커니는 선도적인 기술 혁신 기업 및 포춘 글로벌 500대 기업의 75%와 협력하고 있으며, 이를 바탕으로 AI가 비즈니스를 어떻게 근본적으로 재편하고 있는지 현장에서 직접 확인하는 독보적인 통찰력을 보유하고 있다.
본 보고서는 얼라이언스 파트너들과 컨설팅 리더들이 전망하는 2026년 AI 트렌드를 제시한다.
요약: ‘실험’에서 ‘전사적 지능화’로의 진화
수년 간의 파일럿 프로젝트와 생산성 실험을 거친 후, AI에 대한 야심과 실행 사이에는 결정적인 격차가 나타났다. S&P 글로벌 마켓 인텔리전스에 따르면, 작년 한 해 동안 AI 개념 증명(PoC)의 46%가 배포되기도 전에 폐기되었다. 이 장벽을 돌파하고 있는 조직들은 공통된 접근 방식을 공유한다. 바로 전체 가치 사슬에 걸쳐 지속적으로 감지하고, 추론하며, 행동하는 통합된 '의사결정 구조(Decision Fabric)'를 구축하는 것이다. 이제 경쟁 우위는 인간의 전문성, 독점 데이터, 그리고 자율 시스템을 얼마나 지능적으로 조율하여 지속적인 비즈니스 임팩트를 창출하느냐에 달려 있다.
2026년, 기업들이 AI에 접근하는 방식에는 근본적인 변화가 일어나고 있으며, 다음의 세 가지 동력이 이러한 진화를 이끌고 있다.
기업용 에이전트 플랫폼의 성숙
이제 AI 시스템은 다단계 워크플로우를 조율하고, 맥락에 따른 의사결정을 내리며, 관리된 경계 내에서 반자율적으로 작동할 수 있다. 이는 AI의 역할을 단순한 업무 자동화에서 정교한 프로세스 혁신으로 격상시킨다.
AI 경제학의 근본적 변화
모델 접근성이 대중화됨에 따라, 차별화의 핵심은 데이터 품질, 도메인 전문성, 그리고 통찰력을 대규모로 실행에 옮기는 운영 역량으로 이동했다.
신뢰 및 거버넌스의 필수 요건화
규제 당국의 조사, 운영 리스크, 윤리적 고려 사항은 투명하고 감사 가능한 AI 시스템을 요구한다. 조직은 시작 단계부터 관찰 가능성, 통제, 그리고 인간의 감독을 고려하여 설계해야 한다.
통제되고 투명한 AI를 핵심 워크플로우에 성공적으로 내재화하는 기업은 성장, 효율성, 회복 탄력성 측면에서 전례 없는 성과를 거둘 것이다. AI 도입의 성공을 목표로 하는 모든 조직에 있어 진척도를 증명하는 선행 지표 설정, 명확한 기준점 수립, 그리고 지속적인 성과 추적은 무엇보다 중요하다.
에이전틱 AI, 기업 운영 모델의 근본적 재편
에이전틱 AI(Agentic AI) 시장은 가파른 성장세를 보이며 2025년 104억 1,000만 달러 규모에 이르는 것으로 추정된다. 2030년까지는 연평균 45% 성장하여 526억 달러 규모의 시장을 형성할 것으로 예상된다. 이러한 모멘텀은 복잡한 워크플로우를 자동화하고 운영 비용을 절감하며, 인력 증원 없이도 운영 규모를 확장해야 하는 기업들의 시급한 요구를 반영한다.
하지만 광범위한 관심에도 불구하고, 통합의 복잡성, 보안 요구사항, 인프라 준비 상태 등의 문제로 인해 실제 전면 도입률은 11% 수준에 머물러 있다. 진정한 장벽은 기술적 성숙도가 아니라 '아키텍처적 사고'의 부재다. 선도적인 기업들은 고립된 파일럿 단계를 넘어 ‘통합 의사결정 체계(Decision Fabric)’로 나아가고 있다. 이는 관리된 데이터, 목적에 적합한 모델, 그리고 수익·비용·리스크·고객 경험 전반에서 지속적으로 감지하고 추론하며 실행하는 에이전틱 워크플로우가 그물망처럼 연결된 구조를 의미한다.
규모에 맞는 가치를 창출하기 위해서는 다음의 다섯 가지 핵심 기둥이 유기적으로 작동해야 한다.
1. 데이터 플레인(Data plane)
구조화된 콘텐츠와 비구조화된 콘텐츠를 포괄하며, 데이터의 생성 및 변경 이력(lineage)이 추적되는 고품질 데이터 프로덕트
2. 모델 플레인(Model plane)
대규모언어모델(LLM)과 기존 머신러닝(ML)으로 구성된 관리된 포트폴리오
기업 지식에 기반한 검색 증강 생성(RAG)이 결합되어 있으며, 중요한 의사결정에는 인간의 개입(Human-in-the-loop)이 포함됨
3. 오케스트레이션(Orchestration)
감사(Auditable) 가능한 상태를 유지하면서 다단계 업무를 자동화하는 에이전틱 패턴(계획 → 실행 → 비판 → 학습)
4. LLM 옵스(LLM ops)
평가, 텔레메트리(원격 측정), 버전 관리 및 비용 거버넌스를 통해 생성형 AI를 반복 가능하고 경제적으로 만들기
5. AI 오피스(AI office)
여러 사업부 간의 수요 수렴, 우선순위 설정, 전달 및 성과 측정을 표준화하는 운영 모델
2026년, AI는 표준화되고 관리되며 가치가 추적되는 기업의 의사결정 체계로 자리 잡을 것이다. 이를 통해 일상적인 업무는 지속적으로 최적화되고 감사가 가능한 워크플로우로 변모하며, 결과적으로 기업의 성장, 수익성, 그리고 고객의 신뢰를 제고할 것이다.
