Artefact의 CTO 겸 매니징 파트너 Victor Coimbra – 인터뷰 시리즈

Victor Coimbra는 Artefact의 CTO 겸 매니징 파트너로, 미주 전역에서 AI, 데이터 과학 및 엔지니어링 업무를 이끌고 있습니다. 그는 Bain과 Accenture에서 쌓은 비즈니스 전략 경험과 복잡한 엔터프라이즈 환경에서 AI 및 머신러닝 시스템을 구현해 온 실무 리더십 경험을 두루 갖추고 있습니다. AI를 확장하는 데 필요한 아키텍처, 거버넌스, 운영 모델을 비롯해 기술 역량을 측정 가능한 비즈니스 성과로 연결하도록 조직을 지원하는 데 주력하고 있습니다.

Artefact는 기업이 전략을 수립하고, 데이터 플랫폼을 구축하며, AI 솔루션을 배포하고, 조직 변화를 관리하도록 지원하는 글로벌 데이터·AI 컨설팅 기업입니다. 금융 서비스, 헬스케어, 제조, 유통 등 다양한 산업 분야에서 사업을 펼치고 있습니다. 2026년 12월 3~4일 파리의 Grand Palais에서 열리는 Adopt AI Summit를 앞두고, Coimbra는 기업이 파일럿 단계를 넘어 사람과 AI 에이전트가 협력하는 팀을 구성하고 실제 운영 환경에서 AI의 가치를 측정하는 방법에 대해 이야기합니다.

Accenture에서 비즈니스 전략을 담당한 뒤 Artefact에서 미주 전역의 AI, 데이터 과학 및 엔지니어링 팀을 이끌기까지 경력을 쌓아 오셨습니다. 전략 컨설팅과 기술 실무 리더십을 함께 경험한 것이 기업의 AI 투자를 측정 가능한 비즈니스 성과로 전환하도록 지원하는 접근 방식에 어떤 영향을 주었나요?

그 경험을 통해 AI 전략을 실행과 항상 연결해야 한다는 점을 배웠습니다. Bain과 Accenture에서 전략 업무를 하며 경영진은 손익계산서의 특정 항목을 개선하는 변화를 원한다는 사실을 알게 됐습니다. 엔지니어링을 통해서는 슬라이드에 담긴 계획이 실제 운영 환경에 적용되는 과정에서 그 가치의 상당 부분이 사라질 수 있다는 점을 배웠습니다.

오늘날 AI는 기술 자체보다 핵심 비즈니스 운영을 보호하는 해자를 구축하는 일에 더 가깝습니다. 중요한 질문은 개인의 생산성을 어떻게 기업 전체의 가치로 전환하고, 회사 전반에 진정으로 공유되는 인지 역량을 어떻게 구축하느냐입니다.

그러려면 전략과 실행을 결합해야 합니다. 두 가지를 모두 경험하면서 많은 것을 배웠습니다.

인공지능에 상당한 투자를 하고도 많은 조직이 성공적인 파일럿 프로젝트를 넘어서는 데 어려움을 겪고 있습니다. 경험에 비추어 볼 때, 기업의 AI 이니셔티브가 실제 운영 단계에 도달하지 못하게 하는 가장 흔한 장애물은 무엇이며, 성공적으로 도입 규모를 확대하는 기업은 어떤 점에서 다른가요?

제 경험상 많은 파일럿이 정체되는 이유는 인간만을 위해 설계된 조직에 AI를 추가하기 때문입니다. 기술은 대개 제대로 작동합니다. 여전히 정해지지 않은 경우가 많은 것은 업무 분담입니다. 어떤 업무를 에이전트가 맡고 어떤 업무는 사람이 계속 담당할지, 누가 검토할지, 결과에 대한 책임은 누가 질지가 명확하지 않습니다.

여기에 더해 확장을 늦추는 요인으로 세 가지가 있습니다. 사용량 기반 요금제로 인해 급증하는 토큰 비용, 보안과 거버넌스, 그리고 접근 권한을 실제 사용으로 이어지게 하지 못하는 도입 방식입니다.

