지능은 빌리고, 관계는 소유하라 (Rent the intelligence, own the relationship)
TMT엔터프라이즈 소프트웨어 업계의 논쟁은 *AI로 무엇을 할 수 있는가?*에서 *나의 경쟁 우위는 어디에 있는가?*로 옮겨갔습니다. 마이크로소프트 CEO 사티아 나델라가 6월에 던진 질문처럼 말입니다. 기업은 어떻게 소수의 모델에 "가치를 내주는" 상황을 피할 수 있을까요?
우리의 답은 간단합니다. 경쟁 우위는 고객과의 관계, 그리고 그 관계가 만들어내는 컨텍스트에 있습니다. 어떤 구독자가 나쁜 경험 한 번이면 떠날 상태인지, 무엇이 그들을 붙잡을 가능성이 가장 높은지. 대출 신청자가 이미 어떤 정보를 제출했고, 신청 절차를 어떻게 진전시킬지. 환자들이 왜 안내받은 전문의 진료를 예약하지 않는지. 어느 회사나 빌려 쓸 수 있는 지능과 달리, 이 컨텍스트는 오직 그 기업만의 것입니다.
Context Engine을 소개합니다. 고객 관계를 경쟁 우위로 바꿔주는 엔진입니다. 며칠, 몇 주, 몇 달에 걸쳐 비즈니스 성과를 추구하는 장기 실행 Horizon 에이전트를 구동하며, 상호작용이 일어날 때마다 컨텍스트가 더해져 다음 상호작용이 더 똑똑해집니다.
흩어진 데이터에서 쓸 수 있는 신호로
고객이 해지하겠다고 전화할 때, 적절한 제안을 하는 데 필요한 컨텍스트는 아마 이미 비즈니스 어딘가에 존재할 것입니다. 문제는 결정적인 30초 안에 에이전트가 그것을 찾아낼 수 있느냐입니다. 이 컨텍스트는 두 곳에서 나옵니다.
- 비즈니스가 이미 알고 있는 것: 고객 프로필, 청구 이력, 구매, 클레임, 예약, 제품 사용 현황, 로열티 등급을 비롯해, CRM 시스템과 데이터 웨어하우스, 그리고 비즈니스를 움직이는 각종 시스템에 흩어져 있는 수천 가지 신호.
- 에이전트가 학습하는 것: 모든 상호작용은 새로운 컨텍스트를 만들어냅니다. 어떤 고객은 배송보다 항상 매장 픽업을 선택한다든지, 어제의 문제 해결 시도가 3단계에서 실패했다든지, 어떤 구독자는 해지 방어 제안을 세 번 무시하다가 네 번째에 응했다든지 하는 것들입니다. 전통적인 소프트웨어와 달리 에이전트는 컨텍스트를 소비하기만 하는 것이 아니라 만들어내기도 합니다.
접근할 수 있다는 것과 컨텍스트를 가졌다는 것은 다릅니다. 에이전트에게 비즈니스의 모든 기록을 넘겨줘 봐야 문제를 고객 쪽으로 한 걸음 옮겨놓은 것에 불과합니다. 대부분의 데이터는 그 자체로는 아무 의미가 없습니다. 기기 텔레메트리는 그 기기를 배송한 주문, 그것을 구매한 고객, 아직 처리 중인 설치 문의 티켓과 연결되기 전까지는 단순한 상태 확인 신호일 뿐입니다. 연결되고 나서야 비로소 에이전트가 나설 적기가 됩니다.
이 모든 정보 속에서 무엇이 언제 중요한지 아는 것이 가장 어려운 문제입니다. 어느 비즈니스든 고객, 제품, 거래, 상호작용에 걸쳐 수백만 개의 잠재적 관계가 존재합니다. Context Engine은 어떤 컨텍스트 조각이 어떤 결정에 중요한지를 학습하고, 모든 상호작용의 결과를 활용해 중요한 것을 찾아내는 능력을 시간이 갈수록 키워갑니다.