커니 파트너, 브렌트 스몰린스키(Brent Smolinski)는 다음과 같이 진단한다.
“기업용 에이전틱 AI 플랫폼이 성숙해짐에 따라 업무 그 자체가 재편되는 양상을 목격하고 있다. 핵심 프로세스는 선형적인 역할 기반 워크플로우에서 AI 에이전트가 일상적인 의사결정을 처리하고 인간이 판단, 조정, 부서 간 문제 해결을 위해 개입하는 역동적인 이벤트 기반 시스템으로 전환되고 있다. 진정한 기회는 단순한 효율성 향상에 그치지 않는다. 조직은 더 수평적으로 변하고 인재 모델은 더욱 유동적으로 바뀌며, AI는 모든 직원이 업무를 수행함과 동시에 지속적으로 숙련도를 높여주는 역할을 하게 될 것이다. 또한 에이전틱 플랫폼은 지속적인 학습 동반자로써 직원이 새로운 기술을 습득하는 속도를 높여줄 것이다. 결론적으로 이는 업무가 수행되는 방식과 조직이 설계되는 방식의 근본적인 재편을 의미한다.”
안전장치 우선: 투명성과 거버넌스 확보를 통한 신뢰 구축
AI 에이전트가 기업의 의사결정 과정에서 더 큰 자율성을 갖게 됨에 따라, “조직이 이러한 시스템의 작동 방식과 이유를 어떻게 지속적으로 파악할 것인가?”라는 핵심적인 질문이 제기되고 있다. 기업의 AI에 대한 신뢰는 증거와 통제를 통해 점진적으로 확보될 것이다. 에이전트가 실질적인 의사결정을 내리게 됨에 따라, 조직은 AI를 대규모로 추적하고 관리 가능하도록 유지하기 위해 인간과 기계가 모두 읽을 수 있는 추론 과정, 데이터, 그리고 실행 기록을 필요로 할 것이다.
동시에, 거버넌스는 실시간 ROI, 리스크, 그리고 도입 신호를 기반으로 AI 이니셔티브의 우선순위를 동적으로 설정하고 폐기하는 실행 계층으로 진화하고 있다.
1. 작업 증명, 신뢰할 수 있는 AI의 토대
컴퓨팅 역사의 대부분 동안 인간과 기계 사이의 분업은 명확했다.
기계는 코드, 워크플로우, 규칙을 통해 표현되는 명시적이고 결정론적인 논리, 즉 ‘구조화된 시스템’을 실행했다. 반면 인간은 판단력, 창의성, 맥락 파악, 의미 부여와 같은 ‘비구조화된 능력’을 제공했다. 그 경계는 선명하고 안정적이었다.
동시에 역사적으로 중요한 점은 인간이 비구조화된 결과물(예: 서술형 보고서, 파워포인트 덱, 전략 브리프)을 생성했을 때, 그것이 컴퓨팅의 종착점이었다는 사실이다. 기계는 해당 파일을 저장하거나 서식을 맞출 수는 있었지만, 그 내용을 해석할 수는 없었다. 반대로 인간이 스프레드시트나 데이터베이스와 같은 구조화된 결과물을 만들었을 때는 인간과 기계 모두가 이를 읽고 조작하며 검증하는 것이 가능했다.
반구조화된 콘텐츠를 해석하고 생성할 수 있는 대규모언어모델(LLM)의 등장은 이러한 과거의 구분을 무너뜨리고 있다. 이제 LLM은 구조화된 데이터와 일반 문장 사이에 놓인 결과물들을 분석하고 생성할 수 있다. 더 중요한 것은 ‘툴 콜(Tool calls)’을 통해 이러한 결과물에 대해 데이터 쿼리, 분석 실행, 작업 트리거 등의 연산을 호출할 수 있다는 점이다. 이를 통해 AI는 이전에는 오직 인간만이 읽을 수 있었던 작업물들에 관여할 수 있게 되었다. 즉, 반구조화된 시스템은 양측이 함께 작업하고 실행할 수 있는 ‘공유된 표현 계층’을 형성한다.
소프트웨어 개발은 이러한 경계가 무너진 첫 번째 영역이다. Copilot, Cursor 및 기타 코딩 에이전트들이 인기를 얻은 이유는 간단하다. 그 결과물이 ‘코드’이기 때문이다. 컴퓨터와 프로그래머 모두 코드를 해석할 줄 안다.
AI가 코드를 작성하면, 인간과 기계는 무엇이 일어났고 왜 그렇게 되었는지 함께 평가할 수 있다.
