다보스 포럼 인사이트: VUCA 시대, Neuro-Symbolic AI로 가치 창출 전략을 재정의하다

다보스 포럼의 신호: VUCA는 심화되고 있으며, 경영진은 실행 결과를 만들어내는 ‘Agentic AI'를 원한다

최근 다보스에서 열린 세계경제포럼(WEF)에 참석하면서, 여러 산업 분야의 리더들 사이에서 두 가지 주제가 핵심 논의를 이끌고 있음을 확인했습니다.

첫 번째는 명백하고 부인할 수 없는 사실이었습니다. 변동성(Volatility), 불확실성(Uncertainty), 복잡성(Complexity), 모호성(Ambiguity)이 대부분 조직이 감당할 수 있는 수준을 넘어서 빠르게 심화되고 있다는 점입니다. 공급망 교란, 비용 쇼크, 채널 변화, 경쟁사의 전략적 움직임은 더 이상 예외적인 상황이 아니라 일상적인 운영 환경이 되었습니다.

두 번째 주제는 보다 현실적인 고민이었습니다. 'Agentic AI'가 경영진의 상상력을 사로잡고 있는 것은 사실이지만, 대부분의 파일럿 프로젝트는 인상적인 데모를 넘어서지 못하고 있습니다. 리더들은 신뢰 부족, 검증 및 추적 가능성의 부족, 실행 가능성의 제약, 그리고 전사 차원에서 AI 기반 의사결정을 통제, 관리할 수 있는 거버넌스를 구축하는 데 어려움을 겪고 있다고 밝혔습니다. 문제의 본질은 의지나 목표 수준이 아니라 운영 모델에 있습니다.

변동성·불확실성·복잡성·모호성이 일상화된 VUCA 환경에서 기업 가치가 약화되는 이유는 데이터 부족이 아닙니다. 의사결정이 부서 간 사일로(Silo)에 막혀 지연되고, 학습이 조직 차원에서 체계화되지 않으며, 실행이 초기 의도에서 벗어나면서 가치가 점진적으로 잠식됩니다. 수요, 공급 및 매출/프로모션 계획이 서로 다른 시스템에서, 서로 다른 세분화 수준(granularity)과 서로 다른 가정하에서 수립됩니다. 기능 부서 간 의사결정은 반복적인 조율과 재검토 절차가 필요하며, 실제 실행은 이미 최적의 시점을 놓친 뒤에야 이루어집니다. 성과를 리뷰하더라도, 그 결과를 초래한 의사결정, 가정과 근본 원인을 체계적으로 연결하지 못하기 때문에 같은 실수가 반복됩니다.

이러한 환경에서는 ‘지연(latency)’이 단순한 비효율을 넘어 직접적인 비용으로 이어집니다. 의사결정이 내려지는 순간에 이미 상황은 바뀌어 있습니다. 기업에 필요한 것은 고립된 AI가 아닙니다. 의사결정이 내려지고, 실행되고, 개선되는 방식 안에 내재화된 AI입니다. 바로 이러한 맥락에서 Agile, Adaptive, Autonomous Planning & Execution (APEX) 운영 모델이 제시됩니다.

APEX: 전사 차원의 의사결정을 수평 및 수직으로 통합하는 운영 모델

APEX는 통합 비즈니스 계획 및 실행(IBPE)을 구현하기 위한 이상적인 운영 모델입니다. 3~5년의 장기 전략 의사결정, 분기·연간 단위의 전술 계획, 그리고 향후 수일, 수주에 영향을 미치는 실행 의사결정까지 계획과 실행 전 영역을 하나의 체계로 연결합니다. 전략과 실행의 정합성을 일관되게 유지하도록 설계된 운영 체계입니다.

APEX는 재무 통제 기준(Guardrail)을 제약 조건으로 하여 수요, 공급 및 매출/프로모션 계획을 하나의 IBPE 프로세스로 통합합니다. 이러한 수평적 통합은 필수적입니다. 실제로 중요한 의사결정은 기능 부서 간, 그리고 시간 축 전반에 걸친 상충 관계(Trade-off)를 동시에 고려해야 하기 때문입니다.

APEX는 기능 간 수평 통합, 계획 세분화 수준을 연결하는 수직 통합, 그리고 3~5년 전략 수립부터 주간 단위 실행까지 아우르는 시간 축 통합을 동시에 구현하는 운영 모델입니다.

