많은 기업에서 직원들에게 유료 AI 계정을 제공하고, 직무별로 생산성이 오르길 기대하거나 요구합니다. 하지만 이는 종종 현실의 벽에 부딪칩니다.
ChatGPT든 Claude든 개인 단위로 쓰면 분명 편리합니다. 문서를 요약하고 초안을 만들어주니까요. 그런데 그 결과물을 실제 의사결정에 쓰려는 순간 문제가 생깁니다. 이 답이 맞는지 확신할 수 없고, 무엇을 근거로 답했는지 확인하기 어렵기 때문입니다. 결국 사람이 다시 검증해야 하고, 그 과정에서 절약한 시간이 사라집니다.
생산성 향상은 신뢰성이 전제될 때만 의미가 있습니다. 답을 빠르게 받는 것보다, 그 답을 믿고 다음 단계로 넘어갈 수 있느냐가 훨씬 중요합니다.
세일즈포스(Salesforce)의 에이전트포스(Agentforce)는 이 지점을 정면으로 겨냥한 플랫폼입니다. 이번에 세일즈포스로부터 데모 환경을 제공받아, 실제로 영업 우선순위를 자동 산출하는 AI 에이전트를 직접 구축해봤습니다.
다만 사용 과정은 단순하지 않았습니다. 오히려 중간에 이런 의문이 들 정도였습니다.
"그냥 Claude나 ChatGPT에 우리 자료 올려놓고 물어보면 되는 거 아닌가? 왜 이런 설정이 모두 필요하지?"
실제 사용 테스트를 마친 후 그 의문이 해소되었는데요. 이번 글은 기업용 AI는 개인용 AI와 왜 다른 방식으로 만들어져야 하는지 직접 만들어보며 확인한 에이전트포스 실사용 후기 기록입니다.
1. 에이전트포스란?
세일즈포스의 에이전트포스를 이해하는 가장 빠른 방법은 어떻게 AI와 일해야 하는지에 대한 답을 이해하는 것에서 시작합니다.
일반적인 AI 챗봇은 질문을 받으면 답을 줍니다. 유용하지만, 그 다음 행동은 사람의 몫입니다.
반면 에이전트는 목표를 받아 스스로 판단하고, 필요한 작업을 수행합니다. 데이터를 조회하고, 기준에 따라 분석하고, 결과까지 세세하게 지시하지 않아도 진행합니다.
(1) 실습 목적
이번 데모 테스트에서 구축한 것은 영업 우선순위를 자동으로 산출하는 에이전트(Lead Pool Agent)입니다. 목적은 명확합니다.
"우리가 확보한 기업 리스트 중에서, 어떤 기업부터 영업하고 집중해야 하는가?"
이 질문에 답하려면 두 가지가 필요합니다. 하나는 각 기업의 객관적인 데이터(신용등급, 매출액, 영업이익 등)이고, 다른 하나는 우리 회사만의 판단 기준입니다.
같은 재무 데이터를 보더라도 회사마다 중요하게 여기는 항목이 다르기 때문입니다. 어떤 조직은 규모를 우선하고, 어떤 조직은 성장성이나 재무 안정성을 먼저 봅니다.
에이전트는 이 두 가지를 함께 읽고, 순위를 매겨 제시합니다. 사람이 엑셀을 열어 데이터를 비교하고 내부 기준과 대조하던 작업을, 질문 한 번으로 대신하는 셈입니다.
(2) 핵심은 우리 회사만의 Agent 구축
여기서 일반 AI와 결정적으로 갈립니다.
예를 들어, ChatGPT에게 “삼성물산과 현대건설 중 어디를 먼저 영업해야 하나요?”라고 물으면, 일반적인 시장 정보에 근거한 답이 돌아옵니다. 우리 회사의 영업 원칙도, 우리 CRM에 쌓인 데이터도 모르기 때문입니다.
에이전트포스가 하려는 것은 그 반대입니다.
회사의 데이터와 판단 기준을 AI에게 구조적으로 제공해서, 우리 조직의 데이터와 기준 안에서 답하게 만드는 것입니다. 그리고 그 과정을 회사 데이터가 외부로 나가지 않는 환경에서 처리합니다.
