량웨이췌싱크탱크(量子位智库)
공식계정 AI123All
지난 1년간 '전면적으로 AI를 수용하자'고 외치지 않은 기업은 거의 없었다.
Chatbot도 도입했고, Agent도 사용했으며, 내부 보고서에는 '효율 XX% 향상'이라는 숫자가 점점 더 좋아 보였다.
하지만 비즈니스 담당자에게 단순한 질문 하나를 던져보라——품절이 줄었는가? 납기는 빨라졌는가? 고객 만족도가 올랐는가? 답은 대체로 그렇게 확실하지 않다.
사실 대부분의 기업의 지능화 전환은 집단적으로 '허위 번영'이라는 벽에 부딪히고 있다. 우리는 AI를 개인의 생산성 향상 도구로 여기는 데 익숙했지만, 한 가지 냉정한 진실을 간과하고 있다:
개인 작업의 고효율은 기업 경영 가치의 실현과 동일하지 않다는 것이다.
AI가 진정으로데이터, 판단, 행동과 시스템 제어의 전체 체인 폐루프를 관통하지 못한다면, 기업의 지능화는 영원히 규모화 적용의 마지막 1km에서 막히게 된다.
엔터프라이즈급 AI의 후반전은 대체 어떻게 돌파해야 하는가? Agent는 또 어떻게 진정으로 비즈니스의 모세혈관에 깊이 침투하여 미래를 향한 시스템적 재구축을 완성할 수 있는가?
최근 량웨이췌싱크탱크(量子位智库)가 보고서《Agent가 주도하는 기업 지능화: 단일 지점 효율 향상에서 규모화 리셰이핑까지》를 정식 발표했다. 이 보고서에서 우리는 대규모 모델 도입의 안개를 걷어내고 기업 지능화 기획의 새로운 해법을 찾고자 했다.
AI는 도입됐는데, 어디서 막히고 있는가?
기업 AI 도입 과정에서 쉽게 막히는 지점은 하나의 시나리오로 연결해서 볼 수 있다:매장 품절 리스크 처리。
동일한 경영 분석 어시스턴트에 대해 기술팀은 보고서가 생성되면 완료라고 생각하고, 실무자는 원인이 파악되어야 보고가 완료된다고 여기며, 관리자는 품절이 실제로 줄었는지를 신경 쓴다——세 쪽의 완료 기준이 애초에 맞지 않는 것이다.
데이터 차원에서도 비슷한 어긋남이 있다. 장부상에는 재고가 표시되지만, 이미 할당된 것과 동결된 것을 제하고 나면 실제로 조달 가능한 수량은 시스템의 그 숫자와 상당히 차이가 난다. AI가 장부 숫자를 가지고 판단을 내린다면 출발점부터 어긋난 것이다.
데이터가 정확해지고 분석이 옳아지더라도, 제안에서 실행 사이에는 여전히 수기 양식 작성, 결재 제출, 배송 추적이라는 전체 체인이 가로놓여 있다. 제안이 시스템에 들어갔다고 해서 일이 끝난 것은 아니며, 완료 상태를 AI에 다시 전달할 수 있는지가 과업 폐루프가 진정으로 닫힐 수 있는지를 결정한다.
더 말할 것도 없이 모든 단계의 조작 뒤에는누가 발의할 권한이 있고, 누가 결재하며, 문제가 생겼을 때 누가 인수하는가라는 책임과 권한의 문제가 얽혀 있다.
이러한 단절점은 총 여섯 가지로归纳된다:과업 정의, 데이터 신뢰성, 판단의 검증 가능성, 행동의 실행, 권한과 책임 구분, 그리고 가치 측정과 복제。
각각을 개별적으로 보면 치명적이지 않지만, 이것들이 연결되면 많은 기업의 AI 프로젝트가 '부분적으로는 쓸 수 있지만 전체적으로는 확산되지 않는' 상태에 머문 이유를 설명해준다.
이렇게 완료되지 못한 작업은 결국 다시 사람의 손으로 돌아가, 긴 재작업과 대기와 만회로 이어진다.
그렇다면 기업은 대체 어떻게 이러한 사각지대를 체계적으로 제거해야 하는가?
비즈니스 결과를 중심으로 한 전체 체인 프레임워크
부분적인 소소한 수정으로는 근본 문제를 해결할 수 없다면, 기업은 어떻게 실효성 있는 지능화 해법을 재구축해야 할까?
