불확실한 AI 투자 수익은 AI가 인력 생산성에 미치는 입증된 영향과 뚜렷한 대조를 이룹니다. 하버드 비즈니스 스쿨의 최근 연구에 따르면, 생성 AI는 작업 효율성을 높여 직원들이 25% 더 빠르게 작업을 완료하고 품질 높은 결과물을 생산하도록 지원합니다. 더불어, 생성 AI는 현대 직장에 필수적인 '소프트 스킬'을 재구성하여, 92%의 경영진이 강조한 바와 같이 직원 성과와 전반적인 직무 만족도를 향상시킵니다.
AI는 협업 강화, 재교육, 새로운 역할 충원 등을 통해 조직의 생산성을 증대시켜 중요한 경쟁 우위를 제공합니다. 4149.AI, Arc53, Lavender와 같은 스타트업이 혁신적인 AI 기반 솔루션을 제공하며 이 기회를 적극 활용하고 있습니다.
조직들은 생성 AI의 이점을 극대화하기 위해 독점 데이터를 대형 언어 모델(LLM)에 통합해야 합니다. 이러한 통합과 검색 증강 생성(RAG)은 LLM의 한계, 즉 오래된 정보 문제를 해결합니다.
MongoDB의 마케팅 및 전략 최고 책임자인 페더 울랜더는 “직원 생산성은 모든 규모의 조직에서 생성 AI가 즉각적으로 영향을 미칠 수 있는 핵심 분야로 떠올랐습니다. 독점 운영 데이터를 활용하는 것이 생성 AI의 잠재력을 최대한으로 발휘하는 데 필수적이며, MongoDB는 4149, Arc53, Lavender와 같은 혁신적인 스타트업이 자동화 및 개인화된 작업 앱을 개발하는 것을 지원합니다.”라고 말합니다.
4149: AI 팀원
"일은 사람들이 함께 모여 목표를 달성하는 방식이며, 생성 AI는 협업을 강화할 수 있는 놀라운 기회를 제공합니다."라고 4149의 공동 창립자이자 CEO인 아드리안 바치킨스키는 주장합니다. 4149는 모든 팀이 AI 팀원의 지원을 받아 목표를 달성하는 미래를 구상하고 있으며, 연구부터 작업 관리, 팀 기여 인식에 이르기까지 다양한 작업을 지원합니다.
4149는 팀의 필요에 따라 스스로 작업을 할당하는 능동적인 AI 에이전트를 개발했습니다. 이 기능의 중심에는 AI가 커뮤니케이션을 요약하고 다양한 프로젝트에서 실시간으로 귀중한 통찰을 추출하게 하는 반영 시스템이 있습니다. OpenAI와 Anthropic의 모델을 활용한 커스텀 AI 에이전트 프레임워크를 사용하여, 4149는 최적의 데이터 관리를 위해 MongoDB를 기반 데이터베이스 기술로 선택하고 Atlas Vector Search를 활용합니다.
이 플랫폼은 프로젝트 문서 및 팀 상호작용을 처리하여 Atlas Vector Search 내에서 반영 및 통찰을 분류하고 데이터 중복을 최소화합니다. 통찰을 벡터 임베딩과 함께 저장함으로써 4149는 데이터 접근 속도를 높이고 기술 스택을 효율화합니다. 더 높은 수준의 통찰이 모멘텀 파이프라인으로 연계되어 AI의 의사결정 능력을 향상시킵니다.
"우리의 반영을 쿼리 가능한 데이터로 구조화함으로써 생산성이 크게 높아지고 데이터 중복이 줄어들었습니다."라고 바치킨스키는 설명합니다. "이제 우리는 인간과 AI의 상호작용이 영향력 있고 의미 있게 되도록 보장하는 데 집중하고 있습니다."
DocsGPT: 개발자 문서 간소화
Arc53이 만든 DocsGPT는 개발자를 위한 오픈 소스 문서 보조 도구로, 유용한 챗봇 역할을 합니다. 사용자 친화적인 대화형 경험 생성을 목표로 하며, 개발자가 지식 기반에서 챗봇과 자연어 인터페이스를 구축하는 데 도움을 줍니다. 유연하고 플랫폼에 구애받지 않는 도구로 설계되어, 개선된 보안과 개인 정보 보호를 위해 로컬 LLM을 활용할 수 있습니다.
