안녕하세요. 기업 데이터가 AI 업무에 실제로 활용될 수 있도록 돕는 큐빅(CUBIG)입니다.
고객 문의를 처리하는 에이전트가 PoC(본도입 전 소규모 시험)에서 환불을 잘 처리했습니다. 하지만 시험에 평범한 주문만 넣었다면 운영에서도 같은 결과가 나올지 판단하기 어렵습니다. 이미 일부 금액을 돌려준 주문에도 맞는 규정을 적용하는지, 환불 금액이 틀리면 어느 단계에서 어긋났는지까지 확인해야 운영 예산을 판단할 근거가 생깁니다.
에이전틱 AI(Agentic AI)는 목표에 맞춰 작업을 여러 단계로 나누고, 도구 호출과 중간 결과 점검을 거쳐 업무를 이어 가도록 설계된 AI 시스템입니다.
가트너(Gartner)는 기업에서 이런 시스템의 쓰임이 넓어지면서도, 에이전틱 AI 프로젝트의 40% 이상이 2027년 말까지 중단될 것으로 전망했습니다. PoC를 운영으로 넘기려면 시험 데이터가 실제 업무의 예외를 담고 있는지부터 살펴보세요. 빠진 사례를 보완했다면 같은 조건에서 전후 결과를 비교하고, 오류가 난 건의 실행 기록도 찾아볼 수 있어야 합니다.
에이전틱 AI와 AI 에이전트의 차이
AI 에이전트(AI Agent)는 목표를 받아 여러 단계를 이어 처리하는 개별 시스템을 가리킵니다. 반면 에이전틱 AI는 그런 방식으로 작동하는 기술과 시스템 전반을 가리킬 때 주로 쓰는 말입니다. 실무에서는 두 말을 섞어 쓰는 경우가 많습니다.
질문 하나에 답 하나를 돌려주는 질의응답형 AI와 비교해 보면, 데이터를 준비할 때 무엇이 달라지는지 알 수 있습니다.
환불 규정을 잘못 고르면 그다음 단계에서 환불 금액도 틀릴 수 있습니다. 시험에서 이런 오류를 발견하려면 일반 주문뿐 아니라 적용 규정이 달라지는 부분 환불 주문도 넣어 봐야 합니다. 이 차이는 Agent-Ready 데이터와 의미 맥락에서도 다뤘습니다.
가트너가 공개한 에이전틱 AI 전망 수치
가트너는 프로젝트가 얼마나 중단될지, 기업용 소프트웨어에 에이전틱 AI가 얼마나 널리 쓰일지 각각 전망했습니다. AI 에이전트를 이미 도입한 조직의 비율은 별도 조사에서 확인했습니다.
17%는 가트너의 2026년 CIO 및 기술 임원 조사에서 AI 에이전트를 이미 도입했다고 답한 조직의 비율입니다. 같은 조사에서 응답 조직의 60%를 넘는 비율이 향후 2년 안에 도입할 것으로 예상했습니다. 표 마지막 행의 60%는 데이터 준비가 부족한 AI 프로젝트의 중단을 다룬 별도 전망입니다.
40% 이상 중단 전망은 가트너가 2025년 6월 25일 공개한 보도자료 「Gartner Predicts Over 40% of Agentic AI Projects Will Be Canceled by End of 2027」에 나옵니다. 같은 자료에서 가트너는 에이전틱 AI가 일상 업무 결정과 기업용 소프트웨어에 더 널리 쓰일 것으로 봤습니다. 쓰임이 넓어지는 가운데서도 개별 프로젝트는 비용과 성과를 따지는 과정에서 중단될 수 있습니다.
가트너는 2026년 4월 공개한 「What the 2026 Hype Cycle for Agentic AI Reveals」에서 에이전틱 AI를 기대가 가장 부풀어 오른 정점(Peak of Inflated Expectations)에 놓았습니다. 같은 글에 따르면 도입 사례 대부분은 좁은 범위에 머물러 있습니다. 완전히 자율적인 에이전트도 기업 활용 사례 대부분에는 아직 준비되지 않았다고 설명합니다. 또 에이전틱 AI 거버넌스와 보안, 비용 관리(FinOps) 기술이 함께 등장한 것을 두고, 기업이 책임과 통제, 경제적 지속성에 관심을 키우고 있다는 신호로 풀이했습니다.
40% 이상 중단 전망을 읽을 때 주의할 점
이 숫자는 인용이 잦은 만큼 원래 뜻과 다르게 옮겨지기도 합니다. 내부 보고서나 제안서에 쓸 때는 다음 네 가지를 함께 확인해 보세요.
- 전망이라는 점: 이미 중단된 프로젝트를 집계한 결과가 아니라 2027년 말까지를 내다본 전망입니다.
- 계산 대상: 에이전틱 AI 프로젝트가 기준입니다. 원문의 「over 40%」는 40%를 넘는다는 뜻입니다. 가트너는 발표 당시 프로젝트 대부분이 초기 실험이나 PoC 단계라고 설명했습니다.
