시스템 죽음 나선 — 그리고 AI 에이전트가 그것을 어떻게 깨뜨렸는가

TL;DR:8년 동안 시스템을 구축한 후, 나는 예측 가능한 패턴을 발견했다: 모든 시스템은 결국 설계된 워크플로우와 실제 세계의 복잡성 사이의 간극 때문에 사용할 수 없게 된다. 이 간극은 인간의 창의성, 시간 제약, 중복 도구 및 문서 부채에서 발생한다. 나는 완벽한 시스템을 구축하려고 하는 것을 중단했다. 대신, 데이터 입력, 이상 탐지 및 시스템 패치를 처리하는 AI 에이전트 3개를 구축했다 — 간극을 관리하는 대신 없애는 자가 치유 인프라를 만들었다.

아무도 이야기하지 않는 패턴

2016년 이후, 머큐리는 많은 시스템을 구축하고 실험해왔다.

우리는 자체 ERP와 CRM을 구축했다. 우리의 워크플로우를 정의했다. 기성 도구를 채택하고 Zapier, n8n 및 맞춤형 통합으로 연결했다. 우리는 우리의 스택에 자부심을 느꼈다. 그것은 정교하게 느껴졌다. 현대 기업이 해야 할 일을 하고 있는 것 같았다.

하지만 지난 6개월 동안, 나는 지난 8년을 되돌아보았고 내가 보고 싶지 않았던 것을 보았다:

죽음의 나선. 그리고 그것은 어디에나 있다.

작동 방식은 이렇다. 시스템을 구축한다. 워크플로우를 정의한다. 사용 사례는 설계에 의해 그 워크플로우로 제한된다. 그러다가 비즈니스가 성장한다. 새로운 상황이 나타난다. 엣지 케이스가 증가한다. 사람들은 시스템을 원래 의도와는 다른 '창의적인' 방식으로 사용하기 시작한다. 데이터는 잘못된 필드에 들어간다. 보고서는 신뢰할 수 없게 된다. 누군가 문제를 '해결'하기 위해 그림자 스프레드시트를 만든다. 이제 두 개의 진실 출처가 생긴다. 그리고 세 개가 된다.

시스템과 현실 사이의 간극은 계속해서 확산된다.

결국 시스템은 사용할 수 없게 됩니다. 기술이 실패했기 때문이 아니라, 거리 시스템이 가정하는 것과 비즈니스가 실제로 하는 것 사이의 간격이 너무 커져서 메우기 어려워졌기 때문입니다.

머큐리에서는 이것이 느린 속도로 발생했습니다.우리의 CRM 데이터는 CRM에 존재하지 않았습니다. 그것은 우리의 메시징 플랫폼, CRM 코어, PBX 통화 기록 및 이메일 스레드에 존재했습니다. 같은 고객. 다섯 가지 다른 표현. 그들 중 어느 것도 완전히 일관되지 않았습니다. 분기별 보고서를 실행할 때, 이러한 출처를 조정하는 데 며칠이 걸렸습니다. 때때로 우리는 몇 달 동안 존재했던 불일치를 발견했습니다 — 공식적인 워크플로우가 실제 고객 상황에 너무 경직되어 있다고 느낀 직원들이 "창의적으로" 입력한 데이터입니다.

나는 고객 회사에서 이 패턴을 지켜보았습니다. 나는 백 명의 IT 부서를 가진 대기업에서도 이 패턴을 지켜보았습니다. 메커니즘은 다르지만, 패턴은 보편적입니다.

갭이 발생하는 곳

갭에는 네 가지 출처가 있습니다. 그 중 어느 것도 기술적이지 않습니다.

인간의 창의성.당신의 직원은 로봇이 아닙니다. 시스템이 상황에 맞지 않을 때, 그들은 즉흥적으로 대처합니다. 그들은 우회 필드에 데이터를 입력합니다. 그들은 구조화된 데이터를 위해 "노트" 섹션을 사용합니다. 그들은 IT가 무언가를 패치하기를 기다리는 것보다 더 빠르기 때문에 시스템 외부에서 병행 프로세스를 만듭니다.

시간.갭을 식별하더라도, 패치하는 데는 시간이 걸립니다. 항상 더 높은 우선순위가 있습니다. 갭은 몇 달 동안 백로그에 남아 있습니다. 그 사이에, 우회는 새로운 표준이 됩니다.

