이용자가 정한다. 기술, 사용자 경험, 상품 관리 팀이 OpenAI와 함께 만들었다.", "outcome": "Target은 아이디어에서 출시까지 몇 주 만에 왔다고 밝혔다. ChatGPT 자체가 계속 바뀌어 하루에도 여러 번 새 버전을 만들고 시험했다고 설명했다. 회사는 이 경험을 계속 개선하고 자사 웹사이트와 앱에도 반영하겠다고 적었다. 이용 규모나 판매 성과를 보여 주는 수치는 글에 없다.", "limitation": "원문에는 이용자 수나 매출 같은 수치가 없다. 출시 뒤 운영 결과도 이 글에서는 확인되지 않는다.", "id": "AX040", "scope": "본조사", "sourceIds": [ "S035" ], "evidenceAccess": "원문 본문 열람", "dateLabel": "2025-11-25", "dateBasis": "자료 발표 시점. 도입 시작일과 다를 수 있음", "evidenceYears": [ "2025" ], "problem": "명절이 오면 무엇을 살지 정하지 못해 막히는 일이 많다. Target은 원하는 물건을 정확히 알아야 하거나 끝없는 검색 결과를 넘겨야 하는 부담을 덜고 싶었다고 밝혔다. 넓은 질문을 그대로 받아 답할 창구가 없었다.", "eventDate": "2025-11-25", "eventBasis": "공개", "translations": { "en": { "usecase": "Conversational shopping that leads to purchase", "problem": "When the holidays come, people often get stuck deciding what to buy. Target said it wanted to lift the burden of having to know exactly what you want or scroll through endless search results. There was no channel that could take a broad question as it is and answer it.", "implementation": "Users tag Target first in the ChatGPT window and write their question. Target returns suggestions from its full assortment that fit the situation. Users look through the suggestions, fill a cart and pay with their Target account. For receiving the order they choose between same-day Drive Up, in-store Order Pickup and delivery. What goes in the cart and what comes out is the user's decision. The technology, user experience and merchandising teams built it together with OpenAI.", "outcome": "Target said it went from idea to launch in a matter of weeks. It explained that because ChatGPT itself keeps changing, the team built and tested new versions several times a day. The company wrote that it will keep improving this experience and carry it into its own website and app. The article has no figures showing usage scale or sales results.", "limitation": "The source has no figures such as number of users or revenue. Operating results after launch are also not confirmed in this article." }, "jp": { "usecase": "対話型の買い物と購入への接続", "problem": "祝祭の時期が来ると、何を買うか決められず行き詰まることが多い。Targetは、欲しい物を正確に知っていなければならない、あるいは終わりのない検索結果をめくらなければならない負担を軽くしたかったと述べた。広い質問をそのまま受けて答える窓口がなかった。", "implementation": "利用者はChatGPTの画面でTargetをまずタグ付けし、質問を書く。Targetは全体の品ぞろえから状況に合った提案を返す。利用者は提案をざっと見てカートを満たし、Targetの口座で決済する。受け取り方は当日のDrive Up、店舗のOrder Pickup、配送から選ぶ。何を入れて何を外すかは利用者が決める。技術、利用者体験、商品管理のチームがOpenAIと一緒に作った。", "outcome": "Targetは、着想から提供開始まで数週間で来たと述べた。ChatGPT自体が変わり続けるので、一日に何度も新しい版を作って試したと説明した。同社は、この体験を改善し続け、自社のウェブサイトとアプリにも反映すると記した。利用の規模や販売の成果を示す数値は記事にない。", "limitation": "原文には利用者数や売上のような数値がない。提供開始後の運用の結果も、この記事では確かめられない。" }, "zh": { "usecase": "对话式购物并连接下单", "problem": "节日一到，很多人会卡在不知道买什么上。Target表示，希望减轻必须准确知道自己想要什么、或者要翻看无尽搜索结果的负担。公司此前没有一个能直接接住宽泛问题并作答的入口。", "implementation": "用户在ChatGPT界面里先标记Target，再写下问题。Target从全部商品中返回契合场景的建议。用户浏览建议、填满购物车，再用Target账户结算。收货方式可在当日Drive Up、门店Order Pickup和配送之间选择。放什么、去掉什么由用户决定。技术、用户体验和商品管理团队与OpenAI共同完成了这项功能。", "outcome": "Target表示，从想法到上线只用了几周。公司说明，由于ChatGPT本身不断变化，团队一天要做出并测试多个新版本。公司写到，将持续改进这一体验，并把它带进自家网站和应用。文中没有显示使用规模或销售成果的数字。", "limitation": "原文中没有用户数量或销售额之类的数字。上线后的运营结果在这篇文章中也无法确认。" } } }, { "industry": "전문서비스", "subindustry": "광고와 마케팅", "company": "WPP", "country": "영국", "stage": "운영", "usecase": "광고 업무 공통 AI 플랫폼", "implementation": "WPP Open은 사람과 역량, 고객을 하나의 경험으로 묶는 마케팅 플랫폼이다. WPP는 데이터 협업 회사 InfoSum을 인수해 WPP Open의 기반 데이터 층인 Open Intelligence로 삼았다. Google, TikTok과 기술 제휴도 맺었다. 여기에 사내 앱 스토어 형태의 Agent Hub를 열었다. 에이전시와 팀이 노코드 도구로 만든 수천 개의 AI 에이전트 가운데 가장 좋은 것을 회사 전체가 쓴다. 처음 공개한 Super Agents에는 브랜드 분석, 행동과학, 유추, 아이디어 발상을 맡는 에이전트가 들어간다. 브랜드 분석 에이전트는 약 30년치 Brand Asset Valuator 데이터를 쓴다. 모든 에이전트는 검증 절차를 거친다. 선임 전문가가 승인하고 지식 출처의 라이선스와 고객 데이터 보안, 결과 정확도를 확인한다.", "outcome": "WPP는 2025년 AI와 데이터, WPP Open에 현금으로 약 £300 million을 썼다고 밝혔다. 2024년의 £250 million보다 많다. 연차보고서는 71,000명이 이 플랫폼을 정기적으로 쓴다고 적었다. 고객 대면 인력의 약 90%이며 1년 전 33%에서 올랐다. Agent Hub 발표 시점에는 사내 이용자가 75,000명을 넘었고 Nestlé와 The Coca-Cola Company가 도입했다고 밝혔다. 대상은 고객과 WPP 직원 100,000명이다.", "limitation": "Agent Hub는 막 연 기능이라 성과 수치가 아직 없다. 이용자 수는 도입 규모이며 고객 광고 성과와 직접 이어붙인 수치는 원문에 없다.", "id": "AX064", "scope": "본조사", "sourceIds": [ "S058", "S059", "S138" ], "evidenceAccess": "원문 본문 열람", "dateLabel": "2026-01-05 및 2025년 연차보고서", "dateBasis": "보고서 또는 답변 문서의 연도", "evidenceYears": [ "2026", "2025" ], "problem": "WPP는 기획, 제작, 매체, 데이터 업무가 여러 에이전시로 나뉘어 있었다. 칸막이가 생기고 같은 일을 겹쳐서 하는 낭비가 있었다. 고객에게 처음부터 끝까지 이어진 서비스를 주기 어려웠다.", "eventDate": "2026-01-05", "eventBasis": "도입", "translations": { "en": { "usecase": "A shared AI platform for advertising work", "problem": "At WPP, planning, production, media and data work were split across many agencies. Silos formed and there was waste from doing the same work twice. It was difficult to give clients a service that ran end to end.", "implementation": "WPP Open is a marketing platform that ties people, capabilities and clients into a single experience. WPP acquired the data collaboration company InfoSum and made it Open Intelligence, the underlying data layer of WPP Open. It also formed technology partnerships with Google and TikTok. On top of this it opened Agent Hub, in the form of an internal app store. Among the thousands of AI agents built by agencies and teams with no-code tools, the best ones are used across the whole company. The first Super Agents released include agents for brand analysis, behavioural science, analogy and idea generation. The brand analysis agent uses about 30 years of Brand Asset Valuator data. Every agent goes through a validation procedure. A senior specialist approves it and checks the licensing of knowledge sources, client data security and the accuracy of results.", "outcome": "WPP said it spent about £300 million in cash on AI, data and WPP Open in 2025, more than the £250 million of 2024. The annual report states that 71,000 people use the platform regularly. That is about 90 percent of client-facing staff, up from 33 percent a year earlier. At the time Agent Hub was announced, internal users exceeded 75,000 and Nestlé and The Coca-Cola Company had adopted it. The target is clients plus 100,000 WPP employees.", "limitation": "Agent Hub has only just opened, so there are no performance figures yet. The user numbers indicate adoption scale, and figures tying them directly to client advertising performance are not in the source." }, "jp": { "usecase": "広告業務の共通AIプラットフォーム", "problem": "WPPは企画、制作、媒体、データの業務が複数のエージェンシーに分かれていた。仕切りができ、同じ仕事を重ねて行う無駄があった。顧客に初めから終わりまでつながったサービスを与えるのが難しかった。", "implementation": "WPP Openは、人と能力、顧客を一つの体験に束ねるマーケティングのプラットフォームである。WPPはデータ協業の会社InfoSumを買収し、WPP Openの土台となるデータの層Open Intelligenceとした。GoogleやTikTokとの技術の提携も結んだ。ここに社内のアプリストアの形をしたAgent Hubを開いた。エージェンシーとチームがノーコードの道具で作った数千のAIエージェントのうち、最も良いものを会社の全体が使う。最初に公開したSuper Agentsには、ブランドの分析、行動科学、類推、アイデアの発想を担うエージェントが入る。ブランドの分析のエージェントは約30年分のBrand Asset Valuatorのデータを使う。すべてのエージェントは検証の手続きを経る。上級の専門家が承認し、知識の出どころのライセンスと顧客のデータの保安、結果の精度を確かめる。", "outcome": "WPPは、2025年にAIとデータ、WPP Openに現金で約£300 millionを使ったと述べた。2024年の£250 millionより多い。年次報告書は、71,000人がこのプラットフォームを定期的に使うと記した。顧客と向き合う人員の約90%であり、1年前の33%から上がった。Agent Hubの発表の時点では社内の利用者が75,000人を超え、NestléとThe Coca-Cola Companyが導入したと述べた。対象は顧客とWPPの従業員100,000人である。", "limitation": "Agent Hubは開いたばかりの機能なので、成果の数値はまだない。利用者数は導入の規模であり、顧客の広告の成果と直接つないだ数値は原文にない。" }, "zh": { "usecase": "广告业务的通用AI平台", "problem": "WPP的策划、制作、媒介和数据业务分散在多家代理公司，形成隔阂，重复劳动造成浪费，也很难为客户提供从头到尾贯通的服务。", "implementation": "WPP Open是把人、能力和客户整合进同一体验的营销平台。WPP收购了数据协作公司InfoSum，将其作为WPP Open的底层数据层Open Intelligence，并与Google、TikTok建立了技术合作。在此之上，公司开设了内部应用商店形式的Agent Hub。各代理公司和团队用无代码工具做出的数千个AI智能体中，最优秀的那些供全公司使用。首批公开的Super Agents包括负责品牌分析、行为科学、类比推演和创意发想的智能体。品牌分析智能体使用约30年的Brand Asset Valuator数据。所有智能体都要经过验证流程：由资深专家审批，并核对知识来源的授权、客户数据安全和结果准确度。", "outcome": "WPP表示，2025年在AI、数据和WPP Open上的现金投入约为£300 million，高于2024年的£250 million。年报写到，有71,000人定期使用该平台，约占面向客户人员的90%，高于一年前的33%。Agent Hub发布时，内部用户已超过75,000人，Nestlé和The Coca-Cola Company已经采用。目标对象是客户以及WPP的100,000名员工。", "limitation": "Agent Hub刚刚上线，还没有成效数字。用户数量反映的是采用规模，原文中没有把它与客户广告成效直接挂钩的数字。" } } }, { "industry": "식품과 음료", "subindustry": "가공식품", "company": "PepsiCo", "country": "미국", "stage": "제한 운영", "usecase": "공장과 물류시설 배치 검증", "implementation": "PepsiCo는 물리 기반 디지털 트윈과 AI 에이전트를 설계 파트너로 삼는 디지털 우선 기획 전략으로 옮겼다. 실제로 짓기 전에 설비 배치를 시뮬레이션하고 검증한다. 도구는 NVIDIA Omniverse 라이브러리 위에 만든 Siemens Digital Twin Composer다. 먼저 미국 내 일부 생산과 창고 시설을 고정밀 3D 디지털 트윈으로 바꿔 공장 운영과 공급망 전체를 모사하고 성능 기준선을 잡았다. Digital Twin Composer와 Omniverse, 컴퓨터 비전을 함께 써서 기계, 컨베이어, 팔레트 경로, 작업자 동선을 물리 수준 정확도로 재현한다. AI 에이전트가 이 위에서 변경안을 모의 실험하고 다듬는다.", "outcome": "PepsiCo는 실제 설비를 손대기 전에 잠재 문제의 최대 90%를 찾아낸다고 밝혔다. 초기 적용에서 처리량이 20% 늘었다고 했다. 설계 주기가 빨라졌고 설계 검증은 거의 100%에 이르렀으며 설비투자는 10~15% 줄었다고 발표했다. 가상 환경에서 숨은 여력을 찾아내고 투자를 검증한 결과다. 팀은 몇 주 만에 새 구성을 최적화하고 검증했다고 회사는 설명했다.", "limitation": "성과는 미국 내 초기 적용 결과다. 원문은 대상 시설 수와 측정 기간, 글로벌 확대 일정을 밝히지 않았다.", "id": "AX004", "scope": "본조사", "sourceIds": [ "S004" ], "evidenceAccess": "원문 본문 열람", "dateLabel": "2026-01-06", "dateBasis": "자료 발표 시점. 도입 시작일과 다를 수 있음", "evidenceYears": [ "2026" ], "problem": "생산과 배송 능력에 대한 수요가 늘면서 PepsiCo는 기존 설비를 다시 손보고 최적화해야 했다. 전통적인 증설 방식은 느리고 비용이 컸다. 이 방식으로는 유연성과 확장 속도가 제한된다고 회사는 밝혔다.", "eventDate": "2026-01-06", "eventBasis": "공개", "translations": { "en": { "usecase": "Validating plant and logistics facility layouts", "problem": "As demand on production and delivery capacity grew, PepsiCo had to rework and optimise its existing facilities. The traditional way of expanding was slow and expensive. The company said that approach limits flexibility and the speed of scaling.", "implementation": "PepsiCo moved to a digital-first planning strategy that treats physics-based digital twins and AI agents as design partners. It simulates and validates facility layouts before anything is actually built. The tool is Siemens Digital Twin Composer, built on NVIDIA Omniverse libraries. It first turned some production and warehouse facilities in the United States into high-fidelity 3D digital twins, modelling plant operations and the whole supply chain and setting a performance baseline. Using Digital Twin Composer, Omniverse and computer vision together, it reproduces machines, conveyors, pallet paths and worker movement with physics-level accuracy. AI agents then simulate and refine proposed changes on top of this.", "outcome": "PepsiCo said it finds up to 90 percent of potential problems before touching the actual facility. It said throughput rose by 20 percent in early deployments. It announced that the design cycle became faster, design validation reached close to 100 percent, and capital expenditure fell by 10 to 15 percent. These came from finding hidden capacity and validating investment in a virtual environment. The company explained that teams optimised and validated a new configuration within weeks.", "limitation": "The results are from early deployment in the United States. The source does not disclose the number of facilities covered, the measurement period or the timetable for global rollout." }, "jp": { "usecase": "工場と物流施設の配置の検証", "problem": "生産と配送の能力への需要が増え、PepsiCoは既存の設備を作り直して最適化する必要があった。伝統的な増設のやり方は遅く、費用が大きかった。このやり方では柔軟性と拡張の速さが制限されると同社は述べた。", "implementation": "PepsiCoは、物理に基づくデジタルツインとAIエージェントを設計のパートナーとするデジタル優先の企画の戦略へ移った。実際に建てる前に設備の配置をシミュレーションして検証する。道具はNVIDIA Omniverseのライブラリの上に作ったSiemens Digital Twin Composerである。まず米国内の一部の生産と倉庫の施設を高精度の3Dデジタルツインに変え、工場の運用と供給網の全体を模して性能の基準線を取った。Digital Twin ComposerとOmniverse、コンピュータービジョンを併せて使い、機械、コンベヤー、パレットの経路、作業者の動線を物理の水準の正確さで再現する。AIエージェントがこの上で変更案を模擬実験し、整える。", "outcome": "PepsiCoは、実際の設備に手を付ける前に潜在する問題の最大90%を見つけ出すと述べた。初期の適用で処理量が20%増えたとした。設計の周期が速くなり、設計の検証はほぼ100%に達し、設備投資は10から15%減ったと発表した。仮想の環境で隠れた余力を見つけ出し、投資を検証した結果である。チームは数週間で新しい構成を最適化して検証したと同社は説明した。", "limitation": "成果は米国内の初期の適用の結果である。原文は、対象の施設の数と測定の期間、世界への拡大の日程を明らかにしていない。" }, "zh": { "usecase": "验证工厂与物流设施布局", "problem": "随着对生产和配送能力的需求增长，PepsiCo必须改造并优化既有设施。传统的扩建方式又慢又贵。公司表示，这种方式限制了灵活性和扩张速度。", "implementation": "PepsiCo转向以数字化为先的规划策略，把基于物理的数字孪生和AI智能体当作设计伙伴。在实际动工之前，先对设施布局进行仿真和验证。所用工具是建立在NVIDIA Omniverse库之上的Siemens Digital Twin Composer。公司先把美国境内的部分生产和仓储设施转成高精度3D数字孪生，模拟工厂运行和整条供应链，设定性能基线。通过Digital Twin Composer、Omniverse与计算机视觉的结合，以物理级精度复现机器、传送带、托盘路径和工人动线。AI智能体在此之上对变更方案做模拟并加以打磨。", "outcome": "PepsiCo表示，在动到实际设施之前能找出最多90%的潜在问题。公司称，初期应用中吞吐量提高了20%。公司发布的结果还包括：设计周期加快，设计验证接近100%，设备投资减少10%到15%。这些来自在虚拟环境中发现隐藏产能并验证投资。公司说明，团队在数周内完成了新配置的优化与验证。", "limitation": "这些成果来自美国境内的初期应用。原文未披露覆盖的设施数量、测量周期以及全球推广的时间表。" } } }, { "industry": "제조", "subindustry": "철강", "company": "포스코", "country": "한국", "stage": "제한 운영", "usecase": "철광석 소결 공정 제어", "implementation": "포항제철소는 소결 공정에 AI 기반 스마트 제어 시스템을 넣었다. 센서를 써서 원료가 쌓이는 장입선을 미세하게 제어한다. 배가스 온도 설정값을 따라가도록 대차 속도를 자동으로 제어한다. 이 기술은 포항제철소 제선부와 기술연구원 공정DX연구소가 함께 개발했다. 개발을 이끈 제선부 김영현 차장은 포항제철소 숙련공들의 노하우를 AI로 로직화해 누구나 최상의 품질을 낼 수 있는 표준을 만들고 싶었다고 말했다.", "outcome": "포항제철소는 이번 개선으로 조업 가동률 99%, 적중률 97%를 기록하며 조업 편차를 크게 줄였다고 밝혔다. 고품질 소결광이 안정적으로 공급되면서 후공정인 고로의 노황 안정에도 기여했다고 설명했다. 3소결에서 검증한 이 모델은 2소결과 4소결 등 다른 공정으로 확대 적용을 진행 중이다. 소결기 운전 자동화로 현장 작업자가 단순 반복 업무에서 벗어나 고부가가치 업무에 집중할 환경을 만들었다는 평가도 함께 냈다.", "limitation": "원문은 적중률의 정의와 비교 기준을 밝히지 않았다. 개선 전 가동률도 제시하지 않아 상승 폭은 알 수 없다.", "localId": "", "id": "AX092", "scope": "본조사", "sourceIds": [ "S086" ], "evidenceAccess": "원문 본문 열람", "dateLabel": "2026-02-03", "dateBasis": "자료 발표 시점. 도입 시작일과 다를 수 있음", "evidenceYears": [ "2026" ], "problem": "소결 공정은 가루 형태의 철광석을 고로에 넣기 좋은 덩어리로 만드는 핵심 과정이다. 소결기 운전은 현장 작업자가 단순 반복으로 다뤄야 하는 일이었다. 포항제철소는 개별 설비 자동화를 넘어 제어 기술들을 하나로 엮는 것을 과제로 삼았다.", "eventDate": "2026-02-03", "eventBasis": "공개", "translations": { "en": { "usecase": "Controlling the iron ore sintering process", "problem": "Sintering is the key process that turns powdered iron ore into lumps suitable for charging into a blast furnace. Operating the sintering machine was work that site operators had to handle as simple repetition. Pohang Works set itself the task of going beyond automating individual equipment and weaving the control technologies into one.", "implementation": "Pohang Works put an AI based smart control system into the sintering process. Using sensors, it finely controls the charge line where raw material builds up. It automatically controls trolley speed so that the exhaust gas temperature follows the set point. The technology was developed jointly by the ironmaking department at Pohang Works and the Process DX Research Institute at the technical research laboratories. Kim Young-hyun, the deputy general manager in the ironmaking department who led the development, said he wanted to turn the know-how of Pohang Works' skilled operators into logic with AI and create a standard by which anyone can produce the best quality.", "outcome": "Pohang Works said this improvement recorded an operating rate of 99 percent and a hit rate of 97 percent, sharply reducing variation in operation. It explained that a stable supply of high-quality sinter also contributed to stable furnace conditions in the downstream blast furnace. The model verified at No. 3 sintering is now being extended to other processes such as No. 2 and No. 4 sintering. It also said that automating sintering machine operation created an environment where site operators move out of simple repetitive work and concentrate on higher value work.", "limitation": "The source does not disclose the definition of the hit rate or its basis for comparison. It also does not give the operating rate before the improvement, so the size of the rise cannot be known." }, "jp": { "usecase": "鉄鉱石の焼結工程の制御", "problem": "焼結の工程は、粉の形の鉄鉱石を高炉に入れやすい塊にする中心の過程である。焼結機の運転は、現場の作業者が単純な繰り返しとして扱わなければならない仕事だった。浦項製鉄所は、個別の設備の自動化を超えて制御の技術を一つに編むことを課題に据えた。", "implementation": "浦項製鉄所は焼結の工程にAIを基にしたスマート制御のシステムを入れた。センサーを使って原料が積まれる装入線を細かく制御する。排ガスの温度の設定値に追従するよう、台車の速度を自動で制御する。この技術は浦項製鉄所の製銑部と技術研究院の工程DX研究所が一緒に開発した。開発を率いた製銑部のキム・ヨンヒョン次長は、浦項製鉄所の熟練工のノウハウをAIで論理にして、誰でも最上の品質を出せる標準を作りたかったと語った。", "outcome": "浦項製鉄所は、今回の改善で操業の稼働率99%、的中率97%を記録し、操業の偏差を大きく減らしたと述べた。高品質の焼結鉱が安定して供給され、後工程の高炉の炉況の安定にも寄与したと説明した。第3焼結で検証したこのモデルは、第2焼結や第4焼結など他の工程へ拡大して適用を進めている。焼結機の運転の自動化により、現場の作業者が単純な繰り返しの業務から抜け、付加価値の高い業務に集中できる環境を作ったという評価も併せて出した。", "limitation": "原文は、的中率の定義と比較の基準を明らかにしていない。改善前の稼働率も示していないので、上昇の幅は分からない。" }, "zh": { "usecase": "控制铁矿石烧结工序", "problem": "烧结工序是把粉状铁矿石制成便于装入高炉的块状物的关键环节。烧结机的操作一直是现场工人必须以简单重复方式处理的工作。浦项制铁厂把超越单台设备自动化、把各项控制技术编织为一体作为课题。", "implementation": "浦项制铁厂在烧结工序中引入了基于AI的智能控制系统。系统利用传感器对原料堆积的布料线进行精细控制，并自动调节台车速度以跟随废气温度设定值。该技术由浦项制铁厂炼铁部与技术研究院工艺DX研究所共同开发。主导开发的炼铁部次长金永贤表示，希望用AI把浦项制铁厂熟练工人的经验转化为逻辑，形成任何人都能产出最佳质量的标准。", "outcome": "浦项制铁厂表示，此次改进实现作业开动率99%、命中率97%，大幅减少了作业偏差。公司说明，高质量烧结矿的稳定供应也有助于后工序高炉的炉况稳定。在3号烧结验证过的模型，正在向2号烧结、4号烧结等其他工序扩大应用。公司同时指出，烧结机操作自动化让现场工人得以摆脱简单重复作业，专注于高附加值工作。", "limitation": "原文没有说明命中率的定义和比较基准，也没有给出改进前的开动率，因此无法得知提升幅度。" } } }, { "industry": "에너지", "subindustry": "전력과 가스 공급", "company": "Duke Energy", "country": "미국", "stage": "운영", "usecase": "고객을 노린 사칭 광고 탐지", "implementation": "Duke Energy는 인공지능으로 웹사이트, 사회관계망, 유료 광고를 훑는다. 공개된 자료에서 드러나는 사회공학 위협을 찾는 것이 목적이다. 가짜 광고와 사칭 상담 번호가 주된 탐지 대상이다. 찾아낸 항목은 해당 플랫폼에 삭제를 요청한다. 회사는 자체 사기 신고 도구를 함께 운영해 고객이 의심 사례를 직접 알리도록 했다. 고객에게는 결제 요구가 급하거나 위협적이면 속도를 늦추고, 청구서에 적힌 공식 번호나 웹사이트로만 확인하라고 안내한다.", "outcome": "회사는 최근 삭제 사례로 Duke Energy를 사칭하고 가짜 고객센터 번호를 실은 유료 검색광고를 들었다. 또 Piedmont Natural Gas, Better Business Bureau를 비롯한 다른 유틸리티 회사와 함께 11월에 열린 제10회 Utility Scam Awareness Day에 참여했다고 밝혔다. Jessica Bishop 고객서비스운영 수석부사장은 사기범이 정교해지는 만큼 회사가 선제적으로 고객을 보호하고 있다고 말했다. 회사는 선불카드나 암호화폐 결제를 받지 않으며 즉시 단전을 위협하지 않는다는 점도 함께 알렸다.", "limitation": "탐지에 쓴 모델과 오탐 비율, 삭제 요청 건수는 원문에 없다. 사람이 어느 단계에서 검토하고 승인하는지도 밝히지 않았다.", "localId": "", "id": "AX097", "scope": "본조사", "sourceIds": [ "S091" ], "evidenceAccess": "검색 도구의 본문 발췌 확인", "dateLabel": "2026-02-12", "dateBasis": "자료 발표 시점. 도입 시작일과 다를 수 있음", "evidenceYears": [ "2026" ], "problem": "Duke Energy 고객을 노린 사기가 이어졌다. 회사는 2025년 서비스 지역 전체에서 수천 건의 사기 신고를 받았다고 밝혔다. 요금 지원을 찾는 고객이 몰리는 2월에 신고가 특히 늘었다. 사기범은 가짜 광고와 사칭 상담 번호로 고객에게 접근했다.", "eventDate": "2026-02-12", "eventBasis": "공개", "translations": { "en": { "usecase": "Detecting impersonation adverts aimed at customers", "problem": "Scams aimed at Duke Energy customers continued. The company said it received thousands of scam reports across its service territory in 2025. Reports rose especially in February, when customers looking for bill assistance cluster. Scammers approached customers with fake adverts and impersonated support numbers.", "implementation": "Duke Energy uses artificial intelligence to sweep websites, social networks and paid adverts. The purpose is to find social engineering threats visible in public material. Fake adverts and impersonated support numbers are the main targets of detection. Items found are reported to the relevant platform with a takedown request. The company also runs its own scam reporting tool so customers can flag suspicious cases directly. It advises customers to slow down if a payment demand is urgent or threatening, and to verify only through the official number or website printed on their bill.", "outcome": "As a recent takedown example the company cited a paid search advert that impersonated Duke Energy and carried a fake customer service number. It also said it took part in the tenth Utility Scam Awareness Day in November together with Piedmont Natural Gas, the Better Business Bureau and other utility companies. Jessica Bishop, Senior Vice President of Customer Service Operations, said that as scammers grow more sophisticated, the company is protecting customers proactively. The company also stated that it does not accept prepaid cards or cryptocurrency payments and does not threaten immediate disconnection.", "limitation": "The model used for detection, the false positive rate and the number of takedown requests are not in the source. Nor does it say at which stage people review and approve." }, "jp": { "usecase": "顧客を狙うなりすまし広告の検知", "problem": "Duke Energyの顧客を狙う詐欺が続いた。同社は2025年にサービスの地域の全体で数千件の詐欺の通報を受けたと述べた。料金の支援を探す顧客が集まる2月に通報がとくに増えた。詐欺をはたらく側は、偽の広告となりすましの相談番号で顧客に近づいた。", "implementation": "Duke Energyは人工知能でウェブサイト、ソーシャルネットワーク、有料の広告をなぞる。公開された資料から見える社会工学の脅威を見つけるのが目的である。偽の広告となりすましの相談番号が主な検知の対象である。見つけた項目は該当のプラットフォームに削除を求める。同社は自前の詐欺の通報の道具も併せて運用し、顧客が疑わしい事例を直接知らせられるようにした。顧客には、支払の要求が急であったり脅すようであったりすれば速度を落とし、請求書に記された公式の番号かウェブサイトだけで確かめるよう案内する。", "outcome": "同社は最近の削除の事例として、Duke Energyになりすまし偽の顧客センターの番号を載せた有料の検索広告を挙げた。また、Piedmont Natural Gas、Better Business Bureauをはじめとする他の公益事業の会社と一緒に、11月に開かれた第10回Utility Scam Awareness Dayに参加したと述べた。顧客サービス運用の上級副社長Jessica Bishopは、詐欺をはたらく側が精巧になるほど、会社が先回りして顧客を守っていると語った。同社は、前払いカードや暗号資産の決済を受けず、即時の送電停止で脅すこともないという点も併せて知らせた。", "limitation": "検知に使ったモデルと誤検知の比率、削除の要請の件数は原文にない。人がどの段階で検討し承認するのかも明らかにしていない。" }, "zh": { "usecase": "识别冒充公司的广告诈骗", "problem": "针对Duke Energy客户的诈骗持续不断。公司表示，2025年在整个服务区域收到了数千起诈骗举报。在寻求账单补助的客户集中的2月，举报尤其增多。诈骗者用虚假广告和冒充的客服电话接近客户。", "implementation": "Duke Energy用人工智能扫描网站、社交网络和付费广告，目的是找出公开资料中显露的社会工程威胁。虚假广告和冒充的客服电话是主要检测对象。发现的条目会向相应平台提出下架请求。公司还运行自有的诈骗举报工具，让客户直接报告可疑情形。公司提醒客户，如果付款要求显得紧急或带有威胁，就要放慢节奏，并只通过账单上印的官方电话或网站核实。", "outcome": "公司举出的近期下架案例，是一条冒充Duke Energy、标注虚假客服电话的付费搜索广告。公司还表示，11月与Piedmont Natural Gas、Better Business Bureau等其他公用事业公司一起参加了第十届Utility Scam Awareness Day。客户服务运营高级副总裁Jessica Bishop表示，诈骗者手法越精细，公司就越要主动保护客户。公司同时告知，它不接受预付卡或加密货币付款，也不会以立即停电相威胁。", "limitation": "用于检测的模型、误报比例和下架请求数量，原文中没有，也没有说明人在哪个环节复核和批准。" } } }, { "industry": "제조", "subindustry": "반도체", "company": "SK하이닉스", "country": "한국", "stage": "운영", "usecase": "공정 가상 계측과 이상 원인 분석", "implementation": "SK하이닉스는 산업용 AI 스타트업 가우스랩스와 함께 AI 기반 가상 계측 설루션 Panoptes VM을 쓴다. 2022년부터 생산 현장에서 활용하고 있다. 가상 계측은 직접 재지 않은 공정 결과를 예측하는 방식이다. 두 회사는 Panoptes VM 운용 데이터로 장비 간 성능 매칭 프레임워크를 만들어, 장비 이상을 조기에 탐지하고 원인을 빠르게 진단하는 방안을 함께 제시한다. 오버레이 쪽에는 경사하강법 기반 프레임워크 GRACE를 붙였다. GRACE는 입력변수가 예측 결과에 미치는 영향을 정량화해 모델 성능을 설명할 지표를 준다. SK하이닉스는 발표 직전 해부터 GRACE를 생산 현장에 적용해 공정 이상을 적시에 파악하고 원인을 찾는 데 쓰고 있다.", "outcome": "두 회사는 SPIE Advanced Lithography + Patterning 2026에서 구두 발표와 포스터 세션에 각 1편씩 논문 2편을 낸다. 논문에는 실제 SK하이닉스 생산 현장에서 Panoptes VM을 운용한 데이터를 바탕으로 한 공동 연구 성과가 담겼다. 낮은 계측률 탓에 분석이 어려웠던 장비 간 성능 차이를 효과적으로 식별할 수 있다는 점을 데이터로 입증한다고 밝혔다. 가우스랩스 김영한 대표는 설루션 도입 뒤에도 제조 현장에서 활용 사례를 계속 발굴해 얻은 성과라고 말했다.", "limitation": "원문에 수율이나 계측 비용 개선 수치는 없다. GRACE의 현장 적용 범위와 효과를 나타내는 지표도 공개하지 않았다.", "id": "AX002", "scope": "본조사", "sourceIds": [ "S002" ], "evidenceAccess": "원문 본문 열람", "dateLabel": "2026-02-19", "dateBasis": "자료 발표 시점. 도입 시작일과 다를 수 있음", "evidenceYears": [ "2026" ], "problem": "반도체 공정은 결과를 측정해 제대로 진행됐는지 확인하는 계측을 거친다. 계측률이 낮으면 같은 공정을 돌린 장비 사이의 성능 차이를 가려내기 어려웠다. 포토 공정의 오버레이 예측 모델도 정확도를 높이는 데만 집중해, 각 입력변수가 결과에 어떻게 영향을 줬는지 설명하기 어려웠다.", "eventDate": "2026-02-19", "eventBasis": "공개", "translations": { "en": { "usecase": "Virtual process metrology and anomaly cause analysis", "problem": "Semiconductor processes go through metrology that measures the result to confirm the process ran correctly. When the metrology rate is low, it was hard to tell apart performance differences between tools that ran the same process. The overlay prediction model in the photolithography process also concentrated only on raising accuracy, so it was hard to explain how each input variable affected the result.", "implementation": "SK hynix uses Panoptes VM, an AI based virtual metrology solution, together with the industrial AI startup Gauss Labs. It has been in use on the production floor since 2022. Virtual metrology is a way of predicting process results that were not directly measured. Using operating data from Panoptes VM, the two companies built a tool-to-tool performance matching framework and jointly propose a way to detect tool anomalies early and diagnose the cause quickly. On the overlay side they added GRACE, a gradient descent based framework. GRACE quantifies the effect of input variables on the predicted result and provides indicators that explain model performance. SK hynix has applied GRACE on the production floor since the year before this announcement, using it to spot process anomalies in time and find the cause.", "outcome": "The two companies are presenting two papers at SPIE Advanced Lithography + Patterning 2026, one in an oral presentation and one in a poster session. The papers carry joint research results based on data from operating Panoptes VM on the actual SK hynix production floor. They said the data demonstrates that performance differences between tools, which were hard to analyse because of the low metrology rate, can be identified effectively. Gauss Labs Chief Executive Officer Kim Young-han said the result came from continuing to find use cases on the manufacturing floor even after the solution was adopted.", "limitation": "The source has no figures on yield or metrology cost improvement. Indicators showing the scope and effect of GRACE on the floor were also not disclosed." }, "jp": { "usecase": "工程の仮想計測と異常原因の分析", "problem": "半導体の工程は、結果を測って正しく進んだかを確かめる計測を経る。計測率が低いと、同じ工程を回した装置の間の性能の差を見分けるのが難しかった。フォト工程のオーバーレイの予測モデルも精度を上げることだけに集中していて、各入力変数が結果にどう影響したかを説明しにくかった。", "implementation": "SKハイニックスは、産業用AIのスタートアップであるガウスラボと一緒に、AIを基にした仮想計測のソリューションPanoptes VMを使う。2022年から生産の現場で活用している。仮想計測は、直接測っていない工程の結果を予測するやり方である。両社はPanoptes VMの運用データで装置間の性能マッチングのフレームワークを作り、装置の異常を早期に検知し原因を素早く診断する方策を併せて示す。オーバーレイの側には勾配降下法に基づくフレームワークGRACEを付けた。GRACEは入力変数が予測の結果に与える影響を定量化し、モデルの性能を説明する指標を与える。SKハイニックスは発表の前年からGRACEを生産の現場に適用し、工程の異常を適時に把握して原因を探るのに使っている。", "outcome": "両社はSPIE Advanced Lithography + Patterning 2026で、口頭発表とポスターセッションにそれぞれ1編ずつ、計2編の論文を出す。論文には、実際のSKハイニックスの生産現場でPanoptes VMを運用したデータに基づく共同研究の成果が収められた。低い計測率のせいで分析が難しかった装置間の性能の差を効果的に識別できる点をデータで立証すると述べた。ガウスラボのキム・ヨンハン代表は、ソリューションの導入後も製造の現場で活用の事例を探し続けて得た成果だと語った。", "limitation": "原文に歩留まりや計測の費用の改善の数値はない。GRACEの現場への適用の範囲と効果を示す指標も公開していない。" }, "zh": { "usecase": "工序虚拟量测与异常原因分析", "problem": "半导体工序要经过量测环节，通过测量结果确认工序是否正常。量测率一旦偏低，就很难分辨跑同一工序的设备之间的性能差异。光刻工序的套刻预测模型也只专注于提高准确度，难以说明各输入变量如何影响结果。", "implementation": "SK海力士与工业AI初创公司Gauss Labs合作，使用基于AI的虚拟量测方案Panoptes VM，自2022年起用于生产现场。虚拟量测是预测未直接测量的工序结果的方法。两家公司利用Panoptes VM的运行数据构建了设备间性能匹配框架，共同提出早期检测设备异常并快速诊断原因的方案。在套刻方面，他们加入了基于梯度下降法的框架GRACE。GRACE量化输入变量对预测结果的影响，提供能解释模型性能的指标。SK海力士自发布前一年起把GRACE应用到生产现场，用于及时掌握工序异常并查找原因。", "outcome": "两家公司在SPIE Advanced Lithography + Patterning 2026上提交两篇论文，口头报告和海报环节各一篇。论文收录了基于SK海力士实际生产现场运行Panoptes VM的数据所得的共同研究成果。他们表示，数据证明了可以有效识别因量测率低而难以分析的设备间性能差异。Gauss Labs代表金永汉表示，这是方案落地之后仍持续在制造现场挖掘应用场景才取得的成果。", "limitation": "原文中没有良率或量测成本改善的数字，也未公开表示GRACE现场应用范围与效果的指标。" } } }, { "industry": "에너지", "subindustry": "석유와 가스", "company": "Aramco", "country": "사우디아라비아", "stage": "운영", "usecase": "AI 기반 운영 개선 포트폴리오", "implementation": "TRV는 자본이나 운영 비용을 피한 금액, 또는 배치된 기술로 늘어난 매출을 사업 기준선 대비 증가분으로 계산한다. 이 지표는 외부 기관의 검증을 받는다. AI를 쓴 대표 사례는 Aramco Intelligent Live Earth Model이다. 이 모델은 유정 위치를 최적화하고 지오스티어링 작업에서 저류층 접촉을 넓힌다. PE.AI는 합성 유정 검층 자료를 만드는 AI 기반 플랫폼이다. 회사는 AI 연산 능력도 크게 늘려 실시간 자문 시스템과 고급 분석을 돌린다고 설명했다.", "outcome": "Aramco는 2025년 TRV로 53억 달러를 냈다고 공시했다. 이 가운데 AI 기반 솔루션에서 나온 몫이 26억 달러이고 AI가 아닌 기술에서 나온 몫이 27억 달러다. 2023년 이후 누적 TRV는 113억 달러라고 밝혔다. Aramco Intelligent Live Earth Model은 저류층 접촉을 약 10% 늘리고 유정당 평균 시추 기간을 이틀 줄였다고 했다. AI 반정밀도 연산 능력은 570 PetaFLOPs를 넘어 전년 대비 열 배가 됐다고 밝혔다.", "limitation": "TRV는 회사가 산정하고 외부 기관이 검증한 가치이며 회계상 순이익과 다르다. 53억 달러 전체를 AI 성과로 읽으면 잘못이다.", "id": "AX053", "scope": "본조사", "sourceIds": [ "S046", "S047" ], "evidenceAccess": "원문 본문 열람", "dateLabel": "2026-03-10", "dateBasis": "자료 발표 시점. 도입 시작일과 다를 수 있음", "evidenceYears": [ "2026" ], "problem": "Aramco는 탐사와 시추, 생산, 정유를 아우르는 큰 설비를 운영한다. 이런 사업에서는 새로 넣은 기술이 실제로 돈이 됐는지 가리기가 어렵다. 회사는 자사 기술이 운영에 배치된 뒤 만들어낸 가치를 따로 재기로 하고 이 지표를 Technology Realized Value, 줄여서 TRV라고 부른다.", "eventDate": "2026-03-10", "eventBasis": "공개", "translations": { "en": { "usecase": "A portfolio of AI based operational improvements", "problem": "Aramco runs large facilities spanning exploration, drilling, production and refining. In a business like this it is hard to tell whether newly introduced technology actually paid off. The company decided to measure separately the value its technology created once deployed into operations, and it calls this indicator Technology Realized Value, or TRV.", "implementation": "TRV is calculated as capital or operating cost avoided, or as revenue increased by deployed technology, expressed as an increment against a business baseline. The indicator is verified by an external body. A representative case using AI is the Aramco Intelligent Live Earth Model. This model optimises well placement and widens reservoir contact in geosteering work. PE.AI is an AI based platform that generates synthetic well log data. The company explained that it also greatly increased its AI computing capacity to run real-time advisory systems and advanced analytics.", "outcome": "Aramco disclosed that it produced 5.3 billion dollars of TRV in 2025. Of that, 2.6 billion dollars came from AI based solutions and 2.7 billion dollars from non-AI technology. It said cumulative TRV since 2023 is 11.3 billion dollars. It said the Aramco Intelligent Live Earth Model increased reservoir contact by about 10 percent and cut average drilling time per well by two days. It said AI half-precision computing capacity exceeded 570 PetaFLOPs, ten times the previous year.", "limitation": "TRV is a value the company calculates and an external body verifies, and it is different from accounting net profit. Reading the whole 5.3 billion dollars as an AI result would be wrong." }, "jp": { "usecase": "AIを基にした運用改善のポートフォリオ", "problem": "Aramcoは探査と掘削、生産、精製にまたがる大きな設備を運営する。こうした事業では、新しく入れた技術が実際に金になったかを見分けるのが難しい。同社は自社の技術が運用に配置されたあとに作り出した価値を別に測ることにし、この指標をTechnology Realized Value、略してTRVと呼ぶ。", "implementation": "TRVは、資本または運営の費用を避けた金額、あるいは配置された技術で増えた売上を、事業の基準線に対する増加分として計算する。この指標は外部の機関の検証を受ける。AIを使った代表的な事例はAramco Intelligent Live Earth Modelである。このモデルは油井の位置を最適化し、ジオステアリングの作業で貯留層への接触を広げる。PE.AIは合成の油井検層の資料を作るAIを基にしたプラットフォームである。同社は、AIの演算の能力も大きく増やし、リアルタイムの助言のシステムと高度な分析を回すと説明した。", "outcome": "Aramcoは、2025年のTRVとして53億ドルを出したと公示した。このうちAIを基にしたソリューションから出た分が26億ドル、AIでない技術から出た分が27億ドルである。2023年以降の累積のTRVは113億ドルだと述べた。Aramco Intelligent Live Earth Modelは貯留層への接触を約10%増やし、油井あたりの平均の掘削の期間を二日減らしたとした。AIの半精度の演算の能力は570 PetaFLOPsを超え、前年に比べて十倍になったと述べた。", "limitation": "TRVは会社が算定し外部の機関が検証した価値であり、会計上の純利益とは異なる。53億ドルの全体をAIの成果として読むと誤りである。" }, "zh": { "usecase": "基于AI的运营改进组合", "problem": "Aramco运营着覆盖勘探、钻井、生产和炼化的大型设施。在这类业务中，很难判断新引入的技术是否真的带来了收益。公司决定单独衡量自家技术在投入运营后创造的价值，并把这一指标称为Technology Realized Value，简称TRV。", "implementation": "TRV按照规避的资本或运营成本，或者由已部署技术带来的收入增量，相对业务基线计算得出。该指标由外部机构验证。使用AI的代表性案例是Aramco Intelligent Live Earth Model。该模型优化井位，并在地质导向作业中扩大储层接触。PE.AI是生成合成测井资料的AI平台。公司说明，它还大幅扩充了AI算力，用于运行实时顾问系统和高级分析。", "outcome": "Aramco披露，2025年创造TRV 53亿美元。其中来自AI方案的部分为26亿美元，来自非AI技术的部分为27亿美元。公司表示，2023年以来的累计TRV为113亿美元。Aramco Intelligent Live Earth Model把储层接触提高了约10%，单井平均钻井周期缩短两天。公司还表示，AI半精度算力超过570 PetaFLOPs，是上一年的十倍。", "limitation": "TRV是公司自行测算、由外部机构验证的价值，与会计上的净利润不同。把53亿美元整体读作AI的成果是错误的。" } } }, { "industry": "유통", "subindustry": "식품 소매", "company": "Carrefour", "country": "프랑스", "stage": "운영", "usecase": "대화형 장보기", "implementation": "2025년에는 Hopla+가 Hopla를 대체했다. Hopla+는 고객의 구매 이력을 보고 장바구니를 제안한다. 보도자료 발표 당일부터는 ChatGPT를 떠나지 않고 Carrefour의 상품과 서비스에 바로 닿게 했다. 이용자는 ChatGPT와 대화하며 레시피 아이디어를 얻고, 매장 진열 상품의 재고를 확인하고, 필요에 맞춰 장바구니를 꾸리고 배송 방식을 고른다. 주문 확정과 결제는 Carrefour.fr에서 한다. ChatGPT 첫 화면의 앱 목록에서 Carrefour를 찾으면 된다. 2026년 초에는 Google의 Universal Commerce Protocol을 지지한다고 밝혔다.", "outcome": "Carrefour는 유럽 유통사 가운데 처음으로 ChatGPT에서 장보기를 제공한다고 발표했다. 프랑스의 ChatGPT 이용자 수천만 명에게 닿는 것이 이번 출시의 목표라고 밝혔다. 그룹 Supply Chain과 E-commerce, Data, 디지털 전환 총괄 Emmanuel Grenier는 ChatGPT 이용자에게 새로운 장보기 방식과 단순하고 매끄러운 구매 여정을 제공한다고 말했다.", "limitation": "원문이 밝힌 범위는 프랑스 이용자와 Carrefour.fr 결제다. 다른 나라에서 같은 기능을 쓸 수 있다는 설명은 없다. 이용자 수나 매출 성과도 아직 공개되지 않았다.", "id": "AX041", "scope": "본조사", "sourceIds": [ "S036" ], "evidenceAccess": "원문 본문 열람", "dateLabel": "2026-03", "dateBasis": "자료 발표 시점. 도입 시작일과 다를 수 있음", "evidenceYears": [ "2026" ], "problem": "Carrefour는 2023년부터 자사 이커머스 사이트에서 Hopla라는 대화형 챗봇을 돌렸다. 식단 제약이나 예산에 맞춰 장바구니를 만들어 주는 도구였다. 다만 고객이 Carrefour 화면 안으로 들어와야만 쓸 수 있었다.", "eventDate": "2026-03-26", "eventBasis": "도입", "translations": { "en": { "usecase": "Conversational grocery shopping", "problem": "Since 2023 Carrefour had run a conversational chatbot called Hopla on its own e-commerce site. It was a tool that built a basket to fit dietary constraints or a budget. However, customers could only use it once they came inside a Carrefour screen.", "implementation": "In 2025 Hopla+ replaced Hopla. Hopla+ looks at a customer's purchase history and suggests a basket. From the day the press release came out, customers could reach Carrefour products and services without leaving ChatGPT. Users talk with ChatGPT to get recipe ideas, check stock of products on shelves, build a basket to suit their needs and choose a delivery method. Order confirmation and payment happen on Carrefour.fr. Carrefour is found in the app list on the ChatGPT home screen. In early 2026 the company said it supports Google's Universal Commerce Protocol.", "outcome": "Carrefour announced that it is the first European retailer to offer grocery shopping in ChatGPT. It said the goal of this launch is to reach the tens of millions of ChatGPT users in France. Emmanuel Grenier, who leads Group Supply Chain, E-commerce, Data and digital transformation, said it gives ChatGPT users a new way to shop and a simple, smooth purchase journey.", "limitation": "The scope stated in the source is French users and payment on Carrefour.fr. There is no statement that the same function is available in other countries. User numbers and sales results have not yet been disclosed either." }, "jp": { "usecase": "対話型の買い物", "problem": "Carrefourは2023年から自社のeコマースのサイトでHoplaという対話型のチャットボットを回していた。食事の制約や予算に合わせて買い物かごを作ってくれる道具だった。ただし顧客がCarrefourの画面の中に入ってこないと使えなかった。", "implementation": "2025年にはHopla+がHoplaに取って代わった。Hopla+は顧客の購買の履歴を見て買い物かごを提案する。プレスリリースを出した当日からは、ChatGPTを離れずにCarrefourの商品とサービスにそのまま届くようにした。利用者はChatGPTと対話しながらレシピの発想を得て、店頭の商品の在庫を確かめ、必要に合わせて買い物かごを組み、配送の方法を選ぶ。注文の確定と決済はCarrefour.frで行う。ChatGPTの最初の画面のアプリの一覧でCarrefourを探せばよい。2026年の初めには、GoogleのUniversal Commerce Protocolを支持すると述べた。", "outcome": "Carrefourは、欧州の流通企業のうち初めてChatGPTで買い物を提供すると発表した。フランスのChatGPT利用者数千万人に届くことが今回の提供の目標だと述べた。グループのSupply ChainとE-commerce、Data、デジタル転換の統括であるEmmanuel Grenierは、ChatGPTの利用者に新しい買い物のやり方と、単純で滑らかな購買の道のりを提供すると語った。", "limitation": "原文が示した範囲はフランスの利用者とCarrefour.frの決済である。他の国で同じ機能を使えるという説明はない。利用者数や売上の成果もまだ公開されていない。" }, "zh": { "usecase": "对话式买菜购物", "problem": "Carrefour自2023年起在自家电商网站上运行名为Hopla的对话式聊天机器人。它能按饮食限制或预算帮用户组好购物车。不过客户必须进入Carrefour的页面才能使用。", "implementation": "2025年，Hopla+取代了Hopla。Hopla+会参考客户的购买历史来推荐购物车。从新闻稿发布当天起，客户不必离开ChatGPT就能直接接触Carrefour的商品和服务。用户在与ChatGPT对话中获取食谱灵感、查看门店在售商品的库存、按需组装购物车并选择配送方式。订单确认和付款在Carrefour.fr完成。在ChatGPT首页的应用列表中找到Carrefour即可。2026年初，公司表示支持Google的Universal Commerce Protocol。", "outcome": "Carrefour宣布，它是欧洲首家在ChatGPT中提供买菜购物的零售商。公司表示，此次上线的目标是触达法国数千万ChatGPT用户。集团供应链、电商、数据与数字化转型负责人Emmanuel Grenier表示，这为ChatGPT用户提供了新的购物方式和简单顺畅的购买旅程。", "limitation": "原文说明的范围是法国用户和在Carrefour.fr付款，没有说其他国家也能使用同样功能。用户数量和销售成果也尚未公开。" } } }, { "industry": "식품과 음료", "subindustry": "커피 원료 공급망", "company": "JDE Peet’s와 Airbus", "country": "다국가", "stage": "제한 운영", "usecase": "위성 영상으로 커피 농장과 산림 위험 파악", "implementation": "Airbus Defence and Space가 Coffee Canopy Partnership의 기술 파트너로 뽑혔다. 이 협력은 JDE Peet's가 이끌고 Louis Dreyfus Company, Sucden, Neumann Kaffee Gruppe, Touton, Sucafina, Tchibo가 함께하며 영국 FCDO와 UN 식량농업기구가 지원한다. Airbus는 해상도 50cm의 Pléiades 위성과 30cm의 Pléiades Neo 위성 영상을 쓴다. 여기에 대용량 데이터로 학습시킨 AI 모델을 붙여 커피 농장을 우주에서 식별하고 관찰한다. 만들어진 지도는 정부와 지역 공동체, 커피 업계가 산림 훼손 위험을 찾고 경관 복원을 지원하며 소농의 생계를 지키는 데 쓴다.", "outcome": "Airbus는 이 모델을 동아프리카 여러 나라에 적용했다고 밝혔다. 적용 면적은 그늘 재배지와 혼농임업 지대를 포함해 120만 제곱킬로미터가 넘는다. 회사는 초기 결과가 농업 관측에서 새 기준이 될 만한 정밀도와 확장성을 보여줬다고 설명했다.", "limitation": "전 세계 커피 산지를 2027년까지 모두 담겠다는 것은 목표이며 업계와 기관의 추가 공동 투자가 전제다. 발표에는 산림 훼손이 실제로 얼마나 줄었는지에 대한 수치가 없다.", "localId": "", "id": "AX095", "scope": "본조사", "sourceIds": [ "S089" ], "evidenceAccess": "원문 본문 열람", "dateLabel": "2026-04-22", "dateBasis": "자료 발표 시점. 도입 시작일과 다를 수 있음", "evidenceYears": [ "2026" ], "problem": "커피 공급망에서 산림 훼손을 막으려는 시도는 회사마다 따로 흩어져 있었다. 개별 공급망만 들여다보면 커피 재배 지역 전체를 지킬 수 없다. 어느 땅이 커피 농장인지 폭넓게 담은 공개 지도도 없었다.", "eventDate": "2026-04-22", "eventBasis": "공개", "translations": { "en": { "usecase": "Mapping coffee farms and forest risk from satellite imagery", "problem": "Attempts to stop deforestation in the coffee supply chain were scattered company by company. Looking only at an individual supply chain cannot protect the whole coffee growing region. There was also no public map that broadly captured which land is coffee farmland.", "implementation": "Airbus Defence and Space was selected as the technology partner of the Coffee Canopy Partnership. This collaboration is led by JDE Peet’s together with Louis Dreyfus Company, Sucden, Neumann Kaffee Gruppe, Touton, Sucafina and Tchibo, with support from the United Kingdom FCDO and the UN Food and Agriculture Organization. Airbus uses imagery from the 50cm resolution Pléiades satellites and the 30cm Pléiades Neo satellites. To this it adds AI models trained on large volumes of data to identify and observe coffee farms from space. The maps produced are used by governments, local communities and the coffee industry to find deforestation risk, support landscape restoration and protect smallholder livelihoods.", "outcome": "Airbus said it applied the model in several East African countries. The area covered is more than 1.2 million square kilometres, including shade-grown areas and agroforestry zones. The company explained that early results showed precision and scalability that could set a new standard in agricultural observation.", "limitation": "Covering all of the world's coffee origins by 2027 is a goal, and it depends on further joint investment from the industry and institutions. The announcement has no figures on how much deforestation actually fell." }, "jp": { "usecase": "衛星画像でコーヒー農園と森林の危険を把握", "problem": "コーヒーの供給網で森林の破壊を防ごうとする試みは、会社ごとに別々に散らばっていた。個別の供給網だけをのぞいても、コーヒーの栽培地域の全体を守ることはできない。どの土地がコーヒー農園かを広く収めた公開の地図もなかった。", "implementation": "Airbus Defence and SpaceがCoffee Canopy Partnershipの技術パートナーに選ばれた。この協力はJDE Peet’sが率い、Louis Dreyfus Company、Sucden、Neumann Kaffee Gruppe、Touton、Sucafina、Tchiboが加わり、英国のFCDOと国連食糧農業機関が支援する。Airbusは解像度50cmのPléiades衛星と30cmのPléiades Neo衛星の画像を使う。ここに大容量のデータで学習させたAIモデルを付け、コーヒー農園を宇宙から識別して観察する。作られた地図は、政府と地域の共同体、コーヒー業界が森林の破壊の危険を見つけ、景観の回復を支え、小農の生計を守るのに使う。", "outcome": "Airbusは、このモデルを東アフリカの複数の国に適用したと述べた。適用の面積は、日陰栽培地と混農林業の地帯を含めて120万平方キロメートルを超える。同社は、初期の結果が農業の観測で新しい基準になりうる精密さと拡張性を示したと説明した。", "limitation": "世界のコーヒー産地を2027年までにすべて収めるというのは目標であり、業界と機関の追加の共同投資が前提である。発表には、森林の破壊が実際にどれだけ減ったかについての数値がない。" }, "zh": { "usecase": "用卫星影像掌握咖啡农场与森林风险", "problem": "在咖啡供应链中阻止森林破坏的尝试，各公司各自为战。只盯着单条供应链，无法守住整个咖啡种植区域。也没有一份广泛记录哪些土地是咖啡农场的公开地图。", "implementation": "Airbus Defence and Space被选为Coffee Canopy Partnership的技术伙伴。这一合作由JDE Peet’s牵头，Louis Dreyfus Company、Sucden、Neumann Kaffee Gruppe、Touton、Sucafina、Tchibo共同参与，并获得英国FCDO和联合国粮农组织支持。Airbus使用分辨率50cm的Pléiades卫星和30cm的Pléiades Neo卫星影像，并配合用海量数据训练的AI模型，从太空识别并观察咖啡农场。生成的地图供政府、当地社区和咖啡行业用于发现森林破坏风险、支持景观修复、保障小农生计。", "outcome": "Airbus表示，已把该模型应用于东非多个国家。覆盖面积包括遮荫种植区和林农复合地带，超过120万平方公里。公司说明，初期结果展现出可能成为农业观测新标准的精度和可扩展性。", "limitation": "到2027年覆盖全球所有咖啡产区只是目标，且以行业和机构追加共同投资为前提。发布内容中没有森林破坏实际减少多少的数字。" } } }, { "industry": "제조", "subindustry": "철강", "company": "포스코", "country": "한국", "stage": "제한 운영", "usecase": "제철 설비 이상 경보", "implementation": "포항제철소 EIC기술부 현장 엔지니어들이 예지정비 로직을 직접 개발했다. 3고로 노체설비의 풍구에는 전자유량계와 온도 데이터를 실시간으로 분석해 이상 수치가 일정 시간 이어지면 즉시 알람을 울리는 로직을 만들었다. 가열로에서는 밸브가 열리는 정도와 실제 흐르는 가스의 양을 비교해 그래프로 보여준다. 그래프 기울기가 평소와 다르면 밸브 안 부품이 망가졌는지 공기가 부족한지 바로 알아채고 수리한다. 기름 탱크는 시프트 레지스터 기술로 24시간 자동 감시한다. 전날보다 기름 양이 비정상으로 줄면 시스템이 즉시 감지하고 엔지니어가 현장 점검에 나선다.", "outcome": "포항제철소는 발표 시점 기준 지난해 5월에 두 차례의 센서 알람만으로 잠재적 장애 요인을 조기에 발견해 정비를 실시했다고 밝혔다. 가열로 밸브 감시에서는 안전과 작업 효율을 함께 잡았다는 평가를 받았다. 개발을 맡은 EIC기술부 관계자들은 복잡한 현장 데이터를 누구나 이해하기 쉬운 그래프와 알람 체계로 바꾼 것이 핵심이라고 말했다. 회사는 자체 개발한 스마트 정비 로직을 다른 설비로도 계속 넓혀 예방 정비 문화를 퍼뜨릴 계획이라고 했다.", "limitation": "회사는 AI 기반이라고 소개하지만 원문에 적힌 로직은 이상 수치의 지속 시간, 개도 대비 가스량 비교, 전일 대비 감소 감지로 설명된다. 학습 모델이 어떤 역할을 했는지는 확인되지 않는다.", "localId": "", "id": "AX093", "scope": "본조사", "sourceIds": [ "S087" ], "evidenceAccess": "원문 본문 열람", "dateLabel": "2026-04-23", "dateBasis": "자료 발표 시점. 도입 시작일과 다를 수 있음", "evidenceYears": [ "2026" ], "problem": "제철소는 고온의 열기와 복잡한 설비 구조 때문에 육안으로 확인하기 어려운 미세한 이상 징후가 있었다. 가열로는 내부 온도가 매우 높아 작업자가 가까이 가서 밸브가 잘 작동하는지 보기 어려웠다. 기름 탱크의 미세한 누유도 작업자가 바로 알아차리기 어려웠다.", "eventDate": "2026-04-23", "eventBasis": "공개", "translations": { "en": { "usecase": "Anomaly alerts for steelmaking equipment", "problem": "Because of the high heat and the complex equipment layout at a steelworks, there were subtle signs of trouble that are hard to confirm by eye. Inside a reheating furnace the temperature is very high, so it was hard for operators to go close and see whether a valve was working properly. A small oil leak from a tank was also hard for an operator to notice straight away.", "implementation": "Field engineers in the EIC technology department at Pohang Works developed the predictive maintenance logic themselves. For the tuyeres on the No. 3 blast furnace body, they built logic that analyses electromagnetic flow meter and temperature data in real time and raises an alarm immediately if abnormal values persist for a set period. In the reheating furnace, the opening of a valve is compared with the amount of gas actually flowing and shown as a graph. If the slope of the graph differs from usual, they immediately recognise whether a part inside the valve has failed or air is short, and repair it. Oil tanks are monitored automatically around the clock with shift register technology. If the oil volume falls abnormally against the previous day, the system detects it at once and an engineer goes out for a field check.", "outcome": "Pohang Works said that in May of last year, as of the announcement, it found potential failure causes early through two sensor alarms alone and carried out maintenance. In reheating furnace valve monitoring it was credited with achieving both safety and work efficiency. The EIC technology department staff who led the development said the core was turning complex field data into graphs and an alarm scheme anyone can understand. The company said it plans to keep extending the smart maintenance logic it developed in house to other equipment and spread a preventive maintenance culture.", "limitation": "The company presents this as AI based, but the logic described in the source is explained as persistence of abnormal values, comparison of gas volume against valve opening, and detection of a fall against the previous day. What role a trained model played is not confirmed." }, "jp": { "usecase": "製鉄設備の異常警報", "problem": "製鉄所は高温の熱気と複雑な設備の構造のために、目で確かめにくい細かな異常の兆しがあった。加熱炉は内部の温度が非常に高く、作業者が近づいてバルブがうまく動いているかを見るのが難しかった。油のタンクの細かな漏れも、作業者がすぐに気づきにくかった。", "implementation": "浦項製鉄所EIC技術部の現場のエンジニアが予知保全の論理を自ら開発した。第3高炉の炉体設備の羽口には、電磁流量計と温度のデータをリアルタイムで分析し、異常な数値が一定の時間続くとただちに警報を鳴らす論理を作った。加熱炉では、バルブが開く度合いと実際に流れるガスの量を比べてグラフで見せる。グラフの傾きが普段と違えば、バルブの中の部品が壊れたのか空気が足りないのかをすぐに察して修理する。油のタンクはシフトレジスタの技術で24時間自動で監視する。前日より油の量が異常に減ると、システムがただちに感知し、エンジニアが現場の点検に出る。", "outcome": "浦項製鉄所は、発表の時点で昨年5月に二度のセンサーの警報だけで潜在する障害の要因を早期に見つけ、整備を実施したと述べた。加熱炉のバルブの監視では、安全と作業の効率を同時につかんだという評価を受けた。開発を担ったEIC技術部の関係者は、複雑な現場のデータを誰でも理解しやすいグラフと警報の体系に変えたことが要だと語った。同社は、自社で開発したスマート整備の論理を他の設備にも広げ続け、予防整備の文化を広めていく計画だとした。", "limitation": "会社はAIを基にしていると紹介するが、原文に記された論理は、異常な数値の継続の時間、開度に対するガス量の比較、前日に対する減少の検知として説明される。学習のモデルがどんな役割をしたのかは確かめられない。" }, "zh": { "usecase": "炼铁设备异常报警", "problem": "钢厂因高温热气和复杂的设备结构，存在肉眼难以确认的细微异常征兆。加热炉内部温度极高，操作人员很难靠近查看阀门是否正常工作。油罐的细微漏油，操作人员也不容易立刻察觉。", "implementation": "浦项制铁厂EIC技术部的现场工程师自行开发了预知维修逻辑。针对3号高炉炉体设备的风口，他们编写了实时分析电磁流量计和温度数据、异常数值持续一定时间即立刻报警的逻辑。在加热炉，把阀门开度与实际流过的气体量作比较并以图表呈现。图表斜率与平时不同时，就能立刻判断是阀门内部件损坏还是空气不足，并进行维修。油罐用移位寄存器技术实现24小时自动监控。若油量相比前一天异常下降，系统会立即感知，工程师随即前往现场检查。", "outcome": "浦项制铁厂表示，截至发布时，去年5月仅凭两次传感器报警就提前发现潜在故障因素并完成了检修。在加热炉阀门监控方面，被认为同时兼顾了安全和作业效率。负责开发的EIC技术部人员表示，关键在于把复杂的现场数据转换成人人都能看懂的图表和报警体系。公司表示，计划把自研的智能维修逻辑继续推广到其他设备，传播预防性维修的文化。", "limitation": "公司称其基于AI，但原文所述逻辑被解释为异常数值的持续时间、开度对应气量的比较、相比前一天下降的检测。训练模型发挥了什么作用，无法确认。" } } }, { "industry": "제조", "subindustry": "항공우주", "company": "Airbus", "country": "다국가", "stage": "도입 발표", "usecase": "기술 문서와 설계 업무용 AI 확대", "implementation": "Airbus는 Mistral AI와 파트너십 계약을 맺었다. 계약으로 Mistral AI 제품군 전체의 라이선스를 확보해 모델을 사내 설비나 신뢰할 수 있는 클라우드 등 필요한 곳에 배치한다. 협력 분야는 네 갈래로 정리했다. 산업 운영에서는 민항기와 헬리콥터의 기술 문서 제작 자동화를 다룬다. 엔지니어링과 설계에서는 항공기 부품 최적화 같은 AI 기반 시뮬레이션으로 개발 주기를 당기고 개발과 시험, 인증 단계의 엔지니어를 돕는다. 차세대 제품에서는 항공기와 우주선에 모델을 싣는 edge AI로 자동 물체 인식을 살피고, 방위 분야에서는 사내 설비 배치로 사이버 조사와 코딩 보조를 지원한다.", "outcome": "Airbus는 정리한 협력 분야 가운데 일부는 이미 시작했다고 밝혔다. 회사는 이 계약으로 Mistral AI의 주요 연구진에 접근하고 AI 제품 로드맵에 영향력을 갖게 된다고 설명했다. Airbus 디지털 담당 부사장은 현재와 미래의 제품과 서비스를 뒷받침할 토대를 만드는 단계라고 말했다.", "limitation": "어느 업무가 정식 운영으로 들어갔는지, 사용자 수와 성과가 얼마인지는 발표에 없다. 쓰기로 한 Mistral 모델의 이름도 밝히지 않았다.", "localId": "", "id": "AX096", "scope": "본조사", "sourceIds": [ "S090" ], "evidenceAccess": "검색 도구의 본문 발췌 확인", "dateLabel": "2026-05-28", "dateBasis": "자료 발표 시점. 도입 시작일과 다를 수 있음", "evidenceYears": [ "2026" ], "problem": "Airbus는 민항기, 헬리콥터, 방위, 우주 사업 전반으로 AI 사용을 넓히려 한다. 다만 기밀도가 높고 군용까지 포함된 분야여서 보안과 주권 요건이 엄격하다. 기술 문서 제작처럼 손이 많이 가는 업무도 그대로 남아 있다.", "eventDate": "2026-05-28", "eventBasis": "공개", "translations": { "en": { "usecase": "Expanding AI for technical documentation and design work", "problem": "Airbus wants to widen AI use across commercial aircraft, helicopters, defence and space. However, this is a field with high confidentiality that includes military work, so security and sovereignty requirements are strict. Labour-intensive work such as producing technical documentation also remains as it was.", "implementation": "Airbus signed a partnership agreement with Mistral AI. The agreement secures a licence to the whole Mistral AI product range, so models can be deployed where needed, whether on in-house infrastructure or a trusted cloud. The collaboration areas were organised into four branches. In industrial operations it covers automating the production of technical documentation for commercial aircraft and helicopters. In engineering and design it uses AI based simulation, such as optimising aircraft parts, to pull development cycles forward and support engineers in development, testing and certification. In next-generation products it explores automatic object recognition with edge AI loaded onto aircraft and spacecraft, and in defence it supports cyber investigation and coding assistance through on-premises deployment.", "outcome": "Airbus said some of the collaboration areas it set out have already started. The company explained that the agreement gives it access to Mistral AI's key researchers and influence over the AI product roadmap. The Airbus vice president for digital said this is the stage of building the foundation that will underpin current and future products and services.", "limitation": "Which tasks have entered formal operation, and how many users and what results there are, is not in the announcement. The names of the Mistral models chosen were not disclosed either." }, "jp": { "usecase": "技術文書と設計業務向けAIの拡大", "problem": "Airbusは民間航空機、ヘリコプター、防衛、宇宙の事業の全般へAIの利用を広げようとしている。ただし機密度が高く軍用まで含む分野なので、保安と主権の要件が厳しい。技術文書の制作のように手のかかる業務もそのまま残っている。", "implementation": "AirbusはMistral AIとパートナーシップの契約を結んだ。契約によってMistral AIの製品群の全体のライセンスを確保し、モデルを社内の設備や信頼できるクラウドなど必要な場所に配置する。協力の分野は四つの流れに整理した。産業の運用では、民間航空機とヘリコプターの技術文書の制作の自動化を扱う。エンジニアリングと設計では、航空機の部品の最適化のようなAIを基にしたシミュレーションで開発の周期を前倒しし、開発と試験、認証の段階のエンジニアを助ける。次世代の製品では、航空機と宇宙船にモデルを載せるedge AIで自動の物体の認識を見て、防衛の分野では社内の設備への配置でサイバーの調査とコーディングの補助を支える。", "outcome": "Airbusは、整理した協力の分野のうち一部はすでに始めたと述べた。同社は、この契約でMistral AIの主要な研究陣に接し、AIの製品のロードマップに影響力を持つことになると説明した。Airbusのデジタル担当の副社長は、現在と未来の製品とサービスを支える土台を作る段階だと語った。", "limitation": "どの業務が正式な運用に入ったのか、利用者数と成果がどれだけかは発表にない。使うことにしたMistralのモデルの名前も明らかにしていない。" }, "zh": { "usecase": "扩大AI在技术文档与设计工作中的应用", "problem": "Airbus希望把AI的使用扩展到民用飞机、直升机、防务和航天各项业务。