단순 자동화는 매몰 비용일 뿐: AI 에이전트가 '일하는 방식'을 통째로 바꿔야 하는 이유
원문: 디지털데일리, “단순 자동화는 매몰 비용일 뿐”…AI 에이전트, ‘일하는 방식’ 통째로 바꿔야 | 2026년 3월 31일 | 구아현 기자
출처 강연: 베스핀글로벌 AI 파트너스 데이 2026 (양재 엘타워)
강연자: 김수연 EY컨설팅 파트너 겸 AI 리더
정리 및 확장: 최신 연구·사례 추가 수록 (2026년 4월 기준)
목차
- 배경: AI 에이전트 도입의 역설
- 핵심 진단: 왜 기업의 AI 투자는 성과를 내지 못하는가
- 근본 원인 분석: 시각의 오류
- 글로벌 성공 사례 해부
- AI로 수익을 내기 위한 3가지 필수 조건
- 최신 연구 및 글로벌 트렌드
- 한국 기업의 AX 현황과 시사점
- 종합 프레임워크: 어떻게 전환할 것인가
- 결론
1. 배경: AI 에이전트 도입의 역설
2026년 현재, 기업들은 AI 에이전트를 도입해 효율성과 생산성을 높이려는 움직임을 빠르게 가속화하고 있다. 이 흐름은 단순한 유행을 넘어, 많은 기업 경영진에게 “AI에 올라타지 않으면 뒤처진다”는 실존적 위협으로 인식되고 있다. 국내외 대기업부터 스타트업까지, AI 예산은 매년 두 자릿수 성장률로 증가하고 있으며, AI가 기업 경영의 핵심 어젠다가 된 지 오래다.
그러나 역설이 존재한다. 막상 현장에서는 “기대만큼의 수익이 나오지 않는다”는 목소리가 끊이지 않는다. 거액의 AI 투자를 단행했음에도 불구하고, 실질적인 재무 성과로 이어지는 사례는 손에 꼽을 정도다. AI 시스템을 구축하고 오픈해도 초반에만 반짝 사용하다가 다시 기존 방식으로 돌아가는 패턴이 반복되고, 업무에서의 AI 활용 비중은 높아졌지만 그 용도는 여전히 단순 업무에 머물러 있다.
이 문제를 가장 정확하게 수치화한 것이 MIT의 연구다. MIT NANDA 이니셔티브가 2025년 7월 발표한 리포트(GenAI Divide: State of AI in Business 2025)에 따르면, AI 과제 중 실질적 효익—즉 매출 증가—을 실현하는 것은 단 5%에 불과하다. 나머지 95%는 아직 AI가 테스트 상태를 벗어나지 못한 것으로 분석됐다. 이는 AI 관련 기업이 시장 프로모션 목적으로 발표하는 낙관적 수치들과는 정반대의 결과다.
이 5% vs 95%의 격차는 어디서 오는가. 2026년 3월 31일, 양재 엘타워에서 개최된 ‘베스핀글로벌 AI 파트너스 데이 2026’의 기조강연에서 EY컨설팅 파트너 겸 AI 리더 김수연은 이 질문에 대한 명확한 진단과 처방을 제시했다. 강연 주제는 ‘AI 에이전트에 의한 생산성 혁신, 재무적인 효과로 이어지는가’였다.
2. 핵심 진단: 왜 기업의 AI 투자는 성과를 내지 못하는가
기업들의 AI 도입 기대와 현실의 괴리
EY가 2026년 연초 200여 개 기업 리더를 대상으로 실시한 조사에 따르면, 기업들이 AI 도입을 통해 기대하는 것은 크게 세 가지다.
- 운영 효율화: 반복 업무 자동화, 인건비 절감
- 데이터 분석 정확도 향상: 의사결정의 질 개선
- 제품·서비스 혁신: 새로운 비즈니스 모델 창출
이 세 가지 기대는 타당하고 실현 가능하다. 문제는 기대를 실현하는 방식에 있다. 대부분의 기업은 기존의 조직 구조, 업무 프로세스, 태스크 정의를 그대로 유지한 채 일부 반복 작업만 AI로 대체하려 한다. 이렇게 되면 어떤 일이 벌어지는가.
