소속팀: HQ 작성자: 한선호
2027 AI 전망과 AI MSP의 다음 단계 — 글로벌 Top 10 리포트로 읽는 AI 에이전트 시대
Oct 13, 2026 · @minji kang
들어가며: 2026년, AI는 시험 단계를 넘어섰다
2026년 글로벌 리포트 10편이 공통으로 가리키는 결론은 하나입니다. AI는 사람을 ‘돕는’ 도구에서 업무를 직접 ‘처리하는’ 단계로 넘어갔고, 이제 경쟁력은 모델 성능보다 AI 관리 체계·데이터·운영 역량에서 갈립니다.
숫자가 이를 보여줍니다. KPMG 3분기 조사에서 AI 에이전트를 구축·배포 중인 기업은 62%였고, 멀티 에이전트 시스템은 한 분기 만에 6%에서 25%로 뛰었습니다. 반면 Deloitte 조사에서 시범 사업(파일럿)의 40% 이상을 실제 업무에 적용한 기업은 25%에 그쳤습니다. 에이전트를 만드는 기업은 빠르게 늘고 있지만, 실제 업무에서 안정적으로 운영하는 기업은 아직 소수입니다.
도입과 운영 사이의 이 차이가 바로 MSP(클라우드 관리 서비스 기업)의 다음 시장입니다. 이 글은 McKinsey, Deloitte, KPMG, Accenture, Microsoft, BCG, PwC, Stanford HAI, EY의 최신 리포트를 바탕으로 2027년의 비즈니스·기술 전망을 정리하고, 클라우드 MSP에서 AI MSP로 전환 중인 베스핀글로벌의 관점에서 전략적 시사점을 짚어봅니다.
10개 리포트 한눈에 보기
10편을 함께 읽으면 세 가지 공통점이 보입니다. AI 에이전트 도입은 빨라지고 있지만, 전사로 넓혀 성과를 내는 기업은 여전히 소수이며, 그 차이는 AI 관리 체계·데이터·조직 운영 방식에서 나옵니다.
| # | 기관 · 리포트 (발표) | 조사 규모 | 2027 관점에서 가장 중요한 메시지 |
|---|---|---|---|
| 1 | McKinsey · State of AI Trust in 2026 (2026.3) | 약 500개 조직 | AI 관리 체계 성숙도는 4점 만점에 2.0→2.3으로 올랐지만, 에이전트 관리 수준이 3단계 이상인 곳은 약 30%. 에이전트를 넓게 쓰지 못하는 가장 큰 이유는 보안·리스크(약 3분의 2) |
| 2 | Deloitte · State of AI in the Enterprise (2026.1) | 24개국 3,235명 | 시범 사업의 40% 이상을 실제 업무에 적용한 기업 25%. 약 4분의 3이 2년 내 에이전트 도입 계획, 에이전트 관리 체계를 제대로 갖춘 곳은 약 5분의 1 |
| 3 | KPMG · AI Quarterly Pulse Q3 2026 (2026.9) | 매출 10억 달러 이상 미국 기업 314명 | 에이전트 구축·배포 62%, 멀티 에이전트 25%(직전 6%). AI 관리에 자신 있다는 응답은 73%로 올랐지만, 에이전트에 통제 기능을 실제로 넣은 곳은 30%로 하락 |
| 4 | Accenture · The Age of Co-Intelligence (2026.3) | 18개 산업, 1.2억 명 직무 분석 (Wharton 공동) | 근무시간의 절반 이상이 에이전트의 영향을 받음. AI 중심으로 일하는 조직이 되려면 에이전트가 최소 약 60개 필요. 사람은 AI 결과를 확인만 하는 역할에서 방향을 정하고 책임지는 역할로 |
| 5 | Microsoft · Work Trend Index 2026 (2026.5) | 10개국 지식근로자 2만 명 | AI 효과의 67%는 개인이 아닌 조직 요인이 결정. Microsoft 365 내 활성 에이전트 수는 1년 새 15배 |