但这是保密程度高、还涉及军用的领域，安全和主权要求十分严格。像编制技术文档这类费人力的工作也依然存在。", "implementation": "Airbus与Mistral AI签署了合作协议。协议为其取得Mistral AI全系产品的授权，可把模型部署到公司自有设施或可信云等所需之处。合作领域梳理为四条线。在工业运营方面，涵盖民用飞机和直升机技术文档编制的自动化。在工程与设计方面，通过飞机零部件优化之类基于AI的仿真提前开发周期，并支持开发、测试和认证阶段的工程师。在下一代产品方面，探索把模型装载到飞机和航天器上的edge AI以实现自动物体识别；在防务领域，通过本地部署支持网络调查和编码辅助。", "outcome": "Airbus表示，所列合作领域中的一部分已经启动。公司说明，该协议让它得以接触Mistral AI的核心研究团队，并对AI产品路线图具有影响力。Airbus数字化事务副总裁表示，目前处于打造支撑当下与未来产品和服务之基础的阶段。", "limitation": "哪些业务已进入正式运行、用户数量和成效如何，发布内容中都没有，也没有公布所选用的Mistral模型名称。" } } }, { "industry": "광업", "subindustry": "구리", "company": "BHP", "country": "호주", "stage": "실증", "usecase": "구리 침출용 물질 탐색", "implementation": "BHP는 Microsoft, 계산화학 기업 Prescience Insilico와 함께 Microsoft Discovery를 썼다. 고성능 컴퓨팅과 특화된 AI 에이전트로 과학 연구개발을 앞당기는 플랫폼이다. 팀은 구리를 더 효율적으로 뽑아낼 만한 분자를 백만 개의 절반 넘게 훑었다. 수만 건의 양자화학 계산과 시뮬레이션을 돌려 후보를 좁혔다. 모델은 BHP 구리 사업장 광석의 실제 조건에 맞췄다. 좁혀진 분자는 호주 실험실에서 과학자가 직접 시험한다.", "outcome": "BHP는 거의 무한한 후보군을 언젠가 글로벌 구리 사업장에 쓸 만한 소수의 선택지로 좁혔다고 밝혔다. 후보는 자사 광체와 운영 제약 조건에 맞춰 시험한다. 실제로 통할 것을 푼다는 뜻이라고 설명했다. 속도와 효율 말고도 독성을 낮추고 환경 영향을 줄이는 목표, 회수율 향상과 비용 절감을 함께 노린다. 혁신 담당 부사장 Jessica Farrell은 이 협업이 장기 구리 성장 목표에 기여할 수 있다고 말했다.", "limitation": "아직 실험실 시험 단계다. 상업 생산에서 구리 회수율이 올랐다는 결과는 원문에 없다. 어떤 분자가 선정됐는지도 공개되지 않았다.", "id": "AX023", "scope": "본조사", "sourceIds": [ "S022" ], "evidenceAccess": "검색 도구의 본문 발췌 확인", "dateLabel": "2026-06-03", "dateBasis": "자료 발표 시점. 도입 시작일과 다를 수 있음", "evidenceYears": [ "2026" ], "problem": "구리 침출은 복잡한 공정이다. BHP는 광석에서 구리를 더 잘 회수하는 방법을 찾는 일이 느린 수작업 시행착오에 기대 왔다고 설명했다. 침출을 개선할 만한 분자는 이미 알려진 것과 아직 발견되지 않은 것을 합쳐 수백만 가지다. 실험실에서 하나씩 시험하면 수년, 길게는 수십 년이 걸린다.", "eventDate": "2026-06-03", "eventBasis": "공개", "translations": { "en": { "usecase": "Searching for substances for copper leaching", "problem": "Copper leaching is a complex process. BHP explained that finding better ways to recover copper from ore had relied on slow manual trial and error. Molecules that could improve leaching number in the millions, counting both those already known and those not yet discovered. Testing them one by one in a laboratory would take years, or even decades.", "implementation": "BHP used Microsoft Discovery together with Microsoft and the computational chemistry company Prescience Insilico. It is a platform that accelerates scientific research and development with high performance computing and specialised AI agents. The team swept more than half a million molecules that might extract copper more efficiently. It ran tens of thousands of quantum chemistry calculations and simulations to narrow the candidates. The models were matched to the real conditions of ore at BHP copper sites. The narrowed molecules are tested by scientists themselves in an Australian laboratory.", "outcome": "BHP said it narrowed an almost limitless candidate pool down to a small set of options that could one day be used at global copper sites. Candidates are tested against its own orebodies and operating constraints. It explained that this means solving for what will actually work. Beyond speed and efficiency, it aims at lowering toxicity and reducing environmental impact alongside improving recovery and cutting cost. Vice President of Innovation Jessica Farrell said this collaboration can contribute to long-term copper growth targets.", "limitation": "It is still at the laboratory testing stage. There is no result in the source showing that copper recovery rose in commercial production. Which molecules were selected was not disclosed either." }, "jp": { "usecase": "銅の浸出用の物質の探索", "problem": "銅の浸出は複雑な工程である。BHPは、鉱石から銅をより良く回収する方法を探す仕事が、遅い手作業の試行錯誤に頼ってきたと説明した。浸出を改善しうる分子は、すでに知られたものとまだ発見されていないものを合わせて数百万通りである。実験室で一つずつ試せば数年、長ければ数十年かかる。", "implementation": "BHPはMicrosoft、計算化学の企業Prescience Insilicoと一緒にMicrosoft Discoveryを使った。高性能の計算と特化したAIエージェントで科学の研究開発を前倒しするプラットフォームである。チームは銅をより効率的に取り出しうる分子を百万個の半分を超えてなぞった。数万件の量子化学の計算とシミュレーションを回して候補を絞った。モデルはBHPの銅の事業所の鉱石の実際の条件に合わせた。絞られた分子は豪州の実験室で科学者が自ら試す。", "outcome": "BHPは、ほぼ無限の候補群を、いつかグローバルの銅の事業所で使えそうな少数の選択肢に絞ったと述べた。候補は自社の鉱体と運用の制約の条件に合わせて試す。実際に通じるものを解くという意味だと説明した。速さと効率のほかにも、毒性を下げて環境への影響を減らす目標と、回収率の向上と費用の削減を併せて狙う。革新担当の副社長Jessica Farrellは、この協働が長期の銅の成長の目標に寄与しうると語った。", "limitation": "まだ実験室の試験の段階である。商業の生産で銅の回収率が上がったという結果は原文にない。どの分子が選ばれたのかも公開されていない。" }, "zh": { "usecase": "筛选用于铜浸出的物质", "problem": "铜浸出是复杂的工艺。BHP说明，寻找更好地从矿石中回收铜的方法，一直依赖缓慢的人工试错。可能改善浸出效果的分子，已知的加上尚未发现的共有数百万种。若在实验室逐一试验，要花数年甚至数十年。", "implementation": "BHP与Microsoft和计算化学公司Prescience Insilico一起使用了Microsoft Discovery。这是一个用高性能计算和专用AI智能体加速科学研发的平台。团队筛过了超过五十万种可能更高效提取铜的分子，运行数万次量子化学计算和仿真来缩小候选范围。模型按BHP铜矿场地矿石的真实条件进行了适配。筛选出的分子由科学家在澳大利亚的实验室亲自试验。", "outcome": "BHP表示，已把几乎无限的候选范围缩小到将来可能在全球铜矿场地使用的少数选项。候选会按自家矿体和运营约束条件进行试验。公司说明，这意味着求解真正行得通的方案。除了速度和效率之外，公司还同时追求降低毒性、减少环境影响，以及提高回收率、降低成本。创新事务副总裁Jessica Farrell表示，这项合作有望为长期的铜产量增长目标作出贡献。", "limitation": "目前仍处于实验室试验阶段。原文中没有商业生产中铜回收率提高的结果，也未公开选中了哪些分子。" } } }, { "industry": "제조", "subindustry": "완성차", "company": "BMW", "country": "독일", "stage": "실증", "usecase": "생산 현장 휴머노이드 로봇", "implementation": "BMW Group은 Figure AI와 함께 미국 Spartanburg 공장에 휴머노이드 로봇 Figure 02를 투입해 차체공장에서 용접용 판금 부품을 위치시켰다. 다음 단계로 후속 모델 Figure 03을 물류의 시퀀싱 작업에 투입한다고 밝혔다. 시퀀싱에서는 큰 용기에 뒤섞여 들어온 부품을 로봇이 집어 시퀀싱 대차에 정리한다. 대차는 정해진 집결 지점으로 옮겨지고 자동 견인차나 Smart Transport Robot이 조립 위치로 나르며, 조립 담당 직원은 부품을 순서대로 받는다. Figure 03에는 안전을 위한 무른 부품, 무선 충전, speech-to-speech 음성 기능, 손바닥에 촉각 센서와 카메라를 넣은 손이 들어갔다.", "outcome": "BMW Group은 2025년 Spartanburg에서 Figure 02가 열 달 동안 BMW X3 30,000대 이상의 생산을 도왔다고 밝혔다. 회사는 이 협업으로 휴머노이드 로봇이 실제 생산 조건에서 정밀하고 반복되는 작업을 안전하게 해낼 수 있음을 확인했다고 설명했다. Figure AI 창업자 Brett Adcock은 열한 달간의 Figure 02 운용으로 휴머노이드가 더는 실험실 실험이 아님을 입증했다고 말했다.", "limitation": "Figure 03의 시퀀싱 작업은 이제 시작하는 단계다. 원문에는 시퀀싱 작업의 처리량이나 품질 수치가 없다.", "id": "AX025", "scope": "본조사", "sourceIds": [ "S024" ], "evidenceAccess": "원문 본문 열람", "dateLabel": "2026-06-25", "dateBasis": "자료 발표 시점. 도입 시작일과 다를 수 있음", "evidenceYears": [ "2026" ], "problem": "BMW Group의 생산 현장에는 단조롭거나 인체공학적으로 부담이 크고 안전이 중요한 작업이 남아 있다. 차체공장에서 용접 공정에 쓸 판금 부품을 제자리에 놓는 일이 그런 예다. 이 작업은 속도와 정확도를 함께 요구하면서 몸에도 부담을 준다.", "eventDate": "2026-06-25", "eventBasis": "공개", "translations": { "en": { "usecase": "Humanoid robots on the production floor", "problem": "Work that is monotonous, ergonomically demanding or safety critical remains on BMW Group production floors. Placing sheet metal parts for the welding process in the body shop is one such example. This work demands both speed and accuracy while also straining the body.", "implementation": "BMW Group, together with Figure AI, deployed the humanoid robot Figure 02 at the Spartanburg plant in the United States to position sheet metal parts for welding in the body shop. As the next step it said it will deploy the successor model Figure 03 for sequencing work in logistics. In sequencing, the robot picks parts that arrive jumbled in a large container and arranges them on a sequencing trolley. The trolley is moved to a set collection point, an automated tow tractor or a Smart Transport Robot carries it to the assembly position, and assembly staff receive the parts in order. Figure 03 has soft components for safety, wireless charging, speech-to-speech voice capability, and hands with tactile sensors and cameras in the palm.", "outcome": "BMW Group said that at Spartanburg in 2025, Figure 02 supported the production of more than 30,000 BMW X3 vehicles over ten months. The company explained that this collaboration confirmed humanoid robots can safely carry out precise, repeated work under real production conditions. Figure AI founder Brett Adcock said eleven months of running Figure 02 proved that humanoids are no longer a laboratory experiment.", "limitation": "The sequencing work with Figure 03 is only now starting. The source has no throughput or quality figures for sequencing work." }, "jp": { "usecase": "生産現場のヒューマノイドロボット", "problem": "BMW Groupの生産の現場には、単調だったり人間工学的に負担が大きかったり安全が重要だったりする作業が残っている。車体工場で溶接の工程に使う板金の部品を所定の位置に置く仕事がその例である。この作業は速さと正確さを同時に求めながら、体にも負担をかける。", "implementation": "BMW GroupはFigure AIと一緒に、米国のスパルタンバーグ工場にヒューマノイドロボットFigure 02を投入し、車体工場で溶接用の板金の部品を位置させた。次の段階として、後続のモデルFigure 03を物流のシーケンシングの作業に投入すると述べた。シーケンシングでは、大きな容器に混ざって入ってきた部品をロボットが取り、シーケンシングの台車に整える。台車は決められた集結の地点へ運ばれ、自動の牽引車やSmart Transport Robotが組立の位置へ運び、組立の担当の従業員は部品を順番に受け取る。Figure 03には、安全のための柔らかい部品、無線の充電、speech-to-speechの音声の機能、手のひらに触覚のセンサーとカメラを入れた手が入った。", "outcome": "BMW Groupは、2025年にスパルタンバーグでFigure 02が十か月のあいだBMW X3の30,000台以上の生産を助けたと述べた。同社は、この協働によってヒューマノイドロボットが実際の生産の条件で精密で繰り返しの作業を安全にこなせることを確かめたと説明した。Figure AIの創業者Brett Adcockは、十一か月のFigure 02の運用によって、ヒューマノイドがもはや実験室の実験ではないことを立証したと語った。", "limitation": "Figure 03のシーケンシングの作業は、いま始まる段階である。原文には、シーケンシングの作業の処理量や品質の数値がない。" }, "zh": { "usecase": "生产现场的人形机器人", "problem": "BMW Group的生产现场仍有单调、对人体负担大或安全要求高的作业。在车身车间把焊接工序所用的钣金件放到指定位置就是一例。这类作业既要求速度和精度，也对身体造成负担。", "implementation": "BMW Group与Figure AI合作，在美国斯帕坦堡工厂投入人形机器人Figure 02，在车身车间定位焊接用钣金件。公司表示，下一步将把后续机型Figure 03投入物流的排序作业。在排序作业中，机器人从混装的大料箱中取出零件，整理到排序台车上。台车被送到指定集结点，由自动牵引车或Smart Transport Robot运到装配工位，装配员工按顺序取用零件。Figure 03配备了为安全考虑的柔性部件、无线充电、speech-to-speech语音功能，以及掌心装有触觉传感器和摄像头的手部。", "outcome": "BMW Group表示，2025年在斯帕坦堡，Figure 02在十个月里协助生产了超过30,000辆BMW X3。公司说明，这次合作确认了人形机器人能够在真实生产条件下安全完成精密且重复的作业。Figure AI创始人Brett Adcock表示，十一个月的Figure 02运行证明了人形机器人不再只是实验室里的试验。", "limitation": "Figure 03的排序作业才刚刚起步。原文中没有排序作业的处理量或质量数字。" } } }, { "industry": "의료", "subindustry": "병원", "company": "Mercy", "country": "미국", "stage": "제한 운영", "usecase": "간호 기록 작성", "implementation": "Mercy는 전자의무기록에 통합되는 AI 임상 보조 도구 Microsoft Dragon Copilot을 골랐다. 자연어 음성과 주변음 청취를 써서 진료 현장에서 실시간으로 기록을 남긴다. 간호사는 환자 병실에 들어가면서 Dragon Copilot을 켠다. 기록을 나중에 몰아서 쓰는 대신 환자와 있는 동안 남기는 방식으로 바뀌었다. Mercy는 2025년 8월 혁신 병동 한 곳에서 시작해 경험을 모은 뒤 다른 병동으로 넓혔다. 실습 시뮬레이션으로 사전 교육을 했고 모든 근무조에 숙련 사용자를 배치했다. 매일 의견을 받아 Microsoft와 함께 반영했다. 성과 측정에는 Epic 간호 효율 데이터와 사내 인사 데이터를 썼다.", "outcome": "배치 뒤 첫 12주 동안 교대당 flowsheet 기록 시간이 22% 줄었고 기록 지연은 11.7% 줄었다. 초과 근무는 29~56% 줄었다. 문서 완결성은 통증 평가 17%, 거동 기록 11%, 피부 확인 13%씩 올랐다. 환자 경험 설문의 간호 소통 점수는 20% 올랐다. 간호사 85명 설문에서는 인지 부담이 65% 줄었다는 응답이 나왔다. 기록 시간 지표는 간호사 46명이 쓰는 Fort Smith 병동, 초과 근무와 문서 완결성 지표는 간호사 55명이 쓰는 Springfield 병동 기준이다.", "limitation": "부서 단위의 도입 전후 비교다. 무작위 대조시험이 아니고 전체 병원 성과도 아니다. 지표마다 측정 지점과 기간이 다르다.", "id": "AX019", "scope": "본조사", "sourceIds": [ "S017" ], "evidenceAccess": "원문 본문 열람", "dateLabel": "2026-08-14", "dateBasis": "자료 발표 시점. 도입 시작일과 다를 수 있음", "evidenceYears": [ "2026" ], "problem": "Mercy에서는 약 15,000명의 간호사가 일한다. 전자의무기록 문서 요구가 늘면서 간호사가 근무 시간의 상당 부분을 기록과 여러 시스템 이동에 썼다. 근무가 끝난 뒤에도 남아 차팅을 마치는 일이 있었다. 이 부담이 초과 근무와 인지 피로로 이어졌다.", "eventDate": "2025-08", "eventBasis": "도입", "translations": { "en": { "usecase": "Writing nursing notes", "problem": "About 15,000 nurses work at Mercy. As documentation demands in the electronic health record grew, nurses spent a large part of their shift on records and moving between systems. Some stayed after the shift ended to finish charting. This burden led to overtime and cognitive fatigue.", "implementation": "Mercy chose Microsoft Dragon Copilot, an AI clinical assistant tool that integrates into the electronic health record. It uses natural language voice and ambient listening to record in real time at the point of care. Nurses switch Dragon Copilot on as they enter the patient's room. Instead of piling up notes to write later, documentation now happens while they are with the patient. Mercy started on one innovation unit in August 2025, gathered experience and then widened to other units. Training was given in advance through practice simulation, and a skilled user was placed on every shift. Feedback was collected daily and worked through with Microsoft. Epic nursing efficiency data and internal HR data were used to measure results.", "outcome": "In the first 12 weeks after deployment, flowsheet documentation time per shift fell by 22 percent and documentation delay fell by 11.7 percent. Overtime fell by 29 to 56 percent. Documentation completeness rose by 17 percent for pain assessment, 11 percent for mobility records and 13 percent for skin checks. The nursing communication score in the patient experience survey rose by 20 percent. In a survey of 85 nurses, respondents reported a 65 percent reduction in cognitive burden. The documentation time metrics are from the Fort Smith unit with 46 nurses, and the overtime and documentation completeness metrics from the Springfield unit with 55 nurses.", "limitation": "This is a before-and-after comparison at department level. It is not a randomised controlled trial, nor is it whole-hospital performance. The measurement point and period differ by metric." }, "jp": { "usecase": "看護記録の作成", "problem": "Mercyでは約15,000人の看護師が働いている。電子カルテの文書の要求が増え、看護師が勤務の時間のかなりの部分を記録と複数のシステムの移動に使った。勤務が終わったあとも残ってチャートを仕上げることがあった。この負担が超過勤務と認知の疲労につながった。", "implementation": "Mercyは、電子カルテに統合されるAIの臨床補助の道具Microsoft Dragon Copilotを選んだ。自然な言葉の音声と周囲音の聴取を使い、診療の現場でリアルタイムに記録を残す。看護師は患者の病室に入りながらDragon Copilotをつける。記録をあとでまとめて書く代わりに、患者といるあいだに残すやり方に変わった。Mercyは2025年8月に革新病棟一か所で始め、経験を集めたうえで他の病棟へ広げた。実習のシミュレーションで事前の教育を行い、すべての勤務帯に熟練の利用者を置いた。毎日意見を受け、Microsoftと一緒に反映した。成果の測定にはEpicの看護の効率のデータと社内の人事のデータを使った。", "outcome": "配備のあとの最初の12週間で、交代あたりのflowsheetの記録の時間が22%減り、記録の遅れは11.7%減った。超過勤務は29から56%減った。文書の完結性は、痛みの評価が17%、移動の記録が11%、皮膚の確認が13%それぞれ上がった。患者の体験の調査の看護の意思疎通の点数は20%上がった。看護師85人への調査では、認知の負担が65%減ったという回答が出た。記録の時間の指標は看護師46人が使うFort Smithの病棟、超過勤務と文書の完結性の指標は看護師55人が使うSpringfieldの病棟が基準である。", "limitation": "部署の単位での導入の前後の比較である。無作為の対照試験ではなく、病院の全体の成果でもない。指標ごとに測定の地点と期間が違う。" }, "zh": { "usecase": "撰写护理记录", "problem": "Mercy约有15,000名护士。随着电子病历的文书要求增加，护士把班次中相当一部分时间花在记录和在多个系统之间切换上。有人下班后还要留下来把病历写完。这种负担带来了加班和认知疲劳。", "implementation": "Mercy选择了可集成进电子病历的AI临床辅助工具Microsoft Dragon Copilot。它利用自然语言语音和环境声音聆听，在诊疗现场实时留下记录。护士进入病房时就打开Dragon Copilot。记录方式从事后集中补写，变成在陪伴患者期间同步完成。Mercy于2025年8月在一个创新病区先行启用，积累经验后再推广到其他病区。事前通过实操模拟开展培训，并在每个班次安排熟练用户。团队每天收集意见，与Microsoft一起落实改进。成效测量使用了Epic的护理效率数据和公司内部人事数据。", "outcome": "部署后的头12周内，每班次的flowsheet记录时间减少22%，记录延迟减少11.7%。加班减少29%到56%。文书完整性方面，疼痛评估提高17%，活动能力记录提高11%，皮肤检查提高13%。患者体验调查中的护理沟通得分提高20%。在对85名护士的调查中，受访者反馈认知负担减少65%。记录时间指标来自有46名护士的Fort Smith病区，加班和文书完整性指标来自有55名护士的Springfield病区。", "limitation": "这是科室层面的前后对比，不是随机对照试验，也不是全院成效。各项指标的测量节点和周期并不相同。" } } }, { "industry": "정보기술", "subindustry": "기업용 소프트웨어", "company": "Salesforce", "country": "미국", "stage": "운영", "usecase": "직원 IT 문의와 분실 기기 처리", "implementation": "Salesforce는 Agentforce로 만든 TechForce Agent를 사내에 먼저 돌렸다. 처음에는 지식 문의 응답이라는 가장 단순한 업무로 시작했다. 분실과 도난 신고를 맡기자 상담 문구를 회사의 자산 데이터베이스와 정확히 잇지 못해 엉뚱한 기기를 잠그거나 잘못된 주소로 대체품을 보낼 위험이 생겼다. 해결책으로 일련번호와 기기 기록에 맞춰 대조하는 결정적 매칭 계층을 만들었고, 이 방식은 뒤에 Agentforce Graph 기능으로 제품에 반영됐다. 담당 팀은 Agentforce Observability로 직원이 무엇을 물었고 에이전트가 무엇을 돌려줬으며 대화가 어디서 끊겼는지를 모두 살펴 다음 개선에 쓴다. 전체 직원으로 확대하는 기준은 정확도 70%다.", "outcome": "Salesforce는 사람 개입 없이 에이전트가 끝낸 문의 비율이 곧바로 30%대 초반까지 올랐다고 밝혔다. 18개월에 걸쳐 다듬는 동안 TechForce Agent의 고객만족도는 76%에서 90%로 올랐고 연말 목표는 95%다. 한 시간 넘게 걸리던 분실과 도난 처리는 약 15분이면 끝난다고 설명했다.", "limitation": "원문은 TechForce Agent의 처리 건수나 비용 효과를 밝히지 않았다. 만족도 95%는 목표이고 달성한 실적이 아니다.", "localId": "0763", "id": "AX082", "scope": "본조사", "sourceIds": [ "S077" ], "evidenceAccess": "원문 본문 열람", "dateLabel": "2026-07-22", "dateBasis": "자료 발표 시점. 도입 시작일과 다를 수 있음", "evidenceYears": [ "2026" ], "problem": "Salesforce의 사내 IT 지원 조직 TechForce는 직원 75,000명의 IT 문의를 맡는다. 분실과 도난 기기 신고는 사람이 검토하고 처리하는 데 건당 한 시간이 넘게 걸렸다. 직원들이 기기를 자연어로 제각각 적는 것도 걸림돌이었다. 누구는 phone, 누구는 iPhone, 누구는 Pixel이라고 썼다.", "eventDate": "2026-07-22", "eventBasis": "공개", "translations": { "en": { "usecase": "Employee IT enquiries and handling lost devices", "problem": "TechForce, Salesforce's internal IT support organisation, handles IT enquiries from 75,000 employees. Reports of lost and stolen devices took more than an hour each for people to review and process. Another obstacle was that employees wrote device names in their own natural language. Some wrote phone, some iPhone, some Pixel.", "implementation": "Salesforce first ran TechForce Agent, built with Agentforce, internally. It started with the simplest task, answering knowledge questions. When lost and stolen reports were handed over, the wording of a conversation could not be tied precisely to the company asset database, creating the risk of locking the wrong device or sending a replacement to the wrong address. As a fix, a deterministic matching layer was built that cross-checks against serial numbers and device records, and this approach was later shipped in the product as the Agentforce Graph feature. The team uses Agentforce Observability to look at what employees asked, what the agent returned and where the conversation broke down, and uses that for the next round of improvement. The bar for widening to all employees is 70 percent accuracy.", "outcome": "Salesforce said the share of enquiries the agent finished without human involvement rose to the low 30s straight away. Over 18 months of refinement, customer satisfaction for TechForce Agent rose from 76 percent to 90 percent, with a year-end target of 95 percent. It explained that lost and stolen handling, which used to take more than an hour, now finishes in about 15 minutes.", "limitation": "The source does not disclose the volume TechForce Agent handles or its cost effect. The 95 percent satisfaction is a target, not an achieved result." }, "jp": { "usecase": "従業員のITの問い合わせと紛失機器の処理", "problem": "Salesforceの社内のIT支援の組織TechForceは、従業員75,000人のITの問い合わせを担う。紛失と盗難の機器の届け出は、人が検討して処理するのに一件あたり一時間を超えていた。従業員が機器を自然な言葉でまちまちに書くことも妨げだった。ある人はphone、ある人はiPhone、ある人はPixelと書いた。", "implementation": "SalesforceはAgentforceで作ったTechForce Agentを社内で先に回した。最初は知識の問い合わせへの応答という最も単純な業務から始めた。紛失と盗難の届け出を任せると、相談の文句を会社の資産のデータベースと正確につなげず、見当違いの機器を止めたり誤った住所へ代替品を送ったりする危険が生じた。解決策として、製造番号と機器の記録に合わせて照合する決定的なマッチングの層を作り、このやり方はのちにAgentforce Graphの機能として製品に反映された。担当のチームはAgentforce Observabilityで、従業員が何を尋ね、エージェントが何を返し、会話がどこで切れたかをすべて見て次の改善に使う。全従業員へ広げる基準は精度70%である。", "outcome": "Salesforceは、人の介入なしにエージェントが終えた問い合わせの比率が、すぐに30%台の前半まで上がったと述べた。18か月かけて整えるあいだにTechForce Agentの顧客満足度は76%から90%に上がり、年末の目標は95%である。一時間を超えていた紛失と盗難の処理は、約15分で終わると説明した。", "limitation": "原文は、TechForce Agentの処理の件数や費用の効果を明らかにしていない。満足度95%は目標であり、達成した実績ではない。" }, "zh": { "usecase": "员工IT咨询与丢失设备处理", "problem": "Salesforce的内部IT支持组织TechForce负责75,000名员工的IT咨询。设备丢失和被盗的报案，人工审阅和处理每件要花一个多小时。另一个障碍是员工用各自的自然语言来写设备名称，有人写phone，有人写iPhone，有人写Pixel。", "implementation": "Salesforce先在公司内部运行用Agentforce构建的TechForce Agent，最初从回答知识类咨询这种最简单的业务入手。把丢失和被盗报案交给它之后，出现了对话表述无法与公司资产数据库准确对应的问题，可能锁错设备或把替换机寄到错误地址。作为解决方案，团队构建了按序列号和设备记录进行比对的确定性匹配层，这一做法后来作为Agentforce Graph功能落进产品。负责团队用Agentforce Observability查看员工问了什么、智能体返回了什么、对话在哪里中断，并据此进行下一轮改进。推广到全体员工的门槛是准确率70%。", "outcome": "Salesforce表示，无需人工介入即由智能体完成的咨询比例很快升到30%出头。在18个月的打磨中，TechForce Agent的客户满意度从76%升到90%，年底目标为95%。公司说明，原本要一个多小时的丢失和被盗处理，现在约15分钟即可完成。", "limitation": "原文未披露TechForce Agent的处理数量或成本效果。95%的满意度是目标，不是已达成的实绩。" } } }, { "industry": "정보기술", "subindustry": "기업용 소프트웨어", "company": "Salesforce", "country": "미국", "stage": "운영", "usecase": "자사 고객지원 사이트 문의 응답", "implementation": "Salesforce는 2024년 10월 help.salesforce.com에 Agentforce 기반 Help Agent를 열었다. 사내 직원과 외부 고객이 같은 서비스를 나란히 쓰면서 개선이 실시간으로 이뤄지는 구조다. 사용자가 답의 근거를 알고 싶어 하자 담당 팀이 답변 안에 인용 표시를 넣었고 사내에서 먼저 시험한 뒤 외부 고객으로 넓혔다. 확대 전에는 사람이 처리하던 기준선과 에이전트 성능을 직접 대조해 측정한다. 기존 시험 문제를 잘 풀면 실제 상담 기록에서 뽑은 더 어려운 문제를 새로 넣어 기준을 올린다.", "outcome": "Salesforce는 400만 건이 넘는 대화를 거친 뒤 Help Agent가 문의의 70% 가까이를 사람 개입 없이 해결한다고 밝혔다. 연말 목표는 80%다. 인용 표시를 사내에서 시험했을 때 사용률이 27% 올랐고 신뢰 지표도 측정 가능한 수준으로 좋아졌다고 설명했다.", "limitation": "원문은 나머지 문의가 어떻게 처리되는지와 오답 비율을 밝히지 않았다. 목표 80%는 실적이 아니다.", "localId": "0763", "id": "AX083", "scope": "본조사", "sourceIds": [ "S077" ], "evidenceAccess": "원문 본문 열람", "dateLabel": "2026-07-22", "dateBasis": "자료 발표 시점. 도입 시작일과 다를 수 있음", "evidenceYears": [ "2026" ], "problem": "Salesforce는 자사 고객지원 사이트 help.salesforce.com에서 고객 문의를 받는다. 사람 상담으로 넘어가는 문의를 줄이는 것이 과제였다. 사용자는 답이 어디서 나왔는지 더 알고 싶어 했다.", "eventDate": "2024-10", "eventBasis": "도입", "translations": { "en": { "usecase": "Answering enquiries on the company's own support site", "problem": "Salesforce receives customer enquiries on its own support site, help.salesforce.com. Reducing the enquiries that get escalated to a human was the task. Users also wanted to know more about where an answer came from.", "implementation": "In October 2024 Salesforce opened an Agentforce based Help Agent on help.salesforce.com. Internal employees and external customers use the same service side by side, so improvement happens in real time. When users wanted to know the basis for an answer, the team put citations inside the answers, tested them internally first and then widened to external customers. Before widening, agent performance is measured directly against the baseline of what people used to handle. When the agent does well on the existing test questions, harder questions drawn from real support records are added to raise the bar.", "outcome": "Salesforce said that after more than 4 million conversations, Help Agent resolves close to 70 percent of enquiries without human involvement. The year-end target is 80 percent. It explained that when citations were tested internally, usage rose by 27 percent and trust metrics improved to a measurable degree.", "limitation": "The source does not disclose how the remaining enquiries are handled or the rate of wrong answers. The 80 percent target is not a result." }, "jp": { "usecase": "自社の顧客支援サイトの問い合わせ応答", "problem": "Salesforceは自社の顧客支援のサイトhelp.salesforce.comで顧客の問い合わせを受ける。人の相談に渡る問い合わせを減らすことが課題だった。利用者は答えがどこから出たのかをもっと知りたがった。", "implementation": "Salesforceは2024年10月、help.salesforce.comにAgentforceを基にしたHelp Agentを開いた。社内の従業員と外部の顧客が同じサービスを並んで使いながら、改善がリアルタイムに進む構造である。利用者が答えの根拠を知りたがると、担当のチームが回答の中に引用の表示を入れ、社内で先に試したうえで外部の顧客へ広げた。広げる前には、人が処理していた基準線とエージェントの性能を直接照らし合わせて測る。既存の試験の問題をよく解けば、実際の相談の記録から取り出したより難しい問題を新しく入れて基準を上げる。", "outcome": "Salesforceは、400万件を超える対話を経てHelp Agentが問い合わせの70%近くを人の介入なしに解決すると述べた。年末の目標は80%である。引用の表示を社内で試したときには使用率が27%上がり、信頼の指標も測れる水準で良くなったと説明した。", "limitation": "原文は、残りの問い合わせがどう処理されるのかと誤答の比率を明らかにしていない。目標の80%は実績ではない。" }, "zh": { "usecase": "回答自家客户支持网站上的咨询", "problem": "Salesforce在自家客户支持网站help.salesforce.com上接收客户咨询。课题是减少转给人工的咨询量。用户也希望更清楚答案的出处。", "implementation": "2024年10月，Salesforce在help.salesforce.com上线了基于Agentforce的Help Agent。公司内部员工和外部客户并行使用同一服务，改进得以实时进行。当用户希望了解答案依据时，团队在回答中加入了引用标注，先在内部测试，再推广到外部客户。在扩大范围之前，会把智能体的表现与原先人工处理的基线直接对照测量。若在现有测试题上表现良好，就从真实的客服记录中抽取更难的题目加入，提高标准。", "outcome": "Salesforce表示，经过超过400万次对话，Help Agent已能在无人工介入的情况下解决近70%的咨询，年底目标为80%。公司说明，在内部测试引用标注时，使用率提高了27%，信任类指标也改善到可测量的程度。", "limitation": "原文未说明其余咨询如何处理，也未披露错误回答的比例。80%的目标不是实绩。" } } }, { "industry": "금융", "subindustry": "은행", "company": "Sony Bank", "country": "일본", "stage": "운영", "usecase": "핵심 금융시스템 개발", "implementation": "Sony Bank는 Fujitsu의 계정계 솔루션 Fujitsu Core Banking xBank를 쓴다. 이 솔루션은 클라우드 네이티브 구조로 AWS 위에서 돌아간다. Amazon Bedrock에 올린 Anthropic의 Claude와 Claude Code를 중심으로 AI 에이전트를 구성했다. 에이전트는 Sony Bank 계정계 시스템의 설계서, 소스코드, 테스트 자산을 개발 공정 전반에서 참조한다. 각 에이전트는 필요한 개발 자산과 도구에 연결해 작업을 돕고, 판단과 승인과 품질 보증은 사람이 맡는다. 적용 범위는 설계에서 제조와 테스트까지 핵심 공정으로 단계를 나눠 넓혔다.", "outcome": "두 회사는 2025년 9월에 적용을 시작했다. 2026년 시점으로 기본설계부터 통합테스트까지 공정에서 공수 40%, 개발 기간 30%가 줄었다고 밝혔다. 공정별로는 기본설계 단계의 영향도 조사 공수가 최대 90%, 상세설계 단계의 설계서 작성 공수가 최대 40% 줄었다고 설명했다. 구현 단계의 소스코드 생성률은 99%, 통합테스트 단계의 테스트 실행 공수 감소는 최대 90%라고 밝혔다.", "limitation": "공개된 값은 개발 공정 안의 공수와 기간이다. 은행 전체 운영비나 서비스 출시 속도가 같은 비율로 바뀌었다는 뜻은 아니다.", "id": "AX054", "scope": "본조사", "sourceIds": [ "S048" ], "evidenceAccess": "원문 본문 열람", "dateLabel": "2026-09-14", "dateBasis": "자료 발표 시점. 도입 시작일과 다를 수 있음", "evidenceYears": [ "2026" ], "problem": "일본 금융회사는 새 서비스를 기획해 내놓기까지 몇 달에서 몇 년이 걸린다. 개발비가 크고 개발 절차가 복잡해 시장 변화에 빠르게 대응하기 어려웠다. Sony Bank도 같은 조건에서 계정계 시스템을 다뤄 왔다.", "eventDate": "2025-09", "eventBasis": "도입", "translations": { "en": { "usecase": "Developing the core banking system", "problem": "For a Japanese financial company it takes months to years from planning a new service to releasing it. Development costs are large and the development process is complex, so responding quickly to market change was difficult. Sony Bank had handled its core banking system under the same conditions.", "implementation": "Sony Bank uses Fujitsu Core Banking xBank, Fujitsu's core banking solution. The solution has a cloud native architecture and runs on AWS. AI agents were assembled around Anthropic's Claude and Claude Code on Amazon Bedrock. The agents refer to the design documents, source code and test assets of the Sony Bank core banking system throughout the development process. Each agent connects to the development assets and tools it needs and supports the work, while judgement, approval and quality assurance stay with people. The scope of application was widened in stages across the core process from design through build and test.", "outcome": "The two companies started applying it in September 2025. As of 2026 they said that across the process from basic design to integration testing, effort fell by 40 percent and development time by 30 percent. By process step, they explained that impact assessment effort at the basic design stage fell by up to 90 percent and design document writing effort at the detailed design stage by up to 40 percent. They said the source code generation rate at the implementation stage was 99 percent and the reduction in test execution effort at the integration testing stage was up to 90 percent.", "limitation": "The figures disclosed are effort and duration within the development process. They do not mean the bank's overall operating cost or the speed of service release changed at the same rate." }, "jp": { "usecase": "勘定系システムの開発", "problem": "日本の金融会社は、新しいサービスを企画して出すまでに数か月から数年かかる。開発費が大きく開発の手順が複雑で、市場の変化に素早く応じるのが難しかった。ソニー銀行も同じ条件で勘定系のシステムを扱ってきた。", "implementation": "ソニー銀行は富士通の勘定系ソリューションFujitsu Core Banking xBankを使う。このソリューションはクラウドネイティブの構造で、AWSの上で動く。Amazon Bedrockに載せたAnthropicのClaudeとClaude Codeを中心にAIエージェントを構成した。エージェントはソニー銀行の勘定系システムの設計書、ソースコード、テスト資産を開発の工程の全般で参照する。各エージェントは必要な開発の資産と道具につないで作業を助け、判断と承認と品質の保証は人が担う。適用の範囲は設計から製造とテストまでの中心の工程へ、段階を分けて広げた。", "outcome": "両社は2025年9月に適用を始めた。2026年の時点で、基本設計から結合テストまでの工程で工数40%、開発の期間30%が減ったと述べた。工程ごとでは、基本設計の段階の影響度の調査の工数が最大90%、詳細設計の段階の設計書の作成の工数が最大40%減ったと説明した。実装の段階のソースコードの生成率は99%、結合テストの段階のテストの実行の工数の減少は最大90%だと述べた。", "limitation": "公開された値は開発の工程の中の工数と期間である。銀行の全体の運営費やサービスの提供開始の速さが同じ比率で変わったという意味ではない。" }, "zh": { "usecase": "核心银行系统开发", "problem": "日本的金融公司从策划一项新服务到推出，需要数月到数年。开发费用高、开发流程复杂，难以快速应对市场变化。Sony Bank也是在同样的条件下处理核心账务系统。", "implementation": "Sony Bank使用富士通的核心账务方案Fujitsu Core Banking xBank。该方案采用云原生架构，运行在AWS上。团队以部署在Amazon Bedrock上的Anthropic Claude和Claude Code为中心构建AI智能体。这些智能体在开发全流程中参考Sony Bank核心账务系统的设计文档、源代码和测试资产。每个智能体连接所需的开发资产和工具来辅助作业，而判断、审批和质量保证仍由人负责。适用范围分阶段扩展到从设计到开发、测试的核心工序。", "outcome": "两家公司于2025年9月开始应用。截至2026年，他们表示在从基本设计到集成测试的工序中，工时减少40%，开发周期减少30%。分工序来看，基本设计阶段的影响度调查工时最多减少90%，详细设计阶段的设计文档撰写工时最多减少40%。公司称，实现阶段的源代码生成率为99%，集成测试阶段的测试执行工时最多减少90%。", "limitation": "公开的数字是开发工序内部的工时和周期，并不意味着银行整体运营成本或服务上线速度以同样比例改变。" } } }, { "industry": "금융", "subindustry": "결제", "company": "Adyen", "country": "네덜란드", "stage": "운영", "usecase": "결제 승인, 사기, 수수료의 동시 최적화", "implementation": "Uplift의 AI는 성격이 다른 여러 machine learning 모델을 묶어 서로의 판단을 공유하게 했다. 모델들은 message passing으로 조건을 주고받고 Reinforcement Learning으로 사기와 비용과 전환을 함께 맞추는 하나의 목표를 향해 최적화된다. 입력값은 Feature Platform이 공급한다. 느리고 복잡한 feature는 Spark로, 빠른 feature는 Apache Flink로 계산해 여러 지역 데이터센터의 Cassandra에 저장한다. 추론 서비스 Alfred는 한 모델만 principal로 두고 새 모델은 ghost와 challenger 단계로 올린다. ghost는 결과에 영향을 주지 않고 기록만 남기며 challenger는 정해진 비율의 트래픽에서만 결과에 관여하는데, 통계적으로 principal보다 낫다고 확인되면 자리를 바꾼다.", "outcome": "Adyen은 2024년 Black Friday와 Cyber Monday 나흘 동안 6억 7000만 건의 거래를 처리했다고 밝혔다. 이 기간 모든 거래가 AI endpoint를 2개에서 5개까지 거쳤고 각 지점에 주어진 지연 시간은 중앙값 20ms였다고 했다. Weak Supervision을 운영에 적용해 recall을 22% 올리고 승인율 손실을 46% 줄였으며 발급사 거절률에서 13% 개선을 얻었다고 밝혔다. Off-Policy Evaluation으로는 성과 없는 AB 테스트에 버리던 시간을 연간 20주 아꼈고 반년 동안 거래를 900만에서 5400만 건 더 얻은 것으로 추정했다.", "limitation": "이 글은 Adyen이 자사 기술을 직접 설명한 자료이며 개별 가맹점의 결제 승인 개선폭은 밝히지 않았다. 데이터 플랫폼 규모 수치는 2025년 초 기준이다.", "localId": "0011", "id": "AX066", "scope": "본조사", "sourceIds": [ "S061" ], "evidenceAccess": "검색 도구의 본문 발췌 확인", "dateLabel": "2025-01-17", "dateBasis": "자료 발표 시점. 도입 시작일과 다를 수 있음", "evidenceYears": [ "2025" ], "problem": "결제 한 건은 여러 단계가 서로 엮여 있다. 고객에게 주는 결제 경험은 예측된 위험에 달려 있고, 그 위험은 인증 결과와 결제 경로 선택에 영향을 받으며, 경로는 다시 비용을 바꾼다. 예전에는 단계마다 모델이 따로 돌았다. 사기 모델은 chargeback 확률이 기준을 넘으면 거래를 막았고 인증 모델은 그 사정을 모른 채 경로를 정했다.", "eventDate": "2025-01-17", "eventBasis": "공개", "translations": { "en": { "usecase": "Optimising authorisation, fraud and fees at the same time", "problem": "A single payment has several stages tangled together. The payment experience given to the customer depends on predicted risk, that risk is affected by the authentication result and the choice of payment route, and the route in turn changes the cost. In the past a separate model ran at each stage. The fraud model blocked a transaction when chargeback probability crossed a threshold, and the authentication model decided the route without knowing that.", "implementation": "Uplift's AI ties together several machine learning models of different kinds so they share each other's judgements. The models exchange conditions through message passing and are optimised with Reinforcement Learning towards a single objective that balances fraud, cost and conversion together. Inputs are supplied by the Feature Platform. Slow, complex features are computed with Spark and fast features with Apache Flink, and stored in Cassandra across several regional data centres. The inference service Alfred keeps only one model as principal and promotes new models through ghost and challenger stages. A ghost does not affect the result and only leaves records, while a challenger affects the result on a set share of traffic; when it is statistically confirmed to be better than the principal, they swap places.", "outcome": "Adyen said it processed 670 million transactions over the four days of Black Friday and Cyber Monday in 2024. During this period every transaction passed through two to five AI endpoints, with a median latency budget of 20ms at each point. It said applying Weak Supervision in production raised recall by 22 percent, cut authorisation loss by 46 percent and delivered a 13 percent improvement in issuer decline rate. With Off-Policy Evaluation it said it saved 20 weeks a year previously lost to AB tests that produced nothing, and estimated it gained an additional 9 million to 54 million transactions over half a year.", "limitation": "This article is Adyen explaining its own technology, and it does not disclose the authorisation improvement for individual merchants. The data platform scale figures are as of early 2025." }, "jp": { "usecase": "決済の承認、不正、手数料の同時最適化", "problem": "決済一件はいくつもの段階が互いに絡んでいる。顧客に与える決済の体験は予測された危険に左右され、その危険は認証の結果と決済の経路の選択に影響を受け、経路はさらに費用を変える。以前は段階ごとにモデルが別々に動いていた。不正のモデルはchargebackの確率が基準を超えると取引を止め、認証のモデルはその事情を知らないまま経路を決めた。", "implementation": "UpliftのAIは、性格の違う複数のmachine learningのモデルを束ね、互いの判断を共有させた。モデルたちはmessage passingで条件をやり取りし、Reinforcement Learningで不正と費用と転換を併せて整える一つの目標へ向けて最適化される。入力の値はFeature Platformが供給する。遅く複雑なfeatureはSparkで、速いfeatureはApache Flinkで計算し、複数の地域のデータセンターのCassandraに保存する。推論のサービスAlfredは一つのモデルだけをprincipalに置き、新しいモデルはghostとchallengerの段階で上げる。ghostは結果に影響を与えず記録だけを残し、challengerは決められた比率のトラフィックでのみ結果に関わるが、統計的にprincipalより良いと確かめられれば席を替える。", "outcome": "Adyenは、2024年のBlack FridayとCyber Mondayの四日間で6億7000万件の取引を処理したと述べた。この期間にすべての取引がAIのendpointを2個から5個まで経て、各地点に与えられた遅延の時間は中央値20msだったとした。Weak Supervisionを運用に適用してrecallを22%上げ、承認率の損失を46%減らし、発行会社の拒否率で13%の改善を得たと述べた。Off-Policy Evaluationでは、成果のないABテストに捨てていた時間を年間20週節約し、半年のあいだに取引を900万から5400万件多く得たと推定した。", "limitation": "この記事はAdyenが自社の技術を自ら説明した資料であり、個別の加盟店の決済の承認の改善の幅は明らかにしていない。データプラットフォームの規模の数値は2025年の初めの基準である。" }, "zh": { "usecase": "同时优化支付授权、欺诈与手续费", "problem": "一笔支付有多个环节彼此纠缠。给客户的支付体验取决于预测出的风险，该风险又受认证结果和支付路由选择影响，路由反过来又改变成本。过去每个环节各跑各的模型。欺诈模型在chargeback概率超过阈值时拦截交易，而认证模型并不知道这一情况就决定了路由。", "implementation": "Uplift的AI把多个性质不同的machine learning模型绑在一起，让它们共享彼此的判断。模型之间通过message passing传递条件，并用Reinforcement Learning朝着同时兼顾欺诈、成本和转化的单一目标优化。输入值由Feature Platform提供：缓慢复杂的feature用Spark计算，快速feature用Apache Flink计算，存入多个区域数据中心的Cassandra。推理服务Alfred只保留一个模型作为principal，新模型经由ghost和challenger阶段逐步晋升。ghost不影响结果，只留下记录；challenger只在设定比例的流量上参与结果，一旦统计上被确认优于principal就替换上位。", "outcome": "Adyen表示，在2024年Black Friday和Cyber Monday的四天里处理了6亿7000万笔交易。这期间每笔交易都经过2到5个AI endpoint，每个节点分配的延迟中位数为20ms。公司称，把Weak Supervision用于生产后，recall提高22%，授权率损失减少46%，发卡行拒付率改善13%。通过Off-Policy Evaluation，公司每年省下原本耗在无果AB测试上的20周时间，并估算半年内多获得900万到5400万笔交易。", "limitation": "这篇文章是Adyen自述其技术的资料，没有披露单个商户的支付授权改善幅度。数据平台规模的数字以2025年初为准。" } } }, { "industry": "여행과 숙박", "subindustry": "온라인 여행 예약", "company": "Agoda", "country": "싱가포르", "stage": "운영", "usecase": "사내 AI 접속 체계와 업무 도구 확산", "implementation": "Agoda는 사내 모든 생성형 AI 트래픽이 지나가는 GenAI Proxy를 만들었다. 새 용도는 Agoda Service Catalog에 등록하고 법무와 컴플라이언스 검토를 받는다. 승인되면 팀은 인증과 과금, 사용량 추적을 따로 하지 않아도 된다. proxy는 OpenAI.com과 Azure OpenAI 모델로 시작해 공급자를 늘렸다. 요청과 token 단위로 팀별 사용량과 비용을 붙이고 호출 제한과 위험 호출 차단도 여기서 한다. 직원용으로는 Chat Assistant Platform을 자체로 만들었다. 사내 시스템에 연결한 채팅 화면, 맞춤 assistant, 프롬프트 실험용 playground, 브라우저 확장을 한곳에 담았다. Query Assist는 비기술 직원이 자연어로 SQL을 만들게 하고, AskGoda는 문서와 지난 티켓으로 사내 기술 질문에 답한다.", "outcome": "2023년 119개였던 생성형 AI 앱과 서비스가 2025년 중반 204개로 늘었다. 직원 사용률은 2024년 3분기에 50%를 넘었고 2025년 2분기에 73%가 됐다. Agoda는 2025년 7월 기준으로 직원 73%가 생성형 AI 생산성 도구를 쓰고 사내 기술 지원 티켓의 평균 45%를 생성형 AI가 처리한다고 밝혔다. AskGoda 한 도구가 들어오는 티켓의 50%를 맡는다.", "limitation": "앱과 서비스 하나하나의 비용 절감이나 매출 기여는 원문에 없다. 고객 대상 기능의 전환율 변화도 수치로 나오지 않는다.", "localId": "0012", "id": "AX098", "scope": "본조사", "sourceIds": [ "S092" ], "evidenceAccess": "원문 본문 열람", "dateLabel": "2025-08-08", "dateBasis": "자료 발표 시점. 도입 시작일과 다를 수 있음", "evidenceYears": [ "2025" ], "problem": "Agoda는 2023년 2월 전사 GPT 해커톤을 열면서 생성형 AI를 시작했다. 도구와 팀, 실험이 빠르게 늘자 새로운 문제가 생겼다. 거버넌스를 어떻게 지킬지, 비용을 어떻게 관리할지, 중복 작업을 어떻게 막을지가 과제였다.", "eventDate": "2023-02", "eventBasis": "도입", "translations": { "en": { "usecase": "An internal AI access scheme and the spread of work tools", "problem": "Agoda started with generative AI by holding a company-wide GPT hackathon in February 2023. As tools, teams and experiments grew quickly, new problems appeared. How to maintain governance, how to manage cost and how to prevent duplicated work were the tasks.", "implementation": "Agoda built a GenAI Proxy through which all internal generative AI traffic passes. New use cases are registered in the Agoda Service Catalog and go through legal and compliance review. Once approved, teams no longer have to handle authentication, billing and usage tracking separately. The proxy started with OpenAI.com and Azure OpenAI models and added more providers. It attaches per-team usage and cost at request and token level, and call limits and blocking of risky calls also happen here. For employees the company built its own Chat Assistant Platform. It holds a chat screen connected to internal systems, custom assistants, a playground for prompt experiments and a browser extension in one place. Query Assist lets non-technical staff generate SQL in natural language, and AskGoda answers internal technical questions from documents and past tickets.", "outcome": "Generative AI apps and services grew from 119 in 2023 to 204 by the middle of 2025. Employee usage passed 50 percent in the third quarter of 2024 and reached 73 percent in the second quarter of 2025. Agoda said that as of July 2025, 73 percent of employees use generative AI productivity tools and generative AI handles an average of 45 percent of internal technical support tickets. AskGoda alone takes 50 percent of incoming tickets.", "limitation": "Cost savings or revenue contribution of each individual app and service are not in the source. Changes in conversion rate for customer-facing features are not given as numbers either." }, "jp": { "usecase": "社内のAI接続の体系と業務の道具の普及", "problem": "Agodaは2023年2月に全社のGPTハッカソンを開いて生成AIを始めた。道具とチーム、実験が急速に増えると新しい問題が生じた。ガバナンスをどう守るか、費用をどう管理するか、重なる作業をどう防ぐかが課題だった。", "implementation": "Agodaは社内のすべての生成AIのトラフィックが通るGenAI Proxyを作った。新しい用途はAgoda Service Catalogに登録し、法務とコンプライアンスの検討を受ける。承認されればチームは認証と課金、使用量の追跡を別々に行わなくてよい。proxyはOpenAI.comとAzure OpenAIのモデルから始めて供給者を増やした。要求とtokenの単位でチーム別の使用量と費用を付け、呼び出しの制限と危険な呼び出しの遮断もここで行う。従業員向けにはChat Assistant Platformを自ら作った。社内のシステムにつないだチャットの画面、あつらえのassistant、プロンプトの実験用のplayground、ブラウザの拡張を一か所に収めた。Query Assistは技術系でない従業員が自然な言葉でSQLを作れるようにし、AskGodaは文書と過去のチケットで社内の技術の質問に答える。", "outcome": "2023年に119個だった生成AIのアプリとサービスが、2025年の半ばには204個に増えた。従業員の使用率は2024年の第3四半期に50%を超え、2025年の第2四半期には73%になった。Agodaは2025年7月の基準で、従業員の73%が生成AIの生産性の道具を使い、社内の技術支援のチケットの平均45%を生成AIが処理すると述べた。AskGodaという道具一つで、入ってくるチケットの50%を担う。", "limitation": "アプリとサービス一つひとつの費用の削減や売上への寄与は原文にない。顧客向けの機能の転換率の変化も数値では出てこない。" }, "zh": { "usecase": "内部AI接入体系与办公工具普及", "problem": "Agoda于2023年2月举办全公司GPT黑客松，由此开始使用生成式AI。随着工具、团队和试验迅速增多，新的问题出现了：如何守住治理、如何管理成本、如何避免重复劳动。", "implementation": "Agoda建立了公司内部所有生成式AI流量都要经过的GenAI Proxy。新的用途需登记到Agoda Service Catalog，并接受法务与合规审查。一经批准，团队就不必再各自处理认证、计费和用量追踪。该proxy从OpenAI.com和Azure OpenAI的模型起步，陆续增加了更多供应方。它按请求和token为各团队标注用量与成本，调用限额和高风险调用的拦截也在这里完成。面向员工，公司自建了Chat Assistant Platform，把接入内部系统的聊天界面、定制assistant、用于prompt试验的playground和浏览器扩展集中在一处。Query Assist让非技术员工用自然语言生成SQL，AskGoda则依据文档和历史工单回答内部技术问题。", "outcome": "生成式AI应用和服务从2023年的119个增加到2025年年中的204个。员工使用率在2024年第三季度超过50%，到2025年第二季度达到73%。Agoda表示，截至2025年7月，73%的员工在使用生成式AI效率工具，内部技术支持工单平均有45%由生成式AI处理。仅AskGoda一个工具就承担了新进工单的50%。", "limitation": "各个应用和服务分别带来的成本节省或收入贡献，原文中没有。面向客户功能的转化率变化也没有给出数字。" } } }, { "industry": "유통", "subindustry": "전자상거래", "company": "Amazon", "country": "미국", "stage": "운영", "usecase": "AI 쇼핑 상담", "implementation": "Rufus는 Amazon Bedrock 위에서 돌아간다. 실시간 router가 Anthropic의 Claude Sonnet, Amazon Nova, 그리고 Amazon의 상품 카탈로그와 고객 리뷰, 커뮤니티 질문답변, 웹 정보를 담은 자체 모델 가운데 질문 유형에 맞는 것을 고른다. RAG로 The New York Times, USA Today, Good Housekeeping, Vogue 같은 매체의 내용을 끌어와 상품과 유행 질문에 답한다. 계정 기억 기능이 고객 개인의 쇼핑 활동을 반영해 답과 상품 검색 결과를 맞춘다. 재주문 요청을 받으면 과거 활동과 지금 필요한 것을 이어 붙이고 품절이면 대체품을 제안하며 장바구니에 자동으로 담는데, 결제 전 확인은 고객이 한다. 가격 알림과 자동 구매도 고객이 정한 목표 가격에서 작동하고 주문 뒤 취소할 수 있게 알림을 보낸다.", "outcome": "Amazon은 발표 시점까지 그해에 2억 5000만 명이 넘는 고객이 Rufus를 썼다고 밝혔다. 월평균 사용자는 지난 한 해 동안 149% 늘었고 상호작용은 210% 늘었다고 했다. 쇼핑 중에 Rufus를 쓴 고객은 그 쇼핑에서 구매할 가능성이 60% 넘게 높았다고 설명했다. 자동 구매를 쓴 고객은 구매당 평균 20%를 아꼈다고 밝혔다. 회사는 기술 개선과 새 기능을 50가지 넘게 넣었다고 했다.", "limitation": "구매 가능성이 높다는 값은 Rufus를 쓴 고객과 쓰지 않은 고객을 비교한 수치이며 인과를 밝힌 실험 결과가 아니다. 같은 글은 Rufus의 이름이 나중에 Alexa for Shopping으로 바뀌었다고 알린다.", "id": "AX016", "scope": "본조사", "sourceIds": [ "S014" ], "evidenceAccess": "원문 본문 열람", "dateLabel": "2025-11-18", "dateBasis": "자료 발표 시점. 도입 시작일과 다를 수 있음", "evidenceYears": [ "2025" ], "problem": "고객은 쇼핑 단계마다 성격이 다른 질문을 안고 있다. 여행지 날씨 같은 넓은 질문이 있고 이 제품의 배터리 수명 같은 좁은 질문도 있다. 상품 비교와 가격 확인, 재주문, 주문 문의가 서로 다른 화면에 흩어져 있어 시간이 걸린다. Amazon은 온라인 쇼핑을 더 단순하게 만들어 고객의 시간과 돈을 아끼는 것을 목표로 잡았다.", "eventDate": "2025-11-18", "eventBasis": "공개", "translations": { "en": { "usecase": "AI shopping assistance", "problem": "Customers carry different kinds of question at each stage of shopping. Some are broad, such as the weather at a destination, and some are narrow, such as the battery life of this product. Product comparison, price checking, reordering and order enquiries were scattered across different screens, which takes time. Amazon set itself the goal of making online shopping simpler and saving customers time and money.", "implementation": "Rufus runs on Amazon Bedrock. A real-time router picks whichever suits the type of question among Anthropic's Claude Sonnet, Amazon Nova, and Amazon's own models holding its product catalogue, customer reviews, community questions and answers, and web information. With RAG it pulls in content from outlets such as The New York Times, USA Today, Good Housekeeping and Vogue to answer product and trend questions. An account memory feature reflects a customer's own shopping activity to tailor answers and product search results. On a reorder request it joins past activity to what is needed now, suggests a substitute if an item is out of stock and adds it to the cart automatically, while the customer confirms before payment. Price alerts and automatic purchase also trigger at the target price the customer sets, and a notification is sent after ordering so it can be cancelled.", "outcome": "Amazon said more than 250 million customers had used Rufus that year as of the announcement. It said monthly average users grew 149 percent over the past year and interactions grew 210 percent. It explained that customers who used Rufus while shopping were more than 60 percent more likely to buy on that shopping trip. It said customers who used automatic purchase saved an average of 20 percent per purchase. The company said it added more than 50 technical improvements and new features.", "limitation": "The higher likelihood of purchase is a comparison between customers who used Rufus and those who did not, not an experimental result establishing cause. The same article notes that Rufus was later renamed Alexa for Shopping." }, "jp": { "usecase": "AIによる買い物相談", "problem": "顧客は買い物の段階ごとに性格の違う質問を抱えている。旅行先の天気のような広い質問があり、この製品の電池の持ちのような狭い質問もある。商品の比較と価格の確認、再注文、注文の問い合わせが別々の画面に散らばっていて時間がかかる。Amazonは、オンラインの買い物をより単純にして顧客の時間と金を節約することを目標に据えた。", "implementation": "RufusはAmazon Bedrockの上で動く。リアルタイムのrouterが、AnthropicのClaude Sonnet、Amazon Nova、そしてAmazonの商品カタログと顧客のレビュー、コミュニティの質問と回答、ウェブの情報を収めた自社のモデルのうち、質問の類型に合うものを選ぶ。RAGでThe New York Times、USA Today、Good Housekeeping、Vogueといった媒体の内容を引いてきて、商品と流行の質問に答える。口座の記憶の機能が顧客個人の買い物の活動を反映して、答えと商品の検索の結果を合わせる。再注文の要求を受けると、過去の活動といま必要なものをつなぎ、品切れであれば代替品を提案してカートに自動で入れるが、決済の前の確認は顧客が行う。価格の通知と自動の購入も顧客が決めた目標の価格で作動し、注文のあとに取り消せるよう通知を送る。", "outcome": "Amazonは、発表の時点までにその年に2億5000万人を超える顧客がRufusを使ったと述べた。月の平均の利用者は過去一年で149%増え、やり取りは210%増えたとした。買い物の途中でRufusを使った顧客は、その買い物で購入する可能性が60%以上高かったと説明した。自動の購入を使った顧客は購入あたり平均20%を節約したと述べた。同社は技術の改善と新しい機能を50を超えて入れたとした。", "limitation": "購入の可能性が高いという値は、Rufusを使った顧客と使わなかった顧客を比べた数値であり、因果を明らかにした実験の結果ではない。同じ記事は、Rufusの名前がのちにAlexa for Shoppingに変わったと知らせている。" }, "zh": { "usecase": "AI购物咨询", "problem": "客户在购物的不同阶段抱着性质各异的问题。有像目的地天气这样宽泛的问题，也有像这款产品续航多久这样具体的问题。商品比较、查价、复购和订单咨询分散在不同界面，很费时间。Amazon把让网购更简单、为客户省时省钱设为目标。", "implementation": "Rufus运行在Amazon Bedrock之上。实时router会在Anthropic的Claude Sonnet、Amazon Nova，以及收录Amazon商品目录、客户评论、社区问答和网络信息的自研模型之间，按问题类型选出合适的一个。它通过RAG引入The New York Times、USA Today、Good Housekeeping、Vogue等媒体的内容，来回答商品和潮流类问题。账户记忆功能会结合客户个人的购物行为，调整回答和商品搜索结果。收到复购请求时，它把历史行为与当下需求衔接起来，缺货时推荐替代品并自动加入购物车，但结算前的确认由客户完成。价格提醒和自动购买也按客户设定的目标价触发，并在下单后发送通知以便取消。", "outcome": "Amazon表示，截至发布时，当年已有超过2亿5000万名客户使用Rufus。月均用户在过去一年增长149%，互动量增长210%。公司说明，购物过程中使用Rufus的客户，在该次购物中下单的可能性高出60%以上。使用自动购买的客户，每笔购买平均节省20%。公司称已加入超过50项技术改进和新功能。", "limitation": "购买可能性更高是使用Rufus与未使用Rufus的客户之间的对比数字，并非证明因果的实验结果。同一篇文章也告知，Rufus后来更名为Alexa for Shopping。" } } }, { "industry": "제약과 바이오", "subindustry": "신약 개발", "company": "AstraZeneca", "country": "영국", "stage": "운영", "usecase": "임상과 규제 데이터 조회", "implementation": "AstraZeneca는 AWS와 함께 Development Assistant를 만들었다. Amazon Bedrock Agents를 써서 관리자 역할 agent가 자연어 질문을 알맞은 전문 agent로 보낸다. 전문 agent에는 제약 약어를 푸는 용어 agent, 임상 데이터 agent, 규제 agent, 데이터베이스 작업 agent가 있다. 입력 자료는 사내 Drug Development Data Platform, 줄여서 3DP가 공급하는데 3DP는 임상, 규제, 품질, 안전 시스템의 데이터를 모아 공통 어휘로 맞춘 데이터 상품으로 만든다. 질문이 들어오면 시스템이 도메인 용어를 덧붙이고 SQL을 만들어 실행한 뒤 결과를 돌려준다. 어떤 데이터 테이블을 썼고 결과가 어떻게 나왔는지도 함께 보여준다.", "outcome": "AstraZeneca는 구상에서 운영까지 6개월이 걸렸다고 밝혔다. 이 기간에 보안 점검과 AI 거버넌스 검토도 함께 마쳤다고 했다. 회사 R&D IT 담당 임원은 예전에 몇 시간 걸리던 정보 확인이 이제 몇 분 만에 나온다고 말했다. 사용 범위는 1,000명이 넘는 사용자로 넓히고 있다고 밝혔다.", "limitation": "이 사례는 정보 확인 속도에 관한 것이며 신약 승인이나 임상 성공률이 나아졌다는 수치는 없다. 1,000명이 넘는 사용자는 확대 중인 목표를 포함한 값이다.", "id": "AX020", "scope": "본조사", "sourceIds": [ "S018", "S019" ], "evidenceAccess": "원문 본문 열람", "dateLabel": "2025-06-02", "dateBasis": "자료 발표 시점. 도입 시작일과 다를 수 있음", "evidenceYears": [ "2025" ], "problem": "AstraZeneca의 임상시험 프로그램은 여러 나라에서 동시에 돌아간다. 그만큼 시스템이 흩어져 있어 분석과 의사결정에 병목이 생겼다. 임상 담당자들은 성과가 좋은 시험 기관이 어디인지 같은 질문에 답하려고 자료를 몇 시간씩 손으로 모았다.", "eventDate": "2025-06-02", "eventBasis": "공개", "translations": { "en": { "usecase": "Querying clinical and regulatory data", "problem": "AstraZeneca's clinical trial programmes run in many countries at once. Systems are correspondingly scattered, which created bottlenecks in analysis and decision making. Clinical staff spent hours gathering material by hand to answer questions such as which trial sites are performing well.", "implementation": "AstraZeneca built Development Assistant together with AWS. Using Amazon Bedrock Agents, a supervisor agent routes a natural language question to the right specialist agent. The specialist agents include a terminology agent that resolves pharmaceutical abbreviations, a clinical data agent, a regulatory agent and a database operations agent. Input material is supplied by the internal Drug Development Data Platform, or 3DP, which gathers data from clinical, regulatory, quality and safety systems and turns it into data products aligned to a common vocabulary. When a question comes in, the system adds domain terminology, generates SQL, runs it and returns the result. It also shows which data tables were used and how the result was produced.", "outcome": "AstraZeneca said it took six months from concept to production. It said security checks and AI governance review were completed within that period as well. A company research and development IT executive said information checks that used to take hours now come back in minutes. It said the scope of use is being widened to more than 1,000 users.", "limitation": "This case is about the speed of checking information, and there are no figures showing that drug approvals or clinical success rates improved. The figure of more than 1,000 users includes a target still being rolled out." }, "jp": { "usecase": "臨床と規制のデータの照会", "problem": "AstraZenecaの臨床試験のプログラムは複数の国で同時に回っている。その分システムが散らばっていて、分析と意思決定に詰まりが生じた。臨床の担当者たちは、成績の良い試験の機関はどこかといった質問に答えるために、資料を何時間も手で集めていた。", "implementation": "AstraZenecaはAWSと一緒にDevelopment Assistantを作った。Amazon Bedrock Agentsを使い、管理者の役のagentが自然な言葉の質問を適した専門のagentへ送る。専門のagentには、製薬の略語を解く用語のagent、臨床データのagent、規制のagent、データベースの作業のagentがある。入力の資料は社内のDrug Development Data Platform、略して3DPが供給し、3DPは臨床、規制、品質、安全のシステムのデータを集めて共通の語彙に合わせたデータの製品にする。質問が入ると、システムがドメインの用語を付け足し、SQLを作って実行したうえで結果を返す。どのデータのテーブルを使い、結果がどう出たかも併せて見せる。", "outcome": "AstraZenecaは、構想から運用まで6か月かかったと述べた。この期間に保安の点検とAIのガバナンスの検討も併せて終えたとした。同社のR&D ITの担当の役員は、以前は数時間かかっていた情報の確認が今は数分で出てくると語った。使用の範囲は1,000人を超える利用者へ広げていると述べた。", "limitation": "この事例は情報の確認の速さに関するものであり、新薬の承認や臨床の成功率が良くなったという数値はない。1,000人を超える利用者は、拡大の途中の目標を含んだ値である。" }, "zh": { "usecase": "查询临床与法规数据", "problem": "AstraZeneca的临床试验项目同时在多个国家推进，系统也随之分散，给分析和决策造成瓶颈。临床人员为了回答哪些试验机构表现好之类的问题，要花几个小时手工汇集资料。", "implementation": "AstraZeneca与AWS共同打造了Development Assistant。系统使用Amazon Bedrock Agents，由管理者角色的agent把自然语言问题分发给合适的专业agent。专业agent包括解析制药缩略语的术语agent、临床数据agent、法规agent和数据库作业agent。输入资料由内部的Drug Development Data Platform（简称3DP）提供，3DP汇集临床、法规、质量、安全各系统的数据，整理成统一词汇的数据产品。问题进来后，系统补充领域术语、生成SQL并执行，再返回结果，同时展示用了哪些数据表以及结果是如何得出的。", "outcome": "AstraZeneca表示，从构想到投入运行用了六个月，期间还一并完成了安全检查和AI治理审查。公司研发IT负责人表示，过去要花几小时的信息核对，现在几分钟就能得到结果。公司称，使用范围正在扩大到超过1,000名用户。", "limitation": "这个案例讲的是信息核对的速度，没有新药获批或临床成功率改善的数字。超过1,000名用户是包含仍在推广中的目标在内的数值。" } } }, { "industry": "식품과 음료", "subindustry": "가공식품", "company": "CJ제일제당", "country": "한국", "stage": "운영", "usecase": "사내 문서 검색과 전문 번역", "implementation": "CJ제일제당 DX Lab이 사내용 생성형 AI 서비스 Snap AI를 만들었다. OpenAI의 GPT-4o API를 써서 개발했고, Microsoft Azure의 OpenAI 모델과 AWS Bedrock의 Claude 모델을 함께 쓴다. 두 업체에서 질의 내용을 학습에 쓰지도 저장하지도 않는다는 문서를 받았다. 회사가 쓰는 AWS와 모델이 있는 Azure 사이에는 프라이빗 링크를 깔아 정보가 밖으로 나가지 않게 했다. 답변은 RAG로 근거 문서를 찾아 붙여 할루시네이션 발생률을 크게 줄였다. 번역은 DeepL API에 사내 용어집을 따로 등록해 그 기준으로 결과를 받는다. 기획부터 개발과 테스트까지 2주 단위로 반복해 고쳤다.", "outcome": "2024년 11월 공개 뒤 월평균 1,500명 정도가 쓰고 있다. 하루 약 3,000개 질의를 처리한다. 지금까지 2,000명 넘는 직원이 15만 건이 넘는 질문을 했다. CJ제일제당은 월간 리텐션이 70%를 넘었고 주요 사용 조직만 보면 75% 정도라고 밝혔다. B2B와 B2E 서비스는 보통 50% 내외면 온보딩이 잘 됐다고 본다. PPT나 PDF를 올리면 30초 만에 번역본으로 바꿔 준다.", "limitation": "사용량과 리텐션은 이용 지표이지 비용 절감 성과가 아니다. 