에이전틱 자동화로 효율성 극대화

자동화 이야기는 시작부터 선형적 진보였습니다. 로봇 프로세스 자동화(RPA)에서 지능형 문서 처리(IDP)까지, 각 새 혁신은 기업을 더 생산적이고 수익성 있게, 민첩하게 만들었습니다.

하지만 이제 더 큰 일이 일어나고 있습니다. 새 기술인 에이전틱 자동화가 이 점진적 개선 사이클을 깨뜨리고, 우리가 본 적 없는 워크플로 재창조를 열어가고 있습니다.

개별 작업에 집중하는 대신, 에이전틱 자동화는 로봇, AI, 오케스트레이션을 활용해 워크플로 전체를 처음부터 끝까지 다룹니다. 에이전틱 자동화 중심에는 AI 에이전트가 있습니다. 환경을 인지하고, 낯선 영역을 탐색하며, 즉석에서 결정을 내리는 자율 소프트웨어 엔티티입니다.

에이전틱 자동화 가치 포착 청사진은 최근 분기 웹캐스트 UiPath Live: 에이전틱 자동화로의 길 주제였습니다. AI 과학자, 자동화 전문가, 엔터프라이즈 리더로 구성된 올스타 패널의 생각을 들어보며 이 변혁이 비즈니스에 지금과 미래에 의미하는 바를 논의했습니다.

대부분 리더는 아직 에이전틱 자동화 잠재력 규모를 파악하지 못했습니다. 하지만 그것을 파악한 소수는 이 게임 체인징 기술에서 최대 보상을 거둘 준비가 되어 있습니다.

에이전틱 자동화가 일하는 방식을 재정의하는 세 영역

전통적 자동화는 정형화된 규칙 기반 작업에 여전히 필수적이지만, 에이전틱 자동화는 예측 불가능성이 지배하는 곳에서 빛납니다. 한때 메울 수 없던 간극을 어떻게 메우는지 보겠습니다.

1. 규칙에서 추론으로

당신 비즈니스 프로세스 중 몇 개가 다양한 형식의 입력에 의존합니까? 불완전한 데이터는 어떻습니까?

대부분 조직에 답은 '너무 많음'입니다.

역사적으로 자동화는 데이터 불일치에 어려움을 겪었습니다. 정보가 정형화된 표준 패키지로 도착하지 않으면 직원이 개입해야 했습니다. 시스템 간 데이터 변환, 불일치 정리, 파일 수동 재포맷. 그들의 시간은 더 나은 곳에 쓰일 수 있었지만, 이런 불규칙성은 다른 선택지를 주지 않았습니다. AI 에이전트가 등장하기 전까진 말입니다.

AI 에이전트는 모호함에서 번성합니다. 완벽한 데이터가 필요하지 않습니다. UiPath AI 전략 책임자 에드워드 챌리스(Dr. Edward Challis) 박사는 UiPath Live 진행자 메리 테트저(Mary Tetlow)와 제프 앤더슨(Geoff Anderson)에게 "에이전트는 데이터가 끊임없이 변하는 작업을 다루는 정말 강력한 방법을 제공한다"고 설명했습니다. 모든 입력을 직원이 수동으로 구조화하게 하는 대신, AI 에이전트는 고수준 목표를 받아 지저분하고 불완전하거나 일관성 없는 데이터를 처리하는 최적의 방법을 결정할 수 있습니다.

이 기술은 데이터 형식이 크게 다른 산업에서 특히 가치가 있습니다. 매일 엄청난 양의 헬스케어 클레임을 처리하는 글로벌 핀테크 기업 WEX를 예로 들어보겠습니다. 정형 클레임(표준화된 필드를 가진 깨끗한 디지털 제출)은 RPA로 쉽게 처리됩니다. 하지만 의사의 손글씨 메모나 흐릿한 양식 같은 더 지저분한 형식으로 도착하는 것도 많습니다. 과거엔 직원들이 클레임 처리 전에 이 혼란을 수동으로 이해해야 해 고객에게 답답한 지연, WEX에 더 높은 비용을 초래했습니다.

이제 AI 에이전트가 이 가변성을 자동으로 처리합니다. 핵심 세부 사항을 추출하고, 컴플라이언스 요건과 교차 확인하며, 가장 복잡한 케이스만 인간 팀에 에스컬레이션합니다.

