Agentic AI Transformation: Cisco 서비스 조직이 첫 에이전트 실패 뒤 세운 4원칙
Cisco 서비스 조직(매출 약 150억 달러, 직원 약 2만 명)의 첫 에이전트는 적임 엔지니어를 빨리 찾아 줬지만 뒤에 숨은 핸드오프 다섯 번을 더 빨리 드러내 고객을 더 화나게 했습니다. 이후 Cisco는 업무 흐름을 먼저 다시 짜고 40년치 사례로 지식 베이스를 만들고 사용률 대신 업무가 실제로 바뀌었는지로 성과를 잽니다.
Cisco 서비스 조직은 엔지니어 연결을 빠르게 한 첫 에이전트가 오히려 고객 불만을 키운 뒤, 자동화보다 업무 흐름 재설계를 먼저 하는 쪽으로 방향을 바꿨습니다. 따라 하려면 핸드오프 기록과 과거 사례 데이터를 먼저 정리하고 사용률 대신 업무가 실제로 바뀌었는지를 잴 지표를 시작 전에 정해야 합니다.
요약
CIO.com의 Thor Olavsrud가 Cisco의 최고고객경험책임자(EVP) Liz Centoni를 인터뷰해 2026년 11월 13일에 쓴 기사입니다. Centoni는 매출 약 150억 달러, 직원 약 2만 명 규모의 Cisco 서비스 조직을 AI 네이티브 조직으로 바꾸는 일을 맡고 있습니다. 이 조직에는 전문 서비스, 고객 성공, 기술 지원, 소프트웨어·서비스 갱신(renewals) 사업이 들어 있습니다. Centoni가 바탕에 둔 생각은 네 가지입니다. 사람이 붙어 있어야만 돌아가는 업무 흐름은 다시 설계합니다. 매출과 마진이 좋아도 지금 방식에 머물지 않습니다. 현재 품질은 출발선으로 봅니다. 가장 큰 제약은 기술보다 리더십이라고 봅니다. 기사는 이 위에 네 가지 실행 원칙(pillar)을 올립니다.
출발점은 실패한 첫 에이전트였습니다. 고객은 맞는 엔지니어를 만나기까지 여러 번 넘겨지고 같은 설명을 되풀이해야 한다고 불평했습니다. 팀은 적임 엔지니어를 빨리 찾아 주는 에이전트를 만들었는데 결과는 반대였습니다. 연결이 빨라지자 뒤에서 일어나던 핸드오프 다섯 번이 고객 눈에 더 빨리 드러났고 고객은 더 화가 났습니다. Centoni는 이를 엉뚱한 곳에 AI를 덧붙인 일로 봤습니다. 이후 Cisco는 핸드오프가 왜 있는지부터 묻고 40년 넘게 쌓인 고객 사례로 지식 베이스와 플레이북을 만들었습니다. 목표도 장애 원인을 빨리 찾는 데서 장애를 미리 막는 쪽으로 옮겼고 성과는 사용률이 아닌 업무 변화로 잽니다. 기사에 성과 수치는 없으며 12개월 안에 장애 10건 중 8건을 미리 막는다는 것도 목표로만 나옵니다. 아래에서는 다섯 가지 메커니즘과 실제로 돌릴 때 필요한 데이터 구조, 일정을 정리합니다.
핵심 메커니즘
Redesign Before Automate: 핸드오프를 빠르게 하기 전에 왜 있는지 묻는다
자동화할 단계를 고르기 전에 그 단계가 지금도 필요한지부터 따지는 순서입니다. 먼저 고객이 원하는 최종 결과를 정의합니다. 다음으로 현업 전문가, 실제 사용자와 함께 현재 흐름을 그립니다. 수십 년 전에 설계돼 지금은 필요 없는 단계를 지우고 남은 단계마다 에이전트가 혼자 처리할 곳과 사람이 넘겨받을 곳을 나눕니다. 기사는 이 경계를 정할 때 자동화와 AI가 90% 이상 정확도를 낼 수 있는 곳을 찾으라고 합니다. Centoni는 사용자를 시스템 바깥의 수신자가 아닌 설계의 일부로 봅니다. “Users are an essential part of the technology stack.”이 그의 표현입니다.