| 6 | BCG · AI Radar 2026 (2026.1) | 16개국 경영진 2,360명 | 2026년 AI 지출은 매출의 약 1.7%로 두 배. CEO 72%가 AI 최종 의사결정자, AI 투자의 30% 이상이 에이전트 분야로 |
| 7 | PwC · 2026 AI Business Predictions (2025.12) | 전망 보고서 | 가치의 약 20%는 기술, 80%는 업무 재설계에서 나온다는 관점. 여러 에이전트를 한곳에서 감독·통제하는 ‘관제 센터’ 개념이 등장 |
| 8 | Stanford HAI · AI Index 2026 (2026.4) | 공개 데이터 종합 | PC를 직접 조작하는 에이전트의 과제 성공률(OSWorld 기준) 12%→약 66%. 조직의 88%가 AI를 쓰지만 정기 사용 직원은 58%. AI 사고 233→362건 |
| 9 | EY · US AI Pulse Survey (Wave 5, 2026.7) | 미국 경영진 534명 | 82%가 토큰 비용을 우려, 예산 대비 사용량을 추적하는 곳은 64%. 76%가 기존 구독형 소프트웨어(SaaS)로는 요구를 충족하기 어렵다고 답함 |
| 10 | McKinsey · Building the foundations for agentic AI at scale (2026.4) | 실무 프레임워크 | 에이전트를 시도한 기업은 약 3분의 2, 실제 성과로 이어진 곳은 10% 미만. 업무 용어를 통일한 데이터 체계와 통제 장치를 갖춰야 넓게 쓸 수 있다고 제시 |
EY 조사는 2025년 7월의 Wave 3 대신 가장 최신인 Wave 5(2026.7)를 기준으로 삼았습니다.
2027 Business Outlook: 다섯 가지 변화
2027년의 비즈니스 화두는 ‘얼마나 도입했나’에서 ‘얼마나 운영해서 얼마를 벌었나’로 옮겨갑니다.
1. AI는 CEO가 직접 챙기는 과제가 되고, 투자에는 성과 증명이 따라붙는다
BCG 조사에서 CEO의 72%가 스스로를 AI 최종 의사결정자로 꼽았고, 이는 전년의 약 두 배입니다. 기업들은 2026년 AI 지출을 매출의 약 1.7%로 두 배 늘릴 계획이었습니다. 그러나 EY Wave 5는 1천만 달러 이상을 쓰는 기업이 23%에 그쳐, 1년 전 기대치(35%)에 못 미쳤다고 보고합니다. 2027년 예산은 늘더라도, 그 대가로 측정 가능한 성과를 먼저 요구받을 것입니다.
2. AI를 시험만 하는 기업과 실제로 활용하는 기업의 격차가 벌어진다
McKinsey 기준 에이전트를 실제 성과로 연결한 기업은 10% 미만, Deloitte 기준 시범 사업의 40% 이상을 실제 업무에 적용한 기업은 25%입니다. BCG의 선도 그룹(CEO의 15%)은 AI 투자의 절반 이상을 에이전트에, 예산의 약 60%를 역량 강화에 씁니다. 2027년에는 이 선도 그룹과 나머지의 생산성 격차가 재무제표에서 드러나기 시작할 것입니다.
3. 성과의 원천은 기술이 아니라 업무 재설계다
PwC는 프로젝트 가치의 약 20%만 기술에서, 80%는 업무 재설계에서 나온다고 봅니다. Microsoft 조사에서도 AI 효과의 67%를 조직 요인이 설명했습니다. Accenture는 근무시간의 절반 이상이 에이전트의 영향을 받는다고 추정합니다. 2027년의 질문은 ‘어디에 AI를 붙일까’가 아니라 ‘이 업무 단계가 아직 필요한가’입니다.
