최신 기술 콘텐츠

직원의 5%가 디자이너, 95%가 개발자. 스크린샷으로 시안을 주고받던 회사가 Claude Design을 Claude Code 안에 넣고 8주 만에 벌어진 일. 화면 하나에 3.5일 걸리던 게 1일로, 브랜드 리뷰 반려율 34%가 6%로. 비결은 AI가 아니라 tokens.css 한 파일이었다.

How per-speaker text signatures lifted overall accuracy from the low 40s to 58% (and to 83% for speakers with history), and the ten plausible ideas we killed with data along the way.

Metric·Trace·Log 대용량 파이프라인부터 AI/LLM 이상 탐지, 배포·운영 자동화, SLI/SLO 기반 24×365 운영까지 — 자체 R&D 솔루션과 FDE로 구현하는 TecAce의 AIOps 전략을 소개합니다.

Enterprise AI OS는 기업의 여러 AI Workspaces & Agents와 업무 자원을 공통 정책 아래에서 실행·통제하는 운영 계층입니다. AI 활용 성숙도 Level 0~4 가운데 병목은 Level 2와 3 사이에 있으며, 이 경계는 모델이 아니라 운영체제로 넘습니다. Governed Capability Skills, Security & Policy Harness, Tool/Resource Gateway, AI Supervision을 통해 업무 영역에 종속되지 않는 확장 가능한 기업 AI 운영 기반을 구축합니다.

섀도 AI는 침해 사고의 43%에 관여하고, 한국 기업 74%가 AI를 최대 데이터 보안 위험으로 꼽습니다. AI 전담 조직 없는 30~300명 중소·중견기업이 2주 안에 실행할 수 있는 AI 거버넌스 점검 8단계와 업종별 1순위 점검 대상, AI 기본법 대응 출발점을 정리했습니다.

CCAF(Claude Certified Architect – Foundations) 인증 기반 등록 — 2026년 6월 5일 TecAce Software, LTD.(이하 TecAce)가 2026년 6월 5일자로 Anthropic의 공식 파트너 프로그램인 '클로드 파트너 네트워크(Claude Partner Network)'에 정식 등록됐다. 이번 등록은 TecAce 소속 엔지니어들이 Anthropic이 발급하는 첫 공식 기술 인증인 CCAF(Claude Certified Architect – Foundations)를 취득한 데 따른 것이다. 아래에서는 TecAce의 등록 소식과 함께, 그 배경이 되는 CCAF 인증의 구조, 파트너 네트워크의 등급 체계, 그리고 Accenture·DXC·PwC 등 다른 파트너사들의 인증 확대 동향을 함께 정리했다. 1. 클로드 파트너 네트워크란 클로드 파트너 네트워크는 Anthropic이 2026년 3월 출범시킨 공식

KEEP AI ON BRAND AX Hub, Skill, Governance의 역할 AI를 막을 수 없다면, 브랜드 안에서 일하게 만들어야 한다. AX Hub는 AI 시대의 브랜드 운영 시스템이다. 핵심 메시지 AI를 막을 수 없다면, 브랜드 안에서 일하게 만들어야 한다. 요약 (Executive Summary) 많은 회사가 브랜드 가이드를 가지고 있습니다. 하지만 대부분은 PDF입니다. 누군가 만들어놓고, 폴더 안에 들어가 있고, 필요할 때 찾아보는 문서입니다. 문제는 AI가 그 PDF를 알아서 지키지 않는다는 것입니다. AI가 브랜드다운 결과물을 만들려면, 브랜드 기준이 그냥 문서로 있는 것이 아니라 AI가 실제로 참고하고 사용할 수 있는 구조로 존재해야 합니다. 브랜드 가이드, 디자인 자산, 문서 템플릿, 프롬프트 Skill, 검수 흐름이 하나로 연결되어야 합니다. TecAce는 이 구조를 AX Hub 중심으로 설계합니다. AX Hub는 단순

