유통에서 엔드 투 엔드 통합으로
AI 네이티브 스타트업은 최종 입력뿐만 아니라 전체 프로세스 흐름을 관리하여 기존 소프트웨어의 유통 중심 모델을 넘어 우위를 점하고 있습니다.
기존 소프트웨어 회사들은 특정 기록에 국한되어 '배후 작업'을 포착하지 못하는 기존 제품을 넘어 발전하는 데 종종 어려움을 겪습니다.
아티클을 불러오는 중입니다
Lio와 같은 AI 네이티브 스타트업은 다중 에이전트 시스템을 활용하여 복잡한 엔드 투 엔드 기업 워크플로우를 처리하며, 기존 기업에 도전하고 있습니다.
AI 네이티브 스타트업은 최종 입력뿐만 아니라 전체 프로세스 흐름을 관리하여 기존 소프트웨어의 유통 중심 모델을 넘어 우위를 점하고 있습니다.
기존 소프트웨어 회사들은 특정 기록에 국한되어 '배후 작업'을 포착하지 못하는 기존 제품을 넘어 발전하는 데 종종 어려움을 겪습니다.
기존 ERP 시스템은 알루미늄의 최종 가격과 같은 최종 결과만 기록하여 조달의 실제 복잡성을 종종 가립니다.
실제 조달 프로세스에는 수백 통의 이메일, 여러 이해관계자 회의, 상세한 엔지니어링 분석을 포함한 광범위한 배후 작업이 수반됩니다.
스타트업은 소프트웨어 기록 외부에서 수행되는 이러한 '보이지 않는' 노동력, 즉 기존 시스템이 현재 추적하지 못하는 격차를 해결할 기회를 가지고 있습니다.
예를 들어, ERP는 알루미늄 가격을 8K로 표시할 수 있지만, 공급업체가 처음 10K를 요구하며 거부한 것은 표시하지 않습니다.
내부 인센티브와 이러한 기능을 통합하는 복잡성으로 인해 기존 기업들 사이에서 진정한 판단 기반 AI는 여전히 드뭅니다.
이러한 역량 격차를 해소하기 위해 기존 기업들은 다양한 AI 연구소와 적극적으로 협력하며 외부 전문 지식을 모색하고 있습니다.
Lio의 AI 에이전트는 기본 검색 및 프로세스 자동화부터 더 복잡한 정책 시행 및 주요 의사 결정 역할에 이르기까지 다양한 기능을 수행합니다.
자율 에이전트를 배포할지 인간 개입 시스템을 배포할지 여부는 예산, 작업 복잡성 및 관련 운영 위험과 같은 요인에 의해 결정됩니다.
고객 신뢰를 본질적으로 보유한 기존 기업과 달리 Lio 및 유사한 AI 네이티브 스타트업은 고객으로부터 외부 신뢰를 적극적으로 얻어야 합니다.
Lio는 현재 에이전트가 완전히 자율적으로 실행되는 사용 사례를 가지고 있으며, 다른 상황에서는 사람의 감독이 필요합니다.
기업은 종종 5만 달러 미만의 거래를 협상할 능력이 부족하여 이 계층의 잠재적 절감 효과를 효과적으로 무시합니다.
Lio는 이러한 '무시된' 협상을 자동화하여 자원 제약으로 인해 이전에 놓쳤던 절감 효과를 확보합니다.
이러한 소규모 거래에 대한 협상 프로세스가 존재하지 않았기 때문에 자동화를 위해 AI 에이전트를 사용하는 것과 관련된 위험은 거의 없습니다.
현대 조달 업무는 단순한 행정을 넘어 복잡한 계약 설계, 재무 분석 및 원가 공학을 포함합니다.
AI 에이전트는 특정 산업 분야에서 깊은 지식을 가진 전문가에게 특화된 통찰력을 제공합니다.
조달 프로세스는 이제 여러 소프트웨어 시스템에 걸쳐 있으며, 복잡성을 해결하기 위해 전문가와 일반 전문가가 혼합되어 있습니다.
AI 에이전트는 외부 데이터, 뉴스 및 예측 시장 지표를 통합하여 조달 결정을 향상시킵니다.
공급업체는 누락된 배송 비율과 같은 신뢰성 지표를 기반으로 평가될 수 있으며, 가격만으로는 얻을 수 없는 더 포괄적인 관점을 제공합니다.
중요한 사용 사례의 경우, 기업은 최저 단위 가격보다 배송 확률을 우선시하여 비용이 더 들더라도 필수 상품이 도착하도록 보장합니다.
단일 AI 에이전트만으로는 다단계 프로세스, 특히 수많은 변수가 포함된 복잡한 협상에는 불충분합니다.
다중 에이전트 시스템은 특정 순서로 정보를 공유하여 복잡한 작업을 조율하여 완료할 수 있도록 합니다.
이 시스템은 일반적으로 이질적인 소프트웨어 도구와 여러 부서를 포함하는 파편화된 수동 작업을 대체하여 엔드 투 엔드 프로세스를 간소화합니다.
