기업용 SQL, 언제까지 '자연어 질문'만 던질 것인가
기업용 Text-to-SQL은 검색 방식 개선보다 검색 대상이 되는 지식, 즉 실제 쿼리에서 뽑은 조인·필터·CTE 패턴을 SQL 레퍼런스 카드로 정제하는 작업이 성능을 더 크게 좌우한다.
#기업 AI
1,000개 넘는 스킬도 가볍게.. Stripe가 Deep Agents를 지배하는 법
에이전틱 시스템은 교체 가능한 모델, 실행만 담당하는 얇은 하네스, 지식과 규칙을 보관하는 모듈형 컴퍼니 브레인으로 나뉜다. Writer·Stripe·eToro 사례로 이 구조의 비용 효율과 통제 방식을 설명한다.
당신이 믿고 쓰는 에이전트, 정말 통제하고 있습니까?
에이전트가 실제 업무 권한을 갖게 되면서, 통제·검증·거버넌스 없이 데모만 만드는 방식은 재작업과 배포 실패로 이어진다. AMD 사례처럼 사업 지표로 성과를 측정하는 개발 생애주기가 필요하다.
포르쉐, TCS와 12.5억 유로 AI 계약
MHP는 4,500명 대부분 외부 고객을 상대하던 컨설팅사였고, 매각가는 매출의 0.43배에 불과해 포르쉐가 5년간 다시 사들일 서비스 대금의 4분의 1 수준이다.
애플, 책상 위 로컬 AI용 M6·M5 Ultra 맥 공개
통합 메모리 최대 512GB로 대형 오픈웨이트 모델을 통째로 올릴 수 있게 되면서, 클라우드 API에 내던 토큰 비용을 데스크톱 캡엑스로 대체하려는 개발자·기업 수요가 시험대에 오른다.
판단의 희소성이 사라진 시대.. AI 전환을 위한 조직 재설계
기업의 AI 도입 성과를 가르는 요인은 모델 성능이 아니라 결재 단계와 업무 흐름을 먼저 다시 설계했는지에 있다. 절차를 그대로 둔 채 속도만 높이면 과거의 조직 설계를 오래 유지할 뿐이다.
86%가 시험했지만, 믿고 맡긴 곳은 34%
기업 대부분이 AI 에이전트를 시범 배치했지만 실제 사용률은 한 자릿수에 그친다. 권한·데이터 연동·역할 재설계 같은 운영 과제가 해결되지 않으면 기능을 더해도 채택은 늘지 않는다.
프론티어, 오픈웨이트…그리고 사람이라는 자원의 균형
프론티어 모델과 오픈웨이트 모델은 서로 대체하지 않고 처리량과 수익이 갈리는 방식으로 공존하며, 규제·비용·위험도에 따라 작업별로 배분해야 하고 새로운 판단은 사람이 맡는다.
업무 속도 30% 단축.. 그런데 그 판은 아직 유효한가
AI로 업무 속도만 높이는 조직은 희소성이 사라진 영역만 효율화하게 되며, 업무 간 피드백과 실패 기록까지 관리하는 조직이 경쟁에서 유리하다는 내용이다.
AI 에이전트 폭주를 막는 마이크로VM 격리와 프록시 설계 전략
에이전트 사고를 프롬프트 경고가 아니라 하네스·자격증명·마이크로VM 격리 등 환경 차원에서 통제해야 한다는 논의.
Linkedin 사례: 수용률 63.9% 뒤에 숨은 레포의 규칙
AI 코드 리뷰의 반영률은 저장소마다 0%에서 100%까지 차이가 나고, 이는 모델 성능이 아니라 조직 규칙·설정·검증 체계의 차이에서 비롯된다.
GPU 26만 장으로도 못 사는 것
국내 데이터센터에 서버를 두는 것만으로 AI 서비스 통제권이 확보되지 않으며, 법적 관할·소유구조·모델 보유 여부와 대체에 걸리는 시간까지 함께 봐야 한다는 내용이다.
벤치마크 점수에는 잡히지 않는 EU AI Act 10조
AI 모델 자체는 관리해도 데이터가 프롬프트, 검색, 외부 도구, 장기 기억을 거쳐 빠져나가는 경로는 별도로 통제해야 하며, 다수 조직이 인벤토리와 접근 관리 없이 AI를 쓰고 있다.
