“AI가 일하기 시작했다, 기업은 무엇이 달라졌나”…씽킹AI 서밋 2026, AI 에이전트의 실전 성적표

AI를 활용하면 보고서를 작성하고 데이터를 분석하는 시간이 크게 줄어든다. 코드를 직접 작성하지 않아도 서비스를 구현할 수 있고, 고객 행동을 분석해 다음 마케팅 활동까지 제안하는 AI 에이전트도 등장했다. 그런데 직원들이 더 빠르게 일하는 만큼 기업의 매출과 수익성도 개선되고 있을까. 여러 부서가 AI를 도입했는데도 의사결정과 실행에 걸리는 시간은 여전히 길다면 무엇을 바꿔야 할까. AI 기술의 발전 속도와 기업이 실제로 변화하는 속도 사이의 간극이 새로운 과제로 떠올랐다.

에이전틱 AI 플랫폼 기업 씽킹AI(ThinkingAI)가 20일 서울 강남구 섬유센터에서 개최한 ‘ThinkingAI Summit Seoul 2026(TAS 2026)’은 이러한 문제를 현장의 경험과 데이터로 살펴보는 자리였다. 올해로 4년째 이어진 이번 행사는 ‘Agentic Growth’를 주제로 AI를 업무에 적용한 기업들이 어떤 변화를 경험했으며, 그 결과를 조직의 생산성과 사업 성과로 연결하기 위해 무엇이 필요한지 다뤘다.

금융, 게임, 콘텐츠, 데이터 분석 등 다양한 산업의 실무자들이 참여한 7개 세션에서는 AI 에이전트 기반 데이터 플랫폼 구축부터 소규모 조직의 분석 업무, 제품 실험 자동화, 게임 개발 방식의 변화까지 구체적인 사례가 이어졌다. 발표자들이 공통적으로 제기한 문제는 AI를 얼마나 많이 도입했느냐보다 기업의 업무가 실제로 얼마나 달라졌느냐였다.

AI 도입은 늘었지만 수익성 개선은 별개…기업의 업무 구조부터 바꿔야

첫 발표에 나선 서광덕 씽킹AI 한국 지사장은 ‘AI가 빨라졌는데, 왜 비즈니스는 아직 느린가’라는 질문으로 발표를 시작했다. AI로 개인의 업무 속도는 높아졌지만 그 효과가 기업의 실질적인 성과로 이어지는 과정에는 여전히 해결해야 할 문제가 많다는 것이다. 맥킨지의 2026년 조사에 따르면 응답자 10명 중 8명은 AI를 통해 개인 생산성이 향상됐다고 답했지만, AI가 영업이익에 기여했다고 응답한 기업은 37%에 그쳤다. MIT NANDA의 2025년 분석에서도 기업 생성형 AI 파일럿 프로젝트의 95%가 측정 가능한 손익 개선 효과를 내지 못한 것으로 나타났다. AI 활용이 늘어나는 속도에 비해 기업이 확인할 수 있는 재무적 성과는 제한적이라는 의미다.

그는 구축과 지속적인 운영, 수익화의 세 단계에서 그 원인을 찾았다. AI를 이용하면 짧은 시간 안에 시제품을 만들 수 있지만 실제 기업 서비스에 적용하려면 데이터의 정의와 접근 권한, 예외 상황 처리, 기존 시스템과의 연동까지 검토해야 한다. 어렵게 구축한 시스템도 새로운 모델이 등장하거나 담당자가 바뀔 때마다 다시 개발해야 한다면 장기적인 운영이 쉽지 않다. 무엇보다 도입 이후 매출과 비용, 고객 행동에서 어떤 변화가 나타났는지 측정할 수 없다면 AI에 투자한 효과를 판단하기 어렵다.

기업들이 AI 도구를 추가하는 데 집중하기보다 데이터와 업무의 맥락을 먼저 정리해야 하는 이유다. 서 지사장은 이를 설명하기 위해 게임 서비스의 일간활성이용자(DAU)가 갑자기 감소하는 가상 상황을 제시했다.

기존 방식에서는 담당자가 데이터를 요청하고 분석 결과를 전달받은 뒤 여러 부서가 대응책을 협의해야 하기에 AI 분석 도구를 도입하더라도 분석 이후의 업무가 분리돼 있다면 전체 처리 시간은 크게 달라지지 않는다. 반면 AI 에이전트가 이상 징후를 감지하고 원인을 추적해 대응안을 제시한 뒤 담당자의 승인을 받아 실행하고 결과까지 확인한다면 분석과 의사결정 사이의 대기 시간을 줄일 수 있다.

이처럼 감지와 분석, 판단, 실행, 결과 검증을 하나의 흐름으로 연결하는 것이 씽킹AI가 제시한 ‘그로스 루프(Growth Loop)’다. 이를 구현하는 플랫폼 ‘Agentic Engine’은 데이터의 의미를 해석하는 시맨틱 레이어를 기반으로 AI 에이전트가 업무 상황을 이해하고, 승인된 범위에서 실행한 결과를 다시 분석하도록 설계됐다. 핵심은 개별 프로젝트를 진행할 때마다 처음부터 다시 개발하는 대신 기업이 축적한 업무 지식과 판단 기준을 다음 실행에 활용하는 데 있다. AI가 분석과 반복 업무를 수행하더라도 중요한 판단과 승인은 사람의 몫이다. 결국 AI의 발전 속도가 곧 기업의 성장 속도를 의미하지는 않는다. 기술을 이해하고 실행 결과를 다음 의사결정에 반영하는 조직의 역량이 뒷받침돼야 비즈니스의 속도도 빨라질 수 있다는 것이다.

