Insights
현장 경험에서 나온 AI·포렌식·감사 분석 글입니다.Field-tested analysis on AI, forensics and audit.
윤리경영은 ‘제보’에서 시작합니다. 직접 개발한 AI 제보채널 ListenTips로 익명 제보를 안전하게 접수하고 AI가 검증·분류·처리하는 과정을, 그리고 이것이 왜 ESG 인프라인지 정리합니다.Business ethics begins with reporting. Here is how ListenTips — an AI whistleblowing channel I built — accepts anonymous reports safely and lets AI verify, classify, and resolve them, and why it is ESG infrastructure.
표본감사는 전체의 일부만 봅니다. 디지털 포렌식을 접목하면 삭제·은닉된 자료까지 복원해 부정을 ‘증거’로 규명할 수 있습니다.Sampling sees only part of the whole. Adding digital forensics lets you recover even deleted and hidden material and prove fraud with evidence.
윤리경영은 선언이 아니라 작동해야 합니다. 추상적 원칙을 탐지 규칙·코드로 옮겨 상시 감시하는 ‘Ethic Code Engineering’을 소개합니다.Business ethics must work, not just be declared. This introduces 'Ethic Code Engineering' — moving abstract principles into detection rules and code for continuous monitoring.
LLM 기반 부정 탐지는 강력하지만 환각·편향·설명불가라는 함정이 있습니다. 현장에서 이를 걸러내는 검증법을 정리합니다.LLM-based fraud detection is powerful but carries pitfalls — hallucination, bias, and unexplainability. Here are the field-tested ways to filter them out.
내부감사에서 LLM은 방대한 계약·메신저·이메일을 대신 읽어 위험 신호를 끌어내는 도구입니다. 어디에 쓰고 무엇을 검증해야 하는지 실무 관점으로 정리합니다.In internal audit, an LLM is a tool that reads vast contracts, chats, and emails on your behalf to surface risk signals. Here is a practitioner's view of where to use it and what to verify.
LLM·AI 기반 내부감사 자문 시스템 ‘AI Audit Advisor’를 직접 설계·개발한 과정과, AI 감사 도구가 반드시 갖춰야 할 세 가지 조건을 정리합니다.The story of designing and building AI Audit Advisor — an LLM·AI internal-audit advisory system — and the three conditions any AI audit tool must meet.
사내에서 수집한 디지털 자료가 징계·소송에서 증거능력을 인정받기 위한 핵심 원칙을 다룹니다.The core principles for ensuring digital material collected internally is admissible in discipline and litigation.
표본 감사를 AI 전수 감사로 전환할 때의 실무 순서와, ‘AI가 찾고 사람이 증명한다’ 원칙을 정리합니다.A practical sequence for moving from sampling to AI full-population audit, and the principle that 'AI finds, humans prove.'