설문 조사에 따르면 자율 AI 에이전트를 지원할 준비가 되어 있지 않습니다.

대부분의 경영진과 전문가들은 AI 에이전트에 대비하기 위해 기술 스택을 점검할 것이라고 말하지만 광범위한 데이터 통합 문제로 인해 배포가 방해받을 수 있습니다.

AI 에이전트가 증가하고 있으며 현금이 그들에게 흘러가고 있습니다. 절반 이상의 기업이 AI 에이전트에 연간 50만 달러 이상의 예산을 책정했습니다. 문제는 대부분의 기업이 해당 에이전트를 효과적으로 배포할 수 있는 기술 인프라 스택이 부족하다는 것입니다.

다음은 Tray.ai가 게시한 1,045명의 기업 기술 관리자 및 전문가를 대상으로 한 새로운 설문조사에서 얻은 내용입니다. 설문 조사에 따르면 응답자의 42%는 내년에 100개 이상의 AI 에이전트를 구축하거나 프로토타입할 것으로 예상했으며, 36%는 100개 이상이 프로덕션에 투입될 것으로 예상했습니다. 비슷한 비율(41%)이 20개 이상의 뚜렷한 비즈니스 문제를 해결할 것으로 예상합니다.

AI 에이전트는 자율적으로 결정을 내리고 조치를 전달할 수 있는 지능형 비서입니다. 이들은 자연어 처리를 통해 의사소통하는 디지털 동료, 보조자 또는 고객 서비스 담당자 역할을 하도록 설계되었습니다.

AI 에이전트에 대한 전망은 중요합니다. 2025년 말까지 4명 중 1명은 회사의 핵심 비즈니스 프로세스 대부분이 AI 에이전트를 통해 실행될 것이라고 말합니다. 또 다른 41%는 핵심 프로세스의 26%~50%가 AI 에이전트를 통해 활성화될 것이라고 믿고 있습니다.

또한 설문조사에 따르면 전문가 중 86% 이상이 AI 에이전트에 대비하기 위해 기존 기술 스택을 업그레이드해야 한다고 보고했습니다. 광범위한 통합 문제로 인해 AI 에이전트 배포가 방해를 받을 수 있으며, 응답자의 42%가 AI 에이전트를 성공적으로 배포하려면 기업에서 8개 이상의 데이터 소스에 액세스해야 한다고 답했습니다.

또한 전문가 중 최소 42%는 기술 스택에 새로운 공급업체를 추가하거나 전체 점검을 준비하는 등 주요 인프라 업그레이드를 수행해야 한다고 말했습니다. 41%는 빌드 또는 구매 솔루션을 혼합하여 개발에 대한 하이브리드 접근 방식을 취하고 있다고 답했으며, 24%는 코드를 사용하여 고객 솔루션을 구축할 계획이라고 답했습니다.

Tray.ai의 CEO인 Rich Waldron은 ZDNET에 "AI 에이전트에 대한 엄청난 기대가 있지만 현재 많은 기업에서는 AI 에이전트를 안전하고 효과적으로 개발하고 배포하는 데 필요한 필수 구성 요소를 놓치고 있습니다."라고 말했습니다.

"그들은 단편화 및 통합 문제를 야기하는 수많은 기성 SaaS 앱에 의존하고 있기 때문에 CIO는 혁신을 추진하는 것보다 복잡성을 관리하는 데 더 많은 시간을 소비하게 됩니다." 그는 더 큰 프로세스 자동화와 구조화되지 않은 데이터 처리에 대한 관심이 필요하다고 말했습니다.

업계 전반에서는 에이전트 AI에 대한 더 많은 준비가 필요하다는 데 동의합니다. Accenture의 최고 AI 책임자인 Lan Guan은 자율 AI 에이전트에는 효과적인 기반 인프라와 데이터 관리 관행이 필요하다고 말했습니다.

"조직은 다양한 준비 단계에 있습니다. 강력한 엔터프라이즈 플랫폼 아키텍처는 클라우드 대 온프레미스 호스팅과 같은 기술 인프라 고려 사항을 포함하여 기반 모델에 대한 원활한 접근성을 보장할 수 있을 뿐만 아니라 네트워크 기능, 보안 조치 및 효율적으로 확장하는 능력도 보장할 수 있습니다. AI 에이전트 기반 기능에 대한 수요가 증가함에 따라 시스템이 필요해졌습니다."

Excella의 부사장인 Taylor Bird는 대부분의 기업이 진정한 자율 AI 에이전트에 대한 준비가 부족하다는 데 동의했습니다. "기업이 전통적인 AI 시스템을 구현하는 데 진전을 이루었지만 에이전트 AI는 인프라, 거버넌스 및 기술 개발에 대한 새로운 접근 방식이 필요한 추가적인 과제를 나타냅니다. "

Bird는 인프라 준비가 필수라고 말했습니다. "조직에는 AI 에이전트가 소프트웨어 시스템과 안전하게 상호 작용할 수 있도록 하는 강력한 API 생태계가 필요합니다. 시스템 사이에 사일로가 있는 회사는 자율 에이전트에 대한 기능이 제한됩니다."