WHO APPROVED THIS AI DESIGN? 속도보다 중요한 것은 일관성 빠르게 만들었다고 좋은 디자인이 되는 것은 아닙니다. 브랜드는 검수 없이 지켜지지 않습니다. 핵심 메시지 AI는 누구나 디자인할 수 있게 만들었지만, 브랜드 일관성은 아무나 지킬 수 없습니다. 요약 (Executive Summary) AI 시대에 회사 안에서 가장 빠르게 늘어나는 것은 디자이너가 아니라, AI로 무언가를 만드는 사람들입니다. 영업팀은 제안서를, 마케팅팀은 배너를, PM은 화면 초안을, 운영팀은 카드뉴스를 만듭니다. 처음에는 좋아 보입니다. 빠르고 편하며 비용도 줄어드는 것 같습니다. 하지만 시간이 지나면 문제가 드러납니다. 폰트가 다르고, 색이 다르고, 문장 톤이 다르고, 이미지 무드가 다르고, 레이아웃이 제각각입니다. 결국 회사가 전하고 싶은 인상이 흐려집니다. TecAce는 이 문제를 "비디자이너가 AI를 써서 생기는 문제"로 보지 않습니다. 진짜

AI 보이스 에이전트가 예약 비즈니스의 표준이 되는 이유 음식점이든 클리닉이든 정비소든, 예약을 받아 운영하는 비즈니스라면 익숙한 장면이 있습니다. 눈앞의 손님을 응대하는 동안 전화벨이 울리고, 직원은 둘 중 하나를 선택해야 합니다. 손님을 두고 전화를 받거나, 전화를 포기하거나. 이렇게 놓치는 전화 한 통의 평균 손실은 약 450달러이고, 연간으로 환산하면 예방 가능한 매출 손실이 4만 2천 달러에 이른다는 조사 결과가 있습니다. 더 뼈아픈 건, 전화가 음성사서함으로 넘어간 고객의 93%는 다시 걸지 않는다는 점입니다. 한 번의 부재중이 곧 한 명의 이탈 고객이 되는 셈입니다. 이 문제를 사람을 더 뽑는 대신 AI로 풀기 시작한 기업이 빠르게 늘고 있습니다. 오늘은 AI 보이스 에이전트가 정확히 무엇을 하는 기술인지, 왜 지금 예약 기반 서비스 비즈니스의 표준 인프라로 자리잡고 있는지, 그리고 TecAce는 이 흐름에 어떻게 접근하고 있는지 정

FDE(Forward Deployed Engineer, 파견 엔지니어)는 고객사 현장에 직접 들어가 비즈니스의 실제 작동 방식을 파악하고, AI가 들어갈 곳과 아닌 곳을 구분하며, 기존 시스템 위에서 안정적으로 작동하는 AI를 구축·배포·운영까지 전적으로 책임지는 엔지니어입니다. 대상: 생성형 AI를 도입하고 싶지만 PoC(개념 검증) 단계를 넘지 못하고 있는 중소·중견기업(Mid-market) 해결하는 문제: 범용 AI 지능과 우리 회사의 구체적인 업무 현실 사이의 간극 (대부분의 AI 파일럿이 실패하는 핵심 요인) 차별점: 원격 자문만 남기고 떠나는 전통적 컨설팅이 아닙니다. 엔지니어가 현장에 파견하며 진단 ➔ 구축 ➔ 배포 ➔ 운영 정착까지 책임집니다. TecAce의 경쟁력: Anthropic Claude 공식 파트너로서 12명의 Claude 인증 아키텍트를 보유하고 있으며, 미국 Bellevue(WA)와 서울 양 거점에서 FDE를 파견하는

요약 : 기업 생성형 AI 파일럿의 95%가 운영에 도달하지 못하는 이유는 모델 성능이 아니라 '운영 적합성(operational fit)' 때문이며, 제조업이 이를 넘으려면 화려한 데모가 아니라 하나의 업무를 데이터까지 연결해 끝까지(end-to-end) 자동화하는 5단계 프레임으로 접근해야 합니다. 한눈에 보기 내용 누구를 위한 글인가 AI 팀이 없거나 1~2명뿐인 중소·중견 제조사의 의사결정자·실무자 어떤 문제를 푸는가 데모는 됐는데 현장에서 아무도 안 쓰는 'PoC 무덤' 핵심 프레임 업무 선정 → 워크플로우 해부 → 데이터·시스템 연결 → 사람·AI 역할 분담 → 측정·확장 근거 MIT 기업 AI 도입 300건+ 분석, Stanford Enterprise AI Playbook 작년에 AI 파일럿 두 개를 돌렸습니다. 데모 날엔 박수가 나왔죠. 그런데 지금, 현장에서 그 AI를 쓰는 사람은 한 명도 없습니다. 중견 제조사 임원들과 이야기하다

