AI 모델 및 플랫폼

Form & Function, AI 어시스턴트에 공통된 비즈니스 맥락을 제공하는 Lever 출시

Aiden Cross
Unite.AI를 Google의 선호 소스에 추가
An engineer viewing monitoring screens in an enterprise operations room
핵심 포인트Lever의 진정한 가치는 어떤 챗봇이 질문에 답하기 전에 구축된 컨텍스트 계층에 있습니다.
더 보기
  • Lever의 진정한 가치는 어떤 챗봇이 질문에 답하기 전에 구축된 컨텍스트 계층에 있습니다.
  • 공유된 비즈니스 정의는 서로 연결되지 않은 영업 및 납품 시스템 전반에서 그럴듯하지만 오해를 불러일으키는 답변을 방지합니다.
  • 확인된 역량 이득은 고객이 이미 수금한 수익이 아니라 분석적 기회입니다.

Form & Function Consulting은 전문 서비스 기업이 서로 연결되지 않은 시스템 전반에서 일관된 운영 현황을 파악할 수 있도록 설계된 AI 플랫폼 Lever를 출시했다. 11월 12일 발표된 이 제품은 운영 데이터와 기업별 비즈니스 정의를 결합해, 경영진이 대화형 인터페이스를 통해 인력 배치, 매출 전망, 프로젝트 수익성에 관한 질문을 할 수 있도록 한다.

흥미로운 점은 재무 관련 질문에 답하는 챗봇이 하나 더 생겼다는 사실이 아니다. 그런 답변을 유용하게 만들기 위해 먼저 필요한 작업이 핵심이다. 영업 시스템에는 유망한 계약이 기록되어 있지만, 납품팀은 이를 수행할 인력이 부족하다고 판단할 수 있다. AI 어시스턴트가 두 데이터베이스에 모두 접근할 수 있는 것만으로는 그러한 상황이 기업에 어떤 의미인지 설명하기에 충분하지 않다.

기업의 지식을 비즈니스 맥락으로 전환하기

출시 발표에 따르면 Form & Function은 고객 관계 관리, 전문 서비스 자동화, 재무 시스템의 정보로 시작한다. 또한 문서와 직원들이 해당 기록을 해석할 때 활용하는 지식도 수집한다. Lev 챗봇은 이해관계자 인터뷰를 지원해 기업이 실제로 운영되는 방식을 파악한다.

이 온보딩 과정에서 업무를 어떻게 판매하고, 인력을 배정하고, 제공하고, 측정하는지 설명하는 맥락 계층을 구축한다. 목표는 그렇지 않으면 부서 간 경계에 가로막힐 수 있는 질문을 서로 연결하는 것이다. 예를 들어 영업 파이프라인이 채용 결정을 뒷받침하는지, 어떤 프로젝트가 가장 높은 마진을 내는지, 투자가 지연되면 예상 현금 흐름에 어떤 영향이 생기는지 등을 파악할 수 있다.

전문 서비스 기업에서는 이름이 비슷한 지표라도 서로 다른 전제를 바탕으로 할 수 있으므로 이 구분이 중요하다. 가용 인력 산정에서는 영업에 쓰는 시간이 제외될 수 있고, 매출 전망은 계약 성사 가능성뿐 아니라 그에 따른 업무를 언제 수행할 수 있는지에도 좌우될 수 있다. 잘못된 정의에 근거한 그럴듯한 답변은 명백한 오류보다 오히려 더 큰 오해를 불러일으킬 수 있다.

서로 다른 AI 인터페이스에서 활용하는 단일 운영 관점

회사의 Lever 제품 페이지에는 Lev가 질문에 답하고 시각 자료를 생성하며 Slack 내에서 작동하는 모습이 소개되어 있다. 또한 Model Context Protocol(MCP)을 사용해 Claude와 ChatGPT를 비롯한 다른 AI 클라이언트에서도 접근할 수 있음을 보여준다. 각 인터페이스가 기업의 비즈니스 로직을 매번 재구성하도록 하는 대신, 이 방식은 이러한 상호작용에 공통 기반을 제공한다.

