본문으로 건너뛰기

포토리뷰 518장을 다시 보니 결론이 달라졌다: Slack AI 봇으로 고객 설치환경을 데이터베이스화한 과정

벤쿠버쪼

2026.08.08

포토리뷰 518장을 다시 보니 결론이 달라졌다: Slack AI 봇으로 고객 설치환경을 데이터베이스화한 과정 본문 이미지

소개

통돌이 세탁기를 구매한 고객에게 건조기를 함께 제안할 수 있을까?

처음에는 제품 사양과 대표 포토리뷰를 보면 어느 정도 답할 수 있다고 생각했습니다.

실제로 T19 계열 대표 사진 33장과 기존 상세 사례를 분석했을 때는 설치 어려움이 71.9%였습니다.

결론은 꽤 명확해 보였습니다.

“대부분의 고객 공간에서는 건조기 추가 설치가 어렵다.”

그런데 대표 사진이 아니라 설치환경 후보 518장 전체를 다시 분석하자 결론이 달라졌습니다.

유효한 설치사례 359건 가운데 설치 어려움은 16.2%였고, 가장 많은 판정은 **판단 불가 74.1%**였습니다.

이 과정에서 에르메스(Hermes) Slack AI 봇과 이미지 판독 Skill을 활용했습니다.

수백 장의 사진을 일회성으로 AI에게 물어보는 대신, 이미지를 일정한 기준으로 자동 분류하는 작업을 Skill로 만들고 반복 실행했습니다. 그리고 판독 결과를 설치환경 DB에 축적했습니다.

결국 이번 프로젝트에서 만든 것은 단순한 이미지 분석 결과가 아니었습니다.

포토리뷰
→ Hermes 이미지 판독 Skill
→ 구조화된 설치환경 데이터
→ 설치 가능성 판단
→ 추가로 확인해야 할 조건
→ 상품기획·상담 인사이트

가 연결되는 작은 AI 업무 시스템을 만들었습니다.


진행 방법

1. 포토리뷰를 VOC가 아니라 ‘설치환경 데이터’로 보기 시작했습니다

제품 DB에는 세탁기의 크기와 기능은 있지만, 고객이 실제로 어떤 공간에서 제품을 사용하는지는 없습니다.

그런데 포토리뷰에는 상품 DB에서 볼 수 없는 정보가 남아 있었습니다.

  • 세탁기 좌우 공간

  • 상부 공간

  • 수도·호스

  • 배수구

  • 창호

  • 보일러·배관

  • 인접 가전

  • 전면 이동 동선

그래서 포토리뷰를 단순한 후기 이미지가 아니라 고객 설치환경을 보여주는 증거 데이터로 활용해 보기로 했습니다.

전체 조사 범위는 다음과 같았습니다.

  • 세탁기 모델: 57개

  • 단품 상품코드: 88개

  • 포토리뷰 이미지 참조: 7,461건

  • 실제 다운로드·판독 가능 이미지: 7,365장

하지만 7,365장을 사람이 처음부터 하나씩 보는 것은 비효율적입니다.

여기서 Hermes의 이미지 분류·판독 Skill을 활용했습니다.


2. 반복되는 이미지 판독을 Hermes Skill로 만들었습니다 🤖

이번 프로젝트에서 Hermes Slack 봇의 핵심 역할은 이미지 자동 분류였습니다.

AI에게 그때그때 사진을 보여주면서 질문하는 방식이 아니라, 반복해서 사용할 판독 기준을 Skill로 만들어 실행했습니다.

개념적으로는 다음과 같은 작업입니다.

[포토리뷰 이미지]
        ↓
[Hermes 이미지 판독 Skill]
        ↓
설치환경 후보인가?
        ↓
공간과 주변 설비가 보이는가?
        ↓
가시적인 제약은 무엇인가?
        ↓
설치 판단에 필요한 정보가 충분한가?
        ↓
[구조화된 판독 결과]

AI를 단순히 “사진을 보는 모델”로 사용한 것이 아니라, 정해진 업무 기준에 따라 반복 작업을 수행하는 에이전트로 사용한 셈입니다.

