AI 에이전트가 자동화를 넘어 기업을 혁신하는 방법

Emily Faracca: 대부분 사람은 업무 환경에서 쓰이는 AI를 생각할 때 흔히 정보와 분석을 통해 입력에 반응하는 기술을 떠올립니다. 업무 환경에 일어날 가장 큰 변화가 단순한 정보 제공과 분석 이상의 기능을 수행하는 새로운 종류의 AI라면 어떨까요? 응답하는 것에 그치지 않고 예측하고 간소화하며 실제로 행동하면서 워크플로를 최적화하는 AI를 생각해 보세요. 이것이 바로 Agentic AI의 미래입니다. AI는 더 이상 수작업을 자동화하는 데 그치지 않습니다. 더 나아가, 완벽하게 개인화되고 효율적인 근무경험을 구축하는 AI 에이전트는 사용자의 니즈를 예측하고 사용자를 대신해 행동합니다.

현대의 업무 환경을 만들어가는 트렌드와 인사이트를 살펴보는 팟캐스트 시리즈, '미래의 업무 환경'을 다시 찾아주셔서 감사합니다. 오늘은 Workday의 AI 부문 VP, Kathy Pham과 함께 Agentic AI의 세계를 자세히 살펴보려 합니다.

Kathy가 AI 에이전트의 역사와 기능, 실제 어플리케이션을 살펴보면서 그 힘과 잠재력에 관해 이야기합니다. 지능형 에이전트가 어떻게 사용자 경험을 혁신하고, 복잡한 태스크를 자동화하며, 업계 전반에서 개인화된 솔루션을 제공하는지 알아보시기 바랍니다. Kathy의 깊이 있는 인사이트를 통해 Agentic AI의 잠재력을 실현할 방법을 알아보세요.

Kathy Pham: 안녕하세요, Workday에서 AI 부문 VP로 일하고 있는 Kathy Pham입니다. 사실 Agentic AI라는 이름은 그 코어 구성요소인 AI 에이전트에서 나왔습니다. 오늘은 Agentic AI를 다루면서 특히 Agentic AI가 기업 환경을 어떻게 혁신하고 있는지에 관해 이야기하겠습니다. 결국 가장 중요한 건 사용 환경이니까요. 이 기술은 단순히 인간의 데이터 분석과 예측을 지원하는 것을 넘어, 자율적으로 태스크를 수행하고 에이전트와 직원의 협업을 통해 복잡한 프로세스를 수행하도록 해줍니다. 따라서 엔터프라이즈 기술을 통해 사용자의 니즈를 예측하고 능동적으로 태스크를 완료할 수 있습니다. 다시 말해, 시스템 사용자에게는 간편하고 개인화된 경험을 제공하는 한편, 백그라운드에서는 복잡한 프로세스를 세분화하고 이를 개별 컨텍스트와 결합합니다. 그리고 태스크를 함께 조율하여 복잡한 비즈니스 문제를 해결하죠.

이는 전문성의 수준과 개인의 기존 비즈니스 니즈를 고려하여 완전히 새로운 수준의 개인화를 제공한다는 의미이기도 합니다. AI 에이전트는 주변 환경의 세부적인 내용을 인식하고 다음 단계를 처리 및 추론합니다. 무엇보다도, 해당 단계를 실행하고 때로는 경험을 통해 학습하며 이러한 학습 내용을 메모리에 저장합니다. 저는 20년 전 초기 AI 에이전트를 조사하면서 AI 머신러닝에 관한 연구를 처음 시작했습니다. 당시 우리는 80년대에 처음 소개된 Braitenberg 차량을 연구했는데, 이는 기본적인 센서와 모터를 갖춘 단순한 로봇으로 간단한 연결에서 얼마나 복잡한 행동이 나올 수 있는지를 보여줍니다. 센서는 환경을 인식하거나 보고 다음에 어디로 가야 할지 추론하는 데 사용되며, 모터는 움직임을 실행하는 데 사용됩니다. 이러한 센서와 모터를 연결하면 공격성, 사랑, 공포 등 동물의 본능을 모방한 행동을 프로그래밍할 수 있죠. 초기 AI 에이전트의 세계를 살펴볼 수 있는 흥미로운 연구였습니다. AI와 ML 기능은 20년 동안 많은 발전을 이루었지만, 저는 기본 원칙에 따라 강력한 솔루션을 모색하는 방법으로 돌아오곤 합니다. 즉, 환경을 이해하고 ML 기능으로 환경을 처리하며 이러한 학습을 기반으로 복잡한 의사결정을 내린 다음, 다른 측면에서 간단한 경험을 제공하는 거죠. 이러한 새로운 기능을 통해 자동화된 프로세스, 더 나은 의사결정, 개인이나 팀의 우선순위와 니즈를 반영한 개인화된 경험의 잠재력을 실현할 수 있습니다.

