AI Transforming: 인공지능이 바꾸는 사회

개요

AI는 더 이상 "새로운 도구"가 아니라, 사람과 함께 일하는 "동료이자 파트너" 단계로 넘어가고 있다.¹ 단순히 질문에 답하거나 자동화만 하는 수준을 넘어, 스스로 계획을 세우고 실행하며, 인간의 전문성을 증폭시키는 방향으로 진화 중이다.³⁴

Generated Image

이 변화는 산업 전반에 걸쳐 동시에 일어나고 있다. 의료, 제조, 소프트웨어 개발, 과학 연구, 보안, 심지어 조직 구조와 인력 전략까지 AI 중심으로 재설계되고 있으며, 기업들은 "기존 방식을 조금 개선하는 수준"을 넘어 "AI를 전제로 처음부터 다시 설계하는 단계"로 이동하고 있다.²⁵

AI 에이전트: 도구에서 디지털 동료로

최근 AI의 핵심 키워드는 '에이전트(Agent)'와 '에이전틱(Agentic) AI'이다. 에이전트는 사용자의 목표를 이해하고, 여러 단계를 스스로 계획해 실행하며, 필요할 때 사람의 확인을 받는 반(半)자율적 시스템을 의미한다.³⁴ 2026년에는 기업용 앱의 상당수가 이런 태스크 특화 에이전트를 내장하게 될 것으로 전망된다.³

마이크로소프트는 AI 에이전트가 "디지털 동료"가 되어, 3명짜리 팀이 전 세계 캠페인을 며칠 만에 실행할 수 있는 시대를 그리고 있다.¹ 데이터 분석, 콘텐츠 생성, 개인화 작업은 에이전트가 맡고, 사람은 전략과 창의적 판단에 집중하는 구조다. 구글 역시 여러 에이전트가 협력하는 '에이전틱 워크플로우'를 통해 복잡한 업무 전체를 처음부터 끝까지 자동화하는 사례를 제시한다.⁴

에이전트가 확산되면서, 기업 안에는 이들을 설계·감시·개선하는 'Agent Ops' 같은 새로운 역할과 팀이 등장하고 있으며, 에이전트 운영을 위한 거버넌스·윤리·책임 기준을 세우는 움직임이 빨라지고 있다.³⁵

산업별 변혁 1: 의료, 과학, 물리적 세계

의료 분야에서 AI는 이미 진단 보조 역할을 넘어, 증상 감별, 진료 우선순위 결정, 치료 계획 설계까지 확장되고 있다.¹ 예를 들어 마이크로소프트의 의료용 AI 오케스트레이터는 복잡한 의료 사례를 숙련 의사 평균보다 훨씬 높은 정확도로 해결하는 성과를 보였고, Copilot과 Bing은 하루 수천만 건의 건강 관련 질문에 답하며 환자 스스로 건강을 관리하도록 돕고 있다.¹

과학 연구에서는 AI가 논문 요약이나 보고서 작성 수준을 넘어, 가설 생성, 실험 설계, 실험 장비 제어까지 수행하는 '실험실 조수' 단계로 진입하고 있다.¹ 연구자는 AI가 제안한 실험을 검토·보완하고, AI는 반복 계산과 시뮬레이션, 데이터 분석을 맡아 연구 속도를 크게 높인다.

물리적 세계에서도 AI와 로봇이 결합한 'Physical AI'가 빠르게 확산되고 있다.²³ 아마존 물류센터의 로봇, 자동차 공장에서 스스로 이동하는 차량, 스마트 교통·물류 시스템이 대표적인 예다. 이런 시스템은 센서와 카메라로 현실을 인식하고, AI로 판단해 곧바로 행동에 옮길 수 있어 안전, 효율, 비용 측면에서 큰 변화를 만든다.²³

산업별 변혁 2: 소프트웨어, 인프라, 양자 컴퓨팅

소프트웨어 개발에서는 코드 제안 도구를 넘어, 저장소 전체의 맥락을 이해하는 'Repository Intelligence'가 등장하고 있다.¹ 이 AI는 코드 한 줄이 아니라 변경 이력, 관련 이슈, 테스트 결과까지 분석해 "왜 이렇게 고쳤는지, 어디서 문제가 날지"를 추론하며, 더 나은 수정안을 제안하고 반복적인 수정을 자동 처리한다.¹

인프라 측면에서는 "클라우드 먼저(cloud-first)" 전략만으로는 AI 비용과 성능을 감당하기 어려워지고 있다.² 토큰 단가가 급격히 떨어졌지만, 사용량 폭증으로 일부 기업은 매달 수천만 달러 수준의 AI 비용을 경험하고 있으며, 이에 따라 클라우드·온프레미스·엣지를 혼합하는 '전략적 하이브리드' 인프라가 부상하고 있다.² 마이크로소프트는 전 세계에 분산된 AI '슈퍼팩토리'를 연동해, 동일한 연산 자원으로 더 많은 작업을 수행하는 "지능의 질 중심" 인프라로 전환 중이라고 설명한다.¹

양자 컴퓨팅 역시 AI와의 하이브리드 형태로 현실에 다가서고 있다. AI가 패턴을 찾고, 초고성능 컴퓨터가 대규모 시뮬레이션을 수행하며, 양자 컴퓨터가 특정 계산에서 압도적인 정확도와 속도를 제공하는 방식이다.¹ 이런 조합은 재료·화학·기후 등 복잡계 문제 해결에서 기존 컴퓨팅으로는 불가능했던 새로운 돌파구를 열 가능성이 있다.¹

