AI 에이전트 도입 격차는 일의 운영체제를 바꿀 때 닫힙니다

기업은 AI 라이선스를 사고, 전사 교육을 열고, 수십 개의 파일럿을 시작했습니다. 사용률도 빠르게 높아졌습니다. 그런데 손익계산서와 조직의 일하는 방식은 그 속도로 바뀌지 않았습니다.

맥킨지의 2025년 글로벌 AI 조사에서 응답 기업의 88%는 적어도 하나의 업무 기능에서 AI를 정기적으로 사용한다고 답했습니다. 하지만 AI 프로그램을 조직 전체로 확장하고 있다는 응답은 약 3분의 1에 그쳤습니다. 에이전트는 62%가 실험하거나 확장 중이었지만, 실제로 어느 기능에서든 확장 단계에 들어갔다는 응답은 23%였습니다. 개별 업무 기능에서 에이전트를 확장했다는 응답은 어느 곳도 10%를 넘지 않았습니다.

사용은 늘었는데 가치가 따라오지 않는 이 간극을 맥킨지는 agentic adoption gap, 즉 에이전트 도입 격차라고 부릅니다. 2026년 8월 7일 발표한 How to close the agentic adoption gap은 그 원인을 기술보다 변화 수용과 조직 설계에서 찾습니다. 성공적인 AI 전환은 기술에 1달러를 쓸 때 프로세스 재설계에 3달러, 역량 개발과 도입에 5달러를 써야 한다는 1:3:5도 제시합니다.

방향은 옳습니다. 다만 “기술은 이미 충분하고 사람만 바뀌면 된다”로 읽으면 위험합니다. 에이전트 도입 격차는 한 가지 문제가 아니라 세 시스템의 곱으로 생깁니다.

1. 기술 시스템: 에이전트가 실제 업무에서 얼마나 정확하고 통제 가능하며 관찰 가능한가
2. 업무 시스템: 어떤 결정을 누구에게 넘기고, 예외와 책임을 어떻게 처리하는가
3. 인간 시스템: 직원이 능력을 갖추고 결과를 신뢰하며, 새로운 방식으로 일할 이유가 있는가

셋 중 하나라도 약하면 파일럿은 데모로 남습니다. 좋은 모델만으로는 책임과 보상을 바꿀 수 없고, 변화관리만으로는 부정확한 에이전트를 믿게 만들 수 없습니다. 에이전트 도입은 소프트웨어 배포가 아니라 일의 운영체제를 다시 설계하는 일입니다.

사용률이 가치가 아닌 이유

기존 SaaS 도입은 대체로 사람이 도구를 사용하는 구조였습니다. CRM이 고객정보를 정리해도 가격 할인 승인권은 사람에게 있고, ERP가 거래를 기록해도 발주 결정은 사람이 내립니다. 사용자가 로그인하고 정해진 절차를 따르면 도입률을 측정하기도 쉬웠습니다.

에이전트는 다릅니다. 정보를 읽고, 계획을 세우고, 여러 도구를 호출하고, 중간 결과를 해석해 다음 행동을 선택합니다. 한 번의 답변이 아니라 업무의 연속된 상태 전환에 관여합니다. 따라서 도입은 좌석 수나 로그인 횟수가 아니라 다음 질문에 답해야 성립합니다.

• 어떤 업무를 에이전트가 시작할 수 있는가
• 어느 단계까지 독립적으로 실행할 수 있는가
• 어떤 조건에서 사람의 승인이 필요한가
• 잘못된 행동을 누가 발견하고 되돌리는가
• 결과가 틀렸을 때 책임은 누구에게 있는가
• 절약된 시간을 어떤 더 가치 있는 일로 재배치하는가

이 질문에 답하지 않은 채 에이전트를 배포하면 직원은 두 가지 일을 하게 됩니다. 기존 업무를 그대로 수행하면서 에이전트가 만든 결과까지 검수합니다. 회사는 이를 도입이라고 부르지만 직원에게는 검토 업무가 추가된 것입니다. 처리시간이 줄지 않고 책임만 커지면 합리적인 직원일수록 에이전트를 덜 쓰게 됩니다.

맥킨지 조사도 이 차이를 보여줍니다. 2025년 조사에서 AI가 기업 전체 EBIT에 어떤 형태로든 기여했다고 답한 비율은 39%였고, 대부분은 EBIT의 5% 미만이라고 답했습니다. 반면 AI 고성과 기업으로 분류된 약 6%는 다른 기업보다 업무 흐름을 근본적으로 재설계할 가능성이 거의 세 배 높았습니다. 고위 리더가 AI 이니셔티브를 소유하고 적극 관여한다고 답할 가능성도 약 세 배 높았습니다.

이는 인과관계를 증명하는 실험이 아니라 기업 설문에서 나타난 상관관계입니다. 성과가 좋은 기업이 원래 프로세스 혁신 역량도 좋았을 가능성이 있습니다. 그럼에도 모델 접근권보다 업무 재설계 능력이 기업 간 성과 차이를 설명하는 중요한 변수라는 신호는 일관됩니다.

1:3:5는 예산 공식이 아니라 경영의 우선순위입니다

맥킨지가 제시한 1:3:5를 문자 그대로 합산하면 전체 9 가운데 기술은 11.1%, 프로세스 재설계는 33.3%, 역량과 도입은 55.6%입니다. 기업이 실제로 집행하는 AI 예산의 모습과는 상당히 다릅니다. 모델 API, 클라우드, 데이터 플랫폼, 솔루션 계약은 구매 명세서에 바로 잡히지만 업무 전문가의 시간, 교육 중 포기한 생산량, SOP 개정, 역할 전환, 관리자 코칭은 여러 비용센터에 흩어집니다. 기술비용만 또렷하게 보이기 때문에 기업은 자신도 모르게 1:3:5를 거꾸로 집행합니다.

