안녕하세요. 지금까지 생성형 AI 위주로 이야기했는데, 이제 AI 에이전트로 전환되는 중간 지점에 있는 것 같습니다. 그래서 생성형 AI 작업을 하다가 최근에 AI 에이전트로 넘어갈 수 있도록 하는 기능이 최근에 다시 나온 것 같습니다. 그래서 오늘은 그 기능을 소개해 드리려고 합니다.

자, 그동안 생성형 AI 노코드 애플리케이션 이야기를 많이 드렸습니다. 그런데 이제는 AI 에이전트로 상용화, 상품화되는 단계가 필요한데, 사실 그동안에는 뭔가를 구성하더라도 애플리케이션이 길어지고 프로세스 통합이 되는데 어려움이 많았습니다.

그런데 ChatGPT의 경우에 '프로젝트'라는 기능이 새로 나왔습니다. 깜짝 놀랐습니다! 이것은 여러 프롬프트를 하나의 맥락으로 묶어주는, 제가 가끔 말씀드렸던 콘텍스트 어웨어, 맥락을 유지하는 기능을 굉장히 쉽고 가능하게 해줍니다.

제가 경험한 것은 ChatGPT 프로젝트 기능을 활용해서 그동안 엔터프라이즈 애플리케이션, ERP 비슷한 기능을 구현하는 데 어려움이 있었던 프로세스 통합에...

어려움이 있었던 앞의 프롬프트와 뒤의 프롬프트의

맥을 유지하는 데 좀 장애가 있었던 그런 부분이 극복이 되게 된 것

같습니다. 예를 들어서 지금 MIS 프로젝트를 하는데 이 프롬프트가 하나, 둘, 셋, 넷, 다섯, 여섯, 일곱,

여덟, 이 이후에도 굉장히 많은 단계로 넘어가는데 이게 기업의 이런

환경 설정부터 이 앞에 설정된 사항들이 유지되면서 마지막

애플리케이션 단계까지 가야 되는 이런 어려움이

있었거든요. 그게 이 프로젝트라는 기능을 통해서

앞의 프롬프트의 내역이 그대로 상속되는 그런 기능이 눈에

띄게 가능하게 되었습니다. 굉장히 중요한 상황인 것 같습니다. 그래서

그걸 어떻게 진행이 되는지 좀 보여

드리도록 하겠습니다. 보여 드릴 것은 기업의 환경 설정부터 업무 프로세스를

구체화하고 그것을 현장에서도 이어받아서, 그리고 앞으로 의사

결정하기 위한 데이터를 좀 손봐서 마감을 하면서 손을 봐서 거기서

나온 그 관리 지표를 가지고서 의사 결정을 하고 변화 관리를 하는 이런

시나리오가 되겠습니다. 자, 그래서 지금 여섯 개의

큰 프롬프트가 어떻게 서로 이어지면서 일이

되는가, 실제로 일어난 사례를 보여

드리도록 하겠습니다. 자, 먼저 환경 설정입니다. 이건 지난번에도 보여 드렸습니다.

그래서 기업의 산업 유형, 생산 유형, 주문 유형 이런 부분들을

설정합니다. 그리고 업무적으로는, 나는 안전 재고를 설정하기 위해서 이런

기능들을 설정해 두었고요. 그리고 기업의 맥락을 유지한다는 것은 내가

지금 어떤 제품을 가지고 분석을 하려고

하는데, 우리 회사의 유형이라거나 주문 방식 이런 것이 있고, 또 업무

제품을 갖다가 업무를 흘러가게 하고 관리하는 데는 가치 사슬이 있죠. 그리고

하나하나의 업무를 볼 때는 스타트 노드가 있고 엔드 노드가 있고, 그리고

평가하기 위한 변수, 모니터링하기 위한 변수, 관리 지표들이 있습니다. 이렇게

프로그램이 생성이 돼서 이런 노드를 관리하고 관계를 관리하게 되면

이런 식으로 피어투피어(P2P) 프로그램 투 프로그램(P2P), 엔드투엔드(E2E) 그

프로세스 로직 트리가 이렇게 생성이 됩니다. 뭐 이것들은 다 프롬프트 통해서

생성이 된 프로그램들이고 자료들입니다. 그래서 애플리케이션과 콘텐츠와 지식과

또 컨설팅 역량들이 한꺼번에 다
추론을 통해서 형성된 그런

상황입니다. 환경 설정이 됐습니다. 이
환경 설정이 다음에 계속 적용이

돼야 되겠죠. 프로그램 짤
때까지. 그래서 그 다음에는 뭐 전표를

입력을 하거나 그 환경 설정 하에서
우리 회사의 데이터를 업로드를 시켜

가지고 분석을 해야 되겠죠. 뭐 그
과정에서도 데이터를 입력할 때도 아

지금이 상황에서는 이런 데이터를
입력을 하세요라고 추천을 합니다.

