다글로, 받아쓰기 앱에서 업무 자동화 AI 노트테이커로 방향 튼다

받아쓰기 성능은 이미 상향 평준화됨

• 다글로와 클로바노트의 STT 대결은 생각보다 박빙이었음

  • 1시간 7분짜리 인터뷰 녹취를 두 서비스에 올렸고, 처리 속도는 둘 다 1분 안팎으로 비슷했음
  • 인명 인식과 화자 구분은 다글로가 더 나았고, 최신 용어 인식은 클로바노트가 조금 더 나은 장면이 있었음

• 제품명 인식은 둘 다 완벽하지 않았음

  • 정작 “다글로”라는 이름을 양쪽 모두 다블로, 다블론, 다블루, 다굴로처럼 흔들리게 받아씀
  • 동일 단어 오류율은 다글로 46.4%, 클로바노트 50%로 다글로가 근소하게 낮았지만, 압도적 차이는 아님

• 결론은 STT 자체보다 그다음 연결성이 진짜 승부처라는 것

  • 국내 한국어 받아쓰기 성능은 어느 정도 올라왔고, 이제 차이는 요약·기획·문서 작성 같은 후속 작업에서 갈림
  • 다글로는 홈 화면부터 녹음 받아쓰기, 파일 받아쓰기, 유튜브 요약, PDF 분석, AI 슬라이드, AI 문서번역, AI 퀴즈를 전면에 깔아둠

다글로는 “기록”보다 “실행”을 노림

• 다글로의 핵심 기능은 보드챗임

  • 녹음본이나 PDF를 다시 올리지 않아도, 보드에 쌓인 내용을 기준으로 요약·정리·기획·문서 작성을 이어서 요청할 수 있음
  • “전체 내용을 주제별로 그룹화해달라”고 하자 창업 배경, 기술 특징, 비용 최적화, 경쟁 차별화로 나누고 타임스탬프까지 붙였음

• 1시간 20분짜리 자료도 실제 요약은 2분이 채 안 걸렸음

  • 화면상 예상 완료 시간은 10분 안팎이었지만, 실제 처리 시간은 훨씬 짧았음
  • 답변 끝에는 “다글로의 주요 경쟁사와 차별점은?” 같은 연결 질문도 자동 제안함

• 요약 품질은 아직 검수 없이는 위험한 구간이 있음
  • “엘리는 빅테크 모델보다 싸고 보안 우려를 줄이기 위해 만들었다”는 취지가, 요약에서는 “엘리가 비싸고 데이터 유출 문제가 있는 모델”처럼 뒤집힌 사례가 나옴
  • 템플릿 요약에서는 원문에 없는 기업명 오류가 생기며 전형적인 할루시네이션도 확인됨

챗GPT와 비교하면 다글로의 색깔이 보임

• PDF 요약에서는 챗GPT가 정보량으로 앞섰음

  • 스태티스타의 AI in Labor and Productivity 보고서를 넣었을 때, 다글로는 핵심 결과를 6개 항목으로 정리함
  • 챗GPT는 10개 항목으로 나누고 소득·연령별 수치, 기업 기능별 AI 가치 창출, 2025~2030년 사람·AI 업무 분담 변화까지 더 많이 끌어냄

• 대신 챗GPT는 원문에 없는 틀과 가정을 만들어 붙였음

  • 원문 보고서가 “명시적인 이론이나 가설을 제시하지 않는다”고 밝혔는데도, 챗GPT는 4개 개념 틀과 5가지 핵심 가정을 자체 생성함
  • 다글로는 정보량은 적었지만 원문 문장을 그대로 전달했고, 페이지 번호도 붙여 대조하기 쉬웠음

• 이 비교는 B2B AI에서 꽤 현실적인 트레이드오프를 보여줌

  • 정보가 풍부한 모델이 항상 업무에 더 안전한 건 아님
  • 기업용 문서 분석에서는 “많이 말하는 AI”보다 “어디서 나온 말인지 확인 가능한 AI”가 더 쓸모 있을 때가 많음

자체 모델 엘리와 하이브리드 전략

• 액션파워는 자체 업무 특화 모델 엘리를 운영함

  • 요약에 특화된 경량 모델 형태이고, GPT-4o 같은 초대형 모델과 대등한 벤치마크 성능을 확인했다고 설명함
  • 한국어 성능은 국립국어원 인공지능의 한국어 능력 평가 경진대회에서 2023년과 2024년 2년 연속 대상을 받았다고 함

