https://www.youtube.com/watch?v=jwmZJuu7npI
Copilot Studio의 첫 번째 에피소드에서 25년간 대화형 AI 분야를 이끌어온 앤디 매트킨과 함께 코파일럿 스튜디오의 최신 기능과 미래 방향을 심도 있게 탐구합니다. 특히, 복잡했던 기존 방식과 달리 LLM 기반의 '차일드 에이전트'를 활용해 금융 시나리오를 단 하루 만에 구현한 구체적인 사례를 통해, 코드 없이 비즈니스 로직을 구현하는 실용적인 방법을 배울 수 있습니다. 이 대화는 대화형 앱 개발의 패러다임 변화를 이해하고, MCP(Model Context Protocol)의 올바른 활용법을 익혀 개발 효율을 극대화하는 핵심 인사이트를 제공합니다.
Copilot Studio Dudecast EP1: 앤디 매트킨과의 대화
자료 제목: Copilot Studio Dudecast EP1 Andy Matkin
자료 유형: youtube_video
출처 범위: 0-435
이 문서는 Copilot Studio의 첫 번째 에피소드에서 25년간 대화형 AI 분야를 이끌어온 앤디 매트킨(Andy Matkin)과 함께 코파일럿 스튜디오의 최신 기능과 미래 방향을 탐구한 내용을 시간 순서대로 정리한 타임라인 요약 노트입니다.
1. 코파일럿 스튜디오 두드캐스트(Dudecast) 소개 및 앤디 매트킨 초청
코파일럿 스튜디오 두드캐스트 소개: 이 팟캐스트는 코파일럿 스튜디오와 대화형 AI 분야의 최신 동향을 다루며, 매 에피소드마다 해당 분야의 영향력 있는 전문가들을 초대하여 탐구하는 것을 목표로 한다.
첫 번째 에피소드의 형식: 이번 첫 번째 녹음은 격식 없는 방식으로 진행되며, 진행자(Dude)가 동료 및 대화형 AI 분야의 영향력 있는 인물들과 대화하는 형식이다.
앤디 매트킨 소개: 첫 번째 게스트로 앤디 매트킨이 초대되었다. 그는 마이크로소프트 직원이며, 과거에 Nuance Mix 구현을 구축하는 데 도움을 준 인물 중 한 명이다.
앤디 매트킨의 요청: 진행자는 앤디에게 쇼에 출연한 것을 환영하며, 그가 어떤 일을 해왔는지, 현재 마이크로소프트 내에서 어떤 역할을 하는지 간략하게 소개하도록 요청했다.
2. 앤디 매트킨의 경력 및 현재 역할
경력 기간: 앤디 매트킨은 대화형 AI 분야에서 약 25년 동안 활동해왔다.
초기 경력:
컨설턴트로 시작했으며, 이후 Nuance에 인수된 사설 회사에서 에이전트(당시에는 봇이라고 불림)를 구축하는 일을 했다.
초기에는 주로 IVR(Interactive Voice Response, 음성 응답) 관련 업무에 집중했다.
미국 내 다양한 소매 은행을 위해 많은 애플리케이션을 구축했으며, 이 과정에서 에이전트를 더 빠르고 쉽게 생성하기 위한 프레임워크와 도구 개발에 참여했다.
Nuance Mix 개발:
개발했던 도구들이 Nuance Mix로 발전했다.
R&D 부서로 이동하여 Nuance Mix의 공동 창립자 중 한 명이 되었으며, 이는 현재의 Copilot Studio와 경쟁하는 제품이었다.
현재 역할: Nuance 인수 후 마이크로소프트의 Copilot Studio 팀으로 이동했다.
엔지니어링 팀 내에서 고객들과 협력하여 제품에 적절한 기능이 있는지 확인한다.
만약 기능에 격차(Gap)가 있다면, 기존 기능으로 우회할 수 있는 방법을 모색한다.
3. 진행자와 앤디의 협업 및 CAT 조직 소개
진행자와 앤디의 관계: 진행자는 앤디와 백엔드에서 함께 협력하며, Copilot Studio 엔지니어링 백엔드 내에서 흥미로운 도전 과제나 발견이 필요할 때 함께 작업한다.
진행자의 역할: 진행자는 고객 조직(CAT)과 협력하며, 현재는 Co-pilot Acceleration Team(CAT)으로 불리는 조직에 속해 있다.