TecAce가 AX Diagnostic을 만든 이유와, 그것으로 무엇을 알 수 있는지에 대하여

"스마트폰에 AI를 올린다고요?" — 시작된 무모한 도전 테크에이스 AI Supervision 팀의 On-Device LLM Tester 제작기 "저... 스마트폰에서 LLM 성능을 자동으로 측정하고 싶어요." 회의실에 잠깐의 침묵이 흘렀다. 우리 팀은 자체 온디바이스 AI 챗봇을 개발 중이었다. 문제는 모델을 바꿀 때마다 테스트하는 사람이 직접 폰을 붙들고, 프롬프트를 하나씩 보내고, 시간을 손으로 재야 했다는 것. 그 과정이 무려 60분 넘게 걸렸다. 당시 챗봇에는 3B 파라미터 모델이 탑재되어 있었는데, Phi-4 Mini(3.8B), Gemma 3(4B), Llama 3.2(3B), Qwen 3(4B) 같은 신모델들이 쏟아지고 있었다. 이 모델들을 일일이 수동으로 테스트하다간 모델 비교만 하다가 한 달이 지나가는 상황. "그냥 자동화합시다." 그렇게 On-Device LLM Tester 프로젝트가 시작됐다. 목표는 딱 세 가지였다. Hugg

DESIGNER IS NOT DEAD AI Transformation 시대, 디자인은 툴이 아니라 기준의 문제가 된다 Figma냐 Adobe냐가 핵심이 아니다. AI 도구가 많아지는 시대의 진짜 질문은 이것이다. 툴이 바뀌어도 브랜드와 작업 기준은 유지되는가? 요약 (Executive Summary) AI 도구가 늘어나면서 “이제 Figma 없이도 되나?”, “Adobe 없이도 디자인할 수 있나?”라는 질문이 많아졌습니다. 하지만 이 질문은 핵심을 조금 비껴갑니다. 중요한 것은 디자이너가 필요 없어지는가가 아닙니다. 오히려 AI 시대에는 디자이너의 역할이 더 넓어지고 있습니다. 단순히 하나의 툴을 잘 다루는 것을 넘어, 어떤 기준으로 만들고, 어떤 결과물을 선택하며, 어디까지 수정하고 승인할지를 판단하는 역할이 중요해졌습니다. 예전에는 툴이 중심이었습니다. 어떤 프로그램을 얼마나 잘 다루는지가 생산성과 품질을 결정했습니다. 이제는 다릅니다. Fig

Gartner는 AI 실패의 85%가 데이터 품질 문제라고 했다. 한국·미국 SMB·중견기업에서 반복 관찰되는 3가지 실패 패턴과, 도입 전 자가진단용 20개 체크리스트. 이 중 진짜 사람이 해야 할 일은 단 8개다.

인터넷이 없는 곳에서도 AI는 작동해야 합니다. TecAce On-device는 OTA 업데이트와 오프라인/온라인 하이브리드 아키텍처를 결합하여, 신호가 닿지 않는 공장 현장부터 산속 캠핑장까지 — 어디서든 최신 지식을 제공합니다. 이 아티클에서는 TecAce 플랫폼이 적용될 수 있는 5가지 산업 사례를 구체적인 시나리오와 함께 살펴봅니다. 사례 1. 현장 작업자용 AI 매뉴얼 동반자 Field AI Companion — 공장 · 조선소 · 플랜트 ▲ 현장 작업자가 태블릿으로 AI 매뉴얼에 접근하는 실제 환경 숙련공이 떠나도 지식은 남는다. 제조·건설·플랜트 현장의 가장 큰 위기는 '지식 이탈'입니다. 20년 경력의 기술자가 퇴직하는 순간, 수백 장의 장비 매뉴얼과 현장 노하우가 함께 사라집니다. 신입 작업자는 인터넷도 안 되는 현장에서 수백 페이지 PDF를 뒤지거나 선배에게 전화를 겁니다. TecAce의 Field AI Companion은 현장