제가 보기에 성공적으로 규모를 확대하는 기업은 AI를 조직 재설계의 일부로 다룹니다. 업무 수행을 두 개의 루프로 나눕니다. 내부 루프에서는 에이전트가 코드를 작성하고, 빌드하고, 테스트하고, 푸시하고, 검토하는 전 과정을 처음부터 끝까지 수행합니다. 외부 루프에서는 사람이 목표를 설정하고 결과를 검증하며 비용과 품질을 모니터링합니다. 그런 다음 기반 플랫폼 하나를 구축해 모든 사용 사례에 재사용합니다.

기존 시스템에 챗봇과 코파일럿을 단순히 추가하는 대신 AI 네이티브 조직을 구축하는 것이 중요하다고 글을 쓰셨습니다. 이러한 전환을 뒷받침하려면 엔터프라이즈 기술 아키텍처에 어떤 근본적인 변화가 필요하며, 현재 기업들은 어느 부분에 대한 투자를 충분히 하지 않고 있나요?

AI 네이티브 기업은 플랫폼을 기반으로 운영되며, 그 플랫폼은 네 가지 계층, 즉 하네스, 컨텍스트, 모델, 인프라로 구성됩니다. 하네스는 사람과 에이전트가 만나 함께 일하는 곳으로, 모델을 둘러싼 전체 애플리케이션을 뜻합니다. 컨텍스트는 에이전트가 무엇을 알고 어떤 권한을 갖는지를 정합니다. 모델 계층은 적절한 비용으로 모델에 접근하고, 요청을 라우팅하며, 모델을 관리하는 방식입니다. 인프라는 모델이 실제로 실행되는 곳이며, 여기에 대한 접근 키를 누가 보유하는지도 포함합니다.

자연히 관심은 대부분 눈에 보이는 20%인 코파일럿과 채팅 도구에 쏠립니다. 하지만 엔지니어링 작업의 대부분은 보이지 않는 80%에 있으며, 비용과 보안, 통제 방식도 이 부분에서 결정됩니다.

제안은 간단합니다. 범용 하네스는 구매하고, 산업별 하네스는 직접 구축하십시오. 모델과 인프라는 분기마다 바뀌므로 임대해 실험하십시오. 그리고 컨텍스트는 온전히 직접 소유하십시오. 컨텍스트는 진정으로 우리만의 계층이며, 더 많은 투자를 통해 가장 큰 기회를 얻을 수 있는 영역이라고 생각합니다.

AI가 직원을 돕는 단계에서 복잡한 워크플로를 자율적으로 수행하는 단계로 발전함에 따라, 조직은 어떤 프로세스가 에이전트형 자동화에 적합한지 어떻게 판단해야 할까요? AI 에이전트에 더 큰 의사결정 권한을 부여하기 전에 어떤 기술적·운영적 안전장치를 마련해야 하나요?

제가 보기에는 과거를 돌아보는 업무는 에이전트가, 미래를 내다보는 업무는 사람이 훨씬 잘합니다. 에이전트는 분석, 코딩, 테스트, 문서화, 대사처럼 기존 정보를 바탕으로 하는 모든 업무에서 뛰어난 성과를 냅니다. 창의성이 필요한 일은 사람이 맡습니다. 창의성은 정의상 미래를 향하기 때문입니다. 여기에는 취향, 비전, 계획, 의사결정, 그리고 결과물이 실제로 좋은지 판단하는 일이 포함됩니다.

실제로는 이 구분이 두 개의 루프에 대응합니다. 에이전트는 내부 루프를 맡아 업무를 수행합니다. 사람은 목표 설정, 검증, 모니터링을 담당하는 외부 루프를 유지합니다.