전형적인 실패 패턴
김 리더가 현장에서 반복적으로 목격하는 실패 패턴은 다음과 같다.
콘텐츠 생성의 예시: AI를 도입해 콘텐츠 초안을 자동 생성하는 데는 성공한다. 하지만 초안을 검토하는 일, 최종 배포를 결정하는 일, 관련 부서와 협의하는 일은 여전히 사람이 수작업으로 처리한다. 결과적으로 AI는 ‘타이핑 시간’을 줄여줄 뿐, 전체 콘텐츠 생산 사이클의 속도는 별로 달라지지 않는다. 오히려 AI가 생성한 초안의 품질을 검토하는 추가 업무가 생기는 경우도 있다.
재무 절차의 예시: 송장 처리, 데이터 입력 등 특정 단계만 자동화해도 그 앞뒤의 결재, 예외 처리, 시스템 간 데이터 이전은 여전히 수동이다. 부분 자동화는 오히려 자동화된 단계와 수동 단계 사이의 병목을 새로 만들어낼 수 있다.
이런 상황에서 김 리더는 단호하게 말한다.
“전체 흐름이 바뀌지 않는 한 AI 도입 비용은 매몰 비용으로 끝난다.”
매몰 비용(sunk cost)이라는 표현은 의미심장하다. 이미 지출된 AI 구축 비용이 미래의 의사결정에 영향을 주어서는 안 되지만, 현실에서는 많은 기업이 성과가 없음에도 기존 AI 시스템에 계속 투자하는 악순환에 빠진다. 처음부터 일하는 흐름 자체를 바꾸지 않으면, 이 악순환을 벗어나기 어렵다.
3. 근본 원인 분석: 시각의 오류
“AI = 기존 업무의 가속화”라는 오해
김 리더의 진단에서 가장 날카로운 부분은 AI 에이전트를 바라보는 시각 자체가 어긋나 있다는 지적이다. 많은 기업과 경영진이 AI를 이렇게 정의한다.
“기존에 하던 일을 시간을 덜 들이고 하는 것”
이것은 틀린 정의는 아니다. 하지만 충분하지 않다. 더 중요하고 더 높은 가치를 가진 AI의 역할은 따로 있다.
“인력 제약으로 인해 하지 못했던 일을 가능하게 만드는 것”
이 두 접근 방식의 차이는 결코 사소하지 않다. 전자는 비용 절감 프레임이고, 후자는 수익 창출 프레임이다. 전자는 기존 파이를 더 효율적으로 나누는 것이고, 후자는 파이 자체를 키우는 것이다.
구매·조달팀의 사례: 볼륨 디스카운트에서 전략적 협상으로
김 리더가 제시한 구체적인 사례가 이 차이를 잘 설명해준다. 기존의 구매·조달팀이 하는 일은 대부분 볼륨 디스카운트 협상에 머물러 있다. 일정 물량 이상을 구매하면 단가를 낮춰달라는 단순한 협상이다.
AI 에이전트를 ‘기존 업무 가속화’ 관점에서 도입하면 이렇게 된다: 협상 이메일 초안을 AI가 더 빠르게 작성해준다.
반면 ‘못 했던 일을 가능하게’ 관점에서 도입하면 전혀 다른 그림이 그려진다. AI 에이전트가 다음을 수행한다.
