CURVC DevOps Confluence

출처: Deep Research v2: Inside Atlassian’s Next-Gen AI Research Engine - Work Life by Atlassian https://www.atlassian.com/blog/artificial-intelligence/rovo-deep-research-v2 작성자: Xincheng You 외 Atlassian Machine Learning & Engineering Team 발행일: 2025년 12월 17일 AI로 재정의하는 자동화 리서치 2024년 6월 Atlassian은 Rovo Deep Research를 처음 선보이며 하나의 방향성을 제시했습니다. SaaS와 Atlassian 전반에 흩어진 정보를 연결해, 인용 가능한 임원급 리포트를 몇 분 안에 생성하는 AI 리서처를 제공하겠다는 것이었습니다. 이후 Deep Research는 단순 요약을 넘어 전략 수립 리스크 분석 프로세스 개선처럼 의사결정 난도가 높은 질문에 활용되기 시작했습니다. 사용 사례가 확대되면서, 기존 접근 방식에서 개선이 필요한 지점 또한 점차 분명해졌습니다. Deep Research v2는 이러한 관찰을 바탕으로 사람이 실제로 조사하는 방식에 더 가까운 리서치 엔진으로 설계되었습니다. What’s New? 실제 업무 환경에서 Deep Research를 평가한 결과, 몇 가지 공통적인 패턴이 확인되었습니다. 리포트는 기술적으로 정확했지만, 깊이가 충분하지 않거나 맥락과 다른 관점을 충분히 반영하지 못한 경우가 있었습니다. 또한 단 한 번의 실행으로 끝나는 fire-and-forget(실행 후 무시) 방식의 워크플로우는, 초기 리서치 계획이 적절하지 않을 경우 과정 중 이를 조정하기 어렵다는 한계를 드러냈습니다. Deep Research v2에서는 이러한 문제를 해결하기 위해 워크플로우가 재설계되었습니다. 새로운 증거가 나타날 때마다 반복적으로 탐색·종합·수정하는 흐름이 반영되었으며, 다중 턴 인터랙션을 통해 사용자가 리서치 과정에 보다 적극적으로 개입할 수 있도록 개선되었습니다. 질문 한번으로는 부족한 리서치 “우리 AI 전략의 리스크는 무엇인가요?” “사고 대응 프로세스의 가장 큰 공백은 무엇인가요?” 이와 같은 질문은 범위가 넓어, 실제 리서치에서는 추가적인 확인이 필요합니다. 어떤 제품을 대상으로 하는지, 어떤 기간을 의미하는지, 누구를 위한 결과물인지를 명확히 해야 합니다. Deep Research v2에서는 이 단계를 워크플로우에 명시적으로 포함했습니다. 리서치 시작 전 범위, 제약 조건, 성공 기준을 명확히 하는 질문을 먼저 제시함으로써 결과가 사용자의 실제 관심사에 보다 정확히 맞춰지도록 했습니다. V1 워크플로우의 구조적 한계 기존 v1 워크플로우는 사실상 fire-and-forget 구조였습니다. 초기 계획이 잘못 설정될 경우 결과를 끝까지 기다린 뒤 처음부터 다시 시작해야 하는 상황이 발생했습니다. v2에서는 리서치 계획 자체가 공유 가능한 산출물로 다뤄집니다. 구조화된 리서치 플랜 제안 섹션, 우선순위, 관점 수정 승인 이후 본격적인 리서치 실행 이를 통해 리서치 초기 단계에서 방향을 조정할 수 있게 되었고, 불필요한 재작업이 크게 줄어들었습니다. 통찰력 및 심층성이 부족한 리포트 기존 리포트는 사실 전달에는 충실했지만, 비교, 맥락, 리스크, 의사결정 포인트가 충분히 드러나지 않은 경우가 있었습니다. Deep Research v2는 단순한 정보 요약을 목표로 하지 않습니다. 질문에 답하는 것을 넘어 다음에 무엇을 해야 하는지를 고민하게 만드는 리포트를 지향합니다. 이를 위해 더 깊은 탐색, 관점 비교, 패턴 분석, 그리고 실행 가능한 권고안 도출에 초점을 맞추도록 설계되었습니다. 내부 지식 활용의 한계 전략 수립, 시장 분석, 기술 평가는 내부 문서만으로는 충분하지 않은 경우가 많습니다. 공개 리서치, 벤더 문서, 업계 뉴스와 같은 외부 정보가 함께 고려되어야 합니다. Deep Research v2는 Atlassian 데이터와 연결된 SaaS 정보뿐 아니라, 필요에 따라 퍼블릭 웹 정보까지 함께 활용할 수 있도록 확장되었습니다. 이를 통해 내부 맥락과 외부 시그널이 결합된 엔드투엔드 리서치가 가능해졌습니다. 새로운 아키텍처 Deep Research v2의 핵심에는 대규모 언어 모델(LLM)의 추론 능력을 활용하는 중앙 오케스트레이터 에이전트가 있습니다. 기존 세대의 획일적이고 경직된 파이프라인을 넘어, 상황에 따라 유연하게 대응하는 적응형 지능(Adaptive Intelligence) 기반 구조가 도입되었습니다. 오케스트레이터는 전체 대화 맥락 속에서 각 질문을 분석한 뒤, 복잡도에 따라 즉각적인 응답 또는 다단계·반복적 리서치 프로세스를 실행합니다. https://atlassianblog.wpengine.com/wp-content/uploads/2025/12/image-20251212-214101-768x938.png Adaptive Orchestration: 쿼리에서 리포트까지 시스템의 중심에는 오케스트레이터 에이전트가 위치합니다. 오케스트레이터는 사용자 맥락, 대화 이력, 전문 에이전트의 역량을 포함한 동적 프롬프트를 구성합니다. 이를 바탕으로 직접 답변할지, 전문 에이전트에게 위임할지를 판단하는 구조화된 판단 결과가 생성됩니다. 이러한 맥락 기반 라우팅을 통해 단순한 질문에는 빠른 응답이 제공되고 복잡한 요청에는 깊이 있는 분석과 다각적 관점이 적용됩니다. 전문 에이전트와 반복적 리서치 복잡한 리서치 작업은 세 가지 전문 에이전트로 분리됩니다. Grounding Agent 사용자 환경과 맥락을 파악하고 명확화 질문을 생성 Planning Agent 리서치 목표를 구조화된 계획으로 변환 Execution Agent 실제 리서치 수행과 반복 개선 담당 특히 Execution Agent에는 v2의 핵심 기술이 집약되어 있습니다. Execution Agent의 주요 혁신 Self-Evolution Engine: 발견된 정보에 따라 쿼리를 진화시키고 종료 시점을 판단 Dynamic Outline Optimization: 새로운 증거에 맞춰 리포트 구조를 재정렬 Memory Bank Writing: 모든 주장과 섹션별 출처를 저장해 추적성 확보 Test-Time Diffusion: 초안을 노이즈로 간주하고 집중 리서치를 통해 정제 그 결과 모든 문장이 출처로 연결되는 감사 가능한 리포트가 생성됩니다. 성능, 확장성, 안정성 Deep Research v2는 병렬 쿼리 실행을 통해 처리 속도를 향상시키는 동시에 모든 주장에 대한 출처 추적을 가능하게 해 투명성과 신뢰성을 확보합니다. 구성 가능성과 관측성 모델 선택, 실행 파라미터, 기능 플래그를 코드 변경 없이 조정할 수 있어 A/B 테스트, 단계적 롤아웃, 사용 맥락에 따른 최적화를 효과적으로 지원합니다. 또한 구조화된 로그, 지연 시간 지표, 토큰 사용량 모니터링을 통해 시스템 동작을 세밀하게 추적할 수 있도록 설계되었습니다. 비동기 실행과 복구 가능한 스트리밍 Deep Research 작업은 실행 시간이 길고 연산량이 큰 경우가 많습니다. 이에 따라 v2에서는 메인 웹 요청 경로에서 분리된 비동기 실행 구조가 도입되었습니다. 웹 서버는 작업을 백그라운드 워커 풀로 전달하고 진행 상황만 스트리밍 형태로 전달합니다. 이를 통해 사용자 경험은 실시간처럼 유지되며 리서치 엔진은 백그라운드에서 모든 과정을 수행합니다. 전용 워커 플릿을 통해 웹 서버 자원 점유를 방지하고 요청 급증 상황에서도 전체 시스템 안정성을 유지할 수 있도록 설계되었습니다. 또한 재연결 가능한 스트리밍을 지원해 네트워크 오류나 기기 전환 상황에서도 동일한 리서치 세션을 이어갈 수 있습니다. 평가 전략과 결과 I. Reference 기반 평가 전략 RACE 프레임워크 기반 평가(details https://arxiv.org/abs/2506.11763) Deep Research의 실제 활용 성능을 평가하기 위해, 장문 리서치 평가에 특화된 RACE 프레임워크를 주요 기준으로 활용하고 있습니다. RACE는 각 리포트를 다음 네 가지 관점에서 평가합니다. Comprehensiveness 리포트가 주제의 핵심 영역을 충분히 다루고 있는지, 주요 내용이 누락되지 않았는지를 평가합니다. Insight 단순한 사실 나열을 넘어 원인, 영향, 트렌드를 분석하고 의미 있는 시사점을 제공하는지를 평가합니다. Instruction Following 리서치 브리프를 얼마나 충실히 따르고, 사용자의 질문에 직접적으로 답하고 있는지를 측정합니다. Readability 구조가 명확하고 논리 흐름이 자연스러워 이해관계자가 쉽게 내용을 소화할 수 있는지를 평가합니다. RACE의 핵심적인 특징은 단일한 고정 평가 기준을 적용하지 않는다는 점입니다. 