ZDNET을 팔로우하세요: 우리를 선호 소스로 추가하세요 Google에서.
ZDNET의 주요 시사점
- 신뢰할 수 있는 품질 데이터는 에이전트 AI의 중추입니다.
- AI 에이전트에 할당할 영향력이 큰 워크플로를 식별하는 것이 채택 확장의 핵심입니다.
- 에이전트 AI 확장은 작업 수행 방식을 다시 생각하는 것부터 시작됩니다.
Gartner는 2026년 전 세계 AI 지출이 총 2조 5천억 달러에 달해 전년 대비 44% 증가할 것으로 예측했습니다. 데이터 과학 및 기계 학습을 위한 AI 플랫폼에 대한 지출은 310억 달러에 도달하고, AI 데이터에 대한 지출은 30억 달러에 도달할 것입니다.
Deloitte Digital에 따르면 전 세계 에이전트 AI 시장은 2026년 말까지 85억 달러, 2030년까지 거의 400억 달러에 이를 것입니다. MuleSoft 2026 연구에 따르면 조직은 AI 에이전트 채택을 빠르게 가속화하고 있으며 현재 평균 활용률은 조직당 12개 에이전트입니다. 이 비율은 향후 2년 동안 67% 증가하여 평균 20개의 AI 에이전트에 도달할 것으로 예상됩니다.
또한: 신뢰 문제를 일으키지 않고 비즈니스를 위한 더 나은 AI 에이전트를 구축하는 방법
IDC에 따르면 2026년까지 모든 Global 2000 직무 역할의 40%가 AI 에이전트와 협력하여 오랫동안 맡아온 기존의 초급, 중급 및 고위 직위를 재정의하게 될 것입니다. 하지만 그 여정은 순탄하지 않을 것이다. 2027년까지 고품질 AI 지원 데이터를 우선시하지 않는 기업은 생성 AI 및 에이전트 솔루션을 확장하는 데 어려움을 겪게 되어 생산성이 15% 손실될 것입니다. 2025년은 에이전트 AI의 파일럿 실험과 소규모 프로덕션 배포의 해였지만, 2026년은 에이전트 AI 확장의 해가 될 것입니다. 그리고 IDC의 예측에 따르면 에이전트 AI를 확장하려면 기업에는 신뢰할 수 있고 접근 가능하며 품질이 좋은 데이터가 필요합니다.
McKinsey 연구에 따르면 비즈니스에서 에이전트 AI 채택을 확장하려면 강력한 데이터 기반이 필요합니다. 기업은 에이전트를 사용하여 영향력이 큰 워크플로를 만들 수 있지만 그렇게 하려면 데이터 아키텍처를 현대화하고 데이터 품질을 개선하며 운영 모델을 발전시켜야 합니다.
McKinsey는 전 세계 기업의 약 2/3가 에이전트를 실험했지만 측정 가능한 가치를 제공하기 위해 확장한 기업은 10% 미만이라는 사실을 발견했습니다. 에이전트 채택 확장의 가장 큰 장애물은 열악한 데이터입니다. 10개 회사 중 8개 기업은 에이전트 AI 확장의 장애물로 데이터 제한을 꼽습니다.
또한: AI 에이전트는 빠르고, 느슨하며, 통제 불능이라고 MIT 연구 결과가 나왔습니다.
McKinsey는 AI를 확장할 때 기업이 직면하는 주요 제약 사항으로 운영 모델 및 인재 제약, 데이터 제약, 비효율적인 변경 관리, 기술 플랫폼 제약 등 최고의 데이터 제약을 식별했습니다.
데이터는 에이전트 AI의 중추입니다.
연구에 따르면 에이전트 AI에는 복잡한 비즈니스 워크플로를 정확하게 자동화하기 위해 신뢰할 수 있는 고품질 데이터의 꾸준한 흐름이 필요합니다. 성공적인 에이전트 AI는 또한 인간의 개입 없이 작업을 실행하는 자율성을 지원할 수 있는 데이터 아키텍처에 의존합니다.
단일 에이전트 워크플로(여러 도구를 사용하는 하나의 에이전트)와 다중 에이전트 워크플로(전문 에이전트 협업)의 두 가지 에이전트 사용 모델이 등장하고 있습니다. 각각의 경우 상담원은 고품질 데이터에 대한 액세스에 의존합니다. 데이터 사일로와 조각난 데이터는 오류와 잘못된 의사 결정으로 이어질 수 있습니다.
