업무에서 AI를 이야기할 때 가장 익숙한 장면은 직원이 채팅창을 열고 모델에게 이메일 초안 작성, 문서 요약, 데이터 분석을 요청하는 모습이다. Task는 빨라지지만, 사람은 여전히 단계마다 지시를 내리고 결과를 다음 Workflow로 옮겨야 한다.
AI 에이전트는 이 경계를 더 밀어낸다.
한 번에 하나의 Prompt를 기다리는 대신, 에이전트는 목표를 받아 필요한 단계를 판단하고, 도구를 사용하고, 결과를 확인한 뒤 정해진 범위 안에서 여러 행동을 계속 수행할 수 있다. 경제적 질문도 "AI가 하나의 Task를 얼마나 빠르게 할 수 있는가?"에서 AI가 Workflow 전체에 걸친 Task의 연속을 관리할 수 있다면 어떤 일이 생기는가?로 바뀐다.
OECD는 2026년 9월 Agentic AI in organisations를 발표했다. 여러 지역과 산업의 조직을 인터뷰한 이 보고서는 agentic systems가 이미 개발되고 배포되고 있지만, 거버넌스와 측정, 운영 관행은 아직 초기 단계에 있다는 점을 보여준다.
이전 글 AI는 정말 일자리를 빼앗을까 – 아니면 일부 일을 더 가치 있게 만들까?에서는 AI가 종종 직업 전체보다 Task를 먼저 바꾼다는 점을 살펴봤다. 여러 Task가 에이전트를 통해 연결되기 시작하면, 재설계의 대상은 Workflow 그 자체가 될 수 있다.
AI 에이전트는 더 똑똑한 챗봇 이상이다
익숙한 챗봇은 보통 단순한 패턴을 따른다.
사용자 질문 → AI 답변 → 사용자가 다음 행동 결정
에이전트는 더 긴 순환 구조로 움직일 수 있다.
목표 → 계획 → 도구 사용 → 실행 → 결과 확인 → 조정 → 계속 또는 상위 단계로 전달
Anthropic은 에이전트를 여러 애플리케이션을 넘나들며 일하고, 코드를 작성하고 실행하며, 파일을 관리하고, 여러 단계로 구성된 Task를 완료할 수 있는 시스템으로 설명한다. 이는 사람에게서 제공받은 도구, 권한, 제약 안에서 더 큰 행동 자유를 갖는 자율성을 의미한다.
영업을 예로 들어보자.
챗봇은 follow-up 이메일 초안을 작성할 수 있다. 에이전트는 "가능성이 높은 leads를 후속 관리하라"는 목표를 받아 CRM을 확인하고, 계정 상태를 검토하고, 연락 내용을 작성하고, 발송 시간을 정하고, 결과를 기록하고, 미팅을 예약한 뒤 사람의 판단이 필요한 경우 영업 담당자에게 넘길 수 있다.
이 Task 대부분은 원래 존재하던 일이다. 달라지는 것은 각 handoff마다 사람이 중간에서 연결하지 않아도 여러 단계를 이어갈 수 있다는 점이다.
AI가 Task에서 Workflow로 이동하면 경제성도 달라진다
초기 업무용 AI는 주로 개인 생산성에 초점을 맞췄다. 더 빨리 쓰고, 더 빨리 검색하고, 회의 내용을 더 빨리 요약하는 식이다.
하지만 기업은 고립된 Task의 집합으로 움직이지 않는다. 일은 사람, 팀, 소프트웨어 시스템, 승인 절차를 거쳐 이동한다.
구매 프로세스는 요청 접수, 재고 확인, 견적 요청, 공급업체 비교, 승인, 구매 주문서 생성, 배송 추적, 회계로 정보 전달까지 이어질 수 있다. 지연은 한 단계가 느려서라기보다 정보를 기다리고, 데이터를 다시 확인하고, 기능 간 조율을 하는 과정에서 생길 수 있다.
여기서 에이전트는 한 직원이 사용하는 copilot과 다른 경제적 효과를 낼 수 있다.
McKinsey의 2026 Global Survey on AI에 따르면 응답자의 80%는 AI가 개인 생산성을 개선했다고 답했지만, 조직의 AI 사용이 EBIT에 적어도 일부 영향을 줬다고 답한 비율은 37%에 그쳤다. 이 차이가 에이전트가 문제를 해결할 것이라는 증거는 아니다. 다만 한 사람을 더 빠르게 만드는 것이 조직 전체의 수익성을 자동으로 높이는 것은 아니라는 점을 보여준다.
Workflow에 중복 승인, 파일 이동, 서로 연결되지 않은 시스템이 남아 있다면 효율 개선은 직원 개인의 업무 수준에서 멈출 수 있다.
