AI 에이전트 예시: 실제 운영되는 것과 숫자가 의미하는 바

Ryan Kowalski 작성. 2026년 7월 18일 Meikuio에 최초 게시됨. 이번 에디션을 위해 2026년 10월 18일에 업데이트됨.

AI 에이전트의 예시로는 Klarna의 고객 서비스 어시스턴트, Devin과 같은 코딩 도구, John Deere의 잡초 표적화 기계 등이 있습니다. 이들은 각기 다른 작업을 수행하며 서로 다른 수준의 자율성을 가집니다. 유용한 질문은 특정 시스템이 실제 워크플로우에서 무엇을 하는지, 그 결과를 뒷받침하는 증거는 무엇인지, 그리고 사람이 여전히 결정을 내리는 부분은 어디인지를 파악하는 것입니다.

아래에 제시된 회사 수치는 독립적으로 감사된 현재 성능 측정치가 아닌 과거의 주장입니다.

한 가지 예시로 본 AI 에이전트란 무엇인가?

AI 에이전트는 도구를 사용하거나 프로세스의 일부로 행동을 취하면서 여러 단계를 거쳐 목표를 향해 작동합니다. 환불 워크플로우는 주문 내역을 읽고, 정책을 확인하고, 권한 범위 내에서 환불을 제안하거나 처리하며, 기록을 업데이트할 수 있습니다. 이 레이블만으로는 해당 워크플로우 중 얼마나 많은 부분이 검토 없이 실행되는지 알 수 없습니다.

이러한 구분이 중요한 이유는 공급업체들이 '에이전트'라는 단어를 다양한 시스템에 적용하기 때문입니다. 어떤 것은 기존 자동화 위에 구축된 채팅 인터페이스일 뿐이고, 다른 것들은 도구와 행동을 동적으로 선택합니다. 배포된 제품은 완전히 자율적이지 않아도 유용할 수 있습니다. 따라서 다른 예시와 비교하기 전에 그 권한(permissions), 중단 조건(stopping conditions), 그리고 에스컬레이션 경로(escalation path)를 확인해야 합니다.

실제로 운영되는 AI 에이전트 예시

아래의 예시는 이름이 지정된 제품이나 운영 주체가 있습니다. 이 때문에 익명의 데모보다 더 구체적이지만, 그 성공률을 비교할 수는 없습니다. 회사 보고서, 공급업체 사례 연구(vendor case studies), 독립적인 실험은 서로 다른 종류의 증거입니다. 각 수치에 날짜, 작업, 그리고 분모(denominator)를 반드시 첨부하십시오.

Four support examples with the task and limits of their reported results. Klarna, Intercom, Sierra and Salesforce use different measurement scopes.

회사 보고서는 비교 가능한 성공률이 아닌 특정 배포 사례를 설명합니다. 이 표는 Meiku Charts로 작성되었으며, 2026년 10월 18일에 검토되었습니다.

Bank assistants, coding products and John Deere machinery perform different kinds of work. Deployment and autonomy are separate questions.

이러한 시스템은 어시스턴트, 코딩 에이전트, 그리고 작업별 물리적 AI를 포괄합니다. 이 표는 Meiku Charts로 작성되었습니다.

가장 명확한 예시는 범위가 한정된(bounded) 업무입니다. 지원 시스템은 일상적인 질문에 답변하면서 예외 사항을 에스컬레이션할 수 있습니다. 코딩 에이전트는 개발자가 패치를 검토하는 동안 이슈를 처리할 수 있습니다. 어느 경우든 성공했다는 것이 동일한 제품이 전체 부서를 운영할 수 있다는 것을 의미하지는 않습니다. 범위가 좁으면 결과를 검사하기가 더 쉽습니다.

'해결률(Resolution rate)'은 정의가 필요합니다. 이는 에이전트에게 제공된 대화의 하위 집합을 참조하거나, 특정 요청을 제외하거나, 해결된 답변의 대리 지표로 포함(containment)을 사용할 수 있습니다. 고객의 문제가 해결되었는지, 고객이 다시 돌아왔는지, 그리고 에스컬레이션이 어떻게 계산되었는지 물어보아야 합니다. 벤더 전체 평균은 귀하의 자체 헬프 데스크에 대한 예측치가 아닙니다.

