윤중(允中), 아페이쓰(凹非寺)에서 발송
양자위(量子位) | 공식 계정 QbitAI
다소 반직관적인 현실이 하나 있다:
AI는 이미 기업에서 널리 사용되고 있지만, 많은 회사의 생산성은 이로 인해 눈에 띄게 향상되지 않았다.
MIT NANDA가 발표한 2025년 기업 생성형 AI 보고서에는 자주 함께 인용되는 숫자들이 있다:
응답 기업 중95%의 기업에서 생성형 AI 도입 시험이 측정 가능한 손익 수익을 가져오지 못했다; 동시에90%이 넘는 기업의 직원들이 이미 개인 AI 도구로 업무를 처리하고 있는데, 공식 기업 구독을 실제로 구매한 회사는 40%에 불과했다.
이 숫자들의 배후에는 사실 하나의 문제가 있다:
AI는 사용되고 있지만, 개인 차원에 머물러 있다。
따라서 오늘날 기업이 직면한 것은 "AI를 도입할 것인가"가 아니라, 훨씬 더 어려운 또 다른 질문이다:
도입 이후, 기업은 과연 무엇을 축적해야 AI가 진정으로 생산력이 될 수 있는가?
오늘 오전 상하이시안(西岸)에서 열린 WTCC 포럼에서 테잎(特赞) 창립자 판링(范凌)이 내놓은 답은 다음과 같다:
기업이 최종적으로 채워야 할 것은 더 강력한 모델 세트가 아니라두 개의 세계 모델이다。
먼저 고객을 이해하고, 그다음 회사를 이해한다
"세계 모델"이라는 말을 쉽게 말하면, 하나의 시스템이 다음 질문에 답할 수 있는지 여부이다:내가 이렇게 하면, 다음에 무슨 일이 일어날 것인가。
이것을 기업에 적용하면, 이 질문에는 적어도 두 방향이 있다:
하나는 외부를 향해 고객을 이해하는 것이다.고객이 왜 특정 선택을 선호하는지, 무엇이 그들의 생각을 바꾸게 하는지, 어떤 표현과 제품이 더 쉽게 받아들여지는지. 이 층위에 대해 테잎은 포럼에서 "고객 세계 모델"이라고 표현했으며, 이는 이후 자료에서 더 자주 등장하는주관 세계 모델이다”。
다른 하나는 내부를 향해 회사를 이해하는 것이다.하나의 의사결정이 기업 내부에 들어간 후 어떤 프로세스를 거치는지, 어떤 자원, 규칙, 협업 관계의 영향을 받는지, 마지막으로 진정으로 실행될 수 있는지. 이 부분은기업 세계 모델에 더 가깝다”。
둘 다 겉보기에는 "어떻게 의사결정을 내리는가"에 답하지만, 본질은 같은 것이 아니다.
"고객을 이해하는" 주관 세계 모델은 주관적 선호, 동기, 선택을 다루며, 외부 사용자 데이터에 의존한다;
"회사를 이해하는" 기업 세계 모델은 프로세스, 자산, 규칙, 암묵지를 다루며, 조직 내부에 오랫동안 축적된 컨텍스트에 의존한다.
주관 세계 모델에 대해서는 얼마 전 양자위가 이미 상세한 해설을 했으므로, 여기서는 더 다루지 않겠다.
또한 이 두 시스템은 데이터 출처, 업데이트 주기, 책임 소재가 모두 다르기 때문에, 하나의 거대한 모델로 억지로 통합하기가 어렵습니다.
합쳐놓으면 대체로 더 강해지는 것이 아니라 양쪽 모두 함께 둔해지며, 어느 한쪽이라도 빠지면 문제가 즉시 드러납니다.
- 기업 세계 모델만 있다면, 에이전트는 일을 어떻게 해야 하는지는 알지만 그 일이 할 가치가 있는지는 알지 못해, 결국 그저잘못된 목표를 효율적으로 완수。
- 할 수도 있습니다. 고객 세계 모델만 있다면, 에이전트는 수요를 이해할 수 있지만 실제 조직의 전달로 이어지지 못해, 결국수요는 이해하지만 만들어내지 못하는。
상태가 되고 맙니다. 따라서 이것은 '모델을 한 세트 더 갖추면 더 안전하다'는 문제가 아니라, 기업 에이전트 아키텍처 안에 본래부터 서로 완전히 다른 두 가지가 빠져 있었던 것입니다.
기업에서 가장 값진 지식은 아직 기록되지 않은 경우가 많다
고객 세계 모델이 외부 인식에 가깝다면,기업 세계 모델의 가장 어려운 부분은 사실 내부 지식의 식별, 조직화, 활용。
에 있습니다. 조직에서 가장 값진 것은 대부분 문서에 있지 않기 때문입니다.
