Andreea Pleşea, PhD, COO 및 Druid AI 공동 창립자 – 인터뷰 시리즈

Andreea Pleşea, PhD, COO 및 Druid AI 공동 창립자는 소프트웨어 엔지니어링, 엔터프라이즈 기술, 인공지능, 운영, 고객 성공에 걸친 거의 20년의 경력을 가진 기술 경영자이자 기업가입니다. Druid AI를 공동 설립한 이후 조직 전반에서 최고운영책임자, 최고수익책임자, 최고고객성공책임자 등 여러 고위 리더십 역할을 수행했으며, 기업용 소프트웨어 회사를 확장하는 기술적 측면과 상업적 측면 모두에 대한 경험을 쌓았습니다. Druid AI 이전에 Pleşea는 TotalSoft에서 거의 10년 동안 .NET 프로그래머에서 소프트웨어 개발 매니저, 최종적으로는 Charisma Business Applications Director까지 승진했으며, 제품 개발, 구현, 기술 지원, 솔루션 아키텍처 및 손익 책임을 담당했습니다. 학문적으로는 로마 토르 베르가타 대학에서 AI 연구를 수행했으며, 해당 대학의 인공지능 연구 그룹과 함께 비정형 데이터에서 정보를 추출하고 구조화하는 기술을 연구했습니다. 또한 Women in Tech Romania의 자문 이사회 멤버로 활동하고 있습니다.

Druid AI는 조직 전반에 걸친 복잡한 비즈니스 프로세스를 자동화할 수 있는 AI 에이전트를 구축하고 오케스트레이션하는 데 주력하는 엔터프라이즈 AI 기업입니다. 이 플랫폼은 자연어 이해, 생성형 AI, 검색 강화 생성(RAG), 엔터프라이즈 통합, 워크플로 자동화, 분석 및 거버넌스를 결합하고, Druid Conductor가 여러 전문 에이전트와 시스템을 비즈니스 결과에 맞게 조정합니다. 조직은 Druid의 에이전트를 ERP, CRM, ITSM, 인사 플랫폼 등과 연결할 수 있으며, 클라우드, 하이브리드, 온프레미스 또는 에어갭 환경에 배포할 수 있습니다. 회사에 따르면 이 기술은 300개 이상의 기업 고객이 사용하고 200개 이상의 글로벌 파트너가 지원하며, 직원 지원, 고객 서비스, 의료, 고등 교육, 공유 서비스 등 다양한 분야에 적용되고 있습니다.

당신은 TotalSoft에서 거의 10년간 .NET 개발자로 시작해 기술 및 비즈니스 리더십으로 성장한 뒤 2018년 부쿠레슈티에서 Druid AI를 공동 설립했습니다. 당시 대화형 AI가 엔터프라이즈 기술의 핵심 계층이 될 수 있다고 확신하게 된 이유는 무엇이며, Druid가 에이전시 AI로 전환하면서 원래 비전은 어떻게 발전했나요? 

두 개의 서로 다른 경로—학문적 엄격함과 현장 기업의 고통—가 제 박사 과정 동안 사고의 흐름을 형성했습니다. 그러나 Liviu Dragan이라는 매우 비전 있는 리더가 Druid AI 설립 아이디어를 제시했을 때 비로소 제가 수행한 연구가 실제 생활에 적용될 수 있음을 깨달았습니다.

2008년부터 2011년 사이에 제 박사 연구는 의미 웹 기술과 온톨로지를 통해 소통하는 자율 AI 에이전트에 초점을 맞추었으며, 지능형 시스템이 전통적인 엔터프라이즈 소프트웨어를 대체하거나 그 위에 놓일 수 있는 방식을 탐구했습니다. 그 직후 엔터프라이즈 기술 리더십 역할을 수행하면서 우리는 뚜렷한 현실을 마주했습니다: 직원들에게 감당하기 어려운 복잡성을 관리하도록 요구하고 있었습니다.

단일 일상 작업을 완료하려면 어떤 애플리케이션을 열어야 하는지, 데이터가 어디에 저장되어 있는지, 어떤 정책이 적용되는지, 다음 단계의 책임자가 누구인지 알아야 했습니다. 한편 사무실 밖에서는 메신저가 인간 상호작용의 주요 인터페이스가 되고 있었습니다.