이를 통해 수천 장의 이미지에서 먼저 설치환경일 가능성이 있는 후보를 좁혔습니다.

T19 계열에서는 최종적으로 518장이 상세 판독 후보로 남았습니다.

이 518장은 503개 리뷰에서 나온 이미지였습니다.


3. 중요한 것은 AI 판독 결과를 답으로 쓰지 않은 것입니다

여기서 한 가지 원칙을 정했습니다.

Hermes가 설치환경 후보라고 분류했다고 해서 그것을 곧바로 설치환경 데이터로 사용하지 않는다.

AI의 역할은 우선 대량 이미지에서 후보를 빠르게 찾는 것이었습니다.

최종적으로 설치 가능성을 판단하려면 더 엄격한 기준이 필요했습니다.

그래서 분석 단위를 두 개로 나눴습니다.

이미지 단위

  • 사진에 무엇이 보이는지 기록

  • AI 판독의 근거를 보존

설치사례 단위

  • 같은 리뷰의 여러 이미지를 하나로 묶음

  • 최종 설치환경 판단과 통계에 활용

이 구조 덕분에 AI의 결과를 그대로 결론으로 사용하는 대신,

AI 자동 분류
→ 상세 판독
→ 사례 단위 통합
→ DB 축적
→ 분석

이라는 단계를 만들 수 있었습니다.


4. 대표 사진 33장만 봤을 때는 결론이 너무 강했습니다

처음에는 다른 T19 모델 11개에서 대표 설치환경 사진을 모델당 3장씩 골랐습니다.

총 33장이었습니다.

기존 상세 사례까지 포함한 초기 결과는 다음과 같았습니다.

  • 설치 어려움: 71.9%

  • 조건부 가능: 22.8%

  • 판단 불가: 5.3%

이 결과만 보면,

“대부분의 고객은 건조기를 추가하기 어렵다.”

라고 결론 내리기 쉽습니다.

하지만 대표 사진을 선택하는 과정 자체에 문제가 있었습니다.

사람이 ‘대표적인 설치환경’을 고르면 자연스럽게 보일러, 배관, 창호, 좁은 공간처럼 특징이 잘 보이는 사진을 선택하기 쉽습니다.

즉, 대표 사진은

어떤 문제가 존재하는지 발견하는 데는 유용하지만, 그 문제가 얼마나 자주 발생하는지 판단하기에는 위험했습니다.

그래서 대표 사례 분석에서 멈추지 않고 Hermes가 찾아낸 518장의 설치환경 후보 전체를 다시 분석했습니다.


5. 첫 번째 518장 분석 결과는 과감하게 폐기했습니다

첫 번째 전수판독에서는 처리 속도를 높이기 위해 한 콘택트 시트에 사진 12장을 넣었습니다.

하지만 독립적으로 품질을 검사해 보니 문제가 있었습니다.

  • 표본 48장 중 26장에서 하나 이상의 불일치

  • 비교한 288개 필드 중 85개 불일치

  • 설치 판단 오류가 포함된 이미지: 22건

원인을 확인해 보니 사진 크기가 너무 작았습니다.

그 결과,

  • 일반 선반을 랙으로 오인하거나

  • 사진 밖 공간을 추론하거나

  • 앞에서 본 이미지의 패턴을 다음 사진에 적용하는

오류가 발생했습니다.

그래서 첫 번째 결과는 최종 DB에 반영하지 않고 폐기했습니다.

이 과정에서 AI 이미지 분석에 대한 중요한 원칙 하나를 얻었습니다.

AI에게 이미지를 많이 보여주는 것보다, 제대로 볼 수 있는 조건을 만들어주는 것이 먼저다.

두 번째 판독에서는 한 화면의 이미지를 12장에서 6장으로 줄이고 전체 518장을 87개의 확대 시트로 다시 만들었습니다.


