AI가 소프트웨어 생산 비용을 낮추는 가운데, 경쟁 우위를 확보하려면 운영 모델을 바꿔야 합니다. AI 어시스턴트를 배치하는 데 그치지 않고 팀의 업무 방식을 재설계하는 조직이 지속적인 성과를 거둘 가능성이 더 높습니다.
AI 네이티브 엔지니어링에는 상호 보완적인 두 역량이 필요합니다. 하나는 고객과 문제를 가까이에서 이해하는 애플리케이션 팀입니다. 다른 하나는 사람과 AI 에이전트가 대규모로 안전하게 일하는 데 필요한 공통 컨텍스트, 가드레일, 평가, 거버넌스를 제공하는 플랫폼 또는 ‘하네스’ 팀입니다.
기술 리더십의 중심은 개발·배포 역량 관리에서 개발·배포 체계 설계로 이동합니다. 리더는 네 가지 결정을 명확히 해야 합니다. 애플리케이션 팀의 책임 범위, 공유할 컨텍스트와 통제, 에이전트에 사람의 승인이 필요한 지점, 검증된 학습과 고객 가치의 측정 방식입니다.
현대 엔지니어링 방식의 상당 부분은 소프트웨어 제작 비용이 높던 환경을 중심으로 발전했습니다. 조직 운영의 핵심 질문은 ‘어떻게 하면 더 많은 팀이 더 많은 소프트웨어를 더 예측 가능하게 출시할 수 있을까?’였습니다. 이 전제가 팀 구성, 플랫폼 투자, 개발·배포 성과 측정 방식을 결정했습니다. 규모 확대는 흔히 인력 증원을 뜻했고, 성공은 대체로 체계 내에서 처리한 업무량으로 표현되었습니다.
AI는 이 전제를 바꿉니다. 우리는 AI 네이티브 엔지니어링을 기존 엔지니어링에 더 나은 도구를 더한 것으로 보지 않습니다. 여기에는 다른 운영 모델이 필요합니다. 고객 문제를 깊이 이해하는 소규모 애플리케이션 팀을 플랫폼 또는 ‘하네스’ 팀이 지원하는 모델입니다. 우리가 말하는 ‘하네스’는 사람과 에이전트가 AI를 대규모로 안전하게 사용하는 데 필요한 컨텍스트, 도구, 권한, 피드백 루프, 경계를 제공하는 통제된 운영 환경입니다.
기술 및 데이터 리더에게 이것이 중요한 이유는 개인의 생산성 향상만으로는 조직 전체의 안전한 도입을 이룰 수 없기 때문입니다. 체계적으로 설계한 운영 모델이 없으면 도구의 파편화, 패턴 중복, 불명확한 책임 소재, 관리되지 않는 데이터 노출, 품질 편차가 발생할 위험이 있습니다.
기업이 스스로 던지는 질문은 “엔지니어가 AI를 활용하도록 어떻게 도울 것인가?”에서 “사람과 에이전트가 기업 규모에서 안전하게 가치를 창출하도록 엔지니어링 체계를 어떻게 재설계해야 하는가?”로 바뀌어야 합니다.
AI 덕분에 엔지니어는 더 많은 아이디어를 탐색하고, 프로토타입을 더 빠르게 만들며, 더 다양한 접근법을 시험할 수 있습니다. 그러나 산출물이 늘어난다고 가치가 저절로 커지는 것은 아닙니다. 뛰어난 판단력, 관련 컨텍스트, 효과적인 평가가 없다면 무엇을 신뢰하고 배포하며 학습에 활용할지 결정하는 속도보다 업무량이 더 빠르게 늘어날 수 있습니다.
AI는 코드 생성과 실험 실행 비용을 낮출 수 있습니다. 하지만 소프트웨어의 총비용까지 낮출 수 있는지는 검토, 통합, 운영, 유지보수, 재작업에 여전히 얼마나 많은 노력이 필요한지에 달려 있습니다.
우리는 엔지니어링의 경쟁 우위가 점점 더 다음 네 가지 역량에 달릴 것으로 예상합니다.
