모자람 투성이 AI 비서
토니 스타크가 강력한 슈트를 제작해 슈퍼 히어로의 활약 과정을 그린 영화 아이언맨이 있다. 이 영화에서 AI 비서 자비스(Jarvis)는 실시간으로 문제를 해석하고, 분석하는 역할을 수행할 뿐만 아니라 여러 소스 데이터를 종합하여 정확한 정보를 제공한다. 이런 자비스의 모습은 우리가 상상할 수 있는 AI 비서의 이상적인 모습이다.
[그림 1] 아이언맨 AI 에이전트 자비스의 작업 수행 프로세스 (출처: 필자)
경호원 '해피'의 사망 사건 조사: 폭발 사고
AI 에이전트 J.A.R.V.I.S
아이언맨 → '해피' 사망 사건 조사 요청 → AI 에이전트 J.A.R.V.I.S → '해피' 사망 사건 조사 요청 → 용의자'만다린' 데이터베이스 구축 (사용한 데이터 : CIA,FBI,쉴드[영화 속 가상 기관] / 사용한 기술 : 컴퓨터 비전, IoT, 머신러닝) → 사건 현장 재구현 → 유사 사건, 연관 사건 케이스 제공
아이언맨 → 12개월 이내 발생한 유사 폭발 사건 추가 조사 요청 → 사건 현장 재구현 모델
하지만 현재 AI 비서의 역할은 이런 영화와는 거리감이 크다. 명확한 명령 수행에도 실수가 많고, 만족하기 어려운 데이터 분석 능력으로 인해 정확한 정보 제공도 어렵다. 예를 들어, 음성 인식이 제대로 이루어지지 않아 "처리할 수 없습니다."와 같은 답변이 잦고, 잘못된 답을 제공하는 경우가 많다.
2021년 12월에는 아마존의 알렉사 AI 스피커가 당시 유행하던 ‘페니 챌린지’를 10대 소녀에게 제안하여 큰 논란이 있었다.[1] 페니 챌린지는 전기 콘센트에 반쯤 꽂힌 플러그에 동전을 접촉시켜 전기 스파크를 일으키는 챌린지로, 화재 및 감전의 위험이 매우 크다. 또한 접근할 수 있는 데이터 프로토콜의 한계로 작업 수행이 어려운 경우도 있다. 예를 들어, 아이폰에서 시리에게 “10시에 알람 설정해 줘”라는 명령은 가능하지만, “배달의 민족 앱을 사용하여 피자를 주문해 줘”와 같은 요청은 불가능하다. 현재 다양한 산업에서 특화된 AI가 등장하면서 다양한 업무를 지시할 수 있는 가능성이 열리고 있지만, 어느 것도 완벽하진 않다. 오늘 주제인 커머스 분야 역시 비슷하다.
아마존의 알렉사 이야기를 한 가지 더 해 보자. 인터넷 쇼핑의 최강자 아마존은 알렉사를 통해 음성으로 주문을 하는 보이스 쇼핑기능을 야심 차게 시작했지만 사용자들에게 곧 외면을 받는다. 이유는 매우 간단한 미숙한 사용자 쇼핑 경험이었다. 세제를 구입할 때, 브랜드 명이나 용량과 같은 매우 명시적인 조건에는 잘 반응했지만, 아기 피부에 트러블이 적고, 향이 없는 세제를 찾아달라는 주문에는 동작하지 않았기 때문이다.[2] 2022년 말 미국 월마트는 ‘Text to Shop’이라는 메시지 기능을 통해 소비자가 문자로 상품을 주문할 수 있는 서비스를 선보였다. 장을 보러 가거나 온라인 스토어에서 상품을 고를 필요 없이, 간단한 문자 대화로 물건을 구매할 수 있는 기능을 제공하겠다고 야심 차게 시작했으나, 오류를 피할 수 없었다. 한 사용자가 장바구니에 담은 지 오래된 상품만 제거해 달라고 요청했을 때, 방금 추가한 우유까지 포함해 장바구니의 모든 우유를 삭제하는 경우가 있었다.[3]
이는 AI 비서의 언어 추론과 이해를 통한 상호작용이 아직 완벽하지 않음을 보여준다. 또한 쉐보레 공식 홈페이지의 AI 챗봇은 사용자와의 대화 중 실수로 차량을 1달러에 판매하여 논란이 일었다.[4] 챗봇의 의사결정 능력의 허점을 파악한 사용자가 1달러에 거래가 성사되도록 유도한 것이다. 아이언맨의 자비스가 보여주는 완벽함과는 달리, 현재 시장에 나와 있는 AI 비서는 많은 개선이 필요하다.