의사결정.무엇을 수정해야 할까요? 왜? 어떤 순서로? 대부분의 조직은 이를 명확하게 답할 수 없습니다. 갭은 "올바른" 것이 무엇인지 결정할 권한과 맥락이 있는 사람이 없기 때문에 지속됩니다.

문서화.누군가 우회가 어떻게 작동하는지 문서화할 때쯤이면, 세 개의 더 많은 우회가 나타났습니다. 문서화는 항상 현실에 뒤처져 있습니다. 때때로 그것은 적극적으로 오해를 불러일으킵니다.

그리고 복합적인 요소가 있습니다: 중복.

귀하의 CRM 데이터는 CRM에 존재하지 않습니다. 그것은 귀하의 메시징 플랫폼, CRM 코어, PBX 시스템, 이메일 스레드 및 영업 사원의 개인 메모에 존재합니다. 동일한 고객. 다섯 가지 다른 표현. 그들 중 어느 것도 완전히 일관되지 않습니다. 보고서를 실행할 때, 어떤 것이 진실입니까?

이것은 버그가 아닙니다. 이것은 2년 이상 존재해온 모든 조직의 자연스러운 상태입니다.

전통적인 답변(그리고 왜 실패하는가)

전통적인 답변은 더 나은 시스템을 구축하는 것입니다. 더 유연하게. 더 구성 가능하게. 더 "미래에 대비할 수 있게."

저는 이것을 시도해 보았습니다. 효과가 없습니다.

시스템을 더 유연하게 만들수록, 시스템은 더 복잡해집니다. 복잡해질수록 설계된 기능과 실제 사용 간의 격차는 더 넓어집니다. 유연성은 격차를 없애지 않습니다. 단지 그것을 더 높은 수준의 추상화로 이동시킬 뿐입니다.

기업 소프트웨어 공급업체들은 수십 년 동안 "유연성"을 판매해왔습니다. 모든 구현은 "귀하의 워크플로우에 맞게 구성하겠습니다"로 시작하고 "귀하의 워크플로우는 시스템에 맞게 변경되어야 합니다"로 끝납니다. 항상 격차가 승리합니다.

내가 대신 만든 것

약 한 달 전, 완벽한 시스템을 구축하려는 시도를 중단했습니다.

대신, 저는 그 격차 자체를 설계했습니다.

저는 AI 에이전트 3개를 만들었습니다. 챗봇이 아닙니다. 보조자가 아닙니다. 인간과 시스템 사이에 위치하여 항상 쌓이는 혼란을 처리하는 운영 레이어입니다.

에이전트 1: 진입점.

직원들은 데이터 입력을 위해 이 에이전트와 상호작용합니다. 자연어. 양식이 없습니다. 필드가 없습니다. 에이전트는 명확한 질문을 하고, 데이터를 구조화하며, 올바른 형식으로 올바른 위치에 기록합니다. 상황이 기존 카테고리에 맞지 않으면, 강제로 맞추지 않습니다. 이를 플래그로 표시합니다.

에이전트 2: 분석가.

에이전트 원이 이상을 감지하면 — 현재 스키마에 맞지 않는 것, 새로운 패턴, 진행 중인 우회 방법 — 에이전트 투로 에스컬레이션됩니다. 이 에이전트는 이상을 분석하고, 근본 원인을 식별하며, 보고서를 생성합니다: 무슨 일이 일어나고 있는지, 왜 일어나고 있는지, 어떤 시스템 변경이 격차를 없앨 수 있는지, 그리고 어떤 트레이드오프가 있는지.

보고서가 내 책상에 도착합니다. 나는 그것을 검토합니다. 나는 추천을 승인하거나 수정합니다.

에이전트 쓰리: 실행자.

승인되면, 에이전트 쓰리가 실행합니다. 시스템을 패치합니다. 스키마를 업데이트합니다. 통합을 수정합니다. 문서를 작성합니다. 그리고 이것을 일회성 프로젝트가 아니라 지속적인 프로세스로 수행합니다.

격차는 더 이상 누적되지 않습니다. 실시간으로 닫힙니다.

결과는, 이 첫 달에도 뚜렷합니다. 우리의 평균 격차-패치 주기 — 시스템-워크플로우 불일치를 식별하고 수정하는 데 걸리는 시간 — 는 예전에는 분기로 측정되었습니다. 2026년 초에는 더 나은 프로세스 규율을 통해 약 2주로 압축했습니다. 에이전트 삼중주와 함께 현재 주기는 4시간 미만 비구조적 변경에 대해, 그리고 같은 날 내 승인이 필요한 스키마 수준 조정을 위해.