이는 o9 Demand Planning, Supply Planning, Commercial Planning, Integrated Business Planning을 포함한 전체 제품군의 기반이며, 모두 동일한 플랫폼과 의사결정 로직 위에서 구축되어 있습니다. APEX는 단순히 계획 운영을 더 빠르게 만드는 것이 아니라, 다음과 같은 조직 역량을 체계적으로 확보하기 위한 접근 방식입니다:

• Agile (민첩성): 변화를 조기에 감지하고, 신속히 진단하며, 기능 간 정합성 있는 실행으로 대응합니다.
  
• Adaptive (적응력): 각 계획 사이클의 결과에서 학습하고(어떤 전제와 가정하에서 무엇이 효과적이었고 무엇이 실패했는지), 정책과 운영 플레이북을 지속적으로 개선합니다.
  
• Autonomous (the North star) (자율화): 거버넌스가 확보된 의사결정과 업무 워크플로우를 점진적으로 자동화하되, 전략 수립과 중대한 판단은 인간이 책임집니다.

이를 더욱 구체적으로 설명하기 위해, 재고 계획 대비 실적 차이를 보여주는 ‘재고 이슈 리포트’ 사례를 살펴보겠습니다. 이 사례를 통해 민첩한 대응, 적응형 학습, 그리고 AI 기반의 점진적 자율 의사결정을 설명합니다.

• 계획 (의도한바): 서부 지역 특정 제품 카테고리의 월말 재고 = 4.2주분, 서비스 레벨 목표 = 98%
  
• 결과 (실제 발생): DC 1  6.8주 수준(과잉재고) + DC3 품절(매출 손실); 서비스 레벨 = 93%
  
• 비즈니스 영향: 운전자본 증가(+X백만 달러), 긴급 물류비 발생(+Y), 재고 할인 리스크(+Z), 매출 기회 손실.

엔터프라이즈 AI 에이전트란 무엇인가: 왜 대부분의 Agentic AI 파일럿은 실제 운영으로 확산되지 못하는가

o9 Solutions는 오늘날 엔터프라이즈 환경에서 일반적으로 시도되는 Agentic AI와는 확연히 다른 혁신적 접근으로 APEX 모델을 위한 플랫폼을 구축했습니다. 먼저 엔터프라이즈 환경의 AI 에이전트를 정의해보고, 왜 대부분의 Agentic AI 파일럿이 정체되거나 중단되며 데모를 넘지 못하는지 살펴보겠습니다. 비즈니스 관점에서 AI 에이전트는 목표를 이해하고, 필요한 맥락을 수집해 분석을 수행하며, 업무 시스템에서 실행까지 연결한 뒤, 결과를 도출하고 종료되는 '디지털 동료'입니다. 이 모든 과정은 거버넌스와 안전성 통제 기준 내에서 이루어집니다.

공식적으로 AI 에이전트는 다음 5가지 구성 요소를 가집니다:

• LLM (대규모 언어 모델): 언어 기반의 사고, 계획, 도구 호출 및 의사결정을 생성하지만, 그 자체로는 기억, 도구, 목표를 갖지 않으며 이전 작업의 맥락을 스스로 유지하지는 못합니다.
  
• 맥락 구성 (Context Construction): 각 단계에서 LLM에 어떤 기업 데이터, 지식 및 이력을 기반으로 판단 제공해야 하는지를 결정하여, 올바른 맥락 안에서 사고하도록 합니다.
  
• 도구 및 실행: 업무 시스템을 조회하고, 계획 수립 및 최적화를 수행하며, 필요한 업무 프로세스를 실행까지 연결합니다.
  
• 제어 및 인지 루프 (Control and Cognition Loop): 목표를 설정하고, 실행 단계를 계획하며, 전제 조건이 변경될 경우 다시 계획을 수립하고, 결과를 검토해 다음 행동을 결정하며, 적절한 시점에 종료 여부를 판단합니다.
  