코딩 분야는 비정상적으로 유용한 독립적인 증거를 가지고 있습니다. METR가 2025년 7월에 실시한 무작위 연구(randomized study)에 따르면, 숙련된 기여자들은 속도 향상을 기대했음에도 불구하고 자체 레포지토리에서 테스트된 초기 2025년 AI 도구를 사용할 때 19% 더 오래 걸렸습니다. 이 연구는 16명의 개발자와 246개의 작업을 포함했습니다. 이는 모든 코딩 에이전트나 2026년 10월의 도구에 대한 판결이 아니라 특정 설정과 기간에 대한 증거입니다. METR가 2026년 2월에 발표한 후속 연구는 선택 효과(selection effects)와 변화하는 사용 패턴 때문에 새로운 추정치를 내리기 어렵다는 점을 설명합니다.

벤더들이 보여주는 예시 (그리고 그들이 생략하는 것)

벤더(Vendor)의 예시 페이지들은 종종 인보이스 처리나 티켓 해결 같은 기능을 설명할 뿐, 운영 주체(operator), 배포 날짜 또는 측정된 결과를 명확히 밝히지 않습니다. 그러한 페이지는 제품이 무엇을 하도록 설계되었는지 설명할 수는 있지만, 고객이 전체 워크플로우를 성공적으로 사용하고 있다는 것을 그 자체만으로는 보여주지 못합니다.

시나리오를 배포된 시스템으로 간주하기 전에, 입증된 것과 제안된 것을 구별해야 합니다. 이러한 일반적인 예시는 다음 점검을 거쳐야 합니다:

트렌드를 조사하고, 규칙을 확인하며, 공식을 제안하는 제품 개발 에이전트는 개념(concept)이거나 프로토타입일 수 있습니다. 명시된 운영 주체와 실제로 실행할 수 있는 결정 기록을 찾아보십시오.
완전히 자율적인 농장은 단 하나의 필드 작업을 수행하는 기계보다 훨씬 광범위한 주장입니다. 어떤 작업이 배포되었고, 어떤 것이 감독(supervised)되고 있으며, 어떤 것이 여전히 제안된 시스템인지 확인해야 합니다.
학생이나 연구 프로토타입은 지원되는 상업적 제품을 확립하지 않고도 메커니즘을 시연할 수 있습니다. 그 평가 조건이 예시 목록의 라벨보다 더 중요합니다.

개념과 프로토타입은 유용할 수 있지만, 그러한 것으로 식별되어야 합니다. 공개 시연(public demonstration), 유료 파일럿(paid pilot) 및 생산 배포(production deployment)는 서로 다른 질문에 답합니다. 누가 시스템을 운영하는지, 언제부터, 어떤 작업으로, 그리고 어떤 감독 하에 운영하는지를 물어보십시오. 증거가 부족한 것은 결론을 보류해야 할 이유이지, 아이디어가 작동할 수 없다는 증거는 아닙니다.

Klarna: 워크로드, 절감액 및 인간 지원

Klarna가 발표한 워크로드 수치는 볼륨(volume), 절감액(savings) 및 서비스 품질을 분리하는 데 유용한 사례를 제공합니다.

2024년 2월, Klarna는 자사의 어시스턴트가 첫 달에 230만 건의 대화(conversation)를 처리했으며, 이는 고객 서비스 채팅의 약 3분의 2에 해당한다고 보고했습니다. 이 발표는 그러한 워크로드를 700명의 정규직 에이전트와 동일시하고, 2024년의 수익 개선액을 4,000만 달러로 예상했습니다. 이는 회사의 주장(company claims)이었습니다. 수익 수치는 예측치였으며, 워크로드 등가성은 해고된 인원수를 계산한 것이 아니었습니다.

블룸버그는 2025년 5월 8일 보도에 따르면, 클라르나(Klarna)가 AI 주도의 비용 절감을 강조한 후에도 더 많은 인간 고객 서비스 옵션을 계획하고 있다고 전했습니다.

