조직이 단순한 채팅 인터페이스를 활용하는 단계를 넘어서면서 자율적으로 작업을 수행할 수 있는 에이전트 워크플로 구축에 초점이 맞춰지고 있습니다. 이러한 AI 기반 에이전트 워크플로는 목표를 해석하고 맥락을 평가하고 동적인 다단계 프로세스에서 행동 방침을 결정할 수 있는 LLM(대규모 언어 모델)을 기반으로 구축됩니다.
오케스트레이션은 정의된 거버넌스 프레임워크의 범위 내에서 이들의 작업을 조정하여 에이전트가 추적 가능하고 통제되며 비즈니스 규칙에 부합하는 행동을 수행하도록 보장합니다. 조직은 이러한 기능들을 함께 활용하여 변동성과 예외 상황, 의사 결정이 수반되는 프로세스를 자동화할 수 있습니다.
에이전트 워크플로란?
에이전트 워크플로는 AI 에이전트에 의해 동적으로 실행되고 더 큰 엔드 투 엔드 자동화의 일부로 오케스트레이션되는 일련의 비즈니스 프로세스 작업입니다. RPA(로보틱 프로세스 자동화)와 같은 전통적인 자동화 도구가 고정된 규칙과 선형적인 경로를 따르는 반면, 에이전트 워크플로는 실시간으로 변화하는 조건에 맞춰 동적으로 추론하고 의사 결정을 내리며 매 상황마다 지속적인 사람의 감독이나 사전 지침 없이도 적응할 수 있는 AI 에이전트를 기반으로 합니다.
에이전트 워크플로의 핵심은 AI 에이전트입니다. 에이전트는 스크립트가 아니라 목표를 해석하고 맥락을 평가할 수 있는 인공 지능 모델을 기반으로 구축됩니다. 이들은 기존 시스템과 상호 작용하고 데이터를 분석하며 다른 에이전트와 협업하고 자연어를 통해 사람과 소통할 수 있습니다. 이 때문에 에이전트는 동적이거나 장기적으로 진행되거나 판단이 많이 요구되는 업무, 즉 기존에 자동화하기 어려웠던 유형의 비즈니스 프로세스에 적합합니다.
에이전트 워크플로는 오케스트레이션을 활용하여 이러한 기능으로 구조화된 프로세스를 실행합니다. 오케스트레이션은 작업 순서를 조정하고 에이전트 간 종속성을 관리하며 사람의 감독이 필요한 지점을 정의하고 거버넌스를 적용하는 조정 계층으로, 에이전트 워크플로가 엔터프라이즈 환경에서 실질적인 가치를 창출할 수 있도록 합니다. 오케스트레이션이 이루어지지 않으면 자율적인 에이전트 행동으로 인해 운영 위험이 발생합니다.
에이전트 워크플로의 작동 방식
에이전트 워크플로는 에이전트가 상황을 감지하고 무엇을 할지 결정하며 그 결정을 실행하고 결과를 검토하는 운영 패턴을 따릅니다. 무엇보다도 이 주기를 이끄는 추론은 적응적이지만 개별 행동의 실행은 주로 결정론적으로, 신뢰할 수 있는 규칙 기반 AI 도구에 의해 수행됩니다.
신호 수집 및 이벤트 모니터링
작동 과정: 워크플로는 AI 에이전트가 트리거를 감지하면 시작됩니다. 트리거는 수신 문서, 시스템 이벤트, 데이터 변경 또는 자연어로 표현된 사용자 요청일 수 있습니다. 그러한 케이스에서 에이전트가 먼저 요청을 해석하고 맥락에 따라 사용자의 의도를 명확히 하여 워크플로를 시작할지 여부를 결정합니다. 이는 일반적으로 미리 정의된 의도나 엄격한 트리거에 의존하는 기존 자동화와 차별화되는 중요한 부분입니다. 이것이 바로 워크플로를 작동시키는 에이전트 AI의 시작 조건입니다.
지원 기능: 이벤트 모니터링, 시스템 통합, 엔터프라이즈 애플리케이션 전반에서 실시간 데이터를 제공하는 API를 지원합니다. 오케스트레이션은 사람이 수동으로 개입할 필요 없이 트리거가 적절한 에이전트나 프로세스로 전달되도록 보장합니다.
