채널코퍼레이션의 AI 에이전트 ’알프’는 월 100만 건의 고객 상담을 처리한다. 해결률은 80%다.

이 수치를 만든 건 최신 모델이 아니다. 11년간 누적한 상담 데이터와, 그 위에 설계한 룰 기반 가드레일이다.

에이전트 경쟁에서 모델이 차지하는 자리

한국 대기업의 AI 에이전트 실제 도입률은 5%다. 삼성SDS AX센터가 2026년 발표한 수치다. 도입한 5%와 나머지 95% 사이를 벌리는 질문이 있다. 어떤 모델을 선택했느냐보다 훨씬 앞에 있는 질문이다.

이 에이전트가 처리해야 할 업무 맥락을 얼마나 깊게 이해하고 있는가.

채널코퍼레이션이 11년 동안 쌓은 상담 데이터는 모델 교체로 복제할 수 없다. 어떤 유형의 질문이, 어떤 고객 맥락에서, 어떤 답변이 문제를 해결했는지를 기록한 도메인 메모리다. 이 데이터 위에서 알프가 80%를 해결할 때, 나머지 20%는 룰 가드레일이 에스컬레이션 여부를 판단한다. 모델의 언어 능력이 아니라, 도메인 지식의 깊이와 기각 조건 설계가 신뢰성을 만드는 구조다.

세무 버티컬이 보여준 3배 차이

OpenAI가 세무 도메인 에이전트에서 보고한 수치가 있다. 범용 에이전트 기준 25%였던 과제 성공률이, 세무 전용 데이터와 컴플라이언스 가드레일을 결합한 버티컬 구성에서 86%로 올라갔다. 3배를 넘는 차이다.

이 성능 점프는 모델 업그레이드만으로는 만들기 어렵다. 아무리 좋은 모델을 붙여도 도메인 데이터가 없으면 도메인을 모른다. 반대로, 충분한 도메인 데이터와 명확한 경계 조건을 가진 에이전트는 전 세대 모델로도 목표 수치를 낸다.

두 사례가 수렴하는 지점은 하나다. 도메인 특화 데이터 + 명확한 기각 조건 = 에이전트 신뢰성. 모델의 역할은 이 두 조건이 만들어 놓은 공간 안에서 실행하는 것이다.

PM이 먼저 확정해야 할 세 가지

버티컬 에이전트를 기획할 때 로드맵보다 먼저 정해야 하는 항목이 있다.

처리 가능 케이스의 경계선. 채널 알프가 20%를 에스컬레이션하는 건 설계 실패가 아니라, 경계를 명확히 정한 결과다. 에이전트가 어디까지 처리할지를 정하지 않으면, 20%가 아니라 50%가 에스컬레이션되고, 운영팀이 수동 처리 부담을 고스란히 받는다.

도메인 데이터 자산의 위치. 11년 데이터는 하루아침에 만들어지지 않는다. 지금 팀이 보유한 데이터 자산이 어디에 있는지, 어떤 형태로 구조화돼 있는지를 먼저 파악하는 것이 버티컬 에이전트 기획의 실질적인 출발점이다.

기각 후 처리 흐름. 에이전트가 답하지 않기로 결정했을 때 다음이 어떻게 되는지를 설계해야 한다. 이 흐름이 없으면 에이전트 신뢰도는 출시 직후부터 내려가고, 팀은 수개월 만에 수동 처리로 돌아간다.

시간이 쌓인 데이터가 만드는 해자

지금 LLM 시장에서는 매달 새 모델이 출시된다. 3주마다 최상위 모델이 바뀌기도 한다. 이 주기에서 어떤 모델이 가장 좋은지를 추적하는 팀은 항상 뒤에서 달린다.

채널코퍼레이션이 만든 해자는 모델이 아니다. 11년치 상담 데이터와, 그 데이터를 바탕으로 정교하게 쌓은 도메인 판단 규칙이다. 이 자산은 경쟁자가 최신 모델로 교체한다고 복제되지 않는다.

버티컬 에이전트의 진입 장벽은 시간이 쌓인 데이터다. 그리고 그 데이터를 정확하게 작동시키는 기각 조건 설계다.

지금 당신의 팀이 보유한 도메인 데이터 자산 중, 에이전트에 먹일 수 있는 첫 번째 후보는 무엇인가?