원문은 번역과 답변 정확도를 잰 조건을 밝히지 않았다.", "id": "AX006", "scope": "본조사", "sourceIds": [ "S006" ], "evidenceAccess": "원문 본문 열람", "dateLabel": "2025-01-21", "dateBasis": "자료 발표 시점. 도입 시작일과 다를 수 있음", "evidenceYears": [ "2025" ], "problem": "CJ제일제당 직원은 복잡한 업무 문서를 번역하고 방대한 사내 규정집을 요약해야 했다. 최근 몇 년 사이 생성형 AI 서비스가 여럿 나왔지만 보안 문제로 실제 업무에 쓰기 어려웠다. 외부 AI 서비스 사용을 아예 금지한 기업도 있었다.", "eventDate": "2024-11", "eventBasis": "도입", "translations": { "en": { "usecase": "Internal document search and specialist translation", "problem": "Employees at CJ CheilJedang had to translate complex work documents and summarise a vast body of internal rules. Several generative AI services appeared over the past few years, but security concerns made them hard to use for real work. Some companies banned the use of external AI services altogether.", "implementation": "The DX Lab at CJ CheilJedang built an internal generative AI service called Snap AI. It was developed using OpenAI's GPT-4o API and uses OpenAI models on Microsoft Azure together with Claude models on AWS Bedrock. The company obtained documents from both vendors stating that query content is neither used for training nor stored. A private link was laid between the company's AWS environment and the Azure environment holding the models so that information does not leave. Answers attach supporting documents found through RAG, which sharply reduced the rate of hallucination. For translation, an internal glossary is registered separately with the DeepL API and results are returned against that standard. From planning through development and testing, the team iterated and revised in two-week cycles.", "outcome": "Since its release in November 2024, about 1,500 people use it in an average month. It handles about 3,000 queries a day. More than 2,000 employees have asked more than 150,000 questions so far. CJ CheilJedang said monthly retention exceeded 70 percent, and around 75 percent when looking only at the main user organisations. For B2B and B2E services, around 50 percent is usually taken as a sign of good onboarding. Uploading a PPT or PDF returns a translated version in 30 seconds.", "limitation": "Usage and retention are engagement metrics, not a cost saving result. The source does not disclose the conditions under which translation and answer accuracy were measured." }, "jp": { "usecase": "社内文書の検索と専門翻訳", "problem": "CJ第一製糖の従業員は、複雑な業務文書を翻訳し、膨大な社内の規程集を要約する必要があった。ここ数年のあいだに生成AIのサービスがいくつも出たが、保安の問題で実際の業務に使いにくかった。外部のAIサービスの使用をまったく禁じた企業もあった。", "implementation": "CJ第一製糖のDX Labが社内向けの生成AIサービスSnap AIを作った。OpenAIのGPT-4o APIを使って開発し、Microsoft AzureのOpenAIのモデルとAWS BedrockのClaudeのモデルを併せて使う。二社から、問い合わせの内容を学習に使わず保存もしないという文書を受け取った。会社が使うAWSと、モデルのあるAzureの間にはプライベートリンクを敷き、情報が外に出ないようにした。回答はRAGで根拠の文書を探して付け、ハルシネーションの発生率を大きく減らした。翻訳はDeepLのAPIに社内の用語集を別に登録し、その基準で結果を受け取る。企画から開発とテストまで2週間の単位で繰り返して直した。", "outcome": "2024年11月の公開のあと、月平均で1,500人ほどが使っている。一日に約3,000件の問い合わせを処理する。これまでに2,000人を超える従業員が15万件を超える質問をした。CJ第一製糖は、月間のリテンションが70%を超え、主な利用の組織だけを見ると75%ほどだと述べた。B2BとB2Eのサービスは、ふつう50%前後であればオンボーディングがうまくいったと見る。PPTやPDFを上げると30秒で翻訳版に変えてくれる。", "limitation": "使用量とリテンションは利用の指標であり、費用の削減の成果ではない。原文は、翻訳と回答の精度を測った条件を明らかにしていない。" }, "zh": { "usecase": "内部文档检索与专业翻译", "problem": "CJ第一制糖的员工需要翻译复杂的业务文档，并概括庞杂的公司内部规章。近几年出现了多个生成式AI服务，但出于安全顾虑难以用于实际工作。也有企业干脆禁止使用外部AI服务。", "implementation": "CJ第一制糖的DX Lab打造了面向内部的生成式AI服务Snap AI。它基于OpenAI的GPT-4o API开发，同时使用Microsoft Azure上的OpenAI模型和AWS Bedrock上的Claude模型。公司从两家厂商取得书面确认，说明提问内容既不会用于训练也不会被存储。公司在自用的AWS与承载模型的Azure之间铺设了专用链路，确保信息不外流。回答通过RAG找到并附上依据文档，大幅降低了幻觉发生率。翻译方面，公司在DeepL API中单独登记了内部术语表，并按该标准获取结果。从策划到开发和测试，团队以两周为周期反复迭代修改。", "outcome": "自2024年11月上线以来，月均约有1,500人使用，每天处理约3,000条提问。至今已有超过2,000名员工提出了超过15万个问题。CJ第一制糖表示，月留存率超过70%，仅看主要使用部门约为75%。对B2B和B2E服务来说，通常达到50%左右就算完成了良好的上手引导。上传PPT或PDF后，30秒即可得到译本。", "limitation": "使用量和留存率是使用类指标，不是成本节省的成果。原文未说明测量翻译和回答准确度的条件。" } } }, { "industry": "건설과 부동산", "subindustry": "종합건설", "company": "Skanska", "country": "스웨덴", "stage": "운영", "usecase": "현장 안전 지침 검색", "implementation": "Skanska는 Safety Sidekick이라는 AI 도우미를 내놨다. 회사의 Environmental Health and Safety 매뉴얼과 OSHA 건설 기준, 보충 안전 문서를 한 곳에 모아 휴대전화와 데스크톱에서 모두 쓰게 했다. 현장 조건에 맞춰 OSHA와 Skanska 규정을 지키도록 안내하고 작업별 모범 사례를 실시간으로 보여준다. Safety Classification Learning Model로 안전 분류와 문서 작성을 돕고, Plan-Do-Check-Act 안전 주기의 모든 단계를 지원한다. 이 도구는 Skanska가 Expert Sidekicks라고 부르는 생성형 AI 도구 묶음 가운데 하나로, 회사 고유의 지식과 전문성을 담아 만들었다.", "outcome": "Skanska는 Safety Sidekick을 미국 전역의 팀에 배포하는 중이며 교육과 사용자 지원도 함께 제공한다고 밝혔다. 최고 EHS 책임자 Paul Haining은 이 도구가 팀이 프로젝트의 모든 단계에서 정보에 근거한 안전한 결정을 내리도록 돕는다고 말했다. 최고 전략 책임자 Anita Nelson은 이런 도구가 사내 지식을 포함한 데이터를 실행 가능한 통찰로 바꾼다고 설명했다.", "limitation": "원문에는 사용자 수, 재해 감소, 검색 시간 단축 같은 수치가 없다.", "id": "AX033", "scope": "본조사", "sourceIds": [ "S029" ], "evidenceAccess": "원문 본문 열람", "dateLabel": "2025-04-30", "dateBasis": "자료 발표 시점. 도입 시작일과 다를 수 있음", "evidenceYears": [ "2025" ], "problem": "건설 현장 직원은 하는 일마다 맞는 안전 기준을 빨리 찾아야 한다. 회사의 안전 매뉴얼과 OSHA 건설 기준, 보충 안전 문서가 따로 있어 한자리에서 보기 어려웠다.", "eventDate": "2025-04-30", "eventBasis": "공개", "translations": { "en": { "usecase": "Searching site safety guidance", "problem": "Construction site staff need to find the safety standard that fits each job quickly. The company's safety manual, OSHA construction standards and supplementary safety documents sat separately, so they were hard to view in one place.", "implementation": "Skanska released an AI assistant called Safety Sidekick. It brings the company's Environmental Health and Safety manual, OSHA construction standards and supplementary safety documents into one place, usable on both mobile phone and desktop. It guides staff to follow OSHA and Skanska rules according to site conditions and shows best practices for each task in real time. A Safety Classification Learning Model helps with safety classification and documentation, and the tool supports every stage of the Plan-Do-Check-Act safety cycle. It is one of a set of generative AI tools Skanska calls Expert Sidekicks, built to carry the company's own knowledge and expertise.", "outcome": "Skanska said it is rolling Safety Sidekick out to teams across the United States, with training and user support provided alongside. Chief EHS Officer Paul Haining said the tool helps teams make informed, safe decisions at every stage of a project. Chief Strategy Officer Anita Nelson explained that tools like this turn data, including internal knowledge, into actionable insight.", "limitation": "The source has no figures such as number of users, reduction in incidents or shorter search time." }, "jp": { "usecase": "現場の安全指針の検索", "problem": "建設の現場の従業員は、行う仕事ごとに合った安全の基準を素早く探す必要がある。会社の安全のマニュアルとOSHAの建設の基準、補足の安全の文書が別々にあり、一か所で見るのが難しかった。", "implementation": "SkanskaはSafety SidekickというAIのアシスタントを出した。会社のEnvironmental Health and Safetyのマニュアルと、OSHAの建設の基準、補足の安全の文書を一か所に集め、携帯電話でもデスクトップでも使えるようにした。現場の条件に合わせてOSHAとSkanskaの規定を守るよう案内し、作業ごとの模範の事例をリアルタイムで見せる。Safety Classification Learning Modelで安全の分類と文書の作成を助け、Plan-Do-Check-Actの安全の周期のすべての段階を支える。この道具は、SkanskaがExpert Sidekicksと呼ぶ生成AIの道具の一群のうちの一つで、会社固有の知識と専門性を収めて作った。", "outcome": "Skanskaは、Safety Sidekickを米国の全域のチームに配布している最中であり、教育と利用者の支援も併せて提供すると述べた。最高EHS責任者のPaul Hainingは、この道具がチームがプロジェクトのすべての段階で情報に基づいた安全な決定を下すのを助けると語った。最高戦略責任者のAnita Nelsonは、こうした道具が社内の知識を含むデータを実行できる洞察に変えると説明した。", "limitation": "原文には、利用者数、災害の減少、検索の時間の短縮といった数値がない。" }, "zh": { "usecase": "检索现场安全规程", "problem": "建筑工地人员需要针对每项作业迅速找到相应的安全标准。公司的安全手册、OSHA建筑标准和补充安全文件各自分开，很难在一处查看。", "implementation": "Skanska推出了名为Safety Sidekick的AI助手。它把公司的Environmental Health and Safety手册、OSHA建筑标准和补充安全文件汇集到一处，手机和桌面端都能使用。它按现场条件指引人员遵守OSHA和Skanska的规定，并实时展示各项作业的最佳实践。Safety Classification Learning Model协助进行安全分类和文书撰写，工具覆盖Plan-Do-Check-Act安全循环的每个阶段。它是Skanska称为Expert Sidekicks的一组生成式AI工具之一，承载了公司自有的知识和专业能力。", "outcome": "Skanska表示，正在向美国各地的团队推广Safety Sidekick，并同时提供培训和用户支持。首席EHS负责人Paul Haining表示，这一工具帮助团队在项目的每个阶段作出有依据的安全决策。首席战略官Anita Nelson说明，这类工具把包括内部知识在内的数据转化为可执行的洞察。", "limitation": "原文中没有用户数量、事故减少或检索时间缩短之类的数字。" } } }, { "industry": "건설과 부동산", "subindustry": "토목공사", "company": "Skanska", "country": "스웨덴", "stage": "제한 운영", "usecase": "야간 공사현장 감시", "implementation": "Skanska는 물리 보안을 AI 소프트웨어로 다루는 회사 Hakimo와 함께 원격 경비를 도입했다. 고정형 카메라와 이동형 카메라를 함께 두고 24시간 감시한다. AI가 이상을 탐지하면 Skanska 감독자에게 알림을 올린다. 현장에서는 스피커로 침입 의심자에게 감시받고 있다는 경고를 내보낸다. 감독자는 Hakimo 포털에 접속해 같은 화면을 실시간으로 본다. 야간 출입자가 우리 직원인지 아닌지를 기술과 사람이 함께 판단한 뒤 필요하면 지역 당국에 연락한다.", "outcome": "Skanska는 자사가 Hakimo의 AI 보안 감시 도구를 처음 쓰는 회사 가운데 하나라고 밝혔다. 서부 해안 토목 부문 총괄 Ryan Clayton은 Hakimo 서비스에 들어 있는 여러 억제 수단을 섞어 쓰면서 보안이 전보다 능동적으로 바뀌었다고 말했다. 이 공사는 2023년에 시작해 2028년 말 완료 예정이다.", "limitation": "원문에는 절도 감소나 오탐 비율 같은 성과 수치가 없다.", "id": "AX034", "scope": "본조사", "sourceIds": [ "S030" ], "evidenceAccess": "원문 본문 열람", "dateLabel": "2025-05-19", "dateBasis": "자료 발표 시점. 도입 시작일과 다를 수 있음", "evidenceYears": [ "2025" ], "problem": "I-405 Brickyard to SR 527 개선 공사 현장은 길이가 4.5마일이다. 이렇게 큰 건설 현장은 밤에 절도와 기물 파손, 무단 출입의 표적이 되기 쉽다.", "eventDate": "2025-05-19", "eventBasis": "공개", "translations": { "en": { "usecase": "Monitoring a construction site at night", "problem": "The I-405 Brickyard to SR 527 improvement project site is 4.5 miles long. A construction site this large is an easy target at night for theft, vandalism and unauthorised entry.", "implementation": "Skanska brought in remote guarding together with Hakimo, a company that handles physical security with AI software. Fixed cameras and mobile cameras are placed together for round-the-clock monitoring. When the AI detects an anomaly, it raises an alert to a Skanska supervisor. On site, speakers issue a warning to the suspected intruder that they are being watched. The supervisor logs into the Hakimo portal and sees the same view in real time. Technology and people together judge whether someone entering at night is a member of staff, and the local authorities are contacted if needed.", "outcome": "Skanska said it is one of the first companies to use Hakimo's AI security monitoring tool. Ryan Clayton, who leads the West Coast civil business, said security has become more proactive than before through mixing the several deterrents included in the Hakimo service. Construction began in 2023 and is due for completion at the end of 2028.", "limitation": "The source has no performance figures such as reduction in theft or false positive rate." }, "jp": { "usecase": "夜間の工事現場の監視", "problem": "I-405 Brickyard to SR 527の改良工事の現場は長さが4.5マイルある。これほど大きな建設の現場は、夜に盗難と器物の破損、無断の立ち入りの標的になりやすい。", "implementation": "Skanskaは、物理の保安をAIのソフトウェアで扱う会社Hakimoと一緒に遠隔の警備を導入した。固定型のカメラと移動型のカメラを併せて置き、24時間監視する。AIが異常を検知するとSkanskaの監督者に通知を上げる。現場ではスピーカーで侵入の疑いがある者に、監視を受けているという警告を出す。監督者はHakimoのポータルに接続して同じ画面をリアルタイムで見る。夜間の立ち入りの者が自社の従業員かどうかを技術と人が一緒に判断したうえで、必要であれば地域の当局に連絡する。", "outcome": "Skanskaは、自社がHakimoのAIの保安の監視の道具を初めて使う会社の一つだと述べた。西海岸の土木部門の統括であるRyan Claytonは、Hakimoのサービスに入っている複数の抑止の手段を混ぜて使いながら、保安が以前より能動的に変わったと語った。この工事は2023年に始まり、2028年末の完了の予定である。", "limitation": "原文には、盗難の減少や誤検知の比率といった成果の数値がない。" }, "zh": { "usecase": "夜间工地监控", "problem": "I-405 Brickyard to SR 527改造工程的施工现场长4.5英里。这么大的工地在夜间容易成为盗窃、破坏公物和擅自闯入的目标。", "implementation": "Skanska与用AI软件处理物理安防的公司Hakimo合作，引入了远程安保。现场同时布设固定摄像头和移动摄像头，进行24小时监控。AI检测到异常时，会向Skanska的监督人员发出提醒。现场通过扬声器向疑似闯入者发出正在被监控的警告。监督人员登录Hakimo门户，实时查看同一画面。夜间进入者是否为本公司员工，由技术和人共同判断，必要时联系当地主管部门。", "outcome": "Skanska表示，自己是最早使用Hakimo的AI安防监控工具的公司之一。西海岸土木业务负责人Ryan Clayton表示，通过组合使用Hakimo服务中包含的多种威慑手段，安防比以往更加主动。该工程于2023年开工，预计2028年底完工。", "limitation": "原文中没有盗窃减少或误报比例之类的成效数字。" } } }, { "industry": "환경", "subindustry": "재활용 시설", "company": "WM", "country": "미국", "stage": "운영", "usecase": "재활용 선별 자동화", "implementation": "WM은 새 재활용 시설을 짓고 기존 시설을 개선하는 데 $1.4 billion이 넘는 돈을 쓰고 있다. 이 시설에는 인공지능과 자동화를 함께 넣는다. 회사는 광학 선별기와 지능형 선별 장비를 재활용 현장에 추가한다고 밝혔다. 목적은 회수하는 물질의 양을 늘리고 효율을 높이는 것이다. 한 시설에서는 로봇과 근적외선 기술로 의류를 섬유 조성, 색상, 금속 포함 여부에 따라 나누는 시범을 하고 있다.", "outcome": "WM은 계획한 재활용 시설 39곳 가운데 27곳을 마쳤다고 밝혔다. 2024년에는 자동화 개선 사업 열 건을 끝냈고 연간 재활용 처리 능력 545,000톤을 더했다. 재활용 성장 사업 39건 전체는 2026년 말까지 마칠 일정이다.", "limitation": "인공지능과 자동화만 떼어낸 회수량 증가나 오염률 감소 수치는 WM 자료에 없다. 시설별 처리 능력 증가는 설비 신설과 교체 효과가 함께 섞여 있다.", "id": "AX052", "scope": "본조사", "sourceIds": [ "S045", "S133", "S134" ], "evidenceAccess": "검색 도구의 본문 발췌 확인", "dateLabel": "2025-07-16", "dateBasis": "자료 발표 시점. 도입 시작일과 다를 수 있음", "evidenceYears": [ "2025" ], "problem": "WM은 2030년까지 재활용 물질 회수량을 2021년보다 60% 늘리겠다는 목표를 세웠다. 기존 선별 설비로는 회수할 수 있는 물질의 종류와 양에 한계가 있었다. 연성 플라스틱처럼 재활용이 어려운 물질이 대표적이다. 재활용 서비스 자체가 없는 지역도 남아 있었다.", "eventDate": "2025-07-16", "eventBasis": "공개", "translations": { "en": { "usecase": "Automating recycling sorting", "problem": "WM set a goal of increasing recovered recyclable material by 60 percent over 2021 levels by 2030. Existing sorting equipment limited both the types and the volume of material that could be recovered. Hard-to-recycle material such as flexible plastics is a typical example. Areas with no recycling service at all also remained.", "implementation": "WM is spending more than $1.4 billion on building new recycling facilities and upgrading existing ones. Artificial intelligence and automation go into these facilities together. The company said it is adding optical sorters and intelligent sorting equipment at recycling sites. The purpose is to increase the volume of material recovered and raise efficiency. At one facility it is piloting the separation of clothing by fibre composition, colour and the presence of metal using robots and near-infrared technology.", "outcome": "WM said it has completed 27 of the 39 recycling facilities planned. In 2024 it completed ten automation upgrade projects and added 545,000 tons of annual recycling processing capacity. All 39 recycling growth projects are scheduled for completion by the end of 2026.", "limitation": "Figures isolating the increase in recovery or the fall in contamination attributable to artificial intelligence and automation alone are not in WM's material. The increase in capacity by facility also mixes the effects of new equipment and replacement." }, "jp": { "usecase": "リサイクルの選別の自動化", "problem": "WMは2030年までにリサイクル物質の回収量を2021年より60%増やすという目標を立てた。従来の選別の設備では、回収できる物質の種類と量に限界があった。軟質プラスチックのようにリサイクルが難しい物質が代表である。リサイクルのサービス自体がない地域も残っていた。", "implementation": "WMは新しいリサイクルの施設を建て、既存の施設を改善するのに$1.4 billionを超える金を使っている。この施設には人工知能と自動化を併せて入れる。同社は光学の選別機と知能型の選別の装備をリサイクルの現場に追加すると述べた。目的は回収する物質の量を増やし、効率を高めることである。ある施設では、ロボットと近赤外線の技術で衣料を繊維の組成、色、金属の有無に応じて分ける試験を行っている。", "outcome": "WMは、計画したリサイクルの施設39か所のうち27か所を終えたと述べた。2024年には自動化の改善の事業を十件終え、年間のリサイクルの処理の能力545,000トンを加えた。リサイクルの成長の事業39件の全体は、2026年末までに終える日程である。", "limitation": "人工知能と自動化だけを切り出した回収量の増加や汚染率の減少の数値は、WMの資料にない。施設ごとの処理の能力の増加も、設備の新設と入れ替えの効果が一緒に混ざっている。" }, "zh": { "usecase": "回收分拣自动化", "problem": "WM设定了到2030年把可回收物回收量在2021年基础上提高60%的目标。现有分拣设备在可回收物质的种类和数量上都有局限，软塑料这类难回收材料就是典型。还有一些地区根本没有回收服务。", "implementation": "WM正在投入超过$1.4 billion用于新建回收设施和改造现有设施。这些设施会同时引入人工智能和自动化。公司表示，正在回收现场增加光学分选机和智能分拣设备，目的是提高回收物质的数量和效率。在某处设施，公司正在试点用机器人和近红外技术，按纤维成分、颜色和是否含金属对衣物进行分拣。", "outcome": "WM表示，计划中的39处回收设施已完成27处。2024年完成了十项自动化改造项目，新增年回收处理能力545,000吨。全部39个回收增长项目计划在2026年底前完成。", "limitation": "把人工智能和自动化单独拆出来的回收量增加或污染率下降数字，WM的资料中没有。各设施处理能力的提升，也混合了新建设备与设备更换的影响。" } } }, { "industry": "금융", "subindustry": "디지털 은행", "company": "Nubank", "country": "브라질", "stage": "운영", "usecase": "실시간 금융 사기 탐지의 운영 비용 개선", "implementation": "Nubank는 실시간 모델을 Model Server 위에 올렸다. 사내 시스템과 연결하는 Clojure 층과 모델을 돌리는 Python 층을 합친 구조다. Clojure 층은 인증과 보안, 로깅을 맡고 Python 층은 추론만 한다. 지난 24시간 거래 같은 단기 특징은 실시간으로 계산해 hot 데이터베이스에 두고, 지난 90일 거래 같은 장기 특징은 배치로 미리 계산해 feature store로 준다. 모든 이벤트를 모델에 넣지는 않는다. 사전 정책 규칙으로 위험이 낮은 이벤트를 먼저 걸러낸다. 새 모델은 실제 데이터를 처리하되 고객 대상 판단에는 영향을 주지 않는 shadow mode로 먼저 돌린다.", "outcome": "Nubank는 사기 탐지에서 모델이 처리하는 거래를 초당 2,800건에서 초당 20건으로 줄였다고 밝혔다. 샤드별로 쪼개 배포하던 방식을 하나의 pod 묶음에서 전 샤드를 처리하는 전역 배포로 바꾸면서 인프라 비용을 최대 30% 낮추고 안정성도 높였다고 설명했다. shadow mode에서는 PIX 거래 700ms 같은 SLA를 맞추는지 미리 확인한다.", "limitation": "30%는 인프라 비용 절감이지 사기 피해액 감소가 아니다. 원문은 탐지 정확도가 얼마나 달라졌는지 밝히지 않았다.", "localId": "0678", "id": "AX100", "scope": "본조사", "sourceIds": [ "S094" ], "evidenceAccess": "원문 본문 열람", "dateLabel": "2025-04-07", "dateBasis": "자료 발표 시점. 도입 시작일과 다를 수 있음", "evidenceYears": [ "2025" ], "problem": "Nubank는 수백만 고객의 거래를 지켜본다. 배치 모델은 큰 데이터를 모아 두었다가 다음 날 예측을 내놓는다. 누가 신용카드를 훔쳐 결제를 시도하면 배치 모델은 다음 날에야 잡아낸다. 피해가 이미 끝난 뒤다. 사기 탐지는 몇 초만 늦어도 막을 거래를 놓친다.", "eventDate": "2025-04-07", "eventBasis": "공개", "translations": { "en": { "usecase": "Improving the operating cost of real-time fraud detection", "problem": "Nubank watches transactions from millions of customers. A batch model gathers large amounts of data and produces predictions the next day. If someone steals a credit card and tries to pay, the batch model only catches it the next day, after the damage is done. In fraud detection, a delay of even a few seconds means missing a transaction that could have been stopped.", "implementation": "Nubank put real-time models on Model Server. It is a structure combining a Clojure layer that connects to internal systems and a Python layer that runs the models. The Clojure layer handles authentication, security and logging, and the Python layer does inference only. Short-term features such as transactions in the last 24 hours are computed in real time and held in a hot database, while long-term features such as transactions over the last 90 days are pre-computed in batch and served from a feature store. Not every event goes into the model. Pre-policy rules filter out low-risk events first. A new model is first run in shadow mode, where it processes real data but does not affect decisions that reach customers.", "outcome": "Nubank said it reduced the transactions the model processes in fraud detection from 2,800 per second to 20 per second. It explained that changing from shard-by-shard deployment to a global deployment where one pod group handles all shards lowered infrastructure cost by up to 30 percent and improved stability. In shadow mode it checks in advance whether SLAs such as 700ms for PIX transactions are met.", "limitation": "The 30 percent is an infrastructure cost saving, not a reduction in fraud losses. The source does not disclose how detection accuracy changed." }, "jp": { "usecase": "リアルタイムの金融不正検知の運用費用の改善", "problem": "Nubankは数百万の顧客の取引を見守る。バッチのモデルは大きなデータを集めておき、翌日に予測を出す。誰かがクレジットカードを盗んで決済を試みると、バッチのモデルは翌日になってようやく捉える。被害がすでに終わったあとである。不正の検知は数秒遅れるだけでも、止められる取引を逃す。", "implementation": "NubankはリアルタイムのモデルをModel Serverの上に載せた。社内のシステムとつなぐClojureの層と、モデルを回すPythonの層を合わせた構造である。Clojureの層は認証と保安、ロギングを担い、Pythonの層は推論だけを行う。過去24時間の取引のような短期の特徴はリアルタイムで計算してhotのデータベースに置き、過去90日の取引のような長期の特徴はバッチであらかじめ計算してfeature storeから渡す。すべてのイベントをモデルに入れるわけではない。事前の方針の規則で危険の低いイベントを先に濾す。新しいモデルは、実際のデータを処理しつつ顧客に向けた判断には影響を与えないshadow modeで先に回す。", "outcome": "Nubankは、不正の検知でモデルが処理する取引を毎秒2,800件から毎秒20件に減らしたと述べた。シャードごとに分けて配備していたやり方を、一つのpodの束で全シャードを処理する全域の配備に変え、インフラの費用を最大30%下げ、安定性も高めたと説明した。shadow modeでは、PIXの取引の700msのようなSLAを満たすかをあらかじめ確かめる。", "limitation": "30%はインフラの費用の削減であり、不正の被害額の減少ではない。原文は、検知の精度がどれだけ変わったかを明らかにしていない。" }, "zh": { "usecase": "改善实时金融欺诈检测的运营成本", "problem": "Nubank需要监看数百万客户的交易。批处理模型把大量数据攒起来，第二天才给出预测。有人盗用信用卡尝试支付时，批处理模型要到第二天才能发现，那时损失已经造成。在欺诈检测里，哪怕晚几秒，也会错过本可以拦下的交易。", "implementation": "Nubank把实时模型部署在Model Server上。这是把对接内部系统的Clojure层与运行模型的Python层结合起来的结构。Clojure层负责认证、安全和日志，Python层只做推理。过去24小时交易之类的短期特征实时计算并存入hot数据库，过去90天交易之类的长期特征则批量预先计算，通过feature store提供。并非所有事件都送进模型。前置策略规则先过滤掉低风险事件。新模型先以shadow mode运行，处理真实数据但不影响面向客户的判断。", "outcome": "Nubank表示，在欺诈检测中，模型处理的交易量从每秒2,800笔降到每秒20笔。公司说明，把按分片分别部署的方式改为由一组pod处理全部分片的全局部署后，基础设施成本最多降低30%，稳定性也有所提高。在shadow mode中，会预先确认是否满足PIX交易700ms之类的SLA。", "limitation": "30%是基础设施成本的节省，不是欺诈损失金额的下降。原文没有说明检测准确度变化了多少。" } } }, { "industry": "보험", "subindustry": "종합보험", "company": "AXA", "country": "프랑스", "stage": "운영", "usecase": "사내 생성형 AI", "implementation": "AXA는 2023년에 자체 솔루션 AXA Secure GPT를 내놓았다. 일반적인 프롬프트 작업을 위한 도구다. 이 플랫폼은 AXA 그룹 전체가 여러 언어 모델에 접근하는 중앙 통로 역할을 한다. API로도 쓰고 웹 화면으로도 쓴다. 제공하는 모델은 GPT-4, GPT-4 Turbo, GPT-4o, GPT-4o Mini와 Mistral의 소형 및 대형 모델이다. Secure GPT 밖에서는 각 법인이 필요에 따라 별도 AI 시스템을 쓴다. 콜센터 상담원 지원, 요율 산정과 언더라이팅, 보험금 지급 업무가 그 예다. Microsoft Copilot이나 Salesforce Einstein처럼 기존 도구에 들어간 AI 기능도 함께 쓴다.", "outcome": "AXA는 2025년 주주총회 사전 서면질의 답변에서 Secure GPT가 54,000명이 넘는 직원의 일상 업무를 돕는다고 밝혔다. 활용 사례는 수작업을 크게 줄일 수 있는 영역에 먼저 배치했다고 설명했다. 고객 서비스에서는 응답을 앞당기고, 보험금 지급에서는 정형과 비정형 데이터를 함께 분석하며, 언더라이팅에서는 생성형 AI가 다양한 고객 데이터를 분석해 더 빠른 답을 준다고 했다. 교육도 함께 돌린다. 2022년에 만든 Data and AI Academy가 있고 2023년에는 생성형 AI 모듈을 더했다.", "limitation": "54,000명은 지원 대상 인원이고 실제 이용자 수나 이용 빈도는 답변에 없다. 생성형 AI로 얻은 생산성 향상 수치도 밝히지 않았다.", "id": "AX057", "scope": "본조사", "sourceIds": [ "S050" ], "evidenceAccess": "원문 본문 열람", "dateLabel": "2025 주주답변", "dateBasis": "보고서 또는 답변 문서의 연도", "evidenceYears": [ "2025" ], "problem": "AXA는 앞으로 여러 업무가 AI의 영향을 받을 것으로 봤다. 직원이 매일 하는 문서 작업과 질문 처리에 일반 목적 AI를 쓰려면 회사가 관리하는 통로가 필요했다. 수작업 비중이 큰 업무를 자동화할 여지도 컸다.", "eventDate": "2023-07", "eventBasis": "도입", "translations": { "en": { "usecase": "Internal generative AI", "problem": "AXA expected many kinds of work to be affected by AI going forward. Using general-purpose AI for the document work and question handling employees do every day required a channel the company controls. There was also considerable room to automate work with a large manual component.", "implementation": "In 2023 AXA released its own solution, AXA Secure GPT. It is a tool for general prompting work. This platform acts as the central channel through which the whole AXA group accesses several language models. It is used both via API and through a web screen. The models offered are GPT-4, GPT-4 Turbo, GPT-4o, GPT-4o Mini and Mistral's small and large models. Outside Secure GPT, each entity uses separate AI systems according to its needs. Supporting call centre agents, rate setting and underwriting, and claims payment work are examples. AI features built into existing tools, such as Microsoft Copilot or Salesforce Einstein, are used as well.", "outcome": "In its written answers to advance shareholder questions for the 2025 annual general meeting, AXA said Secure GPT supports the daily work of more than 54,000 employees. It explained that use cases were deployed first in areas where manual work could be greatly reduced. It said that in customer service it brings responses forward, in claims payment it analyses structured and unstructured data together, and in underwriting generative AI analyses varied customer data to give a faster answer. Training runs alongside. There is a Data and AI Academy set up in 2022, and a generative AI module was added in 2023.", "limitation": "The 54,000 is the number of people covered, and the actual number of users or frequency of use is not in the answer. Productivity gain figures from generative AI were not disclosed either." }, "jp": { "usecase": "社内の生成AI", "problem": "AXAは、これから多くの業務がAIの影響を受けると見た。従業員が毎日行う文書の作業と質問の処理に汎用のAIを使うには、会社が管理する通路が必要だった。手作業の比重が大きい業務を自動化する余地も大きかった。", "implementation": "AXAは2023年に自社のソリューションAXA Secure GPTを出した。一般的なプロンプトの作業のための道具である。このプラットフォームは、AXAグループの全体が複数の言語モデルに接続する中央の通路の役割をする。APIでも使い、ウェブの画面でも使う。提供するモデルはGPT-4、GPT-4 Turbo、GPT-4o、GPT-4o MiniとMistralの小型および大型のモデルである。Secure GPTの外では、各法人が必要に応じて別のAIのシステムを使う。コールセンターの担当者の支援、料率の算定とアンダーライティング、保険金の支払の業務がその例である。Microsoft CopilotやSalesforce Einsteinのように既存の道具に入ったAIの機能も併せて使う。", "outcome": "AXAは2025年の株主総会の事前の書面質問への回答で、Secure GPTが54,000人を超える従業員の日常の業務を助けると述べた。活用の事例は、手作業を大きく減らせる領域に先に配置したと説明した。顧客サービスでは応答を前倒しし、保険金の支払では定型と非定型のデータを併せて分析し、アンダーライティングでは生成AIが多様な顧客のデータを分析してより速い答えを与えるとした。教育も併せて回す。2022年に作ったData and AI Academyがあり、2023年には生成AIのモジュールを加えた。", "limitation": "54,000人は支援の対象の人数であり、実際の利用者数や利用の頻度は回答にない。生成AIで得た生産性の向上の数値も明らかにしていない。" }, "zh": { "usecase": "公司内部的生成式AI", "problem": "AXA判断今后许多业务都会受到AI影响。要把通用AI用于员工每天的文档工作和问题处理，需要一条由公司管控的通道。人工占比高的业务也有很大的自动化空间。", "implementation": "AXA在2023年推出了自有方案AXA Secure GPT，这是用于一般prompt作业的工具。该平台充当整个AXA集团接入多个语言模型的中央通道，既可通过API使用，也可通过网页界面使用。提供的模型包括GPT-4、GPT-4 Turbo、GPT-4o、GPT-4o Mini以及Mistral的小型和大型模型。在Secure GPT之外，各法人实体按需使用其他AI系统，例如呼叫中心坐席支持、费率测算与核保、理赔支付等业务。公司同时也使用Microsoft Copilot、Salesforce Einstein这类已内嵌在既有工具中的AI功能。", "outcome": "AXA在2025年股东大会的事前书面提问答复中表示，Secure GPT为超过54,000名员工的日常工作提供支持。公司说明，应用场景优先部署在能大幅减少人工作业的领域。在客户服务方面提前了响应，在理赔支付方面同时分析结构化与非结构化数据，在核保方面由生成式AI分析多样的客户数据以更快给出答案。培训也同步进行：2022年设立了Data and AI Academy，2023年又增加了生成式AI模块。", "limitation": "54,000人是覆盖人数，答复中没有实际使用人数或使用频率，也未公布由生成式AI带来的生产率提升数字。" } } }, { "industry": "물류", "subindustry": "화물 운송 플랫폼", "company": "CJ대한통운", "country": "한국", "stage": "운영", "usecase": "화물 주문 추천과 경로 안내", "implementation": "CJ대한통운은 화물차주용 플랫폼 더 운반(the unban) 앱을 전면 개편하고 AI 기반 통합시스템을 열었다. 개편의 핵심은 주문 자동화와 최적 루팅, 프라이싱 기능을 합친 스마트 운송 환경이다. AI는 화물차주의 운행 이력과 선호 노선, 현재 위치를 분석해 최적의 운송 오더를 자동 추천한다. 실시간 교통 데이터와 운행 데이터를 반영해 효율적인 운송 경로를 제시한다. 오더 진행 현황과 누적 운임, 날씨 정보를 한 화면에서 보게 했다. 중고 화물차 거래와 주유 멤버십 같은 부가 기능도 넓혔다.", "outcome": "CJ대한통운은 이 방식으로 공차율을 줄이고 수익성과 운행 효율을 동시에 높일 수 있다고 설명했다. 차주가 오더를 일일이 찾던 흐름이 AI 추천을 받아 고르는 흐름으로 바뀌었다. 2025년 회고에서 AI 기반 통합 운송 역량을 한층 강화했다고 밝혔다.", "limitation": "공차율이 실제로 얼마나 줄었는지 수치는 원문에 없다. 원문은 AI가 오더를 자동 추천한다고 적었을 뿐 배차를 자동으로 확정한다고는 하지 않았다.", "id": "AX042", "scope": "본조사", "sourceIds": [ "S037" ], "evidenceAccess": "원문 본문 열람", "dateLabel": "2025-12-30", "dateBasis": "자료 발표 시점. 도입 시작일과 다를 수 있음", "evidenceYears": [ "2025" ], "problem": "화물차주는 어떤 운송 건을 받을지 스스로 골라야 했다. 빈 차로 달리는 구간이 생기면 수익성과 운행 효율이 같이 떨어진다. 오더 진행 현황과 누적 운임 같은 정보도 한 화면에서 보기 어려웠다.", "eventDate": "2025-12-30", "eventBasis": "공개", "translations": { "en": { "usecase": "Recommending freight orders and guiding routes", "problem": "Truck owner-drivers had to choose for themselves which haulage jobs to take. When a leg is run empty, both profitability and operating efficiency drop. Information such as order progress and cumulative fare was also hard to see on one screen.", "implementation": "CJ Logistics completely overhauled its platform app for owner-drivers, the unban, and opened an AI based integrated system. The core of the overhaul is a smart transport environment combining order automation, optimal routing and pricing. The AI analyses an owner-driver's driving history, preferred routes and current location to recommend the best haulage order automatically. It presents an efficient transport route reflecting real-time traffic data and driving data. Order progress, cumulative fare and weather information are shown on one screen. Additional features such as used truck trading and a fuel membership were expanded as well.", "outcome": "CJ Logistics explained that this approach can reduce the empty running rate and raise profitability and operating efficiency at the same time. The flow in which drivers had to search for orders one by one changed into one where they choose from AI recommendations. In its 2025 review the company said it further strengthened AI based integrated transport capability.", "limitation": "Figures for how much the empty running rate actually fell are not in the source. The source states only that the AI recommends orders automatically, not that it confirms dispatch automatically." }, "jp": { "usecase": "貨物の注文の推薦と経路の案内", "problem": "貨物車の車主は、どの運送の案件を受けるかを自分で選ぶ必要があった。空車で走る区間ができると、収益性と運行の効率が一緒に落ちる。注文の進行の状況や累積の運賃といった情報も、一つの画面で見るのが難しかった。", "implementation": "CJ大韓通運は、貨物車の車主向けのプラットフォームであるト・ウンバン（the unban）のアプリを全面的に改め、AIを基にした統合のシステムを開いた。改編の中心は、注文の自動化と最適なルーティング、プライシングの機能を合わせたスマートな運送の環境である。AIは貨物車の車主の運行の履歴と好みの路線、現在の位置を分析し、最適な運送の注文を自動で推薦する。リアルタイムの交通のデータと運行のデータを反映して効率的な運送の経路を示す。注文の進行の状況と累積の運賃、天気の情報を一つの画面で見られるようにした。中古の貨物車の取引や給油のメンバーシップといった付加の機能も広げた。", "outcome": "CJ大韓通運は、このやり方で空車率を減らし、収益性と運行の効率を同時に高められると説明した。車主が注文を一つひとつ探していた流れが、AIの推薦を受けて選ぶ流れに変わった。2025年の振り返りでは、AIを基にした統合の運送の力を一段と強めたと述べた。", "limitation": "空車率が実際にどれだけ減ったかの数値は原文にない。原文はAIが注文を自動で推薦すると記しただけで、配車を自動で確定するとは述べていない。" }, "zh": { "usecase": "推荐货运订单与引导路线", "problem": "货车车主必须自己挑选接哪些运输单。一旦出现空车行驶的路段，收益性和运行效率就会一起下降。订单进度、累计运费之类的信息也很难在一个界面上看到。", "implementation": "CJ大韩通运对面向货车车主的平台应用the unban进行了全面改版，并开通了基于AI的一体化系统。改版的核心是把订单自动化、最优路径规划和定价功能结合起来的智能运输环境。AI分析车主的行驶历史、偏好路线和当前位置，自动推荐最合适的运输订单，并结合实时交通数据和行驶数据给出高效的运输路线。订单进度、累计运费和天气信息都在一个界面上呈现。公司还扩展了二手货车交易、加油会员等附加功能。", "outcome": "CJ大韩通运说明，这种方式可以降低空驶率，同时提升收益性和运行效率。车主原本要逐条寻找订单的流程，变成了接受AI推荐后再挑选。在2025年的回顾中，公司表示进一步强化了基于AI的一体化运输能力。", "limitation": "空驶率实际下降了多少，原文中没有数字。原文只写AI自动推荐订单，并未说它自动确定派车。" } } }, { "industry": "물류", "subindustry": "물류센터", "company": "CJ대한통운", "country": "한국", "stage": "실증", "usecase": "물류 휴머노이드 로봇", "implementation": "로봇 전문기업과 협력해 군포 풀필먼트센터에서 실제 포장과 분류 작업에 로봇을 투입했다. 소프트웨어와 로봇 하드웨어의 통합 운영까지 검증하는 단계다. 여기에 더해 피지컬 AI 전문기업과 함께 로봇이 보고 판단하고 행동하게 하는 로봇 파운데이션 모델(RFM)을 공동 개발하고 있다. 센터마다 다른 맞춤형 로봇 운영 체계를 만드는 것이 목표다.", "outcome": "CJ대한통운은 이 실증으로 물류 자동화의 새로운 장을 열었다고 밝혔다. 시험용 설비가 아니라 실제 운영 중인 풀필먼트센터의 공정에 로봇을 넣었다. 2026년부터는 주요 물류센터로 로봇 시스템을 확대 적용하고 AI 중심의 자율 운영 물류센터를 앞당긴다는 방침이다.", "limitation": "아직 검증 중인 단계다. 원문은 처리량이나 인력 절감 수치를 밝히지 않았다. 2026년 확대 방침은 전 센터 적용 완료를 뜻하지 않는다.", "id": "AX043", "scope": "본조사", "sourceIds": [ "S037" ], "evidenceAccess": "원문 본문 열람", "dateLabel": "2025-12-30", "dateBasis": "자료 발표 시점. 도입 시작일과 다를 수 있음", "evidenceYears": [ "2025" ], "problem": "CJ대한통운은 2025년 국내 물류업계 처음으로 AI 휴머노이드 로봇 실증에 나섰다. 포장과 분류 작업을 로봇이 실제 현장에서 해낼 수 있는지 확인해야 했다. 소프트웨어와 로봇 하드웨어를 함께 돌렸을 때 문제가 없는지도 검증 대상이었다.", "eventDate": "2025-12-30", "eventBasis": "공개", "translations": { "en": { "usecase": "Humanoid robots in logistics", "problem": "In 2025 CJ Logistics became the first in the Korean logistics industry to run a pilot of AI humanoid robots. It had to confirm whether robots could actually carry out packing and sorting work on a real site. Whether software and robot hardware would run together without problems was also to be verified.", "implementation": "Working with a robotics specialist, the company deployed robots on real packing and sorting work at the Gunpo fulfilment centre. The stage covers verification right through to integrated operation of software and robot hardware. In addition, together with a physical AI specialist, it is jointly developing a robot foundation model (RFM) that lets robots see, judge and act. The goal is to build a robot operating scheme tailored to each centre.", "outcome": "CJ Logistics said this pilot opened a new chapter in logistics automation. The robots were put into the processes of a fulfilment centre that is actually in operation, not into test equipment. From 2026 the company plans to extend the robot system to its main distribution centres and bring forward AI centred autonomously operated centres.", "limitation": "It is still at the verification stage. The source does not disclose throughput or labour saving figures. The plan to expand in 2026 does not mean deployment will be completed at every centre." }, "jp": { "usecase": "物流のヒューマノイドロボット", "problem": "CJ大韓通運は2025年、韓国の物流業界で初めてAIのヒューマノイドロボットの実証に乗り出した。梱包と仕分けの作業をロボットが実際の現場でこなせるかを確かめる必要があった。ソフトウェアとロボットのハードウェアを一緒に回したときに問題がないかも検証の対象だった。", "implementation": "ロボットの専門企業と協力し、軍浦のフルフィルメントセンターで実際の梱包と仕分けの作業にロボットを投入した。ソフトウェアとロボットのハードウェアの統合の運用まで検証する段階である。これに加えて、フィジカルAIの専門企業と一緒に、ロボットが見て判断して行動できるようにするロボットファウンデーションモデル（RFM）を共同で開発している。センターごとに異なるあつらえのロボットの運用の体系を作ることが目標である。", "outcome": "CJ大韓通運は、この実証によって物流の自動化の新しい章を開いたと述べた。試験用の設備ではなく、実際に運用中のフルフィルメントセンターの工程にロボットを入れた。2026年からは主要な物流センターへロボットのシステムを拡大して適用し、AIを中心にした自律運用の物流センターを前倒しする方針である。", "limitation": "まだ検証中の段階である。原文は、処理量や人員の削減の数値を明らかにしていない。2026年の拡大の方針は、全センターへの適用の完了を意味しない。" }, "zh": { "usecase": "物流人形机器人", "problem": "CJ大韩通运于2025年在韩国物流行业率先启动AI人形机器人验证。公司需要确认机器人能否在真实现场完成打包和分拣作业，软件与机器人硬件一起运行时是否会出现问题，也是验证对象。", "implementation": "公司与机器人专业企业合作，在军浦履约中心把机器人投入真实的打包和分拣作业。该阶段要验证到软件与机器人硬件的一体化运行。此外，公司还与物理AI专业企业共同开发让机器人能看、能判断、能行动的机器人基础模型（RFM），目标是打造各中心量身定制的机器人运行体系。", "outcome": "CJ大韩通运表示，这次验证开启了物流自动化的新篇章。机器人被放进的是正在实际运行的履约中心的工序，而不是试验设备。公司计划从2026年起把机器人系统扩大应用到主要物流中心，提前实现以AI为中心的自主运行物流中心。", "limitation": "目前仍处于验证阶段。原文没有披露处理量或人力节省的数字。2026年的扩大方针并不意味着全部中心都完成部署。" } } }, { "industry": "에너지", "subindustry": "석유와 가스", "company": "Woodside", "country": "호주", "stage": "제한 운영", "usecase": "설비 정비 주기 조정", "implementation": "Woodside는 North West Shelf 프로젝트에 Maint Intel이라는 도구를 들였다. AI로 정비 기록을 분석해 설비의 고장 유형을 찾아낸다. 그 결과를 고급 통계 모델에 넣어 최적 정비 주기를 추천한다. 추천은 많은 양의 데이터와 정비 계획, 과거 성능을 회사의 신뢰성 목표와 맞춰 보고 나온다. 이 도구는 Woodside의 Digital 팀이 인도의 Amazon Web Services와 함께 만들었다. 도구는 일정을 직접 바꾸지 않고 최적 정비 주기를 추천하는 데까지 한다.", "outcome": "Woodside는 해상 Angel 플랫폼에서 먼저 시험하고 검증했다고 밝혔다. 다른 자산으로는 같은 해에 확대할 일정이라고 했다. Digital 팀과 인도의 AWS AI 전문가가 함께 일하면서 모델 처리 시간을 닷새에서 두 시간 미만으로 줄였다고 밝혔다. 회사는 쓸데없는 작업이 크게 줄어 팀이 다른 중요한 일에 시간을 쓸 수 있게 됐다고 설명했다.", "limitation": "줄어든 것은 모델을 돌리는 시간이다. 정비비나 고장률 감소 수치, 추천을 누가 승인하는지는 원문에 나오지 않는다.", "localId": "", "id": "AX094", "scope": "본조사", "sourceIds": [ "S088" ], "evidenceAccess": "원문 본문 열람", "dateLabel": "2026-01-05", "dateBasis": "자료 발표 시점. 도입 시작일과 다를 수 있음", "evidenceYears": [ "2026" ], "problem": "Woodside는 높은 신뢰성을 운영의 기본으로 본다. 정비를 언제 할지 정하는 일이 그 핵심이다. 예방 정비를 필요보다 일찍 하면 쓸데없는 작업이 늘고 늦게 하면 위험이 커진다. North West Shelf 자산이 생산 고원을 지나 다음 단계로 들어가면서 성능을 지키는 동시에 원가 경쟁력도 유지해야 하는 상황이 됐다.", "eventDate": "2026-01-05", "eventBasis": "공개", "translations": { "en": { "usecase": "Adjusting equipment maintenance intervals", "problem": "Woodside treats high reliability as the basis of operations, and deciding when to carry out maintenance is at the heart of it. Doing preventive maintenance earlier than needed piles up unnecessary work, while doing it late increases risk. As the North West Shelf assets moved past the production plateau into the next stage, the company had to hold performance while also keeping cost competitiveness.", "implementation": "Woodside brought a tool called Maint Intel into the North West Shelf project. It uses AI to analyse maintenance records and identify equipment failure modes. Those results go into advanced statistical models that recommend the optimal maintenance interval. The recommendation comes from matching large volumes of data, maintenance plans and past performance against the company's reliability targets. The tool was built by Woodside's Digital team together with Amazon Web Services in India. The tool does not change the schedule itself; it goes as far as recommending the optimal maintenance interval.", "outcome": "Woodside said it first trialled and validated the tool on the offshore Angel platform. It said extension to other assets was scheduled for the same year. It said that working together, the Digital team and AWS AI specialists in India cut model processing time from five days to under two hours. The company explained that unnecessary work fell sharply, freeing the team's time for other important work.", "limitation": "What was reduced is the time to run the model. Figures for maintenance cost or failure rate reduction, and who approves the recommendation, do not appear in the source." }, "jp": { "usecase": "設備の整備の周期の調整", "problem": "Woodsideは高い信頼性を運用の基本と見る。整備をいつ行うかを決める仕事がその中心である。予防の整備を必要より早く行うと無駄な作業が増え、遅く行うと危険が大きくなる。North West Shelfの資産が生産の高原を過ぎて次の段階に入り、性能を守ると同時に原価の競争力も保たなければならない状況になった。", "implementation": "WoodsideはNorth West ShelfのプロジェクトにMaint Intelという道具を入れた。AIで整備の記録を分析し、設備の故障の類型を見つけ出す。その結果を高度な統計のモデルに入れ、最適な整備の周期を推薦する。推薦は、多くの量のデータと整備の計画、過去の性能を会社の信頼性の目標と突き合わせて出てくる。この道具はWoodsideのDigitalのチームがインドのAmazon Web Servicesと一緒に作った。道具は日程を自ら変えず、最適な整備の周期を推薦するところまでを行う。", "outcome": "Woodsideは、海上のAngelプラットフォームでまず試して検証したと述べた。他の資産へは同じ年に拡大する日程だとした。DigitalのチームとインドのAWSのAIの専門家が一緒に働きながら、モデルの処理の時間を五日から二時間未満に減らしたと述べた。同社は、無駄な作業が大きく減り、チームが他の重要な仕事に時間を使えるようになったと説明した。", "limitation": "減ったのはモデルを回す時間である。整備費や故障率の減少の数値、推薦を誰が承認するのかは原文に出てこない。" }, "zh": { "usecase": "调整设备维修周期", "problem": "Woodside把高可靠性视为运营的基础，决定何时进行维修则是其核心。预防性维修做得早于需要会增加无谓作业，做得晚则风险增大。随着North West Shelf资产越过产量高原期进入下一阶段，公司既要保住性能，又要维持成本竞争力。", "implementation": "Woodside在North West Shelf项目中引入了名为Maint Intel的工具。它用AI分析维修记录，找出设备的故障类型，再把结果输入高级统计模型，推荐最优的维修周期。推荐结果来自把大量数据、维修计划和历史表现与公司的可靠性目标相对照。该工具由Woodside的Digital团队与印度的Amazon Web Services共同开发。工具本身不改动排程，只做到推荐最优维修周期。", "outcome": "Woodside表示，先在海上的Angel平台进行了试用和验证，并计划在同一年推广到其他资产。公司称，Digital团队与印度AWS的AI专家协同工作，把模型处理时间从五天缩短到两小时以内。公司说明，无谓作业大幅减少，团队得以把时间用在其他重要工作上。", "limitation": "减少的是运行模型的时间。维修费用或故障率下降的数字，以及由谁批准推荐结果，原文中都没有提及。" } } }, { "industry": "금융", "subindustry": "기업금융", "company": "DBS", "country": "싱가포르", "stage": "운영", "usecase": "기업 고객 상담", "implementation": "바탕은 전사 데이터 분석 플랫폼 ADA다. 이 플랫폼은 통제와 보안을 갖춘 데이터 이용 환경을 제공한다. 은행은 그 위에 생성형 AI 프레임워크를 얹었다. 재사용 구성요소, 통제 장치, 업무 흐름 기능, 프롬프트 작성 기준을 표준으로 정했다. 이 기준 위에서 기업금융 챗봇 DBS Joy를 만들었다. DBS Joy는 기업과 중소기업 고객을 대상으로 24시간 응답한다.", "outcome": "DBS는 DBS Joy가 기업과 중소기업 고객에게 24시간 상담을 제공한다고 밝혔다. 같은 서한에서 은행은 ADA를 통해 2,000개가 넘는 AI 모델을 430개가 넘는 과제에 적용했다고 밝혔다. 2025년 데이터 분석과 AI 활동이 만든 경제적 가치는 약 10억 싱가포르달러라고 적었다. 이 금액은 은행 전체 활동의 합계이며 챗봇 하나의 성과가 아니다.", "limitation": "원문은 DBS Joy를 한 문장으로만 설명한다. 응답 정확도, 처리 건수, 사람 상담으로 넘긴 비율은 없다.", "id": "AX055", "scope": "본조사", "sourceIds": [ "S049" ], "evidenceAccess": "원문 본문 열람", "dateLabel": "2026-03-09", "dateBasis": "자료 발표 시점. 도입 시작일과 다를 수 있음", "evidenceYears": [ "2026" ], "problem": "DBS는 기업 고객과 중소기업 고객의 문의를 받는 창구를 운영한다. 은행은 AI를 대규모로 쓰는 은행이 되겠다는 목표를 세웠다. 그러려면 여러 팀이 생성형 AI 응용을 책임 있게 만들고 넓힐 공통 기준이 필요했다.", "eventDate": "2026-03-09", "eventBasis": "공개", "translations": { "en": { "usecase": "Corporate customer support", "problem": "DBS runs a channel that takes enquiries from corporate and small and medium enterprise customers. The bank set itself the goal of becoming a bank that uses AI at scale. Doing so required a common standard so that several teams could build and expand generative AI applications responsibly.", "implementation": "The foundation is ADA, the bank-wide data analytics platform. This platform provides a data usage environment with controls and security. On top of it the bank laid a generative AI framework. Reusable components, control mechanisms, workflow capabilities and prompt writing standards were set as the standard. On this basis it built the corporate banking chatbot DBS Joy. DBS Joy responds around the clock to corporate and small and medium enterprise customers.", "outcome": "DBS said DBS Joy provides round-the-clock support to corporate and small and medium enterprise customers. In the same letter the bank said it applied more than 2,000 AI models to more than 430 use cases through ADA. It wrote that the economic value created by data analytics and AI activity in 2025 was about 1 billion Singapore dollars. That amount is the total of the bank's whole activity, not the result of one chatbot.", "limitation": "The source describes DBS Joy in a single sentence. Answer accuracy, volume handled and the share passed to human agents are absent." }, "jp": { "usecase": "法人顧客の相談", "problem": "DBSは法人の顧客と中小企業の顧客の問い合わせを受ける窓口を運営する。銀行はAIを大規模に使う銀行になるという目標を立てた。そのためには、複数のチームが生成AIの応用を責任をもって作り広げるための共通の基準が必要だった。", "implementation": "土台は全社のデータ分析のプラットフォームADAである。このプラットフォームは統制と保安を備えたデータ利用の環境を提供する。銀行はその上に生成AIのフレームワークを載せた。再利用の構成要素、統制の装置、業務の流れの機能、プロンプトの作成の基準を標準として定めた。この基準の上で法人金融のチャットボットDBS Joyを作った。DBS Joyは法人と中小企業の顧客を対象に24時間応答する。", "outcome": "DBSは、DBS Joyが法人と中小企業の顧客に24時間の相談を提供すると述べた。同じ書簡で銀行は、ADAを通じて2,000を超えるAIのモデルを430を超える課題に適用したと述べた。2025年のデータ分析とAIの活動が作った経済的な価値は約10億シンガポールドルだと記した。この金額は銀行の全体の活動の合計であり、チャットボット一つの成果ではない。", "limitation": "原文はDBS Joyを一文でしか説明しない。応答の精度、処理の件数、人の相談へ渡した比率はない。" }, "zh": { "usecase": "企业客户咨询", "problem": "DBS运营着接收企业客户和中小企业客户咨询的窗口。银行为自己设定了成为大规模使用AI的银行这一目标。为此需要一套共同标准，让多个团队能够负责任地构建并推广生成式AI应用。", "implementation": "底座是全行数据分析平台ADA。该平台提供具备管控和安全的数据使用环境。银行在其上叠加了生成式AI框架，把可复用组件、管控装置、工作流功能和prompt撰写规范定为标准。在这一标准之上，银行构建了企业金融聊天机器人DBS Joy。DBS Joy面向企业和中小企业客户提供24小时应答。", "outcome": "DBS表示，DBS Joy为企业和中小企业客户提供24小时咨询。在同一封信函中，银行表示已通过ADA把超过2,000个AI模型应用到超过430个课题上。信中写到，2025年数据分析与AI活动创造的经济价值约为10亿新加坡元。这一金额是全行活动的总和，不是某一个聊天机器人的成果。", "limitation": "原文只用一句话描述DBS Joy，没有应答准确度、处理数量以及转给人工的比例。" } } }, { "industry": "금융", "subindustry": "은행", "company": "DBS", "country": "싱가포르", "stage": "운영", "usecase": "부정적 뉴스 검토", "implementation": "은행은 먼저 생성형 AI 프레임워크를 만들었다. 재사용 구성요소, 통제 장치, 업무 흐름 기능, 프롬프트 작성 기준을 표준으로 정했다. 이 기준 위에서 부정적 뉴스 심사 도구를 생성형 AI로 만들었다. 데이터는 전사 데이터 분석 플랫폼 ADA가 다룬다. 은행은 이 플랫폼으로 코드 배포 시간을 25% 줄이고 모델 배포 주기를 10주 안쪽으로 줄였다고 밝혔다.", "outcome": "DBS는 이 도구가 부정적 뉴스 심사의 생산성을 높인다고 밝혔다. 2025년 실적을 담은 CIO 서한에 운영 중인 생성형 AI 사례로 적혔다. 같은 서한은 ADA를 통해 2,000개가 넘는 AI 모델을 430개가 넘는 과제에 적용했다고 밝혔다. 심사 업무만 떼어낸 성과 수치는 적지 않았다.", "limitation": "원문은 이 도구를 한 문장으로만 언급한다. 심사 정확도, 처리 시간, 사람이 다시 본 비율은 없다.", "id": "AX056", "scope": "본조사", "sourceIds": [ "S049" ], "evidenceAccess": "원문 본문 열람", "dateLabel": "2026-03-09", "dateBasis": "자료 발표 시점. 도입 시작일과 다를 수 있음", "evidenceYears": [ "2026" ], "problem": "DBS는 고객과 관련한 부정적 뉴스를 살피는 심사 업무를 운영한다. 은행은 이 업무를 생성형 AI로 생산성을 올릴 대상으로 꼽았다. 그 전에 팀마다 제각각인 개발 방식을 정리할 기준이 필요했다.", "eventDate": "2026-03-09", "eventBasis": "공개", "translations": { "en": { "usecase": "Adverse news review", "problem": "DBS runs a screening operation that looks at adverse news relating to customers. The bank picked this work out as a target for raising productivity with generative AI. Before that, it needed a standard to tidy up development practices that differed from team to team.", "implementation": "The bank first built a generative AI framework. Reusable components, control mechanisms, workflow capabilities and prompt writing standards were set as the standard. On this basis it built an adverse news screening tool with generative AI. The data is handled by ADA, the bank-wide data analytics platform. The bank said this platform cut code deployment time by 25 percent and reduced the model deployment cycle to under 10 weeks.", "outcome": "DBS said the tool raises productivity in adverse news screening. It is listed as a generative AI case in operation in the CIO letter covering 2025 results. The same letter said more than 2,000 AI models were applied to more than 430 use cases through ADA. Performance figures isolating the screening work were not given.", "limitation": "The source mentions this tool in a single sentence. Screening accuracy, handling time and the share reviewed again by people are absent." }, "jp": { "usecase": "ネガティブニュースの確認", "problem": "DBSは顧客に関わるネガティブなニュースを調べる審査の業務を運営する。銀行はこの業務を、生成AIで生産性を上げる対象として挙げた。その前に、チームごとにばらばらな開発のやり方を整理する基準が必要だった。", "implementation": "銀行はまず生成AIのフレームワークを作った。再利用の構成要素、統制の装置、業務の流れの機能、プロンプトの作成の基準を標準として定めた。この基準の上で、ネガティブニュースの審査の道具を生成AIで作った。データは全社のデータ分析のプラットフォームADAが扱う。銀行はこのプラットフォームでコードの配備の時間を25%減らし、モデルの配備の周期を10週の内側に縮めたと述べた。", "outcome": "DBSは、この道具がネガティブニュースの審査の生産性を高めると述べた。2025年の実績を収めたCIOの書簡に、運用中の生成AIの事例として記された。同じ書簡は、ADAを通じて2,000を超えるAIのモデルを430を超える課題に適用したと述べた。審査の業務だけを切り出した成果の数値は記していない。", "limitation": "原文はこの道具を一文でしか触れていない。審査の精度、処理の時間、人が改めて見た比率はない。" }, "zh": { "usecase": "负面新闻审查", "problem": "DBS运营着排查与客户相关负面新闻的审查业务。银行把这项工作列为用生成式AI提升效率的对象。在此之前，需要一套标准来统一各团队各不相同的开发方式。", "implementation": "银行先构建了生成式AI框架，把可复用组件、管控装置、工作流功能和prompt撰写规范定为标准。在这一标准之上，用生成式AI做出了负面新闻审查工具。数据由全行数据分析平台ADA处理。银行表示，借助该平台，代码部署时间减少25%，模型部署周期缩短到10周以内。", "outcome": "DBS表示，该工具提升了负面新闻审查的效率。它被写入涵盖2025年业绩的CIO信函，列为正在运行的生成式AI案例。同一封信函表示，已通过ADA把超过2,000个AI模型应用到超过430个课题上。信中没有单独列出审查业务的成效数字。", "limitation": "原文只用一句话提到这个工具，没有审查准确度、处理时间以及由人复核的比例。" } } }, { "industry": "통신", "subindustry": "유무선 통신", "company": "Deutsche Telekom", "country": "독일", "stage": "운영", "usecase": "고객 문의와 설치 예약", "implementation": "Deutsche Telekom은 Frag Magenta 챗봇에 생성형 AI를 붙였다. 정해진 시나리오가 없는 문의, 표현이 불분명하거나 문법이 어긋난 문의도 처리하게 했다. 음성과 채팅 두 경로에 함께 쓴다. 상담사 쪽에는 자동 사전 브리핑, 상담사용 챗봇 askT, 통화 요약을 묶은 AI 도구를 배포하고 있다. 독일에서는 광케이블 설치 예약도 음성 봇이 받는다.", "outcome": "Deutsche Telekom은 2025년 Frag Magenta의 음성과 채팅이 340만 통의 전화를 상담사 대신 처리했다고 밝혔다. 이는 3분기 누계보다 90만 통 많은 값이다. 독일에서는 고객 챗봇이 완전히 LLM 기반으로 바뀌어 해결률 55%를 기록했고 서비스 접촉 건수가 10% 줄었다고 적었다. 4분기에는 광케이블 설치 예약의 40%를 음성 봇이 받았다. 12월 기준 상담사 1,400명 이상이 AI 도구를 쓴다.", "limitation": "340만 통은 상담사에게 가지 않은 통화 수이고 해결 품질이나 고객 만족도를 나타내는 값이 아니다.", "id": "AX061", "scope": "본조사", "sourceIds": [ "S055", "S135", "S136" ], "evidenceAccess": "검색 도구의 본문 발췌 확인", "dateLabel": "2026-02-26", "dateBasis": "자료 발표 시점. 도입 시작일과 다를 수 있음", "evidenceYears": [ "2026" ], "problem": "통신사 고객센터는 상담사에게 몰리는 전화가 많다. 기존 시나리오가 없는 문의나 표현이 불분명하고 문법이 어긋난 문의는 자동 응답으로 처리하기 어려웠다.", "eventDate": "2026-02-26", "eventBasis": "공개", "translations": { "en": { "usecase": "Customer enquiries and installation booking", "problem": "Telecom call centres receive a large volume of calls that land on agents. Enquiries with no existing script, or enquiries worded unclearly and ungrammatically, were hard to handle with automated responses.", "implementation": "Deutsche Telekom added generative AI to its Frag Magenta chatbot. It now handles enquiries with no set script, and enquiries that are unclearly worded or ungrammatical. It is used on both the voice and the chat channel. On the agent side the company is rolling out AI tools bundling automatic pre-call briefing, an agent chatbot called askT, and call summaries. In Germany a voice bot also takes fibre installation bookings.", "outcome": "Deutsche Telekom said that in 2025 Frag Magenta's voice and chat handled 3.4 million calls instead of agents. That is 900,000 more than the cumulative figure through the third quarter. It wrote that in Germany the customer chatbot moved fully to an LLM basis, recording a 55 percent resolution rate, and service contacts fell by 10 percent. In the fourth quarter a voice bot took 40 percent of fibre installation bookings. As of December more than 1,400 agents use AI tools.", "limitation": "The 3.4 million is the number of calls that did not go to an agent, not a figure indicating resolution quality or customer satisfaction." }, "jp": { "usecase": "顧客の問い合わせと設置の予約", "problem": "通信会社のカスタマーセンターは、オペレーターに集まる電話が多い。従来のシナリオがない問い合わせや、表現が不明瞭で文法が外れた問い合わせは、自動の応答で処理しにくかった。", "implementation": "Deutsche TelekomはFrag Magentaのチャットボットに生成AIを付けた。決まったシナリオのない問い合わせ、表現が不明瞭だったり文法が外れたりした問い合わせも処理できるようにした。音声とチャットの二つの経路に併せて使う。オペレーターの側には、自動の事前ブリーフィング、オペレーター向けのチャットボットaskT、通話の要約を束ねたAIの道具を配布している。ドイツでは光ケーブルの設置の予約も音声ボットが受ける。", "outcome": "Deutsche Telekomは、2025年にFrag Magentaの音声とチャットが340万通の電話をオペレーターの代わりに処理したと述べた。これは第3四半期の累計より90万通多い値である。ドイツでは顧客のチャットボットが完全にLLMを基にしたものへ変わり、解決率55%を記録し、サービスの接触の件数が10%減ったと記した。第4四半期には光ケーブルの設置の予約の40%を音声ボットが受けた。12月の基準でオペレーター1,400人以上がAIの道具を使う。", "limitation": "340万通はオペレーターに行かなかった通話の数であり、解決の品質や顧客の満足度を表す値ではない。" }, "zh": { "usecase": "客户咨询与安装预约", "problem": "电信客服中心涌向坐席的来电很多。没有现成脚本的咨询，或者表述含糊、语法不通的咨询，很难用自动应答处理。", "implementation": "Deutsche Telekom为Frag Magenta聊天机器人接入了生成式AI，使其也能处理没有既定脚本、表述含糊或语法不通的咨询。语音和聊天两条通道同时使用。在坐席一侧，公司正在推广把自动预先简报、坐席用聊天机器人askT和通话摘要打包在一起的AI工具。在德国，光纤安装预约也由语音机器人受理。", "outcome": "Deutsche Telekom表示，2025年Frag Magenta的语音和聊天代替坐席处理了340万通电话，比第三季度累计多出90万通。公司写到，在德国，面向客户的聊天机器人已完全转为基于LLM，解决率达到55%，服务接触量减少10%。第四季度，语音机器人受理了40%的光纤安装预约。截至12月，有1,400名以上坐席在使用AI工具。", "limitation": "340万通是未转到坐席的通话数量，并不代表解决质量或客户满意度。" } } }, { "industry": "여행과 숙박", "subindustry": "호텔", "company": "IHG", "country": "영국", "stage": "운영", "usecase": "호텔 수익과 객실 수요 관리", "implementation": "수익관리 시스템에 데이터 사이언스와 머신러닝, 예측 도구를 넣었다. 이 시스템은 고급 분석 결과와 추천을 만들어 낸다. IHG는 이것을 전사에 걸친 AI 활용의 한 예로 들었다. 같은 흐름의 다른 예로 IHG One Rewards 모바일 앱 개선을 들었다. 보고서는 시스템 이름이나 연결한 데이터 종류, 호텔 운영자가 추천을 어떻게 받아들이는지는 밝히지 않는다.", "outcome": "IHG는 이 기술이 브랜드 충성도를 깊게 하고 경쟁 우위를 날카롭게 만든다고 밝혔다. 호텔 소유주 항목에는 수요를 잡고 매출을 올리고 운영을 최적화하기 위해 기술 적용 범위를 넓혔다고 적었다. 손님 항목에는 AI 기반 기술로 고객 경험을 끌어올렸다고 적었다. 수익관리 시스템이 객실당 매출에 얼마나 기여했는지는 따로 밝히지 않았다.", "limitation": "AI 기여분을 분리한 수치가 없다. 도입 시점과 적용 호텔 수도 이 문서에 없다.", "id": "AX045", "scope": "본조사", "sourceIds": [ "S039" ], "evidenceAccess": "원문 본문 열람", "dateLabel": "2026-02-26", "dateBasis": "자료 발표 시점. 도입 시작일과 다를 수 있음", "evidenceYears": [ "2026" ], "problem": "IHG는 고객 경험, 고객 확보, 호텔 실적 세 곳에서 성과를 끌어올려야 한다고 봤다. 호텔 실적은 객실 수요를 얼마나 정확히 읽고 값을 정하느냐에 달려 있다. 