AX Case Study Podcast

1. 왜 이 사례인가

전 세계 인재 채용과 글로벌 급여·컴플라이언스 대행 플랫폼을 제공하는 리모트(Remote)는 1,800명 이상의 직원이 전 세계에 분산되어 근무하는 100% 원격 조직입니다. 회사가 가파르게 성장하면서 사내 IT 헬프데스크에는 매달 약 1,100건에 달하는 계정 생성, 접근 권한 부여, 장비 및 소프트웨어 지원 요청이 쏟아졌습니다.

문제는 이를 지원해야 하는 사내 IT 지원 전담 인력이 단 3명에 불과했다는 점입니다. 통상 직원 1,800명 규모의 기업에서 월 1,100건의 IT 티켓을 처리하려면 최소 10명 이상의 헬프데스크 인력이 필요합니다. 게다가 초기에는 공식 추적 시스템 없이 Slack 채널에서 비정형 메시지로 요청을 받다 보니 티켓이 누락되거나 처리가 지연되기 일쑤였습니다.

리모트의 IT 및 AI 자동화 헤드인 Marcus Saito는 Zapier, ChatGPT, Okta, Notion, Slack을 결합한 지능형 IT 헬프데스크 아키텍처를 구축했습니다. 티켓이 인입되면 Okta API로 직원의 부서와 권한을 즉시 조회하고, ChatGPT가 우선순위를 분류하며, Zapier Tables에 누적된 과거 해결 이력을 Zapier Agents가 검색해 해결책을 즉시 제안하는 구조입니다.

그 결과 전체 IT 티켓의 27.5%가 사람의 개입 없이 완전 자동 종결되었고, IT 팀은 매달 616시간의 업무 시간을 절감했습니다. 3명의 인력으로 10명 규모의 팀에 준하는 처리량을 유지하며 IT 부문에서만 50만 달러(약 6억 5천만 원)의 채용 비용을 절감했습니다.

이 성공은 사내 다른 부서로 확산되어 2024년 한 해 동안 1,100만 건 이상의 자동화 태스크가 실행되었고, 전사적으로 월 2,219~6,659일의 업무 시간을 절감하는 전사적 AX 운동으로 발전했습니다.

2. Problem

리모트는 전 세계에 분산된 1,800명의 직원을 지원하는 과정에서 IT 지원 병목에 직면했습니다.

* 3인 팀 대비 과도한 티켓 볼륨: 1,800명 규모에서 매달 거의 1,100건의 IT 티켓이 발생했습니다. 3명의 소규모 팀이 감당하기에는 물리적으로 한계에 달한 수치였습니다.

* 비공식 채널 인입과 티켓 누락: 직원들이 Slack 대화나 DM으로 산발적인 지원 요청을 보내다 보니 공식적인 이력 관리와 우선순위 지정이 불가능했고, 중요한 요청이 대화창 뒤로 밀려 누락되는 일이 빈번했습니다.

* 요청자 맥락 파악의 번거로움: IT 엔지니어는 지원 요청을 받을 때마다 요청자가 어느 부서 소속인지, 해당 시스템에 접근할 권한이 있는 직급인지 일일이 인사 및 디렉터리 시스템에서 찾아 확인해야 했습니다.

Marcus Saito(Head of IT and AI Automation)는 자동화 이전의 지원 체계가 매우 수동적이고 파편화되어 있었으며, 3명의 인력으로는 급증하는 요청에 압도당할 수밖에 없는 구조였다고 설명합니다.

확인된 사실: 1,800명 임직원, 월 약 1,100건의 IT 티켓, 3명의 IT 지원 인력, Slack 기반 비공식 접수로 인한 누락 및 맥락 파악 지연.

3. Solution

리모트는 새로운 거대 헬프데스크 솔루션을 도입해 프로세스를 강제하는 대신, 직원들이 이미 사용 중인 Slack, Okta, Notion을 Zapier와 LLM으로 유기적으로 연결했습니다.

3.1 멀티채널 접수 및 Okta 기반 신원 인리치먼트

직원들은 익숙한 Slack, 이메일, 혹은 셀프서비스 챗봇을 통해 IT 지원을 요청할 수 있습니다. 요청이 접수되는 즉시 Zapier 워크플로가 가동되어 Okta 디렉터리 API로 Webhook을 보냅니다.

워크플로는 요청자의 이메일을 기반으로 Okta에서 소속 부서(Department), 직책(Role), 근무 상태를 즉시 조회하여 티켓에 메타데이터로 첨부합니다. IT 담당자가 별도로 직급이나 팀을 확인하지 않아도 요청자의 맥락이 자동으로 완성됩니다.

3.2 ChatGPT 기반 우선순위 분류 및 티켓 자동 생성

수집된 요청 텍스트와 Okta 메타데이터는 ChatGPT로 전달됩니다. LLM은 요청의 긴급도, 보안 위험 수준, 요청 범주(계정 권한, 소프트웨어 버그, 하드웨어 요청 등)를 판단하여 우선순위를 부여합니다.

* Notion 티켓 발행: IT 팀의 작업 현황판 역할을 하는 Notion 데이터베이스에 요청 페이지가 자동으로 생성되어 진행 상태가 추적됩니다.

* Zapier Tables 아카이빙: 모든 티켓 데이터와 후속 처리 결과는 Zapier Tables에 실시간 저장되어 사내 IT 지식 베이스로 누적됩니다.

3.3 Zapier Agents를 통한 유사 사례 검색 및 자동 해결책 제시

티켓이 저장되면 Zapier Agents가 Zapier Tables에 저장된 수천 건의 과거 티켓 해결 내역을 벡터 및 키워드로 검색합니다.

동일하거나 유사한 질문(예: 2단계 인증 재설정, 표준 VPN 연결 오류, 소프트웨어 라이선스 신청 절차 등)에 대한 해결책을 찾아 즉시 맞춤형 답변을 생성합니다. 요청자에게는 Slack을 통해 생성된 Notion 티켓 링크와 함께 AI가 제안한 구체적인 해결 가이드가 전달됩니다. 단순 조회나 표준 가이드로 해결 가능한 요청은 이 단계에서 즉시 종결됩니다.

3.4 Slack 이모지 기반 Human-in-the-Loop 담당자 배정

AI가 자동으로 종결하지 못한 복합 이슈나 권한 승인이 필요한 건은 IT 팀 내부 Slack 채널로 공유됩니다.

IT 엔지니어들은 티켓을 가져가기 위해 복잡한 관리자 콘솔에 들어갈 필요 없이, Slack 알림 메시지에 특정 이모지(Emoji) 반응을 남깁니다. 이모지가 등록되면 Zap이 반응한 엔지니어를 감지하여 Notion 티켓의 담당자(Owner) 필드를 해당 엔지니어로 즉시 업데이트합니다.

확인된 사실: Slack/이메일/챗봇 접수, Okta Webhook 연동을 통한 부서·직책 조회, ChatGPT 기반 우선순위/카테고리 분류, Notion 자동 페이지 생성, Zapier Tables 지식 베이스 저장, Zapier Agents의 과거 티켓 기반 해결책 자동 생성 및 Slack 회신, Slack 이모지 반응을 통한 Notion 담당자 자동 지정.

4. Impact

Zapier 고객 사례 발표에 명시된 리모트의 운영 지표는 다음과 같습니다.

정성적으로는 IT 팀이 단순 암호 초기화나 권한 문의 응대에 매몰되지 않고 고부가가치 시스템 아키텍처 개선에 집중할 수 있게 되었습니다. 리모트는 전사적 자동화 확산을 위해 ‘IT 통합 엔지니어(IT Integrations Engineer)‘라는 전담 직무를 신설했으며, 1,800명 중 약 150명의 직원이 부서별 자체 자동화를 직접 구축하는 수준으로 성숙했습니다.

Marcelo Lebre(Remote 공동창업자 겸 사장)는 “자동화가 없었다면 회사 규모를 최소 두 배로 늘려야 했을 것이며, 이는 성장이 멈추거나 잊혀지는 결과로 이어졌을 것”이라고 평가했습니다.

확인된 사실: 27.5% 자동 종결, 월 616시간 절감, 3인 팀의 10인분 성과, 50만 달러 고용 회피, 2024년 1,100만 태스크, 2025년 월 2,219~6,659일 전사 절감, 전담 직무(IT Integrations Engineer) 신설.

5. Insight

단절된 SaaS를 잇는 ‘컨텍스트 브릿지’가 핵심입니다. 리모트의 성공 비결은 새로운 AI 모델 개발이 아니라, 직원의 신원 데이터(Okta), 작업 관리(Notion), 커뮤니케이션(Slack) 사이에 AI를 중계자로 배치한 데 있습니다. 요청자의 부서와 직책 정보를 자동으로 조회해 프롬프트에 주입함으로써 AI 응답의 정확도와 실용성을 비약적으로 높였습니다.

일선 협업 툴의 UI 승화가 주효했습니다. IT 엔지니어에게 별도의 티켓 관리 툴을 강제하지 않고, 슬랙 이모지 반응 하나로 티켓 소유권을 넘기는 인터랙션을 구현했습니다. 가장 마찰이 적은 인터페이스를 프론트엔드로 활용한 실용적 접근입니다.

지식의 자동 누적 구조를 설계해야 합니다. 별도의 위키나 기술 문서를 작성하도록 강요하지 않고, 처리된 티켓의 질문과 답변이 자동으로 Zapier Tables에 누적되도록 했습니다. 이 데이터가 다시 Zapier Agents의 참조 데이터로 순환되면서 시간이 흐를수록 자율 해결률이 향상되는 플라이휠을 만들었습니다.

복제 조건과 한계. 이 모델이 성립하려면 조직 내 IT 자산과 계정이 Okta 같은 중앙 IdP(Identity Provider)로 엄격히 통제되어 있어야 하며, Slack과 Notion 등 주요 도구의 API Webhook 연동이 유기적으로 허용되어야 합니다. 또한 27.5% 무인 해결 외의 72.5%는 여전히 엔지니어의 수동 개입이 필요하며, 장비 배송이나 물리적 장애 등 하드웨어 영역의 자동화 한계는 남습니다.

한 줄 요약: 헬프데스크의 핵심은 새 툴 도입이 아니라, IdP 신원 데이터와 과거 해결 이력을 LLM으로 연결해 일선 협업 메신저 안에서 완결하는 데 있습니다.

6. 원문에 없는 추정 (구현 가설)

6.1 Okta 권한 메타데이터 기반의 ChatGPT 보안 정책 판정 파이프라인

근거: 원문은 접수 즉시 Okta Webhook을 호출해 요청자의 부서와 역할을 조회하고, ChatGPT가 티켓의 우선순위와 카테고리를 분류한다고 명시합니다.

보안이 핵심인 IT 지원에서 LLM이 안전하게 판단을 내리기 위해, 시스템 프롬프트에는 사내 역할 기반 접근 제어(RBAC) 매트릭스가 포함되었을 것입니다. 예를 들어 “요청자가 ‘Finance’ 부서이고 ‘Manager’ 이상인 경우에만 NetSuite 접근 권한 요청을 P2(중요)로 분류하고, 그렇지 않은 경우 팀 리드 사전 승인 안내를 포함하여 P3으로 분류한다”와 같은 조건식입니다. ChatGPT는 자연어 요청 텍스트뿐만 아니라 Okta에서 반환된 JSON({"dept": "Engineering", "title": "Senior Backend Engineer", "status": "active"})을 함께 인풋으로 받아, 허위 요청이나 권한 오남용 시도를 1차 필터링했을 것으로 추정됩니다.

6.2 Zapier Tables 지식 검색과 자동 해결 판정 임계값 가설

근거: 원문은 Zapier Tables가 과거 티켓 데이터를 담은 지식 베이스 역할을 하며, Zapier Agents가 이를 참조해 권장 해결책을 생성하고 약 27.5%의 티켓이 자동 종결된다고 기술합니다.

이 자동 종결 메커니즘이 안전하게 작동하려면 명확한 신뢰도 임계값(Confidence Threshold)과 질문-답변 매칭 로직이 전제되어야 합니다. Zapier Agents는 사용자의 질문을 임베딩하여 Tables 내 과거 해결된 티켓과의 유사도를 계산했을 것입니다. 유사도가 90% 이상이고 해결 조치가 단순 링크 제공이나 표준 절차 안내(예: 패스워드 재설정 방법, 소프트웨어 다운로드 포털 링크)인 경우에만 Slack으로 답변을 보내며 티켓 상태를 ‘Auto-Resolved’로 종결 처리했을 것입니다. 만약 시스템 설정 변경이나 관리자 권한 실행이 필요한 건은 유사도가 높더라도 해결책 ‘초안’만 첨부한 채 엔지니어 큐로 전달하는 가드레일이 적용되었을 가능성이 큽니다.

7. 출처

* Zapier Blog — How Remote saves $500K annually and automates 11M tasks with AI automationhttps://zapier.com/blog/remote-automates-millions-of-tasks-with-ai-automation/발행일: 2025 (Featuring Marcus Saito, Marcelo Lebre)

This is a public episode. If you would like to discuss this with other subscribers or get access to bonus episodes, visit parkdaesun.substack.com

1. 왜 이 사례인가

많은 기업에서 AI 도입은 개발 조직의 대규모 모델 개발이나 비싼 엔터프라이즈 솔루션 도입으로 논의되곤 합니다. 하지만 실무 현장에서 병목이 터져 매출 회수가 지연되는 지점은 재무·운영 부서의 일상적인 티켓 분류와 배정 작업입니다.

생명과학 그래픽 플랫폼 기업인 바이오렌더(BioRender)의 미수금 관리(Accounts Receivable, AR) 팀은 4명으로 구성된 소규모 조직이었습니다. 고객경험(Customer Experience, CX) 부서와 공용 Zendesk 인스턴스를 공유하면서, 매일 아침 45분씩 결제 분쟁, 발주서(PO), 세금 감면, 공급업체 등록 티켓을 수작업으로 읽고 분류해 담당자에게 배정해 왔습니다.

CX 운영 전문가인 Jocelyne Mendez-Guzman은 비개발자임에도 Zapier와 AI 모델(Gemini 2.0 Flash)을 결합한 51단계 자동화 워크플로를 직접 설계했습니다. 티켓 접수 즉시 AI가 유형을 9가지로 분류하고, 인사 관리 시스템(HiBob)과 Zendesk API를 연동해 상담원의 실시간 잔여 티켓 수와 근무 일정을 계산한 뒤 최적의 담당자에게 무인 자동 배정하는 구조입니다.

그 결과 동일한 4인 팀으로 티켓 처리량(Throughput)이 50% 증가했고, 티켓 해결 시간(Resolution time)은 69% 단축되었으며, 첫 응답 시간(First reply time)은 39% 개선되었습니다. 결제 처리 지연이 해소되면서 고객은 평균 3일 더 빠르게 결제 완료 안내를 받게 되었습니다.

현장 운영자가 노코드 도구와 파운데이션 모델을 결합해 비즈니스 핵심 현금 흐름을 가속한 구체적인 실무 AX 사례입니다.

2. Problem

바이오렌더의 AR 팀은 CX 부서와 단일 Zendesk 인스턴스를 함께 사용했습니다. 인입되는 문의 중 AR 관련 티켓은 일반 제품 지원과 성격이 판이했습니다.

* 결제 분쟁(Payment disputes)

* 기업 구매 발주서(Purchase Orders)

* 세무 면제 증빙(Tax exemptions)

* 공급업체 포털 등록(Vendor registrations / Supplier portals)

* 대금 수령 및 독촉(Dunning, Remittance)

이 티켓들은 단순 질의응답이 아니라 기업의 현금 흐름(Cash flow)과 직결된 금융 요청이었습니다. 고객이 회신을 기다리는 매시간이 곧 매출 인식의 지연이자 고객 불만으로 이어졌습니다.

그러나 당시 배정 방식은 전적으로 수작업이었습니다. 매일 아침 전담자가 Zendesk 인박스를 직접 열어 티켓을 하나씩 읽고, 적절한 큐를 판단한 뒤 상담원에게 할당했습니다.

* 매일 아침 45분의 수작업 소모: 4명에 불과한 AR 팀에서 아침마다 45분 동안 티켓 분류에 매달려 정작 본업인 금융 이슈 해결은 늦게 시작되었습니다.

* 주관적이고 불균등한 업무 배정: 수작업으로 나누다 보니 상담원의 실시간 업무 부하나 전문 분야를 정밀하게 반영하기 어려웠습니다.

* 티켓 누락과 지연 리스크: 인박스 볼륨이 늘어나면 티켓이 큐 사이에서 누락되거나 처리가 지연되어 고객 대기 시간이 길어졌습니다.

확인된 사실: 4인 AR 팀, CX와 Zendesk 공유, 매일 아침 45분 수작업 트리아지, PO·분쟁·세무·공급자포털 등 금융 직결 티켓, 수작업 배정의 주관성과 지연.

3. Solution

바이오렌더의 해결책은 중앙 개발팀에 리소스를 요청하는 대신, 현업 운영 전문가가 구축한 51단계 Zapier 워크플로와 Gemini 2.0 Flash AI의 결합이었습니다.

3.1 9개 유형 AI 자동 분류

Zendesk AR 트리아지 인박스에 신규 티켓이 도착하면 Zendesk가 Webhook을 발생시켜 Zapier 워크플로를 트리거합니다.

워크플로는 Gemini 2.0 Flash 모델을 호출해 티켓 본문과 맥락을 분석하고, 9개 카테고리 중 하나로 즉시 분류합니다. 분류 유형에는 Purchase Orders, Dunning, Remittance, Supplier Portals 등이 포함됩니다.

