에이전트 자동화로 효율성 향상

자동화의 역사는 처음부터 선형적 진보 중 하나였습니다. RPA(로봇 프로세스 자동화)에서 IDP(지능형 문서 처리)에 이르기까지 각각의 새로운 혁신으로 인해 기업의 생산성, 수익성 및 민첩성이 향상되었습니다.

그런데 이제 더 큰 일이 일어나고 있습니다. 새로운 기술인 에이전트 자동화는 이러한 점진적인 개선 주기를 방해하여 지금까지 본 적이 없는 워크플로 재창조를 가능하게 하고 있습니다.

에이전트 자동화는 개별 작업에 집중하는 대신 로봇, AI 및 오케스트레이션을 활용하여 처음부터 끝까지 전체 워크플로를 처리합니다. 에이전트 자동화의 중심에는 환경을 인식하고 익숙하지 않은 영역을 탐색하며 즉석에서 의사결정을 내릴 수 있는 자율 소프트웨어 개체인 AI 에이전트가 있습니다.

에이전트 자동화의 가치를 포착하기 위한 청사진은 최근 분기별 웹캐스트인 UiPath Live의 주제였습니다. :에이전트 자동화로 가는 길. 우리는 AI 과학자, 자동화 전문가, 기업 리더 등 올스타 패널의 두뇌를 선정하여 이러한 변화가 현재와 미래의 비즈니스에 어떤 의미를 갖는지 알아보는 특권을 누렸습니다.

대부분의 리더는 아직 에이전트 자동화의 잠재력 규모를 파악하지 못했습니다. 그러나 이러한 판도를 바꾸는 기술로부터 가장 큰 보상을 받을 준비가 되어 있는 선택된 소수의 기업만 있습니다.

에이전트 자동화가 작업 수행 방식을 재정의하는 세 가지 영역

기존의 자동화는 구조화된 규칙 기반 작업에 여전히 필수적이지만 에이전트적 자동화는 예측 불가능성이 지배하는 곳에서 성공합니다. 한때 메울 수 없을 것 같았던 격차를 메우는 방법은 다음과 같습니다.

1. 규칙에서 추론까지

다양한 형식의 입력에 의존하는 비즈니스 프로세스가 얼마나 됩니까? 완벽하지 않은 데이터는 어떻게 되나요?

대부분의 조직에서는 답이 너무 많습니다.

역사적으로 자동화는 데이터 불일치로 인해 어려움을 겪었습니다. 정보가 구조화되고 표준화된 패키지로 도착하지 않으면 직원이 개입하여 시스템 간 데이터를 변환하고, 불일치를 정리하고, 파일 형식을 수동으로 다시 지정해야 했습니다. 다른 곳에서 시간을 더 잘 보낼 수 있었지만 이러한 불규칙성으로 인해 다른 선택의 여지가 없었습니다. 즉, AI 에이전트가 사진에 들어올 때까지입니다.

AI 에이전트는 모호함 속에서 성공합니다. 작동하는 데 완벽한 데이터가 필요하지 않습니다. UiPath의 AI 전략 책임자인 Edward Challis 박사는 UiPath Live 진행자 Mary Tetlow와 Geoff Anderson에게 "에이전트는 데이터가 끊임없이 변화하는 작업을 처리하는 매우 강력한 방법을 제공합니다"라고 설명했습니다. 직원에게 모든 입력을 수동으로 구성하도록 요구하는 대신 AI 에이전트는 높은 수준의 목표를 가지고 지저분하고 불완전하며 일관성이 없는 데이터를 처리하는 최선의 방법을 결정할 수 있습니다.

이 기술은 데이터 형식이 매우 다양한 산업에서 특히 유용합니다. 매일 막대한 양의 의료 청구를 처리하는 글로벌 금융 기술 제공업체인 WEX를 예로 들어 보겠습니다. 표준화된 필드가 포함된 깔끔한 디지털 제출과 같은 구조화된 청구는 RPA를 통해 쉽게 처리됩니다. 그러나 다른 많은 것들은 손으로 쓴 의사 메모나 흐릿한 형식과 같은 더 지저분한 형식으로 도착합니다. 과거에는 청구가 처리되기 전에 직원들이 이러한 혼란을 수동으로 이해해야 했기 때문에 고객의 지연 시간이 지연되고 WEX의 비용이 증가했습니다.

이제 AI 에이전트는 이러한 가변성을 자동으로 처리합니다. 주요 세부정보를 추출하고 규정 준수 요구사항과 대조 확인하며 가장 복잡한 사례만 인간 팀에 에스컬레이션합니다.

2. 작업 자동화에서 작업 흐름 재창조까지

다양한 입력이 광범위한 기업 자동화를 가로막는 유일한 장벽은 아닙니다. 프로세스 복잡성도 압도적입니다. 조건부 "if" 문이 너무 많고, 변형이 너무 많고, 예외가 너무 많습니다. 어떤 시점에서는 기존 방법으로 이와 같은 워크플로를 자동화하려고 하면 다루기가 어려워집니다. "모든 시나리오에 대해 자동화를 실행해야 하는 프로세스를 정의하는 것은 너무 많은 시간이 소요됩니다."라고 Challis 박사는 말했습니다.