이전 명칭은 Customer Advocacy Team이었으며, 여전히 고객을 대변하고 제품의 구멍과 격차를 찾는 역할을 수행한다.
진행자는 이러한 문제점들을 가장 먼저 접하기 때문에 많은 사람들이 그를 팔로우한다고 설명한다.
앤디는 엔지니어링 측면에서 진행자의 '오른팔' 역할을 한다.
금융 서비스 시나리오: 앤디는 최근 진행자와 함께 금융 서비스 관련 이니셔티브를 진행했으며, Nuance 시절 구축했던 금융 기관용 샘플 API 구현 사례를 설명하도록 요청받았다.
음성 경험에 대한 추가 논의 요청: 진행자는 앤디에게 음성(Voice) 구축 방식과 그 영향에 대해 경험을 공유해 달라고 요청했다.
4. 금융 시나리오 구현을 위한 API 및 테스트 시나리오 구축
테스트 시나리오 선택: 앤디는 팀에 합류한 후 다양한 기능을 테스트하기 위해 자신이 과거에 애플리케이션을 구축했던 시나리오, 특히 은행(Banking) 분야 시나리오를 자연스럽게 사용했다고 설명한다.
구축한 REST 엔드포인트: 앤디는 다음과 같은 기능을 위한 REST 엔드포인트들을 구축했다.
사용자 계정 프로필 (사용자 이름, 주소, 계좌 목록, 계좌 유형, 별명 등)
계좌 잔액 조회
분실/도난 카드 신고
결제 처리
거래 내역 조회
자금 이체
이 모든 것은 전형적인 소매 은행 업무에 해당한다.
최근 기능 테스트: 앤디는 최근 Build 컨퍼런스에서 추가된 인라인 에이전트(Inline Agents) 기능을 테스트하고 싶었다.
5. 인라인 에이전트(Child Agent)의 등장과 명칭 변경
인라인 에이전트의 정의: 인라인 에이전트는 기존의 토픽 기반 또는 의도 기반의 규칙 기반(if 조건 논리) 흐름을 대체하는 기능이다.
사용자는 인라인 에이전트 내에서 원하는 작업을 설명하고, if/else 논리 유형과 사용할 도구(Tools)를 지침(Instructions) 내에 지정하여 로직을 구현할 수 있다.
명칭 변경: 진행자와 앤디는 이 기능의 명칭에 대해 지속적으로 논의해왔는데, 최근 Child Agent라는 공식 명칭으로 확정되었다.
주의: 이 기능은 Connected Agent와는 매우 다른 개념이다.
앤디의 긍정적 반응: 앤디는 이 기능을 실제로 구현해 본 결과, 예상보다 훨씬 더 잘 작동했다고 언급했다.
청중 대상 안내: 청중들은 Ignite나 Power Platform Conference에서 언급될 Child Agent라는 용어에 유의해야 한다.
6. Child Agent를 활용한 '분실 카드' 시나리오 구현 사례
Nuance Mix에서의 구현 경험: 앤디는 Nuance Mix 팀에 있을 때 은행 고객의 '분실 카드' 시나리오를 구현해야 했으며, 이는 매우 복잡한 비즈니스 흐름이었다.
Mix 관점에서는 이 시나리오 구현에 약 4주에서 5주가 소요되었다.
연구팀이 NLU(자연어 이해)로 구현한 시나리오를 앤디가 Mix에 적용했는데, 이 시나리오는 앤디가 지난 7년간 '에이전트에서 이것을 할 수 있다면 무엇이든 할 수 있다'고 여길 만큼 중요했다.
Child Agent를 사용한 구현: 앤디는 이 시나리오를 Child Agent에 적용하여 약 하루 만에 '분실 카드' 기능을 구현할 수 있었다.
비즈니스 규칙을 위한 지침(Instructions)을 만드는 데 약 하루가 걸렸다.
복잡한 비즈니스 로직의 자동화:
다중 카드 처리: 사용자가 여러 카드(예: 5개의 신용카드)를 가진 경우, 일반적인 봇은 어떤 카드를 분실했는지 모호성을 제거(disambiguate)해야 한다.
