AI Agent의 실패 원인과 성공 방안

AI Agent란 무엇인가?

2025년 들어 AI Agent 기술이 SW의 최신기술로 많은 기업들의 관심을 불러 일으켜 왔다.

AI 에이전트는 멀티모달 생성형 AI 기술을 기반으로, 텍스트, 이미지, 오디오, 비디오 등 다양한 콘텐트를 처리하고, 분석형 AI 모델, DB, SW앱 등 다양한 툴들을 MCP(Model Context Protocol)를 통해 활용할뿐 아니라, A2A 멀티에이전트 프레임워크를 통해 다른 AI 에이전트들과 연결하여 워크플로우를 형성하고 자동으로 실행할 수 있는 SW시스템이다. AI 에이전트는 주어진 목적을 달성하기 위해 추론, 계획, 의사결정과 액션을 자율적으로 수행하며, 환경 변화에도 스스로 적응해가는 SW시스템이다.

AI 에이전트 아키텍처

기업의 기존의 정보시스텡은 관계형 Database 기반의 트랙잭션 처리 시스템, Data Warehouse나 NoSQL DB 기반의 정보 분석 시스템, 이들 서비스 지향 아키텍처(SOA) 또는 마이크로서비스 아키텍처(MSA) 시스템들의 구성 서비스를 Orchestration 또는 Choreography 방식으로 엮어 End-to-End 비즈니스 프로세스를 연결, 통합, 표준화하는 Business Process Management(BPM)을 특징으로 한다.

AI 에이전트는 기존 기업 정보시스템 대비 새로운 점이

첫째 다루는 데이터가 다르다. 관계형 DB나 DW는 미리 설계된 스키마에 묶인 구조적 데이터를, NoSQL DB는 Key-Value, Document, Column Family, Graph 등 비구조적이지만 그래도 특정 형태를 갖춘 데이터를 다루는 데 반해, AI 에이전트는 자연어 텍스트를 다룬다.

둘째로 기존 정보시스템은 워크플로우나 비즈니스 로직을 사전에 설계하여 표준으로 고정시키는데, AI 에이전트는 상황에 따라 유동적으로 변경시킨다.

AI 에이전트의 경영혁신 성공요인

기업의 SW 신기술(웹, 모바일, 소셜, 클라우드, IoT, AI 등)을 기반으로 한 정보시스템 및 경영의 혁신은 종래 전략적 목적을설정해 놓고, 그 달성을 위해 Business Analysis(BA), BPM, SOA, Metadata Management(MDM), EA(Enterprise Architecture) 등 Enterprise IT 전문가들의 창의적 분석과 설계에 의존해왔다. 이런 점에서 목적 달성에 SW의 자율성을 부여하는 AI 에이전트는 새로운 시도인 것이다. 과연 생성형 AI 기반의 자율적 의사결정이 비즈니스 애널리스트, 엔터프라이즈 아키텍트, 비즈니스 아키텍트, SW 아키텍트, SW엔지니어 등 전문가들 집단지성의 협업적 의사결정에 필적할만한 성과를 올릴 수 있을까?

지난 7월 발표된 MIT의 보고서 "The GenAI Divide - State of AI in Business 2025"에 따르면, 조사 대상 300개 기업에서 생성형 AI를기반으로 개발한 애플리케이션(고객지원, 컨텐트 창출, 애널리틱스 등)의 95%가 수익 창출에 실패하였다.(https://mlq.ai/media/quarterly_decks/v0.1_State_of_AI_in_Business_2025_Report.pdf)

생성형 AI의 응용시스템들이 개인에게는 유용하게 사용되고 있지만, 기업에서 경영성과를 낸 경우는 미국에서도 5%에 불과했다는데, 과연 생성형 AI 응용의 한가지 유형인 AI 에이전트가 기업에서 투자수익을 시현할 수 있을까??

지난 9월 12일 맥킨지에서 발표한 보고서 "One Year of Agentic AI: Six Lessons from the People Doing the Work"에서 AI 에이전트를 개발한 60여개 기업의 성패 경험을 바탕으로, AI 에이전트가 경영성과를 올릴 수 있도록 개발하는 방안을 제시하였다.(https://www.mckinsey.com/capabilities/quantumblack/our-insights/one-year-of-agentic-ai-six-lessons-from-the-people-doing-the-work#/)

맥킨지의 의견과 대체로 같은 바, 저자는 AI 에이전트를 개발해 경영성과를 가시적으로 올리기 위해 필수적인 요소를 세가지로 요약하였다.

