AI 에이전트 전문기업 달파(Dalpha)가 최근 서울 강남구 포스코타워 역삼 이벤트홀에서 아마존웹서비스(AWS), 데이터브릭스(Databricks)와 함께 ‘소비재 브랜드 AX 서밋: AI 에이전트가 제안하는 초격차 전략’을 개최했다. 이번 행사는 브랜드사의 운영 방식이 AI 에이전트 기반으로 재편되는 흐름을 짚고, K-뷰티·패션·식음료(F&B) 등 데이터 기반 의사결정이 중요한 소비재 산업에서 실제 도입 가능한 AX 전략을 공유하기 위해 마련됐다.
지난달 30일 진행된 이번 행사의 핵심 메시지는 소비재 기업의 AX가 더 이상 실험적 자동화에 머물지 않는다는 데 있었다. AI 에이전트가 기획, 운영, 마케팅, 물류 등 브랜드 밸류체인 전반에 개입하면서, 기업은 기술 도입을 넘어 업무 구조 자체를 다시 설계해야 하는 단계에 들어섰다는 문제의식이 공유됐다.
이날 서밋은 달파 김도균 대표의 기조연설로 시작됐다. 김 대표는 ‘브랜드 AX 시대: 커머스 운영의 새로운 패러다임’을 주제로 소비재 브랜드가 ‘에이전트 네이티브 브랜드(Agent-Native Brand)’로 전환해야 한다고 강조했다. 이어 AWS 맹지선 수석 비즈니스 개발 매니저는 글로벌 리테일·커머스 기업의 에이전트 AI 도입 흐름과 ‘AI 쇼퍼’가 바꾸고 있는 온라인 커머스 구조를 소개했다. 데이터브릭스 전준호 본부장은 AI 성과를 좌우하는 핵심 조건으로 ‘AI 레디 데이터(AI Ready Data)’를 제시하며, 기업 내부 데이터를 AI가 이해하고 활용할 수 있는 형태로 정비하는 전략을 설명했다.
김도균 달파 대표 “에이전트 네이티브 브랜드, 커머스 운영의 전제를 다시 쓰는 변화”
김도균 달파 대표의 키노트는 ‘AI를 어떻게 쓸 것인가’보다 ‘누가 기업 운영의 주체가 되는가’에 초점을 맞췄다. 김 대표는 달파가 챗GPT(ChatGPT) 등장 초기 창업한 이후 지금까지 300개 이상의 기업에 AI 에이전트를 도입해 왔다고 소개했다. 제조, 이커머스, 마케팅 등 여러 산업군에서 AI 프로젝트를 수행해 왔지만, 최근에는 소비재 산업에 집중하고 있다고 설명했다. 이유는 소비재 산업이 트렌드 탐색, 상품 기획, 생산, 발주, 판매, 마케팅까지 이어지는 운영 전 과정에서 데이터 기반 의사결정의 효용이 가장 크게 나타나는 영역이라는 판단 때문이다.
이날 김 대표가 제시한 핵심 개념은 ‘에이전트 네이티브 브랜드’였다. 김 대표는 이 전환을 단순한 생산성 향상 프로젝트가 아니라, ‘브랜드 조직 설계 자체를 다시 묻는 변화’로 규정하며 말을 이어갔다.
“에이전트 네이티브의 정의는 사람이 아닌 에이전트가 기업의 핵심 운영 주체가 된다는 것입니다. 사람이 업무 프로세스를 갖고 있고, AI가 그 옆에서 도와주는 방식은 에이전트 네이티브가 아닙니다. 반대로 에이전트가 핵심 운영 주체가 되고, 사람은 에이전트를 만들고 설계하고 돕는 역할을 하게 되는 것이 가장 큰 차이입니다.”
