소속팀: HQ 작성자: 한선호
BESPIN GLOBAL TECH BLOG
AI 에이전트를 ‘디지털 직원’으로 관리하다
베스핀글로벌이 전사 업무 자동화의 효과를 숫자로 증명한 방법, Agent Workforce Management(AWM)
Vertical Solution 1팀 · 2026년 10월 · 성과 지표 기준일 2026년 6월 30일 (최근 12개월)
요약 베스핀글로벌은 사내 업무에 AI 에이전트를 도입하면서, 에이전트를 하나의 IT 시스템이 아닌 ‘디지털 직원’으로 보고 채용부터 성과 평가, 규정 준수까지 관리하는 체계(AWM)를 만들었습니다. 그 결과 최근 12개월 동안 연간 36,800시간의 업무 시간을 줄였고, 이를 비용으로 환산하면 16.6억 원입니다. 수작업 대비 휴먼에러는 99% 줄었고, 에이전트가 사람의 도움 없이 끝내지 못한 예외·오류 비율은 5% 미만입니다.
| 36,800시간 연간 업무 절감 시간 1인당 연 82시간 | 16.6억 원 비용 환산 절감액 1인당 370만 원 | 99% 휴먼에러 감소 수작업 대비 오류 건수 | 5% 미만 예외 및 오류율 2026.06 실적 3.1% |
|---|
1. 에이전트는 늘었는데, 효과는 왜 설명하기 어려웠나
생성형 AI가 확산되면서 기업마다 업무용 AI 에이전트를 빠르게 늘리고 있습니다. 보고서 초안 작성, 메일 분류, 보안 이벤트 분석처럼 반복적인 업무를 에이전트가 대신 처리합니다. 문제는 그다음입니다. 에이전트를 몇 개 만들었는지는 알 수 있어도, 그 에이전트가 실제로 얼마나 많은 시간과 비용을 아꼈는지, 규정을 잘 지키고 있는지는 답하기 어렵습니다.
베스핀글로벌도 같은 고민에서 출발했습니다. 내부에서 확인한 문제는 세 가지였습니다.
- ROI가 불분명하다. 에이전트가 비용과 시간을 얼마나 줄였는지 정량 측정이 어려워, 확대 투자 결정의 근거가 부족했습니다.
- 거버넌스에 사각지대가 있다. 2026년 1월 시행된 AI 기본법은 영향평가, 설명가능성, 기록 보관, 고위험 AI 표시 등을 요구하지만, 이를 증명할 데이터가 한곳에 모이지 않았습니다.
- 운영 지표와 비즈니스 지표가 따로 논다. 개발팀은 토큰 사용량이나 응답 속도(latency)를 측정하지만, 경영진이 궁금한 것은 ‘건당 얼마를 아꼈나’, ‘몇 명분의 일을 했나’입니다. 이 둘을 잇는 환산 단계가 빠져 있었습니다.
2. AWM이란: 에이전트를 사람 직원처럼 관리하는 체계
AWM(Agent Workforce Management)은 회사가 사람 직원을 관리하듯 AI 에이전트를 관리하는 체계입니다. 인사 시스템이 직원의 입사, 배치, 성과 평가, 퇴사를 기록하듯, AWM은 에이전트의 등록부터 운영 종료까지 전 과정을 하나의 시스템에서 다룹니다. 해외에서도 Workday, Oracle, Microsoft 등이 비슷한 개념의 에이전트 관리 기능을 내놓고 있으며, 이른바 ‘디지털 워크포스’ 관리가 새로운 화두로 떠오르고 있습니다.
| 구분 | 기존 방식 | AWM 방식 |
|---|---|---|
| 관리 단위 | 업무 흐름(워크플로) | 에이전트 1개 = 디지털 직원 1명 |
| 관리 대상 | 시스템 가동 여부, 장애 | 등록·역할·성과·비용·규정 준수·운영 종료 |
| 관점 | AI 시스템 운영 | 디지털 인력(워크포스) 관리 |
| 보고 대상 | 개발·운영팀 | 경영진, 사업부, 컴플라이언스·감사 조직 |
각 에이전트는 발굴 → 설계 → PoC(시범 적용) → 운영의 4단계 라이프사이클을 거칩니다. 모든 에이전트에는 사람 담당자와 소속 팀이 지정되고, 성과와 규정 준수 현황이 프로필에 함께 기록됩니다.
