Skip to main content

조직도에 AI를 직원으로 등록합니다


만약 회사 조직도에 새로운 직원을 등록할 때, '사람' 외에 'AI Agent'나 '로봇'을 선택할 수 있다면 어떤 일이 벌어질까요? 이것은 먼 미래의 상상이 아닙니다. 현재 REINDEERS Works, POP, DVRP 플랫폼에서 구현되고 있는 핵심 설계 사상입니다. 우리는 “사람은 결정과 방향을 제시하고, 실제 업무는 AI가 실행한다”는 비전을 시스템의 가장 근간이 되는 조직 구조 자체에 반영하고 있습니다. 외부 AI 도구를 잠시 빌려 쓰는 것이 아니라, AI를 회사의 정식 구성원으로 조직도 안에 통합하는 것입니다.

외부 도구가 아닌, 내부 구성원으로서의 AI

시중의 많은 AI Agent 도구들은 외부 조력자처럼 작동합니다. 사용자가 필요할 때 호출해서 특정 업무를 지시하고 결과를 받는 구조입니다. 이 관계는 명확히 ‘사용자’와 ‘도구’의 관계입니다. 하지만 REINDEERS의 접근 방식은 근본적으로 다릅니다. AI Agent는 우리 시스템 안에서 하나의 ‘직원’으로 정의됩니다. 조직도에 등록된 AI Agent는 자신만의 직책, 소속 부서, 보고 라인(상사), 그리고 관리 대상(부하 직원)을 가집니다. 상사와 부하 직원은 사람이 될 수도, 또 다른 AI Agent나 로봇이 될 수도 있습니다.

이것은 단순히 용어의 차이가 아닙니다. AI가 조직의 정식 구성원이 된다는 것은, 그에게 회사의 공식적인 역할, 책임, 데이터 접근 권한이 시스템적으로 부여된다는 의미입니다. 예를 들어, 구매팀 AI Agent는 승인된 예산 범위 내에서 발주를 실행할 권한을 가지며, 모든 활동은 해당 Agent의 이름으로 감사 로그에 기록됩니다. 더 이상 특정 직원이 사용하는 도구가 아니라, 회사 시스템 안에서 자율적으로 역할을 수행하는 주체가 되는 것입니다.

CEO Agent가 이끄는 AI 부서

이러한 조직 구조는 계층적으로 작동하도록 설계되었습니다. 최상단에는 사람 사용자가 전략적 방향을 제시합니다. 그러면 CEO Agent가 이 방향을 구체적인 전사 목표와 KPI로 해석하고, 각 부서별 전문 Agent에게 업무를 위임합니다. 마치 사람이 회사를 경영하는 방식과 같습니다.

예를 들어, 사람이 “이번 분기 동남아 시장 원자재 구매 비용 5% 절감”이라는 목표를 설정하면, CEO Agent는 이 목표를 달성하기 위한 실행 계획을 수립합니다. 그리고 구매 Agent에게는 최적 공급사 탐색 및 단가 협상을, 물류 Agent에게는 가장 효율적인 운송 경로 재설계를, 재무 Agent에게는 관련 현금 흐름 모니터링을 지시합니다. 각 부서 Agent는 할당된 목표에 따라 자율적으로 업무를 수행하고, 물리적 작업이 필요하면 조직도에 등록된 로봇(창고 로봇, 배송 기사 로봇 등)에게 작업을 할당합니다. 사람은 중간 과정의 모든 세부 실행이 아니라, 중요한 예외 상황에 대한 승인이나 최종 전략 결정에만 관여하게 됩니다.

왜 조직도 통합이 중요한가

AI를 조직도에 직접 통합하는 방식은 세 가지 중요한 기술적, 운영적 이점을 제공합니다. 첫째는 책임과 감사 추적성입니다. B2B 거래에서 모든 결정과 실행의 주체를 명확히 하는 것은 매우 중요합니다. AI Agent가 조직의 일원으로서 행동하면, 그 모든 활동은 마치 사람 직원의 활동처럼 시스템에 기록됩니다. 누가, 언제, 어떤 근거로 특정 발주를 생성했는지 명확히 추적할 수 있어 투명성과 신뢰성이 확보됩니다.

둘째는 업무 흐름과 권한의 시스템적 제어입니다. 통합된 Agent는 회사의 공식적인 결재 라인에 포함될 수 있습니다. 예를 들어, 영업 Agent가 작성한 견적서는 시스템 워크플로우에 따라 영업팀장 Agent(AI 또는 사람)에게 자동으로 승인 요청됩니다. 외부 도구로는 구현하기 어려운, 조직의 고유한 업무 규칙과 권한 체계를 AI에게 그대로 적용할 수 있습니다.