- 실시간 원자재 가격 모니터링: 글로벌 원자재 시장 데이터를 24시간 추적하고, 공급업체가 제시하는 단가가 현재 시장 가격 대비 적정한지 즉각 판단
- 수요 예측: 회사 내부의 수주 데이터, 생산 계획, 재고 현황을 통합 분석해 향후 3~6개월간의 구매 필요량을 예측
- 협상 전략 수립: 위의 두 데이터를 결합해 “지금 이 공급업체에게, 이 가격으로, 이 물량만큼 선계약을 제안하면 최적의 결과를 얻을 수 있다”는 전략적 권고를 도출
이 세 가지 업무는 기존에 사람이 할 수 없었거나, 하더라도 매우 제한적인 수준에서만 가능했던 일이다. 데이터의 양, 분석 속도, 통합적 판단 능력 면에서 AI가 사람을 압도한다. 이런 방식으로 AI를 활용할 때 비로소 재무적 성과가 나온다.
번역 업무에서의 사례: 역할 재정의
또 다른 사례는 번역 업무다. 글로벌 제조사가 국가별 소비자 댓글을 AI로 분석해 맞춤형 FAQ를 자동 생성하거나, 번역 업무에서 AI와 전문가 검수 역할을 명확히 나눠 실질적 비용 절감을 이끌어낸 사례가 소개됐다. 이 경우 핵심은 단순히 AI가 번역을 빠르게 해주는 것이 아니라, AI가 할 일과 사람이 할 일을 명확히 재정의했다는 점이다. AI는 대량의 1차 번역을 처리하고, 전문가는 문화적 뉘앙스나 기술적 정확도가 중요한 부분만 검수한다. 이 역할 분리가 제대로 설계되지 않으면 AI 번역은 오히려 검수 업무만 늘리는 부작용을 낳는다.
4. 글로벌 성공 사례 해부
현재 AI로 실질적인 수익을 높이고 있는 기업들의 공통점은 하나다. 개별 업무의 자동화가 아니라 일하는 흐름(workflow) 자체를 재설계했다는 것이다. 김 리더는 세 기업의 사례를 소개했으며, 각각의 사례는 AI 전환의 다른 차원을 보여준다.
에어버스(Airbus): 밸류체인 전체 통합
에어버스의 AI 전략이 인상적인 이유는 접근 방식의 스케일에 있다. 단순히 특정 공정을 자동화하거나 특정 부서에 AI를 도입하는 것이 아니라, 전체 밸류체인의 데이터를 통합하는 것을 목표로 삼았다.
항공기 제조업에서 가장 큰 비용 중 하나는 유지보수(MRO: Maintenance, Repair and Operations)다. 항공기 한 대의 생애주기에 걸쳐 발생하는 유지보수 비용은 초기 제조 비용을 넘어서는 경우도 있다. 에어버스는 제조 단계의 센서 데이터, 운항 중 수집되는 실시간 데이터, 정비 이력 데이터를 모두 통합하고 AI로 분석해 예측 정비(predictive maintenance)를 실현했다. 부품이 실제로 고장나기 전에 교체 시점을 예측함으로써 긴급 수리 비용, 운항 지연 비용, 부품 재고 비용을 동시에 줄이는 것이다.
이 접근 방식의 결과: 연간 약 6조 원(약 40억 유로)의 비용 절감 효과를 기대하고 있다. 개별 공정 자동화로는 결코 도달할 수 없는 규모다.
시스코(Cisco): 영업 수율 향상
시스코는 AI를 영업 프로세스에 전략적으로 통합해 눈에 띄는 성장을 이끌어내고 있다. AI 도입 이후 전년 대비 8% 이상의 성장세를 기록 중이다.
시스코의 전략은 단순히 영업 사원의 제안서 작성을 AI로 빠르게 하는 것이 아니다. AI가 고객의 구매 패턴, 기술 스택, 계약 갱신 주기, 경쟁사 도입 현황 등 다양한 데이터를 분석해 “지금 어떤 고객에게, 어떤 솔루션을, 어떤 타이밍에 제안해야 성사 가능성이 높은가”를 예측한다. 이를 영업 수율(sales yield)의 향상이라 부를 수 있다. 동일한 영업 인력으로 더 많은 계약을 성사시키는 구조다.
