직원 4만 명, 미래 에이전트 400만 개: 수요의 단위는 좌석이 아닙니다
엔비디아의 2026년 8월 실적 발표에서 눈에 띈 숫자는 분기 매출 962억달러만이 아니었습니다. 젠슨 황 CEO는 직원이 약 4만 명인 엔비디아가 미래에는 40만 개, 나아가 400만 개의 에이전트를 둘 수 있다는 그림을 제시했습니다. 실제 발언이지만 현재 배포량이나 회사 가이던스는 아닙니다. 직원당 10개와 100개도 이 미래 시나리오를 단순 환산한 값입니다.
에이전트의 정의와 실현 시점은 제시되지 않았습니다. 2026년 8월 27일 현재 공개된 주요 자료에서도 기업 전반이 직원당 10~100개의 생산 에이전트를 운영한다는 실측치는 찾기 어렵습니다.
그렇다고 수요 논지가 사라지는 것은 아닙니다. 선도 조직에서는 한 사람이 여러 에이전트를 병렬로 실행하고, 사람의 근무시간을 넘는 컴퓨팅이 백그라운드에서 돌아가기 시작했습니다. 검증되는 변화는 에이전트의 개수가 아니라 사용자당 실행량의 증가입니다.
실적 숫자는 맞고 에이전트 수는 전망입니다
NVIDIA FY2027 2분기 공식 실적의 매출은 962.21억달러, 데이터센터 매출은 890.23억달러였습니다. 데이터센터가 전체 매출의 92.5%입니다. 91일로 나누면 하루 평균 매출은 10.57억달러입니다. 영상에서 설명한 역사적 숫자는 공식 실적과 대체로 일치합니다.
직원과 에이전트 숫자도 NVIDIA 공식 실적콜 질의응답에서 나온 발언입니다. 황 CEO는 약 4만 명의 직원과 미래의 40만·400만 에이전트를 연결했습니다. 그러나 그 발언에는 현재 에이전트 수, 에이전트로 세는 기준, 목표연도와 예산이 없습니다. GPU를 파는 회사가 제시한 수요 상방이라는 이해관계도 있습니다.
NVIDIA의 현재 운영자료는 이 미래 시나리오와 구분해야 합니다. 회사는 2026년 3월 자사 AI 팩토리 운영 세션에서 200개가 넘는 AI 워크플로가 생산 중이고, 중앙 추론 허브가 월 1.5조 개가 넘는 토큰을 처리하며, 코딩 에이전트 채택률이 약 90%라고 발표했습니다. 생산 사용과 큰 추론 부하는 확인되지만 워크플로 하나를 독립 에이전트 하나로 셀 수는 없습니다.
선도 조직은 이미 사람의 시간보다 긴 에이전트 시간을 씁니다
OpenAI의 2026년 6월 기업 사용 데이터는 공급자 텔레메트리입니다. 여기서 Codex 출력은 Codex와 ChatGPT 합산 출력 토큰의 64%였습니다. 사용량 상위 10% 기업은 중간 10% 기업보다 활성 사용자당 출력 토큰이 8.3배 많았습니다. 이 격차는 2026년 1월 2.6배에서 커졌습니다. 같은 인원에서도 업무를 에이전트에 맡기는 강도에 따라 사용량이 크게 달라질 수 있다는 관찰입니다.
OpenAI 내부 사용 연구에서는 더 직접적인 병렬 실행이 보입니다. 2026년 6월 일일 활성 사용자의 99백분위는 여러 병렬 에이전트에서 하루 60시간이 넘는 에이전트 턴을 만들었습니다. 한 사람이 24시간을 넘는 실행시간을 지시할 수 있는 이유는 여러 작업이 동시에 또는 백그라운드에서 돌기 때문입니다. 다만 AI 원천기업의 극단 사용자를 일반 직원의 평균으로 확대해서는 안 됩니다.