이 보고서는 도입 전 수익관리가 어떻게 돌아갔는지는 따로 설명하지 않는다.", "eventDate": "2026-02-26", "eventBasis": "공개", "translations": { "en": { "usecase": "Hotel revenue and room demand management", "problem": "IHG took the view that it has to raise performance in three places: guest experience, guest acquisition and hotel performance. Hotel performance depends on how accurately room demand is read and priced. This report does not separately describe how revenue management worked before adoption.", "implementation": "Data science, machine learning and forecasting tools were put into the revenue management system. The system produces advanced analytics results and recommendations. IHG gave this as one example of AI use across the company. As another example in the same vein it gave improvements to the IHG One Rewards mobile app. The report does not disclose the system name, the kinds of data connected, or how hotel operators take up the recommendations.", "outcome": "IHG said this technology deepens brand loyalty and sharpens competitive advantage. Under the hotel owners section it wrote that it widened the scope of technology applied in order to capture demand, raise revenue and optimise operations. Under the guests section it wrote that AI based technology raised the guest experience. How much the revenue management system contributed to revenue per room was not separately disclosed.", "limitation": "There are no figures isolating the AI contribution. The date of adoption and the number of hotels covered are also not in this document." }, "jp": { "usecase": "ホテルの収益と客室の需要の管理", "problem": "IHGは、顧客の体験、顧客の獲得、ホテルの実績の三か所で成果を引き上げなければならないと見た。ホテルの実績は、客室の需要をどれだけ正確に読んで値を決めるかに左右される。この報告書は、導入の前の収益管理がどう回っていたかを別に説明していない。", "implementation": "収益管理のシステムにデータサイエンスと機械学習、予測の道具を入れた。このシステムは高度な分析の結果と推薦を作り出す。IHGはこれを全社にわたるAIの活用の一例として挙げた。同じ流れの別の例としてIHG One Rewardsのモバイルアプリの改善を挙げた。報告書は、システムの名前やつないだデータの種類、ホテルの運営者が推薦をどう受け入れるかは明らかにしていない。", "outcome": "IHGは、この技術がブランドへの忠誠を深め、競争の優位を鋭くすると述べた。ホテルの所有者の項目には、需要をつかみ売上を上げ運用を最適化するために技術の適用の範囲を広げたと記した。宿泊客の項目には、AIを基にした技術で顧客の体験を引き上げたと記した。収益管理のシステムが客室あたりの売上にどれだけ寄与したかは別に明らかにしていない。", "limitation": "AIの寄与分を切り分けた数値がない。導入の時点と適用のホテルの数も、この文書にはない。" }, "zh": { "usecase": "酒店收益与客房需求管理", "problem": "IHG认为必须在客户体验、客户获取和酒店业绩三处提升成效。酒店业绩取决于对客房需求读得有多准、定价有多合理。这份报告没有单独说明引入之前的收益管理是怎样运作的。", "implementation": "公司在收益管理系统中引入了数据科学、机器学习和预测工具。该系统产出高级分析结果和建议。IHG把它作为全公司范围内使用AI的一个例子，同类例子还有IHG One Rewards手机应用的改进。报告没有披露系统名称、接入的数据种类，也没有说明酒店运营者如何采纳这些建议。", "outcome": "IHG表示，这项技术加深了品牌忠诚度，也磨利了竞争优势。在酒店业主部分，报告写到为抓住需求、提高收入并优化运营而扩大了技术的适用范围。在住客部分，报告写到用基于AI的技术提升了客户体验。收益管理系统对每间客房收入贡献了多少，并未单独披露。", "limitation": "没有把AI贡献单独拆分出来的数字。引入时间和覆盖酒店数量，这份文件中也没有。" } } }, { "industry": "농림수산", "subindustry": "산림 관리", "company": "Stora Enso", "country": "핀란드", "stage": "운영", "usecase": "산림 경영과 생물다양성 예측", "implementation": "Stora Enso는 북유럽 산림 전체를 디지털 트윈으로 만들어 데이터 분석에 쓴다. 이 디지털 산림 트윈으로 산림 관리 행위를 모의하고 희귀종에 미치는 영향을 예측한다. 2024년 초 시작한 국제자연보전연맹(IUCN)과의 공동 프로젝트는 2025년에 끝났다. 이 프로젝트에서 IUCN이 만든 STAR 생물다양성 지표를 Stora Enso의 산림 계획 시스템에 붙이는 개념 검증을 했다. 이 틀로 산림 경관 전반에서 어떤 보전 조치를 먼저 할지 정한다.", "outcome": "Stora Enso는 2025년 연차보고서에서 AI와 다른 기술을 써서 생물다양성과 목재 생산을 더 잘 통합하는 쪽으로 나아갔다고 밝혔다. 회사는 이 틀이 가장 급한 위협부터 가장 효과적인 방법으로 다루게 하면서 목재 생산에 미치는 부정적 영향을 최소화한다고 설명했다. 결과는 학술지 게재를 목표로 정리했고 2025년 IUCN 세계자연보전총회에서 발표했다.", "limitation": "STAR 지표 연계는 개념 검증 단계의 결과다. 원문에는 예측 정확도나 적용 면적 같은 수치가 없다.", "id": "AX049", "scope": "본조사", "sourceIds": [ "S043" ], "evidenceAccess": "검색 도구의 본문 발췌 확인", "dateLabel": "2026-02-12", "dateBasis": "자료 발표 시점. 도입 시작일과 다를 수 있음", "evidenceYears": [ "2026" ], "problem": "산림 경영은 목재 생산과 생물다양성 보전을 함께 맞춰야 한다. 어떤 관리 행위가 희귀종에 어떤 영향을 주는지 미리 알기 어려웠다. 여러 보전 조치 가운데 무엇을 먼저 해야 하는지 정하는 기준도 필요했다.", "eventDate": "2026-02-12", "eventBasis": "공개", "translations": { "en": { "usecase": "Forest management and biodiversity prediction", "problem": "Forest management has to balance timber production with biodiversity conservation. It was hard to know in advance what effect a given management action would have on rare species. A basis for deciding which conservation measures to take first among many was also needed.", "implementation": "Stora Enso turned its entire Nordic forest into a digital twin and uses it for data analysis. With this digital forest twin it simulates forest management actions and predicts the effect on rare species. A joint project with the International Union for Conservation of Nature (IUCN) that began in early 2024 concluded in 2025. In that project it ran a proof of concept attaching the STAR biodiversity metric developed by IUCN to Stora Enso's forest planning system. This framework decides which conservation measures to take first across the forest landscape.", "outcome": "In its 2025 annual report Stora Enso said it moved towards better integration of biodiversity and timber production using AI and other technologies. The company explained that this framework addresses the most urgent threats first and in the most effective way, while minimising negative impact on timber production. The results were prepared with journal publication as the goal and presented at the 2025 IUCN World Conservation Congress.", "limitation": "Linking the STAR metric is the result of a proof of concept stage. The source has no figures such as prediction accuracy or area covered." }, "jp": { "usecase": "森林経営と生物多様性の予測", "problem": "森林の経営は、木材の生産と生物多様性の保全を併せて合わせなければならない。どの管理の行為が希少種にどんな影響を与えるかを前もって知るのは難しかった。複数の保全の措置のうち何を先に行うかを決める基準も必要だった。", "implementation": "Stora Ensoは北欧の森林の全体をデジタルツインにしてデータの分析に使う。このデジタルの森林のツインで森林の管理の行為を模擬し、希少種に及ぼす影響を予測する。2024年の初めに始めた国際自然保護連合（IUCN）との共同のプロジェクトは2025年に終わった。このプロジェクトでは、IUCNが作ったSTARの生物多様性の指標をStora Ensoの森林の計画のシステムに付ける概念の検証を行った。この枠組みで、森林の景観の全般でどの保全の措置を先に行うかを決める。", "outcome": "Stora Ensoは2025年の年次報告書で、AIと他の技術を使って生物多様性と木材の生産をより良く統合する方へ進んだと述べた。同社は、この枠組みが最も急な脅威から最も効果的な方法で扱わせながら、木材の生産に及ぼす否定的な影響を最小にすると説明した。結果は学術誌への掲載を目標に整理し、2025年のIUCN世界自然保護会議で発表した。", "limitation": "STARの指標との連携は概念の検証の段階の結果である。原文には、予測の精度や適用の面積といった数値がない。" }, "zh": { "usecase": "森林经营与生物多样性预测", "problem": "森林经营必须同时兼顾木材生产和生物多样性保护。某项管理行为会对稀有物种产生什么影响，很难提前知晓。在众多保护措施中先做哪一项，也需要判断依据。", "implementation": "Stora Enso把北欧的全部森林做成数字孪生，用于数据分析。借助这一数字森林孪生，公司模拟森林管理行为并预测对稀有物种的影响。2024年初启动的与世界自然保护联盟（IUCN）的合作项目于2025年结束。在该项目中，公司做了把IUCN制定的STAR生物多样性指标接入Stora Enso森林规划系统的概念验证。这一框架用来决定在整个森林景观中优先采取哪些保护措施。", "outcome": "Stora Enso在2025年年报中表示，借助AI和其他技术，公司在把生物多样性与木材生产更好地结合方面取得了进展。公司说明，这一框架让最紧迫的威胁得到最有效的处理，同时把对木材生产的负面影响降到最低。研究结果以在学术期刊发表为目标进行了整理，并在2025年IUCN世界自然保护大会上作了发布。", "limitation": "接入STAR指标是概念验证阶段的成果。原文中没有预测准确度或适用面积之类的数字。" } } }, { "industry": "건설과 부동산", "subindustry": "시멘트", "company": "Holcim", "country": "스위스", "stage": "운영", "usecase": "생산 공정과 설비 운영 개선", "implementation": "Plants of Tomorrow는 AI부터 로봇까지 기술을 묶어 전 세계 공장을 현대화하는 Industry 4.0 프로그램이다. 설비 쪽 도구는 Holcim M-Predict다. 스마트 센서와 머신러닝으로 설비 성능을 실시간으로 본다. 물류와 판매 쪽 도구는 Holcim Foresight다. 날씨, GDP 전망, 시장 동향 같은 외부 데이터 수천 개를 끌어와 판매와 재고를 예측하고 차량과 네트워크 활용을 최적화한다. 스페인에서는 메신저로 주문을 받는 AI 도우미 Holcim+를 운영한다.", "outcome": "Holcim은 AI 모델이 설비 고장과 정비 필요 시점을 최대 90일 앞서 예측한다고 밝혔다. AI를 100개가 넘는 공장에 적용했다고 설명했다. 생산, 물류, 상업, 관리 네 영역에서 대규모 AI 과제 38건을 돌리고 있다고 밝혔다. Holcim Foresight는 30개가 넘는 시장에서 쓰고 있고 2026년 말까지 모든 시장으로 넓힐 계획이다. 스페인에서는 고객의 89%가 AI 도우미로 주문한다고 밝혔다.", "limitation": "2028년까지 AI로 연 CHF 200 M의 반복 EBIT 효과를 내겠다는 것은 목표이지 실적이 아니다. 고장 예측 정확도와 공장별 효과는 이 자료에 없다.", "id": "AX032", "scope": "본조사", "sourceIds": [ "S028" ], "evidenceAccess": "원문 본문 열람", "dateLabel": "2026-07-08", "dateBasis": "자료 발표 시점. 도입 시작일과 다를 수 있음", "evidenceYears": [ "2026" ], "problem": "시멘트 공장은 설비가 갑자기 멈추면 생산 계획이 통째로 흔들린다. 수요 예측이 빗나가면 재고와 유통비가 같이 늘어난다. Holcim은 생산과 물류 양쪽을 AI로 다루겠다고 밝혔다.", "eventDate": "2026-07-08", "eventBasis": "공개", "translations": { "en": { "usecase": "Improving production processes and equipment operation", "problem": "When equipment in a cement plant stops suddenly, the whole production plan is thrown off. When demand forecasts miss, inventory and distribution cost rise together. Holcim said it would address both production and logistics with AI.", "implementation": "Plants of Tomorrow is an Industry 4.0 programme that bundles technologies from AI to robotics to modernise plants worldwide. The equipment-side tool is Holcim M-Predict. It watches equipment performance in real time with smart sensors and machine learning. The logistics and sales tool is Holcim Foresight. It pulls in thousands of external data points such as weather, GDP forecasts and market trends to forecast sales and inventory and to optimise vehicle and network utilisation. In Spain it runs Holcim+, an AI assistant that takes orders over a messenger.", "outcome": "Holcim said its AI models predict equipment failure and the point at which maintenance is needed up to 90 days in advance. It explained that it applied AI at more than 100 plants. It said it is running 38 large-scale AI projects across four areas: production, logistics, commercial and administration. Holcim Foresight is in use in more than 30 markets, with a plan to extend to all markets by the end of 2026. In Spain it said 89 percent of customers order through the AI assistant.", "limitation": "Delivering a recurring EBIT effect of CHF 200 M a year from AI by 2028 is a target, not a result. Failure prediction accuracy and per-plant effects are not in this source." }, "jp": { "usecase": "生産工程と設備の運用の改善", "problem": "セメントの工場は設備が突然止まると、生産の計画がまるごと揺れる。需要の予測が外れると在庫と流通の費用が一緒に増える。Holcimは生産と物流の両方をAIで扱うと述べた。", "implementation": "Plants of Tomorrowは、AIからロボットまでの技術を束ねて世界の工場を近代化するIndustry 4.0のプログラムである。設備の側の道具はHolcim M-Predictである。スマートセンサーと機械学習で設備の性能をリアルタイムに見る。物流と販売の側の道具はHolcim Foresightである。天気、GDPの見通し、市場の動向といった外部のデータを数千個引いてきて販売と在庫を予測し、車両とネットワークの活用を最適化する。スペインではメッセンジャーで注文を受けるAIのアシスタントHolcim+を運営する。", "outcome": "Holcimは、AIのモデルが設備の故障と整備の必要な時点を最大90日先に予測すると述べた。AIを100を超える工場に適用したと説明した。生産、物流、商業、管理の四つの領域で大規模なAIの課題38件を回していると述べた。Holcim Foresightは30を超える市場で使っており、2026年末までにすべての市場へ広げる計画である。スペインでは顧客の89%がAIのアシスタントで注文すると述べた。", "limitation": "2028年までにAIで年間CHF 200 Mの繰り返しのEBITの効果を出すというのは目標であり、実績ではない。故障の予測の精度と工場ごとの効果は、この資料にない。" }, "zh": { "usecase": "改进生产工艺与设备运行", "problem": "水泥厂的设备一旦突然停机，整个生产计划都会被打乱。需求预测一旦失准，库存和流通成本就会一起上升。Holcim表示，要用AI同时处理生产和物流两端。", "implementation": "Plants of Tomorrow是把从AI到机器人的各类技术打包起来、对全球工厂进行现代化改造的Industry 4.0项目。设备侧的工具是Holcim M-Predict，通过智能传感器和机器学习实时观察设备性能。物流与销售侧的工具是Holcim Foresight，它引入天气、GDP预测、市场走势等数千项外部数据来预测销售和库存，并优化车辆与网络利用。在西班牙，公司运营着通过即时通讯接单的AI助手Holcim+。", "outcome": "Holcim表示，其AI模型可提前最多90天预测设备故障和需要维修的时点。公司说明，已在100多家工厂应用AI，并在生产、物流、商务和管理四个领域推进38个大规模AI项目。Holcim Foresight已在30多个市场使用，计划到2026年底覆盖全部市场。公司表示，在西班牙有89%的客户通过AI助手下单。", "limitation": "到2028年靠AI实现每年CHF 200 M的经常性EBIT效益只是目标，不是实绩。故障预测准确度和各工厂的效果，这份资料中没有。" } } }, { "industry": "제조", "subindustry": "반도체", "company": "Micron", "country": "미국", "stage": "운영", "usecase": "제조 이상 탐지와 공정 분석", "implementation": "Micron은 59만 개가 넘는 원천에서 페타바이트 단위 제조 데이터를 모아 클라우드 분석 환경으로 보낸다. 감각 AI로 computer vision과 음향 청취, 열화상을 함께 쓴다. 카메라가 찍은 이미지에서 가장자리의 작은 구멍, 선 형태의 흠집, 색 변화를 자동으로 찾는다. 어떤 패턴을 찾을지는 엔지니어가 지정한다. 자동 결함 분류 시스템은 딥러닝으로 해마다 수백만 건의 결함을 분류한다. 기술자와 엔지니어는 웨이퍼 결함을 손으로 분류하지 않고 데이터 수집과 근본 원인 해결에 집중한다. 음향 쪽은 로봇 구동부나 펌프 근처 마이크가 몇 주간 정상 소리를 녹음해 기준을 만들고 새 주파수가 나타나면 경보를 낸다.", "outcome": "Micron은 59만 개 센서가 주당 1억 장의 웨이퍼 이미지와 4억 3,600만 개 관리 포인트를 만들고 모두 AI 모델을 거친다고 밝혔다. 저장된 데이터는 77페타바이트이고 하루에 58테라바이트가 새로 쌓인다. 회사는 2016년부터 2025년까지 사내 데이터와 분석을 근거로 제조 설비 가동률 4% 향상, 연간 100만 시간의 노동 생산성 개선, 신제품 출시 기간 50% 단축, 제품 폐기 50% 감소를 제시했다. 수율 관리 플랫폼은 사내에서 14,000명 넘게 쓴다.", "limitation": "제시한 개선 수치는 2016년부터 2025년까지 사내 데이터와 분석에 근거한 누적값이다. 특정 연도 단독 효과나 외부 검증 결과가 아니다.", "id": "AX028", "scope": "본조사", "sourceIds": [ "S026" ], "evidenceAccess": "원문 본문 열람", "dateLabel": "2025-12-09", "dateBasis": "자료 발표 시점. 도입 시작일과 다를 수 있음", "evidenceYears": [ "2025" ], "problem": "Micron의 웨이퍼 공정은 약 1,500 단계를 거치며 몇 달이 걸린다. 오류와 폐기가 생길 여지가 크다. 흠집이나 보호막 아래 기포 같은 결함은 눈에 보이지 않는다. 보이더라도 웨이퍼 한 장마다 찍는 30~40장 사진을 사람이 훑다 보면 눈의 피로로 놓친다. 설비 부품 마모나 배관 누출도 늦게 잡으면 손실이 커진다.", "eventDate": "2025-12-09", "eventBasis": "공개", "translations": { "en": { "usecase": "Manufacturing anomaly detection and process analysis", "problem": "Micron's wafer process goes through about 1,500 steps and takes several months. There is plenty of room for error and scrap. Defects such as scratches or bubbles under a protective film are invisible. Even when visible, a person scanning the 30 to 40 images taken of each wafer misses things through eye strain. Equipment part wear and pipe leaks also cause larger losses if caught late.", "implementation": "Micron gathers petabyte-scale manufacturing data from more than 590,000 sources and sends it to a cloud analytics environment. Sensory AI uses computer vision, acoustic listening and thermal imaging together. In images taken by cameras it automatically finds small holes at the edge, line-shaped scratches and colour changes. Engineers specify which patterns to look for. An automatic defect classification system classifies millions of defects a year with deep learning. Technicians and engineers no longer classify wafer defects by hand and concentrate on data collection and root cause resolution. On the acoustic side, microphones near robot drives or pumps record normal sound for several weeks to set a baseline, and an alarm is raised when a new frequency appears.", "outcome": "Micron said 590,000 sensors generate 100 million wafer images and 436 million control points per week, all passing through AI models. Stored data is 77 petabytes, with 58 terabytes added each day. On the basis of internal data and analysis from 2016 to 2025, the company presented a 4 percent improvement in manufacturing equipment utilisation, a 1 million hour annual improvement in labour productivity, a 50 percent reduction in new product time to market and a 50 percent reduction in product scrap. The yield management platform is used by more than 14,000 people internally.", "limitation": "The improvement figures presented are cumulative values based on internal data and analysis from 2016 to 2025. They are not the effect of a single year alone, nor an externally verified result." }, "jp": { "usecase": "製造の異常検知と工程の分析", "problem": "Micronのウェハーの工程は約1,500の段階を経て数か月かかる。誤りと廃棄が生じる余地が大きい。傷や保護膜の下の気泡のような欠陥は目に見えない。見えたとしても、ウェハー一枚ごとに撮る30から40枚の写真を人がなぞっていると、目の疲れで見落とす。設備の部品の摩耗や配管の漏れも、遅く捉えると損失が大きくなる。", "implementation": "Micronは59万を超える源からペタバイトの単位の製造のデータを集め、クラウドの分析の環境へ送る。感覚のAIでcomputer visionと音響の聴取、熱の画像を併せて使う。カメラが撮った画像から、縁の小さな穴、線の形の傷、色の変化を自動で探す。どの型を探すかは技術者が指定する。自動の欠陥の分類のシステムは、深層学習で毎年数百万件の欠陥を分類する。技能者と技術者はウェハーの欠陥を手で分類せず、データの収集と根本の原因の解決に集中する。音響の側は、ロボットの駆動部やポンプの近くのマイクが数週間にわたって正常な音を録音して基準を作り、新しい周波数が現れると警報を出す。", "outcome": "Micronは、59万個のセンサーが週に1億枚のウェハーの画像と4億3,600万個の管理の地点を作り、すべてAIのモデルを経ると述べた。保存されたデータは77ペタバイトで、一日に58テラバイトが新しく積み上がる。同社は2016年から2025年までの社内のデータと分析を根拠に、製造の設備の稼働率4%の向上、年間100万時間の労働の生産性の改善、新製品の提供開始までの期間50%の短縮、製品の廃棄50%の減少を示した。歩留まりの管理のプラットフォームは社内で14,000人を超えて使う。", "limitation": "示した改善の数値は、2016年から2025年までの社内のデータと分析に基づく累積の値である。特定の年の単独の効果や、外部の検証の結果ではない。" }, "zh": { "usecase": "制造异常检测与工艺分析", "problem": "Micron的晶圆工序要经过约1,500道步骤，耗时数月，出错和报废的空间很大。划伤或保护膜下气泡这类缺陷肉眼看不见。即便看得见，人工翻看每片晶圆拍摄的30到40张照片时，也会因眼睛疲劳而漏检。设备零件磨损或管道泄漏若发现得晚，损失也会扩大。", "implementation": "Micron从超过59万个源头汇集PB级制造数据，送入云端分析环境。感知AI把computer vision、声学监听和热成像结合使用。系统从摄像头拍摄的图像中自动查找边缘的小孔、线状划伤和颜色变化，要查找哪些形态由工程师指定。自动缺陷分类系统用深度学习每年分类数百万件缺陷。技术员和工程师不再手工分类晶圆缺陷，而是专注于数据采集和根因解决。声学方面，机器人驱动部或泵附近的麦克风连续数周录制正常声音以建立基准，一旦出现新的频率就发出警报。", "outcome": "Micron表示，59万个传感器每周产生1亿张晶圆图像和4亿3,600万个管控点，全部经过AI模型。已存储数据为77PB，每天新增58TB。公司依据2016年至2025年的内部数据和分析，给出的成果包括：制造设备开动率提升4%、劳动生产率每年改善100万小时、新产品上市周期缩短50%、产品报废减少50%。良率管理平台在公司内部有超过14,000人使用。", "limitation": "所给出的改善数字是基于2016年至2025年内部数据与分析的累计值，不是某一年的单独效果，也不是经外部验证的结果。" } } }, { "industry": "제약과 바이오", "subindustry": "제약", "company": "Sanofi", "country": "프랑스", "stage": "운영", "usecase": "경영과 연구 의사결정 지원", "implementation": "Sanofi는 Aily Labs GmbH와 함께 사내 앱 Plai를 도입했다. Plai는 모든 부서의 사내 데이터를 모아 실시간으로 조회할 수 있게 하고 회사 활동 전반을 한 화면에서 보여준다. AI로 시의성 있는 통찰과 개인별 what if 개발 시나리오를 만들어 판단을 돕는다. 임상 운영 팀은 임상시험 모집 단계에서 Plai로 참여자 구성이 충분히 다양한지 확인한다. 포트폴리오 전략 팀은 어떤 치료제에 집중할지 정할 때 Plai의 예측과 권고를 쓴다. 생산과 공급 팀도 Plai를 재고 계획에 쓴다.", "outcome": "Sanofi는 공식 페이지에서 매일 20,000명의 직원이 plai를 쓴다고 밝혔다. 2025년 Form 20-F에는 22,000명이 넘는 직원이 일상 판단에 Plai를 쓴다고 적었다. 회사는 생산과 공급 부문에서 확률 기반 계획으로 재고 차질의 80%를 예측하고 위험의 65%를 근본 원인과 연결했다고 설명했다.", "limitation": "두 자료의 사용자 수가 20,000명과 22,000명으로 다르다. 공식 페이지에는 게시일이 없어 어느 시점 기준인지 확인되지 않는다.", "id": "AX059", "scope": "본조사", "sourceIds": [ "S052", "S053" ], "evidenceAccess": "원문 본문 열람", "dateLabel": "2026-02-17", "dateBasis": "자료 발표 시점. 도입 시작일과 다를 수 있음", "evidenceYears": [ "2026" ], "problem": "Sanofi는 연구와 개발, 생산과 공급, 상업 부문에 데이터가 부서별로 나뉘어 있었다. 임상시험 설계나 포트폴리오 판단처럼 부서를 가로지르는 결정에는 모아 놓은 자료가 필요했다.", "eventDate": "2026-02-17", "eventBasis": "공개", "translations": { "en": { "usecase": "Supporting management and research decisions", "problem": "At Sanofi, data in research and development, manufacturing and supply, and commercial was divided by department. Decisions that cut across departments, such as clinical trial design or portfolio judgement, needed material gathered in one place.", "implementation": "Sanofi introduced the internal app Plai together with Aily Labs GmbH. Plai gathers internal data from every department, makes it queryable in real time and shows the company's activity as a whole on one screen. It uses AI to produce timely insights and personalised what-if development scenarios that support judgement. Clinical operations teams use Plai during trial recruitment to check whether participant composition is sufficiently diverse. The portfolio strategy team uses Plai's forecasts and recommendations when deciding which therapies to focus on. Manufacturing and supply teams also use Plai for inventory planning.", "outcome": "Sanofi said on its official page that 20,000 employees use plai every day. In its 2025 Form 20-F it wrote that more than 22,000 employees use Plai for everyday decisions. The company explained that in manufacturing and supply, probability based planning predicts 80 percent of inventory disruptions and links 65 percent of risks to a root cause.", "limitation": "The user numbers in the two sources differ, at 20,000 and 22,000. The official page carries no publication date, so which point in time it refers to cannot be confirmed." }, "jp": { "usecase": "経営と研究の意思決定の支援", "problem": "Sanofiは、研究と開発、生産と供給、商業の部門にデータが部署ごとに分かれていた。臨床試験の設計やポートフォリオの判断のように部署をまたぐ決定には、まとめた資料が必要だった。", "implementation": "SanofiはAily Labs GmbHと一緒に社内のアプリPlaiを導入した。Plaiはすべての部署の社内のデータを集めてリアルタイムに照会できるようにし、会社の活動の全般を一つの画面で見せる。AIで時宜を得た洞察と、個人別のwhat ifの開発のシナリオを作って判断を助ける。臨床の運用のチームは、臨床試験の募集の段階でPlaiを使って参加者の構成が十分に多様かを確かめる。ポートフォリオの戦略のチームは、どの治療薬に集中するかを決めるときにPlaiの予測と勧告を使う。生産と供給のチームもPlaiを在庫の計画に使う。", "outcome": "Sanofiは公式のページで、毎日20,000人の従業員がplaiを使うと述べた。2025年のForm 20-Fには、22,000人を超える従業員が日常の判断にPlaiを使うと記した。同社は、生産と供給の部門で確率に基づく計画によって在庫の支障の80%を予測し、危険の65%を根本の原因と結び付けたと説明した。", "limitation": "二つの資料の利用者数が20,000人と22,000人で異なる。公式のページには掲載日がなく、どの時点を基準にした値かは確かめられない。" }, "zh": { "usecase": "支持经营与研究决策", "problem": "在Sanofi，研发、生产与供应、商务各部门的数据彼此分割。像临床试验设计或产品组合判断这类跨部门决策，需要集中在一处的资料。", "implementation": "Sanofi与Aily Labs GmbH合作引入了内部应用Plai。Plai汇集各部门的内部数据，使其可实时查询，并在一个界面上呈现公司的整体活动。它用AI生成及时的洞察和个性化的what if开发情景，辅助判断。临床运营团队在试验招募阶段用Plai确认受试者构成是否足够多样。产品组合战略团队在决定聚焦哪些治疗药物时，使用Plai的预测和建议。生产与供应团队也用Plai做库存规划。", "outcome": "Sanofi在官方页面上表示，每天有20,000名员工使用plai。在2025年Form 20-F中，公司写到超过22,000名员工在日常决策中使用Plai。公司说明，在生产与供应部门，基于概率的计划可预测80%的库存中断，并把65%的风险与根本原因关联起来。", "limitation": "两份资料给出的用户数不同，分别是20,000人和22,000人。官方页面没有发布日期，无法确认所依据的时间点。" } } }, { "id": "C001", "industry": "여행과 숙박", "subindustry": "온라인 여행과 숙박", "company": "Agoda", "country": "분류 생략", "dateLabel": "2025년 보관 자료 분류", "dateBasis": "이번 조사에서 게시일과 운영 상태를 재확인하지 않음", "evidenceYears": [ "2025" ], "stage": "재확인 필요", "scope": "추가 확인 후보", "usecase": "보안 경보, 피싱 신고와 사고 보고서 처리", "implementation": "기존 사례 자료에서 위 업무와 관련된 기업 기술 글을 찾았다. 실제 구조와 적용 범위는 원문 재확인 후 확정해야 한다.", "outcome": "미확정. 보관 자료의 성과 수치를 본조사 결과로 옮기지 않았다.", "limitation": "이번 조사에서 원문과 현재 운영 상태를 재확인하지 않았다. 완료된 도입 사례 수에 포함하지 않는다.", "sourceIds": [ "S096" ], "evidenceAccess": "이번 조사 원문 미확인", "localId": "0014", "translations": { "en": { "usecase": "Handling security alerts, phishing reports and incident reports", "implementation": "A company engineering post covering this workflow was found in the archived case records. The actual architecture and the scope of use still have to be settled after the source is read again.", "outcome": "Not determined. Figures from the archived records were not carried over as a reviewed result.", "limitation": "The source and the current operating status were not checked again in this round of research. This case is not counted among the completed adoptions." }, "jp": { "usecase": "セキュリティ警告、フィッシング報告、インシデント報告の処理", "implementation": "保管している事例資料の中から、この業務に関連する企業の技術記事を見つけた。実際の構成と適用範囲は、原文を再確認したうえで確定する必要がある。", "outcome": "未確定。保管資料の成果数値を、根拠確認済みの結果として移してはいない。", "limitation": "今回の調査では、原文と現在の運用状況を再確認していない。導入完了の件数には含めない。" }, "zh": { "usecase": "处理安全告警、钓鱼举报与事件报告", "implementation": "在存档的案例资料中找到了与该业务相关的企业技术文章。实际架构与应用范围仍需在重新核验原文后确定。", "outcome": "尚未确定。未将存档资料中的成效数据当作已核验结果引用。", "limitation": "本次调查未重新核验原文与当前运营状态。该案例不计入已完成的采用数量。" } } }, { "id": "C002", "industry": "여행과 숙박", "subindustry": "온라인 여행과 숙박", "company": "Airbnb", "country": "분류 생략", "dateLabel": "2025년 보관 자료 분류", "dateBasis": "이번 조사에서 게시일과 운영 상태를 재확인하지 않음", "evidenceYears": [ "2025" ], "stage": "재확인 필요", "scope": "추가 확인 후보", "usecase": "숙박 검색의 의미 기반 후보 검색", "implementation": "기존 사례 자료에서 위 업무와 관련된 기업 기술 글을 찾았다. 실제 구조와 적용 범위는 원문 재확인 후 확정해야 한다.", "outcome": "미확정. 보관 자료의 성과 수치를 본조사 결과로 옮기지 않았다.", "limitation": "이번 조사에서 원문과 현재 운영 상태를 재확인하지 않았다. 완료된 도입 사례 수에 포함하지 않는다.", "sourceIds": [ "S097" ], "evidenceAccess": "이번 조사 원문 미확인", "localId": "0031", "translations": { "en": { "usecase": "Semantic candidate retrieval for lodging search", "implementation": "A company engineering post covering this workflow was found in the archived case records. The actual architecture and the scope of use still have to be settled after the source is read again.", "outcome": "Not determined. Figures from the archived records were not carried over as a reviewed result.", "limitation": "The source and the current operating status were not checked again in this round of research. This case is not counted among the completed adoptions." }, "jp": { "usecase": "宿泊検索における意味ベースの候補検索", "implementation": "保管している事例資料の中から、この業務に関連する企業の技術記事を見つけた。実際の構成と適用範囲は、原文を再確認したうえで確定する必要がある。", "outcome": "未確定。保管資料の成果数値を、根拠確認済みの結果として移してはいない。", "limitation": "今回の調査では、原文と現在の運用状況を再確認していない。導入完了の件数には含めない。" }, "zh": { "usecase": "住宿搜索的语义候选召回", "implementation": "在存档的案例资料中找到了与该业务相关的企业技术文章。实际架构与应用范围仍需在重新核验原文后确定。", "outcome": "尚未确定。未将存档资料中的成效数据当作已核验结果引用。", "limitation": "本次调查未重新核验原文与当前运营状态。该案例不计入已完成的采用数量。" } } }, { "id": "C003", "industry": "여행과 숙박", "subindustry": "온라인 여행과 숙박", "company": "Airbnb", "country": "분류 생략", "dateLabel": "2025년 보관 자료 분류", "dateBasis": "이번 조사에서 게시일과 운영 상태를 재확인하지 않음", "evidenceYears": [ "2025" ], "stage": "재확인 필요", "scope": "추가 확인 후보", "usecase": "개발용 시험 데이터 생성", "implementation": "기존 사례 자료에서 위 업무와 관련된 기업 기술 글을 찾았다. 실제 구조와 적용 범위는 원문 재확인 후 확정해야 한다.", "outcome": "미확정. 보관 자료의 성과 수치를 본조사 결과로 옮기지 않았다.", "limitation": "이번 조사에서 원문과 현재 운영 상태를 재확인하지 않았다. 완료된 도입 사례 수에 포함하지 않는다.", "sourceIds": [ "S098" ], "evidenceAccess": "이번 조사 원문 미확인", "localId": "0032", "translations": { "en": { "usecase": "Generating test data for development", "implementation": "A company engineering post covering this workflow was found in the archived case records. The actual architecture and the scope of use still have to be settled after the source is read again.", "outcome": "Not determined. Figures from the archived records were not carried over as a reviewed result.", "limitation": "The source and the current operating status were not checked again in this round of research. This case is not counted among the completed adoptions." }, "jp": { "usecase": "開発用テストデータの生成", "implementation": "保管している事例資料の中から、この業務に関連する企業の技術記事を見つけた。実際の構成と適用範囲は、原文を再確認したうえで確定する必要がある。", "outcome": "未確定。保管資料の成果数値を、根拠確認済みの結果として移してはいない。", "limitation": "今回の調査では、原文と現在の運用状況を再確認していない。導入完了の件数には含めない。" }, "zh": { "usecase": "生成开发用测试数据", "implementation": "在存档的案例资料中找到了与该业务相关的企业技术文章。实际架构与应用范围仍需在重新核验原文后确定。", "outcome": "尚未确定。未将存档资料中的成效数据当作已核验结果引用。", "limitation": "本次调查未重新核验原文与当前运营状态。该案例不计入已完成的采用数量。" } } }, { "id": "C004", "industry": "정보기술", "subindustry": "업무용 소프트웨어와 AI", "company": "Airtable", "country": "분류 생략", "dateLabel": "2025년 보관 자료 분류", "dateBasis": "이번 조사에서 게시일과 운영 상태를 재확인하지 않음", "evidenceYears": [ "2025" ], "stage": "재확인 필요", "scope": "추가 확인 후보", "usecase": "업무 수행 AI의 실행 구조", "implementation": "기존 사례 자료에서 위 업무와 관련된 기업 기술 글을 찾았다. 실제 구조와 적용 범위는 원문 재확인 후 확정해야 한다.", "outcome": "미확정. 보관 자료의 성과 수치를 본조사 결과로 옮기지 않았다.", "limitation": "이번 조사에서 원문과 현재 운영 상태를 재확인하지 않았다. 완료된 도입 사례 수에 포함하지 않는다.", "sourceIds": [ "S099" ], "evidenceAccess": "이번 조사 원문 미확인", "localId": "0049", "translations": { "en": { "usecase": "Execution architecture for task-performing AI agents", "implementation": "A company engineering post covering this workflow was found in the archived case records. The actual architecture and the scope of use still have to be settled after the source is read again.", "outcome": "Not determined. Figures from the archived records were not carried over as a reviewed result.", "limitation": "The source and the current operating status were not checked again in this round of research. This case is not counted among the completed adoptions." }, "jp": { "usecase": "業務を実行するAIの実行構造", "implementation": "保管している事例資料の中から、この業務に関連する企業の技術記事を見つけた。実際の構成と適用範囲は、原文を再確認したうえで確定する必要がある。", "outcome": "未確定。保管資料の成果数値を、根拠確認済みの結果として移してはいない。", "limitation": "今回の調査では、原文と現在の運用状況を再確認していない。導入完了の件数には含めない。" }, "zh": { "usecase": "执行业务的AI智能体运行架构", "implementation": "在存档的案例资料中找到了与该业务相关的企业技术文章。实际架构与应用范围仍需在重新核验原文后确定。", "outcome": "尚未确定。未将存档资料中的成效数据当作已核验结果引用。", "limitation": "本次调查未重新核验原文与当前运营状态。该案例不计入已完成的采用数量。" } } }, { "id": "C005", "industry": "정보기술", "subindustry": "업무용 소프트웨어와 AI", "company": "Airtable", "country": "분류 생략", "dateLabel": "2025년 보관 자료 분류", "dateBasis": "이번 조사에서 게시일과 운영 상태를 재확인하지 않음", "evidenceYears": [ "2025" ], "stage": "재확인 필요", "scope": "추가 확인 후보", "usecase": "업무 데이터 질의응답", "implementation": "기존 사례 자료에서 위 업무와 관련된 기업 기술 글을 찾았다. 실제 구조와 적용 범위는 원문 재확인 후 확정해야 한다.", "outcome": "미확정. 보관 자료의 성과 수치를 본조사 결과로 옮기지 않았다.", "limitation": "이번 조사에서 원문과 현재 운영 상태를 재확인하지 않았다. 완료된 도입 사례 수에 포함하지 않는다.", "sourceIds": [ "S100" ], "evidenceAccess": "이번 조사 원문 미확인", "localId": "0050", "translations": { "en": { "usecase": "Question answering over business data", "implementation": "A company engineering post covering this workflow was found in the archived case records. The actual architecture and the scope of use still have to be settled after the source is read again.", "outcome": "Not determined. Figures from the archived records were not carried over as a reviewed result.", "limitation": "The source and the current operating status were not checked again in this round of research. This case is not counted among the completed adoptions." }, "jp": { "usecase": "業務データへの質問応答", "implementation": "保管している事例資料の中から、この業務に関連する企業の技術記事を見つけた。実際の構成と適用範囲は、原文を再確認したうえで確定する必要がある。", "outcome": "未確定。保管資料の成果数値を、根拠確認済みの結果として移してはいない。", "limitation": "今回の調査では、原文と現在の運用状況を再確認していない。導入完了の件数には含めない。" }, "zh": { "usecase": "面向业务数据的问答", "implementation": "在存档的案例资料中找到了与该业务相关的企业技术文章。实际架构与应用范围仍需在重新核验原文后确定。", "outcome": "尚未确定。未将存档资料中的成效数据当作已核验结果引用。", "limitation": "本次调查未重新核验原文与当前运营状态。该案例不计入已完成的采用数量。" } } }, { "id": "C006", "industry": "정보기술", "subindustry": "업무용 소프트웨어와 AI", "company": "Amazon", "country": "분류 생략", "dateLabel": "2025년 보관 자료 분류", "dateBasis": "이번 조사에서 게시일과 운영 상태를 재확인하지 않음", "evidenceYears": [ "2025" ], "stage": "재확인 필요", "scope": "추가 확인 후보", "usecase": "책 표지를 보여주는 검색 자동완성", "implementation": "기존 사례 자료에서 위 업무와 관련된 기업 기술 글을 찾았다. 실제 구조와 적용 범위는 원문 재확인 후 확정해야 한다.", "outcome": "미확정. 보관 자료의 성과 수치를 본조사 결과로 옮기지 않았다.", "limitation": "이번 조사에서 원문과 현재 운영 상태를 재확인하지 않았다. 완료된 도입 사례 수에 포함하지 않는다.", "sourceIds": [ "S101" ], "evidenceAccess": "이번 조사 원문 미확인", "localId": "0096", "translations": { "en": { "usecase": "Search autocomplete that shows book covers", "implementation": "A company engineering post covering this workflow was found in the archived case records. The actual architecture and the scope of use still have to be settled after the source is read again.", "outcome": "Not determined. Figures from the archived records were not carried over as a reviewed result.", "limitation": "The source and the current operating status were not checked again in this round of research. This case is not counted among the completed adoptions." }, "jp": { "usecase": "書影を表示する検索オートコンプリート", "implementation": "保管している事例資料の中から、この業務に関連する企業の技術記事を見つけた。実際の構成と適用範囲は、原文を再確認したうえで確定する必要がある。", "outcome": "未確定。保管資料の成果数値を、根拠確認済みの結果として移してはいない。", "limitation": "今回の調査では、原文と現在の運用状況を再確認していない。導入完了の件数には含めない。" }, "zh": { "usecase": "展示图书封面的搜索自动补全", "implementation": "在存档的案例资料中找到了与该业务相关的企业技术文章。实际架构与应用范围仍需在重新核验原文后确定。", "outcome": "尚未确定。未将存档资料中的成效数据当作已核验结果引用。", "limitation": "本次调查未重新核验原文与当前运营状态。该案例不计入已完成的采用数量。" } } }, { "id": "C007", "localId": "0105", "industry": "정보기술", "subindustry": "업무용 소프트웨어와 AI", "company": "Anthropic", "country": "미국", "stage": "운영", "scope": "본조사", "usecase": "여러 AI가 협력하는 조사 서비스", "problem": "복잡한 조사는 중간에 발견한 자료에 따라 다음 검색 방향이 바뀐다. 한 번의 검색이나 고정된 처리 순서로는 여러 독립 주제를 넓게 조사하기 어렵고 단일 에이전트의 문맥 용량에도 한계가 있다. Anthropic은 실제 Research 서비스에서 탐색 범위와 조사 신뢰성을 함께 확보해야 했다.", "implementation": "Research의 주도 에이전트는 이용자 질문을 분석해 계획을 저장하고 전문 하위 에이전트를 병렬로 만든다. 하위 에이전트는 웹과 연결된 자료를 각각 검색하고 결과를 압축해 돌려준다. 주도 에이전트가 추가 조사 여부를 판단해 종합한 뒤 인용 에이전트가 주장과 문서의 근거 위치를 연결한다. 운영 장애 때 처음부터 재시작하지 않도록 체크포인트와 재시도를 결합한다. 사람이 결과를 시험하며 자동 평가가 놓친 출처 선택 편향과 오류도 점검한다.", "outcome": "Anthropic은 주도 역할의 Claude Opus 4와 하위 역할의 Claude Sonnet 4 조합이 내부 조사 평가에서 단일 Claude Opus 4보다 90.2% 높은 성과를 냈다고 밝혔다. 하위 에이전트와 도구 호출의 병렬화로 복잡한 질문의 조사 시간이 최대 90% 줄었다고 설명했다. 원문은 서비스가 운영 중이며 이용자가 사업 기회 탐색과 기술 문제 해결 등에 활용한다고 보고했다.", "limitation": "90.2%는 내부 평가의 상대 성과이며 정답률이 아니다. 회사는 다중 에이전트가 일반 채팅보다 약 15배의 토큰을 사용한다고 밝혔고 고객의 평균 시간 절감량은 제시하지 않았다.", "sourceIds": [ "S102" ], "evidenceAccess": "원문 본문 열람", "dateLabel": "2025-06-13", "dateBasis": "자료 발표 시점. 도입 시작일과 다를 수 있음", "evidenceYears": [ "2025" ], "eventDate": "2025-06-13", "eventBasis": "공개", "translations": { "en": { "usecase": "A research service with cooperating AI agents", "problem": "Complex research changes direction as new evidence appears. A single search or fixed workflow cannot adequately explore multiple independent topics, and a single agent has limited context capacity. Anthropic needed both breadth and reliability in its live Research service.", "implementation": "The lead Research agent analyzes the user's question, saves a plan and creates specialized subagents in parallel. Each subagent searches the web and connected material and returns condensed findings. The lead decides whether further research is needed and synthesizes the results, after which a citation agent links claims to specific evidence locations. Checkpoints and retries allow recovery without restarting from scratch. Human testers also check errors and source-selection biases missed by automated evaluation.", "outcome": "Anthropic said Claude Opus 4 leading Claude Sonnet 4 subagents outperformed a single Claude Opus 4 by 90.2 percent on its internal research evaluation. It said parallel subagents and tool calls cut research time by up to 90 percent for complex queries. The source reports that the service is in production and that users apply it to finding business opportunities and resolving technical problems.", "limitation": "The 90.2 percent figure is relative performance on an internal evaluation, not an accuracy rate. The company said multi-agent systems use about fifteen times as many tokens as ordinary chats and did not provide average customer time savings." }, "jp": { "usecase": "複数のAIが協力する調査サービス", "problem": "複雑な調査では、新たに見つかった資料に応じて次の検索方向が変わる。一度の検索や固定の処理順では複数の独立したテーマを広く調べにくく、単一エージェントの文脈容量にも限界がある。Anthropicは実際のResearchサービスで探索範囲と調査の信頼性を両立する必要があった。", "implementation": "Researchの主導エージェントは利用者の質問を分析して計画を保存し、専門の下位エージェントを並列に作る。下位エージェントはウェブや接続資料を個別に検索し、結果を圧縮して返す。主導エージェントが追加調査の要否を判断して統合した後、引用エージェントが主張と文書の根拠位置を結び付ける。運用障害時に最初から再開しないよう、チェックポイントと再試行を組み合わせる。人も結果を試験し、自動評価が見逃す出典選択の偏りや誤りを確認する。", "outcome": "Anthropicは、主導役のClaude Opus 4と下位役のClaude Sonnet 4の組み合わせが、内部調査評価で単一のClaude Opus 4より90.2%高い成績を得たと発表した。下位エージェントとツール呼び出しの並列化により、複雑な質問の調査時間が最大90%短くなったと説明した。原文はサービスが稼働中で、利用者が事業機会の探索や技術問題の解決などに使っていると報告した。", "limitation": "90.2%は内部評価の相対的な成績であり、正答率ではない。同社は複数エージェントが通常のチャットの約15倍のトークンを使うと述べ、顧客の平均時間短縮量は示していない。" }, "zh": { "usecase": "多个AI协作的研究服务", "problem": "复杂研究会根据中途发现的材料改变后续搜索方向。单次搜索或固定流程难以广泛探索多个独立主题，单一代理的上下文容量也有限。Anthropic需要在实际Research服务中兼顾探索广度与研究可靠性。", "implementation": "Research的主导代理分析用户问题、保存计划，并行创建专业子代理。子代理分别搜索网络与已连接资料，压缩结果后返回。主导代理判断是否需要继续研究并汇总结果，随后引用代理将论点与文档中的证据位置关联。系统结合检查点和重试，避免故障后从头运行。人工测试也检查自动评估遗漏的来源选择偏差及错误。", "outcome": "Anthropic表示，由Claude Opus 4主导、Claude Sonnet 4担任子代理的组合，在内部研究评估中的表现比单个Claude Opus 4高90.2%。公司称，并行运行子代理及工具调用，使复杂问题的研究时间最多缩短90%。原文报告服务已投入运营，用户将其用于发现商业机会及解决技术问题等。", "limitation": "90.2%是内部评估的相对表现，并非正确率。公司表示，多代理系统使用的词元约为普通聊天的15倍，未提供客户平均节省时间。" } } }, { "id": "C008", "industry": "정보기술", "subindustry": "업무용 소프트웨어와 AI", "company": "Apple", "country": "분류 생략", "dateLabel": "2025년 보관 자료 분류", "dateBasis": "이번 조사에서 게시일과 운영 상태를 재확인하지 않음", "evidenceYears": [ "2025" ], "stage": "재확인 필요", "scope": "추가 확인 후보", "usecase": "요구사항에서 시험 항목 생성", "implementation": "기존 사례 자료에서 위 업무와 관련된 기업 기술 글을 찾았다. 실제 구조와 적용 범위는 원문 재확인 후 확정해야 한다.", "outcome": "미확정. 보관 자료의 성과 수치를 본조사 결과로 옮기지 않았다.", "limitation": "이번 조사에서 원문과 현재 운영 상태를 재확인하지 않았다. 완료된 도입 사례 수에 포함하지 않는다.", "sourceIds": [ "S103" ], "evidenceAccess": "이번 조사 원문 미확인", "localId": "0113", "translations": { "en": { "usecase": "Generating test cases from requirements", "implementation": "A company engineering post covering this workflow was found in the archived case records. The actual architecture and the scope of use still have to be settled after the source is read again.", "outcome": "Not determined. Figures from the archived records were not carried over as a reviewed result.", "limitation": "The source and the current operating status were not checked again in this round of research. This case is not counted among the completed adoptions." }, "jp": { "usecase": "要件からテスト項目を生成", "implementation": "保管している事例資料の中から、この業務に関連する企業の技術記事を見つけた。実際の構成と適用範囲は、原文を再確認したうえで確定する必要がある。", "outcome": "未確定。保管資料の成果数値を、根拠確認済みの結果として移してはいない。", "limitation": "今回の調査では、原文と現在の運用状況を再確認していない。導入完了の件数には含めない。" }, "zh": { "usecase": "从需求生成测试用例", "implementation": "在存档的案例资料中找到了与该业务相关的企业技术文章。实际架构与应用范围仍需在重新核验原文后确定。", "outcome": "尚未确定。未将存档资料中的成效数据当作已核验结果引用。", "limitation": "本次调查未重新核验原文与当前运营状态。该案例不计入已完成的采用数量。" } } }, { "id": "C009", "industry": "유통", "subindustry": "전자상거래", "company": "Asos", "country": "분류 생략", "dateLabel": "2025년 보관 자료 분류", "dateBasis": "이번 조사에서 게시일과 운영 상태를 재확인하지 않음", "evidenceYears": [ "2025" ], "stage": "재확인 필요", "scope": "추가 확인 후보", "usecase": "재고 불일치 보고 도구 개발", "implementation": "기존 사례 자료에서 위 업무와 관련된 기업 기술 글을 찾았다. 실제 구조와 적용 범위는 원문 재확인 후 확정해야 한다.", "outcome": "미확정. 보관 자료의 성과 수치를 본조사 결과로 옮기지 않았다.", "limitation": "이번 조사에서 원문과 현재 운영 상태를 재확인하지 않았다. 완료된 도입 사례 수에 포함하지 않는다.", "sourceIds": [ "S104" ], "evidenceAccess": "이번 조사 원문 미확인", "localId": "0116", "translations": { "en": { "usecase": "Building a tool that reports stock discrepancies", "implementation": "A company engineering post covering this workflow was found in the archived case records. The actual architecture and the scope of use still have to be settled after the source is read again.", "outcome": "Not determined. Figures from the archived records were not carried over as a reviewed result.", "limitation": "The source and the current operating status were not checked again in this round of research. This case is not counted among the completed adoptions." }, "jp": { "usecase": "在庫の不一致を報告するツールの開発", "implementation": "保管している事例資料の中から、この業務に関連する企業の技術記事を見つけた。実際の構成と適用範囲は、原文を再確認したうえで確定する必要がある。", "outcome": "未確定。保管資料の成果数値を、根拠確認済みの結果として移してはいない。", "limitation": "今回の調査では、原文と現在の運用状況を再確認していない。導入完了の件数には含めない。" }, "zh": { "usecase": "开发库存差异报告工具", "implementation": "在存档的案例资料中找到了与该业务相关的企业技术文章。实际架构与应用范围仍需在重新核验原文后确定。", "outcome": "尚未确定。未将存档资料中的成效数据当作已核验结果引用。", "limitation": "本次调查未重新核验原文与当前运营状态。该案例不计入已完成的采用数量。" } } }, { "id": "C010", "industry": "교육", "subindustry": "언어교육 서비스", "company": "Babbel", "country": "독일", "dateLabel": "2025-07-31", "dateBasis": "자료 발표 시점. 도입 시작일과 다를 수 있음", "evidenceYears": [ "2025" ], "stage": "운영", "scope": "본조사", "usecase": "고객 문의 챗봇", "implementation": "이 회사는 학습자가 가장 많이 묻는 질문을 분석해 자동으로 답할 수 있는 항목을 먼저 골랐다. 예를 들어 다음 결제가 언제 얼마인지 묻는 질문은 챗봇이 즉시 답하게 했다. 몇 달 동안 개발과 시험, 다듬기를 거쳐 Bab을 만들었고 2024년에 처음 내놓았다. 고객 서비스 도구와 자동화를 맡은 Chris Boyd과 기술 상담을 맡은 Alan Lendo가 대화 흐름을 수백 갈래로 설계했다. 흐름은 학습자가 무엇을 원하는지 파악하고, 정보가 더 필요한지 판단하고, 맞는 정보나 자동 처리를 제공하고, 언제 상담원에게 넘길지 정하는 순서로 돌아간다. 구독 정보 확인과 변경, 개인별 혜택 안내, 학습 조언처럼 전에는 사람이 해야 했던 일도 챗봇이 처리한다. 2025년 7월부터는 iOS와 Android 앱 안에서도 쓸 수 있게 했다.", "outcome": "Babbel은 2024년 처음 내놓은 뒤 Bab이 250,000건의 대화를 처리했다고 밝혔다. 앱에 넣은 뒤 월 대화 수는 50% 넘게 늘었고, 이 회사는 학습자가 배우는 자리에서 바로 도움을 받는 것을 그만큼 중요하게 여긴다는 뜻으로 봤다. 전체 문의의 50%는 상담원을 기다리지 않고 즉시 답을 받는다고 설명했다. 이 회사는 이렇게 지원을 하루 24시간으로 넓혔다고 밝혔다.", "limitation": "원문은 어떤 모델이나 어떤 기술로 Bab을 만들었는지 밝히지 않았다. 즉시 답변 비율 50%와 대화 250,000건을 어떤 기간에 측정했는지, 해결 품질이나 학습자 만족도 수치도 원문에 없다.", "sourceIds": [ "S105" ], "evidenceAccess": "원문 본문 열람", "localId": "0119", "translations": { "en": { "usecase": "Customer enquiry chatbot", "problem": "Babbel said that over the past five years both the volume and the complexity of learner enquiries had grown. As the service became more popular the number of enquiries rose with it, which lengthened reply times and, the company said, made it fall short of the standard its learners deserve. It added that it had looked at chatbot products for years but was not satisfied, because they only repeated Help Centre articles.", "implementation": "The company first analysed the questions learners asked most often and picked out the ones that could be answered automatically. A learner asking when the next renewal falls due or how much it will cost, for example, now gets an instant answer from the chatbot. After several months of development, testing and refinement Bab was built, and it first launched in 2024. Chris Boyd, who leads tooling and automation for customer service, and Alan Lendo, a customer service technical consultant, mapped out hundreds of conversation flows. A flow runs by working out what the learner is asking for, deciding whether more information is needed, providing either the correct information or an automated action, and knowing when to hand off to an agent. The chatbot also handles work that previously required a person, such as checking or changing subscription details, accessing personalised offers and giving language learning tips. From July 2025 it has also been available inside the iOS and Android apps.", "outcome": "Babbel said that since the first launch in 2024 Bab has handled 250,000 conversations. After it was added to the apps, monthly conversations rose by more than 50 percent, which the company read as a sign of how much learners value getting help where they are learning. It said learners now receive instant answers to 50 percent of all queries without waiting for an agent. The company said this has extended support to 24 hours a day.", "limitation": "The source does not say which model or which technology Bab was built on. It also does not give the measurement period behind the 50 percent instant answer rate and the 250,000 conversations, nor any figure for resolution quality or learner satisfaction." }, "jp": { "usecase": "顧客問い合わせチャットボット", "problem": "Babbelは、この5年で学習者から届く問い合わせの数と複雑さがともに増えたと述べた。サービスの利用者が増えるほど問い合わせも増えて返信が遅くなり、同社は、それだけ学習者が受けるべき水準に届かなくなると説明した。何年もチャットボットを検討してきたが、ヘルプ記事をそのまま読み上げる程度で満足できなかったと付け加えた。", "implementation": "同社はまず、学習者が最も多く尋ねる質問を分析し、自動で答えられる項目を選び出した。たとえば次の更新がいつ、いくらになるかという質問には、チャットボットがその場で答えるようにした。数か月の開発と試験、調整を重ねてBabを作り、2024年に初めて公開した。顧客サービスの道具と自動化を率いるChris Boydと、技術相談を担うAlan Lendoが、会話の流れを数百通り設計した。流れは、学習者が何を求めているかを把握し、さらに情報が必要かを判断し、正しい情報か自動処理を提供し、いつ担当者に引き継ぐかを決める順で動く。定期購入の内容の確認と変更、個人向けの特典案内、学習の助言など、以前は人が対応していた仕事もチャットボットが処理する。2025年7月からはiOSとAndroidのアプリの中でも使えるようにした。", "outcome": "Babbelは、2024年に初めて公開してからBabが250,000件の会話を処理したと述べた。アプリに載せたあと、月あたりの会話数は50%以上増え、同社は、学習者が学ぶ場でそのまま助けを受けられることをそれだけ重視している表れだと見た。全体の問い合わせの50%は担当者を待たずにその場で答えが返ると説明した。同社は、これにより支援を1日24時間に広げたと述べた。", "limitation": "原文は、どのモデルやどの技術でBabを作ったのかを明らかにしていない。即答の割合50%と会話250,000件をどの期間に測ったのか、解決の品質や学習者の満足度の数値も原文にはない。" }, "zh": { "usecase": "客户咨询聊天机器人", "problem": "Babbel表示，过去五年间，学习者提出的咨询在数量和复杂程度上同时增加。随着服务的使用者增多，咨询量也随之上升，回复因此变慢，该公司说明，这会让服务达不到学习者应得的水准。公司还补充说，多年来一直在考察聊天机器人产品，但都不满意，因为它们只是照搬帮助中心的文章。", "implementation": "该公司先分析了学习者最常提出的问题，挑出可以自动回答的条目。例如，学习者询问下一次续费在什么时候、金额是多少时，聊天机器人可以立即给出答案。经过数月的开发、测试与打磨，Bab得以问世，并于2024年首次上线。负责客户服务工具与自动化的Chris Boyd，以及担任技术顾问的Alan Lendo，设计了数百条对话流程。每条流程的运作顺序是，先弄清学习者想要什么，再判断是否需要补充信息，然后提供正确信息或自动处理，并确定何时转交给人工客服。查询和修改订阅信息、领取个性化优惠、获取语言学习建议等以往需要人工处理的事项，现在也由聊天机器人完成。自2025年7月起，它还可以在iOS与Android应用内使用。", "outcome": "Babbel表示，自2024年首次上线以来，Bab已处理250,000次对话。接入应用之后，每月对话量增加超过50%，公司认为，这说明学习者非常看重能在学习的地方直接获得帮助。公司说明，全部咨询中有50%可以立即得到答复，无需等待客服人员。公司表示，支持服务因此扩展到一天24小时。", "limitation": "原文没有说明Bab是基于哪一款模型或哪种技术构建的。对于50%的即时答复比例和250,000次对话，原文也没有给出测量的时间段，以及解决质量或学习者满意度的数字。" } }, "problem": "Babbel은 지난 5년 동안 학습자에게서 오는 문의의 수와 복잡성이 함께 늘었다고 밝혔다. 서비스 이용자가 늘수록 문의도 따라 늘어 회신이 늦어졌고, 이 회사는 그만큼 학습자가 받아야 할 수준에 못 미치게 된다고 설명했다. 여러 해 동안 챗봇을 살펴봤지만 도움말 문서를 그대로 읊는 수준이라 만족하지 못했다고 덧붙였다.", "eventDate": "2025-07-31", "eventBasis": "공개" }, { "id": "C011", "industry": "제약과 바이오", "subindustry": "임상시험 기술", "company": "Bayezian Limited", "country": "분류 생략", "dateLabel": "2025년 보관 자료 분류", "dateBasis": "이번 조사에서 게시일과 운영 상태를 재확인하지 않음", "evidenceYears": [ "2025" ], "stage": "재확인 필요", "scope": "추가 확인 후보", "usecase": "임상시험 문서 감시", "implementation": "기존 사례 자료에서 위 업무와 관련된 기업 기술 글을 찾았다. 실제 구조와 적용 범위는 원문 재확인 후 확정해야 한다.", "outcome": "미확정. 보관 자료의 성과 수치를 본조사 결과로 옮기지 않았다.", "limitation": "이번 조사에서 원문과 현재 운영 상태를 재확인하지 않았다. 완료된 도입 사례 수에 포함하지 않는다.", "sourceIds": [ "S106" ], "evidenceAccess": "이번 조사 원문 미확인", "localId": "0121", "translations": { "en": { "usecase": "Monitoring clinical trial documents", "implementation": "A company engineering post covering this workflow was found in the archived case records. The actual architecture and the scope of use still have to be settled after the source is read again.", "outcome": "Not determined. Figures from the archived records were not carried over as a reviewed result.", "limitation": "The source and the current operating status were not checked again in this round of research. This case is not counted among the completed adoptions." }, "jp": { "usecase": "臨床試験文書の監視", "implementation": "保管している事例資料の中から、この業務に関連する企業の技術記事を見つけた。実際の構成と適用範囲は、原文を再確認したうえで確定する必要がある。", "outcome": "未確定。保管資料の成果数値を、根拠確認済みの結果として移してはいない。", "limitation": "今回の調査では、原文と現在の運用状況を再確認していない。導入完了の件数には含めない。" }, "zh": { "usecase": "临床试验文档监控", "implementation": "在存档的案例资料中找到了与该业务相关的企业技术文章。实际架构与应用范围仍需在重新核验原文后确定。", "outcome": "尚未确定。未将存档资料中的成效数据当作已核验结果引用。", "limitation": "本次调查未重新核验原文与当前运营状态。该案例不计入已完成的采用数量。" } } }, { "id": "C012", "industry": "배달과 이동", "subindustry": "차량 호출과 배달", "company": "BlaBlaCar", "country": "분류 생략", "dateLabel": "2025년 보관 자료 분류", "dateBasis": "이번 조사에서 게시일과 운영 상태를 재확인하지 않음", "evidenceYears": [ "2025" ], "stage": "재확인 필요", "scope": "추가 확인 후보", "usecase": "직원 데이터 분석 도우미", "implementation": "기존 사례 자료에서 위 업무와 관련된 기업 기술 글을 찾았다. 실제 구조와 적용 범위는 원문 재확인 후 확정해야 한다.", "outcome": "미확정. 보관 자료의 성과 수치를 본조사 결과로 옮기지 않았다.", "limitation": "이번 조사에서 원문과 현재 운영 상태를 재확인하지 않았다. 완료된 도입 사례 수에 포함하지 않는다.", "sourceIds": [ "S107" ], "evidenceAccess": "이번 조사 원문 미확인", "localId": "0127", "translations": { "en": { "usecase": "A data analysis assistant for employees", "implementation": "A company engineering post covering this workflow was found in the archived case records. The actual architecture and the scope of use still have to be settled after the source is read again.", "outcome": "Not determined. Figures from the archived records were not carried over as a reviewed result.", "limitation": "The source and the current operating status were not checked again in this round of research. This case is not counted among the completed adoptions." }, "jp": { "usecase": "従業員向けのデータ分析アシスタント", "implementation": "保管している事例資料の中から、この業務に関連する企業の技術記事を見つけた。実際の構成と適用範囲は、原文を再確認したうえで確定する必要がある。", "outcome": "未確定。保管資料の成果数値を、根拠確認済みの結果として移してはいない。", "limitation": "今回の調査では、原文と現在の運用状況を再確認していない。導入完了の件数には含めない。" }, "zh": { "usecase": "面向员工的数据分析助手", "implementation": "在存档的案例资料中找到了与该业务相关的企业技术文章。实际架构与应用范围仍需在重新核验原文后确定。", "outcome": "尚未确定。未将存档资料中的成效数据当作已核验结果引用。", "limitation": "本次调查未重新核验原文与当前运营状态。该案例不计入已完成的采用数量。" } } }, { "id": "C013", "industry": "정보기술", "subindustry": "디자인 소프트웨어", "company": "Canva", "country": "분류 생략", "dateLabel": "2025년 보관 자료 분류", "dateBasis": "이번 조사에서 게시일과 운영 상태를 재확인하지 않음", "evidenceYears": [ "2025" ], "stage": "재확인 필요", "scope": "추가 확인 후보", "usecase": "이용자별 연말 콘텐츠 제작", "implementation": "기존 사례 자료에서 위 업무와 관련된 기업 기술 글을 찾았다. 실제 구조와 적용 범위는 원문 재확인 후 확정해야 한다.", "outcome": "미확정. 보관 자료의 성과 수치를 본조사 결과로 옮기지 않았다.", "limitation": "이번 조사에서 원문과 현재 운영 상태를 재확인하지 않았다. 완료된 도입 사례 수에 포함하지 않는다.", "sourceIds": [ "S108" ], "evidenceAccess": "이번 조사 원문 미확인", "localId": "0139", "translations": { "en": { "usecase": "Producing year-end content for each individual user", "implementation": "A company engineering post covering this workflow was found in the archived case records. The actual architecture and the scope of use still have to be settled after the source is read again.", "outcome": "Not determined. Figures from the archived records were not carried over as a reviewed result.", "limitation": "The source and the current operating status were not checked again in this round of research. This case is not counted among the completed adoptions." }, "jp": { "usecase": "利用者ごとの年末コンテンツ制作", "implementation": "保管している事例資料の中から、この業務に関連する企業の技術記事を見つけた。実際の構成と適用範囲は、原文を再確認したうえで確定する必要がある。", "outcome": "未確定。保管資料の成果数値を、根拠確認済みの結果として移してはいない。", "limitation": "今回の調査では、原文と現在の運用状況を再確認していない。導入完了の件数には含めない。" }, "zh": { "usecase": "为每位用户制作年终内容", "implementation": "在存档的案例资料中找到了与该业务相关的企业技术文章。实际架构与应用范围仍需在重新核验原文后确定。", "outcome": "尚未确定。未将存档资料中的成效数据当作已核验结果引用。", "limitation": "本次调查未重新核验原文与当前运营状态。该案例不计入已完成的采用数量。" } } }, { "id": "C014", "industry": "정보기술", "subindustry": "디자인 소프트웨어", "company": "Canva", "country": "분류 생략", "dateLabel": "2025년 보관 자료 분류", "dateBasis": "이번 조사에서 게시일과 운영 상태를 재확인하지 않음", "evidenceYears": [ "2025" ], "stage": "재확인 필요", "scope": "추가 확인 후보", "usecase": "개인정보를 보지 않는 검색 평가", "implementation": "기존 사례 자료에서 위 업무와 관련된 기업 기술 글을 찾았다. 실제 구조와 적용 범위는 원문 재확인 후 확정해야 한다.", "outcome": "미확정. 보관 자료의 성과 수치를 본조사 결과로 옮기지 않았다.", "limitation": "이번 조사에서 원문과 현재 운영 상태를 재확인하지 않았다. 완료된 도입 사례 수에 포함하지 않는다.", "sourceIds": [ "S109" ], "evidenceAccess": "이번 조사 원문 미확인", "localId": "0142", "translations": { "en": { "usecase": "Evaluating search quality without reading personal data", "implementation": "A company engineering post covering this workflow was found in the archived case records. The actual architecture and the scope of use still have to be settled after the source is read again.", "outcome": "Not determined. Figures from the archived records were not carried over as a reviewed result.", "limitation": "The source and the current operating status were not checked again in this round of research. This case is not counted among the completed adoptions." }, "jp": { "usecase": "個人情報を見ずに行う検索品質の評価", "implementation": "保管している事例資料の中から、この業務に関連する企業の技術記事を見つけた。実際の構成と適用範囲は、原文を再確認したうえで確定する必要がある。", "outcome": "未確定。保管資料の成果数値を、根拠確認済みの結果として移してはいない。", "limitation": "今回の調査では、原文と現在の運用状況を再確認していない。導入完了の件数には含めない。" }, "zh": { "usecase": "不接触个人信息的搜索质量评估", "implementation": "在存档的案例资料中找到了与该业务相关的企业技术文章。实际架构与应用范围仍需在重新核验原文后确定。", "outcome": "尚未确定。未将存档资料中的成效数据当作已核验结果引用。", "limitation": "本次调查未重新核验原文与当前运营状态。该案例不计入已完成的采用数量。" } } }, { "id": "C015", "industry": "정보기술", "subindustry": "디자인 소프트웨어", "company": "Canva", "country": "분류 생략", "dateLabel": "2025년 보관 자료 분류", "dateBasis": "이번 조사에서 게시일과 운영 상태를 재확인하지 않음", "evidenceYears": [ "2025" ], "stage": "재확인 필요", "scope": "추가 확인 후보", "usecase": "디자인 이미지 교체 검색", "implementation": "기존 사례 자료에서 위 업무와 관련된 기업 기술 글을 찾았다. 실제 구조와 적용 범위는 원문 재확인 후 확정해야 한다.", "outcome": "미확정. 보관 자료의 성과 수치를 본조사 결과로 옮기지 않았다.", "limitation": "이번 조사에서 원문과 현재 운영 상태를 재확인하지 않았다. 