AI 시대, 입사 시 ‘제로 터치'가 어떻게 이뤄지나요?

원문 제목: AI 시대의 온보딩: Ramp에서의 처음 100일
원문 작성자: @danbeksha
번역: Peggy, BlockBeats

편집자 주: AI가 기업에 진입하고 있지만, 진정한 문제는 "에이전트를 사용해야 하는가"가 아니라 이러한 에이전트가 회사 자체를 이해할 수 있는지 여부입니다.

이 글은 저자가 Ramp에 합류한 후 100일을 중심으로, 더 근본적인 문제에 대해 논의합니다: 고속으로 운영되는 기업은 새 직원이 문서를 천천히 읽고 동료에게 물어보고 맥락을 파악하는 데만 의존할 수 없으며, 각 AI 도구가 각자의 전투를 벌일 수도 없습니다. 중요한 것은 지속적으로 업데이트되는 "기업 브레인"을 구축하는 것이며, 회의, 문서, Slack 토론, 고객 피드백 및 제품 의사 결정을 축적하여, 새 직원과 에이전트 모두가 동일한 컨텍스트에서 시작할 수 있도록 하는 것입니다.

컨텍스트가 시스템화되면 입사는 더 이상 단순한 적응 과정이 아니며, AI 역시 각각 고립된 도구가 아닙니다. 기업 AI의 가치는 최종적으로 많은 에이전트를 배치하는 데 있지 않을 수 있으며, 기업이 신뢰할 수 있고 가독성이 있으며 재사용 가능한 지식 기반을 우선 구축할 수 있는지에 있을 수도 있습니다.

다음은 원문입니다:

4×100m 릴레이 경주에서 승패는 종종 전체 코스에 달려있지 않고, 20m의 건너편 구간에 압축됩니다. 선수는 고속으로 달려와서 주판을 전달받아야 합니다. 주판 전달자가 너무 일찍 시작하면 주판이 떨어지게 되고, 너무 늦게 시작하면 주판을 건너는 선수가 속도를 줄여야 하며 팀 전체가 순식간에 우위를 잃게 됩니다. 교환 행위 자체가 충분히 정확하지 않다면 - 손 위치, 각도, 타이밍 중 어느 하나가 잘못되면 - 결과는 마찬가지로 주판이 떨어질 수 있습니다.

한 팀은 전체 경주에서 가장 빠른 선수를 보유할 수 있지만, 여전히 이 20m 구간에서 질 수 있습니다. 속도는 중요하지만 교환 또한 중요합니다. 승패를 진정으로 결정하는 것은 두 가지가 동시에 성립되는지 여부입니다.

내가 지켜본 모든 초임은 본질적으로 릴레이 경주와 닮아 있었지만, 차이점은 한 명의 선수가 여전히 출발 라인에 서 있는 것입니다. 신입사원은 월요일에 입사하여 처음부터 모든 것을 시작하며, 기관은 속도를 줄이지 않고 원래 속도로 계속 진행합니다. 따라서 신입사원은 문서를 읽고 Slack에서 숨어 있으며 항상 같은 몇 가지 질문을 반복하여 조직의 운영 방식을 3개월 동안 파악한 후에야 마침내 "유용한" 사람이 됩니다.

우리는 이 간극을 종종 시간 문제로 여기며, 충분한 시간만 있다면 새 직원이 스스로 따라잡을 것으로 생각합니다. 그러나 사실은 그렇지 않습니다. 이 간극은 시스템으로 해소되어야 하거나 계속 존재하게 됩니다.

맥락, 조직의 진정한 지식 공유 시스템

나는 Ramp에 약 100일 전부터 근무하고 있습니다. 그 전에는 Plaid에서 다섯 년간 근무했었는데, 그곳의 각 제품, 각 고객 이야기 및 각 의사결정의 배경을 꿰뚫어 알고 있었습니다. 이러한 이야기를 즉흥으로 풀어낼 수 있었습니다. 그러나 Ramp에 오면서, 나는 이러한 모든 것에 대해 거의 모른 채로 있었습니다.

그런데 제품 마케팅의 핵심은 바로 이야기를 전하는 것입니다. 이야기의 각 등장인물, 줄거리 및 전후사를 모르면 이야기를 제대로 전할 수 없습니다.

첫날부터, 내 목표는 AI 원천적인 제품 마케팅 조직을 구축하는 것이었습니다. 그러나 맥락이 부족한 상황에서는, 먼저 모든 작업을 지탱하는 '맥락 계층' 즉, 내 지식 기반을 확장해야만 했습니다.

Ramp는 속도로 유명한 회사입니다. 이곳에서는 '다음 분기에 따라잡기'라는 여유가 없습니다. 회사는 매주 출시하고 반복하며 전진합니다. 그 속도에 맞춰야만, 그렇지 않다면 조직의 추가 비용이 되어버리게 됩니다.

