AI 시대에 컴퓨터 본래의 사용법을 되찾다

생성형 AI (Generative AI)의 세계는 지금 크게 하나의 방향을 향하고 있다.

더 큰 모델로.

더 많은 에이전트(Agent)로.

더 복잡한 오케스트레이션 (Orchestration)으로.

더 고가의 추론 기반으로.

Fugu AI, Genspark, Claude, ChatGPT, Gemini, 그리고 기타 AI 에이전트 기반들은 모두 이 흐름 속에 있다.

여러 모델을 묶는다.

여러 전문 에이전트를 구동한다.

검색하고, 조사하고, 비교하고, 생성하고, 검증하고, 통합한다.

그리고 사용자에게는 마치 하나의 고도화된 지능이 작동하는 것처럼 보여준다.

이 방향 자체는 자연스럽다.

단일 모델로는 도달할 수 없는 영역을 여러 모델이나 여러 에이전트의 협조를 통해 보완한다.

그것은 AI 발전의 당연한 흐름이다.

하지만 한편으로는 기업 이용에 있어 명확한 문제도 보이기 시작했다.

그것은 비용이다.

그리고 증적(Traceability)이다.

나아가 업무 로직의 소유권이다.

Fugu AI는 내부에서 여러 기반 모델을 호출하고 이들을 협조시킴으로써 단일 모델처럼 동작하는 메커니즘에 가깝다.

모델 선택, 위임, 검증, 통합을 내부에서 수행한다.

사용자 입장에서는 하나의 API, 하나의 모델로 보인다.

하지만 뒷단에서는 여러 모델과 추론 경로가 움직이고 있다.

이것은 이른바 **모델 계층의 오케스트레이션 (Model-layer Orchestration)**이다.

반면, Genspark는 보다 작업 에이전트(Task Agent)에 가깝다.

검색한다.

조사한다.

비교한다.

슬라이드를 만든다.

표를 만든다.

문서를 만든다.

코드를 작성한다.

필요하다면 재생성한다.

이것은 이른바 **업무 작업 계층의 오케스트레이션 (Task-layer Orchestration)**이다.

두 가지 모두 같은 '오케스트레이션'이라는 단어로 말할 수 있지만, 대상이 다르다.

항목	Fugu AI	Genspark
주요 대상	여러 LLM / 기반 모델	여러 에이전트 / 작업 도구
...

여기서 중요한 것은 둘 다 편리한 반면, 원가 구조상 비용이 높아지기 쉽다는 점이다.

단순히 한 번 LLM에 질문하여 답변을 얻는 것이 아니다.

뒷단에서 여러 번의 추론, 검증, 검색, 재시도, 통합이 실행된다.

즉, 사용자 입장에서는 '한 번의 의뢰'일지라도 내부에서는 다수의 처리가 이루어진다.

그렇기 때문에 체감상 비용이 높게 느껴진다.

특히 Genspark는 ChatGPT나 Claude와 같은 '대화형 AI'가 아니라, 실질적으로는 AI 작업원을 여러 명 구동하는 서비스에 가깝다.

따라서 '가볍게 상담하는' 용도로는 비싸게 느껴진다.

반면 외부 제출 자료, 영업 자료, 투자자용 자료, 경쟁사 분석, 비교 조사와 같은 무거운 작업에서는 인간의 작업 시간을 대체하는 가격으로서 설명될 수 있다.

즉, 앞으로의 AI 과금은 단순한 '1회의 추론'에서 다음과 같은 방향으로 이동할 것이다.

추론군(Inference group)의 편성·검증·증적·재실행에 대한 과금

여기에 AI 시대의 새로운 비용 구조가 있다.

기업에게 외부 AI는 매우 편리하다.

하지만 기업의 업무는 단순한 질의응답이 아니다.

기업이 정말로 필요로 하는 것은 다음과 같은 것이다.

• 이 회사에서는 어떻게 판단하는가
• 이 부서에서는 과거에 어떻게 대응했는가
• 이 고객에게는 이전에 어떻게 설명했는가
• 이 예외 처리는 누가 승인했는가
• 이 계산 결과는 지난번과 완전히 일치하는가
• 이 처리를 감사 시에 재현할 수 있는가
• 실패했을 때 되돌릴 수 있는가

외부 AI는 일반 지식에는 강하다.