[그림 2] 쉐보레 홈페이지에서 $1로 자동차 구매하기 (출처: Chris Bakke X)
AI 에이전트를 통한 개선
AI 에이전트란 사람의 개입 없이 자율적으로 특정 작업을 수행하는 지능형 시스템을 말한다. 사용자로부터 구체적인 명령이나 목표를 설정받으면, 이를 성공적으로 수행하기 위해 주변 환경과 상호작용하며 필요한 데이터를 획득하고 분석한다.[5] 예를 들어, 스마트폰에 설치된 여러 메시지 앱에 접근해 최근 대화 기록을 추출하고 대상자의 감정을 분석하는 것을 들 수 있다. 이 과정에서 에이전트는 다양한 앱과 서비스에 분산된 데이터를 통합하여 활용할 수 있으며, 데이터의 형태가 이미지, 음성, 텍스트, 또는 문서 등 어떤 것이든 모두 사용한다. 작업 수행에 필요한 AI 모델을 적절히 사용하여 충분한 데이터 기반의 결과를 도출함으로 AI 에이전트는 목표 달성을 위한 작업을 스스로 결정하고 수행할 수 있게 된다. 기존의 AI 비서보다 접근할 수 있는 데이터 범위가 넓어지고, 작업 수행 능력과 판단력이 크게 향상된 것이다.
[그림 3] AI 에이전트가 작동하는 방식 (출처: Abacus. AI)
AI 에이전트 - 대규모 LLM 앱 구축 및 호스팅
고객 → 프롬프트 → AI 에이전트 (프롬프트를 이해하기 위한 NLP, 작업 목록 생성 및 실행) → 작업 결과
1. AI 에이전트 → NLP/SQL 쿼리 → 데이터/문서 → 응답 → AI 에이전트
2. AI 에이전트 → 코드 → 코드 실행기 → 실행 응답 → AI 에이전트
3. AI 에이전트 → 쿼리 → ML 모델(예측,최적화,예견,채팅 LLM, 다른 에이전트) → 실행 응답 → AI 에이전트
4. AI 에이전트 → MLP쿼리 → LLM (AI,META,GOOGLE,OPEN AI,...) → 실행 응답 → AI 에이전트
위에서 설명한 대로, 커머스의 AI 비서는 쇼핑 중 요구한 내용과 다른 행동을 하거나 부적절한 의사 결정을 내리는 등의 오류를 일으키고 있다. 이러한 문제점은 AI 에이전트를 통해 다음과 같은 3가지 부분에서 개선을 기대해 볼 수 있다.
• 언어 상호작용과 의사 결정 기능: 리플렉션(Reflexion)은 자연어 피드백을 기반으로 여러 번의 시도와 오류 반복을 통해 작업에서의 행동 패턴 개선을 통해 성능을 향상시키는 방법이다. LLM 기반의 에이전트는 리플렉션 프레임워크를 통해 언어 생성뿐만 아니라 추론에서도 더 나은 성능을 보여주어 복잡하거나 모호한 문제에 대한 해답을 찾고 올바른 의사 결정을 할 수 있다.