양자위(量子位) 싱크탱크는 보고서에서, 성숙한 엔터프라이즈급 Agent는 결코 고립된 Q&A 도구가 아니며 반드시 다음을 갖추어야 한다고 제시했다.태스크, 컨텍스트, 판단, 실행, 통제와 측정을 관통하는 '전체 체인 역량(全链路能力)'。
그중에서도 모든 지능형 의사결정의 출발점은 데이터 사일로를 깨뜨리고진정으로 신뢰할 수 있는 컨텍스트 환경을 구축하는 데 있다.。
많은 경우, AI가 업무 분석에서 '똑똑하지 못하게' 느껴지는 근본적인 원인은 기저 데이터와 업무 의미 체계의 단절에 있다. 즉, 필드 정의가 혼란스럽고 버전별 기준이 서로 달라 AI가 자연스럽게 신뢰할 만한 결론을 내릴 수 없는 것이다.
Agent가 진정으로 업무를 이해하는 '참모'가 되려면, 먼저 데이터가 단순히 '조회할 수 있는' 수준에서 전체 체인에서 '신뢰할 수 있는' 수준으로 진화하도록 해야 한다.
이와 관련해 일부 선진적인 기술 실천 사례가 업계에 좋은 본보기를 제공하고 있다. 예를 들어 넷이즈지치(网易智企) 산하의 데이터 인텔리전스 브랜드수판(数帆)은 개발과 거버넌스를 아우르는 통합 플랫폼인EasyData를 통해 데이터 개발, 품질, 보안과 업무 거버넌스를 깊이 융합하여, Agent에 고품질이며 추적 가능한 자산 의미 체계를 안정적으로 공급하고 있다.
이를 바탕으로 넷이즈지치·즈수 DataAgent(知数DataAgent)를 활용하면 기업은 분산된 지표, 지식 베이스와 자연어 질의를 매끄럽게 연결하여 AI가 진정으로 업무 언어를 이해하도록 할 수 있다.
실제 현장 적용에서 이러한 전체 체인의 관통은 업무 잠재력을 발휘하고 있다.쓰화즈쿵(三花智控)을 예로 들면, 수판이 기저에서 데이터와 의미 체계 기준을 통일해 줌으로써 AI가 예실(預實) 데이터를 자동으로 가져와 편차를 식별할 수 있게 되었고, 기존에2-3시간이 걸리던 예산 분석을10분까지 대폭 단축하여 재무 팀은 과중한 보고서 처리 업무에서 심층적인 업무 판단으로 전환할 수 있었다.
그런데 지능화가 분석·의사결정에서 한층 깊은소프트웨어 엔지니어링과 애플리케이션 전달영역으로 나아가면서 새로운 과제가 등장했다. Coding Agent가 애플리케이션을 개발할 때 요구사항이 변질되는 문제와 프런트엔드·백엔드 연동에 시간이 많이 걸리는 문제를 어떻게 피할 것인가?
주목할 만한 변화 하나는, 기업들이 AI 개발을 '자유로운 생성'에서 더 통제 가능한 엔지니어링 프로세스로 되돌리려 시도하고 있다는 점이다.
예를 들어네트이즈즈치기업(NetEase智企)·CodeWave 의 SDD(사양 기반 개발, Spec-Driven Development)는 핵심 발상이 AI에게 곧바로 '작성을 시작'하게 하는 것이 아니라, 전달을 요구사항, 아키텍처, 개발, 테스트, 배포, 납품의 다단계로 나누어 단계별로 전달한다:
비즈니스 요구사항을 먼저 구조화된 사양으로 변환하고, 이를 바탕으로 기술 설계와 작업 분할을 도출한 뒤에야 코드 생성 단계로 들어간다.
각 단계마다 명확한 입출력과 검증 체크포인트가 있어 요구사항 명확화, 개발, 테스트부터 배포까지 전 과정이 항상 통제 가능하고 추적 가능하다.
이러한 '단계별 전달'은 바로 시중에 흔한 SDD 방안의 세 가지 단절점에 해당한다. 사양 작성 방식이 표준화되지 않고 명확화 메커니즘이 없어 대규모 모델에게는 소프트한 제약에 그친다는 점, 요구사항이 복잡해지기만 하면 컨텍스트 윈도우가 넘쳐 망각과 환각을 일으킨다는 점, 그리고 역량이 연구개발 구간만 커버해 요구사항과 납품 양쪽 모두 빗나간다는 점이다.
CodeWave SDD는 이를 하나씩 보완한다. EARS로 요구사항 형식을 표준화하고 모호함을 명시적으로 명확화하며, 모듈화 분할과 세분화된 하위 작업으로 컨텍스트를 격리해 큰 것을 잘게 나누고, 요구사항, 설계, 코딩, 테스트부터 배포까지 다중 역할이 협업하는 엔드투엔드 체인으로 연결한다.