하지만 기업 내부의 판단 이력, 예외 처리, 승인 경로, 부서별 관습, 고객별 대응, 암묵적인 업무 로직에는 약하다.

기업이 원하는 것은 단순한 '똑똑한 외부 AI'가 아니다.

정말로 원하는 것은 부서나 회사 내부에 축적되어 가는 지식과 로직이다.

즉, 외부 AI에게 매번 물어보는 회사가 아니라,

사내에 지식이 남는 회사가 되어야 한다.

여기서 SlimeTree-RLM의 위치가 명확해진다.

SlimeTree-RLM은 외부 AI 그 자체와 경쟁하는 것이 아니다.

Claude, ChatGPT, Gemini, Genspark, Fugu를 대체하는 것도 아니다.

오히려 그것들의 전단(Front-end)에 배치한다.

목적은 단순하다.

고가의 외부 AI를 호출하기 전에, 정말로 호출할 필요가 있는지를 판정하는 것.

예를 들어, 문의나 사내 FAQ, DM 처리, 정형 응답, 기지의 거절 패턴, 과거 대응 완료된 질문이 대량으로 있다고 가정하자.

모두를 외부 LLM에 던질 필요는 없다.

이미 알고 있는 것은 즉시 답변하면 된다.

위험한 것은 거절하면 된다.

모호한 것만 외부 AI에 위임하면 된다.

그 판단과 결과는 증적으로 남기면 된다.

이 구조에서 RLM은 다음과 같은 역할을 한다.

판정	의미	처리
D	deterministic / 기지 응답	외부 AI를 호출하지 않고 즉시 응답
...

이때 RLM의 가치는 "LLM보다 똑똑하다"는 것이 아니다.

그것이 아니라,

LLM을 똑똑하게 사용하기 위한 전처리 계층 (Preprocessing Layer)

이다.

더 정확히 말하면,

AI 이용료와 AI 리스크를 제어하는 게이트웨이 (Gateway)

이다.

외부 AI의 비용이 높아지면 높아질수록, 이 가치는 더욱 높아진다.

오케스트레이션 AI (Orchestration AI)가 고도화되어 백엔드에서 여러 모델과 여러 에이전트를 구동하게 될수록, "그전에 호출을 줄이는" 가치는 명확해진다.

이것은 역발상이 아니다.

오히려 AI 이용을 실제 기업 시스템에 연결하기 위한 자연스러운 설계이다.

SlimeTree-RLM 단체만으로도 외부 AI 호출의 절감이나 안전 판정에는 의미가 있다.

하지만 다음에 중요해지는 것은 **군지 (Group Intelligence, 群知)**이다.

기업 내에서 진정으로 가치 있는 것은 개인의 채팅 이력이 아니다.

부서로서의 판단 이력이다.

영업부에는 영업부의 판단이 있다.

법무부에는 법무부의 판단이 있다.

지원부에는 지원부의 판단이 있다.

개발부에는 개발부의 판단이 있다.

경리, 품질 관리, 제조, 물류, 인사, 각각에 고유한 판단이 있다.

같은 질문이라도 부서에 따라 정답은 다르다.

외부 AI는 일반해 (General Solution)를 반환한다.

하지만 기업이 필요로 하는 것은 일반해가 아니다.

필요한 것은,

이 부서에서는 어떻게 하는가

이다.

군지 (Group Intelligence)를組み込む(결합)함으로써 다음과 같은 흐름을 만들 수 있다.

• 부서 내의 문의, 판단, 거절, 승인, 수정, 예외 대응을 축적한다
• 다음 회차부터는 먼저 부서 내의 과거 판단을 참조한다
• 이미 알고 있는 것은 외부 AI에 던지지 않는다
• 미지, 모호, 위험한 것만 외부 AI로 위임한다
• 외부 AI로부터 얻은 답변도 부서 내의 증적·지식으로서 회수한다

이것은 외부 AI를 완전히 배제하자는 이야기가 아니다.

외부 AI를 "최후의 전문가"로 사용하는 것이다.

