레거시 시스템은 경쟁력의 해자이자 닻입니다. 비즈니스에 필수적이지만 변경하기 어렵습니다. 따라서 대부분의 경우 AI를 이 시스템에 통합하는 것은 간단하지 않습니다.
단순히 AI를 연결하고 레거시 시스템 내에서 작동하기를 기대할 수 없습니다. 고려해야 할 여러 제약 조건이 있습니다.
동시에 모든 것을 처음부터 다시 구축하는 것은 선택지가 아닙니다. 그렇다면 조직에 안전하고 실용적이며 지속 가능한 방식으로 AI를 어떻게 통합할 수 있을까요?
이 기사는 레거시 환경에서 작동하는 통합 접근 방식, 그 이면의 트레이드오프, 그리고 귀사의 상황에 맞는 올바른 접근 방식을 선택하는 방법에 초점을 맞춥니다.
레거시 시스템은 겉보기보다 더 취약한 경우가 많습니다. 수년간 안정적이었지만, 그 안정성은 매우 구체적인 균형에서 나옵니다.
AI를 해당 환경에 도입하면 데이터 이동 방식, 의사결정 방식, 시스템 상호작용 방식을 변경하는 것입니다. 작은 변화조차 의도치 않은 영향을 미칠 수 있습니다.
대부분의 조직에서 이 시스템들은 일일 운영의 중심에 있습니다:
이러한 이유로 변경 사항은 국소적으로 머물지 않습니다.
워크플로를 자동화하기 위해 AI 계층을 추가하여 국소적 영향을 기대할 수 있습니다. 대신 데이터 타이밍을 변경하거나 입력 구조를 변경합니다. 그 자체로 조정이나 보고 같은 다운스트림 프로세스를 깨뜨릴 수 있습니다.
일부 실패는 즉각적입니다. 다른 것들은 시간이 지나야 나타납니다. 나타날 때는 무엇이 원인인지 항상 명확하지 않습니다.
일관되게 작동하는 시스템이 더 발전했지만 예측 불가능한 시스템보다 더 가치가 있습니다.
대부분의 비즈니스는 가동 시간, 규정 준수, 안정적인 수익을 최적화합니다. 이러한 것을 위험에 빠뜨리는 통합 접근 방식은 가치가 없습니다.
이것이 레거시 환경에서 AI 통합을 신중하게 처리해야 하는 이유입니다. 안정성이 최우선입니다. 지능은 그 제약 조건 내에 맞아야 합니다.
AI는 기존 시스템에 직접 내장하는 것보다 주변에 계층화할 때 레거시 환경에서 가장 잘 작동합니다.
핵심 시스템을 수정하는 대신, AI는 의사결정 지원, 워크플로 조정, 특정 예외 케이스 처리를 지원합니다.
이를 통해 불필요한 위험을 도입하지 않고 역량을 추가할 수 있습니다.
AI 코파일럿은 읽기 전용 API를 사용하여 기존 데이터를 분석하고 인간 평가를 위한 제안을 제시합니다.
Microsoft Copilot 같은 도구는 이 접근 방식을 따르며, ERP 플랫폼 같은 시스템에 연결하여 사람들이 이미 사용하는 도구 내에 통찰력을 제시합니다.
예를 들어, 재무 팀이 ERP 데이터를 기반으로 AI를 사용하여 잠재적으로 위험한 계정을 플래그하고, 최종 결정은 분석가에게 맡길 수 있습니다.
실용적인 예로 캐나다 타이어의 내부 비서 ChatCTC가 있습니다. 수천 명의 직원이 사용하며 일상 업무에서 하루 30-60분을 절약하고, 운영에서 20-30% 더 빠른 의사결정을 보고했으며, 기본 시스템을 수정하지 않았습니다.
AI 에이전트는 시스템을 수정하지 않고 시스템 간을 조정할 수 있습니다.
ERP나 CRM 플랫폼 내에 로직을 내장하는 대신, AI는 API를 통해 승인 관리, 액션 트리거, 시스템 간 정보 이동을 통해 작동합니다.