• 유연한 적응성: AI 에이전트는 다양한 응용 분야에 맞게 조정될 수 있다. 현재의 에이전트가 계획 없이 행동을 수행하거나 고정된 계획에 의존하는 한계를 극복하기 위해 적응형 플래닝을 지원하는 프롬프팅 프레임워크가 개발되었다. 이 프레임워크는 피드백을 반영하여 스스로 생성한 계획을 개선할 수 있고, 코드 스타일의 프롬프트를 사용하여 환각 문제를 완화하고, 더욱 정확하고 효율적인 적응성을 지원한다.
• 협력적 상호작용: 언어 기반 상호작용과 의사 결정 기능을 넘어, 복잡한 추론 작업을 수행하기 위해 직관적 사고와 신중한 사고 과정을 결합한 프레임워크를 통해 하위 목표를 설정할 수 있다. 이는 인간의 정보처리 과정이 직관적 사고와 분석적 사고로 나뉜다는 이중과정 이론(Dual-process Theory)에서 영감을 받아 개발된 방식으로, 다양한 학습 모듈로 구성되어 있어 협력적 상호작용이 가능하도록 설계되었다.[6]
AI 에이전트를 이용한 차세대 이커머스
맥킨지는 차세대 성장을 위해 기존 이커머스와 온라인 판매를 넘어서는 접근이 필요하다고 한다. 이를 위해서는 대면, 이메일, 전화, 모바일 앱, 웹 검색 등 모든 채널에서 고객에게 맞춤형 경험을 제공하는 플랫폼이 필수적이며, 이를 차세대 커머스(NeXT Commerce)라 부른다.[7] 새로운 이커머스의 생태계는 유연한 기술로 수익성 있는 성장을 도모하며, 기존의 획일적 쇼핑 경험에서 개인화된 고객 경험으로 전환하는 것을 목표로 한다.
NeXT Commerce는 특히 고객 경험의 통합을 중요시한다. 현재 부서별로 데이터 관리를 하는 서비스의 경우, 데이터 분산으로 인해 고객이 적절하지 않은 마케팅 메시지를 받는 문제가 발생하지만, NeXT Commerce는 광고와 마케팅부터 장바구니, 결제, 주문 처리에 이르기까지 일관된 경험을 제공한다. 심층적인 고객 분석을 기반으로 온라인과 오프라인 채널 간 원활한 전환과 개인화된 고객 여정을 구현할 수 있고 결과적으로 이는 B2B 및 소비자 산업의 수익성 있는 성장을 촉진하여 더 높은 수익성과 성장을 지원한다.
[그림 4] 러닝하는 사람의 이커머스경험 vs. NeXT Commerce 경험 예시 (출처: McKinsey)
고객이 E-commerce 신발 구매하기
- 러닝화 비교
- 원하는 제품 구매
- 신발 수령
고객이 NeXT commerce 러닝화 구매하기
- 시합 중 진행 상황을 공유하는 앱 사용
- 달리기 시합 예약
- 동네 스포츠 전문 의사 검색
- 훈련을 위한 식단 계획 다운로드
- 추천 훈련을 추적/관리할 수 있는 앱 사용
- 달리기 모임 참여
NeXT Commerce가 지향하는 가치는 AI 에이전트의 접목을 통해 실현될 수 있다. AI 에이전트는 고객 질문을 해석하고 사람과의 대화를 모방하며, 반복적이고 특화된 업무를 처리해 고객과 직접 상호작용을 가능하게 한다. 이러한 자동화는 부족한 인력을 보완하고 인건비 절감을 가능하게 하는 부가적 효과도 있다.[8]
답변 정확도가 높은 AI 챗봇으로
