[한영자막] 포워드 디플로이드 엔지니어링을 위한 AI 툴 — Varick Agents의 Vasuman Moza

URL: https://www.youtube.com/watch?v=KIiAs4V-YTs 날짜: 2026-07-31 채널: Tech Bridge 발표자: Vasuman Moza (Varick Agents CEO), JD Pruitt (엔지니어링/플랫폼 팀 리드) 영상 길이: 약 20분(1193초) 처리일: 2026-07-31

---

📌 핵심 질문 / 이 영상이 다루는 핵심 논점

==AI는 이미 '실행(execution)' 문제를 거의 다 풀었다. 다음 병목은 지능이 아니라, 대기업의 기존 시스템과 프로세스 위에서 AI 중심으로 업무를 재설계하는 능력이다.==

• 2년 전엔 "AI로 엔드투엔드 작업을 해결해봤냐"는 질문에 손 든 사람이 거의 없었지만, 지금은 모두가 손을 든다 — 즉 실행력은 더 이상 핵심 병목이 아니다
• 모델이 발전할수록 지능 자체는 제약 조건이 아니며, 남은 차이는 "각 비즈니스를 얼마나 깊이 이해하느냐"에 달려 있다
• Varick Agents는 NetSuite·SAP·Salesforce 같은 레거시 시스템에 이미 수백만 달러를 투자한 대기업을 대상으로, 마이그레이션 없이 그 위에 에이전트를 얹어 부서 전체를 재설계하는 전략을 취한다

이 영상의 제목이 '다음 병목 현상(Next Bottleneck)'인 이유는, 인력을 기하급수적으로 늘리지 않고도 고객 비즈니스에 얼마나 깊이 접근할 수 있느냐가 앞으로의 승부처라고 보기 때문이다.

---

1. AI 실행 문제는 해결됐다 — 진짜 병목은 비즈니스 이해

Varick은 세계 최대 규모 기업들과 협력하며 AI·에이전트로 내부에서부터 혁신을 이끄는 회사이며, 고객 맞춤형 서비스 특성상 상당한 사전 엔지니어링이 필요하다.

1.1. 실행력에서 이해력으로 병목이 이동

1. 2년 전 vs 오늘의 질문 대비

   1. 과거: "AI로 엔드투엔드 작업을 해결해본 적 있는 사람?" — 사고형/추론형 에이전트가 알려지기 전이라 거의 아무도 손을 들지 않았음
   2. 현재: "AI가 오늘 당신의 모든 작업을 처음부터 끝까지 해결해줬는가?" — 이제는 모두가 손을 듦

2. 모델 발전에 따른 병목 이동

   1. 지능은 더 이상 제약이 아님: 브라우저 사용 도구든 API 도구든, 강력한 MCP를 활용해 거의 완벽에 가까운 작업 실행이 가능한 시스템이 구축되고 있음
   2. 남은 차이는 비즈니스 이해도: 모든 사업과 소비자가 다르기 때문에(예: 의료 회사 영업 부서와 SaaS 회사 영업 부서는 완전히 다르게 운영됨) 그 비즈니스를 얼마나 잘 이해하느냐가 관건

1.2. 왜 어려운가 — 컨텍스트 추출과 반영의 어려움

1. 직원/팀으로부터 맥락 추출이 어려움

   1. 암묵지의 문제: 사업가라면 최신 모델로 특정 사용 사례에 맞는 해결책을 찾는 게 얼마나 어려운지 잘 알 것
   2. 오류 위험: 추출한 맥락을 API 호출이나 단순 모델 호출에 반영하다 오류가 발생하지 않도록 하는 것도 매우 어려움

2. 결국 병목은 재설계 처리 능력

   1. 재설계 작업량: 얼마나 많은 재설계 작업을 처리할 수 있는가
   2. 정보 처리·이해 능력: 얼마나 많은 정보를 처리하고 이해할 수 있는가 — 이것이 바로 Varick이 하는 일

---

2. Forward Deployed Engineer(FDE)의 역할과 3단계 방법론

지금은 모든 운영이 사람 중심이지만, 미래엔 모든 운영이 AI 중심이 될 것이다. 이는 단순히 Cursor·Claude Code·Codex·Factory 같은 AI 도구를 기업에 공급하는 것을 넘어, 운영 방식과 프로세스 자체를 바꾸는 일이며, 이것이 곧 현장 배치 엔지니어(FDE)의 역할이다 — 기업에 들어가 현재 운영 방식을 이해하고 미래의 모습을 재구상하는 것.

