대규모 행동 모델(LAM)은 무엇인가요?

저는 대규모 행동 모델(LAM)이 지난 10년간의 AI 발전만큼이나 큰 변화를 가져왔다고 생각합니다. LLM이 텍스트 생성을 자동화하고, 멀티모달 형태로 다양한 미디어를 자동화할 수 있게 한 것처럼 LAM은 곧 전체 프로세스를 자동화할 수 있게 될 것입니다. 또한 언어에 능통하기 때문에 사람과 소통하고, 상황 변화에 따라 적응하고, 다른 LAM과도 교류하는 등 세상과 지능적으로 상호 작용할 수 있습니다.

최근 몇 달 동안 대규모 언어 모델이 단순히 인간 사용자의 쿼리에 응답하는 것이 아니라 궁극적으로 목표를 위해 스스로 업무를 수행할 수 있는 소프트웨어 개체인 "에이전트"로 증강되는 강력한 새로운 트렌드가 등장하고 있습니다. 단순한 변화처럼 보일 수 있지만 이는 새로운 가능성의 세계를 열어줍니다. LLM의 언어적 유창함과 독립적으로 작업을 수행하고 의사 결정을 내릴 수 있는 능력을 결합함으로써 생성형 AI는 아무리 강력하더라고 수동적인 도구에서 실시간으로 업무를 처리하는 적극적인 파트너로 격상됩니다. Salesforce AI에서는 강력한 에이전트의 잠재력에 대해 한동안 활발한 연구와 개발이 이루어지고 있습니다.

간단히 말해, 대규모 행동 모델(LAM)은 사용자 쿼리를 기반으로 특정 작업을 수행할 수 있는 일종의 생성형 AI입니다. 이러한 모델은 데이터를 분석할 뿐만 아니라 그 결과에 따라 작업을 취하도록 설계되었습니다. 대규모 언어 모델(LLM)의 사촌이라고 생각하면 됩니다. LLM은 쿼리에 대한 응답으로 텍스트를 생성할 수 있고,LAM 은 쇼퍼의 반품 처리를 돕는 등의 작업을 수행할 수 있습니다.

저는 AI의 중요한 임무는 인간의 능력을 대체하는 것이 아니라 인간의 능력을 증강하는 자동화를 추구하는 것이라고 생각합니다. 이를 염두에 두고 LAM은 반복적인 업무나 대부분의 사람들이 애초에 하고 싶지 않은 일, 즉 자신이 가장 잘할 수 있는 의미 있고 가치 있는 일에 방해가 되는 바쁜 일을 줄이는 데 집중해야 합니다. 이제 개인과 조직의 두 가지 수준에서 LAM이 약속하는 놀라운 잠재력에 대해 논의해 보겠습니다. 이 과정에서 LAM이 오늘날 어떻게 적용될 수 있는지, 그리고 앞으로 우리의 업무와 삶에서 LAM의 역할이 어떻게 진화할지 상상해 보겠습니다.

개인 어시스턴트는 여러 세대에 걸쳐 부유층의 사치품이었지만 기술 산업은 수십 년 동안 대중을 위한 가상 대안을 제시해 왔습니다. 거의 모든 삶의 영역에서 놀라울 정도로 능숙하고 자연스럽게 일반화할 수 있는 능력을 갖춘 LAM은 우리가 기다려온 전환점, 즉 인간 동료와 비슷한 선견지명과 통찰력으로 우리를 진정으로 도울 수 있는 기술이 될 수 있습니다. 다음을 고려해 보세요.

최근 마케팅 워크플로우에 대한 LLM의 영향력에 대해 광고가 많이 이루어지고 있으며, 카피, 이미지, 심지어 웹 레이아웃까지 생성할 수 있는 기능이 이 분야의 획기적인 변화로 여겨지고 있습니다. 하지만 실제로는 새로운 캠페인을 구상하고 결과를 배포하는 등의 전체 프로세스에 LLM의 결과물을 통합하려면 많은 수작업이 필요하기 때문에 상황은 더 복잡해집니다. 현재 최고의 생성형 AI도 해당 프로세스의 일부만 확실하게 자동화할 수 있습니다.

하지만 마케팅을 위한 AI 에이전트는 LLM 인터페이스를 사용하여 데이터, 도구 및 도메인별 에이전트를 연결하여 높은 수준의 업무를 추구함으로써 마케팅 팀을 위한 결과를 제공하는 데 더 광범위하고 LAM과 유사한 접근 방식을 취할 것으로 예상합니다. 예를 들어, 다음과 같은 요청이 있다고 상상해 보세요.