2018년에 Druid AI를 설립했을 때 우리의 비전은 간단하면서도 야심찼습니다: 모든 직원과 고객에게 기업 전체의 업무를 조정할 수 있는 가상 비서를 제공하는 것이었습니다.

거의 10년이 지난 지금도 그 핵심 비전은 변하지 않았으며, 기술만이 따라잡았습니다. 대화형 AI는 주로 의도 인식, 검색, 정적 스크립트 트리거에 초점이 있었습니다. 에이전시 AI는 위임의 경계를 바꾸었습니다. 현대 에이전트는 목표를 평가하고, 전문 하위 에이전트와 협업하며, 이질적인 시스템을 탐색하고, 복잡하고 다단계 워크플로를 자율적으로 실행합니다.

우리에게 현재의 에이전시 혁명은 대화형 AI에서 전략적으로 전환하는 것이 아니라, 설립 논문의 자연스러운 실현입니다: 엔터프라이즈 기술은 인간이 업무를 수행하도록 돕기 위해 더 단순해져야 하며, 그 뒤의 오케스트레이션은 무한히 정교해지고 있습니다.

AI 산업의 대부분은 점점 더 강력한 기반 모델을 구축하는 데 집중해 왔지만, Druid AI는 다양한 모델을 엔터프라이즈 데이터, 시스템 및 워크플로와 연결하는 데 주력했습니다. 모델이 점점 상호 교환 가능해짐에 따라 오케스트레이션이 기본 모델 자체보다 더 중요한 경쟁 우위가 될 것이라고 보십니까?

Druid AI에서 우리의 핵심 사명은 간단합니다: 모든 인간 상호작용에서 비범함을 추출하고 업무를 효율적으로 수행하는 것입니다. 그러나 시장이 성숙해짐에 따라 그 가치를 제공하는 핵심은 기본 기술 스택에서 벗어나는 것입니다.

우리는 엔터프라이즈 기술에서 고전적인 패턴을 목격하고 있습니다: 한때 초기 차별화 요소였던 역량이 빠르게 상품화되고 있습니다. 오늘날 기반 모델은 모든 기업이 접근할 수 있게 되었으며, 기업은 특정 성능, 비용, 보안 또는 규제 요구에 맞는 모델을 혼합해 하이브리드 매트릭스로 배치할 것입니다. 인텔리전스가 상품화됨에 따라 전략적 전쟁은 스택 상위로 이동합니다.

오늘날 엔터프라이즈 AI에서 가장 어려운 문제는 실행 컨텍스트와 관련됩니다: 거버넌스와 접근(AI가 어떤 데이터를 다룰 수 있는지, 어떤 정책 하에 있는지), 에이전시 라우팅(특정 작업을 담당할 전문 에이전트는 누구인지), 시스템 통합(여러 트랜잭션 시스템을 어떻게 안전하게 조정할지), 자율성 vs. 제어(에이전트가 언제 독립적으로 행동할 수 있고 언제 인간 승인이 필요한지), 감사 가능성(워크플로가 실패하면 단계별로 의사결정 과정을 재구성할 수 있는지).

따라서 오케스트레이션이 궁극적인 전략 레버가 되었습니다. 모델은 인텔리전스를 생성하지만, 기업은 신뢰할 수 있는 실행을 필요로 합니다.

Druid AI는 바로 그 결정적인 제어 및 오케스트레이션 레이어 역할을 하도록 구축되었습니다. 이는 다양한 모델을 엔터프라이즈 데이터, 워크플로, 사람들 사이에 안전하게 연결합니다. 핵심적으로 실행 효율성을 측정할 수 있는 기준 프레임워크를 제공하여 실제 비즈니스 결과를 평가합니다.

장기적으로 승리하는 질문은 “어떤 모델을 사용하고 있나요?”가 아니라 “원시 인텔리전스를 직원과 고객을 위한 완성된 작업으로 얼마나 효과적으로 전환할 수 있나요?”가 될 것입니다.

Druid Conductor는 지식 검색, 의사결정 로직 및 시스템 행동을 담당하는 여러 전문 에이전트를 조정할 수 있습니다. 기업이 질문에 답하는 단일 AI 어시스턴트에서 다단계 비즈니스 프로세스를 독립적으로 실행할 수 있는 다수의 에이전트로 전환할 때 기술적으로 어려워지는 점은 무엇인가요?