취약한 보안 및 제어 프레임워크도 AI 에이전트 개발 및 배포를 방해합니다. Bird는 “에이전트는 회사의 소프트웨어가 달성할 수 있는 작업에 더 많은 분기 경로를 제공할 것입니다.”라고 말했습니다. "기존 모니터링 및 안전 메커니즘은 결정론적 시나리오에만 적용할 수 있습니다. 현재 상태에서 에이전트 시스템으로 성장하려면 학습 곡선이 필요합니다."

MinIO의 AI/ML 주제 전문가인 Keith Pijanowski는 AI 에이전트의 성공이 모델에 달려 있다고 말했습니다. “기업이 효과적인 에이전트를 구축하려면 효과적인 모델이 필요합니다.”라고 그는 말했습니다. "따라서 에이전트를 성공적으로 사용하려면 모델을 훈련하고 프로덕션에서 실행하는 데 필요한 모든 것이 필요합니다. 모델이 좋을수록 에이전트도 더 좋아집니다."

궁극적으로 AI 에이전트는 특정하고 좁은 작업에 AI를 제공하는 핵심이 될 것입니다. Pijanowski는 "AI 에이전트는 제어 로직을 구현하는 다른 방법을 나타냅니다."라고 말했습니다. "지금까지 제어 로직은 개발자가 코딩했으며 런타임 시 변경되지 않았습니다. 에이전트를 사용하여 LLM은 먼저 계획을 세운 다음 계획의 각 단계에 따라 실행하도록 요청받습니다."

AI 에이전트가 주류로 자리잡으면서 "모델은 더욱 전문화될 것이며 이는 또한 더 많은 채택을 촉진할 것"이라고 Pijanowski는 예측했습니다. "다목적 모델은 줄어들 것이고, 한 가지 일을 아주 잘 수행하도록 훈련된 더 작은 모델은 늘어날 것입니다."

AI 에이전트는 "제어 로직을 구현하는 새로운 방법을 제시합니다"라고 그는 계속 말했습니다. "설계 시 엔지니어가 하드코딩하는 대신 에이전트는 문제가 제시될 때 조치 과정을 파악합니다. 이는 무서운 동시에 흥미로운 일입니다. 내부 검증과 가드레일 없이 에이전트가 다음을 생성할 수 있기 때문에 무섭습니다. 그러나 이는 기존 프로세스를 개선할 수 있는 새로운 방법이며 과거에는 너무 복잡했던 문제를 이제 해결할 수 있습니다."

AI 에이전트의 문제를 해결하는 가장 좋은 방법은 AI 에이전트의 확산에 따른 인식과 교육입니다. Bird는 "기업이 어떻게 준비 상태를 구축할 수 있는지에 관해 우리는 해커톤과 같은 내부 학습 이벤트를 통해 에이전트와 함께 사용 사례를 성공적으로 구현했으며 다른 AI/ML 솔루션을 구축하면서 얻은 교훈을 활용했습니다"라고 말했습니다.

데이터는 AI 에이전트를 구동하는 연료이며, 여기서는 아직 많은 작업이 수행되어야 합니다. Agentic AI 시스템은 "이미지, 텍스트, 비디오와 같은 비정형 데이터를 포함하여 다양한 데이터 유형을 처리할 수 있는 다중 모드 모델을 활용할 준비가 되어 있어야 합니다"라고 Guan은 말했습니다. "효과적인 데이터 통합은 정보에 입각한 의사 결정 및 조치를 위해 에이전트가 실시간으로 서로 다른 시스템의 데이터에 쉽게 액세스할 수 있도록 하는 데 필수적입니다."

Guan은 또한 선별된 기업 지식이 AI 에이전트의 또 다른 핵심 구성 요소라고 말했습니다. 그녀는 조직이 "지식 큐레이션을 위한 메커니즘, 데이터 요소 간의 관계를 정의하는 의미 계층, 일관성을 보장하기 위한 표준화된 정의를 통합해야 하는" 중앙 집중식 엔터프라이즈 스토어를 추구할 것을 촉구했습니다.

Guan은 기업 관련 지식을 포착하고 구성함으로써 "상담원은 시간이 지남에 따라 지속적으로 학습하고 성과를 향상시킬 수 있습니다"라고 말했습니다. 주요 전제 조건에는 "에이전트 API 제어, 관찰 가능성 및 성능 추적, 피드백 및 지속적인 학습, 모델 미세 조정 및 교육"이 포함됩니다.

그러나 전문적인 데이터 세트에 대해 훈련된 더 많은 모델과 함께 AI 에이전트의 채택이 증가하면 데이터 스토리지에 압박이 가해질 것이라고 Pijanowski는 말했습니다.

"모델 자체의 버전을 관리하고 어딘가에 저장해야 할 뿐만 아니라 이를 생성하는 데 사용된 실험 결과, 즉 MLOps(기계 학습 작업)라고 알려진 프로세스도 마찬가지입니다. 에이전트 내에서 사용되는 모델을 계측하고 원격 측정을 저장해야 합니다. . 이 모든 것은 단순한 부울 의사 결정을 사용하는 기존 애플리케이션보다 훨씬 더 많은 데이터를 나타냅니다."

Pijanowski는 분명한 것은 저장된 정보가 계속 증가함에 따라 더욱 광범위한 데이터 저장 전략이 필요하다는 점이라고 결론지었습니다.