AI 실험을 기업 인텔리전스 및 가치로 전환하기

엔터프라이즈 AI는 모델에 국한되지 않습니다. 기업은 테스트 파일럿 프로그램을 실행하고 일반 작업을 수행하며 개념 증명 모델을 이전보다 훨씬 빠르게 구현할 수 있지만, 종종 고립된 “AI” 성공을 넘어서는 데 실패합니다.

하지만 문제는 모델이 아니라 그들이 일하는 환경입니다. 데이터가 분산되어 있고 소유권이 불분명한 등 여러 확장 과제가 남아 있는데, 이는 대부분 AI가 핵심 비즈니스 옵션이 되기 전에 이러한 시스템이 설계되었기 때문입니다.

최근 Wipro and HFS Research의 연구에 따르면, 90%의 기업 리더가 3년 내에 인간과 AI 팀이 현실이 될 것으로 기대하지만, 오직 18%만이 프로세스를 재설계하고 그 미래를 지원하고 있습니다. 마찬가지로 87%는 AI에 대한 투자는 빠르게 진행하고 있지만 그 가치를 충분히 보여주지는 못하고 있습니다. 기업은 데이터, 거버넌스, 워크플로우 프로세스를 우선적으로 업데이트하지 않으면 AI가 비즈니스를 변화시킬 수 없다는 점을 인식해야 합니다.

AI 역량은 빠르게 보편화되고 있습니다. 경쟁 우위는 조직이 데이터, 컨텍스트, 인텔리전스, 거버넌스, 실행을 얼마나 효과적으로 연결하느냐에 달려 있습니다.

파일럿 프로그램은 정체되는 경향이 있다

가치 있는 데이터가 존재하더라도 파일럿 프로그램도 여전히 실패할 수 있습니다. 예를 들어, 작은 팀이 스프레드시트 데이터의 출처를 알면 보통 그 데이터를 사용하기에 편안해합니다. 하지만 조직 전체에 걸쳐 동일한 수준의 데이터 이해도를 확장하기는 어렵습니다. 에이전트형 AI를 활용하면 여러 시스템에서 정보를 손쉽게 가져오거나 고객에게 권고를 제공하는 워크플로우를 구축할 수 있습니다. AI 에이전트가 빠르게 행동할 수는 있지만, 데이터가 신뢰할 수 있는지 여부는 종종 불분명합니다.

기업이 하나의 AI 사용 사례에서 다수로 확장하려 할 때 회의감이 커지고 문제점이 발생합니다. 고객 정보가 서로 다른 시스템에서 유래한다면 원본 정보가 어떻게 수집·정제되었는지 파악하기 어려울 수 있습니다. 마찬가지로 거버넌스 정책이 존재하더라도 에이전트가 가져온 데이터 세트에 해당 규칙이 적용됐는지는 명확하지 않습니다.

따라서 AI를 규모화하는 것이 매력적이지만, 일관성 부족이 함정을 만들게 됩니다. 에이전트형 AI에서 진정한 가치를 확보하려면 기업은 사후가 아니라 초기 단계부터 데이터와 워크플로우 설계를 구현해야 합니다.

신뢰할 수 있는 AI 기반 구축

탄탄한 AI 준비 기반을 구축한다는 것은 사람과 AI 시스템이 신뢰할 수 있는 데이터를 적절한 거버넌스 체계 하에 발견·접근·활용할 수 있게 한다는 의미입니다.

세 가지 핵심 역량에 집중하십시오: 

1. 데이터와 AI에 통합된 접근 방식을 취하는 것이 중요합니다. 에이전트형 AI 애플리케이션은 분산되고 연결되지 않은 시스템이 아니라 견고한 기반에서 데이터를 가져와야 합니다. 이는 중복 데이터 소스로 인한 혼란을 크게 줄이고 접근, 품질, 규정 준수를 위한 체계적인 규칙 적용을 용이하게 합니다.
2. 시스템 초기 단계부터 거버넌스를 구축하는 것이 데이터 활용 관리에 필수적입니다. 예를 들어, 행동을 권고하는 에이전트는 승인된 정보를 기반으로 작동하고, 정의된 권한 범위 내에서 운영되며, 결과 도출 과정을 추적 가능한 기록으로 남겨야 합니다.
3. 실제 워크플로우와 프로세스에 AI를 활용하십시오. AI는 직원들이 이미 마찰을 겪고 있는 업무, 예를 들어 고객 요청 응답이나 IT 문제 해결 등에 삽입되어야 합니다.