3.2 Zendesk API 기반 실시간 업무 부하 조회

단순 순번제(Round Robin) 배정은 상담원별 실제 업무 부하를 고려하지 못합니다. 바이오렌더는 Zapier의 커스텀 Webhook 액션을 사용해 Zendesk REST API를 직접 호출하도록 설계했습니다.

이를 통해 각 상담원의 현재 열려 있는(Open) 티켓 수를 실시간으로 집계합니다. 기본 내장 연동의 타임아웃 문제를 회피하기 위해 커스텀 API Webhook 호출 방식을 적용했습니다.

3.3 HiBob HR 시스템과 가용성 동기화

상담원이 휴가 중이거나 부재중인 경우 티켓이 할당되면 치명적인 지연이 발생합니다. 바이오렌더는 인사 관리 시스템인 HiBob의 직원 가용성 및 근무 일정을 Zapier Tables로 1시간마다 자동 동기화했습니다.

배정 시점에 해당 상담원이 현재 근무 중인지, 휴무인지 테이블에서 즉시 조회하여 부재자를 배정 대상에서 자동 제외합니다.

3.4 JavaScript 기반 동적 공정 배정 및 특수 라우팅

시스템은 수집된 정보(AI 분류 카테고리, 상담원별 현재 오픈 티켓 수, HiBob 근무 가용성)를 Zapier 내 JavaScript 코드 블록으로 전달합니다.

* 공정 배정(Fair workload balance): 현재 근무 중인 상담원 중 오픈 티켓 수가 가장 적은 사람에게 우선 할당합니다.

* 특수 규칙(Special case routing): 송금 및 정산(Remittance)과 같이 전문성과 신중한 의사결정이 필요한 특정 고난도 유형은 항상 팀 리드(Team Lead)에게 직접 전달합니다.

이 모든 과정이 사람의 개입 없이 수 초 만에 무인으로 완료됩니다.

확인된 사실: 51단계 Zap, Gemini 2.0 Flash 기반 9개 유형 분류, Zendesk API Webhook 호출을 통한 상담원별 오픈 티켓 조회(타임아웃 회피 목적), HiBob HR 가용성 Zapier Tables 시간 단위 동기화, JavaScript 코드 블록을 통한 가용성·부하 기반 균등 배정, Remittance 건 팀 리드 직행 특수 규칙.

4. Impact

Zapier 공식 사례 발표에 명시된 주요 정량 지표는 다음과 같습니다.

정성적으로는, 아침마다 45분 동안 진행되던 티켓 정리 수작업이 사라지면서 상담원들이 출근 직후부터 티켓 정리가 아닌 실제 고객 금융 문제 해결에 집중할 수 있게 되었습니다. 결제 분쟁과 PO 처리가 3일 빨라져 회사의 매출 회수 주기와 현금 흐름이 직접적으로 개선되었습니다.

빌더인 Jocelyne Mendez-Guzman은 이 프로젝트를 통해 API, Webhook, JavaScript를 Claude의 디버깅 지원을 받아가며 독학으로 습득했으며, 2025 Zappy Awards에서 올해의 운영 자동화 전문가(Operations Automator of the Year)로 선정되었습니다.

확인된 사실: 3,099건 자동 처리, 해결 시간 69% 감소, 첫 응답 39% 개선, 처리량 50% 증가(4인 유지), 고객 결제 해결 3일 단축, 매일 45분 트리아지 절약, Zappy Awards 2025 수상.

5. Insight

운영자가 직접 구축한 현장 최적화입니다. 엔지니어링 백로그에 우선순위로 올라가기 어려운 소규모 운영팀의 병목을, 현업 담당자가 노코드 도구와 LLM API를 결합해 직접 해결했습니다. 중앙 개발팀의 개입을 기다리지 않고도 비즈니스 임팩트를 낸 대표적 사례입니다.

분류만 AI에게 맡기고, 배정 로직은 결정론적 코드로 고정했습니다. AI 모델(Gemini 2.0 Flash)은 비정형 티켓을 9개 표준 유형으로 식별하는 인지 역할만 맡겼습니다. 실제 담당자를 정하는 규칙(HR 일정 확인, 오픈 티켓 최소자 산출, 특수 건 리드 배정)은 JavaScript 코드로 명확히 고정했습니다. 생성형 AI의 환각 리스크를 차단하고 운영 안정성을 확보한 현실적 분업 설계입니다.

외부 맥락(HR 데이터)과의 결합이 주효했습니다. 많은 헬프데스크가 내부 티켓 데이터만으로 라우팅을 시도하다 휴가자의 인박스에 티켓이 쌓이는 실패를 겪습니다. HiBob HR 데이터를 시간 단위로 동기화해 ‘지금 일하고 있는 사람’에게만 배정하도록 한 점이 실무적 완성도를 높였습니다.

복제 조건과 한계. 이 모델이 작동하려면 Zendesk API와 HiBob처럼 명확한 API 및 Webhook을 지원하는 SaaS 스택이 갖춰져 있어야 합니다. 또한 51단계에 달하는 단일 Zap은 단계별 장애(Webhook 누락, API Rate Limit 등) 발생 시 디버깅 복잡도가 올라갈 수 있으므로 정기적인 모니터링 체계가 요구됩니다.

한 줄 요약: AI에게는 텍스트 분류를 맡기고, 배정은 실시간 HR·업무량 데이터 기반의 코드로 엮어 소규모 현장 운영의 병목을 없앴습니다.

6. 원문에 없는 추정 (구현 가설)

6.1 51단계 Zap의 모듈 분할 및 에러 핸들링 가설

근거: 원문은 전체 흐름이 ‘단일 51단계 Zap’으로 구현되었다고 밝히고 있으며, Zendesk 네이티브 연동 대신 커스텀 Webhook 액션을 사용해 타임아웃을 피했다고 명시합니다. 또한 HiBob 데이터는 시간 단위로 Zapier Tables에 동기화됩니다.

실무적으로 단일 워크플로가 51단계에 이르면 중간 단계 실패 시 전체 프로세스가 중단될 위험이 큽니다. 따라서 51단계 내부에는 (1) 인입 티켓 유효성 검증, (2) Gemini API 호출 및 응답 JSON 파싱, (3) JSON 파싱 실패 시 폴백(기본 일반 큐로 전달), (4) Zapier Tables에서 당일 휴무자 리스트 필터링, (5) Zendesk API 커스텀 호출로 활성 상담원 티켓 카운트 정렬, (6) JavaScript 배정 로직 실행, (7) Zendesk 티켓 태그 및 담당자 업데이트, (8) 실패 시 Slack/이메일 알림 등으로 세분화되었을 가능성이 높습니다. 특히 Zendesk 네이티브 통합 대신 Webhook을 쓴 것은 수십 건의 티켓 조회를 일괄 처리할 때 발생하는 페이징 및 타임아웃을 제어하기 위한 선택이었을 것입니다.

6.2 Gemini 2.0 Flash 프롬프트와 9개 카테고리 분류 가설

근거: 원문은 Gemini 2.0 Flash를 사용하여 티켓을 Purchase Orders, Dunning, Remittance, Supplier Portals를 포함한 9개 카테고리로 분류한다고 적고 있습니다.

이 모델이 선택된 이유는 빠른 속도와 비용 효율성, 그리고 구조화된 출력(Structured JSON) 지원 능력 때문이었을 것입니다. 프롬프트는 9개 카테고리의 정의와 판단 기준 예시(예: 고객이 첨부한 주문서 파일이 있거나 PO 번호 언급 시 Purchase Orders, 송금 완료 영수증 제시 시 Remittance 등)를 시스템 지침에 포함하고, 출력 형식을 엄격한 JSON 스키마({ "category": "Remittance", "confidence": 0.95 })로 강제했을 것입니다. 분류 신뢰도가 임계값 미만이거나 9개 범주에 명확히 속하지 않는 복합 문의는 ‘Manual Review’ 태그를 달아 팀 리드 인박스로 넘어가도록 설계되었을 가능성이 큽니다.

7. 출처

* Zapier Blog — How BioRender cut ticket resolution time by 69% and boosted throughput 50%https://zapier.com/blog/biorender-cut-ticket-resolution-time-with-automation/발행일: 2025 (Zappy Awards 2025 Winner)

This is a public episode. If you would like to discuss this with other subscribers or get access to bonus episodes, visit parkdaesun.substack.com

1. 왜 이 사례인가

비상장 주식 및 지분 관리(Equity Management) 소프트웨어의 독보적 강자인 카르타(Carta)는 미국 벤처 투자를 유치한 스타트업의 50% 이상을 고객으로 두고 있습니다. 그러나 카르타에는 소프트웨어 구독 사업 외에 완전히 다른 성격의 비즈니스가 존재합니다. 600여 명의 전문 인력이 2,500개 고객(펀드)을 전담하며 복잡한 펀드 회계, 규제 준수, 세무 보고를 대행하는 ‘펀드 어드민(Fund Administration)’ 서비스 부문입니다.

펀드 어드민 업무는 극도로 노동 집약적입니다. 각 펀드는 조합 계약서(Limited Partner Agreement, LPA)라는 고유한 법률 문서에 규정된 개별 원칙에 따라 운용되며, 이 규칙들은 시스템 외부의 비정형 문서에 흩어져 있습니다. 담당자 1명이 3~4개 펀드를 맡을 때는 수작업이 가능하지만, 고객 수가 10개, 20개, 많게는 40~50개로 늘어나면 업무는 병목에 직면합니다. 문제가 발생했을 때 필요한 맥락을 여러 시스템과 과거 기록에서 수집하는 데만 대부분의 시간이 소모되기 때문입니다.

카르타의 머신러닝 팀과 펀드 어드민 실무진은 이 ‘동적 맥락 수집 문제(Dynamic Context Problem)’를 해결하기 위해 내부 AI 에이전트를 개발했습니다. 특히 매달 20,000~25,000건씩 발생하는 고강도 수작업인 현금 대사(Cash Reconciliation, 외부 은행 입출금 내역과 카르타 내부 총계정원장 간의 불일치 검증 및 분개)에 에이전트를 적용했습니다.

건당 11분이 걸리던 복잡한 검증 업무를 수 초 단위로 단축하여 월 3,500시간 이상의 수기 노동을 절감한 이 사례는, 모델 파인튜닝 대신 도메인 전문가의 의사결정 트리를 Lucidchart 다이어그램으로 그려 시스템 프롬프트(JSON)로 자동 컴파일하는 독창적인 AX 설계 방식을 보여줍니다.

2. Problem

카르타의 펀드 어드민 조직은 전문적인 판단(human judgement)이 필수적이지만 실행 과정이 비효율적인 수많은 워크플로를 처리해야 했습니다.

대표적인 병목은 ‘현금 대사(Cash Reconciliation)’였습니다. 외부 은행 피드와 카르타의 내부 총계정원장(GL)을 대조하여 차이를 해결하고 정확한 분개장(journal entries)을 입력하는 일입니다. 이 작업을 완수하려면 여러 내부 도구에서 데이터를 조회하고, 고객별 특이 메모를 읽고, 과거 거래 내역을 검토한 뒤, 해당 펀드 고유의 회계 규칙을 적용해야 했습니다.

문제가 발생하면 진상을 파악하기 위해 펀드 어드민 담당자, 엔지니어링, 고객 지원 팀 간에 끝없는 질의응답과 핑퐁(back-and-forth)이 오갔습니다. 작업 자체는 건당 평균 11분이 소요되었으나, 매달 카르타 내부 팀이 처리해야 하는 물량이 20,000~25,000건에 달했습니다.

Vrushali Paunikar(Carta CPO)는 이 문제의 본질이 ‘맥락 수집(Context-gathering)의 병목’이라고 규정했습니다. 팀원들이 무엇이 잘못되었는지, 어떤 조치를 취해야 하는지 맥락을 파악하지 못해 대기하는 시간이 길어졌고, 이는 고객 서비스 지연과 일관성 저하로 이어졌습니다.

Jayant Tikmani(Carta ML 디렉터)는 고객 경험을 저해하는 핵심 요인이 단순 작업량보다 ‘판단의 지연과 불일치’에 있었다고 지적하며, 비용 절감보다는 판단을 확장(scaling judgement)하고 서비스 품질을 개선하는 영역에 AI 에이전트를 투입해야 했다고 설명합니다.

확인된 사실: 600명 인력이 2,500개 펀드 지원, 월 20,000~25,000건의 현금 대사 작업 발생, 건당 평균 11분 소요, 다중 시스템 조회와 비정형 계약서 기반 맥락 수집으로 인한 부서 간 핑퐁 발생.

3. Solution

카르타는 대형 모델 파인튜닝 대신 기존 파운데이션 모델(OpenAI)과 사내 도메인 지식을 정밀하게 결합하는 인컨텍스트 러닝(In-context learning) 기반 에이전트 아키텍처를 선택했습니다.

3.1 펄스 체크(Pulse Check)에서 현금 대사 에이전트로의 확장

팀은 처음부터 거대한 자동화를 시도하지 않고 내부 ‘펄스 체크 에이전트’로 개념 증명(PoC)을 시작했습니다. 대차대조표와 손익계산서 간의 불일치가 발생했을 때, 에이전트가 오류를 진단하고 담당 팀에 알림을 보내며 구체적인 해결 절차를 제안하는 파일럿이었습니다.

이 성공을 바탕으로 핵심 난제인 현금 대사 에이전트로 확장했습니다. 복잡한 시스템 개발 없이 빠른 검증을 위해 Henry Ward(Carta CEO)가 직접 제품 관리자(PM) 역할을 맡고, 3명의 엔지니어(Thomas Yook, Justin Lin, Titus Peterson)와 솔루션 도메인 전문가(Brady Fisher)가 원팀으로 애자일하게 프로토타입을 구축했습니다.

3.2 도메인 전문가의 의사결정 트리: Lucidchart to JSON 프롬프트 컴파일

카르타의 가장 독창적인 기술적 선택은 프롬프트 관리 방식입니다. 모델이 현금 대사를 올바르게 판단하려면 숙련된 펀드 회계사의 멘탈 모델이 주입되어야 했습니다.

* 회계 도메인 전문가들이 Lucidchart 상에 전체 의사결정 트리(어떤 상황에서 어떤 데이터를 확인하고 어떤 분개 조치를 내릴 것인가)를 순서도로 도식화했습니다.

* 사내에서 개발한 프롬프트 생성기를 통해 이 Lucidchart 다이어그램을 실시간으로 JSON 구조로 변환하여 에이전트의 시스템 프롬프트로 프로그래밍 방식으로 주입했습니다.

* 에이전트가 판단 실수를 저지를 때마다 회계 팀에 “실제 사람이라면 이 상황에서 어떤 정보를 확인하고 어떤 결정을 내렸을지” 물어 의사결정 트리를 업데이트했습니다. 비개발자인 현업 전문가가 Lucidchart만 수정하면 에이전트의 로직이 즉시 갱신되는 유지보수 파이프라인을 구축했습니다.

3.3 대화형 UI와 실행 제어권 분리

ML 디렉터인 Tikmani는 초기에는 챗봇 형태의 UI에 회의적이었으나, 빠른 반복 실험과 디버깅에는 대화형 인터페이스가 가장 적합하다는 점을 인정하고 이를 채택했습니다.

* 추론 과정 노출: 에이전트가 어떤 내부 도구를 호출했는지 중간 결과와 모델 추론 과정을 노출하여, 사용자가 단순 오답인지 논리적 판단 차이인지 즉시 검증할 수 있게 했습니다.

* 특정 단계 재실행(Rerun): 전체 프로세스를 처음부터 다시 돌릴 필요 없이, 에이전트가 잘못된 결정을 내린 특정 단계부터 피드백을 반영해 재실행할 수 있는 인터랙션 기능을 추가했습니다.

* 도구 선택의 자율화: 사용자가 호출할 도구를 수동으로 고르게 하면 자율 에이전트의 목적이 훼손되므로, 도구 선택은 에이전트에게 전적으로 맡기되 맥락 데이터의 품질을 고도화하는 데 집중했습니다. 기술 스택으로는 OpenAI 모델, 임베딩 검색을 위한 pgvector, 사내 API 및 DB 쿼리 모듈을 활용했습니다.

확인된 사실: CEO가 PM을 맡은 3인 엔지니어 소규모 TF, 파인튜닝 배제 및 인컨텍스트 러닝 집중, Lucidchart 다이어그램의 JSON 프롬프트 변환 파이프라인, 오류 단계 재실행 기능 및 도구 호출 투명성 제공.

4. Impact

First Round 인터뷰 및 카르타 내부 데이터에 공개된 주요 성과는 다음과 같습니다.

에이전트는 단순히 계산을 빠르게 처리하는 데 그치지 않고, 각기 다른 시스템에 흩어져 있던 맥락을 하나의 화면에 요약해 제시함으로써 신규 실무자들의 업무 기준선을 높이는 교육적 도구로도 기능하고 있습니다.

확인된 사실: 건당 11분에서 수 초로 단축, 월 3,500시간 이상 절감, 월 20,000~25,000건 대상, 에스컬레이션 감소.

5. Insight

카르타의 펀드 어드민 에이전트 구축기는 전문직 도메인에 에이전트를 성공적으로 안착시키기 위한 실천적 통찰을 제공합니다.

파인튜닝의 환상을 버리고 맥락에 집중해야 합니다. 카르타 팀이 강조하듯 복잡한 판단 작업의 성능은 모델 파라미터 튜닝보다 ‘작업에 필요한 올바르고 구조화된 맥락을 얼마나 정확하게 전달하는가’에 달려 있습니다. 이미 기업 내부에 정답 데이터와 도구 API가 존재한다면 파운데이션 모델에 인컨텍스트 러닝과 벡터 검색(pgvector)을 결합하는 것만으로도 충분한 프로덕션 성능을 낼 수 있습니다.