월마트(Walmart): 슈퍼 에이전트 체계
월마트의 사례는 AI 에이전트 전략의 가장 포괄적인 예시다. 월마트는 고객, 임직원, 공급사, IT 개발이라는 4개 영역에서 AI 에이전트 시스템을 통합한 ‘슈퍼 에이전트(Super Agent)’ 체계를 구축했다.
각 에이전트의 역할을 구체적으로 살펴보면:
- Sparky (고객 에이전트): 고객이 쇼핑하는 동안 제품 추천, 재고 확인, 비교 분석을 실시간으로 지원. 2025년 8월 내부 설문에서 월마트 고객의 81%가 Sparky를 통해 구매 결정 전 제품 재고나 스펙을 확인했다고 응답. Sparky를 사용한 고객의 주문 금액은 그렇지 않은 고객에 비해 약 35% 높다.
- Associate Agent (임직원 에이전트): 직원들의 인사 관련 질문 응답, 업무 절차 안내, 교육 지원 등을 담당.
- Wibey (개발자 에이전트): 소프트웨어 개발자가 애플리케이션을 더 빠르게 작성·테스트·배포할 수 있도록 지원하는 개발 생산성 에이전트.
- Marty (공급사·광고주 에이전트): 공급업체 및 광고주들이 월마트 플랫폼에서 더 효과적으로 운영할 수 있도록 캠페인 설정, 최적화, 트러블슈팅을 지원.
월마트 AI 가속화·제품·디자인 담당 EVP인 다니엘 댄커는 2026년을 “실험에서 전환(transformation)으로 가는 해”라고 정의했다. “지난 1~2년간 AI를 실험해왔다. 이제는 마스터리를 구축하고 고객 문제를 깊이 해결하는 것들을 만들기 시작하는 해”라고 선언한 것이다. 월마트의 슈퍼 에이전트 전략이 기존 시스템 위에 단순히 AI 레이어를 얹는 것이 아니라, 수년간의 기반 투자를 바탕으로 한 근본적 재설계임을 강조한 것이기도 하다.
5. AI 도입이 매출과 수익에 기여하기 위한 3가지 필수 조건 {#3가지-필수-조건}
김 리더는 AI 도입이 단순한 비용 센터를 넘어 매출과 수익에 기여하는 경영 전략이 되기 위해서는 세 가지 요소가 반드시 갖춰져야 한다고 밝혔다.
조건 1: 프로세스 재설계
AI 도입의 첫 번째 전제 조건은 기존 프로세스를 그대로 유지한 채 일부 태스크만 대체하는 것이 아니라, 일하는 흐름 자체를 근본적으로 재설계하는 것이다.
프로세스 재설계의 핵심은 다음과 같다.
엔드투엔드(end-to-end) 관점의 채택: 특정 단계만 자동화하는 것이 아니라, 처음 인풋이 들어오는 시점부터 최종 아웃풋이 나오는 시점까지의 전체 흐름을 조망해야 한다. 에어버스가 개별 공정 자동화 대신 전체 밸류체인 데이터 통합을 선택한 것이 바로 이 관점이다.
병목(bottleneck) 재발견: AI가 특정 단계를 빠르게 처리하면, 그 다음 단계가 새로운 병목이 된다. 기존의 병목이 해소되면 새로운 병목이 어디서 발생하는지 사전에 파악하고, 그 병목까지 재설계 범위에 포함해야 한다.
재무 효과의 정량화: 프로세스 재설계의 효과는 “업무가 빨라졌다”는 정성적 평가가 아니라, “이 프로세스 변화로 인해 매출이 X% 증가했다” 또는 “비용이 Y원 절감됐다”는 정량적 가설로 미리 설정되어야 한다. 이것이 없으면 AI 투자의 효과를 측정할 기준 자체가 없다.
조건 2: 사람과 AI 업무 재분배
두 번째 조건은 AI가 잘하는 일과 사람이 잘하는 일을 명확하게 구분하고, 그에 따라 직무를 재정의하는 것이다. 이것은 단순히 “AI가 이 일을 하고 사람은 저 일을 한다”는 역할 분리가 아니다. 더 깊은 수준의 재설계다.
