5명의 경영진이 AI 채택에 대한 가장 큰 교훈과 모범 사례를 공유합니다.
Dee Fitzgerald (Danone 최고 데이터 책임자), Prem Natarajan (Capital One EVP, 최고 과학자), Ratheesh Kamoor (Warner Bros. Discovery 데이터 및 분석 총괄 부사장), Razal Minhas (Ford Credit 데이터, 엔지니어링 및 ML 플랫폼 부사장), Murali Vridhachalam (Gilead Sciences 클라우드, 데이터 및 AI IT 총괄 부사장), 그리고 Arsalan Tavakoli (Databricks 공동 창립자 겸 필드 엔지니어링 수석 부사장)가 AI 준비 엔터프라이즈 리딩에서 경영진의 통찰력을 공유합니다.
AI 야망을 측정 가능한 비즈니스 성과로 전환하려면 무엇이 필요할까요? 저희는 주요 브랜드의 AI 기반 경영진과 이야기를 나누며 거버넌스를 최우선으로 유지하면서 AI 이니셔티브 내에서 ROI와 실질적인 가치를 어떻게 생각하고 있는지 이해했습니다.
논의를 통해 경영진은 신뢰, 거버넌스 또는 비용 통제를 손상시키지 않으면서 에이전트를 신속하게 배포해야 한다는 압박감을 느낀다는 공통된 긴장감이 드러났습니다.
저는 이제 배포가 천국으로 가는 AI 계단의 첫걸음이라고 믿게 되었습니다… 그리고 그 이후의 모든 것, 즉 모니터링, 관찰 가능성, 성능 평가, 지속적인 학습은 가치를 더하는 단계입니다. — Prem Natarajan, Capital One EVP, 최고 과학자
리더들은 기술 발전이 창의성을 발휘하고 조직 전체의 팀을 동원하는 "가능성의 순간"을 설명했습니다. 이제 AI가 CEO 수준의 우선순위가 되면서 조직은 단순한 실험을 넘어 영향력 있는 사용 사례를 승인하고 있으며, 모델 정확도의 급격한 개선으로 인해 거의 매달 배포 가능한 범위가 확장되고 있습니다. 에이전트가 복잡한 다단계 워크플로를 조정함에 따라 기업은 엄격한 거버넌스가 혁신의 기반이 된다는 것을 알게 되었습니다.
그들의 논의는 조직이 AI 에이전트를 책임감 있고 효과적으로 확장하기 위해 채택할 수 있는 다섯 가지 관행을 밝혔습니다.
리더들은 데이터 및 AI 거버넌스가 사후 검토가 아닌 에이전트 수명 주기의 일부여야 한다고 강조했습니다.
Murali Vridhachalam, Gilead Sciences 클라우드, 데이터 및 AI IT 총괄 부사장은 모든 에이전트가 공식 위험 검토를 거친다고 공유했습니다.
에이전트가 개발되기 전에도 위험 평가를 거쳐야 합니다. 그리고 위험 수준에 따라 적절한 승인을 받습니다. 우리에게 매우 중요한 것은 위험 프레임워크가 사용자 경험과 어떻게 통합되는가 하는 것입니다.
포괄적인 엔터프라이즈 거버넌스 전략의 일환으로 일부 조직에서는 거버넌스 위원회를 설립하고 있습니다. 이러한 위원회는 데이터 소유권 및 책임, 규정 준수, 데이터 품질, 위험 등과 같은 주제에 대한 전략적 방향과 정책을 설정하는 데 도움이 됩니다.
Ratheesh Kamoor, Warner Bros. Discovery 데이터 및 분석 총괄 부사장은 그의 조직이 민감한 PII를 AI 도구에 실수로 붙여넣는 것을 방지하기 위해 전문 위원회를 어떻게 활용하는지 공유했습니다. 모든 사용 사례에 대해 C 레벨, 법률 및 기술 리더의 교차 기능 "녹색 신호"가 필요합니다. AI는 근본적으로 확률적이므로 Razal Minhas, Ford Credit 데이터, 엔지니어링 및 ML 플랫폼 부사장은 모델의 위험 프로필이 외부 환경 요인으로 인해 변경되지 않았는지 확인하기 위해 거버넌스가 "일회성 승인"이 아니라 지속적인 재평가를 포함해야 한다고 강조했습니다.
궁극적으로 이 중앙 집중식 감독은 Arsalan Tavakoli-Shiraji, Databricks 필드 엔지니어링 공동 창립자 겸 수석 부사장이 "다양한 지표의 확산"이라고 부르는 것을 방지하고, 에이전트가 "6가지 다른 버전"의 진실에 따라 작동하도록 허용하는 대신 "인증된 정의"와 표준화된 데이터에 에이전트를 고정합니다.