완료된 도입 사례 수에 포함하지 않는다.", "sourceIds": [ "S110" ], "evidenceAccess": "이번 조사 원문 미확인", "localId": "0144", "translations": { "en": { "usecase": "Search for replacement images inside a design", "implementation": "A company engineering post covering this workflow was found in the archived case records. The actual architecture and the scope of use still have to be settled after the source is read again.", "outcome": "Not determined. Figures from the archived records were not carried over as a reviewed result.", "limitation": "The source and the current operating status were not checked again in this round of research. This case is not counted among the completed adoptions." }, "jp": { "usecase": "デザイン画像の差し替え検索", "implementation": "保管している事例資料の中から、この業務に関連する企業の技術記事を見つけた。実際の構成と適用範囲は、原文を再確認したうえで確定する必要がある。", "outcome": "未確定。保管資料の成果数値を、根拠確認済みの結果として移してはいない。", "limitation": "今回の調査では、原文と現在の運用状況を再確認していない。導入完了の件数には含めない。" }, "zh": { "usecase": "设计图片替换检索", "implementation": "在存档的案例资料中找到了与该业务相关的企业技术文章。实际架构与应用范围仍需在重新核验原文后确定。", "outcome": "尚未确定。未将存档资料中的成效数据当作已核验结果引用。", "limitation": "本次调查未重新核验原文与当前运营状态。该案例不计入已完成的采用数量。" } } }, { "id": "C016", "industry": "금융", "subindustry": "가상자산 거래소", "company": "Coinbase", "country": "분류 생략", "dateLabel": "2025년 보관 자료 분류", "dateBasis": "이번 조사에서 게시일과 운영 상태를 재확인하지 않음", "evidenceYears": [ "2025" ], "stage": "재확인 필요", "scope": "추가 확인 후보", "usecase": "사기 탐지에 사용자 행동 순서 반영", "implementation": "기존 사례 자료에서 위 업무와 관련된 기업 기술 글을 찾았다. 실제 구조와 적용 범위는 원문 재확인 후 확정해야 한다.", "outcome": "미확정. 보관 자료의 성과 수치를 본조사 결과로 옮기지 않았다.", "limitation": "이번 조사에서 원문과 현재 운영 상태를 재확인하지 않았다. 완료된 도입 사례 수에 포함하지 않는다.", "sourceIds": [ "S111" ], "evidenceAccess": "이번 조사 원문 미확인", "localId": "0162", "translations": { "en": { "usecase": "Feeding the order of user actions into fraud detection", "implementation": "A company engineering post covering this workflow was found in the archived case records. The actual architecture and the scope of use still have to be settled after the source is read again.", "outcome": "Not determined. Figures from the archived records were not carried over as a reviewed result.", "limitation": "The source and the current operating status were not checked again in this round of research. This case is not counted among the completed adoptions." }, "jp": { "usecase": "不正検知にユーザー行動の順序を反映", "implementation": "保管している事例資料の中から、この業務に関連する企業の技術記事を見つけた。実際の構成と適用範囲は、原文を再確認したうえで確定する必要がある。", "outcome": "未確定。保管資料の成果数値を、根拠確認済みの結果として移してはいない。", "limitation": "今回の調査では、原文と現在の運用状況を再確認していない。導入完了の件数には含めない。" }, "zh": { "usecase": "在欺诈检测中引入用户行为顺序", "implementation": "在存档的案例资料中找到了与该业务相关的企业技术文章。实际架构与应用范围仍需在重新核验原文后确定。", "outcome": "尚未确定。未将存档资料中的成效数据当作已核验结果引用。", "limitation": "本次调查未重新核验原文与当前运营状态。该案例不计入已完成的采用数量。" } } }, { "id": "C017", "industry": "금융", "subindustry": "가상자산 거래소", "company": "Coinbase", "country": "분류 생략", "dateLabel": "2025년 보관 자료 분류", "dateBasis": "이번 조사에서 게시일과 운영 상태를 재확인하지 않음", "evidenceYears": [ "2025" ], "stage": "재확인 필요", "scope": "추가 확인 후보", "usecase": "웹 화면 품질 시험", "implementation": "기존 사례 자료에서 위 업무와 관련된 기업 기술 글을 찾았다. 실제 구조와 적용 범위는 원문 재확인 후 확정해야 한다.", "outcome": "미확정. 보관 자료의 성과 수치를 본조사 결과로 옮기지 않았다.", "limitation": "이번 조사에서 원문과 현재 운영 상태를 재확인하지 않았다. 완료된 도입 사례 수에 포함하지 않는다.", "sourceIds": [ "S112" ], "evidenceAccess": "이번 조사 원문 미확인", "localId": "0164", "translations": { "en": { "usecase": "Quality testing of web screens", "implementation": "A company engineering post covering this workflow was found in the archived case records. The actual architecture and the scope of use still have to be settled after the source is read again.", "outcome": "Not determined. Figures from the archived records were not carried over as a reviewed result.", "limitation": "The source and the current operating status were not checked again in this round of research. This case is not counted among the completed adoptions." }, "jp": { "usecase": "ウェブ画面の品質テスト", "implementation": "保管している事例資料の中から、この業務に関連する企業の技術記事を見つけた。実際の構成と適用範囲は、原文を再確認したうえで確定する必要がある。", "outcome": "未確定。保管資料の成果数値を、根拠確認済みの結果として移してはいない。", "limitation": "今回の調査では、原文と現在の運用状況を再確認していない。導入完了の件数には含めない。" }, "zh": { "usecase": "网页界面质量测试", "implementation": "在存档的案例资料中找到了与该业务相关的企业技术文章。实际架构与应用范围仍需在重新核验原文后确定。", "outcome": "尚未确定。未将存档资料中的成效数据当作已核验结果引用。", "limitation": "本次调查未重新核验原文与当前运营状态。该案例不计入已完成的采用数量。" } } }, { "id": "C018", "industry": "금융", "subindustry": "가상자산 거래소", "company": "Coinbase", "country": "분류 생략", "dateLabel": "2025년 보관 자료 분류", "dateBasis": "이번 조사에서 게시일과 운영 상태를 재확인하지 않음", "evidenceYears": [ "2025" ], "stage": "재확인 필요", "scope": "추가 확인 후보", "usecase": "사내 의사결정 문서 검토", "implementation": "기존 사례 자료에서 위 업무와 관련된 기업 기술 글을 찾았다. 실제 구조와 적용 범위는 원문 재확인 후 확정해야 한다.", "outcome": "미확정. 보관 자료의 성과 수치를 본조사 결과로 옮기지 않았다.", "limitation": "이번 조사에서 원문과 현재 운영 상태를 재확인하지 않았다. 완료된 도입 사례 수에 포함하지 않는다.", "sourceIds": [ "S113" ], "evidenceAccess": "이번 조사 원문 미확인", "localId": "0165", "translations": { "en": { "usecase": "Reviewing internal decision documents", "implementation": "A company engineering post covering this workflow was found in the archived case records. The actual architecture and the scope of use still have to be settled after the source is read again.", "outcome": "Not determined. Figures from the archived records were not carried over as a reviewed result.", "limitation": "The source and the current operating status were not checked again in this round of research. This case is not counted among the completed adoptions." }, "jp": { "usecase": "社内の意思決定文書のレビュー", "implementation": "保管している事例資料の中から、この業務に関連する企業の技術記事を見つけた。実際の構成と適用範囲は、原文を再確認したうえで確定する必要がある。", "outcome": "未確定。保管資料の成果数値を、根拠確認済みの結果として移してはいない。", "limitation": "今回の調査では、原文と現在の運用状況を再確認していない。導入完了の件数には含めない。" }, "zh": { "usecase": "审阅内部决策文档", "implementation": "在存档的案例资料中找到了与该业务相关的企业技术文章。实际架构与应用范围仍需在重新核验原文后确定。", "outcome": "尚未确定。未将存档资料中的成效数据当作已核验结果引用。", "limitation": "本次调查未重新核验原文与当前运营状态。该案例不计入已完成的采用数量。" } } }, { "id": "C019", "industry": "정보기술", "subindustry": "업무용 소프트웨어와 AI", "company": "Cubic", "country": "분류 생략", "dateLabel": "2025년 보관 자료 분류", "dateBasis": "이번 조사에서 게시일과 운영 상태를 재확인하지 않음", "evidenceYears": [ "2025" ], "stage": "재확인 필요", "scope": "추가 확인 후보", "usecase": "코드 검토의 잘못된 지적 감소", "implementation": "기존 사례 자료에서 위 업무와 관련된 기업 기술 글을 찾았다. 실제 구조와 적용 범위는 원문 재확인 후 확정해야 한다.", "outcome": "미확정. 보관 자료의 성과 수치를 본조사 결과로 옮기지 않았다.", "limitation": "이번 조사에서 원문과 현재 운영 상태를 재확인하지 않았다. 완료된 도입 사례 수에 포함하지 않는다.", "sourceIds": [ "S114" ], "evidenceAccess": "이번 조사 원문 미확인", "localId": "0182", "translations": { "en": { "usecase": "Reducing false findings in code review", "implementation": "A company engineering post covering this workflow was found in the archived case records. The actual architecture and the scope of use still have to be settled after the source is read again.", "outcome": "Not determined. Figures from the archived records were not carried over as a reviewed result.", "limitation": "The source and the current operating status were not checked again in this round of research. This case is not counted among the completed adoptions." }, "jp": { "usecase": "コードレビューにおける誤指摘の削減", "implementation": "保管している事例資料の中から、この業務に関連する企業の技術記事を見つけた。実際の構成と適用範囲は、原文を再確認したうえで確定する必要がある。", "outcome": "未確定。保管資料の成果数値を、根拠確認済みの結果として移してはいない。", "limitation": "今回の調査では、原文と現在の運用状況を再確認していない。導入完了の件数には含めない。" }, "zh": { "usecase": "减少代码评审中的误报", "implementation": "在存档的案例资料中找到了与该业务相关的企业技术文章。实际架构与应用范围仍需在重新核验原文后确定。", "outcome": "尚未确定。未将存档资料中的成效数据当作已核验结果引用。", "limitation": "本次调查未重新核验原文与当前运营状态。该案例不计入已完成的采用数量。" } } }, { "id": "C020", "industry": "정보기술", "subindustry": "번역 소프트웨어", "company": "DeepL", "country": "독일", "dateLabel": "2025-08-07", "dateBasis": "자료 발표 시점. 도입 시작일과 다를 수 있음", "evidenceYears": [ "2025" ], "stage": "운영", "scope": "본조사", "usecase": "번역 모델의 학습과 실행 효율 개선", "implementation": "이 회사는 NVIDIA Transformer Engine으로 기존 학습 코드를 BF16에서 FP8로 옮겼다. NVIDIA 권고대로 기본 설정을 써서 다음 토큰의 확률 분포를 예측하는 순전파에는 정밀도가 높은 E4M3을, 기울기를 계산하는 역전파에는 범위가 넓은 E5M2를 쓴다. FP8 가중치 텐서 옆에 32비트 크기 조정 값을 함께 저장해 값이 범위를 넘거나 모자라는 것을 막고, 텐서를 곱할 때 이 값을 함께 계산한다. 사전학습을 마친 뒤에는 과제별 미세조정과 큰 모델을 작은 모델로 옮기는 증류, 강화학습을 하고 여러 병렬화 방식을 써서 많은 GPU를 쓴다. 추론 단계에서는 NVIDIA TensorRT LLM이 학습된 가중치로 엔진을 만들고 커널 융합과 최적화한 CUDA 코드, KV 캐시, 요청을 이어 붙이는 배치 처리를 적용한다. 품질 확인은 매개변수 15억 개 모델을 3조 토큰으로 두 형식에서 각각 학습해 학습 손실과 영어 독일어 검증 perplexity를 비교하는 방식으로 했다.", "outcome": "DeepL은 학습이 쓰는 연산 자원 활용도를 뜻하는 MFU가 44.6%에서 FP8로 67%까지 올라 학습이 50% 빨라졌다고 밝혔다. 다른 학습 구성에서는 NVIDIA와 함께 Transformer Engine 사용을 다듬어 15개월 동안 25%를 더 올려 80% MFU에 이르렀다고 설명했다. 품질에서는 학습 손실이 BF16 쪽이 아주 조금 낮았지만 그 차이가 단계마다의 변동에 묻힐 정도였고, 영어와 독일어 검증 perplexity에서는 저하가 없었다고 밝혔다. 추론에서는 대부분의 배치 크기에서 BF16과 같은 지연 시간으로 두 배의 처리량을 냈다고 설명했다. 이 회사는 그 결과로 매개변수가 훨씬 많은 모델을 만들어 이전 모델보다 유럽 언어에서 1.4배, 영어와 일본어처럼 어려운 언어 조합에서 1.7배 나은 번역을 내면서도 운영 추론의 같은 지연 시간 안에 들어간다고 밝혔다. 품질 판단은 언어 전문가가 했다고 설명했다.", "limitation": "이전 모델보다 1.4배와 1.7배 낫다는 값을 어떤 평가 방법으로 몇 건을 비교해 얻었는지 원문에 없다. FP8을 운영 추론에 처음 적용한 시점도 원문에 없다. 번역 품질을 판단한 언어 전문가의 수와 평가 기준도 원문에 없다.", "sourceIds": [ "S115" ], "evidenceAccess": "원문 본문 열람", "localId": "0187", "translations": { "en": { "usecase": "Improving the efficiency of training and running the translation models", "problem": "DeepL said that bringing in a DGX SuperPOD built from 544 NVIDIA H100 GPUs gave it a large increase in compute, but that while calculations ran in the 16 bit BF16 format the size of model it could grow within a given latency window and the number of requests it could take at once stayed tied together. The company explained that most of the compute in modern language models takes the form of matrix multiplication, so dropping the precision to 8 bits can raise throughput, but that FP8 carries half the range and precision of BF16 and therefore risks lowering training quality.", "implementation": "The company moved its existing training code from BF16 to FP8 using the NVIDIA Transformer Engine. Following NVIDIA's recommendation it uses the default setup, applying the more precise E4M3 in the forward pass that predicts the probability distribution of the next token, and the wider range E5M2 in the backward pass that computes gradients. It stores 32 bit scaling factors alongside the FP8 weight tensors to prevent overflow and underflow, and accounts for those factors when tensors are multiplied. After pre-training it fine tunes on specific tasks, distils large models into smaller ones, runs reinforcement learning and applies several parallelization strategies to use the large number of GPUs. For inference, NVIDIA TensorRT LLM builds an engine from the trained weights and applies kernel fusion, optimized CUDA code, KV caching and continuous in flight batching. Quality was checked by training a 1.5 billion parameter model on three trillion tokens in both formats and comparing training loss and validation perplexity for English and German.", "outcome": "DeepL said model FLOPS utilization, which measures how much of the available compute the training actually uses, rose from 44.6% to 67% with FP8, making training 50% faster. On another training setup it said it worked with NVIDIA to refine its use of Transformer Engine features and added a further 25% over fifteen months, reaching 80% utilization. On quality it said training loss was very slightly lower for BF16, but the gap was drowned out by the step to step fluctuation in both formats, and it found no degradation in validation perplexity for English and German. In inference it said FP8 handled double the throughput of BF16 at the same latency for most batch sizes. The company said the result is that it can build models with far more parameters that translate 1.4 times better than its previous models for European languages and 1.7 times better for harder pairs such as English and Japanese, while still fitting inside the same latency window for production inference. It said language experts judged the quality.", "limitation": "The source does not say what evaluation method or how many comparisons produced the figures of 1.4 times and 1.7 times against the previous models. It also does not say when FP8 was first applied to production inference, nor how many language experts judged translation quality or against what criteria." }, "jp": { "usecase": "翻訳モデルの学習と実行の効率改善", "problem": "DeepLは、NVIDIA H100 GPUを544枚使ったDGX SuperPODを導入して演算能力を大きく増やしたものの、16ビットのBF16形式で計算している間は、同じ遅延時間の中で大きくできるモデルの規模と一度に受けられる要求の数が結び付いたままだったと述べた。同社は、現代の言語モデルの演算の大半が行列の掛け算であるため精度を8ビットに落とせば処理量を増やせる一方、FP8は表現できる範囲と精度がBF16の半分しかなく、学習品質が下がる恐れがあると説明した。", "implementation": "同社はNVIDIA Transformer Engineを使い、既存の学習コードをBF16からFP8へ移した。NVIDIAの推奨どおり既定の設定を用い、次のトークンの確率分布を予測する順伝播には精度の高いE4M3を、勾配を計算する逆伝播には範囲の広いE5M2を使う。FP8の重みテンソルの横に32ビットのスケーリング値を一緒に保存して値が範囲を超えたり足りなくなったりするのを防ぎ、テンソルを掛けるときにその値も合わせて計算する。事前学習の後は課題ごとの微調整、大きなモデルを小さなモデルへ移す蒸留、強化学習を行い、複数の並列化方式で多数のGPUを使う。推論の段階ではNVIDIA TensorRT LLMが学習済みの重みからエンジンを作り、カーネル融合や最適化したCUDAコード、KVキャッシュ、要求をつなげて処理するバッチ処理を適用する。品質の確認は、パラメータ15億個のモデルを3兆トークンで両方の形式それぞれで学習し、学習損失と英語およびドイツ語の検証perplexityを比べる方法で行った。", "outcome": "DeepLは、学習が使う演算資源の活用度を表すMFUが44.6%からFP8で67%まで上がり、学習が50%速くなったと述べた。別の学習構成では、NVIDIAと一緒にTransformer Engineの使い方を詰め、15か月かけてさらに25%引き上げ、80%のMFUに達したと説明した。品質については、学習損失はBF16の方がごくわずかに低かったものの、その差は段階ごとの揺れに埋もれる程度であり、英語とドイツ語の検証perplexityでは低下がなかったと述べた。推論では、ほとんどのバッチ規模でBF16と同じ遅延時間のまま2倍の処理量を出したと説明した。同社は、その結果としてパラメータがはるかに多いモデルを作ることができ、従来のモデルより欧州の言語で1.4倍、英語と日本語のような難しい組み合わせで1.7倍良い翻訳を出しながら、運用推論の同じ遅延時間の中に収まると述べた。品質の判断は言語の専門家が行ったと説明した。", "limitation": "従来のモデルより1.4倍、1.7倍良いという値を、どのような評価方法で何件を比べて得たのかは原文にない。FP8を運用推論に初めて適用した時期も原文にない。翻訳品質を判断した言語専門家の人数や評価の基準も原文にない。" }, "zh": { "usecase": "提升翻译模型训练与运行的效率", "problem": "DeepL表示，引入由544块NVIDIA H100 GPU组成的DGX SuperPOD后算力大幅提升，但只要计算仍以16位的BF16格式进行，在同一延迟范围内能够扩大的模型规模与能够同时承接的请求数量就始终捆绑在一起。该公司说明，现代语言模型的运算大多是矩阵乘法，把精度降到8位可以提高吞吐量，但FP8能表示的范围与精度只有BF16的一半，存在拉低训练质量的风险。", "implementation": "该公司使用NVIDIA Transformer Engine，把既有训练代码从BF16迁移到FP8。按照NVIDIA的建议采用默认配置，在预测下一个词元概率分布的前向传播中使用精度更高的E4M3，在计算梯度的反向传播中使用范围更宽的E5M2。团队在FP8权重张量旁一并保存32位的缩放值，以防数值溢出或下溢，并在张量相乘时把该值一同纳入计算。预训练之后再做针对具体任务的微调、把大模型迁移为小模型的蒸馏以及强化学习，并采用多种并行化方式来使用大量GPU。在推理阶段，NVIDIA TensorRT LLM会用训练好的权重构建引擎，并应用内核融合、优化过的CUDA代码、KV缓存以及把请求接续处理的批处理。质量验证的做法是：用三万亿词元分别在两种格式下训练一个15亿参数的模型，比较训练损失以及英语与德语的验证perplexity。", "outcome": "DeepL表示，衡量训练实际用到多少可用算力的MFU，从44.6%在FP8下提升到67%，使训练速度加快了50%。在另一套训练配置中，公司与NVIDIA一起打磨对Transformer Engine的使用，在15个月里又提升了25%，达到80%的MFU。在质量方面，公司表示BF16的训练损失仅略低一点，但这一差距被两种格式逐步之间的波动所淹没，而在英语与德语的验证perplexity上没有出现退化。在推理方面，公司表示在大多数批量规模下，FP8能以与BF16相同的延迟提供两倍的吞吐量。该公司表示，由此可以构建参数多得多的模型，其翻译在欧洲语言上比以往模型好1.4倍，在英语与日语这类更难的语言组合上好1.7倍，同时仍能落在生产推理相同的延迟范围之内。公司说明，质量由语言专家评判。", "limitation": "原文没有说明1.4倍与1.7倍这两个相对以往模型的数值，是用何种评估方法、比较了多少条译文得出的。原文也没有说明FP8首次应用于生产推理的时间，以及评判翻译质量的语言专家人数与评判标准。" } }, "eventDate": "2025-08-07", "eventBasis": "공개", "problem": "DeepL은 NVIDIA H100 GPU 544장으로 구성한 DGX SuperPOD를 들이면서 연산 능력을 크게 늘렸지만, 16비트 BF16 형식으로 계산하는 동안에는 같은 지연 시간 안에서 키울 수 있는 모델 크기와 한 번에 받을 수 있는 요청 수가 함께 묶여 있었다고 밝혔다. 이 회사는 현대 언어 모델 연산의 대부분이 행렬 곱셈이라 정밀도를 8비트로 낮추면 처리량을 늘릴 수 있지만, FP8은 표현 범위와 정밀도가 BF16의 절반이라 학습 품질이 떨어질 위험이 있다고 설명했다." }, { "id": "C021", "industry": "정보기술", "subindustry": "업무용 소프트웨어와 AI", "company": "Dropbox", "country": "미국", "dateLabel": "2025-04-24", "dateBasis": "자료 발표 시점. 도입 시작일과 다를 수 있음", "evidenceYears": [ "2025" ], "stage": "운영", "scope": "본조사", "usecase": "업무 문서 검색과 단계별 질문 처리", "implementation": "Dropbox는 여러 앱의 자료를 한곳에서 찾게 해 주는 Dash를 내놓고 여기에 검색한 근거를 바탕으로 답을 만드는 방식과 업무를 대신 수행하는 에이전트를 넣었다. 검색은 단어 기반 색인에 문서를 조각내고 다시 순서를 매기는 단계를 붙여 속도와 품질을 함께 맞췄고, 특정 모델 제공사에 묶이지 않도록 설계했다. 에이전트는 질문을 여러 단계로 쪼갠 다음 그 논리를 자체 제작한 작은 파이썬식 언어로 코드처럼 적는다. 그 코드는 실행하기 전에 정적 분석으로 안전성과 정확성을 확인하고, 빠진 기능이 발견되면 모델을 한 번 더 불러 채운다. 각 사람이 볼 수 있는 범위는 세밀한 접근 권한 설정으로 정한다.", "outcome": "Dropbox는 전체 질의의 95% 이상을 2초 안에 처리하면서 결과 품질을 함께 지켰다고 밝혔다. 답변 품질은 직접 만든 지표로 확인했다. 검색해 온 근거를 모델에 다시 넣어 최종 답이 맞는지 채점하는 방식, 질문의 모든 측면을 다뤘는지 보는 방식, 그리고 답에 필요한 문단을 얼마나 정확히 찾아왔는지 재는 지표를 함께 썼다고 설명했다.", "limitation": "원문은 Dash를 쓴 뒤 이용자의 검색 시간이 얼마나 줄었는지 숫자로 밝히지 않았다. 품질 지표의 실제 측정값도 공개하지 않았다.", "sourceIds": [ "S116" ], "evidenceAccess": "원문 본문 열람", "localId": "0226", "translations": { "en": { "usecase": "Searching work documents and handling step-by-step questions", "problem": "Dropbox saw that the information people work with is scattered across many applications and many formats. Finding the right document, message or piece of information meant switching between apps and searching by hand, which took a long time. For the business this hurt collaboration and productivity, and it could also lead to security problems when sensitive material surfaced where it should not.", "implementation": "Dropbox launched Dash, which lets people search across their apps in one place, and put retrieval augmented generation and AI agents inside it. Retrieval uses a lexical index with chunking and reranking added on the fly so that speed and quality hold together, and it was designed not to be tied to one model provider. The agents break a question into several steps and then write that logic as code in a small Python like language built at Dropbox. The code is checked by static analysis for safety and correctness before it runs, and when missing functionality is found the model is called a second time to fill it in. What each person can see is set by fine grained access controls.", "outcome": "Dropbox said it keeps more than 95 percent of its queries under two seconds while holding result quality. Answer quality was checked with metrics the team tuned by hand. It described passing the retrieved evidence back through a model to score whether the final answer was correct, a second check for whether every aspect of the question was covered, and metrics for how accurately the passages needed for the answer were retrieved.", "limitation": "The source does not give numbers for how much search time users saved after Dash went in. It also does not publish the measured values of the quality metrics." }, "jp": { "usecase": "業務文書の検索と段階的な質問への対応", "problem": "Dropboxは、会社で働く人が扱う情報が複数のアプリと複数の形式に散らばっていると見た。必要な文書ややり取り、資料の一片を探すには、アプリを行き来しながら手で探す必要があり、時間がかかっていた。会社の側では協業と生産性が落ち、機微な資料が見えてはいけない場所に現れる保安上の問題にもつながりかねなかった。", "implementation": "Dropboxは、複数のアプリの資料を一か所で探せるDashを出し、そこに検索した根拠をもとに答えを作る方式と、業務を代わりに実行するエージェントを入れた。検索は単語に基づく索引に、その場で文書を分割して並べ替える段階を加え、速度と品質を両立させた。特定のモデル提供元に縛られないようにも設計した。エージェントは質問を複数の段階に分け、その論理を自社で作った小さなPython風の言語でコードのように書く。そのコードは実行前に静的解析で安全性と正確さを確認し、足りない機能が見つかればモデルをもう一度呼んで補う。各人が見られる範囲は、細かな接続権限の設定で決める。", "outcome": "Dropboxは、全体の問い合わせの95%以上を2秒以内に処理しながら結果の品質も保ったと述べた。回答の品質は、自分たちで作った指標で確認した。検索してきた根拠をモデルに戻して最終的な答えが正しいかを採点する方式、質問のすべての側面を扱えたかを見る方式、そして答えに必要な段落をどれだけ正確に取ってこられたかを測る指標を合わせて使ったと説明した。", "limitation": "原文は、Dashを使った後に利用者の検索時間がどれだけ減ったのかを数値で示していない。品質指標の実際の測定値も公開していない。" }, "zh": { "usecase": "业务文档检索与分步提问处理", "problem": "Dropbox发现，员工工作中要用的信息分散在多个应用和多种格式里。要找到所需的文档、对话或某一条资料，就得在各个应用之间来回切换、手动翻找，耗时很长。对公司而言，这既拖累协作与生产效率，也可能在敏感资料出现在不该出现的地方时引发安全问题。", "implementation": "Dropbox推出了可在一处检索各个应用资料的Dash，并在其中加入了依据检索到的依据生成答案的方式，以及代为执行任务的智能体。检索在基于词的索引上增加了实时切分文档并重新排序的环节，兼顾速度与质量，并且在设计上不绑定某一家模型供应商。智能体把问题拆成多个步骤，再用公司自研的小型类Python语言把这些逻辑写成代码。代码在运行前先经静态分析核查安全性与正确性，若发现缺少功能，则再调用一次模型补齐。每个人能看到的范围，由细粒度的访问权限设置决定。", "outcome": "Dropbox表示，在保持结果质量的同时，超过95%的查询在两秒内完成。回答质量用团队自行调校的指标来核验。该公司说明，其做法包括把检索到的依据再送回模型，为最终答案是否正确打分；另设一项检查，看问题的各个方面是否都已覆盖；同时用指标衡量取回答案所需段落的准确程度。", "limitation": "原文未以数字说明使用Dash之后用户节省了多少检索时间，也未公开质量指标的实际测量值。" } }, "problem": "Dropbox는 회사에서 일하는 사람들의 정보가 여러 앱과 여러 형식에 흩어져 있다고 봤다. 필요한 문서나 대화, 자료 한 조각을 찾으려면 앱을 옮겨 다니며 손으로 뒤져야 해서 시간이 오래 걸렸다. 회사 쪽에서는 협업과 생산성이 떨어졌고, 민감한 자료가 보여서는 안 될 곳에 드러나는 보안 문제로도 이어질 수 있었다.", "eventDate": "2025-04-24", "eventBasis": "공개" }, { "id": "C022", "industry": "금융", "subindustry": "금융 사기 방지 기술", "company": "Feedzai", "country": "분류 생략", "dateLabel": "2025년 보관 자료 분류", "dateBasis": "이번 조사에서 게시일과 운영 상태를 재확인하지 않음", "evidenceYears": [ "2025" ], "stage": "재확인 필요", "scope": "추가 확인 후보", "usecase": "사기 위험 판별 모델 평가", "implementation": "기존 사례 자료에서 위 업무와 관련된 기업 기술 글을 찾았다. 실제 구조와 적용 범위는 원문 재확인 후 확정해야 한다.", "outcome": "미확정. 보관 자료의 성과 수치를 본조사 결과로 옮기지 않았다.", "limitation": "이번 조사에서 원문과 현재 운영 상태를 재확인하지 않았다. 완료된 도입 사례 수에 포함하지 않는다.", "sourceIds": [ "S117" ], "evidenceAccess": "이번 조사 원문 미확인", "localId": "0288", "translations": { "en": { "usecase": "Evaluating fraud risk models", "implementation": "A company engineering post covering this workflow was found in the archived case records. The actual architecture and the scope of use still have to be settled after the source is read again.", "outcome": "Not determined. Figures from the archived records were not carried over as a reviewed result.", "limitation": "The source and the current operating status were not checked again in this round of research. This case is not counted among the completed adoptions." }, "jp": { "usecase": "不正リスク判別モデルの評価", "implementation": "保管している事例資料の中から、この業務に関連する企業の技術記事を見つけた。実際の構成と適用範囲は、原文を再確認したうえで確定する必要がある。", "outcome": "未確定。保管資料の成果数値を、根拠確認済みの結果として移してはいない。", "limitation": "今回の調査では、原文と現在の運用状況を再確認していない。導入完了の件数には含めない。" }, "zh": { "usecase": "欺诈风险判别模型评估", "implementation": "在存档的案例资料中找到了与该业务相关的企业技术文章。实际架构与应用范围仍需在重新核验原文后确定。", "outcome": "尚未确定。未将存档资料中的成效数据当作已核验结果引用。", "limitation": "本次调查未重新核验原文与当前运营状态。该案例不计入已完成的采用数量。" } } }, { "id": "C023", "industry": "금융", "subindustry": "금융 사기 방지 기술", "company": "Feedzai", "country": "분류 생략", "dateLabel": "2025년 보관 자료 분류", "dateBasis": "이번 조사에서 게시일과 운영 상태를 재확인하지 않음", "evidenceYears": [ "2025" ], "stage": "재확인 필요", "scope": "추가 확인 후보", "usecase": "금융사 간 정보를 활용한 위험 점수", "implementation": "기존 사례 자료에서 위 업무와 관련된 기업 기술 글을 찾았다. 실제 구조와 적용 범위는 원문 재확인 후 확정해야 한다.", "outcome": "미확정. 보관 자료의 성과 수치를 본조사 결과로 옮기지 않았다.", "limitation": "이번 조사에서 원문과 현재 운영 상태를 재확인하지 않았다. 완료된 도입 사례 수에 포함하지 않는다.", "sourceIds": [ "S118" ], "evidenceAccess": "이번 조사 원문 미확인", "localId": "0290", "translations": { "en": { "usecase": "A risk score built from information shared between financial firms", "implementation": "A company engineering post covering this workflow was found in the archived case records. The actual architecture and the scope of use still have to be settled after the source is read again.", "outcome": "Not determined. Figures from the archived records were not carried over as a reviewed result.", "limitation": "The source and the current operating status were not checked again in this round of research. This case is not counted among the completed adoptions." }, "jp": { "usecase": "金融機関間の情報を活用したリスクスコア", "implementation": "保管している事例資料の中から、この業務に関連する企業の技術記事を見つけた。実際の構成と適用範囲は、原文を再確認したうえで確定する必要がある。", "outcome": "未確定。保管資料の成果数値を、根拠確認済みの結果として移してはいない。", "limitation": "今回の調査では、原文と現在の運用状況を再確認していない。導入完了の件数には含めない。" }, "zh": { "usecase": "利用金融机构间信息构建的风险评分", "implementation": "在存档的案例资料中找到了与该业务相关的企业技术文章。实际架构与应用范围仍需在重新核验原文后确定。", "outcome": "尚未确定。未将存档资料中的成效数据当作已核验结果引用。", "limitation": "本次调查未重新核验原文与当前运营状态。该案例不计入已完成的采用数量。" } } }, { "id": "C024", "industry": "정보기술", "subindustry": "업무용 소프트웨어와 AI", "company": "Google Deepmind", "country": "분류 생략", "dateLabel": "2025년 보관 자료 분류", "dateBasis": "이번 조사에서 게시일과 운영 상태를 재확인하지 않음", "evidenceYears": [ "2025" ], "stage": "재확인 필요", "scope": "추가 확인 후보", "usecase": "온라인 조사 AI의 설계", "implementation": "기존 사례 자료에서 위 업무와 관련된 기업 기술 글을 찾았다. 실제 구조와 적용 범위는 원문 재확인 후 확정해야 한다.", "outcome": "미확정. 보관 자료의 성과 수치를 본조사 결과로 옮기지 않았다.", "limitation": "이번 조사에서 원문과 현재 운영 상태를 재확인하지 않았다. 완료된 도입 사례 수에 포함하지 않는다.", "sourceIds": [ "S119" ], "evidenceAccess": "이번 조사 원문 미확인", "localId": "0372", "translations": { "en": { "usecase": "Designing an AI that carries out online research", "implementation": "A company engineering post covering this workflow was found in the archived case records. The actual architecture and the scope of use still have to be settled after the source is read again.", "outcome": "Not determined. Figures from the archived records were not carried over as a reviewed result.", "limitation": "The source and the current operating status were not checked again in this round of research. This case is not counted among the completed adoptions." }, "jp": { "usecase": "オンライン調査AIの設計", "implementation": "保管している事例資料の中から、この業務に関連する企業の技術記事を見つけた。実際の構成と適用範囲は、原文を再確認したうえで確定する必要がある。", "outcome": "未確定。保管資料の成果数値を、根拠確認済みの結果として移してはいない。", "limitation": "今回の調査では、原文と現在の運用状況を再確認していない。導入完了の件数には含めない。" }, "zh": { "usecase": "在线调研AI的设计", "implementation": "在存档的案例资料中找到了与该业务相关的企业技术文章。实际架构与应用范围仍需在重新核验原文后确定。", "outcome": "尚未确定。未将存档资料中的成效数据当作已核验结果引用。", "limitation": "本次调查未重新核验原文与当前运营状态。该案例不计入已完成的采用数量。" } } }, { "id": "C025", "industry": "배달과 이동", "subindustry": "차량 호출과 배달", "company": "Grab", "country": "분류 생략", "dateLabel": "2025년 보관 자료 분류", "dateBasis": "이번 조사에서 게시일과 운영 상태를 재확인하지 않음", "evidenceYears": [ "2025" ], "stage": "재확인 필요", "scope": "추가 확인 후보", "usecase": "여러 추천 서비스의 공통 사용자 모델", "implementation": "기존 사례 자료에서 위 업무와 관련된 기업 기술 글을 찾았다. 실제 구조와 적용 범위는 원문 재확인 후 확정해야 한다.", "outcome": "미확정. 보관 자료의 성과 수치를 본조사 결과로 옮기지 않았다.", "limitation": "이번 조사에서 원문과 현재 운영 상태를 재확인하지 않았다. 완료된 도입 사례 수에 포함하지 않는다.", "sourceIds": [ "S120" ], "evidenceAccess": "이번 조사 원문 미확인", "localId": "0387", "translations": { "en": { "usecase": "A shared user model across several recommendation services", "implementation": "A company engineering post covering this workflow was found in the archived case records. The actual architecture and the scope of use still have to be settled after the source is read again.", "outcome": "Not determined. Figures from the archived records were not carried over as a reviewed result.", "limitation": "The source and the current operating status were not checked again in this round of research. This case is not counted among the completed adoptions." }, "jp": { "usecase": "複数の推薦サービスに共通するユーザーモデル", "implementation": "保管している事例資料の中から、この業務に関連する企業の技術記事を見つけた。実際の構成と適用範囲は、原文を再確認したうえで確定する必要がある。", "outcome": "未確定。保管資料の成果数値を、根拠確認済みの結果として移してはいない。", "limitation": "今回の調査では、原文と現在の運用状況を再確認していない。導入完了の件数には含めない。" }, "zh": { "usecase": "多个推荐服务共用的用户模型", "implementation": "在存档的案例资料中找到了与该业务相关的企业技术文章。实际架构与应用范围仍需在重新核验原文后确定。", "outcome": "尚未确定。未将存档资料中的成效数据当作已核验结果引用。", "limitation": "本次调查未重新核验原文与当前运营状态。该案例不计入已完成的采用数量。" } } }, { "id": "C026", "industry": "정보기술", "subindustry": "업무용 소프트웨어와 AI", "company": "Gradient Labs", "country": "분류 생략", "dateLabel": "2025년 보관 자료 분류", "dateBasis": "이번 조사에서 게시일과 운영 상태를 재확인하지 않음", "evidenceYears": [ "2025" ], "stage": "재확인 필요", "scope": "추가 확인 후보", "usecase": "AI 서비스 운영 장애와 복구", "implementation": "기존 사례 자료에서 위 업무와 관련된 기업 기술 글을 찾았다. 실제 구조와 적용 범위는 원문 재확인 후 확정해야 한다.", "outcome": "미확정. 보관 자료의 성과 수치를 본조사 결과로 옮기지 않았다.", "limitation": "이번 조사에서 원문과 현재 운영 상태를 재확인하지 않았다. 완료된 도입 사례 수에 포함하지 않는다.", "sourceIds": [ "S121" ], "evidenceAccess": "이번 조사 원문 미확인", "localId": "0388", "translations": { "en": { "usecase": "Outages and recovery while running an AI service", "implementation": "A company engineering post covering this workflow was found in the archived case records. The actual architecture and the scope of use still have to be settled after the source is read again.", "outcome": "Not determined. Figures from the archived records were not carried over as a reviewed result.", "limitation": "The source and the current operating status were not checked again in this round of research. This case is not counted among the completed adoptions." }, "jp": { "usecase": "AIサービス運用時の障害と復旧", "implementation": "保管している事例資料の中から、この業務に関連する企業の技術記事を見つけた。実際の構成と適用範囲は、原文を再確認したうえで確定する必要がある。", "outcome": "未確定。保管資料の成果数値を、根拠確認済みの結果として移してはいない。", "limitation": "今回の調査では、原文と現在の運用状況を再確認していない。導入完了の件数には含めない。" }, "zh": { "usecase": "AI服务运行中的故障与恢复", "implementation": "在存档的案例资料中找到了与该业务相关的企业技术文章。实际架构与应用范围仍需在重新核验原文后确定。", "outcome": "尚未确定。未将存档资料中的成效数据当作已核验结果引用。", "limitation": "本次调查未重新核验原文与当前运营状态。该案例不计入已完成的采用数量。" } } }, { "id": "C027", "industry": "정보기술", "subindustry": "업무용 소프트웨어와 AI", "company": "Hubspot", "country": "분류 생략", "dateLabel": "2025년 보관 자료 분류", "dateBasis": "이번 조사에서 게시일과 운영 상태를 재확인하지 않음", "evidenceYears": [ "2025" ], "stage": "재확인 필요", "scope": "추가 확인 후보", "usecase": "고객 데이터의 대규모 예측 처리", "implementation": "기존 사례 자료에서 위 업무와 관련된 기업 기술 글을 찾았다. 실제 구조와 적용 범위는 원문 재확인 후 확정해야 한다.", "outcome": "미확정. 보관 자료의 성과 수치를 본조사 결과로 옮기지 않았다.", "limitation": "이번 조사에서 원문과 현재 운영 상태를 재확인하지 않았다. 완료된 도입 사례 수에 포함하지 않는다.", "sourceIds": [ "S122" ], "evidenceAccess": "이번 조사 원문 미확인", "localId": "0419", "translations": { "en": { "usecase": "Large-scale prediction over customer data", "implementation": "A company engineering post covering this workflow was found in the archived case records. The actual architecture and the scope of use still have to be settled after the source is read again.", "outcome": "Not determined. Figures from the archived records were not carried over as a reviewed result.", "limitation": "The source and the current operating status were not checked again in this round of research. This case is not counted among the completed adoptions." }, "jp": { "usecase": "顧客データの大規模な予測処理", "implementation": "保管している事例資料の中から、この業務に関連する企業の技術記事を見つけた。実際の構成と適用範囲は、原文を再確認したうえで確定する必要がある。", "outcome": "未確定。保管資料の成果数値を、根拠確認済みの結果として移してはいない。", "limitation": "今回の調査では、原文と現在の運用状況を再確認していない。導入完了の件数には含めない。" }, "zh": { "usecase": "客户数据的大规模预测处理", "implementation": "在存档的案例资料中找到了与该业务相关的企业技术文章。实际架构与应用范围仍需在重新核验原文后确定。", "outcome": "尚未确定。未将存档资料中的成效数据当作已核验结果引用。", "limitation": "本次调查未重新核验原文与当前运营状态。该案例不计入已完成的采用数量。" } } }, { "id": "C028", "industry": "전문서비스", "subindustry": "채용 플랫폼", "company": "LinkedIn", "country": "미국", "stage": "운영", "scope": "본조사", "usecase": "채용공고와 이력서의 의미 기반 추천", "problem": "LinkedIn은 10억 명이 넘는 회원과 수천만 건의 채용공고를 이어 주는 추천에서 기존 임베딩 체계인 Pensieve의 한계에 부딪혔다. 이 회사는 Pensieve가 작고 정확도가 떨어지는 모델에 기대고 있었고 손으로 유지하기 어려운 분류 체계와 바꾸기 힘든 상위 처리 흐름에 묶여 있었다고 설명했다. 그렇다고 큰 언어 모델을 그대로 서비스에 넣으면 계산 비용이 크고 배포 흐름이 복잡해지며 업무 자료에 계속 맞춰 줘야 하는 부담이 생긴다고 밝혔다.", "implementation": "이 회사는 JUDE를 만들어 실제 서비스에 넣었다. 채용공고와 회원 프로필, 이력서를 같은 공간의 임베딩으로 바꿔 주는 사내 플랫폼이다. 공통 기반 모델 하나에 입력 종류별 prompt 양식을 붙이고 two tower 방식으로 미세조정했다. 먼저 관련성 라벨로 학습하고 그다음 실제 지원 기록으로 이어 학습했다. LoRA와 Flash Attention 2, bfloat16, DeepSpeed ZeRO를 써서 H100 여러 대로 돌렸다. 서비스 쪽은 Lambda 구조에서 Kappa 구조로 옮겼다. Kafka 변경 스트림으로 바뀐 항목만 골라 다시 계산하고 결과를 Venice 키값 저장소에 넣어 온라인에서 읽는다. 모델은 Kubernetes GPU pod 위의 gRPC 서비스로 띄웠다.", "outcome": "LinkedIn은 이 임베딩을 채용 추천과 검색의 2차 순위 모델에 함께 넣어 기존에 겹치던 표준 특징을 대체했고 트래픽을 점차 늘렸다고 밝혔다. 온라인 A/B 시험에서 적합 지원이 2.07% 늘고, 공고를 밀어낸 횟수와 지원 횟수의 비가 5.13% 줄었으며, 전체 지원 건수가 1.91% 늘었다고 설명했다. 이 회사는 그 반년 동안 모델 하나를 바꿔 얻은 가장 큰 폭의 개선이었다고 덧붙였다. 비용 쪽에서는 바뀐 항목만 다시 계산하는 방식으로 추론 비용을 최대 3배 줄였고 해시와 중복 제거로 초기 적재 때 추론량을 약 6배 줄였다. 70억 규모 모델에서 응답 시간은 95번째 백분위 기준 300밀리초 아래로 지켰다.", "limitation": "원문은 이 회사의 엔지니어링 블로그이고 사용한 기반 모델의 이름과 크기를 정확히 밝히지 않았다. A/B 시험을 언제 얼마 동안 어느 규모로 돌렸는지도 없다. 지표는 상대 변화율만 있고 절대값이 없다. 도입을 시작한 월을 밝히지 않아 글 게시일로 정렬했다. 지난 기록에서는 원문을 확인하지 못한 후보였고 이번 조사에서 원문을 읽고 본조사로 옮겼다.", "sourceIds": [ "S123" ], "evidenceAccess": "원문 본문 열람", "dateLabel": "2025-05-22", "dateBasis": "자료 발표 시점. 도입 시작일과 다를 수 있음", "evidenceYears": [ "2025" ], "eventDate": "2025-05-22", "eventBasis": "공개", "localId": "0507", "translations": { "en": { "usecase": "Semantic matching of job postings and resumes", "problem": "LinkedIn hit the limits of Pensieve, its existing embedding stack, in the recommendations that connect more than a billion members with tens of millions of job postings. The company said Pensieve relied on smaller and less precise models and was tied to taxonomies that were hard to maintain by hand and to rigid upstream pipelines. Putting a large language model straight into the serving path, it said, brings heavy compute cost, a more complex deployment pipeline and the ongoing burden of adapting the model to domain data.", "implementation": "The company built JUDE and put it into production. It is an internal platform that turns job postings, member profiles and resumes into embeddings in a shared space. A single shared base model is paired with prompt templates for each input type and fine tuned in a two tower setup. Training runs first on relevance labels and then continues on actual application records. The team used LoRA, Flash Attention 2, bfloat16 and DeepSpeed ZeRO across multiple H100 machines. On the serving side it moved from a Lambda architecture to a Kappa architecture. Kafka change streams select only the items that changed for recomputation, and the results are written into the Venice key value store for online reads. The model itself is served as a gRPC service on Kubernetes GPU pods.", "outcome": "LinkedIn said it added these embeddings to the second stage ranking models in both job recommendations and job search, replacing overlapping standardised features, and ramped traffic gradually. In online A/B tests it reported Qualified Applications up 2.07%, the ratio of dismissals to applies down 5.13%, and total job applications up 1.91%. The company added that this was the largest metric gain it had seen from a single model change in that half year. On cost, recomputing only changed items cut inference cost by up to three times, while hashing and deduplication reduced inference volume during initial backfill by about six times. At the 7 billion parameter scale it held response time under 300 milliseconds at the 95th percentile.", "limitation": "The source is an engineering blog written by the company itself and it does not state the exact name and size of the base model used. It does not say when the A/B tests ran, for how long, or at what traffic share. The metrics are relative changes only, with no absolute figures. No adoption month is given, so the record is ordered by the publication date of the post. In earlier records this was a pending candidate whose source had not been read, and in this round the source was read in full and the entry moved to the reviewed set." }, "jp": { "usecase": "求人情報と履歴書の意味に基づく推薦", "problem": "LinkedInは、10億人を超える会員と数千万件の求人情報をつなぐ推薦において、従来の埋め込み基盤であるPensieveの限界に直面した。同社は、Pensieveが小さく精度の劣るモデルに依存しており、手作業では維持しにくい分類体系と、変更しづらい上流の処理の流れに縛られていたと説明した。とはいえ大規模言語モデルをそのまま配信経路に入れると、計算費用が大きくなり、配備の流れが複雑になり、業務データに合わせ続ける負担も生じると述べた。", "implementation": "同社はJUDEを作り、実際のサービスに投入した。求人情報、会員プロフィール、履歴書を同じ空間の埋め込みに変換する社内プラットフォームである。共通の基盤モデル1つに入力の種類ごとのprompt書式を組み合わせ、two tower方式で微調整した。まず関連性のラベルで学習し、その後は実際の応募記録で学習を続けた。LoRA、Flash Attention 2、bfloat16、DeepSpeed ZeROを用いて複数のH100で回した。配信側はLambda構成からKappa構成へ移した。Kafkaの変更ストリームで変わった項目だけを選んで再計算し、結果をVeniceのキーバリュー保存基盤に入れてオンラインで読み出す。モデルはKubernetesのGPU pod上でgRPCサービスとして稼働させた。", "outcome": "LinkedInは、この埋め込みを求人推薦と求人検索の二次順位付けモデルの双方に組み込み、従来重複していた標準特徴量を置き換え、配信量を段階的に増やしたと述べた。オンラインのA/B試験では、適格応募が2.07%増え、求人を退けた回数と応募回数の比が5.13%減り、応募件数の合計が1.91%増えたと説明した。同社は、その半年間で単一モデルの変更から得られた最大の改善幅だったと付け加えた。費用面では、変わった項目だけを再計算する方式で推論費用を最大3倍削減し、ハッシュ化と重複排除によって初期投入時の推論量を約6倍減らした。70億規模のモデルでも応答時間は95パーセンタイルで300ミリ秒未満に保った。", "limitation": "原文は同社自身が書いたエンジニアリングブログであり、使用した基盤モデルの名称と規模を正確には示していない。A/B試験をいつ、どれだけの期間、どれだけの規模で実施したのかも記載がない。指標は相対的な変化率のみで、絶対値がない。導入を開始した月を示していないため、記事の掲載日で並べている。過去の記録では原文を確認できていない候補であり、今回の調査で原文を読み、根拠確認済みへ移した。" }, "zh": { "usecase": "基于语义的职位与简历匹配推荐", "problem": "在把超过十亿会员与数千万条职位信息连接起来的推荐中，LinkedIn遇到了原有嵌入体系Pensieve的瓶颈。该公司说明，Pensieve依赖体量更小、精度更低的模型，并且被难以人工维护的分类体系和不易改动的上游处理流程所束缚。但若把大语言模型直接放进线上服务链路，又会带来高昂的计算成本、更复杂的部署流程，以及持续适配业务数据的负担。", "implementation": "该公司构建了JUDE并将其投入实际服务。这是一个内部平台，把职位信息、会员档案和简历转换为同一空间中的嵌入向量。团队在一个共享基座模型上为每种输入类型配置prompt模板，并以two tower方式做微调。训练先使用相关性标签，随后在真实的投递记录上继续训练。团队使用LoRA、Flash Attention 2、bfloat16和DeepSpeed ZeRO，在多台H100上运行。服务侧则从Lambda架构迁移到Kappa架构。通过Kafka变更流只挑出发生变化的条目重新计算，并把结果写入Venice键值存储供线上读取。模型本身以gRPC服务的形式部署在Kubernetes的GPU pod上。", "outcome": "LinkedIn表示，公司把这套嵌入同时接入职位推荐和职位搜索的二次排序模型，替换了原本重叠的标准化特征，并逐步放量。在线A/B测试中，合格投递提升2.07%，忽略职位次数与投递次数之比下降5.13%，投递总量提升1.91%。该公司补充说，这是那半年里单次模型变更所带来的最大幅度提升。在成本方面，只对变化条目重算的做法把推理成本最多降低到原来的三分之一，哈希与去重则把初次回填时的推理量减少到约六分之一。在70亿参数规模下，响应时间在第95百分位仍保持在300毫秒以内。", "limitation": "原文是该公司自己撰写的工程博客，没有准确说明所用基座模型的名称与规模。原文也未说明A/B测试在何时进行、持续多久、覆盖多大流量。各项指标只有相对变化率，没有绝对数值。由于未给出开始采用的月份，本条记录按文章发布日期排序。在此前的记录中，这是一条尚未读到原文的待核验候选，本轮调查读完原文后将其移入已核验依据。" } } }, { "id": "C029", "industry": "배달과 이동", "subindustry": "차량 호출과 배달", "company": "Lyft", "country": "분류 생략", "dateLabel": "2025년 보관 자료 분류", "dateBasis": "이번 조사에서 게시일과 운영 상태를 재확인하지 않음", "evidenceYears": [ "2025" ], "stage": "재확인 필요", "scope": "추가 확인 후보", "usecase": "차량 호출 수요와 공급 예측", "implementation": "기존 사례 자료에서 위 업무와 관련된 기업 기술 글을 찾았다. 실제 구조와 적용 범위는 원문 재확인 후 확정해야 한다.", "outcome": "미확정. 보관 자료의 성과 수치를 본조사 결과로 옮기지 않았다.", "limitation": "이번 조사에서 원문과 현재 운영 상태를 재확인하지 않았다. 완료된 도입 사례 수에 포함하지 않는다.", "sourceIds": [ "S124" ], "evidenceAccess": "이번 조사 원문 미확인", "localId": "0554", "translations": { "en": { "usecase": "Forecasting ride-hailing demand and supply", "implementation": "A company engineering post covering this workflow was found in the archived case records. The actual architecture and the scope of use still have to be settled after the source is read again.", "outcome": "Not determined. Figures from the archived records were not carried over as a reviewed result.", "limitation": "The source and the current operating status were not checked again in this round of research. This case is not counted among the completed adoptions." }, "jp": { "usecase": "配車の需要と供給の予測", "implementation": "保管している事例資料の中から、この業務に関連する企業の技術記事を見つけた。実際の構成と適用範囲は、原文を再確認したうえで確定する必要がある。", "outcome": "未確定。保管資料の成果数値を、根拠確認済みの結果として移してはいない。", "limitation": "今回の調査では、原文と現在の運用状況を再確認していない。導入完了の件数には含めない。" }, "zh": { "usecase": "网约车供需预测", "implementation": "在存档的案例资料中找到了与该业务相关的企业技术文章。实际架构与应用范围仍需在重新核验原文后确定。", "outcome": "尚未确定。未将存档资料中的成效数据当作已核验结果引用。", "limitation": "本次调查未重新核验原文与当前运营状态。该案例不计入已完成的采用数量。" } } }, { "id": "C030", "industry": "정보기술", "subindustry": "업무용 소프트웨어와 AI", "company": "Manus", "country": "분류 생략", "dateLabel": "2025년 보관 자료 분류", "dateBasis": "이번 조사에서 게시일과 운영 상태를 재확인하지 않음", "evidenceYears": [ "2025" ], "stage": "재확인 필요", "scope": "추가 확인 후보", "usecase": "업무 수행 AI의 입력 정보 관리", "implementation": "기존 사례 자료에서 위 업무와 관련된 기업 기술 글을 찾았다. 실제 구조와 적용 범위는 원문 재확인 후 확정해야 한다.", "outcome": "미확정. 보관 자료의 성과 수치를 본조사 결과로 옮기지 않았다.", "limitation": "이번 조사에서 원문과 현재 운영 상태를 재확인하지 않았다. 완료된 도입 사례 수에 포함하지 않는다.", "sourceIds": [ "S125" ], "evidenceAccess": "이번 조사 원문 미확인", "localId": "0558", "translations": { "en": { "usecase": "Managing the input given to a task-performing AI", "implementation": "A company engineering post covering this workflow was found in the archived case records. The actual architecture and the scope of use still have to be settled after the source is read again.", "outcome": "Not determined. Figures from the archived records were not carried over as a reviewed result.", "limitation": "The source and the current operating status were not checked again in this round of research. This case is not counted among the completed adoptions." }, "jp": { "usecase": "業務を実行するAIの入力情報の管理", "implementation": "保管している事例資料の中から、この業務に関連する企業の技術記事を見つけた。実際の構成と適用範囲は、原文を再確認したうえで確定する必要がある。", "outcome": "未確定。保管資料の成果数値を、根拠確認済みの結果として移してはいない。", "limitation": "今回の調査では、原文と現在の運用状況を再確認していない。導入完了の件数には含めない。" }, "zh": { "usecase": "管理执行业务的AI所用输入信息", "implementation": "在存档的案例资料中找到了与该业务相关的企业技术文章。实际架构与应用范围仍需在重新核验原文后确定。", "outcome": "尚未确定。未将存档资料中的成效数据当作已核验结果引用。", "limitation": "本次调查未重新核验原文与当前运营状态。该案例不计入已完成的采用数量。" } } }, { "id": "C031", "industry": "미디어와 콘텐츠", "subindustry": "소셜 플랫폼", "company": "Pinterest", "country": "분류 생략", "dateLabel": "2025년 보관 자료 분류", "dateBasis": "이번 조사에서 게시일과 운영 상태를 재확인하지 않음", "evidenceYears": [ "2025" ], "stage": "재확인 필요", "scope": "추가 확인 후보", "usecase": "홈 화면 추천 후보 검색", "implementation": "기존 사례 자료에서 위 업무와 관련된 기업 기술 글을 찾았다. 실제 구조와 적용 범위는 원문 재확인 후 확정해야 한다.", "outcome": "미확정. 보관 자료의 성과 수치를 본조사 결과로 옮기지 않았다.", "limitation": "이번 조사에서 원문과 현재 운영 상태를 재확인하지 않았다. 완료된 도입 사례 수에 포함하지 않는다.", "sourceIds": [ "S126" ], "evidenceAccess": "이번 조사 원문 미확인", "localId": "0706", "translations": { "en": { "usecase": "Candidate retrieval for home feed recommendations", "implementation": "A company engineering post covering this workflow was found in the archived case records. The actual architecture and the scope of use still have to be settled after the source is read again.", "outcome": "Not determined. Figures from the archived records were not carried over as a reviewed result.", "limitation": "The source and the current operating status were not checked again in this round of research. This case is not counted among the completed adoptions." }, "jp": { "usecase": "ホーム画面の推薦候補の検索", "implementation": "保管している事例資料の中から、この業務に関連する企業の技術記事を見つけた。実際の構成と適用範囲は、原文を再確認したうえで確定する必要がある。", "outcome": "未確定。保管資料の成果数値を、根拠確認済みの結果として移してはいない。", "limitation": "今回の調査では、原文と現在の運用状況を再確認していない。導入完了の件数には含めない。" }, "zh": { "usecase": "首页推荐候选召回", "implementation": "在存档的案例资料中找到了与该业务相关的企业技术文章。实际架构与应用范围仍需在重新核验原文后确定。", "outcome": "尚未确定。未将存档资料中的成效数据当作已核验结果引用。", "limitation": "本次调查未重新核验原文与当前运营状态。该案例不计入已完成的采用数量。" } } }, { "id": "C032", "industry": "유통", "subindustry": "전자상거래", "company": "Shopify", "country": "분류 생략", "dateLabel": "2025년 보관 자료 분류", "dateBasis": "이번 조사에서 게시일과 운영 상태를 재확인하지 않음", "evidenceYears": [ "2025" ], "stage": "재확인 필요", "scope": "추가 확인 후보", "usecase": "상품 분류 모델 교체", "implementation": "기존 사례 자료에서 위 업무와 관련된 기업 기술 글을 찾았다. 실제 구조와 적용 범위는 원문 재확인 후 확정해야 한다.", "outcome": "미확정. 보관 자료의 성과 수치를 본조사 결과로 옮기지 않았다.", "limitation": "이번 조사에서 원문과 현재 운영 상태를 재확인하지 않았다. 완료된 도입 사례 수에 포함하지 않는다.", "sourceIds": [ "S127" ], "evidenceAccess": "이번 조사 원문 미확인", "localId": "0782", "translations": { "en": { "usecase": "Replacing the product classification model", "implementation": "A company engineering post covering this workflow was found in the archived case records. The actual architecture and the scope of use still have to be settled after the source is read again.", "outcome": "Not determined. Figures from the archived records were not carried over as a reviewed result.", "limitation": "The source and the current operating status were not checked again in this round of research. This case is not counted among the completed adoptions." }, "jp": { "usecase": "商品分類モデルの入れ替え", "implementation": "保管している事例資料の中から、この業務に関連する企業の技術記事を見つけた。実際の構成と適用範囲は、原文を再確認したうえで確定する必要がある。", "outcome": "未確定。保管資料の成果数値を、根拠確認済みの結果として移してはいない。", "limitation": "今回の調査では、原文と現在の運用状況を再確認していない。導入完了の件数には含めない。" }, "zh": { "usecase": "更换商品分类模型", "implementation": "在存档的案例资料中找到了与该业务相关的企业技术文章。实际架构与应用范围仍需在重新核验原文后确定。", "outcome": "尚未确定。未将存档资料中的成效数据当作已核验结果引用。", "limitation": "本次调查未重新核验原文与当前运营状态。该案例不计入已完成的采用数量。" } } }, { "id": "C033", "industry": "미디어와 콘텐츠", "subindustry": "소셜 플랫폼", "company": "Snap", "country": "분류 생략", "dateLabel": "2025년 보관 자료 분류", "dateBasis": "이번 조사에서 게시일과 운영 상태를 재확인하지 않음", "evidenceYears": [ "2025" ], "stage": "재확인 필요", "scope": "추가 확인 후보", "usecase": "광고 영상의 설명 생성과 검수", "implementation": "기존 사례 자료에서 위 업무와 관련된 기업 기술 글을 찾았다. 실제 구조와 적용 범위는 원문 재확인 후 확정해야 한다.", "outcome": "미확정. 보관 자료의 성과 수치를 본조사 결과로 옮기지 않았다.", "limitation": "이번 조사에서 원문과 현재 운영 상태를 재확인하지 않았다. 완료된 도입 사례 수에 포함하지 않는다.", "sourceIds": [ "S128" ], "evidenceAccess": "이번 조사 원문 미확인", "localId": "0802", "translations": { "en": { "usecase": "Generating and checking descriptions of ad videos", "implementation": "A company engineering post covering this workflow was found in the archived case records. The actual architecture and the scope of use still have to be settled after the source is read again.", "outcome": "Not determined. Figures from the archived records were not carried over as a reviewed result.", "limitation": "The source and the current operating status were not checked again in this round of research. This case is not counted among the completed adoptions." }, "jp": { "usecase": "広告動画の説明生成と検収", "implementation": "保管している事例資料の中から、この業務に関連する企業の技術記事を見つけた。実際の構成と適用範囲は、原文を再確認したうえで確定する必要がある。", "outcome": "未確定。保管資料の成果数値を、根拠確認済みの結果として移してはいない。", "limitation": "今回の調査では、原文と現在の運用状況を再確認していない。導入完了の件数には含めない。" }, "zh": { "usecase": "广告视频描述的生成与审核", "implementation": "在存档的案例资料中找到了与该业务相关的企业技术文章。实际架构与应用范围仍需在重新核验原文后确定。", "outcome": "尚未确定。未将存档资料中的成效数据当作已核验结果引用。", "limitation": "本次调查未重新核验原文与当前运营状态。该案例不计入已完成的采用数量。" } } }, { "id": "C034", "industry": "정보기술", "subindustry": "업무용 소프트웨어와 AI", "company": "Tellius", "country": "분류 생략", "dateLabel": "2025년 보관 자료 분류", "dateBasis": "이번 조사에서 게시일과 운영 상태를 재확인하지 않음", "evidenceYears": [ "2025" ], "stage": "재확인 필요", "scope": "추가 확인 후보", "usecase": "대화형 데이터 분석 서비스", "implementation": "기존 사례 자료에서 위 업무와 관련된 기업 기술 글을 찾았다. 실제 구조와 적용 범위는 원문 재확인 후 확정해야 한다.", "outcome": "미확정. 보관 자료의 성과 수치를 본조사 결과로 옮기지 않았다.", "limitation": "이번 조사에서 원문과 현재 운영 상태를 재확인하지 않았다. 완료된 도입 사례 수에 포함하지 않는다.", "sourceIds": [ "S129" ], "evidenceAccess": "이번 조사 원문 미확인", "localId": "0860", "translations": { "en": { "usecase": "A conversational data analysis service", "implementation": "A company engineering post covering this workflow was found in the archived case records. The actual architecture and the scope of use still have to be settled after the source is read again.", "outcome": "Not determined. Figures from the archived records were not carried over as a reviewed result.", "limitation": "The source and the current operating status were not checked again in this round of research. This case is not counted among the completed adoptions." }, "jp": { "usecase": "対話型データ分析サービス", "implementation": "保管している事例資料の中から、この業務に関連する企業の技術記事を見つけた。実際の構成と適用範囲は、原文を再確認したうえで確定する必要がある。", "outcome": "未確定。保管資料の成果数値を、根拠確認済みの結果として移してはいない。", "limitation": "今回の調査では、原文と現在の運用状況を再確認していない。導入完了の件数には含めない。" }, "zh": { "usecase": "对话式数据分析服务", "implementation": "在存档的案例资料中找到了与该业务相关的企业技术文章。实际架构与应用范围仍需在重新核验原文后确定。", "outcome": "尚未确定。未将存档资料中的成效数据当作已核验结果引用。", "limitation": "本次调查未重新核验原文与当前运营状态。该案例不计入已完成的采用数量。" } } }, { "id": "C035", "industry": "배달과 이동", "subindustry": "차량 호출과 배달", "company": "Uber", "country": "분류 생략", "dateLabel": "2025년 보관 자료 분류", "dateBasis": "이번 조사에서 게시일과 운영 상태를 재확인하지 않음", "evidenceYears": [ "2025" ], "stage": "재확인 필요", "scope": "추가 확인 후보", "usecase": "예측 모델의 판단 근거 설명", "implementation": "기존 사례 자료에서 위 업무와 관련된 기업 기술 글을 찾았다. 실제 구조와 적용 범위는 원문 재확인 후 확정해야 한다.", "outcome": "미확정. 보관 자료의 성과 수치를 본조사 결과로 옮기지 않았다.", "limitation": "이번 조사에서 원문과 현재 운영 상태를 재확인하지 않았다. 완료된 도입 사례 수에 포함하지 않는다.", "sourceIds": [ "S130" ], "evidenceAccess": "이번 조사 원문 미확인", "localId": "0891", "translations": { "en": { "usecase": "Explaining the basis on which a prediction model decided", "implementation": "A company engineering post covering this workflow was found in the archived case records. The actual architecture and the scope of use still have to be settled after the source is read again.", "outcome": "Not determined. Figures from the archived records were not carried over as a reviewed result.", "limitation": "The source and the current operating status were not checked again in this round of research. This case is not counted among the completed adoptions." }, "jp": { "usecase": "予測モデルの判断根拠の説明", "implementation": "保管している事例資料の中から、この業務に関連する企業の技術記事を見つけた。実際の構成と適用範囲は、原文を再確認したうえで確定する必要がある。", "outcome": "未確定。保管資料の成果数値を、根拠確認済みの結果として移してはいない。", "limitation": "今回の調査では、原文と現在の運用状況を再確認していない。導入完了の件数には含めない。" }, "zh": { "usecase": "解释预测模型的判断依据", "implementation": "在存档的案例资料中找到了与该业务相关的企业技术文章。实际架构与应用范围仍需在重新核验原文后确定。", "outcome": "尚未确定。未将存档资料中的成效数据当作已核验结果引用。", "limitation": "本次调查未重新核验原文与当前运营状态。该案例不计入已完成的采用数量。" } } }, { "id": "C036", "industry": "배달과 이동", "subindustry": "차량 호출과 배달", "company": "Uber", "country": "미국", "stage": "운영", "scope": "본조사", "usecase": "음식 배달 검색 고도화", "problem": "Uber Eats에서 검색은 주문으로 가는 주된 통로다. 글자를 맞춰 보는 기존 방식은 같은 뜻의 다른 말, 오타, 줄임말, 여러 언어가 섞인 질의, 뜻이 여럿인 단어에서 무너진다. 원문은 글자 기반 방법이 문자열을 볼 뿐 뜻을 보지 못한다고 적었다. 그래서 질의와 문서를 벡터로 바꿔 뜻으로 찾는 구조가 필요했다.", "implementation": "질의와 문서를 따로 인코딩하는 two-tower 구조다. 질의 임베딩은 온라인 서비스가 실시간으로 만들고, 문서 임베딩은 예약된 batch 작업이 미리 만든다. 바탕 모델은 Qwen 계열이며 Uber Eats 내부 데이터로 추가 학습했다. 한 모델이 모든 업종과 시장을 함께 맡는다. MRL 기반 infoNCE 손실로 학습해 한 모델이 여러 크기의 임베딩을 낸다. 색인은 Apache Lucene Plus의 HNSW 그래프이며 float32와 int8 벡터를 함께 담는다. 지역, 도시, 문서 종류, 배송 방식 같은 조건으로 먼저 걸러낸 뒤 근사 최근접 검색을 돌린다. 2주마다 다시 학습하고 색인을 다시 만드는데, 색인을 따로 두지 않고 한 색인 안에서 열 단위로 blue와 green을 나눠 바꾼다. 배포 전에는 문서 수 대조, 바뀌지 않아야 할 열의 바이트 단위 일치, 실제 질의를 재생해 얻은 재현율 비교를 통과해야 한다. 운영 중에는 표본 요청으로 질의 모델과 색인 열의 모델 번호가 맞는지 확인하고, 어긋남이 이어지면 모델 배포를 자동으로 되돌린다.", "outcome": "원문은 조각별 후보 수를 1,200에서 200 수준으로 낮춰 지연을 34% 줄이고 CPU를 17% 아꼈으며 재현율 영향은 거의 없었다고 밝혔다. int7 스칼라 양자화는 fp32 대비 지연을 50% 넘게 줄이면서 재현율 0.95 이상을 지켰다. 임베딩을 256차원으로 잘라 쓰면 영어와 스페인어에서 품질 손실이 0.3% 아래였고 저장 공간은 약 50% 줄었다. 