4. AI 사용료(토큰 비용)가 재무 부서의 새 관리 대상이 된다
EY 조사에서 82%가 AI 모델 사용량에 따라 부과되는 비용(토큰 비용)을 우려했고, 예산 대비 사용량을 추적하는 곳은 64%뿐이었습니다. KPMG 조사에서는 74%가 AI 승인 과정에 비용 검토를 넣었고, 43%가 토큰 예산을 설정했습니다. 클라우드 비용 관리(FinOps)가 필수가 됐듯, 2027년에는 AI 비용 관리(AI FinOps)가 기본 관리 항목이 됩니다.
5. 소프트웨어를 사서 쓰기보다 AI로 직접 만들어 쓰는 기업이 늘어난다
EY 응답자의 76%는 기성 소프트웨어가 더 이상 요구에 맞지 않는다고 했고, 87%는 AI로 자체 개발한 소프트웨어를 시범 운영 중입니다. 82%는 사용자 수 기준으로 요금을 매기는 SaaS 방식의 중요성이 줄 것으로 봅니다. 동시에 72%는 이렇게 만든 소프트웨어가 오히려 속도를 늦춘다고 답했습니다. 부서마다 승인 없이 만든 앱이 늘어난 것이 가장 큰 원인이었습니다. 만드는 속도보다 관리·통제 역량이 발목을 잡는 상황입니다.
2027 Technical Outlook: 다섯 가지 변화
기술의 초점은 AI 모델 자체에서, 모델을 업무에 잘 쓰게 만드는 운영 체계로 옮겨갑니다. 모델 간 성능 차이는 줄고, 경쟁력의 차이는 데이터 준비·통제·모니터링 역량에서 생깁니다.
1. AI 에이전트 하나가 아니라 여러 에이전트가 함께 일하는 구조로 바뀐다
Stanford AI Index에 따르면 PC를 직접 조작하는 에이전트의 과제 성공률(OSWorld)은 1년 새 12%에서 약 66%로, 코딩 벤치마크 SWE-bench Verified는 약 60%에서 100%에 근접했습니다. KPMG 조사에서 멀티 에이전트 시스템을 쓰는 기업은 한 분기 만에 6%에서 25%로 늘었습니다. 2027년에는 여러 에이전트가 역할을 나눠 협업하는 구조와, AI를 외부 시스템에 연결하는 MCP 같은 표준이 기본이 됩니다. 동시에 에이전트를 ‘만드는’ 도구는 AWS AgentCore, Azure AI Foundry, Google Agent Builder 같은 빅테크 플랫폼으로 빠르게 통합되고 있습니다. 에이전트를 만드는 일은 점점 쉬워지고, 경쟁력은 많은 에이전트를 안정적으로 운영하는 능력으로 옮겨갑니다.
2. AI 관리는 규정 문서에서 시스템 안의 실시간 통제로 바뀐다
KPMG 조사에서 AI 관리 체계(거버넌스)에 자신 있다는 응답은 73%로 올랐지만, 에이전트에 통제 기능을 실제로 넣은 곳은 30%로 오히려 떨어졌습니다. McKinsey는 에이전트가 할 수 있는 일, 접근 가능한 데이터, 사람의 승인이 필요한 시점을 명시하라고 권고합니다. 2027년의 AI 관리는 에이전트별 권한 범위, 사람의 승인 절차, 작업 기록이 시스템에 직접 반영된 형태여야 합니다.
