agentic AI란 무엇이고 왜 실행형 에이전트가 도입 후 오히려 일을 늘리나

agentic AI와 ai agent 차이부터 정리

용어가 헷갈리니 먼저 선을 그어볼게요. 기존 마케팅 자동화는 사람이 짠 규칙(장바구니 이탈 24시간 후 쿠폰 발송 같은 if-then)을 그대로 돌려요. 시나리오 밖 상황엔 무력하죠. agentic AI는 '이탈 고객 복귀율을 높여줘'라는 목표를 주면 누구에게·어떤 채널로·어떤 메시지를 보낼지 스스로 시도하고 결과를 보며 조정해요. 자동화가 손발이라면 에이전트는 담당자 한 명에 가깝습니다.

이 전환이 지금 여러 제품에서 동시에 일어나고 있어요. HubSpot의 2026년 6월 업데이트를 보면 14개 릴리스 중 상당수가 에이전트에 더 많은 권한을 주는 쪽이에요. 코딩 에이전트용 CLI가 새로 나왔고, Prospecting Agent가 모든 유료 허브로 열렸고, Customer Agent가 폼과 청구서 조회 질문까지 처리해요. 특히 인텐트 신호에 제3자 데이터가 아닌 '자사 CRM 활동' 기반 신호 두 종이 추가됐는데, 딜에 기록된 노트와 통화·미팅 트랜스크립트를 스캔해 핵심 이해관계자와 고객이 말한 페인포인트를 뽑아내 회사 레코드에 구조화 신호로 붙여요. 지금까지 트랜스크립트 안에 방치되던 비정형 텍스트를 '페인포인트 카테고리별로 열린 딜을 리포팅'할 수 있는 데이터로 바꾸겠다는 뜻이에요.

Meta AI는 Muse Spark 1.1로 한 발 더 나갔어요. 주방 리모델링이라고만 말하면 스타일을 학습하고 Marketplace에서 예산에 맞는 가구·집기를 찾아 무드보드를 보내주고, 하프 마라톤 훈련 계획을 짜서 가용 시간에 맞춰 조정한 뒤 매주 월요일 아침에 그 주 일정을 공유해요. 캘린더에서 더블부킹이나 일정 변경을 감지해 데일리 브리핑까지 줍니다. 한 번만 설정하면 이후 단계를 알아서 챙기고, 리포트를 만드는 중간에 '톤을 바꿔라' '이 섹션은 빼라'처럼 실시간으로 방향을 틀 수 있다는 게 핵심이죠.

왜 중요한가

실행형으로 넘어가면 '탐색' 구간이 통째로 AI 안에서 처리돼요. 검색과 광고 사이에서 소비자가 정보를 비교하던 그 단계가 어시스턴트의 실행 계획 안으로 흡수되는 거죠. 완성차 업계나 대형 광고주가 노출 경쟁으로 잡던 상단 트래픽이 사라지고, 승부처가 '광고 인벤토리 확보'에서 'AI가 추천 후보 목록에 우리를 넣느냐'로 옮겨가요. 메커니즘을 한 단계 파고들면, Meta AI가 Marketplace에서 '예산에 맞는' 후보를 골라주는 순간 브랜드가 노출을 사는 게 아니라 에이전트의 필터링 기준(가격·스타일 적합도)을 통과해야 하는 구조가 되는 거예요.

돈이 몰리는 것도 이 방향이에요. computer use에 특화한 스타트업 Prentis는 출범(4월) 반년 만에 최대 5천만 달러 규모 계약을 맺고 10억 달러 밸류에이션에 1억 달러 펀딩을 추진 중이에요. 자체 모델 Hive-32B로 보험청구 처리, 관세 환급 예외 처리 같은 백오피스 업무를 Office 앱 화면 조작 수준에서 자동화한다고 주장하죠. 근거로 WindowsAgentArena(실제 윈도우 앱 end-to-end 태스크 완료)와 ScreenSpot-v2(화면 컨트롤 위치 탐지)에서 GPT-5.4, Claude Opus 4.6을 이겼다고 내세우고, 훨씬 작고 싼 모델이라 프론티어 API 대비 작업당 비용이 약 10배 낮다고 주장해요. 다만 TechCrunch는 이 벤치마크를 독립 검증하지 못했다고 밝혔어요.