복리로 쌓이는 루프
컨텍스트는 에이전트에게 무엇이 사실인지 알려주지만, 무엇이 효과가 있을지는 알려주지 않습니다. 예를 들어 구독 서비스라면 가격 인상과 이용률 하락이 겹치는 식으로 해지 의사가 커지는 조짐을 감지하고, 어떤 방어 제안을 먼저 꺼낼지, 아니면 애초에 제안이 필요 없는 고객인지 판단해야 합니다.
리테일 기업이라면 무엇을 추천할지, 언제 권유를 자제할지, 언제 가격 인하보다 사과 한마디가 더 효과적일지 판단해야 합니다. 그 답은 결과에서 나옵니다. Sierra 위에 구축된 에이전트가 내리는 모든 결정은 어떤 고객에게, 어떤 상황에서, 무엇이 효과가 있었는지에 대한 증거가 됩니다.
Context Engine은 모든 결정을 하나의 실험으로 다룹니다. 대부분의 결정은 비슷한 상황의 비슷한 고객에게 가장 효과가 좋았던 방식을 따릅니다. 그러나 일부는 의도적으로 유망한 대안을 시도합니다. 새로운 것을 발견하는 유일한 방법은 시도해보는 것이기 때문입니다. 탐색에는 당장은 약간의 비용이 들 수 있지만, 그 덕분에 에이전트는 그럭저럭 괜찮은 첫 답에 안주하지 않고 계속 학습할 수 있습니다.
자가 개선 루프는 성과를 높일 다음 기회를 찾아다닙니다. 때로는 그것이 새로운 컨텍스트의 발견을 뜻하기도 합니다. 예를 들어 쓰지 않은 로열티 포인트가 많이 쌓인 고객들이 할인을 계속 거절하면서 결국 이탈해버리는 경우가 있습니다. 직관적으로는 포인트가 쌓인다는 것이 충성도의 신호처럼 보이지만, 증거를 보면 오히려 관심이 식었다는 징후입니다. 그래서 에이전트는 새로운 규칙을 학습합니다. 가격이 아니라 재참여 유도를 먼저 꺼내는 것입니다.
통계적인 방식의 개선도 있습니다. 증거가 쌓일수록 Context Engine은 에이전트가 더 나은 결정을 내리도록 돕는 모델을 학습시킬 수 있습니다. 어떤 고객이 이탈할 가능성이 높은지, 어떤 제안이 받아들여질 가능성이 가장 높은지, 어떤 잠재 고객이 전환될 가능성이 가장 높은지를 예측하는 식입니다.
어떤 성과가 중요한지는 비즈니스가 정합니다. 해지 방어, 고객 생애 가치, 유효 잠재 고객 같은 것들입니다. 나머지는 Context Engine이 알아서 합니다. 아침이 되면 무엇이 고객을 붙잡아두는지에 대해 어젯밤보다 조금 더 알게 되어 있습니다.
이 눈덩이는 여러분의 것입니다
파운데이션 모델은 경쟁 우위가 될 수 없습니다. 그대로 가져다 쓰는 모델은 가장 가까운 경쟁사가 쓰는 것과 똑같고, 다음 버전이 나오면 양쪽 모두 손에 넣게 됩니다.
비즈니스에 고유하며 온전히 소유할 수 있는 것은 에이전트가 수집하는 관찰, 무엇이 누구에게 효과가 있는지에 대한 증거, 그리고 더 나은 성과로 이어지는 결정들입니다. 이 기록이 바로 해자(moat)입니다. 경쟁사는 이것을 돈으로 살 수도, 지름길로 얻을 수도 없습니다. 할 수 있는 일이라고는 성과를 하나씩 쌓아가며 자기만의 기록을 처음부터 만들어가는 것뿐입니다.
시간이 지날수록 이 기록은 비즈니스의 모든 영역을 더 똑똑하게 만들어, 더 나은 고객 경험과 개선된 성과, 더 강한 성장을 가져다줍니다. Horizon 에이전트가 발판으로 삼는 우위가 바로 이것입니다. Context Engine이 아는 것을 며칠, 몇 주, 몇 달에 걸쳐 추구하는 성과로 바꿔내는 일입니다.