• 안전성 및 평가: 기업 통제 기준(Guardrail), 승인 절차, 예산 한도, 추적 가능성 및 성과 모니터링을 통해 AI의 의사결정과 실행이 통제된 범위 내에서 이루어지도록 관리합니다.

o9의 관점에서는 오늘날 대부분의 AI 에이전트가 첫 번째 구성 요소인 LLM에 과도하게 의존하고 있습니다. LLM은 언어 기반의 계획 수립과 추론에는 매우 강력하지만, 기업 운영의 실질적인 현실(의사 결정권, 정책, 제약 조건, 감사 가능한 근거 등)에 대한 본질적인 이해가 부족합니다. 위의 ‘재고 이슈 리포트’ 사례에서도 LLM 중심의 에이전트는 예측 오류, 공급업체 이슈, 프로모션 영향과 같은 그럴듯한 설명을 제시할 수는 있습니다. 그러나 이를 해당 시점에 적용되던 계획 버전, 전제 가정, 제약 조건, 실제 의사결정과 정확히 연결하지는 못합니다. 그 결과, 경영진은 이를 검증할 수도, 실행으로 연결할 수도, 전사 차원에서 통제·관리하기도 어렵습니다. 이것이 바로 파일럿이 데모에서는 인상적이지만 실제 엔터프라이즈 운영 단계로 확산되지 못하는 이유입니다.

기업 환경에서는 첫 번째 구성요소인 LLM을 제한적이고 보수적인 범위 내에서 활용하고, 대신 나머지 네 가지 구성 요소(맥락 구성, 도구·실행, 제어·인지 루프, 안전성·평가)에 더 크게 의존해야 한다고 생각합니다. 이 접근 방식을 적용하면 AI 에이전트는 ‘재고 이슈 리포트’ 사례를 다음과 같은 방식으로 대응합니다:

• LLM: "왜 재고 목표를 달성하지 못했는가?"라는 질문을 SKU, 위치, 기간, 계획 버전, 핵심 지표 수준까지 구체화된 구조적 질문으로 전환합니다.
  
• 맥락 구성: 모호한 설명에 그치지 않도록 해당 시점의 정확한 계획 버전, 전제 가정, 제약 조건 및 의사결정 이력을 가져옵니다.
  
• 도구 및 실행: 편차 기여도 분석, 근본 원인 분석, 시나리오 시뮬레이션 등 실제 엔터프라이즈 분석을 수행하고, 필요한 워크플로우를 실행시킵니다.
  
• 제어 및 인지 루프: 편차 원인이 수요, 공급, 정책 중 어디에서 기인했는지를 반복적으로 검증하고, 새로운 근거가 확보되면 다시 계획을 수립합니다.
  
• 안전성 및 평가: 누가 재고 출고를 승인하고, 긴급 출고를 승인하며, 서비스 목표를 조정할 수 있는지, 의사결정 권한 체계를 준수하도록 통제하고, 모든 판단 근거를 기록하고 추적합니다.

다음으로, o9의 Neuro-Symbolic Agentic AI 아키텍처가 이러한 엔터프라이즈 운영에 적합한 Agentic 접근 방식을 어떻게 구현하는지 살펴보겠습니다.

o9의 Neuro-Symbolic Agentic AI: 일반적인 에이전트 아키텍처의 구조를 바꾸는  '10–80–10 모델'

Neuro-Symbolic AI는 두 가지 상호 보완적인 축인 Neural AI (신경망 기반 AI)와 Symbolic AI(규칙/지식 기반 AI)를 결합합니다. 언어 모델 기반의 Neural AI (예: LLM)은 복잡하고 비정형적인 정보를 이해하고 종합하는 데 강점이 있습니다. 반면 Symbolic AI는 정밀성, 제약 조건 준수, 추적 가능성 그리고 기업의 의사결정, 운영 규칙에 기반을 둔 판단에 강점이 있습니다. 두 접근 방식을 결합한 Neuro-Symbolic 방식은 적응성과 신뢰성을 동시에 확보합니다. o9은 엔터프라이즈 Planning과 실행에 특히 적합하도록, 엔터프라이즈급 Neuro-Symbolic Agentic AI 플랫폼을 정교하게 설계·구현했습니다.