넥스트증권·언더독스·클래스101…AI 도입 이후 실제로 달라진 업무

이어진 발표에서는 AI 에이전트를 업무에 적용하면서 얻은 성과뿐 아니라 예상하지 못했던 시행착오도 공개됐다. 공통적으로 드러난 변화는 사람이 직접 수행하던 분석과 개발 작업의 일부를 AI가 맡으면서 업무 처리량이 늘어났지만, 그만큼 결과를 검증하고 관리하는 체계도 중요해졌다는 점이다.

서동진 넥스트증권 AI 데이터플랫폼팀 팀장은 데이터 엔지니어 한 명으로 시작해 AI 에이전트와 함께 데이터 플랫폼을 구축한 경험을 소개했다. 인프라와 데이터 파이프라인을 코드로 관리하고 개발 작업의 일부를 AI에 맡기면서 업무 처리량을 높였지만 처음부터 순조로웠던 것은 아니었다.

AI가 생성한 코드를 충분히 이해하지 못하거나 작동 여부만 확인한 채 다음 작업으로 넘어가면서 문제가 발생했다. 개발 속도를 높이는 것만으로는 안정적인 운영을 보장하기 어려웠던 셈이다. 하지만 이 문제를 해결하기 위해 넥스트증권은 개발 결과와 함께 작업을 요청한 의도, 검토한 대안, 기술적 판단과 시행착오를 기록하는 ‘마스터 레포’ 체계를 마련했다. AI 에이전트가 이전 결정과 교훈을 참고하도록 하고, 규칙 위반 여부는 자동 검증 시스템에서 확인하는 방식이다.

발표 자료에 따르면 하루 평균 병합된 코드 변경 요청(PR)은 8월 1.4건에서 10월 14.6건으로 증가했다. 다만 서 팀장은 이 수치가 곧 생산성 10배 향상을 뜻하지는 않는다고 선을 그었다. 작업 규모와 자동화 수준도 함께 달라졌기 때문이다. AI가 코드를 생성하는 속도가 빨라질수록 사람이 그 결과를 이해하고 검증할 수 있는 기반이 필요하다는 경험이었다.

소규모 조직의 데이터 활용 사례도 관심을 모았다. 강민석 언더독스 공동창업자는 평균 경력 18년의 6인 팀이 개발·서비스 중인 게임 ‘Polaris: Crown Legacy’에 AI 에이전트를 적용한 경험을 공유했다.

기존 데이터 분석 도구에 AI 에이전트를 결합하면서 분석 요청부터 결과 확인까지 걸리는 시간이 줄었고, 이용자 행동을 바탕으로 실제 게임 콘텐츠를 개선하는 과정에도 변화가 생겼다.

대표적인 사례가 고과금 이용자의 이탈 문제다. 게임 내 전투에서 전투력의 46%를 잃은 뒤 이탈한 이용자의 행동을 분석한 결과, 유사한 경험을 한 다른 이용자들에게서도 반복되는 문제가 확인됐다. 다른 요인이 이탈에 영향을 미쳤을 가능성까지 검토한 뒤 전사한 병사가 일정 시간이 지나면 돌아오는 ‘신전’ 콘텐츠를 기획했다. 이용자 행동을 분석하고 개선안을 확정하기까지 걸린 시간은 3일이었다.

다만 모든 업무를 AI에 맡기지는 않았다. 데이터 수집과 검증, 분석, 마케팅, 개발 등의 역할을 에이전트별로 구분하되 운영 데이터베이스 접근과 최종 코드 반영 권한은 제한했다. AI가 문제를 발견하고 해결 방안을 제시할 수 있어도 실제 서비스에 적용하는 결정은 사람이 내리는 구조다.

클래스101은 AI가 제품팀의 실험 속도를 어떻게 바꿨는지 보여줬다. 하길우 클래스101 제품전략팀 리드는 분석가 2명과 함께 전사적으로 활용할 수 있는 AI 데이터 분석 환경을 구축한 경험을 소개했다.

먼저 데이터 마트를 정리한 뒤 구성원들이 자연어로 질문하면 AI가 필요한 데이터를 조회하고 지표의 정의와 해석할 때 주의할 점까지 제시하도록 설계했다. 핵심 설정 작업에는 3~4일이 걸렸으며, 기존에 분석가에게 요청해야 했던 업무를 현업 구성원이 직접 수행할 수 있게 됐다.

실험 결과를 확인하고 다음 실행안을 마련하는 과정도 빨라졌다. 발표 자료에 따르면 실험을 통해 학습 결과를 얻는 데 걸리는 시간은 기존 3일에서 1일로 단축됐다.

하지만 분석 속도가 빨라졌다고 모든 문제가 해결된 것은 아니었다. 여러 구성원이 각자 AI에 질문해 서로 다른 결과를 받아들이면 오히려 조직 내 혼란이 커질 수 있기 때문이다. 하 리드는 AI를 통해 질문에 답하는 비용이 낮아진 만큼 무엇을 검증할 것인지 명확하게 정하고, 공통된 데이터와 지표를 기준으로 팀이 판단하는 과정이 필요하다고 봤다.

세 기업의 사례는 AI가 개별 업무의 처리 시간을 줄이는 데서 한 걸음 더 나아가고 있음을 보여줬다. 넥스트증권은 개발 과정의 판단과 기록을 축적했고, 언더독스는 이용자 행동 분석을 실제 콘텐츠 개선으로 연결했으며, 클래스101은 제품 실험의 반복 주기를 단축했다. 적용 분야는 달랐지만 데이터가 다음 업무로 이어질 수 있도록 구조를 바꿨다는 공통점이 있었다.

게임 개발 20일에서 1일로…AI가 바꾸는 제작과 의사결정

AI 에이전트의 활용 범위는 데이터 분석을 넘어 마케팅 실행과 콘텐츠 개발로 확장되고 있었다.