최근 제조, 유통, IT 서비스 등 업종을 불문하고 많은 중소기업이 디지털 전환(DX)을 넘어 AI 전환(AX)의 문턱에 서 있습니다. 그중에서도 기업의 매출과 직결되지만 가장 많은 공수가 들어가는 영역이 바로 ‘견적(Quotation) 산출’입니다.
대부분의 중소기업은 과거 1~3년간 쌓아온 수많은 견적 데이터(엑셀, PDF 등)를 보유하고 있음에도 불구하고, 새로운 문의가 올 때마다 담당자가 과거 파일을 일일이 뒤적이거나 직관에 의존해 수동으로 견적을 뽑고 있습니다. 이 과정에서 견적 산출이 늦어져 바이어를 놓치거나, 담당자 실수로 마진율 계산 오류가 발생하는 고질적인 문제가 반복됩니다.
본 칼럼에서는 오픈소스 프레임워크인 OpenClaw와 MCP(Model Context Protocol) 서버를 활용하여, 사내에 잠들어 있는 과거 견적 데이터를 학습시키고 파이프라인을 구축해 ‘자동 견적 시스템’을 구현하는 차세대 기술 아키텍처를 공유합니다.
1. AI 자동 견적 인프라의 핵심, MCP와 OpenClaw
과거에는 사내 데이터를 LLM(대형 언어 모델)에 학습시키려면 막대한 비용을 들여 파인튜닝(Fine-Tuning)을 하거나, 복잡한 RAG(검색 증강 생성) 시스템을 직접 엔지니어링해야 했습니다. 그러나 최신 AI 아키텍처는 MCP(Model Context Protocol) 기술을 통해 이를 매우 단순하고 안전하게 해결합니다.
- MCP(Model Context Protocol)의 역할: MCP는 AI 모델과 기업의 로컬 데이터(엑셀, 데이터베이스, ERP)를 안전하게 연결해 주는 표준화된 프로토콜 규격입니다. AI가 파일에 직접 접근하는 것이 아니라, MCP 서버가 중계자 역할을 하며 필요한 데이터만 정제하여 AI에게 전달합니다.
- OpenClaw의 역할: OpenClaw는 이 다중 에이전트(Multi-Agent)와 MCP 서버를 병렬로 제어하여, 사용자의 요청을 분석하고 적절한 사내 가이드라인과 결합해 최종 결과물을 도출하는 오케스트레이터 역할을 수행합니다.
2. AI 자동 견적 시스템 파이프라인 아키텍처
시스템은 사용자가 바이어의 요구 사양서(RFQ)를 입력하는 순간부터 최종 견적서가 도출되기까지 총 3대 레이어로 구동됩니다.
① 데이터 적재 및 컨텍스트 레이어 (Data & Context Layer)
가장 먼저 사내의 지난 1년간의 견적 데이터를 벡터 데이터베이스(Vector DB) 또는 정형화된 CSV/RDBMS에 적재합니다. 이후 이 데이터 저장소 앞에 MCP 서버를 구축합니다. MCP 서버는 AI 쿼리가 들어왔을 때, “A 제품의 2025년 평균 납품 단가”, “B 원자재의 최근 매입 원가”와 같은 핵심 컨텍스트를 실시간으로 추출해 줍니다.
② 오케스트레이션 레이어 (OpenClaw Multi-Agent)
OpenClaw를 통해 역할을 분담한 병렬 에이전트 시스템을 가동합니다.
- 에이전트 A (분석가): 바이어가 보낸 이메일이나 사양서 텍스트를 분석하여 핵심 스펙과 수량을 추출합니다.
- 에이전트 B (데이터 매칭가): MCP 서버에 접근하여 과거 데이터 중 가장 유사한 프로젝트의 견적 단가와 원가 데이터를 매칭합니다.
- 에이전트 C (리스크 검증가): 현재 시점의 원자재가 상승률과 기업의 최소 목표 마진율 가이드라인을 대조하여 손실 리스크가 없는지 검증합니다.
③ 출력 레이어 (Output Layer)
검증이 완료된 데이터는 LLM을 통해 정제된 형태의 견적 초안 레포트로 생성되며, 이는 기업이 사용하는 ERP(예: ERP의 Sales 모듈 등)의 API와 연동되어 시스템에 자동으로 임시 저장(Draft)되거나 표준 PDF 파일로 변환됩니다.
3. 기술적 구현을 위한 핵심 요점
본 아키텍처를 성공적으로 실무에 이식하기 위해서는 다음과 같은 기술적 정합성이 필요합니다.
- 데이터 클렌징(Data Cleansing): LLM이 과거 견적서를 오인하지 않도록 엑셀의 병합된 셀을 풀고, 품목 코드(SKU), 기본 단가, 통화(Currency), 마진율이 명확히 구분된 형태로 MCP 서버가 읽을 수 있도록 전처리해야 합니다.
- 보안 인터페이스 설정: 기업의 민감한 자산인 원가 및 견적 정보가 외부 Public LLM의 학습 데이터로 재활용되지 않도록, API 호출 시 데이터 옵트아웃(Data Opt-Out) 정책을 명시하거나 로컬 온프레미스 환경에 오픈소스 LLM(예: Llama 3 계열)을 올려 전용 MCP 환경을 구성하는 것이 안전합니다.
4. AX 도입에 따른 기대 효과
이러한 AI 자동 견적 시스템 아키텍처를 도입한 기업은 다음과 같은 정량적/정성적 성과를 기대할 수 있습니다.
- 견적 리드타임 90% 단축: 기존에 담당자 검토 및 승인까지 평균 1~2일이 소요되던 복잡한 multi-level 품목 견적이 단 1분 만에 초안으로 완벽하게 산출됩니다.
- 휴먼 에러 제로화: 마감 원가 계산 누락이나 과거 고단가 이력을 인지하지 못해 발생하는 저가 수주 리스크를 원천 차단합니다.
- 영업 자산의 시스템화: 특정 베테랑 직원의 머릿속에만 있던 견적 노하우가 회사의 AI 시스템 자산으로 영구히 락인(Lock-in)됩니다.
중소기업의 생존은 속도와 정확성에 있습니다. 이미 수많은 기업 전산 환경이 AI 프레임워크와 결합하고 있는 만큼, OpenClaw와 MCP 서버를 활용한 견적 자동화 파이프라인 구축은 기업의 디지털 경쟁력을 한 단계 끌어올리는 확실한 돌파구가 될 것입니다.
“다음 칼럼에서는 제조업 PM들이 가장 머리 아파하는 ‘다단계(Multi-level) BOM 구조 설계와 데이터 오류 방지법’에 대해 다루겠습니다”
IT나라(ITNARA) | Odoo ERP/MES 구축 전문 기업 위고솔루션(wegosolution) 공식 IT 지식 블로그
대표: 최성남 | 홈페이지: www.wegosolution.co.kr