에이전트 자동화는 근본적으로 다른 접근 방식을 취합니다. 상담원은 스크립트를 따르는 대신 문제를 통해 추론하여 무엇이 중요한지, 주의가 필요한지, 자율적으로 처리할 수 있는지 판단합니다.

하지만 그들은 고립되어 일하지 않습니다. AI 에이전트는 인간의 직관, 로봇의 정확성, 에이전트의 적응성이 혼합된 생태계의 일부일 때 최고의 성능을 발휘합니다. 예를 들어 에이전트는 복잡한 워크플로를 하위 작업으로 나눌 수 있습니다. RPA 봇은 데이터 입력을 처리하고, API는 실시간 시장 가격을 가져오고, 사람은 극단적인 경우를 해결합니다.

Challis 박사는 이 과정을 케이크 굽기에 비유했습니다. “그 레시피를 실행할 때 어떤 버터를 사용할지, 버터를 어떻게 얻을지, 어떤 그릇을 사용할지 선택할 수 있는 여지가 많습니다.”라고 그는 말했습니다. "따라서 해당 프로세스가 어떻게 진행될 것인지에 대해 대행사와 정의된 루틴 간에 유연성이 있습니다."

구조와 적응성 사이의 이러한 균형은 여러 가지 지속적인 기업 과제에 매우 적합합니다. 예를 들어 자금세탁방지(AML) 시스템은 금융 기관 보안 프레임워크의 필수적인 부분입니다. 하지만 완벽함과는 거리가 멀습니다. 기존 도구는 규정 준수 팀이 허위 경고에 빠져들게 만드는 경향이 있습니다. 경우에 따라 이는 90%까지 높을 수 있으며, 이로 인해 팀은 실제 위험을 식별하기 위해 많은 소음을 조사해야 합니다.

AI 에이전트는 오탐지를 필터링하여 실제 위협을 식별하는 데 탁월합니다. 구조화된 데이터와 구조화되지 않은 데이터를 모두 분석하여 실제 위험을 알리는 소규모 반복 전송과 같은 패턴을 찾아냅니다. Forrester의 부사장 겸 수석 분석가인 라이브 게스트 Craig Le Clair가 지적했듯이 상담원은 이 프로세스에서 오탐지를 60%까지 줄이는 것으로 나타났습니다. 이를 통해 규정 준수 팀은 불필요한 검토에 얽매이지 않고 우선순위가 높은 조사에 집중할 수 있게 되었습니다.

2. 코딩부터 협업까지

협업 파트너로서의 가치를 최대한 실현하려면 직원이 AI 에이전트와 자연어로 소통할 수 있어야 합니다. ChatGPT와 같은 대규모 언어 모델(LLM)은 이러한 종류의 파트너십을 실현할 예정이었지만 프로그래머가 아닌 경우 현실은 더욱 복잡했습니다.

LLM이 일반 언어 프롬프트에 응답하더라도 올바른 결과를 제공하려면 프로그래밍 지식, 즉 문제 분해 및 코드 검증에 대한 깊은 이해가 필요합니다. 간단히 말해서, 무엇을 요구해야 하는지 아는 것은 전투의 절반에 불과합니다. 또한 귀하가 돌려받은 내용이 올바른지 알아야 합니다.

나는 프로그래머이므로 LLM이 나에게 100줄의 코드를 돌려준다면 나는 그것을 읽고 그것이 실제로 내가 원하는 일을 하고 있는지 알아낼 수 있습니다. 반면에, 프로그래머가 아닌 친구가 같은 일을 하려고 한다면, 결과가 실제로 그녀가 원했던 것인지 알아내기가 정말 어렵습니다. 확인하려면 많은 전문 지식이 필요합니다.

Sarah E. Chasins 박사, UiPath 수석 응용 과학자

에이전트 자동화는 이러한 장벽을 해소합니다. 직원들은 자신의 목표가 모호하더라도 설명할 수 있으며 상담원이 이러한 지시를 행동으로 옮기도록 할 수 있습니다. 팀이 더 이상 비즈니스 요구 사항을 엄격한 논리로 변환할 필요가 없으므로 이는 WEX에 혁신을 가져왔습니다.

모든 결정론적 시나리오를 진행하는 데 몇 주가 소요되는 대신 내가 원하는 목표를 개발자에게 전달할 수 있습니다. 내가 찾고 있는 비즈니스 성과는 무엇입니까? 그리고 실제로 이러한 것들이 함께 작동하는 것을 볼 수 있습니다. 따라서 과거의 전통적인 코딩에서는 볼 수 없었던 제품 팀과 기술 팀 간의 개방성이 형성되었습니다.