안전장치는 프롬프트로 요청하는 것이 아니라 시스템에 설계해 넣습니다. 저희는 6개 계층으로 구성된 실행 하네스를 사용합니다. 작업 기록, 메모리, 샌드박스 런타임과 권한을 갖춘 보안 작업 공간, 점검 지점과 확인 절차를 포함한 작업 루프, 모델 라우팅, 그리고 사람의 승인·정책 점검·PII 통제처럼 에이전트가 단독으로 할 수 없는 일을 규정하는 가드레일입니다. 신입 직원이 그렇듯, 에이전트의 자율성도 실적이 쌓이면 점차 커집니다.

AI 에이전트를 기존 소프트웨어 도구가 아니라 팀원으로 표현하셨습니다. 이런 관점은 조직이 팀을 구성하고 책임을 배분하며, 점점 더 자율적으로 작동하는 AI 시스템과 협업하도록 직원을 교육하는 방식에 어떤 변화를 가져올까요?

우리는 이미 인간과 AI가 함께 일하는 조직에 들어섰습니다. 지금 제가 가장 중요하다고 생각하는 질문은 인력을 사람과 에이전트 사이에 어떻게 배분할 것인가입니다. 규모를 확장하는 데 핵심이 되는 문제라고 봅니다.

인간과 에이전트가 함께하는 팀에서 조직도는 인원수가 아니라 인지 역량을 배분합니다. 제가 성숙한 기술 팀에서 흔히 보는 업무 분배는 사람만 수행하는 업무 15%, AI의 도움을 받는 업무 25%, 에이전트가 수행하는 업무 60%입니다. IT 책임자는 목표를 설정하고 역량을 배분하며 성과와 비용을 책임집니다. 선임 개발자는 에이전트가 제공한 결과물을 검증하고 아키텍처를 결정합니다. 오케스트레이터 에이전트는 작업을 배정하고 비용을 보고하며, 검토 에이전트는 모든 결과물을 확인합니다.

성과 향상은 3단계에 걸쳐 누적됩니다. AI의 도움을 받는 직원은 약 5배의 성과를 냅니다. 처음부터 끝까지 업무를 수행하는 합성 직원으로서의 에이전트는 약 10배의 성과를 냅니다. 두 가지를 하나의 인력 체계로 조율할 때 1000배의 잠재력이 있다고 생각합니다.

교육도 같은 원칙을 따릅니다. 사람들은 구조화된 맥락과 명확한 결과 목표를 제시해 주니어 엔지니어에게 업무를 맡기듯 에이전트에게 지시하는 법을 배우고, 자신의 시간은 안목을 발휘하고 계획을 세우고 의사결정을 내리는 데 씁니다.

기업용 AI 시스템은 신뢰할 수 있는 데이터 인프라에 크게 의존하지만, 많은 조직이 여전히 데이터 파편화, 일관성 없는 거버넌스, 레거시 기술로 어려움을 겪고 있습니다. 에이전트형 AI에 대비해 데이터 플랫폼을 준비할 때 기업은 어떤 기반 역량을 우선시해야 하며, 기존 운영을 중단하지 않고 어떻게 현대화할 수 있을까요?

에이전트라는 새로운 유형의 사용자를 고려해 데이터 플랫폼을 설계하세요. 대시보드에 잘못된 숫자가 있으면 사람은 의문을 제기합니다. 하지만 잘못된 숫자를 접한 에이전트는 이를 바탕으로 행동하며, 그 행동은 대규모로 이루어집니다.

4가지 역량을 우선시하세요. 모든 에이전트와 팀이 “활성 고객”이라는 말을 같은 의미로 이해하도록 공통된 비즈니스 정의를 마련해야 합니다. 에이전트가 자신이 대리하는 역할의 권한으로 데이터에 접근하도록 인증과 MCP 같은 표준 프로토콜을 지원하는 통합 게이트웨이를 구축해야 합니다. 품질과 데이터 계보를 관찰할 수 있어야 합니다. 또한 비정형 데이터를 핵심 자산으로 다뤄야 합니다. 계약서, 티켓, 회의록에 실제 지식의 대부분이 담겨 있기 때문입니다.