고객 서비스 문제는 단순히 업무량 수치로 끝나지 않습니다. 클라르나가 공개한 지원 및 불만 접수 경로는 여전히 인간의 접촉을 포함합니다. 유용한 평가는 비용뿐만 아니라 품질, 반복 연락 횟수, 에스컬레이션(escalation) 등을 측정해야 합니다. 사람들을 가용 상태로 유지하는 것은 근본적인 자동화가 결코 유용하지 않았다는 증거라기보다는 작동하는 배포의 일부일 수 있습니다.

이러한 테스트는 AI 앱 빌더나 아웃소싱 개발 서비스에도 동일하게 적용됩니다. 소프트웨어가 어떤 작업을 수행하는지, 사람이 어떤 작업을 수행하는지, 그리고 그 인계(handoff)가 어떻게 이루어지는지를 물어봐야 합니다. 세련된 인터페이스만으로는 자율적인 실행을 입증할 수 없습니다. 구매자들은 작업에 대한 검토 가능한 기록과 문제가 발생했을 때 누가 책임자인지에 대한 명확한 설명을 필요로 합니다.

실제로 작동하는 비율은 얼마나 될까요?

사례 연구는 특정 워크플로우가 존재한다는 것을 보여줄 뿐입니다. 실패했거나 미완성된 프로젝트는 공개적인 사례가 되기 어렵기 때문에, 모든 에이전트 프로젝트의 성공률을 입증하지는 못합니다.

Gartner는 2025년 6월에 상승하는 비용, 불분명한 가치, 취약한 위험 통제를 이유로 2027년 말까지 에이전틱 AI(agentic AI) 프로젝트의 40% 이상이 취소될 것으로 예측했습니다. Gartner는 또한 '에이전트'를 판매한다고 주장하는 수천 개의 공급업체 중 실제로 무언가를 하는 곳은 약 130개에 불과하며, 나머지는 '에이전트 세탁(agent washing)'이라고 부르기도 했습니다.

McKinsey의 2025년 11월 설문조사는 채택 단계를 구분합니다. 응답자의 23%는 조직에서 에이전틱 AI 시스템을 어딘가에서 확장하고 있다고 답했으며, 또 다른 39%는 실험 중이라고 답했습니다. 이 둘을 합치면 62%가 어떤 형태의 에이전트 사용을 보고했습니다. 설문조사에서 약 6%를 차지하는 AI 고성과 그룹은 상당한 가치와 AI로 인한 최소 5%의 EBIT(이자, 세금, 감가상각 전 이익) 영향을 포함하는 더 광범위한 정의를 충족했습니다. 이것은 에이전트를 통해 어떤 수익도 내는 기업의 비중이 아니며, 23% 그룹으로부터의 전환율도 아닙니다.

McKinsey 2025: 62% of respondents reported some agent use, including 23% scaling an agent system. Categories overlap.

2025년 11월 설문조사 응답자 비율. 모든 사용에는 실험 및 확장(scaling)이 포함되므로 막대가 중첩됩니다. 차트는 Meiku Charts로 제작되었습니다.

두 개의 막대가 중첩된 이유: 에이전트를 확장하는 조직은 '어떤 용도로든 사용'했다고 보고한 62%에 포함됩니다. 이들은 파이의 조각(slice)이 아닙니다. 별도의 고성능 측정 지표는 AI를 더 광범위하게 다루며, 의도적으로 에이전트-수익 결과로 플롯되지 않았습니다.

코딩의 경우, 벤치마크 점수와 직장 생산성 측정은 서로 다른 것을 측정합니다. 연구에 포함된 저장소(repository) 작업에는 헤드라인 벤치마크가 포착하지 못할 수 있는 컨텍스트, 검토(review), 통합이 포함됩니다. 본인의 작업에서 완료 시간, 정확도, 재작업 및 검토 노력을 측정해 보세요. 점수가 상승한다고 해서 그것들이 실제 운영 워크플로우에서 발생하는 비용을 제거하는 것은 아닙니다.