중요한 이유: 자동 시작을 사용하면 수신되는 작업을 식별하고 전달할 때 사람에게 의존하는 데서 발생하는 지연과 핸드오프 누락을 없앨 수 있습니다. 수신 문서, 비구조화된 요청, 분류가 필요한 데이터 이벤트 등 트리거가 명시적인 지침 없이 도착하는 경우 에이전트가 행동하기 전에 의도를 해석합니다. 이는 모든 후속 작업이 올바르게 진행되도록 하는 역할을 합니다.
이 단계에서 신호를 잘못 해석하면 이후 이어지는 모든 단계에 걸쳐 그 영향이 누적됩니다. 신뢰도 점수 산정은 모호한 입력을 감지하면 그대로 진행하기보다는 검토할 수 있도록 이를 표시합니다. 예약된 이벤트나 임계값 초과와 같은 결정론적 트리거는 소스 및 타임스탬프와 함께 기록되므로 트리거 유형에 관계없이 모든 워크플로의 시작을 추적할 수 있습니다.
맥락, 메모리 및 RAG
작동 과정: 에이전트는 행동을 취하기 전에 관련 정책, 과거 데이터, 이전 상호 작용 및 현재 시스템 상태와 같이 필요한 정보를 검색합니다. 이는 에이전트가 '추측'하는 것이 아니라 사실에 근거하여 작동하도록 보장합니다.
지원 기능: RAG(검색 증강 생성) 및 연결된 지식 베이스를 사용할 수 있습니다. 이러한 기능을 통해 AI 에이전트는 대규모 언어 모델의 사전 학습 지식에만 의존하지 않고 승인된 소스에서 정확한 최신 정보를 가져올 수 있습니다.
중요한 이유: 맥락에 기반한 의사 결정은 더 정확하며 정당화가 가능합니다. 에이전트는 현재 정책, 시스템 상태 및 과거 상호 작용을 검색하여 엔터프라이즈 규칙과 과거 행동에 일관되게 행동하는 데 필요한 상황을 인식할 수 있습니다. 에이전트를 승인된 소스에 한정하면 '환각'을 방지하고 에이전트 출력이 특정 비즈니스 정보 및 최신 데이터와 일치하도록 보장할 수 있습니다.
추론 및 계획
작동 과정: 에이전트는 추론을 통해 정보와 입력값을 평가하고 선택지를 신중하게 검토한 후 그 평가를 바탕으로 계획을 수립합니다. 또한 목표를 일련의 단계로 나누고 필요한 행동을 결정하며 호출할 도구나 자동화 프로세스를 선택합니다. 그뿐만 아니라 독립적으로 진행할 수 있는 부분과 사람의 감독이나 승인이 필요한 부분을 식별합니다. 오케스트레이션은 전체적으로 단계와 에이전트 간의 핸드오프를 관리합니다.
지원 기능: 엔터프라이즈 AI 모델의 추론 능력은 에이전트가 복잡한 문제를 해결하고 다양한 선택지를 평가하며 블랙박스 결과가 아닌 설명 가능한 논리적 흐름을 생성할 수 있도록 합니다.
중요한 이유: 이 단계는 에이전트 자동화와 규칙 기반 시스템을 구분합니다. 에이전트는 변동성을 탐색하고 어떤 실행 경로를 선택할지에 대해 합리적인 판단을 내릴 수 있습니다. 추론 단계와 가정이 기록되어 결정 과정을 사후에 설명할 수 있으므로 규제 환경에서 감사 및 책임을 지원합니다.
행동 실행 및 작업 이행
작동 과정: 에이전트는 계획한 작업을 실행하기 위해 적절한 도구를 활성화합니다. 기록 업데이트, 트랜잭션 처리, 하위 워크플로 트리거와 같은 실제 실행은 이러한 단계를 정확하게 수행하는 RPA와 같은 결정론적 구성 요소와 비결정론적 작업을 함께 활용하여 처리됩니다. 명시적인 승인이 필요한 단계의 경우 오케스트레이션이 워크플로를 일시 중지하고 이를 담당자에게 전달합니다.