현재 이커머스의 경험 한계를 확장할 수 있다. 현 이커머스에서 사용되는 AI 챗봇의 경우 질문에 대한 이해를 제대로 못하는 경우가 빈번하다. 필자는 한 온라인 쇼핑몰 챗봇에 주문 취소에 대해 문의를 하였다. 영어로 질문하여도 현재 위치한 국가의 언어에 맞추어 한국어로 잘 응대를 했지만, 답변의 품질에는 큰 문제가 있었다. 대화형 챗봇에게 주문 취소 버튼을 어디서 찾을 수 있는지 그리고 주문 취소는 어떻게 할 수 있는지 와 같은 엄연하게 다른 질문을 하였을 때 맞는 답을 제공하는 것이 아니라 두 질문 모두 동일한 템플릿으로 응답하였다. AI 에이전트를 활용하면 언어 상호작용을 통해 상담원 연결 없는 고객지원 자동화 서비스가 가능하다. 사용자의 구매 패턴의 변화를 추적하고, 질문 추세를 파악하며, 상담 도중 제공된 피드백에서 사용자의 감정 변화를 인식할 수 있다. 이를 이용해 고객과의 상호작용을 개선하고 응답을 개인화할 수 있다. 또한 제품 정보 지원이 가능하고 여러 데이터 소스를 활용한 보다 정확한 판단이 가능하기 때문에 사용자가 서비스에서 겪은 기술적 문제나 청구 분쟁 같은 복잡하고 어려운 문제도 해결할 수 있다.[9]
[그림 5] 해외의 한 온라인 스토어의 미흡한 AI 챗봇 응대 (출처: 필자 - 피너츠)
맞춤화된 사용과 개인화
두 번째는 개인화된 쇼핑 경험을 제공할 수 있다. 많은 온라인 스토어는 규칙 기반 시스템 또는 협업 필터링(Collaborative Filtering)을 통해 상품을 추천한다. 국내 유명 플랫폼에는 AI 추천이라는 기능이 있는데 처음 접속한 필자의 계정에는 AI가 활용할 경험 데이터가 전혀 없음에도 불구하고 취향을 분석하여 추천한다는 문구와 함께 아이템을 제안하여 의문을 갖게 한다.
[그림 6] 추천 기반 데이터가 전혀 없는 사용자의 온라인 스토어의 AI 추천 목록 (출처: 필자 - 와디즈)
AI 에이전트를 상품 추천에 접목시킨다면 실제 고객의 구매 데이터를 여러 채널에서 파악하여 취향과 앞으로 필요한 상품에 대한 분석이 가능해지고, 이를 통해 선호도에 맞는 맞춤형 상품 추천을 할 수 있다. 의류 브랜드 스티치픽스(stitchfix.com)는 트렌드를 더 잘 이해하고 고객에게 인기 있는 스타일을 예측하여 스타일리스트와 고객 간의 개인적 연결 경험을 강화하는 데 도움이 되는 AI 기술을 적극적으로 실험하고 있다.[10]
정확한 재고 예측과 타깃 마케팅
세 번째는 발전된 형태의 재고 관리와 마케팅 자동화가 가능하다. 분석과 예측이 정확해지므로 상품 수요 예측 및 공급망 관리를 자동화할 수 있다. 단순히 AI를 통해 재고 관리, 주문 처리, 배송 최적화 같은 반복적인 작업을 자동화하여 효율을 높이고 비용을 절감하는 것이 전부가 아닌, AI 에이전트를 활용한 예측은 기업이 시간 또는 이벤트에 따른 수요 변화를 예상하고 선제적 대응이 가능하게 한다. 즉 재고 부족이나 과잉 재고 사태를 예방하며 공급망을 탄력적으로 운영할 수 있다.[11]
또한, 생성형 AI의 활용은 마케팅 콘텐츠의 이미지나 텍스트 제작에 그치지 않는다. 지금까지 진행된 마케팅 캠페인과 대상 세그먼트 분석을 자동으로 수행하여 AI가 프로모션, 마케팅 메시지, 가격 등을 맞춤화하는 역량을 확장할 수 있다. 예를 들어 페르노리카르(pernod-ricard.com)라는 프랑스 주류 기업은 AI를 통해 각 매장의 판매 데이터, 주변 인구 통계, 매장 크기 및 유형을 분석하여 유사한 특성을 가진 매장 클러스터를 제작한다. 이를 통해 영업 담당자는 실적이 저조한 매장을 우선 방문하고, 업셀링/크로스셀링 가능성이 높은 매장에 집중하고 마케팅 프로모션에 필요한 특정 주류 브랜드를 식별한다.[12]