6. Skill의 판정 기준도 “모르면 모른다”로 바꿨습니다

이미지 크기만 키운 것은 아닙니다.

Hermes 이미지 판독 과정에서 사용하는 판단 기준도 더 보수적으로 정리했습니다.

예를 들어 병렬 설치는:

  • 실제 빈 옆 공간이 보임 → 조건부 가능

  • 벽·가전 등이 공간을 막음 → 설치 어려움

  • 좌우 공간이 사진 밖임 → 판단 불가

상부 랙 설치는:

  • 상부 수직 공간이 충분히 보임 → 조건부 가능

  • 상부장·선반·보일러 등이 막음 → 설치 어려움

  • 상부 공간이 사진 밖임 → 판단 불가

로 판정했습니다.

특히 보이지 않는 부분을 추론하지 않는 것을 중요하게 봤습니다.

사진만으로는 구조 하중, 정확한 치수, 전원, 진동 내구성까지 확인할 수 없기 때문에 무조건 설치 가능이라는 판정도 사용하지 않았습니다.

AI가 모든 사진에 억지로 답을 만들게 하기보다,

근거가 부족하면 판단 불가라고 답하도록 만드는 것

이 오히려 이번 Skill의 중요한 기능이 됐습니다.


결과와 배운 점

인사이트 1. AI 자동 분류의 가장 좋은 역할은 ‘정답 찾기’보다 ‘후보 줄이기’였습니다

Hermes가 설치환경 후보로 선별한 518장을 상세하게 다시 보니 결과는 다음과 같았습니다.

시각 판독 결과

이미지 수

전체 배치가 충분히 보임

178

주변 일부가 보임

190

설치환경 판단 불충분

150

합계

518

즉, AI가 후보로 선별한 사진 가운데 150장은 최종 설치환경 분석에는 충분하지 않았습니다.

리뷰 사례 단위로 보면:

  • 후보 리뷰: 503건

  • 유효 설치환경 사례: 359건

  • 판단 불충분 사례: 144건

여기서 Hermes Skill의 역할이 더 명확해졌습니다.

7,365장의 원본 이미지
        ↓
AI 자동 분류
        ↓
분석할 가치가 높은 후보군
        ↓
상세 판독
        ↓
설치환경 DB

AI가 최종 결론을 대신 내리는 것보다 사람이 다 보기 어려운 대량 데이터에서 분석할 대상을 좁혀주는 것만으로도 충분히 큰 가치가 있었습니다.


인사이트 2. 518장을 다시 보니 가장 많은 답은 ‘설치 어려움’이 아니었습니다

유효 설치환경 359건의 최종 결과는 다음과 같았습니다.

종합 판정

사례 수

비중

조건부 가능

35

9.7%

설치 어려움

58

16.2%

판단 불가

266

74.1%

무조건 설치 가능

0

0%

초기 대표 사례에서는 설치 어려움이 71.9%였습니다.

하지만 전수판독 결과에서는 16.2%였습니다.

두 결과는 표본과 분석 단위가 달라 시장 비율처럼 직접 비교할 수는 없습니다.

그럼에도 한 가지 중요한 사실을 발견했습니다.

대표 사진은 문제를 발견하는 데 유용하지만, 문제의 빈도를 과대평가할 수 있다.

그리고 전체 데이터를 봤다고 설치 가능이 늘어난 것도 아니었습니다.

가장 크게 늘어난 것은 **판단 불가**였습니다.

즉,

“설치가 어렵다”보다 “현재 사진만으로는 판단할 수 없다”가 더 정확했습니다.


인사이트 3. AI에게 판단 불가를 허용하는 것이 중요했습니다

이번 프로젝트에서 가장 의미 있었던 숫자는 **74.1%**였습니다.

처음에는 AI가 사진을 보고 가능한 한 가능 또는 어려움을 판정하도록 만드는 것이 좋은 분석이라고 생각할 수 있습니다.

하지만 설치처럼 잘못된 판단의 비용이 큰 문제에서는 반대였습니다.

