제 3회 Meetup 짤막 소감

Meet Up이 이루어진 지 한 달이 넘었지만 늦은 요약 및 소감을 적어본다

1. 다른 Meetup과의 분위기 차이

  1회 Meetup은 각자 현장에 있는 개발자들이 모여 나누는 성토대회(?) + 일부 현업들이 가진 답답함을 이야기하며 네트워킹 하는 분위기였다. 당시 설문 조사에서 RPA의 시장 수요는 유지 또는 축소 경향이 있었다. 2회는 완전히 성격이 바뀌어서 회사에 있는 개발자와 RPA 학원생분들의 상담 분위기에 가까웠다. 취업을 하려면 어떤 것을 준비해야 하는지 등의 컨설팅을 짝지어서 해줬던 기억이 있다. 2회 때 RPA 시장 분위기는 '이젠 점점 축소될 것이다' 하는 전망이 지배적이었다. 이유는 명확했다. AI가 나온 시점에서 대체서비스이 비해 구축비용이 너무 비쌌기 때문이다. 아니다 다를까 3회에서는 실제로 전통적인 RPA 솔루션을 이용하지 않고 fancy한 ETL을 구성해 업무 대시보드를 만든, 열정적인 현업분의 발표가 있었다. 3회의 분위기는 전체적으로 RPA의 구성이 바뀌고 AI와 결합되리라는 예측이 많았다.

2. Meetup에서 나왔던 주제들

  이번 Meetup에서 나온 주제는 다음과 같다.

   - AI와의 협업으로 사내 데이터를 정리, ETL 파이프라인과 대시보드를 만든 비개발자 사례

   - SLM을 소프트웨어에 심어 C레벨의 요구사항을 충족(?)한 사례

   - 앞으로 RPA와 AI가 Value Chain에서 담당하게 될 역할

  첫번째 발표는 2회 Meetup에서 예상됐던 그림이 실제 사례로 튀어나왔다. "어차피 더 싸게 구축할 수 있고, 비개발자 입장에서 유연하게 대체할 수 있는 툴이 나오는데 기존 RPA가 비교우위를 가질 수 있을까? 훨씬 싸게 할 수 있다면 누군가 반드시 그렇게 할 거다."의 사례가 눈앞에 나타났다. 심지어 부산에서 Meetup 참가를 위해 회사에서 출장 결재를 받아 올라오신 분이었다. 다양한 시청각 자료와 함께 발표를 하셨다. 기억이 나는대로 요약하자면,

  - 사내 활용하면 좋을 것으로 보이는 센서 데이터, 재무 데이터가 있었다. 센서 데이터는 아예 활용을 못 하고 있었고, 재무 데이터는 Report를 위해 루틴화된 엑셀 작업을 진행했다.

 - 이 데이터의 활용을 자동화, 시각화하기 위해 ChatGpt에게 전체적인 계획과 요구사항을 입력하고, 하라는대로 따라하고 안 되면 다시 피드백하면서 작업을 진행했다.

 - 결과적으로 특별한 유료 결제없이 사내 대시보드를 만드는 것에 성공했고, 이를 활용해 타이어 교체 주기 최적화 등 연간 5억원 이상의 절감효과를 C레벨 앞에서 발표했다.

 - 다른 나라의 팀에서 시찰(?)을 왔는데, 그 팀에서도 매우 훌륭한 방향성이라고 감탄했다.

구조적으로만 보면 데이터 엔지니어링에서 바라보기에는 대량 데이터를 다루기엔 견고하진 않아 보이지만, 이미 필요한 수준에서는 충분히 사용 가능한, 훌륭한 아키텍쳐였다. 문제 해결에 집중한 과정을 듣고 있으니, 이분이야 말로 내가 아는 '개발자' 개념에 부합하는 분이었다. 개발자는 단순히 IT적인 방식을 차용하는 사람이 아니라, 문제를 인식하고 해결하기 위해 프로세스나 IT적인 해결방식을 고민 후 액션하는 사람이기 때문이다.

  두번째 발표는 SLM을 장착한 소프트웨어 개발 사례였다. 기존 개발된 제품에 SLM을 붙인 사례인데, 흥미로운 점은 솔루션 업체 입장에서 꽤 현실적인 대응으로 보였다는 거다. C레벨에서는 'AI 붙인 거 개발해 와' 하지만 현실적으로 LLM을 붙여두면 클라우드를 쓰지 않는 사이트에서는 무용지물이기 때문이다.

  세번째 발표는 AI와 RPA가 엔터프라이즈에서 어떤 역할을 맡아야 하는가에 대한 문제였다. RPA는 기존 프로세스에서 담당하던 일을 하되, AI는 symentic한 요소들을 데이터 분석해서 쓰면 되는 거 아닌가를 골자로 한 발표였다. 보통 데이터 대기업에서는 DAE라고 해서 이를 위한 analytic engineer들이 있는데 이 역할을 AI가 도와주면 어떤가 하는 내용으로 보였다.

3. 앞으로 자동화가 발전하게 될 방향성 예상

  이제 주요 RPA 솔루션 업체들도 RPA라는 말 자체를 버리고 Automation이라는 말을 쓰기 시작했다. Automation 구현 과정에서 툴을 가리지 않고, LLM 또는 SLM이 접근 가능한 시스템에서 직접 무언가를 수행하는 방식으로 유연하게 구축될 가능성이 높다. 요즘 유행하는 MCP가 그런 형태를 위한 전형으로 보인다. 핵심적인 문제는 2가지다. 첫번째는 AI 자동화 과정에서 검증을 위한 프로토콜들을 잘 만들어야 한다는 점이다. 리스크가 높은 프로세스들은 어떤 index를 통해 '사람이 판단해야 될 사안'의 마지노선을 설정하게 한다거나, 결과 검증 자체도 AI에 맡기고 검증을 통과하지 못 하면 사람에게 간다거나 하는 형태가 예상된다. 두번째는 KPI 설정이다. 회사에서도 AI를 쓰게하고 싶다. 다만 자동화 형태로 구축하는 것을 붐업 시키기 위해선 KPI가 적절해야 한다. 가령 RPA 시절에서도 '자동화한 프로세스 개수'로 KPI를 준 경우와 '자동화를 통해 save한 돈'을 KPI로 설정하는 경우의 효율성 차이가 꽤 컸다. 측정 cost와 회사의 핵심 업무 등을 고려해 적당한 밸런스 체크가 중요하다. (물론 대부분의 회사 C레벨은 '내가 써보니까 좋던데? 이거 이용해서 뭐 만들어봐' 정도의 탑다운으로 진행하고 있어 보인다)

  추가적으로 이를 위한 CoE는 아직 존재 가치가 충분해 보인다. 각자의 러닝 커브가 다르고 원래 이런 비지니스 프로토콜에 적응해 있던 인원들은 거의 없다. 실제로 Meetup에서 첫번째 발표를 하셨던 분도 따로 팀을 구성했으나, 따라오는 인원은 소수라 develop에 어려움이 크다고 하셨다. 앞으로는 회사에서 도메인 지식을 갖춘 개발자들을 포함해 CoE를 조직하리라 본다.  CoE에서 Asset과 MCP 등을 빠르게 세팅할 수 있게 유도하고, 각 도메인 워커들은 그걸 활용해 심화 데이터셋, 프로세스를 만들어 내고, 검증 방향성을 제시하는 피드백이 자주 일어나지 않을까 싶다. 크게 봐서는 BI쪽에서도 DAE 역할로 상당 부분 활용될 수 있을 것으로 기대한다. 조만간 이걸 종합해서 심화 포스트를 하나 작성해 봐야 겠다.