Andrej Jonovic, XBP Global CEO – 인터뷰 시리즈

Andrej Jonovic은 미션 크리티컬한 기업 업무 프로세스에 주력하는 다국적 기술·서비스 기업 XBP Global의 CEO입니다. XBP Global은 정밀성, 보안, 데이터 주권 및 감사 가능성이 필수적인 의료, 공공 부문, 금융 서비스 등 규제 대상 환경 전반에 에이전트형 AI를 적용하고 있습니다. 이번 인터뷰에서 Jonovic은 적응형 프로세스 오케스트레이션, 오픈 웨이트 모델, 지능형 문서 처리, 사람의 판정, 그리고 AI를 기술적 역량에서 측정 가능한 운영 성과로 전환하는 데 필요한 요소에 관해 이야기합니다.

거래 전문 변호사로 경력을 시작한 뒤 인수합병과 기업 혁신 분야로 옮겨가고, 마침내 XBP Global을 이끌게 되셨습니다. 이러한 배경은 미션 크리티컬한 업무 프로세스에 인공지능을 도입할 때 거버넌스, 상업적 위험, 조직에 미치는 영향을 평가하는 방식에 어떤 영향을 주었나요?

저는 먼저 운영 모델의 관점에서 AI를 살펴보는 편입니다. 거래와 혁신 분야에서 일하다 보면 발표 자료를 넘어 실제 실행에 들어간 뒤에도 구조가 제대로 작동할지를 묻는 데 익숙해집니다.

AI에서는 모델이 독립적으로는 매우 뛰어난 성능을 보이면서도 실제 운영에서는 좋지 않은 결과를 낼 수 있기 때문에 이 점이 특히 중요합니다. 의료, 공공 부문, 은행 업무에서는 처리의 정확성, 규제 준수, 감사 가능성이 반드시 갖춰져야 합니다. 데이터가 어디에 있는지, 시스템이 무엇을 할 수 있도록 허용되어 있는지, 의사결정은 어떻게 통제되는지, 업무 프로세스를 대규모로 운영할 때 비용 구조는 어떠한지 파악해야 합니다.

거버넌스는 그 아키텍처에 처음부터 반영되어야 합니다. 저는 모델이 어디에서 실행되는지, 어떤 정보가 기업 경계를 넘어 이동하는지, 감사 추적에 무엇이 기록되는지, 그리고 업무 프로세스가 더 높은 수준의 통제가 필요한 의사결정에 이르면 어떻게 되는지 알고 싶습니다.

제 배경이 가장 큰 영향을 미치는 지점은 아마도 바로 여기일 것입니다. 저는 통제된 시연에서 기술이 무엇을 할 수 있는지에는 대체로 관심이 적습니다. 미션 크리티컬한 프로세스에 기술을 도입해 믿고 맡길 수 있는지가 궁금합니다.

XBP Global은 에이전트형 AI를 기존의 규칙 기반 자동화와 로봇 프로세스 자동화를 넘어서는 진화로 설명합니다. 사전에 정해진 지침을 따르던 업무 프로세스가 추론과 의사결정을 수행하고 여러 작업을 조율할 수 있는 AI 에이전트를 활용하게 되면 기술적으로 무엇이 달라지나요?

아키텍처의 적응성이 훨씬 높아집니다.

기존의 업무 흐름 자동화는 결정론적입니다. 규칙이 정해져 있어 다음 단계에서 어떤 일이 일어날지 알 수 있고, 프로세스가 복잡해질수록 더 많은 로직을 시스템에 직접 구축합니다. 예측 가능한 업무에는 이런 방식이 매우 효과적입니다. 규칙이 지나치게 많아지거나 시스템을 재구축하는 속도보다 프로세스가 더 빠르게 바뀔 때 어려움이 생깁니다.

현재 우리가 추진하는 것은 적응형 프로세스 오케스트레이션입니다. 정밀성과 규정 준수를 위해 필요한 부분에는 결정론적 규칙 엔진을 유지하고, 추론이 가치를 더하는 업무 프로세스에는 지능형 모델을 도입할 수 있습니다. 에이전트는 누군가가 가능한 모든 업무 경로를 일일이 하드코딩하지 않아도 작업을 조율하고, 정보에 접근하며, 다음에 수행할 작업을 선택할 수 있습니다.