앞으로 살펴볼 준비 과정들은 전부 이 한 가지를 위한 작업이었습니다. AI에게 우리 회사를 이해시키는 일입니다.
2. 무엇을, 왜 준비했나?
에이전트를 만들기 전에 두 가지를 준비했습니다. 실습 매뉴얼로는 여러 페이지에 걸친 과정이지만, 목적만 놓고 보면 단순합니다. AI가 판단할 재료(DB)와, 판단할 기준을 제공하고 학습시키는 일입니다.
(1) 판단할 재료(기업 DB)
먼저 나이스디앤비(NICE D&B)에서 실제 기업 정보를 가져왔습니다. 이 솔루션은 국내 기업의 신용등급, 매출액, 영업이익 같은 재무 정보를 제공하는 서비스입니다.
조건을 걸어 검색했습니다. 기업 규모는 대기업, 유형은 코스피 상장사, 산업은 종합 건설업으로 좁혀 대상 기업을 추린 뒤, 그중 3개사를 리드풀(Lead Pool)로 등록하고 각각의 상세 신용정보를 불러왔습니다.
왜 이 과정이 필요했을까요?
AI가 아무리 똑똑해도, 판단할 데이터가 없으면 답할 수 없기 때문입니다. 그리고 그 데이터는 웹에 떠도는 일반 정보가 아니라 검증된 재무 데이터여야 합니다. 영업 우선순위처럼 실제 의사결정에 쓰이는 판단이라면 더욱 그렇습니다.
(2) 판단 기준 : 내부 기준/원칙
다음은 우리 회사의 영업 우선순위 원칙을 담은 PDF 문서를 AI에게 학습시키는 작업이었습니다.
앞서 말씀드린 대로, 같은 재무 데이터를 보더라도 회사마다 중요하게 여기는 항목이 다릅니다. 신용등급을 최우선으로 볼 수도 있고, 매출 규모나 성장성을 먼저 볼 수도 있습니다. 이 기준이 없으면 AI는 일반적인 상식으로 판단하게 되고, 그 결과는 우리 조직의 영업 전략과 어긋나게 됩니다.
상단의 이미지처럼 데이터 라이브러리에 우리가 보유한 판단 기준이나 데이터 베이스들을 추가로 제공하여, 우리 조직에 맞는 답변을 받을 수 있습니다.
이 문서를 AI가 읽고 검색할 수 있는 형태로 만드는 과정이 Intelligent Context 설정입니다.
또한 단순히 파일을 업로드하는 게 아니라, 문서를 어떻게 해석하고(파싱), 어떤 단위로 쪼개고(청킹), 어떻게 검색할지(검색기)를 지정하는 작업이 이어집니다.
솔직히 이 부분이 실습에서 가장 단계가 많았고, 뒤에서 다룰 의문이 생긴 지점이기도 합니다. 다만 목적만 놓고 보면 명확합니다. AI가 우리 회사의 판단 기준을 정확히 이해하게 만드는 것입니다.
정리하면 여기까지가 준비 작업이었습니다.
검증된 기업 데이터를 확보하고, 우리만의 판단 기준을 AI에게 이해시키는 것. 이 두 가지가 갖춰진 뒤에야 비로소 우리 회사/조직만의 에이전트를 만드는 단계로 넘어갈 수 있었습니다.
3. 채팅창을 만나기까지
(1) Agentforce Buider
준비가 끝난 뒤에야 비로소 에이전트를 만드는 단계로 넘어갔습니다. 그리고 이 지점에서 인상적인 순간이 있었습니다.
우리가 아는 AI 화면은 여기서야 나타났습니다
Agentforce Studio에서 새 에이전트를 만들고 Employee Agent 유형을 선택하자, 그제야 우리에게 익숙한 화면이 등장했습니다. ChatGPT나 Claude에서 보던 대화 입력창입니다.
돌이켜보면 이 지점이 이번 실습의 성격을 잘 보여줍니다.