간편한 쇼핑과 간소화된 사용 여정
마지막으로 AI 에이전트는 인지한 정보에 따라 행동을 취하며 특정 환경에 국한되지 않기 때문에 사용자가 직접 온라인 사이트에 접속하지 않아도 상품 구매가 가능하다. 따라서 개인화된 쇼핑 경험과 함께 간단하고 빠른 쇼핑이 가능해진다.[13] 예를 들어 새롭게 제공되고 있는 애플 인텔리전스 기반의 시리(Siri)를 사용할 경우 직접 사진 앱이나 메모 앱에 접속하지 않고, 사진을 수정하고 메모 앱에 사진을 삽입하는 워크프로세스 명령이 가능하다. 사용자의 요청 맥락을 이해하고 연결하여 여러 앱을 넘나들며 동작을 수행한다. 텍스트 기반뿐만 아니라 화면에 어떤 이미지가 띄어져 있는지 내용 자체를 인지할 수 있게 되었다. 추후에는 애플 인텔리전스를 탑재한 시리를 통해 애플에서 개발 배포한 앱뿐이 아닌 다른 기업의 앱, 가령 커머스 앱이나 배달 앱을 통해 상품 구매와 배송이 가능해질 것이다. 이처럼 이커머스에 AI 에이전트 도입은 개인화된 쇼핑 경험을 제공하고 구매 가능성이 높은 제품을 추천함으로써 구매 전환율을 높일 수 있다.
[그림 7] 시리로 사진 수정 및 활용하기 (출처: 애플)
[그림 8] 소매와 물류에 가능한 AI 활용 예시 (출처: JP Morgan)
소매 및 물류
- 3D 쇼핑 및 제품 체험
- 배송용 보도 로봇
- 공급망 효율성
- 재고 관리
- 수요 예측
- 트럭 경로 최적화
- 차량 가동률 향상
- 자율 차량 네트워크
AI 에이전트 구조와 개발 프레임워크
차세대 이커머스의 주역이 될 AI 에이전트는 어떻게 구성되고 동작하는 것일까? 구조를 최소화하여 설명하면 데이터를 기반으로 추론하고, 추론에 따라 계획과 요구사항을 실행하는 방식으로 동작한다. 이를 ReAct라고 하며, '추론(Reasoning)'과 '행동(Act)'을 결합한 개념이다. AI 에이전트는 단순히 고정된 규칙에 따라 작동하는 ThinkFAST 방식이 아닌, 올바른 답을 도출하기 위해 계획 - 실행 - 관찰 - 조정을 반복하는 ThinkSLOW 로직을 따른다. 이러한 구조는 이커머스에서 서비스와 비즈니스 효율성을 높이고 고객에게 개인화된 경험을 제공하며, 기업의 비용 절감과 운영 효율성 증대에 기여한다.[14]
[그림 9] 소매 및 이커머스의 AI 에이전트 구조 (출처: LeewayHertz)
소매 및 이커머스 에이전트
입력
- 텍스트
- 음성
- 이미지
추론
- 프로파일링 모듈
- 메모리 모듈
- 정보 모듈
- 계획 모듈
행동
- 자연어 툴
- 서칭/검색 툴
- 데이터 분석 툴
추론 (Reasoning)
AI 에이전트의 추론은 ‘뇌’ 역할을 하며, 주어진 정보를 기반으로 계획을 수립한다. 텍스트, 이미지, 영상, 오디오 등 다양한 포맷의 정보가 입력되며, 이를 기반으로 프로파일링, 메모리 등 여러 모듈을 통합해 데이터를 분석하고 처리한다. 이 과정을 통해 ThinkSLOW 로직에서 올바른 답을 도출하기 위한 확실한 계획을 수립한다.