AI를 독립적인 도구로 생각하지 마십시오. 대신 에이전트, 인간 감독, 의사결정을 거버넌스가 적용된 엔드‑투‑엔드 프로세스와 연결하는 데 집중하십시오. 인간 감독은 중요하지만, 복잡한 프로세스에 대한 구체적인 제어를 제공하는 것이 핵심입니다.

AI를 실제에 적용하기

AI가 활용할 수 있는 데이터 기반을 구축하는 것이 핵심입니다. 한 예로 소비자 의료 기업의 조달‑결제 프로세스가 있습니다. 대규모 조직은 방대한 양의 청구서를 처리하면서 복잡한 승인 절차를 관리합니다. 청구서에 대한 수동 검토는 결제 주기를 지연시키고 문제 발생 지점을 파악하기 어렵게 만들었습니다. 에이전트형 AI를 적용해 청구서를 처리하면 70%가 무접촉으로 자동화되고 45% 효율성이 향상되었습니다. AI 기반 시스템은 연간 약 100만 건의 청구서를 처리하며, 이는 약 60억 달러 규모이며, 가장 복잡한 사안은 사람에게 전달되어 검토됩니다.

목표는 시스템이 올바른 정보를 검색하고, 승인된 규칙을 적용하며, 반복 패턴에서 학습하고, 필요할 때만 에스컬레이션하는 거버넌스된 프로세스를 만드는 것입니다. 견고한 데이터 기반은 AI 시스템이 계획, 분석, 보고를 지원하는 데 필요한 컨텍스트를 제공하고, 거버넌스 체계가 마련되어 있다는 확신을 줍니다.

앞으로 나아가기 위한 단계

기업이 장기적인 성공을 거두려면 AI 확장 및 규모화에 대해 전사적 변혁 프로그램과 동일한 신중함을 적용해야 합니다.

1. Data and AI: 시작하기 전에 정보의 원본을 이해하고 다음 질문을 스스로에게 던지십시오: 데이터가 불완전했는가? 비즈니스 정의가 일관되지 않았는가? 접근 제한으로 시스템이 필요한 컨텍스트를 보지 못했는가? 직원들이 AI 결과를 사용하거나 이의를 제기할 워크플로우가 없었는가?
2. Create a foundation: 초기 사용 사례에 가장 중요한 데이터 도메인을 우선시하는 견고한 데이터 기반을 구축하는 것이 필수적입니다. 소유권을 정의하고 초기부터 품질 관리와 연계된 접근 권한을 적용하십시오. 목표는 신뢰를 구축하고 더 나은 의사결정을 이끄는 고품질, 거버넌스된 데이터를 확보하는 것입니다.
3. 비즈니스 문제가 명확하고 데이터가 확보되어 있으며 성공을 측정하기 쉬운 몇 가지 핵심 워크플로우를 식별하십시오. 인간 개입이 필요한 경우를 포함해 해당 워크플로우에 집중하는 에이전트를 만들어 품질을 보장하십시오.

앞으로의 전망

다음 경쟁 우위는 AI에 대한 접근성에서 비롯되는 것이 아니라, 전사적 데이터를 기업 인텔리전스로 전환하고 규모에 맞는 측정 가능한 비즈니스 성과를 창출하는 능력에서 나올 것입니다. 엔터프라이즈 AI는 모델이 얼마나 잘 만들어지는가, 그리고 그 위에 구축된 에이전트가 얼마나 책임감 있고 생산적으로 운영되는가에 의해 결정됩니다. 파편화되고 출처가 불분명하며 관리되지 않는 데이터 환경에 머무르면 긍정적인 비즈니스 결과가 제한됩니다. 데이터, 거버넌스, 워크플로우 재설계를 연결하는 기업은 실험을 장기적인 가치로 전환할 수 있습니다. 에이전트형 AI로 가는 길은 지능형 행동을 가능하게 하는 운영 및 데이터 기반 위에서 시작됩니다.