계약 규모 숫자도 조심해서 읽어야 해요. Prentis 자체 피치덱에서 '이 수치는 절감액의 20%를 수수료로 받는 성과 연동 계약 기준 추정치이지 인식된 매출이 아니며, 성과 의존적이고 최종 체결에 좌우된다'라고 명시했거든요. 3분기 예상 연환산 매출 7,500만 달러도 같은 단서가 붙습니다. 즉 5천만·7,500만이라는 숫자는 '고객이 실제로 얼마나 절감했느냐'에 전부 걸려 있고, 그건 곧 뒤에서 다룰 무인 처리율 문제로 되돌아와요.

이해관계·역학

에이전트 기능을 '더 열었다'는 발표 뒤엔 각자의 계산이 있어요. HubSpot이 Price Books와 연결된 견적·청구·결제를 하나의 계약 레코드로 묶는 Quote-to-Cash를 미리보기로 낸 건 세 도구를 하나로 통합해 이탈을 막고 지갑 점유율을 키우려는 거예요. 에이전트를 전 허브로 개방한 것도 크레딧 소비를 늘려 업셀로 이어가는 구조고요. 그 증거가 같은 릴리스에 함께 나온 관리자 기능이에요. HubSpot은 '기능 단위 크레딧 한도(feature-level credit limits)'를 admin 기능으로 붙였는데, 이건 '마음껏 쓰게 열어주되 비용은 네가 통제하라'는 신호이자, 소비가 늘 것을 전제로 한 과금 설계라는 뜻이에요.

Meta AI가 실행형으로 가는 건 광고 인벤토리 경쟁을 어시스턴트 추천 경쟁으로 재편해 자사 플랫폼 안에 구매 의사결정을 가두려는 포석이에요. 반대로 구글은 검색 광고를 지키면서 오히려 키웠어요. 2분기 검색 광고 매출이 전년 동기 대비 17% 늘어난 632억 달러, 유튜브 광고도 13% 늘어난 111억 달러, 서비스 부문 영업이익은 20% 증가한 395억 달러로 영업이익률 41.8%에 달했어요. AI MAX는 베타 이후 50만 명 광고주가 쓰고, AI MAX·Performance Max 같은 AI 기반 캠페인 도입 기업은 비슷한 ROAS에서 검색 전환율이 평균 15% 올랐다고 해요. 쇼핑 광고는 관련성 높은 광고 표시율이 20% 향상됐고, 아웃도어 브랜드 한 곳은 Demand Gen으로 다른 유료 채널 대비 ROAS를 70% 개선했다고 구글이 밝혔어요. 사용자가 더 길고 상세한 질문(한국 소비자 87%가 더 긴 검색어 사용)을 하니 관련 광고를 붙일 자리가 늘었다는 논리죠.

그런데 이 17%를 AI 개요의 '효과'로 곧장 연결하면 안 돼요. 인과가 느슨한 지점이 여기예요. 리테일이 가장 빠르게 성장하는 업종이라는 구글 설명 자체가, 성장의 상당 부분이 AI 요약이 아니라 리테일 미디어·광고비 인상 같은 별개 변수에서 왔을 가능성을 시사해요. 무엇보다 AI가 답을 요약해주는 zero-click 환경에서 줄어든 오가닉 클릭 손실은 이 632억 달러라는 숫자에 잡히지 않아요. AI MAX나 Demand Gen 확대는 광고주가 타겟팅·소재 통제권을 구글에 넘기는 대가라(소재만 넣으면 AI가 지면·포맷을 최적화), 15% 상승만 볼 게 아니라 어떤 쿼리·채널에 예산이 갔는지 로그 레벨로 뜯어보는 리포팅부터 갖춰야 해요.

