B2B 영업 현장에서는 여전히 이메일 · 카카오톡 · 전화 음성으로 주문이 들어오는 비중이 크다. 운영자는 메시지를 읽고 SKU 코드를 찾고 수량·납기·주소를 OMS 화면에 다시 타이핑한다. RT-O9는 이 반복 작업을 제거하기 위해 LLM(JSON mode + few-shot) · Whisper STT(음성) · Pydantic 검증을 결합한 파이프라인을 구축한다.

입력 채널이 무엇이든 raw text로 변환한 뒤 LLM이 표준 OrderRequest JSON으로 추출하고, 모호한 필드는 사람에게 confirm 큐로 보낸다. SKU는 fuzzy 매칭으로 코드를 회수하고 주소는 행정구역 정규화로 정제한다. 5월 4주차 기준 자동화율 92%, 필드 F1 94%, 평균 처리 18초로 운영자 수동 입력 시간을 90% 이상 줄였다.

# 이메일/채팅 자연어 -> 구조화 주문 변환
NL_PARSE_PROMPT = """
다음 메시지에서 주문 정보를 추출하여 JSON으로 반환하세요.
필드: sku_codes, quantities, delivery_date, ship_to_address
메시지: {user_message}
"""

def parse_nl_order(message):
    response = openai.chat.completions.create(
        model="gpt-4o-mini",
        messages=[{"role": "user", "content": NL_PARSE_PROMPT.format(...)}],
        response_format={"type": "json_object"}
    )
    return json.loads(response.choices[0].message.content)

# Pydantic으로 타입 검증 + 모호 필드는 confirm 큐로
def validate_order(parsed):
    try:
        order = OrderRequest(**parsed)   # Pydantic 2.x
        return "ok", order
    except ValidationError as e:
        return "confirm", e.errors()

OpenAI response_format={type:json_object}로 항상 유효한 JSON을 강제하고, Pydantic이 한 번 더 타입을 검증한다. 검증 실패 시 errors[] 를 운영자 confirm UI에 그대로 노출해 어떤 필드가 모호한지 즉시 알린다.

예) "A-203 5박스, B-101 12개, 다음주 화요일까지 본사로 부탁" → sku=[A-203,B-101], qty=[5,12], date=2026-04-29, addr=본사주소 4필드 모두 정답. F1 = 1.0. 동일 메시지에서 주소만 "본사"로만 표기되면 addr 필드 confirm 큐로 라우팅 → 자동화 미달.

이메일은 SKU 코드가 명시적이고 첨부 엑셀이 동반되는 경우가 많아 정확도가 가장 높다. 음성(STT)은 Whisper의 한국어 숫자/번지 인식 한계 때문에 모호 비율이 높지만, RT-O9는 confirm 큐로 흡수하므로 escalation은 1.6% 수준에 그친다.