도메인 전문가가 직접 로직을 코딩하게 해야 합니다. 비개발자인 회계 전문가에게 파이썬 코드나 프롬프트 엔지니어링 문법을 가르치는 대신, 그들에게 익숙한 다이어그램 도구(Lucidchart)를 개발 환경으로 제공하고 이를 시스템이 컴파일하도록 설계했습니다. 이로써 AI 엔지니어의 병목 없이 현장 지식이 시스템에 실시간으로 반영되는 지속 가능한 운영 루프가 완성되었습니다.

복제 조건과 한계. 이 접근법이 효과를 보려면 업무 프로세스가 순서도(Flowchart) 형태로 명문화될 수 있는 결정론적 규칙을 내포하고 있어야 합니다. 또한 사내 내부 시스템과 데이터베이스에 프로그래밍 방식으로 안전하게 접근할 수 있는 모듈화된 API 인프라가 선행되어야 합니다. 3,500시간 절감은 카르타의 내부 추산치이며, 완전 무인 처리율이나 오류 발생 시 롤백 프로세스에 대한 세부 통계는 공개되지 않았습니다.

한 줄 교훈: 에이전트 성능의 핵심은 모델 자체가 아니라 도메인 전문가의 머릿속 의사결정 트리를 프롬프트로 번역해 내는 ‘맥락 파이프라인’에 있습니다.

6. 원문에 없는 추정 (구현 가설)

6.1 Lucidchart 노드 파싱과 동적 시스템 프롬프트 주입

근거: 원문은 전문가가 Lucidchart에 의사결정 트리를 그리면 사내 도구가 이를 JSON으로 변환하여 에이전트 프롬프트에 프로그래밍 방식으로 주입한다고 명시합니다.

실제 구현에서는 Lucidchart API를 통해 다이어그램의 각 도형(Shape), 연결선(Connector), 텍스트 라벨을 추출했을 것입니다. 각 결정 노드(Decision Node)는 “조건(Condition): 은행 적요란에 ‘Management Fee’ 키워드 포함 여부”, 실행 노드(Action Node)는 “도구 호출: GL API /v1/journal-entries 준비”와 같은 구조적 JSON 스키마로 파싱되었을 것입니다. 에이전트는 런타임에 거래 건별 속성에 맞는 해당 서브트리 JSON을 시스템 프롬프트의 지침(Instructions) 블록에 동적으로 바인딩하여 환각 없이 규칙에 부합하는 판단을 내렸을 가능성이 큽니다.

6.2 다중 원장 상태 검증과 예외 격리 롤백 메커니즘

근거: 원문은 오류 발생 시 처음부터 다시 시작하지 않고 잘못된 결정이 내려진 단계부터 재실행할 수 있는 기능과 도구 호출 단계별 로깅을 언급합니다.

이를 가능하게 하기 위해 카르타는 랭체인이나 독립적 워크플로 엔진 상에서 각 단계를 상태 머신(State Machine)의 체크포인트로 기록했을 것입니다. 은행 데이터 조회, 고객 메모 검색, 계정 매칭, 분개 초안 생성 등의 각 단계가 상태 저장소에 스냅샷으로 남기 때문에, 현업 담당자가 결과 화면에서 “계정 매칭 오류”를 수정하면 그 이전 단계의 API 조회 결과를 재사용하면서 후속 분개 초안 생성 단계만 즉시 재계산하는 방식으로 불필요한 LLM 비용과 응답 지연을 방지했을 것입니다.

7. 출처

* First Round Review — The Dynamic Context Problem: How Carta’s Internal AI Agents Save Thousands of Hours of Back-and-Forth Workhttps://www.firstround.com/ai/carta발행일: 2025-07-22 | 인터뷰: Jayant Tikmani, Vrushali Paunikar

This is a public episode. If you would like to discuss this with other subscribers or get access to bonus episodes, visit parkdaesun.substack.com

1. 왜 이 사례인가

대다수 기업은 생성형 AI를 ‘직원 개개인의 생산성을 올려주는 코파일럿(Copilot)’으로 도입합니다. 그러나 코파일럿은 기존의 위계적 보고 체계와 중간 관리자 구조를 그대로 둔 채 약간의 속도만 보탤 뿐, 조직이 일하고 의사결정하는 방식 자체를 바꾸지 못합니다.

블록(Block, 구 Square)의 창업자 잭 도시(Jack Dorsey)와 세쿼이아 캐피털(Sequoia) 매니징 파트너 룰로프 보타(Roelof Botha)는 2026년 3월 31일 공동 에세이 「From Hierarchy to Intelligence」를 통해 완전히 다른 전선을 선언했습니다. 지난 2,000년간 로마 군대에서 프로이센 참모본부, 19세기 철도 회사, 현대 매트릭스 기업으로 이어져 온 ‘인간 중간 관리자 기반의 정보 라우팅 구조(계층형 위계)’를 해체하고, 기업 전체를 하나의 ‘지능형 시스템(mini-AGI)’으로 재구축하겠다는 선언입니다.

이 선언이 단순한 경영 철학 에세이에 그치지 않는 이유는, 원격 근무(remote-first) 환경에서 축적되는 기계 판독 가능한 내부 작업 아티팩트와 스퀘어(Square)·캐시앱(Cash App)의 양면 결제 데이터라는 독점적 신호를 결합해 구체적인 4단계 시스템 아키텍처와 3가지 역할 모델을 제시했기 때문입니다.

중간 관리자의 정보 중계 역할을 대체하는 ‘기업 월드 모델(Company World Model)’과 금융 현실을 반영하는 ‘고객 월드 모델(Customer World Model)’을 기반으로, 기획자 중심의 정적 로드맵을 지능 레이어가 직접 조립하는 동적 솔루션으로 치환하겠다는 블록의 비전은 AI 시대 조직 설계(AX)의 가장 급진적인 청사진을 담고 있습니다.

2. Problem

2,000년 전 로마 군단의 8인 천막(contubernium)부터 백인대(century), 군단(legion)에 이르기까지, 대규모 조직은 한 명의 지휘관이 3~8명만을 효과적으로 통솔할 수 있다는 ‘통제의 범위(span of control)’ 제약 속에 갇혀 있었습니다.

19세기 프로이센 군대의 참모본부와 미국 철도 회사의 조직도, 프레더릭 테일러의 과학적 관리론, 전후 맥킨지의 매트릭스 구조까지 이어지는 조직 혁신의 역사는 모두 이 근본적인 모순을 우회하려는 시도였습니다. 통제의 범위를 좁히면 계층(layers)이 늘어나 정보 흐름이 극도로 느려지고, 계층을 줄이면 조직이 통제 불능에 빠집니다.

스포티파이의 스쿼드 모델, 자포스의 홀라크라시(Holacracy), 밸브(Valve)의 평평한 조직 등 실리콘밸리의 다양한 실험도 조직 규모가 수천 명에 이르면 결국 전통적 위계로 회귀했습니다. 계층 간 정보를 전달하고 사전에 결정을 조율하던 ‘중간 관리자’를 대체할 기술적 수단이 없었기 때문입니다.

기존 조직에서 중간 관리자는 팀에서 무슨 일이 일어나는지 파악하고, 상하좌우로 맥락을 전달하며, 정렬(alignment)을 맞추는 회의에 시간을 씁니다. AI를 단순히 개인별 코파일럿으로 배포하는 방식은 이 비효율적인 정보 라우팅 구조를 손대지 못한 채 현상 유지만 지원합니다.

확인된 사실: 잭 도시와 룰로프 보타는 역사적 위계 구조의 본질이 ‘인간 한계에 기초한 정보 라우팅 프로토콜’이며, 중간 관리 계층의 증가가 조직의 정보 속도를 늦추는 핵심 병목이라고 지적했습니다.

3. Solution

블록은 인간이 정보를 중계하는 위계 조직 대신, 조직 전체를 지속적으로 갱신되는 ‘지능 시스템’으로 대체하는 설계를 제시했습니다. 이 시스템은 4대 구성 요소와 3대 조직 역할로 재편됩니다.

3.1 4대 아키텍처 구성 요소

* 역량(Capabilities, 원자적 금융 기본 요소): 결제(payments), 대출(lending), 카드 발급(card issuance), 뱅킹, BNPL, 급여 등 원자 단위의 금융 프리미티브입니다. 자체 UI가 없으며 엄격한 신뢰성, 규제 준수, 성능 목표를 가진 레고 블록 형태입니다.

* 월드 모델(World Model, 내부 및 외부 이해):

* 기업 월드 모델(Company World Model): 블록의 원격 근무 체제에서 생성되는 모든 작업 아티팩트(결정, 논의, 코드, 디자인, 이슈)를 기계 판독 데이터로 수집하여, 무엇이 빌드 중이고 어디가 막혀 있는지 전사 상황을 실시간 모델링합니다. 과거 중간 관리자가 보고서와 회의로 전달하던 맥락을 시스템이 대체합니다.

* 고객 월드 모델(Customer World Model): 캐시앱(구매자)과 스퀘어(판매자)를 관통하는 수백만 건의 양면 금융 거래 데이터를 기반으로 고객과 가맹점의 재무 상태를 인과적·예측적으로 파악합니다. 설문조사나 광고 클릭과 달리 ‘돈의 흐름’이라는 가장 정직한 신호(honest signal)로 지속 학습됩니다.

* 지능 레이어(Intelligence Layer): 월드 모델이 파악한 상황에 맞춰 역량들을 동적으로 조합해 고객에게 선제적 솔루션을 제공합니다.

* 예시: 계절적 비수기를 앞둔 식당의 현금 흐름 압박을 감지하면, 지능 레이어가 대출 역량과 결제 역량을 조합해 상환 일정이 연동된 단기 대출을 사업주가 찾기도 전에 선제 제안합니다.

* 전통적인 제품 관리자(PM)가 가설을 세워 사전 정의한 로드맵을 만드는 것이 아니라, 지능 레이어가 솔루션을 조합하려다 특정 역량이 부족해 실패하는 신호 자체가 제품의 미래 로드맵(backlog)이 됩니다.

* 인터페이스(Interfaces, 접점): 스퀘어, 캐시앱, 애프터페이, 타이달(TIDAL), 비트키(Bitkey) 등 하드웨어 및 소프트웨어 표면입니다. 지능 레이어가 조합한 솔루션을 전달하는 통로이며, 가치의 원천은 인터페이스가 아닌 모델과 지능에 있습니다.

3.2 3대 역할 모델 (엣지로 이동한 인재)

지능이 시스템 내부에 안착함에 따라 직원의 역할은 시스템의 바깥 테두리인 ‘엣지(Edge)’로 이동합니다. 모델이 도달하지 못하는 영역(직관, 문화적 맥락, 윤리적 판단, 실존적 리스크가 걸린 고위험 결정)을 인간이 담당하며, 조직은 영구적인 중간 관리자 계층 없이 3가지 역할로 정규화됩니다.

* 개별 기여자(ICs): 역량, 월드 모델, 지능 레이어, 인터페이스를 구축하고 운영하는 전문 엔지니어·전문가입니다. 관리자의 지시를 기다릴 필요 없이 월드 모델이 제공하는 전사 맥락을 바탕으로 스스로 판단해 실행합니다.

* 직접 책임자(DRIs, Directly Responsible Individuals): 횡단적 문제(예: 특정 세그먼트 가맹점 이탈 방지 90일 프로젝트)나 고객 성과를 전담하며, 필요한 자원을 관련 역량 팀에서 끌어와 지휘합니다. 프로젝트 종료 시 해산되거나 다른 과제로 이동합니다.

* 플레이어-코치(Player-coaches): 직접 빌드(코드 작성, 모델 구축, 인터페이스 디자인)를 하면서 동시에 팀원의 성장을 돕습니다. 현황 보고 회의나 정렬 조율에 시간을 쓰지 않고(정렬은 월드 모델이, 전략은 DRI가 담당), 기술 전문성과 인재 육성에 집중합니다.

확인된 사실: 원격 근무 아티팩트 기반 기업 월드 모델, 양면 거래 기반 고객 월드 모델, 원자적 역량을 선제 조합하는 지능 레이어, 3대 역할(IC, DRI, 플레이어-코치)로 정규화된 비위계 조직 구조.

4. Impact

본 문서는 사후 성과 보고서가 아닌, 블록의 전사 조직 재편 선언이자 초기 실행 단계의 전략 에세이입니다.

잭 도시와 룰로프 보타는 블록이 이 전환의 초기 단계에 있으며, 제도가 안착하기 전까지 일부 시스템과 프로세스가 삐걱거리고 깨지는 진통을 겪을 것임을 공식적으로 인정했습니다. 그럼에도 불구하고, 조직 내 정보 전달 속도를 극대화하여 스타트업 수준의 속도를 기업의 영구적 복리 경쟁력으로 삼겠다는 목표를 분명히 했습니다.

(참고: 본 문서는 조직 철학 및 아키텍처 전환 선언문이므로, 헤드카운트 감축률이나 전사 영업이익률 개선과 같은 단기 정량 지표는 수록되어 있지 않습니다.)

확인된 사실: 2026년 3월 31일 발표, 초기 단계 진행 중 공식 표명, 영구 중간 관리 계층 해체 선언.

5. Insight

블록의 조직 전환 에세이는 기업이 AI를 도입할 때 마주해야 할 가장 본질적인 질문을 던집니다.

코파일럿인가, 구조의 재발명인가를 결정해야 합니다. 대부분의 기업은 기존 조직도에 AI를 끼워 넣는 ‘증강(augmentation)’에 만족합니다. 하지만 블록은 정보 라우팅을 사람이 담당하는 한 관료주의와 속도 저하를 피할 수 없다고 판단했습니다. AI 시대의 진짜 경쟁 우위는 직원 개인의 타이핑 속도가 아니라, 조직 전체의 정보가 왜곡 없이 실시간으로 흐르는 시스템을 구축하는 데서 나옵니다.

데이터의 질과 월드 모델의 선순환이 전제되어야 합니다. 기업 월드 모델이 작동하려면 모든 업무가 텍스트, 코드, 이슈 티켓 등 기계 판독 가능한 아티팩트로 남아야 합니다(원격 우선 문화). 또한 고객 월드 모델이 정교해지려면 설문이 아닌 ‘실제 돈의 흐름(양면 결제 데이터)’이라는 정직한 신호가 축적되어야 합니다. 고유한 데이터 자산과 시스템적 기록 문화가 없는 기업은 지능형 조직으로의 전환 자체가 불가능합니다.

복제 조건과 한계. 블록의 모델은 원격 근무 인프라, 고유한 양면 금융 네트워크, 고도로 표준화된 API 역량(Primitives)을 보유하고 있기에 시도할 수 있는 극단적인 모델입니다. 중간 관리자를 없애고 엣지의 IC에게 권한을 위임하기 위해서는 탁월한 역량의 인재 밀도(talent density)가 전제되어야 하며, 초기 과도기에서 커뮤니케이션 결손이나 책임 소재 모호성 같은 부작용이 발생할 위험이 큽니다.

한 줄 교훈: AI가 조직의 정보를 중계할 수 있게 되면 중간 관리의 필요성은 사라지며, 사람의 역할은 시스템이 닿지 못하는 현실의 가장자리(Edge)에서 직관과 책임을 발휘하는 것으로 재정의됩니다.

6. 출처

* Block Inside (Official Essay) — From Hierarchy to Intelligencehttps://block.xyz/inside/from-hierarchy-to-intelligence발행일: 2026-03-31 | 저자: Jack Dorsey, Roelof Botha

This is a public episode. If you would like to discuss this with other subscribers or get access to bonus episodes, visit parkdaesun.substack.com

1. 왜 이 사례인가

AI 고객센터 에이전트(Fin)로 시장의 주목을 받던 인터콤(Intercom)은 자체 GTM(Go-To-Market) 조직에서 정반대의 장벽을 마주했습니다. 제품은 최첨단 AI 에이전트였지만, Fin을 구매할 잠재 고객을 찾아내 영업 담당자에게 넘기는 과정은 파편화된 데이터와 불신으로 삐걱거리고 있었습니다.

영업팀이 CRM에 들어온 리드를 믿지 못해 매번 직접 검색하고 수동으로 재검증하는 현상은 대다수 B2B 기업의 고질병입니다. 인리치먼트 툴이 제각각 Salesforce에 데이터를 밀어 넣으면, 영업 대표는 점수의 산출 근거를 알 수 없어 이를 ‘블랙박스’로 취급하고 리스트를 외면합니다.

인터콤의 GTM Ops 팀은 외부 데이터 오케스트레이션 및 AI 에이전트 워크플로 플랫폼인 Clay를 도입해 타깃 발굴과 인리치먼트 프로세스를 완전히 재설계했습니다. 기존 툴들이 제공하는 단순 회사 규모나 업종 분류를 넘어, 웹사이트 상의 로그인 버튼, 무료 체험판 지원 여부, 고객 지원 채직 공고 등 Fin 도입 가능성을 예측하는 니치 신호를 자동으로 결합했습니다.

그 결과 인터콤은 단 한 달 만에 4,000개 이상의 타깃 기업을 발굴하고 21,000건의 연락처를 인리치먼트했으며, 아웃바운드 유입 파이프라인(outbound-sourced pipeline)을 140% 성장시켰다고 밝혔습니다. 이 사례는 AI 에이전트 시대의 아웃바운드가 단순히 콜드 메일을 대량 발송하는 것이 아니라, 현장 영업 사원이 납득할 수 있는 ‘추적 가능한 근거 데이터’를 에이전트형 파이프라인으로 실시간 공급하는 문제임을 보여줍니다.