무엇을 어떻게 만들고, 그 선택을 어떻게 기록할지 결정하는 역량
사람과 AI 시스템이 적절한 조직 지식을 바탕으로 일하게 하는 역량
공통 플랫폼, 통제, 평가를 통해 안전하게 확장하는 역량
새로운 도구와 구성 요소를 반복적인 혼란 없이 수용할 수 있는 아키텍처를 설계하는 역량
따라서 희소한 역량의 중심은 산출물을 만드는 것에서 산출물이 낳는 가치를 높이는 것으로 이동합니다. 올바른 일을 선택하고, 컨텍스트에 기반해 수행하며, 효과를 시험하고, 무엇을 출시하지 말아야 할지 판단하는 역량입니다.
실험 비용이 낮아질수록 의사결정 기록의 가치도 커집니다. 조직은 무엇을 시도했고, 무엇이 실패했으며, 무엇을 배웠고, 왜 다른 경로가 아닌 그 경로를 선택했는지 알아야 합니다.
엔지니어링 체계는 개발·배포 속도만이 아니라 빠른 검증, 안전한 반복 개선, 학습의 문서화에 최적화되어야 합니다. 이는 엔지니어의 역할과 엔지니어가 속한 팀을 모두 바꿉니다.
엔지니어에게 이는 개발에서 멀어지는 변화라기보다, 무엇을 만들지 구체화하고 평가하며 조율하는 쪽으로 역할이 이동하는 변화입니다.
AI가 소프트웨어를 생성한다고 엔지니어가 불필요해지는 것은 아닙니다. 오히려 시스템의 제약을 이해하고, 인터페이스를 정의하고, 평가를 설계하며, 사람과 에이전트의 업무를 조율할 수 있는 인재의 중요성이 커집니다. 깊이 있는 기술 역량에 판단력, 제품 이해, 평가 능력을 겸비한 엔지니어는 개별 구성 요소 구현에만 집중하는 엔지니어보다 더 큰 가치를 창출하는 경우가 많아질 것입니다.
과거에는 제품 팀이 무엇을 만들지 결정하고, 엔지니어링 팀이 만드는 방법을 구상했습니다. 오늘날에는 많은 조직이 제품, 디자인, 엔지니어링을 한데 모읍니다. AI가 가져오는 고유한 변화는 그 팀 내부에서 일어납니다. 프로토타입 제작 비용이 낮아지면서, 하나의 주기 안에서 아이디어를 문제 정의부터 구현과 평가까지 발전시킬 수 있습니다. 팀은 더 많은 대안을 시험하고, 가능성이 낮은 아이디어를 더 일찍 버리며, 검증된 아이디어를 실제 서비스 배포 단계까지 발전시킬 수 있습니다.
이는 제품, 디자인, 엔지니어링, 도메인 전문가가 하나의 학습 루프 안에서 일하는 소규모 다기능 팀에 유리합니다. 제품 판단과 기술 판단이 하나의 역할로 합쳐지는 것은 아니지만, 둘은 더 긴밀하게 연결되어야 합니다. 제품 리더는 프로토타입을 만들고 대안을 평가할 만큼의 기술 이해력을 갖춰야 합니다. 엔지니어는 미리 정해진 답을 구현하는 데 그치지 않고 문제 자체를 구체화할 수 있도록 고객과 비즈니스 맥락을 충분히 이해해야 합니다.
엔지니어링 조직은 전통적으로 코드를 핵심 자산으로 여겨 왔습니다. 코드 생성이 쉬워질수록 장기적으로 가치를 지니는 것은 코드 자체보다 그 바탕이 되는 컨텍스트입니다. 도메인 지식, 고객 이해, 운영 경험, 독점 데이터, 평가 데이터셋, 기계가 읽을 수 있는 정책, 그리고 시스템이 지금처럼 작동하는 이유를 설명하는 아키텍처 의사결정 이력이 여기에 해당합니다.
코드베이스가 중요한 이유 중 하나는 어렵게 얻은 비즈니스와 고객에 대한 지식이 그 안에 담겨 있기 때문입니다. AI는 코드 생산에 드는 노력을 바꾸지만, 그 지식을 얻는 데 필요한 노력까지 없애지는 않습니다. 따라서 조직은 코드의 양을 넘어, 축적할수록 가치가 커지는 자산에 투자해야 합니다. 거버넌스가 잘 갖춰진 독점 데이터, 활용하기 좋은 지식 시스템, 깊이 있는 고객 이해, 명확한 의사결정 기록이 그런 자산입니다.