조직과 일하는 방식의 재구성

기업들은 이제 "조금 더 편해지는 자동화"를 넘어서 "AI를 전제로 조직 전체를 다시 설계해야 한다"는 현실을 마주하고 있다.²⁵ 딜로이트 조사에 따르면, 기존 클라우드 중심 인프라, 사람을 기준으로 만든 업무 프로세스, 둘러싼(perimeter) 보안 모델 등은 AI 시대의 속도와 경제성을 감당하기 어렵다.²

PwC는 성공하는 기업들의 공통점으로, 소규모 파일럿을 여기저기 펼치는 대신, 경영진이 몇 가지 핵심 업무를 선정해 '전면적인 AI 재설계'를 추진하는 점을 강조한다.⁵ 이때 단순히 사람의 일부 단계를 대체하는 것이 아니라, "AI를 기준으로 전체 흐름을 새로 그리는 것"이 중요하다.⁵ 많은 선도 기업들은 이를 위해 재사용 가능한 AI 컴포넌트, 규칙, 샌드박스, 배포 프로세스를 모은 중앙 허브(일종의 'AI 스튜디오')를 구축해, 실험이 아니라 지속적인 변화를 운영하고 있다.⁵

일터에서는 AI 도입이 사람을 줄이는 방향이 아니라, 역할과 역량 구조를 바꾸는 방향으로 흐르고 있다. 반복적인 중간 업무는 에이전트가 맡고, 사람은 더 넓은 범위를 이해하며 에이전트를 관리·조율하는 "AI 제너럴리스트"로 이동하는 추세가 나타나고 있다.⁵

생산성, 고객 경험, 보안의 변화

구글 리포트에 따르면, 어떤 기업에서는 직원 5만 명 이상이 정기적으로 AI를 사용해, 업무마다 평균 40분의 시간을 절감하는 효과를 거두고 있다.⁴ 자연어로 질문하면 자동으로 SQL 쿼리로 변환해 데이터를 조회하는 에이전트 덕분에, 데이터 분석 시간이 95% 줄어든 사례도 보고된다.⁴

고객 경험 측면에서는 기존의 스크립트 기반 챗봇이 아닌, 상황과 이력을 이해해 '컨시어지(Concierge)형' 맞춤 서비스를 제공하는 에이전트가 빠르게 자리 잡고 있다.⁴ 이메일 주문 처리의 80% 이상을 자동화하고, 응답 시간을 수십 시간에서 사실상 실시간에 가깝게 줄인 기업 사례처럼, 고객 서비스의 기본 수준 자체가 바뀌는 중이다.⁴

보안에서는 공격자도 AI를 쓰고 있지만, 방어자 역시 AI 에이전트로 대응을 고도화하고 있다. 경보 분류, 조사, 패턴 분석 같은 반복적이지만 복잡한 작업을 에이전트가 처리하고, 보안 전문가는 위협 사냥과 전략 구축에 집중하는 구조가 확산될 전망이다.²⁴ 다만 AI 자체가 공격 표적과 도구가 되기 때문에, 데이터·모델·애플리케이션·인프라 전 영역에 걸친 통합적인 'AI 보안' 전략이 필수가 되고 있다.²

사람과 역량: AI 시대의 인재 상

AI 확산은 "기계를 잘 다루는 소수 전문가"만 중요한 시대에서, "대다수 직장인이 AI와 협력하는 역량"이 핵심이 되는 시대를 열고 있다. AI 사용 능력과 프롬프트 엔지니어링 등 관련 역량을 갖춘 노동자는 임금 프리미엄을 누리기 시작했고, 이는 앞으로 더 커질 것으로 예상된다.³ 구글은 성공적인 AI 도입에서 가장 큰 과제이자 핵심 요소로 'AI 준비된 인력(AI-ready workforce)'을 지목하며, 일회성 교육이 아닌 지속적 학습 체계 구축을 강조한다.⁴

PwC는 특히 "AI 제너럴리스트"의 부상을 지적한다. 특정 언어만 잘 아는 개발자보다는, 전체 아키텍처를 이해하고 여러 에이전트를 설계·감독할 수 있는 엔지니어가 중요해지고, 재무 조직에서는 전표 처리·조정 등은 에이전트가 맡고, 사람은 수익 성장·마진 개선·시나리오 플래닝에 집중하는 식이다.⁵ 이 과정에서 초급 인력은 AI를 자연스럽게 활용하는 세대로서 새로운 기회를 얻고, 고급 인력은 전략·혁신 역량으로 차별화하게 된다.⁵

신뢰, 거버넌스, 전략적 대응

AI가 업무와 의사결정 중심으로 들어오면서, "얼마나 많이 쓰느냐"보다 "얼마나 안전하고 책임 있게 쓰느냐"가 경쟁력의 핵심이 되고 있다. 마이크로소프트는 에이전트에도 사람과 동일한 수준의 정체성 관리, 접근 통제, 데이터 보호가 필요하다고 강조하며, 그렇지 않을 경우 '이중간첩(double agent)'처럼 내부 위험 요소로 변할 수 있다고 경고한다.¹

딜로이트와 PwC 모두, AI 성공의 분기점이 "고장 난 프로세스를 그대로 자동화할 것인가, 아예 새로 설계할 것인가"에 달려 있다고 본다.²⁵ 많은 에이전트 프로젝트가 실패하는 이유는 기술 부족이 아니라, 기존 문제를 그대로 둔 채 겉만 자동화하기 때문이다.²⁵ 성공하는 조직은 다음과 같은 공통 패턴을 가진다.²⁵