김 대표는 AI 기술의 흐름도 이 관점에서 다시 설명했다. 과거 머신러닝은 예측과 분류의 시대를 열었고, 딥러닝은 복잡한 패턴 인식과 추론의 가능성을 확장했다. 2022년 말 챗GPT 등장 이후 대형언어모델(LLM)은 텍스트 기반 질의응답, 번역, 요약, 문서 작성 등 지식노동 보조 도구로 빠르게 확산됐다. 그러나 LLM(대규모언어모델)만으로는 기업의 KPI를 직접 높이거나 업무 실행을 완결하기 어렵다는 한계가 있었다. 에이전트는 이 한계를 넘기 위해 등장한 다음 단계라는 설명이다.
그러면서 김 대표는 에이전트를 “사람을 넘어서는 자율적인 의사결정과 실행을 하는 기술”로 정의했다. 가령 LLM은 사용자가 “번역해줘” “분석해줘” “메일을 써줘” 등으로 직접 요청해야 작동한다. 반면 에이전트는 목표를 부여받으면 스스로 계획을 세우고, 필요한 데이터를 보고, 도구를 호출해 실행하고, 결과를 바탕으로 다시 전략을 조정한다. 김 대표가 반복해서 강조한 단어는 “알아서”였다. 기업이 원하는 것은 단순 응답이 아니라 목표 달성을 향해 움직이는 실행 시스템이라는 것이다.
“LLM은 우리가 시키는 대로 합니다. 번역하라고 하면 번역하고, 이메일을 쓰라고 하면 이메일을 씁니다. 그런데 에이전트는 우리가 목표를 주면 그 목표를 향해 알아서 움직입니다. 이 ‘알아서’라는 단어가 에이전트의 핵심이라고 생각합니다.”
김 대표는 에이전트가 사람처럼 일하기 위해 필요한 요소를 네 가지로 설명했다. 첫째는 추론 능력이다. 이는 LLM이 담당하는 ‘뇌’에 해당한다. 둘째는 기억과 맥락이다. 기업의 업무 이력, 고객 데이터, 과거 성과, 반복되는 패턴을 이해해야 한다. 셋째는 노하우다. 특정 상황에서 어떤 시스템을 확인해야 하는지, 어떤 지표를 봐야 하는지, 어떤 방식으로 실행해야 하는지에 대한 조직 내부의 암묵지다. 넷째는 툴이다. 실제 광고를 집행하거나, 데이터를 조회하거나, 메시지를 보내거나, 발주를 넣는 손과 발의 역할이다.
하지만 네 요소만으로는 충분하지 않다. 김 대표는 에이전트가 실제 성과를 내려면 ‘피드백 사이클’이 완성돼야 한다고 강조했다. 사람이 목표를 받으면 상황을 파악하고, 분석하고, 실행하고, 결과를 보고 다시 조정하듯 에이전트도 반복 루프를 통해 성능을 개선해야 한다는 것이다. 그러면서 김 대표는 “2025년까지 멀티 에이전트 시스템이 주요 연구 주제였다면, 올해부터는 에이전트가 스스로 평가하고 개선하는 ‘셀프 이볼빙(Self-Evolving)’ 흐름이 본격화되고 있다”고 설명했다.
“사람도 처음부터 잘하지는 못합니다. 목표를 주면 상황을 파악하고, 분석해서 액션을 설계하고, 실행한 뒤 결과를 보고 다시 조정합니다. 이 루프가 완성되는 것을 피드백 사이클이라고 봅니다. 에이전트도 이 피드백 사이클이 완성돼야만 목표 KPI를 향해 점진적으로 나아갈 수 있습니다.”
김 대표가 소비재를 에이전트 네이티브 전환의 대표 산업으로 본 이유도 여기에 있다. 소비재 비즈니스는 고객이 무엇을 좋아하는지 파악하는 트렌드 탐색에서 시작해, 상품 기획·생산·발주·판매·마케팅으로 이어진다. 과거에는 이 과정에 브랜드 담당자의 감각과 경험이 큰 비중을 차지했다. 그러나 틱톡, 인스타그램, 커머스 플랫폼, 광고 성과, 경쟁사 움직임 등 분석 가능한 데이터가 폭발적으로 늘어나면서, 소비재 운영은 점차 데이터 주도형 업무로 바뀌고 있다. 이어 김 대표는 에이전트가 사람보다 목표 달성에 유리한 세 가지 조건도 제시했다.