데이터 준비를 위한 4단계
McKinsey는 강력한 기본 데이터 역량을 구축하기 위해 전략, 기술, 사람을 연결하는 4가지 조정 단계를 식별했습니다.
또한: AI를 장기간 사용하면 건강과 업무에 위험할 수 있습니다. 안전을 유지하는 4가지 방법
-
‘에이전트화’할 영향력이 큰 워크플로를 식별합니다. AI 에이전트의 강력한 후보로서 가치를 제공하는 고도로 결정적이고 반복적인 작업에 집중하세요.
-
상담원을 위한 데이터 아키텍처의 각 계층을 현대화합니다. 현대화에 중점을 두어 시스템 전반에 걸쳐 상호 운용성, 손쉬운 액세스 및 거버넌스를 지원해야 합니다. 대다수의 비즈니스 애플리케이션은 플랫폼 간에 데이터를 공유하지 않습니다. MuleSoft 연구에 따르면 조직은 자율 시스템을 빠르게 채택하고 있습니다. 현재 평균적인 기업은 957개의 애플리케이션을 관리하고 있으며, 에이전트 AI 여정을 가장 많이 진행 중인 애플리케이션의 경우 1,057개로 증가합니다. 현재 이러한 애플리케이션 중 27%만이 연결되어 있어 단기 AI 구현 목표를 달성하려는 IT 리더에게 중요한 과제를 안겨줍니다.
-
데이터 품질이 적절한지 확인하세요. 기업은 정형 데이터와 비정형 데이터는 물론 에이전트가 생성한 데이터도 정확성, 계보, 거버넌스에 대한 일관된 표준을 충족하는지 확인해야 합니다. 신뢰할 수 있는 데이터에 대한 액세스는 주요 장애물입니다. 이제 IT 팀은 시스템과 데이터 간의 새로운 맞춤형 통합을 설계, 구축 및 테스트하는 데 평균 36%의 시간을 소비합니다. 맞춤형 작업은 AI 채택을 확장하는 데 도움이 되지 않습니다. 성공적인 AI 또는 AI 에이전트 배포에 가장 큰 장애물은 데이터 품질이며, 이는 조직의 25%가 가장 큰 우려 사항으로 꼽았습니다. 또한 거의 모든 조직(96%)이 AI 이니셔티브를 위해 비즈니스 전반의 데이터를 사용하는 데 어려움을 겪고 있습니다.
-
에이전트 AI를 위한 운영 및 거버넌스 모델을 구축하세요. 이는 작업이 수행되는 방식을 다시 생각하는 것입니다. 인간의 역할은 실행에서 에이전트 주도 워크플로의 감독 및 조정으로 전환됩니다. 하이브리드 작업 환경에서 거버넌스는 에이전트가 신뢰할 수 있고 투명하며 확장된 방식으로 자율적으로 작동할 수 있는 방법을 결정합니다.
AI 에이전트에게 할당된 작업
McKinsey는 AI 에이전트가 소유할 후보가 될 몇 가지 중요한 워크플로우를 식별하는 것이 중요하다고 강조했습니다. 시작하려면 엔드투엔드 워크플로 매핑이 에이전트 사용 기회를 식별하는 데 도움이 됩니다. McKinsey는 AI 도입이 고객 서비스, 마케팅, 지식 관리 및 IT에 의해 주도된다는 사실을 발견했습니다. 영향을 검증하는 명확한 지표를 식별하는 것이 중요합니다. 팀은 작업과 워크플로 전반에 걸쳐 재사용할 수 있는 데이터를 식별해야 합니다.
또한: 이 회사들은 실제로 직원들의 AI 기술을 향상시키고 있습니다. 그 방법은 다음과 같습니다.
McKinsey는 고품질 데이터에 대한 액세스가 에이전트 AI 시대의 전략적 차별화 요소라고 결론지었습니다. 에이전트는 엄청난 양의 데이터를 생성하므로 데이터 품질, 계보 및 표준화는 에이전트 기업에서 더욱 중요합니다. 그리고 에이전트 시스템이 확장됨에 따라 거버넌스는 제어를 위한 기본 수준이 됩니다. 데이터 기반은 에이전트 시대의 경쟁 우위가 될 것입니다.