회사는 이 구조가 식당, 식료품, 소매 검색을 함께 담당하며 예약된 갱신이 실제 이용자 요청을 끊지 않고 돈다고 밝혔다.", "limitation": "원문에 실제 이용자를 나눠 비교한 실험 결과가 없다. 주문 전환이나 클릭 변화 같은 사업 지표는 밝히지 않았다. 제시된 수치는 오프라인 평가와 기반 구조 성능 측정값이다. 도입을 시작한 시점도 원문에 없다.", "sourceIds": [ "S131" ], "evidenceAccess": "원문 본문 열람", "dateLabel": "2026-04-14", "dateBasis": "자료 발표 시점. 도입 시작일과 다를 수 있음", "evidenceYears": [ "2026" ], "eventDate": "2026-04-14", "eventBasis": "공개", "localId": "0894", "translations": { "en": { "usecase": "Improving food delivery search", "problem": "On Uber Eats, search is the main path to an order. Matching on characters alone breaks down on synonyms, misspellings, abbreviations, queries that mix languages, and words with several meanings. The source wrote that lexical methods see strings, not meaning. A structure was therefore needed that turns queries and documents into vectors and retrieves by meaning.", "implementation": "The design is a two tower structure that encodes queries and documents separately. Query embeddings are produced in real time by an online service, while document embeddings are prepared in advance by scheduled batch jobs. The backbone is a Qwen model fine tuned on internal Uber Eats data, and one model covers every vertical and market. Training uses an MRL based infoNCE loss, so a single model emits embeddings at several sizes. The index is an HNSW graph in Apache Lucene Plus holding both float32 and int8 vectors. Conditions such as area, city, document type and fulfillment type filter first, and approximate nearest neighbour search runs after that. Retraining and reindexing happen every two weeks, swapping blue and green at the column level inside one index rather than keeping separate indexes. Before deployment a run must pass a document count comparison, a byte for byte match on columns that should not change, and a recall comparison from replaying real queries. In operation, sampled requests check that the query model matches the model identifier on the index column, and the model deployment rolls back automatically if mismatches persist.", "outcome": "The source said that lowering the shard level candidate count from 1,200 to about 200 cut latency by 34% and saved 17% of CPU with almost no effect on recall. int7 scalar quantization cut latency by more than 50% against fp32 while holding recall above 0.95. Cutting embeddings down to 256 dimensions kept quality loss under 0.3% for English and Spanish and reduced storage by about 50%. The company said the structure powers restaurant, grocery and retail search together, and that scheduled refreshes run without disrupting live traffic.", "limitation": "The source carries no results from an experiment that split real users. It does not report business measures such as order conversion or click changes. The figures given are offline evaluations and infrastructure performance measurements. The source also does not say when adoption began." }, "jp": { "usecase": "フードデリバリー検索の高度化", "problem": "Uber Eatsでは検索が注文へ向かう主な通路である。文字を突き合わせる従来のやり方は、同じ意味の別の言い方、打ち間違い、略語、複数の言語が混ざった問い合わせ、意味が複数ある語で崩れる。原文は、文字に基づく方法は文字列を見るだけで意味を見ないと記した。そこで、問い合わせと文書をベクトルに変えて意味で探す構造が必要になった。", "implementation": "問い合わせと文書を別々に符号化するtwo tower構造である。問い合わせの埋め込みはオンラインの仕組みが実時間で作り、文書の埋め込みは予定されたbatchの処理があらかじめ作る。土台のモデルはQwen系で、Uber Eatsの内部データで追加学習した。一つのモデルがすべての業種と市場をまとめて担う。MRLに基づくinfoNCE損失で学習するため、一つのモデルが複数の大きさの埋め込みを出す。索引はApache Lucene PlusのHNSWグラフで、float32とint8のベクトルを一緒に持つ。地域、都市、文書の種類、配送の方式といった条件で先に絞り込み、そのあと近似最近傍の探索を走らせる。2週間ごとに学習と索引の作り直しを行い、索引を別に持たず、一つの索引の中で列の単位でblueとgreenを入れ替える。配備の前には、文書数の突き合わせ、変わってはならない列のバイト単位の一致、実際の問い合わせを再生して得た再現率の比較を通過しなければならない。運用中は標本の要求で、問い合わせのモデルと索引の列のモデル番号が合っているかを確認し、食い違いが続けばモデルの配備を自動で戻す。", "outcome": "原文は、断片ごとの候補数を1,200から200程度へ下げることで遅延を34%減らし、CPUを17%節約し、再現率への影響はほとんどなかったと述べた。int7のスカラー量子化はfp32に比べて遅延を50%を超えて減らしながら、再現率を0.95以上に保った。埋め込みを256次元に切り詰めると、英語とスペイン語で品質の損失は0.3%未満で、保存容量は約50%減った。同社は、この構造が飲食店、食料品、小売の検索をまとめて担い、予定された更新が実際の利用者の要求を止めずに走ると述べた。", "limitation": "原文には、実際の利用者を分けて比べた実験の結果がない。注文の転換やクリックの変化といった事業の指標は明らかにしていない。示された数値は、オフラインの評価と基盤の性能の測定値である。導入を始めた時期も原文にない。" }, "zh": { "usecase": "外卖搜索能力升级", "problem": "在Uber Eats上，搜索是通往下单的主要通路。仅靠字符匹配的传统做法，在同义表达、拼写错误、缩写、多语言混杂的查询以及一词多义的情况下都会失效。原文写到，基于词面的方法只看到字符串，看不到含义。因此需要一种把查询与文档转成向量、按含义检索的结构。", "implementation": "该设计是把查询与文档分别编码的two tower结构。查询向量由在线服务实时生成，文档向量则由排定的batch作业预先生成。底座模型属于Qwen系列，并用Uber Eats的内部数据做了微调，一个模型同时覆盖所有业务线与市场。训练采用基于MRL的infoNCE损失，因此单个模型可输出多种尺寸的向量。索引是Apache Lucene Plus中的HNSW图，同时保存float32与int8向量。系统先按区域、城市、文档类型、履约方式等条件过滤，再运行近似最近邻检索。每两周重新训练并重建索引，不另建索引，而是在同一个索引内按列切换blue与green。上线前必须通过文档数量核对、不应变动的列的逐字节一致性检查，以及回放真实查询得到的召回率比对。运行中通过抽样请求核验查询模型与索引列的模型编号是否一致，若持续不匹配则自动回滚模型发布。", "outcome": "原文表示，把分片层面的候选数从1,200降到约200，使延迟下降34%，节省17%的CPU，而对召回率几乎没有影响。int7标量量化相比fp32把延迟降低超过50%，同时把召回率保持在0.95以上。把向量截取到256维时，英语和西班牙语的质量损失低于0.3%，存储占用减少约50%。公司表示，该结构同时支撑餐厅、生鲜与零售的搜索，排定的刷新可以在不打断线上流量的情况下运行。", "limitation": "原文没有给出划分真实用户进行比较的实验结果，也没有公布下单转化或点击变化等业务指标。所列数值均为离线评估与基础设施性能测量值。原文同样没有说明启用的时间。" } } }, { "id": "C037", "industry": "유통", "subindustry": "전자상거래", "company": "Whatnot", "country": "분류 생략", "dateLabel": "2025년 보관 자료 분류", "dateBasis": "이번 조사에서 게시일과 운영 상태를 재확인하지 않음", "evidenceYears": [ "2025" ], "stage": "재확인 필요", "scope": "추가 확인 후보", "usecase": "실시간 상품 피드 추천", "implementation": "기존 사례 자료에서 위 업무와 관련된 기업 기술 글을 찾았다. 실제 구조와 적용 범위는 원문 재확인 후 확정해야 한다.", "outcome": "미확정. 보관 자료의 성과 수치를 본조사 결과로 옮기지 않았다.", "limitation": "이번 조사에서 원문과 현재 운영 상태를 재확인하지 않았다. 완료된 도입 사례 수에 포함하지 않는다.", "sourceIds": [ "S132" ], "evidenceAccess": "이번 조사 원문 미확인", "localId": "0960", "translations": { "en": { "usecase": "Real-time product feed recommendations", "implementation": "A company engineering post covering this workflow was found in the archived case records. The actual architecture and the scope of use still have to be settled after the source is read again.", "outcome": "Not determined. Figures from the archived records were not carried over as a reviewed result.", "limitation": "The source and the current operating status were not checked again in this round of research. This case is not counted among the completed adoptions." }, "jp": { "usecase": "リアルタイム商品フィードの推薦", "implementation": "保管している事例資料の中から、この業務に関連する企業の技術記事を見つけた。実際の構成と適用範囲は、原文を再確認したうえで確定する必要がある。", "outcome": "未確定。保管資料の成果数値を、根拠確認済みの結果として移してはいない。", "limitation": "今回の調査では、原文と現在の運用状況を再確認していない。導入完了の件数には含めない。" }, "zh": { "usecase": "实时商品流推荐", "implementation": "在存档的案例资料中找到了与该业务相关的企业技术文章。实际架构与应用范围仍需在重新核验原文后确定。", "outcome": "尚未确定。未将存档资料中的成效数据当作已核验结果引用。", "limitation": "本次调查未重新核验原文与当前运营状态。该案例不计入已完成的采用数量。" } } }, { "id": "AX102", "industry": "의료", "subindustry": "병원", "company": "OLVG", "country": "네덜란드", "stage": "운영", "scope": "본조사", "usecase": "소아과 진료 대화의 의무기록 작성", "problem": "암스테르담 OLVG 병원의 소아과 의사는 진료가 끝난 저녁과 주말에 기록을 작성하면서 대화 내용을 잊을 위험을 겪었다. 진료 도중 컴퓨터로 기록하면 환자와의 대화가 끊기기도 했다. 병원은 의료진이 대화에 집중하면서 기록 부담을 줄일 방법이 필요했다.", "implementation": "병원은 Epic의 Chart with Art를 네덜란드어 진료에 사용했다. AI가 진료 대화를 바탕으로 뒤에서 기록을 작성하고 처방 등 오더를 대기시켜 의료진이 다음 업무로 이어가도록 지원했다. OLVG 의료진은 Epic 개발자와 협력해 네덜란드어 사용을 조정했다. 원문에는 소음과 통역이 섞인 진료에서도 대화의 핵심을 포착했다는 담당 의사의 경험이 소개됐다.", "outcome": "Epic은 OLVG 소아과의 예약당 기록 작성 시간이 31% 줄었다고 밝혔다. 전체 의료진의 예약당 차트 사용 시간도 약 17분에서 12분을 조금 넘는 수준으로 27% 감소했다고 설명했다. 병원 담당자는 초기 관찰에서 사용 의료진의 정신적 부담과 신체적 부담, 좌절감이 다소 낮아지는 양상을 보였다고 말했다.", "limitation": "도입 시작 월과 성과 측정 기간, 참여 의료진 수는 원문에 제시되지 않았다. 기록과 오더의 최종 승인 절차 및 임상 정확도 수치도 확인되지 않았다.", "sourceIds": [ "S139" ], "evidenceAccess": "원문 본문 열람", "dateLabel": "2026-09-02", "dateBasis": "자료 발표 시점. 도입 시작일과 다를 수 있음", "evidenceYears": [ "2026" ], "eventDate": "2026-09-02", "eventBasis": "공개", "translations": { "en": { "usecase": "Writing clinical notes from pediatric consultations", "problem": "A pediatrician at OLVG hospital in Amsterdam used to write notes in the evenings and on weekends, risking forgetting parts of the conversation. Entering notes on a computer during visits could also interrupt conversation with patients. The hospital needed a way to reduce documentation work while letting clinicians focus on the conversation.", "implementation": "The hospital used Epic's Chart with Art for consultations in Dutch. AI documented the conversation in the background and queued up orders to help clinicians move to their next tasks. OLVG clinicians worked with Epic developers to refine its use in Dutch. The source includes a physician's account of the system capturing the essence of a consultation despite noise and an interpreter.", "outcome": "Epic reported a 31% reduction in note-writing time per appointment for OLVG pediatricians. It also reported a 27% reduction in overall clinician time in the chart per appointment, from almost 17 minutes to just over 12 minutes. A hospital representative said early observations suggested somewhat lower mental and physical strain and frustration among clinicians using the tool.", "limitation": "The source does not state the adoption month, measurement period or number of participating clinicians. Final approval procedures for notes and orders and clinical accuracy figures are also not established." }, "jp": { "usecase": "小児科の診療会話から診療記録を作成", "problem": "アムステルダムのOLVG病院の小児科医は、診療後の夜間や週末に記録を作成しており、会話の内容を忘れるリスクがあった。診察中にパソコンで記録すると、患者との会話が途切れることもあった。病院には、医療者が会話に集中しながら記録負担を軽減する方法が必要だった。", "implementation": "病院はEpicのChart with Artをオランダ語の診療に使用した。AIが診療会話を基に背後で記録を作成し、処方などのオーダーを待機させ、医療者の次の作業を支援した。OLVGの医療者はEpicの開発者と協力し、オランダ語での利用を調整した。原文には、騒音と通訳が混在する診療でも会話の要点を捉えたという担当医の経験が紹介されている。", "outcome": "Epicは、OLVG小児科の予約当たりの記録作成時間が31%減ったと発表した。医療者の予約当たりのチャート利用時間全体も、約17分から12分強へ27%減少したと説明した。病院の担当者は、初期の観察では利用する医療者の精神的負担、身体的負担、いらだちがやや低下する傾向が見られたと述べた。", "limitation": "導入開始月、成果の測定期間、参加した医療者数は原文に示されていない。記録とオーダーの最終承認手順や臨床的な正確性の数値も確認できていない。" }, "zh": { "usecase": "根据儿科诊疗对话撰写病历", "problem": "阿姆斯特丹OLVG医院的一名儿科医生过去在晚上和周末补写记录，面临忘记对话内容的风险。诊疗时在电脑上记录也可能打断与患者的交谈。医院需要一种既能让医务人员专注交谈，又能减轻文书负担的方法。", "implementation": "医院在荷兰语诊疗中使用Epic的Chart with Art。AI根据诊疗对话在后台撰写记录，并将处方等医嘱排入待办，帮助医务人员衔接后续工作。OLVG医务人员与Epic开发者合作调整荷兰语应用。原文还介绍了一名医生的经历：在噪声和口译交织的诊疗环境中，系统仍捕捉到了对话要点。", "outcome": "Epic表示，OLVG儿科每次预约的记录撰写时间减少了31%。医务人员每次预约的整体病历操作时间也从接近17分钟降至略高于12分钟，减少了27%。医院负责人表示，初步观察显示，使用工具的医务人员在精神压力、身体负担和挫败感方面似乎有所减轻。", "limitation": "原文未提供开始采用的月份、效果测量期间或参与医务人员人数。记录和医嘱的最终审批流程以及临床准确性数据也未得到确认。" } } }, { "id": "AX103", "industry": "보험", "subindustry": "보험 중개", "company": "MRH Trowe", "country": "독일", "stage": "운영", "scope": "본조사", "usecase": "권한을 보존한 회의록 작성과 직원용 AI 운영", "problem": "MRH Trowe는 직원들이 생성형 AI를 개별적으로 시험하면서 도구가 분산되고 민감한 고객과 보험 정보가 관리 밖으로 나갈 위험을 겪었다. 단순 채팅만으로는 내부 자료에 근거한 답변과 여러 단계의 업무를 처리하기 어려웠다. 직원이 직접 AI를 활용하되 접근 권한과 비용을 중앙에서 관리할 체계가 필요했다.", "implementation": "회사는 LibreChat 화면에 Strands Agents와 Amazon Bedrock AgentCore를 연결했다. 첫 운영 에이전트는 직원의 요청을 받아 Microsoft Teams 회의를 일정에서 찾고 대화록을 가져와 날짜, 참석자, 안건과 후속 작업을 정리한 회의록 초안을 만든다. Microsoft Entra ID로 확인한 직원 신원을 서버에서 전달해 해당 직원의 일정과 대화록만 접근하도록 했다. 에이전트와 모델, 데이터는 프랑크푸르트 리전에서 처리하고 세션을 격리한다.", "outcome": "AWS는 운영 첫 달에 약 400명의 직원에게 접근을 제공했고 인프라와 토큰 비용은 좌석당 월 약 14달러였다고 밝혔다. 통화 뒤 수동으로 정리하던 회의록을 짧은 요청으로 만들 수 있게 됐다고 설명했다. 사용량과 비용을 추적하면서 직원이 직접 업무용 에이전트를 만들고 활용할 수 있는 공통 환경을 마련했다.", "limitation": "도입 시작 월과 회의록 정확도, 업무시간 절감량은 공개되지 않았다. 원문에 제시된 인프라 비용 약 40% 추가 절감은 향후 최적화 가능성이며 달성된 성과가 아니다.", "sourceIds": [ "S140" ], "evidenceAccess": "원문 본문 열람", "dateLabel": "2026-09-17", "dateBasis": "자료 발표 시점. 도입 시작일과 다를 수 있음", "evidenceYears": [ "2026" ], "eventDate": "2026-09-17", "eventBasis": "공개", "translations": { "en": { "usecase": "Permission-aware meeting minutes and employee AI operations", "problem": "At MRH Trowe, separate employee experiments with generative AI risked fragmenting tools and exposing sensitive client and insurance data outside governance. Basic chat was insufficient for answers grounded in internal information and multistep work. The company needed an environment where employees could use AI themselves while access and costs remained centrally governed.", "implementation": "The company connected LibreChat with Strands Agents and Amazon Bedrock AgentCore. Its first production agent takes an employee request, finds a Microsoft Teams meeting in the calendar, retrieves the transcript and drafts minutes with the date, participants, agenda and action items. The employee identity authenticated by Microsoft Entra ID is passed server-side so the agent can access only that employee's calendar and transcript. Agents, models and data are processed in the Frankfurt Region with session isolation.", "outcome": "AWS reported that approximately 400 employees received access in the first month of production, with infrastructure and token costs of about $14 per seat per month. It described replacing manual post-call minute preparation with a short request. The company established a shared environment where employees can build and use work agents while usage and costs are tracked.", "limitation": "The adoption month, meeting-minute accuracy and working time saved were not disclosed. The roughly 40% additional infrastructure cost reduction described in the source is a potential future optimization, not an achieved result." }, "jp": { "usecase": "権限を維持した議事録作成と従業員向けAIの運用", "problem": "MRH Troweでは、従業員が生成AIを個別に試す中で、ツールが分散し、機密性の高い顧客情報や保険情報が管理外に出るリスクが生じていた。単純なチャットだけでは、社内情報に基づく回答や複数段階の業務に対応しにくかった。従業員が自らAIを活用しながら、アクセス権限と費用を中央で管理する仕組みが必要だった。", "implementation": "同社はLibreChatの画面にStrands AgentsとAmazon Bedrock AgentCoreを接続した。最初の本番エージェントは、従業員の依頼に応じて予定表からMicrosoft Teams会議を探し、会話記録を取得し、日付、参加者、議題、後続作業を整理した議事録の下書きを作る。Microsoft Entra IDで確認した従業員の識別情報をサーバー側で渡し、その従業員の予定表と会話記録だけにアクセスさせた。エージェント、モデル、データはフランクフルトリージョンで処理し、セッションを分離する。", "outcome": "AWSは、本番運用の最初の月に約400人の従業員へアクセスを提供し、インフラとトークンの費用は1席当たり月約14ドルだったと発表した。通話後に手作業でまとめていた議事録を、短い依頼で作れるようになったと説明した。利用量と費用を追跡しながら、従業員が自ら業務エージェントを作成して活用できる共通環境を整えた。", "limitation": "導入開始月、議事録の正確性、業務時間の削減量は公開されていない。原文にあるインフラ費用の約40%追加削減は今後の最適化の可能性であり、達成済みの成果ではない。" }, "zh": { "usecase": "保留访问权限的会议纪要生成与员工AI运营", "problem": "MRH Trowe的员工各自试用生成式AI，带来了工具分散以及敏感客户和保险数据脱离管理的风险。简单聊天难以支持基于内部资料的回答和多步骤工作。公司需要让员工自行使用AI，同时集中管理访问权限和成本。", "implementation": "公司将LibreChat界面与Strands Agents和Amazon Bedrock AgentCore连接。首个生产代理根据员工请求，在日历中查找Microsoft Teams会议，获取转录文本，并生成包含日期、参与者、议程和后续任务的会议纪要草稿。服务器传递经Microsoft Entra ID验证的员工身份，使代理只能访问该员工的日历和转录文本。代理、模型和数据在法兰克福区域处理，并进行会话隔离。", "outcome": "AWS表示，生产运行首月向约400名员工提供了访问权限，基础设施和令牌成本约为每席每月14美元。AWS说明，过去通话后手工整理的会议纪要现在可以通过简短请求生成。公司建立了共享环境，在追踪使用量和成本的同时，让员工自行创建和使用工作代理。", "limitation": "开始采用的月份、会议纪要准确性和节省的工作时间未公开。原文所述基础设施成本进一步降低约40%是未来优化的潜力，不是已经实现的成果。" } } }, { "id": "AX104", "industry": "생활소비재", "subindustry": "생활용품", "company": "Procter & Gamble", "country": "미국", "stage": "운영", "scope": "본조사", "usecase": "고속 생산라인의 제품 외관 검사", "problem": "P&G의 생활용품 생산라인에서는 소재가 빠르게 이동하면서 늘어나거나 주름지고 부품이 겹친다. 대비가 낮은 결함과 복잡한 포장 무늬도 검사하기 어렵다. 기존 규칙 기반 비전 시스템은 소재와 포장 디자인, 생산 환경이 바뀔 때마다 많은 재설정이 필요했다.", "implementation": "P&G는 자사 딥러닝 모델을 Siemens Industrial Edge와 NVIDIA GPU 기반 산업용 PC에 결합한 Visual Inspection Cockpit을 사용한다. 실시간 카메라 영상으로 라인을 지나는 제품을 검사하고 설비 가까이에서 결과를 처리한다. 결과는 생산 제어에 연결돼 경보를 내거나 불량품을 라인에서 제거한다. 공장 엔지니어는 Visual Inspection Engineering Tool로 검사 모델을 직접 설정하고 학습시키며 갱신한다. 품질 데이터는 누적 분석해 공정 변화를 찾는 데 쓴다.", "outcome": "Siemens는 P&G가 이 시스템을 세계 생산시설로 확대하고 있으며 제품에 따라 폐기율이 10~20% 줄었다고 밝혔다. 재사용 가능한 Industrial Edge 애플리케이션과 기존 통합 절차를 활용해 새 배치를 가동하기까지의 속도가 기존 맞춤형 비전 시스템보다 5~10배 빠르다고 설명했다. 생산팀은 라인 속도를 유지하면서 품질을 연속 확인하는 방식으로 바뀌었다.", "limitation": "적용 공장 수와 도입 시작 월, 성과 측정 기간은 공개되지 않았다. 제품별 폐기율 감소의 비교 조건과 오탐률도 원문에 없다.", "sourceIds": [ "S141" ], "evidenceAccess": "원문 본문 열람", "dateLabel": "2026-09-15", "dateBasis": "자료 발표 시점. 도입 시작일과 다를 수 있음", "evidenceYears": [ "2026" ], "eventDate": "2026-09-15", "eventBasis": "공개", "translations": { "en": { "usecase": "Visual product inspection on high-speed production lines", "problem": "On P&G's consumer goods lines, materials stretch, wrinkle and overlap as they move at high speed. Low-contrast defects and complex packaging patterns are also difficult to inspect. Traditional rule-based vision systems required extensive reconfiguration whenever materials, packaging designs or production environments changed.", "implementation": "P&G uses Visual Inspection Cockpit, combining its deep learning models with Siemens Industrial Edge and industrial PCs powered by NVIDIA GPUs. Live camera images inspect products passing through the line, with results processed close to the equipment. The results connect to production control to trigger alerts or remove defective products. Plant engineers directly configure, train and update inspection models with the Visual Inspection Engineering Tool. Accumulated quality data supports analysis of process changes.", "outcome": "Siemens said P&G is expanding the system across its global manufacturing operations and that scrap rates fell by 10 to 20 percent depending on the product. It said reusable Industrial Edge applications and established integration processes enable new deployments to be commissioned five to ten times faster than traditional bespoke vision systems. Production teams can continuously monitor quality while maintaining line speed.", "limitation": "The number of plants, adoption start month and measurement period were not disclosed. The source also gives no product-level comparison conditions for scrap reduction or false-positive rates." }, "jp": { "usecase": "高速生産ラインでの製品外観検査", "problem": "P&Gの生活用品生産ラインでは、素材が高速で動く間に伸びたり、しわが寄ったり、部品が重なったりする。低コントラストの欠陥や複雑な包装模様も検査しにくい。従来のルールベースの画像検査では、素材や包装デザイン、生産環境が変わるたびに大幅な再設定が必要だった。", "implementation": "P&Gは自社の深層学習モデルをSiemens Industrial EdgeとNVIDIA GPU搭載の産業用PCに組み合わせたVisual Inspection Cockpitを使う。リアルタイムのカメラ映像でラインを通る製品を検査し、設備の近くで結果を処理する。結果は生産制御につながり、警報や不良品の排出を実行する。工場の技術者はVisual Inspection Engineering Toolで検査モデルを直接設定し、学習と更新を行う。蓄積した品質データは工程の変化を探すために分析する。", "outcome": "Siemensは、P&Gが世界の生産施設へシステムを拡大しており、製品によって廃棄率が10~20%下がったと発表した。再利用できるIndustrial Edgeアプリケーションと既存の統合手順により、新規導入を稼働させる速度は従来の個別設計の画像検査システムより5~10倍速いと説明した。生産チームはライン速度を保ちながら品質を連続的に確認できるようになった。", "limitation": "導入工場数、導入開始月、効果の測定期間は公開されていない。製品別の廃棄率低下の比較条件や誤検出率も原文にない。" }, "zh": { "usecase": "高速生产线的产品外观检测", "problem": "P&G的日用品生产线上，材料在高速移动时会拉伸、起皱，零部件也会重叠。低对比度缺陷和复杂包装图案同样难以检测。传统规则式视觉系统在材料、包装设计或生产环境变化时，需要大量重新配置。", "implementation": "P&G使用Visual Inspection Cockpit，将自有深度学习模型与Siemens Industrial Edge及搭载NVIDIA GPU的工业电脑结合。系统通过实时摄像头图像检查经过产线的产品，并在设备附近处理结果。检测结果与生产控制相连，可触发警报或将不良品移出产线。工厂工程师通过Visual Inspection Engineering Tool直接配置、训练和更新检测模型。积累的质量数据用于分析工艺变化。", "outcome": "Siemens表示，P&G正将系统扩展到全球生产设施，不同产品的报废率下降了10%至20%。可复用的Industrial Edge应用与既有集成流程，使新部署投入运行的速度比传统定制视觉系统快5至10倍。生产团队因此能够在保持产线速度的同时连续监控质量。", "limitation": "原文未公开应用工厂数量、开始采用的月份或效果测量期间，也未提供各产品报废率下降的比较条件及误报率。" } } }, { "id": "AX105", "industry": "제조", "subindustry": "완성차", "company": "SEAT", "country": "스페인", "stage": "제한 운영", "scope": "본조사", "usecase": "차체 판금 부품의 제조 가능성 분석", "problem": "SEAT의 차체 개발은 설계와 시뮬레이션을 거쳐 마지막에 제조 가능성을 검증하는 순서였다. 전문 해석팀의 대기열을 통과하는 동안 설계 형상과 금형 관련 결정이 굳어져 뒤늦게 문제를 찾으면 수정 부담이 커졌다. 설계자가 형상을 바꿀 수 있을 때 제조 가능성을 먼저 확인할 방법이 필요했다.", "implementation": "SEAT는 Synera에서 CAD 소프트웨어와 Altair 해석 도구, 재료 데이터베이스를 연결했다. 설계자가 부품과 자연어 질문을 넣으면 감독 에이전트가 형상 추출과 성형 해석 등을 담당하는 전문 에이전트를 순서대로 호출한다. 공학 계산은 기존 규칙 기반 절차와 결정론적 시뮬레이션이 수행한다. LLM은 업무를 나누고 해석 결과를 SEAT의 공학 기준에 맞춰 설명한다. 보고 에이전트가 문제 영역을 표시한 보고서를 만들면 엔지니어가 CAD 수정과 재실행 여부를 판단한다.", "outcome": "Synera는 CDFAM Barcelona 시연의 첫 벤치마크에서 기존에 4주 걸리던 제조 가능성 평가를 약 30분에 수행했다고 밝혔다. 실제 부품 분석은 2026년 4월 행사 전에 시작됐고 발표 시점에는 차체 개발 프로그램으로 적용을 확대하고 있다고 설명했다. 설계자는 전문팀의 순서를 기다리는 대신 설계 중에 결과를 받고 엔지니어는 최종 판단을 유지한다.", "limitation": "4주와 30분의 비교는 행사 시연의 첫 벤치마크이며 전체 부품의 평균 성과가 아니다. 최초 분석의 정확한 월과 적용 부품 수, 양산 불량 감소는 원문에 없다.", "sourceIds": [ "S142" ], "evidenceAccess": "원문 본문 열람", "dateLabel": "2026-09-16", "dateBasis": "자료 발표 시점. 도입 시작일과 다를 수 있음", "evidenceYears": [ "2026" ], "eventDate": "2026-09-16", "eventBasis": "공개", "translations": { "en": { "usecase": "Manufacturability analysis for body-in-white sheet metal components", "problem": "SEAT's body development followed design, simulation and finally manufacturing validation. While work waited in the specialist simulation queue, geometry and tooling decisions became fixed, making late discoveries costly to revise. Designers needed to check manufacturability while geometry could still change.", "implementation": "SEAT connected CAD software, Altair simulation tools and its material database through Synera. When a designer uploads a component and a natural-language question, a supervisor calls specialist agents in sequence for tasks including geometry extraction and forming simulation. Established rule-based workflows and deterministic simulations perform engineering calculations. LLMs delegate work and explain simulation outputs against SEAT's engineering methodology. A reporting agent flags problem areas, while engineers decide whether to revise the CAD or rerun the analysis.", "outcome": "Synera said the first benchmark demonstrated at CDFAM Barcelona completed a manufacturability assessment in about thirty minutes, compared with four weeks previously. It said live component analyses began before the April 2026 event and that adoption was expanding across the body-in-white program at publication. Designers receive results during design rather than waiting in the specialist queue, while engineers retain final judgment.", "limitation": "The four-week versus thirty-minute comparison is the first demonstration benchmark, not an average across all components. The source does not give the exact month of the first analysis, the number of components covered or a reduction in production defects." }, "jp": { "usecase": "車体板金部品の製造可能性分析", "problem": "SEATの車体開発は、設計、シミュレーション、最後に製造可能性の検証という順序だった。専門の解析チームの順番を待つ間に形状や金型の判断が固まり、問題の発見が遅れると修正負担が増えた。設計者が形状を変えられる段階で製造可能性を確認する方法が必要だった。", "implementation": "SEATはSyneraでCADソフト、Altairの解析ツール、材料データベースを接続した。設計者が部品と自然言語の質問を入力すると、監督エージェントが形状抽出や成形解析などを担当する専門エージェントを順番に呼び出す。工学計算は既存のルールベースの手順と決定論的シミュレーションが実行する。LLMは作業を分担し、解析結果をSEATの工学基準に沿って説明する。報告エージェントが問題箇所を示した報告書を作り、技術者がCADの修正や再実行を判断する。", "outcome": "Syneraは、CDFAM Barcelonaで実演した最初のベンチマークで、従来4週間かかった製造可能性評価を約30分で実行したと発表した。実際の部品解析は2026年4月のイベント前に始まり、発表時点では車体開発プログラムへの適用を拡大していると説明した。設計者は専門チームの順番を待たずに設計中に結果を受け取り、技術者は最終判断を維持する。", "limitation": "4週間と30分の比較はイベント実演での最初のベンチマークであり、全部品の平均ではない。最初の解析の正確な月、対象部品数、量産不良の減少は原文にない。" }, "zh": { "usecase": "车身钣金零件的可制造性分析", "problem": "SEAT的车身开发原先依次进行设计、仿真，最后验证可制造性。等待专业仿真团队处理期间，几何形状和模具相关决策逐渐固定，晚发现问题会增加修改负担。设计师需要在仍可改变几何形状时提前检查可制造性。", "implementation": "SEAT通过Synera连接CAD软件、Altair仿真工具及材料数据库。设计师上传零件并用自然语言提问后，主管代理依次调用负责几何提取、成形仿真等任务的专业代理。工程计算由既有规则流程和确定性仿真执行。LLM负责分派任务，并按照SEAT的工程方法解释仿真输出。报告代理标出问题区域后，工程师决定是否修改CAD及重新分析。", "outcome": "Synera表示，在CDFAM Barcelona演示的首个基准测试中，原先需要4周的可制造性评估约30分钟即可完成。实际零件分析在2026年4月活动前已经开始，发布时正向车身开发项目扩展。设计师不必等待专业团队排期，而是在设计阶段获得结果，工程师仍保留最终判断权。", "limitation": "4周与30分钟的比较是活动演示中的首个基准测试，并非全部零件的平均结果。原文未提供首次分析的准确月份、适用零件数量或量产缺陷减少情况。" } } }, { "id": "AX106", "industry": "금융", "subindustry": "은행", "company": "China Merchants Bank", "country": "중국", "stage": "운영", "scope": "본조사", "usecase": "AI 학습과 추론의 가속기 공동 운영", "problem": "China Merchants Bank은 금융 업무에 AI를 넓히면서 대형 모델 학습과 미세조정, 온라인 추론을 종류가 서로 다른 가속기 카드 약 1만 장 위에서 함께 돌려야 했다. 카드를 더 늘리는 것으로는 풀리지 않는 문제였다. 학습 작업은 필요한 작업자와 카드가 모두 준비되어야 일을 시작하기 때문에 안정된 용량이 필요하고, 온라인 추론은 요청량에 따라 빠르게 늘리고 줄여야 한다. 여러 부서가 같은 기본 모델을 미세조정할 때마다 기본 모델을 부서 수만큼 따로 올리는 낭비도 있었다.", "implementation": "이 은행은 Kubernetes 위에 하나의 관리 체계를 두고 학습과 추론의 실행 경로는 나누었다. 학습 요청은 Kueue가 대기열과 할당량을 보고 받아들일지 먼저 정한다. 그다음 Kubernetes 일정 관리와 HAMi가 카드를 나누어 주고 Fluid가 학습 데이터와 모델 가중치 읽기를 빠르게 한다. 학습은 Ray 위에서 자체 개발한 Twinkle이 맡고 온라인 추론은 vLLM이나 SGLang이 처리한다. 추론 쪽에서는 Prometheus가 초당 요청 수와 대기 길이, 응답 지연을 모으고 KEDA가 그 값으로 복제본을 늘리거나 줄인다. 학습과 추론에 서로 다른 수용 정책을 둘지는 플랫폼 담당자가 정했다.", "outcome": "이 은행은 가속기 연산 자원의 99%를 이 체계로 묶었다고 밝혔다. 평균 가속기 연산 사용률은 35%에서 60% 이상으로 올랐고, 같은 모델과 서비스 조건에서 토큰 100만 개를 처리하는 추론 비용은 60% 넘게 줄었다고 설명했다. Twinkle을 쓰면 LoRA 방식으로 미세조정하는 부서 다섯 곳이 기본 모델 하나를 함께 쓴다. 기본 모델 사본이 다섯 개에서 한 개로 줄어 가속기 자원 사용이 80% 감소했고 동시에 학습할 수 있는 부서 수는 다섯 배가 되었다. 운영에서는 부서 다섯 곳을 기본값으로 쓰고 여덟 곳까지 검증했다고 적었다.", "limitation": "원문은 이 체계를 언제부터 운영했는지와 각 수치의 측정 기간을 밝히지 않았다. 수치는 이 은행 플랫폼 담당 조직이 개편 전후에 같은 내부 측정 방법으로 비교한 값이다.", "sourceIds": [ "S143", "S144" ], "evidenceAccess": "원문 본문 열람", "dateLabel": "2026-09-08", "dateBasis": "자료 발표 시점. 도입 시작일과 다를 수 있음", "evidenceYears": [ "2026" ], "eventDate": "2026-09-08", "eventBasis": "공개", "translations": { "en": { "usecase": "Shared operation of accelerators for AI training and inference", "problem": "As China Merchants Bank extended AI across more financial use cases, it had to run large model training, fine tuning and online inference together on nearly 10,000 heterogeneous accelerator cards. Adding more cards would not solve the problem. A training job can only start useful work once all the required workers and cards are ready, so it needs stable capacity, while online inference has to scale up and down quickly with request volume. Whenever several tenants fine tuned the same base model, a separate copy of that base model was loaded for each of them.", "implementation": "The bank built a single control plane on Kubernetes while keeping the execution paths for training and inference separate. Kueue first decides whether a training job can enter the cluster based on queues and quotas. The Kubernetes scheduler and HAMi then assign accelerator capacity, and Fluid speeds up access to datasets and model weights. Twinkle, developed in house, runs training on Ray, and vLLM or SGLang serves online inference. On the inference side Prometheus collects request rate, queue depth and latency, and KEDA uses those signals to add or remove replicas. Platform architects decided that training and inference needed separate admission policies.", "outcome": "The bank said it brought 99 percent of its accelerator compute resources under this framework. Average accelerator compute utilization rose from 35 percent to more than 60 percent, and under comparable model and service conditions the inference cost of processing one million tokens fell by more than 60 percent. With Twinkle, five tenants fine tuning with LoRA share one base model instance. Base model replicas drop from five to one, accelerator resource usage falls by 80 percent and the number of tenants that can train at the same time increases fivefold. The bank wrote that it uses five tenants by default in production and has validated eight.", "limitation": "The source does not say when the platform went into operation or over what period each figure was measured. The numbers come from the bank platform team comparing the same internal measurement method before and after the redesign." }, "jp": { "usecase": "AI学習と推論のアクセラレータ共同運用", "problem": "China Merchants Bankは金融業務にAIを広げるなかで、大規模モデルの学習と微調整、オンライン推論を、種類の異なる約1万枚のアクセラレータカードの上でまとめて動かす必要があった。カードを増やすだけでは解決しない問題だった。学習ジョブは必要なワーカーとカードがすべて揃って初めて作業を始められるため安定した容量が必要で、オンライン推論はリクエスト量に応じて素早く増減させなければならない。複数の部門が同じ基盤モデルを微調整するたびに、その基盤モデルを部門の数だけ別々に読み込む無駄もあった。", "implementation": "同行はKubernetes上に一つの管理基盤を置き、学習と推論の実行経路は分けた。学習リクエストは、まずKueueがキューと割当量を見て受け入れるかどうかを決める。その後Kubernetesのスケジューラとしくみ上のHAMiがカードを割り当て、Fluidが学習データとモデル重みの読み込みを速くする。学習はRay上で自社開発のTwinkleが担い、オンライン推論はvLLMまたはSGLangが処理する。推論側ではPrometheusが秒あたりのリクエスト数や待ち行列の長さ、応答遅延を集め、KEDAがその値でレプリカを増減させる。学習と推論に別々の受け入れ方針を置くことは、プラットフォームの担当者が決めた。", "outcome": "同行は、アクセラレータ演算資源の99%をこの仕組みにまとめたと述べた。平均のアクセラレータ演算使用率は35%から60%以上に上がり、同等のモデルとサービス条件で100万トークンを処理する推論コストは60%以上下がったと説明した。Twinkleを使うと、LoRA方式で微調整する5つの部門が一つの基盤モデルを共有する。基盤モデルの複製は5つから1つに減り、アクセラレータ資源の使用は80%減り、同時に学習できる部門数は5倍になった。運用では5部門を既定値とし、8部門まで検証したと記している。", "limitation": "原文は、この仕組みをいつから運用しているのか、各数値の測定期間がどれくらいかを明らかにしていない。数値は、同行のプラットフォーム担当組織が改編の前後に同じ社内測定方法で比較した値である。" }, "zh": { "usecase": "AI训练与推理的加速卡统一运营", "problem": "招商银行在把AI推广到更多金融业务的过程中，需要在约一万张异构加速卡上同时运行大模型训练、微调和在线推理。仅靠增加卡片无法解决问题。训练任务必须等所需的工作节点和卡片全部就绪才能开始有效工作，因此需要稳定的容量；而在线推理必须随请求量快速扩缩。每当多个租户微调同一个基础模型时，还会为每个租户分别加载一份相同的基础模型，造成浪费。", "implementation": "该行在Kubernetes之上建立统一的控制平面，同时把训练与推理的执行路径分开。训练请求先由Kueue根据队列和配额决定是否准入。随后由Kubernetes调度器和HAMi分配加速卡，Fluid则加快数据集与模型权重的读取。训练由自研的Twinkle在Ray上运行，在线推理由vLLM或SGLang提供服务。推理侧由Prometheus收集每秒请求数、队列深度和响应延迟，KEDA据此增减副本。为训练和推理设置不同的准入策略，由平台负责人决定。", "outcome": "该行表示，已把99%的加速算力资源纳入该框架统一管理。平均加速卡算力利用率从35%提升到60%以上；在可比的模型与服务条件下，处理一百万个词元的推理成本下降超过60%。使用Twinkle后，五个采用LoRA方式微调的租户共享一个基础模型实例。基础模型副本从五个减少到一个，加速卡资源占用下降80%，可同时训练的租户数量提高到五倍。该行写道，生产环境默认使用五个租户，并已验证到八个。", "limitation": "原文未说明该平台从何时开始运行，也未说明各项数据的测量周期。这些数字来自该行平台团队在改造前后采用同一套内部测量方法所做的比较。" } } }, { "id": "AX107", "industry": "물류", "subindustry": "공급망 계획", "company": "Microsoft", "country": "미국", "stage": "운영", "scope": "본조사", "usecase": "클라우드 공급망 계획과 조달 업무", "problem": "Microsoft의 클라우드 공급망 팀은 수요 계획과 조달, 이행, 운송이 서로 얽힌 업무를 다룬다. 수요 계획이 왜 바뀌었는지 찾아내는 일에만 담당자가 닷새에서 이레를 썼다. 회사는 기존 단계에 AI를 덧붙이는 방식으로는 익숙한 일을 조금 빨리 끝낼 뿐 성과가 바뀌지는 않았다고 적었다. 잘못 짜인 과정에 에이전트를 붙이면 한 단계가 빨라진 만큼 다음 단계에 줄이 길어질 뿐이라고 설명했다.", "implementation": "공급망 전문가와 엔지니어가 함께 앉아 처음부터 끝까지의 업무 흐름을 먼저 그리고 단순하게 만들었다. 그다음 모든 에이전트가 같은 데이터를 보고 판단하도록 기준이 되는 자료를 하나로 모았다. 이 바탕 위에 계획과 조달, 이행, 운송에 쓰는 목적별 에이전트를 100개 넘게 배치했다. 에이전트는 수요 변화와 생산 능력을 조사하고 항공과 육상, 해상 운송 선택지를 비용과 시점, 탄소 영향 기준으로 비교한다. 사람이 미리 정한 권한과 승인 기준 안에서만 에이전트가 구매 주문을 고치거나 취소하는 일을 돕는다.", "outcome": "Microsoft는 고른 일부 업무에서 처리 주기가 최대 75% 줄었다고 밝혔다. 각주에는 2026년 4월부터 8월까지 측정한 월 단위 계획 주기 5회에서 평균 처리 주기가 약 10 영업일에서 2.5 영업일 미만으로 줄었다고 적었다. 수요 계획이 바뀐 이유를 추적하는 일은 매달 20건이 넘는 조사에서 사람이 확인한 설명을 내놓기까지 평균 닷새에서 이레가 걸렸는데 이제 몇 시간이 채 걸리지 않고 때로는 20분이 걸리지 않는다고 설명했다. 같은 각주는 2026년 9월 기준으로 클라우드 공급망 업무에 배치된 에이전트가 111개를 넘는다고 밝혔고 이 수치들이 150명이 넘는 여러 부서 합동 팀이 2025년 9월부터 2026년 8월까지 진행한 작업을 Microsoft가 내부 분석한 결과라고 적었다. 회사는 그 덕분에 계획 주기가 돌아가는 동안 변화를 분석하고 더 많은 경우의 수를 따져 보며 대비책을 세우고 위험을 일찍 찾을 수 있게 되었다고 적었다. Microsoft는 이 결과가 해당 업무와 측정 기간에 한정된다고 밝혔다.", "limitation": "원문은 어떤 모델과 데이터 원천을 썼는지, 배치된 에이전트가 각각 무엇을 맡는지 밝히지 않았다. 수치는 Microsoft 내부 분석 결과이고 측정 범위는 각주에 적힌 2026년 4월부터 8월까지의 계획 주기 5회와 매달 20건이 넘는 수요 계획 조사에 한정되며, 이 범위 밖의 성과와 외부 검증 결과는 확인되지 않았다.", "sourceIds": [ "S145" ], "evidenceAccess": "원문 본문 열람", "dateLabel": "2026-09-17", "dateBasis": "자료 발표 시점. 도입 시작일과 다를 수 있음", "evidenceYears": [ "2026" ], "eventDate": "2026-09-17", "eventBasis": "공개", "translations": { "en": { "usecase": "Cloud supply chain planning and sourcing", "problem": "The Microsoft cloud supply chain team handles work in which demand planning, sourcing, fulfilment and transport are tangled together. Planners once spent five to seven days just tracing why a demand plan had changed. The company wrote that early efforts helped people finish familiar tasks faster but rarely transformed outcomes. Adding agents to a broken process, it said, still leaves a broken process, because speeding up one step just creates a longer queue at the next.", "implementation": "Supply chain experts and engineers worked side by side, first mapping the end to end workflows and simplifying them. They then created a single source of truth so that every agent reasoned from the same data. On that foundation they deployed more than 100 purpose built agents across planning, sourcing, fulfilment and logistics. The agents investigate shifts in demand and model capacity, and they compare transport options across air, land and sea on cost, timing and carbon impact. Only within the permissions and approval thresholds defined by people do the agents help planners update or cancel purchase orders.", "outcome": "Microsoft said cycle time fell by up to 75 percent in selected workflows. A footnote states that across 5 monthly planning cycles measured between April 2026 and August 2026, average cycle time declined from approximately 10 to less than 2.5 business days. It also states that across more than 20 demand plan investigations each month, the average time to produce a human validated explanation fell from five to seven days to less than a few hours, with some completed in less than 20 minutes. The same footnote says that as of September 2026 more than 111 agents had been deployed across cloud supply chain workflows, and that these figures come from Microsoft internal analysis of work led by a cross functional team of more than 150 people between September 2025 and August 2026. Microsoft wrote that this makes it possible to analyse changes as planning cycles unfold, model more scenarios, build better contingency plans and identify risks earlier, and said the results are specific to these workflows and measurement periods.", "limitation": "The source does not say which models or data sources were used, or what each deployed agent does. The figures come from Microsoft internal analysis, and the measurement scope is limited to the 5 planning cycles between April 2026 and August 2026 and the more than 20 demand plan investigations each month named in the footnote, so results outside that scope and any external verification remain unconfirmed." }, "jp": { "usecase": "クラウド供給網の計画と調達業務", "problem": "Microsoftのクラウド供給網チームは、需要計画と調達、履行、輸送が互いに絡み合う業務を扱っている。需要計画がなぜ変わったのかを突き止めるだけで、担当者は5日から7日を費やしていた。同社は、既存の手順にAIを足すやり方では、慣れた作業を少し速く終えられるだけで成果は変わらなかったと記している。うまく組まれていない工程にエージェントを付けても、ある段階が速くなった分だけ次の段階に行列ができるだけだと説明した。", "implementation": "供給網の専門家とエンジニアが並んで作業し、まず端から端までの業務の流れを描いて単純にした。次に、すべてのエージェントが同じデータをもとに判断できるよう、基準となる資料を一つにまとめた。この土台の上に、計画と調達、履行、輸送で使う目的別のエージェントを100以上配置した。エージェントは需要の変化と生産能力を調べ、航空と陸上、海上の輸送手段を費用と時期、炭素への影響で比較する。人があらかじめ定めた権限と承認基準の範囲内でのみ、エージェントが発注の修正や取り消しを手伝う。", "outcome": "Microsoftは、選んだ一部の業務で処理の周期が最大75%短くなったと述べた。脚注には、2026年4月から8月までに測定した月次の計画周期5回で、平均の処理周期が約10営業日から2.5営業日未満に短くなったと記されている。毎月20件を超える需要計画の調査では、人が確認した説明を出すまでの平均時間が5日から7日だったものが数時間未満になり、20分もかからない場合もあったと説明した。同じ脚注は、2026年9月時点でクラウド供給網の業務に配置されたエージェントが111を超えると述べ、これらの数値は150人を超える部門横断チームが2025年9月から2026年8月まで進めた作業をMicrosoftが内部で分析した結果だと記している。同社は、そのおかげで計画の周期が回っている間に変化を分析し、より多くの場合を検討して備えを立て、危険を早く見つけられるようになったと記し、この結果は該当する業務と測定期間に限られると述べた。", "limitation": "原文は、どのモデルとデータ源を使ったのか、配置されたエージェントがそれぞれ何を担うのかを明らかにしていない。数値はMicrosoftの内部分析であり、測定の範囲は脚注に記された2026年4月から8月までの計画周期5回と毎月20件を超える需要計画の調査に限られるため、その範囲の外での成果や外部の検証結果は確認できていない。" }, "zh": { "usecase": "云业务供应链的计划与采购", "problem": "微软的云业务供应链团队处理需求计划、采购、履约与运输互相交织的工作。仅仅为了追查需求计划为何发生变化，负责人就要花五到七天。该公司写道，把AI加到原有步骤上，只能让熟悉的工作快一点完成，成效并没有改变。它解释说，在没有理顺的流程上加装智能体，仍然是一个没有理顺的流程，因为某一步变快只会让下一步排起更长的队。", "implementation": "供应链专家与工程师并肩工作，先把端到端的业务流程画出来并加以简化。随后建立统一的事实来源，使每个智能体都依据同一份数据作出判断。在这一基础上，他们在计划、采购、履约和物流环节部署了一百多个专用智能体。这些智能体调查需求变化与产能情况，并按成本、时间和碳排放影响比较空运、陆运与海运的方案。只有在人预先设定的权限与审批阈值之内，智能体才会协助计划人员修改或取消采购订单。", "outcome": "微软表示，在挑选出的部分业务中，处理周期最多缩短了75%。脚注写明，在2026年4月至8月之间测量的5个月度计划周期中，平均处理周期从约10个工作日降至不足2.5个工作日。脚注还写明，在每月20多次需求计划调查中，出具经人工核验的说明所需的平均时间从五到七天缩短到不足数小时，有的不到20分钟就完成。同一条脚注称，截至2026年9月，云业务供应链环节部署的智能体已超过111个，并说明这些数值来自微软对一支150人以上跨职能团队在2025年9月至2026年8月期间所做工作的内部分析。该公司写道，因此可以在计划周期运行的同时分析变化，推演更多情形，制定更好的应对方案，并更早发现风险，并表示这些结果仅适用于上述业务和测量周期。", "limitation": "原文未说明使用了哪些模型和数据来源，也未说明已部署的智能体各自负责什么。这些数值出自微软的内部分析，测量范围仅限于脚注写明的2026年4月至8月的5个计划周期以及每月20多次需求计划调查，因此该范围之外的成效和外部验证结果均无法确认。" } } }, { "id": "AX108", "industry": "보험", "subindustry": "생명보험", "company": "Aviva", "country": "영국", "stage": "운영", "scope": "본조사", "usecase": "청약 의료 보고서 요약과 인수 심사 지원", "problem": "Aviva의 개인 보장성 보험은 청약 심사에서 언더라이터가 주치의 의료 보고서를 처음부터 끝까지 직접 읽어야 했다. 이 회사는 이 보고서가 90쪽을 넘는 경우도 있어 읽는 데 시간이 매우 많이 든다고 밝혔다. Aviva는 긴 전자 의료 보고서를 검토해야 하는 이 부담이 보장성 보험 인수 심사에서 오랫동안 업계 공통의 어려움이었다고 설명했다.", "implementation": "이 회사는 생성형 AI로 의료 보고서를 분석해 짧은 요약으로 바꾸는 도구를 만들었다. 이 도구는 긴 보고서에서 관련 없는 내용을 걸러 내고 언더라이터가 볼 핵심 정보를 드러낸다. 요약을 읽고 최종 인수 판단을 내리는 일은 언더라이터가 그대로 맡는다. Aviva는 18개월 동안 시험과 통제 절차를 거쳤고 실제 시험 단계에서 1,000건을 처리했다고 밝혔다. 2025년 11월 자료에서는 11월 28일부터 언더라이팅 조직에 배포한다고 알렸고, 2026년 3월 자료에서 개인 생명보험 청약용으로 2025년 11월에 내놓았다고 확인했다. 2026년 3월에는 같은 기능을 다시 쓰고 넓혀 개인 중대질병 보험 청약까지 적용했으며, 더 넓은 범위의 질환과 위험 요인에서 요약 품질과 정확도를 확인했다고 설명했다.", "outcome": "Aviva는 이 도구로 언더라이터가 한 건을 검토하는 데 쓰는 시간이 약 절반으로 줄었다고 밝혔다. 이 회사는 2025년 11월 개인 생명보험 청약용으로 내놓았을 때 보장성 보험 시장에서 같은 종류의 첫 도구였고, 중대질병 보험 시장에 이 기술을 내놓는 것도 보험사 가운데 처음이라고 설명했다. 이번 확대로 의료 보고서가 필요한 개인 보장성 보험 청약의 대부분을 요약할 수 있게 되었다고 밝혔다. 현재 기능은 청약 이후 감사 업무까지 포함하며 다음 목표는 소득보장보험 요약이라고 덧붙였다.", "limitation": "원문은 어떤 모델과 어떤 공급사 기술을 썼는지 밝히지 않았다. 검토 시간이 약 절반으로 줄었다는 값을 어떤 기간에 몇 건으로 측정했는지와 요약 정확도의 실제 수치도 원문에 없다.", "sourceIds": [ "S146", "S147" ], "evidenceAccess": "원문 본문 열람", "dateLabel": "2026-03-18", "dateBasis": "자료 발표 시점. 도입 시작일과 다를 수 있음", "evidenceYears": [ "2025", "2026" ], "eventDate": "2025-11", "eventBasis": "도입", "translations": { "en": { "usecase": "Summarising medical reports for protection underwriting", "problem": "In Aviva's individual protection business, underwriters had to read the full medical report from a patient's doctor when assessing an application. The company said these reports sometimes run to more than 90 pages and are extremely time consuming to read. Aviva said that having to work through lengthy digital medical reports had been a shared challenge across the industry in protection underwriting for some time.", "implementation": "The company built a tool that uses generative AI to analyse medical reports and turn them into short summaries. It filters out irrelevant detail from long reports and surfaces the key information an underwriter needs. Reading the summary and making the final underwriting decision stays with the underwriter. Aviva said the tool went through eighteen months of testing and controls and had processed 1,000 cases in an active test phase. Its November 2025 release announced that the rollout to underwriting teams would start on 28 November, and its March 2026 release confirmed that the tool had launched for individual life insurance applications in November 2025. In March 2026 the company re-used and extended the same capability for individual critical illness applications, and said it had validated summarisation quality and accuracy across a wider range of conditions and risk factors.", "outcome": "Aviva said the tool has cut the time underwriters spend reviewing each case by around half. The company said it was the first of its kind in the protection market when it launched for individual life insurance applications in November 2025, and that it is the first insurer to bring the technology to the critical illness market. With this extension the insurer said it can now summarise most individual protection applications where a medical report is required. It added that the current capability also covers post application auditing and that the next focus is summarisation for income protection.", "limitation": "The source does not say which model or which vendor technology is used. It also does not give the measurement period or the number of cases behind the figure of around half, nor any measured accuracy number for the summaries." }, "jp": { "usecase": "保障性保険の引受における医療報告書の要約", "problem": "Avivaの個人向け保障性保険では、申込審査の際に引受担当者が主治医の医療報告書を最初から最後まで読む必要があった。同社は、この報告書が90ページを超えることもあり、読むのに非常に時間がかかると述べた。Avivaは、長い電子医療報告書を確認しなければならないこの負担が、保障性保険の引受審査で長らく業界共通の難しさだったと説明した。", "implementation": "同社は、生成AIで医療報告書を分析し、短い要約に変えるツールを作った。このツールは長い報告書から関係のない内容を取り除き、引受担当者が見るべき重要な情報を示す。要約を読んで最終的な引受判断を下す仕事は、引受担当者がそのまま担う。Avivaは18か月にわたる試験と統制の手順を経て、実際の試験段階で1,000件を処理したと述べた。2025年11月の資料では11月28日から引受部門へ展開すると知らせ、2026年3月の資料で、個人向け生命保険の申込用として2025年11月に提供を始めたと確認した。2026年3月には同じ機能を再び使って広げ、個人向け重大疾病保険の申込にも適用し、より広い範囲の疾患と危険要因で要約の品質と正確さを確認したと説明した。", "outcome": "Avivaは、このツールにより引受担当者が1件を確認するのにかける時間が約半分に減ったと述べた。同社は、2025年11月に個人向け生命保険の申込用として提供を始めたとき、保障性保険市場で同種のものとして初めてであり、重大疾病保険市場にこの技術を出すのも保険会社として初めてだと説明した。今回の拡大により、医療報告書が必要な個人向け保障性保険の申込の大半を要約できるようになったと述べた。現在の機能は申込後の監査業務まで含み、次の目標は所得補償保険の要約だと付け加えた。", "limitation": "原文は、どのモデルやどの供給会社の技術を使ったのかを明らかにしていない。確認時間が約半分に減ったという値を、どの期間に何件で測ったのか、要約の正確さの実測値も原文にはない。" }, "zh": { "usecase": "保障型保险核保中的医疗报告摘要", "problem": "在Aviva的个人保障型保险业务中，核保人员在受理投保申请时必须从头到尾读完主治医生出具的医疗报告。该公司表示，这类报告有时超过90页，阅读起来非常耗时。Aviva说明，必须审阅冗长的电子医疗报告这一负担，长期以来一直是保障型保险核保中全行业共同面对的难题。", "implementation": "该公司开发了一款工具，用生成式AI分析医疗报告并将其转成简短摘要。这款工具会从冗长的报告中过滤掉无关内容，突出核保人员需要关注的关键信息。阅读摘要并作出最终核保判断的工作，仍由核保人员承担。Aviva表示，该工具经过十八个月的测试与管控流程，并在实际测试阶段处理了1,000件案例。公司在2025年11月的资料中宣布自11月28日起向核保团队推广，并在2026年3月的资料中确认，该工具已于2025年11月面向个人寿险投保申请正式启用。2026年3月，公司复用并扩展了同一能力，将其应用到个人重大疾病保险的投保申请，并说明已在更广泛的疾病与风险因素范围内验证了摘要的质量与准确性。", "outcome": "Aviva表示，借助这款工具，核保人员审阅每一件案例所花的时间减少了约一半。该公司说明，2025年11月面向个人寿险投保申请推出时，它是保障型保险市场上同类中的第一款，把这项技术带入重大疾病保险市场，在保险公司中也是首次。公司表示，经过此次扩展，凡需要医疗报告的个人保障型保险投保申请，大多都可以生成摘要。公司还补充说，当前能力已覆盖投保后的审计工作，下一个目标是收入保障保险的摘要。", "limitation": "原文没有说明使用了哪家供应商的哪一款模型。对于审阅时间减少约一半这一数值，原文也没有给出测量的时间段与案例数量，以及摘要准确度的实测数字。" } } }, { "id": "AX109", "industry": "유통", "subindustry": "귀금속 소매", "company": "Chow Tai Fook", "country": "다국가", "stage": "운영", "scope": "본조사", "usecase": "매장 직원과 관리자를 위한 업무 에이전트", "problem": "Chow Tai Fook은 금과 보석 소매에서 상품이 표준화되어 있지 않고 세공과 고객 신뢰, 오랜 현장 경험에 기대는 판매 방식 때문에 큰 규모의 디지털 전환이 오랫동안 매우 어려웠다고 밝혔다. 여러 시장에 걸친 넓은 매장망도 같은 방식을 한꺼번에 퍼뜨리기 어렵게 만들었다. 매장 직원은 재고 시스템과 가격 규칙, 실시간 금 시세, 복잡한 준수 지침을 서로 다른 화면에서 번갈아 확인해야 했고, 화면을 옮기는 사이 고객의 짧은 구매 흐름이 끊길 위험이 있었다.", "implementation": "이 회사는 Microsoft와 손잡고 Microsoft 365 E5로 업무 환경을 하나로 모으고, Microsoft Purview로 누가 어떤 정보를 볼 수 있는지와 민감한 자료의 흐름을 관리한 뒤 AI를 넓혔다. 매장용으로는 Microsoft Foundry 위에 AI Fook이라는 에이전트 묶음을 만들었다. 직원이 Microsoft Teams에서 평상시 쓰는 말로 물으면 상품의 제작 이야기와 실시간 재고, 손님에 맞춘 연출 제안을 대화를 끊지 않고 바로 받는다. 관리자용 AI Insights Platform은 소비자 행동과 입점한 쇼핑몰의 상황, 오르내리는 금 시세를 실시간으로 묶어 자연어 질문에 답한다. 승인 업무는 두 갈래로 나누어 일상 거래는 AI가 몇 초 만에 처리하고, 복잡한 건은 자동 위험 점검을 거쳐 사람이 판단한다. 디자인에서는 Azure OpenAI로 3차원 시안을 만들고 장인은 예술적 판단에 집중한다.", "outcome": "Chow Tai Fook은 맞춤 제작한 AI 에이전트를 400개 넘게 배치해 직원 24,000명 이상이 쓰고 있다고 밝혔다. 매달 수백만 건의 AI 대화가 오가고 핵심 업무 절차의 효율은 70% 넘게 올랐다고 설명했다. 이 회사는 몰입형 AI 역할극으로 직원이 여러 고객 상황을 미리 연습하게 하고, 매장 기기로 잘한 응대 방식을 모아 전사 표준 절차로 다듬는다고 밝혔다. 디지털 연습과 현장 실행을 이렇게 묶은 결과 판매 전환이 최대 57%까지 올랐다고 설명했다.", "limitation": "원문은 이 체계를 언제부터 운영했는지와 효율 70%, 판매 전환 57%를 어떤 기간에 무엇과 비교해 측정했는지 밝히지 않았다. 에이전트 400여 개가 각각 어떤 업무를 맡는지도 적혀 있지 않다.", "sourceIds": [ "S148" ], "evidenceAccess": "원문 본문 열람", "dateLabel": "2026-04-17", "dateBasis": "자료 발표 시점. 도입 시작일과 다를 수 있음", "evidenceYears": [ "2026" ], "eventDate": "2026-04-17", "eventBasis": "공개", "translations": { "en": { "usecase": "Work agents for store associates and managers", "problem": "Chow Tai Fook said large scale digital transformation had long been exceptionally difficult in gold and jewellery retail, because the products are highly non standardised and the service model rests on craftsmanship, customer trust and decades of frontline expertise. An extensive physical store network spanning multiple markets made it harder still to spread one way of working everywhere at once. Store associates had to switch between inventory platforms, pricing rules, real time gold prices and complex compliance manuals, and every switch risked pausing a customer's fleeting buying momentum.", "implementation": "Working with Microsoft, the company first standardised on Microsoft 365 E5, then used Microsoft Purview to control who may see which information and how sensitive data flows, and scaled AI on top of that. For stores it built AI Fook, a super agent ecosystem developed on Microsoft Foundry. When an associate asks a question in everyday language through Microsoft Teams, they immediately receive product craftsmanship stories, real time inventory insights and personalised styling recommendations without breaking the flow of the conversation. For managers, the AI Insights Platform answers natural language questions by combining consumer behaviour, mall dynamics and volatile gold prices in real time. Approvals run on two tracks. Routine transactions are cleared within seconds by AI, while complex cases trigger an automated risk scan and are decided by a person. In design, Azure OpenAI generates three dimensional concepts so that master artisans can concentrate on artistic judgement.", "outcome": "Chow Tai Fook said it has deployed more than 400 customised AI agents, used by more than 24,000 employees. It said there are millions of AI interactions every month and that efficiency in core business processes has improved by more than 70 percent. The company said frontline associates rehearse different customer scenarios through immersive AI roleplay, and that the best selling behaviour captured by in store devices is refined into standard procedures used across the company. It said that combining this digital rehearsal with execution in the store has driven sales conversion improvements of up to 57 percent.", "limitation": "The source does not say when this system went into operation, nor over what period and against what baseline the 70 percent efficiency gain and the 57 percent conversion improvement were measured. It also does not describe which workflow each of the roughly 400 agents handles." }, "jp": { "usecase": "店舗スタッフと管理者のための業務エージェント", "problem": "Chow Tai Fookは、金と宝飾の小売では商品が標準化されておらず、細工と顧客の信頼、長年の現場経験に頼る販売の仕方のため、大規模なデジタル転換が長らく非常に難しかったと述べた。複数の市場にまたがる広い店舗網も、同じやり方を一度に広げることを難しくしていた。店舗スタッフは在庫システムと価格規則、実時間の金相場、複雑な順守手引きを別々の画面で行き来して確認する必要があり、画面を移る間に客の短い購買の流れが途切れる恐れがあった。", "implementation": "同社はMicrosoftと組み、まずMicrosoft 365 E5で業務環境を一つにまとめ、Microsoft Purviewで誰がどの情報を見られるかと機微な資料の流れを管理したうえで、AIを広げた。店舗向けにはMicrosoft Foundryの上にAI Fookというエージェント群を作った。スタッフがMicrosoft Teamsで普段の言葉で尋ねると、商品の作り手の物語と実時間の在庫、客に合わせた装いの提案を、会話を切らずにその場で受け取る。管理者向けのAI Insights Platformは、消費者の行動と入居する商業施設の状況、上下する金相場を実時間でまとめ、自然な言葉の質問に答える。承認業務は二つの道筋に分け、日常の取引はAIが数秒で処理し、複雑な案件は自動の危険点検を経て人が判断する。設計ではAzure OpenAIで立体の案を作り、職人は芸術的な判断に集中する。", "outcome": "Chow Tai Fookは、あつらえたAIエージェントを400個以上配置し、従業員24,000人以上が使っていると述べた。毎月数百万件のAIのやり取りがあり、中核となる業務手順の効率は70%以上上がったと説明した。同社は、没入型のAIロールプレイでスタッフが様々な客の場面をあらかじめ練習し、店舗の機器で優れた接客の仕方を集めて全社の標準手順に整えていると述べた。デジタルでの練習と店舗での実行を結びつけた結果、販売の成約は最大57%まで上がったと説明した。", "limitation": "原文は、この仕組みをいつから運用しているのか、また効率70%と販売成約57%をどの期間に何と比べて測ったのかを明らかにしていない。400ほどのエージェントがそれぞれどの業務を担うのかも書かれていない。" }, "zh": { "usecase": "面向门店员工与管理者的业务智能体", "problem": "Chow Tai Fook表示，在黄金与珠宝零售中，商品高度非标准化，服务模式依赖精细工艺、客户信任以及数十年的一线经验，因此大规模数字化转型长期以来极为困难。横跨多个市场的庞大实体门店网络，也让同一套做法难以一次性推广。门店员工必须在库存系统、定价规则、实时金价和复杂的合规手册之间来回切换，切换过程中随时可能打断顾客转瞬即逝的购买意愿。", "implementation": "该公司与Microsoft合作，先以Microsoft 365 E5把办公环境统一起来，再用Microsoft Purview管理谁可以看到哪些信息以及敏感资料的流向，随后在此基础上扩大AI的使用。面向门店，公司在Microsoft Foundry之上构建了名为AI Fook的超级智能体生态。员工在Microsoft Teams中用日常语言提问，就能在不打断对话的情况下，立即获得商品的工艺故事、实时库存情况和个性化的搭配建议。面向管理者的AI Insights Platform把消费者行为、所在商场的动态和波动的金价实时整合起来，用自然语言回答提问。审批工作分为两条路径，常规交易由AI在几秒内完成，复杂案件则触发自动风险扫描，交由人来判断。在设计环节，公司用Azure OpenAI生成三维概念方案，让工艺大师专注于艺术判断。", "outcome": "Chow Tai Fook表示，公司已部署超过400个定制的AI智能体，供24,000多名员工使用。公司说明，每月产生数以百万计的AI交互，核心业务流程的效率提升超过70%。公司还表示，一线员工通过沉浸式AI角色扮演预先演练各种客户场景，门店智能设备则采集优秀的销售行为，提炼为全公司通用的标准流程。公司称，把数字化演练与门店实际执行结合起来之后，销售转化最高提升了57%。", "limitation": "原文没有说明该体系从何时开始运行，也没有说明70%的效率提升和57%的转化提升是在哪一段时间、与什么基准相比测得的。原文同样没有说明这400多个智能体分别负责哪些业务。" } } }, { "id": "AX110", "industry": "의료", "subindustry": "의료 네트워크", "company": "The Christ Hospital", "country": "미국", "stage": "운영", "scope": "본조사", "usecase": "영상 판독문에 묻힌 폐결절 발견과 추적", "problem": "Epic 자료는 폐암이 전 세계에서 암 사망의 가장 큰 원인이고 2020년 미국에서 국소 단계에 발견된 폐암은 16%에 그쳤다고 밝혔다. 폐결절은 외상이나 심장 증상처럼 다른 이유로 찍은 영상에서 우연히 보이는데, 방사선의는 이 소견을 판독문의 자유 기술 안에 적는다. 소견이 긴 글 안에 묻히다 보니 어떤 환자를 추적 관찰에 넣어야 하는지 가려내기 어렵고 후속 조치가 들쭉날쭉했다. 같은 자료가 인용한 연구에서는 4기 폐암 환자 가운데 36%가 판독문에 결절이 적혀 있었는데도 적절한 후속 조치를 받지 못했다. The Christ Hospital의 최고정보디지털전환책임자 Joy Oh는 이전 방식이 방사선의가 특정 항목에 특정 표현을 적어 넣는 데 기대고 있었고 의사마다 쓰는 방식이 달라 놓치는 일이 생겼다고 밝혔다.", "implementation": "방사선의가 판독을 확정하면 소견과 서술이 Epic의 AI 추출 소견 모델로 넘어간다. 모델은 판독문에서 폐결절과 폐 종괴 언급을 뽑아 매일 한 번 보고서로 돌려준다. 보고서에는 소견의 앞뒤 문맥, 추가 촬영이나 조직 검사나 의뢰 같은 방사선의의 후속 권고, 방사선의가 적은 기한이 함께 담긴다. 간호 내비게이터 3명이 추출된 소견과 권고를 읽고 판독 소견과 맞는지 확인한 뒤 환자 차트를 열어 권고가 적절한지 판단한다. 내비게이터가 확인을 마치면 그 소견이 차트 안의 개별 데이터로 바뀐다. 내비게이터는 이 데이터로 현재 등록 환자와 등록 대상, 아직 검토하지 않은 결과, 예정된 진료, 자기가 할 일을 한 화면에서 본다. 환자는 의뢰 없이도 폐결절 클리닉에서 진료받을 수 있어 대부분 보고서에 뜬 뒤 3일 안에 진료를 받는다. 전문간호사 Ashley Campbell이 추가 검사를 지시하거나 돌아가며 진료하는 호흡기내과 의사 10명 가운데 한 명에게 환자를 넘긴다. 이 기능을 처음 켰을 때는 앞선 90일 치 판독문을 모델에 통과시켰고 개별 데이터로 남아 있지 않던 결절 2,000건 이상이 드러났다. 이후에는 종양내과나 호흡기내과가 지시한 검사에는 이미 후속 조치가 있다는 것을 확인하고 그 판독문을 모델에 넣지 않기로 해서, 놓치기 쉬운 1차 진료와 응급실 지시 검사에 사람을 집중시켰다.", "outcome": "The Christ Hospital은 추적하는 폐결절 수가 6배로 늘었고 프로그램 첫 6개월에 폐암 23건을 진단해 2023년 한 해 진단 수를 절반 기간에 따라잡았다고 밝혔다. 첫 8개월에는 64명이 추가로 암 치료를 시작했다고 설명했다. Ashley Campbell은 이 기능 덕분에 폐암의 70% 가까이를 1기나 2기에 진단하게 되었고 이는 전국 평균 약 50%를 크게 넘는 수준이라고 밝혔다. 같은 병원의 최고의료책임자 Marcus Romanello는 이 일이 사망률에 영향을 주고 있다고 밝혔다. Epic은 2026년 3월 자료에서 이 병원의 폐암 조기 발견율을 69%, 전국 평균을 46%로 제시했다. Epic은 같은 자료의 요약에서 내비게이터가 폐결절 약 5,000건을 추가로 확인했고 그 결과 이 병원 network 전체에서 암 116건이 추가로 발견되었다고 밝혔다.", "limitation": "원문은 모델이 결절 언급을 얼마나 정확히 뽑아내는지, 잘못 뽑아낸 건수가 얼마인지 밝히지 않았다. 