화웨이, 기업 AI 백서 첫 발표

henry 2026-09-20 22:23:52 출처: 量子位

AI가 점점 더 유능해지고 있는데, 기업은 어떻게 활용해야 할까

henry 발신, 凹非寺

量子位 | 위챗 공식계정 QbitAI

지난 한 해 동안 AI는 질문에 답하는 도구에서 점차 기업의 실제 업무 속으로 들어가고 있다.

사무 보조, 코드 생성부터 마케팅 콘텐츠 제작, 공급망 분석에 이르기까지 점점 더 많은 업무에 AI가 참여하기 시작했다.

전자상거래 판매자에게 AI 솔루션을 제공하는 펑(彭) 매니저는 量子位에, 그들은 이미 AI 이미지 생성, 모델 교체, 배경 교체 등의 기능을 상품 등록 프로세스에 접목했다고 말했다.

그의 추산에 따르면, 상품 담당자가 시스템에 접속한 후 소재 처리, 상품 등록 등 관련 작업을 완료하는 속도는 기존의 약 20배에 달할 수 있다. 현재 이 시스템은 8개 점포에서 채택되었고, 점포 한 곳당 월 약 2만 위안을 지불한다.

하지만 구체적인 작업 속도가 빨라졌다고 해서 전체 업무 프로세스가 이미 자동화되었다는 뜻은 아니다.

"그래도 사람이 한 번 확인하는 것이 가장 좋다." 펑 매니저는 말했다. 생성된 소재가 요구 사항에 부합하는지는 여전히 사람의 확인과 조작이 필요하다. 현재 이 AI 기능은 주로 상품 카탈로그 제작 단계에 집중되어 있으며, 심사, 상품 선정, 운영 등 후속 프로세스와의 연결은 아직 완전히 이어지지 않았다.

다시 말해, AI가 이미 한 직무의 시간을 절약해 주었지만, 이 이익이 어떻게 전체 업무 프로세스로 더 전달될 수 있는지는 여전히 해결해야 할 과제라는 것이다.

量子位가 기업이 스스로 모델을 학습시키고 완전한 AI 팀을 구축해야 하는지 더 묻자, 그의 대답은 직설적이었다. "손해 확정이다."

이어서 그는 이 계산은 결국 업무 규모에 달려 있다고 덧붙였다. 충분히 큰 업무량이 뒷받침되지 않으면, 모델 학습이든, 기업 데이터 통합이든, 지속적인 토큰(Token) 소비든, 초기 투자를 업무 수익으로 메우기 어렵다는 것이다.

더 나아가 그의 견해로는, 기업이 진정으로 고민해야 할 것은 단순히 "AI를 도입할지 말지"가 아니라, 어떤 지능 역량은 직접 구축할 가치가 있고 어떤 것은 바로 구매할 수 있는가이다.

이러한 선택은 다시 새로운 문제를 낳는다. 하나의 시나리오가 성공적으로 작동한 후, 어떻게 상하류 단계로 확장할 것인가? 국지적으로 축적된 경험을 어떻게 기업이 반복 사용할 수 있는 역량으로 침전시킬 것인가? 모델과 도구가 업데이트된 후, 기존 성과를 어떻게 계속 활용할 것인가? 서로 다른 애플리케이션은 또 어떻게 기업의 기존 데이터 및 시스템과 연결할 것인가?

그리고 이는 AI 상업 사진 촬영만의 문제가 아니다. AI가 더 많은 산업과 업무 단계에 진입함에 따라, 이와 유사한 구축, 응용, 확장 문제가 더 많은 기업 앞에 나타날 것이다.

말하자면, 단일 지점 응용에서 기업 지능화로 가는 사이에는 역량 구축, 프로세스 연결, 조직 협업이 가로놓여 있다. 기업은 흩어진 AI 도구와 실천을 진정으로 업무에 융합시키고, 점차 지속적으로 축적되고 끊임없이 진화할 수 있는 기업 역량을 형성할 수 있는 방법론이 필요하다.

9월 18일, 화웨이는 전연접대회(全联接大会) 2026에서 《Agentic Enterprise: 기업 지능화 백서》를 발표하며, 이러한 문제들을 둘러싸고 기업 지능화 구축의 참고 아키텍처와 엔지니어링 방법을 제시했다.

이제 함께 살펴보자.

화웨이의 관점에서, 기업 AI 구축에서 먼저 답해야 할 것은 "어떤 모델을 선택할 것인가"가 아니라, 기업이 진정으로 해결해야 할 비즈니스 문제가 무엇인가이다.

