🖼️ 인포그래픽

🖼️ 4컷 인포그래픽

💡 한 줄 결론

Kavak의 플레이북은 AI 도구를 기존 회사에 덧붙이는 것이 아니라, 고객별 장기 실행 에이전트가 실제 사업 성과를 내도록 API·조직·평가·인간 개입 체계를 통째로 다시 설계하는 것이다.

📌 핵심 요점

1. Kavak은 중고차 매입·정비·판매·금융을 수직 통합하면서 라틴아메리카에 부족한 핀테크·물류·차량이력 인프라까지 직접 구축했고, 이 사업 토대를 AI 네이티브 운영 모델로 전환했다.
2. 고객마다 전용 가상머신과 장기 기억을 가진 에이전트를 생성해 단기 거래가 아니라 고객 만족과 생애가치를 지속적으로 최적화하도록 했다.
3. 전체 고객 상호작용의 96%와 거래의 95%를 에이전트가 처리하며, 매일 10만~20만 개의 에이전트를 운영하는 대신 개발과 거의 같은 자원을 평가 체계에 투입한다.
4. 에이전트는 통화량 같은 활동 지표가 아니라 자동차 구매·대출 승인·차량 판매 같은 실제 전환으로 평가되며, 통합 판매에서는 인간 팀보다 높은 전환율과 고객 만족도를 기록했다.
5. 조직도 함께 바뀌었다. 전 직군을 재교육하고, 인간이 해결한 예외를 에이전트 학습으로 되돌리는 폐쇄형 루프와 토큰별 투자수익률 측정을 운영한다.

🧩 배경과 문제 정의

Kavak은 중고차 매입·정비·판매·금융을 함께 운영하며, 라틴아메리카에 부족한 핀테크·물류·차량이력 인프라까지 직접 구축해야 했다.

기존 조직에 생성형 AI 도구만 추가해서는 효율이나 고객 경험이 근본적으로 달라지지 않았다. 에이전트가 실제 업무를 수행할 수 있도록 API·핵심 시스템·성과지표와 조직 구조를 함께 재설계하는 것이 문제의 핵심이었다.

Kavak의 가설은 고객별 장기 실행 에이전트가 전환율·고객 생애가치·고객 경험에서 최고의 인간 직원을 능가할 수 있다는 것이다. 이를 검증하기 위해 실제 고객 데이터와 사업 성과를 중심으로 한 평가 체계를 구축했다.

🕒 시간순 섹션별 상세정리

1. AI 네이티브 전환을 가능하게 한 사업 토대

• 2013년 트랜스포머 이전부터 Fortune 500 기업의 리스크·물류·예측·마케팅 문제를 푸는 머신러닝 회사를 운영했지만, 당시 기술과 시장보다 약 10년 앞선 시도였다. [01:28]
• 트랜스포머와 ChatGPT는 기존 알고리즘의 한계를 넘어 회사 자체를 새로운 방식으로 설계할 수 있는 전환점이 됐고, 이 가능성이 Kavak 합류로 이어졌다. [02:09]
• Kavak은 중고차 매입·정비·판매와 금융을 결합하고, 기반이 부족한 라틴아메리카에서 핀테크·물류·차량이력 인프라를 수직 통합했다. [02:43]

2. 고객마다 생성되는 장기 실행 에이전트

• 2035년의 GPT-10급 지능을 전제로 회사를 다시 설계하자 기존 조직과 다른 구조가 필요했고, Kavak은 에이전트 중심 회사로 전환했다. [03:22]
• 고객이 유입되면 전용 가상머신을 가진 에이전트가 생성돼 과거 웹페이지 방문과 수년 전 통화까지 기억하고 고객별 전략과 장기 목표를 세운다. [03:44]
• 고정 워크플로나 전문가 에이전트의 단기 협업 대신 명확한 목표를 가진 장기 실행 에이전트가 고객 만족과 생애가치를 지속적으로 최적화한다. [04:22]

3. 도구 도입이 아닌 회사 전체 재설계

• 기존 조직을 유지한 채 ChatGPT만 제공해서는 효율과 고객 문제가 그대로 남으므로, 에이전트가 업무를 직접 수행하도록 API와 핵심 시스템을 다시 구축했다. [05:12]
• 에이전트를 실제 고객과 어려운 문제 앞에 투입해야 데이터와 평가 결과를 확보할 수 있고, 그 피드백으로 성능을 계속 미세조정할 수 있다. [05:53]
• 목표는 전환율·고객 생애가치·고객 경험을 비롯한 중요한 기준에서 에이전트가 최고의 인간 직원을 능가하는 것이다. [06:12]

