지난 4화에서는 여러 AI Agent가 하나의 수주 프로세스 안에서 어떻게 협업하는지 살펴봤습니다.
RFP를 분석하는 AI, 과거 자료를 찾는 AI, 수주 전략을 만드는 AI, 제안서를 작성하는 AI.
각자 맡은 역할을 수행하고, 그 결과를 다음 단계로 전달합니다.
그런데 여기서 한 가지 궁금증이 생깁니다.
“AI는 어제 우리가 무슨 일을 했는지 기억할까요?”
월요일, 제안팀이 AI와 함께 새로운 사업을 분석합니다.
화요일에는 고객의 요구사항을 정리하고, 경쟁사와 차별화할 전략을 세웁니다.
수요일에는 회의를 거쳐 중요한 결정을 내립니다.
“이번 제안에서는 가격 경쟁력보다 안정적인 운영 경험을 강조합시다.”
그리고 목요일.
제안서 작성을 시작하면서 AI에게 요청합니다.
“지난번에 결정한 전략을 바탕으로 제안서 초안을 만들어줘.”
그런데 AI가 다시 묻습니다.
“어떤 전략을 말씀하시는 건가요?”
분명 함께 일했는데, 처음 만난 사이가 되어버렸습니다.
AI에게도 기억이 필요합니다
우리가 업무를 할 때 매일 모든 것을 처음부터 설명하지는 않습니다.
어제 회의에서 결정한 내용을 기억하고, 지난주에 검토했던 자료를 참고하고, 이전 프로젝트에서 얻은 경험을 활용합니다.
이런 기억이 있기 때문에 업무를 이어갈 수 있습니다.
AI도 마찬가지입니다.
아무리 뛰어난 모델이라도 이전 작업의 맥락을 전달받지 못하면, 지금 무엇을 해야 하는지 정확히 판단하기 어렵습니다.
그래서 AI Agent를 개발할 때는 단순히 질문에 답하는 능력뿐 아니라, 이전에 수행했던 작업과 그 결과를 어떻게 유지할 것인지 함께 고민해야 합니다.
여기서 등장하는 개념이 바로 Memory입니다.
AI의 기억은 크게 두 가지 관점에서 살펴볼 수 있습니다.
Short-Term Memory(단기 기억)와 Long-Term Memory(장기 기억)입니다.
Short-Term Memory — 지금 무엇을 하고 있는가
먼저 단기 기억입니다.
사람이 제안서를 작성할 때를 생각해보겠습니다.
현재 어떤 사업을 준비하고 있는지 알고 있습니다.
고객이 중요하게 생각하는 요구사항도 기억합니다.
어떤 전략을 선택했는지, 어떤 내용은 제외하기로 했는지도 알고 있습니다.
이 정보들이 현재 업무의 맥락을 만듭니다.
AI의 Short-Term Memory도 비슷한 역할을 합니다.
예를 들어 제안팀이 AI와 다음과 같은 작업을 진행했다고 해보겠습니다.
월요일에는 RFP를 분석했습니다.
화요일에는 주요 평가항목을 정리했습니다.
수요일에는 세 가지 수주 전략 중 하나를 선택했습니다.
목요일에는 선택한 전략을 바탕으로 제안서를 작성합니다.
이때 AI에게 필요한 것은 단순히 이전 대화 내용만이 아닙니다.
현재 어떤 단계까지 진행했고, 무엇이 결정되었으며, 다음에 무엇을 해야 하는지에 대한 정보입니다.
이를 작업 상태라고 부를 수 있습니다.
AI가 현재 작업의 상태를 유지할 수 있다면, 매번 처음부터 설명하지 않고도 이전 작업을 이어갈 수 있습니다.
물론 모든 AI가 기본적으로 며칠 전 작업을 기억하는 것은 아닙니다. 이러한 연속성을 확보하려면 대화 기록이나 작업 상태를 저장하고, 다음 작업에서 다시 불러오는 구조가 필요합니다.
그런데 모든 것을 기억하는 것이 좋을까요?
여기서 또 다른 문제가 생깁니다.
제안 업무를 진행하면서 AI와 수백 번 대화했다고 해보겠습니다.