그 때문에 나는 또 다른 수준의 온보딩을 경험하고 있습니다. Ramp는 이미 빠르지만, AI의 변화속도는 더욱 빠릅니다. 그리고 나는 동시에 새로운 회사와 새로운 작업 환경을 배워야 했습니다. 나는 엔지니어가 아니며, 터미널을 열어본 적은 대학 컴퓨터 수업 때 뿐입니다. 다시 말해, 나는 조직의 맥락을 메워야 하면서도 새로운 AI 작업 방식에 적응해야 했고, 이 두 가지가 중첩되어 난이도가 더욱 증가했습니다.

나를 이러한 압박에서 해방시킨 것은, 특정 기사를 작성하거나 제품 출시를 마치거나 특정 작업 흐름을 완료한 게 아니었고, 오히려 "맥락" 그 자체를 결과물로 삼은 것이었습니다. 맥락 계층이 올바르게 구축되면, 후속 작업은 모두 더 낮은 비용으로 이루어질 것입니다.

그래서 나는 진정 확장 가능한 것을 구축하기 시작했습니다: 우수한 위키가 연구자에게 도움이 되는 것처럼 나에게 빠르게 배우는 데 도움이 되는 시스템입니다. 제 3주차가 되자, 그것은 내 노트를 바탕으로 콘텐츠를 초안 작성할 수 있었고; 8주차가 되면, 나의 불참한 회의를 요약할 수 있었습니다. 학습과 보충은 계속되었지만, 시스템이 계속 정보를 채우면서, 그 비용은 날이 갈수록 낮아졌습니다.

이 아이디어의 개인 버전은 실제로 얼마 전에 등장했습니다. 테슬라의 AI 책임자이자 OpenAI의 창립 멤버 중 한 명이었던 Karpathy는 4월에 글을 써서 그가 말하는 '개인 LLM 지식 베이스'를 설명했습니다: 원천 입력인 논문, 기사, 변사/정부발언 및 개인 노트를 보관하는 폴더; 이러한 자료 위에 작동하는 LLM으로 wiki를 생성하고, Obsidian과 같은 편집기를 프론트엔드로 사용합니다. 자료가 대략 100편 정도 모일 때, LLM은 개인 말뭉치를 중심으로 복잡한 질문에 답할 수 있게 되며, 더 이상 복잡한 검색 기술이 필요하지 않게됩니다.

그의 판단은: 여기에는 일회성 스크립트가 아닌 정말 뛰어난 새로운 제품이 탄생할 수 있는 기회가 있다.

개인 버전은 이미 존재합니다. 그러나 회사 버전은 아직 없습니다. 이것이 문제의 핵심입니다.

대략적으로 말하면, 나는 입사 후 100일 동안 구축한 것은 이러한 시스템입니다. 그것들은 아직 완벽하게 다듬어지지는 않았지만, 이 모든 것은 내부적인 조직의 '결합 조직'을 형성합니다.

핵심은 Obsidian 보르트이며, Claude가 읽고 씁니다. 나는 참여한 회의 기록, 문서, 공개 의견 및 개인적인 메모가 이 지식 저장소에 입력됩니다. "Geoff와 나가 세 주 전에 홈페이지에 대해 논의한 내용이 무엇인지" 물었을 때, 이는 이 보르트에서 답을 찾아내며 모델 자체의 일반화된 기억에 의존하지 않습니다.

이 보르트에 계속적으로 콘텐츠를 입력하기 위해, Granola는 모든 회의를 기본적으로 기록하고, 밤에 회의 내용을 보관 및 아카이빙합니다. 그래서 나는 월요일에 놓친 회의를 수요일에 조회할 수 있습니다. 회사 다른 사람들도 따라잡을 수 있도록, 나는 공개적인 작업을 선택했습니다 - 대부분 내가 구축 중인 콘텐츠는 먼저 #team-pmm 또는 관련 프로젝트 채널에 나타나고 나서 Notion 문서에 들어갑니다. 구축 프로세스 자체가 동기화 메커니즘입니다.

이 보르트 위에는 필요에 따라 작동하는 작은 기술 스택 라이브러리가 있습니다. 한 가지 기술은 내가 최근 네 번의 회의로부터 내와 어떤 사람의 회의안을 생성할 수 있습니다. 다른 한 가지 기술은 Slack에서 일주일 동안의 제품 역학을 스캔하고 기사 주제로 바꿀 수 있습니다. 각 기술은 대략적으로 200줄의 마크다운이며, 수동으로 수행해야 했던 작업을 대신합니다.

또한, 나는 Ramp의 내부 애플리케이션 플랫폼을 기반으로 동적 제품 로드맵을 구축했습니다. 그것은 동일한 컨텍스트 레이어를 읽기 때문에 정적 문서가 아닌 이상 사용되지 않으며 앞으로도 유효합니다. 또한 매일 아침 8시에 Slack DM으로 보내지는 아침 소식도 있습니다: 어제 발생한 사항, 어디서 막혔는지 및 내가 대응해야 할 사항. 이러한 내용은 내가 자면서 이미 정리되어 있습니다.