셋째는 운영의 확장성입니다. 한 명의 사람이 관리할 수 있는 직원의 수는 제한적입니다. 하지만 이 모델에서는 한 명의 사람 전략가가 CEO Agent를 통해 수십, 수백 개의 AI Agent와 로봇으로 구성된 하나의 가상 법인 전체를 운영할 수 있습니다. 직원 10명이 하던 반복적인 운영 업무를 하나의 AI Agent 팀이 수행하게 되면서, 사람은 더 높은 수준의 전략과 새로운 사업 기회 탐색에 집중할 수 있습니다.

시스템이 조직을 이해하는 방식

지금까지 우리는 사람 사용자를 위해 시스템을 만들어왔습니다. 어떻게 하면 사람이 더 쉽게 시스템을 이해하고 사용할 수 있을까를 고민하며 UI(사용자 인터페이스)와 UX(사용자 경험)를 설계했습니다. 이제 우리는 또 다른 종류의 사용자인 AI Agent를 위해 시스템을 설계해야 합니다. 우리는 이것을 AX(Agent Experience)라고 부릅니다. AI Agent가 시스템의 데이터를 얼마나 쉽게 이해하고, 다른 시스템과 원활하게 상호작용하며, 주어진 업무를 얼마나 효율적으로 수행할 수 있는가를 설계하는 것입니다.

조직도를 사람, AI, 로봇을 아우르는 통합 운영 체계의 근간으로 삼는 것은 바로 이 AX를 위한 첫걸음입니다. 이는 REINDEERS의 AI가 단순한 정보 검색이나 문서 생성을 넘어, 회사를 직접 ‘운영’하는 주체로 진화하는 로드맵의 시작점입니다. Tool에서 Assistant로, 그리고 Agent Team을 거쳐 Autonomous Operator로 향하는 여정은, AI를 어떻게 조직의 일부로 받아들이고 시스템을 재설계하는가에 달려 있습니다.

Popular posts from this blog

11년의 무역 데이터가 AI를 만든다 , RAG 지식 베이스 구축 과정

AI를 제품에 넣겠다고 하면 대부분 두 가지 중 하나를 떠올린다. GPT를 fine-tuning하거나, RAG를 쓰거나. 우리는 RAG를 택했다. 이유가 있다. REINDEERS는 2015년 IMARKET Thailand 설립 이후 약 11년간 동남아시아에서 B2B 무역을 해왔다. 25,000건 이상의 거래, 4,300개 이상의 파트너, 4개국의 규제 데이터. 이 데이터가 우리의 경쟁력이다. 문제는 이 데이터를 AI가 활용할 수 있는 형태로 만드는 과정이 생각보다 훨씬 복잡했다는 거다. 이 글은 그 과정에 대한 기록이다. 한 가지를 먼저 밝히고 시작한다. 이 RAG 지식 베이스는 단순히 "챗봇이 무역 지식을 참조하는 데이터 창고"가 아니다. REINDEERS와 POP, DVRP는 지금 AI로 전환되는 구조 위에 올라서 있다. 사람은 전략과 방향을 결정하고, 실제 업무는 조직도 안에 등록된 AI Agent가 수행한다. 이 Agent들 , 구매 Agent, 물류 Agent, 통관 Agent, 재무 Agent , 이 사람 대신 판단을 내릴 때 "왜 이렇게 결정했는가"를 반드시 설명할 수 있어야 한다. 그 설명의 출처가 바로 이 RAG 지식 베이스다. 11년의 무역 데이터는 Agent가 환각 없이 결정을 내릴 수 있는 유일한 근거다. RAG를 선택한 이유 먼저 RAG(Retrieval-Augmented Generation)가 뭔지를 간단히 정리하자. LLM에 질문을 던질 때, 질문만 보내는 게 아니라 관련 데이터를 함께 보내는 방식이다. "태국산 베어링 수입 단가가 얼마야?"라고 물으면, 우리 데이터베이스에서 관련 거래 이력을 찾아서 LLM에 컨텍스트로 넘긴다. LLM은 그 컨텍스트를 바탕으로 답을 생성한다. Fine-tuning을 선택하지 않은 이유는 명확하다. 무역 데이터는 계속 바뀐다. 베어링 단가는 분기마다 변동한다. 태국 FDA 규제는 수시로 개정된다. 선사 운임은 매...

