버려지는 PC가 세무·회계 서류를 정리합니다
클라우드에 넣을 수 없는 고객 서류를, 사무실 구석의 낡은 PC가 CPU만으로 읽고 라벨을 붙여 표준 폴더에 정리합니다. 외부 API 호출 0.
GPU 없음 · 인터넷 없이 동작 · 공개 코어 Apache-2.0
세무사사무소 직원 한 사람이 거래처 32.8곳을 맡습니다. 거래처가 보내는 통장내역 엑셀·수기 세금계산서 사진·임대차계약서·급여대장은 카카오톡과 이메일로 들어오고 파일명은 촬영 날짜뿐입니다. 세무사·회계사는 고객 재무 정보에 법적 비밀유지 의무를 집니다(세무사법 제11조·제22조, 공인회계사법 제20조). 그래서 고객 서류를 클라우드 AI에 넣을 수 없고, 온프레미스 AI 장비는 수천만 원입니다. 결국 「KakaoTalk_20260710.jpg」 「Scan_001.pdf」를 사람이 한 장씩 열어 정리합니다 — 회계 사무소 조사에서 업무 시간의 20～30%가 여기에 들어갑니다.
나비는 이미 갖고 있거나 버리려던 PC에서 돕니다 — 서류는 기기를 떠나지 않습니다.시연 영상 · 46초
인텔 N100 소형 PC 한 대가 서류 22건을 정리합니다
실물 기기 → 대시보드 → 받은 서류함 → 확인 큐 → 정리된 서류 → 기기 화면 순서로, 이 사이트의 체험과 같은 화면을 그대로 녹화했습니다. 자막만 있고 소리는 없습니다.
같은 영상 유튜브: youtu.be/Y4yoZT6KcuE화면을 직접 만져 보려면 체험하기
작동 방식
세 조각으로 버려진 기기가 비서가 됩니다
기기를 되살리고, 설치기가 그 기기에 맞게 세팅하고, 에이전트 쉘이 일을 맡습니다. 첫 일은 서류 라벨링입니다.
되살리기
버려지는 PC·폰을 비서 전용기로 씁니다. GPU를 요구하지 않습니다 — 조건은 CPU가 있을 것 하나입니다.
설치기
기기를 재서 추론 엔진 빌드(AVX1/AVX2/ARM)·모델 크기·스레드 수와 코어 고정을 자동으로 고릅니다. 같은 기기가 설정 하나로 5.3배 느려질 수 있어서입니다.
기능
사무소가 실제로 쓰는 규칙으로 정리합니다
라벨은 네 축, 폴더와 파일명은 실무 표준, 확신이 낮으면 보류. 모든 이동은 되돌릴 수 있고 대장은 지워지지 않습니다.
라벨링 4축
거래처 · 분류 · 서류 종류(15종) · 기간. 소형 언어모델이 본문을 읽고 네 값을 JSON으로 냅니다.
보류와 확인 큐
거래처가 목록에 없거나 기간 형식이 주기와 어긋나면 옮기지 않고 사람에게 넘깁니다. 보류는 오류가 아니라 정식 출력입니다.
실무 표준 폴더·파일명
[거래처]/[연도]/01_원천세_급여 같은 폴더와 [거래처]_[귀속시기]_[서류명] 파일명. 규칙엔진이 만듭니다.
스캔 · 팩스 · 카톡 사진
텍스트 PDF · 엑셀 · 한글 · 워드는 물론 스캔 PDF·팩스·JPG도 기기 안의 OCR(Tesseract 한국어)로 읽습니다.
되돌리기 · 감사 기록
이동은 옮기기 + 기록이라 언제든 되돌립니다. 대장은 덧붙이기만 해서 누가 언제 무엇을 승인했는지 지워지지 않습니다.
오프라인 · 외부 호출 0
모델은 기기 안에서 돌고 외부 API를 부르지 않습니다. 설치가 끝나면 인터넷을 끊어도 됩니다.
AI 활용 방식
언어모델이 하는 일은 한 칸뿐입니다
파일을 열어 글자를 뽑는 것도, 판정도, 폴더 경로도 규칙이 합니다. 그래서 2B급 모델로 충분하고, 모델이 틀려도 파일이 사라지지 않습니다.