RFP를 분석하고, 자료를 찾고, 전략을 수정하고, 제안서 문장을 여러 차례 고쳤습니다.
그런데 AI가 이 모든 내용을 매번 다시 읽어야 한다면 어떨까요?
처리해야 할 정보가 계속 늘어납니다.
이미 폐기한 전략과 최종 확정한 전략이 뒤섞일 수도 있습니다.
중요하지 않은 대화가 정작 필요한 정보를 찾는 데 방해가 될 수도 있습니다.
그래서 AI의 기억을 설계할 때는 단순히 많은 정보를 저장하는 것보다 중요한 문제가 있습니다.
“무엇을 기억하고, 무엇을 잊어야 하는가?”
예를 들어 제안팀이 세 가지 전략을 검토한 끝에 하나를 선택했다면, AI가 계속 참고해야 할 정보는 무엇일까요?
검토 과정에서 오갔던 모든 대화일까요?
아니면 최종적으로 선택한 전략과 그 이유일까요?
대부분의 경우 다음 작업에 직접 필요한 것은 후자에 가깝습니다.
그래서 실제 AI 시스템에서는 대화 전체를 그대로 전달하는 대신 중요한 정보를 요약하거나, 확정된 의사결정과 작업 상태를 별도로 관리하는 방식을 활용합니다.
좋은 기억은 모든 것을 저장하는 것이 아니라, 다음 판단에 필요한 정보를 남기는 것입니다.
Long-Term Memory — 우리가 무엇을 배웠는가
그렇다면 장기 기억은 무엇일까요?
단기 기억이 현재 진행 중인 업무를 이어가기 위한 것이라면, 장기 기억은 시간이 지나도 활용할 가치가 있는 정보를 유지하는 데 초점을 맞춥니다.
예를 들어 한 회사가 여러 차례 공공기관 사업에 제안했다고 해보겠습니다.
그 과정에서 반복적으로 사용하는 기술 설명이 있습니다.
특정 산업에서 중요하게 다루는 요구사항도 있습니다.
제안팀이 선호하는 작성 방식이나 검토 기준도 있을 수 있습니다.
어떤 전략을 선택했고, 어떤 이유로 수정했는지에 대한 기록도 남아 있습니다.
이런 정보는 하나의 제안이 끝났다고 해서 모두 사라질 필요가 없습니다.
다음 제안을 준비할 때 다시 활용할 수 있기 때문입니다.
AI의 Long-Term Memory는 이러한 정보를 작업이나 대화 세션을 넘어 유지하고, 필요한 순간에 다시 활용할 수 있도록 설계하는 방식입니다.
여기서 중요한 점이 있습니다.
AI가 오래 기억한다고 해서, 그 기억이 반드시 올바른 것은 아닙니다.
과거에 선택했던 전략이 새로운 사업에도 적합하다는 보장은 없습니다.
한 고객에게 효과적이었던 메시지가 다른 고객에게는 맞지 않을 수도 있습니다.
따라서 장기 기억은 과거의 판단을 그대로 반복하기 위한 것이 아니라, 현재의 상황에서 참고할 수 있는 경험을 제공하는 방향으로 설계되어야 합니다.
지난 3화의 RAG와는 무엇이 다를까요?
3화에서는 AI가 과거 제안서와 수행실적을 찾아오는 기술을 이야기했습니다.
RAG(Retrieval-Augmented Generation)입니다.
그렇다면 RAG와 Long-Term Memory는 같은 것일까요?
서로 밀접하게 연결되어 있지만, 완전히 같은 개념은 아닙니다.
RAG는 질문과 관련된 외부 정보를 검색하고, 그 내용을 바탕으로 답변을 생성하는 기술적 접근입니다.
예를 들어, “우리 회사가 과거에 수행한 클라우드 구축 사업을 찾아줘.”
라는 질문에 관련 수행실적을 검색해 가져오는 것입니다.
반면 Agent의 Memory는 검색할 문서뿐 아니라 이전 작업에서 발생한 판단, 결정, 상태, 경험 등을 어떻게 유지하고 재사용할 것인지까지 다룹니다.
예를 들어, “지난 제안에서 안정성을 강조하기로 결정했던 이유를 이번 사업에서도 참고해줘.”