B2B 견적의 AI Agent화 , 고객사·공급사·포워더가 AI로 견적을 주고받는 구조

B2B 거래에서 견적은 단순한 가격표가 아니다. 바이어의 구매 이력, 공급사의 재고 상황, 물류 비용, 인코텀즈, 납기일, 결제 조건 , 이 모든 변수가 얽힌 협상의 산물이다. 현재 이 과정은 이메일과 전화, 스프레드시트로 이루어진다. 바이어가 RFQ를 보내면 공급사가 검토하고, 포워더에게 물류 견적을 받아 합산하고, 다시 바이어에게 회신한다. 건당 수일이 걸리는 이 과정을 AI Agent가 대신할 수 있다면 어떨까. REINDEERS는 이 구조를 설계하고 있다. 먼저 이 글의 전제를 분명히 한다. REINDEERS·POP·DVRP는 지금 AI로 전환되는 구조 위에 올라서 있다. 조직도 안에서 직원을 등록할 때 '사람', 'AI Agent', '로봇' 중에서 선택할 수 있고, 사람은 전략과 방향을 결정하고, 실제 업무는 조직도 안에 등록된 AI Agent가 수행한다. 이 글의 Buyer Agent / Supplier Agent / Forwarder Agent는 외부 AI 도구가 아니라, 각 회사의 조직도 안에 '구매팀 담당자', '영업팀 담당자', '물류팀 담당자'로 실제 등록되는 AI 직원이다. 사람 직원과 동일한 권한 모델, 동일한 예산 한도, 동일한 감사 로그 위에서 일한다. B2B 견적의 AI Agent 간 통신 시퀀스 # Buyer Agent → Supplier Agent → Forwarder Agent 1 RFQ 발송 → RFQ 수신 2 물류 견적 요청 → 요청 수신 3 견적 수신 ← 상품 견적 발송 4 물류 견적 수신 ← 물류 견적 발송 ★ 비교표 생성 → 담당자 승인 5 PO 발행 → 주문 확정 6 부킹 요청 → 부킹 확정 왜 견적에 AI Agent인가 견적 업무가 느린 이유는 복잡해서가 아니다. 반복적인 정보 수집과 조합이 사람의 시간을 잡아먹기 때문이다. 공급사 담당자가 바이어의 과거 주문 이력을 ...

Reindeers Workflow: B2B 파트너 업무 효율과 자동화를 위한 워크플로우 플랫폼

B2B 국제 무역에서 하나의 거래가 완료되기까지 관여하는 시스템과 사람의 수는 예상보다 훨씬 많다. 견적 요청에서 시작해 공급사 선정, 발주, 포워딩 비딩, 통관 서류 준비, 출하, 배송, 정산까지 — 각 단계마다 서로 다른 담당자가 서로 다른 도구에서 수작업을 반복한다. 이 현장에서 반복적으로 발생하는 비효율은 분명하다. 바이어가 견적을 확정하면 공급사에게 이메일이나 메신저로 직접 통보해야 하고, 결제가 완료되면 수동으로 정산 시트에 옮기면서 1~3일이 소요된다. 출하 후에는 선적 정보를 기반으로 CI, PL, CO를 수동 생성하며 누락이 발생하고, 배송 완료 후 공급사/포워더 정산을 수작업으로 대조하면서 오차가 누적된다. ERP, 이메일, 스프레드시트, CRM에 같은 데이터를 반복 입력하는 것도 일상이다. 이 문제들의 공통점은 명확하다. "이벤트가 발생했을 때 후속 작업이 자동으로 실행되지 않는다" 는 것이다. 견적이 확정되었다는 '사실'은 시스템에 기록되지만, 그 사실이 다음 단계의 업무를 자동으로 트리거하지는 않는다. Reindeers Workflow는 이 문제를 해결하기 위해 만들어졌다. 단순히 "자동화 도구를 제공한다"가 아니라, REINDEERS 플랫폼에서 발생하는 실제 거래 이벤트를 기반으로 후속 업무가 자동 실행되는 구조를 만드는 것이다. REINDEERS 플랫폼과의 연결: 거래 이벤트가 워크플로우를 트리거한다 Reindeers Workflow의 가장 중요한 차별점은 범용 자동화 도구가 아니라 REINDEERS 본 플랫폼의 거래 이벤트에 직접 연결 된다는 것이다. REINDEERS에서 발생하는 핵심 거래 이벤트가 MQ(Message Queue)를 통해 워크플로우의 트리거가 된다. 거래 이벤트 트리거되는 워크플로우 실행 내용 quote.confirmed 공...