원문은 twarx.com에서 처음 게시되었습니다 - 전체 인터랙티브 버전은 그곳에서 읽어보세요.

최종 업데이트: 2026년 7월 30일

귀하의 조달 자동화가 실패하는 이유는 잘못된 소프트웨어를 선택했기 때문이 아닙니다. 실제 지출 권한을 가진 **조달 자동화를 위한 AI 에이전트 (AI agent for procurement automation)**가 필요한 시점에 워크플로우 도구(workflow tool)를 구축했기 때문입니다. SAP와 Coupa는 '조달 승인 상한선 (Procurement Approval Ceiling)' 문제를 해결하지 못할 것입니다. 하지만 거의 0달러에 가까운 LangGraph 오케스트레이션 레이어(orchestration layer)는 이미 이를 해결할 수 있으며, 미드마켓(mid-market) 팀들은 현재 실제 운영 환경에서 이를 증명하고 있습니다.

이번 주 SAP Ariba, Coupa, 그리고 Pactum의 자율 협상 에이전트(autonomous negotiation agents)에 관한 쏟아지는 보도들은 미드마켓 운영 리더들이 계속해서 던지는 질문을 수면 위로 끌어올렸습니다: 6자릿수 계약 비용과 엔터프라이즈 IT 팀 없이 어떻게 에이전트 기반의 조달(agentic procurement)을 구현할 수 있는가? 이 가이드는 LangGraph, CrewAI, n8n, MCP, GPT-4o, Claude 3.5 Sonnet과 같은 명시된 도구들과 실제 배포 수치를 통해 그 해답을 제시합니다.

이 글을 다 읽을 때쯤이면, 어떤 레이어를 구축해야 하는지, 무엇을 지금 자동화하고 무엇을 나중에 해야 하는지, 그리고 파일럿 프로젝트의 67%를 실패하게 만드는 승인 병목 현상을 어떻게 돌파할 수 있는지 정확히 알게 될 것입니다.

조건부 지출 권한이 존재하는 거버넌스(Governance) 레이어를 강조한 조달 자동화를 위한 5계층 AI 에이전트 스택. 거버넌스 레이어는 대부분의 팀이 건너뛰는, 성패를 결정짓는 핵심 요소입니다. 출처

왜 조달 자동화는 승인 레이어에서 실패하는가 (조달 승인 상한선)

대부분의 조달 자동화 프로젝트는 데이터 추출, 통합, 또는 모델 품질 때문에 실패하지 않습니다. 이들은 기계에게 돈을 지불하도록(commit money) 요청하는 바로 그 순간에 실패합니다. 그것이 바로 상한선(ceiling)이며, 거의 아무도 이를 명명하지 않기 때문에, 거의 아무도 이를 우회하도록 설계하지 않습니다.

명명된 프레임워크 (Coined Framework)

조달 승인 천장 (The Procurement Approval Ceiling) — 모든 AI 자동화 이니셔티브가 중단되는 보이지 않는 병목 구간입니다. 그 이유는 어떤 에이전트에게도 인간의 티켓 큐(ticket queue)를 거치지 않고 지출을 승인하거나, 예외 상황을 라우팅하거나, 문제를 에스컬레이션(escalate)할 수 있는 조건부 권한이 부여되지 않았기 때문입니다. 2026년에 이 천장을 돌파하는 기업들이 앞서 나가게 될 것입니다.

이는 '읽고 권장할 수 있는' 에이전트와 '제한된 정책 내에서 결정하고 행동할 수 있는' 에이전트 사이의 간극을 명명한 것입니다. 중단된 모든 파일럿 프로젝트는 이 천장 아래에 머물러 있습니다. 기술적으로는 인상적이지만, 인간이 여전히 모든 결과물에 대해 거수기(rubber-stamp) 역할을 수행하기 때문에 운영 측면에서는 무용지물입니다.

귀하의 스택에서 '조달 승인 천장'이 실제로 나타나는 모습

현재의 설정을 그려보십시오. OCR 도구가 송장(invoice) 데이터를 추출합니다. 워크플로(workflow) 규칙이 불일치를 표시합니다. 대시보드가 중복 항목을 드러냅니다. 그리고 매번 — 단 한 번의 예외도 없이 — 인간이 티켓을 열고, 정책 PDF를 확인하고, 승인을 클릭합니다. 귀하는 '보는 것(seeing)'을 자동화했을 뿐입니다. '결정하는 것(deciding)'은 결코 자동화하지 않았습니다. 비용이 많이 드는 부분은 데이터 입력이 아니라 항상 판단(judgment call)이었기 때문에, 송장당 비용은 거의 변하지 않았습니다.

