Agentforce 채택률 34%가 말하는 것, AI 에이전트 도입 전 데이터부터 봐야 하는 이유

무슨 일이 일어나고 있나

Salesforce CEO Marc Benioff가 2024년 출시 때 "Agentforce에 올인"이라고 했는데요. KeyBanc Capital Markets 분석을 보면 15만 고객 중 약 2만3000곳만 쓰고 있어요. 채택률로 치면 34% 정도예요. KeyBanc와 Bernstein이 같은 날 나란히 투자의견을 낮췄는데, Salesforce 규모의 회사에 이런 동시 하향은 이례적이에요. 결과적으로 시가총액이 2000억 달러 넘게 빠졌고요. KeyBanc가 짚은 원인 두 가지가 핵심이에요. 하나는 데이터 준비 상태(파편화된 CRM 레코드, 끊긴 시스템, 일관성 없는 고객 정보), 다른 하나는 제품 성숙도예요. 애널리스트 Jackson Ader 팀은 "우리가 이야기하는 파트너들이 이제 막 Agentforce PoC를 파이프라인 딜로 전환하기 시작했고, CIO 설문에서는 향후 12개월간 Salesforce를 IT 예산에서 우선순위 낮추겠다는 곳이 늘리겠다는 곳보다 많았다"고 적었어요.

같은 시기에 정반대 흐름도 있어요. Databricks는 1880억 달러 평가로 신규 라운드(외부 보도상 약 30억 달러)를 발표했는데, 5개월 전엔 1340억(Series L 50억 달러 조달), 그 5개월 전엔 1000억 달러(10억 달러 조달)였어요. 9개월 전 62억이 아니라 620억 달러에서 시작해 밸류에이션이 알파벳이 모자란다는 밈이 돌 정도로 뛰었죠. 2013년 빅데이터 저장·분석 소프트웨어로 성장한 회사가, 이미 기업 데이터가 쌓여 있다는 위치를 발판으로 Lakebase(에이전트용 DB), Unity(AI 게이트웨이), Omnigent(다중 에이전트 관리 메타 하네스)를 얹어 AI 기업으로 이미지를 바꿨어요. CEO Ali Ghodsi는 자사 소프트웨어 엔지니어 3000명의 실제 작업으로 모델을 벤치마킹해 코딩용으로 Z.ai의 GLM 5.2 같은 오픈웨이트 모델을 밀고 있고요. Datadog은 Cloud SIEM 사용 데이터를 분석해 실제로 가장 많이 쓰는 작업부터 에이전트 도구로 만들었고, OpenAI는 토큰 단가 대신 '성공 작업당 총비용'으로 AI 투자를 재라고 제안했어요.

왜 중요한가

Agentforce가 안 팔린 게 에이전트 회의론의 증거가 아니에요. 인과를 한 단계 더 파보면 이래요. 에이전트는 여러 단계를 추론하고 도구를 오가며 작업을 완료하는데, 각 단계에서 참조하는 데이터가 서로 다른 ID로 흩어져 있으면 판단 자체가 어긋나요. 그래서 Agentforce 초기 사용자들이 AI를 쓰는 시간만큼 데이터를 준비·정리하는 데 시간을 쏟았다는 겁니다. 모델을 더 좋게 만든다고 이 간극이 메워지지 않아요. KeyBanc도 명확히 적었어요. 문제는 기업을 에이전트의 잠재력으로 설득하는 게 아니라, 그걸 돌릴 준비를 시키는 거라고요.

Databricks가 값이 뛰는 메커니즘도 여기 연결돼요. 에이전트가 여러 시스템의 데이터를 왕복하며 작업할 때 발생하는 이동 비용과 거버넌스 검증이 실제 병목인데, 데이터가 이미 한 레이크하우스에 정합성 있게 있으면 그 왕복 자체가 사라져요. Salesforce의 실패와 Databricks의 성공은 같은 명제의 앞뒷면이에요. 에이전트 성패는 '내 데이터가 어디에, 어떤 상태로 있느냐'가 1차 변수라는 거죠.

