Tredence

Tredence가 만드는 것은 질문에 답하는 데 그치지 않고 영업, 운영, 재무, 공급망에서 실제 작업을 수행하는 멀티 에이전트 시스템이다. 에이전트에는 기억과 계획 기능이 붙고, 여러 에이전트가 서로 조율하기 때문에 여러 단계로 이뤄진 업무 흐름을 처리한다. 같은 에이전트들이 CRM과 ERP에 연결돼 실제 돌아가는 프로세스 안에서 행동을 일으키고 절차를 끝맺는다. 회사는 이걸 도구에서 팀원으로 넘어가는 변화라고 설명한다. 딜리버리 모델에 모니터링과 재학습이 포함돼 있어, 에이전트는 당초 설계한 결과를 계속 내도록 맞춰진다.

매 프로젝트를 백지에서 시작하지 않으려고, Tredence는 데이터 과학, 생성형 AI, 처방적 분석 자산 150여 개를 고객 데이터에 맞춰 쓸 수 있게 제공한다. 이름이 붙은 솔루션으로는 Supply Chain Control Tower, Test and Learn Platform, On-shelf Availability, Customer Cosmos, Revenue Growth Management, AI 기반 데이터 품질 관리를 위한 Sancus가 있다. 효과는 시제품에 더 빨리 도달한다는 것이다. 예산 승인 전에 뭔가 돌아가는 걸 보고 싶어 하는 이해관계자에게는 이게 중요하다.

데이터 조직은 수집, 파이프라인, 웨어하우스와 레이크하우스 설계, 레거시 시스템 이전을 맡는다. 의료 분야에서는 50개 넘는 의원과 일곱 개 의원 관리 시스템에 걸친 임상, 진료, 회계, 마케팅 기록을 실시간 갱신되는 하나의 플랫폼으로 합친 사례가 있다. 데이터 품질 관리도 같이 간다. 모델의 성능은 결국 먹이는 기록의 품질만큼만 나오기 때문이다.

MLOps 서비스는 구축 후 인수인계가 아니라 상시 기능으로 취급한다. 전통적인 머신러닝 모델과 대규모 언어 모델을 쓰는 애플리케이션 모두에서 배포와 재학습을 맡고 성능을 계속 지켜본다. 모델 거버넌스도 같은 팀이 쥔다. 언어 모델 쪽에서는 출력 품질 평가, 환각 억제, 추론 비용 관리가 더해진다. 생성형 기능이 운영에 들어간 뒤 첫 분기를 버티느냐는 이 세 가지로 갈린다.

생성형 AI 컨설팅 프로젝트는 코드를 한 줄도 쓰기 전에 AI 성숙도를 평가하고, 활용 사례 우선순위를 정하고, 아키텍처를 설계하고, 거버넌스를 확정한다. 이어서 우수센터(CoE) 모델이 인력과 공유 자산을 공급하고 고객 팀 교육까지 맡는다. 시간이 지나면 사내 팀이 역량을 직접 운영할 수 있게 하는 게 목표다. Tredence는 목표를 "외부 컨설턴트 의존도 낮추기"라고 설명한다. 컨설팅 회사가 공개적으로 하기 쉽지 않은 말이다.

Tredence는 Databricks, Snowflake, Google Cloud, Microsoft, AWS, OpenAI의 파트너이고, 여러 곳에서 올해의 파트너상을 받았다. 실제로는 이미 비용을 내고 있는 플랫폼 위에 프로젝트를 올리고, 문제가 생기면 벤더 기술 지원으로 바로 연결된다. 반대로 아키텍처 결정은 벤더 중립이 아니라 파트너 스택의 강점을 따라가는 경향이 있다.

일반 컨설팅과 별개로 패키지 제품 두 개가 있다. Rebate.AI는 계약 조건이 스프레드시트와 공급사 포털에 흩어져 정작 리베이트를 못 받는 구매 그룹과 유통업체를 겨냥한다. HealthEM.AI는 수집부터 품질 점검, 분석까지 의료 데이터 생애주기를 다룬다. 둘 다 컨설팅보다 범위가 좁아서 사전에 평가하기가 쉽다.