이러한 변화는 흔히 작업 증명(Proof of Work)이라 불리는 개념을 잘 보여준다. 스파크 캐피털(Spark Capital)의 프레이저 켈튼(Fraser Kelton)이 명명한 이 용어는, AI 시스템이 무엇을 왜 수행했는지에 대해 인간과 에이전트가 해석 및 검증 가능한 방식으로 표현한 것을 의미한다.
이러한 패턴은 빠르게 확산되고 있다. AI가 연구, 기획, 의사결정 지원, 전략 탐색에 참여함에 따라, 조직은 팀 간에 추론 과정을 명확히 공유할 수 있는 ‘작업 증명 산출물’을 요구하게 될 것이다. 그로스 시그널(Growth Signals)의 혁신 팀들은 이러한 결과물 자체가 공유 워크스페이스가 되기 때문에 새로운 개념을 자신 있게 개발한다. 팀원들은 AI의 분석에 의문을 제기하고, 새로운 소스를 추가하며, 논리를 다듬을 수 있다. 그러면 AI는 이러한 변화를 해석하여 그 위에 결과물을 다시 쌓아 올린다. 인간과 기계가 함께 읽고 평가하며 수정할 수 있는 캔버스는 어느 한쪽도 단독으로는 만들어낼 수 없는 결과물을 탄생시킨다. 작업 증명은 불투명한 생성을 인간의 판단력과 기계의 능력이 결합된 협력적 인지로 전환시킨다.
2026년 말에 이르면, 이러한 변화를 수용하는 기업들은 더욱 투명하고 협력적이며 적응력 있는 AI 시스템을 통해 지식 노동의 생산성을 획기적으로 높이게 될 것이다.
2. 책임감 있는 AI, 거버넌스 체계로의 진화
기업의 AI 도입이 가속화됨에 따라, 거버넌스는 기업의 신뢰와 지속 가능한 ROI를 위한 초석이 되었다. 명확한 감독, 투명한 운영, 그리고 지속적인 모니터링이 뒷받침되지 않은 AI 도입은 운영 및 컴플라이언스, 그리고 윤리적 리스크를 초래하여 신뢰를 떨어뜨리고 확장성을 제한할 수 있다. 과제는 명확하다. 파편화된 실험 단계의 AI를 신뢰할 수 있는 고가치 역량으로 전환하기 위해서는 강력한 거버넌스, 관찰 가능성, 그리고 생애주기 제어가 필수적이다.
책임감 있는 AI를 구현하려면 서비스나우(ServiceNow)의 AI 컨트롤 타워와 같이 에이전트, 모델, 프롬프트, 데이터셋, 워크플로우 등 모든 AI 자산이 어디서 작동하든 통합된 가시성을 확보해야 한다. 조직은 AI가 어디서 실행되고 어떻게 행동하는지, 그리고 생산성, 매출, 고객 경험 및 리스크에 어떤 영향을 미치는지 전 과정을 관찰할 수 있어야 한다. 이를 위해 내부 AI 도입 뿐만 아니라 플랫폼, 클라우드 환경, 벤더 생태계 전반에 분산된 솔루션까지 추적하고 관리할 수 있는 '단일 진실 공급원(Single source of truth)'이 필요하다.
선도적인 기업들은 AI 거버넌스를 기존의 비즈니스 서비스 관리와 통합하고 리스크 및 컴플라이언스 워크플로우를 내재화함으로써, 준거성을 갖춘 투명한 AI 운영을 위한 공신력 있는 기록 시스템을 구축하고 있다. 이를 통해 정책, 책임 소재, 비즈니스 정렬이 내부 및 외부 AI 환경 모두에 일관되게 적용된다.
AI 부문 우수사례 센터(CoE, Center of Excellence)에 있어 이러한 제어 계층은 필수 불가결하다. 전략, 거버넌스, 실행을 하나로 통합함으로써 정책, 리스크 통제, 생애주기 프로세스 및 안전장치를 한 번만 정의하면 IT, HR, 고객 서비스 등 모든 비즈니스 영역과 외부 AI 제공업체에 보편적으로 적용할 수 있다. 이를 통해 CoE는 단순 자문 기능을 넘어, AI 워크로드가 어디에 있든 ROI를 추적하고 모델의 성능 저하 및 에이전트 성과를 모니터링하며 컴플라이언스나 윤리적 리스크에 신속히 대응하는 '운영 지능 허브'로 진화하게 된다.
또한 효과적인 거버넌스는 조직이 책임감 있게 AI를 확장할 수 있게 한다. 에이전틱 운영을 조율하고 이를 기업의 우선순위에 맞춤으로써, 팀은 중복되거나 승인되지 않은 '섀도우 AI(Shadow AI)'를 제거하고 가치가 높은 이니셔티브에 집중하며 여러 에이전트 간의 복잡한 상호작용을 조정할 수 있다. 전사적 AI 시스템을 아우르는 포괄적인 가시성, 거버넌스, 생애주기 관리 및 오케스트레이션을 통해 기업은 신뢰할 수 있고 측정 가능하며 확장이 가능한 '데이터 중심 AI 운영 모델'을 완성할 수 있다.
3. 개방형 표준, 에이전틱 생태계의 동력
에이전틱 프레임워크의 표준화는 2026년 기업들이 AI 도입에 접근하는 방식을 근본적으로 재편하고 있다. 개방형 상호운용성 프로토콜로의 수렴은 상호운용성, 확장성, 그리고 통합 복잡성 감소에 대한 절박한 시장 요구에 따른 중요한 변곡점을 의미한다.
