전문가들은 AI 에이전트와 함께 달리기 전에 크롤링, 그 다음 걷기에 조언합니다.

멀티 에이전트 AI 시스템의 시대에 오신 것을 환영합니다. 이곳에서는 개인 및 직업적 생산성을 크게 향상시킬 수 있는 잠재력이 엄청납니다. 그러나 이러한 고급 생성 AI(Gen AI) 도구를 조직에 통합하는 것은 쉬운 일이 아닙니다. 최근 Deloitte 보고서에 따르면, 자율 에이전트 개발에 대한 관심이 증가하고 있으며, 26%의 조직이 이 분야를 탐구하고 있습니다. 경영진의 절반 이상(52%)이 에이전트 AI 개발에 열의를 보이고 있으며, 45%는 멀티 에이전트 시스템으로 확장하려고 합니다. 그 잠재력에도 불구하고, 이러한 시스템은 모든 문제를 해결하는 만병통치약은 아닙니다.

보고서는 에이전트 AI가 최소한의 인간 개입으로 목표를 자율적으로 달성함으로써 지속 가능한 비즈니스 가치를 창출하는 데 크게 기여할 수 있다고 강조합니다. 그러나 규제 불확실성, 리스크 관리, 데이터 부족, 인력 문제 등 Gen AI가 직면한 장애물이 에이전트 시스템의 복잡성 증가로 인해 더욱 부각된다고 지적합니다.

Deloitte Consulting의 AI 책임자인 Jim Rowan은 기존의 봇이 주로 입력에 반응하는 것과 달리, 에이전트 AI는 계획을 세우고, 작업 우선순위를 정하며, 인간의 감독 없이 복잡한 워크플로우를 실행할 수 있다고 강조했습니다. 하지만 그는 이러한 시스템 구현이 비용이 많이 들 수 있으며, 확장 가능한 클라우드 플랫폼, 고급 데이터 분석 도구, 강력한 사이버 보안 조치를 포함한 견고한 데이터 인프라의 중요성을 강조했습니다.

AI 에이전트를 도입하려는 조직의 경우, 간단하게 시작하는 것이 핵심입니다. 펜실베이니아 대학교의 Benjamin Lee 교수는 이미 간단한 작업에 생성 AI를 사용하고 있는 기업이 에이전트 AI를 활용할 수 있는 좋은 위치에 있다고 제안합니다. 이러한 조직은 복잡한 작업을 AI를 위해 더 간단한 작업으로 분해하는 데 익숙한 직원들을 보유하고 있으며, 이미 생산성 향상을 경험하고 있습니다.

Rowan은 통제된 환경triangulate 환경에서 멀티 에이전트 시스템을 테스트하기 위해 파일럿 프로그램으로 시작하는 단계적 접근 방식을 권장합니다. 그는 현재 AI의 상태를 유아에 비유하며, 에이전트 AI는 더 발전된, 사춘기 전 단계에 해당한다고 비유했습니다. 이는 특정 기능을 실행할 수 있는 기능적이고 유능한 상태를 의미합니다.

AI 에이전트를 추가로 통합하기 위해 조직은 간단한 작업에 생성 AI 사용을 장려하고, 복잡한 작업을 관리 가능한 부분으로 분해하는 전략을 개발해야 합니다. 이 접근 방식은 지능형 에이전트의 생산성 향상을 투명하고 이해하기 쉽고 신뢰할 수 있게 만듭니다.

Rowan은 또한 Gen AI 분야를 지배해 온 대형 언어 모델보다 더 작은 언어 모델을 사용하는 것을 지지합니다. 이러한 소형 모델은 공급망 관리, 소프트웨어 개발, 재무 분석 등 다양한 역할에서 더 효과적일 수 있습니다. Lee는 지능형 에이전트가 복잡한 작업을 더 간단한 작업으로 분해하고 전문화된 모델을 사용하여 결과를 일관된 응답으로 결합할 수 있다고 동의했습니다.

AI 에이전트의 효과적인 작동에는 양질의 데이터가 중요합니다. 부정확하거나 불완전하거나 일관되지 않은 데이터는 신뢰할 수 없는 출력과 행동으로 이어질 수 있으며, 이는 채택과 리스크 문제를 모두 초래합니다. 따라서 견고한 데이터 관리와 지식 모델링에 투자하는 것이 필수적입니다.

인력의 기술 향상도 중요한 영역으로, Rowan은 기술적 기술과 AI 에이전트와 협업하는 능력에 대한 교육의 필요성을 강조했습니다. 잘 준비된 인력은 AI 에이전트의 잠재력을 완전히 실현하는 데 필수적입니다.

AI 에이전트 성능의 지속적인 모니터링과 개선도 필요합니다. 이는 성능 데이터를 수집하고 분석하며, 개선 영역을 식별하고, 성능을 최적화하기 위해 조정을 하는 것을 포함합니다.

정책적 관점에서 기업은 에이전트 AI 사용에 대한 명확한 지침을 수립해야 합니다. Digital.ai의 글로벌 인텔리전스 책임자인 Ben Sapp은 누가 에이전트 AI를 사용할 수 있는지, 다른 에이전트와 상호작용할 수 있는 권한, 시스템이 상호작용하거나 충돌할 때 의사결정을 위한 계층 구조를 결정하는 것의 중요성을 지적했습니다.

Sapp은 AI 모델을 사용하여 변경 실패를 예측하는 금융 서비스 회사의 예를 들었습니다. 실패 확률에 따라 인간은 변경을 더 깊이 검토하거나 승인할지 결정할 수 있습니다. 에이전트 AI를 사용하면 실패 확률이 1% 미만인 경우 시스템이 자동으로 변경을 승인하여 인간 개입의 필요성을 없애고 프로세스를 간소화할 수 있습니다.

요약하자면, 에이전트 AI는 생산성을 향상시키고 지속 가능한 비즈니스 가치를 창출할 큰 잠재력을 가지고 있지만, 성공적인 구현에는 기술, 데이터, 인력, 정책적 도전 과제를 신중히 고려해야 합니다.