대부분의 Agentic AI 시스템은 핵심 작업(약 80%)을 LLM에 맡기고, 신뢰성은 프롬프트 튜닝과 리트리벌 (RAG) 같은 우회 방식으로 보완하려 합니다. 반면 o9은 이 구조를 반대로 설계했습니다. LLM (Neural)을 입력 단계와 결과 단계 (각 약 10%)에만 활용하고, 핵심 추론 단계(약 80%)는 EKG(엔터프라이즈 지식 그래프, Symbolic AI)를 중심으로 처리합니다:

따라서 o9의 Neuro-Symbolic 에이전트는 전체 업무의 약 20%만을 Neural AI(입력 단계 및 결과 단계)에 맡기고, 약 80%는 Symbolic AI(추론 단계)에 기반해 수행합니다. 즉, 일반적인 에이전트 아키텍처의 80-20 구조를 20-80(더 정확히는 10-80-10) 구조로 재설계함으로써, 견고한 엔터프라이즈급 Agentic AI를 구현합니다.

전형적인 80-20 Agentic 아키텍처가 ‘재고 이슈 리포트’ 사례를 처리하는 방식을 예시로 들겠습니다:

• 사용자가 "왜 West 지역은 한쪽에서는 과잉 재고가 발생했고, 다른 쪽에서는 품절이 발생했나요"라고 물어봅니다.
  
• 파일럿 에이전트는 사용자 질의와 몇 가지 데이터 추출 파일/대시보드를 LLM에 전달합니다. LLM은 발생한 상황을 서술형으로 설명하고, 원인을 가설화하며, 다소 모호한 개선 방안을 제시하려고 합니다.
  
• 그러나 다음과 같은 부분에서 한계를 드러냅니다: (1) 여러 계획 버전 간 정합성 맞추기 (2) 인과 관계 입증 (3) 의사결정 권한 체계 준수 (4) 제약조건을 반영한 의사결정이 가능한 수준의 실행안을 도출.
  
• 그 결과 흥미로운 설명을 제공하지만, 신뢰도와 실행 가능성이 낮아 파일럿 프로그램은 정체됩니다.

o9의 10-80-10 Neuro-Symbolic Agentic 아키텍처는 동일한 ‘재고 이슈 리포트’ 사례에서 아래와 같이 처리할 것입니다:

• 입력 단계 (약 10%, Neural LLM): 경영진의 질문을 해석하고, 이를 구조화된 문제로 정의합니다. 어떤 SKU인가? 어떤 물류거점인가? 어떤 기간인가? 어떤 계획 기준(baseline)인가? 어떤 KPI를 기준으로 볼 것인가?
  
• 추론 단계 (약 80%, Symbolic): 계획, 제약조건, 의사결정 맥락, 트레이드오프(trade-offs)를 반영한 실제 운영 모델에 기반해 정합성 있는 추론을 수행합니다. 그 과정은 다음의 순서로 체계적으로 진행됩니다: 진단(Diagnose) → 예측(Project) → 처방(Prescribe)
  
• 결과 단계 (약 10%, Neural LLM): 경영진이 바로 이해하고 활용할 수 있는 보고용 요약 브리핑 형태로 결과를 제공합니다: 영향도 기준으로 정렬된 주요 원인, 권장 실행안, 비즈니스 언어로 설명된 논리적인 근거.

Symbolic AI (추론 단계)의 가장 중요한 작업은 각 AI 에이전트를 구성하는 마지막 4가지 요소(맥락 구성, 도구/실행, 제어·인지 루프, 안전성/평가)를 중심으로 이루어지며, Neural AI(입력 및 결과 단계)는 각 에이전트의 첫 번째 구성 요소인 LLM에 해당합니다.

저희가 강조하고 싶은 점은, 추론 단계(Middle Mile)를 구성하는 핵심인 Symbolic AI 기술에 지난 15년 동안 지속적으로 투자해 왔습니다. 다만 과거에는 상당한 기술적 전문성이 필요했기 때문에 누구나 접근할 수 있는 형태는 아니었습니다. 그러나 LLM의 등장으로 Symbolic AI의 엄격성과 정밀성(추론 단계)을, Neural AI의 직관적이고 유연한 인터페이스(입력 및 결과 단계)로 감싸는 구조를 통해 Neuro-Symbolic Agentic AI를 구현할 수 있게 되었습니다. 그 결과, 현업 실무자부터 경영진에 이르기까지 누구나 o9의 강력한 Symbolic AI를 쉽고 직관적으로 활용할 수 있게 되었습니다.