- 60%와의 관계: 60%는 2025년 2월에 나온 별도 자료의 전망으로, AI-Ready Data가 뒷받침하지 않는 AI 프로젝트 가운데 중단될 비율입니다. 두 숫자는 계산 대상이 달라 하나로 합쳐 읽을 수 없습니다.
- 중단 이유: 가트너는 비용 증가, 불분명한 비즈니스 가치, 부족한 위험 통제를 꼽았습니다. 데이터 준비에 관한 설명은 별도 자료에서 확인할 수 있습니다.
데이터를 직접 짚은 가트너 자료는 2025년 2월 26일 공개한 「Lack of AI-Ready Data Puts AI Projects at Risk」입니다. 가트너는 여기서 조직이 AI-Ready Data가 뒷받침하지 않는 AI 프로젝트의 60%를 2026년까지 중단할 것으로 내다봤습니다.
가트너가 꼽은 세 가지 중단 이유
보도자료가 설명한 비용과 가치 문제를 PoC 이후 상황에 대입해 봤습니다. 위험 통제는 보도자료가 이유로 제시했고, 오른쪽 열에는 운영 검토에서 맞닥뜨릴 수 있는 상황을 예로 들었습니다.
운영을 검토하는 팀은 비용을 어디까지 예상할 수 있는지, 기존 방식보다 얼마나 나아지는지, 잘못된 처리를 어디까지 추적할 수 있는지 따져야 합니다. 이때 시험 데이터와 실행 기록이 판단 근거가 됩니다.
운영 전환 판단에 쓰는 AI-Ready Data
AI-Ready Data는 특정 AI 업무에 맞춰 준비하고, 그 업무에서 쓸 수 있는지 확인한 데이터입니다. 데이터나 업무 조건이 바뀌면 같은 기준으로 다시 점검합니다. 에이전트 PoC에서는 시험 데이터와 실행 기록을 다음과 같이 활용할 수 있습니다.
- 비용: 처리 규정이 달라지는 예외를 시험에 넣으면 어떤 데이터와 연동 절차를 추가로 준비해야 하는지, 그 작업에 비용이 얼마나 드는지 운영 전에 가늠할 수 있습니다.
- 가치: 같은 업무와 평가 조건에서 데이터를 보완하기 전후를 비교하면 어떤 처리 오류가 줄었는지 확인할 수 있습니다. 운영할 가치가 있는지는 기존 업무 방식과 건당 처리 비용, 담당자의 재작업 시간을 비교해 판단합니다.
- 위험 통제: 잘못 처리된 원인을 좁혀 가려면 실행에 쓴 데이터 버전과 적용한 규정, 도구 호출 기록을 남겨 둬야 합니다.
이렇게 모은 근거를 바탕으로 맡길 업무 범위와 예산을 정할 수 있습니다. 운영을 시작한 뒤 데이터 범위나 스키마가 바뀌어 결과가 흔들리는 경우는 PoC를 통과한 AI가 운영에서 실패하는 이유에서 정리했습니다.
환불 에이전트가 운영에서 만난 예외
고객 문의를 받아 환불을 처리하는 에이전트를 도입한다고 가정해 보겠습니다. 이 에이전트는 주문 조회, 환불 규정 확인, 환불 처리, 안내 문자 발송까지 네 단계를 차례로 거칩니다.
- 시험 단계: 문의 기록 대부분이 평범한 단건 주문이어서 네 단계가 매끄럽게 끝나고, 시연 결과도 좋게 나옵니다.
- 운영 단계: 일부 금액을 이미 환불한 주문이 들어오고, 쿠폰으로 결제한 주문이나 같은 주문을 두 번 묻는 문의도 생깁니다. 부분 환불 주문에서 규정을 잘못 적용하면 그 오류가 환불 금액과 안내 문자까지 이어집니다.
- 확인할 것: 시험 데이터에 부분 환불 주문이 있었는지, 주문별로 이미 돌려준 금액과 추가 환불에 적용할 규정을 확인할 수 있었는지 살펴봅니다.
부분 환불 주문을 검증용 사례로 두고, 같은 주문과 규정으로 보완 전후의 결과를 비교합니다. 올바른 규정을 골랐는지와 실제 환불 금액이 맞는지를 따로 보면 어디서 어긋났는지 찾기 쉽습니다. 오류가 남으면 당시 주문 상태와 적용 규정, 도구 호출 기록을 대조해 원인을 좁혀 갑니다.
운영에 적용할 규정이 달라지는 주문은 시험 범위에 넣고, 규정 선택부터 최종 환불 금액까지 확인합니다.
에이전틱 AI 도입 전 확인할 다섯 가지 질문
환불 사례에서 놓친 부분을 다른 업무로 넓혀 보면, 에이전트 PoC를 운영으로 넘기기 전에 다음 질문에 답할 수 있어야 합니다.