이는 UiPath가 AI와 자동화를 결합하는 방식이나, Zapier가 기본 시스템을 변경하지 않고 교차 시스템 워크플로를 가능하게 하는 방식과 유사합니다.
예를 들어, 공급망 운영에서 AI는 별도 시스템 전반에서 재고 확인, 공급업체 커뮤니케이션, 배송 업데이트를 조정할 수 있습니다.
이득은 시스템 자체를 변경하는 것이 아니라 수동 조정 감소에서 옵니다.
일상 운영에 AI를 내장하는 대신, 무언가 실패하거나 느려질 때 사용할 수 있습니다.
AI는 시스템을 모니터링하고 이상을 탐지하며, 정상 워크플로에 간섭하지 않고 인간 검토를 위해 문제를 제시할 수 있습니다.
이것이 사기 탐지에서 AI가 일반적으로 사용되는 방식입니다. 시스템은 거래를 모니터링하고 비정상적인 활동을 플래그합니다. IBM은 사기 탐지 시스템에서 이 접근 방식을 설명합니다.
일상 운영은 평소대로 계속되고, AI는 필요할 때만 개입합니다.
AI는 핵심 시스템에 다시 쓰지 않는 별도 파이프라인에서 레거시 데이터를 전처리할 수 있습니다.
여기에는 중복 정리, 레코드 분류, 요약 생성이 포함됩니다. 처리된 데이터는 분석 도구나 대시보드에서 사용되며, 원래 시스템은 변경되지 않습니다.
Databricks 같은 플랫폼은 최신 데이터 파이프라인을 통해 이를 지원하여 팀이 소스 시스템을 수정하지 않고 레거시 데이터에서 가치를 추출할 수 있게 합니다.
예를 들어, 수년간의 과거 데이터를 가진 소매업체는 원래 ERP 시스템을 변경하지 않고 예측을 위한 트렌드 통찰력을 생성할 수 있습니다.
기업은 민감한 워크플로에서 인간의 감독을 제거하면서 AI에 핵심 시스템 쓰기 권한을 주는 것을 주의해야 합니다.
또 다른 주의할 점은 AI가 검증되기 전에 규칙 기반 프로세스를 교체하는 것입니다.
각 접근 방식은 데이터 손상, 예측 불가능한 실패, 규정 준수 노출을 위험에 빠뜨립니다. 이는 되돌리기 어렵고 기업 규모에서 수정하는 데 비용이 많이 드는 결과입니다.
AI에 프로덕션 데이터베이스나 ERP 시스템에 대한 쓰기 권한을 주는 것은 기업이 내릴 수 있는 가장 높은 위험의 통합 결정 중 하나입니다.
주요 위험은 다음과 같습니다:
AI는 완전한 로깅과 모든 액션에 대한 필수 인간 승인으로 격리된 저위험 환경에서 시작하여 점진적으로 쓰기 권한을 얻어야 합니다.
결정론적, 규칙 기반 시스템은 설계상 예측 가능하며, 알려진 방식으로 실패하고 감사하기 쉽습니다.
이들을 AI로 조기에 교체하면 다음과 같은 문제가 발생합니다:
올바른 순서는 증강 우선, 기존 규칙과 병행하여 AI를 실행하여 교체 결정 전에 성능을 검증하는 것입니다.
자동화 편향은 잘 문서화된 위험입니다: 인간을 워크플로에서 제거하면, 출력이 잘못되어도 AI 출력에 맡기는 경향이 증가합니다.
민감한 워크플로에서 이는 다음을 만듭니다:
인간 감독은 비효율적이지 않습니다. 민감한 프로세스에서 그것은 통제 메커니즘입니다. AI는 이러한 워크플로에서 인간 판단을 알리고 가속화해야지 대체해서는 안 됩니다.
적절한 AI 통합 모델 선택은 일반적인 적합성이거나 가장 유행하고 가장 진보된 것을 선택하는 것이 절대 되어서는 안 됩니다. 귀사 시스템과 팀이 지원할 수 있는 것과 이해하고 정렬하는 것이 더 중요합니다.