4. 거래량에서 고객 생애가치로 옮긴 경영 기준

• Kavak은 자동차와 부품의 거래량을 세던 기업에서 고객 1,000만 명과 장기 관계를 관리하는 관계 중심 기업으로 전환했다. [06:31]
• 고객 대부분에 에이전트를 배정했으며, 자동차와 개인대출 같은 고가 상품에서는 고객 기반의 1%만 활성화해도 수억 달러 규모의 기회가 생긴다고 봤다. [06:49]
• 높은 신뢰가 필요한 중고차 구매에서는 고객을 오래 기억하고 계획적으로 관계를 육성하는 역량이 단기 거래 성사보다 중요하다. [07:23]

5. 하루 최대 20만 에이전트를 움직이는 평가 체계

• 전체 고객 상호작용의 96%와 거래의 95%를 에이전트가 처리하고, 차량 열쇠 전달 같은 물리적 접점에만 사람이 남는다. [08:08]
• 매일 10만~20만 개의 에이전트가 생성돼 3분에서 3일까지 일하고, 다음 작업 시간을 예약한 뒤 대기 상태로 돌아간다. [08:30]
• 대규모 확장의 안전장치는 평가 체계이며, Kavak은 에이전트 개발과 거의 같은 수준의 엔지니어링 시간·토큰·비용을 평가 구축에 투입한다. [09:30]

6. 실제 사업 성과를 기준으로 한 복합 판매

• 최우선 평가 기준은 자동차 구매·대출 승인·차량 판매 같은 실제 전환이며, 통화 횟수나 시간만으로는 사업 가치와 고객 만족을 확인할 수 없다. [09:48]
• 고객에게 실질적인 가치가 생겼는지와 시간이 지난 뒤 관계를 다시 이어갈 의향이 있는지를 측정하고, 그 결과에 맞춰 에이전트 구조와 기술을 최적화한다. [10:22]
• 약 2만 개 차종과 금융·보험·보상판매를 담당하던 15개 전문 영역을 하나의 에이전트에 결합해 통합형 판매 전문가가 전체 거래를 맡도록 했다. [12:06]

7. 인간을 넘어선 판매 성과와 금융 확장

• 통합 에이전트 도입 뒤 NPS와 고객 만족도는 3배가 됐고, 전환율은 처음부터 인간 팀보다 50% 높았으며 이후 2.1배 이상으로 상승했다. [12:22]
• 멕시코 등에서 통상 2개월 이상 걸리는 자동차 대출을 고객·차량 데이터로 3분 안에 승인하고, 상환이 어려우면 더 저렴한 차로 교체하는 수직 통합 방식도 활용한다. [14:04]
• 자동차 구매는 고객에게 중요한 결정이어서 실제 구매 결심까지 통상 3~4개월이 걸린다. [14:52]

8. 고객 여정 전체를 활용한 금융 개인화

• 자동차 구매와 큰 개인대출을 단발성 거래로 보지 않고 고객을 과정 전체에서 이해하며 절차를 쉽게 만들면 전환율과 유지율이 함께 상승한다. [15:11]
• 금리·위험도·대출 한도를 고객별로 개인화하되 포트폴리오 전체의 위험과 고객이 받은 다른 제안까지 고려해 조건을 최적화한다. [15:30]

9. 도시 사업을 맡은 AI CEO의 수익성 실험

• 2035년이면 AI가 CEO 역할까지 수행할 수 있다는 판단 아래 멕시코의 한 도시 사업을 분리하고 에이전트를 CEO로 배치했다. [16:30]
• 첫 달 이익을 두 배로 높인다는 목표에는 못 미쳤지만, 운영 6주 만에 이익이 1.5배로 증가해 약 50% 개선됐다. [16:54]
• AI CEO가 모든 수치와 고객을 분석해 예측과 일일 실행 계획을 만들고 현장 작업자의 음성 보고까지 회수하면서 고객 만족도·재고 회전·금융 이용률이 개선됐다. [17:54]

10. 정비사를 대체하지 않고 강화하는 AI 보조자

• 멕시코의 정비사 약 800명은 손기술과 감각이 필요한 물리 업무를 수행하므로, 대체보다 인간의 실행력을 AI로 강화하는 역할 설계가 필요했다. [18:18]
• 동일한 에이전트 하네스에서 작동하는 엘 마이크가 차량 검사 절차와 수리 팁을 제공하면서 검사 품질과 작업 속도를 높였다. [18:50]
• 검사와 수리가 더 빠르고 저렴해지고 차량 품질은 높아졌으며, 보증 관련 문제는 약 26% 감소하고 고객 만족도는 상승했다. [19:14]