라는 요청에 대응하려면 단순한 문서 검색을 넘어 과거 의사결정의 맥락을 관리할 필요가 있습니다.
물론 Long-Term Memory를 구현하는 과정에서도 RAG와 같은 검색 기술을 활용할 수 있습니다.
차이는 기술 자체보다 어떤 정보를, 어떤 목적으로 기억하고 활용하느냐에 있습니다.
기억하는 AI가 수주 업무를 바꿀 수 있을까요?
하나의 수주 사업을 준비하는 데 몇 주, 때로는 몇 달이 걸립니다.
그동안 수많은 일이 발생합니다.
RFP가 변경됩니다.
고객의 요구사항이 구체화됩니다.
새로운 경쟁사 정보가 발견됩니다.
수주 전략이 수정됩니다.
제안서가 여러 차례 검토됩니다.
그리고 그 과정에서 수많은 의사결정이 이루어집니다.
만약 AI가 이러한 변화를 지속적으로 관리할 수 있다면 어떨까요?
새로운 RFP가 전달되었을 때 기존 요구사항과 달라진 부분을 확인할 수 있습니다.
전략이 변경되었을 때 기존 제안 내용 중 수정이 필요한 부분을 찾아낼 수 있습니다.
담당자가 바뀌더라도 이전에 어떤 판단이 이루어졌는지 확인할 수 있습니다.
물론 이러한 기능은 단순히 AI에 기억 기능을 추가한다고 자동으로 완성되지는 않습니다.
변경 이력과 확정된 의사결정을 관리하고, 필요한 정보를 적절한 시점에 불러오는 시스템이 함께 설계되어야 합니다.
하지만 이러한 구조가 갖춰진다면 AI는 매번 새로운 질문에 답하는 도구에서 한 단계 더 나아갈 수 있습니다.
하나의 수주 프로젝트가 시작되고 끝날 때까지 업무의 맥락을 함께 유지하는 시스템.
그것이 Memory가 수주 AI에서 가지는 중요한 의미입니다.
결국 기억의 목적은 더 나은 판단입니다
우리가 경험 많은 제안 전문가를 신뢰하는 이유는 단순히 많은 정보를 알고 있기 때문만은 아닙니다.
이전에 어떤 문제가 있었는지 기억하고,
그때 어떤 판단을 내렸는지 이해하고,
현재 상황에서 무엇을 다르게 해야 하는지 생각할 수 있기 때문입니다.
AI의 기억도 같은 방향을 향해야 합니다.
어제 했던 일을 기억하는 것.
지난번에 내렸던 결정을 유지하는 것.
과거에 축적된 경험을 다시 활용하는 것.
이 모든 과정의 목적은 하나입니다.
같은 일을 반복하지 않고, 더 나은 판단을 내리기 위해서입니다.
AI가 더 많은 정보를 기억하는 것만으로 수주 경쟁력이 높아지지는 않습니다.
중요한 것은 필요한 순간에 적절한 기억을 꺼내고, 현재의 상황에 맞게 활용하는 능력입니다.
저희는 수주 AI의 발전이 단순히 더 똑똑한 모델을 사용하는 데서 끝나지 않는다고 생각합니다.
어제의 작업이 오늘의 판단으로 이어지고, 오늘의 경험이 다음 수주의 자산으로 남는 것.
AI의 기억은 그 연결을 만드는 기술입니다.
다음 회차 예고
6화. AI가 틀렸다는 것을 AI가 알아낼 수 있을까?
RFP를 읽고, 과거 자료를 찾고, 전략을 세우고, 이전 작업의 맥락까지 기억하는 AI.
그렇다면 이제 AI가 만든 결과를 그대로 믿어도 될까요?
과거 수행실적을 잘못 연결했다면?
이미 변경된 요구사항을 기억하고 있다면?
근거가 없는 내용을 사실처럼 작성했다면?
다음 회차에서는 AI가 만든 결과를 어떻게 검증하고, 중요한 순간에 사람이 어떻게 개입해야 하는지 살펴보겠습니다.
수주 AI의 신뢰성을 만드는 기술, Verification과 Human-in-the-loop에 대한 이야기입니다.