Emily Krohne, WEX 엔터프라이즈 자동화 책임자

이러한 기능은 인상적입니다. 하지만 AI 에이전트가 악의적이지 않을 것이라고 어떻게 확신할 수 있나요?

방 안의 코끼리에 대해 이야기해 보겠습니다. 시스템과 프로세스 전반에 걸쳐 기능할 수 있는 능력이 있으면 상담원이 원하는 작업을 수행하는지 어떻게 확신할 수 있습니까?

그것은 타당한 우려입니다. 에이전트는 비결정적이며 고유한 예측 불가능성이 에이전트를 강력하게 만드는 이유 중 하나입니다. 에이전트 자동화를 안전하게 구현하려면 에이전트가 안정적이고 안전하며 투명하게 작동하도록 보장하는 올바른 가드레일이 필요합니다.

사람에게 최신 정보를 제공

에이전트는 일정 수준의 자율성을 갖고 작동하지만 이것이 확인되지 않은 채 실행되어야 한다는 의미는 아닙니다. 대부분의 기업 사용 사례에서는 완전히 자율적인 행위자가 아닌 의사 결정 지원 도구로 사용됩니다. Challis 박사는 다음과 같이 분명히 밝혔습니다. "향후 몇 년 동안 에이전트는 조사를 하고 제안을 할 것이지만 사람이 이를 검토해야 합니다. 큰 변화가 이루어지기 전에 우리는 사람의 체크포인트를 갖게 될 것입니다."

지속적인 모니터링

가시성이 전부입니다. AI 에이전트가 의도한 대로 작동하도록 하려면 조직에서는 설계 및 런타임 중에 실시간 모니터링이 필요합니다.

UiPath의 제품 관리 수석 관리자인 Zach Eslami는 "[투명성은] 에이전트가 외부 환경은 물론 사일로된 환경에서도 잘 작동하도록 하는 핵심 측면입니다."라고 강조했습니다. 조직은 시간이 지남에 따라 성과를 개선하고 비즈니스 목표에 부합하도록 상담원이 의사 결정을 내리는 방식에 대한 가시성이 필요합니다.

AI 에이전트를 결정적 RPA 봇과 결합하는 것은 제어를 유지하는 가장 좋은 방법 중 하나입니다. 상담원이 상황에 맞춰 적응하고 결정을 내리는 동안 RPA 봇은 엄격한 규칙 기반 논리를 따라 유연성과 예측 가능성 사이의 균형을 유지합니다. Eslami는 "우리 에이전트는 단순히 도구 및 애플리케이션과 상호 작용하는 것이 아니기 때문에 새로운 수준의 통제된 에이전시를 입증한다고 믿습니다."라고 설명했습니다. "그들은 스스로 계획을 세우는 것이 아닙니다. 인간과 로봇을 활용하여 결과에 대한 새로운 수준의 결정성을 창출하고 사용자와 고객이 기대하는 방식으로 운영되도록 할 수 있습니다."

신뢰할 수 있는 공급업체와의 파트너십

신뢰는 효과적인 기업 자동화의 기초입니다. 기술을 신뢰하는 것뿐만 아니라 이를 현실화하는 파트너십에도 신뢰가 갑니다. Krohne은 WEX의 "UiPath RPA 도구 사용 경험을 통해 에이전트를 더 빠르게 확장할 수 있었습니다"라고 언급했습니다.

기존 자동화 인프라 위에 AI 에이전트를 도입해도 방해를 받지 않습니다. 대신, 이는 기업이 이미 수행하고 있는 작업을 자연스럽게 확장하여 워크플로를 전면 점검하지 않고도 향상시킵니다. Eslami는 "궁극적으로 상담원이 기존 UiPath Platform™을 기반으로 구축할 수 있다는 것을 알게 되었습니다. 즉, 우리가 사용할 수 있는 놀라운 자동화 도구를 모두 활용할 수 있다는 의미입니다."

하지만 기초를 다지는 것은 첫 번째 단계에 불과합니다. 에이전트 자동화의 잠재력을 최대한 활용하려면 기업에는 대규모로 AI 에이전트를 구축, 배포 및 관리할 수 있는 방법이 필요합니다.

UiPath 에이전트 빌더는 팀의 비즈니스 요구 사항에 맞는 에이전트를 설계할 수 있는 도구를 제공합니다. 내장된 모니터링 및 거버넌스를 통해 기업은 AI 에이전트가 처음부터 의도한 대로 작동할 것이라는 확신을 가지고 배포할 수 있습니다. 지금 Agent Builder 대기자 명단에 등록하여 다음 자동화 시대를 가장 먼저 탐험해 보세요.

그리고 에이전트 자동화의 현재와 미래에 대해 더 자세히 알아보려면 지금 주문형으로 제공되는 UiPath Live:에이전트 자동화로 가는 길 전체 에피소드를 확인하세요.