3. 출발점: 전사 업무를 먼저 목록으로 만들었다
AWM의 첫 단계는 기술이 아니라 업무 조사였습니다. 베스핀글로벌은 2026년 4월 전 부서의 반복 업무를 ‘Workflow Master Inventory’라는 하나의 목록으로 정리했습니다. 인사, 재무, 영업, 보안, 운영, AI 개발 등 사내 거의 모든 조직이 참여해 570여 개의 업무를 등록했습니다.
업무마다 다음과 같은 항목을 기록했습니다. 이 기록이 나중에 에이전트의 효과를 계산하는 기준선(baseline)이 됩니다.
| 기록 항목 | 내용 |
|---|---|
| 업무 기본 정보 | 업무명, 담당 부서, 시작 조건(트리거), 업무 단계, 산출물 |
| 업무량 | 수행 주기(일간·주간·월간·수시), 1회 평균 소요 시간 |
| 자동화 여지 | 전체 업무 중 수작업 비율, 반복성, 주요 병목 구간 |
| 데이터 | 입력·출력 데이터와 사용 시스템, 데이터 민감도(일반·내부·기밀) |
| 도입 판단 | AI 자동화 가능성 평가, 예상 효과, 도입 우선순위(1~5순위) |
| 기자 참고 “어떤 업무를 자동화할지”를 먼저 정하고, 그 업무를 사람이 할 때 걸리던 시간과 비용을 기록해 둔 것이 핵심입니다. 이 기준선이 있어야 에이전트 도입 후 “얼마나 줄었는지”를 계산할 수 있습니다. |
|---|
4. 핵심 기술: 운영 데이터를 경영 지표로 바꾸는 3계층 모델
AWM은 지표를 세 층으로 나눕니다. 아래층의 운영 데이터가 위층의 품질 지표와 비즈니스 지표로 차례로 환산되는 구조입니다.
| 계층 | 누가 보는가 | 대표 지표 |
|---|---|---|
| ROI · 비즈니스 효과 | 경영진, 사업부 | 비용 절감액, 업무 시간 절감, 자동화율, FTE(정규 인력) 환산 |
| Governance · 품질 | 컴플라이언스, 리스크, 내부감사 | 사람 개입률(HITL), 잘못된 답변(Hallucination) 비율, 설명가능성, 감사 기록 |
| Operations · 운영 | 운영팀, 개발팀 | 토큰 사용량, 응답 시간, 오류율, 서버(GPU) 사용률 |
4-1. 환산 엔진은 이렇게 동작합니다
에이전트가 업무를 한 번 처리할 때마다 실행 기록(trace)이 남습니다. 환산 엔진은 이 기록에 단가를 곱해 비즈니스 지표로 바꿉니다.
| 단계 | 이름 | 하는 일 |
|---|---|---|
| ① | 실행 기록 수집 | 에이전트가 처리한 건마다 토큰 사용량, 처리 시간, 오류 여부, 사람 개입 여부를 수집 |
| ② | 단가 적용 | 모델 사용료, 서버(GPU) 비용, 그리고 같은 업무를 사람이 할 때의 인건비 단가를 적용 |
| ③ | 환산 산출 | 업무 1건당 절감액, 절감 시간, FTE 환산값을 계산 |
| ④ | 집계·시각화 | 에이전트별, 부서별, 전사 단위로 합산해 대시보드에 표시 |
계산식은 단순합니다. 월간 절감액 = (사람이 할 때 비용 − 에이전트 처리 비용) × 처리 건수, 에이전트 ROI = (절감액 − 운영비) ÷ 운영비 × 100.