단순 대화형 인터페이스에서 다중 에이전트 아키텍처로의 전환은 근본적으로 엔지니어링 과제를 바꿉니다. 선형 대화를 관리하던 것을 분산된 의사결정·실행 시스템을 관리하는 것으로 바뀝니다.

단일 Q&A 어시스턴트에서는 핵심 장애물이 의도 인식, 검색, 높은 정확도의 응답 생성이었습니다. 다중 에이전트 생태계는 전혀 다른 유형의 분산 시스템과 질문을 도입합니다:

1. 어떤 에이전트가 행동 권한을 가지고 있으며, 도메인 드리프트를 어떻게 방지할 수 있나요?
2. 에이전트 간 책임 이관이 발생할 때 상태는 어떻게 유지되나요?
3. 전문 에이전트 간 상충되는 결정은 어떻게 조정되나요?
4. 하위 에이전트가 접근 권한을 동적으로 안전하게 상속받으려면 어떻게 해야 하나요?

이러한 과제는 실제 엔터프라이즈 인프라에 적용될 때 더욱 복합적으로 나타납니다. 단일 워크플로는 CRM, ERP, 아이덴티티 관리 플랫폼, 티켓 시스템, 레거시 데이터베이스 등을 포괄할 수 있습니다. 각각은 고유한 비즈니스 로직과 실패 모드를 가지고 있지만, 최종적으로는 Conductor 에이전트가 작업을 올바르게 수행해야 합니다.

6단계 프로세스 중 4단계가 이미 세 시스템에서 트랜잭션 변경을 수행한 뒤 실패하면, 기본적인 에이전시 파이프라인이 붕괴됩니다. 오케스트레이션 레이어는 일반 오류를 단순히 반환할 수 없으며, 상태를 관리하고 필요 시 롤백을 실행하며, 대체 라우팅이 있는지 판단하거나 인간이 개입하는 루프를 우아하게 에스컬레이션해야 합니다.

진정한 엔터프라이즈 오케스트레이션은 상태 관리, 트랜잭션 일관성, 가시성, 정책 시행 및 안전한 자율성을 의미합니다. 이러한 복잡성의 궁극적 목표는 단순함입니다: 복잡한 다중 시스템 작업이 원활하게 수행되는 단일하고 마찰 없는 인터랙션을 제공하는 것입니다.

Druid AI는 현재 수천 개의 배포된 에이전트를 통해 10억 건이 넘는 대화를 처리했습니다. 이러한 규모에서 기업 AI에 대해 파일럿이나 통제된 시연으로는 알 수 없었던 어떤 교훈을 얻었나요?

실제 운영은 빠르게 겸손을 가르칩니다.

파일럿은 보통 비교적 통제된 환경입니다. 사용 사례가 정의되고 데이터가 비교적 깨끗하며 사용자도 알려져 있고, 보통 프로젝트 팀이 면밀히 관찰합니다.

실제 운영은 전혀 그렇지 않습니다. 사람들은 같은 질문을 스무 가지 다른 방식으로 묻습니다. 대화 중간에 생각이 바뀌기도 하고, 불완전한 정보를 제공하기도 하며, 언어나 주제를 전환하기도 하고, 예상치 못한 시점에 상호작용합니다. 정책이 바뀌고, API가 실패하고, 백엔드 시스템이 느려지며, 원래 설계에 포함되지 않았던 새로운 엣지 케이스가 나타납니다. 한 가지 확실한 것은: 사용자는 작업을 효과적이고 매끄럽게, 자연스럽게 수행되길 기대한다는 것입니다. 텍스트든 음성든 대화는 지연 없이 자연스럽게 흐르고, 어느 정도 공감적인 어조를 가져야 하며, 작업을 수행하면서 최선의 옵션과 다음 단계를 제시하거나, 예외와 루프를 필요에 따라 인간에게 전달해야 합니다.

가장 높은 가치를 창출하는 자동화는 비교적 평범한 일을 탁월하게 수행하고 수십만 번 반복하는 데서 옵니다: 직원 질문에 답변하고, 계정을 확인하고, 약속을 재조정하고, IT 요청을 해결하거나, 엔터프라이즈 시스템에서 올바른 정보를 검색하는 것 등. 이는 AI 가치에 대한 우리의 인식을 변화시켰습니다.