질의의 성격에 따라 과제별 가중치와 세부 평가 기준을 동적으로 생성해, 해당 작업에서 “좋은 결과”가 무엇인지를 상황에 맞게 정의합니다. 질의별 가중치 및 평가 기준 예시 다음과 같은 질의 https://github.com/Ayanami0730/deep_research_bench/tree/main/data를 예로 들 수 있습니다. “AI와의 상호작용이 인간의 대인관계에 어떤 영향을 미치는지를 논의하시오. 특히 AI가 개인들이 서로 관계를 맺는 방식과 그 이유를 근본적으로 어떻게 변화시킬 수 있는지를 고려하시오. 이 과제에 대해 RACE는 평가 항목별로 서로 다른 가중치를 부여합니다. https://atlassianblog.wpengine.com/wp-content/uploads/2025/12/screenshot-2025-12-18-at-10.21.30-am-760x228.png 아래는 Insight(40%) 항목에 대해 RACE가 생성한 세부 평가 기준(rubric)의 예시입니다. https://atlassianblog.wpengine.com/wp-content/uploads/2025/12/screenshot-2025-12-18-at-10.21.56-am-600x321.png 벤치마크 구성 Deep Research는 공개 벤치마크와 내부 벤치마크를 함께 활용해 평가됩니다. 이를 통해 개방적이고 경쟁적인 환경에서의 성능과, 실제 엔터프라이즈 업무 흐름에서의 활용성을 동시에 검증합니다. 공개 벤치마크 – DeepResearch Bench DeepResearch Bench는 딥 리서치 시스템 평가를 위해 설계된 공개 벤치마크입니다. 도메인 전문가가 작성한 100개의 박사급 연구 과제로 구성되어 있으며, 딥 리서치 제품 간의 공정한 비교를 목표로 합니다. 현재 Deep Research의 점수는 50.74점으로, 리더보드 기준 4위에 해당합니다. https://huggingface.co/spaces/muset-ai/DeepResearch-Bench-Leaderboard https://huggingface.co/spaces/muset-ai/DeepResearch-Bench-Leaderboard https://atlassianblog.wpengine.com/wp-content/uploads/2025/12/image-20251212-235527-600x348.png\ 내부 벤치마크 – 엔터프라이즈 리포트 엔터프라이즈 환경에서 Deep Research가 실제로 어떻게 사용되는지를 평가하기 위해, 사내 Confluence에 축적된 고품질 리포트 기반 내부 벤치마크를 운영하고 있습니다. 이 리포트들에 역 프롬프트 엔지니어링(reverse prompt engineering)을 적용해, 실제 기업 업무 흐름을 반영한 리서치 질문으로 변환합니다. 이를 통해 Deep Research가 일상적인 엔터프라이즈 의사결정 과정에서 요구되는 리서치 과제를 얼마나 잘 수행하는지를 평가합니다. 대표적인 활용 사례 시장 및 경쟁 분석 예: “FY25 Q4 기준, 주목해야 할 시장 및 인재 트렌드는 무엇이며 이러한 변화가 채용 및 비즈니스 전략에 어떤 영향을 미칠 수 있는가?” 분기 및 임원 보고용 요약 예: “FY26 Q1 ‘State of Atlassian’을 종합적으로 요약·분석하고, 창업자 관점, 회사 차원의 OKR, 주요 고객 성과, 핵심 전환 과제의 진행 상황과 도전 과제를 포함해 AI 및 클라우드 전략 관점에서 향후 방향성을 설명하시오.” 실제 이해관계자에게 전달되는 결과물과 동일한 수준의 기타 임원 보고용 리포트 이 데이터셋에 대해 RACE 프레임워크를 적용해 모델이 생성한 리포트를 평가한 결과, Deep Research의 RACE 점수는 62.72점으로 나타났습니다. RACE 기준에서 50점 이상은 인간이 작성한 기준 리포트보다 높은 품질을 의미하며, 이는 생성된 리포트가 해당 벤치마크에서 기존 인간 작성 리포트를 이미 상회하고 있음을 시사합니다. 공개 벤치마크와 엔터프라이즈 중심의 내부 벤치마크를 함께 활용함으로써, Deep Research의 평가 전략은 산업 표준 성능과 실제 업무 활용 품질을 동시에 검증하도록 설계되었습니다. 참조 기반 벤치마크 요약 https://atlassianblog.wpengine.com/wp-content/uploads/2025/12/screenshot-2025-12-18-at-10.23.19-am-600x517.png II. Reference-Free 평가 전략 Side-by-Side 비교 평가 참조 기반 벤치마크 외에도, 경쟁사의 Deep Research 제품과 참조 없이(reference-free) 결과를 직접 비교하는 병렬 평가(side-by-side evaluation)를 함께 수행합니다. 각 리서치 과제에 대해 다음과 같은 방식으로 평가가 진행됩니다. Deep Research를 사용해 리포트 생성 경쟁 제품(예: ChatGPT Deep Research)으로 동일 과제 리포트 생성 두 결과물을 LLM 판정자 기반 승 / 무 / 패(win / tie / lose) 프레임워크로 비교 이 방식은 사용자가 실제로 두 결과물을 나란히 비교해 선택하는 상황을 모사합니다. 이를 통해 단순 점수 비교가 아닌, 실제 선호도 관점에서의 품질 차이를 측정합니다. DeepConsult 평가 DeepConsult https://github.com/youdotcom-oss/ydc-deep-research-evals/tree/main/datasets/DeepConsult는 시장 분석, 투자 기회 평가, 산업 분석, 재무 모델링 및 평가, 기술 트렌드 분석, 전략적 비즈니스 기획 등 실제 컨설팅 업무에 가까운 과제를 폭넓게 포함한 데이터셋입니다. 주요 과제 유형 시장 분석 투자 기회 평가 산업 분석 재무 모델링 및 평가 기술 트렌드 분석 전략적 비즈니스 기획 이 데이터셋을 활용해 Deep Research와 ChatGPT Deep Research를 side-by-side 환경에서 직접 비교하고, LLM 판정자가 각 과제별로 더 우수한 결과물을 선택합니다. 품질 비교 요약 https://atlassianblog.wpengine.com/wp-content/uploads/2025/12/screenshot-2025-12-18-at-10.23.48-am-600x138.png DeepConsult 기준 side-by-side 평가에서, Deep Research 리포트는 ChatGPT Deep Research 대비 77%의 승률을 기록했습니다. 이는 다수의 비교 상황에서 LLM 기반 판정자가 Deep Research의 결과물을 더 우수하다고 판단했음을 의미하며, 실제 의사결정 환경에서도 일관되게 높은 품질의 리포트가 제공되었음을 보여줍니다. https://atlassianblog.wpengine.com/wp-content/uploads/2025/12/image-20251212-235606-600x348.png 앞으로의 Deep Research Deep Research v2는 완성이 아니라 새로운 기준선으로 제시됩니다. 실행 가능한 전문가 수준의 권고안 강화 단순한 정보 제공을 넘어, 트레이드오프를 명확히 제시하고 구체적인 선택지와 다음 단계를 드러내는 리포트를 지향합니다. 사실 정확성과 인용 품질을 검증하는 가드레일 강화 핵심 주장과 출처 간의 연결성을 체계적으로 검증해, 근거가 부족한 응답보다 검증되고 인용이 명확한 결과를 우선합니다. ADF 기반 시각적 구조와 데이터 시각화 확대 Atlassian Document Format(ADF)과의 통합을 통해 시각적 구조를 강화하고, 데이터 분석 결과를 차트와 그래프로 표현해 인사이트를 더 쉽게 전달하도록 개선이 이어지고 있습니다. Deep Research는 단순한 AI 기능을 넘어 팀의 사고와 의사결정을 확장하는 연구 파트너로 발전하고 있습니다. 참고 링크 How Rovo Deep Research works – Work Life by Atlassian How Rovo Deep Research works https://www.atlassian.com/blog/atlassian-engineering/how-rovo-deep-research-works Introducing Rovo Deep Research, grounded on your data – Work Life by Atlassian https://twitter.com/intent/tweet?source=webclient&via=atlassian&text=Introducing%20Rovo%20Deep%20Research,%20grounded%20on%20your%20data%20%E2%80%93%20Work%20Life%20by%20Atlassian&url=https://www.atlassian.com/blog/artificial-intelligence/rovo-deep-research-v2