2.1. 1단계 — 인간이 일하는 방식을 도식화(매핑)

1. 현장 엔지니어 직접 파견

   1. 부서 단위로 좁혀 접근: 수천 명 규모 대기업이라도 예컨대 재무 부서 하나로 범위를 좁혀, AP·AR·카드 대조·은행 업무·청구·FP&A 등 프로세스 책임자들과 직접 인터뷰
   2. 목표는 예외 상황 파악: 현재 업무가 어떻게 진행되는지뿐 아니라, 문제가 발생했을 때 무슨 일이 일어나는지가 더 중요

2. 문서와 현실의 괴리

   1. 문서는 이상적 경로만 기록: 회사 문서에는 이상적인 경로와 한두 가지 예외만 담겨 있어 현실과 거리가 멂
   2. 실제 사례: "사라가 AP 부서에서 이 워크플로우를 처리하지만, 문제가 생기면 크리스에게 넘기고, 크리스는 구매주문서와 송장 대조에 4일이 걸린다" — 이런 회사별 고유한 현실이 AI가 사람 개입 없이 전체 프로세스를 자동화할 수 없는 근본 이유

2.2. 2단계 — AI 중심으로 프로세스 완전 재설계

1. 문제 있는 프로세스에 AI를 억지로 끼워 넣지 않기

   1. MIT 연구 통계: 생성형 AI 시범 프로젝트의 95%가 상용화 단계에 이르지 못함
   2. 87% 통계: 대부분의 AI 파일럿 프로젝트가 측정 가능한 ROI를 창출하지 못하거나 실제 서비스에 적용되지 못함
   3. 원인: 제대로 작동하지 않는 기존 프로세스 위에 AI를 얹어서, AI가 실제로 어떻게 작동해야 하는지 이해하지 못한 채 도입하기 때문

2. 코딩 비유로 설명하는 재설계 원칙

   1. 엔지니어도 "가서 다 풀어줘"는 안 통함: 최첨단 도구로도 사람 개입 없이 전체 코드베이스를 자동 리팩토링하긴 어려움
   2. 비기술직 담당자는 더더욱 그렇다: 재무·영업·마케팅·구매·물류의 비기술적 담당자에게 AI 도구만 쥐어준다고 소프트웨어 엔지니어 수준의 ROI가 나오지 않음 — 그래서 4명의 엔지니어가 현장에 파견되어 AI 중심으로 현재 프로세스를 재설계해야 함

3. 변화의 정도 — 너무 다르지도, 너무 같지도 않게

   1. 과도한 변화 위험: 기존 11단계 워크플로에 익숙한 사람에게 갑자기 1단계로 바꾸면 당황하고 도입률이 떨어짐
   2. 실제 재설계 비율 예시: 8단계 워크플로 중 4단계는 완전 자율 처리, 3단계는 사람 개입을 거쳐 처리, 1단계는 위험이 너무 높거나 담당자의 독창성이 필요해 사람이 직접 처리

2.3. 3단계 — 기존 시스템 위에 에이전트 배포 (마이그레이션 없음)

1. AI 물결에서 뒤처진 대기업들의 현실

   1. 기록 시스템에 얽매임: 대부분의 대기업이 NetSuite·Dynamics·SAP·Salesforce로 이미 마이그레이션을 마친 상태
   2. 실제 사례: 한 고객사가 NetSuite로 이전하는 데 500만 달러와 5년이 걸렸다고 언급 — 이런 회사에 "이 AI 도구를 쓰려면 NetSuite에서 마이그레이션해야 한다"고 말하면 쫓겨남