테잔(Tezan)은 포럼에서 기업 지식을 두 가지 유형으로 나누었다:
- 한 가지 유형은암묵지와 대비되는 명시적 지식매뉴얼, 절차, 제도에 기록할 수 있으며, 더 높고, 더 빠르고, 더 정확한 것을 추구한다;
- 또 다른 유형은암묵지, 취향, 판단력, 경계감, 경험, 관계 같은 것들은 완전하게 표현될 수 없고, 오직 구체적인 프로젝트와 협업 속에서 천천히 길러질 수밖에 없다.
이것은 또한 '문서를 모두 AI에게 먹이는 것'이 'AI가 기업을 이해한 것'과 같지 않다는 이유를 설명해 준다.
사실 이미 상당수 기업이 모델 능력을 기반으로 자체 컨텍스트 시스템을 구축하려고 시도하고 있습니다.
하지만 컨텍스트를 잘 구축했는지 여부에 대해서는 아직 통일된 판단 기준이 형성되지 않았을 수 있다.
기업이 정말로 필요로 하는 컨텍스트 시스템은 최소한 몇 가지 조건을 충족해야 합니다:
- 기존 시스템을 대체하는 것이 아니라 기존 데이터 레이크, 업무 시스템, 자산 시스템을 연결합니다.
- 이것은 사람이 읽는 지식이 아니라, 지능형 에이전트가 호출할 수 있는 구조화된 객체와 관계이다;
- 또한 한 번의 인도로 끝나는 것이 아니라, 매번 판단 후에 복기를 위한 근거를 남겨 다음에 같은 유형의 문제를 처음부터 다시 시작하지 않도록 한다.
한 문장으로 요약하면 다음과 같습니다:에이전트가 호출하는 것은 데이터가 아니라 컨텍스트다。
전문가의 판단이 훈련 데이터로 변해가고 있다
만약 기업 세계 모델이 해결하는 것이 내부 컨텍스트라면, 현재 일어나고 있는 또 다른 변화는 다음과 같습니다.전문가 판단이 훈련 데이터에 들어가기 시작하다。
여기서 말하는 것은 세 번째 세계 모델이 아니며, 고객 세계 모델과도 동일하지 않다.
그것은 오히려 두 개의 세계 모델 아래에서 공유되는 하나의 능력 기반층에 가깝다.
포럼과 관련 기술 자료에 따르면, Tezign은 이미 다양한 분야의 전문가를 대량으로 영입하여 실제 판단 과정의 수집과 라벨링에 참여시켰으며, 학습 신호가 범용 데이터에만 의존하지 않고 비즈니스 맥락 속 판단 경로(Creative Trajectory)를 포함하기 시작하도록 했다. 동시에 일부 협력 기관도 유사한 방향으로 연구를推进하고 있으며, 관련 판단 경로의 축적량은 이미만 건 규모。
이 일은 왜 중요한가?
기업에서 가장 가치 있는 지식, 즉 판단 기준, 우선순위 결정 논리, 리스크 감각은 인터넷에도 없고 범용 모델에도 없기 때문입니다.
그것들은 본래 사람, 프로젝트, 기록 사이에만 존재했다.
지금 하고 있는 일은 사실상, 원래는 남기기 어려웠던 이러한 판단 과정을 축적할 수 있는 자산으로 만드는 것입니다.
또한 이 길이 결국 향하는 곳은 단지 '모델이 비즈니스를 더 잘 이해하는 것'이 아니라, 명확한 기업 AI 진화 방향입니다:
‘스마트 임대”，“을 향해 나아가주권 지능"。
정말 평가하기 어려운 것은 답이 맞는지 아닌지가 아니라, '이 회사답게 했는지' 여부입니다.
마지막으로 피해갈 수 없는 질문이 하나 남아 있습니다. 어떻게 평가할 것인가?
범용 벤치마크가 측정하는 것은 모델이 표준 정답을 맞힐 수 있는지 여부입니다.
하지만 기업 시나리오에서 더 중요한 질문은 종종 '맞는가'가 아니라 다음과 같습니다.그것이 이 회사의 방식대로 올바르게 수행했는가。
한 회사의 브랜드 경계, 한 팀의 제품 선정 로직, 한 관리자의 위험 허용 범위—이러한 것들은 공개 평가 세트에도 없고, 범용 모델의 기본 가치관에도 없습니다.
그러므로 비즈니스 수직 벤치마크가 진정으로 가치 있는 부분은 모델에 점수를 매기는 것이 아니라, 조직의 판단 기준을 지속적으로 회귀 테스트하고, 지속적으로 비교하며, 지속적으로 수정할 수 있는 테스트 세트로 만든다는 데 있습니다.