두 번째 교훈은 가동이 학습 사이클의 시작에 불과하다는 것입니다. 사용자가 무엇을 요구하는지, 어떤 의도가 성장하고 있는지, 대화가 어디서 실패하는지, 사용자가 어디서 에스컬레이션하는지, 때로는 근본적인 비즈니스 프로세스 자체가 변경되어야 하는지를 파악해야 합니다.

아마도 가장 중요한 교훈은 신뢰가 운영적인 것이라는 점입니다. 기업은 시간이 지나면서 AI가 예측 가능하게 동작하고, 예외를 올바르게 처리하며, 의사결정이 가시적이고 조직이 통제권을 유지하기 때문에 AI를 신뢰합니다.

Druid의 생산 데이터에 따르면 비교적 적은 수의 워크플로가 실제 기업 AI 사용량의 대부분을 차지합니다. 이는 기업이 초기 AI 투자를 고볼륨 워크플로 몇 개에 집중하고, 전사적 변혁을 시도하기보다는 해야 한다는 것을 의미하나요?

우리 생산 데이터에서 가장 명확한 패턴 중 하나는 수요가 집중되는 경향이 있다는 것입니다. 예를 들어 금융 서비스에서는 세 가지 워크플로 카테고리가 전체 사용량의 약 90%를 차지합니다. 고등 교육에서는 그 집중도가 더 높습니다. 이는 기업이 AI 변혁을 어떻게 접근해야 하는지에 대한 중요한 시사점을 제공합니다. 우리는 이러한 인사이트를 분석해 고등 교육, 의료, 은행 분야에 대한 벤치마크 보고서를 만들었으며, 파트너와 고객이 효율성을 높이고 인간이 에이전트와 어떻게 상호작용할지 예측할 수 있도록 돕습니다.

특히 이사회 수준에서는 “AI를 사용하지 않으면 뒤처진다”는 매우 광범위한 요구가 유혹이 됩니다. 운영팀은 에이전트가 수행할 적절한 업무를 찾는 데 어려움을 겪으며, 동시에 일자리를 잃는 것에 대한 두려움도 가집니다. 그렇다면 올바른 균형은 무엇이며, 이사회가 기대하는 KPI를 최대화하면서 에이전트와 함께 일을 수행할 적절한 AI 에이전트를 어떻게 채용할 수 있을까요?

수익을 늘리거나 비용을 절감할 잠재력이 있는 곳에서 시작하십시오. 일반적으로 사람들이 반복적으로 수행하는 작업입니다. 수천 명의 고객, 직원, 학생, 환자가 동일한 결과를 반복적으로 달성하려고 하면 측정 가능한 기준선이 생기고 가치를 입증할 강력한 기회가 됩니다.

하지만 중요한 구분이 있습니다: 좁게 시작하고, 넓게 설계하십시오.

첫 번째 사용 사례는 집중될 수 있습니다. 그 아래의 플랫폼은 전사적으로 확장 가능해야 합니다. 의미 있는 몇 개의 워크플로에서 경제성, 거버넌스 모델, 통합 및 인간 에스컬레이션 메커니즘을 입증합니다. 그런 다음 배운 내용을 활용해 인접 프로세스로 확장합니다.

볼륨만이 기준이 되어서는 안 됩니다. 낮은 빈도의 워크플로라도 각 성공적인 해결이 상당한 재무적 또는 운영적 영향을 미친다면 매우 가치가 있을 수 있습니다.

기업이 성공적인 해결에 점점 더 초점을 맞추고, 인간이 개입하지 않은 상호작용 비율을 최대화하는 것보다, 어떤 결정을 AI 에이전트가 자율적으로 내릴 수 있고 어디에서 인간 에스컬레이션이 필수적인지를 조직이 어떻게 판단해야 할까요?

Druid AI는 26가지 기준을 포괄하는 평가 프레임워크를 구축했으며, 에이전시 오케스트레이션을 구축 단계부터 작업 수행까지 객관적으로 평가합니다.