AI가 잘하는 일의 특성:
- 대량의 정형 데이터를 빠르게 처리하는 것
- 패턴 인식과 예측
- 24시간 모니터링
- 반복적 판단의 일관된 적용
- 다수의 변수를 동시에 고려한 최적화
사람이 잘하는 일의 특성:
- 맥락(context)에 기반한 판단, 특히 명문화되지 않은 암묵적 지식이 필요한 영역
- 이해관계자와의 신뢰 구축
- 예외적·새로운 상황에 대한 창의적 대응
- 윤리적 판단
- 복잡한 변화 관리
이 두 영역을 제대로 구분하면, 사람은 AI가 처리할 수 없는 고부가가치 업무에 집중할 수 있다. 반대로 이 구분이 모호하면 AI는 사람의 보조 도구에 그치고, 사람은 AI가 처리한 결과를 검수하는 데 시간을 허비하게 된다.
번역 사례에서 보듯, AI와 전문가의 역할을 명확히 나눴을 때 비로소 실질적인 비용 절감이 가능했다. 이것은 기술의 문제가 아니라 설계의 문제다.
조건 3: 데이터 전략
세 번째 조건은 AI 활용에 최적화된 데이터 관리 체계를 구축하는 것이다. 이것은 종종 가장 간과되지만, 실제로는 가장 많은 AI 프로젝트의 발목을 잡는 요소다.
데이터 준비가 AI 성패를 결정한다: IBM 컨설팅의 글로벌 매니징 파트너 닐 다르는 “많은 기업이 내부 데이터를 정리하지도 않은 채 AI 이니셔티브를 시작한다”고 지적한다. AI가 아무리 뛰어난 알고리즘을 갖추고 있어도, 입력되는 데이터의 품질이 낮으면 결과도 신뢰할 수 없다.
AI-ready 데이터의 조건:
- 접근성: 여러 시스템에 흩어진 데이터가 AI가 실시간으로 접근 가능한 통합 환경에 있어야 한다
- 품질: 결측값, 오류, 중복이 정리되어 있어야 한다
- 맥락: 데이터가 어떤 상황에서 생성됐는지를 설명하는 메타데이터가 함께 있어야 한다
- 최신성: AI가 판단하는 시점의 데이터가 최신 상태여야 한다
월마트가 10여 년에 걸쳐 쌓아온 고객 데이터, 공급망 데이터, 매장 운영 데이터가 Sparky와 같은 AI 에이전트의 성능을 가능하게 한다. 에어버스의 예측 정비도 항공기의 모든 센서 데이터를 체계적으로 수집하고 통합해온 기반 위에서 작동한다. 데이터 전략 없는 AI 전략은 모래 위의 성이다.
6. 최신 연구 및 글로벌 트렌드
MIT NANDA 리포트: AI 도입의 현실
MIT의 NANDA(네트워크 기반 자율 에이전트 아키텍처) 이니셔티브가 발표한 ‘GenAI Divide: State of AI in Business 2025’는 기업 AI 도입의 현실을 가장 냉정하게 보여주는 보고서다.
주요 발견:
- AI를 도입한 기업 중 약 5%만이 매출 증가에 도움을 받고 있다
- 나머지 95%는 AI가 여전히 테스트 단계를 벗어나지 못하고 있다
- 기업들이 생성 AI 예산의 절반 이상을 영업·마케팅 도구에 할당하지만, 실제 ROI는 백오피스 자동화에서 발생한다
- 전문 공급업체로부터 AI 도구를 구매하고 파트너십을 구축한 경우 성공률은 67% 인 반면, 자체 모델 구축 시도는 성공률이 1/3에 불과하다
CIO 전망 보고서: 2026년 AI 예산 전략
CIO 전문 미디어들의 2026년 전망은 AI 투자 방식의 성숙화를 보여준다.