각각 따로 보면, 이러한 것들은 놀라운 것이 아닙니다. 그러나 함께 놓으면 실행 가능한 답을 제시합니다: 만약 회사가 Karpathy가 언급한 wiki를 소유했을 경우, 그것은 어떤 모습이 될까요?

그것을 위키, 그래프, 컨텍스트 레이어 또는 회사 두뇌로 부를 수 있습니다. 이름은 중요하지 않지만 기능이 중요합니다. 그것은 회사에서 발생한 모든 신호를 흡수해야 합니다: 회의, Slack 토론, 문서, 코드, 회의록, 고객 전화 및 중요한 결정 등을, 그리고 수동 유지 관리에 의존하지 않고 지속적으로 업데이트되어야 합니다. 또한, 매 회사의 새로운 직원이나 새로운 agent가 업무를 시작하기 전에 읽는 첫 번째 것이어야 합니다.

만약 내일 새 직원이 입사한다면, 그가 첫 날에 무엇을 읽어야 하는가? 만약 정말로 정답이 2024 년 Notion 문서와 이미 만료된 Confluence 링크인 경우, 본질적으로는 정지 상태에서 받아들이도록 하는 것입니다.

단일 도구에서 회사 대뇌로, AI의 실제 갭

오늘날, 기업에 AI를 도입하는 주요 방식은 여전히 현장 엔지니어에 의존합니다. OpenAI, Anthropic뿐만 아니라 대규모 컨설팅 회사도 모델 위에 구체적인 작업 흐름을 구축하는 방식을 택합니다.

이러한 작업들은 실제로 가치가 있음과 동시에 실제적입니다. 그러나 이들은 여전히 기업 AI의 '챗봇 시대'에 머물러 있습니다: 특정 작업 주변으로 패키지화된 좁은 도구이며, 개별적으로 유용하지만 지속적인 이득을 얻는 시스템에 통합되지는 않습니다.

진정한 '회사 대뇌'는 아직 나타나지 않았습니다. 고객 지원 담당자와 인사 입사 담당자는 서로 다른 달에 서로 다른 팀이 구축한 것일 수 있습니다. 그들은 회사가 최근 전체 직원 회의에서 무엇을 결정했는지, 회사가 시장을 어떻게 인식하는지, 그리고 판매 책임자가 최근 경영진 오프사이트에서 어떤 판단을 했는지 모릅니다. 각 에이전트는 구체적 역할을 하는 챗봇이지만 그들은 하나의 대뇌를 공유하지 않습니다.

이것이 현재 가장 큰 갭입니다. 그리고 실험실 외부에서는 이 문제를 중심으로 제품을 구축하는 사람이 거의 없습니다.

2026 년에 팀을 조직하거나 기업을 창업한다면, 운영 절차는 이미 2022 년과는 다릅니다. 먼저 컨텍스트 파일 작성, 그 후 도구 설치. 모든 회의를 기록하십시오. 선으로 위키를 구축하고, 그 후 대시보드를 구축하십시오. 기술을 전달하고, 발표 자료가 아니라. 새 직원에게 첫 날에 위키를 읽도록 하고, 둘째 날에는 콘텐츠를 제공하도록 하십시오. '회사 대뇌'가 지속적으로 작동하도록 하는 사람들을 채용하고 승진하고, 진정한 '회사 대뇌'를 읽는 에이전트를 다시 사용하십시오.

컨텍스트는 부차적인 것이 아닙니다. 모든 AI 투자가 실제로 수익을 내도록 하는 기반이 됩니다.

저는 현재 Ramp에서 이중 일부분을 구축하고 있습니다: 위키, 스킬 라이브러리, 동일한 컨텍스트 레이어에서 정보를 읽어 들이는 애플리케이션 및 그것에 지속적으로 콘텐츠를 제공하는 조직 구조. 이것은 아주 작고 초기 단계입니다. 회사 수준의 버전을 다른 곳에서 구축하려는 분과 경험 공유를 하고 싶습니다. 신뢰할 수 있는 대뇌보다 두 개의 대뇌가 같은 방에 있는 것이 훨씬 더 유용합니다.

계주 릴레이로 돌아가보죠. 진정한 승리 조건은 가장 깨끗한 인수인계나 가장 빠른 배트 보다는 둘 다 동시에 20미터 구간에서 발생하는 것입니다.

신입사원이 회사 두뇌를 읽고 나서서 달리기를 시작합니다. 새로 온 에이전트가 회사 두뇌를 읽고 나서서 업무를 시작합니다. 새로운 고객이 회사 두뇌에 접속하고 나서 첫날부터 가동됩니다.

「ramp-up」이라는 용어가 의미가 없어질 때, 우리는 올바르게 한 일을 알게 됩니다.

[Original Link]

BlockBeats 공식 커뮤니티에 참여하세요:

Telegram 구독 그룹：https://t.me/theblockbeats

Telegram 토론 그룹：https://t.me/BlockBeats_App

Twitter 공식 계정：https://twitter.com/BlockBeatsAsia