그러나 이 비율을 새로운 정답표처럼 사용하는 것도 곤란합니다. 맥킨지 글은 산업별 원가 자료, 표본 분포, 투자 항목의 회계 정의를 공개하지 않습니다. 규제가 강한 은행의 거래 에이전트와 사내 회의록 정리 도구가 같은 비율일 이유도 없습니다. 이미 통합 데이터 플랫폼을 가진 회사와 레거시 시스템이 단절된 회사의 기술비용도 다릅니다.

따라서 1:3:5는 “기술 예산을 정확히 11.1%로 제한하라”는 공식이 아니라 다음과 같은 점검 질문으로 써야 합니다.

투자 영역	예산에 반드시 잡아야 할 항목	놓치기 쉬운 비용
기술	모델, 데이터, 통합, 보안, 관측, 평가 인프라	샌드박스와 운영 환경의 격차, 모델 변경 대응
프로세스	업무 분해, 의사결정권, 예외처리, SOP와 통제 개정	현업 인터뷰, 병행 운영, 실패 복구 설계
역량·도입	역할별 교육, 현장 코치, 관리자 훈련, 커리어 전환	학습시간, 생산성 저하, 심리적 안전, 보상 개편

핵심은 기술 계약 금액과 총전환비용을 구분하는 것입니다. 도입 예산에 현업 전문가의 시간과 관리자 검토 부담이 포함되지 않았다면, 비용이 사라진 것이 아니라 조직 안으로 전가된 것입니다.

에이전트 도입 격차를 만드는 세 개의 층

에이전트의 가치가 만들어지려면 기술, 업무, 인간의 세 층이 동시에 작동해야 합니다. 이 구조를 곱셈으로 생각하면 왜 한 영역에 대한 과투자가 전체 성과를 구하지 못하는지 이해하기 쉽습니다.

실현 가치 ≈ 기술 신뢰성 × 업무 전환율 × 인간 수용률 × 업무당 가치

예를 들어 기술 성공률이 90%, 에이전트에 실제로 넘긴 적격 업무가 40%, 사람이 결과를 받아들이는 비율이 50%라면 잠재가치의 18%만 실현됩니다. 이 식은 회계식이 아니라 병목을 찾기 위한 진단식입니다. 수치는 각 기업의 실제 로그와 업무 기준으로 측정해야 합니다.

1. 기술 신뢰성: 실패가 연속 업무에서 증폭됩니다

에이전트는 여러 단계를 연결하기 때문에 한 번의 답변 정확도보다 끝까지 업무를 완수하는 확률이 중요합니다. 모든 단계가 독립적이고 성공확률이 같다는 단순 가정에서, 단계당 성공률이 95%인 업무를 20단계 연속 수행하면 전체 성공확률은 0.95²⁰, 약 35.8%입니다. 단계당 98%여도 20단계 전체 성공확률은 약 66.8%입니다.

단계당 성공확률	5단계 업무	10단계 업무	20단계 업무	30단계 업무
90%	59.0%	34.9%	12.2%	4.2%
95%	77.4%	59.9%	35.8%	21.5%
98%	90.4%	81.7%	66.8%	54.5%
99%	95.1%	90.4%	81.8%	74.0%

실제 단계의 실패는 독립적이지 않고, 에이전트가 오류를 감지해 복구할 수도 있어 이 표는 실측 벤치마크가 아닙니다. 반대로 앞 단계의 잘못된 상태가 뒤 단계에 전파되거나 잘못된 행동이 되돌릴 수 없는 결과를 만들 수도 있습니다. 표의 목적은 하나입니다. 단일 응답에서 좋아 보이는 모델도 긴 업무 흐름에서는 평가, 체크포인트, 재시도, 중단과 복구 설계가 필요하다는 점입니다.

METR의 Task Completion Time Horizon도 자주 과대해석됩니다. 이 지표는 모델이 일정 시간 동안 끊임없이 자율적으로 일한다는 뜻이 아니라, 사람이 특정 시간 안에 끝내는 난이도의 과제에서 모델의 예측 성공률이 50%가 되는 지점을 뜻합니다. 과제도 주로 명확하게 정의된 소프트웨어, 머신러닝, 사이버보안 업무입니다. METR는 실제 직업의 모호하고 전체적인 평가를 요구하는 과제에서 성능이 더 낮을 수 있고, 안전하게 위임하려면 50%가 아니라 98% 이상의 신뢰도가 필요한 업무도 있다고 경고합니다.

LangChain의 2026년 에이전트 엔지니어링 조사에서도 품질은 가장 많이 지목된 배포 장벽이었고, 대기업에서는 보안이 두 번째 장벽이었습니다. 응답자의 89%가 어떤 형태로든 관측 도구를 쓰고 있었지만 오프라인 평가를 한다는 비율은 52.4%, 온라인 평가를 한다는 비율은 37.3%였습니다. 다만 이 조사는 응답자의 63%가 기술산업에 있고 절반 가까이가 직원 100명 미만 기업인 공급자 중심 표본이므로 전체 기업의 보급률로 일반화할 수는 없습니다.

직원이 에이전트를 불신하는 이유가 모두 변화 저항은 아닙니다. 품질과 책임의 간극을 현장에서 먼저 보고 있기 때문일 수 있습니다.