일상적인 판단은 부서 내의 군지 (Group Intelligence)로 돌린다.

이 구조가 돌아가기 시작하면 외부 AI 의존도는 낮아진다.

동시에 부서 내의 정보 공유도는 높아진다.

현재의 외부 AI 이용은 각 사원이 개별적으로 AI에 질문하고 있는 상태에 가깝다.

지식은 개인 채팅에 흩어진다.

같은 질문을 몇 번이고 외부 AI에 던진다.

판단의 근거는 남기 어렵다.

군지 (Group Intelligence)를 결합한 RLM에서는 이것이 바뀐다.

현재의 외부 AI 이용	RLM + 군지
각 사원이 개별적으로 AI에 질문	부서 내의 과거 판단을 공유
...

이것은 단순한 AI 도입이 아니다.

외부 AI에게 계속 물어보는 회사에서, 부서 내에 지식이 남는 회사로.

이 전환이다.

RLM + 군지 (Group Intelligence)가 "부서의 판단"을 자산화하는 것이라면, 다음에 올 테마는 명확하다.

부서의 업무 로직 그 자체를 자산화하는 것

여기서 SlimeNENC S1–S9 파이프라인이 등장한다.

기업의 업무 로직은 반드시 아름다운 시스템 안에 있는 것이 아니다.

오히려 많은 경우 현장의 스프레드시트 (Spreadsheet), CSV, 장표, 수작업 열 운용, 조건식, VLOOKUP, 매크로, 예외 처리 속에 파묻혀 있다.

기업 현장에서는 Excel이나 Google Sheets가 실질적인 업무 시스템이 되어 있는 경우가 많다.

• 이 열은 옛날의 흔적이지만 지울 수 없다
• 이 셀의 식만 특별하다
• 이 거래처만 반올림 처리가 다르다
• 이 장표의 값이 맞으면 현장에서는 OK다
• 이 CSV를 기간 시스템 (Core System)에 가져온다
• 이 Excel이 실무상의 마스터 (Master)가 되어 있다
• 이 예외만 부장 승인이 필요하다

이러한 암묵지 (Tacit Knowledge)는 외부 벤더가 한 번에 이해할 수 있는 것이 아니다.

또한 AI에게 통째로 맡겨도 되는 것도 아니다.

필요한 것은 현장의 로직을 파괴하지 않고 읽어내고, 검증하고, 증적을 남기면서 단계적으로 최적화해 나가는 메커니즘이다.

그리하여 SlimeNENC S1–S9 파이프라인은 다음과 같은 역할을 가진다.

계층	역할
Spreadsheet I/O	Excel / Google Sheets / CSV를 입구로 삼는다
...

여기서 중요한 것은 SlimeNENC를 "완성된 업무 앱"으로 팔지 않는 것이다.

그것이 아니라,

사용자 스스로가 자사·자부서의 비즈니스 로직 (Business Logic)을 발견하고, 검증하고, 최적화해 나가기 위한 도구

로서 제공하는 것이다.

이 포지셔닝이 강력하다.

SlimeNENC가 제공해야 할 것은 특정 업무의 완성형 앱이 아니다.

제공해야 할 것은,

업무 로직을 발견·검증·변환·최적화·증적화하는 메커니즘

이다.

바꿔 말하면,

Business Logic Optimization Workbench

한국어로는,

업무 로직 최적화 워크벤치 (Business Logic Optimization Workbench)

이다.

이 워크벤치에서는 사용자 스스로가 자신들의 업무 로직을 키워나간다.

처음에는 Excel이나 CSV의 재현부터 시작한다.

다음에는 수식이나 조건 분기를 가시화한다.

그다음에는 중복 처리나 불필요한 열을 정리한다.

나아가 기존 처리와 bit-exact(비트 단위 일치)로 비교한다.

차분이 있다면 멈춘다.

승인된 변경 사항만 운영 환경에 적용한다.

실패하면 rollback(롤백)한다.

모든 변경 사항은 audit chain(감사 체인)에 남는다.

이것은 일반적인 AI 자동화와는 다르다.

일반적인 AI 자동화는 블랙박스(Black Box)화되기 쉽다.

AI가 무언가를 생성하면, 사용자는 그것을 믿을지 말지 판단한다.

