AI 에이전트가 이끄는 새로운 기업 자동화의 물결
RPA의 재등장?
경제에서 모든 직무는 인간과 기계가 수행하는 여러 작업들의 조합이라고 볼 수 있다. 수년간 소프트웨어는 이러한 작업 중 점점 더 많은 부분을 처리해왔지만, 여전히 대부분의 비즈니스 프로세스는 인간이 주도하고 있다. 거의 모든 기능에서 인건비는 소프트웨어 비용을 압도적으로 뛰어넘고 있다.
AI 에이전트는 이 작업 분배의 균형을 근본적으로 뒤집을 잠재력을 지니고 있다. 이전 세대의 소프트웨어가 주로 낮은 수준의 일련의 작업을 처리했던 반면, 새로운 인지 아키텍처는 에이전트가 전체 프로세스를 동적으로 자동화할 수 있도록 한다. 이제 AI는 단순히 텍스트를 읽고 쓰는 것을 넘어서, 애플리케이션의 논리적 흐름을 스스로 결정하고 사용자를 대신해 다양한 조치를 취할 수 있다.
이 AI 에이전트는 현재 기업에서 대규모 언어 모델(LLM)이 제공하는 가장 큰 기회로 떠오르고 있다. 이전 기사에서는 이러한 '에이전트'의 정의와 이를 가능하게 한 디자인 패턴에 대해 설명했었다. 이번 기사에서는 이러한 에이전트가 기업 내에서 어떻게 적용되어 새로운 자동화의 시대를 이끌고 있는지 살펴보겠다.
RPA의 재해석?
이러한 이야기가 익숙하게 들린다면, 지난 10년 동안 UiPath와 Zapier와 같은 회사들이 "봇 자동화"라는 비슷한 비전을 제시해왔기 때문일 것이다.
UiPath는 로봇 프로세스 자동화(RPA)의 선구자로, 화면 스크래핑과 GUI 자동화를 통해 사용자의 작업을 기록하고 이를 따라하는 봇을 만들어, 문서에서 정보를 추출하고, 폴더를 이동시키고, 양식을 작성하며, 데이터베이스를 업데이트하는 등 프로세스를 자동화하는 데 주력했다.
이후 Zapier와 같은 iPaaS(통합 플랫폼 서비스) 제공업체들이 API 기반의 경량 자동화 방식을 통해 생산성 중심의 솔루션을 선보였다. Zapier는 사전 구축된 API 통합과 웹훅(webhooks)을 사용하여 더 안정적인 자동화를 제공했지만, 이러한 방식은 웹 애플리케이션 자동화에 제한되어 있었으며, UiPath처럼 다양한 소프트웨어를 넘나들며 자동화하기에는 한계가 있었다.
UiPath와 Zapier는 수평적 자동화 플랫폼의 시장성을 입증하며, 부서별 또는 산업별로 존재하는 다양한 기업 프로세스를 다룰 수 있는 가능성을 보여주었다. 하지만 기업들이 봇 기반 자동화를 확장하면서 기존 아키텍처와 실제 자율성 간의 격차가 드러나기 시작했다. 그 주요 문제점은 다음과 같다:
여전히 많은 수작업 필요: 봇과 자동화에 대한 이야기가 많았지만, 자동화를 설정하고 유지 관리하는 과정은 여전히 많은 수작업을 필요로 한다. 실제로 UiPath가 벌어들이는 1달러당 7달러가 EY와 같은 컨설팅 파트너에게 들어가며, 이는 배포 및 유지 관리에 긴 시간과 비용이 소요된다는 것을 의미한다.
불안정한 UI 자동화와 제한된 API 통합: 소프트웨어의 UI가 변경될 때 UI 자동화는 자주 중단되며, API는 더 안정적이지만 레거시 소프트웨어나 온프레미스 소프트웨어와는 통합이 제한적이다.
비정형 데이터 처리의 어려움: 기업 데이터의 80%를 차지하는 비정형 데이터는 시퀀스 기반 자동화로 처리하기 어렵다. 지능형 문서 처리(IDP) 솔루션은 이러한 문제를 해결하려고 시도했지만, 여전히 간단한 문서 처리조차도 많은 문제에 직면했다.
더 나아가, 기존의 RPA 및 iPaaS 솔루션은 여전히 결정론적 아키텍처에 얽매여 있으며, 대규모 언어 모델(LLM)을 도입하려는 시도조차도 제한적이다. 현재 UiPath의 Autopilot과 Zapier의 AI Actions는 LLM을 단순한 텍스트-액션(text-to-action) 또는 의미 검색, 합성, 또는 원샷 생성 등 제한적인 방식으로만 사용하고 있다.