2. 업무 운영체제: 도구가 아니라 결정의 흐름을 바꿔야 합니다

“보고서 작성 시간을 줄였다”는 파일럿은 쉽게 만들 수 있습니다. 그러나 기업 가치는 보고서 한 장이 아니라 보고서 이후의 승인, 고객 대응, 재고 이동, 계약 체결까지 연결된 흐름에서 생깁니다. 에이전트가 초안을 만들고 사람이 기존과 똑같이 처음부터 다시 확인한다면 생성시간만 줄었을 뿐 전체 주기시간은 거의 줄지 않습니다.

업무 재설계는 현재 프로세스에 AI 단계를 끼워 넣는 일이 아닙니다. 다음을 다시 정하는 일입니다.

• 삭제할 단계와 합칠 단계
• 에이전트가 시작할 수 있는 행동
• 사람이 반드시 판단해야 하는 고위험 결정
• 자동으로 승인할 수 있는 조건과 금액 한도
• 실패를 감지하는 신호와 담당자
• 원상복구 가능한 행동과 불가능한 행동
• 로그, 근거, 데이터 출처의 보존기간
• 에이전트로 확보한 시간과 처리용량의 재배치

이때 프로세스 오너가 중요합니다. IT팀은 모델과 시스템을 운영할 수 있지만, 환불 정책의 예외나 조달 승인 기준까지 소유하지는 않습니다. 현업은 업무를 알지만 보안, 평가, 모델 변경 위험을 혼자 관리하기 어렵습니다. 따라서 기술 프로젝트가 아니라 하나의 업무 결과를 책임지는 공동 운영팀이 필요합니다.

3. 인간 수용: 사용법보다 미래의 역할이 더 큰 질문입니다

맥킨지는 에이전트 도입을 막는 네 가지 두려움을 제시합니다. 어디서 시작해야 할지 모르지만 모른다고 말하기 어려운 불안, 통제권 없이 결과 책임을 질 수 있다는 불안, 목적지가 정해지지 않은 전환에 들어가는 불안, 오랜 기간 쌓은 전문성과 정체성을 잃을 수 있다는 불안입니다.

이 두려움을 “직원들이 혁신에 저항한다”로 정리하면 변화 프로그램은 실패합니다. 특히 회사가 생산성 향상을 말하면서 인력 계획은 설명하지 않고, 직원에게 에이전트의 오류를 전부 검수하라고 하면 불신은 합리적 반응입니다. 안전하게 실패할 공간, 학습시간, 역할의 미래, 책임 범위를 말하지 않는 교육은 프롬프트 사용법을 알려줄 수는 있어도 도입을 만들 수는 없습니다.

맥킨지의 2026년 별도 조사에서 응답자의 70%는 자신이 AI를 사용할 준비가 됐다고 답했지만, 리더 가운데 자기 조직이 준비됐다고 본 비율은 27%였습니다. 낮은 신뢰를 보인 응답자는 불안을 느낄 가능성이 1.5배 높았고, 중간관리자의 4분의 1이 불안을 보고해 일반 직원의 5분의 1보다 높았습니다.

이 조사는 2026년 2월부터 4월까지 영어권 AI 사용자 750명을 대상으로 했고, AI가 비교적 진전된 조직을 의도적으로 모집한 자기보고식 조사입니다. 전체 노동시장의 비율로 읽어서는 안 됩니다. 하지만 개인의 사용 의지보다 조직의 준비도, 그리고 가장 많은 조정 책임을 떠안는 중간관리자가 병목이 될 수 있다는 관찰은 중요합니다.

가장 큰 병목은 중간관리자에게 모입니다

고위경영진은 AI 목표를 선언하고, 실무자는 개별 업무에서 도구를 시험할 수 있습니다. 그 사이 중간관리자는 오늘의 실적과 내일의 전환을 동시에 책임집니다.

• 기존 KPI를 지키면서 팀원에게 학습시간을 줘야 합니다.
• 에이전트가 만든 결과를 믿을지 판단해야 합니다.
• 오류가 나면 고객과 경영진에게 설명해야 합니다.
• 직무가 바뀌는 팀원의 불안을 받아야 합니다.
• 아직 정해지지 않은 인력 계획과 경력경로에 답해야 합니다.
• 파일럿의 성과를 숫자로 만들면서 운영사고도 막아야 합니다.

그런데 평가와 보상은 여전히 기존 생산량, 일정 준수, 오류 최소화에 묶여 있는 경우가 많습니다. 실험에 시간을 쓰면 단기 성과가 나빠지고, 실패를 공개하면 관리 능력이 부족해 보일 수 있습니다. 이런 구조에서 중간관리자가 에이전트 도입을 늦추는 것은 태도의 문제가 아니라 인센티브의 결과입니다.

따라서 중간관리자에게 일반 직원용 AI 교육을 한 번 더 제공하는 것으로는 부족합니다. 최소한 네 가지가 필요합니다.

1. 보호된 전환시간: 기존 목표를 그대로 둔 채 교육과 실험을 추가하지 않습니다.
2. 명시적 권한: 어떤 업무와 규칙을 바꿀 수 있는지 정합니다.
3. 실패 예산: 제한된 범위에서 어떤 실패까지 허용하는지 정합니다.
4. 전환 KPI: 단기 생산량뿐 아니라 업무 재설계, 학습속도, 안전한 확장을 평가합니다.

리더가 “AI를 적극 활용하라”고 말하면서 모든 결과를 사람이 이중 검수하게 하면 조직은 말이 아니라 검수 규칙을 따릅니다. 도입은 커뮤니케이션이 아니라 운영 규칙이 만드는 행동입니다.