AI 주권은 선언이 아니다... 실제 필요한 것은?
AI 주권을 자체 구축 여부가 아니라 데이터 통제권, 모델 이식성, 공급자 전환 준비도 같은 항목으로 나눠 확인하는 방법을 다룬다.
Outer Loop는 인프라가 되어야 한다
같은 모델이라도 하네스와 실행 루프 구조에 따라 성능·비용·사고 위험이 크게 달라지며, 재시작 후 이어가는 실행·정책 집행·트레이스 기록 여부가 루프를 인프라로 볼 수 있는지 가른다.
ZDR을 걸어도 새는 것, 협상력
제로 데이터 리텐션, 자체 호스팅, 가격·모델 폐기 정책, 주권 AI를 함께 놓고 보면 데이터 유출과 공급자 종속을 막는 지점은 계약과 인프라가 아니라 협상력을 유지하는 아키텍처 설계에 있다.
검증가능성이 곧 ROI다
AI 활용의 성패는 답을 만드는 속도가 아니라 그 답을 확인하는 비용에 달려 있으며, 검증 장치가 없는 업무일수록 절약한 시간을 재확인에 다시 쓰게 된다.
FDE… 잘 해야 약이 된다
엔터프라이즈 AI 파일럿이 전사 운영에 이르지 못하는 이유는 연동과 권한 같은 제품 결함 때문이며, 이를 코드로 고쳐 공통 제품으로 되돌리는 포워드 디플로이드 엔지니어 체계가 필요하다.
AI는 가장 유망한 곳이 아니라, 붙일 수 있는 곳에 간다
기업이 AI를 가장 많이 쓰는 곳은 유망한 업무가 아니라 데이터·승인권한·평가지표가 갖춰진 업무다. 보안 모니터링이 1위인 이유도 이 배선 때문이다.
정상 작동한다는 보고가 실패를 숨긴다
기업 AI 파일럿이 실패하는 이유는 대개 모델 성능이 아니라 틀린 답을 조용히 통과시키는 평가체계 부재였고, 내부 평가를 갖춰도 현실과 어긋나면 배포 후 실패로 이어진다.
ServiceNow 티켓에 숨긴 한 문장이 한 일
AI 에이전트 보안 사고는 탈옥이 아니라 서브에이전트가 오케스트레이터 권한을 그대로 물려받는 구조에서 나온다. 위임할 때마다 권한을 좁혀 넘기는 방식이 대안으로 논의된다.
우리 통제는 에이전트의 목적까지 묻는가?
AI 에이전트 보안은 콘텐츠 검사와 연결 통제만으로는 부족하다. 실행 시점에 신원과 업무 목적을 대조하는 관문이 빠지면, 위임 단계마다 권한이 쌓여도 감사 기록엔 정상 호출만 남는다.
에이전트를 믿을 것인가, 저장소가 막게 할 것인가?
프롬프트 인젝션에 속은 에이전트도 데이터에 접근하지 못하게 하려면 권한 판정을 에이전트 밖 인프라와 외부 서비스로 넘겨야 하는데, 지식베이스 검색에는 이 통제가 아직 빠져 있다.
파일럿이 끝나면 전사라는 착각
C레벨 임원 750명 중 40%는 AI를 업무에 넣었지만 일하는 방식 자체를 바꾼 곳은 15%에 그쳤고, 이 차이가 전사 확산을 가로막는다.
Grok 4.6, AWS·구글 클라우드에 연속 상륙
7일·9일 만에 잇따라 클라우드 정식 지원에 들어가면서, 데이터 레지던시와 보안 통제를 유지한 채 프론티어급 에이전트 모델을 실험할 수 있는 문턱이 낮아졌다.
계약서에는 잡히지 않는 AI 인프라의 만기
AI 데이터센터 투자는 고객 계약 기간의 현금흐름으로 대출 심사를 받지만, 계약이 끝난 뒤 장비 가치와 상환 능력은 중고 시장과 차환 조건에 좌우된다.
승인과 실행 사이, 보이지 않는 통제 계층
금융 등 규제 산업에서 AI 에이전트 도입이 늘었지만 사람과 에이전트 행동 구분이 부실해 감사가 어렵고, 지시부터 실행까지 권한·기록·비용을 단계별로 통제해야 한다는 내용.