하지만 기업 업무에서 진정으로 필요한 것은 다음과 같은 성질이다.

• 재현성 (Reproducibility)
• 가역성 (Reversibility)
• 증적성 (Traceability)
• 차분 검증 (Differential Verification)
• 인간 승인 (Human Approval)
• 감사 대응 (Audit Compliance)
• 기존 업무와의 연속성 (Continuity with Existing Operations)

SlimeNENC는 여기에 초점을 맞춘다.

즉,

AI가 멋대로 업무를 바꾸는 것이 아니다.
AI를 사용하여, 사용자 스스로가 업무 로직을 검증하며 진화시키는 것이다.

이것이 본질이다.

기업이 AI 도입에서 두려워하는 것은 단순히 정확도 부족만이 아니다.

정말로 무서운 것은,

한번 바꾼 업무를 되돌릴 수 없다는 것

이다.

현장의 Excel을 교체했다.

시스템을 도입했다.

AI에게 처리를 맡겼다.

하지만 결과가 어긋났다.

이유를 알 수 없다.

되돌릴 수 없다.

누가 승인했는지 알 수 없다.

감사에 설명할 수 없다.

이것은 기업에게 치명적이다.

그렇기에 SlimeNENC의 가치는 '자동화'가 아니라,

가역적인 최적화 (Reversible Optimization)

이다.

흐름은 다음과 같다.

• 현행 Excel / CSV / 양식을 읽는다
• 로직을 추출한다
• 기존 출력물과 bit-exact로 비교한다
• 차분이 있다면 멈춘다
• 변경 이유와 승인자를 기록한다
• 변경을 적용한다
• 문제가 있다면 rollback한다
• 모든 것을 증적으로 남긴다

이 구조라면 기업은 안심하고 개선할 수 있다.

현재의 업무를 파괴하지 않고, 되돌릴 수 있는 형태로 최적화할 수 있다.

이 한 문장은 SlimeNENC의 중요한 가치이다.

SlimeNENC의 입구로서 스프레드시트를 중시하는 것은 옳다.

왜냐하면 현장의 업무 로직은 스프레드시트에 잠들어 있기 때문이다.

기업의 시스템 부서 관점에서 보면, 공식적인 업무 시스템은 ERP나 핵심 DB(Core DB)일지 모른다.

하지만 현장 관점에서 보면, 일상적인 판단이나 계산은 Excel이나 Google Sheets로 이루어지는 경우가 많다.

이 현실을 무시하고 갑자기 COBOL, RPG, AS/400, VSAM, 핵심 DB부터 접근하면 대상이 한정된다.

하지만 스프레드시트부터 접근하면 거의 모든 부서에 연결할 수 있다.

영업.

경리.

총무.

인사.

제조.

품질 관리.

물류.

지자체.

의료 사무.

교육 기관.

중소기업.

대기업의 현장 부서.

어디에나 스프레드시트는 있다.

그리고 그 안에 업무 로직이 있다.

따라서 첫 번째 소구점은 다음과 같다.

Excel에 잠든 업무 로직을, 파괴하지 않고·되돌릴 수 있으며·감사 가능한 실행 자산으로.

이것은 기업 입장에서 이해하기 쉽다.

이면에는 SlimeNENC S1–S9, bit-exact, WAL, audit chain, rollback, 군지(群知)가 있다.

하지만 처음부터 그것들을 너무 전면에 내세울 필요는 없다.

입구는 어디까지나 현장의 과제로 충분하다.

Excel 업무의 재현성·감사성·롤백 대응

여기서부터 시작한다.

SlimeNENC는 외부 벤더가 모든 것을 만들어 납품하는 모델이 아니다.

사용자 스스로가 자사의 비즈니스 로직을 키워나가기 위한 메커니즘이어야 한다.

왜냐하면 업무 로직의 진정한 소유자는 사용자 기업이기 때문이다.

외부 벤더는 도구를 제공할 수 있다.

AI는 후보를 생성할 수 있다.

SlimeNENC는 검증과 증적을 제공할 수 있다.

하지만 최종적으로 "이 업무에서는 이것이 옳다"라고 판단할 수 있는 것은 그 회사, 그 부서, 그 현장이다.