지원 기능: API 호출, RPA 트리거, 코드 실행, 커뮤니케이션 전송 등 도구 호출은 에이전트가 실행 과정에서 외부 시스템과 상호 작용하는 방식입니다. 사전 구축된 통합 및 네이티브 커넥터는 에이전트가 접근할 수 있는 시스템의 범위를 확장하며 역할 기반 액세스 제어와 승인 게이트는 에이전트가 수행할 수 있는 작업을 정의합니다.
오케스트레이션은 에이전트의 결정이 이러한 도구를 통해 감사 가능한 방식으로 전달되도록 보장합니다.
중요한 이유: 이 단계에서 에이전트 워크플로는 분석과 추천을 넘어서는 기능을 합니다. 즉, 에이전트가 시스템 전반에 걸쳐 작업을 처음부터 끝까지 완료하며 결과에 대해 사람이 개입할 필요가 없습니다. 승인 게이트와 역할 기반 권한은 민감한 단계가 통제된 상태로 유지되도록 보장하면서도 일상적인 실행에서 사람이 병목 현상을 유발하지 않도록 합니다.
피드백 및 적응
작동 과정: 작업이 완료되면 결과가 기록되고 예상 결과와 비교하여 평가가 이루어집니다. 결과가 지정된 매개변수를 벗어날 경우 사람이 검토할 수 있도록 예외 상황이 표시됩니다. 검토를 통해 얻은 인사이트는 워크플로에 다시 반영되어 전달 로직, 의사 결정 기준, 에이전트 지침 및 지식 소스를 개선함으로써 시스템이 시간이 지남에 따라 유사한 상황을 더 잘 처리할 수 있도록 합니다.
지원 기능: 작업 결과를 워크플로 개선으로 전환하는 모니터링 대시보드, 예외 처리 프로토콜, 구조화된 피드백 메커니즘을 지원합니다.
중요한 이유:에이전트 워크플로는 효과와 상관없이 동일한 고정 논리를 실행하는 것이 아니라 실제 환경에 맞춰 지속적으로 적응합니다. 피드백 루프는 시스템이 경험을 통해 스스로 개선될 수 있도록 합니다. 오케스트레이션 계층을 통해 변화하는 비즈니스 규칙, 새로운 데이터 패턴, 그리고 새롭게 발생하는 엣지 케이스에 맞춰 시스템을 조정하며, 이러한 적응 과정을 모델에만 맡겨두는 것이 아니라 의도적이고 감사 가능한 방식으로 관리합니다.
에이전트 워크플로 vs 전통적인 워크플로
전통적인 자동화는 알려진 경로를 중심으로 구축됩니다. 로직은 미리 정의되어 있으며 실행은 빌드 시 설계된 순서를 따릅니다. 이 방법은 대량의 안정적인 반복 작업에는 효과적이지만 조건이 변경되면 취약성이 발생합니다.
에이전트 워크플로는 목표를 달성하기 위해 설계되었으며 런타임 시 제공되는 맥락을 기반으로 목표 달성 방법을 결정합니다. 이들은 변동성에도 문제없이 대응하고 변화하는 프로세스를 따라 진행하고 예외 상황이 발생하면 에스컬레이션하기 전에 해결을 시도할 수 있습니다.
| 속성 | 기존 워크플로 | 에이전트 워크플로 | |
| 1 | 실행 모델 | 사전 정의, 경로 기반 | 목표 기반, 런타임 시 해결 |
| 2 | 예외 처리 | 중단하거나 사람에게 재할당 | 자율적으로 해결 시도 |
| 3 | 적응성 | 없음 — 재프로그래밍 필요 | 있음 — 상황에 따라 조정 |
| 4 | 적합한 영역 | 대량의 안정적이고 예측 가능한 작업 | 동적이고 판단이 많이 요구되는 다단계 프로세스 |
| 5 | 논리 기준 | 사전 정의된 규칙 | 자연어 추론 |
| 6 | 주요 활용 범위 | 반복적인 작업 | 복잡한 작업 및 판단 |
에이전트 워크플로에서 MAS(다중 에이전트 시스템)의 역할
에이전트 자동화에서 중요한 변화는 다중 에이전트 시스템으로의 전환입니다. 조직은 복잡한 문제를 해결하기 위해 하나의 모놀리식 에이전트 대신 다중 에이전트 협업을 활용합니다.
다중 에이전트 환경의 특징은 다음과 같습니다.