과거에는 많은 AI 프로젝트가 흔히 기술 역량에서 출발해 먼저 응용할 수 있는 시나리오를 찾곤 했다. 그러나 기업에게 진정으로 가치 있는 응용은 경영 목표에서 출발해 비즈니스 결과에 영향을 미치는 핵심 단계를 찾아내야 한다.

예를 들어, 한 AI 시스템이 영업이 고객 정보를 더 빨리 정리하도록 도울 수 있지만, 이 정보가 영업 의사결정, 고객 팔로업, 주문 프로세스에 들어가지 않는다면 최종적으로 창출되는 가치는 여전히 제한적이다.

서두의 AI 상업 사진 촬영 사례로 돌아가면, 판매자는 이미 소재 제작 속도 향상과 인건비 절감의 이익을 얻었다. 그러나 이미지를 더 빨리 만든 후 심사, 운영 등의 단계가 따라올 수 있는지가 이 이익을 더 확대할 수 있는지를 다시 좌우한다.

화웨이 AI 응용 수석 전문가 리훙카이(李宏恺)는 量子位에, 국지적 효율 향상은 병목을 이동시킬 수도 있다고 말했다. "당신의 이 단계가 효율화되면서 다음 단계가 막힘점이 된 것이다." 따라서 기업은 완전한 업무 프로세스에서 출발해 전체 산출을 실제로 제약하는 핵심 단계를 찾아낸 후, AI를 어디에 써야 할지 판단해야 한다.

이것이 바로 백서의 "경영이 기술을 정의하게 하라"는 핵심 주장이다. 기업은 AI가 무엇을 할 수 있는지 먼저 찾을 것이 아니라, 어떤 비즈니스 결과를 개선할 것인지 먼저 명확히 하고, 그다음 AI 역량을 어떻게 구축하고 기존 프로세스와 어떻게 연결할지 결정해야 한다.

비즈니스, 재무, 기술 책임자는 먼저 함께 확인해야 한다. 현재의 비즈니스 기준선은 무엇인지, 어떤 경영 지표를 개선하고자 하는지, 왜 AI를 사용해야 하는지, 그리고 최종 결과에 누가 책임지는지.

이 문제들이 불명확하면 기술 구축은 쉽게 "망치를 들고 못을 찾는" 상황이 되기 쉽다.

경영 목표가 먼저 정해져야만, 이후의 데이터, 지식, 모델, 에이전트가 명확한 구축 방향을 가질 수 있다.

그러나 가치 있는 시나리오를 찾는 것은 기업 AI 구축의 첫걸음일 뿐이다. 시나리오가 성공적으로 작동한 후, 기업은 이번 비즈니스 문제를 해결하며 형성된 데이터, 지식, 방법을 어떻게 보존하고, 재사용하고, 지속적으로 개선하며, 더 많은 비즈니스로 확장할 것인지도 고려해야 한다.

이를 위해서는 한 번의 프로젝트 성과를 점차 기업이 장기적으로 사용할 수 있는 역량으로 구축해야 한다.

DIMAK: 지능 역량을 기업 역량으로 구축하기

한 번의 실천이 후속 비즈니스에 기여하게 하려면, 기업은 먼저 AI가 판단에 필요로 하는 사실, 규칙, 경험을 조직화해야 한다.

이러한 판단 근거는 흔히 현성된 보고서와 문서 훨씬 너머에 있다.

많은 비즈니스 의사결정 뒤에는 대량의 암묵적 경험도 포함되어 있다. 과거에는 왜 이렇게 판단했는지, 어떤 상황에서 예외 처리가 필요한지, 어떤 규칙을 반드시 준수해야 하는지, 최종 결과가 예상에 부합했는지.

이러한 경험이 서로 다른 직무와 프로젝트에 흩어져 있다면, 한 시나리오에서 형성된 성과는 다른 비즈니스에서 사용되기 어렵다. 이들이 새로운 과제에 참여하게 하려면, 모델, 도구, 실행 환경과 함께 조직화해야 한다.

화웨이가 제시한 DIMAK는 바로 기업 지능 역량의 구축, 공급, 지속적 개선을 위한 엔지니어링 체계다. 이는 데이터(Data), AI 인프라(Infra), 모델(Model), 에이전트(Agent), 지식(Knowledge) 다섯 개의 상호 협력하는 엔지니어링 영역으로 구성된다.

하나의 구체적인 과제를 둘러싸고, 다섯 가지 엔지니어링의 협력을 이렇게 이해할 수 있다.

첫째는 AI에 판단 근거를 제공하는 것이다.