프롬프트 기반 UI·문서·프로토타입 워크플로우 디자인은 이제 마우스로만 만드는 일이 아니라, AI와 대화하며 구조를 잡는 일이 되고 있다. 요약 (Executive Summary) Claude Design과 같은 대화형 디자인 도구는 디자인의 시작점을 바꾸고 있습니다. 이제 디자인은 빈 캔버스에서만 시작되지 않습니다. 사용자가 원하는 것을 설명하면 AI가 첫 번째 버전을 만들고, 이후 대화와 코멘트, 직접 편집을 통해 결과물을 다듬는 방식이 점점 보편화되고 있습니다. 이 변화는 디자인 생산성을 크게 높입니다. UI 구조, 문서 초안, 슬라이드, 원페이저, 프로토타입까지 대화형 방식으로 빠르게 만들 수 있기 때문입니다. 하지만 동시에 위험도 커집니다. 누구나 대화로 디자인할 수 있다면, 누구나 브랜드를 흔들 수도 있습니다. TecAce는 이 문제를 단순한 프롬프트 교육으로 해결할 수 없다고 판단했습니다. 필요한 것은 “프롬프트를 잘 쓰는 개인”이 아

인공지능은 빠르게 진화하고 있습니다. 그중에서도 가장 흥미로운 발전 중 하나는 디바이스에서 직접 작동하는 효율적인 AI 언어 도구의 등장입니다. 이러한 변화는 기업이 데이터, 개인정보 보호, 처리 속도를 다루는 방식을 근본적으로 바꾸고 있습니다. 이제 AI는 클라우드 서버에만 의존하지 않고 스마트폰, 노트북, 엣지 디바이스에서 로컬로 실행될 수 있습니다. 이 글에서는 온디바이스 대규모 언어 모델(LLM)이 무엇인지, 왜 중요한지, 그리고 기업 운영을 어떻게 혁신할 수 있는지 살펴봅니다. 오늘날 효율적인 AI 언어 도구가 중요한 이유 오늘날의 디지털 환경에서는 속도와 개인정보 보호가 가장 중요합니다. 기업은 즉각적으로 응답하면서도 민감한 데이터를 안전하게 보호할 수 있는 AI 솔루션을 요구합니다. 클라우드 기반 AI는 그동안 많은 역할을 해왔지만, 지연 시간과 프라이버시 문제가 동반됩니다. 디바이스에서 직접 작동하는 효율적인 AI 언어 도구는 데이터

온디바이스 AI의 미래와 TecAce의 로드맵 지난 9편의 연재를 통해 우리는 클라우드 비용과 보안 문제의 해결책인 '온디바이스 AI'의 개념부터, 경량화 모델(SLM)의 선정과 양자화, 오프라인 STT/TTS의 통합, 로컬 RAG 구축, 그리고 AI SuperVision을 활용한 깐깐한 품질 검증과 하드웨어 성능 최적화까지 챗봇 개발의 모든 여정을 살펴보았습니다. 대장정의 마지막인 이번 10편에서는 TecAce 팀이 이번 프로젝트를 통해 얻은 값진 교훈(Lessons Learned)을 돌아보고, 단순한 대화형 챗봇을 넘어 스스로 사고하고 행동하는 'Agentic AI(자율 행동 AI)' 로 진화하기 위한 향후 로드맵을 공유하며 시리즈를 마무리하고자 합니다. AI Supervision Main Dashboard 1. Lessons Learned: 프로젝트를 통해 얻은 세 가지 교훈 SLM은 '장난감'이 아니다: 목적에 맞는 최적화의 힘 초기에

성능 한계 도전 발열, 배터리, 그리고 응답 속도 지난 8편에서는 'AI SuperVision'을 통해 챗봇의 환각(Hallucination)을 잡아내고 답변의 품질을 높이는 과정을 공유했습니다. 모델이 똑똑해지고 정확해지는 것은 기쁜 일이지만, 실제 스마트폰(Galaxy S25 FE 등) 환경에서 이를 구동할 때 우리는 매우 물리적이고 현실적인 벽에 부딪히게 됩니다. 바로 발열(Thermal), 배터리 소모, 그리고 응답 속도(Latency) 의 한계입니다. 클라우드 데이터센터의 무한한 자원과 달리, 한 손에 들어오는 모바일 기기는 전력과 냉각 능력이 극도로 제한되어 있습니다. 이번 9편에서는 TecAce 팀이 진정한 온디바이스 AI 구현을 위해 이 물리적 제약들과 어떻게 타협하고 최적화했는지 생생한 성능 벤치마크 과정과 인사이트를 공유합니다. 1. 모바일 AI의 3대 체감 성능 지표: TTFT, TPS, IPW 사용자가 챗봇을 사용할 때