- 특화된 에이전트: 하나의 에이전트는 코딩 에이전트이고 다른 에이전트는 데이터 분석 에이전트일 수 있습니다.
- 협업: 에이전트가 작업을 위임하거나 다음 단계로 전달하거나 병렬로 실행하기 위해 소통하며 공동의 목표를 달성하기 위해 서로의 결과물을 검증합니다. 예를 들어, '검토 에이전트'는 '작업 에이전트'의 결과물을 확인하여 해당 결과가 규정 준수 요구 사항을 충족하는지 확인할 수 있습니다.
- 확장성: 작업이 여러 에이전트에 분산되므로 병목 현상을 방지하고 단일 에이전트만으로는 관리할 수 없는 더 복잡한 작업과 대량의 작업을 처리할 수 있습니다.
이 다중 에이전트 접근 방식은 종종 Microsoft Research에서 개발한 프레임워크로 지원되며, 이는 분산된 지능형 에이전트가 복잡한 작업에서 단일 모델보다 더 뛰어난 성능을 발휘할 수 있음을 강조합니다.
에이전트 워크플로의 이점
에이전트가 에이전트 워크플로의 정의된 범위 내에서 자율적으로 의사 결정을 내리고 작업을 수행하므로 복잡한 업무를 지연시키는 조정 관련 오버헤드에서 팀을 해방시킬 수 있습니다. 운영 성과는 그 변화를 직접적으로 보여줍니다.
자율 실행:
에이전트가 각 단계마다 사람의 지시를 기다리지 않고 시스템 전반에 걸쳐 추론하고 결정하고 작업을 완료하는 등 처음부터 끝까지 행동을 취합니다.
신속하게 복잡한 업무 해결:
에이전트가 예외가 발생하는 지점에서 멈추지 않고 누락된 정보를 수집하고 케이스를 진행하여 주기 시간을 단축합니다.
의사 결정 개선:
에이전트가 각 케이스를 현재 데이터, 관련 정책 및 과거 맥락에 따라 평가하며, 이는 대량 작업이나 시간의 압박을 받으며 적용되는 사람의 판단보다 일관성이 높습니다.
운영 마찰 감소:
에이전트 워크플로는 시스템 전반에 걸쳐 자동으로 조정을 수행하므로 수동 핸드오프를 없애줍니다.
비례적인 인력 증대 없이 확장성 확보:
에이전트가 작업을 지능적으로 분배하여 워크플로 재설계나 인력 증대 없이 수요 급증과 증가에 대응합니다.
사람과 에이전트의 협업:
복잡한 작업의 경우 에이전트가 검색, 조정 및 실행을 담당하여 인력이 가장 큰 가치를 창출하는 부분에 집중할 수 있도록 합니다.
회복력:
에이전트가 실제로 발생하는 상황에 따라 자신의 행동을 조정하므로 예기치 않은 일이 일상적으로 발생하는 환경에서도 워크플로의 신뢰성을 높일 수 있습니다.
에이전트 워크플로 유스케이스 및 산업별 예시
에이전트 AI 워크플로 적용 영역을 파악하는 것은 이 기술을 이해하는 것만큼이나 중요합니다. 가장 적합한 영역은 시간이 지남에 따라 조건이 변하는 장기 실행 프로세스입니다.
HR
채용과 온보딩은 대개 선형적으로 이루어지지 않습니다. HR에서의 에이전트 워크플로는 ATS, HRIS 및 급여 시스템 전반에 걸쳐 조정할 수 있습니다. 지원자 채용이 진행될 때 에이전트가 사전에 평가 일정을 잡고 문서의 누락된 부분을 표시합니다. 한때 수 시간이 소요되던 관리 업무가 AI 에이전트를 통한 상호 커뮤니케이션 관리 기능으로 처리됩니다.
금융 및 은행
금융 분야에서 에이전트 워크플로는 송장 예외 처리나 감사 준비와 같은 조사 중심 프로세스에서 뛰어난 성과를 냅니다. 송장이 구매 주문서와 일치하지 않을 경우 에이전트는 계약 조건과 과거 결제 패턴을 조사합니다. 에이전트는 조사를 통해 발견된 내용을 바탕으로 해결 경로를 결정하며 임계값에 도달하는 경우에만 사람의 검토를 위해 문제를 에스컬레이션합니다.