2. Problem

인터콤이 AI 고객 서비스 에이전트인 Fin을 출시했을 때, 지원 문의량이 많고 Fin 도입 효과가 클 기업들을 정밀 타깃팅해야 했습니다. 그러나 기존의 GTM 환경에는 세 가지 결정적인 병목이 있었습니다.

첫째, 기존 표준 인리치먼트 도구의 정밀도 부족이었습니다. 일반적인 기업 통계(firmographics) 도구로는 Fin의 이상적 고객 프로필(ICP)을 나타내는 세부 신호를 잡아낼 수 없었습니다. 고객 지원 문의량이 실제로 많은 제품인지, 무료 체험판(free-trial) 옵션이 있는지, 최근 고객 서비스 직군 채용 공고를 냈는지와 같은 구체적 지표는 범용 데이터베이스에 존재하지 않았습니다.

둘째, 리스트 수작업 소싱에 소요되는 시간이었습니다. 계정 리스트를 하나 구축하기 위해 CSV 파일을 다운로드받아 정리하고, 다시 시스템에 임포트하고 매핑하는 수작업에 며칠씩 걸렸습니다.

셋째, 영업 대표(sales reps)들의 데이터 불신이었습니다. 여러 도구에서 산발적으로 인리치먼트된 데이터가 Salesforce로 직접 주입되다 보니, 영업 담당자들은 특정 계정이 왜 타깃으로 지정되었는지 경로를 볼 수 없었습니다. 분기 목표(quota)를 달성해야 하는 현장 영업팀 입장에서는 근거를 알 수 없는 리스트를 신뢰하지 않았고, 결국 자체적으로 계정을 재검색하는 비효율이 반복되었습니다.

Alexander DeMoulin(Intercom GTM Ops 디렉터)은 이 상황을 두고, 도구들이 제각각 밀어 넣는 데이터 때문에 영업 대표들이 계정 선정 배경을 전혀 알 수 없었던 점이 핵심 문제였다고 설명합니다.

확인된 사실: 표준 인리치먼트 도구의 니치 신호(지원량, 체험판, CS 채용 등) 식별 불가, CSV 정리 및 임포트에 수일 소요, 복수 도구에서 Salesforce로 직결되는 파편화로 인한 영업팀의 리드 불신, Alexander DeMoulin 디렉터의 증언.

3. Solution

인터콤은 150개 이상의 데이터 제공업체 마켓플레이스와 에이전트형 워크플로를 제공하는 Clay를 도입해, 계정 데이터 수집부터 검증, 영업 전달까지의 단일 파이프라인을 구축했습니다.

3.1 기존 고객 데이터 분석을 통한 Fin ICP 정밀화

인터콤의 RevOps 팀은 Clay의 데이터 마켓플레이스를 활용해 수천 건의 CRM 레코드에 기업 통계, 인원 변동 추이, 채용 공고, 기술 스택(technographic markers), 최근 뉴스 등을 결합했습니다.

이를 통해 고가치 고객들이 공통적으로 어떤 특성을 지니고 있는지 역분석했습니다. 지원 팀 규모부터 특정 채용 패턴까지 다양한 니치 속성을 실험하며 Fin 도입과 강한 상관관계를 보이는 지표들을 찾아냈습니다. DeMoulin은 이를 통해 어떤 신호가 Fin에 적합한 이상적 고객 프로필과 부합하는지 정확히 파악할 수 있게 되었다고 밝혔습니다.

3.2 지속적 인리치먼트 파이프라인 자동화

인터콤은 수작업 리스트 작성을 대체하기 위해 다중 신호를 연속적으로 감지하고 반영하는 자동화 플로우를 가동했습니다. 수집 및 추적 신호는 다음과 같습니다.

* 기업 통계(Firmographic data): 직원 수, 인원 증가율, 산업 분류

* 의도 신호(Intent signals): 직무 공고, 채용 트렌드, 직책 변경, 투자 유치

* 연락처 데이터(Contact data): 고객 지원 팀 규모, 관련 직책

* 기술 통계(Technographic data): 설치된 테크 스택, 클라우드 데이터 웨어하우스 사용 여부

* 웹사이트 속성(Website attributes): 로그인 버튼 유무, 체험판 옵션 제공 여부, 대규모 트래픽 지표

이 파이프라인을 통해 인터콤은 한 달 동안 4,000개 이상의 계정을 발굴하고 21,000명의 연락처를 인리치먼트했습니다. 데이터 플로우가 상시 구동되므로 정보가 항상 최신 상태로 유지됩니다.

3.3 ‘유리 상자(Glass Box)’ 운영 모델: 영업팀과의 투명한 피드백 루프

가장 중요한 운영상의 전환은 데이터 처리 과정을 투명하게 공개한 점입니다. RevOps와 영업 관리자가 함께 모여 실시간으로 필터를 조정하고 5분 안에 새 리스트를 생성해 파일럿을 돌릴 수 있는 환경을 만들었습니다.

특정 실험이나 필터 조건이 기대한 성과를 내지 못하면 즉석에서 타깃팅 기준을 바꾸고 새 필터를 적용했습니다. 영업 대표들은 각 계정이 어떤 신호와 규칙에 의해 고품질 리드로 분류되었는지 로우 데이터(raw signals) 수준까지 직접 확인할 수 있었습니다.

DeMoulin은 Clay가 해석 가능하고 감사가 가능한 ‘유리 상자(glass box)’ 역할을 했다고 표현합니다. 영업 사원이 특정 계정이 왜 유력 고객인지 그 이유를 알게 되면서 데이터 신뢰가 회복되었고, 행정적 준비 작업 없이 곧바로 대화에 돌입할 수 있었습니다.

확인된 사실: 150+ 데이터 제공자 마켓플레이스 활용, CRM 레코드 역분석을 통한 ICP 신호 규명, 5가지 범주의 다차원 신호(기업 통계, 의도, 연락처, 기술 통계, 웹 속성) 자동 추적, 월 4,000+ 계정 소싱 및 21,000 연락처 인리치먼트, 실시간 필터 조정 및 5분 단위 리스트 생성, 원천 신호가 영업 대표에게 노출되는 ‘유리 상자’ 모델.

4. Impact

Clay 사례 연구에 명시된 핵심 정량 및 정성 성과는 다음과 같습니다.

인터콤은 과거 며칠씩 걸리던 CSV 기반 수작업 프로세스를 5분 단위의 신속한 실험 루프로 단축했습니다. 무엇보다 영업 담당자가 데이터를 의심해 다시 조사하느라 낭비하던 행정적 수고를 없애고 잠재 고객과의 실질적 대화에 집중하게 만들었다는 점이 핵심 성과로 보고되었습니다.

(참고: 본 수치는 Clay 고객 사례 페이지에 공개된 내용 기준이며, 인터콤 전사 재무 보고서의 독립 감사 수치는 아닙니다.)

확인된 사실: 아웃바운드 파이프라인 140% 성장, 월 4,000+ 계정 소싱, 21,000 연락처 인리치먼트, 5분 단위 리스트 조정 및 즉각 반영.

5. Insight

인터콤의 GTM 전환 사례는 AI 에이전트와 데이터 자동화 도입 시 많은 조직이 간과하는 지점을 짚어줍니다.

자동화의 성패는 현장의 신뢰가 결정합니다. 아무리 정교한 AI 모델이나 방대한 데이터 파이프라인을 구축해도, 그것을 사용하는 영업 현장에서 산출물을 신뢰하지 못하면 파이프라인 전체가 멈춥니다. 인터콤이 ‘유리 상자’ 개념을 도입해 필터링 논리와 신호를 영업 대표에게 투명하게 공개한 것은, 현장 채택률(adoption)을 끌어올리기 위한 필수적인 운영 설계였습니다.

표준 통계 너머의 니치 신호를 포착해야 합니다. 대다수 아웃바운드 실패는 “모두가 보는 동일한 DB”에서 출발하기 때문에 발생합니다. 인터콤은 자사 제품(Fin)의 본질에 집중해, 웹사이트 상의 로그인 UI, 무료 체험판 링크, 지원 직군 채용 등 고객 지원 수요를 직접 반영하는 니치 신호를 조합했습니다. 제품별 고유 가치에 부합하는 신호를 찾아내는 작업이 도구 도입보다 선행되어야 합니다.

복제 조건과 한계. 이 모델이 작동하려면 기존 고객 데이터베이스(CRM) 내에 분석할 만한 유의미한 표본이 이미 존재해야 하며, 150여 개 데이터 소스를 오케스트레이션하고 API 연동을 관리할 수 있는 GTM Ops 전문 역량이 갖춰져 있어야 합니다. 또한 사례에 보고된 140% 파이프라인 성장은 벤더 마케팅 사례 연구에서 인용한 수치이므로 계약 규모, 파이프라인 전환율(Win-rate), 순매출 기여도 등 후속 지표에 대한 검증은 공개되어 있지 않습니다.

한 줄 교훈: GTM 자동화 파이프라인의 핵심은 대량 발송이 아니라, 영업 사원이 첫 문장을 던질 수 있는 확신을 주는 ‘근거의 투명성’에 있습니다.

6. 원문에 없는 추정 (구현 가설)

6.1 웹 속성 크롤링과 워터폴 인리치먼트 파이프라인

근거: 원문은 로그인 버튼 유무, 체험판 옵션 등 웹사이트 속성과 지원 팀 규모, 테크 스택 등 150여 개 데이터 제공자를 통한 지속적 인리치먼트를 언급합니다.

인터콤은 도메인 리스트를 입력받았을 때 1단계로 가벼운 웹 스크래퍼 및 헤드리스 브라우저 에이전트를 가동해 대상 웹사이트의 DOM 구조에서 로그인 포털 링크나 무료 체험판 가입 폼의 존재 여부를 감지했을 것입니다. 2단계로는 Apollo, Clearbit, LinkedIn 등 복수의 데이터 제공업체를 워터폴(waterfall) 방식으로 순차 호출하여 1차 공급자에 데이터가 없을 경우 다음 공급자로 넘어가는 방식으로 연락처 및 테크 스택 채우기 비율을 극대화했을 가능성이 높습니다. 이렇게 수집된 데이터는 정규화 과정을 거쳐 종합 ICP 점수로 합산되었을 것입니다.

6.2 Salesforce 양방향 동기화 및 영업 뷰 설계

근거: 원문은 과거 여러 도구가 Salesforce로 직접 데이터를 밀어 넣어 영업팀이 불신했으나, 이후 유리 상자처럼 원천 신호를 영업팀이 볼 수 있게 되었다고 기술합니다.

이 문제를 해결하기 위해 인터콤은 Clay의 산출물을 Salesforce의 단순 ‘리드 점수(Score)’ 단일 필드로 덮어쓰지 않고, ‘타깃 선정 근거(Fin Qualification Reasons)’와 같은 커스텀 필드나 위젯 형태로 원천 신호(예: “최근 30일 내 Zendesk에서 마이그레이션 신호 감지”, “CS 채용 공고 3건 등록 중”, “웹사이트 지원 포털 식별”)를 텍스트 및 태그 형태로 전달했을 것입니다. 이를 통해 영업 대표는 Salesforce 화면에서 별도의 외부 검색 없이도 해당 고객에게 즉시 접근할 수 있는 개인화된 맥락을 확보할 수 있었을 것입니다.

7. 출처

* Clay Customer Stories — How Intercom used Clay to build trust in GTM data and accelerate outbound executionhttps://www.clay.com/customers/intercom발행일: 2026-09 (last-modified 2026-09-18)(Intercom GTM Ops Director Alexander DeMoulin 인터뷰)

This is a public episode. If you would like to discuss this with other subscribers or get access to bonus episodes, visit parkdaesun.substack.com

1. 왜 이 사례인가

주택 담보 대출(모기지)은 일반 소비자가 일생 동안 내리는 가장 큰 금융 결정 중 하나입니다. 구매냐 재융자냐, 일반 대출(Conventional)이냐 정부 보증(FHA, VA)이냐, 15년이냐 30년이냐, 고정금리냐 변동금리냐에 이르기까지 수많은 복합 선택지가 얽혀 있습니다. 여기에 LTV, DTI(총부채상환비율), 할인 포인트, 대출 실행 수수료 등 복잡한 전문 용어가 쏟아져 대다수 소비자는 탐색 단계에서 극심한 정보 피로를 겪습니다.

25년 이상 대출 중개 플랫폼을 운영해 온 렌딩트리(LendingTree)는 단순 FAQ 수준의 단일 챗봇으로는 이 문제를 결코 풀 수 없다고 판단했습니다. 엄격한 금융 규제 환경에서 개인식별정보(PII)를 완벽히 보호하고 감사 추적(Audit Trail)이 가능한 컴플라이언스 체계를 갖추는 동시에, 복잡한 사용자 맥락을 해석하여 맞춤형 대출 상품을 추천하기 위해 Amazon Bedrock과 LangGraph 기반의 3자 멀티 에이전트 아키텍처를 전격 구축했습니다.

이 시스템은 상위 슈퍼바이저(Supervisor) 에이전트와 전문 역할을 분담한 2개의 하위 워커 에이전트(교육 에이전트, 매칭 에이전트)가 MCP(Model Context Protocol)로 통신하는 구조입니다. 2025년 말 상용 출시 후 2026년 1분기까지 집계된 실측 데이터에 따르면, 이 어시스턴트는 약 1,960건의 상담과 12,100건의 메시지를 소화하면서 97% 이상의 대화를 상담원 개입 없이 무인 완결(Containment)했습니다. 또한 초기 75%에 달하던 단순 교육형 질문을 거쳐 현재는 대화의 50% 이상이 실제 대출 금리 비교 및 사전 자격 심사(Prequalification)라는 고가치 전환 액션으로 직결되고 있습니다. 복잡한 규제 도메인에서 멀티 에이전트의 상태 관리와 책임 분리가 어떻게 작동해야 하는지 보여주는 대표적인 프로덕션 레퍼런스입니다.

2. Problem

렌딩트리가 주택 담보 대출 영역에서 AI를 설계할 때 부딪힌 문제는 단일 프롬프트나 정적 폼(Form) 인터페이스의 근본적 한계였습니다.

* 상황 의존적 다변수 질문의 복잡성: “FHA와 일반 대출의 차이가 무엇이고 내게 맞는 것은 무엇인가?”와 같은 질문은 단순 지식 검색으로 풀리지 않습니다. 사용자의 신용점수, 소득 상태, 계약 희망 시점, 과거 대화에서 언급한 특이사항이 결합되어야만 답변이 성립합니다. 기존의 고정형 질문지 폼으로는 “30일 내 콜로라도 스프링스에서 집을 사려는 650점 군인”과 같은 다차원적 조건을 온전히 포착하기 어려웠습니다.

* 엄격한 금융 규제와 안전성 요구: 모기지 산업은 개인정보 보호와 규제 준수가 타협 불가능한 전제 조건입니다. 혐오 발언이나 유해 콘텐츠 차단은 물론, 민감한 재정 데이터의 PII 마스킹, 모델 응답의 감사 가능성(Auditable path)이 보장되어야 했습니다.

* 단일 에이전트의 인지 과부하와 디버깅 불가: 지식 설명과 백엔드 대출 API 조회를 한 에이전트에게 몰아주면 프롬프트가 비대해지고 도구 호출 오류가 빈번해집니다. 대화가 꼬였을 때 어디서 잘못된 판단을 내렸는지 사후 추적하기도 불가능했습니다.

확인된 사실: 25년 이상의 대출 중개 역사, 복합 금융 용어와 상황 의존적 사용자 니즈, 엄격한 PII 및 규제 컴플라이언스 요구, 단일 에이전트의 한계 극복을 위한 멀티 에이전트 접근 필요성.

3. Solution

렌딩트리는 계획(Planning)과 실행(Execution)을 엄격히 분리하고, LangGraph와 MCP, 그리고 Amazon Bedrock의 모델 및 가드레일을 결합한 모듈식 아키텍처를 완성했습니다.

3.1 3자 멀티 에이전트 아키텍처 (LangGraph + MCP)

시스템은 명확한 역할 책임을 가진 3개의 독립 에이전트로 구성됩니다:

* 슈퍼바이저(Supervisor) 에이전트: 오케스트레이터 역할을 수행하는 상태 머신입니다. LangGraph의 ‘Plan-and-Execute’ 패턴을 따라 노드(의도 분석, 실행 계획 수립, 응답 합성)와 엣지(하위 워커 라우팅 판정)로 모든 경로를 결정론적이고 추적 가능하게 정의했습니다.

* 태스크 기반 모델 라우팅: 고난도 추론과 복합 분류, 실행 계획 수립에는 Amazon Nova Pro를 배치하고, 경량 대화 응답과 단순 분류에는 Amazon Nova Lite를 자동 교차 투입하여 추론 신뢰도와 비용 효율을 동시에 잡았습니다.

* 교육 워커(Education Worker): 인내심 있는 금융 튜터 역할을 맡습니다. Amazon Bedrock Knowledge Bases(OpenSearch Service 벡터 스토어 기반 완전 관리형 RAG)를 활용해 대출 유형, 자격 요건, 수수료 구조를 친절하게 설명합니다. 검색 전 “yes”, “잘 모르겠어요” 같은 짧은 답변을 이전 대화 맥락을 반영해 의미 있는 검색 쿼리로 재작성(Query Rewriting)하며, 의미 단위 청킹(Semantic Chunking)으로 검색 정확도를 극대화했습니다.