또 다른 변화는 기반 모델을 훨씬 쉽게 교체할 수 있게 된다는 점입니다. 엔터프라이즈급 오픈 웨이트 모델이 매우 빠르게 발전하고 있습니다. 파이프라인을 제대로 설계하면 생태계가 발전함에 따라 전체 운영 프로세스를 새로 구축하지 않고도 더 뛰어난 모델을 통합할 수 있습니다.

따라서 점점 더 중요한 기술 자산은 모델 자체보다 오케스트레이션, 도메인 지식, 통제 체계, 모델을 둘러싼 데이터 등 업무 흐름 그 자체라고 생각합니다.

많은 기업이 AI를 실험하고 있지만, 시범 사업에서 실제 운영 단계로 전환하는 데 어려움을 겪습니다. 기업이 에이전트형 업무 흐름을 대규모로 도입하지 못하게 하는 가장 흔한 아키텍처 또는 조직상의 장벽은 무엇인가요? 

고객들은 실험 단계를 넘어가고 있습니다. 시연을 보고 매우 공격적인 투자수익률 약속도 들었습니다. 어느 시점에는 누군가가 실제 업무 프로세스에 기술을 도입해 제대로 작동하게 해야 합니다.

바로 그 지점에서 아키텍처 설계가 어려워집니다. 실제 운영에 투입되는 업무 프로세스는 기업이 이미 갖춘 환경과 연결되어야 합니다. 민감한 정보는 프라이빗 클라우드나 온프레미스 환경에 보관해야 할 수 있습니다. 기존 시스템에도 계속 접근할 수 있어야 합니다. 규제 요건도 충족해야 합니다. 기업 규모로 운영할 때도 경제성이 유지되어야 합니다.

최근에는 글로벌 항공사 항공기 보유 기단의 정비 수명 주기와 관련한 사업을 수주했습니다. 모든 정비 항목을 벡터화해 고객사의 프라이빗 클라우드 내 비공개 벡터 데이터베이스에 저장할 예정입니다. 에이전트형 인프라는 해당 정보에 대한 접근을 관리하고, 항공기의 리스 계약이 종료되거나 항공기가 매각될 때 기록을 재현할 수 있도록 지원합니다.

이는 모델이 항공기 기록에 관한 질문에 답할 수 있음을 입증하는 것과는 전혀 다른 문제입니다. 데이터 통제와 반복적으로 작동해야 하는 프로세스를 포함해 운영 환경 전체를 다뤄야 합니다.

조직 차원에서 격차가 생기는 이유는 대개 책임 주체가 명확하지 않기 때문입니다. 실제 운영 환경에서 무엇을 의미하는지 정의할 만큼 프로세스를 깊이 이해하는 사람이 있어야 합니다. 이러한 운영상의 규율이 없으면 파일럿은 오랫동안 인상적인 성과를 보여도 실질적인 효용을 내지 못할 수 있습니다.

XBP Global은 특히 결과의 영향이 큰 의사결정에서 자동화와 인간의 개입을 통한 감독을 결합합니다. 어떤 결정을 AI 시스템이 자율적으로 실행할 수 있는지, 어떤 결정에는 사람의 판단이 계속 개입해야 하는지 어떻게 판단하시나요? 

사람의 역할은 심사와 판정에 초점을 맞춰 설계합니다.

결과의 영향이 큰 워크플로에는 보통 높은 확신을 바탕으로 파이프라인을 거쳐 처리할 수 있는 업무가 상당히 많습니다. 반면 정보가 불완전하거나 상황이 이례적이거나, 잘못된 답을 내렸을 때의 결과가 너무 심각한 예외 사례도 있습니다.

파이프라인이 이러한 사례에 도달하면 해당 거래를 관련 분야 전문가에게 전달합니다. 전문가가 문제를 해결하고, 그 판단을 시스템에 다시 반영해 모델을 지속적으로 개선할 수 있습니다.