2. Varick의 접근 — Varick OS 플랫폼

   1. 자체 플랫폼 보유: 에이전트 생성·모니터링을 완벽한 거버넌스 및 이메일 스윕 기능과 함께 수행
   2. 기존 시스템 위에서 운영: Salesforce·NetSuite·Dynamics·SAP 등 고객이 이미 쓰는 시스템에서 마이그레이션을 요구하지 않음 — 기업이 너무 커서 스스로 움직일 수 없는 지점에서 가장 큰 도움을 줌

---

3. FDE 인력의 희소성과 이를 보강하는 FD 에이전트

2026년 이후는 전방 배치 엔지니어의 해가 될 것이라는 공감대가 있지만, 동시에 기술적으로 상위 1% 수준으로 AI를 이해하면서도 높은 IQ·EQ로 고객과 소통할 수 있는 인재를 찾기는 매우 어렵다.

3.1. FDE 인재의 이중 요구사항

1. 기술과 소프트스킬을 모두 갖춘 인재는 희귀함

   1. 일반적 분업 구조: 보통 컨설턴트는 기술을, 엔지니어는 소프트스킬을 따로 교육받음 — 둘 다 뛰어난 사람은 드묾
   2. FDE의 소통 부담: 고객은 "24시간 내내 당신의 모습"이며 수백 페이지 문서를 보내고, 각 프로세스 리더가 서로 다른 방향으로 끌고 감(AP는 AR에, AR은 계정 조정에, 계정 조정은 FP&A에 의존하며 각자 우선순위가 다름)

2. FDE 요원(FDE agent)의 역할 — 인력 증강

   1. 목표: 한 명의 FDE 또는 전략가가 여러 고객과의 소통을 관리·유지할 수 있도록 지원
   2. 효과: 50명을 고용하지 않고도 모든 고객에게 동등한 서비스를 제공하며, 전통적 컨설팅 회사 틀을 벗어난 인간 중심적 컨설팅 제공

3.2. 2024년과 현재의 병목 비교, 그리고 ROI 차이

1. 시대별 병목 변화

   1. 2024년: 모델이 지능을 갖추기 전, 도구 통합 기능이 부족했던 시기 — 실행이 병목
   2. 현재: AI 모델이 지식 기반 업무 실행을 거의 완전히 해결 — 이제는 AI 중심으로 업무를 재설계하는 능력(고객 상황 파악, 워크플로우 재설계, 자동화 대상 결정, 견고하고 확장 가능한 플랫폼 구축)이 병목

2. 부분 솔루션 vs 부서 전체 재설계의 ROI 격차

   1. 부분 솔루션: 영업의 리드 발굴만 혁신하거나 회계 업무만 다루는 식의 부분 솔루션은 ROI 5~10% 수준
   2. Varick의 전체 부서 재설계: 부서 전체를 총체적으로 변화시켜 25%, 50%, 75%에 달하는 ROI를 창출 — 수익 증대·비용 절감·위험 완화라는 세 가지를 실질적으로 돌려줌

---

4. FD 에이전트 기술 심화 (JD Pruitt, 엔지니어링/플랫폼 팀 리드)

플랫폼 팀은 Codex·Claude 등과 함께 여유롭게 일하는 반면, FDE 팀은 스트레스와 수면 부족에 시달리며 24시간 고객 이메일에 시달리는 모습을 보고 이 프로젝트가 시작됨. FDE들은 "Claude에 150페이지 문서를 업로드하고 질문하면 2분 기다려서 나온 답이 장황하고 틀려서 형편없다"고 토로했고, 이를 계기로 "FDE를 위한 Codex" 격인 FD 에이전트 개발이 시작됨.