• 다글로는 자체 모델만 쓰는 구조가 아님

  • AI 채팅에서는 GPT, 클로드, 제미나이 등 9종의 글로벌 프론티어 LLM도 선택할 수 있음
  • 자체 모델과 외부 모델을 병행하는 하이브리드 전략으로, 업무와 고객 환경에 따라 모델을 나눠 쓰는 방식임

• 자체 모델을 굴리는 이유는 꽤 실무적임

  • 외부 API 가격 인상이나 서비스 종료 리스크를 줄이는 기술 자주성
  • 저렴한 GPU로도 운영 가능한 비용 절감
  • 폐쇄망 온프레미스 구축이 가능한 보안
  • B2B 협업 데이터를 반영한 산업 특화 성능 개선

비용 최적화는 모델보다 운영 설계 싸움

• 액션파워는 토큰 비용을 줄이기 위해 모델과 데이터 양쪽을 경량화하고 있음

  • 데이터 확보, 정제, 학습, 튜닝, 지식 증류, 양자화, 가지치기, 메모리 최적화, 추론 최적화로 이어지는 파이프라인을 자체 설계했다고 함
  • 반복 작업의 연산 원가를 낮추는 게 목표임

• 컨텍스트 압축도 핵심 전략으로 제시됨

  • 군더더기 제거, 계층적 요약, 사용자 의도 기반 검색 기반 생성 선별 투입을 사용함
  • 쉽게 말하면 “필요한 것만 골라 추론에 넣는” 방식임

• 비용 인지형 모델 라우팅도 같이 운영함

  • 작업 난이도별 모델 라우팅, 토큰량을 줄이는 요약, 캐싱, 프롬프트 최적화, 대량 작업의 경량 모델 활용이 포함됨
  • 모델 경쟁이 커질수록 “큰 모델을 가졌나”보다 “고객 업무를 싸고 안전하게 처리하나”가 중요해진다는 관점임

로드맵은 협업, B2B, 온디바이스

• 단기 로드맵은 협업 기능 강화임

  • 캘린더 연동으로 녹음 알람을 띄우고 참석자 정보를 자동 매핑하는 기능이 예고됨
  • 슬랙, 노션 같은 업무 툴과 연동해 다글로 결과물을 자동 등록하는 기능도 준비 중임

• B2B 쪽은 온프레미스와 산업 특화가 핵심임

  • 망 분리가 필요한 금융·공공·의료 고객사에는 온프레미스 구축을 제안함
  • 대구시청, 서울대병원, 강동경희대병원, KT스카이라이프, 한글과컴퓨터 같은 레퍼런스도 언급됨

• 장기적으로는 온디바이스 AI를 노림

  • 내부 개발은 완료한 상태라고 설명했고, 모바일에서 개인정보 유출 우려와 서버 비용을 동시에 낮출 수 있다고 봄
  • 로봇·차량 같은 피지컬 AI 시장에서도 저전력·저지연 온디바이스 모델이 필요해질 거라고 보고 있음

---

기술 맥락

• 다글로가 STT만으로 승부하지 않는 이유는 한국어 받아쓰기 성능이 이미 꽤 올라왔기 때문이에요. 인식률이 비슷해지면 사용자는 “누가 더 잘 받아썼나”보다 “받아쓴 걸로 어떤 일을 끝내주나”를 보게 되거든요.

• 자체 sLLM 엘리를 운영하는 건 단순한 기술 자랑이 아니에요. 외부 API만 쓰면 가격 인상, 장애, 서비스 정책 변경, 데이터 반출 문제가 바로 사업 리스크가 되기 때문에 B2B 고객을 상대하려면 선택지가 필요해요.

• 비용 인지형 모델 라우팅은 실제 AI 제품에서 점점 중요해지는 패턴이에요. 모든 요청을 최고급 모델로 보내면 품질은 좋을 수 있지만 원가가 터지고, 모든 요청을 작은 모델로 보내면 어려운 업무에서 품질이 무너지거든요.

• 보드챗의 검색 기반 생성 구조도 이 맥락에서 봐야 해요. 사용자가 올린 녹음본, PDF, 유튜브 링크를 기준으로 답하게 만들면 모델이 아무 말이나 지어낼 여지가 줄고, 업무 문서처럼 검증 가능한 결과물이 필요한 상황에 더 잘 맞아요.

• 온프레미스와 온디바이스는 보안 고객을 위한 배포 전략이에요. 의료, 금융, 공공처럼 데이터가 밖으로 나가면 곤란한 조직은 성능보다 데이터 흐름과 통제권을 먼저 보니까요.