프로그램을 시작한 월도 원문에 없다. 조기 발견율은 자료마다 달라서 2025년 6월 자료는 약 70%와 전국 평균 약 50%, 2026년 3월 자료는 69%와 46%를 제시했다.", "sourceIds": [ "S149", "S150" ], "evidenceAccess": "원문 본문 열람", "dateLabel": "2026-03-10", "dateBasis": "자료 발표 시점. 도입 시작일과 다를 수 있음", "evidenceYears": [ "2025", "2026" ], "eventDate": "2026-03-10", "eventBasis": "공개", "translations": { "en": { "usecase": "Finding and following up lung nodules buried in radiology reports", "problem": "Epic's material said lung cancer is the most common cause of cancer related deaths worldwide and that in 2020 only 16% of lung cancers in the United States were detected at a localized stage. Lung nodules often show up by chance on scans ordered for something else, such as trauma or cardiac symptoms, and radiologists record these incidental findings in the free text of their reports. Because the finding sits inside a long narrative, it is hard to tell which patients need to enter a monitoring program, and follow up was inconsistent. A study cited in the same material found that 36% of patients with stage IV lung cancer had nodules referenced in their radiology reports without receiving appropriate follow up. Joy Oh, chief information and digital transformation officer at The Christ Hospital, said the earlier approach depended on radiologists entering particular wording in particular fields, and that findings were missed because each radiologist writes differently.", "implementation": "After a radiologist finalizes a study, the impression and narrative are sent through Epic's AI extracted findings model. The model pulls mentions of lung nodules and lung masses out of the report and returns them in a daily report. That report carries the surrounding context of the finding, the radiologist's follow up recommendation such as additional scans, tissue sampling or a referral, and the due date the radiologist recorded. Three nurse navigators read the extracted findings and recommendations, check that they match the radiologist's impression, and then open the patient's chart to judge whether the recommendation is appropriate. Once a navigator verifies a finding, it becomes discrete data in the chart. Navigators use that data to see current and potential enrollment in the lung nodule program, unreviewed results, upcoming appointments and their own outstanding tasks on a single dashboard. Patients can be seen in the lung nodule clinic without a referral, so most are seen within three days of appearing on the daily report. Nurse practitioner Ashley Campbell can order additional diagnostic tests or hand the patient to one of ten pulmonologists who see patients on a rotating basis. When the team first turned the feature on, they ran the previous 90 days of reports through the model and surfaced more than 2,000 nodules that had not been documented as discrete data. Later the team found that nodules on scans ordered by oncologists or pulmonologists already had follow up in place, so they stopped sending those reports through the model and concentrated staff on scans ordered by primary care and the emergency department, where patients were more likely to fall through the cracks.", "outcome": "The Christ Hospital said the number of lung nodules it tracks increased sixfold and that it diagnosed 23 lung cancers in the first six months of the program, matching its 2023 total in half the time. It said 64 additional patients began cancer treatment in the first eight months. Ashley Campbell said the feature has helped the team diagnose close to 70% of lung cancers at stage I or II, far above the national average of around 50%. Marcus Romanello, the chief medical officer, said the work is affecting mortality. In its March 2026 material Epic put the hospital's early detection rate for lung cancer at 69% against a national average of 46%. In the summary of the same material Epic said navigators followed up on almost 5,000 additional lung nodules, which led to 116 additional cancers being detected across the hospital's network.", "limitation": "The sources do not say how accurately the model extracts nodule mentions or how many extractions were wrong. They also do not give the month the program started. The early detection figures differ between sources: the June 2025 material gives close to 70% against a national average of around 50%, while the March 2026 material gives 69% against 46%." }, "jp": { "usecase": "画像読影レポートに埋もれた肺結節の発見と追跡", "problem": "Epicの資料は、肺がんが世界でがん死亡の最大の原因であり、2020年の米国で限局期に見つかった肺がんは16%にとどまったと述べた。肺結節は外傷や心臓の症状など別の理由で撮った画像に偶然写ることが多く、放射線科医はこの偶発所見を読影レポートの自由記述の中に書く。所見が長い文章の中に埋もれるため、どの患者を経過観察に入れるべきか見分けにくく、その後の対応にばらつきがあった。同じ資料が引用した研究では、ステージ4の肺がん患者のうち36%が、読影レポートに結節の記載があったにもかかわらず適切な追跡を受けていなかった。The Christ Hospitalの最高情報デジタル変革責任者Joy Ohは、従来のやり方が放射線科医に特定の項目へ特定の表現を書いてもらうことに頼っており、医師ごとに書き方が違うため見落としが生じたと述べた。", "implementation": "放射線科医が読影を確定すると、所見と記述がEpicのAI抽出所見モデルに送られる。モデルはレポートから肺結節や肺腫瘤への言及を取り出し、1日1回のレポートとして返す。このレポートには所見の前後の文脈、追加撮影や組織検査や紹介といった放射線科医の追跡推奨、放射線科医が記録した期限が含まれる。3人の看護ナビゲーターが抽出された所見と推奨を読み、放射線科医の所見と合っているかを確認したうえで患者のカルテを開き、推奨が適切かどうかを判断する。ナビゲーターが確認を終えると、その所見はカルテ内の個別データに変わる。ナビゲーターはそのデータを使い、肺結節プログラムへの現在の登録と登録候補、未確認の結果、予定されている受診、自分がやるべき作業を1つの画面で見る。患者は紹介なしでも肺結節外来を受診できるため、大半が日次レポートに載ってから3日以内に受診する。ナースプラクティショナーのAshley Campbellが追加の検査を指示するか、交代で診療する10人の呼吸器内科医の1人に患者を引き継ぐ。この機能を最初に動かしたときは、直近90日分のレポートをモデルに通し、個別データとして残っていなかった結節が2,000件以上見つかった。その後、腫瘍内科や呼吸器内科が指示した検査にはすでに追跡の仕組みがあると分かったため、それらのレポートはモデルに通すのをやめ、見落とされやすい一次診療と救急外来が指示した検査に人手を集中させた。", "outcome": "The Christ Hospitalは、追跡している肺結節の数が6倍に増え、プログラム開始から最初の6か月で肺がん23件を診断し、2023年1年間の診断数に半分の期間で追いついたと述べた。最初の8か月では64人が新たにがん治療を始めたと説明した。Ashley Campbellは、この機能のおかげで肺がんの70%近くをステージ1か2で診断できるようになり、これは全国平均の約50%を大きく上回る水準だと述べた。同病院の最高医療責任者Marcus Romanelloは、この取り組みが死亡率に影響を与えていると述べた。Epicは2026年3月の資料で、この病院の肺がん早期発見率を69%、全国平均を46%として示した。Epicは同じ資料の要約で、ナビゲーターが肺結節を約5,000件追加で確認し、その結果この病院のnetwork全体でがん116件が追加で見つかったと述べた。", "limitation": "原文は、モデルが結節への言及をどれだけ正確に取り出せるのか、誤って取り出した件数がどれだけあるのかを明らかにしていない。プログラムを始めた月も原文にない。早期発見率は資料によって異なり、2025年6月の資料は約70%と全国平均約50%、2026年3月の資料は69%と46%を示している。" }, "zh": { "usecase": "发现并追踪埋藏在影像报告中的肺结节", "problem": "Epic的资料表示，肺癌是全球癌症死亡的首要原因，2020年美国仅有16%的肺癌在局限期被发现。肺结节常常是在因外伤或心脏症状等其他原因拍摄的影像中偶然显现的，放射科医生会把这类偶发所见写在读片报告的自由文字里。由于所见被埋在长篇叙述之中，很难辨别哪些患者需要纳入随访观察，后续处置也参差不齐。同一份资料引用的研究发现，在四期肺癌患者中，有36%的人虽然读片报告里写有结节，却没有得到恰当的随访。The Christ Hospital的首席信息与数字化转型官Joy Oh表示，过去的做法依赖放射科医生在特定栏目填入特定表述，而每位医生的书写习惯不同，因而出现了遗漏。", "implementation": "放射科医生确认读片后，所见与叙述会送入Epic的AI提取所见模型。模型从报告中抽出对肺结节与肺部肿块的提及，并以每日一次的报表返回。报表中包含所见的上下文、放射科医生给出的随访建议，例如加拍影像、组织取样或转诊，以及放射科医生记录的期限。三名护理导航员阅读抽出的所见与建议，核对其是否与放射科医生的判读一致，然后打开患者病历，判断这些建议是否恰当。导航员完成核对后，该所见就转为病历中的结构化数据。导航员依据这些数据，在同一个看板上查看肺结节项目的现有登记与待登记对象、尚未查看的结果、已安排的就诊以及自己待办的事项。患者无需转诊即可到肺结节门诊就医，因此大多数人在出现于每日报表后三天内就能就诊。执业护士Ashley Campbell可以开具进一步检查，或把患者转给每周轮流出诊的十位呼吸科医生之一。团队首次启用该功能时，把此前90天的报告全部送入模型，找出了2,000多个此前没有以结构化数据留存的结节。此后团队发现，由肿瘤科或呼吸科开具的检查已有既定随访安排，于是不再把那些报告送入模型，把人力集中到更容易被遗漏的基层门诊与急诊开具的检查上。", "outcome": "The Christ Hospital表示，其追踪的肺结节数量增加到六倍，项目开始后的头六个月诊断出23例肺癌，用一半的时间就追平了2023年全年的诊断数量。院方说明，头八个月里另有64名患者开始接受癌症治疗。Ashley Campbell表示，借助这项功能，团队得以把接近70%的肺癌诊断在一期或二期，远高于约50%的全国平均水平。该院首席医疗官Marcus Romanello表示，这项工作正在影响死亡率。Epic在2026年3月的资料中给出该院肺癌早期发现率为69%，全国平均为46%。Epic在同一份资料的摘要中表示，导航员额外核查了约5,000个肺结节，由此在该院network范围内额外发现了116例癌症。", "limitation": "原文没有说明模型抽取结节提及的准确程度，也没有给出抽取错误的数量。项目启动的月份同样不见于原文。早期发现率在不同资料中并不一致：2025年6月的资料给出接近70%与约50%的全国平均值，2026年3月的资料给出69%与46%。" } } }, { "id": "AX111", "industry": "교육", "subindustry": "온라인 학습 서비스", "company": "Khan Academy", "country": "미국", "stage": "운영", "scope": "본조사", "usecase": "학생 AI 지도와 교사 연습문제 출제", "problem": "Khan Academy는 자사 AI 지도 도구 Khanmigo의 초기 사용이 고르지 않았고 어떤 대화는 다른 대화보다 학생을 더 앞으로 나아가게 했다고 밝혔다. 이 회사는 Khanmigo를 쓸 수 있는 학생 가운데 약 15%만 실제로 쓴다고 밝히며 할 일이 더 남았다고 적었다. 이전 Khanmigo는 글로만 답할 수 있어서 수학과 과학의 어려운 개념을 눈으로 보여 주지 못했다. 교사 쪽에서는 Khanmigo로 연습문제를 만들 수는 있었지만 학생에게 나가는 문제를 골라 내거나 다듬을 방법이 없었다고 설명했다.", "implementation": "Google.org 펠로십으로 Google 엔지니어 6명이 2026년 3월부터 6개월 동안 Khan Academy의 제품과 엔지니어링 조직과 함께 일했고, 이 작업으로 Gemini 모델이 Khanmigo에 들어갔다. Khanmigo는 시각 자료가 학생에게 도움이 될 순간을 감지하면 Gemini로 그래프와 도형, 평행 좌표 그림 같은 상호작용 자료를 만든다. 학생이 그래프의 꼭짓점이나 선분을 끌면 Khanmigo가 바뀐 위치를 알아보고 설명을 거기에 맞춰 바꾼다. Google 엔지니어는 먼저 좋은 도형이 무엇인지 재는 지표를 정하고 관련성과 도움 정도, 명확성으로 그림을 평가해 학생에게 가장 도움이 되는 순간에만 나오게 했으며, 이용자 의견을 받는 기능을 Khanmigo 안에 넣었다. 교사용 Practice My Knowledge 도구에는 Gemini를 직접 연결했다. 교사는 몇 초 만에 객관식 문제를 만들고 자기 자료를 올려 Gemini가 참고하게 할 수 있다. 문제는 교사가 검토하고 고치거나 거절한 뒤에야 학생에게 나가고, 교사는 채점 여부를 정하고 결과 보고서를 받는다. Khan Academy는 Gemini가 자료를 초안으로 만들고 학생이 무엇을 볼지는 교사가 마지막으로 정한다는 원칙을 밝혔다.", "outcome": "Khan Academy는 2026년 4월 자료에서 이번 학년에 평일 평균 269,000건의 Khanmigo 대화가 일어나고 2023년 공개 이후 누적 1억 800만 건을 넘었다고 밝혔다. 같은 자료에서 Khanmigo를 쓸 수 있는 학생 가운데 약 15%만 쓴다고 함께 밝혔다. 새 기능에 대해서는 학생 참여가 늘고 next item correctness가 좋아지는 예비 신호를 보고 있다고 밝혔다. next item correctness는 같은 수업 시간에 같은 기술의 바로 다음 문제를 Khanmigo 도움 없이 맞히는지를 재는 값이고, 이 회사는 이를 AI가 도와준 성적이 아니라 혼자 하는 학습으로 옮겨 갔는지를 재는 값이라고 설명했다. Google은 2026년 8월 27일 자료에서 이 도구들이 초기 시범에서 실제 교실로 넘어갔고 Khanmigo를 쓰는 교육구는 새 기능을 바로 쓸 수 있다고 밝혔다. 교사와 관리자는 이 변화 덕분에 문제 난이도를 학생에게 맞출 수 있게 되었다고 Khan Academy에 전했다.", "limitation": "학생 참여 증가와 next item correctness 개선은 예비 신호라고만 밝혔고 측정값이 원문에 없다. 새 기능을 쓰는 교육구 수와 학생 수도 원문에 없다. 교사가 만든 문제 가운데 얼마나 고치거나 거절하는지도 원문에 없다.", "sourceIds": [ "S151", "S152", "S153" ], "evidenceAccess": "원문 본문 열람", "dateLabel": "2026-08-27", "dateBasis": "자료 발표 시점. 도입 시작일과 다를 수 있음", "evidenceYears": [ "2026" ], "eventDate": "2026-08-27", "eventBasis": "공개", "translations": { "en": { "usecase": "AI tutoring for students and practice question authoring for teachers", "problem": "Khan Academy said early use of Khanmigo, its AI tutor, had varied and that some chats helped students move forward more than others. The organization said only around 15% of students who have access to Khanmigo engage with it, and wrote that it still has more work to do. Khanmigo could previously respond only in text, so it could not show students what a hard maths or science concept looks like. On the teacher side, teachers could use Khanmigo to generate practice questions but had no way to curate or refine what was sent to students.", "implementation": "Through a Google.org fellowship, six Google engineers worked alongside Khan Academy's product and engineering organization for six months starting in March 2026, and that work put Gemini models into Khanmigo. Khanmigo now detects the moment a visual could help a student and uses Gemini to build interactive material such as charts, geometric shapes and parallel coordinate plots. When a student drags a vertex or a line segment, Khanmigo recognizes where it was placed and adjusts the lesson to match. The Google engineers first defined the metrics for what makes a high quality diagram, then evaluated the visuals for relevance, helpfulness and clarity so they appear only when students benefit most, and built a feedback widget into Khanmigo. Gemini was also wired directly into the Practice My Knowledge tool for teachers. A teacher can generate multiple choice questions in seconds and upload their own material for Gemini to reference. Questions go to students only after the teacher reviews, edits or rejects them, and the teacher decides whether the practice is scored and receives reporting on the results. Khan Academy stated the principle that Gemini drafts the materials while teachers have the final say on what students see.", "outcome": "In its April 2026 material Khan Academy said it was seeing an average of 269,000 interactions with Khanmigo on weekdays and more than 108 million interactions in total since the 2023 launch. The same material said only around 15% of students with access to Khanmigo engage with it. For the new features, the organization said it is seeing preliminary signs of increased student engagement and improvement in next item correctness. Next item correctness measures whether a student correctly answers the very next problem on the same skill in the same session without help from Khanmigo, and Khan Academy described it as a measure of independent learning transfer rather than performance with AI assistance. In its material of 27 August 2026 Google said the tools had moved from early pilots into real classrooms and that districts using Khanmigo can use the new features immediately. Teachers and administrators told Khan Academy the changes let them pitch question difficulty at the right level for their students.", "limitation": "The increase in student engagement and the improvement in next item correctness are described only as preliminary signs, with no measured values in the sources. The sources also do not give the number of districts or students using the new features, nor how often teachers edit or reject the generated questions." }, "jp": { "usecase": "学生へのAI指導と教師の練習問題作成", "problem": "Khan Academyは、自社のAI指導ツールKhanmigoの初期の使われ方にばらつきがあり、対話によって学生の前進の度合いが違っていたと述べた。同団体は、Khanmigoを使える学生のうち実際に使うのは約15%にとどまると明かし、まだやるべきことが残っていると書いた。これまでのKhanmigoは文章でしか答えられず、数学や理科の難しい概念を目で見せることができなかった。教師の側では、Khanmigoで練習問題を作ることはできたものの、学生に出す問題を選んだり手直ししたりする手段がなかったと説明した。", "implementation": "Google.orgのフェローシップにより、Googleのエンジニア6人が2026年3月から6か月にわたりKhan Academyの製品およびエンジニアリング組織と一緒に働き、その作業によってGeminiモデルがKhanmigoに組み込まれた。Khanmigoは視覚資料が学生の助けになる瞬間を見つけ、Geminiでグラフや図形、平行座標のプロットといった操作できる資料を作る。学生がグラフの頂点や線分を動かすと、Khanmigoはその位置を認識して説明を合わせて変える。Googleのエンジニアはまず良い図とは何かを測る指標を定め、関連性と有用性、明確さで図を評価して学生に最も役立つ場面だけに出るようにし、利用者の意見を受け取る機能をKhanmigoの中に組み込んだ。教師向けのPractice My KnowledgeツールにもGeminiを直接つないだ。教師は数秒で多肢選択の問題を作ることができ、自分の資料をアップロードしてGeminiに参照させることもできる。問題は教師が確認し、修正するか却下したうえで初めて学生に届き、教師は採点の有無を決めて結果の報告を受け取る。Khan Academyは、Geminiが資料の草案を作り、学生が何を見るかは最後に教師が決めるという原則を示した。", "outcome": "Khan Academyは2026年4月の資料で、今学年は平日平均で269,000件のKhanmigoとのやり取りがあり、2023年の公開以降の累計が1億800万件を超えたと述べた。同じ資料では、Khanmigoを使える学生のうち実際に使うのは約15%だとも述べた。新機能については、学生の関与が増え、next item correctnessが改善する予備的な兆しが見えていると述べた。next item correctnessは、同じ授業時間に同じ技能の次の問題をKhanmigoの助けなしで正解できるかを測る値で、同団体はこれをAIに助けられた成績ではなく自力での学習に移れたかを測る値だと説明した。Googleは2026年8月27日の資料で、これらのツールが初期の試行から実際の教室へ移り、Khanmigoを使う学区はすぐに新機能を使えると述べた。教師と管理者はKhan Academyに対し、この変更により問題の難しさを自分の学生に合わせられるようになったと伝えた。", "limitation": "学生の関与の増加とnext item correctnessの改善は予備的な兆しとしか述べられておらず、測定値は原文にない。新機能を使う学区の数と学生の数も原文にない。教師が作られた問題をどれくらい修正したり却下したりするのかも原文にない。" }, "zh": { "usecase": "面向学生的AI辅导与面向教师的练习题编制", "problem": "Khan Academy表示，其AI辅导工具Khanmigo在早期的使用情况并不一致，有些对话比另一些更能推动学生前进。该机构表示，在可以使用Khanmigo的学生中，只有约15%真正在使用，并写道自己还有更多工作要做。此前的Khanmigo只能以文字作答，无法把数学与科学中的难懂概念直观呈现出来。在教师一侧，教师虽然可以用Khanmigo生成练习题，却没有办法筛选或打磨最终发给学生的题目。", "implementation": "通过Google.org的研究员计划，六名Google工程师自2026年3月起与Khan Academy的产品和工程团队共同工作六个月，这项工作把Gemini模型接入了Khanmigo。Khanmigo会判断视觉材料何时对学生有帮助，并借助Gemini生成图表、几何图形与平行坐标图等可交互材料。当学生拖动图中的顶点或线段时，Khanmigo会识别其新位置，并据此调整讲解。Google工程师先确定了衡量图示质量的指标，再从相关性、帮助程度与清晰度三方面评估图示，使其只在对学生最有帮助的时刻出现，并在Khanmigo中加入了收集用户反馈的功能。团队还把Gemini直接接入面向教师的Practice My Knowledge工具。教师可以在几秒内生成多项选择题，也可以上传自己的材料供Gemini参考。题目只有在教师审阅、修改或否决之后才会发给学生，教师还可决定练习是否计分，并收到结果报告。Khan Academy提出的原则是：由Gemini起草材料，而学生最终看到什么由教师决定。", "outcome": "Khan Academy在2026年4月的资料中表示，本学年工作日平均有269,000次与Khanmigo的交互，自2023年推出以来累计超过1.08亿次。同一份资料还表示，在可以使用Khanmigo的学生中只有约15%在使用。关于新功能，该机构表示已看到学生参与度提升以及next item correctness改善的初步迹象。next item correctness衡量的是学生能否在同一次学习中、在没有Khanmigo帮助的情况下答对同一技能的下一道题，该机构说明这衡量的是学生是否迁移到独立学习，而不是借助AI取得的成绩。Google在2026年8月27日的资料中表示，这些工具已从早期试点进入真实课堂，使用Khanmigo的学区可以立即启用新功能。教师与管理者向Khan Academy反馈，这些改动让他们能够把题目难度调到适合自己学生的水平。", "limitation": "学生参与度提升与next item correctness改善仅被描述为初步迹象，原文没有给出测量数值。原文也没有给出使用新功能的学区数量与学生人数，以及教师修改或否决生成题目的比例。" } } }, { "id": "AX112", "industry": "의료", "subindustry": "의료 네트워크", "company": "Summit Health", "country": "미국", "stage": "운영", "scope": "본조사", "usecase": "약제 사전승인 서류 작성과 제출", "problem": "Epic 자료는 사전승인이 환자와 임상의 모두에게 오래 걸리던 절차였다고 밝혔다. 약을 처방하려면 보험사가 요구하는 서류를 채워 보내고 회신을 기다려야 한다. 이 일은 진료 흐름을 끊고 임상의에게 행정 부담을 남긴다. Epic은 이 절차의 복잡함을 줄이려고 임상의용 AI인 Art와 수익 주기 및 운영용 AI인 Penny를 맞물려 쓰는 방식을 만들었다고 설명했다.", "implementation": "Art는 임상의 쪽 업무를, Penny는 수익 주기와 운영 쪽 업무를 맡는다. 두 AI가 함께 움직여 사전승인에 필요한 내용을 모으고 제출 서류의 응답 초안을 만든다. 담당자는 그 초안을 확인한 뒤 그대로 보내거나 고쳐서 보낸다. Summit Health는 이 방식을 약제 사전승인 제출에 적용했다. Epic은 Penny가 앞으로 각 기관이 정한 통제 범위 안에서 코딩 작업과 이의신청 제출을 스스로 끝내게 될 것이라고 밝혔다.", "outcome": "Epic은 Summit Health에서 Penny가 약제 사전승인 제출 시간을 42% 줄였다고 밝혔다. AI가 만든 응답의 92%는 수정 없이 채택됐다고 설명했다. Penny를 가장 적극적으로 쓰는 기관들에서는 코딩 관련 거부가 20% 넘게 줄었고, 거부에 대한 이의신청서 작성은 23% 빨라졌다고 덧붙였다. Epic은 환자가 답을 더 빨리 받고 임상의가 겪는 행정 마찰이 줄었다고 정리했다.", "limitation": "원문은 Summit Health가 이 기능을 언제 켰는지, 대상 약제와 보험사 범위가 어디까지인지, 처리 건수가 얼마인지 밝히지 않았다. 42%와 92%는 Epic이 제시한 수치다. 코딩 거부 20% 이상 감소와 이의신청서 23% 단축은 Penny를 가장 적극적으로 쓰는 기관들을 묶은 값이라 Summit Health 한 곳의 성과로 볼 수 없다.", "sourceIds": [ "S150" ], "evidenceAccess": "원문 본문 열람", "dateLabel": "2026-03-10", "dateBasis": "자료 발표 시점. 도입 시작일과 다를 수 있음", "evidenceYears": [ "2026" ], "eventDate": "2026-03-10", "eventBasis": "공개", "translations": { "en": { "usecase": "Preparing and submitting medication prior authorization requests", "problem": "Epic's material said prior authorization had historically been a time consuming process for both patients and clinicians. To prescribe a drug, staff must fill in the paperwork a payer asks for, send it, and wait for a reply. The work breaks the flow of care and leaves clinicians with administrative load. Epic said it built a setup in which Art, its AI for clinicians, works together with Penny, its AI for revenue cycle and operations, to cut through that complexity.", "implementation": "Art covers the clinician side of the work and Penny covers the revenue cycle and operations side. The two move together to gather what a prior authorization needs and to draft the responses that go on the submission. Staff review that draft and either send it as it stands or edit it first. Summit Health applied this setup to medication prior authorization submissions. Epic said Penny will go on to complete coding sessions and appeal submissions on its own, inside the guardrails each organization sets.", "outcome": "Epic said that at Summit Health, Penny cut medication prior authorization submission time by 42%. It said 92% of the AI generated responses are accepted without edits. At the organizations using Penny most actively, coding related denials fell by more than 20% and denial appeal letters were created 23% faster. Epic summarized the effect as patients getting answers faster and clinicians facing less administrative friction.", "limitation": "The source does not say when Summit Health turned the feature on, how far the covered drugs and payers reach, or how many submissions were handled. The 42% and 92% figures are the ones Epic presented. The drop of more than 20% in coding denials and the 23% faster appeal letters are pooled across the organizations using Penny most actively, so they cannot be read as results for Summit Health alone." }, "jp": { "usecase": "薬剤の事前承認書類の作成と提出", "problem": "Epicの資料は、事前承認が患者にも臨床医にも時間のかかる手続きであったと述べた。薬を処方するには保険会社が求める書類を埋めて送り、返答を待たなければならない。この作業は診療の流れを断ち、臨床医に事務の負担を残す。Epicは、この手続きの複雑さを減らすために、臨床医向けAIのArtと、収益サイクルおよび運用向けAIのPennyをかみ合わせて使う仕組みを作ったと説明した。", "implementation": "Artは臨床医側の業務を、Pennyは収益サイクルと運用側の業務を担う。二つのAIが一緒に動いて事前承認に必要な内容を集め、提出書類の回答の下書きを作る。担当者はその下書きを確認し、そのまま送るか、直してから送る。Summit Healthはこの仕組みを薬剤の事前承認の提出に適用した。Epicは、Pennyが今後は各組織が定めた管理の範囲の中で、コーディング作業と異議申し立ての提出を自分で完了させるようになると述べた。", "outcome": "Epicは、Summit HealthでPennyが薬剤の事前承認の提出時間を42%短縮したと述べた。AIが作った回答の92%は修正なしで採用されたと説明した。Pennyを最も積極的に使っている組織では、コーディング関連の否認が20%を超えて減り、否認への異議申し立て書の作成は23%速くなったと付け加えた。Epicは、患者がより早く回答を得て、臨床医が受ける事務上の摩擦が減ったとまとめた。", "limitation": "原文は、Summit Healthがこの機能をいつ稼働させたのか、対象の薬剤と保険会社の範囲がどこまでなのか、処理件数がどれだけなのかを明らかにしていない。42%と92%はEpicが示した数値である。コーディング否認の20%超の減少と異議申し立て書の23%短縮は、Pennyを最も積極的に使っている組織をまとめた値であり、Summit Health一か所の成果とは読めない。" }, "zh": { "usecase": "药品事前授权材料的撰写与提交", "problem": "Epic的资料表示，事前授权历来是一项对患者和临床医生都很耗时的流程。要开出药品，工作人员必须填好保险公司要求的材料、寄送出去并等待回复。这项工作打断了诊疗流程，也给临床医生留下行政负担。Epic说明，为减少该流程的复杂度，它构建了一套让面向临床医生的AI（Art）与面向收入周期和运营的AI（Penny）相互配合的做法。", "implementation": "Art负责临床医生一侧的工作，Penny负责收入周期与运营一侧的工作。两者协同运转，收集事前授权所需的内容，并为提交材料生成回复草稿。工作人员查看草稿后，或按原样提交，或修改后提交。Summit Health把这套做法用在了药品事前授权的提交上。Epic表示，Penny今后将在各机构设定的管控范围内，自行完成编码作业与申诉材料的提交。", "outcome": "Epic表示，在Summit Health，Penny把药品事前授权的提交时间缩短了42%。AI生成的回复中有92%未经修改即被采用。在最积极使用Penny的机构中，与编码相关的拒付减少超过20%，针对拒付的申诉函撰写速度加快了23%。Epic总结说，患者能更快得到答复，临床医生面对的行政摩擦也减少了。", "limitation": "原文没有说明Summit Health何时启用该功能，覆盖的药品与保险公司范围到哪里，以及处理了多少件。42%与92%是Epic给出的数字。编码拒付减少超过20%与申诉函加快23%，是把最积极使用Penny的多家机构合并统计的结果，不能视为Summit Health一家的成效。" } } }, { "id": "AX113", "industry": "게임", "subindustry": "온라인 게임 플랫폼", "company": "Roblox", "country": "미국", "stage": "운영", "scope": "본조사", "usecase": "아동 위험 징후 조기 선별과 검토 우선순위 지정", "problem": "Roblox에는 여러 사람이 함께 쓰는 채팅이 있고, 그 안에서 아동을 위험에 빠뜨리려는 시도가 일어난다. 문제는 이런 대화가 처음부터 노골적이지 않다는 점이다. 표현이 분명해진 뒤에야 다른 탐지 체계에 걸리는데, 그때는 이미 상황이 진행된 뒤일 수 있다. 회사는 안전이 한 회사만으로 풀 수 없는 공동의 책임이라고 적었다.", "implementation": "Roblox Sentinel은 아동 위험의 초기 신호를 잡아내도록 만든 모델이다. contrastive learning으로 만들었고, 문제가 없던 대화와 나중에 해로워진 대화의 양쪽 패턴을 함께 학습했다. 새로 들어온 대화를 이 패턴과 견주어, 상황이 커지기 전에 미묘한 경고 신호를 검토 대상으로 표시한다. Sentinel은 계정을 바로 제재하지 않는다. 사람 검토자가 먼저 볼 필요가 큰 채팅부터 보도록 순서를 정해 준다. 검토자는 문제가 확인된 계정에 조치하고 필요하면 해당 기관에 신고한다. 2판에서는 점수를 합치는 방식을 둘에서 여섯으로 늘렸고, 각 방식은 서로 다른 자료 성격에 맞춘다. 설정마다 평가 자료를 다시 계산할 필요를 없애서 설정 324가지를 3분 안에 훑는다. 예전에는 같은 작업에 한 시간 가까이 걸렸다.", "outcome": "회사는 2026년 8월 7일로 끝나는 12개월 동안 탐지한 사건의 70% 가까이가 Sentinel의 조기 탐지에서 나왔다고 밝혔다. 다른 방법보다 먼저 잡아내는 일이 잦았다고 설명했다. 설정 탐색을 개선한 뒤 순위 품질을 재는 ROC-AUC는 기본 설정 0.894에서 가장 좋은 설정 0.996으로 올랐다. 회사는 이 모델들의 버전이 이미 Roblox에서 돌면서 개인정보를 묻거나 알리려는 시도를 잡고, 아동 위험의 초기 징후를 표시하고, 음성 대화를 실시간으로 검토한다고 밝혔다. 같은 자료에서 Sentinel을 포함한 안전 모델 세 종과 평가용 자료 한 벌을 ROOST Model Community에 공개했다고 알렸다.", "limitation": "70%는 탐지한 사건 가운데 Sentinel이 먼저 잡아낸 비율이다. 전체 아동 위험 사건 가운데 얼마나 놓쳤는지는 원문에 없다. ROC-AUC 0.894와 0.996은 모델 설정을 고르는 평가 지표이지 실제 운영 성과가 아니다. 오탐 건수, 사람 검토자 규모, Sentinel을 처음 켠 시점도 원문에 없다.", "sourceIds": [ "S154" ], "evidenceAccess": "원문 본문 열람", "dateLabel": "2026-08-19", "dateBasis": "자료 발표 시점. 도입 시작일과 다를 수 있음", "evidenceYears": [ "2026" ], "eventDate": "2026-08-19", "eventBasis": "공개", "translations": { "en": { "usecase": "Spotting early signs of child endangerment and ordering chats for review", "problem": "Roblox carries chat that many people share, and inside it people attempt to put children at risk. The difficulty is that such conversations are not explicit at the start. They only reach other detection systems once the wording becomes clear, and by then the situation may already have moved on. The company wrote that safety is a shared responsibility that no company can solve alone.", "implementation": "Roblox Sentinel is a model designed to detect early signals of potential child endangerment. It was built on contrastive learning and trained on patterns of both benign and eventually harmful conversations. New conversations are compared against those patterns so that subtle warning signs are flagged for review before they can escalate. Sentinel does not act on accounts by itself. It lets human reviewers prioritize the chats most likely to require attention. Reviewers then act on offending accounts and report problematic users to the appropriate authorities. Version 2 raised the number of score combining functions from two to six, each suited to a different type of data. By removing the need to recompute evaluation data for every setting, a sweep across 324 configurations finishes in less than three minutes. The same work used to take nearly an hour.", "outcome": "The company said that for the 12 months ended August 7, 2026, nearly 70% of the cases it detected were due to Sentinel's early detection, and that it frequently caught them earlier than other methods. After the search over configurations improved, ROC-AUC, a standard measure of ranking quality, rose from 0.894 with the default settings to 0.996 with the best configuration identified. The company said versions of these models already run on Roblox, detecting attempts to solicit or share personal information, flagging early signs of child endangerment, and moderating voice chat in real time. In the same material it announced that three safety models including Sentinel, plus an evaluation dataset, were released to the ROOST Model Community.", "limitation": "The 70% figure is the share of detected cases that Sentinel caught first. The source does not say how many child endangerment cases were missed altogether. The ROC-AUC values of 0.894 and 0.996 are evaluation numbers used to pick model settings, not operating results. The source also does not give a false positive count, the size of the human review team, or the month Sentinel was first switched on." }, "jp": { "usecase": "児童の危険の兆候の早期選別と確認の優先順位づけ", "problem": "Robloxには多くの人が一緒に使うチャットがあり、その中で児童を危険にさらそうとする試みが起きる。難しいのは、こうした会話が最初から露骨ではないという点だ。表現がはっきりしてから他の検出の仕組みにかかるが、そのときには状況がすでに進んでいることがある。同社は、安全は一社だけでは解決できない共同の責任であると記した。", "implementation": "Roblox Sentinelは、児童の危険の初期の信号を捉えるために作られたモデルである。contrastive learningで構築し、問題のなかった会話と、のちに有害になった会話の両方のパターンを学習した。新しく入ってきた会話をそのパターンと照らし合わせ、事態が大きくなる前に微妙な警告の兆候を確認の対象として表示する。Sentinelは自分でアカウントに処分を下さない。人の確認担当者が先に見るべきチャットから見られるように順序を決める。担当者は問題が確認されたアカウントに対応し、必要なら関係機関に通報する。第2版では点数を組み合わせる方式を二つから六つに増やし、それぞれを異なる性質の資料に合わせた。設定ごとに評価用の資料を計算し直す必要をなくしたため、324通りの設定を3分未満で走査する。以前は同じ作業に1時間近くかかっていた。", "outcome": "同社は、2026年8月7日までの12か月間に検出した事案のうち、70%近くがSentinelの早期検出によるものだったと述べた。他の方法より先に捉えることが多かったと説明した。設定の探索を改善したあと、順位の品質を測るROC-AUCは、既定の設定の0.894から、見つかった最良の設定の0.996へ上がった。同社は、これらのモデルの版がすでにRoblox上で動いており、個人情報を求めたり共有したりする試みを検出し、児童の危険の初期の兆候を表示し、音声チャットを実時間で確認していると述べた。同じ資料で、Sentinelを含む安全モデル三種と評価用の資料一式をROOST Model Communityに公開したと知らせた。", "limitation": "70%は、検出した事案のうちSentinelが先に捉えた割合である。児童の危険の事案全体のうちどれだけを見逃したのかは原文にない。ROC-AUCの0.894と0.996は、モデルの設定を選ぶための評価の数値であり、実際の運用成果ではない。誤検知の件数、人の確認担当者の規模、Sentinelを最初に稼働させた時期も原文にない。" }, "zh": { "usecase": "儿童风险苗头的早期筛查与审核优先级排序", "problem": "Roblox上有多人共用的聊天，其中会出现试图把儿童置于风险之中的行为。难点在于，这类对话一开始并不露骨。只有等到措辞变得明确，其他检测机制才会发现，而那时情况可能已经发展下去了。公司写到，安全是一项没有任何一家公司能够独自解决的共同责任。", "implementation": "Roblox Sentinel是一个为捕捉儿童风险早期信号而构建的模型。它基于contrastive learning构建，并同时学习了未出问题的对话与后来变得有害的对话这两类模式。系统把新进入的对话与这些模式相比对，在事态升级之前把细微的预警信号标记出来供人工审核。Sentinel本身不对账号作出处置，而是让人工审核者优先查看最需要关注的聊天。审核者随后对确认有问题的账号采取措施，必要时向有关机构举报。第2版把分数组合方式从两种增加到六种，每一种对应不同性质的数据。由于不再需要为每一组设定重新计算评估数据，一次扫描324种配置可在三分钟内完成，而同样的工作过去需要将近一小时。", "outcome": "公司表示，在截至2026年8月7日的12个月里，其检测到的案件中有接近70%来自Sentinel的早期检测，并且往往比其他方法更早发现。在改进配置搜索之后，衡量排序质量的ROC-AUC从默认设定的0.894提升到所找到的最佳配置的0.996。公司表示，这些模型的版本已经在Roblox上运行，用于检测索取或分享个人信息的行为、标记儿童风险的早期迹象，并实时审核语音聊天。在同一份资料中，公司宣布把包括Sentinel在内的三个安全模型以及一套评估数据集发布到ROOST Model Community。", "limitation": "70%指的是已检测案件中由Sentinel率先发现的比例。原文没有说明在全部儿童风险案件中漏掉了多少。ROC-AUC的0.894与0.996是用于挑选模型配置的评估数值，并非实际运营成效。原文同样没有给出误报数量、人工审核团队规模，以及Sentinel首次启用的时间。" } } }, { "id": "AX114", "industry": "보험", "subindustry": "종합보험", "company": "Allianz", "country": "호주", "stage": "운영", "scope": "본조사", "usecase": "폭풍 정전에 따른 음식 상함 청구의 에이전트 처리", "problem": "Allianz Australia는 폭풍으로 정전이 나면 가정 종합보험의 음식 상함 보상 청구가 한꺼번에 몰리는 문제를 겪었다. 이 회사는 자연재해 상황에서 담당 조직이 피해가 크고 복잡한 사고를 먼저 처리하기 때문에 금액이 작고 단순한 음식 상함 청구는 뒤로 밀린다고 설명했다. 그 결과 청구 한 건을 처리하는 데 나흘 이상 걸리는 경우도 있었다고 밝혔다. 정전으로 냉장고 안의 음식을 모두 버린 가입자는 당장 장을 다시 봐야 하는데 보상금은 며칠 뒤에나 들어왔다.", "implementation": "Allianz는 Allianz Technology와 Allianz Services가 함께 만든 Project Nemo를 2025년 7월 호주에서 운영에 넣었다. 이 회사가 밝힌 그룹 최초의 통합 에이전트 AI 적용이다. 일곱 개의 에이전트가 차례로 붙는다. Planner가 청구를 받아 나머지 에이전트에게 일을 나누고, Cyber가 제출 문서의 위변조를 보며, Coverage가 증권에서 음식 상함 담보가 있는지 확인한다. Weather는 외부 기상과 정전 자료로 해당 주소에 실제로 정전이 있었는지 대조하고, Fraud가 과거 청구 이력과 맞춰 보며, Payout이 지급액을 계산하고, Audit이 판단 근거를 기록으로 남긴다. 지급 결정 자체는 자동으로 하지 않는다. 사람 손해사정 담당자가 정리된 근거를 보고 마지막에 지급 여부를 정한다. 적용 대상은 호주 달러 500달러 이하의 단순 청구다.", "outcome": "Allianz는 이 방식으로 청구 처리와 지급까지 걸리는 시간이 80% 줄었다고 밝혔다. 나흘 이상 걸리던 것이 하루 또는 몇 시간으로 바뀌었다고 설명했다. 에이전트가 사람 검토 앞까지 처리하는 데는 5분이 걸리지 않는다고 덧붙였다. 이 회사는 기획부터 운영 투입까지 100일이 걸리지 않았다고 밝혔다. 단순 청구 수천 건을 뒤에서 처리할 수 있게 되면서 담당자가 복잡한 사고에 시간을 쓸 수 있게 됐다고 설명했다. 다음 적용 후보로는 여행 지연, 단순 자동차 사고, 재물 손해 평가를 보고 있다고 밝혔다.", "limitation": "80% 단축과 5분 이내라는 값을 어느 기간에 몇 건으로 쟀는지는 원문에 없다. 사람 검토를 포함한 전체 처리 시간인지 에이전트 구간만인지도 구분해 밝히지 않았다. 어떤 모델과 어떤 공급사 기술을 썼는지도 원문에 없다. 호주 달러 500달러 이하 단순 청구에만 적용한 결과이므로 다른 보험 종목으로 넓혔을 때의 성과는 확인되지 않았다.", "sourceIds": [ "S155" ], "evidenceAccess": "원문 본문 열람", "dateLabel": "2025-11-03", "dateBasis": "자료 발표 시점. 도입 시작일과 다를 수 있음", "evidenceYears": [ "2025" ], "eventDate": "2025-07", "eventBasis": "도입", "translations": { "en": { "usecase": "Agentic handling of food spoilage claims after storm power cuts", "problem": "Allianz Australia faced a surge of food spoilage claims on home contents policies whenever a storm knocked out power. The company said that during natural catastrophe events its teams prioritise larger and more complex losses, so small and simple spoilage claims fall to the back of the queue. As a result, it said, a single claim could take four days or longer to process. A customer who had just thrown out everything in the fridge needed to shop again immediately, yet the payment arrived only days later.", "implementation": "Allianz put Project Nemo, built together by Allianz Technology and Allianz Services, into production in Australia in July 2025. The company describes it as the group's first integrated agentic AI solution. Seven agents run in sequence. A Planner agent receives the claim and distributes work to the others, a Cyber agent checks submitted documents for tampering, and a Coverage agent confirms that the policy includes spoilage cover. A Weather agent cross checks external weather and outage data to confirm that the address really lost power, a Fraud agent compares the claim against prior claims history, a Payout agent calculates the amount, and an Audit agent records the reasoning. The payment decision itself is never automated. A human claims professional reviews the assembled evidence and makes the final call. The scope is simple claims of up to 500 Australian dollars.", "outcome": "Allianz said the approach cut the time from claim processing to settlement by 80%. What used to take four days or more now takes a day or a few hours, the company said. It added that the agent workflow completes in under five minutes before human review. The company said the solution went from concept to production in under 100 days. By handling thousands of simple claims in the back office, it said, claims professionals can spend their time on complex losses. It named travel delays, simple motor claims and property damage assessment as the next candidates.", "limitation": "The source does not say over what period or across how many claims the 80% reduction and the under five minutes figure were measured. It also does not separate whether the timing covers the full journey including human review or only the agent stage. The models and vendor technology used are not stated. The results cover only simple claims of up to 500 Australian dollars, so performance in other insurance lines is unconfirmed." }, "jp": { "usecase": "暴風による停電後の食品傷み請求をエージェントで処理", "problem": "Allianz Australiaは、暴風で停電が起きるたびに家財保険の食品傷み補償の請求が一度に集中するという問題を抱えていた。同社は、自然災害の状況では担当部門が被害の大きい複雑な事故を先に処理するため、金額が小さく単純な食品傷みの請求は後回しになると説明した。その結果、請求1件の処理に4日以上かかる場合もあったと述べた。停電で冷蔵庫の中身をすべて捨てた契約者はすぐに買い直す必要があるのに、保険金が入るのは数日後だった。", "implementation": "Allianzは、Allianz TechnologyとAllianz Servicesが共同で作ったProject Nemoを2025年7月にオーストラリアで本番運用に入れた。同社が示すグループ初の統合型エージェントAIの適用である。7つのエージェントが順に動く。Plannerが請求を受け取って他のエージェントに作業を振り分け、Cyberが提出書類の改ざんを確認し、Coverageが証券に食品傷みの補償があるかを確かめる。Weatherは外部の気象と停電の資料でその住所が実際に停電したかを照合し、Fraudが過去の請求履歴と突き合わせ、Payoutが支払額を計算し、Auditが判断の根拠を記録として残す。支払いの決定そのものは自動化しない。人間の損害査定担当者が整理された根拠を見て、最後に支払いの可否を決める。対象はオーストラリアドル500ドル以下の単純な請求である。", "outcome": "Allianzは、この方式により請求処理から支払いまでにかかる時間が80%減ったと述べた。4日以上かかっていたものが1日または数時間に変わったと説明した。エージェントが人間の確認の手前まで処理するのに5分もかからないと付け加えた。同社は、構想から本番投入まで100日かからなかったと述べた。単純な請求を数千件まとめて後方で処理できるようになり、担当者が複雑な事故に時間を使えるようになったと説明した。次の適用候補としては、旅行の遅延、単純な自動車事故、財物損害の評価を挙げた。", "limitation": "80%短縮と5分以内という値を、どの期間に何件で測ったのかは原文にない。人間の確認を含む全体の処理時間なのか、エージェントの区間だけなのかも区別して示していない。どのモデルとどの供給会社の技術を使ったのかも原文にはない。オーストラリアドル500ドル以下の単純な請求だけに適用した結果であるため、他の保険種目に広げた場合の成果は確認されていない。" }, "zh": { "usecase": "以智能体处理暴风停电后的食品变质理赔", "problem": "每当暴风造成停电，Allianz Australia就会面临家财险食品变质理赔集中涌入的问题。该公司说明，在自然灾害情况下，团队会优先处理损失大且复杂的案件，因此金额小、案情简单的食品变质理赔被排到后面。其结果是，单件理赔的处理有时需要四天以上。因停电而把冰箱里食物全部丢弃的客户需要立刻重新采购，赔款却要等上好几天才到账。", "implementation": "Allianz于2025年7月在澳大利亚将Project Nemo投入生产运行，该方案由Allianz Technology与Allianz Services共同打造。公司称这是集团首个一体化智能体AI应用。七个智能体依次运行。Planner接收理赔并把工作分派给其余智能体，Cyber核查提交文件是否被篡改，Coverage确认保单是否包含食品变质保障。Weather用外部气象与停电数据比对该地址是否真的停电，Fraud与既往理赔记录进行核对，Payout计算赔付金额，Audit则把判断依据记录下来。赔付决定本身不做自动化。由人工理赔专员查看整理好的依据，最后决定是否赔付。适用范围是500澳元以下的简单理赔。", "outcome": "Allianz表示，这种方式使从理赔处理到赔付所需的时间减少了80%。过去需要四天以上的流程，现在变成一天或几个小时。公司补充说，智能体在进入人工复核之前完成处理用不到五分钟。该公司表示，从构想到投入生产用了不到100天。公司说明，成千上万件简单理赔可以在后台批量处理，理赔专员因此能把时间用在复杂案件上。公司还表示，下一批候选场景包括旅行延误、简单车险理赔和财产损失评估。", "limitation": "对于80%的时间缩减与五分钟以内这两个数值，原文没有说明测量的时间段和案件数量。原文也没有区分该时间是包含人工复核在内的全流程时间，还是仅指智能体处理的环节。使用了哪家供应商的哪款模型，原文同样未提及。由于结果仅覆盖500澳元以下的简单理赔，推广到其他保险险种后的成效尚未得到验证。" } } }, { "id": "AX115", "industry": "금융", "subindustry": "프라이빗 뱅킹", "company": "Bank of Singapore", "country": "싱가포르", "stage": "운영", "scope": "본조사", "usecase": "자금 출처 보고서 작성 자동화", "problem": "Bank of Singapore는 고액 자산가 고객의 자금 출처 보고서를 담당 관계관리자가 손으로 써 왔다. 이 은행은 관계관리자가 고객 한 명당 수백 쪽의 자료를 읽어야 했다고 밝혔다. 경력과 사업 활동, 투자 이력, 재무제표, 세금 고지서, 부동산 평가서, 법인 등기, 급여명세 같은 것들이다. 이 은행은 이렇게 만든 보고서의 수준이 관계관리자의 경력에 따라 달랐고 빠진 항목과 앞뒤가 맞지 않는 내용이 자주 나왔다고 설명했다. 자금세탁 방지 심사가 이 보고서에서 출발하기 때문에 품질이 고르지 않으면 심사도 흔들렸다.", "implementation": "이 은행은 모회사 OCBC와 함께 만든 Source of Wealth Assistant를 2025년 10월 10일에 공개했다. 에이전트 AI다. 관계관리자가 고객 자료를 모아 올리면 이 도구가 자료를 읽고 정해진 형식의 보고서를 만든다. 고객이 낸 숫자가 앞뒤가 맞는지도 스스로 대조한다. Bank of Singapore와 OCBC가 가진 자료에서 직업별 급여 수준과 회사 매출 같은 기준값을 가져와 맞춰 보는 방식이다. 처리는 Bank of Singapore 전용으로 따로 둔 사설 클라우드 안에서 한다. 초안이 나오면 관계관리자가 반드시 읽고 고친 뒤에 내부 심사 조직으로 넘긴다. 이 은행은 이 절차가 자금세탁과 테러자금 조달 방지 통제의 일부라고 밝혔다. 공정성과 윤리, 책임, 투명성을 담은 FEAT 원칙을 따르고 성별과 국적에 따른 편향과 정확도를 주기적으로 다시 본다고 설명했다.", "outcome": "이 은행은 보고서 초안을 쓰는 데 걸리던 시간이 10일에서 약 1시간으로 줄었다고 밝혔다. 관계관리자가 자료를 읽고 옮겨 적는 일에서 벗어나 고객을 만나는 데 시간을 쓸 수 있게 됐다고 설명했다. 보고서 형식이 같아지면서 심사에 필요한 항목이 빠지는 일도 줄었다고 덧붙였다. OCBC 그룹 전체로는 AI가 하루 600만 건이 넘는 판단을 처리하고 있다고 밝혔다.", "limitation": "10일에서 약 1시간이라는 값을 언제 몇 건으로 쟀는지는 원문에 없다. 어떤 모델을 썼는지, 보고서의 정확도를 어떻게 측정했는지도 밝히지 않았다. 관계관리자가 초안을 얼마나 고치는지와 내부 심사에서 되돌아온 비율이 어떻게 바뀌었는지도 원문에 없다. 도입을 시작한 월을 밝히지 않아 자료 공개일로 정렬했다.", "sourceIds": [ "S156" ], "evidenceAccess": "원문 본문 열람", "dateLabel": "2025-10-10", "dateBasis": "자료 발표 시점. 도입 시작일과 다를 수 있음", "evidenceYears": [ "2025" ], "eventDate": "2025-10-10", "eventBasis": "공개", "translations": { "en": { "usecase": "Automating the drafting of source of wealth reports", "problem": "At Bank of Singapore, relationship managers wrote source of wealth reports for high net worth clients by hand. The bank said a relationship manager had to work through hundreds of pages of material for a single client, covering career history, business activities, investment history, financial statements, tax notices, property valuations, corporate filings and payslips. The bank said the quality of the resulting reports varied with each relationship manager's experience, and that missing items and internal inconsistencies were common. Because anti money laundering review starts from this report, uneven quality made the review itself unsteady.", "implementation": "The bank launched the Source of Wealth Assistant on 10 October 2025, co developed with its parent OCBC. It is an agentic AI tool. The relationship manager gathers and uploads the client documents, and the tool reads them and produces a report in a standard structure. It also cross checks on its own whether the figures the client supplied are plausible, comparing them against reference points such as salary levels by occupation and company revenue drawn from Bank of Singapore and OCBC data. Processing runs inside a private cloud set aside for Bank of Singapore alone. Once the draft exists, the relationship manager must read and revise it before passing it to internal review teams. The bank said this sequence forms part of its anti money laundering and counter terrorism financing controls. It said it follows the FEAT principles of fairness, ethics, accountability and transparency, and periodically re examines accuracy and bias across gender and nationality.", "outcome": "The bank said the time needed to draft a report fell from 10 days to about one hour. It said relationship managers are freed from reading and transcribing documents and can spend that time with clients instead. It added that a consistent report structure has reduced cases where items required for review go missing. Across the wider OCBC group, the bank said, AI now powers more than 6 million decisions a day.", "limitation": "The source does not say when or across how many reports the figure of 10 days down to about one hour was measured. It does not state which model is used or how report accuracy is measured. How much of the draft relationship managers revise, and how the rate of reports sent back by internal review has changed, are also absent from the source. No adoption month is given, so the record is ordered by the publication date." }, "jp": { "usecase": "資金源泉レポート作成の自動化", "problem": "Bank of Singaporeでは、富裕層顧客の資金源泉レポートを担当のリレーションシップマネージャーが手作業で書いていた。同行は、リレーションシップマネージャーが顧客1人あたり数百ページの資料を読む必要があったと述べた。経歴や事業活動、投資履歴、財務諸表、納税通知書、不動産評価書、法人登記、給与明細といったものである。同行は、こうして作られたレポートの水準がリレーションシップマネージャーの経験によって異なり、抜け落ちた項目や前後の食い違いがしばしば生じたと説明した。マネーロンダリング対策の審査はこのレポートから始まるため、品質が揃わないと審査自体も揺らいだ。", "implementation": "同行は、親会社であるOCBCと共同で作ったSource of Wealth Assistantを2025年10月10日に公開した。エージェントAIである。リレーションシップマネージャーが顧客資料をまとめてアップロードすると、このツールが資料を読み、定められた形式のレポートを作る。顧客が提出した数値の整合性も自らが照合する。Bank of SingaporeとOCBCが持つ資料から、職業別の給与水準や企業の売上といった基準値を取り出して突き合わせる方式である。処理はBank of Singapore専用に分けて置かれたプライベートクラウドの中で行う。下書きができると、リレーションシップマネージャーが必ず読んで修正したうえで内部審査部門に渡す。同行は、この手順がマネーロンダリングおよびテロ資金供与の防止統制の一部であると述べた。公正性、倫理、説明責任、透明性を掲げるFEAT原則に従い、性別や国籍による偏りと正確さを定期的に見直していると説明した。", "outcome": "同行は、レポートの下書きを書くのにかかっていた時間が10日から約1時間に減ったと述べた。リレーションシップマネージャーが資料を読んで書き写す作業から解放され、顧客と会うことに時間を使えるようになったと説明した。レポートの形式が揃ったことで、審査に必要な項目が抜け落ちることも減ったと付け加えた。OCBCグループ全体では、AIが1日に600万件を超える判断を処理していると述べた。", "limitation": "10日から約1時間という値を、いつ何件で測ったのかは原文にない。どのモデルを使ったのか、レポートの正確さをどのように測定したのかも示していない。リレーションシップマネージャーが下書きをどれだけ修正しているか、内部審査から差し戻される比率がどう変わったかも原文にはない。導入を開始した月を示していないため、資料の公開日で並べている。" }, "zh": { "usecase": "财富来源报告撰写自动化", "problem": "在Bank of Singapore，高净值客户的财富来源报告一直由负责的客户关系经理手工撰写。该行表示，客户关系经理为一位客户就要读完数百页材料，包括职业经历、经营活动、投资记录、财务报表、税务通知、房产评估、公司登记和工资单等。该行说明，这样产出的报告水平会随客户关系经理的经验而不同，遗漏项目和前后不一致的情况时常出现。由于反洗钱审查正是从这份报告开始，报告质量参差不齐也让审查本身变得不稳。", "implementation": "该行于2025年10月10日发布了与母公司OCBC共同开发的Source of Wealth Assistant，这是一款智能体AI工具。客户关系经理把客户材料汇总上传后，工具会读取材料并生成固定结构的报告。它还会自行核对客户提交的数字是否合理，做法是从Bank of Singapore与OCBC掌握的数据中取出按职业划分的薪酬水平、公司营收等参照值加以比对。全部处理都在专门为Bank of Singapore单独划出的私有云内完成。草稿生成后，客户关系经理必须阅读并修改，然后才交给内部审查团队。该行表示，这一流程是其反洗钱与反恐怖融资管控的组成部分。该行说明，其遵循涵盖公平、伦理、问责与透明的FEAT原则，并定期重新检视按性别和国籍划分的偏差与准确性。", "outcome": "该行表示，撰写报告草稿所需的时间从10天降到约1小时。该行说明，客户关系经理不必再读材料和誊抄，可以把这些时间用来与客户见面。该行还补充说，报告结构统一之后，审查所需项目被遗漏的情况也减少了。该行表示，在整个OCBC集团范围内，AI目前每天支撑超过600万次判断。", "limitation": "对于从10天降到约1小时这一数值，原文没有说明是在何时、以多少份报告为样本测得的。原文也未说明使用了哪款模型，以及如何测量报告的准确度。客户关系经理对草稿的修改幅度有多大、内部审查退回的比例发生了怎样的变化，原文同样没有提及。由于未给出开始采用的月份，本条记录按资料公开日期排序。" } } } ], "sources": [ { "id": "S001", "title": "“Just ask Factory Genius!”: How AI helps maintain manufacturing equipment", "url": "https://www.press.bmwgroup.com/global/article/detail/T0451072EN/", "publisher": "press.bmwgroup.com", "accessed": "2026-09-18", "evidenceAccess": "원문 본문 열람" }, { "id": "S002", "title": "SK하이닉스, 가우스랩스와 ‘SPIE AL 2026’ 참가… AI 기반 반도체 가상계측 관련 기술 논문 발표 , SK hynix Newsroom", "url": "https://news.skhynix.co.kr/spie-al-2026-with-gauss-labs/", "publisher": "news.skhynix.co.kr", "accessed": "2026-09-18", "evidenceAccess": "원문 본문 열람" }, { "id": "S003", "title": "LG전자 ‘제조 AI’, 더 빠르고 정확해졌다 | LG전자 뉴스룸 | LG전자", "url": "https://www.lge.co.kr/story/newsroom/230077", "publisher": "lge.co.kr", "accessed": "2026-09-18", "evidenceAccess": "원문 본문 열람" }, { "id": "S004", "title": "PepsiCo Announces Industry-First AI and Digital Twin Collaboration with Siemens and NVIDIA", "url": "https://www.pepsico.com/newsroom/press-releases/2025/pepsico-announces-industry-first-ai-and-digital-twin-collaboration-with-siemens-and-nvidia", "publisher": "pepsico.com", "accessed": "2026-09-18", "evidenceAccess": "원문 본문 열람" }, { "id": "S005", "title": "The Coca-Cola Company Introduces Fizzion: A New Era of AI-Governed Creativity at Global Scale", "url": "https://www.coca-colacompany.com/media-center/the-coca-cola-company-introduces-fizzion", "publisher": "coca-colacompany.com", "accessed": "2026-09-18", "evidenceAccess": "원문 본문 열람" }, { "id": "S006", "title": "복잡한 문서도 ‘딱’ 하면 척! CJ제일제당 ‘Snap AI’ 이야기 , CJ 뉴스룸", "url": "https://cjnews.cj.net/?p=57407", "publisher": "cjnews.cj.net", "accessed": "2026-09-18", "evidenceAccess": "원문 본문 열람" }, { "id": "S007", "title": "LLM Suite named 2025 “Innovation of the Year” by American Banker", "url": "https://www.jpmorganchase.com/about/technology/blog/llmsuite-ab-award", "publisher": "jpmorganchase.com", "accessed": "2026-09-18", "evidenceAccess": "원문 본문 열람" }, { "id": "S008", "title": "AI Adoption by BofA’s Global Workforce Improves Productivity, Client Service", "url": "https://newsroom.bankofamerica.com/content/newsroom/press-releases/2025/04/ai-adoption-by-bofa-s-global-workforce-improves-productivity--cl.html", "publisher": "newsroom.bankofamerica.com", "accessed": "2026-09-18", "evidenceAccess": "원문 본문 열람" }, { "id": "S009", "title": "BBVA expands its agreement with OpenAI to 11,000 ChatGPT licences for the bank’s employees - NEWS BBVA", "url": "https://www.bbva.com/en/innovation/bbva-expands-its-agreement-with-openai-to-11000-chatgpt-licences-for-the-banks-employees/", "publisher": "bbva.com", "accessed": "2026-09-18", "evidenceAccess": "원문 본문 열람" }, { "id": "S010", "title": "BBVA is now using ChatGPT to streamline legal queries and marketing processes - NEWS BBVA", "url": "https://www.bbva.com/en/innovation/bbva-is-now-using-chatgpt-to-streamline-legal-queries-and-marketing-processes/", "publisher": "bbva.com", "accessed": "2026-09-18", "evidenceAccess": "원문 본문 열람" }, { "id": "S011", "title": "보도자료 | 미디어 | LG", "url": "https://lg.co.kr/media/release/29014", "publisher": "lg.co.kr", "accessed": "2026-09-18", "evidenceAccess": "원문 본문 열람" }, { "id": "S012", "title": "“AI, 디지털 혁신의 결실”…교보생명, 보험금 신속 지급 업계 최고 , 교보생명 뉴스룸", "url": "https://news.kyobo.com/ai%C2%B7%EB%94%94%EC%A7%80%ED%84%B8-%ED%98%81%EC%8B%A0%EC%9D%98-%EA%B2%B0%EC%8B%A4%EA%B5%90%EB%B3%B4%EC%83%9D%EB%AA%85-%EB%B3%B4%ED%97%98%EA%B8%88-%EC%8B%A0%EC%86%8D/", "publisher": "news.kyobo.com", "accessed": "2026-09-18", "evidenceAccess": "원문 본문 열람" }, { "id": "S013", "title": "Walmart Unveils New AI-Powered Tools To Empower 1.5 Million Associates", "url": "https://corporate.walmart.com/news/2025/06/24/walmart-unveils-new-ai-powered-tools-to-empower-1-5-million-associates", "publisher": "corporate.walmart.com", "accessed": "2026-09-18", "evidenceAccess": "원문 본문 열람" }, { "id": "S014", "title": "Amazon Rufus: Amazon's AI shopping assistant gets smarter and more personal", "url": "https://www.aboutamazon.com/news/retail/amazon-rufus-ai-assistant-personalized-shopping-features", "publisher": "aboutamazon.com", "accessed": "2026-09-18", "evidenceAccess": "원문 본문 열람" }, { "id": "S015", "title": "Amazon deploys over 1 million robots and launches new AI foundation model", "url": "https://www.aboutamazon.com/news/operations/amazon-million-robots-ai-foundation-model", "publisher": "aboutamazon.com", "accessed": "2026-09-18", "evidenceAccess": "원문 본문 열람" }, { "id": "S016", "title": "Nov 11, 2025: DHL boosts operational efficiency and customer communications with HappyRobot’s AI Agents - DHL Group", "url": "https://group.dhl.com/en/media-relations/press-releases/2025/dhl-boosts-operational-efficiency-and-customer-communications-with-happyrobots-ai-agents.html", "publisher": "group.dhl.com", "accessed": "2026-09-18", "evidenceAccess": "원문 본문 열람" }, { "id": "S017", "title": "Mercy nurses use Microsoft Dragon Copilot to help advance patient-centered care | Microsoft Customer Stories", "url": "https://www.microsoft.com/en/customers/story/27030-mercy-microsoft-dragon-copilot", "publisher": "microsoft.com", "accessed": "2026-09-18", "evidenceAccess": "원문 본문 열람" }, { "id": "S018", "title": "Using Amazon Bedrock Agents to Accelerate Decisions Across Drug Development at AstraZeneca", "url": "https://aws.amazon.com/solutions/case-studies/astrazeneca-case-study/", "publisher": "aws.amazon.com", "accessed": "2026-09-18", "evidenceAccess": "원문 본문 열람" }, { "id": "S019", "title": "Highlights from the 2025 AWS Life Sciences Symposium’s Clinical Trials track | AWS for Industries", "url": "https://aws.amazon.com.cdn.amazon.com/blogs/industries/highlights-from-the-2025-aws-life-sciences-symposiums-clinical-trials-track/", "publisher": "aws.amazon.com.cdn.amazon.com", "accessed": "2026-09-18", "evidenceAccess": "검색 도구의 짧은 발췌 확인" }, { "id": "S020", "title": "Smarter journeys start here: Delta Concierge now in beta rollout | Delta News Hub", "url": "https://news.delta.com/smarter-journeys-start-here-delta-concierge-now-beta-rollout", "publisher": "news.delta.com", "accessed": "2026-09-18", "evidenceAccess": "검색 도구의 본문 발췌 확인" }, { "id": "S021", "title": "A&O Shearman and Harvey to roll out agentic AI agents targeting complex legal workflows", "url": "https://www.aoshearman.com/en/news/ao-shearman-and-harvey-to-roll-out-agentic-ai-agents-targeting-complex-legal-workflows", "publisher": "aoshearman.com", "accessed": "2026-09-18", "evidenceAccess": "검색 도구의 본문 발췌 확인" }, { "id": "S022", "title": "BHP innovates with Microsoft for copper growth", "url": "https://www.bhp.com/news/articles/2026/06/bhp-innovates-with-microsoft-for-copper-growth", "publisher": "bhp.com", "accessed": "2026-09-18", "evidenceAccess": "검색 도구의 본문 발췌 확인" }, { "id": "S023", "title": "포스코DX, 산업현장에 특화한 ‘피지컬 AI’ 현장 적용 추진 , 포스코그룹 뉴스룸", "url": "https://newsroom.posco.com/kr/%ED%8F%AC%EC%8A%A4%EC%BD%94dx-%EC%82%B0%EC%97%85%ED%98%84%EC%9E%A5%EC%97%90-%ED%8A%B9%ED%99%94%ED%95%9C-%ED%94%BC%EC%A7%80%EC%BB%AC-ai-%ED%98%84%EC%9E%A5-%EC%A0%81%EC%9A%A9/", "publisher": "newsroom.posco.com", "accessed": "2026-09-18", "evidenceAccess": "원문 본문 열람" }, { "id": "S024", "title": "BMW Group treibt mit Figure-03-Projekt in Spartanburg den Einsatz von Physical AI in der Produktion voran", "url": "https://www.press.bmwgroup.com/deutschland/article/detail/T0458774DE/bmw-group-treibt-mit-figure-03-projekt-in-spartanburg-den-einsatz-von-physical-ai-in-der-produktion", "publisher": "press.bmwgroup.com", "accessed": "2026-09-18", "evidenceAccess": "원문 본문 열람" }, { "id": "S025", "title": "海尔智家灯塔工厂：新增两座，行业最多-海尔官网", "url": "https://www.haier.com/about_haier/xinwen/20250917_271784.shtml", "publisher": "haier.com", "accessed": "2026-09-18", "evidenceAccess": "원문 본문 열람" }, { "id": "S026", "title": "Smart manufacturing at Micron: AI at enterprise scale | Micron Technology Inc.", "url": "https://www.micron.com/about/blog/applications/ai/smart-manufacturing-at-micron-ai-at-enterprise-scale", "publisher": "micron.com", "accessed": "2026-09-18", "evidenceAccess": "원문 본문 열람" }, { "id": "S027", "title": "Putting AI to work: five BASF success stories", "url": "https://www.basf.com/us/en/media/featured-articles/technology/ai-basf-success-stories", "publisher": "basf.com", "accessed": "2026-09-18", "evidenceAccess": "원문 본문 열람" }, { "id": "S028", "title": "Unlocking AI for NextGen Growth at Holcim", "url": "https://www.holcim.com/innovation/artificial-intelligence", "publisher": "holcim.com", "accessed": "2026-09-18", "evidenceAccess": "원문 본문 열람" }, { "id": "S029", "title": "Skanska launches “Safety Sidekick” AI tool to advance job site safety across the U.S. | Skanska in the US", "url": "https://www.skanska.com/us/en/media/press-releases/2025/skanska-launches-safety-sidekick-ai-tool-to-advance-job-site-safety-across-the-u.s", "publisher": "skanska.com", "accessed": "2026-09-18", "evidenceAccess": "원문 본문 