4.1. FD 에이전트의 3단계 기능

1. 1단계 — Engagement Agent (참여 에이전트, 완성 단계)

   1. 정의: FDE 전용으로 특별 제작된 Claude 개선 버전, FDE의 개인 조수 역할
   2. 기능: 문서 종합, 파워포인트 슬라이드 읽기, "이 프로세스는 누가 담당하나요? 이메일엔 Sarah로, 슬랙엔 다르게 표기돼 있는데 같은 사람인가요?" 같은 질문에 즉답 — FDE가 매일 반복적으로 묻고 Claude 답변을 기다리며 시간을 낭비하는 문제를 해결

2. 2단계 — Workflow Agent (워크플로 에이전트, 플랫폼 내장)

   1. 동작 방식: FDE가 워크플로우를 구축하는 도중 실시간으로 "이 예외 상황을 잊으셨네요", "이 프로세스 담당자가 누구인지 문의하는 게 좋겠어요"라고 알려줌
   2. 모델 독립적: Claude든 Codex든 어떤 모델을 쓰든 상관없이, FDE가 만드는 워크플로가 실제로 설계하려는 프로세스를 정확히 반영하는지 플랫폼 내부에서 확인

3. 3단계 — 자율 에이전트 (개발 중, 아직 미완성)

   1. 목표 시나리오: 고객이 "QC 보고서 전송 주소를 바꾸고 싶다"는 이메일을 보내면, 에이전트가 이를 처리하고 회사 이해도를 조회해 플랫폼 기반 워크플로우에 자율적으로 변경 사항을 반영
   2. 기대 효과: FDE가 사소한 세부 사항 처리에 시간을 낭비하지 않고, 고객과 직접 인터뷰하며 프로세스를 이해하는 더 가치 있는 업무에 집중

4.2. 기술 구현 방식

1. 단일 정보 출처 구축 — 의존성 그래프

   1. 그래프 DB 논쟁을 피해감: "오늘 아침 부스에 그래프 데이터베이스를 팔려는 회사가 다섯 군데나 있었다"고 농담하며, 어떤 저장 기술을 쓰든 크게 중요하지 않다고 언급
   2. 핵심은 의존성 그래프: 기업 내부 워크플로는 놀라울 정도로 선형적이며, 프로세스 담당자들은 "A와 B가 승인하기 전에 C가 거쳐야 한다"는 식의 의존성 기반 구조를 원하므로 의존성 그래프가 이를 가장 잘 표현

2. 자체 모델 포스트 트레이닝 — 두 가지 하위 문제

   1. 문제 1: 추출된 컨텍스트로 좋은 결과물을 낼 수 있는가? — 프론티어 모델(Claude 등)의 답은 "아니오". 장기 분석 시 지나치게 장황하고 정작 필요한 정보는 부족함. Varick이 컨설턴트를 고용하며 깨달은 건, 컨설턴트는 고객이 실제 중요하게 여기는 디테일과 생략 가능한 부분을 구분하는 데 매우 뛰어나다는 것 — 이 감각을 최첨단 모델은 갖고 있지 않음. 그래서 오픈소스 모델 위에 자체 모델을 파인튜닝(발표 중 모델명은 ASR 오인식으로 정확히 들리지 않음 — "ChemK26" 등으로 표기됨, 디테일과 명확성의 균형을 잘 맞추는 모델을 선호한다고 언급)
   2. 문제 2: 지식 그래프에서 적절한 맥락을 탐색·추출하는 능력 — 방대한 지식 그래프가 있어도 올바른 맥락을 찾아 탐색하는 것 자체가 어려운 과제. 학습된 모델 위에 지식 그래프 탐색 전용 커스텀 도구를 쓰는 강화학습 환경을 구축. 예: 이름이 같은 두 사람(예: "마이크"라는 이름이 여러 명 있어 Claude가 혼란스러워하는 문제)이 동일 인물인지 판별, 지식 그래프 내 중복 순환 구조·DAG 위반 식별 등을 훈련시켜 올바른 맥락 추출 정확도를 높임

---

5. Varick Agents의 회사 철학 — 제품이 아니라 감사(Audit)가 먼저

Varick은 Cursor·Anthropic·OpenAI 같은 모델/제품 회사가 아니다. 창업 시점부터 "시장 흐름을 파악하고 사업 운영 방식을 배운 뒤 그것을 염두에 두고 사업을 구축해야 한다"고 믿었으며, 실리콘밸리 다수가 제품에만 집중하는 것과 달리 제품만으로는 이 문제를 풀 수 없다고 본다.