따라서 책임 분담은 다음과 같다.

AI가 후보를 낸다.
SlimeNENC가 검증한다.
인간이 승인한다.
증적이 남는다.
롤백할 수 있다.

이 구조가 중요하다.

AI가 업무를 지배하는 것이 아니다.

인간이, AI와 SlimeNENC를 사용하여 자사의 업무 로직을 진화시킨다.

이 점에서 SlimeNENC는 외부 AI 서비스와 근본적으로 다르다.

ChatGPT, Claude, Genspark, Fugu는 외부 지능이다.

SlimeNENC는 사내 로직을 사내에서 키워나가는 도구이다.

여기까지 정리하면, 전체상은 다음과 같다.

부서 내의 문의, 판단, 거부, 승인, 예외 대응을 축적한다.

외부 AI 호출을 줄이고, 부서 내의 지식 공유도를 높인다.

AI 이용료와 AI 리스크를 제어한다.

부서 내의 업무 로직을 추출하고, 검증하며, bit-exact하게 변환한다.

완전한 증적과 rollback을 갖춘 형태로, 업무 로직을 실행 자산으로 만든다.

현장에 이미 존재하는 Excel, Google Sheets, CSV, 장표를 입구로 삼는다.

업무를 파괴하지 않고, 단계적으로 도입한다.

이 세 가지가 갖춰지면, 단순한 AI 서비스가 아니게 된다.

그것은,

부서 단위의 지식·판단·계산·처리를 증적과 함께 운용하는 업무 OS

에 가까워진다.

이는 외부 AI의 고가화가 진행될수록 가치가 더해진다.

왜냐하면, 기업은 외부 AI를 계속 사용할 필요는 있지만, 모든 것을 외부 AI에 계속 던져둘 수는 없기 때문이다.

필요한 것은, 외부 AI를 현명하게 사용하면서도 내부에 지식과 로직을 남기는 것이다.

여기서 중요한 것은, 이 방향을 '역발상(逆張り)'으로 파악하지 않는 것이다.

세계는 AI 오케스트레이션 (AI Orchestration)으로 향하고 있다.

복수 모델, 복수 에이전트, 외부 추론 기반이 거대화되고 있다.

그 속에서 RLM이나 SlimeNENC는 언뜻 보면 다른 방향처럼 보일지도 모른다.

하지만 이것은 역발상이 아니다.

오히려 컴퓨터 본래의 사용법으로 돌아가는 것이다.

본래 컴퓨터는 마법 같은 상담 상대가 아니다.

컴퓨터는,

• 상태 기계 (State Machine)이며
• 기록 장치이며
• 변환기이며
• 검증기이며
• 재현 장치이며
• 제어 장치이다

입력을 받아 상태를 관리하고, 규칙에 따라 변환하여 결과를 출력한다.

실패하면 되돌린다.

처리 이력을 남긴다.

필요하다면 재실행할 수 있다.

감사 시에는 설명할 수 있다.

이것이 컴퓨터 본래의 역할이다.

생성형 AI (Generative AI)는 이 역할을 대체하는 것이 아니다.

오히려 AI를 통해 이 본래의 역할을 더욱 세련되게 만들어야 한다.

AI에 업무를 통째로 맡기는 것이 아니다.

AI를 사용하여 업무의 구조를 찾아내고, 증적을 남기며, 재현 가능한 로직으로 되돌린다.

이것이 SlimeTree-RLM, 군지(群知), SlimeNENC의 방향이다.

생성형 AI는 답을 만든다.

문장을 만든다.

코드를 만든다.

자료를 만든다.

추론을 수행한다.

그것은 매우 강력하다.

하지만 기업 시스템에 필요한 것은 답 그 자체만이 아니다.

필요한 것은,

• 왜 그런 답이 나왔는가
• 그 답이 지난번과 일치하는가
• 어떤 입력으로부터 그 출력이 나왔는가
• 누가 승인했는가
• 어디에서 분기되었는가
• 실패했을 때 되돌릴 수 있는가
• 감사 시에 재현할 수 있는가
• 다음번 이후, 부서의 지식으로 사용할 수 있는가

이다.