* 매칭 워커(Matching Worker): 실질적인 액션을 연결하는 커넥터입니다. 사용자의 선호 조건을 수집한 뒤 렌딩트리 내부의 대출처 검색, 금리 조회, 적격성 사전 심사 API를 호출하여 개인 맞춤형 대출 옵션을 실시간 비교 제공합니다.

* MCP 통신 및 연결 풀링: 슈퍼바이저는 워커들과 Model Context Protocol(MCP)을 통해 통신하며, 지연 시간을 최소화하기 위해 연결 풀링(Connection Pooling)을 적용했습니다. 이를 통해 각 워커는 서로 간섭 없이 독립적으로 업데이트, 배포, 롤백될 수 있습니다.

3.2 이중 병렬 안전 파이프라인 (Dual Concurrent Safety)

지연 시간(Latency) 증가 없이 안전성을 극대화하기 위해 두 가지 검증을 병렬로 가동했습니다:

* Amazon Bedrock Guardrails: PII 마스킹, 유해 콘텐츠 및 욕설 필터링, 프롬프트 인젝션 공격 방어를 수행합니다.

* LLM 기반 대화 정책 분류기: 렌딩트리 고유의 금융 비즈니스 정책 준수 여부를 검증합니다. 두 검증이 동시에 실행되므로 안전 장치로 인한 응답 지연을 실질적으로 제거했습니다. 또한 운영 규칙 레이어를 두어 한계를 넘는 문제는 즉시 인간 상담원 큐로 전환했습니다.

3.3 대화 세션 지속성 및 인프라

* PostgreSQL 체크포인터: Amazon RDS 상의 PostgreSQL을 LangGraph의 영구 체크포인터로 활용하여 세션 상태와 대화 메모리를 불변 저장했습니다. 사용자가 며칠 뒤 돌아오거나 서비스 컨테이너가 재시작되어도 이전 맥락이 온전히 유지됩니다.

* Amazon ECS + AWS Fargate: 모든 마이크로서비스는 컨테이너화되어 독립적으로 오토스케일링되며, Terraform과 GitLab CI/CD 파이프라인으로 무중단 배포됩니다.

확인된 사실: LangGraph Supervisor (Plan-and-Execute), Nova Pro / Nova Lite 멀티 모델 라우팅, Bedrock Knowledge Bases + OpenSearch Service, 내부 대출 API 연동 매칭 워커, MCP 통신 및 연결 풀링, RDS PostgreSQL 체크포인터, 병렬 Bedrock Guardrails + 정책 분류기, ECS Fargate 인프라.

4. Impact

AWS 머신러닝 공식 블로그에 발표된 렌딩트리의 프로덕션 운영 성과는 다음과 같습니다. (기준 기간: 2025년 말 상용 출시 ~ 2026년 1분기)

원문은 특히 평균 9분 이상 지속되는 멀티턴 대화 패턴에 주목합니다. 소비자가 일방적인 FAQ 조회가 아니라, 대화 속에서 자신의 신용 상태와 선호 조건을 구체화하며 시스템을 신뢰할 수 있는 재정 파트너로 인식하고 있음을 증명하는 지표입니다.

5. Insight

렌딩트리의 구축 사례는 복합적인 비즈니스 도메인에서 프로덕션 멀티 에이전트를 성공시키기 위한 핵심 설계를 보여줍니다.

계획과 실행을 분리해야 합니다. 슈퍼바이저의 노드와 엣지를 결정론적으로 구성하고 계획 수립과 워커의 세부 실행을 격리했습니다. 대화 흐름의 모든 단계가 감사 가능(Auditable)해져 장애 발생 시 어느 노드에서 잘못된 판단이 발생했는지 즉시 규명할 수 있습니다.

성공적인 RAG는 검색 전 전처리에 있습니다. 고정 크기 청킹 대신 문맥 의미 단위로 문서를 쪼개는 시맨틱 청킹(Semantic Chunking)을 채택하고, 고객의 모호한 단답형 입력을 직전 맥락을 종합해 완전한 검색 쿼리로 재작성(Query Rewriting)하는 파이프라인을 구축함으로써 검색 실패를 획기적으로 낮췄습니다.

태스크별 모델 차등 투입의 경제학이 중요합니다. 모든 대화 생성에 최상위 추론 모델(Nova Pro)을 쓸 필요는 없습니다. 복합 계획과 분류에는 상위 모델을, 일상적 문장 생성에는 경량 모델(Nova Lite)을 라우팅함으로써 엔터프라이즈급 추론 비용 통제를 달성했습니다.

공통 런타임으로 진화하고 있습니다. 렌딩트리는 이번 경험을 통해 에이전트를 일회성으로 만드는 것을 지양하고, 공통 컨텍스트 레이어, MCP 규약, 컴포넌트 레지스트리를 표준화하고 있습니다. 특히 수작업으로 구축한 ECS 컨테이너 및 RDS 체크포인터 관리 부담을 덜기 위해 완전 관리형 AgentCore로의 아키텍처 전환을 검토하고 있다는 점은 향후 엔지니어링 효율화의 방향을 시사합니다.

6. 원문에 없는 추정 (구현 가설)

6.1 LangGraph 슈퍼바이저의 복합 의도 분해 및 MCP 병렬 디스패치 파이프라인

근거: 원문은 “FHA와 일반 대출의 차이가 무엇이고 내게 맞는 것은 무엇인가?”라는 질문에 대해 슈퍼바이저가 의도를 분석하고 교육 워커와 매칭 워커로 라우팅한 뒤 응답을 합성한다고 설명합니다.

실제 실행 흐름에서 사용자의 질문이 인입되면 슈퍼바이저 노드는 Amazon Nova Pro를 호출하여 시스템 프롬프트에 정의된 Pydantic 스키마 기반 구조화된 JSON 출력을 생성했을 것입니다. 이 스키마는 대화 의도를 [{"worker": "education", "intent": "compare_loan_types", "params": {"types": ["FHA", "conventional"]}}, {"worker": "matching", "intent": "recommend_option", "params": {}}]과 같은 복수의 서브 태스크로 분해합니다. 슈퍼바이저는 비동기 이벤트 루프(asyncio)를 통해 교육 워커와 매칭 워커의 MCP 클라이언트로 병렬 요청을 전달했을 개연성이 높습니다. 매칭 워커가 사용자의 누락된 프로필(예: 신용점수 또는 다운페이먼트 가용액)을 감지하여 추가 질문을 반환하고 교육 워커가 두 대출의 핵심 개념 차이를 반환하면, 슈퍼바이저의 리스폰스 합성 노드가 이를 하나의 매끄러운 단일 답변으로 버무려 사용자에게 출력하는 방식으로 작동했을 것으로 추정됩니다.

6.2 PostgreSQL 체크포인터와 분산 트레이싱을 결합한 세션 복구 메커니즘

근거: 원문은 RDS PostgreSQL 기반 LangGraph 체크포인터를 통해 대화 상태를 지속 관리하고, CloudWatch 및 AWS X-Ray로 3개 에이전트 간 트레이스를 추적한다고 기술합니다.

이 상태 복구 메커니즘은 분산 환경의 장애 허용성(Fault Tolerance)을 완벽히 보장하도록 구현되었을 것입니다. 사용자의 매 턴 입력과 에이전트의 내부 사고 단계(Thought, Action, Observation)가 완료될 때마다 고유한 세션 UUID와 턴 인덱스를 키로 삼아 대화 상태 그래프 전체가 PostgreSQL 테이블에 트랜잭션 단위로 직렬화(Serialization)됩니다. 만약 워커 에이전트 컨테이너가 API 응답 대기 중 타임아웃을 겪거나 재시작되더라도, 오케스트레이터는 DB에서 직전 체크포인트를 즉시 복원하여 이전 상태부터 안전하게 재시도할 수 있습니다. 이때 AWS X-Ray의 TraceId가 사용자 브라우저 요청 헤더에서 시작하여 슈퍼바이저, MCP 호출, 백엔드 대출 API까지 일관되게 전파(Context Propagation)됨으로써, 운영팀은 단일 세션 대시보드에서 3개 컨테이너 간의 지연 시간 병목과 실패 지점을 1초 내로 파악할 수 있었을 것으로 분석됩니다.

7. 출처

* AWS Machine Learning Blog — How LendingTree built a multi-agent mortgage assistant on Amazon Bedrockhttps://aws.amazon.com/blogs/machine-learning/how-lendingtree-built-a-multi-agent-mortgage-assistant-on-amazon-bedrock/발행일: 2026-08-05(저자 Eric Hanson, Bhanusree Vadlamudi, Ramesh Eega; LendingTree SVP Technology Srinivas Madabushi 인용; Bedrock Nova Pro/Lite, LangGraph Supervisor, MCP, ECS Fargate, 97% 완결율, 1,960건 대화, 평균 9분 인게이지먼트)

This is a public episode. If you would like to discuss this with other subscribers or get access to bonus episodes, visit parkdaesun.substack.com

1. 왜 이 사례인가

스타트업이 프로덕트 라인업을 확장하고 마켓플레이스로 진화할 때 흔히 마주하는 공식은 ‘인력의 선형적 확대’입니다. 제품 표면적이 넓어질수록 기획자, 개발자, 지원 인력을 대거 충원해야만 속도를 유지할 수 있다는 믿음 때문입니다.

하지만 7,000만 명의 사용자와 매주 80,000건의 신규 가입을 처리하는 링크인바이오(Link-in-bio) 대표 플랫폼 링크트리(Linktree)는 2025년 사업 계획 수립 과정에서 정반대의 길을 선택했습니다. 크리에이터 커머스와 글로벌 브랜드 스폰서십을 아우르는 2차 마켓플레이스로의 대대적 확장을 앞두고, 링크트리 경영진은 대규모 채용 대신 200명 미만의 슬림한 조직 규모를 유지한 채 AI 에이전트와 도구를 극대화하여 조직 전체의 산출량을 스케일링하는 실험에 베팅했습니다.

그 결과는 인상적이었습니다. 자율 코딩 에이전트 데빈(Devin)이 반복적인 백로그와 종속성 업그레이드를 흡수하며 한때 주간 사내 PR 랭킹 1위를 기록했고, 고객 지원 티켓의 50%를 AI(Lorikeet)가 자동 해결(연말 목표 75%)하며 지원 인력의 증원 없이 주당 8만 명의 신규 사용자를 방어했습니다. 또한 7,000만 개 프로필의 유해 콘텐츠 검열 파이프라인에 경량 고효율 모델(Gemini 2.0 Flash)을 전격 도입하여 연간 비용을 52만 달러에서 2만 달러로 25분의 1(96%) 절감했습니다. 링크트리의 사례는 도구 도입을 넘어 기술 부채 정리, 프롬프트 기반의 기획(PRD) 대체, 그리고 시니어 엔지니어의 에이전트 위임 역량을 조직화한 엔드투엔드 AX 플레이북입니다.

2. Problem

링크트리가 2025년 초 직면한 문제는 전형적인 성장통이었습니다. 단순한 링크 모음 서비스를 넘어 크리에이터 수익화(Amazon, Target 등 제휴 커머스 및 디지털 다운로드 판매)와 엔터프라이즈 브랜드 캠페인(Hulu 등의 링크 배치 및 메시징)을 포괄하는 양면 플랫폼을 구축해야 했습니다.

* 폭발적으로 넓어진 제품 표면적과 채용 딜레마: 자오나 장(Jiaona Zhang) 당시 CPO가 회고하듯, 플랫폼 비즈니스는 얇고 넓게 만들 수 없으며 깊이 있는 완성도를 요구했습니다. 초기 계획대로라면 대규모 엔지니어링 및 운영 인력 채용이 불가피했지만, 파르나즈 아즈무데(Farnaz Azmoodeh) CTO는 조직 규모가 커지면서 필연적으로 발생하는 소통 비용과 문화적 관성을 경계했습니다. 200명 미만의 기민함을 유지하면서 확장할 방법이 절실했습니다.

* 7년 된 레거시 코드베이스와 에이전트의 충돌: 여러 코딩 도구를 도입했으나, 7년 넘게 누적된 기술 부채와 파편화된 저장소, 비일관적인 이벤트 스키마로 인해 AI 에이전트가 런타임 오류를 뿜어내거나 잘못된 코드를 생성하는 일이 잦았습니다. 에이전트 도입 초기에 개발자들 사이에서 “에이전트가 무능한 인턴 같다”는 회의론이 팽배했습니다.

* 콘텐츠 검열과 지원 운영의 비용 급증: 7,000만 개 프로필을 모니터링하기 위해 기존의 선형 회귀 머신러닝 모델(정확도 70%대 중반)을 최신 상용 LLM으로 교체하려 하자, 성인물 단일 분류기 운영비만 연간 52만 달러($520,000)에 달하는 견적이 나왔습니다. 주당 8만 명의 가입자를 맞이하는 CS 조직 역시 인력 충원 없이는 지탱하기 힘든 한계에 도달했습니다.

확인된 사실: 7천만 사용자 및 주당 8만 신규 가입, 200명 미만 조직 규모, 방대한 양면 마켓플레이스 확장 과제, 7년 된 레거시 코드베이스의 스키마 부채, 성인물 분류 비용 연간 52만 달러 돌파 위기.

3. Solution

링크트리는 툴 쇼핑에 머무르지 않고, 엔지니어링 인프라 정비, 체계적인 도구 가지치기, 조직적 습관 개조를 동시 추진했습니다.

3.1 실험 후 단호한 가지치기(Prune)와 보안 승인 단축

링크트리는 깃허브 코파일럿을 시작으로 Replit, Bolt, Lovable, v0, Cursor, Devin, Claude Code 등 다양한 AI 도구를 현장에 풀었습니다. 보안 및 IT 팀은 신규 도구 검토를 4~6시간 이내에 완료하는 패스트트랙 SLA를 약속하며 병목을 없앴습니다.

* Cursor 단일 표준화: 전체 코드베이스의 맥락 파악력과 자동완성 완성도에서 압도적인 우위를 보인 Cursor를 엔지니어링 IDE 단일 표준으로 낙점하고, 파편화된 여타 보조 도구들을 퇴출시켰습니다.

* Devin의 실무 투입: 단순 잡무에 특화된 Devin의 역할을 명확히 규정했습니다. ① 신규 기능 스파이크 및 버그 픽스 프로토타이핑, ② 다중 저장소 전반의 종속성(Node.js 등) 일괄 업그레이드, ③ Datadog MCP를 결합한 근본 원인 디버깅, ④ 공통 보안 취약점 패치 복제에 집중 배치했습니다.

3.2 AI를 위한 기술 부채(AI-Readiness) 선제 청산

아즈무데 CTO는 에이전트의 실패 원인이 모델이 아니라 사내 시스템의 모호성에 있음을 간파했습니다. 링크트리는 “AI가 제대로 일하기 위해 시스템에 무엇이 갖춰져야 하는가?”를 묻고 다음과 같은 기술 부채 청산을 우선순위에 올렸습니다:

* 여러 저장소에 걸친 네이밍 컨벤션 표준화.

* GraphQL API 사양의 완벽한 문서화 및 이벤트 스키마 정의 통일 (컴파일은 되지만 런타임에 터지는 코드 방지).

* 에이전트가 폐기된 레거시 API를 참조하지 않도록 전사 종속성 버전 일괄 최신화.

3.3 바이모달(Bimodal) 적응과 에이전트 ‘매니지먼트’ 관점 정립

사내 AI 도입 과정에서 흥미로운 바이모달 현상이 관찰되었습니다. 주니어 엔지니어들은 AI 도구를 자연스럽게 받아들였지만, 도구를 가장 효과적으로 다룬 것은 시니어 엔지니어들이었습니다.

* 에이전트를 요술봉이 아니라 ‘경험 없는 주니어 팀원’으로 대하고, 충분한 맥락과 작업 범위를 명확히 위임하는 능력은 매니저가 팀원을 코칭하고 위임하는 기술과 본질적으로 같았기 때문입니다.

* CTO는 엔지니어별 AI 도구 활용률 대시보드를 직접 구축한 뒤, 활용도가 낮은 엔지니어에게 슬랙 DM(“무엇이 불편한가?”)을 보내며 초기 진입 장벽을 집요하게 제거했습니다.

3.4 전사 확산: 고객 지원, 콘텐츠 검열, 기획 프로세스

* 고객 지원 (Lorikeet 도입): Fin, Decagon과의 경합 끝에 세밀한 룰 제어와 시스템 연동 유연성을 갖춘 Lorikeet을 선정했습니다. 이를 통해 수만 명의 인입 티켓을 흡수했습니다.

* 초저비용 콘텐츠 검열: 고비용 대형 LLM 대신 Gemini 2.0 Flash로 분류 파이프라인을 전환하여 높은 정밀도와 재현율을 유지하면서 비용을 대폭 절감했습니다.

* “프롬프트가 새로운 PRD다”: 기획자(PM)와 디자이너가 Lovable이나 Figma Make로 프로토타입을 반복 테스트한 뒤, 최종 프롬프트 히스토리를 요약한 단일 블루프린트 프롬프트를 Cursor와 Devin에 전달하여 프로덕션 PR을 생성하는 방식으로 역할 경계를 허물었습니다.

확인된 사실: Cursor 단일화, IT/보안 4-6시간 승인 SLA, Node.js 업그레이드 및 Datadog MCP 디버깅에 Devin 투입, 스키마 및 GraphQL 부채 청산, Lorikeet 도입, Gemini 2.0 Flash 전환, 프롬프트 기반 프로덕션 PR 전환.

4. Impact

First Round 인터뷰를 통해 공개된 링크트리의 정량적 성과는 다음과 같습니다. (기준일: 2025-08-28)

아즈무데 CTO는 “채용 속도를 늦추고 인력 제약을 설정했을 때 비로소 근본적인 시스템을 고치고 프로세스를 혁신하려는 압력이 발생한다”며 인위적인 린(Lean) 제약이 가져온 혁신 효과를 강조했습니다.