고객 지원
지원 케이스는 여러 기존 시스템의 데이터를 필요로 하는 경우가 많습니다. 에이전트 워크플로는 자동화된 프로세스를 통해 계정 이력을 검토하고 시스템 상태를 확인하며 환불이나 비밀번호 재설정과 같은 해결 절차를 시작합니다. 그 결과 사람은 데이터를 수집하는 역할에서 벗어나 높은 공감력을 보이고 의사 결정을 내리는 역할을 맡게 됩니다.
의료
의료 분야에서는 에이전트 워크플로가 환자 일정 관리와 후속 관리를 수행할 수 있습니다. 에이전트는 환자 데이터를 분석하여 개인 맞춤형 사후 관리 지침을 제공하고 의사의 주의가 필요한 이상 징후를 모니터링하여 환자의 진료 결과에 직접적인 영향을 미칩니다.
에이전트 워크플로의 보안, 거버넌스 및 위험
에이전트 워크플로를 배포하려면 위험에 대해 효과적인 방법으로 접근해야 합니다. 규칙 기반 소프트웨어와 달리 AI 에이전트는 예상치 못한 방식으로 행동할 수 있습니다.
- 통제 불능 실행: 목표를 잘못 구성하면 에이전트가 작업을 반복하거나 잘못 수행할 수 있습니다. 따라서 반드시 실행 한도를 명확히 설정하고 진행 상황을 추적해야 합니다.
- 환각: 에이전트가 정책을 잘못 해석할 수 있습니다. 이러한 문제는 에이전트가 검증된 지식 기반을 토대로 하고 위험도가 높은 작업에 대해서는 명시적인 승인을 요구함으로써 완화할 수 있습니다.
- 데이터 보안 및 개인정보 보호: 에이전트 워크플로는 대량의 민감한 데이터를 처리하면서 침해, 적대적 공격 및 무단 접근에 노출되는 문제를 야기할 수 있습니다. 따라서 역할 기반 권한과 최소 권한 액세스, 추론 수준의 감사 로그가 필수입니다.
- 편향과 투명성: 에이전트는 기반이 되는 데이터와 로직을 반영합니다. 따라서 채용, 대출, 환자 치료와 같은 중요한 프로세스에서 에이전트의 추론에 대한 투명성은 편향이 누적되기 전에 이를 식별하고 수정하는 데 꼭 필요합니다.
- 네트워크 격리: 민감한 비즈니스 프로세스의 경우 네트워크가 격리된 샌드박스 실행 환경에서 에이전트를 실행하면 데이터 유출을 방지할 수 있습니다.
이러한 과제들이 회피가 아닌 인프라로 귀결되는 이유
이러한 과제 중 그 어느 것도 에이전트 워크플로의 가치를 떨어뜨리지 않습니다. 오히려 설계 단계에서 해결할 수 있는 기반 위에 에이전트 워크플로를 배포해야 함을 시사합니다.
에이전트 워크플로에서 가장 신뢰할 수 있는 성과를 달성하는 조직들은 오케스트레이션과 거버넌스, 모니터링을 핵심 인프라로 취급하고 있습니다.
에이전트 워크플로 구현: 로드맵
기술 프리뷰 단계에서 실제 운영 단계로 전환하려면 다음을 따르세요.
- 적합한 프로세스 식별: 데이터 집약적인 작업이나 판단이 필요한 작업, 현재 수동 핸드오프로 인해 지연되고 있는 작업을 선택하세요.
- AI 도구 선택: 개발 환경에 있다면 스택이 대규모 언어 모델과 오케스트레이션, GitHub Actions를 지원하는지 확인하세요.
- 파일럿 프로젝트 수행: 에이전트 워크플로가 통제된 샌드박스에서 가치를 창출하는지 테스트하세요.
- 사람의 감독 설정: 명확한 승인을 위해 반드시 사람이 개입해야 하는 지점을 정확하게 정의하세요.
- 점진적 확장 및 배포: 파일럿 단계의 피드백을 바탕으로 에이전트의 프롬프트와 도구를 개선하세요.