행동 (Act)
행동은 계획을 바탕으로 다양한 툴킷을 연결하여 액션을 수행하는 구성요소이다. 이 요소는 복잡한 작업을 관리 및 수행 가능한 규모와 단계로 분해한다. 그리고 자연어처리, 데이터베이스 또는 웹 서칭 및 검색, API, 머신러닝 모델, 데이터 분석 도구 등 여러 툴킷을 사용하여 목표를 수행한다.
메모리 (Memory Access)
메모리는 LLM에 축적된 데이터를 활용하는 요소로, 사용자 경험을 더 개인화하고 구체적인 답변을 제공한다. ChatGPT를 사용하다 보면 중간에 메모리를 업데이트하였다는 알림을 볼 수 있다. 이것이 바로 앞으로 생성될 답안의 퀄리티를 높이기 위해 사용자의 새로운 데이터를 업데이트하는 것이다.
이러한 구성 요소를 통해 AI 에이전트는 최적의 답을 도출하기 위해 계획과 실행을 반복하며, 고객 맞춤형 액션을 설계할 수 있게 된다. 이를 통해 이커머스에서는 고객 데이터를 신속히 수집하고, 실시간으로 필요한 정보를 확보하여 고객의 선호도와 행동을 예측하고, 맞춤형 경험을 설계할 수 있다. 또한 자동화된 고객 대응, 재고 관리, 마케팅 자동화를 통해 비용을 절감할 수 있다.
추천 프레임 워크
마켓에는 이런 AI 에이전트를 활용할 수 있는 다양한 프레임워크가 있으며, 각각의 특징을 통해 특정 목적에 맞는 최적화된 작업 환경을 제공할 수 있다. 이중 이커머스에서 적용을 고려하면 좋은 프레임워크 세 가지를 소개한다.
1. 랭체인 (LangChain)
랭체인을 사용하는 목적은 다양한 기능과 전문성을 가진 LLM 모델을 서비스에 도입할 때, 각 요구사항에 맞게 개발 비용을 줄이고 워크플로우를 단순화하는 데 있다. 즉, 최소한의 개발 비용으로 복잡한 파이프라인을 구성하여 작업 효율을 높일 수 있다는 의미다. 랭체인은 Language와 Chain의 합성어로, 여기서 ‘chain’은 작업을 여러 단계로 나누어 체인처럼 순서대로 논리적으로 처리하는 방식을 의미한다.[15] 하나의 에이전트가 여러 시스템을 활용해 연속 작업을 분해하고 순차적으로 수행함으로써 텍스트 생성, 데이터 분석, 정보 검색 등 다양한 작업을 체계적으로 처리할 수 있다. 랭체인은 마치 프로젝트를 진행하는 "똑똑한 팀원"이 업무 프로세스를 정의하고 필요한 여러 툴을 연결하여 순차적으로 업무를 해결해 나가는 역할로 볼 수 있다. 이러한 특징 덕분에 랭체인은 이커머스에 특히 유용하게 활용될 수 있다. 예를 들어, 고객의 구매 기록과 결제 내역을 기반으로 데이터를 분석해 개인화된 추천 시스템을 손쉽게 구축할 수 있으며, 재고 관리 시스템과 ERP 시스템을 연동하여 재고 상황을 실시간으로 파악하고 관리하는 데 이점이 있다. 랭체인의 체계적이고 유연한 구조 덕분에 이커머스에서는 복잡한 데이터를 쉽게 처리하고, 효율적으로 시스템을 연동하여 자동화된 고객 맞춤형 서비스를 제공하는 데 기여할 수 있다.
