기계 번역으로 제공되는 번역입니다. 제공된 번역과 원본 영어의 내용이 상충하는 경우에는 영어 버전이 우선합니다.

# 에이전트 AI 시스템의 성공 및 ROI 측정
<a name="measuring-success"></a>

에이전트 AI 시스템 구현의 성공을 측정하려면 체계적인 접근 방식이 필요합니다. 이 섹션에서는 처음부터 시작하는 대신 기존 분석을 사용하는 평가 및 지속적 최적화를 위한 명확한 방법론을 제공합니다.

## 1단계: 기존 파운데이션 사용
<a name="measuring-success-foundation"></a>

[현재 프로세스 비용 평가 섹션의 권장 사항에 따라 포괄적인 비용 평가](assessing-costs.md)로 시작합니다. 이렇게 하면 ROI 계산에 대한 운영 기준이 제공됩니다. [위험 영향 평가](understanding.md#understanding-risk-impact) 섹션에 설명된 대로 네 가지 자율성 수준(완전 자율, 인적 루프, 부조종사 접근 방식, 에이전트 지원으로 인적 주도) 중에서 선택하여 각 프로세스에 대한 적절한 측정 기준과 오류 허용 임계값을 결정합니다.

## 2단계: 명확한 성공 목표 설정
<a name="measuring-success-targets"></a>

[에이전트 AI 시스템 구현을 위한 성공적인 패턴 섹션에 설명된 대로 학습 가능 시스템을 강조하는 아키텍처 및 성공](implementation.md) 목표를 설정합니다. 정적 성능보다는 지속적인 개선에 집중합니다. [사례 연구: 채용 운영을 위한 인적 AI 비용과 에이전트 AI 비용 비교](case-study.md)에 설명된 손익분기 분석 방법론을 사용하여 ROI 타임라인을 설정합니다. 부실 에이전트를 종료하기 위한 명확한 결정 요소를 포함합니다.

## 3단계: 주요 지표 추적
<a name="measuring-success-metrics"></a>

설정된 기준과 비교하여 재무 성과를 모니터링하고 비용 절감 및 전략적 가치 개선을 추적합니다. 선택한 자율성 수준에 허용되는 임계값 내의 오류율, 처리 속도 개선, 일관성 향상 등 운영 지표를 측정합니다. 시간 경과에 따른 학습 능력과 적응을 보여주는 전략적 지표에 집중합니다.

## 4단계: AgentOps 사용
<a name="measuring-success-agentops"></a>

[인간 피드백을 에이전트 AI 시스템에 통합](feedback.md) 섹션의 지속적 학습 프레임워크를 적용하여 체계적인 인간 피드백 통합을 통해 의사 결정을 최적화합니다. 성능 향상을 위한 인적 인사이트를 통합하는 실시간 학습 시스템을 생성합니다. [에이전트 AI 시스템의 결과 기반 요금으로의 경제 변환에 설명된 대로 결과 기반 비즈니스 모델로의 변환을 AWS](outcome-pricing.md) 모니터링합니다.