에이전트가 늘어날 때, 무엇을 하나로 묶어야 할까?
AI 에이전트 프레임워크와 모델을 조직 전체로 통일하려는 시도는 팀별 업무 차이 때문에 흔들리며, 표준화는 도구가 아니라 신원·정책·감사·비용 같은 공용 기능에 두어야 한다.
수만 명의 에이전트가 만든 가상 제약회사
스탠퍼드의 버추얼 바이오테크는 신약 연구를 역할별 에이전트 조직으로 나눠 처리했고, 성능을 가른 것은 모델이 아니라 역할·권한·검증 절차의 설계였다.
에이전트가 10단계에서 멈추는 진짜 이유
실제 배포된 AI 에이전트 다수는 열 단계 안에서 사람에게 일을 넘긴다. 모델의 능력이 부족해서가 아니라 오류를 발견하고 되돌릴 수 있는 범위가 아직 좁아서다.
피라미드는 무너져도, 책임은 사라지지 않는다
AI 에이전트가 조직의 위계 구조와 정보 전달 역할을 일부 대체하면서 신입 채용과 경력 사다리가 줄어드는 한편, 조직을 규정하는 기준은 인원수가 아니라 결과에 책임질 사람의 존재로 옮겨가고 있다.
파산 뒤 1천만 달러, 회사의 기억은 누구 것인가?
파산한 스피릿항공의 40년치 업무 기록이 구글에 1천만 달러로 낙찰됐다. 가격을 결정한 건 데이터 양이 아니라 결정과 결과를 연결하는 맥락, 그리고 권리와 익명화를 둘러싼 불확실성이었다.
4~7개월의 방어자 창, 조직에는 며칠 남았나?
OpenAI가 말하는 방어자의 창은 4~7개월이지만 도입·검증 시간을 빼면 실제로는 더 짧다. Hugging Face 침해 사고와 권한 확장 원칙을 통해 조직이 재야 할 것은 창의 길이가 아니라 자동화 전환 속도라는 점을 다룬다.
빌려 쓰는 GPU vs. 직접 굴리는 GPU
GPU 추론 비용은 자체 서버, 클라우드 임대, API 방식마다 다르게 나타나며 가동률과 데이터 통제 여부에 따라 유리한 선택이 달라진다.
당신의 AI를 막는 것은 누구인가
스탠퍼드 조사에 따르면 AI 도입의 성패는 모델보다 업무 절차 재설계, 통제 부서 참여, 예외 처리 기준 같은 조직 준비에 달려 있었다.
자율성보다 먼저 검증을 설계하라
기업이 에이전트에 맡기는 업무 범위는 오류를 발견하고 피해를 제한하는 속도로 정해지며, 실제 배포는 대부분 열 단계 이내의 짧은 실행과 제한된 권한으로 운영된다.
웹검색 꺼도 뚫린다: Atlassian Rovo가 보여준 ‘조직 통제’의 허상
관리자가 웹검색을 꺼도 Rovo의 URL 도구는 남아 지라 문서에 심어진 프롬프트가 내부 정보를 외부 주소로 보냈다. 정상 권한 안에서 벌어진 유출이라 접근 통제만으로는 잡히지 않는다.
AI 구매 vs. 일하는 방식의 재설계
기업들은 AI 도구 구매 속도만큼 업무 절차와 권한 구조를 바꾸지 못했고, 워크플로 재설계와 책임자 지정이 성과 격차를 만든다.
메트릭 드리프트: CFO와 AI가 매출을 다르게 측정한다면?
AI 데이터 에이전트는 SQL 문법보다 의미 해석에서 더 자주 틀리며, 지표 정의와 조인 경로를 미리 규정하는 시맨틱 레이어를 두면 실행 전에 오류를 막을 수 있다.
FDE를 할 수 있는 파트너사의 선택 조건이 뭘까?
기업용 AI 도입은 FDE라는 직함보다 실제 투입되는 엔지니어의 경력과 계약 조건에 좌우된다. 결과물 정의, 성공 기준, 공급자가 떠난 뒤 남는 것까지 계약서에 담아야 도입 성과가 유지된다.
온프렘 LLM이 필요한 건 5%뿐인데, 왜 기업은 100%를 에어갭으로 사 들이는가
규제 산업의 AI 보안은 배포 방식 하나로 정하기보다 워크로드 단위로 나눠 민감한 요청만 격리하고 나머지는 빠르게 갱신하는 방식이 비용과 대응 속도에서 유리하다.