엔터프라이즈 지식 그래프(Enterprise Knowledge Graph, EKG): o9 Agent가 기업의 실제 운영 맥락에 정합하게 구동되도록 하는 핵심 구조

엔터프라이즈 지식 그래프(EKG)는 Symbolic AI에 해당하는 추론 단계로, Agents를 엔터프라이즈급 수준으로 구현하는 핵심입니다. EKG는 단순한 데이터가 아니라 가치가 흐르는 방식, 계획이 수립되는 방식, 의사결정이 내려지는 방식, 정책과 규칙이 학습되는 방식, 그리고 연산이 어떻게 연결되고 조율되는지를 구조적으로 모델링합니다.

o9 EKG는 다음의 4가지 계층으로 구성됩니다:

이 네 개 계층으로 구성된 아키텍처는 o9이 기능 간 수평 통합과 세분화 수준 간 수직 통합을 동시에 구현하고, 거버넌스 게이트를 통해 계획과 실행을 유기적으로 연결할 수 있게 합니다. '재고 이슈 리포트’ 사례를 기준으로 EKG의 네 가지 계층이 각각 어떤 역할과 가치를 제공하는지 설명하겠습니다: 

• 1) Value-Chain 그래프 ("지금 실제 상황은 무엇인가?"): 제품·위치·시간 단위의 계획 대비 실적의 일관된 현황을 제공하며 관련된 재무 통제 기준(Guardrail) 및 제약 조건을 함께 보여줍니다.
  
• 2) Decision-Context 그래프 ("현재 상황을 초래한 의사결정은 무엇이었는가?"): 어떤 공급 할당·보충·프로모션 결정이, 언제, 누구에 의해, 어떤 가정하에 내려졌는지를 구조화하고 그 결과와 연결합니다.
  
• 3) Learned-Rules 그래프("동일한 문제가 반복되지 않도록 무엇을 학습했는가?"): 반복적으로 발생하는 편차 패턴을 정책·운영 플레이북으로 전환합니다. 예를 들어, 예측 변동성이 특정 임계값을 초과하면 안전재고, 재주문 정책, 프로모션 통제 기준(Guardrail)을 자동 조정하도록 규칙화합니다.
  
• 4) Connected-Compute 그래프 ("필요한 부분만 신속하게 재계산하려면 어떻게 해야 하는가?"): 편차 감지 시, 적절한 분석, 최적화, 시나리오 연산을 자동으로 트리거하고, 영향받은 영역만 계산을 업데이트하여 대응 시간을 최소화합니다. 이는 ‘계획 대비 실적’ 편차를 기준으로 한 이벤트 기반 트리거 구조와 직접적으로 연결되며, 진단 → 영향 예측 → 조치 방안 도출 → 학습으로 이어지는 표준 추론 경로를 체계적으로 실행합니다.

o9은 엔터프라이즈 지식 그래프(EKG)에 지난 15년간 투자해 왔습니다. 그러나 과거에는 상당한 기술적 전문성이 필요했기 때문에 누구나 접근할 수 있는 형태는 아니었습니다. LLM의 등장으로 우리는 이제 이메일, 회의록, 경쟁사 인텔리전스, 현장의 암묵지(tribal knowledge) 등 비정형 정보까지 EKG에 통합 및 확장할 수 있게 되었습니다.

LLM은 이러한 정보를 해석하여 제품·고객·의사결정·정책과 같은 엔터프라이즈 객체에 거버넌스가 적용된 근거 데이터로 연결합니다. 그 결과, 흩어져있던 맥락(context) 정보는 조직 차원의 지속 가능한 기업 Memory로 전환됩니다. 동시에 Neural AI의 발전은 코드 생성과 소프트웨어 설계 역량을 통해 Connected-Compute 그래프를 더 강화했습니다. 이로써 Neural AI는 EKG를 확장 및 보완하고, Symbolic AI는 엔터프라이즈 수준의 의사결정에 필요한 정합성(grounding), 정밀성(precision), 거버넌스를 제공하는 상호 보완적·공생적 구조가 구현되었습니다.