Child Agent에서는 간단한 지침을 통해 사용자 프로필 도구(Tool)를 사용하고, 카드 개수에 따라 계좌 번호나 별명을 기반으로 카드를 모호성 해소하도록 지시했다. 이는 기존에는 많은 코드가 필요했던 작업이다.
주소 확인 및 새 카드 발송: 카드를 잠근 후 새 카드를 발송하기 위해 주소를 확인하고, 주소가 틀릴 경우 주소 변경 도구를 호출하여 업데이트하는 로직도 지침에 포함했다.
이 모든 비즈니스 로직이 코드 작성 없이 지침 변경만으로 올바른 도구를 호출하고 비즈니스 로직을 실행하는 데 성공했다.
효율성 비교: 기존 Mix에서 4~5주 걸리던 작업을 Child Agent에서는 단 하루 만에 완료했으며, 기존 방식은 if-then과 같은 제약적인 구조였다.
7. 대화형 AI 기술의 역사적 발전 과정
DTMF (초기 IVR): 앤디는 IVR 공간에서 처음 시작했을 때 모든 것이 DTMF(Dial Tone Multi-Frequency), 즉 전화기 버튼을 눌러 메뉴 옵션을 선택하는 방식이었다고 설명한다.
DTMF는 전화기에서 특정 톤을 내보내는 방식이며, 과거에는 이 톤을 녹음하여 동전을 넣는 것처럼 속이는 해킹이 존재했다.
이 방식은 신용카드 번호, 날짜 등을 숫자로 입력해야 했기 때문에 매우 성가셨다.
제약적인 음성 인식: 이후 음성 인식이 도입되었으나, 문법(Grammars)에 의해 매우 제약적이었다.
특정 질문에 대해 훈련된 문법만 사용할 수 있었으며, 범위를 벗어난 말을 하면 "이해하지 못했다"는 응답이 나왔다.
NLU (자연어 이해)의 등장: NLU는 음성에 더 넓은 범위의 메뉴를 제공했다.
기존에는 "체크 계좌는 1번을 누르거나 체크라고 말하세요"와 같이 5개 정도의 옵션만 있었지만, NLU는 트리 구조를 평탄화하여 더 많은 옵션을 허용했다.
NLU는 사용자가 전화를 건 의도(Intent)를 파악하는 데 중점을 두었으며, 이는 채팅에도 적용된다.
NLU는 의도 인식(Intent recognition)과 개체 추출(Entity extraction)을 기반으로 하며, 사용자가 정확히 일치하지 않아도 유사한 말을 하면 처리할 수 있었다.
NLU는 순위 점수(Ranking score)를 기반으로 다음 단계를 결정했으며, 점수가 너무 가까우면 모호성 해소가 필요했다.
LLM 기반 방식과의 차이: NLU 방식은 앤디가 현재 설명하는 대규모 언어 모델(LLM)을 사용하는 방식과는 매우 다르다.
8. NLU에서 LLM 기반 대화로의 전환 및 훈련의 변화
훈련 시간 감소: LLM 기반 방식은 정확도가 훨씬 높으며, 과거 NLU에서 훈련 세트(Training sets)에 쏟았던 시간을 더 이상 생각할 필요가 없게 되었다.
NLU의 초기 사용: NLU는 주로 초기 메뉴("어떻게 도와드릴까요?")에서 사용되었고, 그 이후는 지시된 대화(Directed dialogue), 즉 개별 문법과 유사했다.
NLU의 확장: 이후 NLU Everywhere로 발전하여 대화형 AI의 기능이 확장되었고, 대화 중간(예: 메뉴 하단)에서도 "결제하고 싶다"고 말하면 이해할 수 있게 되었다.
'분실 카드' 시나리오의 복잡성 (NLU 관점):
주소 확인 후 새 카드 주문 시, 거래 내역 조회가 필요했다.
고객 시나리오에서 "두 번째 것이 내 것이 아니다" 또는 "1, 2, 3번이 내 것이다"와 같은 복잡한 요청이 있었다.
NLU는 사용자가 말할 것이라고 예상되는 것을 훈련해야 했고, 사용자가 말한 내용이 무엇을 의미하는지 코드로 정의해야 했기 때문에 이러한 복잡한 요청 처리는 매우 어려웠다.
LLM 기반의 혁신: LLM의 장점은 훈련할 필요가 없다는 것이다.
