안성 ‘에이전트’ 맞춤 워크플로우는?

올해 많은 기업이 에이전트형 AI 활용 사례를 모색하려 할 것임은 분명하다. 그렇다면 에이전트 AI에 적합한 비즈니스 프로세스는 무엇일까? 비즈니스 컨설팅 기업 딜로이트는 올해 생성형 AI를 사용하는 기업의 25%가 에이전트 AI 파일럿 또는 개념 증명을 시작할 것이며, 2027년에는 50%로 증가할 것으로 예측한다. 또 적어도 일부 산업과 일부 사용 사례에서는 에이전트형 AI 애플리케이션이 기존 워크플로에 실제로 채택될 수 있다고 바라본다.

그러나 모든 비즈니스 프로세스가 에이전트형 AI의 좋은 활용처이지는 않다. 일부 전문가들은 에이전트 AI가 아닌 기존의 ‘결정론적 자동화’(deterministic automation)의 활용이 지배적일 것으로 보기도 한다. 에이전트형 AI를 활용할 만한 워크플로우인지 판별하는 방법을 살펴본다.

비즈니스 조정, 가치 및 위험

특정 비즈니스 프로세스가 에이전트 AI에 적합한지 어떻게 알 수 있을까? 다른 IT 투자와 마찬가지로 고려할 한 가지 요소는 에이전트형 AI를 도입하는 것이 프로세스에 실질적인 가치를 더할 수 있는지 여부다. 글로벌 기술 연구 및 IT 자문 회사 ISG의 최고 전략 책임자이자 파트너인 프라샨트 켈커는 “에이전트형 AI 전략의 시작은 AI 에이전트가 달성해야 할 목표를 명확하게 정의하는 것이다. AI의 목표를 더 넓은 비즈니스 목표와 일치시키는 것이 중요하다. 에이전트형 AI에는 미션이 필요합니다. 명확하게 정의된 목적이 없다면, 목적지 없이 배를 바다로 보내는 것과 같다”라고 말했다.

일단 사용할 수 있는 기준은 다른 신기술의 적용 기준이다. 비용/편익 분석 결과, 에이전트형 AI가 현재 프로세스에서 누락된 부분을 보완하고 투자 수익률(ROI)을 제공할 수 있다고 판단되면, 기업은 자금, 인력, 시간 등 필요한 자원을 투입할 만하다. 그러나 이 방정식은 벤더가 제공하는 에이전트형 AI의 가격이 복잡하고 아직 명확하지 않을 수 있다는 사실로 인해 복잡해진다고 법무 기업 컬헤인 메도우의 라이코 피버 파트너는 말했다.

프로세스, 각 프로세스의 자율성 수준, 자원, 그리고 에이전트형 AI의 복잡성도 고려해야 할 과제라고 그는 덧붙이며, 기업이 이러한 과제를 얼마나 잘 해결할 수 있는지도 고려 요소라고 말했다.

그는 “기업이 에이전트형 AI 기술을 지원하고 지속적으로 개선할 수 있는 초기 및 지속적인 자원을 보유하고 있는가? 특정 에이전트형 AI의 위험을 초기 평가하고, 문제가 발생하는 경우 모니터링 및 수정하며, 성공 여부를 측정하고, 관련 법률 및 규정을 최신 상태로 유지하기 위한 규정 준수 검토 및 모니터링 구조를 갖추고 있는가? 이러한 요소를 감안해야 한다”라고 말했다.

또한, 기업은 성과와 컴플라이언스 측면에서 에이전트 AI의 실패를 감당할 수 있는지도 관건이다. 피버는 “에이전트 AI가 실패하면 어떤 영향이 있는가? 그 비즈니스 프로세스를 다른 솔루션으로 쉽게 전환할 수 있는가? 모두 살펴볼 꺼리다”라고 말했다.

데이터와 실행 가능한 프레임워크

우수한 에이전트 AI 사용 사례의 또 다른 핵심 속성은 데이터의 품질이다. 업무 관리 플랫폼 제공업체인 아사나의 CIO인 사켓 스리바스타바는 “에이전트 AI에서 실질적인 가치와 ROI를 얻으려면, 고품질의 데이터를 확보해야 한다. 에이전트가 작업하는 데이터가 오래되었거나, 의미가 없거나, 회사의 목표와 일치하지 않는다면, 기업은 이러한 AI 에이전트로부터 가치 있는 결과를 얻지 못한다”라고 단언했다.

이 밖에 AI 에이전트는 작업의 책임자, 목표, 작업이 필요한 시기, 과정의 전개 방식에 대한 정보를 필요로 한다. “이 실행 가능한 프레임워크가 없다면, 아무리 발전된 AI 시스템이라도 의미 있는 가치를 제공하기 어려울 것”이라고 스리바스타바는 말했다.

