전체 사례No. 074
로우스는 어떻게 AI 에이전트 난립에 맞서는가
네 가지 심사 기준과 사내 단일 플랫폼을 통한 사전 관리
- 사례 번호
- 074
- 1차 출처
- Trade press interview (Modern Retail Q&A)
- 원문 게시
- 2026-03-24

요약
- 로우스는 에이전트 난립을 막기 위해 분류 체계와 승인 심사, 단일 모니터링 기반을 구축했습니다.
- 매장 직원용 도구와 고객 쇼핑용 도구를 합쳐 주당 약 100만 건의 질의를 처리했습니다.
- 에이전트 도입의 성공은 기술 자체보다 업무 방식을 재설계할 책임자를 지정하는 데 달려 있습니다.
손쉬운 개발 뒤에 숨은 난립의 위험
인공지능 도구를 만드는 일은 갈수록 쉬워지고 있습니다. 자연어로 명령만 내리면 시스템이 알아서 업무용 프로그램을 부르고 스프레드시트를 뒤져 결과를 내놓습니다. 그런데 도구를 만들기 쉽다는 사실 자체가 조직에는 커다란 위협이 될 수 있습니다. 여러 부서의 개발자들이 각자 필요에 따라 통제 없이 에이전트를 만들기 시작하면 어떻게 될까요? 조직 곳곳에 흩어져 목적도 불분명하고 유지보수도 되지 않는 소프트웨어가 쌓여 갑니다.
미국 유통 전문 매체 모던 리테일(Modern Retail)이 진행한 인터뷰에서, 미국 대형 주택 개선 소매업체 로우스(Lowe’s)의 데이터·인공지능·혁신 부문 수석 부사장(SVP)이었던 찬두 나이르(Chandhu Nair)는 이러한 현상을 두고 AI 난립(AI sprawl)의 위험성을 지적했습니다. 난립이란 개별 업무에만 좁게 맞춰져 서로 연계되지 않고, 관리하기도 어려우며, 부서별로 제각기 만들어지는 상태를 뜻합니다. 그는 “난립은 만들기 너무 쉽기 때문에 발생한다”고 짚었습니다.
사람은 일을 할 때 지켜야 할 암묵적인 맥락과 한계를 스스로 판단합니다. 반면 인공지능 에이전트는 정해진 경계 안에서 한결같이 움직이도록 철저히 훈련해야 합니다. 찬두 나이르는 “에이전트는 20%만 성공할 수도 있고 80% 성공할 수도 있다. 과제는 매번 100% 일관되게 작동하도록 만드는 것”이라고 설명했습니다.
축구장 크기 매장에서 마주한 지식의 병목
로우스가 세 가지 인공지능 영역 가운데 가장 먼저 적용을 시작한 곳은 판매 부문인 약 1,700개 대형 오프라인 매장이었습니다. 각 매장의 면적은 약 10만 제곱피트에 달합니다. 직원은 찬두 나이르의 인터뷰 발언 기준으로 약 25만 명, 로우스 웹사이트 기준으로는 약 30만 명 규모입니다.
일반 식료품점과 달리 로우스 매장을 찾는 고객은 독특한 문제를 들고 옵니다. 물이 새는 수도꼭지를 어떻게 고쳐야 하는지, 마당에 텃밭 상자를 만들려면 어떤 자재와 도구가 필요하고 어떻게 조립해야 하는지 묻습니다. 문제를 해결하려면 단순한 상품 위치뿐만 아니라 시공 방법과 필요한 도구 전체를 이해해야 합니다.
하지만 매장 직원은 특정 분야에 특화된 기술 전문가로 일하는 경우가 많았습니다. 찬두 나이르는 “직원들이 전문 기술자이다 보니 상품에 대한 지식이 특정 소수에게만 한정되어 있었다”고 말했습니다.
세 가지 통제 장치와 네 가지 심사 기준
로우스는 무분별하게 기술을 배포하는 대신 세 가지 핵심 장치를 마련했습니다.