5. Insight

링크트리의 사례는 스타트업이 규모의 함정에 빠지지 않고 AI를 통해 레버리지를 극대화하는 방법을 명쾌하게 보여줍니다.

에이전트를 쓰기 전에 코드베이스의 스키마 부채부터 갚아야 합니다. 에이전트의 코드 생성이 실패하는 진짜 원인은 대개 모델의 지능 부족이 아니라 사내 시스템의 모호함입니다. GraphQL 사양 정의, 이벤트 스키마 통일, 네이밍 규칙 정비 등 ‘기계가 읽기 쉬운 코드베이스’를 만드는 리팩토링이 선행되어야 에이전트가 헛발질하지 않습니다.

에이전트 위임 역량은 매니지먼트 역량과 같습니다. 에이전트를 마법 지팡이로 여기는 주니어는 첫 실패에 실망하고 맙니다. 반면 업무 맥락(Context)을 명확히 쪼개고 한계를 인지하며 코칭하듯 프롬프트를 다루는 시니어 엔지니어가 에이전트로부터 가장 큰 생산성을 뽑아냅니다. 에이전트 활용은 코딩이 아니라 ‘위임’의 기술입니다.

값비싼 프런티어 모델 만능주의를 경계해야 합니다. 대규모 트래픽이 발생하는 운영 태스크(콘텐츠 검열 등)에 무턱대고 최상위 상용 모델을 쓰면 감당할 수 없는 비용 청구서가 돌아옵니다. Gemini 2.0 Flash와 같은 최신 소형·고효율 모델로 적재적소에 전환함으로써 52만 달러를 2만 달러로 줄인 링크트리의 결단은 인프라 경제학의 본보기입니다.

6. 원문에 없는 추정 (구현 가설)

6.1 Datadog MCP와 결합한 Devin의 자율 디버깅 및 패치 파이프라인

근거: 원문은 엔지니어들이 Datadog의 MCP(Model Context Protocol)를 Devin에 연결하여 버그 영향도를 평가하고, 저장소 전반의 종속성 업그레이드와 보안 취약점 수정을 일괄 자동화했다고 명시합니다.

실제 디버깅 워크플로는 Slack 또는 Linear 이슈 인입에서 출발했을 것입니다. 운영 중 예외 로그가 폭증하면 Datadog 모니터가 경보를 울리고, Devin 에이전트는 Datadog MCP 서버를 통해 해당 오류의 발생 빈도, 영향을 받는 사용자 세션 ID, 스택 트레이스를 직접 질의하여 추출합니다. 수집된 트레이스를 기반으로 Devin은 로컬 Git 작업 공간에서 관련 서비스의 소스 코드를 검색하고 오류가 발생한 함수를 특정합니다. 이후 단위 테스트를 작성해 결함을 재현한 뒤, 패치 코드를 적용하여 테스트가 통과하는 것을 확인하고 GitHub에 PR을 생성하는 엔드투엔드 파이프라인으로 구성되었을 개연성이 높습니다. PR 본문에는 Datadog에서 조회한 ‘에러 발생 빈도 변화 그래프’와 ‘테스트 실행 로그’가 자동으로 첨부되어 인간 리뷰어의 승인 시간을 단축시켰을 것으로 추정됩니다.

6.2 Lovable/Figma Make에서 프로덕션 PR로 이어지는 프롬프트 블루프린트 변환 파이프라인

근거: 원문은 디자이너와 PM이 Lovable/Figma Make에서 시각적 프로토타입을 완성한 후 요약 프롬프트를 추출하여, 실제 사내 저장소에 연동된 Cursor/Devin으로 프로덕션 PR을 배포하는 워크플로를 구축했다고 밝힙니다.

이 구현은 비개발자의 시각적 결과물을 엔지니어링 규격으로 매핑하는 브릿지 단계가 핵심이었을 것입니다. PM이나 디자이너가 프로토타입 도구와 나눈 수십 차례의 대화 히스토리에서 “요약 프롬프트 생성기”가 최종 UI 상태, 컴포넌트 계층, 인터랙션 상태 변경 로직만을 구조화된 마크다운 명세서로 압축합니다. 이 명세서가 Cursor나 Devin에 전달되면, 에이전트는 링크트리의 공통 디자인 시스템(Design Tokens, React 컴포넌트 라이브러리) 및 GraphQL 엔드포인트를 매핑하여 사내 코딩 표준에 맞는 프론트엔드 코드를 작성합니다. 결과적으로 비개발자는 복잡한 Git 브랜치나 터미널 조작 없이도 프로덕션 규격에 부합하는 클린한 PR 초안을 자동 생성할 수 있었을 것으로 분석됩니다.

7. 출처

* First Round Applied Intelligence — Scale Smarter, Not Bigger: How Linktree is Using AI to Accelerate (Scale Without Size: How Linktree is Using AI to Accelerate and Do More With Less)https://www.firstround.com/ai/linktree발행일: 2025-08-28(CTO Farnaz Azmoodeh, 전 CPO Jiaona Zhang, CEO Alex Zaccaria 인터뷰; 7천만 사용자, 200명 미만 린 스케일링, Devin 주간 PR 1위, Lorikeet CS 50% 해결, Gemini 2.0 Flash 검열 비용 $520k→$20k)

This is a public episode. If you would like to discuss this with other subscribers or get access to bonus episodes, visit parkdaesun.substack.com

1. 왜 이 사례인가

대규모 고객 경험(CX) 및 비즈니스 프로세스 아웃소싱(BPO) 산업은 수십 년간 저임금 노동력과 인력 규모 확장에 의존해 왔습니다. 그러나 생성형 AI와 자율 에이전트 기술이 본격적으로 등장하면서 전통적인 인력 중심의 외주 운영 모델은 심각한 구조적 전환 압박에 직면했습니다. 단순 상담 문의의 무인 자동화율이 급상승하는 상황에서 기존 BPO 기업이 생존하려면 사람을 단순히 줄이는 것을 넘어, 사람과 AI가 공존하는 하이브리드 운영 체계로 조직 전체를 탈바꿈해야 했습니다.

글로벌 디지털 서비스 및 CX 전문 기업 코넥타(Konecta)는 이 전환을 가장 공격적인 규모로 실행에 옮긴 대표적인 기업입니다. 보스턴컨설팅그룹(BCG)과 그 기술 자회사 BCG X와의 협력을 통해 Konecta는 불과 12개월 만에 전 세계 28개국 운영 거점에 걸쳐 80개 이상의 생성형 AI 솔루션을 구축 및 확산시켰습니다.

현재 Konecta 전사에서 25,000명 이상의 직원이 일상 업무에서 사내 AI 솔루션을 활용하고 있으며, 첫해에만 평균 상담 처리 시간(AHT) 최대 35% 단축, 전환율(Conversion Rate) 최대 40% 향상, 그리고 수백만 달러 규모의 비즈니스 가치 창출이라는 측정 가능한 성과를 입증했습니다. 이 사례는 거대 조직이 어떻게 단일 통합 플랫폼(Kolibri)과 역할 재정의(하이브리드 에이전트 매니저)를 통해 28개국이라는 방대한 현장에 AI를 실질적으로 안착시켰는지 보여주는 교과서적인 전환 모델입니다.

2. Problem

Konecta가 마주한 문제는 개별 상담 단위의 자동화 기술 부족이 아니었습니다. 전 세계 28개국에 걸친 다양한 고객사, 산업군별 특화 요구 사항, 수만 명에 이르는 현장 인력이라는 거대한 복합체를 어떻게 흔들림 없이 동시에 변화시킬 것인가의 문제였습니다.

* 파편화된 고객사별 요구와 수작업 운영: Konecta는 통신, 금융, 리테일 등 다양한 산업군의 글로벌 기업들에게 CX 서비스를 제공하고 있었습니다. 각 고객사마다 요구하는 버티컬 유스케이스와 시스템 연동 조건이 달라, 개별 프로젝트마다 AI 기술을 일일이 파편화하여 적용하면 확장 속도가 뒤처지고 거버넌스 통제가 불가능해지는 위험이 있었습니다.

* 기술 중심 접근의 한계: 급변하는 생성형 AI 환경에서 매번 새로운 모델이나 툴을 도입하더라도, 현장 상담원과 관리자가 일하는 방식을 바꾸지 않으면 도입된 기술은 겉돌 수밖에 없었습니다. 특히 전통적인 인력 기반 BPO 수익 모델에 익숙했던 영업 및 현장 운영진에게 새로운 하이브리드 가치 제안을 납득시키는 것은 중대한 조직적 난제였습니다.

* 인간과 AI의 충돌 우려: 현장 상담 인력에게 AI 도입은 일자리 축소와 직무 불안정으로 인식되기 쉬웠습니다. AI 에이전트와 사람 상담원이 업무를 매끄럽게 주고받으며 시너지를 내는 운영 규범이 마련되지 않는다면, 현장의 거부감으로 인해 프로젝트 전체가 표류할 위험이 컸습니다.

확인된 사실: 글로벌 28개국 운영 환경, 다양한 산업 버티컬 고객사 대응 필요성, 현장 조직 전체의 일하는 방식 재편 요구, BCG X 파트너십을 통한 전환 착수.

3. Solution

Konecta와 BCG는 단순한 솔루션 도입을 넘어 거버넌스 플랫폼 구축과 전사 조직 체질 개선을 포괄하는 다층적 로드맵을 가동했습니다.

3.1 기술·사람·데이터의 거버넌스 플랫폼: 콜리브리(Kolibri)

Konecta는 현장의 모든 AI 실험과 솔루션을 하나로 통합 관리하기 위해 사내 통합 플랫폼 콜리브리(Kolibri)를 론칭했습니다. Kolibri는 기술 인프라, AI 에이전트, 인간 인재, 고객 데이터를 하나의 안전하고 통제된 거버넌스 환경 안에서 유기적으로 결합합니다.

* BCG X Deep Customer Engagement AI 접목: BCG X가 보유한 CX 특화 AI 가속 엔진을 기반으로, 고객사별로 상이한 산업 버티컬 요구에 최적화된 맞춤형 솔루션을 신속하게 발굴하고 조정했습니다.

* 반복 가능한 솔루션 스케일링: 개별 고객사용 AI 봇을 매번 바닥부터 만들지 않고, Kolibri 플랫폼 위에서 검증된 에이전트 템플릿과 데이터 파이프라인을 재사용함으로써 12개월 동안 80개 이상의 생성형 AI 구현체를 28개국 현장에 초고속으로 전개할 수 있었습니다.

3.2 10-20-70 원칙에 기반한 전사적 변화 관리

Konecta의 전환은 BCG의 핵심 AI 변혁 원칙인 10-20-70 프레임워크를 철저히 따랐습니다.

* 10% 알고리즘/모델 인텔리전스: 최적의 파운데이션 모델 및 알고리즘 선정.

* 20% 데이터 및 기술 인프라: 백엔드 데이터 결합 및 플랫폼 파이프라인 구축.

* 70% 인적 조직 변화 관리: 프로세스 재설계, 직무 재교육, 조직 문화 혁신.

이 70%의 변화를 완성하기 위해 Konecta는 C-레벨부터 중간 관리자, 일선 상담원에 이르는 전사적 재교육 기관인 코넥타 아카데미(Konecta Academy)를 설립했습니다. 아카데미를 통해 새로운 업무 방식과 실무 스킬셋을 집중 전파했으며, 전통적인 맨아워(공수) 중심 상업 모델을 탈피하여 AI 기반 가치 중심 오퍼링으로 전환할 수 있도록 영업 부서의 체질까지 전면 재교육했습니다.

3.3 신규 직무 신설: ‘하이브리드 에이전트 매니저(Hybrid Agent Manager)’

현장 운영 단계에서 사람과 AI의 충돌을 방지하고 상호 보완적 협업을 정착시키기 위해, Konecta는 하이브리드 에이전트 매니저라는 전담 운영 직무를 공식 신설했습니다. 이들은 일선 운영 현장에 상주하며 사람 상담원과 AI 에이전트 사이의 접점, 업무 배분, 실시간 핸드오프 품질, 그리고 예외 상황의 피드백 루프를 총괄 감독하는 중추 역할을 담당합니다.

확인된 사실: BCG X Deep Customer Engagement AI 활용, 12개월 내 80+ GenAI 배포 완료, 통합 플랫폼 Kolibri 구축, 10-20-70 원칙 적용, Konecta Academy를 통한 전사 교육, 하이브리드 에이전트 매니저 직무 신설, 25,000+ 명 활성 사용자 확보.

4. Impact

BCG 케이스 발표에 공개된 Konecta의 1차년도 정량적 실측 성과는 다음과 같습니다.

누르딘 비만(Nourdine Bihmane) Konecta CEO는 “기술 환경은 빠르게 변하고 있었으며, 고객에게 제공하는 버티컬 유스케이스에 가장 적합한 솔루션을 식별하는 데 파트너가 필요했습니다. BCG X와 함께 최신 기술을 도입하고 상황에 맞게 즉시 조정하며 모든 조직원이 함께 학습했습니다”라고 밝혔습니다.

5. Insight

Konecta의 대규모 AX 사례는 인력 집약적 서비스 산업에서 AI 에이전트를 안착시키기 위한 본질적 교훈을 제공합니다.

기술 30%보다 조직 70%가 승패를 가릅니다. 많은 기업이 최신 거대언어모델(LLM) 선택이나 파인튜닝 기법에 매몰됩니다. 그러나 Konecta의 10-20-70 원칙이 보여주듯, AI가 생성한 결과물을 현장 직원이 신뢰하고 자연스럽게 워크플로에 녹여내지 못하면 기술 투자는 공염불이 됩니다. Konecta Academy와 상업 모델의 개편이 동반되었기에 25,000명이라는 대규모 확산이 가능했습니다.

에이전트 관리자가 새로운 오퍼레이션의 표준입니다. AI 에이전트가 도입된다고 해서 현장 관리자의 역할이 사라지지 않습니다. 오히려 사람 팀원을 관리하던 매니저는 AI 에이전트의 응답 품질, 환각 여부, 사람 상담원과의 티켓 이관 효율을 모니터링하는 ‘하이브리드 에이전트 매니저’로 진화해야 합니다.

단일 거버넌스 플랫폼(Kolibri)이 필수적입니다. 28개국에 걸친 다국적 운영에서 개별 지사가 독자적인 AI 툴을 각자 도입했다면 데이터 유출 위험과 비용 비효율을 통제할 수 없었을 것입니다. 공통 데이터와 에이전트 라이브러리를 통합 관리하는 단일 플랫폼을 선제 구축한 것이 80개 이상의 솔루션을 동시 가동한 원동력이었습니다.

6. 원문에 없는 추정 (구현 가설)

6.1 Kolibri 플랫폼의 다국어 버티컬 에이전트 라우팅 및 템플릿 아키텍처

근거: 원문은 28개국에 걸친 다양한 고객사 버티컬 유스케이스를 위해 기술, 에이전트, 인재, 데이터를 결합한 통합 거버넌스 플랫폼 Kolibri를 구축했다고 명시합니다.

실제 시스템 아키텍처 관점에서 Kolibri는 멀티 테넌트(Multi-tenant) 클라우드 환경 위에 오케스트레이션 게이트웨이를 두고 구현되었을 가능성이 높습니다. 통신, 금융, 리테일 등 각 고객사별로 사전 정의된 에이전트 템플릿(예: 인텐트 분류기, 지식 검색 RAG 모듈, CRM 연동 커넥터)이 카탈로그 형태로 등록되어 있고, 현장 엔지니어는 그래픽 인터페이스나 설정 파일(YAML/JSON)을 통해 고객사 규정에 맞는 프롬프트와 데이터 권한 정책을 조합했을 것입니다. 28개국의 다양한 언어를 지원하기 위해, 음성/채팅 인입 단계에서 실시간 언어 감지 및 번역 미들웨어가 작동하고, 고객사의 코어 시스템(Salesforce, Zendesk, SAP 등)과의 연동은 표준화된 API 게이트웨이를 경유하여 엄격한 데이터 마스킹(PII 제거) 후 LLM으로 라우팅되는 구조였을 것으로 추정됩니다.

6.2 실시간 통화 지원(Agent Assist)과 하이브리드 핸드오프 파이프라인

근거: 원문은 평균 상담 처리 시간(AHT)이 최대 35% 단축되었고 전환율이 40% 향상되었으며, 하이브리드 에이전트 매니저가 사람과 AI의 접점을 관리한다고 기술합니다.

이러한 성과는 실시간 음성 스트리밍 및 상담원 코파일럿(Agent Assist) 형태로 구현되었을 개연성이 높습니다. 고객과 상담원의 통화 음성이 실시간 음성 인식(STT) 파이프라인을 통해 텍스트로 변환되면, 백그라운드의 분석 에이전트가 통화 맥락과 고객 감정을 1~2초 주기로 추론합니다. 에이전트는 상담원의 화면에 추천 답변 스크립트, 관련 상품 규정, 그리고 고객 프로필에 맞춤화된 업셀링 제안(전환율 40% 상승 동인)을 팝업 카드로 즉시 띄워줍니다. 복잡한 클레임이나 감정 격화 상황이 감지되면, 시스템은 하이브리드 에이전트 매니저의 모니터링 콘솔에 우선순위 알림을 전송하여 매니저가 실시간 개입하거나 전문 상담원에게 즉각 라우팅하도록 돕는 안전장치가 가동되었을 것입니다.