(1) 고객 접점의 업무(주문, 고객지원 등)뿐 아니라 기업 백엔드의 업무(재고, 생산, 구매, 재무, 인사 등)에 상존하는 Pain Point 또는 Gain Point로서, AI 에이전트가 가장 최적의 솔루션인 Point를 발견할 것,

(2) AI 에이전트를 이용한 End-to-End 비즈니스 프로세스의 파괴적 재설계, 즉 부서별 로컬 최적화보다는 전사 통합 프로세스의 글로벌 최적화를 이룰 수 있도록, AI 에이전트를 내장할 비즈니스 프로세스 전체의 Reengineering(BPR)을 자연어 및 멀티미디어 데이터를 포함한 새로운 메타데이터와 연계하여 설계하고, 서비스 지향 아키텍처(SOA)로 구현할 것,

(3) AI 에이전트의 Output의 품질을 전문가가 항상 평가하고 품질 문제점을 개선할 수 있도록, AI 에이전트 실행 단계별 모니터링 및 피드백 루프 기능을 AI 에이전트 내에 탑재할 것.

이하에서는 위의 세가지 요소에 대해 상세히 설명한다.

(1) AI 에이전트의 사용사례

망치(AI 에이전트)를 들고 못(경영 상의 Pain 또는 Gain Point)을 찾아 다닌다든가, AI 에이전트가 만병통치약인양 아무데나 들이대는 어리석은 짓을 삼가자.

기업 현업에서 절실히 해결하고 싶어하는 Pain 이나 Gain Point가 아닌데, Agent AI 기술을 한번 적용해보고 싶어 임의의 또는 가상의 업무를 자동화하는 파일럿은 현장 확산이나 경영 성과 개선으로 이어지기 어렵다.

기업 현업에서 절실히 해결하고 싶어하는 Pain 이나 Gain Point가 있을 때, 다양한 SW기술을 이용해 단위 태스크 또는 워크플로우를 자동화함으로써 해결할 수 있을 때가 많다. 이 때 적용하는 SW기술에는 코드 로직 또는 비즈니스 룰 기반의 자동화, 분석형 AI 예측 기반의 자동화, 생성형 AI 프롬팅 기반의 자동화, AI 에이전트 기반의 자동화 등을 들 수 있다.

이 중 AI 에이전트는, 첫째 Input 정보가 자연어나 멀티미디어 형태로 존재하고, 둘째 Input이나 컨텍스트의 가변성이 높아 업무 플로우의 표준화가 부적절하고 상황 적응적으로 진화 시켜 나아가는 게 좋을 경우에 적합한 툴 이다.

예컨대, 법률 사무소의 계약서 법률 검토, 보험 회사의 보험금 지급 청구 처리, 제조업의 생산공정 품질관리, 자동차 내부의 음성 고객 지원, 은행의 고객 가상 지원 등 다양한 업종과 업무에서 AI 에이전트의 성공 사례들이 있다.

아래 그림은 위에서 언급한 맥킨지 보고서에서 인용한 것으로, 보험 회사의 보험금 지급 청구 처리 프로세스에서 Rule 기반, 분석형 AI 기반, 생성형 AI 기반 및 AI 에이전트 기반의 자동화가 복합적으로 적재 적소에 적용된 사례이다.

AI 에이전트 사용사례

(2) EA, BPM 프레임워크 내에서 AI 에이전트 설계

기업의 모든 SW 신기술의 도입은 EA(Enterprise Architecture)전략 하에 BPM(Business Process Management), MDM(Metadata Management), SOA(Service-Oriented Architecture) 기법을 통해 설계되어야 한다. AI 에이전트도 예외일 수 없다. 경영 성과 개선을 원하면 AI 에이전트 도입을 서두르기 전에 이러한 IT 성숙도부터 갖추자!

BPM은 BPR과 뭐가 다른가? 왜 BPM을 통해 AI 에이전트를 도입해야 하나? 지금까지 알려진 성공적인 BPM 패턴들 중 AI 에이전트 도입 시 적용할 수 있는 것은? AI 에이전트 활용으로 새롭게 나타날 BPM 패턴은? 왜 MDM과 BPM은 분리 불가분한 관계인가? 왜 AI 에이전트 시스템도 SOA 구조를 갖추어야 하나? AI 에이전트의 SOA를 구성하는 서비스 중 여러 비즈니스 도메인 및 프로제스에서 재사용 가능한 것은 어떤 것이 있을까?