데이터 엔지니어링은 신뢰할 수 있는 비즈니스 사실을 제공하고, 지식 엔지니어링은 제도, 프로세스, 전문가 경험을 검색 가능하고 적용 조건이 명확한 규칙과 사례로 정리한다.

둘째는 과제가 실제로 작동하게 하는 것이다.

모델 엔지니어링은 모델 접속, 적응, 평가를 담당하고, 에이전트는 데이터, 지식, 모델, 도구 및 사람과 AI 간의 협업을 조직하며, AI 인프라는 이整套 역량이 안정적으로 작동하도록 보장한다.

마지막은 과제를 수행한 후 남은 경험을 계속 활용하는 것이다.

과제가 어떤 근거를 사용했는지, 사람이 무엇을 수정했는지, 어디서 이상이 발생했는지, 최종 결과는 어땠는지를 계속 기록할 수 있다. 검증을 거친 후, 유효한 경험은 지식 서비스로 들어가고, 실패 기록은 후속 평가에 사용되며, 성숙한 방법은 재사용 가능한 과제 방법으로 더 침전될 수 있다.

더 나아가, 이는 RSI(재귀적 자기진화)와 유사한 강화 순환을 형성할 수 있다. 비즈니스 피드백은 학습과 강화 학습에 사용되어 모델 역량 향상을 추동하고, 개선된 AI는 다시 비즈니스 실행, 학습, 평가에 참여해 새로운 경험과 피드백을 만들어 다음 라운드의 진화를 계속 추동한다.

이렇게 하면 기업은 경계가 명확하고 지표가 분명한 시나리오에서 시작해, 먼저 하나의 역량을 성공적으로 작동시킨 후 점차 더 많은 비즈니스로 확장할 수 있다.

매번의 실제 과제가 만들어내는 피드백은 다시 다음 라운드 개선의 근거가 된다. 생산 운영에 영향을 줄 수 있는 지식과 전략 변경에 대해서는 평가, 비즈니스 확인, 통제된 배포를 거친 후에야 정식 환경에 들어간다.

화웨이 AI 시스템 과학자 야오쥔(姚骏)은 백서를 해설하고配套 도구를 소개하면서 이 목표를 이렇게 요약했다. 기업이 범용 인공지능을 "기업이 필요로 하는 침전 가능한 가치와 자산"으로 전환하도록 돕는 것이다.

그러나 역량이 침전되기 시작하면 또 다른 현실적인 문제에 부딪힌다.

모델은 바뀌고, 에이전트 운영을 뒷받침하는 프레임워크도 바뀔 텐데, 이미 축적된 기업 역량은 어떻게 해야 하는가?

백서는 DIMAK의 핵심을 "기술 생애주기와 기업 역량 생애주기의 디커플링"으로 요약한다.

즉, 모델과 프레임워크는 지속적으로 업데이트될 수 있지만, 검증된 데이터 서비스, 지식 자산, 과제 방법은 기업이 장기적으로 축적할 수 있는 역량이 되어야 한다.

이를 위해 DIMAK는 상대적으로 안정적인 역량 인터페이스, 프레임워크 적응, 버전 관리를 통해 비즈니스 애플리케이션이 단일 모델과 프레임워크에 의존하는 정도를 최대한 낮춘다.

하위 모델이나 에이전트 프레임워크가 변경된 후, 기업은 과제 효과와 운영 호환성을 다시 검증해, 기존 데이터, 지식, 과제 방법을 필요한 적응을 거쳐 계속 사용하게 한다.

백서에 실린 전력망 설비 평가 실천은 이러한 역량 축적에 구체적인 형태를 부여한다.

한 전력망 기업은 원래 사람이 읽도록 제공되던 전문 지침을 출처가 명확하고, 버전이 유효하며, 적용 범위가 분명한 지식 자산으로 정리했다. 운검(運檢) 에이전트는 설비 대장, 결함 및 모니터링 데이터를 결합해 지침에 근거하여 평가 제안을 생성하고, 전문 인력이 심사·확인한다.

평가 근거와 결과는 함께 보존되고, 인력 수정, 결함 처리 결과, 설비 상태 변화가 지속적으로 피드백되어 다음 라운드 평가의 근거가 된다.

이로써 한 번의 설비 평가는 현재 과제를 완수하는 동시에, 기업이 다음번에 계속 호출할 수 있는 지식과 경험을 축적하게 한다.

다만 주문, 계정, 생산 상태를 추가로 변경해야 하는 과제의 경우, 판단을 형성한 후에도 정식 조작을 완료해야 한다. 이는 다시 지능 역량과 기업의 기존 업무 시스템 간의 연결을 수반한다.