이러한 피드백 루프는 중요하다고 생각합니다. 시간이 흐르면서 워크플로를 개선할 때 사람의 감독은 더 큰 가치를 발휘합니다. 전문가는 모델이 아직 도움을 필요로 하는 사례에 해당 분야의 지식을 제공합니다.

자율화의 기준은 업무 환경에 따라서도 크게 달라집니다. 의료 분야의 심사·판정, 공공 부문 기록 관리, 규제 대상 금융 프로세스에는 결과의 영향이 작은 내부 업무와는 다른 요건이 적용됩니다. 허용 가능한 신뢰도 수준은 시스템이 실제로 결정을 실행했을 때 그 결정이 초래하는 결과를 반영해야 합니다.

고객사는 데이터 주권, 보안, 감사 가능성이 필수적인 규제 산업과 공공 부문에서 사업을 운영합니다. 유용한 기능을 저해하지 않으면서 보호된 환경에 대규모 언어 모델을 배포하려면 어떻게 해야 할까요? 

공개 가중치 모델은 이 질문에 대한 답을 상당히 바꾸고 있습니다.

오랫동안 최고의 모델 성능을 얻으려면 정보를 다른 회사의 환경으로 보내야 한다는 인식이 있었습니다. 데이터가 기업의 경계 안에 머물러야 하는 경우에는 당연히 문제가 됩니다.

이제는 기업용 수준의 공개 가중치 모델을 배포된 에이전트형 파이프라인에 통합하면서 데이터를 고객 환경 안에 보관할 수 있습니다. 요구 사항에 따라 프라이빗 클라우드나 온프레미스 인프라를 사용할 수 있습니다. 데이터 주권과 관련해 조직이 필요로 하는 통제력을 유지하면서도 더 넓은 모델 생태계의 발전이 제공하는 이점을 누릴 수 있습니다.

아키텍처도 변화에 대응할 수 있어야 합니다. 현재의 모델이 특정 작업에 계속해서 최적의 모델일 것이라고 가정할 이유는 없습니다. 새로운 모델을 기존 파이프라인에 신속하게 통합할 수 있도록 학습 프로토콜을 설계합니다.

규제 대상 고객에게 이러한 유연성은 매우 중요합니다. 데이터 경계는 그대로 유지하면서도 워크플로를 계속 개선할 수 있기 때문입니다. 또한 기술을 이미 배포한 뒤 규정 준수를 덧붙이는 일로 취급하지 않고 EU AI Act와 같은 요건에 대응할 수 있게 됩니다.

기업 정보 가운데 상당량은 여전히 문서, 이미지, 레거시 시스템, 종이 기록에 갇혀 있습니다. 지능형 문서 처리는 어떻게 발전하고 있으며, 분산된 데이터를 AI 에이전트가 안정적으로 활용할 수 있는 정보로 전환하는 데 어떤 역할을 하나요?

지능형 문서 처리는 에이전트형 워크플로를 뒷받침하는 인프라의 일부가 되고 있다고 생각합니다.

과거에는 문서 처리가 대체로 서식에 의존했습니다. 문서가 어떻게 생겼는지, 어떤 필드가 필요한지 알고 있으면 시스템이 해당 항목을 추출했습니다. 하지만 기업 정보가 그렇게 깔끔한 경우는 드뭅니다. 의료 분야만 해도 보험 급여 설명서(EOB), 복잡한 서신, 청구 정보, 서로 다른 형식으로 도착하는 기록 등이 포함될 수 있습니다.

새로운 접근 방식은 맥락을 훨씬 더 잘 파악합니다. 비정형 정보를 가져와 관련 내용을 이해하고, 후속 시스템이 실제로 활용할 수 있는 구조화된 출력으로 변환할 수 있습니다. 에이전트가 내부 정보를 불완전하게 받거나 잘못 해석하면 작업을 안정적으로 조율할 수 없으므로 이는 중요합니다.

처리 규모가 커지면 문제의 양상도 달라집니다. 우리는 방대한 양의 이미지, 청구, 결제 거래 및 기타 문서를 처리하는 환경을 운영합니다. 이 정도 규모에서는 추출 품질의 작은 차이도 운영상 매우 큰 문제로 이어집니다.