3. 데이터 문제가 2027년 최대 투자처가 된다: 데이터 정비(DataOps)와 업무 지식 체계(Ontology)
데이터는 에이전트를 넓게 쓰는 데 가장 큰 걸림돌이고, 2027년 투자는 바로 이 문제로 몰립니다. 분석기관 전망, 기업 매출, 대형 인수 세 방향에서 같은 흐름이 확인됩니다.
| 구분 | 근거 | 2027 시사점 |
|---|---|---|
| 걸림돌 | Gartner는 AI에 바로 쓸 수 있게 정리된 데이터(AI-ready 데이터)가 없는 AI 프로젝트의 60%가 2026년까지 중단될 것으로 봤고, 조직의 63%는 AI에 맞는 데이터 관리 체계가 없거나 모른다고 답함 (Gartner, 2025.2) | 데이터 준비 없이 시작한 과제부터 중단됨 |
| 투자 격차 | AI 성과를 낸 조직은 데이터 품질·거버넌스에 매출 대비 최대 4배를 더 투자 (Gartner, 2026.4) | 데이터 투자가 성과를 낸 기업의 공통 조건 |
| Ontology | Gartner는 2027년까지 업무 용어와 의미 체계(시맨틱)를 먼저 정비한 조직이 에이전트 정확도를 최대 80% 높이고 비용을 최대 60% 줄일 것으로 전망, 이를 위한 예산을 따로 잡으라고 권고 (Gartner, 2026.5) | 업무 지식 체계(온톨로지)가 별도 투자 항목으로 |
| 시장 성장 | 온톨로지 기반 Palantir의 미국 상업 매출은 2026년 2분기 전년 대비 149% 증가 (SEC 공시, 2026.8). Databricks 연 환산 매출 70억 달러, 80% 성장 (2026.8) | 데이터·온톨로지 플랫폼 수요가 실매출로 확인 |
| 플랫폼·M&A | Salesforce의 Informatica 인수(약 80억 달러, 2025.11 완료), Microsoft Fabric IQ의 Ontology 기능 출시(2025.11), Snowflake·Databricks 등이 참여한 데이터 의미 표준 OSI 첫 사양 공개(2026.1) | 빅테크가 데이터와 업무 지식 체계를 핵심 경쟁 영역으로 판단 |
이 흐름은 Deloitte 조사와도 맞닿아 있습니다. 데이터 관리에 ‘매우 준비됐다’고 답한 기업은 40%에 그쳤고, 그 비율은 오히려 줄었습니다. 다만 Gartner는 에이전틱 AI 프로젝트의 40% 이상이 2027년 말까지 비용·가치 불명확으로 취소될 수 있다고도 경고합니다. 2027년의 데이터 투자는 ‘전면 정비’가 아니라, 성과가 검증된 업무에 필요한 범위부터 집중될 가능성이 큽니다.
4. 에이전트 모니터링·품질 평가·비용 관리가 하나의 운영 체계(AgentOps)로 묶인다
KPMG 조사에서 70%가 AI 모니터링 대시보드를 쓰고, 43%가 토큰 예산을 설정했습니다. PwC는 여러 에이전트를 한곳에서 감시·통제하는 ‘관제 센터’의 등장을 예측했습니다. 2027년에는 품질 평가, 장애 대응, 비용 추적, 보안 감시가 따로 관리되지 않고 하나의 운영 체계로 통합될 것입니다.
5. 여러 AI 모델을 섞어 쓰고, 자체 환경에서 운영하는 방식이 기본이 된다
Stanford 자료에서 최상위 미국 모델과 중국 모델의 격차는 2.7%까지 좁혀졌습니다. 반면 최상위 비공개 모델과 공개(오픈소스) 모델의 격차는 3.3%로 오히려 벌어졌습니다. 성능이 비슷해질수록 기업은 업무별로 비용·보안·규제 요건에 맞춰 모델을 섞어 씁니다. 한국에서는 정부의 독자 AI 모델 개발 사업과, 공공·금융 부문의 자체 서버·전용 환경 요구가 이 흐름을 강화합니다.
리스크는 함께 커진다
Stanford가 집계한 AI 사고는 233건에서 362건으로 늘었고, McKinsey 조사에서 부정확성(74%)과 사이버보안(72%)이 가장 중요한 리스크로 꼽혔습니다. 기술 투자와 통제 투자는 2027년에 분리할 수 없습니다.