그래서 데이터 입력이
되면 여기에서 클릭을 하면 이렇게

데이터가 생성이 되고 구매, 재고, 생산
처리가 됩니다.
자, 이렇게 처리가 된 데이터가 보통

ERP 시스템 같은 경우에 보면 MES는
현장의 그 설비 데이터를 보니까 좀

낫습니다만, 그런 것들이 현장의 활동과
연결이 잘 안 되는 경우가 많거든요.

그런 경우에도 그 목표 의식이 없기
때문에 그런데

구체적으로 우리가 개선된 프로세스를
어떻게 현장 활동을 통해서 로스

관리하는 대로 연결이 되게 하느냐,
바로 이렇게 해서 그 어떤 그 성과와

결과가 나타나야 되겠죠. 그래서 어
지금까지 축적된 데이터, 생성된

데이터에 분석을 해봅니다. 아, 그래서
실적 계획은 했는데, 계획이라는 것은

그 추론을 통해서 생성된 계획입니다.
그런데 실제로 전표를 넣어 보니까

이렇게 차이가 있더라 하는 Gap 분석이
가능하고요

그리고 왜 이런 갭이 생겼을까? 내가
데이터 관리에 문제가 있나 그래서

데이터 보정을 합니다. 그러면 현재
데이터가 보정된 상황을 보여주고

그리고 데이터 보정이 어떻게
나타나는가를 자세히 설명해 줍니다.

뭐 이 데이터들은 전부 LIM
추론으로 다 형성된 겁니다.