이런 방식은 이미 실제 프로젝트에서 효율 가치를 보여주기 시작했다. 예를 들어,콩가수즈지과기(空格数智科技)는 신에너지 CRM 프로젝트에서 개발 주기를 60인일에서 16인일로 단축했고,상하이치퉁디지털과기(上海企通数字科技)는 BIMS 시스템 개발에서 약 2.5배의 효율 향상을 이루었으며 기능 최초 사용 가능률이 78.63%에 달했다.
Demo 하나를 돌리는 것은 쉽지만, 100번 복제하는 것이야말로 진짜 실력이다
프레임워크가 갖춰졌다면, 다음 문제는 어떻게 시작하느냐이다.
많은 기업의 방식은 파일럿을 넓게 펼치고 여러 갈래로 동시에 진행하는 것인데, 양쯔쯔바오(量子位)지능연구원의 제안은 다음과 같다:먼저 고가치 시나리오 하나를 골라 폐쇄 루프를 완성한 뒤, 확장을 고려하라.
시나리오 선정에는 다섯 가지 필터링 차원이 있다:
상식처럼 들리지만 실제 운영에서는 많은 팀이 거꾸로 한다. 기술적으로 쉬운 것부터 먼저 하고, 다 해놓고 보니 비즈니스 가치가 크지 않아 확산할 동기도 사라진다는 것이다.
시나리오를 정한 뒤에는, 파일럿 단계에서 해야 할 일이 상상보다 훨씬 세밀하다.
기존 프로세스에서 어떤 단계를 시스템에 맡길 수 있고, 어떤 부분은 여전히 사람의 검토가 필요한지, 예외 상황은 어떻게 처리할지, 이 모든 것은 단순히 겹쳐 쌓는 것이 아니라 다시 설계해야 한다.
쉽게 빠지는 함정 하나는, 기존 프로세스를 전부 유지한 채 AI 결과 검사만 추가로 얹는 것인데, 그 결과 전체 투입이 오히려 늘어난다.
파일럿을 마친 뒤, 기업은 흔히 세 가지 선택에 직면한다:
하지만 기업이 정말 '1'에서 '100'으로 나아갈 수 있는지를 결정하는 것은 그 뒤에 있다.첫 번째 성공에서 남은 경험을 반복적으로 재사용할 수 있는 지능 자산으로 축적하는 것이다.
예를 들어 이미 검증된 지표 기준, 인터페이스 컴포넌트, 승인 규칙, 예외 샘플 등은 시나리오를 바꿀 때마다 다시 만들 필요가 없다. 새로운 작업은 이런 공통 역량을 바로 재사용하고, 구체적인 비즈니스에 대해서만 필요한 조정을 하면 된다.
따라서 규모화 복제의 본질은, 2번째, 10번째, 100번째 구축 때마다 모두 이전 성과를 밑바탕으로 계속 앞으로 나아갈 수 있게 하는 것이다.
전체 보고서 무료로 받기
기업 지능화가 오늘날에 이르러 격차를 벌리는 것은, 결국 기업이 모델 역량을 비즈니스, 조직, 프로세스에 연결해 눈에 보이는 경영 결과로 만들 수 있는가에 달려 있다.
좋은 지능화 계획은 결코 도구에서 출발하지 않으며, “비즈니스 성과로부터 거슬러 올라가”는 것이 필요하다. 미래를 향한 Agent의 핵심은 더욱이 “사람은 경계를 정하고, AI가 추진한다”。
이 보고서가 제공하는 것은 바로 이러한문제 진단, 프레임워크 구축에서 실행 검증에 이르는 완전한 사고방식이다。
AI 시범 사업을 추진 중인 사업 책임자이든, “AI로 효율을 높이라”는 요구를 받았지만 결과를 어떻게 측정해야 할지 모르는 기술팀이든, 아니면 규모화 단계에서 여러 측의 책임을 조율해야 하는 관리자든, 십중팔구 현재 단계에 해당하는 참고 자료를 그 안에서 찾을 수 있을 것이다.
업무 완료 기준을 어떻게 정의하는지, 전후 대비 측정 방식을 어떻게 설계하는지, 시범 사업 성과를 재사용 가능한 자산으로 축적하는 방법 등 많은 세부 사항들이 글에서 하나하나 다루지는 않았지만, 어쩌면 바로 당신이 현재 막혀 있는 그 지점일지도 모른다.
전체 보고서는 아래 링크에서무료 다운로드：
https://jkhbjkhb.feishu.cn/wiki/W5D7wuDcbiPXDLkaRLQcAJpOn8f