- 에이전트에 맡길 업무(Task)와 그 업무에서 실제로 처리할 사례(Case)를 구체적으로 정해 두었나요?
- 드물게 나오지만 처리 방식이 달라지는 예외 사례가 시험 데이터에 들어 있나요?
- 주문 상태 같은 값이 업무에서 무엇을 뜻하는지, 규정이 언제 적용되는지, 데이터를 어떤 권한으로 어디까지 쓸 수 있는지 정리돼 있나요?
- 데이터를 보완하기 전과 후의 결과를 같은 업무와 평가 조건에서 비교하고, 어느 수준을 기준 충족으로 볼지 정했나요?
- 결과가 틀렸을 때 실행에 쓴 데이터 버전과 적용한 규정, 도구 호출 기록을 다시 찾을 수 있나요?
답하지 못한 항목이 있으면 그 항목 때문에 운영에서 무엇을 확인할 수 없는지부터 짚습니다. 예를 들어 부분 환불을 시험하지 않았다면 그 주문에 환불 처리를 맡기기 전에 검증 사례를 추가합니다. 데이터 때문에 AI 프로젝트가 멈추는 대표 유형은 기업 AI가 데이터 때문에 멈추는 세 가지 문제에서 더 볼 수 있습니다.
조직별로 함께 확인할 것
환불 업무라면 현업이 환불 규정과 통과 기준을 정하고, AI 팀과 데이터팀이 그 기준대로 시험할 수 있는지 확인합니다. 운영 결정을 내리기까지 각 담당자가 확인할 내용은 다음과 같습니다.
- AI 팀과 데이터팀: 시험 데이터가 어떤 사례로 구성됐는지, 예외 사례가 들어 있는지 살피고 전후 비교 조건을 정리합니다.
- 현업 부서: 실제 업무에서 자주 나오는 예외와 처리 규정을 알려 주고, 통과 기준을 함께 정합니다.
- 보안과 거버넌스 담당: 데이터를 어떤 권한으로 어디까지 쓸 수 있는지 확인합니다. 실행 기록을 어디까지 남길지도 함께 정합니다.
- 사업 기획과 예산 담당: 처리 결과가 얼마나 나아졌는지와 함께 건당 처리 비용과 재작업 시간을 비교해, 운영으로 넘길지 판단합니다.
Syntitan Ready for Agent의 예외 사례 검증 흐름
Syntitan은 기업 데이터를 AI 업무에 맞게 준비하고 검증하며, 실제 사용과 변경 이후의 재확인까지 이어서 관리하는 큐빅의 AI-Ready Data 플랫폼입니다. 원본 데이터를 보존한 채 AI 업무별 프로젝트에서 데이터를 준비하고, 준비와 검증 결과를 버전으로 남깁니다.
Ready for Agent는 실제 업무 사례를 기준으로 에이전트에 쓸 데이터를 준비하고 확인하는 방식입니다. 실행 결과를 받아 같은 조건으로 바로 다시 확인하는 흐름은 아직 정식으로 제공되지 않으며, 제공 범위를 넓혀 가는 중입니다.
아래 그림은 이 흐름을 환불 업무에 적용한 예시입니다. 부분 환불이나 중복 문의처럼 시험에 부족했던 사례를 찾으면 큐빅의 데이터 준비 엔진 DTS로 보강에 쓸 데이터 후보를 만듭니다. 이어 같은 조건에서 결과를 다시 비교하고 버전으로 기록하는 단계는 그림에서 ‘제공 예정’으로 표시했습니다. 지금 쓸 수 있는 범위와 우리 업무 환경에 연결하는 방법은 도입 상담에서 확인할 수 있습니다.
Syntitan은 Ready for Agent 말고도 Ready for Raw Data와 Ready for Model을 제공하며, 셋은 정해진 순서 없이 필요한 것부터 고를 수 있습니다. 데이터 상태를 먼저 살피려면 Ready for Raw Data를, 모델 업무에서 준비 전후 결과를 비교하려면 Ready for Model을 선택합니다. 에이전트를 만들고 운영하는 일은 고객 조직의 몫이며, Syntitan은 고객의 모델이나 에이전트를 대체하지 않습니다.
한편 큐빅은 2026년 가트너가 낸 에이전틱 AI 관련 보고서 세 건(「Emerging Tech: AI Vendor Race: Most Prominent Use Cases in Agentic AI by Industry」, 「Emerging Tech: AI Vendor Race: Tech Innovators in Agentic AI – Solution Accelerators」, 「Deploy Domain-Specific Agentic AI to Lower AI Costs and Drive Innovation」)에 이름을 올렸습니다. 자세한 내용은 큐빅 소식에 정리했습니다.
에이전트에 맡길 업무를 하나 골라, 시험 데이터에 그 업무의 예외 사례가 얼마나 들어 있는지부터 확인해 보세요.