맥킨지의 A-E를 실제 산출물로 번역해야 합니다

맥킨지는 도입 과정을 Awareness, Belief, Commit, Develop, Enforce의 다섯 단계로 제시합니다. 인지시키고, 믿게 하고, 참여를 약속하게 하고, 역량을 개발한 뒤, 새로운 행동을 제도화한다는 흐름입니다.

이 프레임이 슬로건으로 끝나지 않으려면 각 단계가 회의나 교육이 아니라 관찰 가능한 산출물을 만들어야 합니다.

단계	직원이 풀어야 할 질문	필요한 행동	완료를 보여주는 산출물
Awareness	내 일이 정확히 어떻게 바뀌는가	실제 업무와 실패를 직접 경험	업무지도, 영향받는 과업, 위험 목록, 인력 원칙
Belief	리더도 정말 이 방식을 쓰는가	리더와 동료가 실제 흐름을 공개	전후 시연, 실패 로그, 우수 사례와 중단 사례
Commit	배울 시간과 선택권이 있는가	보호된 시간과 전환 약속 제공	팀별 학습시간, 역할협약, 참여·이의제기 경로
Develop	결과를 판단하고 통제할 수 있는가	현장 코칭과 반복 실습	평가세트, SOP, 검토기준, 역할별 숙련도
Enforce	새 행동이 평가와 보상에 반영되는가	KPI, 권한, 예산과 통제 변경	개정된 의사결정권, 대시보드, 보상·승진 기준

Awareness: 장밋빛 데모보다 업무의 실제를 보여줘야 합니다

전사 타운홀에서 AI의 잠재력을 설명하는 것만으로는 직원이 자기 일을 바꿀 수 없습니다. 자기 업무의 어느 단계가 자동화되고, 어느 판단이 더 중요해지며, 어떤 오류를 자신이 책임지는지 알아야 합니다. 성공 장면뿐 아니라 실패, 중단, 사람에게 이관되는 장면까지 보여줘야 합니다.

맥킨지는 유럽 소비재 기업이 최고 리더 100명을 대상으로 3일간 집중 프로그램을 운영한 사례를 듭니다. 중요한 것은 3일이라는 길이가 아니라 경영진도 듣기만 하지 않고 직접 사용하며 업무 변화를 경험했다는 점입니다. 다만 익명 사례이고 정량 성과와 비교군이 공개되지 않았으므로 성공의 증거보다 설계 사례로 읽는 것이 적절합니다.

Belief: 리더의 사용과 실패 공개가 신뢰를 만듭니다

직원은 리더의 발표보다 행동을 봅니다. 임원은 기존 비서와 분석팀의 방식 그대로 일하면서 직원에게만 AI 사용을 요구하면 “생산성 압박을 아래로 넘기는 도구”로 받아들여질 수 있습니다. 리더가 자신의 회의 준비, 의사결정 자료, 고객 대응에서 에이전트를 어디까지 쓰고 어디서 거부했는지를 보여줘야 합니다.

동료의 사례도 중요합니다. 맥킨지는 글로벌 은행이 2,000명의 AI 챔피언을 두고 현장 순회, 오피스아워, 짧은 시연을 운영한 사례를 소개합니다. 챔피언의 수보다 중요한 것은 도움을 요청할 사람이 업무 가까이에 있다는 점입니다. 챔피언에게 추가 책임만 주고 시간과 평가권한을 주지 않으면 이름뿐인 네트워크가 됩니다.

Commit: 직원에게 손실과 선택의 문제를 말해야 합니다

AI 전환은 모든 사람에게 순수한 이익이 아닙니다. 익숙한 업무, 전문성의 상징, 팀의 인원과 권한이 줄어들 수 있습니다. 변화관리에서 이 상실을 언급하지 않으면 직원은 회사가 핵심 질문을 피한다고 느낍니다.

회사는 최소한 자동화로 확보한 시간을 어디에 쓸지, 역할이 사라질 때 어떤 재배치와 학습 기회를 제공할지, 성과 기준을 언제 바꿀지 밝혀야 합니다. 모든 고용을 보장할 수 없다면 그 사실도 모호한 낙관보다 명확하게 말하는 편이 낫습니다. 신뢰는 불확실성이 없을 때가 아니라 불확실성을 숨기지 않을 때 생깁니다.

Develop: 한 번의 교육보다 업무 안의 코치가 필요합니다

프롬프트 작성법은 시작일 뿐입니다. 에이전트 시대의 핵심 역량은 일을 적절한 단위로 나누고, 좋은 결과의 기준을 만들고, 불확실한 출력에서 위험 신호를 찾고, 언제 개입하고 중단할지 판단하는 능력입니다. 직원은 도구 사용자가 아니라 에이전트의 업무 관리자가 됩니다.

맥킨지는 한 포춘 500 기술기업이 엔지니어 5명에서 10명당 한 명의 AI 코치를 업무 현장에 배치한 사례를 제시합니다. 역시 익명 사례이므로 성과를 독립적으로 확인할 수는 없습니다. 그러나 업무 직후의 피드백, 실제 코드와 문서에 대한 코칭, 실패를 평가세트로 축적하는 구조가 강의실 교육보다 효과적이라는 논리는 설득력이 있습니다.

Enforce: 제도화되지 않은 습관은 이전 방식으로 돌아갑니다

새로운 행동을 요구하면서 승인 규칙, 예산, 목표, 승진 기준이 그대로라면 직원은 기존 시스템에 맞춰 행동합니다. 제도화 단계에서는 다음을 바꿔야 합니다.

