에이전트형 자동화, 즉 추론하고 적응하며 작업을 완료하는 소프트웨어가 AI CoE(센터 오브 엑설런스) 로드맵에 등장하고 있습니다. 하지만 기업들이 자동화 투자를 정당화하는 표준 방식인 '절약된 시간 × 인건비 − 구축 비용'은 로보틱 프로세스 자동화(RPA)와 같은 규칙 기반 도구를 위해 설계된 것입니다. 이 모델은 에이전트가 만들어내는 가치의 대부분을 놓치고 있습니다.
이 글에서는 에이전틱 자동화의 전체 가치를 포착하는 사업 타당성 근거를 수립하기 위해 AI CoE 리더가 활용할 수 있는 프레임워크를 소개합니다. RPA 시대의 ROI 모델이 왜 부족한지, 놓치는 가치를 어떻게 측정하는지, 그리고 어떤 워크플로가 에이전트로 자동화할 가치가 있는지 알아보세요.
왜 전통적인 비즈니스 사례가 부족한가
전통적인 투자수익률(ROI) 모델은 안정적이고 대량의 규칙 기반 업무를 위해 만들어졌습니다. 거래 건수를 세고, 소요 시간을 측정하고, 여유비용이 포함된 단가를 곱한 뒤 구축 비용을 차감하는 방식입니다. RPA는 이러한 기준으로 그 입지를 인정받았습니다.
이 모델은 자신이 만들어진 세계를 전제로 한다. 프로세스가 안정적이라고 전제하기 때문에 프로세스가 변할 때 자동화를 유지하는 비용을 무시한다. 업무가 규칙 기반이라고 전제하기 때문에 예외 상황에 대한 항목이 없다. 작업 자체가 일의 전부라고 전제하기 때문에 인간의 감독 비용을 계산하지 않는다. 그리고 절약된 1시간을 확보된 가치로 취급하지만, 확보된 역량은 종종 밀린 업무로 다시 채워져 손익계산서(P&L)에는 반영되지 않는다. 절약된 시간을 실제 성과로 전환하는 작업에 충분한 자원을 배정하지 않는 것이 바로 맥킨지(McKinsey)가 기업들이 계속 저지르는 실수라고 지적하는 부분이다. 성공적인 AI 전환은 “1:3:5 패턴”을 따르는데, “에이전트 기술에 1달러를 투자할 때마다 조직은 프로세스 재설계에 3, 역량 구축과 도입에 5를 지출합니다. 그러나 대부분의 기업은 이 공식을 완전히 뒤집어 적용합니다” (McKinsey, “Agentic AI change management: Closing the adoption gap,” 2026).
우리는 자동화의 가치가 작업 그 자체에 있다고 가정하지만, 에이전틱 자동화에서는 그 대부분이 작업의 주변에 있습니다. 즉, 판단, 예외 처리, 시스템 간 조율에 있습니다. 진정한 성과는 에이전트를 중심으로 워크플로를 재설계할 때 나오는 것이지, 변하지 않는 프로세스에 에이전트를 투입한다고 나오는 것이 아닙니다.
구모델이 놓치는 가치의 차원들
좀 더 나은 비즈니스 타당성 근거는 가치의 네 가지 차원과, 그 가치가 손익계산서에 도달하는지를 결정하는 조건을 측정합니다. 우리는 이를 다음과 같이 부릅니다. 에이전트 가치 모델.
시간 절약. 이것은 여전히 해당되지만, 에이전트는 고정 규칙 RPA가 잘 처리하지 못하거나 광범위한 예외 로직을 통해서만 처리할 수 있는 업무로 이를 확장합니다. 측정 기준은 동일합니다. 에이전트는 이를 더 큰 업무 범위에 적용합니다.
예외 처리. 예외가 비용의 상당 부분을 차지합니다. AWS 가이드라인은 계획 수립 범위를 제시합니다. 오류를 수정하는 데는 원래 트랜잭션 비용의 1.5~4배가 들 수 있으며, 인적 오류는 운영 비용의 2~15퍼센트를 차지할 수 있습니다. (AWS Prescriptive Guidance, "현재의 인적 프로세스 비용 평가")`. 재작업 승수는 팀이 걸러낸 예외에 가격을 매기고, 오류 백분율은 그대로 빠져나간 것들에 가격을 매깁니다. 노동력만 고려하는 사례에서는 둘 다 생략됩니다.`
의사결정 품질. 에이전트는 로그로 남겨진 근거와 함께 대규모로 공통 정책을 적용할 수 있지만, 일관성과 오류율은 지속적인 측정이 필요합니다. AWS에서 언급했듯이 "소량의 고가치 의사결정의 경우 비용 절감보다는 의사결정 품질 향상을 위해 에이전트릭 지원을 활용하는 것이 정당할 수 있습니다." (AWS Prescriptive Guidance, “Understanding agentic AI economics”)신용, 가격 책정, 또는 리스크 관련 단 하나의 더 나은 의사결정이 1년 동안 절약한 시간보다 더 큰 가치를 지닐 수 있습니다.