리더들 사이에서 반복된 주제는 전문화된 에이전트를 통해 복잡한 작업을 조정하는 전략적 전환이었습니다. 조직은 단순히 작업을 간단한 부분으로 분해하는 대신, 이제 조직 전체에서 정교하고 다단계적인 워크플로를 자율적으로 관리하는 다중 에이전트 프레임워크를 통해 높은 수준의 결과를 도출하는 데 중점을 두고 있습니다.
AI 에이전트를 사용하면 단일 작업 기반 접근 방식에서 벗어나 보다 조정되고 결과 기반으로 나아가고 있습니다. 예를 들어 직원 온보딩에는 여러 작업이 있습니다… 노트북 발급 또는 Workday에 직원 등록. 이제는 서로 다른 시스템에서 독립적으로 작업을 실행하려고 하는 직원을 온보딩하는 결과 기반입니다. — Murali Vridhachalam
Natarajan은 이러한 작업을 자동화할 수 있을 때 진정한 이점이 있다고 언급했습니다. “특정 전문 작업을 자체적으로 처리할 수 있는 AI 모델을 도입할 수 있다면… 복잡한 작업을 더 작고 달성 가능한 작업으로 나누어 전문 AI 모델을 사용하여 복잡한 워크플로를 자동화할 수 있다고 생각하면 가능성은 거의 무한합니다.”
팀이 AI 도구 에 대한 호기심과 사용량을 확장함에 따라 신중한 샌드박스와 제어된 환경에 대한 요구가 증가하고 있습니다. 이러한 환경은 팀이 실제 운영을 위험에 빠뜨리지 않고 레거시 시스템에 대한 에이전트 성능을 감사할 수 있는 승인된 공간이 될 것입니다.
Ford Credit의 Razal Minhas는 그의 조직이 "프로덕션에서 실행되는 섀도 기능을 실행하지만… 백그라운드에서 조용히 도전자로서 실행됩니다."라고 설명했습니다.
이 접근 방식을 통해 조직은 에이전트가 고객 워크플로에 영향을 미치기 전에 정확도를 검증할 수 있습니다. 실험을 위한 공간을 마련함으로써 리더는 "폭발 반경"을 확고하게 제어하면서 팀이 대담한 가설을 테스트하고 새로운 가치를 발견하도록 장려할 수 있습니다.
모든 경영진은 초기 승리가 구체적이고 반복 가능할 때 채택이 가속화된다는 데 동의했습니다.
이 접근 방식의 구체적인 예는 Capital One에서 나왔습니다. 이 팀은 자동차 딜러를 위한 고객 대면 도구인 "Chat Concierge"를 우선시했습니다. 이 애플리케이션은 실제 세계에서 에이전트 소프트웨어를 검증하는 "낮은 위험이지만 유용한 방법"을 나타냅니다.
이 측정된 접근 방식을 통해 Capital One과 같은 조직은 초기 승리를 확립하고 더 복잡한 애플리케이션에 필요한 기관적 신뢰를 구축할 수 있습니다. Natarajan이 말했듯이 이러한 도구를 실제로 사용하는 것을 보는 것은 "모든 사람이 이제 경험주의자가 된 곳에서 창의성을 발휘했습니다."
책임감 있는 배포에는 직원이 에이전트와 효과적으로 협업하도록 준비하는 것이 필요합니다. Danone의 최고 데이터 책임자인 Dee Fitzgerald는 90,000명 이상의 직원, 특히 공장이나 현장에 있는 직원들이 AI로 업무를 어떻게 변화시키고 있는지에 대한 통찰력을 공유했습니다. "우리는 프롬프팅 방법에 대한 교육 및 기술 향상에 많은 시간을 할애합니다."라고 말했습니다.
플랫폼 내의 자연어 인터페이스는 비기술 사용자가 SQL 또는 Python 전문 지식 없이도 안전하게 데이터 및 AI와 함께 작업할 수 있도록 하는 데 중요합니다.
라운드 테이블 전반의 통일된 메시지: 에이전트 AI는 데이터, 거버넌스, 오케스트레이션 및 컴퓨팅이 단일 보안 아키텍처 내에 있을 때만 작동합니다. 리더들은 인증된 데이터 제품, 일관된 가드레일, 그리고 다양한 워크플로에 걸쳐 에이전트를 배포하고 모니터링할 수 있는 플랫폼의 필요성을 반복해서 강조했습니다.
전체 토론 보기에서 리더들이 HR, 재무, 공급망 및 창의적 워크플로 전반에 걸쳐 에이전트를 운영하는 방법과 귀하의 조직이 향후 90일 동안 에이전트를 책임감 있게 배포하고 비즈니스 영향을 가속화하기 위해 취할 수 있는 단계를 알아보세요.
(이 글은 AI의 도움을 받아 번역되었습니다. 원문이 궁금하시다면 여기를 클릭해 주세요)
블로그를 구독하고 최신 게시물을 이메일로 받아보세요.