• 산출량 중심 KPI를 전체 주기시간과 결과 품질로 전환
• 개인 사용량보다 팀의 업무흐름 성과를 평가
• 에이전트 오류를 조기에 발견하고 공유한 행동을 보상
• 모델 및 토큰 예산을 중앙 IT 비용이 아니라 업무별 손익에 연결
• 사람과 에이전트의 의사결정권을 SOP와 시스템 권한에 반영
• 역할과 승진 기준에 업무 재설계와 에이전트 관리 역량을 포함

맥킨지는 Salesforce가 자율적으로 해결된 고객 사례의 비중과 해결시간 감소를 추적한다고 언급합니다. 로그인 수나 생성된 답변 수보다 업무 결과에 가까운 지표입니다. 다만 자율 해결률이 높아도 잘못 닫힌 문의나 재문의가 늘 수 있으므로 고객 만족, 재접촉, 정책 위반과 함께 봐야 합니다.

자율성은 한 번에 주는 것이 아니라 단계별로 획득해야 합니다

에이전트를 도입한다고 모든 업무를 자율 실행으로 시작할 필요는 없습니다. 자율성은 모델의 브랜드가 아니라 업무의 위험과 관측된 성능에 따라 부여해야 합니다.

단계	에이전트 권한	사람의 역할	적합한 업무
T0 읽기·초안	검색, 요약, 초안만 생성	모든 결과 검토·실행	고위험 업무의 초기 학습
T1 권고	선택지와 근거를 제안	결정하고 실행	판단 기준은 있으나 예외가 많은 업무
T2 제한 실행	한도 내 실행, 체크포인트에서 정지	예외·고위험 승인	되돌릴 수 있고 규칙이 명확한 업무
T3 조건부 자율	저위험 영역을 끝까지 수행	표본 감사와 사고 대응	성능이 입증되고 복구 가능한 반복 업무

단계 상승에는 명시적 문턱이 필요합니다. 평균 정확도뿐 아니라 심각한 실패율, 예외 분포, 사람의 수정량, 감사 가능성, 복구시간을 통과해야 합니다. 업무 범위나 모델 버전이 바뀌면 승인을 다시 받아야 합니다. 어제의 T3가 오늘도 자동으로 T3인 것은 아닙니다.

각 업무에는 세 명의 오너를 명확히 두는 것이 좋습니다.

1. 결과 오너: 고객, 매출, 비용, 품질 등 업무 결과를 책임집니다.
2. 에이전트 오너: 모델, 프롬프트, 도구, 데이터, 평가와 운영성능을 책임집니다.
3. 위험 오너: 허용 범위, 통제, 사고 대응, 감사와 중단 권한을 책임집니다.

세 역할을 한 사람이 겸할 수는 있지만 책임 자체를 생략하면 안 됩니다. 특히 결과 오너 없이 AI팀이 파일럿을 운영하면 성능은 측정해도 사업 결과는 측정하지 못합니다. 위험 오너가 출시 직전에만 참여하면 뒤늦게 통제를 추가하느라 업무 흐름이 다시 느려집니다.

성과의 단위는 활성 사용자보다 수용된 업무입니다

AI 도입 대시보드는 보통 라이선스 활성률, 주간 사용자, 프롬프트 수, 생성 토큰을 보여줍니다. 이는 공급과 활동을 측정할 뿐 가치의 증거는 아닙니다. 에이전트가 실제로 처리할 수 있는 업무 가운데 얼마나 맡았고, 얼마나 성공했으며, 사람이 얼마나 다시 일했는지까지 내려가야 합니다.

가장 기본적인 업무 경제성은 다음처럼 계산할 수 있습니다.

수용 결과당 총비용 = (모델·도구비 + 운영비 + 사람 검수·수정비 + 사고·지연비용) ÷ 수용된 결과 수

업무흐름 가치 = 적격 업무량 × 완료율 × 사람 수용률 × 결과당 가치 - 총비용

여기서 수용된 결과는 단순히 에이전트가 “완료”라고 표시한 결과가 아닙니다. 사전에 정한 품질, 규정, 고객 결과를 통과하고 불필요한 재작업이 없는 결과입니다. 자세한 측정법은 앞서 쓴 AI 가격표의 진짜 단위는 성공한 업무입니다와 연결됩니다.

대시보드는 최소 다섯 층으로 구성해야 합니다.

지표 층	핵심 지표	경계해야 할 왜곡
흐름	적격 업무량, 에이전트 처리비중, 완료율	쉬운 건만 골라 처리
품질·위험	첫 시도 성공, 재작업, 예외, 사고 심각도	평균이 치명적 실패를 가림
시간·비용	전체 주기시간, 검토분, 수용 결과당 비용	생성시간만 측정
사업 결과	고객 만족, 매출, 처리용량, 위험 감소	활동을 가치로 오인
학습	실패 발견부터 수정까지 시간, 평가 커버리지	평가세트가 실제 업무 변화를 못 따라감

노동시간 절감도 조심해서 해석해야 합니다. 1,000시간을 절약했다고 보고해도 인력이 같은 저가치 업무에 남아 있거나 대기시간이 늘었다면 재무효과는 없습니다. 반대로 인원을 줄이지 않더라도 고객 처리량을 늘리고 오류를 줄이며 고부가가치 업무로 시간을 이동했다면 가치가 있습니다. 절약된 시간이 어디로 재배치됐는지가 생산성의 마지막 연결고리입니다.