앤디는 API가 5개 이상의 거래 내역을 반환하도록 설정하고, "전체 목록을 확인하고 그것들이 내 거래 내역인지 확인하라"고 지시했다.
LLM은 "세 번째 것이 내 것이 아니다"라는 말을 이해하고, 분쟁 거래 API(dispute transaction API)를 호출했으며, 다음 5개 목록으로 넘어가 모든 거래가 확인될 때까지 반복했다.
이 모든 것을 하루 만에 코딩했으며, 대부분은 Child Agent 작동 방식과 프롬프트 내 단어가 지침을 개선하는 방식을 학습하는 데 사용되었다.
맥락 이해의 중요성: 과거에는 대화 전체의 맥락을 분석하기 어려웠으나, LLM은 대화의 전체 맥락을 이해할 수 있게 해준다.
9. MCP (Model Context Protocol) 소개 및 활용의 중요성
MCP의 부상: 진행자는 현재 가장 뜨거운 주제 중 하나인 MCP(Model Context Protocol)에 대해 논의하고 싶어 한다.
MCP는 Copilot Studio에 최근 리소스 지원(Resource support) 기능이 추가되면서 중요해졌다.
MCP의 정의: MCP는 서버가 API와 같은 사용 가능한 모든 것들을 모델이 이해할 수 있도록 설명하는 방식이다.
교육 콘텐츠에서는 제3자 시스템을 대화형 에이전트에 연결하는 USB-C 포트와 유사하다고 정의한다.
실제로는 에이전트가 소비할 수 있도록 제3자 제공업체(예: ServiceNow, Salesforce)가 모델 인식 버전(model-aware version)의 API나 정보를 정의하여 제공하는 도구 및 리소스 그룹이다.
앤디의 MCP 탐색: 앤디는 MCP를 파고들면서, 많은 사람들이 MCP의 의도와 다르게 사용하거나 나쁜 관행을 따르는 것을 발견했다.
앤디의 역할: 앤디는 진행자와 함께 국립공원관리청(National Park Service), 은행, 소매 및 접객 시나리오 등에서 MCP를 구현하는 작업을 진행하고 있으며, 앤디가 백엔드에서 이를 구축하면 진행자가 소비하는 방법을 찾는다.
10. MCP 서버 구현 시 흔히 발생하는 문제점 (나쁜 관행)
MCP 구성 요소: MCP는 프로토콜이며, 도구(Tools), 프롬프트(Prompts), 리소스(Resources)가 주요 구성 요소이다.
에이전트가 MCP 서버에 연결되면, 초기화 메서드(initialize method)를 통해 서버가 가진 리소스 유형(도구, 프롬프트, 리소스)을 반환받는다.
도구가 있는 경우, 에이전트는 도구 목록을 받아 상호작용 시 언제 해당 도구를 사용할지 알게 된다.
도구와 리소스의 구분:
도구(Tools): API와 같은 실행 가능한 항목.
리소스(Resources): 지식, 정보와 같은 항목.
프롬프트(Prompts): 사용자 정의 프롬프트.
진행자는 이 모든 것을 에이전트가 사용할 수 있는 도구의 분류로 간주한다.
Copilot Studio 지원 현황: 현재 Copilot Studio는 도구(Tools)와 리소스(Resources)를 지원한다.
나쁜 관행: 단순 래퍼(Wrapper) 생성: 앤디가 발견한 문제점은 많은 사람들이 MCP 서버를 구축할 때 단순히 REST 엔드포인트를 래핑하는 데 그쳤다는 것이다.
예를 들어, 잔액 조회를 위해 사용자 ID와 계좌 번호라는 두 가지 정보만 요구하는 래퍼 도구를 만들고, 그 결과는 에이전트가 알아서 처리하도록 맡겼다.
이는 MCP의 잠재력을 활용하지 못하는 것이다.
MCP의 잠재력 활용 (지침 제공):
MCP 서버는 도구를 호출할 때 추가 정보(지침)를 제공할 수 있다.
예시: 잔액 조회 시, 계좌 유형에 따라 다른 정보를 제공하도록 지침을 프롬프트에 포함할 수 있다.
즉, API 응답을 받은 후 에이전트가 응답을 어떻게 처리해야 하는지에 대한 지침을 제공해야 한다.
