AI 속도, CPQ 안정성: 2계층 구성 모델

“챗봇이 1차 검토를 맡으면 안 될까요?” 영업팀의 질문이었습니다. “우리가 만들지도 못할 제품을 팔지 않는다고 보장할 수 없다면 안 됩니다.” 운영팀의 답변이었습니다.

두 팀 모두의 말이 맞습니다. 담당자는 AI의 유연함으로 정제되지 않은 요구사항을 빠르게 취합하고 싶어 하고, 동시에 규칙의 확실함으로 모든 견적이 생산 가능하고, 가격 책정이 가능하며, 근거가 명확하기를 바랍니다. 어느 한쪽을 선택해서는 이룰 수 없는 목표입니다. 두 가지를 겹쳐 쌓아야 합니다.

실무에서 놓치기 쉬운 핵심은 간단합니다. 결정론적(deterministic)인 규칙 레이어 위에 대화형 AI 레이어를 올리는 것입니다. AI는 고객과 대화하게 하고, 최종 결정은 규칙이 내리도록 하는 구조입니다.

하나가 아닌 두 개의 레이어가 필요한 이유

대부분의 CPQ 도입 실패는 UI나 기능 부족 때문이 아닙니다. 신뢰의 문제입니다. 영업팀은 구성의 유효성을, 재무팀은 가격의 정확성을, 제품팀은 정해진 규칙이 마감 시한에 쫓겨 무시되지 않을 것임을 확신할 수 있어야 합니다.

생성형 AI는 이메일, PDF, 메모 등 정제되지 않은 고객 요구사항을 일관된 맥락으로 정리하는 데 탁월합니다. 하지만 같은 질문에도 어제와 오늘 다른 답을 내놓을 수 있습니다. 가트너(Gartner)가 명확히 지적했듯, 생성형 시스템은 본질적으로 확률적(probabilistic)이므로 실제 업무 프로세스에 적용하려면 안전장치(guardrail)가 반드시 필요합니다. 이러한 비결정론적 특성은 요구사항을 탐색할 때는 장점이지만 견적 단계에서는 리스크가 됩니다.

규칙 기반 컨피규레이터는 정반대입니다. 일관되고, 감사 가능하지만, 때로는 고통스러울 정도로 경직되어 있습니다. 추측하지 않고, 불가능하면 막아섭니다.

AI는 의도를 수집하고, 규칙은 현실을 검증합니다.

두 가지를 결합하면 정확성을 희생하지 않으면서 속도를 높일 수 있습니다.

2-레이어 CPQ 작동 방식

저는 복잡한 제품을 판매하는 기업들과 이 방식을 적용해왔습니다. 일부러 단순하게 설계한 프로세스입니다. 돈이 오가는 업무에서는 예측 가능하고 단순한 흐름이 가장 좋습니다.

1단계 - 대화형 요구사항 수집: LLM이 고객과 대화하고, 자료를 읽고, 내용을 정리합니다. 요구사항, 제약 조건, 선호도, 장단점 등 정성적인 부분을 다룹니다. 명확하지 않은 부분은 자연스러운 언어로 추가 질문을 던지고, 모순되는 지점을 발견해냅니다. 이렇게 구조화된 요구사항 세트를 만듭니다.

2단계 - 결정론적 규칙 검증: 기호 기반 엔진(Symbolic Engine)이 제품 구성 및 가격 정책 등 확정된 규칙을 강제합니다. 1단계에서 정리된 요구사항이 허용된 조합, 종속성, 가격 로직에 부합하는지 테스트합니다. 유효한 구성을 반환하거나, 해결해야 할 충돌 지점을 정확히 알려줍니다.

이는 AI와 규칙의 대결 구도가 아닙니다. 규칙 적용 전에 AI를 활용하는 순서의 문제입니다.

이 방식이 실제 현장에서 효과적으로 작동하게 하는 몇 가지 설계 원칙이 있습니다.

• 관심사의 분리: 요구사항 수집은 자유롭게, 구성 규칙 적용은 엄격하게 유지해야 합니다. 둘을 분리하여 규칙 엔진에 종속된 불필요한 정보가 요구사항 단계에 섞이지 않도록 해야 합니다.
• 설명 가능한 이력: 모든 결정(수락 또는 거부)에는 '왜'라는 이유를 기록해야 합니다. LLM은 규칙 엔진이 보내는 기술적 메시지를 사람이 이해할 수 있는 언어로 번역할 수 있습니다. 설명이 없으면 현업의 도입은 지지부진해집니다.
• 조립 가능한 인터페이스: 두 레이어 사이에 가벼운 API를 두어 대화형 UI, 규칙 엔진, 가격 책정 로직 등을 전체 시스템 재구축 없이 쉽게 교체할 수 있도록 만듭니다.
• 데모가 아닌 테스트 스위트: 규칙을 코드로 취급해야 합니다. 버전을 관리하고, 테스트하고, 배포할 때마다 성공/실패 결과를 공유해야 합니다. 데모 시연 성공이 시스템의 안정성을 보장하지는 않습니다.

시스템이 스스로를 설명하지 못하면, 영업은 시스템을 무시하고 자의적으로 설명하기 시작합니다.

여기서 중요한 점은 LLM이 호환성이나 가격을 '추론'하도록 두지 않는다는 것입니다. 어디까지나 고객의 의도를 '표현'하고 사용자를 안내하는 역할을 맡깁니다. 그리고 모든 검증 작업은 어제와 오늘 동일하게 작동하는 결정론적 엔진에 위임합니다.

안전하고 빠른 하이브리드 모델을 위한 실용적인 규칙

실제 프로젝트에서 검증된, 지금도 현업에서 잘 작동하는 규칙들입니다.