2026/01/08

JSM Virtual Agent로 고객 지원 자동화하기

출처 Automating Customer Support with JSM Virtual Agent - Work Life by Atlassian https://www.atlassian.com/blog/atlassian-engineering/automating-customer-support-with-jsm-virtual-agent 작성자: Abhishek Rana (Senior Software Engineer), Rajat Gupta (Senior Machine Learning Engineer) 발행일: 2025년 11월 24일 Atlassian의 Jira Service Management(JSM) Virtual Agent가 AI를 활용해 고객 지원을 자동화하고, 채팅 워크플로우를 간소화하며, 전 세계 팀에 더 빠르고 정확한 문제 해결 경험을 제공합니다. Introduction 고객 지원은 빠르게 진화하고 있으며, 그 중심에는 자동화가 있습니다. Jira Service Management(JSM) 팀은 AI를 활용해 지원 프로세스를 간소화하고, 사용자에게 더 빠르고 정확한 응답을 제공하기 위해 지속적으로 노력해 왔습니다. 이 글에서는 JSM Virtual Agent를 구축해 온 과정과 아키텍처, 그리고 실제로 만들어내고 있는 성과에 대해 소개합니다. JSM이란? Jira Service Management(JSM)는 Atlassian의 AI 기반 서비스 관리 솔루션입니다. JSM을 통해 팀은 고객 요청을 손쉽게 접수하고, 추적하며, 관리하고, 해결할 수 있습니다. 고객은 다음과 같은 다양한 채널을 통해 요청을 제출할 수 있습니다. 이메일 헬프 센터 임베디드 위젯 Slack, Microsoft Teams와 같은 서드파티 앱 https://atlassianblog.wpengine.com/wp-content/uploads/2025/11/082012c9-10fd-41bf-a708-5dcb3eaa5149-1536x918.png JSM 활용 사례 IT 지원 팀 기술 문제 해결 요청 신규 소프트웨어 접근 권한 요청 처리 인사(HR) 팀 복지, 급여, 사내 정책 관련 문의 대응 JSM Chat 개요 JSM Chat의 간단한 데모를 살펴보겠습니다. 아래 예시처럼 고객이 JSM 헬프 센터를 통해 요청을 등록하면, Virtual Agent(VA) 봇이 먼저 문제 해결을 시도합니다. 봇이 해결하지 못할 경우, 사용자는 사람 상담원에게 이관할 수 있으며, 이 과정에서 JSM 티켓이 자동으로 생성됩니다. 이 데모는 가상 에이전트와 실제 상담원 간의 매끄러운 전환을 보여주며, 고객이 항상 필요한 도움을 받을 수 있도록 보장합니다. https://atlassianblog.wpengine.com/wp-content/uploads/2025/11/c65d938d-d7dd-4e0e-9b5b-54a06d96f9f8.gif 채팅 아키텍처의 진화 Before 이전의 채팅 백엔드는 여러 한계를 가지고 있었습니다. 가장 큰 문제 중 하나는 채널별로 봇 응답이 일관되지 않았다는 점입니다. 예를 들어 웹 기반 인터페이스인 Portal과 Help Center는 서로 다른 백엔드를 사용하고 있었습니다. Portal: Intent Flow만 지원 Help Center: AI 답변만 지원 AI 답변은 Atlassian 자체 LLM 모델 또는 OpenAI와 같은 서드파티 LLM을 활용해 생성되었습니다. Intent Flow는 문자열 벡터화를 통한 유사도 매칭 방식으로 동작하며, 관리자가 트리 구조의 흐름을 사전에 설정할 수 있었습니다. 모든 채널에서 AI 답변을 제공하려면 총 6개의 서로 다른 백엔드를 수정해야 했고, 이는 10명 규모의 개발팀에게 매우 큰 부담이었습니다. https://atlassianblog.wpengine.com/wp-content/uploads/2025/11/6aa8050c-9852-4128-a5c2-7e846430f1dd.png <이전의 JSM Chat 아키텍처> Now 이러한 문제를 해결하기 위해 채팅 아키텍처를 전면 재설계했습니다. 채널 분류 (Channel Categorization) 고객 채널을 스트리밍 채널과 비스트리밍 채널로 구분했습니다. 스트리밍 채널 (Help Center, Portal 등) → AI 응답을 실시간으로, 한 글자씩 스트리밍하여 사용자에게 즉시 전달 비스트리밍 채널 (Slack, MS Teams 등) → AI 응답을 모두 생성한 뒤 한 번에 전송 → 실시간 스트리밍을 지원하지 않는 채널 특성에 최적화 통합 오케스트레이터 (Unified Orchestrator) 모든 채널에 대해 단일 오케스트레이터 서비스를 도입했습니다. Slack, Help Center, Portal 등 어떤 채널에서 요청이 들어오든, 오케스트레이터가 이를 일관된 로직으로 처리하고 동일한 품질의 응답을 생성합니다. 이를 통해 채널별 구현 복잡도를 줄이고, 응답 생성 방식을 표준화했습니다. 데이터 저장 (Data Storage) 다음과 같은 대화 관련 데이터는 DynamoDB에 안전하게 저장됩니다. 사용자 메시지 AI 응답 핸들러 정보 티켓 연결 정보 모든 데이터는 데이터 레지던시 정책을 준수하도록 설계되었습니다. https://atlassianblog.wpengine.com/wp-content/uploads/2025/11/67df1cf7-aa0e-445f-9cea-70bc960f1e65-600x401.png <현재 JSM Chat 아키텍처> 이 다이어그램은 스크립트 기반 응답에서 고도화된 AI 기반 시스템으로 발전한 과정을 보여줍니다. 각 단계는 고객 요청을 더 정확하고 효율적으로 이해하고 해결하기 위한 도약을 의미합니다. AI 심층 분석: Virtual Agent의 동작 방식 심층 분석: 라우팅 전략 https://atlassianblog.wpengine.com/wp-content/uploads/2025/11/31ec345c-deb0-445f-8c41-5ed28e199206-600x651.png 라우팅 전략 VA(가상 에이전트)가 활성화된 고객의 경우, (현재는 Atlassian Premium 고객 대상), 먼저 Intent 매칭 여부를 확인합니다. VA가 비활성화된 경우, 즉시 사람 상담원으로 이관하고 JSM 티켓을 생성합니다. VA가 활성화되어 있고 신뢰도가 높은 Intent가 감지되면, Intent 메시지(Intent Message)를 바로 제공합니다. 그렇지 않은 경우, AI 생성 답변으로 전환합니다. 대화가 이어질 경우, 이전에 사용된 핸들러 정보를 DB에서 불러와 흐름을 유지합니다. 신뢰도 점수가 낮아지면 AI 답변으로 전환되며, 한 번 AI 생성 답변으로 전환된 경우, Intent Flow로 다시 돌아가지 않습니다. 심층 분석: 질의 흐름 및 구성 사용자 질의(Query)가 처리되는 전체 흐름 개인화(Personalisation) 사용자 위치, 프로필 등 정보를 활용해 응답을 더 적절하게 구성 RAG (Retrieval-Augmented Generation) Jira 티켓, 지식 베이스(KB) 등 다양한 검색 소스를 활용 환각 방지(No Hallucinations) 부정확하거나 오해를 일으킬 수 있는 답변을 생성하지 않도록 안전 장치 적용 이 다이어그램은 사용자 입력부터 개인화, 검색, 최종 AI 응답 생성까지의 전체 여정을 보여줍니다. https://atlassianblog.wpengine.com/wp-content/uploads/2025/11/d7a68628-0408-44fe-8eee-151a1f00a47f-600x264.png 심층 분석: 검색 및 랭킹 여러 개의 질의 변형을 생성한 뒤, 지식 베이스(KB)에서 관련 정보를 검색합니다. 각 질의는 서로 다른 결과를 반환할 수 있기 때문에, 가장 유용한 결과를 선별하는 과정이 필요합니다. 왜 상위 N개의 문서 구간을 추출해야 할까요? 검색 결과가 너무 많을 경우, 사용자가 혼란스러워질 수 있습니다. 반대로 결과가 너무 적으면, 최적의 답변을 놓칠 가능성이 있습니다. 이를 해결하기 위해 재랭킹(Reranking) 과정을 적용합니다. https://atlassianblog.wpengine.com/wp-content/uploads/2025/11/d6fd9075-1300-4f63-99a3-3bf4e472420b-600x344.png 랭킹 메커니즘 상위 N개의 문서 구간을 선정하기 위해 다음 점수들을 조합합니다. Similarity Score 질의와 문서 구간을 임베딩으로 변환한 뒤, 코사인 유사도 기반 점수를 산출합니다. Cross Encoder Score BERT 기반 Cross Encoder를 사용해 질의와 문서 구간을 함께 인코딩하고, 정교한 관련성을 평가합니다. Reciprocal Rank Fusion (RRF) 각 랭킹 결과의 순위를 기반으로 점수를 부여한 뒤 이를 합산해 최종 랭킹을 생성합니다. 단순하면서도 확장성이 뛰어나며, 여러 랭킹 방식의 장점을 효과적으로 결합합니다. https://atlassianblog.wpengine.com/wp-content/uploads/2025/11/26941d74-07fa-4867-b164-1e9b61a8c581-600x324.png 성과 및 결과 https://atlassianblog.wpengine.com/wp-content/uploads/2025/11/aaeac38a-b424-4dbb-aaf9-2672e6abfafd-600x480.png JSM Virtual Agent의 성과 자동화를 통해 해결률이 50% 증가했으며, JSM 채팅 요청의 약 50%를 AI로 처리 CSAT(고객 만족도) 40% 개선 20개 이상 언어 지원, 글로벌 고객 지원 환경 제공 추가 개선 사항 https://atlassianblog.wpengine.com/wp-content/uploads/2025/11/52671a63-fb80-4345-b943-f6f0369a4e52-600x305.png 개선하기 위한 기능 추가 질의 변형(Query Variation) 여러 질의 변형을 생성해, 표현 방식이 달라도 적절한 KB 문서를 찾을 수 있도록 지원 모호한 질의 감지(Vague Query Detection) 질문이 모호할 경우, 사용자에게 추가 정보를 요청 COT 기반 환각 감지기 AI의 추론 과정을 분석해 신뢰할 수 없는 답변을 감지·차단 Conclusion AI 기반 가상 에이전트는 고객 지원을 더 빠르고, 정확하며, 확장 가능하게 변화시키고 있습니다. JSM은 지금까지의 성과를 자랑스럽게 생각하며, 자동화된 고객 지원의 미래를 기대하고 있습니다.