실제 작동 예시는 여전히 유용합니다. 그 한계점 또한 예시의 일부입니다: 어떤 시도가 이루어졌는지, 무엇이 계산되었는지, 그리고 결과에 얼마나 많은 감독(supervision)이 필요했는지를 보여줍니다. 성공적인 공급업체 사례 연구만 포함하는 목록으로는 새로운 프로젝트가 얼마나 자주 성공할지 알려줄 수 없습니다.

직접 실행해 볼 수 있는 AI 에이전트 예시

소규모 사업체는 기업 규모의 배포를 복사하기보다는 제한된 워크플로우(bounded workflow)부터 시작할 수 있습니다. 아래의 실용적인 예시는 장치를 설치한다고 해서 자동으로 신뢰성이 보장된다는 약속이 아니라, 테스트해야 할 작업들입니다.

들어오는 메일을 읽고 분류하며, 승인하기만 하면 보내는 답장 초안을 작성합니다 (이메일 분류/트리아지).
회의 통화에 참여하여 내용을 녹취하고, 실행 항목(action items)을 바로 작업 목록에 추가합니다 (회의록 작성).
들어오는 잠재 고객(lead)들을 기준과 비교하여 점수를 매기고 누락된 연락처 세부 정보를 채웁니다 (잠재 고객 자격 검증/qualification).
사람이 보기 전에 도움말 문서에서 일상적인 고객 질문에 답변합니다 (지원 업무 전환/support deflection).
송장(invoice) PDF에서 품목별 항목을 추출하여 구조화된 기록으로 저장합니다 (데이터 추출).

사용 목적에 맞게 제작된 애플리케이션을 사용하거나 워크플로우 빌더에서 도구들을 연결할 수 있습니다. 기성 제품은 설정 시간을 줄일 수 있지만, 사용자 지정 워크플로우는 단계에 대한 더 많은 제어 권한을 제공합니다. 사용료, 유지보수 및 검토 시간을 비교해 보세요. 시각적 빌더가 이러한 비용까지 포함했을 때 자동으로 더 저렴하지는 않습니다.

에이전트를 고객이나 결제 시스템에 연결하기 전에 승인 규칙을 설정하세요. 예를 들어, 답장 초안을 작성하거나 환불을 제안한 다음, 사람이 해당 조치를 승인할 때까지 기다릴 수 있습니다. 완료된 작업과 함께 실패 사례 및 에스컬레이션(escalations) 기록도 남기세요. 결과물을 확인할 수 있는 하나의 업무부터 시작하여, 그 결과가 뒷받침될 때만 확장하세요.

자주 묻는 질문 (Frequently asked questions)

AI 에이전트의 예시는 무엇인가요?

지원 에이전트는 요청을 읽고, 계정 정보를 참고하며, 허용된 조치를 취할 수 있기 때문에 명확한 예시입니다. 도움말 문서에서만 답변하는 시스템은 더 좁은 범위의 비서 역할을 합니다. Klarna와 Intercom은 배포된 지원 사례를 제공하며, 코딩 에이전트나 작업별 물리적 AI는 다른 형태의 조치를 보여줍니다.

가장 성공적인 실제 AI 에이전트 예시는 무엇인가요?

지원, 코딩, 물리 장비 전반에 걸쳐 방어 가능한 단일 우승자는 없습니다. 이들은 각기 다른 작업을 수행하며, 대부분의 공개된 성공률은 서로 다른 분모를 가진 회사의 주장입니다. 작업에 대한 측정 기준을 선택하세요: 검증된 해결(verified resolution), 수락된 코드(accepted code), 줄어든 재작업(reduced rework) 또는 관찰된 현장 결과(observed field outcome).

AI 에이전트가 실제로 2026년에 사용되고 있는 것인가, 아니면 과장된 기대(hype)인가?

여기에 설명된 지원 및 코딩 시스템을 포함하여 배포된 제품들이 존재합니다. 이러한 제품의 존재 자체가 광범위한 시장의 성공률을 확립하는 것은 아닙니다. Gartner가 제시한 2025년 취소 예측은 오늘 관찰되는 실패 건수를 다루는 것이 아니라, 2027년 말까지 진행될 프로젝트에 대한 우려입니다. 파일럿(pilot) 단계는 상용 배포(production rollout)와 별개로 평가되어야 합니다.