| 업무 1건 환산 예시 (설명용 가상 시나리오) · 전문가가 2시간 걸리던 판단 업무를 에이전트가 10분 만에 처리한다고 가정합니다. · 사람 기준 비용: 2시간 × 시간당 8만 원 = 16만 원 · 에이전트 비용: 토큰 8천/2천 개 사용, 자체 운영 모델 기준 약 70원 · 건당 절감액은 약 15만 9,930원. 월 1,000건이면 사람 약 11명분(FTE 11.4명)의 업무에 해당합니다. |
|---|
5. 성과: 최근 12개월 실적 (2026년 6월 기준)
| 지표 | 실적 | 산출 기준 |
|---|---|---|
| 연간 업무 절감 시간 | 36,800시간 | 운영 중인 에이전트가 처리한 업무의 사람 기준 소요 시간 합계. 1인당 연 82시간 |
| 비용 환산 절감액 | 16.6억 원 | 절감 시간에 직무별 인건비 단가를 적용한 금액. 1인당 370만 원 |
| 휴먼에러 감소 | 99% | 같은 업무를 사람이 수작업으로 처리할 때와 비교한 오류 건수 감소율 |
| 예외 및 오류율 | 5% 미만 | 에이전트가 혼자 끝내지 못해 사람에게 넘긴 예외(HITL)와 처리 실패를 합한 비율 |
1인당 연 82시간은 하루 8시간 기준으로 약 10일에 해당합니다. 직원 한 명이 1년에 2주 가까운 시간을 반복 업무에서 돌려받은 셈입니다. 1인당 수치는 임직원 약 450명 기준입니다.
예외·오류율을 따로 관리하는 이유는 “에이전트가 모든 일을 혼자 처리한다”가 목표가 아니기 때문입니다. 판단이 애매한 건은 사람에게 넘기도록 설계했고, 이 비율을 5% 미만으로 유지하면서 품질을 지키는 것이 운영 원칙입니다.
6. AI 기본법 대응: 규제 준수를 데이터로 증명한다
2026년 1월 시행된 AI 기본법은 고위험 AI 표시, 설명의무, 사람의 감독, 기록 보관 등을 요구합니다. AWM은 법적 의무마다 측정 지표와 기술적 통제를 짝지어, 감사 대응 자료를 수작업 없이 만들 수 있게 했습니다.
| AI 기본법 의무 | AWM 측정 지표 | 적용 기술·통제 |
|---|---|---|
| 고위험 AI 표시·설명의무 | 추론 과정 기록, 출처 표시, 인용 정확도 | 워크플로 캔버스, 자체 LLMOps |
| 안전기준 준수 | 잘못된 답변(Hallucination) 비율, 목표 달성률 | 가드레일, 자동 평가기(Evaluator) |
| 사람 감독 의무 | 사람 개입률(HITL), 에이전트 자율 결정 범위 | Human-in-the-loop 승인 단계 |
| 기록·감사 보관 | 감사 기록, 접근 로그, 모델 버전 | 감사 로그, 권한 관리(RBAC), 버전 관리 |
| 데이터 격리 | 데이터·권한 분리 기록 | 통합 인증(SSO), 테넌트 격리 |
인사·재무·법무 업무나 기밀 데이터를 다루는 에이전트는 자동으로 ‘고위험 관리 대상’으로 분류되고, 운영 전환 전에 사람 승인 단계를 반드시 거치도록 했습니다.
7. 화면으로 보는 AWM
AWM 관리자 콘솔의 핵심 화면 세 가지입니다.
① 성과 대시보드
경영진이 가장 먼저 보는 화면입니다. 연간 절감 시간, 비용 절감액, 휴먼에러 감소율, 예외·오류율을 한눈에 보여주고, 본부별·에이전트별 기여도를 함께 표시합니다.

그림 1. AWM 성과 대시보드 (화면 내 개별 에이전트·본부별 수치는 예시)
② 디지털 워크포스
모든 에이전트를 직원 명부처럼 관리하는 화면입니다. 에이전트를 선택하면 담당 업무, 라이프사이클 단계, 운영 지표, 비용 환산 결과, AI 기본법 준수 점검 결과가 프로필 형태로 나타납니다.

그림 2. 디지털 워크포스 명부와 에이전트 프로필 (수치는 예시)
③ 품질·거버넌스
컴플라이언스·감사 조직을 위한 화면입니다. 처리 품질 지표와 AI 기본법 의무별 준수 현황을 보여주고, 조치가 필요한 에이전트를 자동으로 골라 담당 팀에 알립니다.