행동이 되돌릴 수 있고, 상대적으로 위험이 낮으며, 명확한 규칙에 의해 관리되고 신뢰할 수 있는 정보에 기반한다면 자율성에 대한 강력한 근거가 있습니다. 사전 정의된 매개변수로 약속을 재조정하는 것은 임상 결정을 내리는 것과는 매우 다르며, 효과적으로 수행하려면 고려해야 할 요소가 많습니다: 예를 들어, 의사 B에게 빈 슬롯이 있지만 그가 차단하고 싶어한다면, AI 에이전트는 해당 슬롯에 환자 약속을 재조정해서는 안 됩니다. 이는 의사의 캘린더 커버리지를 최대화하려는 목적과는 다릅니다.

제가 살펴볼 몇 가지 차원은 다음과 같습니다: 오류의 재무적·인적 결과, 행동의 되돌릴 수 있음 여부, 가용 정보의 완전성 및 품질, 규제 요구사항, 그리고 인간의 판단이나 공감이 필요한지 여부. 이를 기반으로 에스컬레이션을 의도적으로 설계합니다.

초기 AI 자동화에 대한 사고가 지나치게 단순했다는 점이 여기서 드러납니다. 목표는 “가능한 한 많은 상호작용을 인간 없이 처리하는 것”이었지만, 많은 프로세스에서 에스컬레이션이 바로 올바른 결과입니다.

그래서 저는 순수한 억제보다는 관리된 해결이라는 관점으로 생각하는 것을 선호합니다.

목표는 AI가 스스로 해결해야 할 작업을 자율적으로 처리하고, 행동해서는 안 되는 상황을 인식하며, 필요한 경우 관련 컨텍스트를 이미 준비한 상태로 사람을 프로세스에 참여시키는 것입니다.

AI 에이전트가 민감한 정보를 검색하고, 엔터프라이즈 시스템을 업데이트하며, 실제 행동을 시작할 수 있게 되면 가시성과 거버넌스가 훨씬 더 중요한 문제가 됩니다. 기업은 에이전트의 추론, 데이터 접근 및 행동에 대해 어떤 점을 감사할 수 있어야 신뢰하고 핵심 워크플로에 맡길 수 있을까요?

Gartner 가이드라인을 따르며, DRUID는 5가지 관점—오류 허용도, 위험, 컴플라이언스, 가시성, 편차—에서 에이전트를 분석하는 내장 평가 프레임워크를 보유하고 있습니다. 이 범주 아래 총 26개의 구성 요소가 있으며, 각각 정의, 열 수 있는 아티팩트, 측정 방법을 가지고 있습니다.

에이전트를 평가할 때 플랫폼은 원래 사용자 요청부터 최종 시스템 행동까지 전체 체인을 재구성할 수 있어야 합니다. 즉, 어떤 에이전트가 요청을 처리했는지, 어떤 모델을 사용했는지, 모델이 받은 컨텍스트, 검색된 엔터프라이즈 정보, 적용된 비즈니스 규칙·정책, 특정 라우트·행동이 선택된 이유, 그리고 기본 시스템에서 정확히 무엇이 변경됐는지를 알아야 합니다. 감사 가능한 상호작용 수십만 건이 추적·분석·측정됩니다.

정체성도 동일하게 중요합니다. AI 에이전트는 기업 접근 제어를 우회하는 지름길이 되어서는 안 됩니다. 누가 요청을 시작했는지, 그 사람이 볼 수 있거나 할 수 있는 권한은 무엇인지, 에이전트가 정확히 그 경계 내에 머물렀는지를 알아야 합니다.

다중 에이전트 아키텍처에서는 추적 가능성이 더욱 중요해집니다. 어떤 에이전트가 다른 에이전트에 위임했는지, 어떤 정보가 그 경계를 넘었는지, 결정이 어디서 시작됐는지, 어떤 구성 요소가 실제 행동을 실행했는지 등을 파악해야 합니다. 또한 운영 증거—타임스탬프, 신뢰도 신호, 실행 결과, 예외, 에스컬레이션 이벤트 및 발생한 일을 이해하거나 재생성할 수 있는 능력—도 필요합니다.

대화형 AI에서 에이전시 AI로 전환하면서 가장 큰 변화 중 하나입니다.