상호운용 가능한 프로토콜이 없다면, 에이전트와 도구, 혹은 에이전트 간의 모든 상호작용마다 개별적인 통합 작업이 필요하게 된다. 이는 성숙도를 늦추고 기회비용을 증가시키는 확장성의 병목 구간을 만든다. 모델 컨텍스트 프로토콜(MCP)과 같은 개방형 표준은 이러한 통합 오버헤드를 제거하여, 조직이 기술적인 연결 작업보다는 비즈니스 가치에 집중할 수 있게 해준다. 초기 도입 기업들은 이미 다음과 같은 측정 가능한 성과를 거두고 있다.
- 전사적 자원 관리(ERP) 시스템의 수동 예외 처리 작업 60~80% 감소
- 다양한 산업 분야의 AI 에이전트 도입을 통한 20~60%의 생산성 향상
- 에이전틱 AI가 일반적인 고객 서비스 이슈의 80%를 자율적으로 해결함에 따라 2029년까지 운영 비용 30% 절감 예상
- 업무 의사결정 자동화 비중이 2024년 0%에서 2028년까지 15%로 증가 예상
2026년의 에이전트 설계는 단순히 하나의 똑똑한 모델을 만드는 것이 아니라, 개방적이고 상호운용 가능한 생태계를 활용하는 것에 가깝다. MCP와 같은 표준은 일관된 통신을 보장하고, 에이전트 간 프로토콜은 자율 시스템 간의 협업을 가능하게 한다. 오케스트레이션 프레임워크는 워크플로우를 조정하며, 기업용 플랫폼은 안전하고 확장 가능한 인프라를 제공한다.
비즈니스 성과가 이러한 접근 방식의 정당성을 입증한다. 리프트(Lyft)는 고객 및 드라이버 지원 요청의 평균 처리 시간을 87% 단축했다. 톰슨 로이터(Thomson Reuters)는 매달 150만 줄의 코드를 현대화하여 속도를 4배 높이는 동시에 비용을 30% 절감했다.
개방형 표준은 상호운용 가능한 생태계의 토대를 만든다. AWS와 같은 하이퍼스케일러는 보안 인프라와 기초 서비스를 제공하고, 독립 소프트웨어 벤더(ISV)는 수직적 솔루션에 에이전틱 역량을 내재화하며, 시스템 통합업체(SI)는 거버넌스와 신뢰를 보장하면서 기업이 조직적 복잡성을 해결하도록 돕는다. 개방형 표준으로 강화된 이러한 파트너십은 더 빠른 혁신, 규모 있는 도입, 그리고 복잡한 비즈니스 과제를 해결하는 정교한 멀티 에이전트 시스템이라는 '플라이휠 효과'를 창출한다.
2026년이 지나면서 개방형 표준은 에이전틱 AI 확장의 가장 큰 장벽이었던 '통합 복잡성'을 제거하고 있다. 이제 기업들은 자신의 솔루션이 다양한 벤더와 상호운용되고 새로운 기술과 함께 진화할 것이라는 확신을 가지고 에이전트 개발에 투자할 수 있게 되었다.
커니 파트너, 네이선 벨(Nathan Bell)은 다음과 같이 분석한다.
“AI 에이전트가 중대한 의사결정을 맡게 됨에 따라, 감독 방식 또한 단계별 개입에서 예외 상황 중심의 관리로 전환되고 있다. 거버넌스는 더 이상 단순한 관문이 아니다. 실시간 성과 신호를 기반으로 어떤 AI 이니셔티브를 확장하고, 일시 중단하며, 폐기할지를 지속적으로 평가하는 능동적인 실행 계층으로 진화하고 있다.
AI 이니셔티브에 설정된 ‘사전에 정의된’ 안전장치가 제대로 유지되고 준수되는지 보장하기 위해,
AI 거버넌스 체계 내에 인간의 개입을 유지하는 것은 여전히 매우 중요하다.”
인간과 AI의 협업: 자동화를 넘어선 증강
에이전틱 AI의 본질에 대한 재정의부터 공급망 계획의 재구상에 이르기까지, 트렌드는 명확하다. 바로 대체가 아닌 증강이 탁월한 성과를 이끈다는 점이다. AI 시스템을 자율적인 대체재가 아닌 협력적 파트너로 설계하는 조직은, 인간이 제공하는 판단력과 맥락적 이해를 유지하면서도 압도적인 성과를 창출할 수 있다.
1. 결정론적 자동화에서 확률론적 지능으로
생성형 AI 이전의 AI 시스템은 대부분 결정론적이었다. 즉, 동일한 입력값이 주어지면 매번 동일한 출력값을 내놓았다. 전문가 시스템은 사전에 정의된 작업, 규칙 기반의 워크플로우, 그리고 예측 가능한 결과를 도출하는 데 최적화되어 있었다. 이와 대조적으로 생성형 AI에 기반한 에이전틱 AI는 훨씬 더 비결정론적이다. 규칙을 활용하면서도 기본적으로는 '확률적'으로 작동한다. 즉, 가능한 여러 행동 방식을 평가한 뒤 확률, 맥락, 규칙, 그리고 목표를 종합적으로 고려하여 최적의 선택안을 결정한다.
