(이 기사는 원래Forbes.com에 게재되었습니다.)
유팡은 Sonatus 의 공동 창립자 겸 CTO로, 분산 시스템과 AI 기반 차량 아키텍처를 전문으로 합니다.
수십 년 동안 기업용 소프트웨어는 ‘하나의 제품을 개발해 수많은 조직에 판매한다’는 단순한 전제 하에 운영되어 왔습니다. 마이크로소프트 오피스, SAP, 로터스 노츠 등을 떠올려 보세요. 핵심 소프트웨어는 폭넓게 적용될 수 있도록 설계되었습니다. 맞춤화는 오히려 고객의 몫이었습니다.
소프트웨어가 비싸고 개발하는 데 시간이 오래 걸리던 시절에는 그런 전제가 타당했습니다. 고객마다 다른 솔루션을 개발할 여유가 없었기 때문입니다. 표준화는 경제적으로 합리적인 유일한 선택이었습니다. 하지만 소프트웨어 개발의 경제성이 근본적으로 바뀌었기 때문에, 그 논리는 더 이상 성립하지 않습니다.
‘일률적 접근’의 대가
일반용 소프트웨어에는 항상 숨겨진 비용이 따르는데, 이는 특수한 사용 사례나 워크플로우에 일반용 제품을 맞추기 위해 소모되는 시간과 발생하는 오류로 측정됩니다. 이러한 비용은 실재합니다. 단지 청구서에 명시되지 않을 뿐입니다.
사용 사례와 업무 흐름이 복잡한 산업에서는 이러한 부담이 누적되어 더욱 커질 수 있습니다. 자동차 문제 진단을 대표적인 예로 들어보겠습니다. 북미의 주요 자동차 제조사(OEM)들은 400억 달러 이상의 보증 준비금을 보유하고 있습니다. 2026년 1분기에만 미국에서 1,210만 대의 차량이 리콜되었으며, 이 중 47%는 무선 소프트웨어 업데이트를 통해 수리되었습니다. 일반적인 사용 사례를 위해 설계된 범용 툴링으로는 특정 사용 사례를 해결할 수 없습니다.
차량이 정비 구역에 들어오면, 정비사는 진단이라는 난제에 직면하게 됩니다. 서스펜션에 이상 현상이 발생했다는 사실은 알지만, 그 원인은 무엇일까요? 부품 고장일까요? 소프트웨어 오류일까요? 일반적인 진단 도구는 증상을 파악할 수는 있지만, 원인을 밝혀내는 경우는 거의 없습니다. 그 결과, 대개는 시간이 오래 걸리는 수작업 과정이 반복되며, 정비사가 은퇴하면 그 전문 지식도 함께 사라지고 맙니다.
오늘날 ‘맞춤’이 의미하는 것
AI 이는 소프트웨어 개발의 경제 구조를 점진적인 변화가 아닌 근본적인 변화로 바꿔 놓았다.
예전에는 소프트웨어 개발 속도가 느려 맞춤형 솔루션의 비용이 비쌌습니다. 하지만 이러한 제약은 점차 사라지고 있습니다. ‘ AI ’는 코드 생성, 패턴 추출, 자동화된 워크플로 설계를 통해 개발 속도를 높여줍니다. 예전에는 수개월의 엔지니어링 시간이 필요했던 작업을, 이제는 그보다 훨씬 짧은 시간 내에 범위를 설정하고 구축할 수 있습니다.
하지만 속도만으로는 맞춤화의 필요성을 설명하기에는 부족합니다. 더 중요한 이유는 ‘ AI ’에 기반한 변혁이 고객의 기존 현실, 즉 고객의 데이터, 도구 및 워크플로우에 뿌리를 내려야 한다는 점입니다. 모든 것을 교체하고 조직이 처음부터 다시 배우도록 강요해서는 안 됩니다. 이미 존재하는 시스템에 ‘ AI ’를 접목해야 합니다. 기존 프로세스의 현실을 그대로 수용한 채, 이를 더 빠르고, 더 일관적이며, 더 확장 가능하게 만들어야 합니다.
이렇게 생각해 보세요. 빈 스프레드시트와 미리 설정된 템플릿은 모두 숫자를 저장합니다. 하지만 비즈니스에 맞게 구조가 이미 잡혀 있고 적절한 입력란과 수식이 포함된 템플릿을 사용하면, 몇 시간이 아닌 단 몇 분 만에 답을 얻을 수 있습니다. 이제 이 원리를 진단 워크플로우, 공급업체 품질 관리 프로세스 또는 차량 관리 시스템에 적용해 보세요. 일반적인 시작점과 특정 목적을 위해 설계된 시작점의 차이는 겉모습이 아니라 운영 측면에서 나타납니다.
병렬로 실행되는 두 가지 변환
AI 를 기반으로 한 맞춤형 솔루션 접근 방식은, 기존 소프트웨어가 역사적으로 동시에 구현하는 데 어려움을 겪어왔던 두 가지 변화를 이끌어낼 수 있습니다.