따라서 지능형 문서 처리는 점점 더 지능형 워크플로의 시작 단계에 자리 잡고 있습니다. 분산된 정보를 활용 가능한 데이터로 바꾸고, 다음 단계의 프로세스가 신뢰할 수 있는 정보를 바탕으로 작동하도록 하며, 후속 단계에서 자동화를 확대할 기반을 마련합니다.

XBP Global은 레거시 규칙 기반 프로세스를 에이전트형 AI 파이프라인으로 전환하고 최초 처리 단계에서 해결되는 비율을 높이는 방안을 논의해 왔습니다. AI 시스템이 신뢰할 수 있는 결과를 내놓으려면 조직의 프로세스, 예외 상황, 축적된 내부 지식에 대해 무엇을 이해해야 할까요?

조직에 축적된 지식 가운데 상당수는 제대로 정리된 프로세스 문서로 남지 않았습니다.

그 지식은 오래된 시스템과 규칙 체계, 그리고 오랫동안 해당 업무를 운영해 온 사람들의 판단 속에 자리 잡고 있습니다. 이들은 어떤 정보가 중요한지, 특정 상황에 어떤 규칙을 적용해야 하는지, 잘못된 결정을 내리면 이후 단계에서 어떤 일이 생기는지 알고 있습니다.

그 업무를 이전할 때는 운영에 필요한 지식도 함께 보존해야 합니다. 우리 분야에서는 모든 규칙을 즉시 없애야 한다고 가정하기보다 결정론적 로직과 AI를 결합하는 경우가 많습니다. 규제 대상 업무 흐름 중에는 요구 사항이 명확해 규칙 엔진이 매우 유용한 부분이 있습니다. 반면 지능형 모델이 다양한 상황에 훨씬 효과적으로 대응할 수 있는 부분도 있습니다.

각각을 어디에 적용해야 하는지는 해당 분야에 대한 전문성이 알려 줍니다.

그렇기 때문에 최초 처리 단계에서의 해결을 모델 점수만으로 판단해서는 안 됩니다. 업무 흐름은 프로세스의 다음 단계에서도 유효한 결과를 내야 합니다. 이후 단계에서 다시 에스컬레이션이 발생한다면 문제를 해결한 것이 아니라 다른 곳으로 옮긴 셈입니다.

시스템은 처음부터 끝까지 성공적인 거래가 어떤 모습인지 알 수 있을 만큼 프로세스를 충분히 이해해야 합니다.

XBP Global은 고객 업무뿐 아니라 AI 우선 운영 모델로 전환하는 과정에도 자동화를 적용하고 있습니다. 회사를 내부 시험대로 활용하면서 무엇을 배웠으며, 생산성 향상과 인력 개발 및 변화 관리는 어떻게 조화시키고 계신가요?

자체 운영에 자동화를 꽤 적극적으로 적용해 왔습니다. 결과에 회사 자체의 손익이 걸려 있으면 무엇이 중요한지 매우 빠르게 배울 수 있다고 생각하기 때문입니다.

AI 우선 자동화 노력으로 연간 환산 기준 6,500만~7,500만 달러의 운영 효율을 달성할 것으로 예상하며, 2026년에는 약 3,500만 달러의 효과가 발생할 것으로 보고 있습니다. 직원 1인당 매출은 2분기에 약 8만 9,000달러를 기록해 전 분기 약 8만 2,000달러에서 증가했으며, 연말에는 10만 달러에 가까워질 것으로 예상합니다.

이러한 지표는 운영 모델의 생산성이 실제로 높아지고 있는지를 보여 주기 때문에 유용합니다.

인력에 미치는 영향은 실질적입니다. 생산성이 더 높은 운영 모델로 전환하면서 2026년 말까지 전 세계 직원 수가 약 20% 감소할 것으로 예상합니다. 변화 관리에서는 생산성 변화가 인력 수요에 영향을 미친다는 점을 인정해야 합니다.

동시에 이러한 업무 흐름에 남아 있는 사람들의 역량은 강화되어야 합니다. 업무를 체계화하고, 결과물을 평가하며, 더 높은 가치를 지닌 의사 결정에 책임을 질 수 있는 분야 전문가와 설계자, 운영 담당자가 필요합니다.