2025/12/29

공지 Confluence Legacy Editor 종료 안내

Confluence Cloud의 레거시 편집기(Legacy Editor)가 단계적으로 지원 중단될 예정이며, 2026년 4월에 완전 종료됩니다. 레거시 편집기 지원 중단과 함께 다음과 같은 변화가 예정되어 있습니다. 단일 편집 환경 제공: 모든 편집은 클라우드 편집기로 통합됩니다. 클라우드 편집기는 이미 대부분의 사용자가 협업에 활용하고 있으며, Live Docs, AI, Smart Links, 자동화 등 고급 기능을 제공합니다. 콘텐츠 보존: 레거시 콘텐츠는 Legacy Content Macro 및 기타 기본 제공 솔루션을 통해 자동으로 보존됩니다. 변경을 진행하는 이유 레거시 편집기는 수년간 유지보수 모드로 운영되어 왔으며, 이제 최종적으로 지원을 종료하는 단계에 이르렀습니다. 클라우드 편집기에 집중함으로써 Confluence Cloud 사용자 모두에게 통합된 최신 편집 경험을 제공하고, 다음과 같은 가치를 제공하고자 합니다. 협업 효율성 증가 실시간 공동 작업, 인라인 댓글 기능, 라이브 문서 기능을 통해 모든 구성원이 최신 정보를 공유하고 원활한 팀워크를 경험할 수 있습니다. 더 빠른 처리 Smart Links와 임베디드 콘텐츠를 활용해 풍부하고 인터랙티브한 문서를 생성할 수 있어, 정보 공유가 더욱 쉽고 효율적입니다. AI를 활용한 업무 자동화 기본 제공되는 자동화 및 AI 기반 기능을 통해 반복 작업을 줄이고, 콘텐츠 작성 품질을 높이며, 보다 전문적인 문서를 완성할 수 있습니다. 주요 지원 중단 일정 레거시 편집기 지원 중단은 고객의 원활한 전환을 위해 단계적으로 진행됩니다. 전환 과정에서 콘텐츠가 손실되지 않도록 차단 요소를 제거하고, 레거시 편집기와 클라우드 편집기 간 주요 기능 격차를 해소하는 것이 최우선 목표입니다. 1단계 (2026년 1월) 레거시 편집기에서 새 페이지를 생성할 수 없게 됩니다. (레거시 페이지 복사, 레거시 편집기 템플릿을 통한 신규 페이지 생성 포함) 2단계 (2026년 1월 ~ 2026년 3월) 레거시 페이지를 조회하거나 편집할 경우, 해당 페이지는 자동으로 클라우드 편집기로 변환됩니다. 3단계 (2026년 4월) 레거시 편집기가 완전히 종료됩니다. 모든 콘텐츠는 클라우드 편집기에서만 조회 및 편집할 수 있으며, 레거시 편집기로 되돌릴 수 없습니다. 레거시 콘텐츠 보존 방식 이번 지원 중단과 관련하여 고객이 별도로 조치해야 할 사항은 없습니다. 자동 전환을 고려한 솔루션을 통해 최대한 원활한 전환을 제공할 예정입니다. 기능 격차 해소 고객의 최우선 요구 사항을 해결하는 데 집중하여, 서비스 종료 시점까지 거의 모든 페이지를 원활하게 변환할 수 있도록 수동 작업을 최소화하고 있습니다. 중첩 매크로(기존 콘텐츠 매크로를 통해) 및 중첩 테이블이 포함된 기존 페이지에 대한 지원은 이미 제공되며, 클라우드 편집기에서 실시간 협업을 강화하는 새로운 기능도 추가될 예정입니다.. 자동 변환 레거시 페이지를 수동으로 변환할 필요는 없습니다. 지원 중단 일정에 따라 변환 가능한 레거시 페이지는 자동으로 클라우드 편집기로 전환됩니다. 수동 조치 없이도 콘텐츠는 계속 조회 및 편집이 가능합니다. Legacy Content Macro 중첩 매크로와 같이 복잡하거나 아직 완전히 지원되지 않는 콘텐츠의 경우, Legacy Content Macro를 통해 콘텐츠를 보존하고 클라우드 편집기에서도 편집 가능하도록 지원합니다. 향후 분기 동안 더 많은 사용 사례에 대한 지원이 확대될 예정입니다. 관리자 설정 사이트 및 스페이스 관리자는 자동 변환 설정을 활성화하여 팀 전환을 보다 체계적으로 관리할 수 있습니다. 필수 사항은 아니지만, 사전 대응을 원하는 경우 도움이 될 수 있습니다. 아직 지원되지 않는 콘텐츠를 포함한 페이지는 자동 변환되지 않으며, 해당 기능이 지원될 때까지 레거시 편집기에 유지됩니다. 대부분의 고객은 별도 조치가 필요하지 않지만, 구조가 복잡한 레거시 페이지가 많은 경우, 변환 가능한 페이지를 미리 전환하고 피드백을 제공해 주시길 권장드립니다. 고객의 의견은 전환 품질을 개선하는 데 중요한 참고 자료가 됩니다. 추가 안내 및 피드백 방법 전환 과정에서 궁금한 점이 있거나 최신 정보를 확인하고 싶으신 경우, 아래 채널을 통해 도움을 받으실 수 있습니다. Help Center에서 FAQ 및 공식 문서 확인 https://support.atlassian.com/confluence-cloud/docs/the-confluence-legacy-editor/ Deprecation Details & FAQ 페이지에서 지원 중단 계획 및 주요 질문 확인 https://support.atlassian.com/confluence-cloud/docs/faq-understanding-legacy-editor-deprecation/ Legacy Editor Deprecation 커뮤니티 그룹을 통해 공지 및 논의 참여 https://community.atlassian.com/forums/Confluence-Cloud-Legacy-Editor/gh-p/ConfluenceCloudLegacyEditorDeprecation Confluence 내 상단 메뉴의 ? 아이콘(프로필 사진 옆)을 클릭한 후 "Give Feedback” → “Editor”를 선택하여 직접 피드백을 전달하실 수 있습니다. 변경 전 변경 후 기존 편집기의 중첩 매크로 3974d2f0-4796-4fd6-8a93-a96a3b5229eb.png 클라우드 편집기의 중첩 매크로(기존 콘텐츠 매크로 포함) c9ad165c-c4ae-4758-b9f4-f5ac45e43044.png 기존 페이지에서 중첩 매크로 보기 f0a781f9-9666-48e3-b979-a96fe9140b74.png 클라우드 페이지에서 중첩 매크로 보기 main.png