“에이전트는 사람보다 데이터를 더 넓게 볼 수 있습니다. 사람은 자신이 기억하고 확인할 수 있는 범위 안에서만 판단하지만, 에이전트는 훨씬 방대한 데이터를 동시에 관찰할 수 있습니다. 또 어떤 액션이 잘됐고 어떤 액션이 잘 안됐는지 기술로 축적할 수 있습니다. 마지막으로 사람은 한 명의 업무량만 처리하지만, 에이전트는 동시에 수백 명, 수천 명의 일을 처리할 수 있습니다.”
이날 김 대표는 인플루언서 마케팅 업무를 예로 들며 에이전트 도입 방식을 설명했다. 사람이 인플루언서를 찾고, 콘텐츠 가이드를 만들고, 계약과 커뮤니케이션을 진행하고, 성과를 추적하는 과정을 각각의 에이전트로 분해해 설계한다. 이후 개별 에이전트가 서로 협업하고, 캠페인 결과를 다시 다음 캠페인 전략에 반영하면 하나의 운영 사이클이 완성된다. 김 대표는 달파가 두 개 브랜드와 진행한 실험에서 AI 에이전트가 기존 마케터 방식보다 같은 단가 기준 누적 조회수 성과를 더 크게 만들었다고 소개하며 전망을 덧붙였다.
“앞으로의 소비재 브랜드는 지금 각 회사에서 팀이나 개인이 하고 있는 업무를 모두 에이전틱하게 바꾸는 형태가 될 것입니다. 데이터를 수집하고, 경쟁사를 분석하고, 신상품을 기획하고, 발주를 넣고, 마케팅 예산을 짜고, 퍼포먼스 마케팅과 인플루언서 마케팅을 수행하는 사이클이 하나로 연결됩니다. 그 사이클이 다시 다음 경쟁사 분석과 신상품 기획에 반영되는 통합 시스템이 하나의 기업이 되는 모습이 1~2년 뒤의 변화라고 봅니다.”
맹지선 AWS 수석 매니저 “커머스는 어텐션에서 인텐션으로 이동하고 있다”
이어 맹지선 AWS 수석 비즈니스 개발 매니저는 글로벌 리테일·커머스 기업의 에이전트 AI 도입 흐름을 중심으로 발표를 이어갔다. 매 매니저의 문제의식은 소비재 기업이 지금까지 익숙하게 다뤄온 온라인 커머스의 규칙이 AI 쇼퍼와 AI 봇의 등장으로 바뀌고 있다는 데 있었다. 과거의 커머스가 소비자의 눈길을 끌기 위한 ‘어텐션 이코노미(Attention Economy)’였다면, 앞으로의 커머스는 소비자의 구매 의도를 이해하고 그 의도에 맞춰 선택지를 제안하는 ‘인텐션(Intent)’ 중심 구조로 이동한다는 설명이다.
그러면서 맹 매니저는 소비재 기업이 AI를 마케팅 영역에만 한정해서 봐서는 안 된다고 강조했다. 실제로 리테일·커머스 기업에서는 연구개발, 데이터 탐색, 애널리틱스, 생산, 물류, 재고 관리, 수요 예측, 구매 발주 등 밸류체인 전반에서 AI 에이전트 활용 가능성이 논의되고 있다. 특히 브랜드 파워가 약해지는 환경에서는 제품 품질과 생산성, 공급망 운영 역량이 더욱 중요해진다. AI가 공정 이상을 감지하고, 사람은 이를 감독하는 구조가 확대될 수 있다는 것이다.