"새로운 Chocho Chocolate의 가치를 강조하는 마케팅 이메일을 보내세요. 구매 선착순 100명에게 무료 배송 쿠폰을 증정합니다. 모든 수신자가 개인화된 메시지를 받도록 하세요."

LLM만으로는 이 목표를 달성하기 어려울 것입니다. 하지만 이전 마케팅 자료, 조직이 LAM과 공유하기로 선택한 고객 데이터, LLM 자체에 대한 액세스 등 다양한 도구, 에이전트 및 데이터 소스를 통해 최신 제품 개발("새로운 Choco Chocolate의 가치")을 강조하는 문서로부터 카피("마케팅 이메일 보내기")를 생성하고, 요청의 로직("선착순 100명에게 쿠폰 제공")을 세분화하고, 고객별 터치("각 수신자가 개인화된 메시지를 받도록 하기")를 손쉽게 처리할 수 있습니다.

하지만 개인 어시스턴트는 업무뿐 아니라 생활 전반에 걸쳐 도움을 주기 위한 것입니다. 그렇다면 자동차와 같이 중요하지만 개인적인 제품의 구매 결정에 어떻게 도움이 될 수 있을지 상상해 보겠습니다. 많은 사람에게 차량 구매 과정은 설렘보다는 번거로움이 더 클 수 있으며, 특히 조사 단계가 부담스러울 수 있습니다. 하지만 LAM을 통해서는 곧 다음과 같은 프롬프트만 필요할 수 있습니다.

안전 등급이 훌륭하고 공간이 넉넉하며, 될 수 있으면 어두운 색상의 세단을 찾고 있습니다. 2014년 이전에 제작된 세단이어야 하고 28,000달러를 넘지 않아야 합니다. 그리고 마일리지는 90,000 미만입니다.

인간과 LAM 모두 첫 번째 단계는 자동차 구매 사이트를 검색하여 초기 옵션 목록을 작성하는 것입니다. LLM의 강력한 텍스트 이해 기능을 통해 에이전트는 전문가 및 사용자 생성 소스로부터 방대한 양의 자동차 리뷰를 수집하여 사용자의 매개변수를 충족하는 후보를 빠르게 식별할 수 있습니다. 예를 들어, LAM은 적합한 자동차 모델의 특정 연도가 변속기 결함이나 전기 문제로 악명 높은 것을 발견하고 목록에서 삭제하거나 최소한 면책 조항을 주석으로 표시하는 등 위험 신호를 감지할 수 있습니다.

다음 단계로, LAM은 이메일이나 SMS와 같은 채널을 사용하여 개인 판매자 및 현지 딜러와 대화를 시작할 수도 있습니다. 좋은 LAM은 사람이 오해하지 않도록 인공 지능이라는 사실을 알릴 가능성이 높지만 각 메시지에서 인사말, 완전한 문장, 명확한 요청이나 진술이 포함된 명확하고 자연스러운 언어로 소통할 것입니다. 사용자의 은행에 알림이 전송되어 대출 초안이 작성되어야 함을 알릴 수도 있습니다. 대화가 의사 결정의 순간에 가까워지면 최종 승인을 위해 사용자를 루프인할 수 있습니다.

궁극적으로 Salesforce AI는 기술의 힘을 활용하여 모든 규모의 비즈니스 운영 방식을 개선하기 위해 노력하고 있으며, LAM은 향후 몇 년 안에 어떤 모습이 될지 보여주는 좋은 예입니다. 저는 이 비전이 백오피스부터 마케팅의 최전선에 이르기까지, 아직 상상조차 할 수 없는 애플리케이션을 포함하여 운영의 모든 측면에 적용될 것이라고 확신하지만 고객과의 상호 작용보다 더 좋은 예는 없을 것입니다.

예를 들어, 보험 기업에 근무하는 에이전트를 상상해 보세요. 에이전트의 하루 중 큰 비중을 차지하는 것은 기존 고객과 잠재 고객을 만나 고객의 요구 사항을 논의하고 관계를 발전시키는 것입니다. 이 프로세스의 핵심은 인간 에이전트만이 제공할 수 있는 인간적인 손길이지만, 반복적인 업무로 이루어져 있어 LAM을 사용하면 그 속도를 획기적으로 높일 수 있습니다. 생성형 AI를 통해 한 단계에서 다음 단계까지 보강된 다음 플로우에 대해 살펴보세요.