MRO 부품이나 마케팅 서비스와 같은 대량의 저복잡성 작업을 포함하는 간접 조달은 완전 자율 에이전트에 적합합니다.
항공기와 같은 복잡한 빌드를 위한 직접 조달은 공급업체는 적지만 수십억 달러의 지출이 수반되며, 수개월에 걸친 전문가 준비 및 인간 개입 분석이 필요합니다.
인간 엔지니어는 알루미늄 및 유가와 같은 실시간 지수를 분석하여 이러한 고위험 시나리오에 대한 정보에 입각한 협상 전략을 개발합니다.
AI는 특정 제품에 대한 실제 재료 비용 영향을 계산하여 원자재 비용 증가와 제품의 전체 비용을 구분함으로써 가격 인상을 맥락화합니다.
이는 '배후' 지원 시스템 역할을 하여 인간 협상가에게 즉각적이고 데이터 기반의 반박 논리를 제공하여 이윤을 보호합니다.
고객 관계를 심화하고 판매를 늘리는 데 집중하는 초기 단계 기업은 자연스럽게 강력한 시장 지위를 구축합니다.
견고한 '데이터 자산'을 생성하기 위해 엔드 투 엔드 워크플로우를 소유하는 것은 장기적인 비즈니스 성공에 필요한 방어력을 제공하여 지속적인 경쟁 우위를 창출합니다.
한 포춘 500대 기업이 자체 현금 수집 도구를 구축하려 했으나, 데이터 품질 저하와 문맥 이해 부족으로 실패했습니다.
여러 ERP 시스템과 교차 기능 매핑을 관리하는 것은 AI 도구 개발을 시도하는 내부 팀에게 상당한 장애물입니다.
기업들은 내부 AI 도구 구축이 자신들의 핵심 역량이 아니며, 종종 주요 비즈니스 목표에서 자원을 전환시킨다는 사실을 점점 더 인식하고 있습니다.
조달 부서는 공급업체가 사용해야 하는 디지털 도구를 지시하는 데 영업팀이 인식하는 것보다 더 많은 권한을 가지고 있습니다.
구매자가 공급업체에게 특정 AI 에이전트를 사용하도록 요구하면 양측 모두에게 이익이 되는 통합 조정 플랫폼이 생성됩니다.
표준화는 추적 및 문서화와 같은 비가격 작업의 마찰을 줄여 전체 거래 프로세스를 간소화합니다.
이 개념은 로펌과 같은 적대적인 당사자에게까지 확장되어, 문서 초안 작성 및 문제 관리를 위한 공유 에이전트 기반 조정을 통해 이점을 얻을 수 있습니다.
현재 현장 배포 엔지니어링은 복잡한 고객 데이터를 이해하는 데 있어 중요한 중개자 역할을 합니다.
레거시 기존 기업들은 구현 팀이 통합된 피드백 루프가 아닌 부가적인 요소이기 때문에 배포에 어려움을 겪는 경우가 많습니다.
AI는 지속적인 학습 루프를 가능하게 하여 시스템이 점점 더 복잡한 작업을 자율적으로 처리하고 배포 프로세스 자체를 자동화할 수 있도록 합니다.
전통적으로 액센츄어와 같은 제3자 컨설턴트가 처리했던 맞춤화는 자동화된 소프트웨어를 통해 점점 더 많이 관리되어 배포를 간소화하고 가속화합니다.
현재 도구는 주로 효율성 향상에 중점을 두지만, 여전히 많은 작업이 이메일, 엑셀, 마이크로소프트 팀즈를 통해 수행된다는 근본적인 사실을 바꾸지 못합니다.
Lio는 특정 기능 개선을 넘어 조달 워크플로우 내의 시스템적 문제를 해결하기 위해 부서 간 관점을 제공하는 것을 목표로 합니다.
현재 도구는 사람들이 실제로 일하는 방식을 바꾸지 않고 기존 프로세스를 더 효율적으로 만들 뿐입니다.
종종 '지루하고 틈새' 범주로 여겨지는 조달은 지난 20년 동안 큰 혁신이 없었습니다.
이는 기존 시스템과 수동 프로세스에 지속적으로 좌절하는 사용자들에게 매우 감정적인 주제입니다.
조달에서 단 1%의 절감만 달성해도 매출을 10% 늘리는 것과 동일한 손익 영향을 미칠 수 있어 재정적 레버리지를 강조합니다.
조달 부문의 엄청난 규모는 혁신을 위한 잠재적인 조 달러 규모의 사업 기회로 자리매김합니다.
만약 당신이 1%만 절약할 수 있다면, 그것은 당신의 손익계산서에서 같은 결과를 얻기 위해 판매를 10% 늘리는 것과 같습니다.
자막에서 근거가 되는 대목을 찾아 답합니다.
a16z의 다음 글도 받아볼까요?
a16z에 새 영상이 올라오면, 방금 읽으신 것처럼 정리해서 메일로 보내 드릴게요.
이 채널은 지난 7일 동안 8편 올렸어요.