“지금 일하는 방식이 바뀌는 것 때문에 기업들의 고민이 많습니다. 우리가 과연 AI 에이전트와 협업할 수 있을 것인가에 대한 질문도 많고, 임원들이 보는 시각도 다릅니다. 소비재 기업은 마케팅에만 집중하는 것처럼 보일 수 있지만, 사실 가장 중요한 영역 중 하나는 생산입니다. 브랜드 파워가 내려가는 시대에는 결국 품질과 생산성이 더 중요해지기 때문입니다.”
이어 맹 매니저가 가장 먼저 짚은 변화는 ‘인커밍 에이전트(Incoming Agent)’다. 이는 소비자가 생성형 AI나 쇼핑 AI에게 상품 추천을 요청할 때, AI가 웹 전반의 데이터를 바탕으로 답을 구성하는 흐름을 뜻한다. 과거에는 브랜드가 자사몰 UI와 검색엔진최적화(SEO)에 투자하면 소비자를 자사 채널로 유입시킬 수 있었다. 그러나 AI 쇼퍼 시대에는 소비자가 직접 브랜드 사이트에 들어오지 않아도 AI가 대신 정보를 수집해 구매 결정을 돕는다.
“지금 미국에서는 AI 쇼퍼가 등장하고 있습니다. 소비자가 AI에게 ‘내게 맞는 선물을 찾아줘’, ‘튼튼한 조리 도구를 찾아줘’, ‘가장 좋은 제품이 뭐야’라고 묻는 방식입니다. 이때 AI가 답을 찾기 위해 돌아다니는 데이터 소스는 브랜드가 만든 사이트만이 아닙니다. 커뮤니티, 유튜브, 구글, 페이스북, 인스타그램 같은 곳을 돌아다니며 답을 구성합니다.”
문제는 AI가 어떤 데이터를 읽느냐다. 사람은 웹사이트의 이미지, 상세페이지, 시각적 구성, 리뷰를 보고 맥락을 이해할 수 있다. 반면 AI 봇은 사람이 보는 화면보다 제품 속성과 문서 구조를 더 직접적으로 읽는다. 패션이라면 소재, 핏, 색상, 사이즈, 착용감이 중요하고, 식품이라면 영양 정보와 원산지, 뷰티라면 성분 데이터가 중요하다. 이 데이터가 웹사이트 안에 있어도 AI가 읽기 어려운 형태라면 추천 결과에 제대로 반영되지 않을 수 있다.
맹 매니저는 리바이스 사례를 언급하며 이 변화의 위험성을 설명했다. 자사몰 유입과 수익성 개선을 위해 디지털 커머스에 투자해 온 브랜드라도, AI 봇이 페이지를 제대로 읽지 못하거나 AEO(AI Engine Optimization) 환경에서 노출되지 않으면 AI 쇼퍼의 답변에서 밀릴 수 있다는 것이다. 즉 SEO가 구글 등 검색엔진의 색인을 고려했다면, AEO는 AI 봇과 AI 응답 엔진이 읽고 인용하기 쉬운 콘텐츠와 데이터 구조를 갖추는 것을 뜻한다.
그러면서 맹 매니저는 소비재 기업이 제품 상세 정보를 단순히 사람에게 보기 좋은 페이지로 제공하는 수준을 넘어, AI가 해석 가능한 데이터로 바꿔야 한다고 강조했다. FAQ 강화도 중요한 과제로 제시했다. 가령 소비자는 AI에게 “레티놀과 비타민C를 같이 써도 되는가”, “아토피가 있을 때 어떤 제품이 적합한가”처럼 구체적인 질문을 던진다는 것이다. 이때 브랜드는 이런 질문에 대한 구조화된 답변을 갖고 있어야 AI의 추천과 인용 과정에서 유리해진다.