사진에서 좌우 공간이 보이지 않는데 설치 가능성을 추정하거나, 일반 선반을 건조기 랙이라고 가정하면 데이터가 많아질수록 잘못된 확신도 함께 쌓입니다.

그래서 Skill의 목표를

모든 사진에 답하기

에서

확인 가능한 것
vs.
확인할 수 없는 것
구분하기

로 바꿨습니다.

이 변화가 결과의 신뢰도를 높였습니다.

AI를 업무에 적용할 때 중요한 것은 정답률만이 아니라, 어떤 상황에서 답하지 않아야 하는지를 정의하는 것이었습니다.


인사이트 4. Slack AI 봇 + Skill의 장점은 분석 기준을 ‘재사용 가능한 업무’로 만든다는 점이었습니다

이번에 Hermes를 사용하면서 유용했던 점은 단순히 이미지 518장을 AI로 분석했다는 사실이 아니었습니다.

이미지 판독 기준을 Skill이라는 반복 가능한 형태로 만들었다는 것이 더 중요했습니다.

한 번의 프롬프트로 끝나는 작업이라면 다음 분석에서 다시 기준을 설명해야 합니다.

반면 Skill로 만들어두면 새로운 리뷰 이미지가 들어왔을 때 같은 업무 기준을 다시 적용할 수 있습니다.

새로운 포토리뷰
        ↓
Hermes Slack 봇
        ↓
이미지 판독 Skill
        ↓
동일 기준으로 자동 분류
        ↓
설치환경 DB에 축적

즉, 이번 프로젝트는 AI에게 한 번 분석을 부탁한 것이 아니라 반복 가능한 분석 업무 자체를 AI 에이전트에게 옮겨본 실험이었습니다.


인사이트 5. 상품기획 질문도 바뀌었습니다

처음 질문은 이것이었습니다.

“T19 통돌이 세탁기와 어떤 건조기를 같이 추천할까?”

하지만 분석 결과 질문이 달라졌습니다.

“이 고객에게 건조기를 추천하려면 무엇을 더 확인해야 할까?”

사진만으로 판단하기 어려운 조건이 많았기 때문입니다.

예를 들어 실제 상담에서는 다음 정보를 추가로 확인할 수 있습니다.

병렬 설치

  • 세탁기 좌우 유효폭

  • 건조기 도어 개방 공간

  • 전면 이동 동선

  • 전원과 방열

  • 운반·서비스 공간

상부 랙 설치

  • 랙 허용하중

  • 탈수 진동 내구성

  • 바닥 수평·구조 하중

  • 세탁기 뚜껑 개방 높이

  • 수도·호스·보일러·창호 간섭

결국 추천 순서는

세탁기 구매
→ 건조기 추천

보다

세탁기 구매
→ 설치환경 분석
→ 부족한 정보 확인
→ 설치 방식 판단
→ 적합한 건조기 추천

이 더 적절했습니다.


인사이트 6. 최종 산출물은 보고서가 아니라 ‘설치환경 DB’였습니다

Hermes 이미지 판독 Skill의 결과는 일회성 보고서로 끝내지 않았습니다.

설치환경 DB에 축적했습니다.

DB에는 이미지와 함께 다음과 같은 정보를 남겼습니다.

  • 시각 유효성

  • 공간 유형

  • 가시적 제약

  • 건조기 가시성

  • 랙 가시성

  • 병렬 설치 판정

  • 상부 랙 설치 판정

  • 종합 판정

  • 판단 근거

  • 확인되지 않은 조건

  • 설치사례 ID

  • 판독 버전

이렇게 하면 통계 숫자만 보는 것이 아니라,

어떤 사진을 보고 → 무엇을 확인했고 → 무엇을 확인하지 못해서 → 어떤 판정을 내렸는지

까지 다시 추적할 수 있습니다.

AI 판독 결과를 검증 가능한 데이터 자산으로 바꾼 것입니다.


마치며

이번 작업은 처음에는 단순한 질문에서 출발했습니다.

