View this page in English (US).Continue

새 도구를 구축하기 전에: CX 스택에 맞는 AI 수준을 선택하는 방법

엔터프라이즈에서 진정한 AI 성숙도를 가늠하는 척도는 고급 모델을 얼마나 많이 배포했는지, 에이전트를 얼마나 많이 구축했는지가 아닙니다. 팀이 업무에 맞는 적절한 역량을 일관되게 선택하고, 품질과 효율성, 수익을 향상시킬 수 있는지가 핵심입니다.

대부분의 엔터프라이즈 기술 의사결정처럼, 올바른 선택을 위해서는 비즈니스 요구를 먼저 파악한 후 역량을 그에 맞춰야 합니다. 그러나 AI를 둘러싼 열풍이 이 논리를 완전히 뒤집어 놓았습니다.

무엇을 해결해야 하는지조차 정의되지 않은 채 “AI가 필요하다” 또는 “에이전트가 필요하다”는 말로 대화가 시작되는 경우를 자주 목격했습니다. AI를 이야기하는 방식 자체가 이런 경향을 더욱 강화합니다. AI는 이제 각기 다른 작업에 맞는 다양한 역량의 집합이 아닌, 어떤 프로세스에도 적용할 수 있는 단일 역량처럼 취급되는 만능 용어가 되었습니다.

이러한 구분이 흐려지면 작업에 필요한 수준을 초과하기 쉬워지고, 성과 개선 없이 비용과 복잡성만 늘어납니다.

대부분의 엔터프라이즈는 최신 AI 도구를 도입하고 사용률을 높이면 성과가 따를 것이라는 기대로 이미 이 과정을 거쳤습니다. 그러나 Adobe의 State of AI Readiness 보고서에 따르면, 조직의 58%가 AI 프로젝트의 파일럿 또는 배포 단계에 여전히 머물러 있습니다.

해결책은 처음부터 다시 시작하거나 AI 사용을 줄이는 것이 아닙니다. AI를 어디서, 언제, 어떻게 활용할지 더 나은 결정을 내리는 것이 중요합니다. 이 결정들을 네 가지 고려 영역으로 나누면 더욱 쉽게 접근할 수 있습니다.

적합한 AI를 찾기 위한 프레임워크

4단계 의사결정 프레임워크는 기존 기술로 충분한 경우, 자동화로 해결 가능한 경우, 생성형 AI가 가치를 더하는 경우, 에이전틱 AI가 추가적인 이점을 가져오는 경우를 명확히 구분하는 데 도움을 드립니다.

기존 기술에서 에이전틱 AI까지의 4단계 발전 과정으로, 왼쪽에서 오른쪽으로 갈수록 자율성과 복잡성이 높아집니다.

이미 보유한 기술을 최대한 활용하는 것에서 출발하여, AI 투자 가치가 있는 새로운 역량으로 나아갑니다. 이를 통해 AI를 위한 AI 도입이 아닌, 비즈니스 가치를 기반으로 AI 의사결정을 내릴 수 있습니다.

1. 보유한 역량부터 시작하기

새로운 AI 도구를 추가하기 전에, 이미 도입된 기술이 효과적으로 역할을 수행할 수 있는지 먼저 확인하세요.

마케터가 다양한 오디언스나 시장을 위해 50가지 캠페인 베리에이션을 제작해야 한다면, 생성형 AI 도구는 제작에 필요한 시간과 노력을 크게 줄여줍니다. 하지만 동일한 마케터가 특정 캠페인이나 지역을 위해 이미 존재하는 승인된 에셋을 찾아야 한다면, 기존 검색 및 메타데이터 기능이 더 나은 선택이 될 수 있습니다.

따라서 첫 번째 단계는 기존 스택이 무엇을 할 수 있는지 파악하는 것입니다. 많은 엔터프라이즈 플랫폼이 이미 라이선스된 제품에 AI를 직접 탑재하기 시작했기 때문에, 추가하려는 기능이 이미 포함되어 있을 수 있지만 팀에서 아직 충분히 활용하거나 파악하지 못했을 수도 있습니다.

새로운 도구에 비용을 지불하기 전에, 이미 라이선스한 도구에 추가되고 있는 최신 AI 기능을 먼저 검토하세요.