컨텍스트 그래프가 에이전트를 움직인다
에이전트가 판단을 내릴 때 근거를 어디에 남길지 다룬 글로, 엔티티와 소유권을 먼저 정하고 그 위에 결정 기록을 연결하는 컨텍스트 그래프 구조와 최신성 관리 문제를 짚는다.
에이전트가 만든 ‘조직 기억’이라는 인프라 카테고리
위키와 검색, 데이터 웨어하우스는 조직의 판단 근거를 남기지 못하며, 유효 기간과 권한을 붙인 사실 관리 체계가 있어야 AI 에이전트가 배경을 다시 찾지 않고 답할 수 있다.
S/4를 올렸는데 AI 에이전트가 바보인 이유: Clean Core 없는 기간계는 ‘AI 부채’ 공장…
오래된 ERP의 커스터마이징과 부실한 마스터 데이터는 에이전트가 참조할 수 있는 정보의 범위를 제한하며, 표준에 가까운 코어일수록 자동화와 감사가 쉬워진다.
Motorway 사례: 딜러 검색 AI 에이전트 오답을 1/8에서 1/50로 줄인 품질 게이트
매끄러운 답변이 정확성을 보장하지 않는다. Motorway는 도구 사용·추론·출력 품질을 나눠 검사하고 반복 실행과 배포 전 검증을 거쳐 도구 선택 정확도를 87%에서 98%로 높였다.
AI 규제 기한은 미뤄졌는데, 데이터 부채는 한 걸음도 안 움직였다
EU 고위험 AI 규제 적용일은 미뤄졌지만 투명성 의무와 데이터 품질, 삭제·권한 관리 부채는 그대로 남아 있으며, 벤더 데이터 결함과 아마존 장애 사례는 작은 오류가 AI 답변 전체를 좌우하는 구조를 보여준다.
ERP를 바꿨는데 왜 AI 에이전트는 그대로 느린가? 플랫폼 교체 뒤에 남는 ‘통합 부채’
ERP를 새로 도입해도 시스템 사이 업무 규칙과 데이터 기준이 그대로면 처리 속도는 바뀌지 않고, AI 에이전트를 넣어도 그 기준이 맞지 않으면 수작업 대사가 사라지지 않는다.
사람이 미들웨어가 된 ERP: 통합 부채에 AI 에이전트가 부딪히는 지점
기업 시스템에는 임시방편 연동과 수작업 검증이 쌓여 있고, AI 에이전트는 이런 통합 부채를 그대로 물려받아 오류도 정상값과 같은 속도로 처리한다. 되돌리기 쉬운 행동 하나부터 데이터 경로에 계약을 세우는 방식이 대안으로 제시된다.
환불 버튼을 AI에게 맡겨도 될까?
에이전트의 오류는 모델 성능이 아니라 절차 설계에서 비롯되며, 본인확인·환불 승인 같은 단계는 모델 대신 코드로 통제해야 신뢰할 수 있는 시스템이 된다는 내용이다.
S/4HANA 끝나야 AI? 현장은 여전히 ECC…
S/4HANA 전환 전에도 클린 코어 원칙으로 업무 로직을 API로 분리하고 죽은 코드와 마스터 데이터를 정리하면, 그 자산이 AI 도입과 이후 전환 비용 모두에 쓰인다.
프론티어를 ‘기본 모델’이 아니라 ‘호출 가능한 도구’로 쓰는 기업이 이긴다
생성형 AI 도입에서 성능 경쟁은 최고급 모델 사용량에 집중돼 왔지만, 실제 운영에서는 모델을 어느 단계에 배치하는지가 비용과 결과를 함께 결정한 사례를 다룬다.
Chrome이 2개 릴리스에서 보안 버그 1,072개를 고친 방법
AI로 취약점 발견 속도는 빨라졌지만, 재현·수정·배포·적용까지 처리하는 체계가 조직의 실제 보안 역량을 가른다.
AI에 $18조를 쏟아도 안 되는 이유: 레거시, 데이터, 프로세스 부채가 그만큼 기다리고 있다!