* * *

기업이 SW를 이용하기 시작한 게 1950년대 중반부터이다. 지금의 Accenture(당시의 Arthur Andersen 회계법인의 IT 부서)가 GE에 Mainframe 컴퓨터(세계 최초의 기업 데이터센터)를 설치하도록 하고, Assembly Language를 써서 봉급계산 앱, 자재/재고관리 앱을 개발한 게 세계 최초의 기업 정보시스템이다.

그 후 1980년대 중반까지는 기업이 기존 업무프로세스에서 사람이 하던 작업을 SW로 자동화하는 게 앱 개발 방식이었는데, 30년 동안이 방식이 지속되면서 SW 투자로 인한 생산성 제고 및 수익 창출이 점점 줄어 들어 제로화되었다. 1980년대 중반부터 메인프레임에서 클라이언트/서버로 컴퓨팅 패러다임이 바뀌면서, 기업의 앱 개발 방식에도 획기적인 변화가 왔고, 이로 인해 SW의 경영 성과 개선 효과가 현격히 상승하였다. 이 새로운 방식은 PC GUI, Relational DB, 컴퓨터 네트워킹 등 SW 신기술을 적용할 때, 기존의 업무프로세스를 완전히 무시하고 혁신적인 새 프로세스를 재설계하여 구현하는 방식, 즉 Business Process Reengineering(BPR)이었다.

1990년대 미국의 모든 기업과 정부는 BPR을 통해 경영 효율과 국제경쟁력을 대폭 향상시켰으며, 이 현상을 제3차 산업혁명(소위 정보혁명)이라 부르게 되었다. 2000년대에는 BPR에서 BPM으로 발전하였다. BPR은 대부분 부서별 일회성 프로졕트였는데, BPM은 부서 간 프로세스의 연결 및 통합, 부서 단위의 경영 성과 최적화가 아닌 전사 차원의 글로벌 최적화를 추구함으로써 추가적인 경영 성과 개선을 이루었다. 한편 2000년대에 전사의 전략, 비즈니스 아키텍처, 애플리케이션 / 데이터 / 인프라 아키텍처의 조화된 개선을 상시 추구하는 기업아키텍처(EA) 관행이 미국의 모든 기업과 정부에서 채택되었다. BPM은 EA 프레임워크 하에서 비즈니스 아키텍처의 중심이 되고, SOA, MDM이 앱 및 데이터 아키텍처의 중심이 되었다.

2000년대 이후 EA 틀안에서 BPM, MDM, SOA 기법을 써서 SW 신기술 기반의 경영혁신(Business Transformation)을 이룬 게, 2000년대 웹 기반의 E-비즈니스 혁명을 시작으로, 2010년대 들어 빅데이터, IoT, 클라우드, AI 딥러능, 블록체인 등의 융합 기반의 디지털 비즈니스 혁명(소의 제4차 산업혁명)이 전개되었고, 2020년대 들어서는 메타버스와 생성형 AI 프롬팅 및 AI 에이전트 기반의 경영혁신이 시도되고 있다.

이 중 블록체인과 메타버스는 기업 경영혁신에 큰 성과를 못보이고 사그라들었다. 생성형 AI 프롬팅도 개인들에게는 매우 유용한 툴이지만, 기업의 경영성과 개선에는 큰 효과를 못내는 걸로 드러나고 있다. 그렇다면 AI 에이전트도 생성형 AI 프롬팅, 블록쳬인, 메타버스처럼 기업 경영혁신 면에서 제한적인 성과에 머무를 것인가? 제한적으든 막대한 성과든 두고 봐야 하겠지만, 어쨌거나 조금이라도 가시적인 성과를 내려면, 모든 SW 신기술 기반의 경영혁신이 그렇듯이, AI 에이전트도 BPR, MDM, SOA 기반으로 추진되어야 희망이 생긴다.

* * *

IoT를 예로 들어, 왜 SW 신기술은 BPM, MDM, SOA 기반으로 해서 앱으로 개발되어야 하는 지 보자. BPM을 통한 획기적 경영 혁신은 대부분 SW 신기술이 가져오는 새로운 정보로 인해 가능해진다. IoT 경우, 기계에 내장된 센서, 임베디드SW, WiFi 등 무선인터넷 등을 통해 기계 내외부의 실시간 상황 정보를 기업에 제공하고, 기업은 이 정보를 활용해 소위 Smart Conneted Product와 이에 번들링된 온라인 서비스를 창출한다.