변화 복원력과 유지보수 경제성. 이 항목은 양방향으로 작용합니다. 스크립트는 취약합니다. 화면이나 상위 시스템이 변경되면 깨지고 누군가가 이를 다시 만들어야 합니다. 에이전트는 재작성 없이도 일정程度的 변화를 흡수하지만, 유지보수를 제거하는 것이 아니라 평가, 프롬프트, 모니터링, 모델 운영으로 옮길 뿐이며, 이를 실행하는 데에도 고유한 비용이 듭니다. 이 사례는 회피한 취약한 스크립트 유지보수와 지속적인 에이전트 운영 비용을 상쇄하여 판단하므로, 자주 변경되는 프로세스에서는 에이전트 쪽이 유리할 수 있고, 고정된 프로세스에서는 그렇지 않을 수 있습니다.
네 가지 모두를 좌우하는 조건은 가치 실현입니다. 모든 이점에는 운영상의 개선을 경제적 가치로 전환하는 명확한 메커니즘과 책임 있는 담당자가 필요합니다. 확보된 노동력의 경우, 이는 지출을 줄이거나 역량을 명명되고 측정 가능한 성과로 재배분하는 것을 의미합니다.
예시 수치를 통해 클레임 분류(claims-triage) 프로세스를 생각해 보자. 이 프로세스는 연간 200,000건의 클레임을 건당 약 12분(재작업 전 기준), 완전 부담 인건비 시간당 45달러로 처리하며, 기본 비용은 약 180만 달러에 해당한다. 루틴한 70퍼센트를 자동화하면 약 28,000시간, 즉 약 126만 달러의 용량을 확보할 수 있으며, 이는 해당 클레임들이 여전히 필요로 하는 감독 시간을 제외하기 전의 수치다. 대부분의 사례가 여기서 잘못되는데, 시간을 확보하는 것과 돈을 절약하는 것은 다르기 때문이다. 회사는 더 적은 인원을 고용하거나 계약업체, 초과 근무, 아웃소싱 지출을 줄일 경우에만 실제로 비용이 줄어든다. 그렇지 않으면 동일한 인원이 급여 명단에 남아 있고 손익계산서(P&L)에는 그 126만 달러가 결코 나타나지 않는다. 이직과 초과 근무 감소로 그 절반을 회수한다면, 이 사례는 전체 금액이 아니라 약 63만 달러를 반영해야 한다.
사람들을 다른 곳에 재배치하는 것이 더 흔한 결과이며, 그때 가치는 그들이 이제 생산하는 바가 됩니다. 출시된 각 시간(hour)에 대해 재배치된 가치 또는 현금 비용 절감 중 한 가지만 계산하십시오. 둘 다 계산하지 마십시오. 그다음, 순수 인건비만 반영한 케이스에서는 보이지 않는 부분을 더한다. 수정이 필요한 8%(16,000건)에 대해, 약 $9의 처리 비용에 3.5배의 수정 비용(시간당 $45 기준 12분)을 적용하면 연간 약 $504,000의 수정 비용 노출액이 나온다. 이것은 기준선이지 에이전트의 가치가 아니다. 그 가치는 에이전트가 제거하는 비중이다: 40% 감축에 75% 실현 계수를 곱하면 약 $151,000의 모델링된 편익이 된다. 이는 개선된 단 한 건의 사기 탐지 판단에 가치를 매기기 전의 수치다. 12분의 기준에 재작업이 포함되어 있지 않으므로, 이 풀은 확보된 역량과는 중복되지 않는다. 만약 기준선에 재작업 시간이 포함되어 있다면, 그 절감액은 하나의 풀에서만 계산해야 한다. 이런 버전의 케이스라면 재무 부서가 방어할 수 있는 숫자를 만들어 낸다.