모델 설명(Model Description)의 부재: 진행자는 이것이 Power Platform 커넥터의 입력/출력 정의와 유사하며, 많은 사람들이 출력에 대한 모델 설명을 제공하지 않았다고 지적한다.
MCP 서버 내에서 데이터 표시 방법, 형식 지정 방법, 특정 정보 수신 시 취해야 할 조치 등에 대한 지침을 제공해야 한다.
놓쳐진 기회: 이처럼 지침을 제대로 제공하지 않는 것은 MCP 작성자들에게 큰 기회 손실이다.
예를 들어, ServiceNow 데이터에서 자산 관련인지 HR 관련인지에 따라 다르게 포맷하고 처리하도록 지침을 줄 수 있다.
소비자 측면의 어려움: 진행자는 MCP 서버를 소비하는 입장에서, 런타임에 모든 함수를 맹목적으로 받기 때문에 제작자가 런타임에 이를 재정의할 능력이 부족하다고 지적하며, 따라서 지침 세트가 훌륭해야 한다고 강조한다.
LLM의 역할: 지침이 없으면 LLM이 해당 정보를 가지고 무엇을 해야 할지 스스로 추론하게 된다.
앤디는 현재까지 이러한 고급 기능을 보여주는 MCP 서버를 보지 못했으며, 많은 사람들이 대화형 디자이너의 관점 없이 엔드포인트를 래핑하는 데 집중하고 있다고 분석한다.
11. 대화형 앱 개발 패러다임의 변화: 과학에서 예술로
새로운 역할의 필요성: 진행자는 대화형 앱 개발 방식이 변화함에 따라 프롬프트 엔지니어링을 위해 대화형 디자이너(Conversational Designer)의 측면이 필요하다고 언급한다.
과거의 전문 인력 구성 (Nuance 기준): 앤디는 Nuance 시절의 전문 인력 구성을 설명한다.
음성 과학자(Speech Scientist): ASR 및 NLU 모델 훈련.
UI 디자이너: 비즈니스 규칙 및 에이전트 페르소나 이해.
개발자: 규칙을 기능 코드로 변환하는 대규모 구현 팀.
현재 필요한 인력: 현재는 비즈니스를 이해하고 대화를 설계할 줄 아는 사람, 그리고 UX(사용자 경험) 전문가가 비즈니스와 기술 사이의 다리 역할을 해야 한다.
앤디는 과거 '분실 카드' 흐름 구현에 8~10명의 엔지니어링 팀이 필요했지만, 이제는 혼자서 구현할 수 있게 되었다고 강조한다.
여전히 비즈니스 목표를 이해하고, 기술적으로 어떻게 달성할지 파악하며, UX 디자이너가 이를 기술 구현에 맞게 번역하는 역할이 필요하다.
12. LLM 기반 개발의 실제 경험: 효율성과 튜닝의 중요성
SAP/Ariba 벤더 온보딩 사례: 진행자는 어제 겪은 사례를 공유한다. SAP/Ariba 백엔드를 사용하는 조직에서 신규 벤더 온보딩에 드는 노력을 줄이고자 했다.
목표는 기존 승인된 벤더 카탈로그에서 제품을 검색하고 주문할 수 있도록 하는 것이었다.
구현 시간과 병목 현상:
기술 구현(API 데이터 캐싱 및 인덱싱)은 15~20분 만에 완료되었다.
대부분의 시간(Step 2)은 대화형 디자인/프롬프트 엔지니어링에 소요되었다.
답변이 마음에 들지 않거나, 특정 방식으로 질문했을 때 잘못된 방향으로 가는 등 튜닝에 시간이 걸렸다.
LLM의 과도한 효율성 문제:
테스트 데이터셋에 아세틸렌 제품이 하나만 있었는데, "아세틸렌 주문"을 요청하자 LLM이 너무 효율적이어서 사용자 확인 없이 즉시 주문을 처리해 버렸다.
진행자는 "잠깐, 사용자에게 확인해야 한다"고 개입해야 했다.
이는 기술 자체의 문제가 아니라, 튜닝의 중요성과 경험이 부족한 사람이 이 튜닝 단계를 간과할 위험성을 보여준다.
규칙 기반 시스템과의 차이:
과거 규칙 기반 시스템에서는 구현하지 않은 것은 절대 수행할 수 없었다.