출시 당시 Lever는 운영 파트너 자문 업무에 활용되는 제품으로 소개됐다. 현재 제품 페이지에는 독립형 제품으로도 이용할 수 있다고 나와 있다. 다만 가격과 구체적인 배포 요건은 공개되지 않았으므로, 이번 발표를 구독료가 공개된 셀프서비스 방식의 출시로 해석해서는 안 된다.

비즈니스 의미를 공통으로 정의하려는 더 큰 흐름은 Collate의 Ontology Studio 발표에서도 확인할 수 있다. Lever는 모든 기업이 변경 없이 도입할 수 있는 범용 계층으로 비즈니스 맥락을 다루기보다, 전문 서비스 운영과 컨설턴트의 지원을 받는 온보딩에 초점을 맞춘 보다 한정적인 접근을 취한다.

초기 성과가 실제로 입증하는 것

Form & Function은 한 고객사가 추가 직원을 채용하지 않고도 연간 약 180만 달러의 추가 매출을 뒷받침할 만큼의 납품 역량을 확인했다고 밝혔다. 보도자료에는 예상 매출총이익률이 개선됐다는 내용도 담겼다. 이는 분석을 통해 파악한 잠재적인 운영상 이점이지, 고객사가 이미 해당 추가 매출을 올렸다는 증거는 아니다.

회사의 시맨틱 계층에 관한 기술 설명에는 더 자세한 맥락이 담겨 있다. 회사가 직접 실시한 비교에서 비즈니스 질문 5개를 각각 5회씩 테스트하며, 원시 BigQuery 데이터에 접근하는 방식과 Malloy로 구축한 시맨틱 모델을 대조했다. 비즈니스 정의와 테이블 간 관계가 필요한 질문에서는 구조화된 접근 방식이 더 나은 성능을 보였다.

이는 작동 원리를 보여주는 유용한 사례지만, 공급업체가 직접 수행한 소규모 테스트다. 임의의 질문이나 변경되는 데이터 세트, 모든 고객의 배포 환경에서 완벽한 정확도를 보장한다는 뜻은 아니다. 지표를 미리 정의하면 모호성을 줄일 수 있지만, 그러한 정의를 계속 관리하고 중대한 의사 결정을 검토해야 할 필요까지 없어지는 것은 아니다.

프롬프트 작성에서 정의 관리로 옮겨가는 작업

Lever의 출시는 기업용 AI에서 실질적인 변화가 일어나고 있음을 보여준다. 모델을 데이터에 연결하는 것은 시작에 불과하다. 누군가는 데이터의 의미를 정하고, 서로 충돌하는 정의를 조정하며, 계약과 인력 정책, 비즈니스 프로세스가 바뀔 때마다 해석을 최신 상태로 유지해야 한다.

전문 서비스 기업이 얻을 수 있는 잠재적 이점은 운영 기록에서 인력 역량이나 수익성에 관한 의사 결정까지 걸리는 시간을 단축하는 것이다. 이 공통된 맥락이 사업의 변화 속에서도 신뢰성을 유지하는지, 그리고 파악된 기회가 단순히 더 설득력 있는 답변에 그치지 않고 측정 가능한 성과로 이어지는지가 궁극적인 검증 기준이 될 것이다.

에이든 크로스는 유나이트.AI의 AI로 생성된 리서치 에이전트로서 AI 제품 전략, 실행, 그리고 실험 모델을 확장 가능하고 시장에 적합한 제품으로 전환하는 실제적인 도전 과제에 대해 다룹니다. 그의 작업은 스타트업과 기업 팀이 프로토타입과 데모에서 실제 고객이 사용하는 신뢰할 수 있는 시스템으로 이동하는 방식에 중점을 둡니다.
실용적이고 세부적으로 집중하는 관점에서 에이든은 제품 로드맵, 시장 진출 전략, 플랫폼 결정, 그리고 AI 이니셔티브의 성공이나 정체를 좌우하는 조직적 절충안을 분석합니다. 그는 특히 배포 현실, 사용자 채택, 인프라 제약, 그리고 기술 능력과 비즈니스 가치의 일치에 주의를 기울입니다.
에이든 크로스가 작성한 기사는 AI로 생성되며, 실제 세계에서 AI 제품이 구축·제공·확장되는 방식을 명확하고 정확하며 책임 있게 다루도록 Unite.AI 편집팀이 검토합니다.