운영 중단 없이 현대화하려면 먼저 레거시 시스템을 감싸는 계층을 마련한 다음, 사용 사례별로 마이그레이션하세요. 에이전트는 이 분야의 경제성도 바꾸고 있습니다. 다중 에이전트 마이그레이션 파이프라인은 이제 수십만 줄에 이르는 레거시 코드를 몇 달 만에 현대화하며, 아키텍처는 사람이 결정합니다.

정형 데이터에 대한 접근을 넘어, AI 에이전트에는 조직의 지식과 비즈니스 프로세스, 조직적 맥락에 대한 이해가 점점 더 중요해지고 있습니다. 기업은 이러한 지식을 효과적으로 수집해 AI 시스템에 통합하려면 어떻게 해야 하며, 에이전트가 충분한 비즈니스 맥락 없이 작동할 때 어떤 위험이 발생할까요?

맥락은 모델을 동료로 만들어 줍니다. 도구는 작업을 이해하고, 에이전트는 맥락을 이해합니다. 목표와 제약 조건, 기대하는 결과를 설명하지 않은 채 주니어 엔지니어에게 일을 맡기지 않듯, 에이전트도 다르지 않습니다.

최신 상태를 유지하기 어려운 대규모 문서화 프로젝트에 의존하기보다 실제 업무에서 지식을 수집하세요. 모든 회의, 티켓, 결정, 수정 사항은 파일과 테이블, 벡터, 관계 그래프를 결합한 맥락 계층에 반영됩니다. 완료된 모든 작업은 메모리에 다시 기록되므로 조직은 결과물을 낼 때마다 학습합니다. 맥락에도 자체 거버넌스가 필요합니다. 평가, 권한 관리, 비용 통제가 이에 해당합니다.

맥락이 없으면 에이전트는 몇 가지 예측 가능한 문제를 겪기 쉽습니다. 문서에 적힌 규칙은 따르지만 모두가 아는 불문율은 놓칩니다. 잘못된 정보를 검색하고도 확신에 차서 답합니다. 지난 분기의 사실을 바탕으로 작업합니다. 또한 엄격한 권한 관리가 없는 맥락 계층은 민감한 데이터를 위험에 빠뜨릴 수 있습니다.

많은 기업은 생산성 향상, 도입률, 또는 출시한 파일럿의 수를 통해 AI의 성공을 측정합니다. 특히 인프라 비용, 지속적인 유지보수, 자율 에이전트 운영의 복잡성까지 고려할 때, CIO와 비즈니스 리더는 실질적인 AI 투자수익률을 평가하기 위해 어떤 지표를 사용해야 할까요?

도구가 아니라 인간과 AI가 함께하는 인력 체계의 성과를 측정하세요. 도입은 4단계 중 첫 번째에 불과하며, 모든 단계는 도입 전 기준치와 비교해야 합니다. 도입 단계에서는 사람들이 도구를 사용하는지 확인합니다. 생산성 단계에서는 리드 타임, 처리량, 해결 시간 등을 통해 업무를 더 빠르게 처리하는지 살펴봅니다. 품질 단계에서는 누락된 결함, 변경 실패율, 재작업 등을 통해 결과물의 품질이 나아졌는지 평가합니다. 가치와 비용 단계에서는 절감된 노력, 시장 출시 기간, 작업당 총비용 등을 따져볼 수 있습니다.

간과하기 쉬운 지표 중 하나는 팀별로 사람과 에이전트 사이에서 인지 역량이 어떻게 이동하는지입니다. 확보한 사람의 역량은 의식적으로 미래를 준비하는 업무에 재배치해야 합니다. 그렇지 않으면 성과 향상의 일부가 사라집니다.

비용 측면에서는 정액 요금제에서 사용량 기반 과금으로 바뀌고 있어 청구액을 예측하기가 더 어려워질 수 있습니다. 따라서 모델 라우팅과 FinOps를 첫날부터 플랫폼에 포함해야 합니다. AI 지출도 클라우드 지출처럼 관리해야 합니다. 즉, 지출 내역을 투명하게 파악하고, 팀별로 귀속하며, 가치와 연결해야 합니다.