Global 2000 기업에 묶인 17조9000억 달러 가치 대부분은 IT 부채가 아니라 데이터·프로세스·인재 부채에서 나오며, 이를 정리하지 않으면 AI 도입 예산도 성과로 이어지지 않는다.
ABC사 사례: AI 자동화의 승부처는 운영이다
법률 서류 송달 업체 ABC Legal은 AI 에이전트를 전사 도입하며 권한 확대보다 버전 관리와 롤백 체계를 먼저 갖췄고, 그 결과 비개발자 직원들도 자동화를 직접 만들고 수정했다.
넷제로 장부 밖의 AI
AI 데이터센터 확장으로 구글·마이크로소프트·아마존·메타의 배출량이 일제히 늘었고, 시간·장소를 반영하지 못하는 배출 회계 방식이 넷제로 공약의 실효성을 흔들고 있다.
AI 시대의 조직도는 복구 경로다
AI가 조직 계층을 줄이면서 정보를 거르던 관리자의 역할이 사라지고, 예외 상황에서 판단을 멈추고 책임질 사람이 누구인지가 남는 문제로 떠오른다.
스크립트 자동화는 왜 더 깨질까.. LinkedIn이 만든 ‘보는’ QA Agent
코딩 에이전트가 코드를 빠르게 바꾸면서 기존 테스트 자동화가 이를 따라가지 못하자, LinkedIn은 화면을 직접 읽고 익숙한 경로는 재생하며 달라진 부분만 다시 해석하는 QA 에이전트로 대응했다.
Grab, AI 에이전트로 분석 업무 기계적 비중 14%p 축소
컨텍스트 인증·자율성 단계·인간 게이트를 함께 설계하자 분석가는 리포트 생산 대신 질문 설계와 검증으로 역할이 옮겨갔다.
AI 도입 전, 데이터의 이자부터 계산하라
기업이 AI 자동화 범위를 넓힐수록 오래된 데이터 정의와 관리 부실이 비용과 위험으로 드러나며, 자동화가 미치는 범위는 결국 검증 가능한 데이터 범위 안에서 정해진다.
AI 혁신의 중심에는 오래된 ERP가 있다
기업 다수가 생성형 AI를 업무에 들였지만 성과로 이어진 곳은 절반이 안 되며, 발주·지급·재고 같은 거래는 ERP의 원장과 승인 체계 안에서만 에이전트에게 맡겨진다.
자동화의 진짜 병목은 숫자의 의미다
매출과 마진의 정의가 시스템마다 문서화되지 않은 채 남아 있으면 AI는 매번 의미를 추측해서 계산하고, 쓰기 권한을 가진 에이전틱 AI는 그 오류를 하루에도 수백 번 실제 시스템에 반영한다.
ERP 에이전트가 벡터 검색을 버린 이유… ‘업무 지도’가 전사 AI의 진짜 기억이다
기업 ERP 에이전트가 벡터 검색 대신 지식 그래프를 쓰는 이유와, SAP·Palantir 사례로 본 조직이 직접 관리해야 하는 업무 지도의 조건을 설명한다.
Stripe, AI 게이트웨이 OpenRouter 70억 달러 이상 인수
결제·청구를 이미 대행하던 파트너를 인수로 전환하면서, Stripe는 모델 호출부터 정산까지 이어지는 에이전트 경제의 과금 레이어 전체를 직접 손에 쥐게 됐다.
Stripe는 왜 코딩 에이전트를 전 직원용으로 다시 만들었나 - Kai가 보여 준 엔터프라이즈 ‘지식 에이전트’의 실제 설계
직원 8,000명이 에이전트 4,000개를 만든 뒤, Stripe는 전문성은 팀에 남기고 도구·권한·컨텍스트 관리 기준만 플랫폼으로 통일했다.
검증비용을 어떻게 낮출까? Cloudflare가 MUST와 SHOULD로 엔지니어링 규율을 강제하는 방식
AI가 코드 작성량을 늘리면서 검토 부담이 커지자, Cloudflare는 사내 표준을 RFC로 통합해 MUST와 SHOULD로 나누고 필요한 규칙만 골라 검토 에이전트에 넣는 방식으로 운영한다.
모델보다 먼저 고쳐야 할 비용 구조
코딩 에이전트 비용은 프롬프트보다 세션에 쌓이는 컨텍스트에서 커진다. 모델 선택과 라우팅, 캐시 조정을 게이트웨이 하나에서 관리하는 조직이 비용을 예측 가능한 범위에 둔다.