베스핀글로벌 관점: AI Operating Stack 7 Layer 기반 AI MSP 포트폴리오
2027년 AI MSP의 가치는 모델과 인프라 공급이 아니라, 고객의 에이전트를 운영 가능한 상태로 만들고 성과까지 책임지는 데서 나옵니다. 베스핀글로벌은 이를 인프라부터 성과 관리까지 7개 층으로 나눈 AI Operating Stack으로 정의하고, 층마다 자체 솔루션 HelpNow AI와 AWS·Azure·Google 등 외부 솔루션을 함께 운영합니다. 전략·설계·구축·운영·최적화의 생애주기를 한 회사가 책임지는 구조입니다.
베스핀글로벌 AI Operating Stack · 7 Layer와 HelpNow AI
앞서 본 리포트의 문제점은 모두 이 스택의 특정 층과 연결됩니다. 아래 표는 층별로 2027년 고객이 마주할 과제와 AI MSP가 제공할 서비스를 정리한 포트폴리오입니다.
| Layer | 2027 고객 과제 (리포트 근거) | HelpNow AI | AI MSP 서비스 | 운영 지표 (SLA·KPI) |
|---|---|---|---|---|
| 07 Outcome Delivery & Managed ROI | 토큰 비용 우려 82%, 예산 대비 추적 64% (EY). 가치의 80%는 업무 재설계 (PwC) | AWM | AI FinOps(토큰·비용·성과 관측), 투자 성과(ROI) 관리 리포트, 성과 연동 계약 | 업무 단위 원가, 토큰 예산 준수율, 실현 효과 |
| 06 Governance, Compliance & Security | AI 관리 자신감 73% 대 실제 통제 적용 30% (KPMG). 인공지능기본법 시행 | AI Guard | AI GRC 포털, 실시간 안전장치(가드레일), 규제·ISO/IEC 42001 대응 패키지 | 정책 위반 차단율, 감사 로그 커버리지 |
| 05 Agent Build & Operations | 에이전트 구축 62%, 성과로 연결 10% 미만 (KPMG·McKinsey). 구축 도구는 빅테크 플랫폼으로 통합 | AI Foundry · Agent Portal | AgentOps 중심: 빅테크·자체 플랫폼에서 만든 에이전트의 배포·모니터링·품질 평가·장애 대응을 통합 운영. 구축은 빅테크 플랫폼 위에서 수행 | 작업 성공률, 응답 시간, 장애 복구 시간 |
| 04 Ontology | 업무 의미 체계 정비 시 에이전트 정확도 최대 80%↑, 비용 최대 60%↓ 전망 (Gartner) | Ontology Studio | 현업 지식 그래프·온톨로지 구축과 갱신 운영(보험 약관, 제조 매뉴얼·품질백서, 인프라 운영 KDB 등) | 근거 인용 정확도, 지식 갱신 주기 |
| 03 DataOps | AI용 데이터가 준비되지 않은 프로젝트 60% 중단 전망, 성과 조직은 데이터에 최대 4배 투자 (Gartner) | RAGOps | AI용 데이터 정비와 상시 품질 관리, 문서 자산화(2,500만 건 이상 경험), 문서 분석·분할·벡터화 기술 연계 | 검색 정확도, 데이터 품질 지표, 처리 문서량 |
| 02 LLMOps & Model | 상위 모델 간 격차 2.7%, 여러 모델 혼용·자체 환경 운영 요구 (Stanford) | LLMOps | 업무별로 적합한 모델 자동 배정, 자체 서버·전용 환경의 모델 운영과 모니터링 | 모델별 비용·지연, 가용성 |
| 01 Infrastructure | AI 지출 매출의 약 1.7%로 확대 (BCG), GPU·폐쇄망 수요 | OpsPilot | 멀티클라우드·GPU(H200/B200)·외부망 차단(Air-gap) 환경 운영 | 가용성, GPU 활용률 |
2027년의 투자 우선순위는 두 축입니다. 첫째는 데이터 기반(03 DataOps·04 Ontology)으로, 글로벌 리포트가 가장 큰 걸림돌로 지목하고 실제 시장 성장으로도 확인되는 영역입니다. 둘째는 운영 책임(05 AgentOps·06 거버넌스·07 성과)으로, AI를 시험만 하고 실제 업무에 쓰지 못하는 문제를 직접 해결합니다.
