현장의 암묵지를 코드로 바꾸는 전진 배치 엔지니어링

고객사 현장에 엔지니어를 직접 투입해 몇 주 안에 워크플로우를 인코딩하고 실제 데이터로 데모를 구현하는 '전진 배치 엔지니어링(Forward-deployed engineering, 이하 FDE)'이 엔터프라이즈 AI의 핵심 운영 모델로 부상했다. 단순히 소프트웨어를 설치하는 것이 아니라, 기업이 10년 넘게 쌓아온 비즈니스 규칙과 예외 상황, 워크플로우 로직 같은 '암묵지'를 추출해 지능형 레이어에 심는 작업이 핵심이다.

실제 통신사 도입 사례에서 이러한 과정의 필요성이 드러났다. 초기 모델이 정의한 '고의도(high-intent) 고객'의 기준은 현장 운영 시스템의 기준과 일치하지 않았다. 실제 고객 유지 팀은 지역, 가입 기간, 과거 제안 성공 사례 등 문서화되지 않은 판단 기준으로 고객을 분류하고 있었다. 엔지니어가 현장 실무자와 함께 상주하며 이 로직을 추출해 코드로 인코딩한 후에야, AI 모델은 단순한 점수 산출을 넘어 신뢰할 수 있는 실행 액션을 트리거할 수 있었다. 이렇게 한 번 인코딩된 로직은 이후 새로운 고객 획득이나 유지 유스케이스를 실행할 때 소요 시간을 몇 달에서 며칠 단위로 단축시키는 기반이 됐다.

'단순 노동'과 '제품 자산'을 가르는 채택 전략

많은 AI 벤더가 FDE 인력 규모를 성장 신호로 제시하고, 구매자는 이를 빠른 도입의 약속으로 읽는다. 하지만 시장의 흐름은 이 인력이 '단순 구축 노동'에 머무느냐, '제품의 우위'를 만드는 학습 기능으로 작동하느냐에 따라 갈린다. 원문은 이를 '진흙탕(Mud)'과 '샌드박스(Sandbox)'의 차이로 설명한다.

진흙탕 모델에 빠진 벤더는 고객사마다 매번 새로운 커스텀 기능을 수동으로 구축한다. 하단에 이를 받아낼 공통 엔진이 없기 때문에 엔지니어가 떠나면 남는 것은 개별 고객을 위한 일회성 코드뿐이다. 반면 샌드박스 모델은 범용 엔진을 가지고 까다로운 환경에 진입해, 엔진에 필요한 새로운 부품(기능)을 찾아내 설치하고 그 학습 내용을 다시 제품으로 피드백한다.

이런 전략적 FDE는 단순한 워크플로우 실행 소프트웨어를 넘어 '지능 시스템(System of Intelligence)'을 구축하는 과정이다. 현장에서 발견된 예외 상황을 재사용 가능한 아티팩트로 코드화하고, 이를 보안 및 평가 리뷰를 거쳐 제품에 반영하는 학습 루프를 만든다. 결과적으로 모든 고객에게 공통으로 적용될 '제품 지능', 특정 계정에서만 재사용될 '설정 가능 로직', 그리고 일회성 '서비스 작업'을 명확히 구분해 관리하는 것이 경쟁력의 핵심이 된다.

벤더의 실력을 검증하는 5가지 정량 지표

한국의 AI 실무자와 도입 결정권자가 벤더의 FDE 역량을 판단할 때 주목해야 할 점은 엔지니어의 이력이 아니라 '핸드오프(Handoff)' 과정이다. 현장 엔지니어가 발견한 인사이트가 얼마나 빨리 테스트된 제품 기능으로 전환되는지, 그 조직적 인터페이스를 확인해야 한다.

구체적으로 다음 5가지 지표를 통해 해당 벤더가 제품력을 쌓고 있는지, 아니면 인력으로 때우는 서비스 기업인지 구분할 수 있다.

1. 라이브 워크플로우당 투입 엔지니어 수: 제품화가 진행될수록 이 수치는 낮아져야 한다.

2. 배포당 엔지니어링 시간: 동일 산업군 내에서 배포 시간이 단축되는지 확인한다.

3. 버티컬별 가치 창출 시간(Time-to-value): 아이디어에서 실행까지의 기간이 짧아지는지 측정한다.

4. 구현 작업의 재사용률: 새로 구축하는 코드보다 기존 모듈을 재사용하는 비중이 늘어야 한다.

5. 제품화 지연 시간(Productization Lag): 현장 발견부터 다음 고객이 사용할 수 있는 기능으로 출시되기까지의 시간이다.

전략적으로 성공한 FDE 모델은 전체 인력 수가 늘어나더라도, 가치 단위당 필요한 인간의 번역 작업은 줄어들어야 한다. 벤더가 '학습'이나 '플레이북' 같은 추상적인 단어만 사용한다면, 특정 산업군에서 엔지니어링 시간이 얼마나 줄었는지, 커스텀 통합 횟수가 얼마나 감소했는지에 대한 구체적인 델타(Delta) 값을 요구해야 한다.