AI가 질문에만 답할 때는 가시성이 유용합니다. AI가 고객 레코드를 변경하거나 결제를 트리거하거나 여러 시스템 레코드를 업데이트하거나 비즈니스 프로세스를 시작할 수 있게 되면, 가시성은 제어 아키텍처의 일부가 됩니다.

당신은 Druid AI에서 개발, 운영, 매출, 고객 성공 등 매우 폭넓은 역할을 수행했습니다. 고객과 직접 일하면서 일부 기업 AI 도입이 측정 가능한 가치를 창출하는 반면, 다른 경우는 파일럿 단계에 머무는 이유를 어떻게 보시나요?

저는 개발자로 경력을 시작했으며, 많은 엔지니어와 마찬가지로 기술이 충분히 좋다면 그 가치가 명확히 드러날 것이라는 강한 직감을 가졌습니다. 그러나 고객은 기술이 어떻게 작동하는지와는 다른 방식으로 빠르게 가르쳐 줍니다.

기술적으로 정교한 도입이라도 비즈니스 문제가 충분히 중요하지 않거나, 프로세스 소유자가 없거나, 통합이 사후 고려사항으로 취급되거나, 성공이 무엇인지 합의되지 않으면 거의 가치를 창출하지 못합니다. 고객은 기술 서사를 벗겨내는 데 매우 능숙합니다. 프로세스가 개선되지 않았다면 설계가 얼마나 우아하든 상관하지 않습니다.

그 규모의 구현을 논할 때는 실제 문제를 해결하려는 비즈니스 소유자가 있습니다. 측정 가능한 볼륨, 비용/수익 또는 마찰이 존재합니다. AI는 실제 작업이 이루어지는 시스템에 연결됩니다. 그리고 가동 후 채택 및 지속적인 개선 계획이 있습니다. 파일럿이 종종 파일럿으로 남는 이유는 기술이 작동한다는 증명은 했지만 운영 모델이 작동한다는 증명을 못했기 때문입니다. 그래서 AI 프로젝트를 설계할 때 우리는 직원들이 시스템에서 클릭하는 것이 아니라 작업 자체를 먼저 이해하도록 교육합니다. “작업”이란 전체 프로세스, 예외 처리 방식, 결과, 예외 발생 빈도, 생산성을 높이는 데 방해되는 요인, 소요 시간 및 자동화되지 않을 경우 필요한 노력 등을 의미합니다.

제 경력은 기술, 운영, 영업, 고객 성공, 기업 구축을 거쳐 왔으며, 저는 이 폭넓은 경험이 가장 큰 강점이라고 생각합니다. 기술은 작동 방식을 가르치고, 영업은 누가 비용을 지불할지 알려주며, 고객 성공은 실제 세계에서 작동하는지를 보여주고, 운영은 조직이 반복적이고 대규모로 제공할 수 있는지를 검증합니다.

많은 면에서 Druid AI의 진화는 같은 경로를 따라왔습니다: 대화형 AI가 작동할 수 있음을 증명하고, 가치를 창출할 수 있음을 증명하고, 기업 규모에서 신뢰할 수 있는 지능형 에이전트를 만들기 위한 인프라를 구축하는 단계로.

당신은 Druid를 국제 AI 기업으로 성장시키는 동안 Women in Tech Romania에도 참여했습니다. 여성들이 AI 회사를 설립하고 이끌 때 여전히 가장 큰 장벽은 무엇이며, 임원 및 창업자 수준에서 여성 대표성을 실질적으로 높이려면 어떻게 해야 할까요? 

최근 데이터는 유럽 기술 분야에서 눈에 띄는 격차를 보여줍니다: AI 스타트업 중 여성 창업자 또는 공동 창업자는 5%에 불과하며, 그 중 절반만이 박사 학위를 가지고 있습니다. 통계는 심각하지만, 이 격차를 해소하려면 전통적인 성차별 서사를 넘어선 접근이 필요합니다.

근본적으로 기업가정신은 성격, 위험 감수성, 개인적 우선순위, 경력 선택에 의해 형성되는 개인적 추구입니다. 이를 단순히 사회적 장벽으로만 보지 말고, 창업자가 형성되는 실질적인 파이프라인을 살펴야 합니다.

여학생이 기술 분야에 덜 끌리는 통계적 경향이 있긴 하지만, 기업 경력에서 더 큰 장벽은 “전체 비즈니스 소유에 대한 노출”입니다.