05 Layer는 초점이 바뀝니다. 에이전트 구축 도구는 빅테크 플랫폼으로 통합되는 영역이므로, 베스핀글로벌은 구축 도구 경쟁보다 여러 플랫폼에 흩어진 에이전트를 한곳에서 운영하는 AgentOps에 집중합니다. 베스핀글로벌은 자체 AX 과정에서 토큰·비용·성과 관측으로 30% 이상의 효율을 확인했고, 금융·공공·유통 중심으로 20여 건의 GRC 사례를 보유하고 있습니다.
Layer 06 거버넌스 패키지: 법·프로세스·시스템을 하나로
AI 관리가 말뿐인 이유는 규정 문서가 실제 시스템에 반영되지 않기 때문입니다. 그래서 베스핀글로벌은 법률 해석, 프로세스 설계, 시스템 구현을 각 분야 전문 조직이 나눠 맡는 3자 협력 구도를 검토하고 있습니다.
| 역할 | 파트너 | 제공 범위 | 산출물 |
|---|---|---|---|
| 컴플라이언스 관리 | 법무법인 세종 | 인공지능기본법·개인정보보호법·업권별 규제 해석, 고영향 AI 해당 여부 판단, 규제 변경 모니터링 | 규제 요건 목록, 법률 검토 의견 |
| 거버넌스 프로세스·지표 설계 | PwC | AI 정책·위원회·리스크 평가 절차 설계, 통제 항목과 KPI·KRI 정의, 감사 기준 | 거버넌스 체계, 측정 지표 정의서 |
| AI GRC 포털 개발·운영 | 베스핀글로벌 | 지표를 AI Guard 가드레일과 GRC 포털에 구현, 모델·에이전트 인벤토리, 감사 로그, 지표 자동 측정 대시보드 | AI GRC 포털, 운영 리포트 |
세 역할은 다음 순서로 맞물려 돌아갑니다.
- 세종이 규제 요건을 정의한다.
- PwC가 요건을 프로세스와 측정 지표로 바꾼다.
- 베스핀글로벌이 지표를 포털과 실시간 통제 기능으로 구현하고, 운영 데이터를 자동으로 수집한다.
- 수집된 운영 데이터는 다시 법률 검토와 프로세스 개선의 근거가 된다.
고객 입장에서 이 패키지의 가치는 ‘규제 대응을 문서가 아니라 증거로 보여줄 수 있다’는 데 있습니다. 금융·공공처럼 감독기관에 설명 책임이 있는 업종이 첫 대상입니다.
2027 준비 ①: Journey to AI로 ‘일단 해보는 시범 사업’이 아니라 ‘성과를 잴 수 있는 과제’부터 시작하기
리포트가 반복해서 지적하는 실패 원인은 목표와 비교 기준 없이 시작한 시범 사업입니다. 베스핀글로벌의 Journey to AI 서비스는 이를 세 단계로 예방합니다. 업무를 먼저 진단하고, 측정 가능한 AX 과제로 바꾸고, 착수 전에 비즈니스 가치를 평가합니다.