- AI 프로젝트의 파일럿에서 운영으로의 전환에서 실패가 계속되고 있다
- 2025년이 AI 에이전트 도입기였다면, 2026년은 성공하는 기업이 본격적으로 등장하는 해가 될 것이라는 전망이 지배적이다
- “빠르고 틀린 것보다 옳고 느린 것”이 낫다고 답한 CEO가 2024년 대비 증가했다
- CEO의 약 2/3가 현재 ROI에 기반한 AI 사용례에 의존한다고 답했다
가트너의 경고: 거버넌스 실패가 최대 위험
가트너는 2027년 말까지 에이전트형 AI 프로젝트의 40% 이상이 취소될 것이라고 경고했다. 주요 이유는 거버넌스 실패다. 성공을 위한 필수 요소로 다음을 꼽았다.
- 강력한 거버넌스 모델
- AI 관찰 가능성(Observability): 에이전트의 행동을 추적·감사할 수 있는 체계
- 엔지니어링, 데이터 과학, 리스크 관리 부서 간 긴밀한 협력
또한 가트너는 2026년까지 기업 애플리케이션의 40%가 작업 특화 AI 에이전트를 탑재할 것으로 예측했다.
IBM: 2026년 AI 기술 트렌드 예측
IBM이 발표한 2026년 AI 기술 트렌드 18가지 전망 중 주목할 부분:
- 소형 특화 모델의 부상: 단일 대형 모델 대신, 특정 도메인에 최적화된 소형 추론 모델들이 조합되어 사용될 것이다. 법률, 의료, 제조업 등에서는 범용 에이전트만으로는 충분하지 않다.
- 협력적 모델 라우팅: 소형 모델이 1차 처리를 하고, 필요한 경우만 대형 모델에 위임하는 방식이 확산될 것이다.
- AI 주권(AI Sovereignty): 신뢰할 수 있는 지역과 공급자 간 데이터·에이전트 이동이 가능하도록 AI 환경을 모듈화하는 것이 핵심 우선순위가 된다.
“에이전트 워싱(Agent Washing)”의 함정
한컴테크의 분석 자료는 현재 AI 시장의 중요한 위험을 짚어낸다. 에이전트 워싱이란 실제 자율성과 문제 해결 능력 없이 기존 챗봇이나 자동화 도구에 ‘에이전트’라는 이름만 붙여 마케팅하는 행태다. 이는 기술에 대한 불신을 초래하고 진정한 가치 창출을 저해한다. 기업이 AI 솔루션을 도입할 때 공급업체의 마케팅 언어에 현혹되지 않고 실제 자율적 의사결정과 행동 능력을 확인하는 것이 중요하다.
7. 한국 기업의 AX 현황과 시사점
베스핀글로벌의 AX 경험에서 본 한국 기업의 패턴
이번 강연을 주최한 베스핀글로벌은 국내 160명 이상의 전담 인력이 금융, 제조, 유통 기업에 특화된 AX(AI Transformation) 전략을 추진하고 있다. 대규모 AX 프로젝트를 다수 주도해온 베스핀글로벌의 경험은 한국 기업의 패턴을 잘 보여준다.
베스핀글로벌 관계자는 “AX에 성공한 기업과 실패한 기업의 패턴이 명확하다”며, 실패 기업들의 공통점으로 “AI 기술이 중요한 것이 아니라 그것을 통해 얻는 비즈니스 아웃풋(결과물)이 목적이어야 하는데, 이것을 놓친다”는 점을 꼽았다. 이는 김수연 EY 리더의 진단과 정확히 일치한다.
베스핀글로벌이 구축한 사례들은 다음과 같다.
- 새 정부의 국민 참여형 공공 소통 AI 플랫폼 ‘모두의 광장’
- 한국수력원자력의 맞춤형 LLM ‘K-GPT’
- 울산교육청의 교사용 AI 에이전트 ‘우리아이AI’
EY한영의 AX 허브 전략
EY한영은 전사적 AI 역량을 결집한 ‘EY AI허브’를 운영하며 기업 AX 전방위 지원에 나서고 있다. 특히 EY한영이 2025년 12월 발표한 보고서는 날카로운 현실 진단을 담고 있다.