우리가 흔히 AI를 사용한다고 할 때 떠올리는 것은 이 채팅창입니다. 그런데 여기까지 오는 데 필요했던 모든 작업이 그 앞에 있었습니다. 기업 데이터를 확보하고, 사내 기준 문서를 AI가 읽을 수 있게 가공하고, 검색 경로를 연결하는 작업 말입니다.
즉, 채팅창은 결과물이지 시작점이 아니었습니다.
개인이 AI를 쓸 때는 채팅창에서 시작하지만, 조직이 AI를 업무에 쓰려면 그 뒤에 무엇이 연결되어 있는지가 훨씬 중요하다는 것을 체감한 순간이었습니다.
(2) 에이전트포스 구조
여기에 나오는 에이전트포스의 구조는 또한 두 개의 층으로 나뉩니다.
- 하위 에이전트(Sub-agent) : 사용자의 질문이 무엇에 관한 것인지 판단하는 역할입니다. “이 질문은 어떤 작업을 해야 하는 질문인가”를 먼저 분류합니다.
- 작업(Action) : 분류가 끝나면 그 안에서 실제로 수행되는 기능입니다. 데이터 조회, 웹 검색, 계산과 분석 등이 여기 해당합니다.
이번에는 오늘 생성한 리드풀을 조회한다는 하위 에이전트를 만들고, 그 안에 실제 데이터를 불러오는 작업을 연결했습니다.
사람의 질문이 들어오면 → 어떤 유형의 요청인지 판단하고 → 해당하는 작업을 실행하는 흐름입니다. 하단의 영상을 통해 에이전트를 만들기 위한 과정 혹은 기능, 옵션들을 확인해보실 수 있습니다.
여기까지 마치자, 리드풀을 조회하고 우리 기준에 따라 분석하는 에이전트의 뼈대가 완성됐습니다.
4. 왜 이렇게까지 해야 할까?
실습을 진행하는 내내 이런 생각이 머릿속을 떠나지 않았습니다.
"이걸 왜 이렇게까지 복잡하게 해야 하지? 그냥 Claude나 ChatGPT에 Nice D&B 데이터 연결해두고, 우리 영업 원칙 PDF 하나 올려서 물어보면 되는 거 아닌가?"
실제로 그게 훨씬 간단해 보였습니다. API 한 번 연결해두고, 그 다음부터는 PDF만 드래그해서 대화하면 되니까요. 파싱 방식을 고르고, 임베딩 모델을 선택하고, 청킹 규칙을 정하고, 검색기를 따로 만들어 연결하는 이 모든 과정이 복잡해 보였습니다.
(1) 왜 이렇게 할까?
확인해보니, 사실 원리는 같았습니다
ChatGPT나 Claude에 PDF를 올려서 대화하는 방식도, AI 내부적으로는 똑같은 원리로 작동합니다. 문서를 잘게 쪼개고(청킹), 의미를 벡터로 변환하고(임베딩), 질문이 들어오면 관련된 조각을 찾아와(검색) 답을 만듭니다. 이를 RAG(검색 증강 생성)라고 부릅니다.
차이는 그 과정이 보이느냐, 보이지 않느냐였습니다. 일반 AI 서비스는 이 과정을 자동으로, 사용자 눈에 띄지 않게 처리합니다. 에이전트포스는 그것을 관리자가 직접 선택할 수 있도록 밖으로 꺼내둔 것입니다.
하단의 이미지처럼 특정 작업을 수행할 추론 지침을 정하고, 추론에 사용 가능한 작업들을 정리합니다. 답변 구조나 추론 구조를 설정해 나가는 작업입니다.
도입 초기 이 작업은 분명 학습 시간을 필요로 할 것입니다. 하지만 학습 이후에는 이 옵션들이 답변의 정확성과 신뢰성을 높여줄 것이고, 이는 비즈니스 현장에서 AI와 협업하는 데에 있어 매우 중요한 강점이 됩니다.
그렇다면 왜 굳이 꺼내두었을까요?
이유는 문서마다 최적의 처리 방식이 다르기 때문입니다.
- 계약서나 정책 문서처럼 조항별로 의미가 구분되는 문서는 잘게 쪼개야 정확한 답이 나옵니다.
- 반면 CRM 레코드처럼 하나의 덩어리로 의미를 갖는 데이터는 통째로 가져와야 합니다.