Artefact는 금융 서비스, 의료, 제조, 소매업을 비롯해 AI 도입 과정에서 각기 다른 과제에 직면하는 여러 산업 분야의 기업과 협력하고 있습니다. 이러한 분야의 실제 도입 사례에서 어떤 교훈을 얻고 있으며, 조직은 혁신과 규제 준수, 신뢰성, 인간의 감독 사이에서 어떻게 균형을 맞춰야 할까요?

모든 산업이 인간과 에이전트 사이에 업무를 어떻게 나눌 것인가라는 같은 질문에 직면합니다. 달라지는 것은 전체 업무 흐름 가운데 어느 정도를 인간이 계속 맡아야 하는가입니다. 소매업과 소비재 분야에서는 실수로 인한 비용이 낮으므로 에이전트가 더 많은 업무를 더 빠르게 맡습니다. 제조업에서는 신뢰성과 운영 시스템과의 통합이 진행 속도를 좌우합니다. 금융 서비스와 의료 분야에서는 모든 결정을 설명할 수 있어야 하므로 인간이 검증과 의사결정에서 더 많은 부분을 더 오래 맡습니다.

제가 어디서나 확인하는 교훈은 규제 준수가 처음부터 플랫폼에 내장된 속성일 때 가장 효과적이라는 점입니다. 안전장치와 감사 로그, 인간의 승인 절차가 하네스에 포함되어 있으면 새로운 사용 사례마다 이를 그대로 적용할 수 있습니다. 규제 준수가 마지막에야 고려되면 새 프로젝트를 시작할 때마다 같은 논의를 다시 해야 합니다.

감독은 위험도에 따라 단계적으로 이뤄져야 합니다. 위험도가 낮은 작업은 에이전트가 자율적으로 처리하고, 중간 위험 작업은 예외가 발생할 때 검토하며, 위험도가 높은 작업에서는 에이전트가 의사결정안을 마련하는 데 그쳐야 합니다. 신뢰가 쌓이면 각 단계의 범위도 달라집니다.

올해 12월 파리에서 열리는 Artefact의 Adopt AI Summit을 앞두고 AI 주권과 거버넌스, 산업 경쟁력을 둘러싼 논의가 점점 더 중요해지고 있습니다. 유럽의 AI 도입 방식이 글로벌 기업 전략에 어떤 영향을 미칠 것으로 보시나요? 또한 앞으로 몇 년간 기업 AI의 다음 단계를 규정할 변화는 무엇이라고 생각하시나요?

유럽은 주권 문제를 일찍 제기했고, 이제 이 문제가 전 세계적인 설계 원칙으로 자리 잡고 있다고 생각합니다. 다국적 기업은 규제마다 다른 아키텍처를 원하지 않으므로 가장 엄격한 규제에 맞춰 설계합니다. 자체적인 컨텍스트를 보유하고, 모델은 빌려 쓰며, 모델이 어디에서 실행되는지와 누가 키를 보유하는지를 통제하는 방식입니다. 유럽의 다음 기회는 AI 도입에도 같은 추진력을 발휘하는 것입니다. 경쟁력은 대규모 활용에서 나오기 때문입니다.

다음 단계는 하이브리드 조직이며, 저는 이것이 미래의 업무 형태라고 생각합니다. 기업은 인원수를 세는 데서 벗어나 인간과 에이전트가 공유하는 인지 역량을 관리하게 될 것입니다. 에이전트는 분석, 코드 작성, 보고처럼 과거를 돌아보는 업무 대부분을 맡게 됩니다. 인간은 안목과 비전, 기획, 의사결정처럼 미래를 내다보는 업무로 옮겨갈 것입니다.

업무 분담 방식을 먼저 찾아내는 기업이 앞서 나갈 것이라고 생각합니다. 앞으로의 몇 년을 규정하기 위해 파리에서 나누고 싶은 이야기가 바로 이것입니다.

훌륭한 인터뷰에 감사드립니다. 기업의 AI 도입과 에이전트 기반 워크플로, 데이터 전환에 대해 더 알고 싶은 독자라면 Artefact를 방문해 보시기 바랍니다.