그림자 스프레드시트가 사라지고 있습니다. 우리가 강제해서가 아니라, 시스템이 이제 현실을 충분히 정확하게 반영하여 사람들이 우회할 필요가 없기 때문입니다.

이것은 우리의 GEO 방법론을 뒷받침하는 동일한 원칙입니다. mtsoln.com이 8월 27일 재감사에서 82점(방법 A 91점, 방법 B 76점)을 기록한 통합 GEO 감사 프레임워크는 일회성 최적화가 아닌 지속적인 격차 해소를 기반으로 구축되었습니다. AI 시스템이 귀하의 브랜드를 표현하는 방식과 귀하가 실제로 운영하는 방식 간의 격차는 프로젝트에서 해소되지 않습니다. 지속적인 관찰과 적응을 통해 해소됩니다. 우리는 이를 클라이언트 사이트에 적용하고 있습니다. 이제 우리는 이를 우리 자신의 인프라에 적용하고 있습니다.

이것이 실제로 의미하는 바

이것은 자동화가 아닙니다. 자동화는 프로세스가 알려져 있고 반복 가능하다고 가정합니다. 이것은 다른 것입니다. 이것은 적응형 인프라.

시스템은 모든 사용 사례를 예측하려고 하지 않습니다. 그럴 필요도 없습니다. 실제로 발생하는 일을 관찰하고, 편차를 식별하며, 이를 수용하기 위해 진화합니다. "완벽한 시스템"은 필요 없어집니다. 왜냐하면 시스템은 결코 완성되지 않기 때문입니다 — 현실에 비례하여 지속적으로 더 정확해지고 있습니다.

이 접근 방식은 현재 머큐리에서 두 가지의 기초가 되고 있습니다:

우리의 GEO 서비스.생성 엔진 최적화는 정적인 모범 사례에 관한 것이 아닙니다. AI 시스템이 귀하의 브랜드를 어떻게 표현하는지에 지속적으로 적응하는 것입니다. 동일한 원칙이 적용됩니다: 관찰, 분석, 적응, 구현.

우리의 ERP/CRM 핵심.시스템은 엄격한 워크플로를 강제하지 않습니다. 워크플로에서 학습합니다. 설계된 프로세스와 실제 프로세스 간의 간극이 개선을 이끄는 신호가 되며, 신뢰성을 저하시킬 수 있는 잡음이 아닙니다.

당신이 생각하고 있는 반대 의견

"이건 불안정하게 들립니다." "대리인이 잘못된 변경을 하면 어떻게 되나요?" "거버넌스는 어떻게 되나요?"

이것들은 유효한 우려입니다. 제가 이를 해결하는 방법은 다음과 같습니다:

구조적 변경을 위해서는 인간의 승인이 필수입니다.에이전트 투가 제안합니다. 제가 승인합니다. 에이전트 쓰리가 구현합니다. 루프는 빠릅니다 — 종종 같은 날 — 하지만 인간의 결정이 게이트 역할을 합니다. 첫 달 동안, 저는 약 15%의 제안을 거부하거나 수정했습니다. 보통 에이전트가 실제 격차를 식별했지만 다른 곳에서 중복을 초래할 솔루션을 제안했기 때문입니다. 분석가는 전체 비즈니스 맥락을 가지고 있지 않습니다. 그래서 인간이 루프에 남아 있는 것입니다.

변경은 되돌릴 수 있습니다.모든 패치는 문서화되고 버전 관리됩니다. 무언가가 고장 나면, 우리는 롤백합니다. 문서는 변경을 수행한 에이전트가 작성하므로 실제로 정확합니다 — 현실에 몇 달 뒤처진 인간 문서와는 다릅니다.

대안은 더 나쁩니다.전통적인 모델은 겉으로는 안정성의 환상을 주지만, 격차는 조용히 표면 아래에서 커집니다. 당신이 이를 인식할 때쯤이면 시스템은 사용할 수 없게 되고, 마이그레이션은 6개월 프로젝트가 됩니다. 저는 보이지 않는 점진적 퇴화보다 보이는 빈번한 작은 조정을 선호합니다.