고객이 여러 부서를 거치는 흐름에 맞습니다. 단계가 하나뿐이고 규칙이 분명한 일이라면 이 순서 없이 바로 자동화해도 됩니다. 가상 예시로, 장비 장애 문의가 1차 접수, 제품군 분류, 지역 엔지니어, 전문 엔지니어 순으로 넘어간다면 연결 속도를 올리기 전에 “1차 접수에서 분류까지 끝내면 둘째 단계가 필요한가”를 먼저 묻습니다.
Cost Equation of Expertise: 전문가를 더 붙이는 대신 40년치 해법을 꺼내 쓴다
Cisco는 복잡한 건이 오면 전문가를 더 투입해 왔고 그래서 처리 속도가 전문가 수에 묶였습니다. Centoni는 같은 종류의 문제를 지난 40여 년 동안 수만 번 풀었다고 봅니다. 그 기록으로 지식 베이스와 플레이북을 만들고 AI 에이전트와 사람 전문가가 이를 함께 써서 배포를 계획하고 실행합니다. 고객 데이터와 KPI를 넣으면 가치 실현(value realization, 고객이 산 제품에서 실제 성과를 얻게 돕는 활동) 계획을 고객마다 맞출 수 있습니다. 이전 전문가들의 경험을 끌어오는 전문가 에이전트가 이 지식을 누구나 쓸 수 있게 합니다.
Centoni가 꼽은 기대 효과는 일관성, 보안, 프로젝트 완료 시간 단축입니다. 사람 전문가는 루프에서 빠지지 않고 아낀 시간을 고객과 반복 개선하는 데 씁니다. 과거 사례가 많고 기록이 남아 있는 사업에 맞으며 사례가 적은 신규 사업에는 덜 맞습니다.
Proactive and Predictive: 원인 분석 속도에서 장애 예방으로
예전에는 원인 분석을 얼마나 빨리 끝내느냐가 목표였습니다. Centoni가 든 질문은 “3시간 걸리던 진단을 30분으로 줄일 수 있나”였습니다. 이제는 고객이 느끼기 전에 문제를 막는 쪽을 봅니다. 케이스 이력을 보면 반복해서 나타나는 문제 묶음이 있습니다. 에이전트가 고객 환경에서 그 묶음의 조기 신호를 감시하다가 문제가 커지기 전에 다음 조치를 권합니다.
Centoni의 목표는 12개월 안에 고객에게 “작년에 장애가 10건 날 뻔했는데 그중 8건을 막았다”고 말하는 것입니다. 아직 실적이 아닌 목표입니다. 고객 환경 데이터를 볼 계약과 권한이 있어야 쓸 수 있습니다.
Fit-for-use Model Choice: 규칙 자동화부터 따지고 모델은 용도로 고른다
모델을 고르기 전에 규칙 기반 자동화로 풀리는지부터 봅니다. 여러 신호를 엮어 결과를 예측해야 할 때 AI를 씁니다. 실제로는 오래된 예측 모델, 자동화, 새 LLM을 섞는 경우가 많습니다. 고르는 기준은 설계자의 선호가 아닌 용도이고 데이터를 사내에 둬야 하는 데이터 주권 요건이 선택을 가르기도 합니다.
갱신 비서가 그 예입니다. 갱신 에이전트, 감성(sentiment) 에이전트, 위험 에이전트, 설치 기반(install base, 고객이 이미 쓰는 Cisco 제품 목록) 에이전트 네 개를 묶었습니다. 모델은 Mistral을 썼습니다. Centoni는 Mistral을 전체 기능을 갖춘 모델을 온프레미스로 제공하는 몇 안 되는 곳으로 봤고 Cisco는 사설 인스턴스로 맞춤화해 자동화와 결합했습니다.
