전체 사례No. 069
도스 피노스 라벨 검사는 AI가, 수정은 디자이너가
250단어 지침으로 만든 AI 검사관과 디자이너의 분업 구조
- 사례 번호
- 069
- 1차 출처
- Microsoft Source LATAM feature (English and Spanish editions)
- 원문 게시
- 2026-05-14

요약
- 도스 피노스는 기술 사양서와 도안을 대조하는 인공지능 검사관을 구축했습니다.
- 라벨 불일치는 거의 사라졌고 디자인 단계 오류가 절반 넘게 줄었습니다.
- 명확한 기준 문서가 있다면 현업 실무자가 직접 자동화를 구현할 수 있습니다.
매일 130만 리터의 우유를 공급받는 현장의 긴장감
포장 표기의 작은 오류 하나만으로도 제조 일정이 지연되고 제품 출시가 늦춰질 수 있습니다. 코스타리카 알라후엘라에 본사를 둔 도스 피노스는 약 6,000명의 직원이 일하고 약 1,500곳의 조합원 농가로부터 하루 약 130만 리터의 우유를 공급받는 중앙아메리카에서 가장 큰 낙농 협동조합 중 하나입니다. 유제품 생산과 가공은 물론 포장, 농업 관련 서비스, 물류, 소매 유통까지 넓은 사업 영역을 직접 운영합니다.
디자인 부서에서 포장 개정 작업을 진행할 때 업무 중 가장 큰 스트레스를 주는 부분은 라벨 검사였습니다. 마이크로소프트 라틴아메리카 뉴스 사이트에 실린 특집 기사에 따르면, 디자이너는 빽빽한 영양성분표를 한 줄씩 대조하며 숫자가 어긋나지 않았는지, 빠진 문장 부호가 없는지 육안으로 확인해야 했습니다. 오류는 그래픽 측면이 아니라 밀리미터 단위까지 정확해야 하는 영양 및 규제 정보에서 발생했기 때문입니다.
포장 오류는 생산 일정을 지연시키고 제품 출시 시점을 뒤로 밀어낼 수 있습니다. 영양 정보 표시가 잘못될 경우 법적 규제와 기업 평판에 따르는 위험이 발생하고, 최악의 상황에는 제품 회수까지 고려해야 합니다. 대중 소비재 시장에서 원가와 공정 혁신, 제품 품질에 대한 압박이 상존하는 상황에서 검수 오류는 단순한 실수가 아닌 사업적 손실로 이어질 수 있습니다.
250단어 지침으로 탄생한 AI 포장 검사관
디자인 부서의 요한 로드리게스 크리에이티브 리드는 이 문제를 해결하기 위해 코파일럿 스튜디오(Copilot Studio)를 열었습니다. 그는 인공지능이 정보를 검토하는 방식을 약 250단어의 지침으로 직접 정리했습니다. 대조해야 할 원본 데이터가 무엇이고 디자이너가 제출한 도안에서 어떤 항목을 확인해야 하는지 명확한 규칙을 부여했을 것입니다.
이 장치는 도안 파일이 디자인 부서를 떠나기 전에 작동합니다. 분유 포장재 개정 작업을 예로 들면, 요한 로드리게스의 팀에 속한 한 명의 여성 디자이너는 제안된 도안 파일과 함께 영양 규제 정보가 담긴 내부 기술 사양서를 인공지능 도구에 함께 올립니다. 프롬프트를 실행하면 몇 초 만에 두 문서를 비교한 상세 분석 결과가 화면에 나타납니다.
AI 검사관은 잘못된 수치부터 서식의 불일치까지 내부 기준에 맞춰 잡아내고 수정 방향을 권고합니다. 하지만 도안 파일을 인공지능이 직접 수정하지는 않습니다. 최종 검토와 실제 수정 작업은 온전히 디자이너의 몫으로 남겨 두었습니다. 요한 로드리게스는 이 분업 구조를 명확히 설명했습니다.
“이 작업은 디자이너를 대체하기 위한 것이 아닙니다. 업무에서 가장 기계적이고 오류가 발생하기 쉬운 부분을 덜어내 디자이너가 디자인 품질에 집중할 수 있도록 돕는 일입니다.”