그에 따르면 아사나에서 에이전트형 AI는 이미 중추적인 역할을 하고 있다. 내부 업무는 물론 고객 관련 업무 모두에서다. 아사나는 작년에 우선순위를 알려주고, 워크플로우를 주도하며, 업무에 대한 조치를 취하는 AI 에이전트를 도입했다.

아사나는 최근 에이전트형 AI를 사용하여 팀이 코딩 없이 AI 기반의 워크플로를 만들 수 있도록 하는 아사나 AI 스튜디오를 출시하기도 했다. 스리바스타바는 “AI 에이전트가 프로젝트 요청의 우선순위 지정, 요약서 초안 작성, 작업 할당과 같은 반복적인 수동 작업을 처리할 수 있게 되어, 팀이 자잘한 업무에 소비하는 시간이 크게 줄었다“라고 말했다.

예를 들어, 아사나의 사이버 보안팀은 AI 스튜디오를 사용하여 경보 피로를 줄였다. IT 부서는 공급업체 관리, 헬프 데스크 요청 지원, 소프트웨어 및 컴플라이언스 요구 사항 충족을 위해 아사나 AI 스튜디오를 사용하고 있다.

그는 이어 “아사나에서는 모든 직원들이 AI 스튜디오를 활용하여 특정 작업을 수행할 수 있도록 했다. 계획 조사 및 초안 작성, 콘텐츠나 번역물이 브랜드 가이드라인을 충족하도록 하는 등의 업무가 이 범주에 해당한다”라고 전했다.

고객 서비스: 에이전트형 AI의 주요 활용 사례

에이전트형 AI가 이상적으로 활용될 수 있는 분야 중 하나는 고객 서비스 분야다. 기술 컨설팅 회사인 퍼블릭사피언트의 최고 제품 책임자이자 생성형 AI 책임자인 쉘던 몬티에로는 종전의 대화형 음성 응답(IVR) 시스템과 초기형 고객 서비스 챗봇을 언급했다. 규칙 기반이고, 미리 정의된 고정된 작업 흐름 내에서 작동하는 기술들이다.

그는 “IVR의 경우 엄격한 의사 결정 트리에 의존하기 때문에 복잡하거나 예상치 못한 질문에 제대로 대응하지 못한다. 끝없는 루프에 갇히거나 반복적 응답을 산출해 고객을 좌절하게 만들곤 했다”라고 말했다.

레거시 챗봇 또한 비슷하다. 키워드 매칭과 미리 작성된 응답을 기반으로 작동한다. 이러한 챗봇은 계정 잔액 확인과 같은 단순하고 구조화된 문의에는 잘 작동하지만, 고객이 예상치 못한 방식으로 질문을 하거나 여러 주제를 언급하거나 맥락에 대한 이해가 필요한 경우에는 좋은 답변을 내놓지 못한다.

즉 두 가지 접근 방식 모두 진정한 적응성과 역동적인 문제 해결 능력이 부족하여 인간 상담원에게 전달되며 결과적으로 고객 만족도가 떨어지곤 했다. 반면 에이전트 기반 AI는 상황 인식, 자가 개선, 자율적인 고객 서비스 상담원으로 전환이라는 새로운 패러다임을 도입한다고 그는 설명했다.

몬티에로는 “복잡하고 여러 단계에 걸쳐서 해결해야 하는 고객 문제는 에이전트형 AI의 강력한 활용 사례다. 상황 이해, 뉘앙스와 추론의 이해, 변화하는 조건에 따른 조정이 포함되기 때문이다”라고 말했다.

단 고객 서비스 상호 작용에는 텍스트, 이미지, 음성 등의 비정형 데이터가 포함되며, 동적 환경에서 작동하기 때문에 지속적인 학습과 실시간 적응이 필요하다. 그는 “즉각적이고 자율적인 해결과 피드백을 통해 시간이 지남에 따라 개선함으로써 경쟁 우위를 극대화할 수 있다. 기존의 챗봇과 IVR은 작업 자동화에 중점을 두었다. 에이전트 AI는 문제 해결과 실시간, 적응형, 개인화된 고객 경험 제공에 중점을 둔다”라고 말했다.

에이전트 AI의 최적 지점

에이전트 AI의 유의미한 사용 사례에 해당할 수 있는 네 가지 일반적인 프로세스 시나리오로는 다음과 같은 것들이 제시된다.