보조형 AI의 실증 연구도 분배효과를 보여줍니다. NBER가 소개한 고객지원 현장 연구에서 생성형 AI 보조도구는 평균 생산성을 약 14% 높였지만, 숙련도가 낮고 경험이 적은 직원에서는 약 35% 개선됐고 최상위 숙련자에게는 효과가 작거나 일부 부정적이었습니다. 이는 자율 에이전트 연구가 아니며 다른 직무에 그대로 적용할 수 없습니다. 다만 같은 도구도 사람의 기존 숙련도와 업무에 따라 가치가 크게 달라지므로 평균 사용자당 효과만 보면 안 된다는 점을 보여줍니다.

CEO, CFO, CHRO가 맡아야 할 일은 다릅니다

에이전트 도입을 CIO나 AI 책임자에게만 맡기면 기술은 배포돼도 조직의 권한과 인력은 바뀌지 않습니다. 맥킨지는 CEO, CFO, CHRO의 역할을 구분합니다. 이를 실제 경영 책임으로 번역하면 다음과 같습니다.

CEO: 도구가 아니라 끝에서 끝까지의 업무 야심을 정합니다

CEO는 “전 직원이 AI를 사용한다”가 아니라 “고객 온보딩을 10일에서 2일로 줄이면서 규정 위반을 늘리지 않는다”처럼 결과를 정해야 합니다. 어느 부서의 효율을 높일지가 아니라 어떤 고객 여정과 가치사슬을 다시 만들지 선택해야 합니다. 그리고 자신의 업무에서도 어디에 에이전트를 쓰고 어떤 실패 때문에 중단했는지 공개해야 합니다.

CFO: 사람과 토큰을 합친 생산성을 봅니다

CFO는 모델 사용료를 중앙 IT 비용으로만 보지 않고 업무 단위 손익으로 연결해야 합니다. 모델·도구비가 늘어도 검토시간, 재작업, 외주, 지연손실이 더 크게 줄면 경제적입니다. 반대로 토큰비가 싸도 사람이 전부 다시 확인하면 실패입니다.

하나의 거대한 전사 프로그램보다 여러 업무 포트폴리오를 운영하고, 각 업무의 확장·수정·중단 기준을 정하는 것이 좋습니다. 토큰 예산도 무조건적인 사용 제한보다 수용 결과당 비용과 사업가치에 따라 배분해야 합니다.

CHRO: 직무가 아니라 과업과 역량의 이동을 설계합니다

CHRO는 “어떤 직무가 사라지는가”만 묻기보다 직무 안의 어떤 과업이 자동화되고 어떤 판단이 더 중요해지는지 분석해야 합니다. 역할별로 필요한 평가, 감독, 예외처리, 데이터 해석 역량을 정의하고 교육과 경력경로에 반영해야 합니다.

특히 중간관리자의 통제 범위와 팀 규모가 달라질 수 있습니다. 에이전트가 저위험 업무를 맡으면 관리자는 사람뿐 아니라 디지털 작업자와 예외 큐를 함께 운영합니다. 기존의 인원수와 보고단계가 권한의 기준이었다면 조직설계와 승진체계도 다시 봐야 합니다.

90일 안에 도입 격차를 줄이는 실행안

전사 에이전트 전략을 완성한 뒤 시작할 필요는 없습니다. 다만 기능 데모가 아니라 하나의 끝까지 이어지는 업무 흐름을 선택해야 합니다. 90일은 완전한 자율화를 달성하는 기간이 아니라 안전하게 가치와 학습속도를 증명하는 기간입니다.

0-30일: 기준선을 만들고 책임을 고정합니다

가치가 크고 반복 빈도가 높으며 결과를 측정할 수 있는 업무 하나를 고릅니다. 동시에 실패했을 때 되돌릴 수 있는 범위여야 합니다. “영업 업무”처럼 넓은 기능이 아니라 “계약 갱신 90일 전 고객 상태를 점검하고 담당자에게 다음 행동을 권고한다”처럼 시작과 끝을 정의합니다.

현재 주기시간, 사람 투입시간, 오류, 재작업, 대기시간, 비용, 고객 결과를 먼저 측정합니다. 기준선이 없으면 AI 도입 뒤 생성속도만 좋아지고 전체 업무가 느려져도 알아채기 어렵습니다. 결과·에이전트·위험 오너를 지정하고, 직원에게 이번 실험이 역할과 인력에 어떤 의미인지 설명합니다.

31-60일: 그림자 운영으로 실패 지도를 만듭니다

에이전트가 실제 업무 입력을 처리하게 하되 고객 연락, 결제, 데이터 변경 같은 행동은 막습니다. 사람이 내린 결정과 비교하면서 실패를 분류합니다. 단순 정확도만 계산하지 말고 데이터 누락, 잘못된 도구 선택, 정책 오해, 과도한 자신감, 이관 실패, 긴 지연처럼 원인별로 기록합니다.

매주 현업, 엔지니어, 위험 담당자가 실패를 함께 검토합니다. 발견된 사례는 평가세트와 교육자료에 동시에 들어가야 합니다. 기술팀만 고치면 직원은 왜 달라졌는지 모르고, 교육팀만 설명하면 시스템은 같은 오류를 반복합니다.

61-90일: 제한된 실행과 조직 규칙 변경을 함께 시험합니다

성능이 입증된 저위험, 복구 가능한 범위에서 실제 실행을 허용합니다. 금액, 고객 유형, 데이터 민감도, 시간대에 한도를 두고 체크포인트를 운영합니다. 동시에 SOP, 승인권, 팀 KPI, 검토 책임을 실제로 바꿉니다. 기존 규칙을 그대로 둔 제한 실행은 기술시험일 뿐 조직시험이 아닙니다.

90일째에는 성공사례 발표가 아니라 확장, 수정, 중단 중 하나를 결정합니다. 다음 조건 가운데 하나라도 충족하지 못하면 범위를 유지하거나 줄이는 편이 낫습니다.