2. 오토젠(AutoGen)
오토젠 프레임워크를 사용하면 여러 에이전트를 통합적으로 활용하여 복잡한 대화나 문제를 더욱 효과적으로 해결할 수 있다. 여기서 에이전트를 통합적으로 사용한다는 것은 여러 에이전트가 LLM 기반으로 서로 ‘소통’하며 정보를 주고받아 문제를 처리하는 것을 의미한다. 즉, 복잡한 문제를 해결하기 위해 다중 에이전트가 프로토콜을 통해 협력하고 소통하는 것이다. 랭체인이 문제를 해결하기 위해 에이전트가 여러 시스템을 활용하는 것이라면, 오토젠은 문제 해결을 위해 여러 에이전트가 협력하는 구조라고 볼 수 있다. 이는 마치 한 프로젝트를 위해 여러 팀원이 함께 머리를 맞대고 협력하는 것과 유사하다. 이커머스에 오토젠을 적용하면, 여러 에이전트가 소통하고 협력하여 고객의 전체 상황을 종합적으로 파악하는 방식이 가능해진다. 예를 들어, 결제나 배송 등 복잡하고 다양한 문제가 한 고객에게 동시에 발생했을 때, 자동화된 고객 응대가 가능하며, 과거 데이터 로그의 맥락을 이해해 고객의 감정을 고려한 응대도 제공할 수 있다.[16] 또한, 한 고객이 여러 채널을 통해 문의하더라도 이를 동일한 고객으로 인식해 하나의 프로필로 연결할 수 있어, 보다 고도화된 응대가 가능하다. 최근에 마이크로소프트가 발표한 에이전트 간 계층 구조를 갖고 마스터 에이전트가 복수의 실행 에이전트와 협업하는 프레임워크인 마젠틱 -원 (Magentic-One)[17]이 이 개념을 잘 반영했다고 할 수 있다.
3. 수퍼AGI (SuperAGI)
수퍼AGI를 간단히 말하면, 한 프로젝트를 수행하기 위해 각 부서가 각자의 업무를 담당하며 진행하는 것과 같다. 수퍼AGI 프레임워크를 사용하는 이유는 고도화된 자동화와 지능적 의사결정을 가능하게 하기 위해서다. 수퍼AGI는 복잡한 비즈니스 요구사항을 효율적으로 처리하면서도 신속하고 정확한 대응을 가능하게 하는데, 이는 각 에이전트가 명확히 분담된 역할과 책임을 가지고 협력하는 구조 덕분이다.[18] 이러한 구조 덕분에 병목 현상이 줄어들고, 일관성 있는 의사결정과 전문적인 접근이 가능하다. AutoGen은 여러 에이전트가 '협력'하는 구조이기 때문에 전문적인 책임 분담이 다소 느슨해질 수 있다. 그러나 수퍼AGI는 협업 과정에서도 에이전트가 각자 분담된 역할에 집중해 작업을 수행하기 때문에 신뢰성이 더 높다. 이러한 수퍼AGI의 특징은 이커머스 시장에서도 유용하게 적용될 수 있다. 예를 들어, 수퍼AGI를 통해 고객의 구매 데이터, 시장 트렌드 데이터, 마케팅 캠페인 성과 등을 담당하는 에이전트가 각각 분석하고, 이를 기반으로 비즈니스 인사이트를 제공하거나 마케팅 전략, 최적의 가격 제안을 할 수 있다. 각 에이전트가 전문성을 가지고 업무를 수행하고 책임을 지기 때문에, 다른 프레임워크보다 더 정확하고 신뢰성 있는 비즈니스 의사결정을 내릴 수 있다.