Microsoft 2026 Work Trend Index의 공급자 텔레메트리에서도 Microsoft 365의 28일 활성 에이전트 수가 1년 동안 전체 15배, 대기업 18배 늘었습니다. 절대 수를 공개하지 않았고 28일 중 한 번만 자율 실행해도 활성으로 잡는 낮은 문턱이라 직원당 수를 계산할 수는 없습니다. 그래도 사용 방향은 분명합니다.
직원 수와 배포 에이전트를 같이 공개한 드문 자가보고 사례는 Prosus의 2026년 보고서입니다. 4만 명이 넘는 직원이 6만 개가 넘는 에이전트를 배포했습니다. 단순 하한은 직원당 1.5개입니다. 그런데 활성 에이전트 가운데 약 2%가 불균형적으로 큰 ROI를 만들었습니다. 직원보다 많은 에이전트를 만들 수 있다는 증거인 동시에, 개수만 세면 가치를 과장한다는 반례입니다.
컴퓨팅 수요는 다섯 항의 곱으로 봐야 합니다
에이전트 수를 그대로 GPU 수요로 바꾸면 안 됩니다. 기간당 총 추론연산은 다음처럼 분해할 수 있습니다.
총 추론연산 Q = AI 사용 직원 W × 직원당 활성 에이전트 A × 실행 빈도 R × 실행당 물리 토큰 T × 토큰당 연산 C
변수별 처리 규칙은 한 묶음으로 봐야 합니다. 설정만 하고 쉬는 에이전트는 A에서 빼고, 입력과 출력, 내부 추론, 도구 호출 뒤 다시 들어오는 컨텍스트, 재시도와 검증 호출은 T에 넣습니다. 실제 재사용된 캐시와 더 작은 모델로 처리한 물량은 효율 E에 반영해 설비 부담을 낮춥니다.
업무량 증가배수를 V, 모델·캐시·서빙·하드웨어가 만드는 종단 효율 개선배수를 E라고 두면 설비 부담은 V/E가 됩니다. 업무량이 20배 늘고 효율이 10배 좋아지면 설비 부담은 2배입니다. 업무량이 5배인데 효율이 10배 좋아지면 0.5배입니다. 직원당 에이전트가 늘어도 총설비 수요는 줄 수 있습니다.
효율 개선과 총량 증가는 동시에 나타납니다
효율 개선의 반론은 작지 않습니다. 캐싱은 반복되는 입력을 다시 계산하는 부담을 줄이고, 더 작은 모델로 쉬운 작업을 보내면 비용이 크게 내려갑니다. PagedAttention을 제안한 vLLM 원 논문은 당시 모델과 조건에서 비슷한 지연시간으로 기존 시스템보다 2~4배 높은 처리량을 보고했습니다. 에이전트가 늘어도 같은 하드웨어가 더 많은 요청을 처리할 수 있습니다.
다중 에이전트도 항상 이득이 아닙니다. Google Research·MIT·Google DeepMind 공동 연구는 같은 컴퓨팅 예산에서 병렬 분해가 가능한 과제는 다중 에이전트가 유리했지만, 순차 계획 과제에서는 조율과 오류 증폭 때문에 성능이 낮아질 수 있음을 보였습니다. 에이전트를 더 띄워 토큰만 늘리는 배포는 오래 지속되기 어렵습니다.
그럼에도 총량은 증가하고 있습니다. IEA의 Energy and AI는 글로벌 데이터센터 전력소비를 2024년 약 415TWh에서 2030년 약 945TWh로 전망합니다. 이는 직접 계측이 아니라 시나리오 모델이고 데이터센터 전력 전체를 다룹니다. NVIDIA의 데이터센터 매출도 학습, 네트워킹, sovereign AI가 함께 들어가므로 에이전트 수요의 직접 증거로 쓸 수 없습니다.