- 표와 차트가 섞인 PDF는 그냥 텍스트로 평탄화하면 표의 구조가 무너져 엉뚱한 답이 나옵니다.
실습에서 파싱 방식과 청킹 규칙을 직접 지정했던 이유가 여기 있었습니다.
자동으로 처리되는 방식은 편하지만, 어떤 문서든 같은 방식으로 처리합니다. 그 결과가 우리 문서에 맞지 않아도 사용자는 알 수 없습니다. 더 큰 문제는, 검색이 잘못됐을 때 AI가 그럴듯한 답을 만들어낸다는 것입니다. 답이 틀렸다는 사실조차 드러나지 않습니다.
여기에 하나가 더 있습니다. 회사 데이터가 어디에 있느냐입니다. 외부 AI 서비스에 파일을 올린다는 것은 그 데이터가 회사 경계 밖으로 나간다는 뜻입니다. 에이전트포스의 모든 처리는 세일즈포스 내부에서, 기존 권한 체계 안에서 이뤄집니다. 영업 데이터나 재무 정보처럼 민감한 자료를 다룰수록 이 차이는 커집니다.
(2) 테스트 소감
다만 이번 실습처럼 이러한 구조의 진정한 강점은 조직 규모와 관여하는 데이터가 커질 때 드러납니다.
문서가 수백 건이 되고, 기업 데이터가 수만 건이 되고, 여러 부서가 같은 지식 기반을 공유하는 상황이 되면 이야기가 완전히 달라집니다.
그때는 “어떤 문서를 어떻게 쪼개고 찾을 것인가”가 답변의 정확도를 직접 좌우하게 됩니다. 그리고 한 번 구축해둔 이 작업은 여러 에이전트가 재사용할 수 있습니다.
결국 이 이야기는 앞서 이야기한 신뢰성을 다시 한번 강조하게 만듭니다.
AI를 업무에 도입할 때 가장 큰 두려움은 받은 답이 틀렸을 수도 있는데, 그것을 바로 확인할 방법이 없다는 점입니다. 답은 언제나 그럴듯하게 나오기 때문입니다.
에이전트포스가 여러 단계를 밖으로 꺼내둔 이유가 여기 있었습니다. 복잡해 보이는 그 과정들은 전부 AI가 무엇을 근거로 답하는지 통제하기 위한 장치였습니다. 처음에는 불필요한 절차처럼 보였지만, 실습을 마치고 나니 순서가 반대라는 것을 알게 됐습니다.
생산성 향상은 신뢰성이 전제될 때만 의미가 있습니다. 답을 빨리 받아도 그것을 믿을 수 없다면, 결국 사람이 다시 검증해야 하고 절약한 시간은 사라집니다.
그리고 이 지점이 개인에게 유료 AI 계정을 나눠주는 것으로는 결코 해결되지 않는 영역입니다.
개인 계정은 개인의 작업을 빠르게 만들어주지만, 조직의 데이터와 기준 위에서 일관되게 판단하지는 못합니다. 같은 질문을 열 사람이 각자의 AI에게 물으면 열 가지 답이 나옵니다.
기업이 AI로 실질적인 성과를 내려면, 조직 전체가 같은 데이터와 같은 기준 위에서 답을 받는 구조가 필요합니다. 에이전트포스가 겨냥하는 지점이 바로 여기였습니다.
5. 학습 곡선이 존재합니다
이번 실습에는 잘 정리된 가이드 매뉴얼이 제공됐습니다. 클릭할 위치와 입력할 값이 단계별로 정말 잘 안내되어 있어, 순서대로 따라가면 에이전트가 완성되도록 설계되어 있었습니다.
다만 메뉴얼에 안내된 경로 외에도 선택지가 방대합니다
실습을 진행하면서 가장 강하게 느낀 부분입니다. 메뉴얼 가이드 외에도 선택할 수 있는 옵션과 기능들이 훨씬 많았습니다. 파싱 방식만 해도 여러 종류가 있었고, 임베딩 모델과 청킹 규칙도 마찬가지였습니다. 프롬프트 빌더에서 사용할 AI 모델도 선택 가능했습니다.