계산의 일관성을 유지하려면 모든 가치 풀을 동일한 방식으로 산정하고 비용은 차감해야 하며, 이는 다음 표에 요약되어 있습니다.
| 가치 풀 | 기준선 | 예상 델타 | 실현 계수 | 소유자 |
| 출시된 용량 | 시간 × 적용 요율 | % 자동화됨 | 명명된 성과로 재배치되거나 지출이 감소하는 경우에만 | 운영 책임자 |
| 예외 및 오류 비용 | 수정 비용 + 오류 손실 | 예상 감소 | 포획 비율 | 품질 리드 |
| 의사결정 품질 | 더 나은 의사결정의 가치 | 의사결정당 상승 효과 | 지분율에 따른 몫 | 도메인 소유자 |
| 변화 회복력과 유지 보수 경제성 | 스크립트의 고장 수리 비용 + 다운타임 | 재빌드 회피, 더 빠른 변경 수용 | 재빌드 회피 비율, 수식에서 에이전트 비용을 한 번만 차감하여 계산 | 엔지니어링 리드 |
전체를 한 줄로 서술하되, 각 편익을 하나의 풀에 각각 배정해 이중 계산이 발생하지 않도록 하세요: 연간 순가치 = 실현된 용량 가치 + 회피된 수정 및 오류 비용 + 의사결정 결과 개선 효과 + 회피된 유지보수 및 다운타임 비용 − 연할부된 도입 비용 − 에이전트 런타임, 통합, 평가, 감독, 거버넌스 및 변경관리 비용 − 에이전트가 새로 유발하는 오류로 인한 손실. 에이전트가 제거하지 못한 오류는 이미 회피 비용 항목 밖에 있으므로 두 번 차감하지 마세요. 다년도 프로그램의 경우 비용을 연할부하지 말고 실제 지출한 연도에 도입 비용을 계상하고, 도입이 확대됨에 따라 편익을 점증 방식으로 반영하며, 연도별 현금 흐름을 순현재가치(NPV)로 할인하세요.
Amazon Quick Automate의 초기 3건의 배치 사례, 즉 내의 자동화 서비스 Amazon Quick의 작동 방식에서 차원을 보여줍니다. Kitsa는 임상시험 사이트 선정 회사로, 수십만 개 웹사이트에 걸쳐 50개 이상의 데이터 포인트 추출을 자동화했습니다. 91퍼센트의 비용 절감, 96퍼센트의 커버리지에서 96퍼센트 더 빠른 데이터 획득을 보고했으며, 신뢰도가 낮은 케이스는 검토자에게 전달했습니다(시간 절감 및 예외 처리). Kitsa의 공동창업자이자 CTO인 Rohit Banga가 AWS Machine Learning Blog 게시물에서 언급했듯이, 고품질 사이트 데이터를 대규모로 통합함으로써 핵심 병목이 해소되었습니다. 이를 통해 Kitsa의 Site Finder Agent는 더 많은 사이트를 더 높은 정밀도로 평가할 수 있게 되었습니다.
dLocal은 국경 간 결제 제공업체로, 통제된 평가에서 판매자 컴플라이언스 검토의 최대 75퍼센트를 자동화했습니다. 이를 통해 전문가들은 복잡하고 고위험 케이스에 집중할 수 있게 되었고(의사결정 품질), 주기적 수동 검토로는 놓칠 수 있는 정책 드리프트에 대한 지속적인 점검이 추가되었습니다(변화 회복력). dLocal에 따르면, 이전에 루틴 점검에 몇 시간을 소비하던 전문가들이 이제는 규제 판단이 필요한 케이스에 그 시간을 쓰고 있습니다.
그리고 Genpact는 여러 SAP 시스템에 걸친 공급망 리스크를 자동화하면서, 차질 영향 분석을 2~3일에서 몇 분으로 단축했다고 보고합니다. 이는 어느 하나의 시스템 오브 레코드도 소유하지 않는 종류의 교차 시스템 조정입니다(시간 절감 및 의사결정 품질). 이러한 배치 사례 중 어느 것도 네 가지 풀 모두를 입증하지는 못하며, 그렇기 때문에 각 풀의 규모는 개별적으로 측정해야 합니다.
우선순위 결정을 위한 프레임워크
모든 후보 워크플로를 두 축으로 평가하십시오. 첫 번째는 작업 복잡도, 즉 필요한 추론, 맥락, 적응의 정도입니다. 두 번째는 의사결정 위험, 즉 잘못 수행했을 때의 비용으로, 이는 부여할 수 있는 자율성의 크기를 결정합니다. 두 축 모두 AWS 경제성 가이던스에서 나온 것이며, 두 축을 함께 보면 운영위원회가 활용할 수 있는 2x2 매트릭스가 만들어집니다.
