AI 에이전트를 도입하기로 하면 다음에 정할 것은 어느 업무에 먼저 쓸지입니다. 고객 응대, 데이터 조회, 보고서 작성, 구매 가운데 하나를 골라야 합니다.
에이전트를 시험해 본 조직은 많지만 실제 업무에 확장해 쓰는 조직은 아직 적습니다. McKinsey가 2025년 11월 발표한 조사에서 에이전트를 시험해 본 응답 조직은 62%였고 1가지 이상의 업무에서 확장해 쓰는 조직은 23%였습니다.
그래서 참고할 수 있는 것은 먼저 도입해서 전후 수치를 공개한 회사들의 결과입니다. 국내외 사례를 업무별로 나눠 정리했습니다.
수치가 공개된 에이전트는 3가지 업무에 쓰였습니다
고객 응대, 사내 데이터와 문서 조회, 사무 업무입니다. 사례마다 수치와 함께 도입할 때 정해 둔 조건이 공개돼 있습니다. 수치는 회사마다 다르게 나오지만 조건은 우리 회사에도 그대로 적용할 수 있습니다.
고객 응대 에이전트는 고객 문의에 답하고 요청을 처리합니다. 스웨덴의 온라인 결제 서비스 회사 Klarna는 도입 첫 달 전체 고객 문의의 약 3분의 2를 에이전트가 처리했고 해결 시간이 11분에서 2분 미만으로 줄었다고 밝혔습니다. 그래도 고객이 언제든 사람 상담사를 고를 수 있게 운영합니다.
사내 데이터와 문서 조회 에이전트는 직원이 평소 쓰는 말로 물으면 사내 데이터나 문서를 찾아 답합니다. 미국의 차량 호출 서비스 회사 Uber는 재무팀이 사내 메신저에서 재무 데이터를 묻고 답을 받습니다. 직원 역할에 따라 볼 수 있는 데이터를 제한해 두었습니다.
사무 업무 에이전트는 일정과 회의, 메일, 번역, 보고서 작성을 처리합니다. LG디스플레이는 이 에이전트를 도입한 뒤 하루 평균 업무 생산성이 약 10% 올랐다고 밝혔습니다. 전사에 한 번에 적용하지 않고 부서별로 단계적으로 적용하고 있습니다.
구매와 생산계획에 쓰는 에이전트는 아직 개발이나 시범 운영 단계인 경우가 많습니다.
처음 도입할 에이전트를 고를 때는 3가지 가운데 우리 회사에서 건수와 처리 시간이 이미 기록되는 업무부터 봅니다. 도입 뒤에 같은 기준으로 비교할 수 있어야 성과를 설명할 수 있습니다. 사람이 처리할 범위와 에이전트가 볼 수 있는 데이터의 범위는 도입 전에 함께 정합니다.
에이전트를 먼저 쓰는 업무는 아직 정해져 있지 않습니다
앞의 McKinsey 조사는 약 1,500개 조직을 대상으로 했습니다. AI 자체는 응답 조직의 88%가 정기적으로 쓰고 있었지만 에이전트는 업무 기능별로 나눠 보면 어느 기능에서도 확장한 조직이 10%를 넘지 않았습니다.
특정 업무에서 에이전트를 확장한 회사가 많다면 그 업무부터 검토하면 됩니다. 지금은 어느 업무도 10곳 가운데 1곳을 넘지 않습니다. 다른 회사가 어디부터 했는지보다 우리 회사에서 기록이 남는 업무가 어디인지가 고르는 기준이 됩니다.
제조 기업도 에이전트를 가장 많이 쓴 곳은 사무실 업무였습니다
같은 조사에서 첨단 제조 기업 118곳만 따로 보면 에이전트를 확장해 쓰는 기업의 가장 많은 용도는 소프트웨어 개발이었습니다. 공장 설비가 아니라 사무실 안에서 하는 업무입니다.
제조 기업이라고 생산 공정부터 에이전트를 써야 하는 것은 아닙니다. 위 3가지 업무도 모두 사무실 업무입니다.
고객 응대 에이전트는 사람이 처리할 문의를 정해 두고 씁니다
제조 기업에서는 주문과 납기, 반품 문의가 여기에 해당합니다. 납기 문의에 답하려면 에이전트가 생산 일정과 재고 데이터를 조회할 수 있어야 하므로 고객 응대 에이전트는 아래의 데이터 조회 에이전트와 함께 검토합니다.
Klarna는 첫 달에 고객 문의의 약 3분의 2를 처리했습니다
Klarna는 2024년 2월 고객지원 에이전트를 출시했고 첫 달에 230만 건의 대화를 처리했습니다. 전체 고객 문의의 약 3분의 2였고 해결 시간은 11분에서 2분 미만으로 줄었습니다.
같은 문의를 다시 하는 경우도 25% 줄었습니다. 처음 응답에서 해결된 문의가 늘었다는 뜻입니다. 고객 응대 에이전트의 성과를 볼 때는 처리 시간과 함께 같은 문의를 다시 하는 비율도 봅니다.