Compliance Theater: 로그인 수가 아니라 업무 흐름 변화로 잰다
사용자는 로그인하고 체크박스를 채우면서도 예전 방식대로 일할 수 있습니다. Centoni는 이런 채택 지표를 compliance theater(규정을 지키는 척하는 연극)라고 부릅니다. 그가 보는 지표는 업무 흐름이 실제로 바뀌었는지, 갱신 비서를 낸 뒤 갱신팀의 처리 용량이 늘었는지입니다.
에이전트는 배포할 때 기능이 다 갖춰진 일반 소프트웨어와 다릅니다. Centoni는 첫 버전의 사용성을 60% 수준으로 봅니다. 그래서 사용자 피드백을 받는 채널이 있어야 고치고 넓힐 수 있습니다. 내부 지원 에이전트가 예입니다. 고객이 케이스를 열면 관련 이력과 맥락을 끌어와, 지원 인력이 첫 30분을 고객에게 정보를 묻는 데 쓰지 않게 합니다. 고객 환경 정보를 바탕으로 다음 조치도 제안합니다.
통념과 다른 주장
흔히 이렇게 봅니다고객이 불평하는 병목에 AI를 붙여 빠르게 만들면 고객 만족이 오른다.
저자는 이렇게 봅니다병목이 생긴 이유를 묻지 않고 속도만 올리면 숨어 있던 문제가 더 빨리 드러날 뿐입니다. 흐름부터 다시 짜야 합니다.
근거엔지니어 연결을 빠르게 한 첫 에이전트가 뒤쪽 핸드오프 다섯 번을 고객에게 드러내 불만을 키웠습니다.
흔히 이렇게 봅니다사용률과 로그인 수가 오르면 AI 도입이 성공한 것이다.
저자는 이렇게 봅니다사용률은 연극일 수 있습니다. 업무 흐름이 바뀌었는지, 팀이 더 많이 처리하는지로 봐야 합니다.
근거Centoni는 갱신 비서의 성과를 갱신팀 처리 용량이 늘었는지로 판단하겠다고 밝혔습니다.
저자가 든 사례
엔지니어 연결 에이전트: 빠르게 했더니 더 화가 났다
| 구분 | 내용 |
|---|---|
| 상황 | 고객이 맞는 엔지니어를 만나기까지 여러 번 넘겨지고 문제를 되풀이해 설명 |
| 한 일 | 적임 엔지니어를 빨리 찾아 주는 에이전트를 먼저 만듦 |
| 결과 | 뒤에서 일어나던 핸드오프 다섯 번이 더 빨리 드러나 고객 불만이 커짐. 이후 핸드오프가 왜 있는지부터 묻는 방식으로 전환 |
| 연결 | Redesign Before Automate |
갱신 비서: 데이터 주권 요건이 모델을 정했다
| 구분 | 내용 |
|---|---|
| 상황 | 소프트웨어·서비스 갱신 업무에 여러 신호를 엮은 판단이 필요하고 데이터를 온프레미스에 둬야 함 |
| 한 일 | 갱신·감성·위험·설치 기반 에이전트 네 개를 묶고 Mistral 모델을 사설 인스턴스로 맞춤화해 자동화와 결합 |
| 결과 | 기사에 결과 수치는 없음. 갱신팀 처리 용량 증가 여부로 판단하겠다고 밝힘 |
| 연결 | Fit-for-use Model Choice, Compliance Theater |
내부 지원 에이전트: 첫 30분을 돌려준다
| 구분 | 내용 |
|---|---|
| 상황 | 케이스가 열리면 지원 인력이 고객에게 상세 정보를 묻느라 시간을 씀 |
| 한 일 | 케이스가 열릴 때 이력과 맥락을 끌어오고 고객 환경 정보로 다음 조치를 제안하는 에이전트를 지원 흐름에 넣음 |
| 결과 | 지원 인력이 첫 30분을 정보 수집에 쓰지 않음. 측정 수치는 기사에 없음 |
| 연결 | Compliance Theater, Cost Equation of Expertise |
기술 디테일: 서비스 조직에 에이전트를 붙인다면
아래 필드명, 설정값, 기준은 실제로 돌릴 때 필요한 것을 새로 쓴 가상 예시입니다. 기사에서 온 값은 그렇다고 밝혔습니다.