2. 작업 자동화에서 워크플로 재창조로

다양한 입력이 광범위한 엔터프라이즈 자동화의 유일한 장벽은 아닙니다. 압도적 프로세스 복잡성도 있습니다. 조건부 "만약" 문이 너무 많고, 변형이 너무 많고, 예외가 너무 많습니다. 어느 시점에서 이런 워크플로를 전통적 방법으로 자동화하려 하면 다루기 힘들어집니다. "자동화가 모든 시나리오에 대해 실행해야 할 프로세스를 정의하는 건 너무 시간이 많이 걸린다"고 챌리스 박사는 지적했습니다.

에이전틱 자동화는 근본적으로 다른 접근을 취합니다. 스크립트를 따르는 대신 에이전트는 문제를 추론합니다. 무엇이 중요한지, 무엇이 주의가 필요한지, 무엇을 자율적으로 처리할 수 있는지 결정합니다.

하지만 그들은 고립돼 일하지 않습니다. AI 에이전트는 인간의 직관, 로봇 정밀성, 에이전트 적응성이 혼합된 생태계 일부일 때 최상입니다. 예: 에이전트가 복잡한 워크플로를 서브태스크로 분해하면 RPA 봇이 데이터 입력을, API가 실시간 시장 가격을 가져오고, 인간이 예외 케이스를 해결합니다.

챌리스 박사는 이 과정을 케이크 굽기에 비유했습니다. "레시피를 실행할 때 어떤 버터를 쓸지, 버터를 어떻게 구할지, 어떤 볼을 쓸지 등 많은 선택지가 있다. 그래서 그 프로세스가 어떻게 수행될지에 대한 정의된 루틴과 자율성 사이에 유연성이 있다."

구조와 적응성 사이의 이 균형은 여러 지속적 엔터프라이즈 과제에 잘 맞습니다. 자금세탁방지(AML) 시스템은 금융기관 보안 프레임워크 필수 요소지만 완벽하진 않습니다. 전통적 도구는 컴플라이언스 팀을 거짓 경보로 익사시키는 경향이 있습니다. 경우에 따라 90%까지 높아 팀이 실제 위험을 식별하려 많은 소음을 걸러내야 합니다.

AI 에이전트는 거짓 양성을 걸러내 진짜 위협을 식별하는 데 뛰어납니다. 정형·비정형 데이터 모두 분석해 작은 반복 이체 같은 진짜 위험 신호 패턴을 포착합니다. 라이브 게스트 크레이그 르 클레어(Craig Le Clair), 포레스터(Forrester) 부사장 겸 수석 애널리스트가 지적했듯, 에이전트는 이 과정에서 거짓 양성을 60% 줄인 것으로 나타났습니다. 이로써 컴플라이언스 팀이 불필요한 검토에 발목 잡히는 대신 고우선순위 조사에 집중할 수 있게 되었습니다.

2. 코딩에서 협업으로

AI 에이전트가 협업 파트너로서 완전한 가치를 실현하려면 직원들이 자연어로 그들과 소통할 수 있어야 합니다. ChatGPT 같은 대규모 언어 모델(LLM)이 이런 파트너십을 열 것으로 기대됐지만, 비프로그래머에겐 현실이 더 복잡했습니다.

LLM이 평범한 언어 프롬프트에 응답하지만, 올바른 결과를 얻으려면 어느 정도 프로그래밍 지식이 필요합니다. 즉, 문제 분해와 코드 검증에 대한 깊은 이해. 간단히 말해, 무엇을 요청할지 아는 건 절반만 전투입니다. 돌아온 것이 실제로 올바른지 아는 것도 필요합니다.

"나는 프로그래머라 LLM이 100줄 코드를 주면 읽고 실제로 내가 원하는 걸 하는지 파악할 수 있다. 반면 내 비프로그래머 친구가 같은 걸 시도하면 출력이 실제로 그녀가 원한 건지 파악하기 정말 힘들다. 확인하려면 많은 전문성이 필요하다."

사라 E. 차신스(Dr. Sarah E. Chasins) 박사, UiPath 수석 응용 과학자

에이전틱 자동화는 이 장벽을 허뭅니다. 직원들은 목표를(모호하더라도) 설명하고 에이전트가 그 지시를 행동으로 변환하게 할 수 있습니다. 이는 WEX에 변혁적이었습니다. 팀이 더 이상 비즈니스 요구사항을 경직된 로직으로 변환할 필요 없기 때문입니다.

"모든 결정론적 시나리오를 몇 주씩 검토하는 대신, 내가 원하는 목표를 개발자에게 전달할 수 있다. 내가 찾는 비즈니스 산출물은 무엇인가? 그리고 실제로 이것들이 함께 작동하는 걸 볼 수 있다. 그래서 과거 전통적 코딩에 없던 제품팀과 기술팀 사이의 개방성이 생겼다."