5.1. Varick의 프로젝트 진행 순서

1. 감사(Audit) 우선

   1. 현장 엔지니어·전략가 투입: 모든 프로젝트 시작 시 회사에 파견해 내부 운영 방식을 속속들이 파악하는 감사를 실시 — 이것이 가장 큰 병목이라고 판단
   2. 구현 단계: 감사 이후 플랫폼 위에 에이전트를 구축하는 구현 단계로 이동

2. 최첨단 기술도 여전히 필요

   1. 미래 완전 자동화 대비: 향후 업무를 완전히 자동화할 최첨단 기술 기능도 필요하다고 인정
   2. 하지만 진짜 병목은 전방 배치(Forward Deployed) 능력: 이것이 Varick이 AI FDE(AI로 증강된 현장 배치 엔지니어링)에 대해 낙관적인 이유

---

주요 발언 모음

"2년 전에 '인공지능을 활용해 엔드투엔드 작업을 해결해본 사람'을 물었다면 아마 거의 없었을 것이다. 하지만 오늘 같은 질문을 하면 여러분 모두 손을 드실 거라고 확신한다." "고객 한 분이 NetSuite로 이전하는 데 500만 달러와 5년이 걸렸다고 말씀하셨다. 그들에게 '이 AI 도구를 쓰려면 NetSuite에서 마이그레이션해야 한다'고 말하면 나가라고 할 것이다." "(FDE 팀 관찰기) 우리는 코덱스, 클로드와 놀며 정말 즐거운 시간을 보내고 있는데, 방의 FD 쪽을 보면 그들은 스트레스를 받고 수면 부족에 시달리며 24시간 내내 고객 이메일을 받고 있다." "클로드에게 150페이지짜리 문서를 업로드하고 질문하면 2분 기다려서 나온 답이 장황하고 틀려서 정말 형편없다." "저희는 분명히 Cursor, Anthropic, OpenAI 같은 회사는 아니다. 실리콘밸리 다수가 제품에만 집중하지만, 우리가 추구하는 목표는 제품만으로는 해결할 수 없다고 생각한다."

핵심 데이터 & 수치

• MIT 연구 통계: 생성형 AI 시범 프로젝트의 95%가 상용화 단계에 이르지 못함
• 87% 통계: 대부분의 AI 파일럿 프로젝트가 측정 가능한 ROI를 창출하지 못하거나 실서비스 적용 실패
• NetSuite 마이그레이션 사례: 고객사 1곳이 500만 달러 + 5년 소요
• 워크플로 재설계 비율 예시: 8단계 중 4단계 완전 자율화, 3단계 사람 개입 처리, 1단계 완전 사람 처리
• ROI 비교: 부분 솔루션(리드 발굴/회계만) 5~10% vs Varick의 부서 전체 재설계 25%/50%/75%

결론 및 시사점

1. AI의 "실행" 능력은 이미 상향 평준화됐고, 앞으로의 경쟁 우위는 대기업의 실제 업무·시스템을 얼마나 깊이 이해하고 재설계할 수 있느냐에서 갈린다.
2. 레거시 시스템(NetSuite/SAP/Salesforce 등)에 이미 대규모 투자를 마친 대기업 대상 AI 전략은 "마이그레이션 유도"가 아니라 "기존 시스템 위에 얹는 것"이어야 한다.
3. Forward Deployed Engineer는 기술력과 대인관계 능력을 모두 갖춰야 하는 희소 인재이며, 이들을 AI 에이전트(참여 에이전트→워크플로 에이전트→자율 에이전트)로 증강하는 것이 확장성의 열쇠다.
4. 프로세스 재설계의 정도는 "너무 과격하지도, 너무 미미하지도 않게" 조율해야 도입률과 ROI를 동시에 확보할 수 있다(8단계 중 4단계 자동화 사례).
5. 제품 우선이 아니라 감사(현장 실사) 우선 접근이 실제 ROI(25~75%)를 만드는 핵심 차별화 요소다.