“AI 도입 확산에도 인재 전략 부재로 생산성 향상에 한계가 있다.”
이 진단은 기술 도입과 인재 전략의 동반 변화 없이는 AI의 잠재력이 실현되지 않는다는 것을 보여준다. AI가 할 일이 늘어나면, 사람이 해야 할 일의 성격도 바뀐다. 이 변화에 맞는 인재 육성과 재배치 전략이 병행되어야 한다.
한국 기업에 대한 시사점
김수연 리더의 강연은 한국 기업에 특히 중요한 시사점을 제공한다. 한국의 제조업, 금융, 유통 대기업들은 이미 상당한 AI 인프라 투자를 단행했다. 그러나 그 투자가 실질적인 수익으로 이어지려면 다음의 인식 전환이 필요하다.
첫째, AI를 IT 부서의 과제가 아닌 경영 전략의 과제로 보아야 한다. 에어버스, 시스코, 월마트의 성공은 모두 C-suite의 전략적 결정에서 시작됐다. 기술팀이 아래에서 위로 올라가는 방식(bottom-up)만으로는 전체 밸류체인의 재설계가 일어나기 어렵다.
둘째, 작은 태스크 자동화가 아닌 큰 문제에 AI 투자를 집중해야 한다. 경영진이 정량적 가설을 직접 세우고, AI 투자의 성과를 지속적으로 모니터링해야 한다. “AI를 도입했으니 뭔가 좋아지겠지”라는 막연한 기대는 매몰 비용을 만들 뿐이다.
셋째, 데이터 전략을 AI 전략과 동시에 추진해야 한다. 한국 대기업들은 방대한 데이터를 보유하고 있지만, 그 데이터가 AI가 활용 가능한 형태로 정비되어 있지 않은 경우가 많다. 데이터 정비 없이 AI를 도입하는 것은 날카로운 칼 없이 요리를 시작하는 것과 같다.
8. 종합 프레임워크: 어떻게 전환할 것인가
강연과 최신 연구를 종합해, AI 에이전트 도입이 실질적 재무 성과로 이어지기 위한 실행 프레임워크를 정리한다.
단계별 전환 로드맵
1
2
3
4
5
6
7
8
9
10
11
12
13
[현재 상태] ──────────────────────────────────────── [목표 상태]
태스크 중심 자동화 워크플로우 중심 혁신
└ 일부 반복 태스크를 AI로 대체 └ 처음부터 끝까지 전체 흐름을 재설계
비용 절감 프레임 수익 창출 프레임
└ 기존 일을 더 빠르게 └ 못 했던 일을 가능하게
도구 도입 중심 직무 재정의 중심
└ AI 툴을 구매해 직원에게 배포 └ AI와 사람의 역할을 명확히 재분배
데이터 사일로 데이터 통합 전략
└ 부서별 시스템에 데이터 분산 └ AI-ready 데이터 통합 환경 구축
의사결정 체크리스트
AI 투자 결정 전, 경영진이 반드시 확인해야 할 질문들:
1. 우리가 해결하려는 비즈니스 문제는 무엇인가?
- AI를 도입하는 것이 목적이 아니라, AI를 통해 해결해야 할 구체적인 비즈니스 문제가 먼저 정의되어 있어야 한다.
2. 이 문제가 해결됐을 때 재무적 효과는 정량적으로 얼마인가?
- “매출이 X% 증가한다” 또는 “비용이 Y원 절감된다”는 가설이 사전에 설정되어야 한다.
3. 전체 워크플로우 중 어디를 바꿀 것인가?
- 일부 태스크만 자동화하는 것인가, 아니면 전체 흐름을 재설계하는 것인가.
4. AI가 해야 할 일과 사람이 해야 할 일이 명확히 구분되어 있는가?
- 이 구분이 모호하면 AI 도입은 오히려 업무 혼란을 야기한다.