실제 우리 조직의 상황에 맞게 처음부터 설계하려면 각 선택지가 무엇을 의미하고 어떤 결과를 만드는지 이해해야 합니다. 그리고 그것은 분명 아래와 같은 학습 시간이 필요한 일 입니다.
- 각 메뉴와 옵션의 개발 의미, 답변이나 분석에 미치는 영향 등
- 우리 회사의 문서와 데이터에 어떤 설정이 맞는지 판단 필요
- 실제 업무 시나리오에 맞게 에이전트를 설계하고 조정하는 시간
다만, 학습 시간 이후 익숙해진 뒤의 결과는 다를 것입니다. 그리고 이를 위한 다양한 학습 가이드와 도입 지원 시스템이 잘 갖춰져 있다는 점도 걱정을 줄여 줍니다.
또한 이 구조를 이해하고 우리 조직에 맞게 구축해낸 뒤의 에이전트포스는, 개인 단위로 AI를 쓰는 것과는 차원이 다를 것이라는 점입니다.
우리 회사의 데이터와 판단 기준 위에서, 조직 전체가 일관된 답을 받고, 그 답의 근거를 통제할 수 있는 환경. 초기 학습 비용은 분명히 있지만, 그것을 지불하고 넘어선 조직과 그렇지 않은 조직의 격차는 앞으로 더 벌어질 것으로 보입니다.
[참고] 고객 지원 프로그램
세일즈포스는 고객의 비즈니스 니즈 그리고 AI 친화도에 따라 선택할 수 있는 3가지의 AI 에이전트 워크숍을 제공하고 있으니 참고해보시기 바랍니다.
(1) AI Agent Journey Workshop
내용회사의 비즈니스 과제와 데이터 컨텍스트를 기반으로 실질적인 AI 도입 로드맵을 완성포맷오프라인 이벤트 |난이도초급 | 세일즈포스 전문가의 현장 퍼실리테이팅 지원가장 빠른 일정9월 8일 (화) | 차기 워크숍 11월 예정등록 페이지바로가기
(2) Agentforce NOW: 스타터 핸즈온
내용영업 내규 문서 + 실시간 웹 데이터를 통합해 영업 우선순위를 자동 산출하는 Employee 에이전트 2종 직접 구축포맷온라인 웨비나 (실습형) |난이도초급 | Agentfoce 전문가의 실시간 Q&A 지원가장 빠른 일정9월 17일 (목) | 차기 워크숍 11월 예정등록 페이지바로가기
(3) Agentforce NOW: Build your Agent
내용고객 구매 요청서 수신부터 정식 견적서 생성까지, 영업 프로세스 전체를 자동화하는 Employee 에이전트 직접 구축포맷오프라인 이벤트 |난이도중급 | Agentfoce 전문가의 현장 퍼실리테이팅 지원가장 빠른 일정8월 25일 (화) | 차기 워크숍 11월 예정등록 페이지바로가기
6. 에이전트포스 사용을 마무리하며
체험을 마무리 하며 에이전트포스 실사용 후기 및 느낀 점을 요약하면 다음 3가지로 정리가 됩니다.
- 에이전트포스는 단순히 답변만 하는 AI가 아니라 우리 회사의 데이터와 기준 위에서 답변하기 때문에 신뢰할 수 있는 AI 입니다.
- 준비 과정이 복잡해 보이지만, 그것은 전부 AI가 무엇을 근거로 답하는지 통제하기 위한 장치였습니다. 생산성 향상은 신뢰성이 전제될 때만 의미가 있습니다.
- 학습 곡선은 분명히 존재합니다. 다만 개인에게 유료 AI 계정을 나눠주는 것으로는 결코 도달할 수 없는 영역이 있다는 것을, 직접 만들어보며 확인했습니다.
기업들이 AI 도입을 이야기할 때 가장 먼저 하는 일은 대개 팀원들에게 유료 계정을 지급하는 것입니다. 분명 도움이 됩니다. 하지만 그것만으로 조직의 생산성이 근본적으로 달라지지는 않습니다. 개인의 작업이 빨라지는 것과, 조직이 일관된 기준으로 더 나은 판단을 내리는 것은 다른 문제이기 때문입니다.