접근 방식에 커밋하기 전에 네 가지 차원에서 환경을 평가하세요:
답변이 귀사의 실행 가능한 시작점을 결정합니다. 야망이 아닙니다.
시스템 제약 → 가장 안전한 AI 접근 방식
이 표를 빠른 참조로 사용하여 현재 시스템 제약 조건을 사용 가능한 가장 낮은 위험의 AI 접근 방식과 매칭하세요.
| 시스템 제약 | 가장 안전한 AI 접근 방식 |
|---|---|
| API 접근 없음 / 완전 폐쇄 시스템 | 격리된 파이프라인에서 데이터 보강 |
| 읽기 전용 API 사용 가능 | 의사결정 지원을 위한 AI 코파일럿 |
| 수동 인계가 있는 다중 시스템 워크플로 | 외부 AI 에이전트를 통한 워크플로 오케스트레이션 |
| 빈번한 실패 또는 예외가 많은 프로세스 | 예외 처리 및 이상 탐지 |
| 깨끗한 데이터, 검증된 AI 모델, 낮은 규제 위험 | 완전한 감사 로깅이 있는 선택적 쓰기 접근 |
가장 신뢰할 수 있는 확장 경로는 크롤-워크-런 시퀀스를 따릅니다:
위 각 단계는 다음 단계가 시작되기 전에 구체적인 증거를 산출해야 합니다. 이 단계 중 하나를 건너뛰는 것이 기업 수준 AI 프로젝트에서 가장 비용이 많이 드는 실수가 발생하는 지점입니다.
AI와의 좋은 통합은 AI가 기존 시스템과 함께 작동하고 주변에서 작동하며, 이를 교체하지 않을 때 달성됩니다. AI는 무엇과 상호작용할 수 있고 없는지에 대한 규칙 내에서 작동하며, 개입이 필요한 시나리오에서는 사람이 루프에 남습니다. 게다가 프로세스가 먼저 정리되고, AI가 그것을 더 빠르게 만드는 것은 부차적 효과입니다.
세 가지 기둥은 서로를 강화하며, 순서가 중요합니다.
좋은 AI 통합은 기존 인프라를 불변으로 취급합니다. ERP, CRM, 레거시 데이터 웨어하우스, 그 어느 것도 변경되지 않습니다.
AI 계층은 그것들로부터 읽고, 해석하고, 라우팅합니다. 재플랫폼이 필요 없으며, 이것이 가장 성공적인 기업 배포가 수년이 아닌 몇 달 만에 일어나는 이유입니다.
무엇을 배포하기 전에 누군가는 AI가 할 수 있는 일을 정확히 적어야 합니다. 관례나 문화적 규범이 아니라 문서화된 정책으로.
"요약 가능"과 "승인 불가"는 다른 위험 범주이며 거버넌스 문서, 감사 로그, 벤더 계약에서 그렇게 취급되어야 합니다.
목표는 인간이 모든 것을 승인하는 것이 아닙니다. 그건 목적을 무효화합니다. 목표는 결과가 중요한 모든 것이 사람에게 이어지는 것입니다.
낮은 신뢰도 출력, 큰 거래, 민감한 커뮤니케이션: 이것들은 자동으로 에스컬레이션됩니다. 그 외 모든 것은 AI가 완전한 감사 추적과 함께 처리합니다.
주의할 실패 모드: 망가진 프로세스에 AI를 덕지덕지 붙이는 기업. 잘못 설계된 승인 워크플로는 AI로 고쳐지지 않습니다; 더 빠르고 더 틀리게 됩니다. 규율은 프로세스를 정리한 다음, 그 위에 AI를 얹는 것입니다.
시스템을 재작성하는 대신 기존 시스템 주위에 AI를 감싸고, 인간 결정을 지원하며 자동화하지 마세요.
또한 팀이 AI가 조용히 실패했는지 알아차릴 기회를 항상 얻도록 하세요.
배포 전 가시성 격차를 수정하세요. 프로세스는 그대로 유지되며, AI는 책임성을 제거하지 않고 속도를 추가합니다.