7. 출처

* BCG / BCG X — How One CX Provider Scaled AI Across 28 Countries (Konecta’s Roadmap to Scaling AI Across Customer Experience Operations)https://www.bcg.com/x/mark-your-moment/scaling-ai-global-cx-operations발행일: unknown (~2026 BCG mark-your-moment)(CEO Nourdine Bihmane, Chief AI Deployment Officer Oscar Verge 인용; BCG X 파트너십, 28개국, 80+ GenAI 배포, 25,000+ 직원 사용, AHT −35%, 전환율 +40%, Kolibri 플랫폼, 10-20-70 원칙)

This is a public episode. If you would like to discuss this with other subscribers or get access to bonus episodes, visit parkdaesun.substack.com

1. 왜 이 사례인가

많은 조직이 코딩 보조 AI(Copilot, Cursor 등)를 도입한 후 역설적인 병목에 부딪힙니다. 에이전트가 코드를 작성하는 속도는 비약적으로 빨라졌는데, 정작 풀 리퀘스트(PR) 검토와 스테이징 테스트, 배포 승인 등 사람 중심의 전통적인 엔지니어링 절차가 병목이 되어 전체 배포 속도는 기대만큼 오르지 않는 현상입니다.

노코드 앱 개발 플랫폼 Glide는 자연어로 AI 앱을 만드는 GlideOS를 구축하면서 이 문제를 정면으로 마주했습니다. 1세대 플랫폼을 구축하는 데는 인간 중심의 절차 아래 8개월이 걸렸습니다. 하지만 에이전트의 자율적 작동을 중심으로 엔지니어링 인프라와 배포 파이프라인을 전면 재설계한 Slipstream 시스템을 도입한 후, 단 90일 만에 동일한 기능적 패리티(기능 동등성)에 도달하며 개발 기간을 60% 단축했습니다. 모델이나 툴을 바꾼 것이 아니라, 엔지니어링 프로세스 자체를 에이전트 중심으로 다시 짠 결과였습니다.

Glide는 에이전트에게 전체 시스템 맥락을 주기 위해 모노레포로 전환하고, 기능 플래그(Feature Flags)로 배포와 공개를 분리했으며, 빌드(Build)·게이트(Gate)·배포(Ship)의 3단계 파이프라인과 이상 발생 시 자동으로 롤백하고 PR을 발행하는 자가 치유(Self-healing) 리콜 라인을 구축했습니다. 그 결과 머지부터 프로덕션 배포까지의 중위 시간이 23시간에서 14분으로 줄었고, PR의 90%를 에이전트가 단독 리뷰하며, 엔지니어가 아닌 일반 직원(전체 임직원의 25%)이 직접 자연어 명세서로 프로덕션 코드를 배포하게 되었습니다.

2. Problem

Glide가 처음 에이전트를 도입했을 때, 에이전트는 사람이 일하도록 설계된 기존 아키텍처와 프로세스 위에서 작동했습니다. 코드는 생성되었지만 속도는 느렸고, 그 지연은 프로세스 전반에서 불거졌습니다.

* 풀 리퀘스트(PR) 검토의 형식화와 피로도 누적: 에이전트가 작성한 코드의 양이 급증하면서 코드 리뷰가 엔지니어의 가장 큰 짐이 되었습니다. 에이전트가 작성한 코드는 대체로 일관되고 품질이 양호했기 때문에, 엔지니어의 리뷰는 깊이 있는 기술적 판단이 아니라 단순한 ‘승인 도장 찍기’로 변질되었습니다. 개발자들은 코드 리뷰 부담을 줄여달라고 요청하기 시작했습니다.

* 사람에게 의존하는 배포 및 롤백: 배포는 여전히 특정 엔지니어의 수동 승인을 기다려야 했고, 문제가 발생했을 때 롤백 역시 엔지니어가 이상을 발견하거나 고객이 오류를 제보할 때까지 방치되는 취약한 구조였습니다.

* 분절된 아키텍처로 인한 에이전트의 시야 제한: 여러 개의 독립된 레포지토리(Polyrepo)로 구성된 기존 환경에서는 에이전트가 시스템 전체의 연관 관계를 파악하지 못해 변경 사항이 다른 모듈에 미치는 영향을 사전에 검증하기 어려웠습니다.

확인된 사실: 1세대 구축에 8개월 소요, PR 큐 적체 및 형식적 승인 도장 문제 발생, 사람에 의존하는 배포 대기열, G2 릴리즈 트레인 기준 머지 후 프로덕션 배포까지 중위 23시간 소요, PR 사이클 타임 p75 기준 21시간.

3. Solution

Glide는 프로세스 겉면만 손보는 대신, 인프라의 최하단 기초부터 에이전트가 스스로 운영할 수 있는 환경으로 전면 개편했습니다.

3.1 에이전트 중심 아키텍처로의 4대 전환

Glide는 배포 파이프라인을 구축하기에 앞서 네 가지 핵심 기술적 기반을 재정립했습니다:

* 모노레포(Monorepo) 단일화: 분산된 폴리레포 구조를 하나의 거대한 단일 저장소로 통합했습니다. 이를 통해 단일 에이전트가 파편화된 서비스 경계에 갇히지 않고 전체 시스템 아키텍처를 온전히 조망할 수 있도록 했습니다.

* Cloudflare 기반 인프라 전환: 인프라 환경을 Cloudflare로 이전하여 엔지니어의 개입 없이도 에이전트가 프로그래밍 방식으로 환경을 즉시 배포·프로비저닝할 수 있도록 했습니다.

* 기본 기능 플래그(Feature Flags by Default): 코드의 ‘배포(Shipping)‘와 사용자 ‘노출(Exposing)‘을 완전히 분리했습니다. 이를 통해 별도의 스테이징 환경을 거치지 않고 곧바로 프로덕션 환경에 안전하게 직배포하는 구조를 확립했습니다.

* 머지 큐(Merge Queue) 도입: 사람이 수동으로 머지 시점을 조율하지 않고, 자동화된 머지 큐를 통해 마찰 없는 고속 처리가 가능하도록 했습니다.

3.2 Slipstream 3단계 딜리버리 파이프라인

모든 기능 개발은 세 개의 에이전트 스테이션을 통과합니다:

* 빌드(Build) 스테이션: 에이전트가 자연어 명세서(Spec)를 입력받아 코드를 생성합니다. 사후 수정에 의존하지 않고, 처음부터 사내 린팅 규칙과 아키텍처 제약 조건을 준수하도록 작성합니다.

* 게이트(Gate) 스테이션: 빌드를 작성한 에이전트와 분리된 제2의 에이전트가 평가 프레임워크(Evals)와 엔드투엔드(E2E) 테스트를 수행해 기능 적합성을 검증합니다. 여기서 인간의 승인이 개입하지만, 코드를 한 줄씩 들여다보는 것이 아니라 “명세서에 요구한 기능이 의도대로 동작하는가?”라는 비즈니스 결과물 차원에서만 검토합니다.

* 배포(Ship) 스테이션: 머지 큐를 통과한 코드는 기능 플래그 뒤에 숨겨진 채 즉시 라이브 프로덕션에 배포됩니다. 배포 직후 롤아웃 감시자(Rollout Watcher) 에이전트가 실시간 성능 저하 여부를 추적합니다.

3.3 자동차 리콜 방식의 자가 치유(Self-healing) 리콜 라인

문제가 발생했을 때 사람이 수동으로 감지하는 구조를 배제하고, 공장의 리콜 라인과 유사한 4단계 자가 복구 메커니즘을 가동했습니다:

* 탐지(Detect): 텔레메트리 시스템이 런타임 에러, 보안 취약점, 트래픽 이상, 코드 품질 저하를 실시간 플래그로 감지합니다.

* 통지(Notify): 이상이 발생한 서비스 유닛을 식별하여 GitHub Issue를 자동으로 생성하고 담당 팀에 할당합니다.

* 진단 및 수리(Diagnose & Repair): 전담 수리 에이전트가 이슈를 받아 근본 원인을 진단하고, 이를 해결하는 픽스(Fix) 풀 리퀘스트를 자동으로 발행합니다.

* 복구(Return to Service): 인간 엔지니어가 “이 수정 코드가 안전한가?”라는 기술적 안전성 하나만 확인·승인하면, 일반 배포와 동일한 Ship 스테이션을 통해 배포됩니다.

특히 배포 후 심각한 성능 저하가 확인되면 롤아웃 감시자가 담당자에게 알림을 보낸 뒤, 응답이 없으면 즉시 자율적으로 롤백을 실행합니다.

확인된 사실: 폴리레포→모노레포 전환, Cloudflare 인프라 이전, 기능 플래그 기본화 및 스테이징 생략, 머지 큐 도입, Build-Gate-Ship 3단계 에이전트 구성, 결함 시 GitHub Issue 자동 생성 및 에이전트 PR 발행, 자율 롤백 기능 운영, Slack을 통한 Slipstream 에이전트 호출.

4. Impact

Glide 엔지니어링 블로그에 공개된 실측 성과는 다음과 같습니다. 원문 발행일인 2026년 8월 6일 시점의 미드 롤아웃 측정 데이터입니다.

원문은 특히 비엔지니어의 배포 참여를 중요한 조직적 전환으로 꼽습니다. 회사 전체에서 엔지니어링 비중은 약 30%에 불과했으나, 비엔지니어 10명이 명세서 작성만으로 37건의 프로덕션 PR을 성공적으로 배포하면서 고객 피드백을 당일 프로덕션 수정으로 전환할 수 있는 사내 문제 해결자의 규모가 약 2배로 증가했습니다.

5. Insight

엔지니어링의 본질은 코드 작성이 아니라 시스템 통제입니다. 코드를 빠르게 작성하는 것은 LLM의 기본 능력입니다. 진정한 난제는 유지보수, 보안, 안정성, 배포 프로세스였습니다. Glide는 엔지니어를 ‘코드 타이핑 담당자’에서 ‘기능 요건과 시스템 안전성을 정의하는 아키텍트’로 격상시켰습니다.

사람의 승인 질문을 명확히 분리했습니다. Glide는 인간의 개입을 완전히 배제하지 않았습니다. 대신 두 가지 명확한 질문으로 역할을 좁혔습니다:

* 기능 개발 후(Gate): “우리가 요구한 기능이 맞게 동작하는가?” (기능 결과 평가)

* 장애 수리 후(Repair): “이 픽스 코드가 안전하게 작동하는가?” (안전성 검토) 코드 한 줄 한 줄을 문법적으로 검토하는 소모적 작업은 에이전트에 넘기고, 비즈니스 판단과 안전성 검증에만 인간의 주의력을 집중시켰습니다.

배포와 노출의 디커플링이 핵심입니다. 스테이징 환경을 유지하고 배포 열차를 기다리는 것은 사람의 인지적 불안을 달래기 위한 장치였습니다. 기능 플래그를 기본값으로 채택함으로써 언제든 프로덕션에 코드를 밀어 넣고, 문제가 생기면 자율 롤백 감시자가 회수하는 안전망을 완성했습니다.

복제 조건과 한계. 이 모델을 모방하기 위해서는 포괄적인 E2E 테스트 스위트, 모노레포 구축, 정교한 텔레메트리 및 자동 롤백 인프라가 선행되어야 합니다. 테스트 커버리지가 취약하거나 기능 플래그 인프라가 없는 상태에서 스테이징을 생략하고 프로덕션 직배포를 감행하면 대형 서비스 장애로 직결됩니다.

6. 원문에 없는 추정 (구현 가설)

6.1 Slack 슬립스트림 봇과 빌드-게이트 에이전트의 작업 실행 흐름

근거: 원문은 자연어 명세서를 받아 Build-Gate-Ship을 거치는 Slack Slipstream 에이전트 스크린샷과 비엔지니어 10명이 명세서만으로 37건의 PR을 발행했다는 사실을 밝힙니다.

실제 사용자 관점에서는 비엔지니어나 엔지니어가 Slack 채널에서 명령어를 입력하고 요구 사항 명세서를 입력하면, 슬립스트림 오케스트레이터가 백그라운드 VM이나 컨테이너(예: Cloudflare Workers 또는 K8s 워커)를 프로비저닝하여 작업 브랜치를 생성했을 것입니다. 빌드 에이전트는 저장소의 규칙 파일(.cursorrules, ESLint, 타입 정의 등)을 컨텍스트로 읽어 들여 컴포넌트와 비즈니스 로직을 작성하고 커밋을 생성합니다. 빌드가 완료되면 게이트 에이전트가 격리된 프리뷰 환경을 띄워 브라우저 자동화 도구(Playwright 등)로 E2E 테스트를 수행하고, 합격 여부와 함께 동작 화면 캡처 또는 프리뷰 URL을 생성하여 Slack 스레드에 보고하는 구조였을 가능성이 높습니다. 사용자는 Slack 화면에서 “기능 검증 완료” 버튼만 클릭함으로써 승인을 완료했을 것으로 추정됩니다.

6.2 롤아웃 감시자(Rollout Watcher)의 이상 감지 및 자율 롤백 알고리즘

근거: 원문은 롤아웃 감시자가 모든 배포를 감시하며 성능 저하를 감지하면 알림 후 무응답 시 자율적으로 롤백하고, 실제로 서비스 리그레션을 감지해 자동 롤백에 성공한 일화(Shay Frendt CTO 언급)를 기록합니다.

이 자율 롤백 메커니즘은 Datadog, Sentry, Cloudflare 텔레메트리 등 실시간 모니터링 지표의 이상치 탐지(Anomaly Detection)와 직접 결합되었을 것입니다. 머지 큐를 통과한 새 코드가 배포되거나 특정 기능 플래그 비율이 상향될 때, 감시자는 15~30분의 관찰 윈도우를 설정합니다. 이 윈도우 동안 HTTP 5xx 에러율 급증, API 응답 지연 시간(p99) 상승, 클라이언트 런타임 예외 발생 건수가 사전 설정된 임계치(예: 기준선 대비 3배 이상 증가)를 초과하면 즉시 Slack 온콜 채널로 경보를 발행합니다. 지정된 유예 시간(예: 3~5분) 내에 온콜 엔지니어의 확인(Acknowledge) 반응이 없으면, 감시자가 직접 기능 플래그를 비활성화(0%)하거나 GitHub API를 호출해 직전 릴리즈 커밋으로 리버트(Revert) PR을 병합하는 방식으로 무인 복구를 수행했을 것으로 추정됩니다.

6.3 리콜 루프의 근본 원인 분석 및 패치 생성 파이프라인

근거: 원문은 이상 탐지 시 GitHub Issue 생성, 에이전트의 근본 원인 진단, 수정 PR 자동 발행, 사람의 코드 안전성 검토 후 복구로 이어지는 리콜 패턴을 상세히 기술합니다.

이 과정에서 수리 에이전트는 Sentry나 에러 추적 시스템에서 발생한 스택 트레이스(Stack Trace)와 관련 로그 스니펫을 수집하여 시작했을 것입니다. 에이전트는 스택 트레이스에 명시된 파일 경로와 최근 머지된 커밋의 diff를 대조하여 오류를 유발한 변경 지점을 특정합니다. 이후 해당 파일과 관련 단위 테스트 코드를 로드하여 버그를 재현하는 실패 테스트 케이스를 먼저 작성하고, 이를 통과하도록 코드를 수정한 뒤 패치 PR을 생성했을 개연성이 높습니다. PR 설명문에는 “원인 분석 요약, 재현 테스트 통과 로그, 수정 사항 diff”가 일목요연하게 정리되어, 인간 엔지니어가 전체 맥락을 뒤지지 않고도 1~2분 내에 안전성을 판별하고 머지할 수 있도록 지원했을 것입니다.

7. 출처

* Glide Engineering Blog — Creating Slipstream: How we rebuilt our software engineering process for AI agentshttps://www.glideapps.com/blog/creating-slipstream발행일: 2026-08-06 (Featuring Jason Smith, Shay Frendt)

This is a public episode. If you would like to discuss this with other subscribers or get access to bonus episodes, visit parkdaesun.substack.com

1. 거시적 패러다임 전환: 보조적 도구에서 에이전틱 오케스트레이션으로

2026년 기업 환경은 단순한 질의응답형 보조 도구(Copilot) 활용 단계를 지나, 복합 워크플로우를 자율적으로 계획하고 다단계 실행을 완수하는 에이전틱 인공지능(Agentic AI) 중심의 운영 체제로 급속히 전환되고 있다1. 기존의 담론이 개별 실무자의 단순 문서 작성 시간 단축이나 초기 도입률 같은 피상적 지표에 머물렀다면, 현재의 본질적인 변곡점은 인간과 인공지능이 맺는 상호작용의 구조 자체를 전사 차원에서 재설계하는 데 있다3. 딜로이트(Deloitte)의 2026년 글로벌 인적 자본 트렌드(Global Human Capital Trends) 조사는 이러한 변화를 중대한 분기점으로 정의하며, 인공지능을 인간 작업자 곁에 병렬 배치하던 ‘Human + Machine’ 모델에서 상호 역량을 기하급수적으로 증폭하는 ‘Human × Machine’의 결합 구조로 진화해야 함을 역설한다4.