이해관계·역학

누가 이 서사로 이득을 보는지 뜯어볼게요. Databricks는 '데이터가 이미 여기 있으니 에이전트도 여기서 돌려라'는 메시지로 자기 레이크하우스 위에 Lakebase·Unity Catalog 같은 AI 레이어를 얹어 록인을 강화해요. 데이터 이동 비용을 줄여준다는 게 고객 편익인 동시에, 데이터가 한곳에 고이면 이탈 비용도 함께 커진다는 양면이 있어요. Ghodsi가 엔지니어 3000명의 AI 비용을 관리하려 벤치마크를 돌려 GLM 5.2가 프로프라이어터리보다 싸다고 공개한 것도, 자사 오픈모델 노선을 정당화하는 실증이에요. 이 벤치마크는 특정 태스크·조건의 결과라, 우리 실제 워크로드에 튜닝·운영 인건비를 넣고 다시 계산하지 않으면 저비용 주장에 그대로 넘어가기 쉬워요.

OpenAI의 'Useful Intelligence per Dollar' 프레임워크에도 유인이 깔려 있어요. 토큰 단가 비교표만 놓으면 저가 오픈모델에 밀리니까, '성공 작업당 총비용'이라는 축으로 경기장을 바꾸면 비싼 모델도 한 번에 정확히 끝내면 유리하다는 논리가 서거든요. GPT-5.6을 Sol·Terra·Luna 세 계층으로 나눈 것도 작업 복잡도별로 상위 티어 과금을 유도하는 설계예요. 프레임워크의 네 가지 질문(의미 있는 일을 끝냈나, 성공 작업당 비용이 얼마인가, 결과를 믿을 수 있나, 규모가 커질수록 가치가 느나) 자체는 타당하지만 '왜 지금 이렇게 발표했나'는 짚어둘 필요가 있어요. Salesforce 주가 2000억 달러 증발은 반대로 '에이전트 하나만 붙이면 된다'는 벤더 서사가 시장 검증에서 먼저 깨졌다는 신호고요. 두 회사 다 '더 비싼 게 최고'라는 공식이 흔들리는 국면에서 각자에게 유리한 측정 축을 미는 중이에요.

실무에 주는 함의

에이전트 예산을 잡기 전에 데이터·측정·거버넌스를 먼저 점검하세요. 내일 확인할 것 네 가지예요.

1. 고객 데이터 정합성 감사: CRM 레코드가 하나의 ID로 묶여 있는지, 시스템 간 연결이 끊긴 곳이 없는지, 중복 레코드가 중앙 CRM을 오염시키고 있지 않은지 확인하세요. Agentforce 초기 사용자들이 AI 쓰는 시간만큼 데이터 정리에 시간을 썼다는 게 경고예요. 데이터 기초 없이 붙인 에이전트는 잘못된 데이터를 더 빠르게, 더 자율적으로 실행할 뿐이에요.

2. 거버넌스 태그 체계 정비: BigQuery의 IAM 데이터 거버넌스 태그는 지역별로만 작동하던 정책 태그와 달리 조직 전체 지역에 글로벌하게 적용되고, 데이터 정책이 재해복구 지역으로 자동 복제돼요(장애 조치 시 보안 태세가 함께 이동). PII > 금융 > 신용카드번호처럼 5단계 계층으로 분류하고, 태그 생성과 정책 적용을 분리(태그 먼저 붙이고 정책은 나중에 정의)할 수 있어요. 단 마이그레이션 전에 PII 분류 기준을 조직 차원에서 먼저 합의하세요. 리전마다 정책을 중복 정의하면 US엔 마스킹이 걸렸는데 EU 복제본엔 빠지는 감사 구멍이 생겨요.

3. 자동화 대상을 실사용 데이터로 고르고 평가 기준부터 깔기: Datadog은 추측 대신 API 호출 패턴·RUM 데이터·Bits Chat 로그를 분석해 '탐지 규칙 작성·수정이 메시지의 44%'라는 실제 병목을 찾아 거기부터 에이전트 도구를 만들었어요. 여러 팀 도구가 단일 컨텍스트 윈도우를 공유하는 제약은, 신호 ID 리스트를 통째로 던지는 대신 쿼리로 신호를 조회하게 바꾸는 '점진적 공개'로 우회했고요. 비결정적 행동은 커스텀 평가 프레임워크로 검증해 신호 50개 분류 시간을 2분에서 1분대로, 대량 작업 상한을 50개에서 500개로 늘렸어요. 다만 2분을 1분으로 줄인 게 핵심이 아니라, 실사용 데이터로 대상을 고르고 평가 기준을 먼저 깐 규율이 핵심이에요. 평가 기준 없이 에이전트를 먼저 붙이면 뭐가 좋아졌는지도 못 재는 상태로 운영하게 돼요.