돈이 되는 지점은 단계 사이의 handoff일 수 있다
따라서 에이전트의 비즈니스 가치는 단순히 절약한 노동시간에만 있지 않다.
대기 시간, 복사와 붙여넣기, follow-up, 데이터 전송 오류, 시스템 사이에서 필요한 사람의 조율을 줄이는 데서 가치가 생길 수 있다.
예를 들어 송장 프로세스는 문서를 받고, 필드를 검증하고, 구매 주문서와 대조하고, 이상을 표시하고, 회계 입력을 준비한 뒤 승인 경로로 보낼 수 있다. 에이전트가 구조화된 부분을 하나의 연속 과정으로 처리한다면 사람은 데이터가 맞지 않거나, 기준을 넘거나, 예외가 발생할 때만 개입하면 될 수 있다.
에이전트는 비용이 전혀 들지 않는 디지털 노동자가 아니다.
조직은 여전히 모델, 소프트웨어 통합, 데이터 준비, 권한, 모니터링, 평가, 보안, 예외 상황에 대한 사람의 검토 비용을 부담해야 한다. 어떤 Workflow는 큰 절감 효과를 낼 수 있지만, 어떤 Workflow는 자동화 비용이 얻는 가치보다 더 클 수 있다.
그래서 에이전트의 경제성은 단순히 절약한 직원 시간만이 아니라 Workflow 수준에서 측정해야 한다.
사람의 역할은 모든 단계를 직접 하는 것에서 시스템을 감독하는 것으로 이동할 수 있다
에이전트가 실행을 더 많이 맡을수록 Workflow 안에서 사람의 위치도 달라질 수 있다.
기존에는:
실행 → handoff → 확인 → 계속 → 승인 요청
이었다면 앞으로는:
목표 설정 → 제약 정의 → 예외 검토 → 결정 → 책임
으로 바뀔 수 있다.
이는 A10에서 다룬 노동시장 문제와 직접 연결된다. AI가 일부 Task를 더 잘 수행하게 되면 인간의 가치는 판단, 맥락, 커뮤니케이션, 책임 쪽으로 이동할 수 있다. 에이전트는 단일 Task뿐 아니라 여러 단계의 연속을 맡을 수 있기 때문에 이 질문을 더 크게 만든다.
Microsoft의 2026 Work Trend Index for Thailand는 조사 표본에서 태국 근로자의 32%가 "Frontier Professionals"에 해당했으며, 전 세계 평균은 16%였다고 밝혔다. 동시에 태국 조직은 개인의 AI 사용을 핵심 조직 Workflow로 옮기는 과정에서 여전히 어려움을 겪고 있었다.
이는 Microsoft 플랫폼과 설문에 기반한 자료이며, 태국 전체 노동시장을 대표하는 통계는 아니다. 하지만 중요한 차이를 보여준다. 개인이 AI를 잘 쓰는 것과 조직 전체를 AI 중심으로 재설계하는 것은 같은 일이 아니다.
더 큰 자율성이 사람을 시스템에서 제거한다는 뜻은 아니다
에이전트의 매력은 단계별 감독을 덜 받으면서도 계속 일할 수 있다는 데 있다. 같은 특성은 위험도 확대한다.
챗봇이 잘못된 답 하나를 내놓으면 사람이 행동하기 전에 알아챌 수 있다. 하지만 에이전트가 목표를 잘못 이해하고 여러 시스템에 접근할 수 있다면 오류가 여러 단계를 거친 뒤에야 발견될 수 있다.
Anthropic은 사용자 의도를 잘못 해석하는 문제와 에이전트를 조작해 해서는 안 되는 행동을 하도록 만드는 prompt injection 공격 등을 위험 요소로 꼽는다.
따라서 human-in-the-loop 설계는 모든 클릭에 사람이 승인하는 것보다 훨씬 더 정교해야 한다.
조직은 다음을 정할 수 있다.
- 에이전트가 접근할 수 있는 시스템
- 거래 또는 지출 한도
- 승인이 필요한 행동
- 특정 경계를 벗어나면 안 되는 데이터
- 반드시 상위 단계로 전달해야 하는 예외
- 사람의 결정을 위해 프로세스를 멈춰야 하는 지점
목표가 반드시 사람을 Workflow에서 제거하는 것은 아니다. 사람의 판단이 가장 큰 가치를 갖는 위치를 선택하는 것이 핵심이다.
대기업과 SMEs는 같은 속도로 혜택을 보지 못할 수 있다
에이전트 성능은 AI 모델만으로 결정되지 않는다. 데이터 품질, 시스템 통합, 권한, 기존 Workflow가 얼마나 명확하게 정의되어 있는지도 중요하다.