2025/12/24

2025년 12월 커브 소식지(뉴스레터)

안녕하세요, 커브입니다. 2025년 연말을 맞이하며, 한 해를 정리하고 새로운 2026년을 준비하는 시기가 다가왔습니다. 따뜻한 연말 되시길 바라며, 이번 뉴스레터에서는 팀의 생산성과 코드 품질을 한 단계 높일 수 있는 두 가지 핵심 주제를 준비했습니다. AI 기반 지식 관리로 조직의 협업을 혁신하는 Atlassian Intelligence와 Rovo, 그리고 우리 팀에 맞는 SonarQube 에디션 선택 가이드를 소개합니다. 인기 컨텐츠 신규 컨텐츠 Jira Cloud 화면 설정하기 https://confluence.curvc.com/spaces/ASD/pages/137607632/3.+Jira+Cloud+%ED%99%94%EB%A9%B4+%EC%84%A4%EC%A0%95%ED%95%98%EA%B8%B0 Table Filter, Charts & Spreadsheet 사용자 가이드 https://confluence.curvc.com/spaces/ASD/pages/219225014/Table+Filter+Charts+Spreadsheet+%EC%95%A0%EB%93%9C%EC%98%A8+%EC%82%AC%EC%9A%A9%EC%9E%90+%EA%B0%80%EC%9D%B4%EB%93%9C Jira Service Management 헬프 센터 사용자 정의 https://confluence.curvc.com/spaces/ASD/pages/87097370/Jira+Service+Management+Cloud+%ED%97%AC%ED%94%84+%EC%84%BC%ED%84%B0+%EA%B3%A0%EA%B0%9D+%ED%8F%AC%ED%84%B8+%EC%82%AC%EC%9A%A9%EC%9E%90+%EC%A0%95%EC%9D%98%ED%95%98%EA%B8%B0 Jira Cloud 스페이스 (Space) 구성 가이드 https://confluence.curvc.com/spaces/ASD/pages/137607587/Jira+Cloud+%EC%8A%A4%ED%8E%98%EC%9D%B4%EC%8A%A4+Space+%EA%B5%AC%EC%84%B1+%EA%B0%80%EC%9D%B4%EB%93%9C Jira Cloud 파일 저장 데이터 사용량 확인하기 https://confluence.curvc.com/spaces/ASD/pages/81664154/Jira+Cloud+%ED%8C%8C%EC%9D%BC+%EC%A0%80%EC%9E%A5+%EB%8D%B0%EC%9D%B4%ED%84%B0+%EC%82%AC%EC%9A%A9%EB%9F%89+%ED%99%95%EC%9D%B8%ED%95%98%EA%B8%B0 Loom과 Rovo로 활용하여 경쟁사 분석하기 https://confluence.curvc.com/spaces/ASD/blog/2025/12/04/294420481/Loom%EA%B3%BC+Rovo%EB%A1%9C+%EA%B2%BD%EC%9F%81%EC%82%AC+%EB%B6%84%EC%84%9D%EC%9D%84+%EB%8D%94+%EC%89%BD%EA%B3%A0+%EB%8D%94+%EC%9E%AC%EB%AF%B8%EC%9E%88%EA%B2%8C+%ED%95%98%EB%8A%94+%EB%B0%A9%EB%B2%95 Atlassian Strategy Collection을 소개합니다 https://confluence.curvc.com/spaces/ASD/blog/2025/12/03/293830679/Atlassian+Strategy+Collection%EC%9D%84+%EC%86%8C%EA%B0%9C%ED%95%A9%EB%8B%88%EB%8B%A4 SonarQube Server 2025.6 릴리스 https://confluence.curvc.com/spaces/ASD/pages/295862368/SonarQube+Server+2025.6+%EB%A6%B4%EB%A6%AC%EC%8A%A4 SonarQube 프로젝트 검색 및 접근 https://confluence.curvc.com/spaces/ASD/pages/295862371/SonarQube+%ED%94%84%EB%A1%9C%EC%A0%9D%ED%8A%B8+%EA%B2%80%EC%83%89+%EB%B0%8F+%EC%A0%91%EA%B7%BC SonarQube Server 단축키 https://confluence.curvc.com/spaces/ASD/pages/295862378/SonarQube+Server+%EB%8B%A8%EC%B6%95%ED%82%A4 2025년 12월 2.png 2025년 12월 3-2.png https://confluence.curvc.com/spaces/ASD/pages/292421682/SonarQube+%EC%96%B4%EB%96%A4+%EC%97%90%EB%94%94%EC%85%98%EC%9D%B4+%EB%A7%9E%EC%9D%84%EA%B9%8C 2025년 12월 4.png 2025년 12월 5.png https://confluence.curvc.com/spaces/ASD/blog/2025/12/22/295862334/%ED%98%84%EB%8C%80+%ED%8C%80%EC%9D%84+%EC%9C%84%ED%95%9C+AI+%EA%B8%B0%EB%B0%98+%EC%A7%80%EC%8B%9D+%EA%B4%80%EB%A6%AC+%EA%B0%80%EC%9D%B4%EB%93%9C

