CTO & CIO를 위한 AI 에이전트 도입 로드맵

기업 CIO의 84%가 AI가 인터넷만큼이나 비즈니스에 중요한 역할을 할 것이라고 생각하는 만큼, 앞으로 전략적인 AI 구현은 비즈니스 경쟁에서 필수적인 요소가 될 것입니다. 하지만 많은 조직이 어디서부터 시작해야 할지, AI 에이전트를 어떻게 확장할지, AI의 성공을 어떻게 측정할지 잘 모릅니다.

세일즈포스는 CIO와 IT 리더에게 체계적인 로드맵을 제공하기 위해 AI 에이전트 성숙도 모델을 개발했습니다. 이 모델은 4가지 핵심 성장 단계와 구체적인 실행 방안을 제시합니다.

세일즈포스의 엔터프라이즈 IT 전략 담당 수석 부사장 Shibani Ahuja는 “AI 에이전트를 빠르게 배포할 수는 있지만, 비즈니스 전반에 걸쳐 효과적으로 확장하려면 신중한 단계적 접근 방식이 필요하다."라고 말했습니다. “AI 에이전트 기능의 진행 상황을 이해하는 것은 장기적인 성공을 위해 매우 중요합니다. 이 프레임워크는 조직이 더 높은 수준의 AI 성숙도를 향해 나아가는 데 도움이 되는 명확한 로드맵을 제공합니다.”

이 구조화된 접근 방식은 이미 AI 기반 자동화에 투자하는 여러 기업들을 지원하고 있습니다:

• Wiley: Wiley의 프로세스 개선 담당 이사인 Kevin Quigley는 “요즘처럼 복잡하고 빠르게 진화하는 AI 환경에서는 비전 있는 리더십이 필수적입니다.”라고 말했습니다. 그는 Wiley가 앞으로 더 많은 AI 에이전트를 포함해 AI 역량을 개발할 예정이니, 이러한 전략적 프레임워크를 갖추면 오늘날 Wiley가 만드는 토대가 미래의 성공으로 이어질 수 있다고 말했습니다.
• Alpine Intel: “우리는 보험 청구를 대량으로 처리하는 회사라서, 1분 1초가 정말 중요합니다.” 보험 솔루션 업체 Alpine Intel의 아키텍처 디렉터 Kelly Bentubo는 이렇게 전했습니다. “세일즈포스의 프레임워크는 혼란스러울 수 있는 상황에 질서를 잡아주고, 언제 어떻게 AI 에이전트 역량을 확장할지 명확한 로드맵을 줍니다. 현재 우리 위치를 파악하는 데 도움을 줄 뿐만 아니라, 요약 자동화나 인수한 회사 간 멀티 조직 적용 같은 새로운 아이디어까지 떠오르게 합니다. 신기술 분야에서 이런 명확성은 흔치 않죠. 덕분에 비전을 실질적 성과로 바꿀 수 있게 됐습니다.”

정의: 추론이나 학습 기능 없이 미리 정의된 규칙을 기반으로 반복적인 작업을 자동화합니다. 이 0단계 수준에서 AI 챗봇과 코파일럿은 주로 정보 검색(예시: FAQ에 대한 답변 또는 기본 고객문의 처리)에 중점을 둡니다. 작업을 자동화하는 데 도움을 주지만 작업을 추천하거나 추가 단계를 수행하지는 않습니다.AI 에이전트로의 전환은 단순히 정보를 찾아주는 수준을 넘어 스스로 판단하고 추천하거나 행동을 취하는 단계에서 시작됩니다. 이런 모습은 에이전트 성숙도가 높은 단계에서 잘 나타납니다.

예시: 비밀번호 재설정이나 FAQ 답변처럼 기본적인 고객문의만 처리하고, 단순한 의사결정 트리만 따라가며 새로운 정보에는 적응하지 못하는 챗봇

에이전트 레벨 0에서 레벨 1로 발전하는 방법

• 제한된 챗봇·코파일럿 사례 발굴: 단순한 의사결정 트리 때문에 한계가 있는 챗봇이나 코파일럿 사용 사례를 찾아보고, 추론 기능을 도입해 개선할 기회를 모색합니다.
• 시간 분석 진행: 에이전트가 작업 자동화나 행동 추천을 통해 얼마나 용량(capacity)을 절약하는지 측정합니다.
• 리스크 허용 범위에 맞는 사례 선택: 조직의 위험 감수 성향에 맞는 적용 사례를 고르고, 직원용 vs. 고객용 에이전트처럼 완화 전략도 마련합니다.
• 데이터 품질·가용성 확보: 우선 하나로 통합된 데이터 소스(예: CRM)를 사용하고, 성숙도가 높아지면 데이터 전략을 확장할 계획을 세웁니다.
• 시간 절약 외에도 가치와 개인화 주목: 단순히 효율성만 보지 말고, 고객 맞춤형 경험과 비즈니스 가치를 함께 고려합니다.
• 효율성 지표 수치화: 응답 시간 단축, 자동화로 인한 비용 절감 같은 초기 성과 지표를 수치로 보여줍니다.

정의: 정보를 검색하고 조치를 추천하여 인간을 보조하는 에이전트입니다.

예시: AI 에이전트가 지식 베이스에서 데이터를 가져와서 관련 문제 해결 문서를 추천하거나 문제를 이관하는 등 고객 지원 티켓의 다음 단계를 제안합니다.