낮은 복잡도, 낮은 위험: RPA를 유지하십시오. 이 영역에서는 에이전트가 가치를 더하지 않고 비용만 추가하기 때문입니다. 높은 복잡도, 낮은 위험은 처리 용량 확보 전략이므로, 처리량과 예외 흡수를 위해 자동화하십시오. 높은 복잡도, 높은 위험은 의사결정 품질 전략이므로, 사람을 개입시키(human-in-the-loop)하고 더 나은 의사결정으로 정당화하십시오. 낮은 복잡도, 높은 위험은 가드레일 전략이므로, 불필요한 추론을 추가하기보다 해당 단계 주변의 통제를 강화하십시오.
유용한 지름길: 사람이 여러 시스템을 오가며 각 단계마다 모호한 맥락을 해석하는 일이라면 에이전트틱 방식을 평가하십시오. 경로가 결정론적으로 유지된다면 RPA가 여전히 더 저렴할 수 있습니다. 무엇을 측정할지는 Agentic Value Model로 결정하고, 무엇을 우선할지는 이 매트릭스로 결정하십시오.
그림 1: 에이전트틱 자동화 우선순위 매트릭스, 축은 AWS Prescriptive Guidance에서 변용되었으며 분류는 예시임
경영진을 위한 근거 구축
투자를 단일 프로젝트가 아닌 워크플로 포트폴리오로 제시하십시오. McKinsey의 연구는 고립된 파일럿이 왜 정체되는지 보여줍니다: 기업의 거의 3분의 2가 에이전트를 실험했지만, 10퍼센트 미만만이 이를 실질적인 가치로 확장했습니다 (McKinsey, “Scaling agentic AI with data transformations,” 2026). 가치는 성과를 정의하고, 에이전트를 핵심 워크플로 깊숙이 통합하며, 그 중심으로 운영 모델을 재설계하는 데서 나옵니다. 경영진에게 각각 4개 차원의 근거를 갖춘 3~5개의 우선순위 도메인을 제시하십시오.
회의적인 CFO를 설득하는 가장 중요한 것은 중단 규칙(stop rule)입니다: 명확한 손익분기 목표와 성과가 저조한 에이전트에 대한 자금 지원을 중단할 사전 정의된 시점을 두고 단계적으로 투자하십시오. 각 도메인을 경영진이 이미 추적하는 핵심 성과 지표(KPI), 즉 서비스당 비용, 처리 시간(cycle time), Net Promoter Score, 컴플라이언스 노출 등과 연결하십시오. 그리고 거버넌스를 더 빨리 나아가는 방법으로 취급하십시오: 범위가 제한된 자율성, 위험이 높은 곳에서의 감독, 설계 단계부터의 감사 가능성은 증거가 쌓이는 만큼 에이전트 자율성을 넓힐 수 있게 해줍니다.
Amazon Quick 시작하기
Amazon Quick 은 리서치, 비즈니스 인텔리전스, 자동화를 하나의 에이전트틱 경험으로 통합합니다. Quick Automate, 즉 자동화 서비스를 통해 팀은 엔터프라이즈 워크플로 전반에서 UI 동작, API 호출, 사람의 검토를 오케스트레이션할 수 있습니다. 이를 통해 케이스 수준의 실행 데이터가 생성되며, CoE는 이를 운영 및 재무 KPI와 결합하여 가치가 실현되는 대로 측정할 수 있습니다.
이러한 측정이 첫 프로젝트를 포트폴리오로 만듭니다. 4가지 가치 풀을 살펴보면, 사람이 시스템 간을 이동하고, 맥락을 해석하고, 예외를 손으로 처리하는 곳 어디서나 발견하게 됩니다. 하나의 워크플로를 프로덕션에 배치하고, 그 가치 풀과 운영 비용의 기준선을 잡고, 소유자를 지정하고, 그 수치를 입증하십시오. 그러면 새 워크플로가 결과를 보고할 때마다 포트폴리오 근거가 축적됩니다.
결론
핵심 질문은 에이전트틱 자동화가 기존 도구로는 불가능한 가치를 어디에서 전달하는지, 그리고 지출하기 전에 이를 어떻게 입증할지입니다. 이 게시물에서 설명한 원칙, 즉 모든 가치 풀의 규모를 산정하고, 현실적인 실현 계수를 적용하고, 중단 규칙을 설정하는 것은 그 입증을 신뢰할 수 있게 만드는 요소입니다. 하나의 워크플로에서 가치를 입증한 팀은 예측이 아닌 측정된 결과로 다음 프로젝트 자금을 조달할 수 있습니다. 기본 경제성에 대해서는 좋은 출발점으로 AWS Prescriptive Guidance on agentic AI economics.