열람" }, { "id": "S030", "title": "Skanska uses new AI-powered security monitoring technology at I-405, Brickyard to SR 527 Improvement Project jobsite | Skanska in the US", "url": "https://www.skanska.com/us/en/media/press-releases/2025/skanska-uses-new-ai-powered-security-monitoring-technology-at-i-405-brickyard-to-sr-527-improvement-project-jobsite", "publisher": "skanska.com", "accessed": "2026-09-18", "evidenceAccess": "원문 본문 열람" }, { "id": "S031", "title": "Future forward: The evolution of AI and its impact on commercial real estate", "url": "https://www.jll.com/en-us/guides/future-forward-the-evolution-of-ai-and-its-impact-on-commercial-real-estate", "publisher": "jll.com", "accessed": "2026-09-18", "evidenceAccess": "원문 본문 열람" }, { "id": "S032", "title": "Brewing with Artificial Intelligence (AI)", "url": "https://www.theheinekencompany.com/newsroom/brewing-with-ai/", "publisher": "theheinekencompany.com", "accessed": "2026-09-18", "evidenceAccess": "검색 도구의 본문 발췌 확인" }, { "id": "S033", "title": "www.loreal.com", "url": "https://www.loreal.com/en/press-release/research-and-innovation/loreal-and-nvidia-collaborate-to-supercharge-beauty-with-next-generation-ai/", "publisher": "loreal.com", "accessed": "2026-09-18", "evidenceAccess": "원문 본문 열람" }, { "id": "S034", "title": "H&M continues its exploration of creativity with AI - H&M Group", "url": "https://hmgroup.com/news/hm-continues-its-exploration-of-creativity-with-ai/", "publisher": "hmgroup.com", "accessed": "2026-09-18", "evidenceAccess": "원문 본문 열람" }, { "id": "S035", "title": "How the new Target app experience in ChatGPT makes shopping easier", "url": "https://corporate.target.com/news-features/article/2025/11/target-chatgpt", "publisher": "corporate.target.com", "accessed": "2026-09-18", "evidenceAccess": "원문 본문 열람" }, { "id": "S036", "title": "Communiqué de presse - Carrefour devient le premier retailer européen à proposer de faire ses courses sur ChatGPT", "url": "https://www.carrefour.com/sites/default/files/2026-03/Communique%CC%81%20de%20presse%20-%20Carrefour%20devient%20le%20premier%20retailer%20europe%CC%81en%20a%CC%80%20proposer%20de%20faire%20ses%20courses%20sur%20ChatGPT%20.pdf", "publisher": "carrefour.com", "accessed": "2026-09-18", "evidenceAccess": "원문 본문 열람" }, { "id": "S037", "title": "매일매일 오네(O-NE)부터 AI 로봇까지, CJ대한통운이 만들어간 2025년 LATEST | NOW | CJ대한통운", "url": "https://cjlogistics.com/ko/newsroom/latest/LT_00000411", "publisher": "cjlogistics.com", "accessed": "2026-09-18", "evidenceAccess": "원문 본문 열람" }, { "id": "S038", "title": "AI-supported ground processes: Lufthansa, Fraport, and zeroG drive innovation at Frankfurt Airport", "url": "https://newsroom.lufthansagroup.com/en/ai-supported-ground-processes-lufthansa-fraport-and-zerog-drive-innovation-at-frankfurt-airport/", "publisher": "newsroom.lufthansagroup.com", "accessed": "2026-09-18", "evidenceAccess": "원문 본문 열람" }, { "id": "S039", "title": "2025-in-review", "url": "https://www.ihgplc.com/~/media/Files/I/Ihg-Plc/investors/annual-report/2025/2025-in-review_p8-17.pdf", "publisher": "ihgplc.com", "accessed": "2026-09-18", "evidenceAccess": "원문 본문 열람" }, { "id": "S040", "title": "Bayer's E.L.Y. Wins “AI-based AgTech Solution of the Year” In 2025 AgTech Breakthrough Awards Program | Bayer United States", "url": "https://www.bayer.com/en/us/news-stories/ely-wins-ai-based-agtech-solution-of-the-year", "publisher": "bayer.com", "accessed": "2026-09-18", "evidenceAccess": "원문 본문 열람" }, { "id": "S041", "title": "Advancing Weed Control With John Deere’s See & Spray™ Technology | MachineFinder", "url": "https://edge.machinefinderpro.deere.com/ww/en-US/articles/advancing-weed-control-with-john-deeres-see--spray-technology-13794", "publisher": "edge.machinefinderpro.deere.com", "accessed": "2026-09-18", "evidenceAccess": "검색 도구의 본문 발췌 확인" }, { "id": "S042", "title": "​​Mowi implementará sistema de alimentación remota en base a IA en el 100% de sus centros de cultivo en Chile - Mowi Chile", "url": "https://mowi.com/cl/sostenibilidad/mowi-implementara-sistema-de-alimentacion-remota-en-base-a-ia-en-el-100-de-sus-centros-de-cultivo-en-chile/", "publisher": "mowi.com", "accessed": "2026-09-18", "evidenceAccess": "원문 본문 열람" }, { "id": "S043", "title": "Stora Enso - Annual Report 2025", "url": "https://www.storaenso.com/-/media/documents/download-center/documents/annual-reports/2025/storaenso_annual_report_2025.pdf", "publisher": "storaenso.com", "accessed": "2026-09-18", "evidenceAccess": "검색 도구의 본문 발췌 확인" }, { "id": "S044", "title": "AI at the service of water and waste | SUEZ", "url": "https://www.suez.com/en/news/ai-water-waste", "publisher": "suez.com", "accessed": "2026-09-18", "evidenceAccess": "원문 본문 열람" }, { "id": "S045", "title": "2025 wm recycling report.pdf", "url": "https://www.wm.com/content/dam/wm/assets/recycle-right/america-recycles-day/2025-wm-recycling-report.pdf", "publisher": "wm.com", "accessed": "2026-09-18", "evidenceAccess": "검색 도구의 본문 발췌 확인" }, { "id": "S046", "title": "ara 2025 results english.pdf", "url": "https://www.aramco.com/-/media/publications/corporate-reports/reports-and-presentations/2025/fy/sections/ara-2025-results-english.pdf", "publisher": "aramco.com", "accessed": "2026-09-18", "evidenceAccess": "원문 본문 열람" }, { "id": "S047", "title": "Aramco announces fourth quarter and full-year 2025 results | Aramco", "url": "https://www.aramco.com/en/news-media/news/2026/fourth-quarter-and-full-year-press-release", "publisher": "aramco.com", "accessed": "2026-09-18", "evidenceAccess": "검색 도구의 본문 발췌 확인" }, { "id": "S048", "title": "Sony Bank and Fujitsu apply Generative AI to Core Banking System Development | Fujitsu Global", "url": "https://global.fujitsu/en-global/pr/news/2026/09/14-01", "publisher": "global.fujitsu", "accessed": "2026-09-18", "evidenceAccess": "원문 본문 열람" }, { "id": "S049", "title": "CIO statement | DBS Bank", "url": "https://www.dbs.com/annualreports/2025/cio-statement.html", "publisher": "dbs.com", "accessed": "2026-09-18", "evidenceAccess": "원문 본문 열람" }, { "id": "S050", "title": "209614ab 1381 4209 9daf 8778f38242ea axa questions ecrites ag2025 va.pdf", "url": "https://www-axa-com.cdn.axa-contento-118412.eu/www-axa-com/209614ab-1381-4209-9daf-8778f38242ea_axa_questions_ecrites_ag2025_va.pdf", "publisher": "www-axa-com.cdn.axa-contento-118412.eu", "accessed": "2026-09-18", "evidenceAccess": "원문 본문 열람" }, { "id": "S051", "title": "AI assists in medical visit note-taking - Kaiser Permanente Look insideKP Northern California", "url": "https://lookinside.kaiserpermanente.org/blog/2025/06/10/ai-assists-in-medical-visit-note-taking/", "publisher": "lookinside.kaiserpermanente.org", "accessed": "2026-09-18", "evidenceAccess": "원문 본문 열람" }, { "id": "S052", "title": "Digital Transformation and Artificial Intelligence | Sanofi", "url": "https://www.sanofi.com/en/our-science/digital-artificial-intelligence", "publisher": "sanofi.com", "accessed": "2026-09-18", "evidenceAccess": "원문 본문 열람" }, { "id": "S053", "title": "2025 form 20-F", "url": "https://www.sanofi.com/assets/dotcom/content-app/publications/annual-report-on-form-20-f/2025-01-01-form-20-f-2025-en.pdf", "publisher": "sanofi.com", "accessed": "2026-09-18", "evidenceAccess": "검색 도구의 본문 발췌 확인" }, { "id": "S054", "title": "Bringing Agentic Power to Bear Across AT&T’s Entire Business", "url": "https://about.att.com/blogs/2025/agentic-ai.html", "publisher": "about.att.com", "accessed": "2026-09-18", "evidenceAccess": "원문 본문 열람" }, { "id": "S055", "title": "AI and Digital", "url": "https://www.telekom.com/resource/blob/1102194/6673a45168179d0cbeab15f49360ac8b/dl-charts-ar-2025-data.pdf", "publisher": "telekom.com", "accessed": "2026-09-18", "evidenceAccess": "검색 도구의 본문 발췌 확인" }, { "id": "S056", "title": "EY announces large-scale integration of leading-edge AI technology into global Assurance technology platform | EY - UK", "url": "https://www.ey.com/en_uk/newsroom/2025/04/ey-announces-large-scale-integration-of-leading-edge-ai-technology-into-global-assurance-technology-platform", "publisher": "ey.com", "accessed": "2026-09-18", "evidenceAccess": "원문 본문 열람" }, { "id": "S057", "title": "The Adecco Group completes successful first agentic AI implementation at scale with Salesforce’s Agentforce", "url": "https://www.adeccogroup.com/our-group/media/press-releases/the-adecco-group-completes-successful-first-agentic-ai-implementation-at-scale", "publisher": "adeccogroup.com", "accessed": "2026-09-18", "evidenceAccess": "원문 본문 열람" }, { "id": "S058", "title": "WPP Annual Report & Accounts 2025", "url": "https://www.wpp.com/en/-/media/project/wpp/files/investors/2026/annual-report/wpp_annual_report_2025.pdf", "publisher": "wpp.com", "accessed": "2026-09-18", "evidenceAccess": "검색 도구의 본문 발췌 확인" }, { "id": "S059", "title": "WPP launches Agent Hub on WPP Open, providing clients with access to advanced agentic AI marketing expertise | WPP", "url": "https://www.wpp.com/en/news/2026/01/wpp-launches-agent-hub-on-wpp-open-providing-clients-with-access-to-advanced-agentic-ai", "publisher": "wpp.com", "accessed": "2026-09-18", "evidenceAccess": "원문 본문 열람" }, { "id": "S060", "title": "Duolingo Launches 148 New Language Courses - Duolingo, Inc.", "url": "https://investors.duolingo.com/news-releases/news-release-details/duolingo-launches-148-new-language-courses", "publisher": "investors.duolingo.com", "accessed": "2026-09-18", "evidenceAccess": "원문 본문 열람" }, { "id": "S061", "title": "The AI behind Uplift - Adyen", "url": "https://www.adyen.com/knowledge-hub/the-ai-behind-uplift", "publisher": "adyen.com", "accessed": "2026-09-18", "evidenceAccess": "검색 도구의 본문 발췌 확인" }, { "id": "S062", "title": "accelerating large scale test migration with llms", "url": "https://medium.com/airbnb-engineering/accelerating-large-scale-test-migration-with-llms-9565c208023b", "publisher": "medium.com", "accessed": "2026-09-18", "evidenceAccess": "원문 본문 열람" }, { "id": "S063", "title": "listening learning and helping at scale how machine learning transforms airbnbs voice support", "url": "https://medium.com/airbnb-engineering/listening-learning-and-helping-at-scale-how-machine-learning-transforms-airbnbs-voice-support-b71f912d4760", "publisher": "medium.com", "accessed": "2026-09-18", "evidenceAccess": "원문 본문 열람" }, { "id": "S064", "title": "5 ways Prime Video improves the viewing experience with generative AI on AWS | AWS for M&E Blog", "url": "https://aws.amazon.com/blogs/media/5-ways-prime-video-improves-the-viewing-experience-with-generative-ai-on-aws/", "publisher": "aws.amazon.com", "accessed": "2026-09-18", "evidenceAccess": "원문 본문 열람" }, { "id": "S065", "title": "How Amazon uses AI agents to anticipate and counter cyber threats - Amazon Science", "url": "https://www.amazon.science/blog/how-amazon-uses-ai-agents-to-anticipate-and-counter-cyber-threats?trk=article-ssr-frontend-pulse_little-text-block", "publisher": "amazon.science", "accessed": "2026-09-18", "evidenceAccess": "검색 도구의 본문 발췌 확인" }, { "id": "S066", "title": "Using LLMs to improve Amazon product listings - Amazon Science", "url": "https://www.amazon.science/blog/using-llms-to-improve-amazon-product-listings", "publisher": "amazon.science", "accessed": "2026-09-18", "evidenceAccess": "검색 도구의 본문 발췌 확인" }, { "id": "S067", "title": "How Coinbase is Embracing AI in Recruiting", "url": "https://www.coinbase.com/blog/how-coinbase-is-embracing-ai-in-recruiting", "publisher": "coinbase.com", "accessed": "2026-09-18", "evidenceAccess": "검색 도구의 본문 발췌 확인" }, { "id": "S068", "title": "Beyond Single Agents: How DoorDash is building a collaborative AI ecosystem  - DoorDash", "url": "https://careersatdoordash.com/blog/beyond-single-agents-doordash-building-collaborative-ai-ecosystem/", "publisher": "careersatdoordash.com", "accessed": "2026-09-18", "evidenceAccess": "원문 본문 열람" }, { "id": "S069", "title": "From failure to success: The birth of GrabGPT, Grab’s internal ChatGPT", "url": "https://engineering.grab.com/the-birth-of-grab-gpt", "publisher": "engineering.grab.com", "accessed": "2026-09-18", "evidenceAccess": "원문 본문 열람" }, { "id": "S070", "title": "How we built a custom vision LLM to improve document processing at Grab", "url": "https://engineering.grab.com/custom-vision-llm-at-grab", "publisher": "engineering.grab.com", "accessed": "2026-09-18", "evidenceAccess": "원문 본문 열람" }, { "id": "S071", "title": "Building The Intent Engine: How Instacart is Revamping Query Understanding with LLMs | Instacart", "url": "https://company.instacart.com/tech-innovation/building-the-intent-engine-how-instacart-is-revamping-query-understanding-with-llms", "publisher": "company.instacart.com", "accessed": "2026-09-18", "evidenceAccess": "원문 본문 열람" }, { "id": "S072", "title": "Introducing PIXEL: Instacart’s Unified Image Generation Platform | by Prithvi Srinivasan | tech-at-instacart", "url": "https://tech.instacart.com/introducing-pixel-instacarts-unified-image-generation-platform-6d7dd0efe4c1", "publisher": "tech.instacart.com", "accessed": "2026-09-18", "evidenceAccess": "원문 본문 열람" }, { "id": "S073", "title": "How we engineered LinkedIn’s Hiring Assistant", "url": "https://www.linkedin.com/blog/engineering/ai/how-we-engineered-linkedins-hiring-assistant", "publisher": "linkedin.com", "accessed": "2026-09-18", "evidenceAccess": "검색 도구의 본문 발췌 확인" }, { "id": "S074", "title": "Meta’s Generative Ads Model (GEM): The Central Brain Accelerating Ads Recommendation AI Innovation - Engineering at Meta", "url": "https://engineering.fb.com/2025/11/10/ml-applications/metas-generative-ads-model-gem-the-central-brain-accelerating-ads-recommendation-ai-innovation/", "publisher": "engineering.fb.com", "accessed": "2026-09-18", "evidenceAccess": "원문 본문 열람" }, { "id": "S075", "title": "integrating netflixs foundation model into personalization applications", "url": "https://netflixtechblog.medium.com/integrating-netflixs-foundation-model-into-personalization-applications-cf176b5860eb", "publisher": "netflixtechblog.medium.com", "accessed": "2026-09-18", "evidenceAccess": "원문 본문 열람" }, { "id": "S076", "title": "How Roblox Uses AI to Moderate Content on a Massive Scale | Roblox", "url": "https://corp.roblox.com/newsroom/2025/07/roblox-ai-moderation-massive-scale", "publisher": "corp.roblox.com", "accessed": "2026-09-18", "evidenceAccess": "원문 본문 열람" }, { "id": "S077", "title": "Customer Zero Pilots: How Salesforce Pilots Its Own Software - Salesforce", "url": "https://www.salesforce.com/news/stories/customer-zero-pilots/?bc=OTH&ver=1787843678", "publisher": "salesforce.com", "accessed": "2026-09-18", "evidenceAccess": "원문 본문 열람" }, { "id": "S078", "title": "How AI Agents are Evolving Shopify's Product Taxonomy at Scale (2025) - Shopify", "url": "https://shopify.engineering/product-taxonomy-at-scale", "publisher": "shopify.engineering", "accessed": "2026-09-18", "evidenceAccess": "원문 본문 열람" }, { "id": "S079", "title": "RoBERTa Model for Merchant Categorization at Square", "url": "https://developer.squareup.com/blog/roberta-model-for-merchant-categorization-at-square/", "publisher": "developer.squareup.com", "accessed": "2026-09-18", "evidenceAccess": "검색 도구의 본문 발췌 확인" }, { "id": "S080", "title": "Advancing Invoice Document Processing at Uber using GenAI", "url": "https://www.uber.com/en-IN/blog/advancing-invoice-document-processing-using-genai/", "publisher": "uber.com", "accessed": "2026-09-18", "evidenceAccess": "원문 본문 열람" }, { "id": "S081", "title": "Forecasting Models to Improve Driver Availability at Airports", "url": "https://www.uber.com/en-GB/blog/forecasting-models-to-improve-availability-at-airports/", "publisher": "uber.com", "accessed": "2026-09-18", "evidenceAccess": "원문 본문 열람" }, { "id": "S082", "title": "uReview: Scalable, Trustworthy GenAI for Code Review at Uber", "url": "https://www.uber.com/en-GB/blog/ureview/", "publisher": "uber.com", "accessed": "2026-09-18", "evidenceAccess": "원문 본문 열람" }, { "id": "S083", "title": "Dense Retrieval | Vinted Engineering", "url": "https://vinted.engineering/2025/11/18/dense-retrieval", "publisher": "vinted.engineering", "accessed": "2026-09-18", "evidenceAccess": "원문 본문 열람" }, { "id": "S084", "title": "Dead Ends or Data Goldmines? Investment Insights from Two Years of AI-Powered Postmortem Analysis", "url": "https://engineering.zalando.com/posts/2025/09/dead-ends-or-data-goldmines-ai-powered-postmortem-analysis.html", "publisher": "engineering.zalando.com", "accessed": "2026-09-18", "evidenceAccess": "원문 본문 열람" }, { "id": "S085", "title": "포스코, 쇳물 예비처리 전 공정 자율화 성공…인텔리전트 팩토리 가속화 , 포스코그룹 뉴스룸", "url": "https://newsroom.posco.com/kr/%ED%8F%AC%EC%8A%A4%EC%BD%94-%EC%87%B3%EB%AC%BC-%EC%98%88%EB%B9%84%EC%B2%98%EB%A6%AC-%EC%A0%84-%EA%B3%B5%EC%A0%95-%EC%9E%90%EC%9C%A8%ED%99%94-%EC%84%B1%EA%B3%B5%EC%9D%B8%ED%85%94%EB%A6%AC/", "publisher": "newsroom.posco.com", "accessed": "2026-09-18", "evidenceAccess": "원문 본문 열람" }, { "id": "S086", "title": "보도자료 - PRESS - 포스코 미디어센터", "url": "https://www.posco.com/homepage/docs/kor7/jsp/prcenter/press/s91c600110v.jsp?idx=2964&onPage=1", "publisher": "posco.com", "accessed": "2026-09-18", "evidenceAccess": "원문 본문 열람" }, { "id": "S087", "title": "보도자료 - PRESS - 포스코 미디어센터", "url": "https://posco.com/homepage/docs/kor7/jsp/prcenter/press/s91c600110v.jsp?idx=3168&onPage=1", "publisher": "posco.com", "accessed": "2026-09-18", "evidenceAccess": "원문 본문 열람" }, { "id": "S088", "title": "Right fix at right time , AI delivers for Woodside", "url": "https://www.woodside.com/media-centre/news-stories/story/right-fix-at-right-time---ai-delivers-for-woodside", "publisher": "woodside.com", "accessed": "2026-09-18", "evidenceAccess": "원문 본문 열람" }, { "id": "S089", "title": "Airbus will map coffee plantations with satellites | Airbus", "url": "https://www.airbus.com/en/newsroom/press-releases/2026-04-airbus-and-jde-peets-team-up-for-worldwide-coffee-plantation-mapping-with-satellites", "publisher": "airbus.com", "accessed": "2026-09-18", "evidenceAccess": "원문 본문 열람" }, { "id": "S090", "title": "Airbus and Mistral AI partner for AI in aerospace | Airbus", "url": "https://www.airbus.com/en/newsroom/press-releases/2026-05-airbus-partners-with-mistral-ai-to-strengthen-the-use-of-artificial-intelligence-in-sovereign", "publisher": "airbus.com", "accessed": "2026-09-18", "evidenceAccess": "검색 도구의 본문 발췌 확인" }, { "id": "S091", "title": "Duke Energy leverages AI to protect customers and combat scams | Duke Energy | News Center", "url": "https://news.duke-energy.com/releases/duke-energy-leverages-ai-to-protect-customers-and-combat-scams", "publisher": "news.duke-energy.com", "accessed": "2026-09-18", "evidenceAccess": "검색 도구의 본문 발췌 확인" }, { "id": "S092", "title": "a retrospective agodas genai journey thus far", "url": "https://medium.com/agoda-engineering/a-retrospective-agodas-genai-journey-thus-far-b0739683d53e", "publisher": "medium.com", "accessed": "2026-09-18", "evidenceAccess": "원문 본문 열람" }, { "id": "S093", "title": "Once Upon a Chat Bot: The Ada Story at leboncoin | by leboncoin tech | leboncoin tech | Medium", "url": "https://medium.com/leboncoin-tech-blog/once-upon-a-chat-bot-the-ada-story-at-leboncoin-1a4c52000d82", "publisher": "medium.com", "accessed": "2026-09-18", "evidenceAccess": "검색 도구의 본문 발췌 확인" }, { "id": "S094", "title": "Practices to scale Machine Learning operations - Building Nubank", "url": "https://building.nubank.com/practices-to-scale-machine-learning-operations/", "publisher": "building.nubank.com", "accessed": "2026-09-18", "evidenceAccess": "원문 본문 열람" }, { "id": "S095", "title": "Leveraging multimodal LLMs for Shopify’s global catalogue: Recap of expo talk at ICLR 2025 - Shopify", "url": "https://shopify.engineering/leveraging-multimodal-llms", "publisher": "shopify.engineering", "accessed": "2026-09-18", "evidenceAccess": "원문 본문 열람" }, { "id": "S096", "title": "Agoda | 보안 경보, 피싱 신고와 사고 보고서 처리", "url": "https://medium.com/agoda-engineering/improving-security-incident-response-at-agoda-with-large-language-models-78b1f33151e0", "publisher": "medium.com", "accessed": "2026-09-18", "evidenceAccess": "이번 조사 원문 미확인" }, { "id": "S097", "title": "Airbnb | 숙박 검색의 의미 기반 후보 검색", "url": "https://medium.com/airbnb-engineering/embedding-based-retrieval-for-airbnb-search-aabebfc85839", "publisher": "medium.com", "accessed": "2026-09-18", "evidenceAccess": "이번 조사 원문 미확인" }, { "id": "S098", "title": "Airbnb | 개발용 시험 데이터 생성", "url": "https://medium.com/airbnb-engineering/graphql-data-mocking-at-scale-with-llms-and-generatemock-30b380f12bd6", "publisher": "medium.com", "accessed": "2026-09-18", "evidenceAccess": "이번 조사 원문 미확인" }, { "id": "S099", "title": "Airtable | 업무 수행 AI의 실행 구조", "url": "https://medium.com/airtable-eng/how-we-built-ai-agents-at-airtable-70838d73cc43", "publisher": "medium.com", "accessed": "2026-09-18", "evidenceAccess": "이번 조사 원문 미확인" }, { "id": "S100", "title": "Airtable | 업무 데이터 질의응답", "url": "https://medium.com/airtable-eng/how-we-built-a-high-quality-q-a-assistant-738ae9efeb7a", "publisher": "medium.com", "accessed": "2026-09-18", "evidenceAccess": "이번 조사 원문 미확인" }, { "id": "S101", "title": "Amazon | 책 표지를 보여주는 검색 자동완성", "url": "https://amazon.science/blog/simplifying-book-discovery-with-ml-powered-visual-autocomplete-suggestions", "publisher": "amazon.science", "accessed": "2026-09-18", "evidenceAccess": "이번 조사 원문 미확인" }, { "id": "S102", "title": "Anthropic | 여러 AI가 협력하는 조사 서비스", "url": "https://anthropic.com/engineering/multi-agent-research-system", "publisher": "anthropic.com", "accessed": "2026-09-20", "evidenceAccess": "원문 본문 열람" }, { "id": "S103", "title": "Apple | 요구사항에서 시험 항목 생성", "url": "https://machinelearning.apple.com/research/reinforcement-learning-integrated", "publisher": "machinelearning.apple.com", "accessed": "2026-09-18", "evidenceAccess": "이번 조사 원문 미확인" }, { "id": "S104", "title": "Asos | 재고 불일치 보고 도구 개발", "url": "https://medium.com/asos-techblog/introducing-test-driven-vibe-development-0effe6430691", "publisher": "medium.com", "accessed": "2026-09-18", "evidenceAccess": "이번 조사 원문 미확인" }, { "id": "S105", "title": "Meet Bab: Your Customer Service Chatbot", "url": "https://babbel.com/en/magazine/meet-bab-your-customer-service-chatbot", "publisher": "babbel.com", "accessed": "2026-09-22", "evidenceAccess": "원문 본문 열람" }, { "id": "S106", "title": "Bayezian Limited | 임상시험 문서 감시", "url": "https://aihub.org/2025/09/15/deploying-agentic-ai-what-worked-what-broke-and-what-we-learned", "publisher": "aihub.org", "accessed": "2026-09-18", "evidenceAccess": "이번 조사 원문 미확인" }, { "id": "S107", "title": "BlaBlaCar | 직원 데이터 분석 도우미", "url": "https://medium.com/blablacar/why-we-built-blablacar-data-copilot-shifting-data-analysis-left-b4cc246faf52", "publisher": "medium.com", "accessed": "2026-09-18", "evidenceAccess": "이번 조사 원문 미확인" }, { "id": "S108", "title": "Canva | 이용자별 연말 콘텐츠 제작", "url": "https://canva.dev/blog/engineering/behind-the-scenes-of-canvas-designdna-campaign", "publisher": "canva.dev", "accessed": "2026-09-18", "evidenceAccess": "이번 조사 원문 미확인" }, { "id": "S109", "title": "Canva | 개인정보를 보지 않는 검색 평가", "url": "https://canva.dev/blog/engineering/how-to-improve-search-without-looking-at-queries-or-results", "publisher": "canva.dev", "accessed": "2026-09-18", "evidenceAccess": "이번 조사 원문 미확인" }, { "id": "S110", "title": "Canva | 디자인 이미지 교체 검색", "url": "https://canva.dev/blog/engineering/image-replacement-in-canva-designs-using-reverse-image-search", "publisher": "canva.dev", "accessed": "2026-09-18", "evidenceAccess": "이번 조사 원문 미확인" }, { "id": "S111", "title": "Coinbase | 사기 탐지에 사용자 행동 순서 반영", "url": "https://coinbase.com/en-ar/blog/how-coinbase-builds-sequence-features-for-machine-learning", "publisher": "coinbase.com", "accessed": "2026-09-18", "evidenceAccess": "이번 조사 원문 미확인" }, { "id": "S112", "title": "Coinbase | 웹 화면 품질 시험", "url": "https://coinbase.com/en-it/blog/How-We-are-Improving-Product-Quality-at-Coinbase-with-AI-agents", "publisher": "coinbase.com", "accessed": "2026-09-18", "evidenceAccess": "이번 조사 원문 미확인" }, { "id": "S113", "title": "Coinbase | 사내 의사결정 문서 검토", "url": "https://coinbase.com/en-it/blog/making-smarter-decisions-faster-with-AI-at-Coinbase", "publisher": "coinbase.com", "accessed": "2026-09-18", "evidenceAccess": "이번 조사 원문 미확인" }, { "id": "S114", "title": "Cubic | 코드 검토의 잘못된 지적 감소", "url": "https://cubic.dev/blog/learnings-from-building-ai-agents", "publisher": "cubic.dev", "accessed": "2026-09-18", "evidenceAccess": "이번 조사 원문 미확인" }, { "id": "S115", "title": "How we built DeepL's next-generation LLMs with FP8 for training and inference", "url": "https://deepl.com/en/blog/tech/next-generation-llm-fp8-training", "publisher": "DeepL", "accessed": "2026-09-23", "evidenceAccess": "원문 본문 열람" }, { "id": "S116", "title": "Building Dash: How RAG and AI agents help us meet the needs of businesses", "url": "https://dropbox.tech/machine-learning/building-dash-rag-multi-step-ai-agents-business-users", "publisher": "dropbox.tech", "accessed": "2026-09-21", "evidenceAccess": "원문 본문 열람" }, { "id": "S117", "title": "Feedzai | 사기 위험 판별 모델 평가", "url": "https://medium.com/feedzaitech/benchmarking-llms-in-real-world-applications-pitfalls-and-surprises-78e720d3bfa1", "publisher": "medium.com", "accessed": "2026-09-18", "evidenceAccess": "이번 조사 원문 미확인" }, { "id": "S118", "title": "Feedzai | 금융사 간 정보를 활용한 위험 점수", "url": "https://medium.com/feedzaitech/feedzai-trustscore-enabling-network-intelligence-to-fight-financial-crime-9ce7fcff84fb", "publisher": "medium.com", "accessed": "2026-09-18", "evidenceAccess": "이번 조사 원문 미확인" }, { "id": "S119", "title": "Google Deepmind | 온라인 조사 AI의 설계", "url": "https://latent.space/p/gdr", "publisher": "latent.space", "accessed": "2026-09-18", "evidenceAccess": "이번 조사 원문 미확인" }, { "id": "S120", "title": "Grab | 여러 추천 서비스의 공통 사용자 모델", "url": "https://engineering.grab.com/user-foundation-models-for-grab", "publisher": "engineering.grab.com", "accessed": "2026-09-18", "evidenceAccess": "이번 조사 원문 미확인" }, { "id": "S121", "title": "Gradient Labs | AI 서비스 운영 장애와 복구", "url": "https://blog.gradient-labs.ai/p/anatomy-of-an-ai-agent-incident", "publisher": "blog.gradient-labs.ai", "accessed": "2026-09-18", "evidenceAccess": "이번 조사 원문 미확인" }, { "id": "S122", "title": "Hubspot | 고객 데이터의 대규모 예측 처리", "url": "https://product.hubspot.com/blog/behind-hubspot-ai-how-does-prediction-engine-score-millions-of-crm-objects-daily", "publisher": "product.hubspot.com", "accessed": "2026-09-18", "evidenceAccess": "이번 조사 원문 미확인" }, { "id": "S123", "title": "JUDE: LLM based representation learning for LinkedIn job recommendations", "url": "https://linkedin.com/blog/engineering/ai/jude-llm-based-representation-learning-for-linkedin-job-recommendations", "publisher": "linkedin.com", "accessed": "2026-09-25", "evidenceAccess": "원문 본문 열람" }, { "id": "S124", "title": "Lyft | 차량 호출 수요와 공급 예측", "url": "https://eng.lyft.com/real-time-spatial-temporal-forecasting-lyft-fa90b3f3ec24", "publisher": "eng.lyft.com", "accessed": "2026-09-18", "evidenceAccess": "이번 조사 원문 미확인" }, { "id": "S125", "title": "Manus | 업무 수행 AI의 입력 정보 관리", "url": "https://manus.im/blog/Context-Engineering-for-AI-Agents-Lessons-from-Building-Manus", "publisher": "manus.im", "accessed": "2026-09-18", "evidenceAccess": "이번 조사 원문 미확인" }, { "id": "S126", "title": "Pinterest | 홈 화면 추천 후보 검색", "url": "https://medium.com/pinterest-engineering/advancements-in-embedding-based-retrieval-at-pinterest-homefeed-d7d7971a409e", "publisher": "medium.com", "accessed": "2026-09-18", "evidenceAccess": "이번 조사 원문 미확인" }, { "id": "S127", "title": "Shopify | 상품 분류 모델 교체", "url": "https://shopify.engineering/evolution-product-classification", "publisher": "shopify.engineering", "accessed": "2026-09-18", "evidenceAccess": "이번 조사 원문 미확인" }, { "id": "S128", "title": "Snap | 광고 영상의 설명 생성과 검수", "url": "https://eng.snap.com/snap-ads-understanding", "publisher": "eng.snap.com", "accessed": "2026-09-18", "evidenceAccess": "이번 조사 원문 미확인" }, { "id": "S129", "title": "Tellius | 대화형 데이터 분석 서비스", "url": "https://tellius.com/resources/blog/10-battle-scars-from-building-agentic-ai-analytics", "publisher": "tellius.com", "accessed": "2026-09-18", "evidenceAccess": "이번 조사 원문 미확인" }, { "id": "S130", "title": "Uber | 예측 모델의 판단 근거 설명", "url": "https://uber.com/en-GB/blog/enabling-deep-model-explainability-with-integrated-gradients?uclick_id=0a73d271-32e7-4b77-9697-a587a4c8d9fe", "publisher": "uber.com", "accessed": "2026-09-18", "evidenceAccess": "이번 조사 원문 미확인" }, { "id": "S131", "title": "Evolution and Scale of Uber's Delivery Search Platform", "url": "https://uber.com/en-GB/blog/evolution-and-scale-of-ubers-delivery-search-platform?uclick_id=0a73d271-32e7-4b77-9697-a587a4c8d9fe", "publisher": "uber.com", "accessed": "2026-09-24", "evidenceAccess": "원문 본문 열람" }, { "id": "S132", "title": "Whatnot | 실시간 상품 피드 추천", "url": "https://medium.com/whatnot-engineering/evolving-feed-ranking-at-whatnot-25adb116aeb6", "publisher": "medium.com", "accessed": "2026-09-18", "evidenceAccess": "이번 조사 원문 미확인" }, { "id": "S133", "title": "WM 2025 Sustainability Report", "url": "https://sustainability.wm.com/downloads/WM_2025_Sustainability_Report.pdf", "publisher": "sustainability.wm.com", "accessed": "2026-09-18", "evidenceAccess": "원문 본문 열람" }, { "id": "S134", "title": "WM Announces New, Modernized High-Tech Recycling and Renewable Gas Facilities across U.S.", "url": "https://mediaroom.wm.com/2025-04-02-WM-Announces-New,-Modernized-High-Tech-Recycling-and-Renewable-Gas-Facilities-across-U-S", "publisher": "mediaroom.wm.com", "accessed": "2026-09-18", "evidenceAccess": "원문 본문 열람" }, { "id": "S135", "title": "Deutsche Telekom Q4 2025 results presentation", "url": "https://www.telekom.com/en/investor-relations/publications/financial-results/financial-results-2025", "publisher": "telekom.com", "accessed": "2026-09-18", "evidenceAccess": "원문 본문 열람" }, { "id": "S136", "title": "Data and AI, Deutsche Telekom Annual Report 2025", "url": "https://report.telekom.com/annual-report-2025/management-report/group-strategy/data-ai.html", "publisher": "report.telekom.com", "accessed": "2026-09-18", "evidenceAccess": "원문 본문 열람" }, { "id": "S137", "title": "Introducing PIXEL: Instacart's Unified Image Generation Platform", "url": "https://company.instacart.com/how-its-made/introducing-pixel-instacarts-unified-image-generation-platform", "publisher": "company.instacart.com", "accessed": "2026-09-18", "evidenceAccess": "원문 본문 열람" }, { "id": "S138", "title": "WPP Annual Report & Accounts 2025 (WPP hosted copy)", "url": "https://cdn.wpp.com/image/upload/v1778702350/ac23glqkrihfpjrwqsy1.pdf", "publisher": "cdn.wpp.com", "accessed": "2026-09-18", "evidenceAccess": "원문 본문 열람" }, { "id": "S139", "title": "AI Helps OLVG Clinicians Reduce Note-Writing Time By Over 30%", "url": "https://www.epic.com/epic/post/ai-helps-olvg-clinicians-reduce-note-writing-time-by-over-30", "publisher": "Epic", "accessed": "2026-09-19", "evidenceAccess": "원문 본문 열람" }, { "id": "S140", "title": "How MRH Trowe enabled secure self-service AI agents in financial services", "url": "https://aws.amazon.com/blogs/machine-learning/how-mrh-trowe-enabled-secure-self-service-ai-agents-in-financial-services/", "publisher": "AWS", "accessed": "2026-09-19", "evidenceAccess": "원문 본문 열람" }, { "id": "S141", "title": "Siemens and Procter & Gamble scale AI-based quality inspection across global production", "url": "https://press.siemens.com/global/en/pressrelease/siemens-and-procter-gamble-scale-ai-based-quality-inspection-across-global-production", "publisher": "Siemens", "accessed": "2026-09-20", "evidenceAccess": "원문 본문 열람" }, { "id": "S142", "title": "SEAT: 30-min body-in-white with team of agents", "url": "https://www.synera.ai/news/seat-agentic-ai-body-in-white", "publisher": "Synera", "accessed": "2026-09-20", "evidenceAccess": "원문 본문 열람" }, { "id": "S143", "title": "CNCF Case Study: China Merchants Bank", "url": "https://www.cncf.io/case-studies/china-merchants-bank-2/", "publisher": "CNCF", "accessed": "2026-09-21", "evidenceAccess": "원문 본문 열람" }, { "id": "S144", "title": "China Merchants Bank Wins CNCF End User Case Study Contest for Unifying AI Training and Inference on Kubernetes", "url": "https://www.cncf.io/announcements/2026/09/07/china-merchants-bank-wins-cncf-end-user-case-study-contest-for-unifying-ai-training-and-inference-on-kubernetes/", "publisher": "CNCF", "accessed": "2026-09-21", "evidenceAccess": "원문 본문 열람" }, { "id": "S145", "title": "What we've learned from Microsoft's own AI transformation", "url": "https://blogs.microsoft.com/blog/2026/09/17/what-weve-learned-from-microsofts-own-ai-transformation/", "publisher": "blogs.microsoft.com", "accessed": "2026-09-21", "evidenceAccess": "원문 본문 열람" }, { "id": "S146", "title": "Aviva to launch groundbreaking AI Underwriting Tool", "url": "https://www.aviva.com/newsroom/news-releases/2025/11/aviva-to-launch-groundbreaking-ai-underwriting-tool/", "publisher": "Aviva", "accessed": "2026-09-22", "evidenceAccess": "원문 본문 열람" }, { "id": "S147", "title": "Aviva extends industry-first AI underwriting tool to Critical Illness cover", "url": "https://www.aviva.com/newsroom/news-releases/2026/03/aviva-extends-industry-first-ai-underwriting-tool-to-critical-illness-cover/", "publisher": "Aviva", "accessed": "2026-09-22", "evidenceAccess": "원문 본문 열람" }, { "id": "S148", "title": "Hyper-Intelligence: Chow Tai Fook and Microsoft Join Hands to Redefine the Future of Global Luxury Retail with Hyper-Intelligence", "url": "https://news.microsoft.com/source/asia/features/hyper-intelligence-chow-tai-fook-and-microsoft-join-hands-to-redefine-the-future-of-global-luxury-retail-with-hyper-intelligence/", "publisher": "Microsoft Source Asia", "accessed": "2026-09-22", "evidenceAccess": "원문 본문 열람" }, { "id": "S149", "title": "From Free Text to Follow-Up: How AI Is Helping Turn Incidental Findings into Early Cancer Diagnosis", "url": "https://www.epicshare.org/share-and-learn/christ-hospital-ai-extracted-findings", "publisher": "EpicShare", "accessed": "2026-09-23", "evidenceAccess": "원문 본문 열람" }, { "id": "S150", "title": "Real Results, Right Now: How Epic AI Is Reducing Costs, Improving Care, and Helping Patients", "url": "https://www.epic.com/epic/post/real-results-right-now-how-epic-ai-is-reducing-costs-improving-care-and-helping-patients/", "publisher": "Epic", "accessed": "2026-09-23", "evidenceAccess": "원문 본문 열람" }, { "id": "S151", "title": "New AI Tools Bring Interactive Diagrams and Targeted Practice Thanks to Khan Academy's Partnership with Google.org", "url": "https://blog.khanacademy.org/new-ai-tools-bring-interactive-diagrams-and-targeted-practice-thanks-to-khan-academys-partnership-with-google-org/", "publisher": "Khan Academy", "accessed": "2026-09-23", "evidenceAccess": "원문 본문 열람" }, { "id": "S152", "title": "Learning in the Open: What AI Is (and Isn't) Changing", "url": "https://blog.khanacademy.org/learning-in-the-open-what-ai-is-and-isnt-changing/", "publisher": "Khan Academy", "accessed": "2026-09-23", "evidenceAccess": "원문 본문 열람" }, { "id": "S153", "title": "Partnering with Khan Academy on building AI tools for classrooms", "url": "https://blog.google/products-and-platforms/products/education/khan-academy-back-to-school/", "publisher": "Google", "accessed": "2026-09-23", "evidenceAccess": "원문 본문 열람" }, { "id": "S154", "title": "Roblox Brings Open-Source Safety Models to ROOST Model Community", "url": "https://about.roblox.com/newsroom/2026/08/roblox-open-source-safety-models-roost", "publisher": "about.roblox.com", "accessed": "2026-09-24", "evidenceAccess": "원문 본문 열람" }, { "id": "S155", "title": "When the storm clears, so should the claim queue", "url": "https://www.allianz.com/en/mediacenter/news/articles/251103-when-the-storm-clears-so-should-the-claim-queue.html", "publisher": "allianz.com", "accessed": "2026-09-25", "evidenceAccess": "원문 본문 열람" }, { "id": "S156", "title": "Bank of Singapore deploys agentic AI tool to automate writing of source of wealth reports", "url": "https://www.bankofsingapore.com/media-releases/2025/bank-of-singapore-deploys-agentic-ai-tool-to-automate-writing-of-source-of-wealth-reports.html", "publisher": "bankofsingapore.com", "accessed": "2026-09-25", "evidenceAccess": "원문 본문 열람" } ], "taxonomy": { "industry": { "정보기술": { "en": "Information technology", "jp": "情報技術", "zh": "信息技术" }, "금융": { "en": "Finance", "jp": "金融", "zh": "金融" }, "유통": { "en": "Retail", "jp": "小売", "zh": "零售" }, "제조": { "en": "Manufacturing", "jp": "製造", "zh": "制造" }, "배달과 이동": { "en": "Delivery and mobility", "jp": "配達とモビリティ", "zh": "配送与出行" }, "여행과 숙박": { "en": "Travel and hospitality", "jp": "旅行と宿泊", "zh": "旅行与住宿" }, "식품과 음료": { "en": "Food and beverage", "jp": "食品と飲料", "zh": "食品与饮料" }, "전문서비스": { "en": "Professional services", "jp": "専門サービス", "zh": "专业服务" }, "미디어와 콘텐츠": { "en": "Media and content", "jp": "メディアとコンテンツ", "zh": "媒体与内容" }, "통신": { "en": "Telecommunications", "jp": "通信", "zh": "电信" }, "건설과 부동산": { "en": "Construction and real estate", "jp": "建設と不動産", "zh": "建筑与房地产" }, "농림수산": { "en": "Agriculture, forestry and fisheries", "jp": "農林水産", "zh": "农林渔业" }, "물류": { "en": "Logistics", "jp": "物流", "zh": "物流" }, "환경": { "en": "Environment", "jp": "環境", "zh": "环境" }, "화학과 소재": { "en": "Chemicals and materials", "jp": "化学と素材", "zh": "化工与材料" }, "에너지": { "en": "Energy", "jp": "エネルギー", "zh": "能源" }, "제약과 바이오": { "en": "Pharmaceuticals and biotech", "jp": "製薬とバイオ", "zh": "制药与生物技术" }, "교육": { "en": "Education", "jp": "教育", "zh": "教育" }, "의료": { "en": "Healthcare", "jp": "医療", "zh": "医疗" }, "보험": { "en": "Insurance", "jp": "保険", "zh": "保险" }, "생활소비재": { "en": "Consumer goods", "jp": "生活消費財", "zh": "日用消费品" }, "게임": { "en": "Gaming", "jp": "ゲーム", "zh": "游戏" }, "광업": { "en": "Mining", "jp": "鉱業", "zh": "采矿" } }, "subindustry": { "업무용 소프트웨어와 AI": { "en": "Business software and AI", "jp": "業務用ソフトウェアとAI", "zh": "企业软件与AI" }, "차량 호출과 배달": { "en": "Ride-hailing and delivery", "jp": "配車と配達", "zh": "网约车与配送" }, "은행": { "en": "Banking", "jp": "銀行", "zh": "银行" }, "전자상거래": { "en": "E-commerce", "jp": "電子商取引", "zh": "电子商务" }, "철강": { "en": "Steel", "jp": "鉄鋼", "zh": "钢铁" }, "가상자산 거래소": { "en": "Crypto exchange", "jp": "暗号資産取引所", "zh": "数字资产交易所" }, "온라인 여행과 숙박": { "en": "Online travel and lodging", "jp": "オンライン旅行と宿泊", "zh": "在线旅行与住宿" }, "디자인 소프트웨어": { "en": "Design software", "jp": "デザインソフトウェア", "zh": "设计软件" }, "맥주": { "en": "Beer", "jp": "ビール", "zh": "啤酒" }, "숙박 중개": { "en": "Lodging marketplace", "jp": "宿泊仲介", "zh": "住宿中介" }, "언어교육 서비스": { "en": "Language learning services", "jp": "語学教育サービス", "zh": "语言教育服务" }, "이동통신": { "en": "Mobile carrier", "jp": "移動体通信", "zh": "移动通信" }, "대형마트": { "en": "Hypermarket", "jp": "大型スーパー", "zh": "大型超市" }, "물류센터": { "en": "Fulfillment center", "jp": "物流センター", "zh": "物流中心" }, "완성차": { "en": "Automaker", "jp": "完成車", "zh": "整车制造" }, "온라인 동영상": { "en": "Online video", "jp": "オンライン動画", "zh": "在线视频" }, "전자상거래 플랫폼": { "en": "E-commerce platform", "jp": "電子商取引プラットフォーム", "zh": "电子商务平台" }, "온라인 식료품": { "en": "Online grocery", "jp": "オンライン食料品", "zh": "在线生鲜杂货" }, "가전": { "en": "Home appliances", "jp": "家電", "zh": "家电" }, "채용 플랫폼": { "en": "Recruiting platform", "jp": "採用プラットフォーム", "zh": "招聘平台" }, "유무선 통신": { "en": "Fixed and mobile telecom", "jp": "固定・移動通信", "zh": "固定与移动通信" }, "가공식품": { "en": "Processed food", "jp": "加工食品", "zh": "加工食品" }, "반도체": { "en": "Semiconductors", "jp": "半導体", "zh": "半导体" }, "석유와 가스": { "en": "Oil and gas", "jp": "石油とガス", "zh": "石油与天然气" }, "기업용 소프트웨어": { "en": "Enterprise software", "jp": "企業向けソフトウェア", "zh": "企业级软件" }, "금융 사기 방지 기술": { "en": "Fraud prevention technology", "jp": "金融不正防止技術", "zh": "金融反欺诈技术" }, "소셜 플랫폼": { "en": "Social platform", "jp": "ソーシャルプラットフォーム", "zh": "社交平台" }, "가맹점 결제": { "en": "Merchant payments", "jp": "加盟店決済", "zh": "商户支付" }, "상하수도": { "en": "Water and wastewater", "jp": "上下水道", "zh": "供水与排水" }, "폐기물 선별": { "en": "Waste sorting", "jp": "廃棄物選別", "zh": "垃圾分拣" }, "가전 부품": { "en": "Appliance components", "jp": "家電部品", "zh": "家电零部件" }, "법률": { "en": "Legal", "jp": "法務", "zh": "法律" }, "회계감사": { "en": "Audit", "jp": "会計監査", "zh": "会计审计" }, "음료": { "en": "Beverages", "jp": "飲料", "zh": "饮料" }, "상업용 부동산 서비스": { "en": "Commercial real estate services", "jp": "商業用不動産サービス", "zh": "商业地产服务" }, "의료 네트워크": { "en": "Health system", "jp": "医療ネットワーク", "zh": "医疗网络" }, "화장품": { "en": "Cosmetics", "jp": "化粧品", "zh": "化妆品" }, "연어 양식": { "en": "Salmon farming", "jp": "サーモン養殖", "zh": "三文鱼养殖" }, "의류": { "en": "Apparel", "jp": "衣料", "zh": "服装" }, "생명보험": { "en": "Life insurance", "jp": "生命保険", "zh": "人寿保险" }, "온라인 게임 플랫폼": { "en": "Online gaming platform", "jp": "オンラインゲームプラットフォーム", "zh": "在线游戏平台" }, "공항 지상조업": { "en": "Airport ground handling", "jp": "空港地上業務", "zh": "机场地面服务" }, "채용과 인력 서비스": { "en": "Staffing and recruitment services", "jp": "人材採用サービス", "zh": "招聘与人力服务" }, "차량 호출": { "en": "Ride-hailing", "jp": "配車", "zh": "网约车" }, "농업 기술 서비스": { "en": "Agricultural technology services", "jp": "農業技術サービス", "zh": "农业技术服务" }, "중고 거래 플랫폼": { "en": "Secondhand marketplace", "jp": "中古取引プラットフォーム", "zh": "二手交易平台" }, "패션 전자상거래": { "en": "Fashion e-commerce", "jp": "ファッション電子商取引", "zh": "时尚电商" }, "항공": { "en": "Airline", "jp": "航空", "zh": "航空" }, "온라인 광고": { "en": "Online advertising", "jp": "オンライン広告", "zh": "在线广告" }, "계약물류": { "en": "Contract logistics", "jp": "契約物流", "zh": "合同物流" }, "음식 배달": { "en": "Food delivery", "jp": "フードデリバリー", "zh": "外卖配送" }, "중고 의류 플랫폼": { "en": "Secondhand clothing platform", "jp": "中古衣料プラットフォーム", "zh": "二手服装平台" }, "기초화학": { "en": "Basic chemicals", "jp": "基礎化学", "zh": "基础化工" }, "화학 연구개발": { "en": "Chemical research and development", "jp": "化学研究開発", "zh": "化学研发" }, "제약용 소재": { "en": "Pharmaceutical materials", "jp": "医薬品用素材", "zh": "制药用材料" }, "정밀농업 장비": { "en": "Precision agriculture equipment", "jp": "精密農業機器", "zh": "精准农业装备" }, "광고와 마케팅": { "en": "Advertising and marketing", "jp": "広告とマーケティング", "zh": "广告与营销" }, "전력과 가스 공급": { "en": "Power and gas utility", "jp": "電力・ガス供給", "zh": "电力与燃气供应" }, "식품 소매": { "en": "Food retail", "jp": "食品小売", "zh": "食品零售" }, "커피 원료 공급망": { "en": "Coffee supply chain", "jp": "コーヒー原料サプライチェーン", "zh": "咖啡原料供应链" }, "항공우주": { "en": "Aerospace", "jp": "航空宇宙", "zh": "航空航天" }, "구리": { "en": "Copper", "jp": "銅", "zh": "铜" }, "병원": { "en": "Hospital", "jp": "病院", "zh": "医院" }, "결제": { "en": "Payments", "jp": "決済", "zh": "支付" }, "온라인 여행 예약": { "en": "Online travel booking", "jp": "オンライン旅行予約", "zh": "在线旅行预订" }, "신약 개발": { "en": "Drug discovery", "jp": "新薬開発", "zh": "新药研发" }, "종합건설": { "en": "General contracting", "jp": "総合建設", "zh": "综合建筑" }, "토목공사": { "en": "Civil engineering", "jp": "土木工事", "zh": "土木工程" }, "재활용 시설": { "en": "Recycling facility", "jp": "リサイクル施設", "zh": "回收设施" }, "디지털 은행": { "en": "Digital bank", "jp": "デジタル銀行", "zh": "数字银行" }, "종합보험": { "en": "Multiline insurance", "jp": "総合保険", "zh": "综合保险" }, "화물 운송 플랫폼": { "en": "Freight platform", "jp": "貨物輸送プラットフォーム", "zh": "货运平台" }, "기업금융": { "en": "Corporate banking", "jp": "法人金融", "zh": "企业金融" }, "호텔": { "en": "Hotels", "jp": "ホテル", "zh": "酒店" }, "산림 관리": { "en": "Forest management", "jp": "森林管理", "zh": "森林管理" }, "시멘트": { "en": "Cement", "jp": "セメント", "zh": "水泥" }, "제약": { "en": "Pharmaceuticals", "jp": "製薬", "zh": "制药" }, "임상시험 기술": { "en": "Clinical trial technology", "jp": "臨床試験技術", "zh": "临床试验技术" }, "번역 소프트웨어": { "en": "Translation software", "jp": "翻訳ソフトウェア", "zh": "翻译软件" }, "보험 중개": { "en": "Insurance brokerage", "jp": "保険仲介", "zh": "保险经纪" }, "생활용품": { "en": "Household products", "jp": "生活用品", "zh": "日用品" }, "공급망 계획": { "en": "Supply chain planning", "jp": "供給網の計画", "zh": "供应链计划" }, "귀금속 소매": { "en": "Jewellery retail", "jp": "宝飾品小売", "zh": "珠宝零售" }, "온라인 학습 서비스": { "en": "Online learning services", "jp": "オンライン学習サービス", "zh": "在线学习服务" }, "프라이빗 뱅킹": { "en": "Private banking", "jp": "プライベートバンキング", "zh": "私人银行" } }, "country": { "미국": { "en": "United States", "jp": "米国", "zh": "美国" }, "분류 생략": { "en": "Not classified", "jp": "分類なし", "zh": "未分类" }, "한국": { "en": "South Korea", "jp": "韓国", "zh": "韩国" }, "독일": { "en": "Germany", "jp": "ドイツ", "zh": "德国" }, "프랑스": { "en": "France", "jp": "フランス", "zh": "法国" }, "영국": { "en": "United Kingdom", "jp": "英国", "zh": "英国" }, "싱가포르": { "en": "Singapore", "jp": "シンガポール", "zh": "新加坡" }, "네덜란드": { "en": "Netherlands", "jp": "オランダ", "zh": "荷兰" }, "스웨덴": { "en": "Sweden", "jp": "スウェーデン", "zh": "瑞典" }, "스페인": { "en": "Spain", "jp": "スペイン", "zh": "西班牙" }, "캐나다": { "en": "Canada", "jp": "カナダ", "zh": "加拿大" }, "스위스": { "en": "Switzerland", "jp": "スイス", "zh": "瑞士" }, "중국": { "en": "China", "jp": "中国", "zh": "中国" }, "다국가": { "en": "Multiple countries", "jp": "複数国", "zh": "多个国家" }, "호주": { "en": "Australia", "jp": "オーストラリア", "zh": "澳大利亚" }, "노르웨이": { "en": "Norway", "jp": "ノルウェー", "zh": "挪威" }, "리투아니아": { "en": "Lithuania", "jp": "リトアニア", "zh": "立陶宛" }, "사우디아라비아": { "en": "Saudi Arabia", "jp": "サウジアラビア", "zh": "沙特阿拉伯" }, "일본": { "en": "Japan", "jp": "日本", "zh": "日本" }, "브라질": { "en": "Brazil", "jp": "ブラジル", "zh": "巴西" }, "핀란드": { "en": "Finland", "jp": "フィンランド", "zh": "芬兰" } }, "stage": { "운영": { "en": "In operation", "jp": "運用中", "zh": "运营中" }, "제한 운영": { "en": "Limited operation", "jp": "限定運用", "zh": "有限运营" }, "실증": { "en": "Pilot", "jp": "実証", "zh": "试点验证" }, "도입 발표": { "en": "Adoption announced", "jp": "導入発表", "zh": "宣布采用" }, "중단 결정": { "en": "Discontinued", "jp": "中止決定", "zh": "决定终止" }, "재확인 필요": { "en": "Needs recheck", "jp": "再確認が必要", "zh": "需重新核验" } }, "scope": { "본조사": { "en": "Evidence reviewed", "jp": "根拠確認済み", "zh": "已核验依据" }, "추가 확인 후보": { "en": "Pending review", "jp": "追加確認候補", "zh": "待进一步核验" } }, "company": { "CJ대한통운": { "en": "CJ Logistics", "jp": "CJ大韓通運", "zh": "CJ大韩通运" }, "CJ제일제당": { "en": "CJ CheilJedang", "jp": "CJ第一製糖", "zh": "CJ第一制糖" }, "JDE Peet’s와 Airbus": { "en": "JDE Peet’s and Airbus", "jp": "JDE Peet’sとAirbus", "zh": "JDE Peet’s 与 Airbus" }, "LG유플러스": { "en": "LG Uplus", "jp": "LGユープラス", "zh": "LG U+" }, "LG전자": { "en": "LG Electronics", "jp": "LGエレクトロニクス", "zh": "LG电子" }, "Lufthansa와 Fraport": { "en": "Lufthansa and Fraport", "jp": "LufthansaとFraport", "zh": "Lufthansa 与 Fraport" }, "L’Oréal": { "en": "L’Oréal", "jp": "ロレアル", "zh": "欧莱雅" }, "SK하이닉스": { "en": "SK hynix", "jp": "SKハイニックス", "zh": "SK海力士" }, "교보생명": { "en": "Kyobo Life Insurance", "jp": "教保生命保険", "zh": "教保生命保险" }, "포스코": { "en": "POSCO", "jp": "ポスコ", "zh": "浦项制铁" }, "포스코DX": { "en": "POSCO DX", "jp": "ポスコDX", "zh": "浦项制铁DX" } }, "dateLabel": { "2025년 보관 자료 분류": { "en": "Classified from 2025 archive records", "jp": "2025年の保管資料による分類", "zh": "依据2025年存档资料分类" }, "2025-06-16, 2026-07-14 수정": { "en": "2025-06-16, revised 2026-07-14", "jp": "2025-06-16、2026-07-14 修正", "zh": "2025-06-16，2026-07-14 修订" }, "2026-01-05 및 2025년 연차보고서": { "en": "2026-01-05 and the 2025 annual report", "jp": "2026-01-05 および2025年の年次報告書", "zh": "2026-01-05 及2025年年报" }, "2025 주주답변": { "en": "2025 answer to shareholders", "jp": "2025年の株主への回答", "zh": "2025年致股东答复" } }, "dateBasis": { "자료 발표 시점. 도입 시작일과 다를 수 있음": { "en": "The date the source was published. It can differ from the date adoption started.", "jp": "資料が公開された時点。導入を開始した日とは異なる場合がある。", "zh": "资料发布的时间，可能与启用日期不同。" }, "이번 조사에서 게시일과 운영 상태를 재확인하지 않음": { "en": "The publication date and the operating status were not rechecked in this round of research.", "jp": "今回の調査では公開日と運用状況を再確認していない。", "zh": "本次调查未重新核验发布日期与运营状态。" }, "보고서 또는 답변 문서의 연도": { "en": "The year of the report or the written reply.", "jp": "報告書または回答文書の年。", "zh": "报告或书面答复所载年份。" } }, "evidenceAccess": { "원문 본문 열람": { "en": "Read the full source text", "jp": "原文の本文を閲覧", "zh": "阅读原文正文" }, "이번 조사 원문 미확인": { "en": "Source not rechecked in this round", "jp": "今回の調査では原文未確認", "zh": "本次调查未核验原文" }, "검색 도구의 본문 발췌 확인": { "en": "Checked a source excerpt through a search tool", "jp": "検索ツールの本文抜粋で確認", "zh": "通过搜索工具的正文摘录核验" } } } }