이런 IoT 기반 서비스를 구현하려면, 먼저 새로 가용해진 데이터를 기업의 메타데이터관리(MDM) 하의 통합 시맨틱 모델에 연결하여 정의하고, 다음 이렇게 확장된 시맨틱 모델을 기반으로, 기계내 임베디드 센싱 프로세스, 클라우드에서의 센싱 데이터 분석을 통한 상황인지 프로세스, 기업 내의 비즈니스 룰을 적용한 상황대응 의사결정 프로세스, 기업 내 앱 또는 기계 내 액추에이터를 이용한 액션의 자동 실행 프로세스들이 복잡하게 연결 통합된 새로운 비즈니스 프로세스를 설계해야 된다.

이런 프로세스를 구현할 때는 서브프로세스듵을 SOA 서비스로 설계하고, 그들간 연계를 프로세스 모델의 오케스트레이션 또는 코레오그래피를 통해 구현해야 한다. SOA 구조의 조립형 앱(Composite App)은 API를 통해 서비스를 연결하고, 서비스 별로 상이한 최적의 구현기술을 사용할 수 있으며, 개별 서비스의 변경이나 전체 프로세스의 변경, 확장이 쉽고, 공통 서비스들을 여러 프로세스나 앱에 재사용할 수 있는 등 여러 이점이 있다.

전체 프로세스 중 1주일에 여러 번 또는 하루에 여러 번 업데이트를 릴리즈해야 하는 서브프로세스가 있으면, 그 부분에 대해서는 데브옵스팀이 서비스 별로 독립적으로 릴리즈하는 마이크로서비스 아키텍처(MSA)로 구현하고, 그렇지 않은 서브프로세스들은 전통적인 SOA(소위 Miniservice Architecture 또는 Modulith Architecture)로 구현하는 게 좋다.

* * *

이제 AI 에이전트로 눈을 돌려, 그 앱의 바람직한 개발 방안을 생각해 보자. 첫째 AI 에이전트가 가져오는 새로운 정보는 무엇인가? 자연어와 멀티미디어 형태의 컨텐트로 경영 성과 개선에 이용할 수 있는 정보, 지식, 노하우 등을 내포한 데이터이다. 보험금 지급 청구 프로세스를 예로 들자면, 고객의 보험금 지급 청구 문서, 보험 손해사정인의 평가 보고서, 의사 진단서, 고객 지원 챗 로그, 고객의 사고 설명 오디오, 사고 증인의 증언 오디오, 사고 동영상 등이다. 이런 새로운 데이터의 시맨틱 모델을 기존 메타데이터와 연계해 정의해야 한다. (디지털 비즈니스를 위한 데이터 엔지니어링 | Kosta Onlinehttps://www.kosta-online.com/challenge-page/data-engineering 참조)

이런 시맨틱 모델을 기반으로, 수동 자료 수집 및 데이터 엔트리, 사기 탐지, 손해 평가, 승인 및 금액 추정, 보험금 지급 우선순위 결정, 고객 지원 팔로우업 등 업무의 자동화를 추구할 수 있다.

이러한 업무(단위 작업 내지 서브프로세스)들을 연결한 워크플로우, 더 나아가 전사 차원의 E2E 통합프로세스를 자동화하려면, A2A 멀티에이전트 프레임워크(Google Agent Development Kit, Microsoft Semantic Kernal 및 Autogen 등)와 BPM 스위트(Camunda, Bonita, BizAgi, Pega, Appian 등)을 혼용해야 한다. A2A는 생성형 AI 기반 에이전트들의 연결에 최적화된 반면, 보험금 지급 청구 프로세스 같이 장기간 실행되고(long-lived), SAGA에 의한 Compensation을 필요로 하는 등 복잡한 프로세스의 구현은 BPM 플랫폼을 필요로 한다.

사실 BPM은 2010년대 들어서면서 이미 iBPM(intelligent BPM)으로 진화했다. iBPM은 빅데이터 및 분석형 AI 기반의 애널리틱스 기능들을 회사의 비즈니스 프로세스 안에 임베드 시키는 플랫폼으로 2010 년대 이후 디지털 변혁(DX)의 성공적 도입에 핵심 플랫폼이 되었다. 2020년대 AI 변혁(AX)에서도 여전히 핵심 플랫폼으로, AI 에이전트들을 기업의 주요 업무프로세스에 녹여 넣는 역할을 하고 있다.