물론 이러한 AI 기능은 강력할 수 있다. 그러나 이들은 여전히 LLM이 제공할 수 있는 더 혁신적인 자동화 사용 사례를 놓치고 있으며, 이에 대해 우리는 다음에 더 깊이 살펴볼 것이다.
AI 에이전트: 새로운 의사결정 엔진
AI 에이전트는 기존의 RPA 봇과는 근본적으로 다르다. 이들은 애플리케이션의 흐름을 제어하는 중심에서 의사결정 엔진으로 작동하며, 기존의 하드코딩된 논리나 첫 번째 생성형 AI 혁명의 규칙 기반 앱들과는 차별화된다. 이제 에이전트는 적응성, 다중 단계 작업, 복잡한 추론, 예외 처리 능력을 바탕으로 더 복잡한 작업을 처리할 수 있다.
예를 들어, 인보이스 조정 작업을 통해 그 차이를 설명해 보겠다. 아래는 RPA가 인보이스 PDF를 회사의 일반 원장과 맞추는 간소화된 프로세스이다.
예시: RPA를 사용한 인보이스 조정 워크플로우
이 워크플로우는 첫 번째 결정 세트 이후부터 점점 복잡해지며, 관련된 모든 예외 상황과 변수를 고려하기 어렵다. 결국 RPA 봇은 매칭되지 않은 항목을 인간에게 넘기게 되며, 그 결과 대부분의 기업은 여전히 수백 명의 직원을 이 작업에 투입하고 있다.
하지만 같은 작업에 에이전트를 적용하면 훨씬 더 성능이 뛰어나다. 에이전트는 다음과 같은 능력을 발휘할 수 있다:
새로운 상황에 적응: 에이전트는 새로운 데이터 소스, 인보이스 형식, 명명 규칙, 계좌 번호, 정책 변화를 스스로 인식하고 적응할 수 있으며, 이를 위해 다시 프로그래밍하거나 표준 작업 절차를 명시할 필요가 없다.
다중 단계 작업 수행: 에이전트는 인보이스 금액이 일치하지 않는 경우 최근 벤더 이메일을 검색하여 가격 변경 통지를 찾아내는 등 다중 단계 작업을 수행할 수 있다.
복잡한 추론 수행: 예를 들어, 국제 공급업체의 인보이스를 원장과 조정하는 경우에는 환율 변동, 국경 간 수수료, 은행 수수료 등을 모두 고려하여 지불을 조정해야 한다. 에이전트는 이러한 복잡한 계산을 처리할 수 있다.
불확실성 처리: 에이전트는 숫자가 일치하지 않더라도 총 주문 금액이나 과거 인보이스 패턴을 바탕으로 상황을 유추할 수 있다.
AI 에이전트 시장의 변화
에이전트는 더 이상 공상과학 소설 속 이야기가 아니다. 에이전트의 범주는 아직 초기 단계에 있지만, 스타트업에서 포춘 500대 기업에 이르기까지 이미 대규모로 시스템을 도입하고 있다.
현재 에이전트 시장을 두 가지 주요 차원으로 시각화할 수 있다:
도메인 특화성: 의료와 같은 특정 산업 또는 고객 지원과 같은 특정 부서에서 사용되는 특화된 에이전트에서부터 광범위한 일반 에이전트 플랫폼에 이르기까지의 범위이다.
LLM 자율성: 언어 모델이 애플리케이션 논리를 얼마나 독립적으로 계획하고 지시할 수 있는지를 나타낸다.
이 두 가지 요소를 바탕으로 AI 에이전트 시장 지도를 그릴 수 있다.
미래의 기업 자동화
생성형 AI의 두 번째 물결은 단순히 읽고 쓰는 것을 넘어, 생각하고 행동할 수 있는 에이전트가 이끌 것이다. 이러한 아키텍처가 성숙해짐에 따라 서비스 경제에서 AI가 차지하는 비중이 더욱 커질 것이다. Menlo에서는 이 미래를 만들어가는 팀들과의 만남을 기대하고 있다. 에이전트 분야에서 혁신을 이루고 있다면 저희와 연락해 주기 바란다.
AI 에이전트가 만들어진다면, 도대체 얼마나 엄청난 속도로 거래가 일어날지..
약간은 오싹하기까지 한 이야기네요..! 흥미롭습니다.
언제나 최신 AI소식을 접하고 싶을 땐, 휘릭AI 블로그를 찾아주세요 :)
항상 최신 AI 소식으로 인사드릴게요!
휘릭AI 공식 홈페이지 : https://whirik.com
더 많은 최신 AI 정보는? : https://whirik.com/blog
휘릭 문의 메일 : [email protected]
원본 기사:
https://menlovc.com/perspective/beyond-bots-how-ai-agents-are-driving-the-next-wave-of-enterprise-automation/