Arc53은 임베딩 간 검색 품질 평가를 위한 벡터 인덱스의 빠른 반복이라는 주요 과제를 해결하기 위해 MongoDB를 선택했습니다. MongoDB의 기능은 최소한의 비용과 복잡성으로 생성 AI 애플리케이션을 빠르게 개발할 수 있도록 하며, 통합 API를 통해 소스 데이터와 메타데이터에 동기화된 접근을 보장합니다.
MongoDB Atlas는 애플리케이션 계층 스토리지를 위해 사용되며, 발전하는 도구 요구 사항에 대한 유연한 솔루션을 제공합니다. 데이터 구조가 다양할 수 있으므로, 개발자는 AI 기반 솔루션의 접근 용이성과 전달 향상을 누립니다.
"사용자들은 AI 지원 문서 챗봇 사용 시 보수적으로 20%의 생산성 증가를 보고했습니다."라고 Arc53의 공동 창립자 알렉스 츠신스키는 언급합니다. "정보 검색에서 우수성을 발휘하기 위해 벡터와 임베딩을 반복하는 것이 필수적이며, MongoDB의 벡터 검색이 이를 용이하게 합니다."
Lavender: 효과적인 영업 이메일
"레벤더는 사용자가 개인화되고 목표 지향적이며 고품질의 이메일을 신속하게 작성할 수 있도록 도와줍니다. 응답률을 높이고 이메일을 강력한 아웃리치 도구로 활성화하는 것이 목표입니다."라고 레벤더의 CISO인 제라드 스미스는 설명합니다. 잘 구성된 이메일을 작성하는 데 15~20분이 소요될 수 있지만, 레벤더는 작성 지원을 자동화하여 이를 3~5분으로 줄입니다.
OpenAI의 GPT 모델을 활용하여 레벤더는 작문 코치 역할을 하며, 사용자가 개인화된 이메일 콘텐츠를 생성하고 형식을 최적화하며, 작성하는 동안 복사를 점수화하고 개선하는 분석 기능을 통해 품질을 향상시킵니다.
"비구조적 이메일에서 신호 대 잡음 비율을 높임으로써 전략적으로 과거 데이터를 활용하여 미래 상호작용을 이끌어내고자 합니다."라고 스미스는 말합니다. "참여도가 중요하며, 응답률이 200%에서 300% 증가하는 것을 종종 목격합니다."
레벤더는 MongoDB Atlas 내에서 Google Cloud에서 운영되며, 데이터 관리를 간소화하는 유연한 문서 데이터 모델인 MongoDB를 채택합니다. 이러한 적응력 덕분에 레벤더는 복잡한 스키마 마이그레이션 없이 방대한 양의 정보에서 통찰을 효율적으로 추출할 수 있습니다.
"MongoDB는 관계형 데이터베이스가 맞춤형 데이터 세트를 처리하는 데 실패하는 강력한 구조를 제공하여 수십억 개의 기록으로 성공적으로 확장할 수 있었습니다."고 스미스는 말합니다. "Atlas Vector Search는 저장된 메타데이터를 분석하고 자연어 처리를 통해 깊이 있는 통찰을 끌어내는 데 도움을 주었습니다."
LLM 발전
"MongoDB의 유연한 문서 모델은 원래 벡터 검색 기능과 결합되어 RAG 기반 애플리케이션 개발을 촉진합니다."라고 MongoDB의 페더 울랜더는 언급합니다. "우리의 사명은 모든 조직이 데이터로 혁신할 수 있도록 돕는 것이며, 4149, 레벤더, Arc53이 팀 생산성을 향상시키기 위해 생성 AI를 활용하는 모습을 보는 것은 매우 흥미롭습니다."
독점 데이터와 고급 LLM의 독특한 조합은 4149, 레벤더, Arc53이 새로운 가능성을 열어줍니다. 다양한 LLM에 대한 접근이 보편화되고 있지만, 진정한 힘은 조직 데이터를 효과적으로 활용하는 데 있습니다.
MongoDB Atlas Vector Search와 같은 도구를 활용하여 기업들은 AI 애플리케이션이 관련성 높은 최신 데이터를 제공하도록 하는 RAG 아키텍처를 구현할 수 있습니다. 강력한 벡터 기능을 갖춘 데이터베이스를 선택하는 것은 AI 투자의 최적화에 필수적입니다.
결론: 혁신적인 AI 기능이 개발자의 작업 흐름을 혁신하고 있으며, 개발자들이 AI 애플리케이션을 만들어 글로벌 운영을 변화시키고 있습니다. 성공의 열쇠는 데이터를 최대한 활용하는 것입니다.
순위 목록