11. 전 직군을 다시 훈련하는 제다이 아카데미

• 기존 업무 상당수를 AI 에이전트가 더 잘 수행할 가능성에 대비해 CEO부터 AI 엔지니어와 정비사까지 전 직군이 사내 제다이 아카데미에 참여한다. [20:24]
• 6주 교육을 마친 정비사·재무 담당자·엔지니어가 최신 AI 에이전트를 직접 프로덕션에 배포하면서 비개발 직군도 구축과 협업 역량을 확보했다. [21:06]
• 에이전트와 인간의 역할이 계속 바뀌므로 구성원이 경쟁력을 유지하려면 매일 학습하고 한두 달마다 역량을 갱신해야 한다. [22:34]

12. 평평한 팀과 닫힌 인간 개입 루프

• 조직은 엔지니어링·AI·운영을 결합한 평평하고 숙련도 높은 자율 팀으로 바뀌었고, 구성원은 에이전트를 만들거나 지원하거나 고객 접점의 물리 업무를 맡는다. [23:00]
• 막힌 사례를 2차 지원팀에 넘긴 뒤 해결 결과를 학습 데이터로 돌려보내지 않으면 에이전트는 같은 한계를 반복한다. [24:34]
• 고객별 에이전트가 한계에 닿으면 도움 API로 인간 팀을 호출하고, 인간의 해결 과정을 다시 에이전트 개선에 활용하는 폐쇄형 루프를 만들었다. [25:02]

13. 하향식 전환 전략과 토큰 단위 성과 측정

• AI 전환은 리더가 먼저 채택하고 3~5년 뒤의 조직상을 정한 뒤 하향식으로 실행해야 하며, 해커톤의 산발적 사용 사례만으로는 일관된 전략을 만들기 어렵다. [26:23]
• 실제 업무를 수행하는 3단계 토큰은 토큰별 투자수익률을 직접 계산할 수 있어 비용 증가가 성장으로 이어지는지 확인할 수 있다. [27:09]
• 코드베이스 기여에 쓰이는 2단계 토큰은 간접 평가할 수 있지만 범용 도구에 쓰이는 1단계 토큰은 결과를 알기 어려우므로, 채택률보다 토큰별 편익을 추적해야 한다. [27:57]

14. 작동하던 시스템을 버리고 고객별 가상 머신으로 재설계

• 금융·구매·추천이 얽힌 자동차 판매 전체 목표를 수행하도록 고객별 에이전트를 두고, 각 에이전트에 자체 마이크로 가상머신을 부여했다. [28:44]
• 수만 개의 멀티에이전트가 실제 사업을 운영했지만 Opus 4.5 이후 그래프와 멀티에이전트 구조가 더 높은 지능을 제약하는 문제가 나타났다. [29:16]
• 수익성과 성장을 만든 2년치 시스템도 폐기하고, 재귀적 자기개선과 발전하는 모델을 수용하도록 메모리에 접근하는 에이전트를 가상머신에 넣은 새 하네스로 다시 시작했다. [29:58]

15. 모델을 넘어 조직 전체를 자기개선 루프로 전환

• 모든 사내 도구와 API에 접근하는 실행 단위를 매일 수십만 개 가동하고, 고객 생애가치 극대화 같은 장기 목표를 부여해 조직 차원의 자기개선을 추진한다. [30:01]
• 더 나은 모델을 조직의 개선 루프에 계속 결합하면 지능뿐 아니라 기업이 창출하는 가치도 기하급수적으로 커질 수 있다는 관점이다. [30:30]

16. 부분적 AI 도입과 AI 네이티브 재설계의 격차

• 창조적 파괴에서는 기존 기업의 기술 채택보다 신기술에 맞춰 탄생한 기업의 시장 대체가 혁신을 이끌고, 더 효율적인 제품과 서비스가 경제 전체로 확산된다. [31:39]
• 기존 대기업이 지난 40년간 구축한 회사를 해체하기는 어렵지만, 신생 기업은 AI의 강점을 중심으로 조직을 설계해 새로운 제품과 서비스로 시장을 공략할 수 있다. [32:20]
• 전기 모터만 교체한 공장은 효율이 약 6% 향상됐지만 공장 전체를 재설계하자 생산성이 3배가 됐듯, AI도 표면적으로 추가하면 6~10% 개선에 머물고 전체를 재설계해야 10배 수준의 변화를 노릴 수 있다. [34:21]