첫 번째는 적용 대상을 정리한 분류 체계(Taxonomy)와 인공지능 전환 사무국(AI transformation office)입니다. 회사는 에이전트를 적용할 수 있는 영역 전체를 하나의 단일한 지도로 분류했습니다. 그리고 인공지능 전환 사무국의 거버넌스(관리 감독) 절차를 통해 어느 영역이 에이전트를 적용하기에 적합한 업무 사례인지를 검토하도록 했습니다. 또한 조직의 인공지능 도입 영역을 고객이 쇼핑하는 영역, 매장과 직원이 판매하는 영역, 본사 지원 부서가 일하는 영역 등 세 가지로 나누고 매장 판매 영역부터 집중했습니다.
두 번째는 새로운 인공지능 도구를 만들 때 거쳐야 하는 네 가지 심사 기준입니다.
- 투자 대비 수익(ROI)이 실제 사업 가치 관점에서 명확한가.
- 개발과 운영에 필요한 자본 투자가 적절한가. 찬두 나이르는 이 두 가지를 전통적인 기술 투자에서도 늘 따져보던 기준이라고 설명했습니다.
- 브랜드 이미지 훼손, 개인정보 유출, 보안 문제, 그리고 난립의 위험이 없는가.
- 기술에 맞춰 업무 프로세스를 완전히 새롭게 재설계할 책임자가 배정되어 있는가.
찬두 나이르는 네 번째 기준을 가장 중요한 조건으로 꼽았습니다. “누군가는 이 기술을 활용해 업무 프로세스를 새롭게 재설계해야 합니다. 그 사람이나 변화 관리가 없다면 기술은 유용하지 않을 것입니다. 기술이 스스로 쓰이지는 않기 때문에 적절한 변화 리더가 연결되는 것도 중요합니다.” 도구 자체보다 일하는 방식의 변화를 이끌 주인이 있는지를 먼저 확인한 것입니다.
세 번째는 사내 전용 플랫폼인 AI 파운드리(AI foundry)입니다. 로우스가 만드는 모든 인공지능 프로젝트는 반드시 이 사내 플랫폼을 거치도록 설계되었습니다. 시스템 내부의 동작 과정을 들여다보고 설명할 수 있는 관찰 가능성과 설명 가능성을 갖추고 있어, 관리자가 에이전트의 작동 성과를 한눈에 추적할 수 있습니다.
여기에 더해 모델 단계에서는 정치적 질문이나 로우스의 맥락과 무관한 질문을 차단하고 주택 개선 및 매장 직원의 업무에 집중하도록 보호 장치를 두었고, 애플리케이션 단계에서는 악의적인 명령을 주입해 시스템 내부 권한을 탈취하려는 프롬프트 주입(prompt injection) 공격을 막는 여러 겹의 보안 계층을 마련했습니다.
운영 단계의 사람 개입 방식도 명확히 나누었습니다. 로우스는 새로운 에이전트를 배포할 때 사람이 작업 결과를 확인하거나 최종 승인하는 휴먼 인 더 루프(human-in-the-loop) 방식을 기본 출발점으로 삼았습니다. 위험도가 낮은 특정 업무에서는 사람이 늘 지켜보다가 조치가 필요할 때만 개입하도록 했습니다. 또한 위험이 전혀 없는 작업도 존재한다고 밝혔습니다.
실제 시스템은 분류 체계에 등록되지 않은 에이전트는 사내 플랫폼에서 배포 승인을 받지 못하도록 막았을 가능성이 높습니다. 플랫폼에 에이전트별 위험도 설정값을 기록해 두고, 초기에는 모든 작업을 검토 대기열로 보내 승인을 거치게 하다가 오류율이 낮아지면 사람이 결과 흐름만 지켜보도록 제어 방식을 바꿨을 것입니다.
매장 직원의 손에 들린 지식과 백오피스 자동화
로우스는 2025년 3월 일반 고객을 위한 가상 비서 Mylow를 선보였고, 이어 2025년 5월 매장 직원을 위한 Mylow Companion을 발표했습니다. 찬두 나이르의 인터뷰 시점인 2026년 3월 기준으로 첫 매장에 도입된 지 1년이 조금 넘은 시점이었습니다. 두 도구는 동일한 기반 기술을 공유합니다.
매장 직원은 지급받은 기기에서 Mylow Companion을 실행해 어떤 구역에서든 고객 질문에 즉시 답할 수 있게 되었습니다. 텃밭 상자를 만들고 싶다는 고객이 다가오면, 직원은 소속 부서와 상관없이 도구를 통해 제작 방법은 물론 구매해야 할 모든 상품, 매장 내 위치, 재고 수량, 배송 가능 여부까지 한 번에 확인해 안내합니다.