이러한 확률론적 접근 방식은 에이전틱 AI가 더 높은 적응력과 창의성, 맥락 인식 능력을 갖추게 한다. 동일한 프롬프트가 주어지더라도 상황적 요인, 이전 단계의 작업 내용, 또는 진화하는 목표에 따라 서로 다른 응답을 생성할 수 있다. 이러한 유연성 덕분에 기존 자동화 방식으로는 불가능했던 모호하고 복잡한 상황을 처리할 수 있지만, 동시에 시스템의 신뢰성을 확보하기 위해 새로운 설계 방식과 도전 과제를 안겨주기도 한다.
에이전틱 AI의 또 다른 특징은 수동적 응답 생성을 넘어선다는 점이다. 이러한 시스템은 문제를 추론하고, 일련의 행동 계획을 세우며, 다양한 도구와 환경을 넘나들며 과업을 수행할 수 있다. 단순히 질문에 답하는 것이 아니라, 무엇을 어떤 순서로 어떻게 실행할지 스스로 결정하며, 그 과정에서 도구를 사용하거나 다른 에이전트와 협업하기도 한다. 이는 단순 반복 업무의 자동화에는 탁월하지만, 고도의 지식 노동 영역에서 에이전틱 AI는 인간의 의사결정을 완전히 대체하지 않는다. 오히려 분석을 가속화하고, 대안을 탐색하며, 인간의 시간과 주의력을 소모하는 중간 단계들을 대신 처리함으로써 인간의 역량을 증강하는 데 그 강점이 있다.
에이전틱 AI를 이해하는 데 유용한 멘탈 모델은 바로 ‘지능형 인턴’이다. 유능한 인턴처럼 AI 에이전트도 의미 있는 가치를 더할 수 있다. 정의된 경계 내에서 조사, 초안 작성, 분석, 아이디어 테스트를 수행하며 주도적으로 움직인다. 이는 수동적인 반응을 넘어 추론과 실행을 결합한 능동적인 파트너의 느낌을 준다. 그러나 여전히 가이드라인과 감독, 명확한 기대치 설정이 필요하다. 즉, 목표와 제약 조건, 품질 표준, 그리고 어느 시점에 상급자에게 판단을 넘겨야 하는지에 대한 지침이 반드시 수반되어야 한다.
에이전틱 AI가 보편화됨에 따라 기업들은 업무 설계 방식을 재고해야 한다. 초점은 개별 작업의 자동화에서 인간과 AI의 협업 오케스트레이션으로 이동할 것이다. 성공 여부는 완전한 자율성보다는 효과적인 감독, 명확한 지시, 그리고 인간과 에이전트 간의 잘 정의된 역할 분담에 달려 있다.
AI 역량의 가치를 최대한 실현하기 위해, 조직은 에이전트가 신뢰할 수 있는 팀원으로 거듭날 수 있도록 단계별 여정을 설계해야 한다.
2. 적응형 공급망: AI 에이전트가 재정의하는 공급망 기획과 '증강된' 기획자들
공급망 내 AI의 역할이 자동화에서 증강으로 이동하면서, 기획자를 괴롭히던 혼란을 제거하고 있다. 커니 파트너 P.S. 수브라마니암(Subramaniam)은 AI 에이전트가 기획자의 발목을 잡던 소음과 복잡성을 제거함으로써 기획 업무 자체를 재정의하고 있다고 강조한다. 동시 기획 환경에 내재된 AI 에이전트는 끊임없이 변화를 감지하고, 다양한 시나리오를 탐색하며, 상충 관계를 제시한다. 이때 AI는 인간의 판단을 가리는 것이 아니라 오히려 돋보이게 만드는 투명하고 관리된 시스템으로 작동한다.
미래는 인간과 AI의 진정한 파트너십을 바탕으로 한 적응형 공급망에 달려 있다. 숙련된 주생산계획(MPS) 기획자와 같은 깊이 있는 전문 지식은 점점 더 희귀해지고 있으며, 어쩌면 고급 AI 기술보다 더 구체적인 역량일 수 있다. 이러한 전문성이 AI의 지능 및 자동화와 결합될 때, 기획자들은 단순한 문제 해결 단계에서 벗어나 서비스 수준, 비용, 회복 탄력성 전반에 걸친 고부가가치 의사결정을 조율하는 역할을 수행하게 된다. 이는 게임의 판도를 근본적으로 바꾸는 변화다.
이러한 변화의 파급력은 공급망을 넘어 조직 전체로 퍼지고 있다. 커니 파트너 하겐 괴츠 하스텐토이펠(Hagen Goetz Hastenteufel)은 다음과 같이 관찰한다. “많은 기업이 지원 및 관리직 역할의 20~40%를 조용히 재편하고 있다. 이는 단순히 비용을 줄이기 위해서가 아니라 성과를 높이기 위함이다. AI가 조율과 보고 업무를 관리하기 시작하면서, 이제 핵심 질문은 ‘여전히 인간이 해야만 하는 일은 무엇인가, 그리고 그 일을 중심으로 조직을 어떻게 설계할 것인가?’가 되었다.”