2025/12/22

현대 팀을 위한 AI 기반 지식 관리 가이드

Atlassian의 AI 기반 지식 혁신 지난 몇 년 동안 생성형 AI는 빠르게 확산되었지만, 조직은 기대만큼의 효과를 얻지 못하고 있습니다. 많은 기업이 AI 도구를 도입했음에도 불구하고 지식이 여러 도구에 흩어져 있거나, 오래된 문서가 업데이트되지 않고 남아 있거나, 팀 간 협업이 단절되어 있기 때문입니다. 이처럼 지식 관리 체계가 정돈되지 않은 환경에서는 AI가 오히려 잘못된 정보를 더 빠르게 확산시키거나, 효율을 떨어뜨리는 결과를 초래할 수 있습니다 Atlassian은 이러한 문제점을 정확히 짚으며, AI가 단순 자동화 도구가 아니라 조직의 지식을 다루는 방식을 변화시키는 핵심 전략이라고 강조합니다. Atlassian Intelligence는 Confluence와 Jira를 포함한 전체 제품 라인에 임베드되어, 정보를 분석하고 요약하며 문맥에 맞는 자료를 추천하는 기능을 제공합니다. 예를 들어, 스티커 메모나 화이트보드에 적힌 아이디어를 Confluence 페이지로 변환하거나, 특정 프로젝트 페이지를 보고 관련 문서나 Jira 이슈를 자동으로 추천하는 방식입니다. 실제로 사용자는 주당 평균 45분을 절약했고, 사용자 중 77%는 AI 기반 검색이 시간을 단축한다고 응답했습니다. image-2025-12-22_16-20-7.png Atlassian Intelligence 특징 콘텐츠 변환: AI는 스티커 메모, 화이트보드 등 다양한 비구조화 콘텐츠를 요약하고 Confluence 페이지 또는 Jira 작업의 구조화 콘텐츠로 변환할 수 있습니다. 사전 대비적 지식 발견: AI가 가장 관련성이 높고 적절한 정보를 자동으로 찾아내므로 사용자가 검색할 필요가 없습니다. 예를 들어 AI는 사용자가 있는 현재 페이지의 콘텐츠를 기반으로 관련 페이지를 추천하고, NLP(자연어 처리)를 사용해 Jira에서 결과를 제공할 수 있습니다. 콘텐츠 생성 및 개선: 생성형 AI는 개요, 콘텐츠 초안 및 제목을 만들 수 있습니다. 또한 작성 스타일을 수정하는 등의 방식으로 기존 콘텐츠를 교정하고 명확하게 설명할 수 있습니다. Rovo 소개 Atlassian Intelligence와 함께 작동하는 Rovo는 모든 팀이 조직 지식을 확인하고 활용할 수 있도록 설계되었습니다. Rovo는 귀중한 팀워크 인사이트를 실시간으로 찾아내며, 즉시 지원 가능하고 공동 작업을 향상하는 가상 팀원 역할의 맞춤형 에이전트가 제공됩니다. image-2025-12-22_16-23-38.png 주요 Rovo 기능은 다음과 같습니다. Rovo Chat: Rovo Chat을 사용하면 질문에 대해 개인화된 답변을 받을 수 있습니다. Rovo Chat은 조직의 프로젝트, 목표, 조치 및 팀원의 기초 정보를 이해하여 정확하고 상세한 응답을 제공합니다. 예를 들어 Rovo에게 특정 프로젝트에 지연이 발생하지 않았는지 질문하고, 특정 전략 내 개념의 의미를 요약하거나 프로젝트를 할당하기에 가장 적합한 팀원을 파악해 줄 것을 요청할 수 있습니다. 기업 검색: Rovo Search는 Jira, Confluence, Loom, Bitbucket 등 모든 Atlassian 도구는 물론 Google Drive, Microsoft SharePoint, Figma, Slack 등 주요 기업 앱에서 가장 관련성이 높은 결과를 가져옵니다. Jira의 이슈, Google Drive의 차트 및 슬라이드 등 모든 위치와 형식으로 데이터 소스를 검색합니다. 사용자에게 필요한 가장 중요한 정보를 이해하고 기업 시스템 전체를 아울러 종합적인 인사이트와 맥락을 제공합니다. 고급 AI 에이전트: Rovo의 AI 에이전트는 팀의 부가 팀원과도 같은 역할을 하며, 팀의 독자적인 필요와 목표에 기반해 특정한 작업을 실시할 수 있습니다. 브랜드 지침에 맞게 콘텐츠를 만들거나 수정하고, 콘텐츠를 다국어로 번역하고, Jira 이슈 및 백로그를 정리하고, 릴리스 노트를 작성하는 등 유용한 일반 작업을 수행할 수 있는 즉시 사용 가능한 에이전트입니다. 노 코드/로우 코드 플랫폼을 사용해 필요한 용도로 맞춤형 에이전트를 빌드할 수도 있습니다. AI를 사용해 조직 전체의 지식 관리 확장하기 조직이 AI를 효과적으로 사용해 조직 공유, 직원 생산성 및 팀 간 공동 작업을 위한 견고한 토대를 마련할 수 있는 4가지 주요 단계입니다. 1. 공동 작업 문화 증진 강력한 지식 관리 토대를 마련하는 첫 번째 단계는 공동 작업 문화를 증진하는 것입니다. 즉, 팀이 인사이트를 공유하고, 기술 자료 내 동료들과 소통하고, 업무에 필요한 정보를 찾을 수 있는 개방적인 환경을 조성해야 합니다. 이렇게 문화가 변화하면 팀의 종합적인 지식 및 인사이트가 반영된 한층 강력한 엔진이 확보됩니다. image-2025-12-22_16-47-59.png Atlassian Intelligence는 이러한 공동 작업 문화를 뒷받침하는 데 다음을 통해 핵심적인 역할을 합니다. 미팅 메모 요약 및 실행 항목 식별: 팀이 중요한 요점과 다음 단계를 빠르게 이해할 수 있으므로 모두가 최신 정보를 숙지하게 되며, 시간이 오래 걸리는 개요 정리나 후속 이메일이 필요한 경우가 줄어듭니다. 지식 문서 초안 작성 및 수정: 중요한 지식을 더 빠르게 표준화하고 전파할 수 있어 팀이 중요 정보를 동등하게 활용할 수 있습니다. 실시간 참여 및 코멘트와 문서에 동영상 메시지 추가 가능: 실시간 편집 및 팀원 태그와 같은 대화형 기능이 적극적인 참여, 즉각적인 피드백, 참여 증가를 유도하므로 팀원이 위치에 관계없이 원활하게 공동 작업할 수 있습니다. 새 콘텐츠를 만들고 정보에 근거한 피드백을 제공할 수 있는 관련 리소스 추천: 지능형 추천 덕분에 팀원이 귀중한 참조 자료를 빠르게 찾을 수 있으므로 새로운 콘텐츠를 쉽고 효과적으로 만들 수 있으며 공동 작업식 의사결정이 촉진됩니다. 사용자 탐색 중 기존 페이지를 요약하여 수동형 지식 발견 지원: Atlassian Intelligence를 이용하면 페이지를 둘러보는 동안 요약 제공 기능을 통해 놓쳤을 수 있는 관련 정보를 쉽게 찾을 수 있으므로 귀중한 인사이트를 얻는 데 도움이 됩니다 또한 Rovo를 통하여 더 나은 공동 작업을 할 수 있습니다. Slack, Google Meet, Microsoft Team 등 주요 타사 공동 작업 앱과 통합하여 해당 플랫폼에서 정보를 검색, 공유 및 활성화할 수 있습니다. 2. 