---

20줄 요약 (텔레그램/Slack 전송용)

🎬 [Tech Bridge] — [한영자막] 포워드 디플로이드 엔지니어링을 위한 AI 툴 — Varick Agents의 Vasuman Moza

1. Varick Agents CEO Vasuman Moza가 "다음 병목 현상(Next Bottleneck)"이라는 주제로 발표.
2. 핵심 주장: AI는 이미 '실행' 문제를 거의 다 풀었고, 진짜 병목은 AI 중심으로 업무를 재설계하는 능력이다.
3. 2년 전엔 AI로 엔드투엔드 작업을 풀어본 사람이 거의 없었지만, 지금은 모두가 손을 든다.
4. 지능은 더 이상 제약이 아니며, 남은 차이는 비즈니스를 얼마나 깊이 이해하느냐다.
5. Varick의 대상은 NetSuite·SAP·Salesforce에 이미 거액을 투자한 대기업 — 마이그레이션 없이 그 위에 에이전트를 얹는 전략.
6. 고객 1곳은 NetSuite 이전에만 500만 달러와 5년을 썼다는 사례 언급.
7. FDE(현장 배치 엔지니어)의 3단계 방법론: ①인터뷰로 인간 업무 방식 매핑 ②AI 중심 프로세스 재설계 ③기존 시스템 위 에이전트 배포.
8. MIT 연구: AI 파일럿의 95%가 상용화 실패, 87%는 측정 가능한 ROI를 못 냄.
9. 원인은 문제 있는 프로세스에 AI를 억지로 끼워 넣기 때문 — AI가 어떻게 작동해야 하는지 이해 부족.
10. 실제 재설계 사례: 8단계 워크플로 중 4단계 완전 자동, 3단계 사람 개입, 1단계는 위험이 높아 사람이 전담.
11. FDE 인재는 기술 상위 1% + 높은 IQ·EQ의 소통 능력을 동시에 갖춰야 해 매우 희소함.
12. 이를 보강하기 위해 'FD 에이전트'를 자체 개발 — FDE를 위한 Codex 격.
13. 계기: FDE 팀이 Claude에 150페이지 문서를 올려도 2분 기다려 나온 답이 장황하고 부정확해 스트레스와 수면 부족에 시달림.
14. FD 에이전트 1단계 '참여 에이전트'는 FDE의 개인 조수 — 문서 종합, 인물 대조 등 반복 질문에 즉답.
15. 2단계 '워크플로 에이전트'는 플랫폼에 내장돼 FDE가 워크플로 구축 중 실시간으로 빠진 예외 상황을 알려줌.
16. 3단계 '자율 에이전트'는 개발 중 — 고객 요청 이메일을 자동 처리해 워크플로우에 반영하는 게 목표.
17. 기술적으로는 의존성 그래프로 기업 워크플로를 표현하고, 오픈소스 모델을 파인튜닝 + 강화학습으로 지식 그래프 탐색 능력을 훈련.
18. ROI 비교: 부분 솔루션은 5~10%, Varick의 부서 전체 재설계는 25~75%까지 달성.
19. Varick은 Cursor·Anthropic·OpenAI 같은 제품 회사가 아니라, 제품 이전에 현장 감사(Audit)를 우선하는 전략을 채택.
20. 결론: 2026년 이후는 Forward Deployed Engineering의 해가 될 것이며, 승부처는 지능이 아니라 비즈니스 이해와 재설계 능력.

🔗 https://www.youtube.com/watch?v=KIiAs4V-YTs 📁 /Users/flowkater/Obsidian/flowkater/flowkater/Study/YouTube다이제스트/2026-07-31-TechBridge-포워드디플로이드엔지니어링AI툴.md