가치 사슬의 재구성: 도메인 특화 AI 애플리케이션
AI가 범용적인 생산성 도구의 단계를 넘어 성숙해짐에 따라, 이제 경쟁 우위는 가치 사슬 내의 특정 기능에 지능을 내재화하는 데서 비롯되고 있다. 기업들은 독점 데이터, 도메인 전문 지식, 그리고 맥락적 이해를 결합한 특화 AI 에이전트를 실전 배치하고 있으며, 이를 통해 구매, 제조, 물류 등 각 분야의 업무 수행 방식을 근본적으로 혁신하고 있다.
1. 판단력과 데이터 : 지속 가능한 경쟁 우위의 새로운 개척지
AI가 보편화됨에 따라 기업들이 얻는 혜택이 상향 평준화되면서 뉴노멀과 경쟁의 교착 상태를 초래할 수 있다. 따라서 기업이 스스로 야망의 수준을 재설정하고, 사용하는 데이터의 품질을 높이며, 이를 해석하기 위한 전문성과 운영 모델을 어떻게 적용할지 의도적으로 결정하지 않는 한 차별화는 불가능하다.
가장 효과적인 조직은 AI를 인간의 이해를 보완하는 존재로 취급하며, 결코 대체재로 보지 않는다. 에이전트는 어떤 팀보다 빠르게 패턴과 기회를 포착할 수 있지만, 그에 따른 행동 방식을 결정하는 데는 여전히 구매, 운영, 그리고 비즈니스 맥락을 이해하는 인간의 경험과 통찰력이 필요하다. 나아가, 학습할 수 있는 기존 템플릿이 없는 상황에서 새로운 패턴과 기회를 발견하는 능력은 여전히 인간과 인간이 이끄는 팀이 압도적으로 우월하다.
베로(Beroe)의 CEO 벨 디나가라벨(Vel Dhinagaravel)은 다음과 같이 설명한다.
“기술은 모든 것을 들여다볼 수 있는 가시성을 제공하지만, 무엇이 정말 중요한지를 파악하는 판단력까지 제공하지는 않는다. 앞서가는 조직은 수많은 소음 속에서 기회를 포착하고 남들보다 먼저 행동하는 조직이다. 많은 기업이 여전히 실행의 기준점을 설정하곤 한다. 예를 들어, 50만 달러 이상의 소싱 기회나 5만 달러 이상의 비용 절감 사례만 추구하는 식이다. 하지만 적절한 데이터와 통찰력이 뒷받침된다면 이러한 한계는 사라진다. 매일 간과되고 있는 수백 개의 작은 기회들을 포착해내는 능력이야말로 진정한 지속 가능한 경쟁 우위가 실현되는 지점이다.”
전통적인 계획 수립의 지평은 급격한 변화를 맞이할 것이며, 기업들은 기회를 포착하고 즉각적으로 전략을 수정할 수 있는 동적 예산 관리 체계로 전환하게 될 것이다.
데이터의 품질은 차별화된 경쟁 우위를 결정짓는 다음 단계의 핵심 요소가 될 것이다. 공개된 데이터셋은 누구나 쉽게 접근할 수 있기 때문에 더 이상 의미 있는 차별화를 제공하지 못한다. 남들이 다 보는 정보에만 의존하는 기업은 경쟁사와 동일한 속도로 움직일 수밖에 없다. 특정 시장과 공급망의 미묘한 차이를 반영하는 정교하게 큐레이션된 독점 데이터는 시장보다 앞서 나가고자 하는 조직에 핵심적인 우위가 될 것이다. AI 에이전트의 성능은 결국 그가 접근할 수 있는 데이터의 질에 의해 결정되기 때문이다.
커니의 글로벌 전략 운영 부문 공동 리더인 수케투 간디(Suketu Gandhi)는 다음과 같이 덧붙인다.
“지속 가능한 경쟁 우위는 이제 조직이 미래를 얼마나 잘 준비하고 있는지를 측정하는 척도가 되고 있다. 앞서 나가는 역량은 끊임없는 상황 인식과 가장 중요한 일에 집중하여 실행하는 규율에서 비롯된다. 앞서가는 구매 팀들은 전통적인 KPI를 넘어 상시 최적화라는 새로운 모델로 이동하고 있다. 그 성과는 매우 고무적이다. 구매, 기획, 공급망 전반에 걸친 부서 단위의 ROI가 이제는 종종 1억 달러를 상회하는데, 이는 규모 있는 지속적 개선이 어떤 결과를 가져오는지 보여주는 이정표라 할 수 있다.”
지속 가능한 경쟁 우위는 인간의 통찰력, 도메인 전문성, 맥락화된 데이터, 그리고 첨단 기술이 유기적으로 결합될 때 완성된다. 미래는 AI를 전문 지식의 대체재가 아니라 전문성을 강화하는 역량 승수로 인식하며, 지능과 경험, 그리고 실행을 하나의 지속적인 우위의 원천으로 통합하는 조직의 것이다.
시장 및 공급업체에 관한 베로(Beroe)의 정교한 인텔리전스는 커니의 구매 및 공급망 컨설팅을 뒷받침하며, 실무 팀들이 더욱 빠르고 확신 있는 의사결정을 내릴 수 있도록 돕고 있다.