이것이 존재하게 되면, 모델 업그레이드, 프로세스 조정, 팀 변화가 과연 어떤 능력 변화를 가져왔는지를 더 이상 '좋아진 것 같다'는 느낌으로 판단할 필요가 없습니다.
이 점에 대해 트잔(Tezign) 팀은 매우 전형적인 캘리브레이션 방법을 언급했습니다.
Atypica의 시나리오에서는 실제 사람과 AI 페르소나에게 동일한 행동경제학 실험을 수행하게 하고, 양자 간의 차이를 통해 시뮬레이션 효과를 정량적으로 캘리브레이션하여, 이를 다시 모델 학습과 최적화에 반영합니다.
콴자웨이(量子位)는 올해 7월 WAIC 현장 보도에서 한 가지 결과를 언급한 바 있습니다. 주관 세계 모델이 행동 시뮬레이션에서 달성한 정확도는 85%였습니다.
물론 이런 시뮬레이션과 benchmark는 본질적으로 여전히 캘리브레이션 도구입니다. 연구와 검증을 더 일찍 시작할 수 있게 해주지만, 실제 사람이 하는 리서치 자체를 대체할 수는 없습니다.
Agentic Transformation의 시작
기업에서 에이전트가 실제로 작동하려면 어떤 메커니즘을 구축해야 할까요?
기반이 마련된 후에는, 다시 그 메커니즘을 실제로 작동시키려면 어떻게 해야 할까요?
포럼에서 내놓은 설명은, 기업 에이전트가 실제로 작동하려면 하나의 완전한 순환 고리를 돌려야 한다는 것입니다:Signal, Plan, Create, Evals。
- Signal과 Evals는 고객 세계 모델에 더 의존합니다. 이 둘이 답하는 것은: 사용자가 지금 무엇에 관심을 두는지, 만들어낸 것을 고객이 실제로 받아들일 것인가입니다.
- Plan과 Create는 더 기업 세계 모델에 의존합니다. 이 둘이 답하는 것은: 이 일이 조직 안에서 실제로 가능한지, 자원·프로세스·제약이 이 자리에 놓여 있는 상황에서 어떻게 추진할 것인가입니다.
그 이면에는 사실 기업 에이전트와 이전 세대 Copilot의 차이가 자리하고 있습니다.。
Copilot은 일회성으로 호출되는 도구에 가깝습니다: 물으면 대답하고, 작업을 시작하면 결과 하나를 내어줍니다.
하지만 기업이 진정으로 필요로 하는 에이전트는 그렇지 않습니다. 장기적으로 지속 실행될 수 있어야 하고, 워크플로우 안에 들어와야 하며, 목표·상태·피드백을 시간의 흐름에 걸쳐 유지해야 하고, 매번 처음부터 시작해서는 안 됩니다.
판링(范凌)은 강연에서 이렇게 말했습니다:
에이전트가 작업을 80점까지 밀어올리고, 사람이 그것을 80점에서 120점까지 끌어올립니다.
이 문장에서 중요한 점은 '80점'과 '120점'이라는 두 숫자가 아니라, 이것이 사람과 에이전트의 역할 분담을 다시 정의했다는 것입니다.
둘은 대체 관계가 아니라 어긋난 분업입니다: AI는 토큰화 가능한 대량의 작업을 앞으로 밀어붙이는 것을 맡고, 전문가의 진정한 가치는 여전히 마지막 고밀도 판단 구간에 있습니다.
이러한 단서들을 한데 모아 보면, 엔터프라이즈급 AI는 새로운 단계에 들어섰고, '두 개의 세계 모델'이 제시하는 것은 바로 이 역량을 기업 아키텍처 안에서 표현한 것입니다:
외부를 이해하는 하나, 내부를 이해하는 하나, 그 사이에서 지속적으로 추진할 수 있는 장기 에이전트가 작동합니다.
주목할 만한 점은, 텟잔(Tezign)이 WTCC 포럼에서 함께 발표했다는 것입니다:Agentic Transformation 공동 구축 플랜대학, 연구기관, 기업, 모델·기술 파트너, 전문 실무자를 모두 끌어들였는데, 그 이유는 간단합니다. 이 길은 아직 완전히 검증되지 않았고, 많은 문제에 정해진 답이 없어서, 열린 협력 속에서 하면서 배워가는 수밖에 없습니다.
'어떻게 AI를 활용할 것인가'보다, 텟잔(Tezign)은 공동 구축이라는 방식으로 더 어려운 또 다른 질문에 답하려 합니다:
기업이 자신의 판단을 축적 가능한 자산으로 만들려면, 그 첫걸음은 무엇이어야 할까요?
참고 링크: https://game.atypica.ai/
*본 글은 챙쯔웨이(量子位)가 승인을 받아 게재한 것으로, 견해는 원저자에게 있습니다.