귀사의 ERP나 CRM은 구축하는 데 수년이 걸렸고 수십 년의 비즈니스 로직을 담고 있습니다. "AI를 위한 공간을 만들기 위해" 재작성하는 것은 높은 실패율을 가진 수백만 달러 베팅입니다.
감싸기란 기존 시스템이 정확히 그대로 유지되면서 AI가 위에 앉아 출력을 읽고 주변에 지능을 추가하는 것을 의미합니다.
은행이 핵심 뱅킹 시스템을 교체하지 않고 모바일 앱을 추가한 방식을 생각하세요. 같은 원칙. 낮은 위험, 빠른 배포.
AI는 자신감 있게 들리는 실수를 합니다. 그리고 인간이 개입하면 이러한 실수가 피해를 입히기 전에 잡힙니다.
하지만 AI가 혼자 일하면, 나쁜 출력이 결과의 연쇄로 이어질 수 있습니다: 잘못된 신용 결정, 계약 잘못 제출, 공급업체에 잘못된 지급.
올바른 모델: AI가 초안 작성, 플래그, 요약. 인간이 검토하고 승인. AI의 도움을 받은 조달 팀이 공급업체를 후보로 추립니다. 그들은 여전히 공급업체를 선택합니다. 속도는 증가하고, 책임성은 유지됩니다.
이사들이 따라야 할 한 가지 간단한 규칙
어떤 AI 배포에 서명하기 전에 한 가지 질문을 던지세요: 이 AI가 일주일 동안 조용히 실패하면, 내 팀 누군가가 알아차릴까?
예라면 진행하세요. 아니면 가시성 문제가 있는 것이고, AI가 라이브되기 전에 인간 검토 단계를 구축해야 합니다. 그 단일 질문이 잘못되는 대부분의 통합 결정을 잡습니다.
자신의 환경에서 이 문제를 해결 중이라면, 올바른 시작점을 잡는 것이 큰 차이를 만듭니다.
대부분의 위험은 너무 일찍 잘못된 접근 방식을 선택하는 데서 옵니다.
레거시 시스템에 맞는 올바른 AI 통합 접근 방식을 찾는 데 도움이 필요하십니까?
Imaginovation 팀이 귀사의 설정을 평가하고 이미 작동하는 것을 방해하지 않는 저위험 경로를 매핑하는 데 도움을 드릴 수 있습니다.
이야기해 봅시다.
산업기술
분류된 스크랩 금속이 매립지에 버려지지 않는 이유 스크랩 금속은 금속 가공 초기부터 회수·재사용되어 왔습니다. 환경적·경제적 관점 모두에서 금속 재활용은 극도로 효과적입니다. 강철, 철, 알루미늄, 구리 같은 금속은 반복적 용해와 주조로 금속 특성이 저하되지 않아 무한히 재활용 가능합니다. 플라스틱과 유리 재활용이 훨씬 어려운 점을 감안하면, 재활용 금속이 많은 금속 가공의 전통적 기반임을 기억해야 합니다. 금속 재활용 산업은 폐기된 물체에서 금속을 회수해 스크랩 금속이 매립지로 가지 않게 전문화되어 있습니다. 대신 신제품 원자재로
요약 본 논문에서는 PEDOT:PSS를 양극으로 하는 하이브리드 β-Ga₂O₃ 쇼트키 다이오드를 제조했습니다. 온도가 298 K에서 423 K로 변화할 때 전기적 특성을 조사했습니다. 장벽 높이 φb는 증가하고 이상성 인자 n은 온도 증가에 따라 감소하여 폴리머와 β-Ga₂O₃ 계면 사이의 장벽 높이 불균일성이 존재함을 나타냅니다. 가우시안 장벽 높이 분포 모델을 고려한 후 평균 장벽 높이와 표준 편차는 각각 1.57 eV와 0.212 eV입니다. 또한 320 ms 미만의 비교적 빠른 응답 속도, 0.6 A/W의 높은 응답도, R₂