콘텐츠 만들기 간소화 및 향상 사용자가 새로운 문서를 작성하거나 기존 문서를 업데이트하는 과정에서 새로 만들고 수정 업데이트 하는 것은 종종 비효율적으로 보입니다. Confluence를 사용하면 페이지, 데이터베이스, 화이트보드, 동영상 등 다양한 콘텐츠 유형을 활용하여 전문적인 맞춤형 콘텐츠를 만들 수 있습니다. 예를 들어 제품 출시 브레인스토밍 세션에서 아이디어를 화이트보드에 정리했다면, AI는 이를 Confluence 페이지로 변환하고 단계별 실행 전략을 정리한 뒤 Jira 티켓을 생성해 담당자를 할당할 수 있습니다. 이러한 기능은 콘텐츠의 일관성과 품질을 유지하는 동시에 작성 시간을 크게 줄여줍니다. 무엇보다 문서의 근거가 되는 기존 자료를 자동으로 연결해줌으로써, 작성자가 일일이 자료를 수집하거나 포맷을 정리하는 데 시간을 소모하지 않아도 됩니다. image-2025-12-22_16-48-26.png Atlassian Intelligence는 콘텐츠 초안 작성 및 세부 조정 작업을 지원하여 생산성과 품질을 향상할 수 있습니다. AI는 해당되는 Confluence 페이지에 콘텐츠 요약을 추가하고, Jira 티켓 및 에픽의 데이터 등 다른 소스의 콘텐츠를 요약할 수 있습니다. 심지어 화이트보드 스티커 메모까지도 Confluence 페이지나 Jira 티켓으로 변환할 수 있기 때문에 아이디어가 개념화에서 실현까지 자연스럽게 흐릅니다 Rovo를 통한 더 나은 콘텐츠 만들기: Jira 티켓, 화이트보드 브레인스토밍, 미팅 메모 등의 정보를 기반으로 종합 문서의 초안을 작성하도록 Rovo Agents를 훈련시켜 정보를 더 빠르게 표준화하고 전파할 수 있습니다. 3. AI로 시간 절감 및 필요 내용 확보 프로젝트를 진행하는 동안 필요한 정보가 특정 사람에게만 존재해 그 사람이 부재하거나 회의 중이라면 진행이 지연되는 일이 빈번합니다. AI는 이러한 병목을 해소합니다. Rovo는 문서, 댓글, 회의록을 분석해 필요한 정보를 찾아 답변하고, 관련 링크를 함께 제공함으로써 팀이 문의에 빠르게 대응할 수 있게 합니다. 예를 들어 온보딩 과정에서 “복지 혜택은 어디서 확인할 수 있지?”, “우리 팀의 OKR은 무엇이야?”와 같은 질문이 나왔을 때, Rovo는 즉시 답변을 제공하고 관련 자료로 연결해줍니다. 이는 신입 구성원의 적응 속도를 높이고 기존 구성원의 반복적인 설명 부담을 줄입니다. image-2025-12-22_16-49-9.png Rovo를 통한 더 빠른 작업 진행: Rovo Chat을 이용하면 팀이 동적 대화를 나누고, 필요한 답변을 얻을 때까지 질문하고, 새로운 아이디어를 브레인스토밍하고, 귀중한 피드백을 받고, 실시간으로 문제를 해결할 수 있습니다. 이 채팅 도구에 회사의 데이터를 접목하면 계속 사용할수록 지능 수준이 정교해지면서 팀의 업무를 지원하는 기능이 향상됩니다. 4. 자동으로 지식 콘텐츠 평가·유지관리 및 최적화 기술 자료의 콘텐츠는 정확하고 완전하며 최신인 상태로 유지하는 것이 중요합니다. 정보가 부정확하거나 최신 상태가 아니면 편성이 어긋나고 실수가 발생합니다. 이때 공동 작업과 신뢰의 문화가 중요한 역할을 합니다. 중요한 내부 지식을 검토하여 정확성과 관련성을 확인하는 상시 실무 방식을 확립하세요. 팀원들이 오래된 콘텐츠를 플래그 처리하고 해당 관리자를 태그해 수정을 요청하도록 장려하여 모두가 신뢰할 수 있는 진실 공급원을 유지하세요. Confluence는 콘텐츠 참여에 인사이트를 제공해 이 프로세스를 촉진합니다. 이 기능으로 팀은 문제가 없는 사항, 업데이트가 필요한 사항, 보관해야 하는 사항을 식별할 수 있습니다. Detailed Page Insights에는 보기, 실질 조회자, 코멘트, @으로 멘션된 사용자의 참여 등의 정보가 수록되어 있습니다. 이 모든 인사이트를 활용해 콘텐츠 품질을 개선할 수 있습니다. image-2025-12-22_16-49-36.png AI 자동화를 이용하면 관련성이 떨어지거나 오래된 콘텐츠를 방지할 수 있습니다. Confluence에서는 자동화할 작업을 설명하기만 하면 자동화 규칙을 만들 수 있습니다. 예를 들어 6개월이 지나 자주 사용되지 않는 페이지를 보관하고 이 작업이 완료되면 페이지 소유자에게 알리는 자동화를 만들 수 있습니다. Rovo를 통한 더 스마트한 자동화: Rovo Agents를 활용해 워크플로를 자동화하고, 회사 정책을 현지화하거나 문서가 브랜드 지침을 준수하도록 하는 등 일상적인 프로세스를 간소화하세요. 조직 전체의 성공을 위한 적극 활용 기업의 규모와 복잡성이 증가하면, 신뢰 가능한 정보와 리소스에 빠르게 액세스할 수 있는 것이 동력을 유지하는 데 매우 중요합니다. AI 기반 지식 관리는 사일로화된 정보, 비효율적인 워크플로 등 기존의 업무 장벽을 허물어 팀 운영을 획기적으로 변화시킵니다. 이러한 변화는 데이터에 대한 액세스를 개선하는 데 그치지 않습니다. 더 스마트하게 업무를 처리하고, 더 효과적으로 공동 작업하고, 혁신을 이끌어 낼 수 있도록 팀의 역량을 강화해 줍니다. AI는 조직이 지식을 포착하고, 저장하고, 사용하는 방식을 근본적으로 변화시키고 있습니다. 투명성, 책임, 공통된 이해를 촉진하므로 신입 직원부터 노련한 경력 직원까지 모두에게 성공에 필요한 정보가 확보됩니다. 지금이야말로 지식 관리에서 AI가 지닌 잠재력을 탐색할 때입니다. 경쟁에서 앞서 나가기 위해서만이 아니라, 지식이 액세스 및 실행 가능한 상태로 조직의 성공에서 진정한 촉매 역할을 할 수 있는 미래를 만들기 위해 AI가 필요합니다. Atlassian의 Teamwork Collection으로 인력의 업무 능력 향상 Atlassian의 Teamwork Collection으로 인력의 업무 능력 향상Atlassian의 Teamwork Collection으로 원활한 공동 작업 및 생산성을 실현하세요. 이 업무 관리 도구 제품군은 사일로를 해소하고, 생산성을 증대하고, 팀워크의 모든 단계에 AI를 통합해 줍니다. Jira, Confluence, Loom 및 Rovo 에이전트가 통합되어 한층 강력해진 기능을 활용하면 팀이 도구 격차, 팀 사일로 등의 장벽을 극복할 수 있습니다. Atlassian 솔루션 파트너가 고객별 맞춤형 구현 로드맵과 팀 간 공동 작업을 위한 베스트 프랙티스, 그리고 Atlassian 도구의 잠재력을 제대로 활용하는 데 도움이 되는 가이드를 제공해 드릴 수 있습니다. 도움을 받을 수 있는 사항은 다음과 같습니다. Teamwork Collection의 롤아웃 전략 설계 AI 팀원의 효과적인 활용법에 대해 직원 대상 교육 맞춤형 온보딩을 통해 전 부서에 걸쳐 매끄러운 도입 진행 Jira, Confluence, Loom 및 타사 도구에 걸쳐 워크플로 최적화 출처 : Atlassian