즉, 필요한 것은 '답'뿐만 아니라,

답이 태어나는 구조

이다.

이런 의미에서 Slime의 역할은 명확하다.

생성형 AI는 답을 만든다.
Slime는 답이 태어나는 구조를 정돈한다.

여기에 사상이 있다.

AI 시대에 필요한 것은 더 큰 모델만이 아니다.

물론 모델 성능은 중요하다.

하지만 사회나 기업, 제도를 지탱하는 계산에는 단순한 확률적 생성만으로는 불충분하다.

필요한 것은,

• 재현성
• 가역성
• 증적성
• 국소 갱신성
• 책임 경계
• 차분 검증
• 감사 가능성
• 조직 지식화
• 업무 로직의 소유권

이다.

이것들은 단순한 프롬프트 설계 (Prompt Design)로는 해결할 수 없다.

단순한 외부 AI 이용으로도 해결할 수 없다.

더 큰 모델을 호출한다고 해결되는 것도 아니다.

필요한 것은 확률적 지능을 재현 가능한 계산 구조로 연결하는 설계이다.

여기에 수리 공학의 재구축이 있다.

제언으로서 다음과 같이 말할 수 있다.

AI 시대의 계산기 시스템은 확률적 생성만으로 성립해서는 안 된다.
업무·사회·제도를 지탱하는 계산에는 재현성, 가역성, 증적성, 국소 갱신성, 책임 경계가 필요하다.

그리고 SlimeTree-RLM, 군지(群知), SlimeNENC S1–S9는 이를 위한 구현 체계이다.

세계는 AI를 외부의 지능으로서 거대화시키고 있다.

그것은 필요한 흐름이다.

하지만 그것만으로는 기업이나 사회의 계산 기반이 성립하지 않는다.

외부 AI는 지능을 부여한다.

하지만 기업에 필요한 것은 지능만이 아니다.

기업에는 기록이 필요하다.

재현성 (Reproducibility)이 필요하다.

롤백 (Rollback)이 필요하다.

감사 (Audit)가 필요하다.

부서 내의 지식 공유가 필요하다.

자사의 업무 로직을 자사에서 육성하는 메커니즘이 필요하다.

따라서 AI 시대의 진정한 과제는 외부 AI를 얼마나 똑똑하게 만드는 것만이 아니다.

외부 AI를 어떻게 재현 가능한 계산 구조로 연결할 것인가

이다.

이 질문에 대해 Slime은 다음과 같은 답을 제시한다.

• RLM을 통해 고가의 AI를 호출하기 전에 판정한다
• 군지 (Swarm Intelligence)를 통해 부서 내의 판단을 자산화한다
• SlimeNENC를 통해 업무 로직을 비트 단위로 정확하게 (bit-exact) 변환한다
• Spreadsheet I/O를 통해 현장의 입구를 파괴하지 않고 연결한다
• WAL / audit chain을 통해 완전한 증적을 남긴다
• rollback을 통해 가역적인 최적화를 가능하게 한다
• 인간 승인을 통해 책임 경계를 명확히 한다

이것은 AI에 업무를 맡기는 사상이 아니다.

AI를 사용하여 자사의 업무 로직을 육성하는 사상

이다.

이 구상의 기치는 다음의 문장으로 집약될 수 있다.

확률적 지능을 재현 가능한 계산으로 연결한다.

혹은,

AI를 재현성·증적성·가역성을 갖춘 컴퓨터 공학 (Computer Engineering)으로 되돌린다.

더 크게 말하자면,

생성형 AI 시대의 수리 공학 (Mathematical Engineering)을 재구축한다.

이것은 역발상이 아니다.

컴퓨터 본래의 사용법을 AI를 통해 더욱 세련되게 만들어가는 것이다.

AI를 마법으로 만들지 않는다.

AI를 외주 지능으로 끝내지 않는다.

AI를 기록·검증·재현·제어의 체계로 연결한다.

그곳에 SlimeTree-RLM, 군지, SlimeNENC S1–S9의 활로가 있다.

그리고 그것은 단순한 제품 전략이 아니라,

AI 시대의 컴퓨터 이용에 대한 수리 공학으로부터의 제언이다.