실무에 주는 함의

Optimizely 조사가 찬물을 끼얹어요. 마케터의 절반가량이 AI를 일상 업무에 완전히 통합했다는데 75%는 매주 3시간 이상을 편집·팩트체크·수정에 쓰고, 전 과정에서 시간이 절약된다는 응답은 4%뿐이에요. 그 시간을 잡아먹는 원인이 명확한데, 통합 AI 플랫폼 하나만 쓰는 곳은 19%이고 80% 넘게 여러 도구를 오가며 손으로 정보를 옮겨요(할루시네이션·복붙·법무 검토가 시간을 삼킨다고 조사가 짚었어요). 임원은 도입률로 성공을 판정하는데 현장은 관리 비용에 절감분을 다 반납하는 인식 격차가 진짜 문제예요.

그래서 내일 점검할 것을 정리하면 이래요.

• 권한 설계부터 손보기. Quote-to-Cash처럼 견적·청구·결제를 한 레코드에 묶는 순간 세일즈와 재무의 데이터 소유권 경계가 흐려져요. 크레딧 한도 설정보다 먼저 '누가 어떤 필드를 수정할 수 있나'를 못 박아야 실무에서 안 터져요. 에이전트가 딜 노트에서 자동으로 페인포인트를 회사 레코드에 쓰기 시작하면 이 문제는 더 커집니다.
• 에이전트가 만든 데이터에 신뢰 신호 붙이기. BigQuery의 Open Knowledge Format v0.2는 AI가 생성한 지표 정의에 다섯 가지 질문(출처·신뢰도·유효성·현재 버전·계산 방식 준수)을 frontmatter로 답할 수 있게 해요. 필수 필드는 여전히 type 하나뿐이고 나머지는 opt-in이라 v0.1 번들도 그대로 유효하지만, '검증 안 됨'과 '검증됨'이 구별된다는 게 핵심이에요. 특히 Attested Computation 타입은 지정된 SQL만 실행·검증해 에이전트가 임의로 쿼리를 바꿔 매출 지표를 왜곡하는 사고를 막아요. 검증된 정의만 대시보드에 노출하도록 필터를 걸어두세요.
• 작업별 모델 라우팅으로 비용 통제. Claude Opus 5는 상위 모델 Fable 5의 프론티어 지능에 근접하면서 절반 가격이고, 전작 Opus 4.8과 같은 비용으로 성능이 올랐어요. Frontier-Bench에서 SOTA를 찍고 CursorBench 3.2 최대 노력 설정에서 Fable 5 최고점의 0.5% 이내를 절반 비용으로 냈지만, 이런 벤치 최고점은 반복 카피 초안·데이터 요약과 상관이 낮아요. 오히려 가격이 절반으로 떨어졌다는 사실이 배치 자동화·대량 문서 검토의 손익분기점을 바꿉니다. 저가 모델과 라우팅하고 어디서 상위 모델이 실제 품질 차이를 만드는지 A/B로 검증한 뒤 붙이세요.
• 도구 통합에 예산 배정. 새 모델 도입보다 브랜드 가이드라인을 RAG로 물려 검수 단계를 줄이고 흩어진 도구 스택을 하나의 워크플로로 붙이는 통합이 더 급해요(단일 플랫폼 사용률 19%가 그 근거예요). 지루하고 티가 안 나 예산이 안 붙는다는 게 진짜 함정이에요.

리스크·반대 관점

실행형 에이전트의 가장 큰 함정은 '무인 처리율'과 '틀렸을 때 얼마나 조용히 넘어가나'예요. computer use는 데모에선 화려하지만 화면 UI가 살짝만 바뀌어도 에러가 나고, 그 오류를 사람이 잡아내는 검수 비용이 자동화로 아낀 인건비를 까먹어요. 보험청구·관세환급처럼 규칙이 촘촘하고 화면 조작이 반복되는 업무를 노렸다는 건 영리한 선택이지만, Prentis의 5천만 달러 계약이 '절감액의 20% 성과 연동'이라는 점을 다시 떠올리면, 무인 처리율이 낮아 사람이 계속 개입해야 하면 절감액 자체가 안 나오고 수수료도 안 나옵니다. 계약 규모가 아니라 실제 무인 처리율로 검증할 지표예요.