CIO와 CDO에게 이는 정보 아키텍처와 데이터 거버넌스가 엔지니어링 성과의 핵심이 된다는 뜻입니다. AI 에이전트는 접근이 허용되고 해석할 수 있는 컨텍스트만 활용할 수 있습니다. 따라서 파편화된 지식, 불명확한 데이터 책임 소재, 일관되지 않은 권한은 단순한 정보 관리 문제를 넘어 엔지니어링의 제약이 됩니다.
컨텍스트가 프로덕션 시스템의 일부가 되면 단순히 참고용 문서로만 남아 있어서는 안 됩니다. 이를 플랫폼에서 활용할 수 있는 역량으로 발전시켜야 합니다.
컨텍스트, 평가, 거버넌스가 프로덕션 시스템의 일부가 되면 AI 개발·배포를 개별 팀에 전적으로 맡길 수 없습니다. 그렇다고 팀이 실제 고객 문제와 멀어질 만큼 지나치게 중앙 집중화해서도 안 됩니다.
연합형 모델은 이 두 요구 사이에서 균형을 잡습니다. 자율적인 애플리케이션 팀은 문제를 가까이에서 다룹니다. 공통 플랫폼과 하네스 역량은 재사용 가능한 도구, 통제된 컨텍스트 접근, 평가 패턴, 권한, 거버넌스를 제공해 이들을 지원합니다. 연합형 운영은 책임 소재가 명확할 때만 작동합니다. 애플리케이션 팀은 워크플로와 그 결과를 책임지고, 하네스 팀은 이들이 안전하게 일할 수 있는 공통 역량을 제공하며, 리스크·보안·거버넌스 부서는 독립적인 감독을 유지합니다.
애플리케이션 팀과 도메인 전문가는 작업별 평가 사례와 통과 기준을 정의해야 합니다. 하네스 팀은 이러한 평가를 일관되게 실행하는 데 필요한 평가 인프라, 공통 통제, 보고 기능을 제공해야 합니다.
영역 | 애플리케이션 팀 | 하네스 팀 | 리스크, 보안, 거버넌스 |
|---|---|---|---|
제품과 성과 | 문제, 워크플로, 사용자 경험, 성공 지표를 선택하고 고객 및 비즈니스 성과를 책임짐 | 재사용 가능한 패턴, 도구, 텔레메트리를 제공함 | 사용 사례가 중대한 위험을 초래하는 경우 제약을 설정함 |
컨텍스트와 접근 | 워크플로에 필요한 정보와 작업을 명시함 | 컨텍스트 인터페이스, 에이전트 식별 정보, 도구 권한을 제공함 | 민감 데이터 접근과 통제 경계를 승인함 |
평가와 출시 | 통과 기준을 정의하고 결과를 검토함 | 평가 모음, 감사 로그, 승인된 배포 경로를 관리함 | 고위험 사용 사례, 예외, 중대한 변경을 승인함 |
예산과 책임 | 애플리케이션 성과를 위한 예산을 배정받고 그 성과에 책임을 짐 | 공통 역량으로서 예산을 배정받고 재사용, 지원 범위, 안전한 프로덕션 운영까지 걸리는 시간으로 평가받음 | 독립적인 감독과 통제 관련 의사결정을 책임짐 |
운영 주기와 학습 | 도메인 전문가와 반복 개선하며 결과, 사람이 에이전트의 결정을 변경한 내역, 사고를 검토함 | 학습한 내용을 새로운 테스트, 통제, 재사용 가능한 역량으로 전환함 | 합의된 승인 단계에서 사고와 변경 사항을 검토함 |
이는 리더가 팀 규모를 바라보는 관점도 바꿉니다. 더 작은 팀이 더 많은 소프트웨어를 만드는 것 자체가 목표는 아닙니다. 목표는 사람의 판단이 가장 큰 가치를 만드는 곳에 이를 배치하는 것입니다. 고객 문제를 직접 다루는 애플리케이션 팀, 그리고 그 팀이 통제력을 잃지 않고 빠르게 움직이도록 돕는 공통 역량 안에 배치해야 합니다.
애플리케이션 팀의 규모가 작아지고 AI의 지원이 늘어날수록, 조직은 안전성과 일관성, 책임 소재가 보장되는 개발·배포를 위해 공통 역량을 강화해야 합니다.
기존 플랫폼 엔지니어링은 사람을 주 사용자로 삼아 개발자 생산성을 높이는 데 주력해 왔습니다. AI 네이티브 플랫폼은 사람과 에이전트를 모두 지원해야 합니다.