McKinsey 2025 Procurement Report에 따르면 조달 자동화 파일럿의 67%가 12개월 이내에 실패하며, 가장 많이 인용된 실패 모드는 '예외 처리(exception handling)가 자동화 전과 동일한 비율로 인간에게 다시 라우팅됨'이었습니다. 이 문장을 두 번 읽어보십시오. 조달을 어렵게 만드는 근본적인 이유인 '예외 상황'은 전혀 자동화되지 않았습니다. Harvard Business Review와 Deloitte Insights의 독립적인 분석도 동일한 패턴을 반복합니다. 데이터 캡처(data capture) 단계에서 멈추는 자동화는 가장 비용이 많이 드는 작업을 그대로 방치합니다. 전략적 배경을 알고 싶다면, 저희의 AI 자동화 전략 가이드에서 조달이 더 넓은 로드맵에서 어디에 위치하는지 확인하십시오.

RPA 봇과 레거시 워크플로 도구가 이를 돌파할 수 없는 이유

공급업체 마케팅은 여러분이 명확히 구분해야 할 차이점을 의도적으로 모호하게 만듭니다. RPA (Robotic Process Automation, 로봇 프로세스 자동화)는 고정된 스크립트를 실행합니다 — 정해진 순서대로 버튼을 클릭하며, 현실이 조금이라도 달라지는 순간 작동이 중단됩니다. 반면, AI 에이전트는 문맥을 바탕으로 추론하고, 도구를 호출하며, 예외 상황을 처리합니다 — 이들은 표준화되지 않은 송장을 읽고, 관련 계약 조항을 검색하며, 발견된 내용에 따라 경로를 지정할 수 있습니다.

RPA 봇은 '조달 승인 천장(Procurement Approval Ceiling)'을 돌파할 수 없습니다. 스크립트에는 조건부 권한이라는 개념이 없기 때문입니다. 스크립트는 하드코딩된 승인 권한을 갖거나(위험함), 승인 권한이 아예 없거나(무용함) 둘 중 하나입니다. 중간 단계가 없습니다. 에이전트 기반 아키텍처(Agentic architectures)는 그 중간 단계를 제공합니다: '구매 주문서(PO)가 계약과 일치하고 공급업체의 상태가 양호하다면 5,000달러 미만은 자동으로 승인하고, 그렇지 않으면 요약된 근거와 함께 에스컬레이션(escalate)하라.' 이것이 바로 핵심적인 돌파구입니다.

2026년, 규칙 기반 자동화에서 에이전트 기반 의사결정으로의 전환

Gartner 2026 Procurement Hype Cycle에 따르면 조달 AI는 정확히 '기대 정점(Peak of Inflated Expectations)'에 위치해 있습니다. 그리고 그 이면의 데이터를 보면 대부분의 배포가 데이터 계층이 아닌 승인 라우팅 계층에서 정체되어 있음을 알 수 있습니다. 이 침체기(trough)를 조기에 벗어난 기업들은 권한을 사후적인 거버넌스 문제가 아닌, 엔지니어링 문제로 취급했습니다.

Walmart를 위해 대규모로 공급업체 계약을 체결한 Pactum의 자율 협상 에이전트를 예로 들어보겠습니다. 인상적이지만, 어떠한 지출 권한이 부여되기 전까지 약 18개월의 정책 인코딩(policy encoding) 기간이 필요했습니다. 이것이 엔터프라이즈 규모에서의 '천장 문제'입니다. 작동하는 자율 에이전트라 할지라도, 누군가가 언제 권한을 행사할 수 있는지 코드로 정의할 때까지는 유휴 상태로 머물러 있어야 했습니다. 미드마켓(Mid-market) 팀에게는 18개월이라는 시간이 없습니다. 또한 5만 달러 미만의 제한된 지출에 대해서도 그런 긴 시간이 필요하지 않습니다.

당신은 조달을 자동화한 것이 아닙니다. 서류 작업을 자동화했을 뿐이며, 가장 비용이 많이 드는 부분인 '의사결정'은 여전히 인간의 티켓 대기열에 남겨두었습니다.

67%
12개월 이내에 실패하는 조달 자동화 파일럿 프로젝트
McKinsey Procurement Report, 2025
...