AI 에이전트를 사용하는 방법을 자세히 알아보기 전에 이 모든 것이 어떻게 시작했는지 되돌아보겠습니다. AI는 '인공지능'이라는 용어가 처음 만들어진 50년대로 거슬러 올라갈 정도로 풍부한 역사를 자랑합니다. 어떤 이들은 통계 분석과 예측을 이해하기 시작한 이전 세기까지 고려할 때 훨씬 더 이전부터 시작했다고 주장합니다. 역사적 맥락을 고려하면 미래를 어떻게 만들어갈지를 더 쉽게 알아낼 수 있습니다. 여기서는 오늘날의 Agentic AI 활용 방법을 이해하는 데 관련성이 가장 높은 최근의 역사를 집중적으로 살펴보겠습니다. 저는 간단한 규칙을 이용한 초기의 자동화에서 시작해 예측 기능을 다룬 후, 이제는 시스템을 서로 연결해 복잡한 문제를 해결할 수 있는 발전 단계까지 설명하려고 합니다. 그러면 AI의 초기 기반이 시작된 1950년대부터 시작하겠습니다. 이때는 기계가 인간 지능을 모방할 수 있는지 테스트하는 Turing 테스트의 개념이 형성되었습니다. 이러한 AI 시스템은 규칙 기반이었기 때문에 미리 정해진 규칙을 바탕으로 요청에 따라 결과를 제공했습니다. 그 후 60년대와 70년대에는 신경망에 관한 초기 연구 덕분에, 인간의 행동과 인간이 시스템에 입력하는 세부 정보를 통해 학습을 수행할 수 있는 시스템의 가능성이 열렸습니다. 신경망 설계는 인간의 뇌에서 영감을 받았습니다. 인간의 뇌에는 뉴런과 같은 노드가 있어 다른 뉴런과 연결되고 시간이 지남에 따라 학습을 위해 신호를 보내죠. 80년대에는 전문가 시스템이 등장했는데, 이는 인간의 의사결정을 모방할 수 있는 대규모 규칙 집합입니다.. 이 시스템은 어느 정도 유용하기도 했고 때로는 사람처럼 행동했습니다. 하지만 여전히 역할에 의존하고 복잡성에 적응하지 못했습니다. 한편으론 스스로 학습하고 실시간 정보를 처리하며 조치할 수 있었습니다. 90년대에는 그 이전의 신경망 연구를 기반으로 규칙 기반 시스템을 넘어 ML이 발전했고, 업계에서는 현재 우리가 AI 에이전트라고 부르는 지능형 에이전트라는 개념이 탐구되기 시작했죠. 또한 강화 학습이라는 개념을 통해 시간이 경과함에 따라 시행착오를 거쳐 시스템을 최적화할 수 있었습니다.

2000년대에는 컴퓨팅 성능과 데이터가 확장되고 클라우드 컴퓨팅으로 전환되면서 많은 조직에서 데이터 저장 및 처리 기능을 더 확대했습니다. 지난 15년간 ML 기능, 데이터 스토리지, 시스템과 디바이스의 상호 연결성 등이 발전해 왔습니다. 이제는 에이전트가 이러한 시스템을 서로 연결하여 소프트웨어 및 기술 프로세스를 간소화하는 것이 가능해졌는데, 이는 어쩌면 필수적일 수 있습니다. 또한 거대 언어 모델(LLM)과 자연어 처리 기능을 통해 에이전트는 실시간으로 사람들의 새로운 요청을 처리하고 응답할 수 있습니다. 이는 사람들이 기술을 사용하는 경험을 혁신하고 있습니다. AI가 한 가지 태스크만 수행하던 과거의 기술 사용 방식과도 크게 달라졌죠. 날씨를 예로 들면, ML만으로도 과거의 날씨 패턴을 학습하고 향후 며칠 동안의 날씨를 예측할 수 있습니다. "날씨가 어때?"라고 입력하거나 물어보면 ML은 누가 왜 묻는지 맥락을 모른 채 결과를 반환할 수 있습니다. 이 질문을 하는 사람은 일기 예보를 준비하는 기상학자나 등교하는 자녀의 옷을 고민하는 부모일 수 있습니다. 이제 에이전트의 관점에서 동일한 시나리오를 살펴보겠습니다. 날씨 에이전트는 기상학자나 부모 등과 같은 상호 작용하는 주체, 일기 예보 준비나 아이의 옷 고민 등과 같은 질문의 이유 등을 포함해 현재 환경을 인식할 수 있습니다. 그런 다음 현재 환경을 기반으로 다음 단계를 추론하고 이를 실행하여 기상학자를 위한 비 그래픽을 생성하거나 가족에게 적합한 옷을 제안하는 등 맞춤형 응답을 제공합니다. 에이전트는 이러한 인터랙션을 통해 학습하면서 향후 대응을 개선합니다.