에밀리 크론(Emily Krohne), WEX 엔터프라이즈 자동화 책임자

이 역량들은 인상적이지만... AI 에이전트가 폭주하지 않으리라 어떻게 확신하나요?

방 안의 코끼리를 다뤄봅시다: 시스템과 프로세스 전반에서 기능할 능력으로, 에이전트가 내가 원하는 걸 하리라 어떻게 확신하나요?

타당한 우려입니다. 에이전트는 비결정론적이며, 본질적 예측 불가능성이 그들을 강력하게 만드는 부분입니다. 에이전틱 자동화를 안전하게 구현하려면 에이전트가 신뢰성, 보안, 투명하게 작동하도록 올바른 가드레일이 필요합니다.

인간을 루프에 유지

에이전트는 일정 수준 자율성으로 작동하지만, 그게 검증 없이 달려야 함을 의미하진 않습니다. 대부분 엔터프라이즈 유스케이스에서 그들은 완전 자율 행위자라기보다 의사결정 지원 도구로 봉사할 것입니다. 챌리스 박사가 명확히 했습니다: "향후 몇 년간 에이전트는 조사하고 제안하겠지만, 인간이 검토해야 한다. 큰 변화 전엔 인간 체크포인트를 둘 것이다."

지속적 모니터링

가시성이 전부입니다. AI 에이전트가 의도대로 작동하게 하려면 설계와 런타임 모두에서 실시간 모니터링이 필요합니다.

UiPath 시니어 프로덕트 관리 매니저 재크 에슬라미(Zach Eslami)가 이 점을 강화했습니다: "[투명성은] 에이전트가 사일로 환경뿐 아니라 외부 세계에서도 잘 작동하는지 확신하는 핵심 측면이다." 조직은 에이전트가 어떻게 결정하는지 가시성을 가져야 시간이 지나며 성능을 개선하고 비즈니스 목표와 정렬되게 할 수 있습니다.

AI 에이전트를 결정론적 RPA 봇과 짝짓는 건 통제를 유지하는 최고의 방법 중 하나입니다. 에이전트가 적응하고 맥락 기반 결정을 내리는 동안, RPA 봇은 엄격하고 규칙 기반 로직을 따라 유연성과 예측 가능성 사이 균형을 만듭니다. "우리 에이전트가 도구와 애플리케이션과 상호작용하는 것뿐 아니라, 스스로 계획을 세우는 게 아니라, 인간과 로봇을 활용해 출력에 새로운 수준의 결정론을 만들고 사용자와 고객이 기대하는 방식으로 작동하게 한다고 믿는다." 에슬라미가 설명했습니다.

신뢰할 수 있는 벤더와 파트너십

신뢰는 효과적 엔터프라이즈 자동화의 기초입니다. 기술에 대한 신뢰뿐 아니라 그것을 현실로 만드는 파트너십에 대한 신뢰. 크론은 WEX의 "UiPath RPA 도구 이력이 에이전트 확장을 더 빠르게 하게 했다"고 말했습니다.

AI 에이전트가 기존 자동화 인프라 위에 도입되면 파괴적으로 느껴지지 않습니다. 대신 이미 하고 있는 것의 자연적 연장이 되어 워크플로를 전면 개편하지 않고 강화합니다. 에슬라미가 이 점을 강화했습니다: "궁극적으로 우리 에이전트는 기존 UiPath Platform™ 위에 구축될 수 있다. 그건 우리가 가진 놀라운 자동화 도구 모두를 활용할 수 있다는 뜻이다."

하지만 기초 다지기는 첫 단계일 뿐입니다. 에이전틱 자동화 완전 잠재력을 풀려면 기업은 규모 있게 AI 에이전트를 구축, 배포, 관리할 방법이 필요합니다.

UiPath Agent Builder는 팀에 비즈니스 니즈에 맞는 에이전트 설계 도구를 줍니다. 내장된 모니터링과 거버넌스로 기업은 AI 에이전트를 확신을 가지고 배포할 수 있습니다. 첫날부터 의도대로 작동함을 알기 때문입니다. 오늘 Agent Builder 대기자 명단에 합류해 자동화 다음 시대를 가장 먼저 탐색하세요.

에이전틱 자동화 현재와 미래에 대한 더 깊은 다이브를 위해 전체 UiPath Live: 에이전틱 자동화로의 길 에피소드를 지금 온디맨드로 확인하세요.