적합한 곳에 기존 역량을 활용하면 중복 지출을 방지하고 불필요한 통합, 거버넌스, 유지보수 작업을 줄일 수 있습니다. 이를 바탕으로, 다른 접근 방식이 속도, 규모, 품질 또는 성과를 충분히 개선하여 기존 방식을 넘어설 만한 가치가 있는지 판단해야 합니다.

2. 예측 가능한 것은 자동화하고 가치 있는 곳에 AI 활용하기

기존 역량이 충분하지 않다는 것을 확인했다면, 다음으로 해당 작업에 생성이나 추론이 실제로 필요한지 점검해야 합니다. 입력과 출력이 명확하고 동일한 작업이 반복적으로 실행된다면, 규칙 기반 자동화나 API로도 충분할 수 있습니다.

예를 들어 팀에서 지난 화요일 이메일을 클릭한 사람 수를 파악해야 한다면, 해당 수치는 이미 데이터 세트에 존재하며 표준 연결이나 API로 직접 가져올 수 있습니다. 추론이 필요하지 않으므로, 굳이 생성형 모델이나 에이전트를 통해 처리할 이유가 없습니다.

직접 연결로 더 안정적으로 처리할 수 있다면, AI는 비용과 가변성만 더할 뿐입니다. 하지만 작업이 단순한 정보 조회를 넘어 의미를 파악하는 단계로 접어들면 상황이 달라집니다.

생성형 AI는 바로 이런 작업에 적합합니다. 클릭 수를 넘어 수천 건의 고객 응답에서 어떤 테마가 나타났는지 파악해야 한다면, 생성형 AI 도구는 해당 정보를 대규모로 종합하고 해석할 수 있습니다. 이러한 패턴을 수동으로 파악하려면 상당한 노력이 필요합니다.

목표는 AI가 프로세스나 성과를 실질적으로 개선할 수 있는 워크플로 단계에 집중적으로 활용하는 것입니다. AI가 가치를 더하는 영역을 더 명확하게 정의할수록, 워크플로의 다른 영역에서 불필요한 복잡성을 피하기도 한층 수월해집니다.

3. 기존 스택을 우회하는 대신 AI를 연결하기

생성형 AI가 특정 작업에 실질적인 가치를 제공한다고 판단했다면, 이제 과제는 'AI를 사용할지 여부'에서 'AI 역량을 어디에 적용할지'로 전환됩니다. 이 단계에서 흔히 빠지는 함정은 AI가 모든 것을 스스로 처리해야 한다고 가정하거나, 기존 엔터프라이즈 시스템을 AI에 맞춰 전면 재구축해야 한다고 생각하는 것입니다.

프롬프트와 AI가 생성한 사용자 정의 코드를 통해 AI 기능을 계속 확장하다가, 결국 이미 보유하고 있던 기능을 처음부터 다시 만들어버리는 패턴을 자주 목격해 왔습니다. 프레젠테이션 소프트웨어부터 프로젝트 관리 도구까지, 다양한 분야에서 반복적으로 나타나는 현상입니다.

AI는 새로운 것을 구축하는 일을 쉬워 보이게 만드는 경향이 있습니다. 하지만 엔터프라이즈 규모에서 AI 경험이 제대로 작동하려면 다음 요소들도 반드시 고려해야 합니다:

  • 권한 및 액세스 제어
  • 시스템 통합 및 데이터 연결
  • 이력 기록 및 비즈니스 맥락
  • 엔터프라이즈 규모에서의 신뢰성

당장은 빠른 성과처럼 보여도 결국 훨씬 큰 엔지니어링 부담으로 이어질 수 있습니다. 이런 부담을 떠안는 대신, AI 역량을 이미 핵심 작업을 처리하는 기존 시스템과 연결하는 것이 훨씬 효과적인 접근 방식입니다.

MCP(Model Context Protocol)와 같은 표준은 AI 도구와 모델이 기존 엔터프라이즈 시스템 및 거버넌스가 적용된 데이터와 함께 작동할 수 있게 해줍니다. 덕분에 기존 시스템의 신뢰성을 그대로 유지하면서 원하는 모델과 인터페이스를 자유롭게 선택할 수 있습니다.