2025/12/04

Loom과 Rovo로 경쟁사 분석을 더 쉽고 효과적으로 하는 방법

출처 How I Use Loom & Rovo for Competitive Analysis (and Actually Have Fun Doing It) - Work Life by Atlassian https://www.atlassian.com/blog/loom/how-to-use-loom-and-rovo-for-compete 작성자: Kristie Riojas 발행일: 2025년 11월 25일 왜 경쟁사 분석 방식에 개선이 필요한가 경쟁사 분석은 중요하지만, 관련 문서가 흩어져 있고 인사이트를 종합하는 데 시간이 많이 들며, 팀 내 공통된 이해를 맞추기 어렵습니다. 그 결과 분석 결과가 실제 업무에 활용되지 못하는 경우도 자주 발생합니다. 이 문제를 해결하기 위해 저는 Rovo와 Loom을 결합한 새로운 경쟁사 분석 워크플로우를 도입했습니다. 그 결과 조사 속도는 빨라지고, 인사이트는 명확해졌으며, 팀원들이 분석 결과를 실제로 활용하는 구조를 만들 수 있었습니다. Loom으로 ‘설명하는 방식’을 바꾸다 Loom을 사용하면 경쟁사 웹사이트나 마케팅 자료를 직접 보여주며 화면 녹화를 할 수 있습니다. UX 흐름이나 인상적인 요소를 실시간으로 설명할 수 있어, 팀원들은 마치 옆에서 함께 보고 듣는 것처럼 이해할 수 있습니다. 정적인 문서보다 맥락 전달이 훨씬 명확해집니다. Rovo 소개: AI 기반 리서치 파트너 Rovo는 Atlassian의 AI 기반 지식 어시스턴트로, Confluence와 Jira 등 사내 도구와 연결되어 필요한 정보를 빠르게 찾고 요약합니다. 사용자 정의 Rovo 에이전트를 활용하면 기존 리서치 자료를 자동으로 수집하고 복잡한 질문에도 즉각 답변하며 팀이 불필요한 수작업 없이 같은 방향으로 정렬되도록 돕습니다. 복잡한 정보를 인사이트로 전환하는 워크플로우 Rovo는 조직이 이미 보유한 문서와 자료를 즉시 모아 요약합니다. 때로는 잊고 있던 정보까지 함께 찾아내 리서치의 출발점을 단단히 만들어 줍니다. Loom은 여기에 시각적 맥락과 설명을 더합니다. 단순한 기능 나열이 아니라, 실제 사용자 경험과 사고 흐름을 함께 전달할 수 있습니다. 그 결과 팀은 각 인사이트가 왜 중요한지까지 자연스럽게 이해하게 됩니다. 미묘한 차이를 설명하는 경쟁사 분석 경쟁사 분석은 기능 비교에 그치지 않습니다. 미묘한 UX 차이와 설계 의도를 짚어주는 것이 핵심입니다. Loom 영상에서는 다음과 같은 설명이 가능합니다. “이 지점에서 업그레이드를 유도하는 흐름이 보입니다.” “이 부분은 고객 입장에서 이해하기 어려워 보입니다.” 이러한 설명은 문서보다 훨씬 잘 기억되고, 논의로 이어집니다. 지식의 확장성과 재활용 모든 Loom 영상은 팀의 지식 베이스가 됩니다. 신규 팀원 온보딩이나 과거 인사이트를 다시 확인해야 할 때 빠르게 활용할 수 있습니다. Rovo는 이러한 영상 콘텐츠까지 검색해 보여줄 수 있어, 지식의 활용도가 더욱 높아집니다. 비동기 협업으로 회의 피로 줄이기 Loom은 비동기 방식이기 때문에 팀원들은 각자 편한 시간에 영상을 시청할 수 있습니다. 1.5배속 시청, 자막 활용, 대본만 훑어보는 방식 등 상황에 맞게 정보를 습득할 수 있습니다. 실시간 논의가 필요할 때도 대비 전략 브레인스토밍이나 경쟁사 분석 워크숍처럼 실시간 논의가 필요한 경우도 있습니다. 이때 Loom 회의 녹화 기능을 활용하면 전체 대화가 기록되고, 녹취와 AI 요약이 자동 생성됩니다. 참여하지 못한 팀원도 빠르게 맥락을 따라올 수 있습니다. 경쟁사 분석 워크플로우: 단계별 가이드 1. Rovo로 시작하기: 조직의 집단 지식 활용 경쟁사 분석 프로젝트를 시작할 때 완전히 처음부터 시작할 필요는 없습니다. 조직이 지금까지 쌓아온 문서, 지식, 자료를 Rovo로 빠르게 찾아내고 요약해 핵심 인사이트를 추리면, 중요한 준비를 훨씬 빠르게 마칠 수 있습니다. 2. Loom으로 인사이트를 생동감 있게 전하기 Rovo가 핵심 인사이트를 모아준 다음에는, 이를 Loom으로 생동감 있게 전달합니다. 정적인 보고서 대신 Loom 영상 워크스루를 녹화하면 시각적 맥락, 설명, 개인 의견까지 담아 분석 내용을 더 쉽게 이해할 수 있도록 만들어 줍니다. 3. 공유 및 협업 완성된 Loom 영상은 Confluence나 Slack에 공유하여 팀원들이 각자 필요한 시간에 시청하고, 질문을 남기고, 다시 참고할 수 있도록 합니다. 이 방식은 다음과 같은 효과를 제공합니다: 팀원들이 실제로 콘텐츠를 확인합니다. 더 깊이 있는 질문과 논의가 이루어집니다. 인사이트가 필요한 순간에 바로 활용됩니다. 실제 활용 예시 Rovo에게 다음과 같이 질문할 수 있습니다. “경쟁사 X 대비 우리 회사의 주요 차별점 상위 3가지를 알려줘.” Rovo는 최신 문서와 리서치를 기반으로 요약을 제공합니다. 그 다음 Loom으로 공개 자료 화면을 보여주며 차별점을 설명합니다. 왜 효과적인가 Rovo의 리서치 자동화와 Loom의 시각적 전달이 결합되면, 팀은 단순한 시간 절약을 넘어 더 나은 질문과 더 빠른 의사결정을 할 수 있습니다. 경쟁사 분석은 더 이상 보고서 작성이 아니라, 살아 있는 협업 과정이 됩니다. Loom을 무료로 체험해보세요 https://www.loom.com/signup

- Others -

Contributor

사용자	수정	댓글	레이블
설진호 이사	1264	39	414
황희연 대표	677	12	13
이지혜 선임	653	0	30
윤준호 책임	629	7	18
이수정 선임	610	0	62
박주현 책임	322	4	15
Anonymous	242	10	46
김나우 선임	223	0	11
성윤주 선임	178	1	14
박상민 선임	161	0	29
이형근 책임	130	1	6
김광일 선임	119	1	1
한은우 선임	86	0	0
이상훈 선임	60	0	3
박재국 선임	55	1	1
김미현 선임	53	0	15
Anonymous	39	1	15
Anonymous	31	7	0
김태연 선임	26	0	1
신민수 선임	26	0	2
최보근 선임	23	0	0
김수영 선임	22	0	0
나종진 부장	17	0	1
정성훈 선임	14	0	0
황현우 선임	6	0	0
김상범 선임	5	0	0
송선택 선임	5	1	1
이학준 부장	5	0	0
문소정 선임	4	0	0
이준석 사원	4	1	0
Anonymous	3	0	4
강다빈 선임	1	0	0
박건우 선임	1	0	2
Anonymous	0	0	1
강돈영 선임	0	0	1
김희범 책임	0	0	1
정재훈 책임	0	0	1

페이지 트리

CURVC DevOps Confluence

**- Products Guide -**