결정론
문서 이해만
결정론
사람
결정론
소형 언어모델(MiniCPM5-2B, CPU에서 llama.cpp로 구동)은 파서가 뽑은 본문을 읽고 「거래처 · 분류 · 서류 종류 · 기간」 네 값을 JSON으로 내는 일만 합니다. 출력은 JSON 스키마로 문법을 강제하고 서류 종류는 15종 어휘로 고정합니다.
규칙엔진이 그 값을 등록 거래처 목록과 대조하고(「한빚나루식당」 → 「한빛나루식당」), 기간 형식이 서류의 주기와 맞는지 검사한 뒤 표준 폴더 경로를 만듭니다. 어긋나면 보류로 확인 큐에 올리고, 사람이 고쳐서 승인한 수정은 별칭으로 규칙에 되돌아갑니다. 파일 1건 = 세션 1회로 KV 캐시를 새로 열어 서류 사이에 문맥이 섞이지 않게 하고, 같은 설정으로 발열을 잡습니다.
실측
우리가 직접 잰 값만 적습니다
재지 못한 것은 「예정」, 조사로 잡은 기준은 「조사 기준」이라고 씁니다. 목표에 못 미치는 값도 고치지 않고 그대로 둡니다.
| 정확도 — 서류 22건 (MiniCPM5-2B, 규칙 통과 후, 2026-09-15) | 텍스트 서류 14건 | 스캔 · 팩스 · 사진 8건 |
|---|---|---|
| 거래처 | 100% | 62% |
| 분류 | 71% | 62% |
| 서류 종류 | 57% | 62% |
| 기간 | 71% | 50% |
| 네 라벨 전부 | 43% | 50% |
| 확정으로 내보냈는데 틀린 것 (자신 있는 오탐) | 2 / 5건 | 0 / 2건 |
| 보류가 옳았던 비율 | 6 / 9건 | 4 / 6건 |
목표(텍스트 서류 종류 85% · 기간 90%)에 못 미치는 값이고, 고치지 않고 그대로 적었습니다. 22건 중 확정 7건·보류 15건. 확정 7건 중 2건이 틀렸고, 보류 15건 중 10건은 보류가 옳았습니다. 거래처 100%는 규칙엔진이 만든 값입니다 — 모델이 「한빚나루식당」이라고 내놓은 것을 등록 목록과 대조해 「한빛나루식당」으로 고쳐 붙였습니다. 서류 종류가 제일 약합니다 — 본문의 「사업자등록번호」라는 글자에 낚여 사업자등록증으로 고르는 오류가 원인이고, 종류를 가르는 단서를 주는 개선을 시험하는 중입니다. 샘플을 100건으로 늘려 다시 잽니다. 출처 2026-09-15 실측(같은 서류 22건을 9월 10일에 잰 첫 값은 텍스트 57% · 스캔 38%였습니다).
지원 기기
조건은 하나, CPU가 있을 것
같은 프로그램이 2020년 노트북에서도 6GB 폐폰에서도 돕니다. 설치기가 기기를 재서 맞는 빌드·모델·스레드를 고릅니다.
폐PC 실측
2013년 이전 AVX1 CPU 포함 — 공식 llama.cpp 바이너리가 죽는 PC도 설치기가 맞는 빌드를 고릅니다.
폐폰 실측
RAM 6GB 이상 · 2019년 이후 칩셋 (조사 기준). 전원에 꽂아 두고 씁니다.
미니PC 예정
Intel N100 8GB — 체험 인스턴스가 될 기기입니다. 실측 후 여기에 적습니다.
SBC 예정
Raspberry Pi 5. ARM dotprod 빌드로 같은 코어가 돕니다.
요금
코어는 공개, 쉘은 구독
라벨링 엔진·규칙엔진·확인 큐는 Apache-2.0으로 공개합니다. 사무소가 돈을 내는 것은 「혼자 굴리기 귀찮은 것」 — 원격 관리와 규칙팩 갱신, 그리고 정비된 기기입니다. 아래 가격은 참고치이고, 지불 의사는 첫 사무소에서 잽니다.