에이전트가 개발자 플랫폼을 사용하는 방식은 사람과 다릅니다. 에이전트에는 기계가 접근할 수 있는 지침과 도구, 명시적인 권한, 작업을 신뢰성 있게 평가할 방법이 필요합니다. 하네스는 관측 가능성, 보안, 규제 준수, 지식 관리도 고려해야 합니다. 그 목적은 명확하고 강제할 수 있는 경계 안에서 자율성이 실질적인 가치를 발휘하게 하는 것입니다.
한 은행이 카드 결제 이의 제기 문의에 AI 지원 워크플로를 도입한다고 가정해 보겠습니다. 애플리케이션 팀은 사례를 분류하고, 적용할 정책을 검색하고, 상담원에게 제공할 답변 초안을 작성하는 제한된 업무부터 시작하기로 합니다. 이 팀은 워크플로, 사용자 경험, 상위 담당자에게 이관할 기준, 성공 지표를 책임집니다. 규제 정책을 정하거나 에이전트에 새로운 권한을 부여하지는 않습니다.
이 예에서 에이전트는 구현을 지원하고, 작업별 테스트를 실행하고, 릴리스를 준비할 수 있습니다. 프로덕션 배포는 여전히 사람이 승인하며, 프로덕션에서 얻은 결과는 다음 평가와 개발에 반영됩니다. 런타임 통제는 별도로 유지됩니다. 고객 지원 에이전트는 정해진 권한과 이관 경로 안에서 승인된 도구와 데이터만 사용해야 합니다.
컨텍스트: 에이전트는 현재 사례, 해결에 필요한 최소한의 고객 정보 항목, 승인된 상품 및 민원 처리 절차, 기계가 읽을 수 있는 이관 규칙에 접근할 수 있습니다. 원본 결제 인증 정보나 관련 없는 고객 기록에는 접근할 수 없고, 사례 관리 시스템에 내용을 기록할 수도 없습니다.
평가: 대표적인 과거 사례와 전문가가 레이블을 지정한 예외 사례로 구성된 평가 모음은 출시 전에 분류 정확도, 정책 준수, 적절한 응답 보류, 개인정보 유출, 민원이나 금전적으로 민감한 사례의 이관에 대한 검사를 통과해야 합니다.
승인: 애플리케이션 팀은 제품 관련 의사결정을 책임집니다. 리스크, 보안, 규제 준수 담당 부서는 데이터 접근, 정책 매핑, 배포 경로를 승인합니다. 고객에게 보내는 모든 메시지는 상담원이 승인합니다. 고객의 돈이나 권리에 영향을 미치는 결정은 에이전트의 자율 권한에 포함되지 않습니다.
하네스 기록: 실행할 때마다 에이전트 식별 정보와 모델 버전, 검색한 컨텍스트와 출처, 호출한 도구, 정책 검사, 평가 결과, 사람이 직접 수정하거나 에이전트의 결정을 변경한 내역, 사고를 기록합니다. 팀은 효과가 확인된 방식을 재사용 가능한 컨텍스트 인터페이스, 평가 사례, 권한 템플릿, 승인된 배포 경로로 만듭니다. 실패 사례와 사람이 에이전트의 결정을 변경한 사례는 새로운 테스트와 워크플로 개선으로 이어집니다.
이 예는 에이전트에 행동할 여지를 주되 승인된 컨텍스트와 도구만 사용하게 하고, 중요한 통제 경계마다 검토하고 재사용할 수 있는 증거를 남기는 방식을 보여 줍니다. 중요한 결정의 책임은 여전히 사람에게 있습니다. 시간이 지나면 은행은 에이전트가 잘 처리한 부분, 사람이 개입한 부분, 실패한 부분 등 실제 사례를 활용해 워크플로를 개선하고 에이전트의 업무 범위를 넓힐지 결정할 수 있습니다. 이것이 경계가 정해진 자율성과 검증된 학습이 실제로 작동하는 모습입니다.
이러한 역할 분담은 하네스 팀이 운영하는 시스템과 통제 장치에 반영됩니다. 하네스 팀은 다음을 담당할 수 있습니다.
에이전트 식별 정보: 서비스 ID를 발급하고, 책임 주체와 환경을 기록하며, 각 에이전트가 사용하는 모델, 프롬프트, 도구의 버전을 추적합니다.
도구 권한: 에이전트 작업의 읽기·쓰기 범위, 데이터 접근 경계, 사용량 한도, 승인 단계, 기본 거부 규칙을 정의합니다.