5계층 AI 에이전트 조달 자동화 프레임워크 (The 5-Layer AI Agent Procurement Automation Framework)

실제로 작동하는 모든 프로덕션(Production)급 조달 에이전트는 다섯 가지 계층으로 분해됩니다. 이 중 하나라도 건너뛰면 한계에 부딪히게 됩니다. 2026년에 즉시 도입 가능한 특정 도구들과 함께, 전체 아키텍처를 계층별로 설명합니다.

조달 자동화를 위한 5계층 AI 에이전트 스택 (The 5-Layer AI Agent for Procurement Automation Stack)

  1

    **인지 (Perception) — RAG + Pinecone/Weaviate**

송장(Invoices), 구매 주문서(POs), 공급업체 계약서를 수집합니다. 문서는 임베딩(Embedding)되어 벡터 데이터베이스(Vector Database)에 저장됩니다. 2026년 벤치마크 기준, 검색 지연 시간(Retrieval latency)은 200ms 미만입니다. 출력값은 가공되지 않은 텍스트가 아닌, 근거가 있는 컨텍스트(Grounded context)입니다.

↓

  2
...

LLM 코어가 검색된 컨텍스트를 해석하고, 조항을 추출하며, 권장 사항을 형성합니다. 모델 선택은 기본 설정이 아닌, 실제 조달 결정의 영역입니다.

↓

  3
...

상태 유지 그래프(Stateful graph)가 워크플로우를 라우팅합니다: 분류(Classify) → 컴플라이언스(Compliance) 확인 → 결정. 선형 체인(Linear chains)이 수행할 수 없는 분기형 승인 로직과 롤백(Rollback)을 처리합니다.

↓

  4
...

에이전트가 ERP에 데이터를 다시 기록합니다: 구매 주문서(PO) 생성, 중복 항목 플래그 표시, 벤더 마스터(Vendor master) 업데이트 등입니다. MCP는 커스텀 미들웨어 없이 실시간 ERP 데이터를 읽습니다.

↓

  5
...

임계값 모델(Threshold model): 제한된 정책 범위 내에서는 자동 승인하고, 범위를 벗어나면 에스컬레이션(Escalate)하며, 모든 결정을 변경 불가능한 감사 추적(Immutable audit trail)에 기록합니다. 바로 이 지점에서 한계를 돌파하게 됩니다.

이 순서가 중요합니다. 거버넌스(Governance) 없는 인지는 데모에 불과하며, 인지 없는 거버넌스는 환각(Hallucination)을 일으킵니다. 프로덕션급 조달 에이전트가 되기 위해서는 다섯 계층이 모두 필요합니다.

계층 1 — 인지 (Perception): RAG 및 벡터 데이터베이스를 통한 공급업체 데이터, 송장 및 구매 주문서(POs) 수집

Pinecone 또는 Weaviate와 같은 벡터 데이터베이스 (vector database)를 활용한 RAG (Retrieval-Augmented Generation, 검색 증강 생성)는 지금 바로 실무에 적용 가능한 수준입니다. 실험 단계가 아닙니다. 공급업체 계약 관련 질의응답 (Q&A) 및 정책 조회 시, 2026년 벤치마크 기준 평균 검색 지연 시간 (retrieval latency)은 200ms 미만입니다. 계약서, 정책, 과거 구매 주문서 (POs)를 한 번 임베딩 (embed)해 두면, 에이전트는 이미 몇 달 전의 낡은 학습 데이터로부터 추측하는 대신 의사 결정 시점에 필요한 정확한 조항을 검색해 옵니다.

이 계층은 단 한 가지 이유로 타협할 수 없는 필수 요소입니다. 바로 에이전트가 귀사의 공급업체 결제 조건을 '알고' 있는지, 아니면 '지어내는지'의 차이를 만들기 때문입니다. 이러한 재앙에 대한 자세한 내용은 실패 사례 섹션에서 다룹니다. 벡터 검색 (vector retrieval)이 생소하다면, RAG가 어떻게 LLM 에이전트를 실제 데이터에 기반하게 만드는지(how RAG grounds LLM agents in real data)에 대한 심층 분석을 읽어보시기 바랍니다.