17. 도구의 민주화가 만든 창업 기회

• 개인도 월 20달러 정도로 강력한 도구와 지능에 접근할 수 있어 창업 자원의 격차가 줄었고, 새로운 AI 패러다임에서 해결할 문제와 구축할 시장도 광범위하게 남아 있다. [35:20]
• AI가 기하급수적으로 발전한다고 가정하지 않아도 현재와 같은 선형 개선이 이어질 미래를 전제로 사업을 깊이 설계하면 새로운 아이디어와 큰 가치를 만들 수 있다. [36:03]

🧾 결론

• Kavak 사례에서 AI 네이티브 전환의 핵심 단위는 챗봇이나 개별 업무 자동화가 아니라, 고객별 장기 목표를 책임지는 실행 에이전트다.
• 에이전트의 성과는 모델 지능만으로 만들어지지 않는다. 업무 API, 고객 기억, 실제 사업 성과 평가, 인간 지원, 조직 학습이 하나의 시스템으로 연결돼야 한다.
• 기존 멀티에이전트 시스템이 성과를 내고 있어도 더 강한 모델의 능력을 제약한다면 폐기할 수 있어야 하며, 조직 자체를 지속적인 자기개선 루프로 운영해야 한다.
• 인간은 일괄적으로 대체되는 것이 아니라 물리적 실행, 예외 해결, 에이전트 구축과 지원으로 역할이 이동하며, 반복적인 재교육이 전환의 필수 조건이 된다.

📈 투자·시사 포인트

• AI 도입 효과를 판단할 때 사용자 수나 토큰 소비량보다 전환율·고객 생애가치·고객 만족도처럼 토큰 지출과 직접 연결되는 사업 성과를 봐야 한다.
• 고객 데이터와 금융·물류·정비·판매 시스템을 함께 보유한 수직 통합 기업은 에이전트가 실행하고 학습할 수 있는 범위가 넓다는 구조적 이점을 가질 수 있다.
• 에이전트 개발비만큼 평가와 피드백 인프라에 투자할 수 있는지가 대규모 운영의 신뢰성과 확장성을 가르는 지표가 될 수 있다.
• AI를 기존 조직에 부분적으로 추가해 얻는 점진적 효율과, 제품·조직·성과지표를 AI 중심으로 재설계해 노리는 구조적 생산성 향상을 구분해서 평가해야 한다.

⚠️ 불확실하거나 확인이 필요한 부분

• 고객 상호작용 96%, 거래 95%, NPS·고객 만족도 3배, 전환율 2.1배 이상, 보증 문제 26% 감소 등의 수치는 제시됐지만 측정 기간·표본·기준선·통계적 유의성은 SOURCE DETAIL에 포함돼 있지 않다.
• AI CEO 실험은 멕시코 한 도시에서 6주간 진행된 결과이므로, 이익 1.5배 증가가 에이전트의 의사결정만으로 발생했는지 판단할 대조군과 세부 손익 자료가 필요하다.
• 2035년의 GPT-10급 지능과 AI CEO 가능성은 조직을 선제적으로 설계하기 위한 가정이지, 실현 시점과 성능이 확인된 전망은 아니다.
• 자막 기반 정리: 타임스탬프가 있는 자막을 기준으로 정리했으며, 고유명사·수치·인용은 원문 확인 필요 시 별도 검증한다.
• 영상 속 주장: 발표자의 해석·전망·비교는 확인된 외부 사실이 아니라 영상 속 주장으로 분리해 읽는다.
• 검증 필요: 수치, 기업 실적, 정책·시장 전망은 발행 전 최신 자료로 별도 검증이 필요하다.

✅ 액션 아이템

• 고객 여정을 단기 과업이 아니라 장기 목표로 다시 정의하고, 고객별 에이전트가 최적화할 전환율·생애가치·만족도 지표를 지정한다.
• 에이전트가 실제 업무를 끝까지 수행할 수 있도록 핵심 시스템의 API 접근 범위와 막힌 작업을 인간에게 요청하는 도움 API를 설계한다.
• 활동량 지표와 실제 사업 결과를 분리하고, 전환·유지·고객 가치·재접촉 의향을 함께 측정하는 평가 체계를 먼저 구축한다.
• 제한된 고객군이나 단일 지역에서 인간 팀과 에이전트 팀을 비교해 성과·비용·오류·고객 만족도를 검증한다.

❓ 열린 질문

• 고객 생애가치처럼 장기간에 걸쳐 나타나는 성과를 개별 에이전트의 행동과 토큰 비용에 어떤 방식으로 귀속하는가?
• 한 고객의 금융 조건을 개인화하면서 포트폴리오 전체 위험과 다른 제안까지 고려할 때 어떤 승인·감사 장치가 필요한가?
• 모델 성능이 향상될 때 기존 하네스를 개선할지 폐기할지를 결정하는 기술적·사업적 기준은 무엇인가?