현재 자료는 추론비용이 내려갈수록 새로운 업무가 생겨 총사용량이 늘어나는 rebound와 일치합니다. 하지만 동일 기업 코호트의 가격탄력성과 agent/non-agent 비교가 없으므로 Jevons 효과가 입증됐다고 말하기에는 이릅니다. 현재는 원인보다 동반 증가가 확인된 단계입니다.
사람 검수와 권한이 실제 배포의 상한입니다
에이전트가 많아져도 승인자가 처리할 수 있는 예외가 그대로라면 완료된 결과는 늘지 않습니다. 2026년 ICML에 채택된 Measuring Agents in Production은 파일럿 또는 생산 단계의 86개 시스템을 분석했습니다. 68%는 사람 개입 전 최대 10단계 이하만 실행했고, 74%는 사람 평가를 주된 평가수단으로 썼습니다. 시장 전체의 배포율은 아니지만 현재 생산형 에이전트가 무제한 자율 동료보다 짧고 통제 가능한 실행구간에 가깝다는 자료입니다.
METR의 오픈소스 유지보수자 연구에서는 AI 생성 PR의 자동채점 점수가 실제 유지보수자의 병합 판단보다 평균 24.2%p 높았습니다. 모델이 리뷰 후 수정할 기회를 받지 않은 좁은 연구라는 한계가 있지만, 벤치마크 통과와 검수 완료 가치 사이에 마지막 단계의 비용이 있다는 점은 분명합니다.
따라서 경제적 수요는 네 단계를 통과해야 합니다.
- 업무 적합성을 통과한 후보 업무가 있어야 합니다.
- 권한과 정책 경계 안에서 실제 실행돼야 합니다.
- 사람 검수와 복구 뒤 결과가 승인돼야 합니다.
- 추론, 감독, 재작업, 보안비용을 뺀 순가치가 남아야 합니다.
이 과정을 거치면 직원당 에이전트 수보다 다음 지표가 더 유용해집니다.
| 관찰 지표 | 확인하려는 질문 | 논지가 약해지는 신호 |
|---|---|---|
| 직원당 중앙값 활성 agent-hour | 병렬 실행이 power user 밖으로 퍼지는가 | 가격이 내려가도 중앙값 정체 |
| 검수 완료 결과당 총토큰 | 연산이 유효한 산출로 이어지는가 | 실패와 조율 토큰만 증가 |
| 결과당 사람 검수시간 | 에이전트가 사람 병목을 줄이는가 | 승인 대기와 재작업 증가 |
| 생산 배포율과 롤백률 | 파일럿이 권한 있는 실행으로 넘어가는가 | 생산 배포가 한 자릿수에 고착 |
업무량 V와 효율 E |
사용량이 효율 개선보다 빨리 늘어나는가 | 여러 분기 V/E < 1 |
좌석에서 검수 완료 에이전트 시간으로
엔비디아의 직원당 10~100개 에이전트는 현재 산업 평균이 아닙니다. 정의와 시점이 없는 미래 시나리오입니다. 그러나 선도 조직에서 병렬 실행, 장기 작업, 사용자당 출력량이 증가하는 방향은 실제 운영 데이터로 관찰됩니다.
수요의 단위는 인구나 소프트웨어 좌석만으로 설명하기 어려워지고 있습니다. 그렇다고 에이전트 ID를 세는 것으로 바꿔서도 안 됩니다. 활성 agent-hour가 얼마나 늘었는지, 그 시간이 검수된 결과를 만들었는지, 단위 효율 개선 뒤에도 설비 부담이 남는지를 함께 봐야 합니다.
이 관점은 AI 에이전트 도입 격차가 일의 운영체제 문제인 이유, 에이전트가 소프트웨어 구매 방식을 바꾸는 과정, 에이전트와 추론 실리콘 사이의 가치 이동과 이어집니다. 에이전트 수는 설명하기 쉬운 숫자입니다. 다만 일반 기업의 중앙값과 에이전트 인과가 확인되기 전까지는 실제 실행시간과 승인된 결과를 함께 보며 수요 강도를 낮춰 잡는 편이 안전합니다.