치과 클리닉을 스스로 돌리는 AI.. 소프트웨어가 아니라 ‘노동’을 파는 Vertical Agent의 시대
치과 진료소 후처리 업무를 대신하는 AI 에이전트 Lassie 사례로, 소프트웨어가 좌석이 아니라 노동시간을 파는 방식으로 바뀌는 흐름과 그 안에 남는 예외 처리 부담을 다룬다.
Uber가 고친 Agent Identity의 구멍
AI 에이전트에 업무를 맡기는 기업이 늘면서 신원·권한 체계도 바뀌고 있다. Uber 사례로 워크로드 신원 증명부터 위임 경로를 담은 단명 토큰 발급까지의 접근 제어 구조를 다룬다.
Langchain이 BI 대시보드를 버리고 에이전트 스택으로 갈아탄 이유
LangChain 데이터팀은 대시보드 대신 컬럼과 지표 정의를 정리해 에이전트가 같은 기준으로 답하게 했고, 시맨틱 레이어를 더하자 텍스트-투-SQL 정확도가 크게 올랐다.
MCP만으로는 프로덕션이 안 된다 .. DoorDash가 200개 서버 위에서 만든 Agent Gateway 컨트롤 플레인
MCP는 툴 호출 형식만 정할 뿐 권한과 자격증명 관리는 다루지 않는다. DoorDash는 프록시와 레지스트리를 분리한 중앙 게이트웨이로 인증과 툴 노출 범위를 통제하고 모든 호출을 기록한다.
MCP만 붙이면 에이전트가 된다? Sierra가 45개 시스템에 연결하며 깨달은 ‘게이트웨이 빙산’
Sierra의 사내 에이전트는 도구 연결 자체보다 권한 통제와 검증 체계를 다듬어 89% 이용률에 도달했다. 게이트웨이는 연결 규격이 아니라 접근 범위와 신뢰를 관리하는 계층이다.
Linear가 에이전트에게 자사 API를 주지 않은 이유
제품 안 AI 에이전트의 안전장치는 프롬프트가 아니라 툴 매개변수·승인 절차 같은 실행 단계에서 정해지며, 되돌릴 수 있는지와 노출 범위에 따라 권한 수준이 달라진다.
Netflix 인하우스 LLM 서빙이 깨뜨린 설계 가정들
Netflix는 LLM을 별도 시스템이 아니라 기존 추천 서빙 레일에 올렸고, 배치 처리와 디코딩 제약 같은 세부 구현에서 자체 서빙 여부를 가르는 기준을 보여준다.
OpenAI가 70,000개 테이블을 AI readable하게 만드는 법
데이터 에이전트의 정확도는 SQL 생성 능력이 아니라 스키마·리니지·메모리 등 여섯 가지 맥락을 갖췄는지에서 갈린다는 내용이다.
Shopify의 도메인 특화 모델 사례
Shopify는 판정 모델의 일치도를 사람 수준까지 끌어올린 뒤 실패한 대화를 교정해 학습 데이터로 삼았고, SFT와 GRPO를 거친 특화 모델은 프론티어 모델보다 낮은 비용으로 더 나은 성능을 냈다.
Meltwater가 에이전트 비용을 낮춘 사례
기자 프로필을 갱신하던 리서치 에이전트 Admiral은 성과가 좋았지만 컨텍스트가 계속 불어나 유지보수가 어려워졌고, 검색과 판단을 다섯 단계로 나누고 필드별로 근거를 검토하도록 다시 설계했다.
모델은 렌탈, 하네스는 소유: Coinbase, Shopify, Ramp의 사례
코인베이스, 쇼피파이, 램프는 자체 AI 모델 대신 세션·샌드박스·검증을 관리하는 하네스를 직접 만들어 코딩 에이전트를 운영한다.
Sierra, Harvey를 나란히 깔았는데 답이 제각각.. Vertical AI의 문맥 갈라파고스 문제
기업이 여러 부서에서 각기 다른 AI 에이전트를 쓰면 같은 고객과 지표도 제품마다 다르게 정의된다. 이 정의를 하나의 컨텍스트 그래프로 묶어야 감사에 필요한 기록도 남길 수 있다.