LLM은 스스로 비즈니스 규칙을 엔지니어링하여 수행할 수 있다.
'분실 카드' 시나리오 재시도 (단순 래핑의 결과):
앤디는 학습 목적으로 REST 엔드포인트만 래핑하여 MCP 서버를 만들고 "분실 카드"라고 말했을 때, LLM이 임의로 프로세스를 만들어냈다.
Swagger 파일(도구 정의)이 좋아서 카드를 잠그고 새 카드를 주문했지만, 다음 시도에서는 매번 다른 비즈니스 규칙을 만들어냈다.
프롬프트를 통한 제어: 앤디는 "사용자가 '분실 카드'라고 말하면, 이 순서대로 이 작업들을 수행하라"는 프롬프트를 만들어 Child Agent의 지침을 복제해야 했다.
도구만 제공하면 LLM은 자신이 생각하는 방식으로 도구를 사용하므로, 원하는 방식으로 수행하도록 제어해야 한다.
13. Copilot Studio 내 다양한 제어 지점과 '예술'로서의 개발
Copilot Studio의 제어 지점: Copilot Studio에는 여러 수준의 제어 지점이 존재한다.
모델 설명(Model Descriptions): 도구가 무엇인지, 어떻게 오케스트레이션해야 하는지에 대한 정의.
지침(Instructions): 에이전트의 동작 방식에 대한 설명.
서식 지정 세부 정보(Formatting details): 프롬프트를 통해 응답을 어떻게 형식화할지에 대한 정보.
Child Agent: 부모 에이전트에게 특정 상황에서 특정 도구(Child Agent)를 사용해야 함을 설명할 수 있다.
다층적 제어: 최상위 수준에서는 언제 핸드오프할지를 결정하고, 다음 수준에서는 사용 방식과 형식을 결정하는 등 각 수준에서 기능을 조합해야 한다.
개발의 본질: 앤디와 진행자는 현재의 개발 방식이 과학(Science)이라기보다는 예술(Art)에 가깝다고 결론 내린다.
필요한 세 가지 역할: 현재 개발자는 다음 세 가지 역할을 동시에 수행해야 한다.
비즈니스 흐름 이해: 비즈니스 목표와 자동화 대상을 이해.
기술적 구현: 제품 기능(Copilot Studio)을 활용하여 기술적으로 달성하는 방법 이해.
사용자 경험(UX) 설계: 기술적 구현을 최종 사용자에게 맞게 번역하는 능력.
프롬프트 엔지니어의 역할: 과거에는 대규모 엔지니어링 팀이 필요했지만, 이제는 프롬프트 엔지니어가 중간에 위치하여 사용자 경험에 맞게 작동하도록 프롬프트를 주입하여 LLM의 '엉뚱한 행동'을 방지해야 한다.
14. Copilot Studio의 비유와 프롬프트 엔지니어링 팁
Copilot Studio 비유: Copilot Studio는 도구와 재료가 가득한 주방과 같다.
같은 재료(도구)를 사용하더라도, 올바른 혼합 비율과 조리법(오케스트레이션)을 통해 다른 결과물을 만들 수 있다.
프롬프트 엔지니어링 팁: 진행자는 프롬프트 엔지니어링에 대한 자신의 접근법을 공유한다.
CARE 프레임워크: 이해하기 쉬운 프레임워크이므로 확인해 볼 것을 추천한다.
Prompt Coach 템플릿: M365 Copilot의 Copilot Studio 라이트 경험에서 제공되는 '프롬프트 코치' 템플릿을 사용하여 시작 프롬프트를 얻고 이를 조정한다.
15. 대화형 AI 산업의 미래 전망
자율적으로 작동하는 에이전트: 앤디는 자율적으로 작동하는 에이전트가 매우 흥미로울 것이라고 예측한다.
앤디는 현재 GitHub Copilot을 사용하여 코딩을 최소화하고 있으며, 에이전트에게 지침을 주면 스스로 많은 작업을 수행하고 매번 사용자에게 돌아오지 않는 미래를 기대한다.
예를 들어, "X, Y, Z를 포함하는 REST 엔드포인트를 구축하라"고 하면 에이전트가 모든 것을 구축하는 방식이다.