CRM, ERP, APIs, 데이터 거버넌스, IT 팀을 갖춘 기업과 여러 시스템에 흩어진 스프레드시트, 채팅 애플리케이션, 문서에 의존하는 소규모 사업자의 출발점은 다를 수밖에 없다.
OECD의 2026 D4SME Survey는 SMEs의 AI 사용이 증가하고 일부 기업이 AI 에이전트를 실험하고 있지만, 비즈니스 운영에 전략적이고 안전하게 통합하는 수준은 여전히 고르지 않다고 밝혔다. 시간 부족, 유지보수 비용, 기술 격차가 장벽에 포함된다.
이 때문에 경쟁의 핵심 질문은 누가 챗봇을 먼저 갖느냐보다 더 복잡해진다.
에이전트가 실제로 조정 비용을 낮춘다면 더 나은 데이터와 시스템을 가진 기업은 소규모 경쟁자가 따라오기 전에 거래당 비용을 낮추거나 더 많은 일을 처리할 수 있다. 이런 이점이 누적되면 기업 간 생산성 격차가 커질 수 있다.
반대의 경로도 가능하다. 저렴하고 쉽게 배포할 수 있는 패키지형 에이전트가 SMEs의 기술적 불리함을 줄일 수도 있다. 아직 대기업만 혜택을 볼 것이라고 단정하기에는 이르다.
이것이 AGI 쪽으로 훨씬 더 멀리 간다면?
오늘날의 AI 에이전트는 Artificial General Intelligence, 즉 AGI가 아니다. AGI는 여러 영역에서 광범위한 능력을 가진 AI를 가리키는 개념이다.
OECD와 European Commission의 AI literacy framework는 AGI를 교육 수준이 높은 성인의 인지적 유연성과 숙련도를 맞추거나 넘어설 수 있는 시스템으로 설명하며, 현재 그런 시스템은 존재하지 않는다고 밝힌다.
영화는 훨씬 더 넓은 모습을 그린다. 거의 모든 영역에서 스스로 배우고, 계획하고, 결정하고, 행동할 수 있는 디지털 지성이다. 이는 오늘날 기업이 실험하는 에이전트와는 큰 거리가 있다.
현재의 에이전트는 여전히 사람이 제공하는 목표, 도구, 권한, 경계 안에서 작동하며, 겉보기에는 평범한 Task에서도 실패할 수 있다.
만약 언젠가 시스템이 전문 Workflow 관리에서 AGI와 연관된 광범위한 일반 능력으로 이동한다면 비즈니스와 노동에 미치는 영향은 전혀 다른 차원의 질문이 된다. 그 전에 더 현실적인 문제는 에이전트가 Workflow 실행을 더 많이 맡을수록 사람은 그 안에서 어디에 위치해야 하는가이다.
다음으로 무엇을 봐야 할까
첫 번째 신호는 에이전트가 pilot에서 실제 production Workflow로 얼마나 빠르게 이동하는가이다. 성공적인 Demo와 실제 데이터, 고객, 돈을 다루며 매일 운영하는 것은 같은 일이 아니다.
두 번째는 기업이 Workflow 수준에서 ROI를 측정하기 시작하는가이다. 보고가 여전히 도입률이나 절약한 직원 시간에만 집중한다면 경제적 효과는 불분명할 수 있다.
세 번째는 조직이 에이전트에게 어느 정도 권한을 주려 하는가이다 – read-only 접근, 초안 작성, 거래 실행, 승인 없는 행동 등이다. 이는 신뢰 수준과 감수하려는 위험을 동시에 보여준다.
네 번째는 예외 발생률과 사람에게 escalation하는 지점이다. 화면상으로는 자율적으로 보이는 시스템도 실제로는 상당한 보이지 않는 인간 노동에 의존할 수 있다.
태국에서는 SMEs가 신뢰할 수 있는 에이전트 시스템을 감당 가능한 비용으로 이용할 수 있는가도 중요한 신호다. Agentic Workflow에 비싼 데이터 인프라와 통합이 필요하다면 기업 간 생산성 격차가 커질 수 있다. 반대로 패키지형 시스템이 그 비용을 크게 낮춘다면 소규모 기업이 예상보다 빨리 혜택을 볼 수 있다.
직장 AI의 첫 번째 물결은 "AI가 이 Task를 도울 수 있을까?"라고 묻게 했다. AI 에이전트는 질문을 한 단계 더 밀어붙인다. "우리는 여전히 Workflow를 이런 방식으로 설계해야 할까?" 비즈니스에 미치는 영향이 단순히 더 빠른 글쓰기 도우미를 갖는 것보다 깊어지는 지점은 바로 여기에 있을 수 있다.
