핵심 요약
단순한 AI 워크플로우를 넘어 자율성을 가진 에이전트를 구축하기 위해서는 점진적인 도입 전략과 현업 전문가의 지식 통합이 필수적이다. 보안과 신뢰성을 위해 Human-in-the-loop 시스템을 갖추고 노동 생산성이라는 새로운 지표로 성과를 측정해야 한다.
배경
글로벌 커머스 플랫폼인 Lightspeed가 마케팅 및 영업 조직에 AI 에이전트를 도입하며 겪은 실전 경험을 다룹니다.
대상 독자
AI 에이전트 도입을 고민하는 기업의 기술 결정권자 및 마케팅 기술 전문가
의미 / 영향
Lightspeed의 사례는 대규모 기업 환경에서 AI 에이전트가 단순한 실험을 넘어 실질적인 GTM 도구로 안착할 수 있음을 보여준다. 특히 Human-in-the-loop와 점진적 도입 전략은 보안과 정확성이 중요한 기업용 AI 시장에서 표준적인 배포 모델이 될 것으로 전망된다.
챕터별 상세
00:00
AI 워크플로우와 에이전트의 명확한 구분
많은 SaaS 기업이 AI 워크플로우를 에이전트라고 부르지만 둘 사이에는 명확한 차이가 존재한다. 워크플로우는 미리 정의된 단계에 따라 움직이는 결정론적(Deterministic) 시스템인 반면, 에이전트는 스스로 판단하고 행동하는 자율적(Autonomous) 시스템이다. Lightspeed는 이러한 구분을 바탕으로 단순 자동화를 넘어선 에이전트 전략을 수립했다.
- •워크플로우는 결정론적 구조를 가짐
- •에이전트는 자율적인 판단이 가능한 시스템임
- •기업 환경에서는 이 두 개념의 혼동을 피하는 것이 전략의 시작임
결정론적 시스템은 입력값이 같으면 항상 같은 결과가 나오는 구조를 의미하며, 자율 에이전트는 LLM의 추론 능력을 바탕으로 상황에 맞는 최적의 행동을 스스로 선택하는 차이가 있습니다.
06:09
Crawl-Walk-Run 점진적 도입 전략
에이전트 도입 시 'Crawl-Walk-Run' 접근 방식을 채택하여 리스크를 최소화했다. 초기 단계(Crawl)에서는 에이전트가 내부 프로세스 및 기존 시스템과 어떻게 상호작용하는지 관찰하며 문제를 식별했다. 이후 에이전트의 실패 모드(Failure modes)를 분석하고 이를 보완할 도구를 구축하며 점진적으로 고도화했다.
- •초기에는 시스템 간 복잡성과 데이터 맥락 부족 문제를 해결함
- •에이전트의 실패 패턴을 분석하여 실시간으로 프로세스를 수정함
- •반복적인 이터레이션을 통해 에이전트의 신뢰도를 확보함
07:32
도메인 전문가 지식의 에이전트 이식
Lightspeed의 업무 방식을 반영하기 위해 영업, 마케팅, 기술 팀의 전문가(SME)들과 협업했다. 특히 영업팀 내 상위 성과자들을 인터뷰하여 그들의 제품 지식과 영업 전략을 추출했다. 이 데이터를 바탕으로 프로세스 맵을 작성하고 에이전트 'Alex'의 행동 지침인 소스 오브 트루스(Source of Truth)를 구축했다.
- •고성과 영업 사원의 업무 로직을 에이전트에 반영함
- •다양한 부서의 전문가 인터뷰를 통해 에이전트의 페르소나를 설정함
- •Relevance AI 팀과 협력하여 인간의 프로세스를 에이전트 맵으로 전환함
09:30
보안 거버넌스와 Human-in-the-loop 운영
고객과 직접 소통하는 에이전트의 특성상 보안과 데이터 거버넌스가 매우 중요하다. Relevance AI의 승인 기능을 활용하여 에이전트가 수행하는 모든 조사 보고서와 이메일 초안을 슬랙(Slack)에서 인간이 검토하도록 설정했다. 에이전트가 완벽하게 작동한다는 확신이 들 때까지 오토파일럿 모드를 제한하고 수동 승인 절차를 유지했다.
- •슬랙 연동을 통해 이동 중에도 에이전트의 작업을 실시간 승인함
- •조사 보고서부터 이메일 답장까지 단계별 검토 프로세스를 적용함
- •보안, 개인정보 보호, 법무 팀과 긴밀히 협력하여 안전 장치를 마련함
Human-in-the-loop는 AI 시스템의 판단 과정에 인간이 개입하여 최종 승인이나 수정을 담당함으로써 시스템의 안전성과 정확성을 보장하는 설계 방식입니다.
13:16
새로운 성과 지표와 미래의 앰비언트 에이전트
기존의 매출(Revenue) 지표 외에 노동 생산성(Labor productivity)이라는 새로운 지표를 도입했다. AI 에이전트가 인간의 반복 업무를 얼마나 줄여주었는지를 측정하여 도입 가치를 증명했다. 향후에는 백그라운드에서 상시 작동하며 정보를 수집하고 적절한 시점에 인간에게 업무를 인계하는 앰비언트 에이전트(Ambient agents) 환경 구축을 목표로 한다.
- •에이전트 기반의 새로운 성과 보고 프레임워크를 구축함
- •단순 자동화를 넘어 인간과 AI의 협업 모델로 확장함
- •SEO, 유료 매체, CRM 등 다양한 부서로 에이전트 활용 범위를 넓힐 계획임
실무 Takeaway
- AI 에이전트 도입 시 결정론적 워크플로우와의 차이를 명확히 인지하고 자율성을 설계해야 한다.
- Crawl-Walk-Run 전략을 통해 초기 리스크를 관리하고 단계별로 신뢰도를 높여야 한다.
- 현업 고성과자의 노하우를 인터뷰하여 에이전트의 논리 구조에 반영하는 것이 성공의 핵심이다.
- 매출 지표뿐만 아니라 노동 생산성 지표를 통해 AI 도입의 실질적인 효율성을 측정해야 한다.
언급된 리소스
DemoRelevance AI
AI 분석 전체 내용 보기
AI 요약 · 북마크 · 개인 피드 설정 — 무료