• 기준선보다 전체 주기시간 또는 품질이 개선됐는가
• 사람의 총검토시간과 재작업이 줄었는가
• 수용 결과당 총비용이 허용 범위에 들어왔는가
• 심각한 실패가 정한 한도 아래인가
• 사고를 감지하고 복구할 수 있는가
• 현업이 결과를 이해하고 이의를 제기할 수 있는가
• 평가세트와 책임체계가 다음 모델 변경을 감당할 수 있는가

한국 기업에서 도입 격차가 더 커질 수 있는 지점

한국 기업에도 같은 원리가 적용되지만 조직적 맥락은 다릅니다. 일반화에는 주의해야 하지만, 다음 네 가지는 특히 점검할 필요가 있습니다.

첫째, IT·현업·리스크의 분리가 강합니다

AI 예산은 IT나 디지털 조직이 갖고, 업무 KPI는 현업이 갖고, 금지 권한은 보안·법무·감사가 갖는 경우가 많습니다. 공동 결과지표가 없으면 IT는 배포를, 현업은 단기 실적을, 리스크는 사고 제로를 최적화합니다. 세 조직 모두 자기 목표에는 합리적이지만 에이전트는 파일럿에 갇힙니다.

업무별 공동 오너십과 하나의 대시보드가 필요합니다. 보안과 법무는 승인 관문이 아니라 설계 초기부터 자율성 단계와 통제를 함께 만드는 역할이어야 합니다.

둘째, 중간관리자의 조정 부담이 보이지 않습니다

빠른 보고와 높은 책임을 요구하는 위계적 조직에서 관리자는 불확실한 시스템을 팀에 권하기 어렵습니다. 에이전트 실패가 실적과 평판에 직접 반영되는데 실험시간과 결정권은 주지 않으면 가장 안전한 선택은 사용을 형식화하는 것입니다. 주간 사용자 수는 늘어도 중요한 업무는 기존 방식으로 처리됩니다.

중간관리자 KPI에서 일정 기간 기존 생산량 목표를 조정하고, 안전한 실패와 업무 재설계를 평가해야 합니다. AI 전환의 성과를 부서장이 아니라 업무흐름 단위로 공동 평가하는 것도 방법입니다.

셋째, 제조·금융·의료는 범용 에이전트보다 제한된 자율성이 먼저입니다

한국이 강점을 가진 제조, 반도체, 금융, 의료는 오류비용과 규제가 큽니다. 이 영역에서 “범용 에이전트 전사 배포”는 적절한 출발점이 아닐 수 있습니다. 추적 가능한 데이터, 명확한 규칙, 복구 가능한 행동을 가진 좁은 업무부터 T0, T1, T2를 순서대로 통과해야 합니다.

현장의 오래된 시스템과 비정형 문서는 기술비용을 높이지만 동시에 외부 공급자가 쉽게 복제하기 어려운 업무지식입니다. 현업이 실패 사례를 평가세트로 만들고 SOP와 함께 축적하면 도입 과정 자체가 조직의 데이터 해자가 될 수 있습니다.

넷째, 인력에 대한 모호함은 신뢰를 빠르게 소진합니다

기업이 AI 생산성을 강조하면서 인력 감축 가능성에는 답하지 않으면 직원은 교육을 자신의 업무를 이전하는 과정으로 볼 수 있습니다. 회사가 모든 역할을 보장할 수는 없습니다. 그러나 자동화 이익을 어디에 재투자하고 어떤 재교육과 이동 경로를 제공하며, 언제 어떤 기준으로 인력 결정을 내릴지는 설명할 수 있습니다.

투명한 원칙은 부정적 소식이 없다는 뜻이 아닙니다. 직원이 학습과 제안에 참여해도 불리하지 않다는 믿음을 만드는 것입니다. 에이전트의 오류를 공개한 사람이 책임을 지고 숨긴 사람이 단기 실적을 지키는 조직에서는 평가 데이터도 오염됩니다.

가장 강한 반론: 아직 제품이 충분히 좋지 않은 것 아닙니까

그렇습니다. 상당수 업무에서는 맞는 반론입니다. 변화관리의 부족을 강조하는 공급자와 컨설팅 회사는 기술의 한계를 고객 조직의 저항으로 돌릴 유인이 있습니다. 품질이 낮고 지연이 길며 보안과 관측이 부족한 제품을 직원 교육으로 해결할 수는 없습니다.

맥킨지의 2026년 AI 신뢰 조사에서 응답 기업의 약 3분의 2는 보안과 위험을 에이전트의 전면 확장을 막는 최상위 장벽으로 꼽았습니다. 부정확성은 74%, 사이버보안은 72%가 관련 위험이라고 답했습니다. 전략, 거버넌스, 에이전트 통제에서 성숙도 3단계 이상인 조직은 약 30%에 불과했습니다. 이 조사 역시 AI 거버넌스와 투자 책임자 약 500명의 자기보고에 기반하므로 사고율이나 시장 전체의 준비도를 확정하는 통계는 아닙니다. 그래도 통제의 미성숙이 실제 장벽이라는 점은 분명합니다.

반대로 기술이 더 좋아질 때까지 기다리는 전략도 완전하지 않습니다. 더 좋은 모델은 불명확한 승인권, 분절된 데이터, 낡은 KPI, 불투명한 인력계획을 고치지 않습니다. 조직이 평가세트와 실패 로그, 업무 오너십을 만들지 않으면 다음 모델이 나와도 성능 향상을 검증할 기반이 없습니다.

따라서 정확한 결론은 “기술보다 사람이 중요하다”가 아닙니다.