결국 팀원이 자연어로 프로젝트를 생성, 업데이트하거나 쿼리하고자 한다면, 핵심은 AI 인터페이스가 기존 기록, 권한, 프로세스가 이미 존재하는 프로젝트 관리 시스템을 호출하도록 하는 것입니다. 시스템을 처음부터 재구축하거나 유지 관리할 필요 없이, 기존 시스템과 상호 작용하는 새로운 방법을 갖게 됩니다.

4. 일상적인 자동화가 아닌 다단계 오케스트레이션에 에이전틱 AI 활용하기

AI를 엔터프라이즈 시스템에 연결했다고 해서 워크플로가 자동으로 에이전틱해지는 것은 아닙니다. 에이전트는 여러 작업과 시스템에 걸쳐 작동하는 경우가 많기 때문에, 여러 시스템을 아우르는 모든 워크플로를 에이전틱 워크플로로 간주하기 쉽습니다.

핵심은 사람이 계속해서 워크플로를 주도하는지, 아니면 더 넓은 목표를 달성하기 위해 에이전트가 다음 단계를 스스로 결정할 자율성을 갖는지에 달려 있습니다.

에이전트를 활용하면 단 하나의 지시만으로 여러 작업과 시스템에 걸친 일련의 프로세스가 시작될 수 있으며, 이는 단순한 단일 응답을 생성하는 것과는 차원이 다릅니다. 이러한 다단계 오케스트레이션은 경로가 고정되지 않은 상황에서 에이전트가 변화하는 입력을 분석하고, 여러 시스템에서 작업을 조율하며, 다음 단계를 스스로 결정해야 할 때 진가를 발휘합니다.

단계가 명확하고 반복 가능하다면 자동화로 충분할 수 있습니다. 에이전트는 여러 시스템에 걸쳐 있으며 입력에 따라 달라지는 작업에 활용하세요.

워크플로를 에이전트에 위임하면 데이터 신뢰성, 권한 및 컨트롤, 사람의 감독, 비용 효율성에 대한 요구 수준도 높아집니다. 추가적인 자율성은 복잡성과 리스크를 정당화할 만한 충분한 가치를 창출해야 합니다.

앞서 소개한 고객 응답 예시를 생각해 보세요. 수천 건의 응답을 반복적인 주제로 정리하는 데는 생성형 AI로 충분합니다. 하지만 더 심화된 작업이 필요한 경우, 즉 파악된 주제를 CRM 프로필, 분석 데이터, 서비스 인터랙션과 교차 검토하고, 영향을 받는 고객 세그먼트를 분리한 뒤 각 다운스트림 시스템에서 적절한 대응을 추천하거나 트리거해야 하는 상황이라면, 에이전틱 솔루션이 유용한 보완 수단이 될 수 있습니다.

Adobe CX Enterprise Coworker와 같은 에이전틱 솔루션은 바로 이런 다단계 작업을 지원하기 위해 설계되었습니다. 각 단계를 개별적으로 처리하는 것이 아니라 고객 경험과 데이터 시스템 전반에 걸쳐 작업을 조율합니다.

AI를 최대한 활용하기 위한 의사결정 원칙 수립하기

AI의 가치 있는 활용에 대한 판단은 실무에 가장 가까운 사람들을 참여시킬 때 가장 효과적입니다. 품질의 기준이 무엇인지, 어떤 시스템이 적합한 맥락을 갖추고 있는지, 더 많은 자동화나 자율성이 어디서 성과를 개선할 수 있는지를 가장 잘 아는 것은 바로 현장의 사람들이기 때문입니다.

이러한 전문 지식을 기반으로 하면 AI 관련 의사결정은 다른 기술 도입 결정과 크게 다르지 않습니다. 엔터프라이즈는 항상 무엇을 표준화하고, 무엇을 통합하며, 새로운 기술에 투자할 가치가 있는지 결정해 왔습니다. AI는 선택의 폭을 넓히지만, 의사결정에 필요한 원칙 자체는 달라지지 않습니다.

엔터프라이즈가 AI 기반 도구와 에이전트를 더 많이 도입할수록, 그 역량들이 더 넓은 스택 전반에서 함께 작동하도록 만드는 것이 다음 과제가 됩니다. 다음 블로그에서는 상호운용성이 모델, 에이전트, 엔터프라이즈 시스템을 더욱 통합된 AI 생태계로 연결하는 방법을 살펴봅니다.

추천 리소스

Adobe를 통해 얻을 수 있는 이점을 확인해 보세요.

시작하기