QA 에이전트 — 코드는 AI가 짜는데, 품질 테스트는 아직도 사람이?
AI 코딩 확대로 테스트 범위 설계와 검증 부담이 커지는 문제를 짚었습니다.\nPrivate LLM 기반 QA 에이전트로 조직 지식 기반 테스트 설계를 제안합니다.

AI 코딩 확대로 테스트 범위 설계와 검증 부담이 커지는 문제를 짚었습니다.\nPrivate LLM 기반 QA 에이전트로 조직 지식 기반 테스트 설계를 제안합니다.
사람의 눈에 의존하는 계약서 검토 업무의 한계를 짚었습니다. AI 에이전트를 활용한 문서 검토 가능성을 제기했습니다.
AI 에이전트 도입 전 최신 문서, 접근 권한, 변경 이력을 통합 관리해야 하는 이유를 설명했습니다.\n문서중앙화를 통해 잘못된 정보 참조와 권한 침해, 근거 추적 불가 위험을 줄이는 방안을 제시합니다.
대표 명의의 Slack 초대장으로 위장한 피싱 메일 사례를 공유했습니다. 업무용 도구 초대장 형태의 메일에 주의가 필요함을 알렸습니다.
RAG가 기대만큼 답하지 못하는 문제를 다룹니다. 성공 요인을 LLM보다 문서 중앙화와 데이터에서 찾습니다.
생성형 AI 도입 과정에서 데이터 관리가 초기 과제로 제시됐습니다. 서버 밖 엔드포인트 데이터까지 포함한 문서중앙화의 필요성을 다룹니다.
KCSCON 2026에서 AI 시대 조직이 마주한 보안 과제를 다뤘습니다. 내부 AI와 외부 AI 서비스 확산에 따른 보안 이슈를 제기했습니다.
범용 번역 도구의 용어 불일치, 보안 우려, 반복 수정 문제를 짚었습니다. 조직 맥락을 학습한 Private LLM 기반 번역 AI 에이전트를 제안했습니다.
분산된 AI 사용 경로가 Shadow AI와 관리 사각지대를 키우는 문제를 설명했습니다. Front ACE로 Public AI와 Private LLM을 통합 관리하는 방식을 제시합니다.
에이전트재킹은 오류 모니터링 데이터에 숨긴 명령을 AI 코딩 에이전트가 실행할 수 있음을 보여줬습니다. AI 코딩 환경에서는 권한과 연동 도구, 코드 자산의 외부 유출 경로를 함께 통제해야 합니다.