마무리
AI 에이전트의 글로벌 AI 시장 규모는 2025년까지 약 139억 달러에 이를 것으로 전망된다.[19] 또한 맥킨지 조사에 따르면, 이커머스 매출은 지난 5년간 두 배 증가했으며, 2026년까지 다시 두 배 성장할 것으로 예상된다.[20] AI 에이전트는 이커머스에서 작업 프로세스 자동화, 수요 예측, 개인화된 쇼핑 경험 제공에 기여하며 큰 성장 가능성을 가지고 있다. 개인화된 사용자 경험만으로도 고객 확보 비용을 최대 50%까지 절감하고, 매출을 5~15% 끌어올리며, 마케팅 ROI를 10~30% 높일 수 있다는 점에서 기업에게 실질적인 이점이 꽤 크다.[21]
기술 발전으로 인해 영화에서 보던 AI 기능들이 점차 현실화되고 있으며 시장은 크게 성장하고 있다. AI 어시스턴트는 더 이상 기능에 제한되거나 부정확하지 않으며, 다양한 범위와 영역을 넘나들며 정보를 제공하는 AI 에이전트로 발전하고 있다. 이커머스에서 AI 에이전트는 정교하고 정확한 고객 응대, 개인화된 쇼핑 경험 제공, 재고 예측과 타깃 마케팅, 간편하고 간소화된 쇼핑 환경을 가능하게 할 것이다. 또한, 비즈니스 측면에서는 신뢰할 수 있는 부가가치가 풍부한 인사이트를 발굴하고 의사결정을 지원하는 시너지를 낼 것이다. 특히 AI 에이전트는 ‘플랫폼’을 가진 기업에 유리하게 작용하여 사용자에게 다방면으로 긍정적 영향을 미칠 것으로 예상된다.
References
[1] The Guardian, Amazon’s Alexa device tells 10-year-old to touch a penny to a live plug socket, Dec 30, 2021
[2] Wired, “Hey Alexa, Why Is Voice Shopping So Lousy?”, Jun 17, 2019
[3] TechCrunch, Hands on with Walmart’s new (but buggy) ‘Text to Shop’ feature, Jan 26, 2023
[4] Business Insider, A car dealership added an AI chatbot to its site. Then all hell broke loose., Dec 19, 2023
[5] AWS, What are AI Agents?
[6] LG Research, [NeurIPS 2023] 거대언어모델 기반 자율 에이전트 (Large Language Model-based Autonomous Agents), Jan 24, 2024
[7] McKinsey, NeXT Commerce: Future of e-Commerce
[8] JP Morgan Privatebank, How AI can boost productivity and jump start growth, Jul 16, 2024
[9] Salesforce, How Leaders Are Navigating AI in Ecommerce
[10] Stitch Fix, How We’re Revolutionizing Personal Styling with Generative AI, Jun 29, 2023
[11] IBM, AI in commerce: Essential use cases for B2B and B2C, May 17, 2024
[12] Fortune, AI is mixing up how liquor brands make and sell their spirits, Feb 9, 2024
[13] IBM, What are AI agents?, Jul 3, 2024
[14] LeewayHertz, AI agents for retail and e-commerce: Capabilities, components, use cases, implementation, and benefits
[15] AWS, What is LangChain?
[16] Microsoft, Getting Started l AutoGen
[17] Microsoft, “Magentic-One: A Generalist Multi-Agent System for Solving Complex Tasks”, Nov 4, 2024
[18] SuperAGI, Multi-Agent System, May 10, 2024
[19] Research and Markets, Conversational AI Market by Offering ((Software by Technology, Modality, Deployment Mode), and Services), Business Function, Integration Mode, Conversational Agents Type (AI Chatbots, Generative AI Agents), Vertical and Region - Forecast to 2030, Apr, 2024
[20] McKinsey, Becoming indispensable: Moving past e-commerce to NeXT commerce, Nov 15, 2022
[21] McKinsey, What is personalization?, May 30, 2023
▶ 해당 콘텐츠는 저작권법에 의하여 보호받는 저작물로 기고자에게 저작권이 있습니다.
▶ 해당 콘텐츠는 사전 동의 없이 2차 가공 및 영리적인 이용을 금하고 있습니다.
SAP France의 Senior Program Manager
한국에서 컴퓨터 공학을 전공 후, 7년간 한국후지쯔에서 개발자로 근무하고, 1998년 프랑스 파리로 이주하여 Business Objects에서 개발 매니저와 프로그램 매니저를 거쳐, 현재 SAP의 클라우드 ERP 엔지니어링 그룹의 시니어 프로덕트/프로그램 매니저로 근무 중입니다. 책 <프로덕트 매니지먼트>의 저자입니다.