하이브리드 비즈니스 프로세스 향상
글로벌 경영 및 기술 컨설팅 회사 에이릿(AArete)의 데이터 과학 및 분석 담당 부사장인 프리야 이라가바라푸는 에이전트 AI가 유효한 한 가지 시나리오로, 자동화된 작업과 인간의 의사 결정 기반 작업이 이미 혼합된 비즈니스 프로세스를 꼽았다. “에이전트 AI는 단일 프로세스 내에 프로그래밍 방식과 수동 작업이라는 두 가지 접근 방식이 결합된 비즈니스 프로세스에 특히 적합하다”라고 그는 말했다.

예를 들어, 보험금 청구 처리 워크플로우를 들 수 있다. 보험 증권 번호와 보장 기간 확인과 같은 구조화된 데이터를 검증해야 하면서도 인간의 해석이 필요한 의료 보고서와 같이 비구조화된 문서를 수동 검토해야 하는 시나리오다.

사일로에 걸친 워크플로우 연결 및 조정
에이전트형 AI를 활용하여 가치를 창출할 수 있는 또 다른 시나리오는 비즈니스 프로세스가 여러 개의 고립된 팀에 걸쳐 있지만, 각 팀이 다른 팀의 데이터나 시스템에 대한 가시성이나 액세스 권한이 없는 경우다. “이 경우, 이러한 교차 기능적 전문 지식과 지식을 갖도록 훈련된 AI 에이전트가 효과적일 수 있다”라고 이라가바라푸는 말했다.

이에 대한 대표적인 사례로는 대기업의 O2C’(order-to-cash) 프로세스가 있다. 영업, 재무, 물류 팀이 각각 별도의 시스템에서 운영되는 시나리오다. “AI 에이전트는 이 모든 시스템의 데이터를 통합하고 집계하여 병목 현상을 파악하고, 지연에 대한 사전 경보를 보내며, 조정 작업을 지원하는 통합된 뷰를 제공할 수 있다. 에이전트가 팀 간의 가교 역할을 하여 보다 원활한 작업 흐름과 의사 결정을 보장한다”라고 이라가바라푸는 말했다.

여러 팀이나 부서가 관여되어 있고 상당한 조정이 필요한 프로세스의 경우, AI가 조정자로서 능력을 발휘하는 시나리오도 가능하다. 스리바스타바에 따르면 아사나의 에이전트는 최적의 작업 흐름을 제안하고 팀의 진행 상황을 추적해 특정 업무를 수행한다. “이를 통해 작업이 목표에 부합하도록 하고, 잘못된 의사소통이나 마감일 지연을 줄일 수 있다”라고 그는 말했다.

여러 반복적인 단계를 통해 자동화 집약
이 밖에 데이터 입력, 작업 할당, 보고서 생성 등과 같이 일상적이고 반복적인 작업을 포함하는 거의 모든 프로세스가 에이전트 AI에 적합할 수 있다. 스리바스타바는 ”이러한 작업은 종종 상당한 시간을 소비하지만, 창의적이거나 전략적인 사고를 필요로 하지 않다. 에이전트 AI는 이러한 워크플로우를 자동화하여 직원들이 더 가치 있는 활동에 집중할 수 있도록 한다”라고 말했다.

ISG도 이와 관련한 사용 사례를 가지고 있다. 캘커에 따르면 ISG는 ISG 탱고 도구의 요소로 에이전트 AI를 사용하고 있다. 그는 “AI 요소를 통합함으로써 조달, 소싱, 공급업체 관리 등 컨설팅 서비스의 주요 사용 사례에 시범적으로 사용하고 있다”라며, 반복성이 높고 규칙이 잘 정의된 다른 프로세스도 확인하는 중이라고 전했다. “예를 들어, 공급업체 관리의 송장 처리와 같이 규칙이 명확해야 하고 반복성이 높아야 한다 이것이 이상적인 조합이다”라고 그는 말했다.

비용이 많이 드는 수동 작업 대체
또 다른 예로는 수동 작업이 요구되지만 인력 고용에 큰 비용이 드는 경우가 있다. “빠르게 성장하는 비즈니스의 고객 지원 운영이 이에 해당한다. 주문 상태 업데이트, 계정 문제 또는 기본적인 문제 해결과 같은 일상적인 고객 문의를 처리하기 위해 인력을 대거 채용하는 대신 AI 에이전트를 도입하는 것이다”라고 이라가바라푸는 말했다.

”이러한 접근 방식은 운영 비용을 줄이고, 대응 시간을 개선한다. 또 소중한 상담원이 분쟁 처리나 고객 관계 구축과 같은 더 가치 있는 상호 작용에 집중할 수 있도록 해준다”라고 그는 말했다.
[email protected]