규칙 1: 요구사항 수집과 규칙 적용을 분리하십시오. 챗봇이 규칙 엔진을 직접 조종하게 해서는 안 됩니다. 대화형 레이어는 요구사항 객체를 생성하고, 규칙 엔진은 이를 검증합니다. 예를 들어, 고객이 "장거리 운송용, 고하중, 소음 민감 도시 운행"이라고 말하면, LLM은 이를 특정 사양과 매개변수로 변환하고, 규칙 엔진은 이 조합이 실제로 가능한지 판정합니다.

규칙 2: AI에는 비밀이 아닌 맥락을 제공하십시오. LLM에게는 모듈, 옵션, 주요 제약 조건 등 사람이 읽을 수 있는 수준의 정보와 장단점 설명을 제공해야 합니다. 핵심 제조 규칙이나 원가 데이터는 규칙 엔진 뒤에 숨겨야 합니다. 유출되어서는 안 될 가격 정책이 아니라 유용한 안내를 제공하는 것이 목표입니다.

규칙 3: 사람이 이해할 수 있는 '왜'를 남기십시오. 모든 제약 조건 위반 시에는 "침대형 운전석은 중량 및 토크 요건 때문에 고출력 엔진이 필요합니다"와 같이 챗봇이 보여줄 수 있는 짧은 설명을 저장해 두어야 합니다. 이는 단순한 시스템의 '거절'을 '안내'로 바꿉니다.

규칙 4: 가격 책정은 학습으로, 검증은 규칙으로 하십시오. 규칙 엔진이 강제할 수 있는 가격 로직을 사용하되, 대화형 레이어에서는 시간이 지남에 따라 가격 책정을 개선할 수 있는 거래 맥락(deal context)을 수집하게 할 수 있습니다. 처음에는 가격 범위나 기준점을 설정하고 시작하면 됩니다.

규칙 5: '앵무새 봇'의 함정을 인지하고 피하십시오. 가장 흔한 실패 패턴은 LLM이 컨피규레이터인 척하는 경우입니다. 자신감 있게 말하지만, 때때로 환각(hallucination)을 일으키고, 구성의 유효성을 보장할 수 없습니다. AI의 결과물이 결정론적 검증을 통과하지 못했다면, 그것은 견적서가 아니라 초안일 뿐입니다.

속도는 검증을 건너뛰는 것이 아니라, 정확한 안내를 통해 얻어야 합니다.

규칙이 하나 추가될 때마다 미래의 변경 비용이 증가합니다. 규칙은 작게, 테스트 가능하게 유지해야 합니다.

이번 분기에 바로 시작할 일

이것을 2년짜리 플랫폼 구축 프로젝트로 만들지 마십시오. 90일 안에 역량을 전환하는 과제로 접근해야 합니다.

• 제품 컨텍스트 목록화: 제품 라인 하나를 정해 모듈, 옵션, 주요 종속성, 장단점 메모 등을 가볍게 정리합니다. AI를 위한 브리핑 자료를 만드는 것입니다.
• '가벼운' API 구축: 대화형 레이어가 호출할 간단한 엔드포인트(endpoint)를 만듭니다. '요구사항 제출 → 유효한 구성 및 가격 또는 충돌 목록 반환' 기능이면 충분합니다. 단순하고 잘 기록되게 유지하는 것이 중요합니다.
• 프롬프트보다 테스트를 먼저 추가: 모든 중요 규칙에 대해 결정론적 테스트를 작성하고, 배포 시마다 테스트 통과 여부를 공개해야 합니다. 테스트할 수 없으면 출시해서는 안 됩니다.
• 실제 이메일로 파일럿 테스트 진행: 실제 고객 이메일이나 제안요청서(RFP) 일부를 대화형 레이어에 입력해 봅니다. 엔지니어가 개입하기 전에 얼마나 많은 불필요한 커뮤니케이션을 줄여주는지 측정합니다.

AI가 고객의 말을 해석하는 부담을 줄이고, 규칙 엔진이 오류를 줄여주는 효과를 바로 보게 될 것입니다. 영업팀은 모호한 요구사항을 기능 코드로 번역하거나 전문가의 검토를 기다리느라 시간을 낭비하지 않고 더 빠르게 움직일 수 있습니다.

복리처럼 쌓이는 이점

이 패턴이 자리 잡으면 매주 모든 것이 조금씩 쉬워집니다. 대화형 레이어는 더 나은 질문을 하고 더 명확한 대안을 제시하는 법을 계속 학습합니다. 규칙 레이어는 거대한 로직 덩어리가 아닌 작고 테스트된 제약 조건들을 추가하는 방식이므로 안정적으로 유지됩니다.

결국 업계를 선도하는 팀은 '사고'와 '검증'을 분리하는 팀입니다. 사고는 고객과 함께, 고객이 이해하는 언어로 이루어집니다. 검증은 조용하고 일관되게, 감사 추적이 가능한 방식으로 실행됩니다. 뒤처지는 팀들은 여전히 입력 폼을 다듬고 필수 입력 필드를 두고 논쟁하는 동안, 우수 영업사원들은 시스템을 우회하는 방법을 찾고 있을 것입니다.

이 기술 자체는 혁신적이지 않습니다. 변화의 핵심은 AI를 '전문가의 조수'로, 규칙 엔진을 '검수관'으로 역할을 재정의하는 데 있습니다. 하나는 탐색하고, 다른 하나는 인증합니다. 이 둘이 함께 신뢰를 만듭니다.

가장 빠른 견적 프로세스는 모두가 그 결과를 믿는 프로세스라는, 이 조용한 진실을 기억해야 합니다.