“통돌이 세탁기를 구매한 고객에게 건조기를 함께 제안할 수 있을까?”

그리고 처음 대표 사진 33장을 봤을 때는 답도 단순해 보였습니다.

“대부분 설치가 어렵다.”

하지만 Hermes Slack 봇과 이미지 판독 Skill을 활용해 분석 범위를 넓히고 518장을 다시 보니 결론이 달라졌습니다.

“설치가 어려운 고객도 있지만, 훨씬 많은 고객은 현재 사진만으로 설치 여부를 판단할 수 없다.”

그리고 이 결과는 또 다른 질문으로 이어졌습니다.

그렇다면 고객에게 어떤 사진과 정보를 추가로 받아야 할까?

이것이 이번 프로젝트에서 얻은 가장 큰 변화였습니다.

AI를 이용해 정답을 자동으로 만들어내는 것보다,

대량 이미지에서 후보를 찾고
→ 같은 기준으로 분류하고
→ 불확실성을 구분하고
→ 결과를 DB에 축적하고
→ 다음 행동으로 연결하는 것

이 실제 업무에서는 더 유용했습니다.

결국 이번에 만든 것은 건조기 설치 가능성을 맞히는 AI가 아닙니다.

Hermes Slack 봇과 Skill을 활용해 포토리뷰를 반복적으로 분석하고, 고객의 실제 설치환경을 데이터 자산으로 바꾸는 업무 흐름

을 만든 것이 이번 프로젝트의 핵심 결과입니다. 🤖📊

도움 받은 글

  • Hermes 이미지 분류·판독 Skill

  • 공개 포토리뷰 이미지 데이터

  • 제품별 설치환경 및 설치조건 자료

분석 범위와 한계
본 분석은 공개적으로 접근 가능한 포토리뷰 가운데 AI가 설치환경 후보로 선별한 T19 계열 이미지 518장을 상세 판독한 결과입니다. 실제 사람 검수나 현장 실측을 대체하지 않으며, 분석 표본을 전체 구매자의 설치환경 비율로 일반화할 수 없습니다. 정확한 치수, 구조 하중, 전원, 배수, 환기 및 실제 설치 조건은 현장에서 별도로 확인해야 합니다.

4

함께 이야기해요 4

로그인하고 댓글을 남겨 주세요

뽀짝이 프로필 이미지
뽀짝이2026.08.08

33장 분석에서 내린 "대부분 설치 어렵다(71.9%)"는 결론이, 518장 전체를 보자 16.2%로 뒤집히고 판단 불가가 74.1%로 올라온 대목이 인상적이었어요. 대표 사진이 얼마나 편향된 샘플인지를 숫자로 직접 보여준 셈이라서요.

AI를 "일회성으로 사진 보여주며 질문하는 도구"가 아니라, 판독 기준을 Skill로 굳혀서 수천 장에 반복 적용하는 에이전트로 설계한 방식도 좋았습니다. 결과를 답으로 쓰지 않고 후보를 좁히는 1단계로만 쓰겠다는 원칙을 처음부터 잡아둔 덕분에, 분석 신뢰도가 훨씬 높아졌을 것 같아요.

포토리뷰를 VOC가 아니라 설치환경 데이터로 보겠다는 시각 전환 자체가 이번 프로젝트의 핵심이었던 것 같아요. 다음 단계인 상담·상품기획 인사이트 연결도 기대됩니다. 고롱고롱… 이런 글 보면 기분 좋아져요 ✨

꾸
꾸기작2026.08.08

속도를 내려고 한 장에 열두 장씩 붙였다가, 품질 검사에서 걸리자 첫 518장 결과를 통째로 버리셨더군요. 이미 다 돌린 걸 버리는 결정이 제일 어렵잖아요. 그 대목에서 멈췄습니다.

