본문으로 건너뛰기
BeSir
← 인사이트 전체 보기
AI 도입 전략

범용 에이전트를 넘어, 전사 AI에 엔터프라이즈 컴파일러가 필요한 이유

전사 AI의 성과는 문서 생성이 아니라 업무 결과의 변화에 있습니다. 기업의 맥락, 권한, 정책과 검증된 실행 능력을 연결하는 엔터프라이즈 컴파일러의 필요성을 살펴봅니다.

BeSir Team··8 분 읽기
이 글의 목차

AI에게 일을 맡기면 자료를 찾고, 문서를 만들고, 여러 시스템을 오가며 작업을 수행한다. 누구나 대화로 자신만의 에이전트를 만들고, 함께 사용하며 업무 경험을 축적한다. 범용 에이전트가 제시하는 미래는 매력적이다. 개인이나 작은 팀에서는 이러한 유연성만으로도 상당한 가치를 얻을 수 있다. 업무를 맡긴 사람이 맥락을 설명하고 결과를 검토하며, 잘못된 부분을 바로잡을 수 있기 때문이다. 그러나 전사가 함께 사용하기 시작하면 문제는 달라진다. 부서마다 다른 업무 기준, 조직별 데이터 접근 범위, 결재 권한, 예외 처리, 책임 소재가 하나의 실행 환경 안에서 만난다. 전사 AI에 필요한 것은 다양한 일을 수행하는 능력과 함께, 기업의 기준에 따라 그 실행을 통제하는 구조다.

기업의 핵심 가치는 업무의 결과를 바꾸는 데 있다

범용 에이전트의 효용은 웹검색, 통계 설명, 문서와 메일 작성에서 쉽게 드러난다. 분명 필요한 기능이고, 시간을 절약해 준다. 하지만 기업의 가치 있는 업무가 여기에서 끝나지는 않는다.

재고 현황을 설명하는 것과 품절을 줄이는 것, 불량률을 요약하는 것과 원인을 찾아 조치하는 것, 매출 보고서를 만드는 것과 수익성을 개선하는 것은 서로 다른 수준의 업무다.

구매 업무를 예로 들어 보자. 발주서 초안을 만드는 것은 전체 과정의 일부다. 실제로는 재고와 생산계획, 조달 기간, 최소 주문 수량, 공급사의 납기 신뢰도, 예산을 함께 고려해 무엇을 언제 얼마나 주문할지 판단해야 한다. 승인과 발주를 거쳐 실제 입고까지 확인해야 업무가 완결된다.

필요한 지식도 한곳에 정리되어 있지 않다. 여러 시스템에 흩어진 데이터, 기존 애플리케이션의 처리 로직, 담당자가 경험으로 알고 있는 예외와 판단 기준에 걸쳐 있다.

기업에서 가치가 큰 업무일수록 시스템 간 연결, 업무 고유의 판단, 예외 처리, 실행 권한, 결과 검증이 함께 필요하다.

문서와 메일은 이러한 과정의 중요한 수단이다. 그러나 발주서를 만들었다고 적정한 구매가 이루어진 것은 아니며, 장애 보고서를 작성했다고 서비스가 복구된 것도 아니다. 결과물의 완성도만으로 업무의 성공을 평가해서는 안 된다.

같은 요청도 기업 안에서는 다른 의미를 갖는다

“이번 달 매출을 정리해 줘”라는 간단한 요청에도 기업의 복잡성이 담겨 있다.

영업은 수주 금액을, 재무는 회계상 인식된 매출을, 경영진은 연결 기준 실적을 의미할 수 있다. 취소 거래와 내부 거래를 어떻게 처리하는지, 마감 전 수치를 포함하는지에 따라서도 결과가 달라진다.

에이전트가 데이터베이스에 접속하고 SQL을 작성할 수 있다는 사실만으로 이러한 차이가 해결되지는 않는다. 어떤 데이터가 공식 원천인지, 어떤 계산 기준을 적용해야 하는지, 요청자가 어느 조직의 실적까지 볼 수 있는지가 먼저 정의되어야 한다.

