이 기사의 핵심 내용은?

세일즈포스가 거대 행동 모델(LAM)과 업계 최고 수준의 성능을 갖춘 xLAM-1B 모델을 발표했다. 개인용 어시스턴트와 조직 단위의 자율형 AI 에이전트를 구분하여 업무 효율성을 극대화한다. 검색 증강 생성(RAG) 기술을 도입해 AI 모델의 환각 현상을 방지하고 동작의 신뢰성을 높였다.

세일즈포스, 자율형 AI를 위한 '거대 행동 모델' 전격 공개

•세일즈포스가 거대 행동 모델(LAM)과 업계 최고 수준의 성능을 갖춘 xLAM-1B 모델을 발표했다.
•개인용 어시스턴트와 조직 단위의 자율형 AI 에이전트를 구분하여 업무 효율성을 극대화한다.
•검색 증강 생성(RAG) 기술을 도입해 AI 모델의 환각 현상을 방지하고 동작의 신뢰성을 높였다.

생성형 AI의 패러다임이 단순한 대화에서 능동적인 실행으로 전환되며 기업용 소프트웨어 환경에 중대한 변화가 나타나고 있다. 세일즈포스(Salesforce) AI 리서치는 이러한 진화의 최전선에서 자율형 시스템을 구현하는 거대 행동 모델(LAM)을 새롭게 도입했다. 텍스트 합성에 집중하는 기존 언어 모델과 달리, LAM은 외부 도구와 상호작용하고 복잡한 디지털 워크플로우를 직접 수행하며 사용자를 대신해 특정 목표를 달성하도록 설계되었다.

이번 발표의 핵심은 xLAM-1B와 xLAM-7B 모델이다. 특히 '타이니 자이언트(Tiny Giant)'라는 별칭이 붙은 xLAM-1B는 모델의 크기가 반드시 성능과 비례하지 않는다는 점을 증명했다. 이 모델은 작은 규모에도 불구하고 벤치마크 테스트에서 훨씬 거대한 경쟁 모델들을 능가하는 성과를 거두며 기업 자동화를 위한 효율적인 경로를 제시했다. 이러한 효율성은 그동안 자율형 에이전트 도입의 주요 걸림돌이었던 연산 비용과 지연 시간 문제를 효과적으로 해결한다.

세일즈포스는 디지털 엔티티를 개인용 AI 어시스턴트와 조직용 AI 에이전트라는 두 가지 유형으로 명확히 구분한다. 어시스턴트가 개별 전문가의 습관과 업무 리듬을 학습하는 동반자라면, AI 에이전트는 조직 전체의 공통 프로세스와 팀 단위 워크플로우를 숙달하도록 설계되었다. 특히 한 에이전트가 새로운 우수 사례를 습득하면 전체 에이전트 군단이 해당 지식을 즉시 공유받는 구조를 갖췄다. 이러한 차별화는 기업이 보안을 유지하면서도 생산성을 대규모로 확장하는 데 필수적이다.

다만 완전한 자율성 확보에는 여전히 기술적 난제가 존재한다. 연구진은 저장 비용을 관리하며 장기적인 문맥을 유지해야 하는 '메모리 문제'를 해결해야 할 과제로 꼽았다. 이에 따라 신뢰성을 확보하기 위해 고정된 학습 데이터가 아닌 검증된 실시간 외부 데이터를 참조하는 검색 증강 생성(RAG) 방식을 채택했다. 실비오 사바레세(Silvio Savarese) 세일즈포스 AI 리서치 부문 수석 부사장을 비롯한 연구진은 에이전트 간 상호작용이 늘어남에 따라 투명성과 인간의 감독을 보장하기 위한 윤리적 가이드라인 구축에도 박차를 가하고 있다.

생성형 AI의 패러다임이 단순한 대화에서 능동적인 실행으로 전환되며 기업용 소프트웨어 환경에 중대한 변화가 나타나고 있다. 세일즈포스(Salesforce) AI 리서치는 이러한 진화의 최전선에서 자율형 시스템을 구현하는 거대 행동 모델(LAM)을 새롭게 도입했다. 텍스트 합성에 집중하는 기존 언어 모델과 달리, LAM은 외부 도구와 상호작용하고 복잡한 디지털 워크플로우를 직접 수행하며 사용자를 대신해 특정 목표를 달성하도록 설계되었다.

이번 발표의 핵심은 xLAM-1B와 xLAM-7B 모델이다. 특히 '타이니 자이언트(Tiny Giant)'라는 별칭이 붙은 xLAM-1B는 모델의 크기가 반드시 성능과 비례하지 않는다는 점을 증명했다. 이 모델은 작은 규모에도 불구하고 벤치마크 테스트에서 훨씬 거대한 경쟁 모델들을 능가하는 성과를 거두며 기업 자동화를 위한 효율적인 경로를 제시했다. 이러한 효율성은 그동안 자율형 에이전트 도입의 주요 걸림돌이었던 연산 비용과 지연 시간 문제를 효과적으로 해결한다.

세일즈포스는 디지털 엔티티를 개인용 AI 어시스턴트와 조직용 AI 에이전트라는 두 가지 유형으로 명확히 구분한다. 어시스턴트가 개별 전문가의 습관과 업무 리듬을 학습하는 동반자라면, AI 에이전트는 조직 전체의 공통 프로세스와 팀 단위 워크플로우를 숙달하도록 설계되었다. 특히 한 에이전트가 새로운 우수 사례를 습득하면 전체 에이전트 군단이 해당 지식을 즉시 공유받는 구조를 갖췄다. 이러한 차별화는 기업이 보안을 유지하면서도 생산성을 대규모로 확장하는 데 필수적이다.

다만 완전한 자율성 확보에는 여전히 기술적 난제가 존재한다. 연구진은 저장 비용을 관리하며 장기적인 문맥을 유지해야 하는 '메모리 문제'를 해결해야 할 과제로 꼽았다. 이에 따라 신뢰성을 확보하기 위해 고정된 학습 데이터가 아닌 검증된 실시간 외부 데이터를 참조하는 검색 증강 생성(RAG) 방식을 채택했다. 실비오 사바레세(Silvio Savarese) 세일즈포스 AI 리서치 부문 수석 부사장을 비롯한 연구진은 에이전트 간 상호작용이 늘어남에 따라 투명성과 인간의 감독을 보장하기 위한 윤리적 가이드라인 구축에도 박차를 가하고 있다.