--- title: "AI 성패는 모델보다 데이터 현지화에 달렸다는 TP의 승부수" published: 2026-05-23T15:05:01.942Z canonical: https://jeff.news/article/3131 --- # AI 성패는 모델보다 데이터 현지화에 달렸다는 TP의 승부수 TP가 아시아·태평양 지역에서 AI 데이터 서비스 역량을 강화하겠다는 전략을 공개했다. 핵심은 모델 자체보다 현지 언어, 데이터 품질, 규제 대응, 인간 참여형 거버넌스를 묶어 실제 배포 가능한 AI 시스템을 만들겠다는 방향이다. - TP가 아시아·태평양 지역에서 AI 데이터 서비스 역량을 크게 키우겠다고 나섬 - TP는 옛 텔레퍼포먼스(Teleperformance)로, 글로벌 디지털 비즈니스 서비스 기업임 - 싱가포르에서 열린 ‘아시아 테크 x 싱가포르 2026’에서 ‘퓨처 포워드’ 전략을 공개함 - 핵심은 “AI 모델을 잘 사오는 것”보다 “현지화된 데이터 기반을 제대로 까는 것”에 가까움 - TP가 보는 문제는 단순함. 아시아 AI는 언어와 규제 때문에 난이도가 확 올라감 - 한국어, 일본어, 중국어, 말레이어처럼 언어권이 갈리고, 같은 언어 안에서도 문화적 맥락이 다름 - 데이터 저장 위치, 거버넌스, 개인정보 규제도 국가마다 다르게 걸림 - 그래서 미국식 범용 AI 운영 방식을 그대로 들고 오면 실제 업무 배포에서 자주 막힘 - TP는 기업들이 AI 도구를 만들기 전에 데이터 기반부터 투자해야 한다고 주장함 - 아사프 타르노폴스키 TP 아태 최고고객책임자는 패널 토론에서 이 점을 강조함 - 마이클 코스테벡 총괄과 조나단 팡 최고기술책임자도 단순 AI 운영을 넘어 AI 오케스트레이션(AI orchestration)으로 가야 한다고 말함 - 여기서 오케스트레이션은 모델, 데이터, 평가, 사람 검수, 운영 정책을 한 시스템으로 묶는 쪽에 가까움 - 새로 내세운 ‘TP.ai 데이터 서비스’는 AI 배포 전 과정을 지원하는 패키지임 - 데이터 수집, 라벨링, 모델 평가, 인간 참여형(human-in-the-loop) 거버넌스까지 포함함 - 한국, 싱가포르, 말레이시아, 중국, 일본 등 아태 지역 전문 인력을 활용한다는 점을 강조함 - 결국 “현지 언어로 학습하고, 현지 규제를 지키고, 현지 사용자가 납득하는 AI”를 만들겠다는 방향임 > [!IMPORTANT] > 이 기사의 핵심은 “AI 성능은 모델보다 데이터 운영에서 갈린다”는 주장임. 특히 다국가 서비스에서는 라벨링 품질, 언어 현지화, 거버넌스가 모델 선택만큼 중요해짐. - 사례도 하나 제시함. 한 고객사의 창고 영상 스트림을 3주 만에 구축했다는 얘기임 - TP는 창고 영상 데이터를 모으고 객체 라벨링을 수행함 - 그 결과 작업자의 안전 위험을 실시간으로 감지하는 물리 AI 모델 학습을 성공시켰다고 밝힘 - 생성형 AI 챗봇 얘기가 아니라, 현장 영상 데이터와 안전 감지라는 꽤 실무적인 사례라 더 눈에 띔 - 성과 수치도 꽤 공격적으로 제시됨 - TP는 ‘2026 Data Breakthrough Awards’에서 ‘올해의 종합 데이터 분석 플랫폼’을 수상했다고 밝힘 - TP 데이터 분석 서비스를 도입한 기업들은 고객 경험 품질 점수가 최대 31% 향상됐다고 함 - 판매 전환율은 최대 30%, 인력 운영 효율성은 최대 15% 개선됐다는 수치도 제시됨 - TP가 사람을 계속 강조하는 것도 포인트임 - 임직원이 AI 기반 운영 환경에 적응하도록 업스킬링 프로그램에 투자하고 있음 - 직원들이 모델 평가, 합성 데이터, AI 거버넌스 관련 역량을 갖추도록 한다는 구상임 - AI를 “사람 대체”로만 보는 게 아니라, 현지 전문 인력이 AI 운영 품질을 끌어올리는 구조로 잡고 있음 - 한국 기업에도 꽤 직접적인 얘기임 - 사내 문서, 콜센터 로그, 고객 데이터, 현장 영상처럼 실제 데이터는 대부분 지저분하고 한국어 맥락이 강함 - 그래서 모델만 최신으로 바꿔도 성과가 안 나오는 경우가 많음 - TP의 메시지는 결국 “AI 도입의 병목은 데모 화면이 아니라 데이터 파이프라인과 운영 책임”이라는 현실적인 경고에 가깝다 --- ## 기술 맥락 - TP가 고른 방향은 모델 경쟁이 아니라 데이터 운영이에요. 아시아 시장에서는 같은 AI라도 언어, 규제, 업무 관행이 너무 다르기 때문에 범용 모델 하나로 끝내기 어렵거든요. - 그래서 데이터 수집, 라벨링, 모델 평가, 인간 참여형 거버넌스를 한 흐름으로 묶으려는 거예요. 모델이 틀렸을 때 누가 검수하고, 어떤 데이터로 다시 고치고, 어느 국가 규칙을 따라 저장할지까지 정해야 실제 서비스에 넣을 수 있어요. - 창고 영상 스트림 사례가 중요한 이유도 여기에 있어요. 3주 만에 영상 데이터를 구축하고 객체 라벨링을 해서 안전 위험 감지 모델을 학습시켰다는 건, 모델 자체보다 현장 데이터를 얼마나 빨리 운영 가능한 형태로 바꾸느냐가 성과를 갈랐다는 뜻이에요. - 한국 기업이 이걸 볼 때도 포인트는 비슷해요. 사내 AI를 만들 때 최신 대규모 언어 모델(LLM)을 붙이는 것만으로는 부족하고, 한국어 데이터 품질, 권한 관리, 사람 검수, 평가 지표를 같이 설계해야 해요. ## 핵심 포인트 - TP가 싱가포르 행사에서 현지화 데이터 기반의 ‘퓨처 포워드’ 전략을 공개 - 한국, 싱가포르, 말레이시아, 중국, 일본 등 아태 지역 인력을 바탕으로 데이터 수집·라벨링·모델 평가·인간 참여형 거버넌스를 지원 - 창고 영상 스트림을 3주 만에 구축하고 객체 라벨링으로 작업자 안전 위험 감지 모델 학습 사례를 제시 - 도입 기업에서 고객 경험 품질 점수 최대 31%, 판매 전환율 최대 30%, 인력 운영 효율성 최대 15% 개선 성과를 언급 ## 인사이트 요즘 AI 도입 실패의 상당수는 모델이 약해서라기보다 데이터가 엉망이거나 현장 맥락을 못 먹어서 터져. TP의 메시지는 화려한 모델 발표보다 훨씬 현실적이고, 한국 기업이 사내 AI를 굴릴 때도 그대로 맞는 얘기다.