2. 피지컬 AI, 실험을 넘어 인프라로 도약
피지컬 AI는 가상 세계의 인지 능력을 넘어, 현실 세계에서 지각하고 추론하며 행동하는 '체화된 지능'으로의 패러다임 전환을 의미한다. 디지털 경계에 갇혀 있던 기존 AI와 달리, 피지컬 AI는 첨단 로보틱스, 센서 네트워크, 그리고 생성형 지능을 결합하여 역동적인 물리적 환경에서 자율적인 의사결정이 가능한 적응형 시스템을 구축한다.
이러한 진화는 이미 모빌리티, 제조 및 산업 생태계를 변화시키고 있다. 자율 주행 모빌리티 플랫폼, 예측형 공장, 그리고 생성형 AI 기반 생산 시스템은 대규모로 설계된 지능이 프로토타입을 넘어 어떻게 실질적인 비즈니스 임팩트를 창출하는지 입증하고 있다. 기업들은 디지털 트윈, 엣지 인텔리전스, 멀티모달 AI 아키텍처를 활용하여 전례 없는 수준의 실시간 대응력, 운영 회복 탄력성 및 지속 가능성을 달성하고 있다.
시장 지표 또한 이러한 변화를 뒷받침한다. 피지컬 AI 시장은 인간과 기계의 파트너십 및 엣지 컴퓨팅 프레임워크에 힘입어 2025년 3,717억 달러에서 2032년 2조 4,000억 달러 규모로 성장할 것으로 전망된다. 기술 서비스 제공업체들에 있어 이는 서비스형 로보틱스(RaaS) 및 서비스형 디지털 트윈(DTaaS)을 통해 AI 네이티브 생태계를 조율할 수 있는 3,000억 달러 규모의 기회를 의미한다.
그러나 이러한 기회를 포착하기 위해서는 단순한 기술 도입을 넘어 기업 운영 모델의 재정의가 필요하다. 리더들을 위한 세 가지 필수 과제는 다음과 같다.
1. AI의 대규모 산업화
모듈형 플랫폼, 시뮬레이션 환경, 관리된 데이터 체계를 활용하여 피지컬 AI를 핵심 워크플로우에
통합해야 한다. 이를 통해 글로벌 가치 사슬 전반에서 안전, 컴플라이언스 및 상호운용성을 보장할 수 있다.
2. 인간과 기계의 협업을 고려한 설계
피지컬 AI는 인간의 전문 지식을 대체하는 것이 아니라 증강한다. 로보틱스와 보조 시스템에 AI를 내재화함으로써 윤리적이고 투명한 관행을 유지하는 동시에 생산성을 극대화할 수 있다. 이는 모든 성공적인 AI 도입에 일관되게 적용되는 원칙이다.
3. 혁신 생태계 구축
TCS Paceports와 Agile Innovation Center와 같은 공동 혁신 허브는 신속한 프로토타입 제작과 협력적 아이디어 도출을 가능하게 하며, 복잡한 구현에 따른 리스크를 줄이는 동시에 시장 출시 속도를 앞당긴다.
커니 파트너 롤란드 샤러(Roland Scharrer)는 다음과 같이 강조한다.
“피지컬 AI는 고립된 로보틱스나 자동화 파일럿 단계를 벗어나, 지능이 자산, 공장, 함대, 그리고 공급망 네트워크에 직접 내재되는 기업의 핵심 인프라로 전환될 것이다. 진정한 변곡점은 단순히 자율성 그 자체에 있는 것이 아니라, 디지털 트윈, 엣지 인텔리전스, 그리고 실시간으로 작동하는 관리된 데이터 흐름을 통해 지각-시뮬레이션-행동을 연결하는 ‘폐쇄 루프형 강화 및 가속 학습’에 있다. 리더들은 피지컬 AI를 단순한 기술 계층이 아닌 운영 모델의 변화로 취급해야 하며, 가동 시간, 안전, 지속 가능성과 같은 성과를 중심으로 프로세스 재설계의 우선순위를 정해야 한다. 결국 체화된 지능을 강력한 거버넌스 및 생태계 파트너십과 결합하여, 인간과 기계의 대규모 협업을 실현하고 물리적 운영을 지속적으로 학습하는 시스템으로 탈바꿈시키는 조직이 승기를 잡게 될 것이다.”
3. 물류 지출을 위한 자율 에이전트 협업에서 의사결정으로
물류 및 공급망 리더들은 그동안 가시성 확보, 워크플로우 자동화, 분석 도구에 막대한 투자를 해왔다. 하지만 여전히 사일로, 수동 워크플로우, 번거로운 제3자 온보딩, 그리고 의사결정 지연이라는 한계에 부딪혀 있다. 글로벌 복잡성(다중 모드 운송, 지정학적 충격, 지속 가능성 규제)이 심화됨에도 불구하고, 기업들은 여전히 '코파일럿
(Co-pilot)' 계층에 머물러 있다. 즉, 사람이 대시보드를 해석하고, 관계를 파악한 뒤, 직접 행동해야 하는 구조다.