비용 논의도 있습니다.우리는 Mac Studio 스웜에서 에이전트 인프라를 운영하며, Mercury Flux를 통해 라우팅합니다. 이는 매달 약 180억 개의 토큰을 전달하는 모델 라우팅 계층으로, 대략 백만 개의 토큰당 $0.07의 혼합 비용이 발생합니다. 소매 equivalent는 매달 $20,000–200,000입니다. 에이전트 삼중체는 우리가 이미 운영하고 있는 인프라에 추가적인 컴퓨팅 비용을 더합니다. 이를 단일 시스템 마이그레이션 프로젝트의 비용이나 데이터가 다섯 곳에 존재하기 때문에 며칠이 걸리는 보고서의 기회 비용과 비교해 보십시오.

경제성은 전혀 비슷하지 않습니다.

이것이 수용될까요?

모르겠습니다.

이는 조직이 시스템에 대해 생각하는 방식에서 급진적인 변화입니다. 우리는 좋은 시스템이 안정적인 시스템이라고 믿도록 훈련받았습니다. 변화는 위험입니다. 목표는 처음부터 제대로 하는 것입니다.

"처음부터 제대로" 하는 것은 성장하고 적응하며 인간과 관련된 어떤 환경에서도 환상입니다. 문제는 당신의 시스템이 현실에서 얼마나 벗어날 것인가가 아닙니다. 그것은 당신이 그 격차를 열리는 것보다 더 빨리 좁힐 수 있는 메커니즘을 가지고 있는가입니다.

대부분의 조직은 그렇지 않습니다. 그들은 백로그를 가지고 있습니다. 그들은 "다음 릴리스에서 수정하겠습니다."라고 말합니다. 그들은 슬랙 스레드에 존재하는 그림자 스프레드시트와 우회 문서를 가지고 있습니다.

저는 다른 것을 제안합니다: 격차를 불가피한 것으로 받아들이고, 그것을 지속적으로 좁힐 수 있는 능력을 구축하십시오.

일부 사람들은 이것을 싫어할 것입니다. 이것은 프로젝트 계획 산업 복합체를 위협합니다. "구현"을 자본화할 수 있는 일회성 프로젝트가 아닌 지속적인 운영 비용으로 만듭니다. 이는 인간이 통제하던 시스템 변경을 AI 에이전트에 신뢰해야 함을 요구합니다.

하지만 저는 이 시스템을 한 달 동안 운영해왔습니다. 예전에는 분기 단위로 해결되던 격차가 이제는 몇 시간 안에 해결됩니다. 그림자 스프레드시트는 사라지고 있으며, 시스템이 실제를 반영하고 있습니다. 문서는 유지 관리가 아닌 생성되기 때문에 최신 상태입니다.

완벽하지는 않습니다. 하지만 죽음의 나선보다 낫습니다.

더 넓은 의미

이것은 머큐리의 내부 시스템에만 국한되지 않습니다.

디지털 전환에 씨름하는 모든 조직에 동일한 패턴이 적용됩니다. 많은 전환 프로젝트가 실패하는 이유는 기술이 작동하지 않기 때문이 아닙니다. 새로운 시스템과 실제 비즈니스 간의 격차가 구현 팀이 이를 해결할 수 있는 속도보다 항상 더 빨리 커지기 때문입니다.

AI 에이전트는 이 방정식의 경제학을 변화시킵니다. 적응이 자동화되고 지속적일 때, 격차는 관리 가능해집니다. 수동적이고 프로젝트 기반일 때, 격차는 항상 승리합니다.

이것을 먼저 파악하는 조직은 구조적 이점을 가질 것입니다. 그들의 시스템이 더 잘 설계되었기 때문이 아니라, 그들의 시스템이 더 잘 작동하기 때문입니다.변화하는비즈니스가 실제로 필요한 것.

이것이 내가 AI가 우리 산업을 상품화하는 것에 대해 걱정하지 않는 이유이기도 합니다.

AI와 인간 간의 간극에서 떨어지는 43%의 리드? 그 숫자는 같은 관찰에서 나옵니다. 이상적인 워크플로우를 위해 설계된 시스템은 실제 행동을 놓칩니다. 그 43%를 포착하는 비즈니스는 더 나은 챗봇을 가진 곳이 아닐 것입니다. 그들은 인간이 실제로 일하는 방식에 지속적으로 적응하는 인프라를 가진 곳이 될 것입니다 — 프로세스 다이어그램이 그들이 일해야 한다고 말하는 방식이 아니라.

그게 제가 걸고 있는 베팅입니다.

홍콩에서 작성되었습니다. 여기서는 습도가 높고 에어컨과 현실 사이의 간극이 약 12도입니다.