이 도구는 매장별 재고 데이터베이스와 위치 정보를 기기 위치와 실시간으로 연동해 답변을 생성했을 가능성이 높습니다. 유통 현장의 특수성을 반영하기 위해 기술팀은 책상 앞에만 머물지 않았습니다. 찬두 나이르는 “하룻밤 사이에 바뀐 것이 아니다. 매장 운영팀과 협력해 갈 수 있는 모든 매장을 직접 도구를 들고 걸어 다니며 피드백을 받아 시스템을 다듬었다”고 밝혔습니다.
현장 지원 외에 백오피스 업무에도 에이전트가 투입되었습니다. 대표적인 사례가 송장 대사 에이전트입니다. 이 도구는 구매 주문서와 공급업체가 보낸 송장의 여러 문서를 비교하고, 만약 기재된 내용에 차이나 오류가 있으면 이를 파악해 스스로 수정합니다. 사람이 반복적으로 처리하기 꺼리는 지루한 대조 작업을 자동화한 것입니다.
숫자로 확인된 현장의 변화
찬두 나이르가 밝힌 도입 성과는 명확했습니다. 고객용 Mylow와 매장 직원용 Mylow Companion 두 도구를 합쳐 매주 약 100만 건의 질문을 처리하고 있었습니다.
고객 만족도 지표에서도 변화가 나타났습니다. 고객이 로우스 매장을 다른 사람에게 얼마나 추천하고 싶어 하는지를 나타내는 순추천지수(NPS, net promoter score)가 도구 도입 이후 약 300베이시스포인트(3퍼센트포인트) 상승했습니다. 찬두 나이르는 이 수치가 매출 수치와 상관관계를 보인다고 밝혔으나 구체적인 수치는 공개하지 않았습니다.
결과적으로 직원은 소속 부서나 담당하는 상품 범주와 상관없이, 기기의 Mylow Companion에 질문하여 고객을 응대할 수 있게 되었습니다.
무작정 만들기 전에 통로를 좁혀야 합니다
로우스의 사례는 인공지능 에이전트 도입을 고민하는 기업 리더들에게 명확한 교훈을 줍니다. 누구나 쉽게 에이전트를 만들 수 있는 시대일수록, 가치는 기술 개발 그 자체가 아니라 어디에 만들고 어디에 만들지 말아야 할지를 결정하는 통제력에서 나옵니다.
로우스는 에이전트를 늘리는 것을 목표로 삼지 않고 오히려 관리 비용이자 위험으로 보았습니다. 사전 분류 체계를 만들어 영역을 제한하고, 사내 단일 플랫폼을 통해서만 에이전트를 배포할 수 있게 만들어 통제권을 유지했습니다. 또한 새로운 도구를 도입할 때 투자 대비 수익이나 필요한 자본 투자보다, 그 기술을 활용해 업무 프로세스를 재설계할 책임자가 있는지를 가장 중요한 기준으로 따졌습니다.
많은 조직이 인공지능 도구를 일단 배포하고 나면 직원들이 알아서 생산성을 높일 것이라 기대합니다. 하지만 기술이 저절로 쓰이지는 않으며 변화를 이끌 리더가 함께해야 합니다. 찬두 나이르는 로우스에서 6년 넘게 일한 뒤 2026년 8월 대형 유통업체 타깃(Target)의 초대 최고인공지능책임자(CAIO) 겸 수석 부사장으로 옮겨 갔습니다. 그가 로우스에서 남긴 기록은, 통제되지 않는 에이전트의 확산을 막고 일하는 사람의 역할을 먼저 정의하는 거버넌스가 왜 성공의 전제 조건인지를 분명하게 보여줍니다.
출처
- Modern Retail — Lowe’s is fighting to prevent AI agent overload — https://www.modernretail.co/technology/lowes-is-fighting-to-prevent-ai-agent-overload/ — 2026-03-24
- CIO Dive — Target taps Lowe’s executive as first chief AI officer — https://www.ciodive.com/news/target-taps-chandhu-nair-chief-ai-officer/827613/ — 2026-08-11