H형 쌍탑: 지능적 판단에서 정식 비즈니스 행동까지

에이전트가 방안을 제시하더라도, 정식 조작은 여전히 기존 시스템을 통해 완료해야 한다. 만약 이후에도 사람이 시스템마다 개별적으로 조회, 입력, 제출해야 한다면, 분석 단계의 효율 향상이 완전한 업무 프로세스를 단축시킨다고 보기 어렵다.

화웨이가 제시한 H형 쌍탑은 바로 이 두 부분을 연결하기 위한 것이다. 지능 체계와 기존 시스템의 분업을 명확히 하고, 양방향 연결을 구축하는 것이다.

기업 AI 체계(지능탑)는 DIMAK를 엔지니어링 기반으로 삼아 목표 이해, 변화 분석, 방안 비교, 과제 조직을 담당한다.

기업 IT/OT 체계(현망탑)는 기업이 이미 운영 중인 비즈니스 및 생산 시스템으로, 권위 있는 비즈니스 사실을 제공하고 조작을 검증·실행하며 정식 결과를 기록하는 역할을 한다.

"H" 가운데의 가로 연결은 데이터, 지식, 권한, 지시, 결과를 관통시켜, 동일한 과제가 판단에서 실행으로 나아가고 다시 결과를 지능 체계로 반환하게 한다.

백서의 은행 금융상품 만기 사례는 이러한 협업 방식을 보여준다.

한 대형 상업은행은 고객의 만기 자금 배치에서 출발했다. 모바일 뱅킹 에이전트는 필요한 권한을 획득한 후, 상품 만기 상태, 계좌 자금, 위험 등급, 기존 보유 자산을 결합해 여러 방안을 형성하고, 기간, 수익, 유동성, 위험 등의 차이를 설명해 고객이 비교하고 조정할 수 있게 한다.

이 과정에서 지능탑은 정보 조직과 방안 분석을 담당하고, 은행의 기존 시스템은 계좌, 보유 자산 등 권위 있는 사실을 제공해 판단에 근거를 마련한다.

그러나 계좌를 조회할 수 있다고 해서 자금을 조작할 수 있는 것은 아니다.

고객이 방안을 확정하고 적합성 확인과 필요한 강력 인증을 완료한 후에야, 에이전트는 권한 범위 내에서 자금 이체, 금융상품 구매 등의 비즈니스 역량을 호출할 수 있다.

거래 검증, 계좌 변경, 보유 자산 기록은 여전히 은행의 기존 시스템이 완료한다. 대액 거래, 이상 계좌 등의 상황에서는 여전히 고객의 추가 확인이 필요하거나, 해당 책임 직무로 이관해 처리해야 한다.

에이전트는 과제 조직을 담당하고, 기존 시스템은 정식 실행을 맡으며, 고객은 자금 배치와 거래 확인의 결정권을 보유한다. 모든 조작 단계에는 상응하는 권한과 책임 경계가 있다.

이는 과거의 서비스 방식과 뚜렷한 차이가 하나 있다. 과거에는 고객이 직접 조회, 이체, 구매 입구를 찾아 이 기능들을 한 단계씩 연결해야 했지만, 이제는 "자금을 어떻게 배치할 것인가"라는 목표를 중심으로 에이전트가 정보와 조작을 조직하고, 기존 시스템이 정식 실행을 담당한다.

기업 AI는 이로써 원래 흩어져 있던 기능을 비즈니스 목표를 중심으로 재조직하기 시작한다. 백서에 따르면, 이 실천은 제한된 범위 내에서 고객 확인 후의 권한 실행 단계에 들어갔다.

다만 과제는 지시를 내리면 끝나는 것이 아니다. H형 쌍탑의 아키텍처 요구에 따라, 구매 요청이 접수된 후 시스템은 기존 업무 시스템의 정식 기록에 근거해 거래가 완료되었는지, 계좌와 보유 자산이 이미 업데이트되었는지 확인해야 한다.

결과가 불명확하면 먼저 상태를 검증해 중복 조작을 피해야 하고, 실행이 실패했거나 비즈니스 조건이 변했다면 과제를 다시 조정하거나 인력이 처리하도록 넘겨야 한다.

이러한 실제 실행 결과는 다시 DIMAK 체계로 반환되어 다음 라운드 역량 개선의 근거가 된다.

인력 수정, 이상 원인, 비즈니스 피드백은 기업이 지식, 모델, 과제 전략의 부족한 점을 발견하도록 돕고, 관련 변경은 평가, 비즈니스 확인, 통제된 배포를 거친 후 후속 과제에 들어간다.