실제 현장에서는 이 검사가 단일 패키지 단위로 정밀하게 진행되었을 가능성이 높습니다. 250단어 분량의 지침은 방대한 지식베이스를 구축하기보다는 일종의 점검 목록 역할을 하기에 적합합니다. 기술 사양서에 명시된 필수 영양 성분 수치와 표기 문구를 도안의 특정 위치와 꼼꼼하게 대조하고, 소수점 표기나 단위, 쉼표 누락 같은 서식 규칙을 엄격하게 적용해 불일치 목록을 반환하도록 설계했을 것입니다. 디자이너는 검사관이 제시한 지적 사항을 하나씩 검토하며 도안을 바로잡고 다시 검증을 거침으로써, 검수된 파일만을 후속 생산 부서로 넘겼을 것입니다.
줄어든 불일치와 앞당겨진 출시 일정
2025년 말 AI 검사관이 본격적으로 도입된 이후, 포장 라벨과 기술 사양서 사이의 불일치는 거의 0으로 줄어들었습니다. 도스 피노스는 디자인 단계에서 발생하던 내용 불일치 역시 50% 넘게 감소했다고 밝혔습니다.
이러한 오류 감소는 전체 제품화 과정에도 긍정적인 영향을 미쳤습니다. 디자인 단계에서 오류를 선제적으로 걸러내면서 평균 시장 출시 기간을 약 10일 단축하는 데 기여했습니다. IT 전략과 디지털 전환을 총괄하는 카를로스 산디 책임자는 이 변화의 실질적 무게를 강조했습니다.
“생산 관점에서 10일은 매우 큰 시간입니다. 제품 주기에서 10일을 줄인 덕분에 운영 민첩성이 훨씬 높아졌습니다.”
업무를 담당하는 실무자의 일상도 달라졌습니다. 이전에는 도안이 완성되어도 수치 검증에 대한 부담감 때문에 작업이 늘 조심스러웠지만, 이제는 검사관이 기본 데이터를 철저히 짚어주기 때문입니다. 요한 로드리게스는 “업무 흐름이 훨씬 좋아졌습니다. 큰 안도감을 얻었고, 이제 확신을 가지고 창의적인 작업에 집중할 수 있게 되었습니다.”라고 소회를 전했습니다.
4시간이 걸리던 일일 보고를 과외하듯 자동화한 영업 현장
도스 피노스의 변화는 디자인 부서에만 머무르지 않았습니다. 영업 부서의 랜들 베나비데스 분석가는 매일 아침을 데이터 수작업으로 채우고 있었습니다. 매출 데이터를 내려받고, 스프레드시트를 필터링한 뒤, 내부 사용자들에게 엑셀 보고서를 개별 이메일로 발송하는 일이었습니다. 100명이 넘는 내부 수신자에게 최대 21건의 일일 보고서를 전달하는 작업에 매일 아침 약 4시간이 소요되었습니다. 그는 분석가라는 직함이 무색하게 데이터 처리에만 오전 시간을 쏟아붓고 있었습니다.
사내 인공지능 워크숍에 참석한 그는 인공지능 에이전트를 따로 제작하는 대신 코파일럿 챗을 일대일 코치로 활용했습니다. 인공지능에 대해 전혀 알지 못했던 그는 코파일럿에게 해당 도구를 잘 모르니 파워 BI 서비스(Power BI Service)를 통해 아웃룩으로 영업 보고서를 발송하는 방법을 단계별로 안내해 달라고 요청했습니다. 코파일럿의 안내에 따라 시스템 설정을 마친 덕분에 업무 부담이 크게 줄었습니다.
실제 환경에서는 파워 BI 서비스의 예약 구독 기능이 활용되었을 가능성이 높습니다. 수신자별로 서로 다른 매출 데이터를 걸러서 보냈을 것으로 추정되는 기존 수작업은 파워 BI 서비스 내에서 데이터셋을 매일 아침 자동 새로고침하고 사용자별 구독 목록에 따라 아웃룩으로 예약 전송되도록 재구성했을 것입니다. 수작업 배포에서 벗어난 그는 이제 단순 취합이 아니라 지표를 새로 설계하고 새로운 대시보드를 구축하는 본연의 분석 업무에 집중하고 있습니다.