Meta AI가 리모델링·식당 예약 같은 다단계 실행을 대신하면, 예약이 틀어지거나 잘못 처리됐을 때 책임 소재가 어디인지부터 검증해야 해요. 실패 한 번의 신뢰 비용이 커서, 계약 단계에서 실패 시 책임 소재와 롤백 절차를 못 박지 않으면 데모 영상만 화려한 채로 끝날 수 있어요.

거버넌스도 포맷만으로 완성되지 않아요. OKF가 다섯 질문에 답할 자리를 만들어줘도, 유효 기한 지난 정의를 누가 갱신하고 attestation을 누가 서명하느냐는 결국 사람 문제라, 이걸 안 채우면 '검증됨' 딱지 붙은 잘못된 지표가 오히려 더 위험하게 통용돼요. agentic AI가 만병통치약이라는 서사와, 절감분이 관리 비용으로 되돌아온다는 현장 데이터(시간 절약 4%) 사이에서 균형을 잡는 게 지금 실무자의 몫이에요.

자주 묻는 질문

agentic ai란 무엇인가요

목표를 주면 실행 방법을 스스로 정해 끝까지 처리하는 AI예요. 계획을 세우고 여러 앱을 조작하며 후속 조치까지 해요. HubSpot의 Prospecting Agent나 Meta AI의 Muse Spark 1.1처럼 질문 응답을 넘어 실제 업무를 대신 실행하는 방향으로 진화하고 있어요.

agentic ai와 ai agent 차이가 뭔가요

엄밀히는 큰 차이 없이 섞어 쓰지만, 실무에선 규칙 기반 자동화와 대비해 이해하는 게 유용해요. 자동화는 사람이 짠 if-then을 그대로 실행하고, agentic AI는 목표만 주면 대상·메시지·타이밍을 스스로 조정하고 결과를 보며 바꿔가요. 자동화가 손발이라면 에이전트는 담당자 한 명에 가까워요.

agentic ai 사례로 뭐가 있나요

HubSpot이 딜 노트와 통화·미팅 트랜스크립트에서 이해관계자·페인포인트를 뽑아 회사 레코드에 구조화 신호로 붙이고, Meta AI가 리모델링 계획과 마라톤 훈련 일정을 대신 챙겨요. computer use 스타트업 Prentis는 보험청구·관세 환급 같은 백오피스 업무를 화면 조작 수준에서 자동화해 반년 만에 최대 5천만 달러 규모 계약을 맺었어요(단, 성과 연동 추정치예요).

AI를 도입하면 정말 시간이 절약되나요

조사 결과는 신중해요. Optimizely가 B2B 마케터 2,000명 이상을 조사했더니 75%가 매주 3시간 넘게 산출물 검수·수정에 시간을 쓰고, 전 과정에서 시간이 절약된다는 응답은 4%뿐이었어요. 단일 통합 플랫폼을 쓰는 곳은 19%뿐이고 80% 넘게 여러 도구를 오가며 손으로 정보를 옮기죠. 절감된 시간이 검수·도구 통합·거버넌스 구축으로 되돌아오는 게 현실이에요.

AI 에이전트 도입 전에 뭘 먼저 점검해야 하나요

권한 설계, 데이터 신뢰 신호, 모델 라우팅 세 가지예요. 누가 어떤 필드를 수정할 수 있는지 먼저 정하고, BigQuery OKF처럼 AI가 만든 지표에 출처·검증 신호를 붙이고, 작업별로 저가·상위 모델을 나눠 A/B로 검증한 뒤 붙여야 비용과 리스크를 통제할 수 있어요.