DIMAK에서 H형 쌍탑으로, 서로 연결되는 하나의 엔지니어링 경로가 이렇게 형성된다.

전자는 AI 역량을 어떻게 구축하고 침전시킬지를 해결하고, 후자는 이러한 역량이 어떻게 기업 프로세스에 들어가 기존 시스템과 협업할지를 해결한다. 경영 목표를 둘러싸고 기업은 모델, 에이전트, 업무 시스템 간의 연결을 지속적으로 구축해 AI가 진정으로 과제 실행에 참여하게 할 수 있다.

과제 실행 후의 결과는 다시 역량 최적화의 근거가 된다.

결국 단일 지점 시나리오의 효율 향상은 프로세스 협업을 통해 비즈니스 링크 전체의 개선으로 확장되고, 지속적인 피드백 속에서 성장 폐루프를 형성한다.

하나의 참고 방법에서 기업 자신의 실천으로

앞서 언급한 것 외에도, 백서는 금융, 자동차, 제약, 소재 화학, 전력 등 여러 분야의落地 실천을 기록하고 있다.

산업마다 경영 목표, 업무 프로세스, 데이터 조건, 위험 경계가 각기 다르다. 이러한 사례는 참고가 될 수 있지만, 구체적으로 어떻게 구축할지는 여전히 기업이 자신의 비즈니스에 맞춰 판단해야 한다.

화웨이 AI 시스템 과학자 야오쥔이 발표회에서 말한 것처럼:

"비즈니스 가치 흐름의 마지막 1킬로미터는 기업이 구축하는 것이며, 우리가 대체할 수 없다."

이는 화웨이가 그 안에서 맡는 역할도 결정한다. 서로 다른 프로젝트에서 반복적으로 나타나는 공통 문제를 정리해 참고 방법, 엔지니어링 프레임워크, 공통 도구로 형성하여, 기업과 생태계 파트너가 반복적으로 시행착오를 겪는 비용을 낮추는 것이다.

화웨이가 제시한落地 경로도 핵심 시나리오에서 시작해 점차 검증, 배포·양산을 완료하고, 다시 가치 비즈니스 흐름을 따라 더 넓은 범위로 확장하는 것을 강조한다.

구체적인 산업에 들어가면 기업, 화웨이, 생태계 파트너가 함께 추진해야 한다. 기업은 자신의 경영 목표, 비즈니스 규칙, 책임 경계를 명확히 하고, 파트너는 구체적인 시나리오의 적응과 구현에 참여하며, 화웨이는 함께 사용할 수 있는 참고 설계와 엔지니어링 기반을 제공한다.

서두의 전자상거래 판매자의 선택으로 돌아가면, 기업은 이미 성숙한 역량을 구매하고 자신의 구축 투자를 비즈니스 규칙, 데이터 연결, 프로세스 협업에 둘 수 있다. 구체적으로 어떻게 배분할지는 여전히 비즈니스 규모, 기존 조건, 예상 회수에 따라 결정해야 한다.

이 백서의 의의도 이러한 선택에 하나의 참고를 제공하는 데 있다. 어떤 문제를 먼저 경영으로 정의해야 하는지, 어떤 역량이 장기적으로 침전될 가치가 있는지, 지능 체계는 또 어떻게 기존 비즈니스와 연결해야 하는지.

공통적인 문제는 기존의 방법을 참고할 수 있지만, 구체적인 구축은 각 기업의 비즈니스를 둘러싸고 지속적으로 검증하고 조정해야 한다.

모델은 계속 업데이트될 것이고, 에이전트 프레임워크도 계속 바뀔 것이다. 기업은 이러한 변화 속에서 자신의 데이터와 지식, 업무 경험을 지속적으로 축적하여, 세대마다 새로운 범용 지능이 경영 성과로 전환될 기회를 갖도록 해야 한다.

화웨이는 그중 공용으로 활용할 수 있는 방법과 도구를 구축하고, 이어서 기업 및 파트너와 함께 하나하나의 실제 비즈니스에서 검증하고 개선해 나가고자 한다.

AI 프로젝트를 진행하고 있는 독자라면, 먼저 구체적인 과제 하나를 선정하여 백서와 대조해 그 비즈니스 목표와 기존 역량, 시스템 연계를 정리하고, 다음 단계에서 가장 보완이 필요한 것이 무엇인지 판단할 수 있다.

백서 링크: https://www-file.huawei.com/dam/asset/view/agentic-enterprise-cn.pdf

백서 내용을 더 알아보려면 왼쪽 아래의 '전문 읽기'를 클릭하세요.