그림 3. 품질·거버넌스 화면 (의무별 충족률 등 개별 수치는 예시)
8. 앞으로의 계획
베스핀글로벌은 사내에서 검증한 AWM을 자사 AI 플랫폼 HelpNow AI Foundry의 기능으로 고객사에 제공할 계획입니다. 실행 기록 수집, 가드레일, 감사 로그, 권한 관리 등 AWM에 필요한 기반 기술 상당 부분을 이미 플랫폼에서 운영하고 있어, 비용 환산 엔진과 거버넌스 자동 매핑을 더하는 방식으로 확장합니다.
특히 AI 기본법 대응, 데이터 주권, 망분리 환경 등 국내 규제 요건이 까다로운 금융·공공 분야를 우선 공략할 예정입니다.
9. 기자 Q&A
Q. AWM은 기존의 AI 모니터링 도구와 무엇이 다른가요?
LangSmith, Datadog 같은 LLMOps 도구는 토큰 사용량, 응답 시간, 오류 같은 기술 지표를 다룹니다. AWM은 이 기술 지표를 “얼마를 아꼈나”, “몇 명분의 일을 했나”, “규정을 지켰나” 같은 경영·규제 언어로 바꿔 줍니다.
Q. 절감 시간 36,800시간은 어떻게 계산했나요?
업무 인벤토리에 기록한 사람 기준 소요 시간과 수작업 비율을 기준선으로 삼고, 에이전트가 실제로 처리한 건수와 자동 완료 여부를 곱해 합산했습니다. 사람이 개입한 예외 건은 절감 효과를 그만큼 낮춰 계산합니다.
Q. 16.6억 원은 실제로 줄어든 비용인가요?
절감된 업무 시간에 인건비 단가를 곱한 “비용 환산” 금액입니다. 인력 감축으로 지출이 줄었다는 뜻이 아니라, 직원들이 반복 업무 대신 더 가치 있는 일에 쓸 수 있게 된 시간을 금액으로 나타낸 것입니다.
Q. 휴먼에러 99% 감소는 무엇과 비교한 수치인가요?
같은 업무를 사람이 수작업으로 처리하던 시기의 오류 건수와, 에이전트가 처리한 이후의 오류 건수를 비교한 감소율입니다.
Q. AI가 잘못 판단하면 누가 책임지나요?
모든 에이전트에는 사람 담당자가 지정되어 있습니다. 판단이 애매한 건은 자동으로 사람에게 넘어가며(예외·오류율 5% 미만), 고위험 업무는 사람 승인 없이는 결과가 확정되지 않습니다. 모든 처리 과정은 감사 기록으로 남습니다.
Q. 다른 기업도 바로 도입할 수 있나요?
기술 구축 자체보다 “업무별 사람 기준 시간과 단가”를 정리하는 일이 더 중요합니다. 베스핀글로벌은 고객사와 시범 사업(PoC)을 진행하면서 이 기준선을 함께 만드는 방식을 제안하고 있습니다.
용어 정리
| 용어 | 설명 |
|---|---|
| AI 에이전트 | 사람의 지시를 받아 여러 단계의 업무를 스스로 처리하는 AI 프로그램 |
| AWM | Agent Workforce Management. AI 에이전트를 디지털 직원처럼 관리하는 체계 |
| HITL | Human-in-the-loop. AI 처리 과정에 사람이 검토·승인 단계로 참여하는 방식 |
| Hallucination | AI가 사실과 다른 내용을 그럴듯하게 만들어 내는 현상 |
| FTE | Full-Time Equivalent. 정규직 1명이 일정 기간 일하는 업무량을 1로 환산한 단위 |
| LLMOps | 대규모 언어모델(LLM) 기반 서비스의 운영·모니터링 체계 |
| Trace | 에이전트가 업무 1건을 처리하며 남기는 실행 기록 |
문의 베스핀글로벌 Vertical Solution 1팀 · [담당자명 / 연락처 기입]