자체 회사에서 이러한 전환을 추진하면서 논의가 훨씬 더 실질적으로 바뀌었습니다. 어떤 자동화가 지속적인 효율성을 만들어 내고 어떤 활동이 단지 누군가가 AI를 더 자주 사용하는 것에 그치는지 금방 알 수 있습니다.

기업의 AI 프로젝트는 측정 가능한 사업 성과보다 시연을 통해 홍보되는 경우가 많습니다. 리더는 지능형 업무 흐름을 평가할 때 어떤 지표를 사용해야 하며, 정확도와 예외 발생률, 처리 시간, 운영 비용, 위험 감소를 어떻게 고려해야 할까요?

저는 업무 흐름을 두 가지 수준에서 측정하겠습니다.

운영 수준에서는 정확도, 최초 처리 단계에서의 해결률, 처리 시간, 예외 건수, 업무 처리 비용을 확인하고 싶습니다. 규제 환경에서는 거래를 감사할 수 있는지, 그리고 처리량이 많을 때도 통제가 일관되게 유지되는지도 중요하게 봅니다.

그다음에는 이러한 개선이 사업의 손익에도 반영되는지 확인하고 싶습니다.

XBP의 2분기 조정 매출총이익률은 24.9%로 사상 최고치를 기록했고, 직원 1인당 매출은 약 8만 9,000달러로 증가했습니다. 추가 자동화 기회를 확인하면서 연간 환산 기준 운영 효율 목표도 6,500만~7,500만 달러로 상향했습니다.

이러한 지표는 벤치마크 점수와는 다른 정보를 알려 줍니다. 기술이 운영의 비용 구조를 바꾸고 있는지를 보여 줍니다.

모델 정확도가 매우 높은 업무 흐름이라도 운영 비용이 지나치게 높거나 수작업을 통한 재처리가 너무 많이 발생한다면 잘못된 도입일 수 있습니다. 리더는 결과를 처음부터 끝까지 추적해야 한다고 생각합니다. 기술은 실제로 측정할 수 있는 지표에서 운영상의 이점을 만들어 내야 합니다.

앞으로 에이전트형 AI는 기존 기업 시스템에 추가되는 계층으로 남을까요, 아니면 사람과 소프트웨어, 데이터, 비즈니스 프로세스가 상호 작용하는 주요 오케스트레이션 계층이 될까요?

더 많은 업무 흐름이 에이전트형으로 바뀔 것으로 생각합니다.

기업에는 특정 기능을 수행하는 시스템과 데이터 저장소, 애플리케이션이 계속 존재할 것입니다. 달라지는 것은 이들 사이에서 업무가 이동하는 방식입니다. 에이전트형 파이프라인은 정보를 가져오고, 도구를 조정하며, 작업을 실행하고, 거래에 다른 유형의 개입이 필요한 시점을 판단할 수 있습니다.

항공사 사례에서 이미 이를 확인할 수 있습니다. 정비 기록은 고객 환경 내의 비공개 벡터 데이터베이스에 저장되어 있고, 에이전트형 계층은 정비 수명 주기 전반에 걸쳐 해당 정보에 접근하고 이를 사용하는 방식을 관리합니다.

이러한 유형의 오케스트레이션은 앞으로 훨씬 더 보편화될 것으로 생각합니다.

기반이 되는 모델은 계속 바뀔 것입니다. 오픈 웨이트 모델은 빠르게 발전하고 있으며, 현재 사용 중인 모델 다음 세대도 등장할 것입니다. 따라서 기업이 이러한 모델을 뒷받침할 지속 가능한 기반을 필요로 하므로 오케스트레이션 계층은 점점 더 중요해지고 있습니다.

프로세스와 도메인 지식, 보안 요구 사항, 기업 통제를 중심으로 파이프라인을 구축하면 더 나은 모델이 나올 때마다 이를 계속 활용할 수 있습니다. 장기적인 가치의 상당 부분은 바로 여기에 있을 것이라고 생각합니다.

훌륭한 인터뷰에 감사드립니다. 더 자세히 알고 싶은 독자라면 XBP Global을 방문해 보시기 바랍니다.