미래의 아젠다는 비즈니스 특화 자율 에이전트를 물류 스택에 내재화할 것을 요구한다. 이는 단순한 도구를 넘어 직원처럼 작동하는 의사결정 시스템이다. 이러한 과제를 신속히 해결하기 위해 기업은 대규모 기술 구축에 투자하는 대신, 기존의 에이전틱 워크플로우 프레임워크를 활용하여 빠르고 단순한 에이전트를 배치해야 한다. 셀프서비스 에이전트 스튜디오 플랫폼을 활용하면 기업은 전사 데이터, 거버넌스, 모니터링 체계 위에서 도메인 특화 에이전트(예: 컨트롤 타워, 공급업체 협업, 글로벌 무역 예외 관리 등)를 즉각 가동할 수 있다.
이러한 에이전트들은 송장, 계약서, 요율표, 출하 흐름, PO/STO 데이터 등 다중 구조의 데이터를 흡수한다. 또한 무거운 EDI/API 통합 없이도 운송사 및 공급업체 네트워크와 인터페이스하고, 실시간 벤치마킹(계약, 등록 업체, 스팟 시장, 네트워크 운송사 등)을 수행하며 실제 의사결정을 집행한다. 즉, 경로 변경, 운송사 교체, 조달 전략 수정, 송장 과다 청구 회수 등을 스스로 수행하는 것이다. 요약하자면 ‘연결성 → 가시성 → 실행 → 자율성’으로의 진화다.
리더들이 주목해야 할 핵심 시사점은 다음과 같다.
투자 우선순위의 전환
대시보드 구축에서 벗어나 인간의 개입을 줄이고, 의사결정 주기를 단축하며, 동적으로 적응하는 '에이전트 워크플로우' 배치로 투자의 축이 이동해야 한다.
솔루션 제공업체의 도태
단순한 'TMS(운송관리시스템) + 분석' 기능만 제공하는 업체는 뒤처질 것이다. 기업에는 스스로 행동하고, 학습하며, 지속적으로 최적화하는 시스템이 필요하다.
ROI 지표의 진화
서비스 비용이나 정시 도착률(OTD)을 넘어 의사결정 주기 시간, 자율 실행률, 에이전트의 학습 속도 등이 새로운 성과 지표가 된다.
인재 및 거버넌스의 재편
물류 관리는 에이전트를 감독하는 업무로 변모하고, 운송사는 AI 에이전트의 확장된 네트워크가 되며, 데이터 아키텍처는 전사적 핵심 미션이 된다.
커니 파트너 코르한 아자르(Korhan Acar)는 다음과 같이 강조한다.
“단순한 가시성 확보만으로는 더 이상 충분하지 않다. 물류 분야에서 진정한 가치 창출의 열쇠는 전략적 사고에 있다. 가치는 단순히 거래 계층에 존재하는 것이 아니라, 단기 및 장기 전략을 어떻게 수립하고 실행하느냐에 달려 있기 때문이다. 대시보드 중심의 방식에서 도메인 특화 에이전트로 전환함으로써, 프리핸드(Freehand)는 가치 실현 시간을 획기적으로 단축한다. 또한 신속한 통합과 지속적인 학습을 통해, 실무 팀들이 실질적인 경쟁 우위를 창출하는 핵심 업무에 집중할 수 있도록 지원한다.”
결론
이 보고서에서 제시된 트렌드는 단 하나의 통찰로 수렴된다. 바로 AI는 더 이상 단순한 기술 이니셔티브가 아니라, 근본적인 비즈니스 트랜스포메이션이라는 점이다. AI를 엄격한 거버넌스 하에 관리하고 전략적 의도에 따라 배치되는 핵심 인프라로 설계하는 조직은 결정적인 경쟁 우위를 점하게 될 것이다. 반면, AI를 개별적인 문제 해결 도구의 집합체로 취급하는 조직은 점점 더 뒤처지게 될 것이다.
선도 기업과 후발 기업을 가르는 세 가지 원칙은 다음과 같다.
1. 고립보다 통합
가장 영향력 있는 AI 구현은 각 기능을 연결하여, 좁은 프로세스를 최적화하는 데 그치지 않고 전사적인 통찰과 행동을 조율하는 의사결정 체계를 구축하는 것이다.
2. 자동화보다 증강
AI가 복잡성과 반복 업무를 처리하는 동안 인간만이 제공할 수 있는 창의성, 맥락 파악, 전략적 사고를 보존하고 강화할 때 최상의 성과가 나타난다.
3. 조력자로서의 거버넌스
신뢰와 투명성은 AI 도입의 제약 요소가 아니라 확장을 위한 필수 전제 조건이다. 관찰 가능성, 통제력, 윤리적 프레임워크를 처음부터 구축한 조직이 사후에 거버넌스를 덧붙이는 조직보다 훨씬 더 빠르고 멀리 나아갈 수 있다.
AI의 임팩트를 극대화하려면 단순한 기술 채택이 아닌 비즈니스 전환이 필요하다. 조직은 AI가 부가적인 솔루션이 아닌 기업 운영 체제가 되는 통합 전략을 추진해야 한다. 이제 질문은 “AI에 투자할 것인가”가 아니라, “어떻게 AI를 중심으로 비즈니스를 대담하게 재구상할 것인가”가 되어야 한다.
본 보고서는 선도적인 AI 및 기술 파트너들을 포함한 커니의 얼라이언스 생태계와의 협업으로 개발되었습니다. 커니의 AI 역량 및 얼라이언스 생태계에 대한 자세한 정보는 저자들에게 문의하시기 바랍니다.