기술 신뢰성이 배포 가능한 하한선을 만들고, 업무와 인간 시스템이 그 기술을 실제 가치로 전환합니다.

기술이 하한선 아래면 중단해야 합니다. 하한선을 넘었는데도 가치가 없다면 프로세스, 권한, 검토부담, 인센티브를 봐야 합니다. 둘을 구분하는 능력이 에이전트 도입의 핵심 경영역량입니다.

무엇이 이 접근을 실패하게 만드는가

다음 조건에서는 A-E 프레임과 90일 계획도 형식적인 변화관리로 끝날 수 있습니다.

1. 업무 결과의 오너가 없습니다. AI팀이 데모를 만들지만 현업 손익을 책임지는 사람이 없습니다.
2. 성공 기준을 배포 뒤 정합니다. 좋은 사례만 골라 완료로 세고 실패는 사람의 문제로 분류합니다.
3. 검토비용을 공짜로 봅니다. API 비용은 재지만 직원이 다시 읽고 고치는 시간은 측정하지 않습니다.
4. 인력 질문을 무기한 미룹니다. 재배치와 경력경로 없이 생산성만 말합니다.
5. 리더는 예외가 됩니다. 실무자에게 사용을 요구하면서 임원 업무와 의사결정은 바꾸지 않습니다.
6. 파일럿 수가 성과가 됩니다. 중단할 실험을 살려두고 학습보다 발표자료를 최적화합니다.
7. 자율성을 모델 이름으로 결정합니다. 실제 업무 평가와 복구 가능성 없이 최신 모델이라는 이유로 권한을 줍니다.
8. 모델 변경을 운영 변경으로 취급하지 않습니다. 버전과 도구가 바뀌어도 평가와 승인을 다시 하지 않습니다.

중단 기준도 미리 정해야 합니다. 심각한 실패가 허용치를 넘거나, 사람 검토시간을 포함한 총비용이 기준선보다 높거나, 업무 오너가 권한과 KPI 변경을 거부하거나, 필요한 데이터에 합법적으로 접근할 수 없다면 파일럿을 확장하지 않아야 합니다. 중단은 실패가 아니라 자원을 더 나은 업무로 이동시키는 포트폴리오 판단입니다.

맺으며

맥킨지의 1:3:5가 던지는 메시지는 단순합니다. 기업은 눈에 보이는 기술 구매에 돈을 쓰고, 눈에 덜 보이는 업무 재설계와 사람의 전환에는 충분히 투자하지 않습니다. Awareness, Belief, Commit, Develop, Enforce의 다섯 단계는 그 누락을 복구하는 유용한 지도입니다.

그러나 지도는 운영체제가 아닙니다. 1:3:5는 검증된 보편 예산공식이 아니며, 익명 기업 사례는 정량적 성공을 증명하지 않습니다. 직원의 불신도 모두 문화 문제는 아닙니다. 긴 업무에서 오류가 증폭되고, 보안과 평가가 미성숙하며, 통제권 없이 책임을 질 수 있다는 합리적인 우려가 있습니다.

그래서 에이전트 도입은 두 문장을 동시에 붙들어야 합니다.

좋은 기술 없이 신뢰를 요구할 수 없습니다.

좋은 기술만으로 일하는 방식을 바꿀 수 없습니다.

기업이 해야 할 일은 전 직원에게 에이전트 계정을 나눠주는 것이 아닙니다. 하나의 중요한 업무를 끝에서 끝까지 선택하고, 성공과 실패를 측정하며, 사람과 에이전트의 의사결정권을 다시 정하고, 중간관리자에게 시간과 권한을 주고, 결과당 비용과 가치를 손익에 연결하는 것입니다.

에이전트 시대에 가장 강한 기업은 가장 많은 모델을 도입한 기업이 아닐 것입니다. 실패를 가장 빨리 평가 데이터로 바꾸고, 업무 규칙과 권한을 가장 빠르게 고치며, 확보한 시간을 새로운 가치로 재배치하는 기업일 가능성이 높습니다. 도입 격차는 직원의 마음속에만 있는 것이 아닙니다. 기술, 프로세스, 책임, 보상 사이에 있습니다. 그 연결을 다시 설계할 때 비로소 에이전트는 데모를 넘어 기업의 생산 시스템이 됩니다.

---

주요 공개 자료

• McKinsey & Company, How to close the agentic adoption gap, 2026년 8월 7일.
• McKinsey & Company, The state of AI in 2025: Agents, innovation, and transformation, 2025년 11월 5일.
• McKinsey & Company, From adoption to impact: Three horizons of AI transformation, 2026년 7월 8일.
• McKinsey & Company, The State of Organizations 2026, 2026년.
• McKinsey & Company, State of AI trust in 2026: Shifting to the agentic era, 2026년 3월 25일.
• METR, Measuring AI Ability to Complete Long Tasks 및 Limitations in Current Interpretations of the Time Horizon Results, 2026년 5월 8일 및 1월 22일.
• LangChain, State of Agent Engineering, 2026년.
• National Bureau of Economic Research, Measuring the Productivity Impact of Generative AI, 2023년 6월.

본 글의 설문 수치는 각 기관이 공개한 표본과 자기보고에 기반하며 인과관계를 직접 증명하지 않습니다. 맥킨지의 1:3:5와 익명 기업 사례는 전환 방향을 설명하는 경험칙과 사례로 해석했으며, 보편적인 예산 기준이나 독립 검증된 성과로 사용하지 않았습니다. 신뢰성 누적 표는 단계별 실패가 독립적이고 성공확률이 동일하다는 단순 가정의 예시입니다.