Redesign Before Automate를 하려면 케이스 이벤트 로그부터 뽑습니다. 티켓 시스템에서 배정, 이관, 에스컬레이션 이벤트를 꺼내 케이스마다 핸드오프 수와 사유를 셉니다. LLM은 이관 메모를 읽고 사유를 “분류 오류”, “전문성 필요”, “정보 부족”, “근무 시간” 네 코드 중 하나로 붙이게 합니다(temperature 0, 코드 외 값은 거부). 분류 오류와 정보 부족이 많은 단계가 지울 후보입니다. 남는 단계는 사람이 정답을 단 케이스 200건으로 에이전트의 판단을 채점해, 기사가 든 90% 이상인 단계만 자율로 둡니다.
{"case_id": "C-20261103-0412", "handoffs": 5, "events": [
{"seq": 2, "from_queue": "triage", "to_queue": "region_eng", "reason_code": "분류 오류"},
{"seq": 3, "from_queue": "region_eng", "to_queue": "specialist", "reason_code": "전문성 필요"}
], "removable_steps": ["triage→region_eng"]}
지식 베이스를 만들려면 종결된 케이스를 플레이북 단위로 다시 씁니다. 케이스 원문을 그대로 검색에 넣으면 같은 해법이 수백 건으로 흩어집니다. LLM으로 종결 케이스에서 증상, 제품·버전, 환경, 근본 원인, 조치 단계, 검증 방법, 근거 케이스 ID를 뽑아 같은 원인끼리 묶고 묶음마다 플레이북 하나를 만듭니다. 플레이북은 현업 전문가가 승인해야 검색 대상에 들어가고 에이전트 답변에는 플레이북 ID와 근거 케이스 ID를 반드시 붙입니다. 예방 에이전트도 같은 묶음을 씁니다. 묶음마다 장애 전에 나타나는 텔레메트리 신호를 정의하고 규칙으로 잡히는 신호는 규칙으로, 여러 신호를 엮어야 하는 것만 예측 모델로 돌립니다. “막은 장애”는 시작 전에 정의해 둡니다. 예를 들어 경보 뒤 조치를 했고 같은 묶음에서 조치 없이 넘어간 과거 경보의 절반 이상이 72시간 안에 장애로 번졌다면 1건으로 셉니다. 이렇게 정해 두지 않으면 기사가 든 “10건 중 8건” 같은 문장을 고객 앞에서 근거로 댈 수 없습니다.
갱신 비서처럼 여러 에이전트를 묶을 때는 하위 에이전트 출력을 고정된 필드로 받습니다. 감성 에이전트는 최근 케이스·설문 기록에서 점수와 근거 문장을, 위험 에이전트는 이탈 위험 등급과 근거 신호를, 설치 기반 에이전트는 계약 품목과 사용 현황을 돌려줍니다. 갱신 에이전트가 이를 합쳐 담당자에게 제안하고 견적 생성처럼 규칙이 분명한 일은 자동화로 넘깁니다. 데이터가 사내를 떠나면 안 된다면 모델을 사내 GPU나 전용 클라우드의 사설 인스턴스에 올립니다.
{"account_id": "A-88231", "renewal_due": "2027-02-28",
"sentiment": {"score": -0.4, "evidence": ["케이스 3건 재오픈"]},
"risk": {"grade": "high", "signals": ["사용량 30% 감소"]},
"install_base": {"items": 42, "end_of_support": 6},
"suggestion": "지원 종료 품목 교체 제안을 갱신과 묶음", "auto_actions": ["견적 초안 생성"]}
지원 맥락 에이전트는 케이스 생성 이벤트에 붙입니다. 케이스가 열리면 같은 고객의 최근 케이스, 계약, 설치 기반, 관련 플레이북을 모아 한 화면 요약과 다음 조치 후보 셋을 만듭니다. 요약 항목마다 출처 레코드 ID를 남겨 담당자가 바로 확인하게 합니다.