조직 전반으로 번져가는 80개의 맞춤형 도구
도스 피노스는 현재 약 80개의 인공지능 에이전트를 조직 전반에서 운영하고 있습니다. 이 도구들은 주로 마이크로소프트 365 코파일럿과 코파일럿 챗을 중심으로 만들어졌으며, 코파일럿 스튜디오도 함께 활용되었습니다. 각 부서의 특정한 직무와 과업을 그대로 반영하도록 범위를 좁혀 설계된 것이 특징입니다.
비밀유지계약서 작성을 지원하는 도구, 사내 정보기술 서비스 요청을 처리하는 도구, 위험 문서 관리 도구가 여기에 포함됩니다. 유통망의 판매 담당자들에게 축산 제품을 알맞게 추천해 주는 가상 수의사 도구도 운영 중입니다. 아르헤니스 마타리타 AI 책임자가 이끄는 팀은 배송 공정을 최적화하고 제조 시설의 데이터를 체계화하기 위한 새로운 도구들을 추가로 준비하고 있습니다.
회사는 초기 단계에서 1,000명이 넘는 직원에게 코파일럿을 배포했으며, 2026년 내내 전사 조직으로 사용 범위를 넓혀갈 계획입니다. 확산의 중심에는 2025년 기준 15명 규모로 운영되며 인원을 늘려 가고 있는 사내 AI 앰배서더가 있습니다. 랜들 베나비데스 분석가를 포함한 이 앰배서더들은 각 부서에서 동료들에게 인공지능 기초를 교육하고 스스로 필요한 도구를 만들 수 있도록 지원합니다.
아르헤니스 마타리타 AI 책임자는 현장 주도 개발의 핵심을 명확하게 짚었습니다.
“좋은 프롬프트와 적절한 정보만 있다면 아주 빠르게 유용한 도구를 만들 수 있습니다.”
기준 문서가 확실한 곳에서 자동화가 시작됩니다
도스 피노스의 사례는 인공지능을 현업에 도입할 때 참고할 만한 현실적인 원칙들을 보여줍니다.
첫째, 검수하는 기계와 결정하는 사람을 분리했습니다. AI 검사관은 텍스트를 읽고 대조하여 어긋난 곳을 찾아낼 뿐, 그래픽 파일을 직접 수정하지 않습니다. 대조할 정답이 기술 사양서라는 단일 원본 문서로 존재하고, 오류 유형이 숫자 오기나 쉼표 누락처럼 명확하게 정의되어 있었기 때문에 신속하고 안정적인 자동화가 가능했습니다.
둘째, 위험을 가장 잘 아는 실무자가 직접 지침을 설계했습니다. 포장재 규제 표기의 오류가 사업에 미치는 파장을 누구보다 잘 알고 있던 크리에이티브 리드가 250단어로 검사 기준을 직접 규정했습니다. 업무 소유자가 직접 규칙을 세웠기 때문에 현장에 딱 맞는 도구가 나올 수 있었습니다.
셋째, 병목이 생기는 지점 바로 앞에서 검증을 수행했습니다. 도안 파일이 디자인 부서를 떠나기 전에 불일치를 확인해 생산 지연을 유발할 수 있는 오류를 걸러냈습니다. 도스 피노스에 따르면 이로 인해 디자인 단계의 불일치가 50% 넘게 감소했으며, 이는 평균 시장 출시 기간을 약 10일 단축하는 데 기여했습니다.
넷째, 모든 문제를 새로운 에이전트로 풀 필요는 없습니다. 영업 분석가의 사례처럼 때로는 코파일럿을 코치로 활용해 사내에 이미 갖춰진 기존 소프트웨어의 자동화 기능을 학습하고 설정하는 것만으로도 수작업 부담을 덜어낼 수 있습니다. 중요한 것은 거창한 시스템 구축이 아니라 현업 실무자가 마주한 비효율을 가장 단순한 방식으로 걷어내는 일입니다.
출처
- Microsoft Source LATAM — A Costa Rican dairy cooperative turns AI agents into coworkers — https://news.microsoft.com/source/latam/features/ai/costa-rica-dos-pinos-ai-agents-microsoft-copilot-en/?lang=en — 2026-05-14
- Microsoft Source LATAM (Spanish edition) — Una cooperativa lechera de Costa Rica convierte agentes de IA en compañeros de trabajo — https://news.microsoft.com/source/latam/features/ia/costa-rica-dos-pinos-agentes-ia-microsoft-copilot-es/ — 2026-05-14