물론 프롬프트를 가지고서
지시를 했으니까 이런 프로그램들이

만들어지고 이런 데이터들이 생성되는 거죠. 그다음에는 현장에서의

DMAIC 관리 지표로 지표를 보여
달라고 했습니다. 그래서 지표를 이렇게

보여줘서 구체적인 활동을 할 수
있게 하고, 그럼 이 활동을 어떤

일정으로 하게 될 것이냐? 그래서
일정을 표시해 주고, 그리고 대략적인

개요를 이야기해 줍니다. 그래서
개요에서 상세한 데이터, 일정과 활동

내역까지 관리 지표까지 나오기 때문에
손실 관리가 즉각적으로 실행이

가능하게 됩니다. 자, 이렇게 데이터가 보정이 되고 어느 정도 신뢰할 만한
데이터가 쌓였을 때, 그때 비로소 이런

분석을 한다는 것이 의미가 있겠죠.
그래서 뭐 재고 버퍼 관리라거나 이런

내가 보고자 했던 관리 지표들을 볼 수 있게 되고, 내가 어떤 업무

프로세스를 타고 흘러가서 일이 됐느냐 하는 것들을 이렇게 자동으로 다

생성해 줍니다. 관리 지표도 다 보여주고 원인도 분석해 주고 계속

가면 이렇게, 특히 요번에는 이제 재고 버퍼 관리에 대해서 좀 중점을

뒀는데, 재고 관리의 전후 상황이라거나, 그리고 특히 그 재고 비용

이라거나 그런 부분에서의 변화 추세, 그리고 이를 통해서 재고를 통해 본부의

리드 타임에 어떻게 영향을 주는가, 전후의 관계 이런 것들을 볼 수

있게 해 줍니다. 그리고 구체적으로 저희가 관리를 한다면은

어떤 제품에 어떤 설비에, 뭐 그런… 제일 먼저 어떤 제품이냐 결정이 돼야

되겠죠. 그래서 보통 내가 어떤 제품을 먼저 설정해서 관리하지, 그런

것들은 이런 게 PQ 분석으로 보통 합니다. 그래서 PQ 분석을 통해서 회사

우선순위 제품 세 개를 뽑았고,

프로그램이 생성된 프로그램을 통해서 로스 분석을 한번

해보면, 로스 분석, 손실에 대해서 실행 결과 예측이 나오고, 그리고 향후

6개월 동안 어떻게 관리한다, 그 추세를 미리 예측해서

보여줍니다. 그리고 그런 지표들 어떻게 추론이 돼서

추론을 할 때 데이터가 없는데 어떻게 추론하지? 데이터가 잘못됐는데…

그럴 경우에 내가 어떤 가설을 세워서 가정을 세워서 했느냐 하는 그런 것들…

이런 추론 과정들이 다 표현이 됩니다. 아, 그래서 이런 것들을 보면서…

또 이렇게 해석해 준 내용들을 보면서 우리 회사의 관리 사항, 내가…

어떤 제품을 어떻게 개선하고 어디에서 개선할 것인가 하는 것을…

어, 문제 유형에 바로 로스, 로스를 개선해서…

바로 이익으로 전환할 수 있는, 뭐 그런 기능들을 제공할 수…

있습니다. 작은 중소기업이라도 데이터가 불안하더라도 그런 주장들보다는, 그런 주장들은 보통 ROI가 낮죠.

프로세스가 뭐 완벽해져야지 된다, 이런 것 때문에… 그런데 최근에 그…

IT 월드에서 이런 보고서를 냈는데, 여기 보면은 굉장히 그 공감이…

가는 내용이 있습니다. 이제 AI 에이전트 시대가 되고, 생성형 AI…

이런 전문가 영역을 거의 대체하게 되면, 자, 여기 보면은 프로세스…

자체가 이제 무의미해진다는 말은 정말 공감이 갑니다. 프로세스와 업무…

도메인 지식이 쉽지 않은데… 아, 결국 사람과 프로세스와 기술…

그중에서 프로세스는 추론으로 거의 LLM이 전문가보다 더 훌륭하게 커버를…

해주고 있고 전반적으로 결국은
그러니까 그런 부분들을 관리해 오던

사람, 전문가의 영역도 굉장히 그 의존도가
없어지게 되는 거죠. 그렇기 때문에 기존에

OLTP(온라인 트랜잭션 처리) 프로세스를 중시했던 그건

여전히
중요합니다만, 그렇지만은 이런 것들은

AI 에이전트와 생성형 AI가 해 주기
때문에 이제는 다이나믹하게
ROI를 산출해 주는 결과 중심의

생성형 AI Code를 AI Agent App으로 전환하는 Prompt 작성

데이터 마름이

생성형 AI에서 AI 에이전트로의 전환 및 ChatGPT의 '프로젝트' 기능 소개

생성형 AI에서 AI 에이전트로 전환되는 과정 설명

기존 생성형 AI 노코드 애플리케이션의 한계점 제시 (애플리케이션 길이, 프로세스 통합 어려움)

ChatGPT의 '프로젝트' 기능 소개: 여러 프롬프트를 하나의 맥락으로 묶어주는 기능

'프로젝트' 기능을 활용한 엔터프라이즈 애플리케이션 구현 가능성 언급

MIS 프로젝트 예시를 통해 '프로젝트' 기능의 효용성 설명 (여러 단계의 프롬프트 맥락 유지)

ChatGPT '프로젝트' 기능을 활용한 기업 업무 프로세스 구현 사례

기업 환경 설정부터 업무 프로세스 구체화, 현장 활용, 데이터 분석 및 의사결정 과정 설명

기업 환경 설정 단계 설명 (산업 유형, 생산 유형, 주문 유형 설정)

데이터 입력 및 분석 과정 설명

데이터 분석을 통한 실적 계획 대비 차이 분석 (Gap 분석) 및 데이터 보정 과정 설명

DMAIC 관리 지표를 활용한 현장 활동 관리 및 일정 설정 과정 설명

AI 에이전트 시대와 생성형 AI의 영향 및 전문가 역할 변화

AI 에이전트 시대 도래와 생성형 AI의 전문가 영역 대체 가능성 언급

프로세스의 무의미화 및 전문가 역할 변화에 대한 의견 제시

OLTP 프로세스의 중요성 유지와 AI 에이전트에 의한 대체 가능성 언급

결과 중심의 AI 에이전트 역량 강조

ChatGPT '프로젝트' 기능을 통한 전체 업무 맥락 유지 및 효율성 증대 강조

생성형 AI Code를 AI Agent App으로 전환하는 Prompt 작성

생성형 AI Code를 AI Agent App으로 전환하는 Prompt 작성

스크립트