회사가 2025년 3분기 실적 발표에서 밝힌 바로는 이 에이전트가 처리하는 업무량이 정규직 853명분이고 연간 절감액은 약 6,000만 달러입니다. 같은 해 초에는 700명분과 4,000만 달러였습니다. 발표할 때마다 수치가 달라지므로 사내에 쓸 때는 발표 시점을 함께 적습니다.
문의의 3분의 2를 처리하는 회사도 사람 상담을 남겨 두었습니다
Klarna는 2025년 5월부터 고객이 원하면 언제든 사람 상담사를 선택할 수 있도록 운영 방식을 바꿨습니다. 에이전트는 계속 쓰고 있고 에이전트와 사람 상담사가 함께 응대합니다.
에이전트가 문의 대부분을 처리하더라도 사람 상담사가 맡는 문의는 남습니다. 도입 계획을 세울 때 상담 인력을 모두 대체하는 것을 전제로 하지 않습니다.
Salesforce는 자사 고객지원 대화의 64%를 사람 없이 해결했습니다
Salesforce는 기업용 고객관리 소프트웨어를 만드는 미국 회사이고 에이전트 제품도 판매합니다. 이 수치는 그 제품을 자사 고객지원에 쓴 결과입니다.
회사는 2026년 8월 실적 발표에서 500만 건이 넘는 고객 대화를 처리했고 그 가운데 64%를 사람이 개입하지 않고 해결했다고 밝혔습니다.
에이전트 처리 비율을 100%로 잡지 않습니다
에이전트 제품을 만든 회사가 자사에 쓴 결과가 64%입니다. 우리 회사의 도입 목표를 세울 때 에이전트가 모든 문의를 처리하는 것을 기준으로 삼지 않는 근거가 됩니다.
에이전트가 끝까지 처리할 문의와 사람 상담사가 처리할 문의를 먼저 나눕니다. 제조 기업이라면 납기 변경 요청이나 품질 클레임을 사람이 처리할 문의로 정해 둘 수 있습니다. 이렇게 나눠 두면 에이전트가 처리한 비율을 매달 같은 기준으로 확인할 수 있습니다.
사내 데이터 조회 에이전트는 권한과 용어를 먼저 정해 두고 씁니다
직원이 담당자에게 자료를 요청하지 않고 직접 조회할 수 있게 됩니다. 사례를 보면 에이전트를 쓰기 전에 누가 무엇을 볼 수 있는지와 사내 용어가 어떤 데이터를 가리키는지를 정해 두었습니다.
Uber는 재무팀이 메신저에서 재무 데이터를 조회합니다
Uber의 재무 분석가는 Presto, Oracle EPM, IBM Planning Analytics 같은 여러 재무 시스템에서 각각 조회 명령어를 직접 작성해 데이터를 확인했습니다. Uber는 이 작업에 걸리는 시간을 줄이려고 Finch라는 에이전트를 만들었습니다.
직원이 사내 메신저 Slack에서 질문하면 Finch가 질문을 데이터베이스 조회 명령어로 바꿔 실행하고 결과를 답합니다. 재무팀에서 실제 업무에 쓰고 있습니다.
Finch가 해결하려던 문제는 데이터가 여러 시스템에 나뉘어 있는 것이었습니다. 제조 기업도 ERP와 MES, 엑셀에 데이터가 나뉘어 있다면 같은 상황입니다.
에이전트에도 사내 권한 기준을 그대로 적용합니다
Finch는 질문한 직원의 역할에 따라 조회할 수 있는 데이터를 제한합니다. 사내에서 재무 데이터를 볼 수 있는 사람이 정해져 있으므로 에이전트에도 같은 기준을 적용합니다.
도입 전에 우리 회사의 데이터 권한이 역할별로 정리돼 있는지 확인합니다. 권한이 정리돼 있지 않으면 에이전트가 누구에게 무엇을 보여줄지 정할 수 없습니다.
재무팀이 쓰는 용어와 데이터 항목 이름을 짝지어 둡니다
Finch는 재무팀이 쓰는 용어와 데이터베이스의 항목 이름을 짝지어 둔 목록을 함께 씁니다. 직원이 매출이라고 물었을 때 어느 표의 어느 항목을 조회할지 이 목록으로 정합니다. 같은 용어를 부서마다 다르게 쓰는 회사라면 이 목록을 만드는 작업이 도입 전에 필요합니다.
제조 기업에서는 원가와 재고, 불량이 여기에 해당합니다. 원가가 표준원가인지 실제원가인지, 재고가 창고 재고인지 공정 중 재고인지를 정해 두지 않으면 같은 질문에 다른 답이 나옵니다.
JPMorgan Chase는 임직원 약 20만 명이 사내 AI 도구를 씁니다
JPMorgan Chase는 미국의 대형 은행입니다. 사내 문서와 지식을 찾아 답하는 AI 도구 LLM Suite를 임직원에게 제공하고 약 20만 명이 쓰고 있습니다. 회사 전체에서 실제 업무에 적용한 AI 용도는 450건을 넘습니다.