• 에이전트는 Zoom을 통해 고객과 만나 고객의 요구사항, 아이디어, 가능한 다음 단계에 대해 논의합니다.
• 통화 스트립트가 자동으로 녹음되고 다른 관련 CRM 정보와 함께 정리됩니다.
• 통화 후 LAM은 스크립트를 검토하여 가장 중요한 순간을 요약하고 나중에 쉽게 검토하도록 에이전트에게 결과를 보냅니다.
• 또한 LAM은 취할 만한 가치가 있는 다음 단계(예: 통화에서 언급된 추가 정보를 제공)를 파악합니다. 이러한 이해를 바탕으로 후속 이메일의 초안을 자동으로 작성한 다음, 회사의 문헌을 검색하여 첨부 파일로 포함할 수 있는 관련 문서를 찾습니다. 그러면 에이전트에게 다음 단계를 수행할 준비가 되었다는 알림이 전송되어 최종 확인 및 빠른 교정이 이루어질 수 있습니다.
• 마지막으로, LAM은 에이전시의 프로세스에 대한 이해를 바탕으로 이전 고객의 결정에 따른 상향 판매 기회이든, 대화를 진전시키기 위해 자동으로 제안된 의제로 후속 회의를 진행하는 등 에이전트의 생산성과 집중력을 유지하는 데 도움이 되는 추가 단계를 제안할 수 있습니다.
• 그 과정에서 LAM은 다른 이해관계자의 참여가 필요할 수 있다는 징후를 주시할 수 있습니다. 예를 들어, 불만이나 망설임의 징후를 보이는 고객은 "위험" 계정으로 간주되어 만족 유지에 중점을 둔 고객 서비스 전문가에게 연결될 수 있습니다.

이는 개인 역량 강화라는 매력적인 비전이라고 생각하지만 진정한 변화는 LAM의 확장성을 통해 이루어집니다. 전체 비즈니스가 이러한 정교한 도구로 직원을 보강하고 LAM 제안을 통해 실수를 방지하고 성공적인 전략을 추천하는 등의 방법으로 총체적으로 얼마나 많은 시간과 비용을 절약할 수 있는지 상상해 보세요. 이는 모든 규모의 배포에서 진정한 가치를 제공할 수 있는 기술입니다.

지금까지 개별 사용자에게 서비스를 제공하는 LAM에 대해 살펴봤지만, 이 기술은 훨씬 더 다양한 형태로 활용될 수도 있습니다. 그룹 또는 전체 조직에 서비스를 제공하는 LAM을 상상하는 것도 마찬가지로 쉽습니다. 모든 LAM이 유연성의 이점을 누릴 수 있겠지만 위에서 설명한 "경영 어시스턴트" 개념과 유사한 매우 일반적인 것부터 틈새 문제를 해결하는 고도로 맞춤화된 도메인별 에이전트까지 다양한 가능성을 기대합니다. 그리고 결국에는 조직의 문제를 해결하기 위해 점점 더 많은 전문 지식을 모으거나 개별 사용자의 요구 사항과 선호도에 맞춰 점점 더 개인화되는 등, 많은 LAM은 경험으로부터 학습하도록 설계될 것입니다.

그리고 LAM이 개별적으로 작동할 것이라고 누가 장담할 수 있나요? 각기 다른 목표에 최적화된 여러 LAM이 함께 작동하고, 다른 LAM은 개인, 팀 또는 전체 조직 등 사용자(들)과 의사 소통하고 노력을 조율하는 업무에 전담하는 것을 쉽게 상상할 수 있습니다. 즉, 한 명의 개인 어시스턴트가 전체 팀으로 업그레이드되는데, 모두 인간 담당자에게 보고하는 "최고 책임자"에 의해 통합되는 것입니다.

예를 들어. 위의 예에서 자동차 대리점 중 한 곳에서 배치한 에이전트가 잠재 고객을 대표하는 개인 LAM의 인바운드 요청을 전문적으로 처리하거나 자동차 제조업체를 대표하는 LAM과 반복적으로 소통하는 등 다른 LAM 또는 LAM 팀과 상호 작용하기 위한 목적으로만 만들어진 LAM을 고려하면 그 가능성은 더욱 흥미로워집니다. 특히 사후에 동작을 평가할 때 모든 LAM을 가치 있게 만드는 투명성과 일반적인 애플리케이션을 유지하면서도 기계 간 통신이 가능하게 하는 훨씬 빠른 속도와 효율성으로 작동합니다.

LAM의 모든 기능을 현실화하기 위해서는 많은 기술적 장애물이 있지만 핵심 과제는 간단히 말하자면 세상은 정적인 곳이 아니며, 상호 작용을 해야 하는 에이전트는 변화하는 상황에 유연하게 적응할 수 있어야 한다는 것입니다. 자동차 구매 예시의 경우, 이는 사용자가 제안을 하기 전에 원하는 자동차가 판매된 시점을 파악하고 리드를 계속 주시하거나 리서치 프로세스 중간에 리콜이 발령될 경우 제안을 업데이트하는 것을 의미합니다. 보험 대리점 사례의 경우, 업계 규정의 변화부터 기상이변에 이르기까지 유용하고 최신의 정보를 제공하기 위해서는 시사 이슈, 특히 고객과 밀접한 관련이 있는 이슈에 대한 인식이 필수적입니다.