4Ws:진단, 처방, 학습을 통해 가치 누수(Value Leakage)를 제거하는 프레임워크

Neuro-Symbolic Agentic AI 프레임워크의 핵심 역량은 모든 리더가 공통으로 던지는 네 가지 질문(4Ws)에 구조적으로 답하는 능력입니다:

• 무슨 일이 발생했으며 그 원인은 무엇인가? (편차 기여도 분석 및 근본 원인 진단)
  
• 비즈니스의 최신 상태는 어떠한가? (신뢰할 수 있는 실시간 운영 및 재무적 현황 보고)
  
• 어떤 일이 일어날 가능성이 있는가? (다양한 전제 가정과 제약 조건 하의 시나리오 기반 영향 예측)
  
• 어떠한 조치를 해야 하는가? (트레이드오프와 추천 대응 방안이 포함된 권장 실행안)

계획 및 실행 전반에 걸친 이 네 가지 질문(4Ws)에 대한 답은 o9의 Neuro-Symbolic Agent가 제공합니다. 이를 통해 진단에서 실행까지 일관된 경영진 경험을 신속하고 신뢰성 있게, 그리고 점진적으로 자율화된 방식으로 구현합니다. 지금까지 살펴본 재고 이슈 리포트 사례의 진단/(영향)예측/조치 도출 과정은 4Ws에 구조적으로 답할 수 있는 대표적인 사례입니다. 이 중에서도 가장 핵심은 “무슨 일이 발생했으며 그 원인은 무엇인가?”에 대한 답입니다. 저희는 이를 Post-Game Analysis (의사결정 사후 검증 및 개선 분석, PGA)라고 부르며, 결과를 초래한 의사결정과 주요 드라이버에 인과적으로 귀속시키는 Causal AI Agents를 활용해 PGA를 정밀하고 높은 신뢰도로 수행합니다.

PGA는 두 가지 방식으로 매우 큰 가치를 창출합니다:

• 민첩성(Agility): 진단과 처방을 가속합니다. 조직은 편차의 주요 원인을 신속히 파악하고, 결과를 바꿀 수 있는 시간이 남아 있을 때 대응할 수 있습니다. 예를 들어 재고 이슈 리포트에서 "DC1 과잉 재고 + DC3 품절"이 표시되었다면, PGA는 그 원인이 수요 변화인지, 공급업체의 공급 지연인지, 공급 할당 정책의 문제인지, 혹은 실행상의 오류인지 정확히 식별하고 월말이 되기 전에 적절한 조치(재고 재배분, 운송 중 재고의 경로 변경, 보충 정책 조정, 프로모션 일시 중단 또는 재설계 등)를 취할 수 있게 합니다. 이는 조직 문화를 “우리는 목표를 달성하지 못했다”에서 “우리는 왜 목표를 달성하지 못했는지 안다”로 전환합니다. 그 결과, 과잉 재고에 묶인 운전자금을 줄이고, 결품으로 인한 불필요한 매출 손실을 방지하며 긴급 운송과 사후 대응(firefighting)을 최소화할 수 있습니다.
  
• 적응력(Adaptivity): 조직 차원의 학습을 제도화합니다. 시간이 지남에 따라 반복적으로 수행되는 PGA 패턴은 조직 내 구조적 편향과 반복되는 실패 유형을 드러냅니다. 이는 정책, 통제 기준(Guardrail), 운영 플레이북으로 체계화되어 반영되며, 계획 Cycle마다 조직이 개선되도록 합니다. 즉, 반복되는 근본 원인 패턴을 조직의 제도화 된 지식(institutional memory)으로 축적됩니다. 과거에는 개인의 역량에 의존해야 했던 문제 해결이, 이제는 표준 운영 프로세스가 됩니다. 그 결과 성과 편차 규모는 점점 줄어들고, 변동성은 관리 가능한 수준이 되며 성과는 시간이 지날수록 점점 더 개선됩니다.

실무 현장에서의 적용 사례

사례 1: 공급업체 차질과 가격 및 마진(수익성) 의사결정이 동시에 발생한 경우

구매팀은 지역적 제약으로 인해 2개월 후 핵심 원자재 가격이 5~15% 상승할 가능성이 높다는 정보를 파악합니다. 이에 대해, 커머셜(Commercial)팀은 다음과 같은 질문을 제기합니다: 비용을 판매 가격에 전가할 것인가? 프로모션 전략을 재설계할 것인가? 아니면 마진(수익성) 하락을 감수할 것인가? 공급망 팀도 다음과 같이 묻습니다: 서비스 수준을 보호하기 위해 재고는 지금 어떻게 해야 할까? 그리고, 재무팀도 묻습니다: 시나리오별로 운전자본과 EBITDA에 대한 영향은 어떻게 달라질까?

o9의 10–80–10 접근방식을 통해 에이전트는 이러한 조직별 질문을 구조화된 분석으로 전환하고, 엔터프라이즈 지식 그래프 상에서 시나리오를 시뮬레이션하며, 명확한 트레이드오프가 반영된 의사결정 가능한 옵션을 도출합니다.