OpenAI Presence가 보여준 것: 버티컬 AI의 병목은 모델이 아니라 ‘직무 단위 신뢰 운영’이다
기업용 AI 에이전트는 답변 품질만이 아니라 업무 범위와 권한, 오류 수정 체계로 평가받으며, OpenAI Presence와 Harvey 사례는 경쟁력이 모델 성능보다 운영 절차에서 갈린다는 점을 보여준다.
코드의 80%를 AI가 쓴 뒤, 병목은 ‘무엇을 만들지’로 옮겨갔다
AI 코딩 도구로 코드 생성 속도는 빨라졌지만 리뷰와 채택, 목표 설정에서 새 병목이 나타나고 있으며 인수 기준을 담은 명세 작성이 새로운 작업이 됐다.
OpenAI 첫 하드웨어, 하키퍽·도넛형 스피커로 구체화
OpenAI가 저가 경쟁 대신 300~400달러 프리미엄 가격을 택한 만큼, 소비자가 '더 똑똑한 스피커'에 얼마를 낼지가 흥행을 가를 것이다.
버티컬 AI의 해자, 롱호라이즌 에이전트 앞에서 무너질까
버티컬 AI 기업의 경쟁력은 모델 성능이 아니라 배포 관계, 반복 성공률 검증, 계약상 결과 보증 같은 운영 역량에서 나온다는 내용이다.
의료·금융 다음은 공장이다 — Vertical AI 자본이 SaaS 대시보드를 떠난 이유
제조업은 IT 지출이 적어 소프트웨어 시장이 작았지만, AI가 검사·서류 업무를 맡으면 인건비 규모의 예산이 열린다. 성과 측정과 독점 데이터, 책임 소재가 갖춰진 산업부터 투자금이 몰린다.
버티컬 AI의 진짜 해자는 무엇인가
모델 가격이 떨어지고 성능이 평준화될수록 화면과 기능은 쉽게 복제되지만, 데이터 연결과 권한 체계, 고객 업무에 쌓인 판단 절차는 쉽게 옮겨지지 않는다.
보너스를 태워 GPU를 산다
미국 기업 절반 이상이 성과급과 임금 인상분을 줄여 AI 투자 재원을 마련하고 있으며, 토너먼트 이론과 산업혁명기 임금 정체 사례가 그 구조를 보여준다.
AI 조직의 병목은 기술이 아니다
에이전트 도입은 개인의 업무 비용을 낮추지만 부서 간 충돌과 데이터 관리 부담을 늘리며, 권한과 인수인계를 정리하는 역할은 여전히 회사가 맡는다.
AI의 권력은 어디에 있는가?
AI 산업의 병목이 칩에서 전력과 설비로 옮겨가면서, 전력을 얼마나 많이 확보했는지보다 필요할 때 사용량을 줄일 수 있는지가 데이터센터 가동 속도를 가른다.
AI에 쓴 돈은 누구의 지식이 되는가
AI 주권은 모델 선택이 아니라 프롬프트와 승인 기록, 온톨로지를 자사 저장소에 남겨 공급자가 바뀌어도 같은 판단을 재현할 수 있는지로 갈린다.
AI 코딩의 진짜 병목은 리뷰다
AI가 작성하는 코드량이 늘면서 검증이 새로운 병목이 되고, 서로 다른 에이전트의 교차검토도 명세가 모호한 지점에서는 함께 실패한다. 조직은 되돌리기 어려운 결정을 기준으로 리뷰 강도를 나눈다.
남는 AI 한도는 어디로 가야 하나
주간 단위로 초기화되는 AI 좌석 한도는 쓰지 않아도 소멸하는데, 억지로 소진하면 품질이 떨어진다는 문제를 다른 자원 배분 사례에 비춰 다룬다.
Kill Switch 이후 AI 주권은 타인의 의지에 종속되지 않고 AI를 지속할 자유다.
미국 상무부가 Anthropic 모델 접근을 90분 만에 차단한 사례는 API 이용권이 자산이 아니라 언제든 취소될 수 있는 권리임을 보여준다. 기업들은 오픈웨이트와 국내 컴퓨트로 복구 체계를 갖추고 있다.
도메인 지식베이스의 병목
유사도 검색은 관련 문서를 찾아내지만 그 조항이 지금도 유효한지는 확인하지 못한다. 법률, 의약품, 사내 문서 사례에서 답변 근거는 발효일과 승인 주체, 대체 관계를 갖춘 항목으로 따로 관리한다.