* * *

아래 그림의 보험금 지급 청구 프로세스 예시를 보면, AI 에이전트를 적용하는 '자료 수집 및 데이터 입력', '사고 분석 평가', '손해 사정 및 사기 탐지', '보험금 분석 추정' 서브프로세스들의 연결은 A2A 플래폼을 적용하고, 이 AI 에이전트가 수행할 서브프로세스들을 포함해 비즈니스 룰, 분석 예측 AI 모델, 생성형 AI 프롬팅 등이 수행할 다른 서브프로세스들을 모두 연결하는 플랫폼은 BPM 플래폼(또는 오케스트레이션이나 코레오그래피를 수행하는 백엔드 코드)을 적용하고 있다.

AI 에이전트가 도입된 비즈니스 프로세스 모델

그림은 개념 수준의 BPMN 모델이고, 실행 수준으로 상세화하면 BPMN의 각종 이벤트, 게이트웨이 등을 활용하여 훨씬 복잡한, 최적화된 모델이 된다. (BPMN 2.0을 활용한 비즈니스 프로세스 설계와 구현 | Kosta Online https://www.kosta-online.com/challenge-page/bpmn-based-business-process-design-and-implementation 참조)앞의 IoT 응용 시스템 개발 사례에서도 언급했듯이, 모든 서브프로세스들을 API를 노출하는 SOA 서비스로 구현하되, 대부분 Miniservice로 구현하고, 아주 짧은 업데이트 릴리즈 사이클이 꼭 필요한 서브프로세스가 있으면 그 부분에 대해서만 Microservice로 구현하는 걸 고려할 수 있다.

아래 그림은 미국에서 2015년 창업한 보험 회사 Lemonade의 보험금 지급 청구 프로세스이다 (https://www.lemonade.com/claims). 동 사는 AI를 이용한 보험 핵심 업무의 자동화로 유명한 회사이다. AI 자동화를 통해 청구 건의 40%가 자동 처리되며. 최단 처리 시간이 3초로 업계 최단 기록이다.

Lemonade 보험 회사의 AI 기반 청구 프로세스 자동화

* * *

이미 잘 알려진 성공적인 BPR 패턴들(https://process-pattern.app/, M. Dumas, et al. Fundamentals of Business Process Management, 2018 등 참조) 중 AI 에이전트 기반 경영혁신, 즉 AX에 적용할 수 있는 것들이 많이 있고, 또 AX 과정에서 새롭게 나타나는 BPR 패턴들도 있다.

위의 보험금 지급 청구 프로세스를 BPR을 통해 혁신함으로써 현격한 성과 개선(사이클 타임 단축, 원가 절감, 고객만족도 상승, 클레임 처리 Throuput 증가, 직원 사기 진작 등)을 이룰 수 있다. 기존의 BPR 패턴들 중 이 프로세스에 적용할 수 있는 패턴의 예를 들어 보면,• Non-value-adding Activity의 제거: AI 에이전트로 고객, 사고, 보험계약 등에 관한 데이터 입력 수작업의 자동화• 과업의 병행 처리(Parallelism): AI 에이전트가 손해 사정과 사기 탐지 과업을 병행 실행함으로써 사이클 타임 단축• Case 관리: AI 에이전트가 사고 분석 평가나 보험금 분석 추정 업무에서 여러 부서 간의 협업을 실시간 조정• Self-service: 고객이 자연어로 AI 에이전트와 직접 대화, 자료 제출 및 결과 통보• Empowerment: 덜 복잡한 사고의 경우, 손해사정사의 개입 없이 현장 직원이 AI 에이전트를 이용해 손해 사정 등이 있다.

한편 AI 에이전트 기반 BPR에서 새롭게 나타날 수 있는 BPR 패턴들을 살펴 보면,• Dynamic Process Adaptation: AI 에이전트가 컨텍스트에 맞춰 상황적응적 또는 Personalized 워크플로우 실행• Dynamic Rule Adaption: 새로운 자연어 및 멀티미디어 인풋을 이용하여 기존의 비즈니스 룰을 벗어나 상황적응적으로 의사결정• Dynamic Process Orchestration: 여러 부서 간의 협업 워크플로우를 기정된 프로세스를 따르지 않고 상황에 따라 변경할 수 있다.