APA(에이전트 프로세스 자동화)로 역량 통합
이러한 각각의 구성 요소는 모두 필요하지만 그 자체만으로는 충분하지 않습니다. APA(에이전트 프로세스 자동화)는 이러한 계층을 하나의 실행 시스템으로 통합하도록 설계되었으며 에이전트 워크플로가 엔터프라이즈 규모에서 안정적으로 운영되는 데 필요한 에이전트 프레임워크, 오케스트레이션, 통합, 사람 개입 제어 및 거버넌스 인프라를 제공합니다.
조직이 초기 실험 단계에서 실제 운영 배포 단계로 전환할 때 던져야 할 중요한 질문은 이러한 역량을 구축할지 여부가 아니라 이를 부분적으로 조합할지 아니면 이미 통합되어 있는 플랫폼을 채택할지 여부입니다.
에이전트 워크플로가 자율 운영을 실현하는 방법
실질적으로 자율 운영이란 비즈니스 프로세스가 목표 해석, 의사 결정, 모든 단계에서 사람이 개입할 필요 없이 시스템 전반의 실행을 수행할 수 있음을 의미합니다.
에이전트 프로세스 자동화 인프라가 구축되어 있다면 이는 먼 미래의 바람이 아닙니다. 조직들은 오늘날 자율적으로 운영되는 부분과 사람의 감독이 필요한 부분의 경계를 명확히 설계하고 정의하여 특정 프로세스에서 이를 달성하고 있습니다.
대부분의 조직은 여전히 규칙 기반 도구로 처리되는 개별적이고 반복적인 단계인 작업 자동화부터 시작합니다. 이후 단계인 지원 워크플로는 AI를 도입하여 사람의 의사 결정을 대체하지 않고 지원합니다. 에이전트 워크플로는 그 다음 단계에 등장하며, 이 단계에서는 오케스트레이션된 AI 에이전트가 관리되는 범위 내에서 판단, 조정, 예외 해결을 처리하는 엔드 투 엔드 프로세스 실행이 가능해집니다.
자율 운영은 이러한 형태가 대규모로 이루어집니다. 즉 프로세스가 지속적이고 일관되게 실행되는 가운데 모든 전환 지점이 아닌 사람의 판단이 실질적으로 필요한 경우에만 사람이 개입하게 됩니다.
실제로 이로 인해 도출되는 결과는 다음과 같습니다.
- 이전에 핸드오프가 이루어질 때마다 사람의 조정이 필요했던 프로세스가 수동 개입 없이 완료됩니다.
- 대기열에 있는 예외 비율이 에스컬레이션 전에 해결됩니다.
- 수일이 걸리던 주기 시간이 몇 시간으로 단축됩니다.
이러한 결과는 에이전트 워크플로가 추론, 실행, 거버넌스를 통합하는 플랫폼에서 실제 운영 환경에서 실행될 때 조직들이 보고하는 실제 성과입니다.
마지막이 중요합니다. 자율 운영은 AI 에이전트를 단독으로 배포하는 것만으로 달성되는 결과가 아닙니다. 자율 운영에는 위에서 설명한 전체 기능 스택이 필요합니다. 즉, 실행을 조정하는 오케스트레이션, 안정적으로 작업을 수행하는 결정론적 자동화, 중요한 부분에서 감독을 유지하는 사람 개입 제어 및 모든 작업이 추적 가능하고 규정을 준수하도록 보장하는 거버넌스 인프라가 필요합니다.
거버넌스와 사람의 감독은 자율 운영을 제한하는 요소가 아니라 이를 지속 가능하게 만드는 요소입니다. 목표는 사람을 프로세스에서 배제하는 것이 아니라 사람의 개입이 가장 큰 가치를 창출하는 부분, 즉 중대한 의사 결정, 새로운 상황, 워크플로 자체의 지속적인 개선에 집중하도록 하는 것입니다.
APA(에이전트 프로세스 자동화)는 이를 통합된 시스템으로 제공하며, 이는 워크플로에 대한 신뢰가 높아짐에 따라 자율성을 의도적이고 안전하게 확장할 수 있도록 합니다. 지금 바로 데모를 요청하여 조직에서 어떻게 이를 활용할 수 있는지 확인해 보세요.
에이전트 워크플로 관련 FAQ
에이전트 워크플로가 무엇인지 간단하게 설명해 주실 수 있나요?