데이터 구조를 파악하는 것만으로도 부족하다. 실제 시스템에는 임시 테이블과 백업 데이터, 더 이상 사용하지 않는 필드가 존재한다. 중요한 업무 규칙이 데이터베이스 밖의 애플리케이션 코드나 담당자의 경험 속에 남아 있기도 한다.

전사 AI의 신뢰성은 이러한 맥락을 얼마나 정확하게 확보하고, 반복되는 실행에 일관되게 적용하는가에서 결정된다.

공용 에이전트의 자유도에는 명확한 경계가 필요하다

여러 사람이 하나의 에이전트를 사용하는 방식은 유용하다. 다만 공유되는 능력과 공유되어서는 안 되는 권한을 명확히 구분해야 한다.

부서장이 조회한 정보를 에이전트가 기억했다가 다른 직원에게 제공한다면 어떻게 될까. 한 담당자의 예외 요청이 팀 전체의 업무 규칙으로 저장되거나, 특정 부서의 관행이 전사 기준처럼 적용된다면 어떨까.

거버넌스 없이 확대되는 공용 에이전트의 자유도는 오류와 정보 노출의 범위까지 확대할 수 있다.

SSO는 사용자의 신원을 확인하고, RBAC는 역할에 따른 접근 권한을 부여한다. 실제 업무에서는 여기에 조직 계층, 데이터 범위, 거래 금액, 업무 상태, 승인 조건까지 결합해야 한다.

같은 에이전트를 사용하더라도 실행은 요청자의 권한 안에서 이루어져야 한다. 그 경계는 원본 데이터뿐 아니라 집계 결과, 생성 문서, 공유 메모리에도 유지되어야 한다.

“권한 밖의 정보는 제공하지 말라”는 지침만으로는 충분하지 않다. 데이터 조회와 도구 호출을 처리하는 백엔드가 권한을 검사하고, 허용되지 않은 실행을 차단해야 한다. 승인 역시 실제 실행할 대상과 내용에 연결되어야 한다.

기업의 정책은 AI가 참고하는 문장을 넘어, 실행 시스템이 강제하는 조건이어야 한다.

업무 경험이 자동으로 조직의 규칙이 되어서는 안 된다

에이전트가 경험을 축적하고 공유하는 기능은 중요하다. 그러나 경험, 추론, 공식 규정은 서로 다른 정보다.

담당자가 “이번 건은 긴급하니 예외로 처리하자”고 말했다고 하자. 이 기록을 이후 거래에도 적용하려면 누가 승인했는지, 어떤 조건에 한정되는지, 언제까지 유효한지를 알아야 한다.

출처가 명확하거나 확신도가 높다고 해서 전사에 적용할 권한까지 생기는 것은 아니다. 개인의 선호와 팀의 관행, 공식 정책을 구분하고, 서로 충돌할 때 어떤 기준을 우선할지도 정해야 한다.

따라서 조직의 학습에는 변경 관리가 필요하다. 새로운 지식의 적용 범위를 정하고, 책임자가 검토하며, 관련 업무에 미치는 영향을 검증해야 한다. 잘못된 변경을 되돌릴 수 있는 버전 관리도 필요하다.

기억을 많이 쌓는 것만으로 기업의 실행 능력이 안전하게 성장하지는 않는다. 검증된 지식을 적절한 범위에 적용할 수 있어야 조직의 자산이 된다.

From scratch의 비용은 처음 만든 이후에도 반복된다

범용 모델과 도구를 연결하면 에이전트의 첫 시연은 빠르게 만들 수 있다. 그러나 전사 운영에 필요한 업무 정의와 통제까지 에이전트마다 처음부터 구현한다면 비용은 계속 누적된다.

각 팀이 고객의 정의, 매출 계산식, 조직별 조회 범위, 승인 조건을 따로 작성한다. 같은 시스템을 연결하면서도 서로 다른 예외 처리를 만든다. 조직 개편이나 규정 변경이 발생하면 영향을 받는 에이전트를 찾아 각각 수정하고 검증해야 한다.

개별적으로는 잘 작동하던 자동화가 전사에서는 서로 다른 기준으로 움직이는 업무 시스템이 될 수 있다. 이때 부담은 개발 비용을 넘어, 기준의 불일치를 발견하고 책임을 추적하는 운영 비용으로 이어진다.