“브랜드 사이트에 정보가 많다고 해서 AI가 모두 읽는 것은 아닙니다. 사람에게 보이는 UI가 아니라 기계가 판독할 수 있는 데이터가 중요해지고 있습니다. 스키마 마크업처럼 AI가 읽기 쉬운 형태로 데이터가 배치돼야 합니다. 또 AI가 소비자에게 답변할 때 인용할 수 있는 FAQ와 신뢰 가능한 성분·속성 정보가 훨씬 중요해지고 있습니다.”
맹 매니저는 ‘온사이트 에이전트(On-site Agent)’의 가능성도 소개했다. 이는 브랜드가 자사 웹사이트 안에 AI 에이전트를 배치해 고객의 의도를 따라가며 검색과 추천을 돕는 방식이다. 단순히 키워드를 입력하고 결과를 나열하는 기존 검색과 다르다. 고객이 “아토피가 있는데 어떤 제품을 먹어야 하느냐”고 묻는다면, AI는 후속 질문을 이어가며 고객의 상태와 의도를 파악하고, 적합한 제품과 정보를 제안한다. 응답 속도를 위해 저비용 LLM을 사용하면서도, 깊은 상담이 필요한 경우 고성능 LLM을 병행하는 구조도 가능하다.
이와 함께 맹 매니저는 직원용 내부 AI 플랫폼도 확산되고 있다고 설명했다. 소비재 기업은 제품 데이터, 고객 문의, 생산 정보, 물류 데이터, 마케팅 성과 등 다양한 내부 지식을 보유하고 있다. 그러나 이를 직원이 필요한 순간에 찾아 쓰기 어렵다면 AI 도입 효과는 제한된다. 온사이트 에이전트가 고객 접점의 문제라면, 내부 에이전트는 직원의 업무 생산성과 의사결정 속도를 높이는 문제라는 것이다.
“온사이트 에이전트는 브랜드가 자신의 웹사이트에 AI 에이전트를 배치하는 방식입니다. 그냥 검색하는 것이 아니라 소비자의 의도를 계속 따라붙으면서 답변합니다. 빠른 응답이 필요한 경우에는 저비용 LLM이 돌고, 깊은 상담이 필요한 질문에는 고성능 LLM이 함께 작동할 수 있습니다. 이런 방식으로 고객 경험과 비용 구조를 동시에 설계하는 사례들이 나오고 있습니다.”
맹 매니저는 생산과 물류 영역에서도 AI 에이전트의 확산 가능성을 짚었다. 특히 수요 예측, 재고 관리, 구매 발주(PO) 등은 에이전트 AI가 본격적으로 들어올 수 있는 영역으로 꼽았다. 아직 공급망관리(SCM)에서 에이전트 AI가 대규모로 적용된 사례는 많지 않지만, 올해부터 수요 예측과 재고 관리, 발주까지 에이전트가 개입하는 실험이 확대될 것으로 봤다. 또 맹 매니저는 “생산 현장에서는 숙련 작업자의 은퇴와 노하우 단절 문제가 커지고 있어, 경험치를 AI로 전환하는 프로젝트가 중요해지고 있다”며 발표 말미, AI 리터러시를 소비재 기업의 필수 조건으로 제시했다.
“앞의 두 가지 트렌드를 제대로 하려면 직원의 AI 리터러시가 크게 강화돼야 합니다. 한국 기업들은 아직 AI 활용 수준이 낮고, 전문 인력도 부족한 상태입니다. AWS도 예외가 아니어서 내부 직원의 AI 리터러시 목표를 설정하고 리스킬링과 업스킬링을 강하게 추진하고 있습니다. 결국 AI는 기술 도입이 아니라 조직이 일하는 방식을 바꾸는 문제입니다.”
전준호 데이터브릭스 본부장 “AI 성과의 출발점은 결국 데이터 준비 상태다”
이날 행사의 세번째는 전준호 데이터브릭스 본부장의 발표로 이어졌다. 전 본부장은 AI 에이전트 논의의 기반 조건을 다뤘다. 앞선 세션들이 에이전트의 실행 가능성과 커머스 환경 변화를 짚었다면, 전 본부장은 그 실행을 가능하게 하는 데이터 구조와 거버넌스 문제로 초점을 옮긴 셈이다.