다른 예시를 통해 전통적인 소프트웨어 개발에서 Agentic AI로 넘어가는 과정을 살펴보겠습니다. 기존의 소프트웨어 개발은 일반적으로 일련의 명령을 따릅니다. 프로그래머가 시스템에 명령을 내리면 시스템은 실행을 시작하죠. 초기 AI 시스템은 규칙 기반이었기 때문에 충분한 규칙 세트로 가끔 인간의 행동을 모방할 수는 있었습니다. 하지만 궁극적으로 복잡한 시나리오나 아직 알려지지 않은 새로운 상황을 처리할 수는 없었죠. 날씨를 예로 들면, 규칙 기반 시스템을 사용하여 '기온이 화씨 95도 또는 섭씨 35도 이상', '습도가 80% 이상'과 같은 값을 입력하면 폭풍우를 예측할 수 있습니다. 바람이 시속 약 64Km 이상으로 1시간 이상 불면 미국 국립기상청의 데이터를 기반으로 강풍 경보가 발령됩니다. 충분히 정교한 규칙이 주어진다면 마치 반대편에서 누군가가 분석 작업을 하는 것처럼 느껴질 수도 있습니다. 하지만 결국, 예측할 수 없는 폭풍이나 날씨 패턴을 바꾸는 다른 데이터 포인트처럼 복잡한 요소가 더해지면 예측하고 인사이트를 얻기 위한 고급 도구가 필요해지기 마련입니다.

ML, 딥러닝, 신경망, 특히 자연어 처리와 같은 기술의 발전 덕분에 더 많은 능력이 생겼습니다. 예를 들어, 이제 과거의 날씨 패턴을 가져와 전 세계 다양한 사용자의 니즈와 연계해 활용하거나 다른 최신 날씨 데이터를 가져와 예측할 수 있습니다. 이러한 모든 요소를 토대로 집중적이고 고유하며 맞춤화된 조치를 할 수 있게 되었죠. 이처럼 날씨의 사례에서 볼 수 있듯이 AI 에이전트는 개인의 기호를 학습하고 계속해서 사용자 대신 작업을 실행합니다. Agentic AI의 활동 분야는 이제 단순한 데이터 처리에서 사전 정의된 태스크와 학습된 태스크를 모두 실행하는 것까지 포괄합니다. 이는 수많은 비즈니스 프로세스와 태스크를 처리해야 하는 기업 환경에 정말 유용합니다. 어느 부서로 가야 하는지, 어디를 클릭해야 하는지, 영수증은 어디에 업로드해야 하는지, 그리고 후보자 목록을 어디서 찾아야 하는지, 후보자 관련 메시지는 채용요청 매니저에게 어떻게 보내야 하는지 등을 일일이 기억하는 건 쉽지 않으니까요. 에이전트는 이전에는 수동 클릭과 전문 지식이나 노하우가 필요했던 작업을 자동화하여 워크플로를 간소화할 수 있습니다.