이 과정에서 기업이 경계해야 할 핵심 리스크는 실질적인 가치 창출과 괴리된 기술적 과열이다. 가트너(Gartner)의 2026년 미래 업무 환경 하이프 사이클(Hype Cycle for the Future of Work) 분석에 따르면, 초기 생성형 AI 도입에 따랐던 거품이 걷히고 기술이 환멸 단계(Trough of Disillusionment)를 통과하면서 기업 리더십이 마주한 과제는 순수한 기술 도입이 아닌 인간의 고유 지능, 전문성, 의사결정력을 증폭하는 운영 체제의 확립으로 이동했다6. 특히 생산성 향상분을 단순한 인건비 절감으로만 흡수하려는 기업의 75%는, 절감된 자원을 인재 역량 강화와 비즈니스 혁신으로 재투자하는 경쟁사에 의해 시장에서 도태될 것으로 전망된다5. 따라서 지식 노동의 최전선에 있는 실무자(Individual Contributor), 이들을 지휘하는 관리자(Manager), 그리고 이들이 유기적으로 결합된 전사 조직(Enterprise Operating Model)이라는 세 가지 축을 통합적으로 전환하는 청사진이 필수적이다7.

2. 실무 조직원의 정체성 및 직무 역할 변혁

실행자에서 에이전틱 오케스트레이터 및 품질 아키텍트로의 전환

기존의 지식 노동자가 백지 상태에서 문서를 기안하고, 데이터셋을 직접 가공하며, 코드를 한 줄씩 작성하던 ‘직접 실행자(Doer)‘였다면, 2026년 실무자의 본질적 정체성은 복수의 전문 에이전트를 조율하고 통제하는 ‘에이전틱 오케스트레이터(Agentic Orchestrator)‘로 재정의된다2. 텍스트 생성과 기초 로직 구현의 한계비용이 0에 수렴함에 따라, 실무자가 창출하는 고유 가치는 초안의 생산 속도가 아니라 과업의 비즈니스 맥락과 제약 조건을 정밀하게 설정하는 ‘의도 프레이밍(Intent & Context Framing)‘과 결과물의 정밀성을 검증하는 ‘비판적 품질 보증(Validation & QA)’ 역량으로 이동했다6. 단순한 프롬프트 입력 기술은 이미 보편적 소양으로 수렴되었으며, 프로세스 전반을 시스템적 시각에서 조망하고 모델이 출력한 결과물의 숨은 오류나 비즈니스 결함을 감지해 내는 도메인 아키텍처 역량이 실무자의 핵심 무기가 되었다6.

노동 시장의 양극화와 주니어 역할의 급진적 시니어화

PwC의 2026년 글로벌 AI 일자리 보고서(Global AI Jobs Barometer)는 전 세계 27개국 10억 건 이상의 채용 공고를 분석하여 노동 시장이 두 갈래로 나뉘고 있음을 실증한다11. 인공지능이 업무의 복잡성을 흡수하여 인간의 개입 가치를 낮추는 ‘민주화된 직무(Democratised Jobs)‘는 정체 및 쇠퇴 국면에 접어든 반면, 인공지능이 기초 노동을 처리함으로써 인간이 고도화된 판단과 전략적 실행에 집중하게 되는 ‘전문화된 직무(Professionalised Jobs)‘는 2배 빠른 성장세를 기록하고 있으며 임금 상승률 역시 42% 더 가파르다11. 2026년 기준 AI 역량을 입증한 전문 인력의 임금 프리미엄은 글로벌 평균 62%에 달하며, 이는 기술 보유 여부를 넘어 AI를 활용해 고차원적 가치를 창출하는 인재에 시장의 자본이 집중되고 있음을 보여준다11.

이러한 직무 고도화는 초기 경력자(주니어)의 업무 환경을 근본적으로 뒤흔들고 있다. 과거 신입 사원이 담당하던 단순 데이터 정리, 시장 조사, 기초 코딩 등의 업무가 에이전트 시스템으로 흡수됨에 따라, 초임 직무의 진입 장벽은 비약적으로 높아졌다8. 시장은 초임 단계부터 전략적 판단, 공감 능력, 이해관계자 조율 등 전통적으로 시니어급에서 요구되던 10개 이상의 복합 역량을 요구하는 ‘시니어화된 초임 역할(Seniorised Entry-level Roles)‘을 중심으로 재편되고 있으며, 고도로 AI에 노출된 산업군에서 이러한 시니어화된 주니어 직무 공고는 35% 급증한 것으로 나타난다11.

인지적 외주화와 역량 침식 방지책

실무자가 에이전트에 작업을 위임하는 빈도가 급증하면서 발생하는 가장 심각한 부작용은 사고 능력과 도메인 감각이 퇴화하는 ‘인지적 침식(Cognitive Atrophy)’ 현상이다16. 보스턴컨설팅그룹(BCG)의 2026년 조직 역량 연구에 따르면, 업무의 모든 단계를 모델에 전적으로 외주화할 경우 장기적으로 AI 산출물의 미세한 논리적 오류를 판별할 수 있는 내부 전문성이 붕괴되는 역설적 위기에 봉착하게 된다.

이를 방어하기 위해 선도 조직들은 업무 단계 중 독창적 가설 설정, 윤리적 의사결정, 전략적 종합이 요구되는 핵심 구간을 명시적으로 ‘AI 개입 제한 구역(AI-Off Zones)‘으로 지정하여 인간 고유의 비판적 사고 훈련을 제도화하고 있다17. 또한, 도구의 사용 여부와 무관하게 최종 산출물에 대한 법적·사업적 책임은 오직 인간 실무자에게 귀속된다는 무관용 책임 원칙(Accountability Anchor)을 프로세스 전반에 강제함으로써 실무자가 기계의 뒤에 숨는 도덕적 해이를 원천 차단하고 있다17.

3. 관리자(리더십)의 역할 변혁: 인간과 지능 에이전트의 하이브리드 지휘

인적 자원 관리에서 워크플로우 통제 및 거버넌스 관리로의 확장

전통적인 관리자가 직원의 물리적 근태, 감정선 관리, 단순 업무 분장, 보고서 검토 등 대인 관계 중심의 인적 관리에 주력했다면, 2026년의 관리자는 인간과 인공지능이 결합된 프로세스 전체를 지휘하는 ‘하이브리드 지능 디렉터(Hybrid Intelligence Director)‘로 거듭나야 한다7. 관리자는 더 이상 구성원의 물리적 시간 투입을 감독하지 않는다. 인간 팀원과 이들이 운용하는 수십 개의 가상 에이전트가 맞물려 돌아가는 엔드투엔드 파이프라인의 데이터 흐름, 권한 체계, 병목 지점을 모니터링하고 제어하는 것이 새로운 리더십의 본질이다7.

맥킨지(McKinsey)의 2026년 조직 상태 보고서(The State of Organizations 2026)는 리더십의 중심축이 정적 조직 구조 관리에서 ‘업무의 흐름(Flow)‘과 ‘프로세스 단순화’로 이동했음을 명시한다20. 고성과 관리자는 부서 간 장벽을 허물고 정보 흐름을 동기화하며, 모델이 생성하는 이종 데이터의 정합성을 검증하고, 시스템 아키텍처의 안정성을 지속적으로 유지할 수 있는 거시적 조율 능력을 발휘해야 한다7.

실시간 오케스트레이션과 인프라 격차의 해소

딜로이트의 2026년 분석에 따르면, 전 세계 기업 리더의 88%가 변화하는 사업 우선순위에 따라 인적 자원과 에이전트 역량을 실시간으로 재배치하는 ‘동적 오케스트레이션(Dynamic Orchestration)‘을 핵심 경쟁 전략으로 꼽고 있다21. 그러나 이를 뒷받침할 구체적인 운영 체계와 시스템을 갖추었다고 응답한 리더는 7%에 불과하여, 무려 81%포인트에 달하는 극단적인 실행 격차가 존재한다4. 더욱이 현업 관리자 중 적절한 역량 데이터와 분석 도구를 바탕으로 과업 재배치 의사결정을 내리고 있다고 응답한 비율은 11%에 머문다.

관리자가 에이전틱 시대에 실효성 있는 지휘권을 행사하기 위해서는 과거의 연공서열이나 직관적 판단에서 완전히 탈피해야 한다. 사내 스킬 데이터 플랫폼과 에이전트 활동 추적 도구를 적극 활용하여, 팀 내 어떤 영역에 인간의 심층 판단력이 집중되어야 하고 어떤 프로세스에 가상 에이전트 리소스가 투입되어야 하는지를 데이터에 기반해 실시간으로 지휘하는 체계를 갖추어야 한다21.

문화적 부채 및 허위정보 보안 리스크의 통제

에이전트가 자율적으로 시스템 간 통신을 수행하고 과업을 처리하는 환경에서 관리자가 직면한 새로운 위협은 데이터 왜곡과 모델의 환각이 초래하는 ‘문화적 부채(Cultural Debt)’ 및 ‘허위정보 보안(Disinformation Security)‘의 확산이다18. 구성원들이 에이전트가 생성한 검증되지 않은 데이터를 맹목적으로 인용하고 공유할 경우, 조직 전반에 정제되지 않은 저품질 부산물(Workslop)이 범람하게 되며 이는 조직의 신뢰 자본과 의사결정 체계를 근본적으로 왜곡한다10.

이에 따라 관리자는 결과물에 대한 사후 문책에 의존하던 방식을 버리고, 에이전트의 추론 경로와 데이터 출처를 상시 추적하는 데이터 계보(AI Lineage Mapping)를 제도화해야 한다18. 아울러 고위험 의사결정 구간에는 인간의 명시적 검토와 승인을 의무화하는 게이트웨이를 설계하여 잠재적 리스크를 사전에 걸러내는 엄격한 수문장 역할을 수행해야 한다1.

4. 2026년형 성과 평가(KPI) 체계의 정밀 재설계

허영 지표의 종말과 ‘토큰맥싱’ 역설의 교훈

AI 도입 초기에 수많은 기업들이 범했던 치명적인 오류는 인공지능의 활용 빈도나 단순 입력값(Input)을 성과 측정의 핵심 잣대로 삼은 점이다23. 메타(Meta)는 2026년 초 사내 AI 활용을 촉진하기 위해 직원들의 토큰 소비 순위표(일명 ‘Claudeonomics’)를 운영하고 엔지니어 평가에 AI 채택률 대시보드를 직접 반영했다25. 그러나 이는 엔지니어들이 복잡하고 긴 무의미한 프롬프트를 반복 실행하거나 불필요하게 고비용 모델을 가동하여 외형적 사용량 점수만 부풀리는 ‘토큰맥싱(Tokenmaxxing)‘이라는 기형적 도덕적 해이를 초래했다23. 결과적으로 제품 품질이나 개발 생산성의 향상 없이 시스템 장애와 천문학적인 컴퓨팅 비용 낭비만 누적되었다23.

이러한 실패를 겪은 메타는 2026년 9월 엔지니어 인사 평가 기준을 전면 개정하여 토큰 사용량과 AI 채택 대시보드 지표를 평가 항목에서 공식적으로 영구 삭제했다23. 성과 측정의 초점은 도구의 단순 사용 여부가 아닌 최종 산출물의 품질, 개발 주기 단축 속도, 시스템 복잡성 해결 능력, 그리고 동료의 신뢰를 받는 코드 리뷰의 정확도로 전격 회귀했다23. 우버(Uber) 역시 2026년 상반기에 무차별적인 AI 사용 독려로 4개월 만에 연간 AI 예산 34억 달러를 조기 소진했으나 실질적인 제품 혁신과 연결되지 않자 토큰 소비 중심의 평가 지표를 전면 폐기했다26. 입력 중심의 사용량 지표는 과거 개발자 역량을 ‘작성한 코드 라인 수(Lines of Code)‘로 측정하던 오류의 2026년판 재현에 불과하다24.

신규 KPI 4대 핵심 축: 속도, 정확도, 임팩트, 자산화

2026년 지식 노동자의 성과 평가는 투입된 노동 시간이나 산출물의 외형적 분량을 완전히 배제하고, 철저히 비즈니스 가치 창출에 기여하는 4대 핵심 축을 중심으로 재편된다7.

첫 번째 축인 처리 속도(Velocity)는 과업 착수부터 최종 출시 또는 비즈니스 반영까지 소요되는 엔드투엔드 순환 주기를 얼마나 단축했는가를 평가한다. 두 번째 축인 검증 정확도(Accuracy)는 에이전트가 유발할 수 있는 환각, 편향, 보안 결함, 논리적 비약을 인간의 전문성으로 사전에 완벽히 차단했는가를 측정하며, 배포 후 결함 발생 시 실무자에게 엄격한 책임을 묻는다23. 세 번째 축인 비즈니스 임팩트(Impact)는 에이전트를 통해 확보한 여유 시간을 활용하여 얼마나 차별화된 전략적 통찰을 제시하고 실질적인 매출이나 운영 개선을 이끌어냈는가를 평가한다6. 마지막으로 네 번째 축인 워크플로우 자산화(Assetization)는 개인이 개발한 우수한 프롬프트 구조와 업무 루틴을 전사 공유 자산(SOP)으로 공식 등재하여 조직 전체의 생산성 제고에 기여했는가를 반영한다9.

직종별(사무직, 연구직, 개발직) 세부 성과 측정 프레임워크

실무 직군의 고유한 업무 특성에 맞춰 성과 지표는 정밀하게 세분화되어야 한다. 사무직, 연구직, 개발직의 본질적 미션이 서로 다르므로 각 영역에 특화된 측정 방식을 적용해야만 구성원의 수용성을 확보할 수 있다.

사무직(기획, 마케팅, 인사)의 경우, 단순 기획서 작성 건수는 의미를 상실했으며 시장 출시 주기 단축률과 기획안의 실질적 사업화 전환율이 중심이 된다23. 연구직(R&D, 데이터 분석)은 선행 연구 요약 건수가 아니라 가설 검증의 순환 속도와 합성 데이터 내 환각 감지 정밀도를 평가받는다11. 개발직(소프트웨어 엔지니어링)은 코드 라인 수 대신 아키텍처의 안정성과 풀 리퀘스트(PR) 코드 리뷰 정확도가 핵심 잣대로 작용한다1.

산출 가치 측정의 신규 표준: 에이전틱 워크 유닛(AWU)과 수용률

소프트웨어 플랫폼 차원의 작업량을 측정하기 위해 세일즈포스(Salesforce) 등의 선도 기업들은 2026년 ‘에이전틱 워크 유닛(Agentic Work Unit, AWU)‘을 핵심 운영 척도로 도입했다30. AWU는 단순한 토큰 소비나 사용자 계정(Seat) 수와 달리, 에이전트가 추론 체인을 거쳐 특정 도구를 호출하고 완결한 ‘독립적 단일 비즈니스 태스크’를 의미한다32.

그러나 AWU를 실무자의 성과 지표로 직결할 때는 단순 실행량이 아닌 비즈니스 수용성(Acceptance)을 반드시 결합해야 한다33. 시스템에서 완료된 작업이 인간 실무자의 추가 수정이나 전면 재작업(Rework) 없이 비즈니스 현장에 그대로 채택되었는가를 측정하는 지표 연동 공식이 요구된다21.

수용률(Acceptance Rate) = 수용된 결과물(Accepted Outcomes) ÷ 완료된 AWU(Completed AWUs) × 100

이 공식에 따라, 에이전트를 가동해 수천 건의 AWU를 유발했더라도 실무자의 검증 부실로 인해 전면 재작업이 발생했다면 해당 실무자의 평가는 감점 처리된다21. 반면 정교한 맥락 설정과 철저한 품질 관리를 통해 높은 수용률을 기록한 실무자에게 높은 고과와 조직적 인센티브가 집중된다21.

5. 기업 조직 운영 모델(Operating Model)의 진화

피라미드 위계의 해체와 소수 정예 ‘에이전틱 팩토리’ 구축

전통적인 대규모 기능별 피라미드 조직은 고속으로 순환하는 AI 비즈니스 환경을 더 이상 지탱할 수 없다. 맥킨지의 운영 모델 분석에 따르면, 선도 기업들은 소수 정예(2~5명)의 인간 전문가가 50~100개의 특화 에이전트로 구성된 에이전트 군집을 지휘하는 ‘에이전틱 팩토리(Agentic Factory)’ 모델로 조직 구조를 슬림화하고 있다19. 부서 간 정보 전달만을 담당하던 중간 관료 계층은 점차 해체되며, 조직은 고도의 전략적 판단 권한을 부여받은 자율 모듈형 팀(Autonomous Pods)의 유기적 네트워크로 재편된다.

비교 항목전통적 기능별 피라미드 조직2026년 에이전틱 모듈형 조직 (에이전틱 팩토리)조직 기본 단위대규모 기능 부서 (수십~수백 명의 직무별 팀)소수 정예 인간 전문가(2~5명)와 특화 에이전트 군집(50~100개)의 결합 단위과업 수행 방식부서 간 순차적 업무 이관 및 관료적 중간 보고모듈형 팀 내에서 에이전트가 병렬 실행하고 인간이 실시간 지휘 및 검증의사결정 속도다단계 결재 라인으로 인해 수일~수주일 소요현장 실무자에게 위임된 권한을 바탕으로 실시간 즉각 결정관리자의 역할인력 통제, 근태 관리, 정적 과업 할당시스템 아키텍처 제어, 데이터 흐름 최적화, 비판적 거버넌스 관리확장성(Scalability)비즈니스 확장을 위해 물리적 인력 채용 비례 증가 필수인력 증가 없이 에이전트 인스턴스 확장을 통해 탄력적 대응 가능

이러한 조직 설계에서 반드시 경계해야 할 문화적 요인은 조직도 상에 AI 에이전트를 인간 팀원과 동등한 ‘동료’ 형태로 나란히 배치하지 않는 점이다36. 가트너의 2026년 연구에 따르면, 조직도 상에 AI 에이전트를 독립적 팀원으로 명시한 기업은 그렇지 않은 기업에 비해 직원 몰입도(Employee Engagement)가 15% 낮게 나타났다. 에이전트…

This is a public episode. If you would like to discuss this with other subscribers or get access to bonus episodes, visit parkdaesun.substack.com