| 단계 | 하는 일 | 산출물 | 연결 Layer |
|---|---|---|---|
| 1. 업무 프로세스 진단 | 대상 업무를 실제 처리 단계로 나눠 시간·인원·오류·병목을 실측하고, 데이터·시스템·권한 현황을 함께 확인 | 업무 지도, 병목 목록, 기준선 | 03 DataOps, 04 Ontology |
| 2. AX 과제 도출·KPI 정의 | 단계별로 없앨 것, 규칙화할 것, 에이전트에 맡길 것, 사람이 승인할 것을 나누고 과제별 KPI를 정함 | AX 과제 목록, KPI 정의서, 사람 승인 지점(HITL) 설계 | 05 Agent, 06 Governance |
| 3. BVA (Business Value Assessment) | 기준선 대비 기대 효과와 구축·운영 비용(토큰 포함)을 함께 산정해 투자 우선순위를 정함 | 과제별 가치·비용 평가, 실행 로드맵 | 07 Outcome & ROI |
BVA는 Journey의 끝이 아니라 운영의 시작점입니다. BVA에서 정한 KPI와 기준선이 그대로 07 Layer의 성과 관리 지표가 되므로, 구축 후에도 같은 기준으로 성과를 계속 측정할 수 있습니다.
실제 사례로 본 Journey to AI
Journey to AI는 금융, 제조, 미디어, 식음 서비스까지 업종을 가리지 않고 같은 3단계로 적용됐습니다. 업종은 달라도 출발점은 같습니다. 범위가 분명한 업무 하나를 진단하고, 그 업무에서 실제로 쓰는 지표로 KPI를 정하는 것입니다.
| 고객 | 업종 | 진단한 업무 | 도출된 AX 과제·KPI | 진행 단계 |
|---|---|---|---|---|
| KB라이프 | 생명보험 | 보험 인수 심사. IFRS 17, 건강보험 상품 확대, 푸르덴셜생명 통합으로 약관·상품설명서 검토 부담 증가 | 심사 QnA 에이전트, 문서 전처리·데이터 파이프라인 | 진단 → PoC → HelpNow AI Foundry 기반 운영(2026.3). 상품 설계·보험금 청구·고객 서비스로 확장 예정 |
| HL만도 | 자동차 부품 | 2일간의 AI Design Thinking Workshop으로 현업의 문제 정의와 니즈 도출 | (내부 자료로 보안) | 진단 → Design Thinking Workshop 수행 → AI Agent Series of PoC 수행 완료 → AI & Data Platform 구축 착수 |
| 심텍 | 반도체 기판 | (내부 자료로 보안) | (내부 자료로 보안) | 진단 → Design Thinking Workshop 수행 → AI Agent Prototype 개발 완료 → 본 사업 착수 준비 중 |
| CJ ENM | 미디어·콘텐츠 | (내부 자료로 보안) | (내부 자료로 보안) | 진단 → Design Thinking Workshop 수행 → AI Agent Prototype 개발 완료 → 본 사업 Agent 개발 완료 및 운영 중 |
| 삼성웰스토리 | 푸드 서비스 | (내부 자료로 보안) | (내부 자료로 보안) | 진단 → Design Thinking Workshop 수행 → AI Agent Prototype 개발 완료 → 본 사업 Agent 개발 완료 및 운영 중 |
KB라이프 사례는 Journey to AI가 진단에서 끝나지 않고 PoC와 운영, 다른 업무로의 확장까지 이어지는 흐름을 보여줍니다. 사례별 BVA 결과 수치는 고객 동의 범위 안에서 공개할 예정입니다.
2027 준비 ②: 성과 기반 과금은 ‘적용 가능한 업무 분야’를 고르는 데서 시작한다
성과 기반 과금은 모든 분야에 한꺼번에 적용할 수 없습니다. 성과를 약속하려면 해당 산업·업무 분야(Vertical)에서 성과를 재는 단위, 비교 기준, 반복 구축 경험이 먼저 갖춰져 있어야 하기 때문입니다. 따라서 2027년의 과제는 과금 체계를 바로 바꾸는 것이 아니라, 성과 기반 과금을 적용할 수 있는 분야를 고르는 절차를 갖추는 것입니다.
선별 기준: 다섯 가지 준비 조건
- 성과 단위가 명확한가. 처리 건수, 처리 시간, 전환율처럼 건 단위로 셀 수 있어야 합니다.