전 본부장은 자신이 데이터브릭스에 합류했을 당시를 언급하며 “데이터는 무조건 커지고 중요해질 것이라는 생각이 컸지만, 챗GPT 등장 이후 기업 데이터의 중요성이 훨씬 더 빠르게 부상했다”고 돌이켰다. 그러면서 전 본부장은 AI 도입의 대표적인 장벽으로 비용과 데이터 품질을 꼽았다.
“AI 도입의 가장 큰 장벽 중 하나는 비용입니다. 요즘은 사용자별 라이선스가 아니라 토큰 사용량 기반으로 비용이 바뀌고 있기 때문에 이 문제는 더 커질 수 있습니다. 그런데 더 중요한 문제는 데이터가 부족하거나 데이터 품질이 낮아서 원하는 AI 에이전트를 돌리지 못하는 경우가 많다는 점입니다. 결국 AI를 잘 쓰려면 기업이 가진 데이터를 AI가 활용할 수 있는 상태로 만들어야 합니다.”
전 본부장은 데이터와 AI 시대에는 거버넌스가 무엇보다 중요하다고 강조했다. 각 시스템마다 별도 AI 에이전트를 붙이는 방식은 초기에는 간단해 보일 수 있다. 그러나 시스템이 늘어나고, 서로 다른 데이터가 연결되기 시작하면 권한 관리와 보안 문제가 발생할 수 있다는 것이 전 본부장의 지적이다.
“시스템이 세 개일 때는 각각에 AI 에이전트를 붙이는 방식이 가능해 보일 수 있습니다. 하지만 A와 B를 연결하고, A와 C를 연결하고, B와 C를 연결하는 순간 권한 관리 문제가 생길 수 있습니다. AI 시대에는 보안과 데이터 주권, 기업 고유의 컨텍스트를 함께 관리해야 합니다. 그래서 거버넌스가 가장 중요합니다.”
기업 고유의 약어와 용어도 중요한 문제다. 회사 내부에서는 당연하게 쓰는 테이블명, 제품 코드, 고객 구분, 매출 기준, 회계 기준을 AI는 처음부터 이해하지 못한다. 전 본부장은 실제 프로젝트에서 ‘고객’을 뜻하는 내부 약어를 사람도 바로 알아보기 어려운 형태로 쓰는 사례를 언급하며, “이런 메타데이터가 정리돼야 AI가 기업 데이터를 제대로 이해할 수 있다”고 덧붙였다.
이어 전 본부장은 데이터를 AI 준비 상태로 만들기 위한 기본 흐름을 쉽게 풀어 설명했다. 먼저 여러 데이터 소스를 연결해 데이터를 모아야 한다. 엑셀 파일, SNS 데이터, SAP, 세일즈포스, 인사 시스템, 커머스 데이터 등 기업 내부와 외부의 다양한 데이터가 출발점이 된다. 이후 원본 데이터를 모으고, 정제·보강 과정을 거쳐, 최종 사용자가 분석과 의사결정에 활용할 수 있는 마트성 데이터로 만드는 과정이 필요하다. 데이터브릭스가 제안하는 메달리언 아키텍처의 브론즈·실버·골드 레이어 개념도 이 흐름을 설명하기 위한 구조다. 그러면서 전 본부장은 “데이터의 80%는 당장 쓸모없고 20%만 의미 있다”는 식의 접근과 관련해, “그래도 데이터를 모아야 한다”고 강조했다.
