이 질문 뒤에 면접관이 확인하려는 것은 따로 있습니다.
인턴 기간에 반복적인 수작업 검수 업무를 보면서 자동화 가능성이 있겠다고 생각해 팀장에게 AI 도입 아이디어를 제안했습니다. 처음엔 '실제로 할 수 있느냐'는 질문을 많이 받았는데, 현업 데이터가 얼마나 있는지, 라벨링이 가능한지를 먼저 확인해 제안서를 보강했습니다.
기존 데이터 2,000건으로 간단한 분류 모델을 프로토타입으로 만들어 정확도 수치를 함께 제시하니 설득력이 달라졌습니다. 아이디어만으로는 승인이 어렵고, 작은 증거라도 함께 가져가야 한다는 걸 그 과정에서 배웠습니다. 파일럿 승인 이후에는 범위를 좁게 설정해 먼저 성과를 만들고, 이후 확장하는 순서로 진행했습니다. 초반에 너무 넓게 잡으면 완성 전에 흐지부지되는 경우를 옆에서 봤기 때문입니다.
제안은 문제 인식에서 시작하지만, 실행 가능성을 보여주는 것으로 설득이 됩니다.
AI 프로젝트 제안에서 기술적 가능성보다 비즈니스 임팩트 추정이 더 설득력 있다는 걸 경험으로 배웠습니다.
재고 예측 자동화 프로젝트를 제안했을 때, 처음엔 '정확도 90% 이상 달성 가능'을 강조했는데 경영진은 반응이 미지근했습니다. 그 다음엔 현재 수작업으로 발생하는 과잉 재고 비용이 월 X천만 원 수준이며, 정확도 개선 시 Y% 절감 가능하다는 추정을 붙였습니다. 그때 비로소 예산 논의가 시작됐습니다.
기술 제안은 '이게 얼마나 대단한가'가 아니라 '이걸 안 하면 얼마나 손해인가'로 프레이밍하는 것이 더 효과적이라는 걸 그 경험이 가르쳐줬습니다. 이후 모든 제안서에 비용 절감 추정을 넣게 됐습니다.
AI 프로젝트를 제안하고 실제로 실행까지 해보니, 계획대로 되지 않는 부분이 항상 존재했습니다.
고객 이탈 예측 모델을 제안하고 승인받아 개발했는데, 막상 마케팅팀과 연동하려 하니 예측 결과를 언제, 어떤 형태로 전달할지에 대한 합의가 전혀 안 돼 있었습니다. 모델 자체는 만들었지만 실제로 사용되기까지 3개월이 더 걸렸습니다.
이후 AI 프로젝트 제안 시 기술 개발 계획만큼 '어떻게 사용할 것인가'를 함께 설계하는 것이 중요하다는 걸 알게 됐습니다. 좋은 모델보다 쓰일 수 있는 모델을 만드는 것이 더 어렵고 더 가치 있다는 게 그 프로젝트의 핵심 교훈입니다.
답변에서 흔히 빠지는 것들 — 빠져 있으면 꼬리질문이 깊어집니다.
이 질문에 이어 삼성증권 공통직무·미지정 면접관이 던질 가능성이 높은 후속 질문.
이 페이지의 질문·답변·꼬리질문은 유사 직군 채용 시장의 공개된 면접 후기·커뮤니티 게시물을 분석해 구성한 학습 자료입니다. 특정 회사가 실제로 이 질문을 출제했다는 것을 보장하지 않으며, 모든 예시는 우문현답이 직접 작성한 창작물입니다. 해당 회사의 공식 입장과는 무관합니다. 회사 측의 정정 요청이 있을 경우 24시간 이내에 응답·수정합니다.