다음은 Agentic AI에 포함된 다양한 에이전트 유형을 소개하겠습니다. 에이전트는 주변 환경의 세부 정보를 인식하고 정보를 처리하며 다음 단계를 추론하고 목표를 달성하려고 행동합니다. 일부 에이전트는 경험을 통해 학습하고 그 내용을 메모리에 저장할 수 있습니다. 에이전트의 기능을 잘 알고 있으면 문제 해결에 가장 알맞은 방법을 찾을 수 있으므로, 몇 가지를 살펴보겠습니다. 첫 번째는 가장 단순한 유형인 사후 대응형 에이전트로, 이는 기본 제공되는 규칙 기반 AI입니다. 사후 대응형 에이전트는 사전 설정된 규칙에 따라 환경 내의 변화에 대응합니다. 이러한 에이전트는 부가적인 학습 기능이 없거나 학습 내용을 메모리에 저장하지 않습니다. 사전 설정된 목록에서 답변을 가져오는 챗봇이 이 유형일 수 있습니다. 다음은 모델 기반 에이전트입니다. 이 에이전트는 주변 환경을 처리하는 모델을 통해 구축되며, 해당 환경에 관한 이해를 바탕으로 의사결정을 내릴 수 있는 수준의 추론 능력을 갖추고 있습니다. 예를 들어 유통업체의 에이전트는 재고 보유 비용과 재고 부족 위험 사이의 균형을 맞춥니다. 즉, 주문 리드 타임, 향후 수요, 계절적 추세, 재주문 요청 등을 예측하고 실시간 매출 데이터를 기반으로 재고 수준을 조정합니다. 그 결과, 매장 내 재고를 가장 효과적으로 관리하면서 보관 비용을 최소화할 수 있습니다.

다음은 목표 기반 에이전트입니다. 이 에이전트는 환경에 대응한다기보다는 특정 목표를 향해 움직입니다. 예를 들어, 체스 게임에서 이기기 위한 목표를 설정하거나, 목표에 도달할 방법을 찾거나, 최근 날씨 이벤트와 다가오는 마감일을 고려한 최적의 주간 스케줄을 생성합니다. 효용성 기반 에이전트는 특정 효용성 또는 전문 영역에 주목하여 해당 효용성에 따라 결과를 극대화합니다. 예를 들어, 헬스케어 분야에서 에이전트의 효용성은 비용과 위험을 최소화하는 동시에 환자의 건강을 개선하는 것일 수 있습니다. 그런 다음 치료의 각 단계를 고려하여 그러한 여러 요소에 최적화된 치료 계획을 수립합니다. 또는 체스 게임에서 에이전트의 효용성은 게임에 이기는 것입니다. 이 경우 각 이동 후 보드에서의 위치, 각 말의 위치에서 킹의 안정성까지 평가하여 단순히 승리라는 목표 외의 요소까지 고려합니다. 다음으로 학습 에이전트는 새로운 데이터 포인트와 지속적인 경험을 기반으로 동적으로 변화하고 적응하도록 구축된 에이전트입니다. 챗봇의 후속 질문, 업무 성과 계획에 관한 대응, 의료 임상 시험에서 나온 새로운 연구용 데이터 포인트 등을 예로 들 수 있습니다. 마지막으로, 팀과 조직 사이의 더 많은 협업이 필요해짐에 따라 협업 기반 시스템 또는 다중 에이전트 시스템이 개발되었습니다. 이러한 시스템은 여러 AI 에이전트를 연결하고 조정하여 복잡한 문제를 해결합니다. 예를 들어 실시간 기상 데이터 예측을 통합하여 운송 경로를 최적화합니다.

다음으로 AI 에이전트를 적용하여 기업의 문제를 해결하는 방법을 알아보겠습니다. 첫째, 인간 중심의 설계 프랙티스와 사용자 조사를 활용하면 적합한 기회를 파악할 수 있습니다. 이를 토대로 직원과 기업을 위해 적절한 문제를 해결할 시스템을 책임 있게 설계할 수 있습니다. 또한 애초에 Agentic AI 시스템을 구축해야 하는지도 고민할 필요가 있습니다. 우리는 보유한 데이터에 관한 모델 학습의 위험성, 시스템 연결의 위험성, 업무 환경에서 자동화가 얼마나 수용 가능하며 어느 정도로 책임감을 느끼는지 등을 평가합니다. 이러한 평가는 초기 아이디어 구상부터 설계, 서비스 제공에 이르기까지 개발 주기 전반에 걸쳐 이루어져야 합니다. 다음으로, 기술 적합성도 살펴봐야 하는데요, 데이터와 역사적 컨텍스트가 있다면 그에 따라 예측하고 이 예측을 토대로 액션을 자동화할 수 있습니다. 다음은 각 업종에서 에이전트를 사용할 수 있는 몇 가지 예를 살펴보겠습니다.