이번 실습에서 만든 것은 영업 우선순위를 매기는 작은 에이전트 하나였습니다. 그러나 그 과정에서 확인한 것은 훨씬 컸습니다. 기업용 AI가 왜 개인용 AI와 다른 방식으로 만들어져야 하는지, 그리고 그 차이가 어디서 오는지였습니다.
테크뷰에서 느낀점을 실제로 직접 체험해보시길 추천드립니다. 글로 읽는 것과 실제로 에이전트를 만들어보는 것은 체감이 완전히 다르기 때문입니다.
7. 자주 묻는 질문
아래 질문들은 테크뷰에서 에이전트포스를 실제로 사용해보며 궁금했던 사항들을 세일즈포스코리아에 문의하여 받은 질문과 답변들 입니다.
(1) 비용 관련 문의
Q1. 데이터가 많아질수록 비용도 커지는 것 아닌가요?
에이전트포스는 액션 1건당 크레딧을 소모하는 소비형(Flex Credits) 모델입니다. 여기서 핵심은 누가 사용하느냐에 따라 과금이 달라진다는 점입니다.
임직원의 내부 사용은 과금되지 않습니다. 직원이 사내 데이터를 검색하거나 질문하는 것은 크레딧을 소모하지 않습니다.
크레딧이 소모되는 것은 고객 대응(Customer-facing) 인터랙션뿐입니다.
즉, 내부 문서와 지식을 아무리 축적해도 그 자체로 비용이 늘지는 않으며, 실제 비용은 고객과 주고받은 대화량에 좌우됩니다.
비용 관리 수단도 제공됩니다. Digital Wallet으로 잔여 크레딧과 사용 추이를 실시간 확인하고 임계치 알림을 설정할 수 있으며, Agentforce Observability로 실제 액션·토큰 사용 패턴을 상세히 확인할 수 있습니다. 초기에는 사용량 예측이 어려우므로 후불(PayGo)로 시작해 데이터를 쌓은 뒤 사전 구매(할인 적용)로 전환하는 방식도 가능합니다.
(2) 실무 적용 기간
Q2. 도입부터 실무 적용까지 얼마나 걸리나요?
즉시 사용 가능한 영역과 맞춤 구축이 필요한 영역을 나눠 볼 수 있습니다. Coworker나 Slack 기반 에이전트는 설정 후 곧바로 사용할 수 있고, 커스텀 에이전트도 최근에는 2주 내외로 배포하는 것이 일반적이라고 합니다.
필요 인력은 고객사 측 PM 1명과 실제 설정 담당자 1명 정도이며, 세일즈포스 측 아키텍트·엔지니어가 초기 구축을 함께 진행합니다. 지원 프로그램으로는 실습형 Agentforce Bootcamp(1일), 우리 회사 업무 중 에이전트 적용 지점을 함께 찾는 AI Agent Journey Workshop(반나절), 프롬프트 작성부터 데이터 연동까지 따라 해보는 Agentforce NOW In a Box 워크숍이 있습니다.
(3) 에이전트포스만 도입하는 경우
Q3. 세일즈포스 CRM을 쓰지 않는 회사도 도입할 수 있나요?
가능합니다. 핵심은 Data 360과 Headless 360입니다.
CRM 화면이나 UI 없이도 신뢰할 수 있는 기업 데이터를 MCP 서버를 통해 어떤 에이전트에든 실시간으로 전달할 수 있는 방식입니다. Claude, ChatGPT, 자체 구축 앱처럼 세일즈포스 외부 도구도 대상이 됩니다.
Data 360으로 흩어진 데이터를 모아 신뢰할 수 있는 컨텍스트 허브를 만들고, 데이터를 복제하거나 이전하지 않은 상태로 이미 사용 중인 서드파티 에이전트에 공급하는 구조입니다. 권한과 보안 정책도 그대로 적용되어, 데이터가 어디서 호출되든 동일한 기준으로 관리됩니다.
“본 포스팅은 업체로부터 소정의 원고료를 받아 주관적으로 작성되었습니다”
함께 보기 좋은글
댓글 남기기