매 실행마다 에이전트가 문서를 다시 읽고 업무 절차를 재구성하는 방식에도 비효율이 있다. 반복적인 해석은 시간과 토큰을 소비하고, 같은 업무에서도 판단이 달라질 여지를 만든다.

모든 업무를 고정된 흐름으로 만들 필요는 없다. 하지만 반복되고 책임이 따르는 업무의 의미와 정책까지 매번 새로 해석할 필요도 없다.

기업이 축적해야 할 것은 에이전트별로 흩어진 지침이 아니라, 함께 재사용할 수 있는 업무 정의와 검증된 실행 능력이다.

엔터프라이즈 컴파일러는 기업의 맥락을 실행 가능한 구조로 변환한다

엔터프라이즈 컴파일러는 기업의 시스템, 데이터, 문서, 현장의 업무지식을 AI가 실행할 수 있는 구조로 변환한다.

온톨로지는 업무 개념과 데이터, 규칙의 관계를 정의한다. Capability Graph는 수행 가능한 작업과 실행 조건, 의존 관계를 연결한다. Agent Runtime은 요청자의 권한과 정책에 따라 작업을 실행하고 결과를 검증한다.

예를 들어 “발주해 줘”라는 요청에는 발주 권한, 예산, 거래처 상태, 금액별 결재 조건이 연결된다. 필요한 조건이 충족된 작업만 실행하고, 발주가 실제로 생성되었는지까지 확인한다.

정해진 조회·집계·계산은 데이터베이스와 일반 코드로 수행할 수 있다. 모델은 사용자의 의도를 이해하고 비정형 정보를 해석하는 데 집중한다. 여러 에이전트는 동일한 업무 정의와 검증된 실행 능력을 재사용한다.

규정이 바뀌면 연결된 업무와 실행 경로를 추적해 수정하고 다시 검증한다. 물론 원천 지식이 잘못되었다면 컴파일러만으로 정답을 만들 수는 없다. 근거 확인과 업무 책임자의 검토는 이 과정의 필수 요소다.

이러한 구조는 비개발자의 활용 범위도 넓힌다. 사용자는 자연어로 앱과 대시보드, 자동화를 만들면서도 기업이 정의한 데이터와 실행 권한 안에서 작업할 수 있다.

업무를 만드는 자유를 확대하려면, 그 아래의 실행 기준부터 일관되어야 한다.

전사 AI의 성과는 실행의 결과로 평가해야 한다

범용 에이전트는 다양한 요청을 이해하고 새로운 업무를 탐색하는 인터페이스로 활용할 수 있다. 엔터프라이즈 컴파일러는 그 요청을 기업이 검증하고 허용한 실행 능력과 연결하는 기반이 된다.

작은 팀에서는 사람이 맥락과 통제를 상당 부분 보완할 수 있다. 전사 규모에서는 모든 결과를 사람이 일일이 확인하는 방식에 의존하기 어렵다. 조직이 작더라도 결제나 민감정보처럼 영향이 큰 업무라면 같은 원칙이 적용된다.

기업용 AI의 성과도 처리한 질문 수나 생성한 문서 수를 넘어 평가해야 한다. 구매 소요 시간을 얼마나 줄였는지, 잘못된 발주와 재고 부족을 얼마나 줄였는지, 마감과 장애 복구를 얼마나 정확하게 완료했는지가 중요하다.

전사 AI의 확장은 더 많은 사람이 동일하게 검증된 업무 기준 안에서 실제 성과를 만들 수 있도록 하는 일이다.

BeSir는 기업의 시스템·데이터·업무지식을 AI가 실행 가능한 역량으로 변환하는 Enterprise Compiler를 지향한다. 기업의 맥락을 구조화하고, 실행에 권한과 정책을 연결하며, 결과를 검증하는 기반을 만든다.

Compile your enterprise for AI.

Enterprise CompilerEnterprise AI온톨로지AI 거버넌스

첫 에이전트로 시작하세요다음 에이전트를 만들 역량은 회사 안에 남습니다