| 막히는 경우 | 증상 | 대응 |
|---|---|---|
| 속도만 올림 | 응답은 빨라졌는데 불만 증가 | 케이스당 핸드오프 수를 함께 보고 줄지 않으면 흐름 재설계로 돌아감 |
| 플레이북 중복 | 같은 원인 플레이북이 여러 개 | 근본 원인 코드로 묶고 전문가 승인 전에는 검색에서 제외 |
| 예방 경보 과다 | 담당자가 경보를 무시 | 묶음별 정밀도를 주간 검토해 낮은 신호는 끔 |
| 첫 버전 불만 | 기사 기준 사용성 60% 수준 | 화면 안 피드백 버튼, 주 1회 수정 배포 |
| 지표 착시 | 사용률은 높은데 업무는 그대로 | 판정 지표를 업무 변화 지표로 고정 |
현업 실행 디테일: 누가, 언제, 무엇을
아래 역할, 일정, 기준은 기사 내용을 참고해 새로 짠 가상 예시입니다.
| 역할 | 맡는 일 |
|---|---|
| 서비스 부문 리더 | 최종 결과 정의, 자율 경계 승인, 성과 지표 합의 |
| 현업 전문가(지원·전문 서비스) | 현재 흐름 그리기, 지울 단계 검토, 플레이북 승인 |
| AI 엔지니어 | 케이스 로그 추출, 핸드오프 분석, 맥락 에이전트 구축 |
| 데이터·보안 담당 | 데이터 위치 요건 확인, 모델 배치 방식 결정, 권한 점검 |
| 갱신팀 리더 | 처리 용량 기준선 측정, 갱신 비서 피드백 수집 |
준비물. 최근 12개월 케이스 이벤트 로그, 종결 케이스 원문과 근본 원인 코드, 갱신 담당자별 처리 건수 기준선, 고객 데이터의 보관 위치 요건, 피드백을 받을 채널이 필요합니다.
| 기간 | 할 일 | 산출물 |
|---|---|---|
| 1~2주 | 케이스 흐름 하나 선정, 이벤트 로그로 핸드오프 수·사유 집계, 현업 전문가와 현재 흐름 그리기 | 핸드오프 지도, 지울 단계 후보 |
| 3주 | 남길 단계마다 자율·사람 경계 정하기, 정답 200건으로 정확도 채점 | 자율 경계표 |
| 4~5주 | 플레이북 20개 승인, 맥락 에이전트 시범 운영 | 플레이북 목록, 시범 운영 기록 |
| 6주 | 업무 변화 지표로 판정, 다음 흐름 선정 | 판정 보고서 |
현업 전문가에게 물을 것.
- 이 케이스가 고객에게 끝났다고 말할 수 있는 상태는 무엇인가요?
- 지난달 넘긴 케이스 중 넘기지 않아도 됐던 것은 몇 건이고 왜 넘겼나요?
- 케이스를 열고 처음 30분 동안 주로 무엇을 확인하나요?
- 에이전트가 틀려도 고객에게 해가 없는 단계와 반드시 사람이 봐야 하는 단계는 어디인가요?
- 어떤 기록이 있으면 같은 문제를 다시 풀지 않아도 되나요?
진행 판정 기준(예시). 6주 뒤 시범 흐름에서 케이스당 핸드오프 수가 기준선보다 줄고 첫 실질 조치까지 시간이 짧아졌으면 다음 흐름으로 넓힙니다. 사용률만 오르고 이 두 지표가 그대로면 확장하지 않고 흐름 재설계로 돌아갑니다. 자율로 둔 단계의 정확도가 90% 아래로 내려가면 그 단계를 사람에게 되돌립니다.
AX 적용 제언. 유지보수·기술 지원·갱신 조직을 가진 장비, IT 서비스, 산업재 기업이라면 상담 챗봇보다 케이스 이벤트 로그 분석을 먼저 하는 편이 낫습니다. 핸드오프 지도를 그리면 어디에 에이전트를 붙일지와 어디를 지워야 할지가 함께 보입니다. 다음은 케이스 시작 시 맥락을 모으는 에이전트입니다. 기존 시스템을 거의 바꾸지 않고 담당자 시간을 돌려주므로 현업 스폰서를 얻기 쉽습니다. 예방은 플레이북이 쌓인 뒤에 시작합니다. 경영진 보고는 사용률 대신 케이스당 핸드오프 수, 담당자당 처리 건수, 미리 막은 장애 건수로 합니다. 데이터 주권 요건이 있는 산업이라면 모델 선정 회의 전에 보안 담당과 데이터 위치부터 정해 두면 선택지가 빨리 좁혀집니다.