공개 코어 무료
- 설치기 (기기 자동 최적화)
- 라벨링 엔진 · 규칙엔진
- 확인 큐 · 되돌리기 · 감사 기록
- 로컬 화면 (이 사이트의 체험과 같은 화면)
에이전트 쉘 구독 준비 중
- 여러 기기를 한 화면에서 원격 관리하는 콘솔
- 모델 · 규칙팩 자동 갱신 (세무 · 회계 라벨 어휘 유지보수)
- 알림 · 메신저 연동 · 지원
- 구축은 별도 상품이 아니라 구독에 포함
리퍼 머신 준비 중
- 우리가 수거해 정비한 구형 PC에 설치 이미지를 얹어 배송
- 전원만 꽂으면 되는 비서 전용기
- USB 설치 이미지 (모델 동봉, 오프라인 완결)
3년 총비용으로 비교하면 — 리퍼 PC를 사서 공개 코어로 쓰면 77만 원, 5인 사무소가 ChatGPT Team을 쓰면 607만 원, M365 Copilot이면 729만 원(20인이면 2,430만 원). 24시간 켜 두는 전기료는 연 4만 4천 원 수준입니다. 가격은 전부 참고치이며 실제 창업 시 다시 산정합니다.
FAQ
자주 묻는 것
Ollama · LM Studio와 무엇이 다른가요?
그 도구들은 모델을 「돌리는」 도구이고, 나비는 서류를 「정리하는」 일을 맡는 비서입니다. 2013년 이전 PC(AVX1)와 6GB 폐폰까지 설치기가 빌드·모델·스레드를 자동으로 고르고, 그 위에 확인 큐·표준 폴더 규칙·되돌리기·감사 기록이 들어 있습니다. 모델을 띄우는 것이 아니라 일이 끝나는 것이 목표입니다.
서류가 밖으로 나가나요?
아니요. 모델은 기기 안에서 돌고 외부 API를 부르지 않습니다. 설치가 끝나면 인터넷을 끊어도 됩니다. 이 사이트의 체험도 우리가 준비한 샘플 서류(가명)만 다루고 방문자의 파일은 받지 않습니다.
어떤 PC면 되나요?
CPU가 있으면 됩니다. GPU는 쓰지 않습니다. 설치기가 CPU 명령어(AVX1/AVX2/ARM)·RAM·코어 구성·메모리 대역폭을 재서 그 기기에 맞는 추론 엔진 빌드와 모델 크기(2B 기본)를 고릅니다. 우리가 실제로 돌린 가장 낮은 기기는 6GB Galaxy A34입니다.
정확도는 어느 정도인가요?
위 실측표 그대로입니다 — 2026-09-15 기준 텍스트 서류 14건에서 거래처 100% · 분류 71% · 서류 종류 57% · 기간 71%, 스캔·사진 8건에서 거래처 62% · 종류 62% · 기간 50%. 목표에 못 미치고, 그래서 확신이 낮으면 「보류」가 정식 출력입니다. 확정으로 내보낸 7건 중 2건이 틀렸고 보류 15건 중 10건은 보류가 옳았습니다. 사람이 고친 수정은 별칭으로 규칙에 되돌아갑니다. 100건으로 다시 잽니다.
왜 2B 모델인가요?
언어모델이 하는 일이 한 칸(본문을 읽고 4축 JSON)뿐이라 큰 모델이 필요 없고, 2B급이면 CPU만으로 서류 1건을 노트북에서 18.7초, 폐폰에서 1분 반 안에 읽습니다(실측). 판정과 경로는 규칙엔진이 하므로 모델이 틀려도 파일이 사라지지 않습니다. 우리가 잰 두 모델(MiniCPM5-2B · Qwen2.5-1.5B) 중 더 정확한 쪽을 기본으로 골랐습니다.
사용 도구 · 라이선스
전부 공개된 것 위에 서 있습니다
| 구분 | 도구 | 라이선스 |
|---|---|---|
| 추론 엔진 | llama.cpp (CPU 빌드 — AVX1 / AVX2 / ARM) | MIT |
| 모델 | MiniCPM5-2B (기본) · Qwen2.5-1.5B-Instruct (저사양 후보) — Hugging Face 배포본 | Apache-2.0 |
| OCR | Tesseract 5 + 한국어 데이터 | Apache-2.0 |
| 파서 | PyMuPDF · openpyxl · python-docx · hwpx 파서 | 각 라이선스 |
| 우리 코드 | 라벨링 엔진 · 규칙엔진 · 확인 큐 · 체험 서버 · 이 사이트 (파이썬 표준 라이브러리) — github.com/kingcheee/nabi-core | Apache-2.0 (공개) |
| 호스팅 | 이 사이트는 정적 파일 — GitHub Pages · 체험 인스턴스는 우리 기기에서 도는 파이썬 서버 | — |
| 개발 도구 | Claude Code · Antigravity (설계·구현·실측 자동화에 사용) | — |