사례 2: 프로모션 성과 부진과 재고 리스크

프로모션이 진행 중이지만, 초기 신호에 의하면 기대만큼의 판매 증가 효과(lift)가 일어나지 않고, 할인 폭은 마진(수익성)을 훼손하고 있음을 보여줍니다. 일부 지역에서는 재고가 쌓이지만, 다른 매장들은 품절 위험에 놓여 있습니다. 

o9의 PGA는 이러한 실적 편차(variance)를 당시 적용 중이던 특정 계획 버전과 가정에 연결해 원인을 추적하고, 결과를 의사결정과 다시 연결합니다. 시간이 지날수록 조직은 ‘어떤 조건에서 프로모션이 실패하는지’를 구조적으로 학습하고, 개선된 기업의 통제 기준(Guardrail)으로 규정화하여 반복적인 마진 훼손과 재고 처분 리스크를 줄입니다. 이와 유사한 통합 비즈니스 계획 및 실행(Integrated Business Planning & Execution: IBPE) 트레이드오프는 성장 기회가 생산/물류 등의 CAPA 제약 및 재무 통제 기준(Guardrail)과 충돌할 때도 발생합니다. 이때 리더들은 조직이 실제로 실행할 수 있는 방식으로 매출, 마진(수익성), 서비스, 현금(재고, 운전자금) 간 균형을 맞춰야 합니다.

리더들이 기대할 수 있는 것: 'AI 쇼'가 아니라 ‘성과’

목표는 단순히 챗봇을 도입하는 것이 아닙니다. 가치 누수(value leakage)를 줄이고 의사결정 속도를 높이는 운영 역량을 구축하는 것입니다. 실제 현장에서 리더들은 다음과 같은 실질적인 성과를 만들어내는 것에 집중합니다:

• 신호에서 의사결정, 그리고 실행까지의 리드타임을 단축해 조직이 늦은 대응이 아닌, 의미 있는 시점에 대응할 수 있도록 합니다.
  
• 더 정교한 시나리오 품질과 실행 정합성 강화를 통해 서비스, 매출, 마진(수익성), 재고 전반에서 계획 대비 실적 성과(plan-to-outcome) 수준을 향상시킵니다. 
  
• 측정 가능한 학습 루프 구축: 의사결정과 가정은 추적되고, 결과는 의사결정에 귀속되며, 정책은 시간이 지날수록 지속적으로 정교해집니다.
  
• 생산성과 의사결정 주도권 향상: 더 많은 직무에서 전문 분석가를 기다리지 않고, 비동기적으로 의사결정 인텔리전스를 활용할 수 있습니다.

일반적으로는 가치 영향도가 높은 하나의 핵심 의사결정 루프를 중심으로 파일럿 프로젝트를 시작합니다. 예를 들어 프로모션 계획 및 성과 관리, 제약 기반 공급 할당, 고객/채널별 서비스 원가 전략(cost-to-serve) 및 가격 전략, 또는 재고 운영 전략(inventory posture)입니다. 만일 이번 분기에 개선해야 할 반복적인 계획 대비 실적 편차 (plan-to-outcome miss)가 있다면, 그 영역에서 시작하는 것이 가장 효과적입니다. 성과는 비즈니스 지표로 정의되며, 파일럿은 공유된 엔터프라이즈 지식 그래프(shared enterprise knowledge graph)를 통해 도메인 전반으로 확장되도록 설계됩니다.

다보스에서 리더들이 던진 질문은 “AI가 얼마나 똑똑한 일을 할 수 있는가?”가 아니었습니다. AI가 실질적인 성과를 신뢰할 수 있게 만들어낼 수 있는가를 묻고 있었습니다. APEX 모델은 검증된 운영 체계 안에 Neuro-Symbolic AI를 구조적으로 통합함으로써 그 질문에 답합니다. 즉, 기업의 실제 운영 맥락에 기반해 의사결정을 실행하고, 학습 루프를 체계적으로 완결하며, VUCA를 부담이 아니라 경쟁 우위로 전환합니다.

라이브 데모 요청하기

업계 전문가와 함께하는 라이브 맞춤형 데모 일정을 예약해 보세요.

데모 요청하기