첫 번째는 인간의 전문 지식을 시스템화하여 활용하는 것입니다. 숙련된 엔지니어들이 축적한 지식, 의사결정 패턴, 진단적 판단력은 점차 인공지능( AI ) 시스템에 반영되어 조직 전반에 걸쳐 활용될 수 있게 됩니다. 그 결과, 조직의 역량이 강화되고, 지식이 사일로화되지 않고 공유되며, 전문 지식이 인재의 이직과 함께 사라지는 대신 지속적으로 축적됩니다.
두 번째는 수동 워크플로를 에이전트 기반 워크플로로 전환하는 것입니다. 여전히 많은 운영 프로세스가 의사결정을 조율하고, 시스템 간에 업무를 전달하며, 일상적인 예외 사항을 해결하는 데 사람의 개입에 의존하고 있습니다. 에이전트 기반 워크플로는 이러한 조율 업무의 상당 부분을 AI 로 이전함으로써, 정의된 안전 범위 내에서 운영되면서도 점점 더 자율적이고, 적응력이 뛰어나며, 확장 가능한 프로세스를 가능하게 합니다.
기계 지능은 주체적인 업무 흐름을 뒷받침합니다. 이 두 요소가 결합되어 개별 업무의 자동화를 넘어 업무 수행 방식 자체를 재편하는 생산성 향상의 토대를 마련합니다.
왜 일반형 ` AI `만으로는 충분하지 않은가
범용 인공지능( AI )은 뛰어난 성능을 갖추고 접근성이 뛰어나며 빠르게 발전하고 있습니다. 하지만 그 자체만으로는 대부분의 중요한 환경에서는 충분하지 않습니다.
그 이유는 다음과 같습니다. 범용 자연어 처리( AI )는 패턴을 인식하고 질문과 의미적으로 유사한 정보를 찾아내는 데 탁월합니다. 또한 유사한 상황에서 효과가 있었던 사례를 요약해 줄 수도 있습니다. 하지만 귀사의 제품, 프로세스 및 운영 환경에 대한 모델이 없다면, 특정 조건 하에서 특정 고장을 해결할 수 있는 방법을 신뢰성 있게 판단할 수 없습니다.
이는 ‘ AI ’라는 범주 자체의 한계가 아닙니다. 이는 해당 작업에 필요한 도메인 지식과 운영적 맥락을 갖추지 못한 ‘ AI ’의 한계입니다.
반면, 전용으로 개발된 ‘ AI ’는 단순한 표면적인 유사성뿐만 아니라 시스템과 구성 요소 간의 관계를 파악하는 구조화된 검색 방식을 사용합니다. 이 시스템은 도메인별 데이터, 운영 맥락, 엔지니어링 지식을 결합하여 진단 정확도를 높이고, 사례의 복잡성에 따라 접근 방식을 조정하며, 숙련된 직원이 퇴사할 경우 조직 밖으로 유출될 수 있는 조직의 노하우를 확보합니다.
새로운 표준
맞춤형 솔루션은 더 이상 막대한 예산과 긴 개발 기간이 필요한 사치품이 아닙니다. 복잡하고 위험 부담이 큰 환경에서 운영되는 조직의 경우, 이는 점점 더 효과적인 발전 방향 중 하나로 자리 잡고 있지만, 올바른 접근 방식은 여전히 사용 사례, 기존 인프라 및 조직의 준비 상태에 따라 달라집니다.
보증 및 리콜 비용으로 수십억을 지출하는 OEM 기업들은 소프트웨어 부족 문제를 겪는 경우가 거의 없습니다. 문제는 이들 기업의 소프트웨어 대부분이 정보를 관리하기 위해 개발되었을 뿐, 해당 비용을 유발하는 구체적인 고장 유형, 엔지니어링적 맥락 및 서비스 워크플로우를 파악하기 위해 설계되지 않았다는 점입니다.
저는 그 격차를 해소하는 조직들은 자사의 운영 현실에 기반을 둔 해결책을 마련하고, 실수가 발생할 경우 차량 리콜이나 이익률 하락과 같은 결과로 이어지는 과정에 ‘ AI ’을 도입함으로써 이를 달성할 것이라고 믿습니다.
따라서 또 다른 범용 AI 도구에 투자하기 전에, 어떤 분야에서 전문 지식, 워크플로우의 복잡성, 조직 내 노하우가 가장 큰 걸림돌이 되는지 파악해 보십시오. 이러한 분야가 바로 전용 솔루션 AI 을 도입하기에 가장 적합한 후보입니다. 그런 다음, 해당 솔루션의 훈련에 필요한 기초 데이터가 충분히 구조화되어 있고 접근 가능한지, 그리고 기존 도구와 워크플로우를 전면 교체하지 않고도 통합을 지원할 수 있는지 평가하십시오.
맞춤형 소프트웨어는 예전에는 예외적인 경우였지만, 이제는 표준이 되어가고 있다고 생각합니다. 이는 목표가 바뀌었기 때문이 아니라, 경제적 여건이 달라졌기 때문입니다. 맞춤형 솔루션이 어디에서 가장 큰 가치를 창출하는지 파악하고 그에 따라 구축하려는 조직에게는 상당한 기회가 열려 있습니다.