인간의 역할 변화 (인간 루프):
앤디는 자동화가 사용자가 사람과 대화할 필요 없이 업무를 처리하게 할 것이며, 이는 시간 소모적이고 비즈니스적으로 비싸기 때문이라고 설명한다.
미래에는 인간이 루프(Human in the loop)에 참여하여, 에이전트가 작업을 수행한 후 확인하거나 지침을 제공하는 역할만 하게 될 것이다.
프론티어 펌(Frontier Firm) 관점:
한 임원 브리핑에서 미래의 인간 역할은 관리자가 되어 팀의 작업을 검증하는 것이라고 들었다.
AI가 세상을 장악하기보다는, 사람들이 하기 싫어하는 일(예: 콜센터 시나리오)을 AI가 대신하게 될 것이다.
키오스크와 대화형 앱: 진행자는 키오스크 주문 경험을 예로 들며, 버튼 클릭 대신 대화형 애플리케이션으로 진화할 것이라고 설명한다.
진행자는 소프트 타코에서 양상추를 빼고 닭고기로 바꾸는 데 16번의 클릭이 필요했던 경험을 언급하며, "모든 소프트 타코에 대해 양상추를 제거하고 치킨으로 바꿔달라"고 말하면 AI가 처리해야 한다고 주장한다.
인간 확인(Human confirmation)은 항상 필요하며, 이는 드라이브 스루에서 확인 사항을 보는 것과 같다.
관리자로서의 역할: 미래에는 모두가 이러한 작은 작업들을 관리하는 관리자가 될 것이며, 이는 마치 Roomba 로봇 청소기를 관리하는 것과 같다.
로봇이 카펫에 걸리면 사용자가 가서 해결해야 하듯이, AI도 완벽하지 않으므로 관리자가 세부적인 작업을 처리해야 한다.
이러한 관리 역할은 현재의 사소한 작업을 수행하는 것보다 훨씬 더 보람 있을 것이다.
16. 향후 이벤트 및 연락 방법 안내
예정된 컨퍼런스: 진행자와 앤디가 참석할 예정인 컨퍼런스 정보가 공유되었다.
North America Summit (NASummit.com): 올랜도, 19일~23일 주간에 진행되며, 앤디와 진행자가 공동 발표할 예정이다.
앤디는 이 행사에서 피클볼 토너먼트에 참가하도록 설득되었다.
앤디의 취미는 플라이 낚시이다.
Power Platform Conference: 다음 주에 진행되지만, 앤디는 현재까지 참석 예정이 없다.
Ignite: 참석 가능성이 있으나 아직 미정이다.
이벤트 중 업무 지원: 이벤트 기간 중에도 고객 지원을 위해 본사에 남아있는 인력이 필요하며, 신규 기능 출시 시 예상치 못한 인기로 인해 GPU 용량이 모두 소진되어 프로덕션 문제가 발생했던 사례도 있었다.
연락 방법:
앤디에게 연락: LinkedIn을 통해 메시지를 보내는 것이 가장 좋다.
진행자에게 연락: copilotstudiodude.com을 통해 유튜브 채널로 이동 가능하며, LinkedIn에서도 활동적이다.
진행자는 업무량 때문에 연결 요청을 일괄 처리하며, 이 팟캐스트는 그의 정규 업무 외에 진행하는 활동이다.
팟캐스트 피드백 및 향후 계획:
첫 번째 팟캐스트에 대한 댓글과 추천을 요청한다.
비디오 콘텐츠를 대체하는 것이 아니며, 계속 진행할 것이다.
최근 영상 제작 속도가 느려진 이유는 광범위한 출장, 자녀들과의 시간 확보, 그리고 팟캐스트를 위한 영향력 있는 게스트 섭외 때문이었다.
구독을 독려하며, Copilot Studio를 시도해 보려면 aka.ms/trycopilotstudio를 이용할 수 있다.
마무리 인사:
유튜브 채널 1만 구독자 달성에 감사 인사를 전하며, PPC(Power Platform Conference)와 Ignite에서 공개될 새로운 기능에 대한 기대감을 표한다.
CAT 웨비나에도 자주 출연하니 확인해 달라고 요청한다.
앤디에게 감사를 표하며, 첫 번째 시도가 성공적이었고 앞으로 더 좋아질 것이라는 말로 마무리한다.
댓글
댓글 쓰기