조직을 복제하면 실패도 복제된다
멀티에이전트가 실패하는 이유는 모델이 아니라 조직도를 그대로 옮긴 에이전트 경계에 있으며, 과제 그래프를 기준으로 병렬화와 검증을 나눠야 한다는 내용이다.
OpenAI, GPT-5.6 Luna 가격 80% 인하
효율성 개선이 가격에 그대로 반영되면서, 저비용 모델을 쓰던 대량 반복 작업 위주로 도입 문턱이 크게 낮아졌다.
더 똑똑한 AI, 더 위험한 KPI
에이전트 시대의 경쟁력은 도구나 모델 수가 아니라 조직이 합의한 평가 지표에서 나오며, 잘못된 지표는 에이전트의 속도 때문에 더 위험해진다.
AI 시대, 기업은 왜 사라지지 않는가
AI 에이전트가 거래비용을 낮추는데도 기업이 사라지지 않는 이유를 코스의 기업이론과 잔여 통제권 개념으로 짚은 글. 조직은 작아지되 결정권과 배상 책임은 법인에 남는다.
엔터프라이즈가 ‘에이전트’라고 부르고 있는 것들
다단계 업무 완료를 기준으로 보면 기업이 배포한 에이전트 다수는 실제로 질의응답 챗봇에 가깝고, 단계별 성공률이 누적되며 전체 완료율을 낮춘다는 점을 살핀다.
에이전트가 SaaS 좌석 과금을 깨뜨릴 때, 그 가치는 누구 몫이 되는가
에이전트가 사람 대신 소프트웨어를 조작하면서 좌석 기반 과금이 흔들리고, 벤더는 성과·사용량 과금으로 옮겨가지만 그 가치는 모델 벤더와 하이퍼스케일러로 먼저 모인다.
자신을 대체할 AI를 파는 컨설팅 빅펌들의 계산법
맥킨지·BCG·베인이 자신을 대체할 모델 벤더와 손잡으며 얻는 손익과, 그 대가로 주니어 피라미드가 무너지는 위험을 다룬다.
신진서 9단의 카타고 승리에서 배울 수 있는 점
신진서 9단이 카타고와의 접바둑에서 이긴 방법은 더 많은 수읽기가 아니라 불확실성을 줄이는 판 설계였다는 점을 분석한다.
감정평가사보다 빠른 AI 시세, 집값은 누가 정하나
AI가 5분 만에 집값을 산출하는 시대, 속도는 검증됐지만 AI 시세와 감정평가사 판단이 갈릴 때 누가 도장을 찍고 책임지는지는 아직 정해지지 않았다.
Cerebras의 지식베이스가 주는 교훈
Cerebras가 데이터 이동 대신 검색 레이어로 하루 1만5000건 질문을 처리한 내부 지식베이스 사례에서 국내 기업이 얻을 구조화 우선순위의 교훈.
콘웨이의 법칙 - 사람이 멀티에이전트 구조를 설계하는 것이 최적일까?
2만 5천 건 실험이 보여준 결과, 멀티에이전트 구조는 사람이 역할표를 짜는 것도 완전 방임도 아닌 최소 제약 설계가 최적임을 시사한다.
소프트웨어 엔지니어라는 직함
AI가 코드 대부분을 작성하는 시대에도 채용 데이터는 엔지니어 직함이 사라지지 않고 그 안의 판단 기준이 재정의되고 있음을 보여준다.
AI가 생성하는 멀티버스, 그리고 관측자로서의 인간
AI가 무한한 가능성을 생성할수록, 기업의 알파는 생성이 아니라 조직 고유의 선택 기준을 지키는 데서 나온다는 논의.
에이전트, '일'을 아는가, '일의 방향'을 아는가?
에이전트는 일의 실행은 빠르게 흡수하지만 그 일이 무엇으로 이뤄졌는지는 모른다. 카프와 에이전트 맥시멀리스트의 논쟁은 시간이 아니라 '층'이 가른다.
AI시대 리더의 역할
관리자 채용은 줄지만 사라지는 건 직책이 아니라 라우팅 기능이다. 교환원의 역사를 빌려 AI 시대 리더의 가치가 정보 전달에서 방향 설정으로 옮겨가는 구조를 분석한다.