컨텍스트 인터페이스: 버전과 권한이 관리되는 인터페이스를 통해 승인된 지식과 데이터를 제공하고, 출처와 최신 상태를 명확히 표시합니다.
평가 모음: 대표 사례, 예외 사례, 안전·보안 테스트, 회귀 테스트, 출시 기준을 관리합니다.
감사 로그와 관측 가능성: 에이전트 식별 정보, 검색한 컨텍스트, 호출한 도구, 출력, 승인, 사람이 에이전트의 결정을 변경한 내역, 실패, 사고를 기록하고 적절한 보존 및 접근 통제를 적용합니다.
승인된 배포 경로: 자동 검사, 롤백 메커니즘, 변경 통제를 갖춘 샌드박스, 섀도, 단계적 배포, 프로덕션 경로를 제공합니다.
하네스 팀은 기존의 모든 플랫폼 기능에 새 이름을 붙인 것이 아닙니다. 머신러닝 운영, 보안, 거버넌스, 플랫폼 팀은 여전히 고유한 책임을 갖습니다. 하네스 팀의 역할은 이러한 통제를 애플리케이션 팀의 AI 워크플로 구축·운영 방식에 연결하는 것입니다. 정책을 위한 권한과 승인 단계, 컨텍스트를 위한 거버넌스가 적용된 인터페이스, 평가를 위한 테스트 모음, 에이전트의 행동을 감사하고 재사용할 수 있게 하는 로그가 여기에 해당합니다.

엔지니어링 업무가 애플리케이션 개발·배포와 공통 기반 지원으로 나뉜다면, 인력 구성과 리더십, 측정 방식도 함께 바뀌어야 합니다.
애플리케이션 팀에는 실제 문제를 깊이 이해하고 제품, 엔지니어링, 해당 분야에 관해 올바른 판단을 내릴 수 있는 역량이 필요합니다. 플랫폼과 하네스 팀에는 사람과 에이전트를 대규모로 지원하는 공통 환경을 설계하고 운영할 인재가 필요합니다.
CTO, CDO, CIO가 풀어야 할 리더십 과제는 무엇을 중앙에서 지원하고 무엇을 개별 팀에 맡길지 결정하는 것입니다.
애플리케이션 팀에는 신속하게 일하면서 고객과 긴밀한 관계를 유지할 자유가 필요합니다. 안전한 데이터 접근, 관측 가능성, 평가, 거버넌스 같은 역량을 팀마다 새로 구축하게 해서는 안 됩니다.
AI 네이티브 조직의 기술 리더는 개발·배포 역량 관리에 쏟던 관심의 일부를 개발·배포 체계 설계로 돌려야 합니다. 여기에는 다음이 포함됩니다.
판단력과 의사결정의 질을 중심으로 인재를 채용하고 육성하기
공통 AI 플랫폼, 평가, 가드레일, 승인된 경로, 지식 흐름, 접근 패턴에 투자하기
에이전트, 사람, 이들이 함께하는 워크플로의 운영 경계 정의하기
검증된 학습, 신뢰성, 고객에게 미치는 영향, 안전한 재사용 측정하기
AI가 개발·배포의 경제성을 실제로 어디서 바꾸는지 이해할 수 있도록 기술을 꾸준히 살피기
이 체계를 잘 설계하면 팀은 적절한 컨텍스트에 접근하고, AI가 만든 결과물을 테스트하고, 검증된 패턴을 재사용하며, 여전히 사람의 승인이 필요한 지점을 더 쉽게 파악할 수 있습니다.
많은 엔지니어링 지표는 소프트웨어 생산이 주요 제약이던 시대에 만들어졌습니다. 개발 속도, 스토리 포인트, 처리량, 배포 빈도는 여전히 유용한 운영 신호입니다. 하지만 AI가 소프트웨어 생산에 필요한 노력을 줄일수록, 이 지표들만으로 알 수 있는 것은 줄어듭니다.
팀이 더 많은 코드를 만들고 실험을 더 많이 실행하면서도 잘못된 결정을 내리거나, 불필요한 복잡성을 더하거나, 위험을 키울 수 있습니다.
따라서 기술 리더는 소프트웨어가 얼마나 많이 생산되는지, AI 도구가 얼마나 널리 쓰이는지를 넘어서는 질문을 해야 합니다. AI가 조직의 학습 속도를 높이고, 고객 성과를 개선하며, 합의된 경계 안에서 안정적으로 운영하는 데 도움이 되는지 이해해야 합니다.