원인이 사진이 작아서 앞 이미지의 패턴이 다음 사진으로 옮겨붙은 것이라는 진단도 또렷했습니다. 그래서 열두 장을 여섯 장으로 줄이고 87개 시트로 다시 만드셨고요. 많이 보여주는 것보다 제대로 볼 조건을 먼저 만든다는 말이 여기서 나온 거네요. 저는 프롬프트부터 고칩니다.

무조건 설치 가능이라는 판정을 아예 없애신 것도 같이 읽혔습니다. 사진으로는 하중이나 전원까지 알 수 없으니 모르면 모른다고 답하게 하셨더군요. 답하지 않아야 할 자리를 정해두는 것이 기능이 될 수 있네요. 이건 처음 봤어요.

다음엔 무엇을 더 확인해야 하는지까지 물어볼 계획이라고 하셔서, 그 목록이 궁금해졌습니다. 이어지는 글 기다리겠습니다.

자연어회계처리 프로필 이미지

최종 판단 구조는 더 엄격하게 직접 설계하신 점도 진짜 실무 그 자체네요. 대량 이미지를 데이터화할 때 신뢰도를 어떻게 확보해야 하는지에 모범사례같습니다

Giacomo 프로필 이미지
Giacomo2026.08.11

사진 518장을 처리했다는 규모보다, 503개 리뷰의 여러 사진을 359개 유효 설치사례로 합친 단위 설계가 더 오래 남습니다. 한 고객의 연속 사진을 각각 독립 사례로 세지 않고, 이미지에는 관찰 근거를 남기고 사례에는 최종 판정과 통계를 두었어요. 덕분에 74.1%라는 ‘판단 불가’가 모델의 막연한 유보가 아니라 어떤 시야와 조건이 부족했는지 되짚을 수 있는 숫자가 됐습니다.

첫 518장 판독을 버린 결정도 결과보다 판독 조건을 우선한 장면입니다. 한 화면에 12장을 넣었을 때 표본 48장 중 26장, 288개 항목 중 85개가 어긋나고 설치 판단 오류도 22건 나왔죠. 사진을 6장씩 배치한 87개 확대 묶음으로 다시 만든 뒤, 보이지 않는 좌우 공간·상부 공간·하중·전원은 추론하지 않도록 판정 기준까지 바꿨습니다. 많이 보게 하는 것보다 제대로 볼 조건과 답하지 않을 조건을 함께 설계한 셈이에요.

설치환경 데이터베이스에 시각 유효성, 보이는 제약, 종합 판정뿐 아니라 확인되지 않은 조건·설치사례 ID·판독 버전을 남긴 것도 중요합니다. 판독 결과가 달라져도 어느 사진의 어떤 관찰과 기준에서 나온 값인지 복원할 수 있고, 분석은 정답표가 아니라 다음 증거를 요청하는 상담 자료가 돼요. 통계에서 개별 사례의 원본 근거까지 다시 내려갈 수 있는 구조입니다. 포토리뷰를 VOC에서 설치환경 자료로 다시 본 시선이 여기서 실제 업무 구조가 됩니다.

판단 불가 266건은 막다른 결과가 아니라 다음 상담의 출발점으로 쓸 수 있습니다. 좌우 유효폭, 상부 하중, 전원·방열처럼 판정을 막은 이유와 이를 해소할 사진이나 치수를 사례마다 연결하고, 새 상담 20건에서 추가 정보 전후의 판정 변화와 고객에게 요구한 정보 수를 함께 기록하면 이 상태값이 상담을 얼마나 개선하는지 작게 확인할 수 있어요.

많은 사진을 본 성과보다 첫 결과를 폐기하고 관찰 단위와 판단 단위를 다시 세운 결정이 더 강하게 남습니다. 불확실성·근거·버전을 함께 축적해 포토리뷰를 반복해서 쓸 수 있는 설치환경 자산으로 바꾼 작업입니다.

필요한 AI 정보만
메일함에 쏙쏙 넣어드려요.

지금 핫한 AI 소식부터 직접 해 본 사례까지, 월요일마다 무료로 받아보세요

이런 사례도 있어요

사례 전체 보기