20만 명이 써도 중요한 결정은 사람이 내립니다
이 회사는 AI를 사람을 대신하는 도구가 아니라 사람의 업무를 돕는 도구로 운영합니다. 중요한 의사결정의 최종 판단은 사람이 합니다.
도입 범위를 정할 때 에이전트는 자료를 찾고 정리하는 일까지 하고 그 자료로 무엇을 결정할지는 사람이 정한다고 적어 둡니다. 범위가 적혀 있어야 에이전트가 낸 답을 누가 확인할지도 정할 수 있습니다.
사무 업무 에이전트의 성과는 비교 기준을 확인하고 읽습니다
직원 대부분이 매일 하는 업무라서 부서와 상관없이 쓸 수 있습니다. LG디스플레이 사례에서 공개된 수치 3개는 성격이 서로 다릅니다. 하나는 실적이고 하나는 다른 선택지와 비교한 금액이고 하나는 목표입니다.
LG디스플레이는 하루 평균 업무 생산성이 약 10% 올랐습니다
LG CNS가 만든 업무 에이전트를 LG디스플레이가 도입했습니다. LG CNS는 2025년 8월 LG디스플레이의 하루 평균 업무 생산성이 이전보다 약 10% 올랐다고 발표했습니다. 이 10%가 실적입니다.
부서 단위로 도입하면 전후를 비교할 수 있습니다
LG디스플레이는 전사에 한 번에 적용하지 않고 적용 부서를 단계적으로 늘리고 있습니다.
첫 도입을 한 부서에서 시작하면 같은 부서 안에서 도입 전후를 비교할 수 있습니다. 전사에 동시에 적용하면 무엇이 바뀌어서 수치가 달라졌는지 구분하기 어렵습니다.
연 100억 원은 외부 서비스를 도입했을 때와 비교한 금액입니다
LG CNS는 연간 100억 원 이상의 비용을 절감했다고 함께 밝혔습니다. 이 금액은 외부의 비슷한 서비스를 도입했을 때와 비교한 값입니다.
인건비가 100억 원 줄었다는 뜻이 아닙니다. 사내에 보고할 때 절감액이 무엇과 비교한 값인지 함께 적어야 합니다.
3년 안에 30%는 목표입니다
LG CNS는 3년 안에 업무 생산성을 30% 이상 높이겠다는 목표도 밝혔습니다.
10%는 이미 나온 값이고 30%는 앞으로의 목표입니다. 두 숫자를 한 장표에 같은 크기로 적으면 읽는 사람이 둘을 같은 성격으로 봅니다.
처음 도입할 에이전트는 기록이 있는 업무에서 고릅니다
사례에 나온 업무는 고객 응대, 사내 데이터 조회, 사무 업무입니다. 제조 기업에도 같은 업무가 매일 있습니다.
1 반복되는 문의와 조회를 목록으로 만듭니다
주문과 납기 문의, 원가와 재고 조회, 회의록과 주간 보고서 작성입니다. 하루에 몇 건인지 적습니다.
2 지금 처리 시간을 기록합니다
문의 1건을 끝내는 데 몇 분이 걸리는지, 같은 문의가 다시 들어오는 비율이 얼마인지, 자료를 요청하고 받기까지 며칠이 걸리는지, 보고서 1건에 몇 시간이 걸리는지입니다. Klarna가 해결 시간이 11분에서 2분 미만으로 줄었다고 밝힐 수 있었던 것도 도입 전 해결 시간을 알고 있었기 때문입니다.
3 에이전트에 맡길 범위를 정합니다
에이전트가 끝까지 처리할 문의와 사람이 처리할 문의, 에이전트가 조회할 수 있는 데이터, 원가와 재고 같은 용어의 뜻을 정합니다. Klarna는 고객이 언제든 사람 상담사를 고를 수 있게 했고 Uber는 직원 역할에 따라 조회 범위를 제한했습니다.
4 절감액의 비교 기준을 적습니다
LG디스플레이의 100억 원은 외부 서비스 도입과 비교한 값입니다. 인건비 절감인지, 외주비 절감인지, 다른 도구와 비교한 값인지 적어야 다음 투자를 판단할 수 있습니다.
다음 회의에서 확인할 것은 하나입니다. 우리 회사에서 매일 반복되는 문의와 조회가 무엇이고 지금 1건에 얼마나 걸리는지입니다.
디피니트 블로그를 구독하세요
디피니트는 제조 기업의 원가와 손익을 설명 가능하게 만드는 회사입니다. ERP 숫자와 현장 인식이 다를 때 근거를 대지 못하는 상황을, AI가 원인을 항목 단위로 분해해 조치 방향까지 보여주도록 바꿉니다.
그 과정에서 알게 된 것들을 블로그에 정리하고 있습니다. AI를 어디까지 맡기고 어디서 사람이 판단할지 고민하고 계신다면, 디피니트 블로그를 구독하고 새 글을 먼저 받아보세요.