애플리케이션 팀에는 다음과 같은 지표가 유용할 수 있습니다.
검증된 학습에 도달하는 시간
고객 성과의 개선
창출한 비즈니스 가치
도입과 행동 변화
실험이 근거 있는 의사결정으로 이어지는 비율
검증된 학습에 도달하는 시간은 실험 시작부터 의사결정에 충분한 증거를 모을 때까지의 전체 기간을 포함해야 합니다. 월요일에 시작해 수요일에 배포하고 금요일에 근거 있는 결정에 도달했다면, 이 팀의 주기는 이틀짜리 개발·배포 주기가 아니라 일주일짜리 학습 주기입니다.
플랫폼과 하네스 팀에는 다음과 같은 지표가 유용할 수 있습니다.
승인된 AI 패턴의 재사용
평가 범위와 효과
AI 관련 사고와 재작업
아이디어에서 안전한 프로덕션 운영까지 걸리는 시간
에이전트 행동의 관측 가능성
감사 및 규제 준수 준비 수준
관련 비용 지표에는 성공적인 결과 하나를 얻기까지의 모델 사용, 사람의 검토, 실패한 시도, 재작업, 운영 지원이 모두 포함되어야 합니다.
이러한 지표에도 명확한 정의, 기준선, 평가 방법이 필요합니다. 목표는 하나의 만능 평가표를 다른 평가표로 대체하는 것이 아니라, 개발·배포 체계가 신뢰할 수 있는 결과를 만들어 내는지 측정하는 것입니다.
애플리케이션·하네스 모델은 현재 단계의 AI 네이티브 엔지니어링에 대응하는 한 가지 방식입니다. 이를 영구적인 최종 형태로 여겨서는 안 됩니다.
다음과 같은 변화가 엔지니어링 업무의 기본 단위를 다시 바꿀 수 있습니다.
에이전트가 워크플로 전체를 책임지는 변화
일부 소프트웨어를 수년간 유지하는 대신 일시적으로 사용하는 변화
사용자가 애플리케이션 인터페이스에서 에이전트 주도 경험으로 이동하는 변화
파운데이션 모델이 더 많은 플랫폼 기능을 흡수하는 변화
규제로 인해 감사 가능성과 책임성이 엔지니어링의 지배적인 제약이 되는 변화
이는 확정된 결과가 아니라 가능성입니다. 이런 변화가 현실이 되면 애플리케이션 팀과 플랫폼 팀의 구분조차 너무 좁은 틀일 수 있습니다.
이러한 불확실성에 가장 잘 대비하는 조직은 운영 모델을 변화에 맞춰 조정할 수 있는 것으로 여길 것입니다. 고정된 팀 구조나 도구 선택이 아니라 명확한 원칙, 탄탄한 컨텍스트, 경계가 정해진 자율성, 빠른 학습을 중심으로 조직을 구성할 것입니다.
AI가 엔지니어링 체계의 중요성을 줄이는 것은 아닙니다. 오히려 이를 잘 설계하는 일의 가치를 높입니다.
소프트웨어 생산 비용이 낮아질수록 더 나은 결정을 내리고, 유용한 컨텍스트를 축적해 가치를 키우며, 안전하게 운영할 수 있는 조직이 우위를 갖게 됩니다. AI 네이티브 엔지니어링은 단순히 AI 도구를 사용하는 방식이 아닙니다. 의사결정의 질, 공유 컨텍스트, 경계가 정해진 자율성, 빠른 학습이라는 새로운 제약을 중심으로 스스로를 재설계하는 방식입니다.
기술 리더는 다음 네 가지 결정을 명확히 하는 데서 시작할 수 있습니다.
어떤 고객 및 제품 관련 결정을 애플리케이션 팀 가까이에 남겨 두어야 하는가?
어떤 컨텍스트, 통제, 평가 역량을 공유해야 하는가?
에이전트는 어디까지 자율적으로 행동할 수 있고, 어디서 사람의 승인이 필요한가?
어떤 지표로 검증된 학습, 고객 가치, 안전한 운영을 입증할 것인가?
조직이 배치한 어시스턴트의 수보다 이 질문들에 대한 답이 AI 도입의 가치를 더 크게 좌우할 것입니다.