고등 교육 분야에서 AI 에이전트는 학생을 위한 학업 계획 및 상담을 맞춤화할 수 있습니다. 예를 들어 과거에 제공된 수업, 과거에 성공적이었던 수업 조합의 트렌드, 개별 학생의 니즈 등을 파악하고 이 정보를 대학 전반의 다른 이벤트, 활동, 요소와 결합함으로써 학생을 지원하는 액션을 수행합니다. 헬스케어 분야에서 AI 에이전트는 의료 서비스 제공자가 진단, 치료 계획을 이해하고 복잡한 입원 환자 승인에 필요한 적정 인원의 리소스 배분을 파악하는 데 도움을 줄 수 있습니다. 유통 분야에서 에이전트는 고객이 상품을 반품할 때 다단계 고객 서비스를 제공하고, 고객에게 배송 라벨을 보내기 위한 여러 단계의 프로세스를 수행할 수 있습니다. 또한 에이전트는 여러 시스템에서 리포트를 실행하여 재고 및 스태핑을 관리하고, 채용 니즈를 예측하며, 이러한 니즈를 위한 직무 설명을 생성할 수도 있습니다. Workday의 사례도 소개하겠습니다. Workday는 AI 에이전트를 도입하여 경비를 줄이고 승계 계획을 최적화하며 채용 과정을 혁신했습니다. 예를 들어, Expense Agent는 영수증을 자동으로 항목별로 분류하고 경비보고서를 작성하며, Recruiting Agent는 후보자를 소싱하고 아웃리치를 자동화하며 핵심 인재를 추천합니다.

좀 더 자세히 살펴볼까요? 먼저 경비를 예로 들면, 호텔에서 체크아웃하는 사람은 그 자리에서 휴대폰으로 영수증 사진을 찍기만 하면 됩니다. AI 에이전트가 영수증에서 관련 정보를 자동으로 추출하여 새 경비 항목을 생성한 후 올바른 경비보고서에 추가하죠. 에이전트는 직원과 매니저에게 알림을 전송하여 모두에게 정보를 제공하고 적시 환급을 보장합니다. 승계 계획에서는 오늘날 빠르게 변화하는 인력을 고려하여 커리어 단계 전반에 걸쳐 견고한 승계자 파이프라인을 구축하는 것이 중요합니다. 에이전트는 현재 비즈니스 요구사항, 필요한 팀 스킬, 예상 퇴사율 등과 같은 요소를 분석하고 회사 전반에 필요한 잠재적인 승계자들을 제안할 수 있습니다. Workday에서 에이전트는 20년간 축적된 과거 컨텍스트, 데이터, 프로세스를 기반으로 잠재력 우수 직원을 미리 식별하고 해당 직원이 미래의 역할을 준비하도록 개별 맞춤형 성장 계획까지 생성할 수 있습니다. 채용 분야에서는 적합한 인재를 찾는 것이 그 어느 때보다 중요해졌습니다. 채용 에이전트는 비교적 높은 점수를 받은 역량을 고려하고 기존 방식에서 탈피하여 과거에 관심을 보였던 소극적인 후보자를 적극적으로 소싱합니다. 에이전트는 비즈니스의 현재 요구사항을 파악하고 후보자 프로필을 분석하여 아웃리치를 자동화하고 우수 후보자를 추천하며 인터뷰 스케줄링까지 할 수 있습니다. 다른 업무 도구와 완벽하게 통합되므로 채용 프로세스 전반에 걸쳐 효율적인 커뮤니케이션 피드백을 제공할 수 있습니다. 그 결과 채용을 간소화하여 충원 소요일수를 단축하고 채용의 질을 개선할 수 있죠.