원문 사례
| 항목 | 내용 |
|---|---|
| 기사 | 「Cisco’s 4 pillars to achieve agentic AI transformation」, CIO.com, Thor Olavsrud, 2026.11.13 |
| 화자 | Liz Centoni, Cisco EVP·최고고객경험책임자. Cisco 26년 근무, 현 직책 약 2년. 2024년 280억 달러 규모 Splunk 인수를 이끎 |
| 조직 | Cisco 서비스 사업. 매출 약 150억 달러, 직원 약 2만 명. 전문 서비스, 고객 성공, 기술 지원, 갱신 |
| 바탕 원칙 | 사람에 묶인 흐름 재설계, 현상 유지 거부, 현재 품질은 출발선, 제약은 리더십 |
| 4원칙 | 전문성의 비용 구조 바꾸기, 선제·예측 대응, 용도에 맞는 모델·도구, compliance theater 피하기 |
| 첫 에이전트 | 적임 엔지니어 찾기를 빠르게 함. 숨은 핸드오프 다섯 번이 드러나 불만 증가 |
| 지식 베이스 | 40년치 고객 사례로 구축. 전문가 에이전트, 기대 효과는 일관성·보안·완료 시간 |
| 예방 목표 | 12개월 안에 장애 10건 중 8건 예방(목표) |
| 갱신 비서 | 갱신·감성·위험·설치 기반 에이전트 4개, Mistral 사설 인스턴스, 자동화와 결합 |
| 지원 에이전트 | 케이스가 열리면 이력·맥락 수집, 첫 30분 정보 수집 생략, 다음 조치 제안 |
| 기타 수치 | 자율 경계 기준 90% 이상 정확도, 에이전트 첫 버전 사용성 60% 수준 |
핵심 개념
- Handoff
- 케이스가 한 담당자나 대기열에서 다른 곳으로 넘어가는 일입니다. 넘어갈 때마다 고객은 기다리고 설명을 되풀이합니다.
- Playbook
- 같은 원인의 문제를 어떤 순서로 풀고 어떻게 확인하는지 정리한 표준 절차입니다.
- Install base
- 고객이 이미 사서 쓰고 있는 제품과 계약의 목록입니다. 갱신과 교체 제안의 출발점이 됩니다.
- Sentiment agent
- 케이스, 설문, 대화 기록에서 고객의 감정 상태를 읽어 점수로 내는 에이전트입니다.
- Data sovereignty
- 데이터를 특정 국가나 회사 안에 둬야 한다는 요건입니다. 모델을 어디에 올릴지를 정합니다.
- Private instance
- 다른 고객과 공유하지 않고 한 회사만 쓰도록 따로 띄운 모델 실행 환경입니다.
- Human in the loop
- 에이전트가 처리하는 흐름 안에 사람이 확인하거나 넘겨받는 지점을 남겨 두는 설계입니다.
내 메모
TODO: 내 생각 추가
원문은 CIO.com의 Thor Olavsrud가 쓴 「Cisco’s 4 pillars to achieve agentic AI transformation」(2026.11.13)입니다. 요약, 핵심 메커니즘, 통념과 다른 주장, 사례는 기사에서 Liz Centoni가 밝힌 내용을 AX Partners가 다시 정리했습니다. 기사에는 성과 수치가 없으며 장애 10건 중 8건 예방은 목표입니다. 기술·현업 디테일의 필드명, JSON 예시, 지표, 일정, 질문, 판정 기준, 인포그래픽과 표는 실제로 돌릴 때 필요한 것을 새로 작성한 가상 예시입니다. 전체 내용은 CIO.com 원문에서 확인할 수 있습니다.