5. 필요한 데이터는 AI-ready 상태인가?
- 데이터의 접근성, 품질, 최신성이 확보되어 있는가.
6. 성과를 어떻게 측정할 것인가?
- 정량적 KPI가 미리 설정되어 있고, 지속적 모니터링 체계가 있는가.
AI 도입 성숙도 단계
| 단계 | 설명 | 특징 | 재무 효과 |
|---|---|---|---|
| 1단계: 실험 | 개별 툴 도입, 파일럿 프로젝트 | 사용 후 기존 방식으로 복귀 | 거의 없음 |
| 2단계: 자동화 | 특정 반복 태스크 AI 처리 | 비용 일부 절감 | 제한적 |
| 3단계: 통합 | 부서 단위 워크플로우 재설계 | 생산성 가시적 향상 | 중간 수준 |
| 4단계: 전환 | 전체 밸류체인 재설계, 직무 재정의 | 기존에 불가능했던 업무 실현 | 높음 |
| 5단계: 혁신 | AI 기반 새 비즈니스 모델 창출 | 경쟁 구도 자체를 변화시킴 | 매우 높음 |
대부분의 기업은 현재 1~2단계에 머물러 있으며, 실질적 재무 성과는 3단계 이상에서 나타나기 시작한다.
9. 결론
김수연 EY 리더의 강연은 AI 에이전트 시대를 맞은 기업들에게 불편하지만 필요한 진실을 전달한다. 단순 자동화는 매몰 비용이다. 기존의 조직, 프로세스, 태스크를 그대로 두고 일부만 AI로 대체하는 것은 투자한 만큼의 가치를 만들어내지 못한다.
에어버스, 시스코, 월마트가 보여주는 성공의 공통점은 명확하다. 그들은 AI를 비용 절감 도구가 아닌 사업 확장 수단으로 봤다. 기존에 인력과 시간의 한계로 인해 하지 못했던 일—원자재 실시간 모니터링, 전체 밸류체인 통합, 4개 이해관계자 동시 에이전트 운영—을 AI로 실현했다. 그리고 그 실현을 위해 일하는 흐름 자체를 재설계하고, 사람과 AI의 역할을 재정의하고, 데이터 전략을 AI 전략과 동기화했다.
MIT의 5% 통계가 말해주는 것은 절망이 아니다. 95%의 기업에게는 아직 거대한 기회가 남아 있다는 뜻이다. 그 기회를 잡는 열쇠는 기술이 아니라 경영 의지와 설계 역량에 있다.
“경영진이 작은 태스크 자동화가 아닌 큰 문제에 AI 투자를 집중하고,
정량적 가설을 세워 지속적으로 성과를 모니터링해야 한다.”
— 김수연, EY컨설팅 파트너 겸 AI 리더
참고 자료
| 출처 | 내용 | 날짜 |
|---|---|---|
| 디지털데일리 | 베스핀글로벌 AI 파트너스 데이 2026 강연 원문 | 2026.03.31 |
| MIT NANDA Initiative | GenAI Divide: State of AI in Business 2025 | 2025.07 |
| CIO Korea | AI 도입 ROI 현황 분석 | 2025.06 |
| CIO Korea | 2026년 AI 예산 전략 가이드 | 2025.12 |
| EY한영 | AI 도입 확산과 인재 전략 보고서 | 2025.12 |
| Walmart Tech Blog | From Models to Agents (Converge 2025) | 2025.08 |
| Retail Dive | Walmart AI tinkering becomes transformation | 2026.01 |
| IBM Think | 2026년 AI 기술 트렌드 18가지 | 2026.01 |
| 한컴테크 | 2026년 AI 트렌드: Agentic AI 분석 | 2025.12 |
| Gartner | Top Strategic Technology Trends for 2026 | 2025.10 |
| *작성: 2026년 4월 2일 | 디지털데일리 기사 및 최신 연구 기반 정리* |