AI 에이전트를 성공적으로 배포하기 위해 소프트웨어 및 제품 개발의 모범 사례를 적용할 수 있습니다. 문제를 발견하고 정의할 때 참고할 몇 가지 핵심 전략을 소개합니다. 먼저, 무엇을 해결하려고 하시나요? 스킬 찾기나 이미지 분석과 같은 기능 및 태스크 외에 어떤 점이 문제인가요? 아마도 현장 근무에 적합한 후보자를 찾거나, 경비 보고 시스템의 특정 부분을 자동화하거나, 경비에 관한 규정 준수를 보장하는 것일 수 있습니다. 해결하고자 하는 비즈니스 과제를 명확하게 표현하는 것이 중요합니다. 그리고 사용자의 니즈 및 상황을 이해해야 합니다. 시스템의 문제점에 관한 사용자 피드백을 꾸준히 받고 새로운 업데이트를 계속해서 테스트하세요. 만족과 불만족의 순간이 생길 때마다 기록해 두어야 어디에 집중해야 할지 알 수 있습니다. 사용자 경험이 가장 중요합니다. 데이터 전략도 개발해야 합니다. 필요에 따라 올바른 정보를 수집하고, 보안과 개인정보 보호를 적절히 유지관리하며, 학습에 대비해 데이터 세트를 정리하고 레이블을 지정합니다. 적합한 도구와 모델을 탐구하세요. 특정 요구사항에 적합한 AI 기술을 선택해야 합니다. 때로는 최신 거대 언어 모델 기능이 필요할 수도 있습니다. 결과를 팀과 공유하려면 새로운 설계 및 경험 기능과 결합된 규칙 기반 시스템과 기타 예측 모델에 의존해야 할 때도 있습니다. 혹은 AI나 ML이 전혀 필요하지 않을 수도 있습니다.

개인정보 보호 및 보안을 우선시해야 합니다. 개인과 기업의 민감한 정보를 보호하는 등 개인정보 보호와 보안을 모두 유지할 수 있는 메커니즘을 구축하고 개발 프로세스 전반에 걸쳐 보안 프로토콜을 수립하세요. 위험 평가도 필요합니다. 빌드 이전과 빌드 프로세스 전반에 걸쳐 모델, 사용되는 데이터, 연결된 시스템 등의 위험을 지속적으로 평가하고 해당 문제를 AI를 통해 해결해야 하는지를 판단합니다. 그리고 여러 상이한 시스템을 연결합니다. Agentic AI의 힘은 서로 다른 시스템을 연결하여 인사이트를 얻는 데서 나옵니다. 예를 들어, 익명 직원 설문조사의 데이터를 승계 계획 분석과 연결하면 회사의 미래에 도움이 될 수 있습니다. 또는 시스템을 파트너의 기술이나 날씨 패턴과 같은 외부 데이터 소스와 연결하면 효과적으로 공급망 계획을 수립할 수 있습니다. 조직 내 전문가들과 함께 브레인스토밍하면서 이러한 사용 사례를 찾아야 합니다. 테스트 및 모니터링도 필요합니다. 시스템 테스트는 AI 개발에서 매우 중요한 부분입니다. 단계마다, 사용자 및 고객 요구사항에 부합하거나 부합하지 않는 새로운 결과가 나올 수도 있습니다. 데이터세트를 연결하는 것이 인사이트를 얻는 데 필요한 만큼 도움이 되지 않았을 수도 있습니다. 또는 문서 데이터세트를 다시 검토해야 할 때 해당되는 정책 문서 집합에 세부 정보가 충분하지 않을 수도 있습니다. 테스트로 이러한 문제를 조기에 파악할 수 있습니다. 테스트하는 것 외에도 시스템, 특히 학습에 사용하는 리소스를 지속적으로 모니터링하고 유지관리할 수 있어야 합니다. 결국 우리는 발견과 정의의 최초 지점으로 돌아가게 됩니다. '사용자의 니즈가 무엇이며 사용자가 시스템과 어떻게 상호 작용하는지 이해하기 위해 끊임없이 질문하고 그 인사이트를 빌드 및 배포 프로세스에 다시 가져와야 합니다.'

이제 AI 에이전트가 어떻게 우리가 일하는 방식을 혁신하고 있는지 이해하는 데 도움이 되셨기를 바랍니다. AI 에이전트 덕분에 작업을 자동화하고 더 나은 의사결정을 내리며 더 개인화된 경험을 제공할 수 있습니다. 다양한 유형의 에이전트와 그 기능을 이해한다면 에이전트의 잠재력을 극대화하고 조직을 혁신할 수 있습니다. 여러분이 호기심을 가지고 AI 에이전트의 가능성을 탐구하는 계기가 되었으면 좋겠습니다. 즐겁게 학습하고 탐구하세요. 귀중한 시간을 내주셔서 감사합니다.

Faracca: 지금까지 미래의 업무 환경을 자세히 살펴봤습니다. 훌륭한 인사이트를 공유한 Kathy Pham에게 진심으로 감사드립니다. Kathy에게서 AI 에이전트가 이끄는 기업 혁신에 관해 더 자세히 듣고 싶으시다면 미래의 업무 환경에 관한 포괄적인 전망을 담은 AI 마스터클래스 시리즈를 방문하세요.