여성은 세계 수준의 기술 전문가와 기능 리더로 뛰어나지만, 직접적인 매출 책임, 손익 관리, 상업적 의사결정, 전사 전략을 담당하는 역할로 전환하는 경우는 적습니다. 이러한 역량은 기업 기술 회사를 설립하고 확장하는 데 필수적인 운영 근육과 같습니다.

저의 경력은 소프트웨어 개발에서 CEO에 이르기까지 직선적인 경로가 아니라, 리더십, 운영, 상업 실행, 궁극적으로 기업 구축을 거치는 일련의 전환이었습니다. 루마니아 교육 시스템과 같이 실질적인 재무 교육과 기업가 교육이 모두에게 부족했던 환경에서는 비즈니스 위험을 탐색하는 것이 단계별 노출 과정이었습니다.

이 격차를 극복하려면 흔히 퍼지는 신화—기술 리더십은 절대적인 마스터리를 요구한다는 생각—를 허무해야 합니다. 빠르게 움직이는 AI 시대에는 모든 답을 가진 사람은 없습니다. 오늘날 정의되는 리더십 특성은 호기심, 지속적인 학습, 결과가 보장되지 않은 복잡한 문제에 도전하는 자신감입니다.

더 많은 여성이 기술 회사를 이끌게 하려면, 상업 네트워크 접근성을 확대하고, 눈에 띄는 롤 모델을 장려하며, 경험 많은 인재가 기능 사일로를 벗어나 손익 책임을 지고 기업 소유의 위험을 감수하도록 적극 독려해야 합니다.

앞으로 어떤 요소가 기업 AI 플랫폼을 비즈니스 운영에 깊이 내재하게 만들고, 많은 AI 제품이 실험 단계에 머무르는 것을 구분하게 할까요?

분기점은 인텔리전스에서 신뢰할 수 있는 실행으로 전환할 수 있느냐에 달려 있습니다.

인상적인 응답을 생성하는 것은 이미 비교적 쉬워지고 있습니다. 대규모 기업 내부에서 신뢰성 있게 운영하는 것은 전혀 다른 이야기입니다.

비즈니스 운영에 내재되는 플랫폼은 기업이 기존 시스템을 모두 교체하도록 요구하기보다, 기존 시스템에 안전하게 연결해야 합니다. 또한 다양한 모델과 기술을 아우를 수 있어야 합니다.

에이전트, 워크플로, 인간 의사결정을 조정할 수 있는 오케스트레이션이 필요합니다. 또한 아이덴티티, 거버넌스, 가시성, 제어가 아키텍처에 설계 단계부터 포함되어야 하며, 나중에 추가되는 것이 아닙니다.

하지만 또 다른 요구 사항이 실험과 인프라를 점점 더 구분할 것이라고 생각합니다: 불완전한 상황에서도의 신뢰성입니다. 시연은 모든 것이 정상 작동할 때 AI 시스템이 무엇을 할 수 있는지를 보여주지만, 기업은 무언가가 작동하지 않을 때 어떤 일이 일어나는지를 알고 싶어합니다.

데이터가 불완전할 때는 어떻게 되나요? API가 실패하면? 두 정책이 충돌하면? 신뢰도가 낮으면? 사용자가 권한이 없는 작업을 요청하면?

에이전트가 90%의 경우 뛰어나게 작동하지만 나머지 10%에서는 예측 불가능하게 행동한다면, 핵심 프로세스에 대한 책임을 부여할 수 없습니다.

지난 몇 년간 지배적인 질문은 “이 모델이 무엇을 할 수 있나요?”였습니다.

기업의 질문은 “어떻게 하면 이 작업을 효과적으로 수행할 수 있나요?”로 변하고 있습니다.

조직에 깊이 내재되는 AI 플랫폼은 두 번째 질문에 기술적, 운영적, 경제적으로 설득력 있게 답할 수 있는 플랫폼입니다. 이것이 우리가 Druid AI를 시작하면서 본 궁극적인 기회이며, 인텔리전스를 업무 자체가 수행되는 방식에 통합하는 것입니다.

멋진 인터뷰에 감사드립니다. 더 알고 싶으신 독자분들은 Druid AI를 방문하시기 바랍니다.