* * *

기업이 이렇게 재설계한 프로세스를 SOA로 구현했을 때, 개발된 AI 에이전트 서비스들 중 기업 내 여러 프로세스--보험기업 경우, 마케팅,청약, 심사, 계약, 보험금 청구, 지급, 규제 준수, 고객지원 등--에 재사용할 수 있는 서비스는 서비스 리포지터리에 모아 최대한 재사용해야 한다. 예를 들면,• 자연어 및 멀티이디어 컨텐트에서 필요한 정보를 추출하는 서비스• 이례, 변칙을 모니터링하고 사기, 위험 징후를 탐지하는 서비스• 고객과의 대화를 위한 옴니채널 에이전트 서비스• 지속적으로 변화하는 규제들의 준수 및 관련 리포팅 서비스• 과거의 케이스들로부터 베스트 프랙티스를 추출하는 서비스 등이 재사용 서비스들이다.

(3) 전문가의 AI 에이전트 결과 모니터링 및 지속적 개선

이제 AI 에이전트의 3번째 성공 요소에 대해 살펴 보자: AI 에이전트의 Output의 품질을 전문가가 항상 평가하고 품질 문제점을 개선할 수 있도록, AI 에이전트 실행 단계별 모니터링 및 피드백 루프 기능을 AI 에이전트 내에 탑재할 것.

3번째 성공 요소는 비즈니스 프로세스 혁신의 일반적인 추진 절차 상 요구되는 것이고, 특히 AI 에이전트의 경영개선 효과가 처음부터 긍정적일 확률이 높지 않기 때문에 더욱 중요하다. AI 에이전트의 기반인 생성형 AI 모델들의 Hallucination, 즉 LLM 모델은 Output의 정확성, 일관성, 완결성을 보장하지 않는다는 점, 또한 GIGO, 즉 Input 데이터가 적합하고 충분하지 않으면 Output 품질이 나쁘다(소위 AI Slop을 쏟아낸다)는 점 때문에 초기 결과가 현업 사용자들에게 실망스러울 수 있고, 이 경우 현장 확산에 실패하게 된다.

* * *

이런 초기 결과의 미흡함을 극복하려면, 모는 프로세스 혁신 과정과 마찬가지로 AI 에이전트의 지속적인 개선 사이클을 돌려야 한다. 프로세스 혁신 절차의 대표적인 방법론들을 보면,

• BPM Cycle: Design, Model, Execute, Monitor, Optimize

• Deming Cycle: Plan, Do, Check, Act

• 6 Sigma: Define, Measure, Analyze, Improve, Control

• Design Thinking: Empathize, Define, Ideate, Prototype, Test, Implement

• Lean Startup: Build, Measure, Learn 등이 있다.

BPM 생애주기

모든 방법론의 마지막 단계는 혁신 결과를 모니터링 및 측정(Monitor, Measure, Check)하고, 문제점을 파악하고( Check, Control, Test, Learn), 문제를 해결하여 개선(Optimize, Act, Control, Implement, Learn)하는 것이다.

AI 에이전트도 반복적으로 지속적으로 모니터링, KPI 측정, 문제 분석, 해결, 개선의 사이클을 돌려야 한다. 갓 개발된 AI 에이전트는 갓 뽑은 신입사원과 같다. 신입 사원은 업무 투입 전에 소속 부서의 전문가가 일 처리의 베스트 프랙티스를 가르쳐 주고, 해야 할 직무에 대한 상세한 지시도 해줘야 한다. 신입사원의 업무가 시작되어도, 일에 필요한 정보, 지식이 어디 있는 지 잘 모르고, 일의 처리도 미숙하여, 시니어 전문가 일일이 업무 결과를 지켜보고, 수정하고, 피드백을 주어야 힌다.

AI 에이전트도 전문가가 개발에 깊게 개입하여 일의 목적, 방법, 성과지표 등을 상세히 반영시키고, 개발 후에도 달라 붙어 결과를 지켜보고, 문제가 있으면 해결책을 찾아내고, 일일이 고쳐주고, 해결책을 표준절차로 정리하여, AI 에이전트 수정에 반영해야 한다. 이러한 전문가의 시간 소모를 줄이기 위해서는, AI 에이전트 내에 실행 단계 별 모니터링, 측정 평가, 문제점 노출을 하는 서브 에이전트를 개발하여 내장시켜야 한다.

신입사원이 업무를 정확히, 일관성 있게, 완결하는 방향으로 발전하지 못하면 소속부서에서 쫓겨날 것이다. AI 에이전트도 위와 같은 전문가와 서브 에이전트의 지속적 모니터링, 피드백, 표준화를 통한 개선이 이뤄지지 않으면 십중팔구 현업 부서에서 버림을 받을 것이다.

AI 에이전트에 투자하여 파일럿의 성공에 박수치고, 현업 확산에는 실패하여 회사에 손실과 실망만 남기지 않으려면, 제3의 성공 요인을 명심해야 한다.