어떤 경우든 훌륭한 LAM은 인간 사용자에게 언제 알림을 보내거나 설명을 요청해야 하는지에 대한 이해를 바탕으로 스스로를 정의합니다. 너무 자주 하면 귀찮고 방해가 될 뿐만 아니라 애초에 LAM의 이점을 상쇄할 수도 있습니다. 하지만 너무 드물지만 중요한 이메일을 삭제하는 것부터 사용자의 은행에 원치 않는 대출을 요청하는 것까지, 잠재적으로 심각하고 원치 않는 부작용이 발생할 수 있습니다. 훌륭한 개인 어시스턴트처럼 LAM도 올바른 균형을 잡기 위해서는 훌륭한 본능이 필요합니다.

또한 LAM의 가장 강력한 기능 중 하나인 학습 기능을 활용한다는 의미이기도 합니다. LAM이 우리와 함께 일하는 실제 환경에 점점 더 많이 노출됨에 따라, 사람의 피드백을 통해 행동을 더욱 개선할 수 있습니다. 또한 LAM은 고객 서비스 기록에서 이벤트 로그에 이르는 다양한 데이터를 면밀히 분석하여 주어진 시작점과 가장 바람직한 결과를 연결하는 이상적인 단계를 조합함으로써 흐름과 프로세스에 대한 가치 있는 해석을 추출할 수 있습니다.

명확히 말하자면, LAM의 업무는 단순히 요청을 일련의 단계로 전환하는 것이 아니라 이를 연결하고 둘러싼 논리를 이해하는 것입니다. 즉, 한 단계가 다른 단계의 앞이나 뒤에 수행되어야 하는 이유를 이해하고 상황 변화에 따라 계획을 변경해야 하는 시기를 파악해야 합니다. 이는 일상 생활에서 항상 발휘되는 역량입니다. 예를 들어, 오믈렛을 만들 달걀이 부족할 때 가장 먼저 해야 할 일은 요리하는 것이 아니라 가까운 식료품점으로 향하는 것임을 알고 있습니다. 이제 동일한 기능을 수행할 수 있는 기술을 구축할 때입니다.

위의 많은 예에서 요구되는 유창함과 커뮤니케이션 능력을 LAM이 놀라울 정도로 잘 갖추게 될 것이라는 데는 의심의 여지가 없습니다. 하지만 실제 환경에서 정기적으로 사용하는 데 필요한 일관성을 가지고 예측 가능하고 효과적인 방식으로 작동한다고 신뢰할 수 있는 것은 아직 확실하지 않습니다.

물론 텍스트와 이미지를 생성하는 데 있어 신뢰가 이미 어려운 문제라면(실제로도 그렇습니다) 작업을 취하는 데 있어서는 더욱 큰 문제입니다. 또한 여러 LAM이 함께 작동할 때 안전성과 신뢰성을 보장해야 하는 부담은 더욱 커집니다. 이러한 이유로 저는 LAM이 가장 독립적일 때에도 중요한 조치가 취해지기 전에 인간에게 정보를 제공하도록 설계하는 것이 필수적이라고 생각합니다. 이 기술이 아무리 발전하더라도 저는 이 기술이 비정상적으로 지능적인 도구이기는 하지만 인간이 언제나 자유롭게 제어할 수 있는 도구가 될 것이라고 상상합니다.

지난 10년간의 AI 개발은 역사에 남을 만한 발전이었지만 연구계의 많은 사람이 이제 막 큰 변화가 가시화되고 있다고 느끼는 것은 LAM의 잠재력을 증명할 때였습니다. 올바른 지침과 인간 역량 강화에 대한 헌신으로 LAM은 생산성, 편의성, 명확성의 새로운 시대를 열어 가장 매력적이라고 생각하는 업무는 더 잘하고 그렇지 않은 업무는 여유를 주게 해줄 수 있다고 믿습니다. 그리고 엔터프라이즈 업계에서 수십 년의 역사를 가진 Salesforce보다 이러한 비전을 추구하기에 더 좋은 곳은 없다고 생각합니다.

이 문서를 작성하는 데 기여해 주신 Alex Michael, Peter Schwartz 및 Salesforce Futures 팀에게 특별히 감사드립니다.