에이전트 워크플로는 오케스트레이션 계층이 AI 에이전트, 결정론적 자동화, API 및 사람이 개입하는 단계를 포함한 다양한 실행 방식을 조정하여 업무를 처음부터 끝까지 완수하는 엔터프라이즈 프로세스입니다. 에이전트는 해당 프로세스를 실행하지 않습니다. 이는 오케스트레이션 계층이 호출하는 실행 모델 중 하나로, 자동화와 시스템, 사람이 함께하며 추론과 판단으로 가치를 더합니다.
AI 개발에 에이전트 워크플로를 활용하면 어떤 주요한 이점이 있나요?
이점은 자율성 자체에 있는 것이 아니라 더 우수한 비즈니스 실행에 있습니다. 에이전트와 결정론적 자동화, API, 사람을 동등한 실행 모델로 오케스트레이션함으로써 프로세스의 각 요소를 가장 적합한 방식으로 실행할 수 있습니다. 즉, 규칙 기반 단계는 빠르고 예측 가능하게 유지되고 AI 추론은 모호한 부분, 예외 사항, 그리고 판단이 필요한 상황을 처리합니다. 이 모든 과정은 공유된 거버넌스, 상태 및 핸드오프 체계 아래에서 이루어집니다.
에이전트 워크플로의 핵심 구성 요소는 무엇인가요?
핵심 구성 요소는 오케스트레이션 계층(전체 프로세스 전반에 걸쳐 종속성, 상태, 거버넌스 및 핸드오프 조정), 오케스트레이션 계층이 활용하는 실행 모델(결정론적 자동화/RPA, AI 에이전트, API, 사람의 승인), 각 단계를 처리할 실행 모델을 결정할 수 있는 추론/의사결정 계층(Automation Anywhere의 프로세스 추론 엔진 및 Context Intelligence Graph(CIG))입니다. 에이전트 도구 호출은 하나의 단계 내에서 이루어지며 오케스트레이션이 이 프로세스를 조정합니다.
어떤 산업이 에이전트 워크플로를 통해 가장 큰 이점을 누릴 수 있을까요?
AI의 에이전트 워크플로 예시로는 무엇이 있나요?
결정론적 자동화가 PO와 대조하여 항목을 추출하고 검증하며 사람의 승인을 받기 위해 라우팅하기 전에 AI에이전트를 호출하여 모호한 불일치 사항을 해석하는 송장 프로세스를 예로 들 수 있습니다. 또한 자동화가 표준 접수 절차를 처리하고 에이전트가 정책에 따라 비표준 사전 승인 요청을 해결하는 청구 워크플로도 예로 들 수 있습니다. 두 경우 모두 에이전트가 아닌 오케스트레이션을 통해 순서, 상태 및 핸드오프를 관리합니다.
가장 좋은 에이전트 워크플로 프레임워크는 무엇인가요?
차별화 요소는 에이전트의 역량만이 아닙니다. 결정론적 자동화와 AI 에이전트를 동등한 실행 모델로 취급하고 각각을 가장 효과적인 부분, 즉 자동화는 반복적인 규칙 기반 단계에 적용하고 AI 추론은 예외 사항과 판단이 필요한 부분에 적용하는 플랫폼이야말로 진정한 차별화 요소입니다. Automation Anywhere의 APA(Agentic Process Automation) 플랫폼은 이러한 조합을 기반으로 구축되었으며, 하나의 모델이 다른 모델을 대체하는 것이 아니라 공통된 오케스트레이션 및 거버넌스 아래에서 조정됩니다.
오케스트레이션은 AI 에이전트가 도구나 API를 호출하는 것과 어떻게 다른가요?
도구 호출은 에이전트가 한 단계 내에서 API나 봇, 애플리케이션을 사용하는 단일 작업을 호출하는 것을 의미합니다. 오케스트레이션은 프로세스 수준에서 작동합니다. 즉, 각 단계를 수행하는 주체가 에이전트든, 결정론적 자동화든, 사람이든 모든 단계에서의 종속성, 상태, 거버넌스 및 핸드오프를 관리합니다. 이 둘을 혼동하면 엔터프라이즈급 프로세스 실행에 필요한 요건을 과소평가하게 될 수 있습니다.