에이전트 레벨 1에서 레벨 2로 발전하는 방법

• 추천에서 실행으로 전환: 에이전트가 단순히 추천만 하지 않고, 스스로 작업을 수행하게 해 수작업 실수를 줄이고 처리 속도를 높입니다.
• 추가 데이터 정합성 확보: 새로운 데이터 소스를 통합할 때 데이터 정제, 변환, 전처리를 통해 일관성을 유지합니다.
• 거버넌스 체계 구축: 테스트 방법, 성과 지표, 지속적 모니터링이 포함된 관리 프레임워크를 마련합니다.
• 사용자 피드백 반영 계획: 유저 피드백을 어떻게 수집하고 개선에 반영할지 고민합니다.
• 브랜드 일관성 확보: 고객 대상 에이전트라면 브랜드 이미지와 톤앤매너를 유지합니다.
• ROI 측정: 시간 절약, 고객문의 건수 감소(case deflection), 고객 만족도 등 효율성과 효과성 지표로 성과를 평가합니다.

정의: 사일로화된 데이터 환경에서 복잡도가 낮은 작업을 자율적으로 조율하는 에이전트입니다.

예시: 내부 캘린더 및 이메일 시스템의 데이터를 사용하여 미팅을 예약하고 후속 이메일을 자동화하는 AI 에이전트

에이전트 레벨 2에서 레벨 3으로 발전하는 방법

• 단일 vs. 다중 에이전트 결정: 다기능 메가 에이전트로 갈지, 각자 역할을 가진 여러 에이전트로 협력할지 결정하세요. 지연 시간(latency) 영향도 고려해야 합니다.
• 인간 수준의 접근 권한 부여: 인간 직원과 유사한 접근 권한을 부여하여 역할 분리를 명확히 하고 최소 특권 원칙을 적용합니다.
• 확장 가능한 아키텍처 설계: 나중에 계속 재설계하지 않도록 표준과 프로토콜을 포함해 미래의 복잡성에 대비합니다.
• API 커넥터 활용: 에이전트의 기능을 단일 도메인을 넘어 확장하려면 즉시 사용할 수 있는 API 커넥터를 활용하세요.

정의: 여러 도메인에 걸쳐 조화된 데이터로 여러 워크플로를 자율적으로 조율하는 에이전트입니다.

예시: CRM, 고객 서비스 지원 및 재무 보고서에서 데이터를 가져와 전체적인 고객 뷰를 생성하는 동시에 영업 파이프라인을 관리하는 등 복잡한 부서 간 워크플로를 처리하는 에이전트입니다.

에이전트 레벨 3에서 레벨 4로 발전하는 방법

• 실시간, 크로스도메인 협업: 여러 에이전트가 실시간으로 협력하며 복잡한 워크플로를 최적화합니다.
• 범용 에이전트 커뮤니케이션 계층 마련: API나 ‘에이전트 버스(agent bus)’ 같은 커뮤니케이션 계층을 구축합니다.
• 동적 에이전트 관리: 등록, 해제, 중복 제거 등 자동화된 관리 시스템을 구현합니다.
• 스케일러블 아키텍처 설계: 모든 에이전트 간 상호작용 지원 가능하도록 설계합니다.
• 세분화된 접근·보안 관리: 감사, 오류 처리, 투명성을 포함한 강력한 거버넌스 체계를 마련하세요.
• 인간/AI 다층 감독 체계: 리스크 프레임워크 기반으로 계층화된 인간/AI 감독 체계를 설계하세요.
• 지속 가능한 에이전트 라이프사이클 관리: 에이전트의 생성부터 폐기까지 관리하는 체계를 마련합니다.
• ROI 측정: 효율성, 효과성, 사용자 경험, 리스크 완화 측면에서 에이전트의 성과 평가하세요.

정의: AI 에이전트 감독을 통해 서로 다른 스택에서 모든 에이전트 간 운영이 가능합니다.

예시: 서로 다른 시스템의 여러 에이전트가 협업하여 주문을 자율적으로 처리하고, 재고를 관리하며, 다양한 부서에 실시간으로 고객 피드백을 전달합니다.

에이전트의 가치를 극대화하는 방법

• 보안·거버넌스 진화: 에이전트 생태계 전체에서 협업이 가능하도록 보안과 관리 체계를 업그레이드하세요.
• 새로운 비즈니스 모델 탐색: AI 에이전트 협업으로 열리는 신사업 모델을 발굴합니다.
• 다중 에이전트 가치 측정 지표 개발: 에이전트의 시스템 성과를 수치화할 지표를 마련합니다.
• 피드백 메커니즘 마련: 에이전트 간 상호작용 개선을 위한 피드백 루프를 구축합니다.
• ROI 측정: 매출 성장, 비용 절감, 고객 유지율 등 전사적 비즈니스 영향으로 AI 에이전트의 성과를 평가하세요.

세일즈포스 엔터프라이즈 IT 전략 담당 수석 부사장 Ahuja는 “조직은 기술을 넘어 조직에 미치는 광범위한 영향을 고려해야 합니다. 여기에는 데이터 준비성, 보안, 인간과 에이전트의 협업 인력에 대한 필요성 등이 포함됩니다."라고 말했습니다.

AI 에이전트는 단순한 기술적 구현에서 그치지 않습니다. 전략, 데이터, 보안, 인력 준비 등 탄탄한 기반이 필요합니다. 기업은 AI 이니셔티브를 비즈니스 목표에 맞추고, 고품질의 통합데이터 소스를 확보해야 합니다. 또한 에이전트의 자율성이 증가함에 따라 거버넌스 프레임워크를 구축하고, 원활한 인간과 에이전트의 협업을 촉진하기 위해 팀의 숙련도 향상에 투자해야 하죠. 이러한 요소를 해결하면 기업의 AI 도입을 가속화하고 지속 가능한 AI 성숙도를 높일 수 있을 것입니다.