- 기준선 데이터가 있는가. 도입 전 성과를 시스템 로그로 확인할 수 있어야 합니다.
- 반복 구축 경험이 있는가. 같은 분야에서 여러 번 구축·운영해 성과 편차를 알고 있어야 합니다.
- 외부 요인을 분리할 수 있는가. 시장·계절·예산 변화와 AI의 기여를 나눠 측정할 수 있어야 합니다.
- 오류 책임을 정할 수 있는가. AI 판단이 틀렸을 때의 책임과 사람의 승인 지점이 계약에 담길 수 있어야 합니다.
후보 분야
| 분야 | 성과 단위 (예) | 먼저 확인할 조건 | 관련 경험 |
|---|---|---|---|
| AICC | 자동 처리 상담 건수, 평균 처리 시간 감소 | CTI·상담 로그 기준선이 대부분 확보되어 있어 가장 빠른 후보 | AIA생명 상담 어시스턴트 |
| AI 디지털 마케팅 | 전환율, 고객 획득 비용(CPA) | 매체 예산·시즌 효과 등 외부 요인 분리 방식 | 확인 필요 |
| AI 광고심의 | 심의 처리 건수, 처리 시간, 위반 탐지 정확도 | 금융·의약품 광고 규제에서 최종 승인 주체와 오류 책임 | 확인 필요 |
| 문서 기반 심사 (보험 인수·여신) | 심사 건당 소요 시간, 재검토율 | 최종 판단은 사람이 내리는 구조에서 AI 기여분 측정 방식 | KB라이프, JB금융그룹 |
2027년 진행 방식
- 상반기: 후보 분야별로 다섯 가지 조건을 평가하고, 기준선을 확보한 운영 고객을 선정합니다.
- 하반기: 조건을 충족한 1~2개 분야에서 ‘기본 운영료 + 성과 연동 보너스’ 형태의 하이브리드 계약을 시범 운영합니다.
- 시범 결과로 성과 편차와 리스크를 확인한 뒤, 2028년 확대 여부를 결정합니다.
이렇게 하면 성과 기반 과금은 홍보용 문구가 아니라, 07 Layer에서 쌓은 실제 성과 데이터로 뒷받침되는 상품이 됩니다.
맺음말: ‘AI를 쓰는 회사’에서 ‘AI를 운영하는 회사’로
2026년의 리포트들은 AI 도입이 더 이상 경쟁력이 아니라는 데 동의합니다. 조직의 88%가 이미 AI를 쓰고 있기 때문입니다. 2027년의 경쟁력은 에이전트를 안전하게, 비용 예측 가능하게, 업무 성과로 이어지게 운영하는 능력입니다. 클라우드 전환기에 MSP가 안정적인 클라우드 운영을 책임졌듯, AI 에이전트 시대의 MSP는 믿고 맡길 수 있는 AI 운영을 책임져야 합니다.
참고 자료
- McKinsey, State of AI trust in 2026: Shifting to the agentic era, 2026.3
- Deloitte AI Institute, The State of AI in the Enterprise 2026, 2026.1
- KPMG, AI Quarterly Pulse Survey Q3 2026, 2026.9
- Accenture · Wharton, The Age of Co-Intelligence, 2026.3
- Microsoft WorkLab, 2026 Work Trend Index, 2026.5
- BCG, AI Radar 2026: As AI investments surge, CEOs take the lead, 2026.1
- PwC, 2026 AI Business Predictions, 2025.12
- Stanford HAI, AI Index 2026 주요 내용, 2026.4
- EY, US AI Pulse Survey Wave 5, 2026.7
- McKinsey, Building the foundations for agentic AI at scale, 2026.4
- 인공지능기본법 시행 관련: 아주경제, 2026.1
- 베스핀글로벌 관련: OpenAI Select Partner 선정, HelpNow Agentic AI Platform GS 인증, 2026.8