“데이터를 사용하려면 일단 모아야 합니다. 엑셀 파일일 수도 있고, SNS 데이터일 수도 있고, SAP나 세일즈포스 데이터일 수도 있습니다. 여러 소스에서 데이터를 가져와 원본을 보관하고, 한 번 가공하고, 최종적으로 현업과 임원이 쓸 수 있는 데이터로 만들어야 합니다. AI 레디 데이터도 결국 여러 소스에서 출발해 정제와 보강을 거친 뒤 최종 소비자에게 가는 구조입니다.”
다만 데이터 가공은 쉽지 않다. 전 본부장은 많은 기업이 데이터 엔지니어링팀을 별도로 꾸려 수 명에서 수십 명이 데이터 연결과 배치 처리, 정제 작업을 수행한다고 설명했다. 하지만 AI 시대에는 이 작업 자체도 더 빠르고 쉽게 이뤄져야 한다. 전 본부장은 데이터브릭스는 자연어 기반 데이터 탐색과 코드 생성 기능을 소개하며 “사용자가 ‘이 테이블과 저 테이블을 조인해줘’ ‘이 데이터로 탐색적 데이터 분석을 수행하고 인사이트를 보여줘’라고 요청하면 AI가 내부 데이터를 조회하고 결과를 만들어준다”고 덧붙였다.
한편 전 본부장이 강조한 또 다른 축은 ‘비즈니스 시맨틱 레이어’다. 같은 ‘매출’이라는 지표를 놓고도 재무팀, 영업팀, 운영팀이 서로 다른 숫자를 말하는 경우가 많다. 영업팀은 환불 전 판매 기준을 볼 수 있고, 재무팀은 환불을 제외한 실제 매출을 볼 수 있다. 어떤 팀은 회계연도(Fiscal Year)를 기준으로, 다른 팀은 캘린더 연도를 기준으로 볼 수도 있다. 이렇게 지표 정의가 다르면 AI가 답을 내도 조직 안에서 신뢰를 얻기 어렵다.
“회사마다 하나의 지표를 보더라도 서로 다른 숫자를 말하는 경우가 많습니다. 사장님이 매출이 얼마냐고 물었을 때 재무팀, 영업팀, 운영팀의 답이 다를 수 있습니다. 각 팀이 보는 기준과 정의가 다르기 때문입니다. AI가 비즈니스 인사이트를 주려면 먼저 모두가 같은 지표를 보고 같은 의미로 이해할 수 있어야 합니다.”
전 본부장은 무신사 사례도 소개했다. 무신사는 데이터브릭스를 활용해 많은 임직원이 하나의 데이터를 보고 의사결정할 수 있는 구조를 만들었다는 설명이다. 전 본부장은 “임직원이 같은 대시보드와 지표를 공유하면 의사결정이 중구난방으로 흐르지 않고, 필요한 데이터를 빠르게 조회할 수 있다”며 “특히 기업 규모가 커질수록 IR 자료, 경영 지표, 부서별 성과 데이터를 빠르게 끌어내는 능력이 경쟁력이 된다”고 강조했다.
이날 전 본부장이 마지막으로 강조한 것은 ‘사내 데이터의 가치’였다. 많은 기업이 외부 데이터나 범용 모델에 주목하지만, 실제 차별화의 원천은 기업 내부에 축적된 고객, 제품, 생산, 운영, 재무, 마케팅 데이터라는 것이다. 이 데이터를 AI가 이해할 수 있게 정리하고, 권한과 거버넌스를 붙이고, 현업 사용자가 쉽게 질문하고 활용할 수 있게 만드는 것이 AI 에이전트 도입의 출발점이라는 것이다.
한편 이날 행사는 현장의 목소리를 담은 사례 발표로 이어졌다. 달파 유선빈 공동창업자가 브랜드사의 실제 AI 에이전트 도입 성과를, 바이오던스(Biodance) 구본호 Head of AX는 소비재 분야에서의 AI 활용 가능성 및 전략을, 에프앤에프(F&F) 박봉섭 이사는 ‘AI 레디 데이터(AI Ready Data)’ 구현 사례를 각각 했다.
