이 요약은 AI가 원문을 분석해 생성했습니다. 정확한 내용은 원문 기준으로 확인하세요.
TL;DR
Unify는 영업 사원을 대체하는 자동화가 아닌, 영업 사원에게 엔지니어링 역량을 제공하여 업무 효율을 극대화하는 AI 에이전트 플랫폼을 구축했다. 이들은 million-agent batch 작업에서 실시간 채팅 제품으로 전환하며 프롬프트 캐싱과 함수 호출 최적화를 통해 비용을 90~95% 절감했다. 또한, 대규모 데이터 처리를 위해 'Speed Audit'을 도입하여 병렬 처리보다 순차 처리가 효율적임을 입증하고, RLM(Recursive Language Models)을 활용해 영업 프로세스를 최적화했다. 이 접근법은 AI가 영업 사원을 대체하는 것이 아니라, 인간의 업무 효율을 높이는 도구로 활용되어야 함을 보여준다.
챕터별 상세
00:00
Unify의 배경과 영업 자동화에 대한 관점
Unify는 영업 사원을 대체하는 자동화가 아닌, 영업 사원에게 엔지니어링 역량을 제공하여 업무 효율을 높이는 에이전트 플랫폼을 지향한다. 기존의 영업 자동화 도구들이 영업 사원을 제거하려 했던 것과 달리, Unify는 영업 사원의 업무를 증강하는 '주머니 속의 엔지니어'를 제공하는 데 집중했다.
01:30
영업은 검색 문제이다
영업의 본질은 설득이 아닌 문제 해결을 위한 검색 문제로 접근해야 한다. 영업 사원은 자신의 제품이 해결할 수 있는 문제를 가진 사람과 기업을 찾는 것이 핵심이며, 이를 위해 비정형 데이터를 구조화하여 적절한 타겟을 찾아내는 것이 중요하다.
10:50
클라우드에서 내구성 있는 에이전트 실행
초기에는 전체 가상 머신(VM)을 사용하는 방식이 비용과 관리 측면에서 비효율적이었다. Unify는 이를 해결하기 위해 파이썬 REPL 기반의 'Monty'를 도입하여 VM 없이도 상태를 유지하며 에이전트를 실행하는 방식을 채택했다.
18:25
프롬프트 캐싱의 한계와 최적화
OpenAI의 프롬프트 캐싱은 초당 15회 요청이라는 제한이 존재한다. Unify는 이 제한을 극복하기 위해 캐시 히트율을 높이는 최적화 전략을 수행했으며, 이를 통해 비용을 90~95% 절감했다.
32:35
순차 처리가 대규모 병렬 처리보다 효율적인 이유
대규모 데이터를 한 번에 처리하는 테이블 방식보다, 하나씩 순차적으로 처리하는 방식이 에이전트의 성능과 비용 효율성 면에서 더 우수하다. 순차 처리는 에이전트가 각 단계에서 더 정교한 판단을 내릴 수 있게 한다.
59:53
비용 절감의 공학적 최적화
Unify는 런타임 최적화와 불필요한 API 호출 제거를 통해 출시 2주 전 비용을 90~95% 절감했다. 이는 모델 선택보다 공학적 설계와 데이터 처리 효율화가 비용 절감에 더 큰 영향을 미침을 보여준다.
용어 해설
- 프롬프트 캐싱(Prompt Caching)
- — LLM API 호출 시 반복되는 입력(prefix)을 캐시에 저장하여 재사용하는 기술이다. 토큰 계산 비용을 줄이고 API 응답 지연 시간을 획기적으로 단축한다.
- 함수 호출(Function Calling)
- — LLM이 구조화된 데이터를 출력하거나 외부 도구 및 API를 실행하도록 유도하는 기능이다. 에이전트가 복잡한 작업을 수행하는 핵심 메커니즘으로 활용된다.
- 재귀 언어 모델(Recursive Language Models)
- — 모델이 자신의 출력을 다시 입력으로 사용하여 복잡한 추론 과정을 반복하는 아키텍처이다. 복잡한 문제 해결 능력을 향상시키지만 비용과 지연 시간이 증가할 수 있다.
AI 분석 전체 내용 보기
AI 요약 · 북마크 · 개인 피드 설정 — 무료
출처 · 인용 안내
원문 발행 2026. 08. 13.수집 2026. 08. 13.출처 타입 YOUTUBE
인용 시 "요약 출처: AI Trends (aitrends.kr)"를 표기하고, 사실 확인은 원문 보기 기준으로 진행해 주세요. 자세한 기준은 운영 정책을 참고해 주세요.