계층 2 — 추론 (Reasoning): LLM 핵심 모델 선택 (조달 업무를 위한 GPT-4o vs Claude 3.5 Sonnet)

모델 선택은 단순히 외적인 문제가 아닙니다. RFQ (견적 요청서) 파싱, 계약 조항 추출과 같이 문서 비중이 높은 조달 업무의 경우, 2026년 1분기에 발표된 내부 벤치마크에 따르면 Anthropic의 Claude 3.5 Sonnet이 OpenAI의 GPT-4o보다 약 12% 더 높은 성능을 보였습니다. 반면, 도구 호출 (tool-calling) 비중이 높은 오케스트레이션 (orchestration)이나 비용에 민감한 대량 분류 작업에서는 GPT-4o가 승리하는 경우가 많습니다. 많은 팀이 내린 실질적인 결론은 다음과 같습니다: 추출에는 Claude를, 라우팅 (routing)에는 GPT-4o를 사용하는 것입니다. 도입을 확정하기 전에 귀사의 문서 샘플로 두 모델을 모두 실행해 보십시오. 당사의 LLM 모델 선택 가이드 (LLM model selection guide)에서 귀사 데이터에 대한 벤치마킹 방법을 안내합니다.

계약 조항 추출에서 Claude 3.5 Sonnet이 보여준 약 12%의 우위는 월간 문서 5,000장을 기준으로 계산하면 작게 느껴지지 않습니다. 이는 매달 약 600개의 조항 오독을 줄일 수 있음을 의미하며, 각 오독은 결제 조건이나 위약금 오류로 이어질 수 있는 사안들입니다.

계층 3 — 오케스트레이션 (Orchestration): LangGraph, AutoGen, 그리고 CrewAI 비교

LangGraph는 조달을 위한 권장 오케스트레이션 (Orchestration) 계층입니다. 그 이유는 LangChain Expression Language와 같은 선형 체인 (Linear chains)이 수행할 수 없는 분기형 승인 로직 (Branching approval logic)을 상태 유지 그래프 (Stateful graph) 아키텍처를 통해 네이티브하게 처리할 수 있기 때문입니다. 조달 프로세스는 직선이 아닙니다. '규정을 준수하고 임계값 미만이면 승인; 그렇지 않고 임계값을 초과하면 에스컬레이션(Escalate); 그렇지 않고 공급업체가 플래그(Flag)된 상태라면 중단 및 통지'와 같은 방식입니다. 이것은 체인이 아니라 그래프입니다. 상태 머신 (State-machine) 패턴에 대해서는 당사의 전체 LangGraph 오케스트레이션 가이드를 참조하시고, 상태 API (State API)에 대해서는 공식 LangGraph 문서를 참조하십시오.

계층 4 — 실행 (Action): 도구 호출 (Tool-calling), ERP 통합, 그리고 실시간 지출 데이터를 위한 MCP 커넥터

이 지점이 대부분의 파일럿 프로젝트가 실패하는 구간입니다. 즉, 에이전트가 읽을 수는 있지만 다시 쓸 수는 없는 상황입니다. 2026년의 돌파구는 다음과 같습니다: Anthropic이 도입한 MCP (Model Context Protocol)가 이제 n8n과 Make에서 지원됨에 따라, 조달 에이전트가 커스텀 API 미들웨어 없이도 실시간 ERP 데이터를 읽을 수 있게 되었습니다. Model Context Protocol 사양은 개방형이며 벤더 중립적입니다. 과거에는 웹훅 (Webhook) 배관 작업에 몇 주가 걸렸던 연결이 이제는 몇 시간 만에 완료됩니다. 저는 이것을 올해 에이전트 배포에 있어 가장 큰 실질적인 변화라고 부르고 싶습니다.

계층 5 — 거버넌스 (Governance): 조건부 지출 권한, 감사 추적 (Audit trails), 그리고 인간 참여형 (Human-in-the-loop) 임계값 모델

이것은 한계를 돌파하는 계층입니다. 여러분은 임계값 모델 (threshold model)을 정의합니다. 즉, 에이전트가 제한된 조건 하에서 지출을 승인할 수 있는 조건부 권한 (conditional authority)을 부여받으며, 승인, 에스컬레이션 (escalation), 또는 중단된 모든 결정 사항은 변경 불가능한 감사 추적 (immutable audit trail)에 기록됩니다. 이 계층이 없다면 여러분은 매우 값비싼 추천 엔진 (recommendation engine)을 가지고 있는 것에 불과합니다. 그것으로 끝입니다. NIST AI Risk Management Framework는 제한된 자율성 (bounded autonomy)과 감사 요구 사항 (audit requirements)의 범위를 설정하는 데 유용한 참고 자료입니다.

완벽한 데이터 접근 권한을 가졌으나 지출 권한이 전혀 없는 에이전트는 자동화가 아닙니다. 그것은 이전에 처리하던 것과 똑같은 인간용 티켓 (human ticket)을 생성하는 더 똑똑한 방법일 뿐입니다.