4. ROI를 '성공 작업당 총비용'으로 재계산: 재시도 횟수, 사람 검수 시간, 실패한 작업의 재작업 비용까지 넣어 계산하면 벤더 순위가 뒤집혀요. 도입 건수(seats)나 토큰 단가가 아니라 '한 건의 성공 작업을 완성하는 데 드는 총비용 대비 가치'가 기준이에요. OpenAI 예시처럼 지원팀은 '이슈 해결', 엔지니어팀은 '테스트 통과한 코드 변경', 법무팀은 '정확·정시 계약 검토'를 '완료'로 정의하고 그 결과를 일이 일어나는 시스템 안에서 재세요. 단 '성공'과 '수정 필요', '단계적 처리 필요'를 무엇으로 판정할지 로그와 휴먼 리뷰 기록이 없으면 그럴듯한 논리로만 남아요. AI ROI 측정은 모델 선택 이전에 워크플로우 계측 체계부터 깔려 있어야 성립해요.

리스크·반대 관점

'데이터부터'가 만능은 아니에요. 데이터 정비를 명분 삼아 에이전트 도입을 무한 연기하면 오히려 뒤처질 수 있어요. 완벽한 데이터를 기다리기보다 Datadog처럼 실사용 병목 하나(예: 44%를 차지한 탐지 규칙 작성)를 골라 좁게 시작하고 평가로 확장하는 게 현실적이에요.

SPINE 연구는 로봇 배포에서 에이전트가 진단·수리·검증을 반복해 DOBOT X-Trainer 성공률을 75%에서 100%로 올리고 원격조작까지 걸리는 평균 시간을 16분45초에서 13분47초로 줄였다고 하지만, 이건 데모 스케일 숫자예요. AgileX PiPER에서 심어둔 버그 10개를 전부(전문가 기준선은 9개) 해결했다는 것도 사전에 정의된 오류 유형 안에서의 얘기고요. '전문가 불필요' 마케팅 메시지는 실패 시 책임 소재와 엣지케이스를 누가 감당하느냐는 질문을 남겨요. 비기술 고객 확보용 카피로 쓰되 SLA와 한계는 명시하는 게 안전해요. 저가 오픈모델 벤치마크도 마찬가지로 특정 조건의 결과라, 우리 워크로드에서 다시 재보지 않으면 함정이에요. Databricks 밸류에이션이 5개월마다 뛰는 것도 시장 열기지 실사용 검증은 아니에요. Salesforce가 보여준 것처럼 벤더 서사와 실제 채택률 사이의 간극이 언제든 드러날 수 있어요.

자주 묻는 질문

agentforce 란

Salesforce가 2024년 출시한 자율 AI 에이전트 플랫폼이에요. 고객서비스·영업·마케팅 작업을 자동화한다고 내세웠는데, 15만 고객 중 약 2만3000곳(34%)만 채택했고 대부분 개념증명 수준에 머물러 있어요. KeyBanc와 Bernstein이 같은 날 투자의견을 낮췄고 시가총액이 2000억 달러 넘게 빠졌어요.

AI 에이전트 도입이 잘 안 되는 이유는

KeyBanc 분석은 두 가지를 짚어요. 파편화된 CRM 레코드·끊긴 시스템 같은 데이터 준비 문제, 그리고 아직 PoC 단계에 머문 제품 성숙도예요. 에이전트는 여러 단계를 추론하며 서로 다른 시스템의 데이터를 오가는데, 그 데이터가 하나의 ID로 정합되지 않으면 판단이 어긋나요. 그래서 초기 사용자들이 AI 쓰는 시간만큼 데이터 정리에 시간을 썼어요.

AI 에이전트 비용은 어떻게 비교해야 하나

토큰 단가가 아니라 '성공 작업당 총비용'으로 봐야 해요. 재시도, 사람 검수, 재작업 비용을 넣으면 저렴한 모델이 오히려 비쌀 수 있어요. OpenAI는 이를 'Useful Intelligence per Dollar'로 부르는데, '완료'의 정의와 자사 워크플로우 로그가 있어야 실제 계산이 성립해요. Databricks가 공개한 오픈모델 저비용 벤치마크도 자사 태스크 기준이라 그대로 믿기보다 우리 워크로드에서 다시 계산해야 해요.

데이터 거버넌스는 무엇부터 하나

BigQuery IAM 데이터 거버넌스 태그처럼 민감 컬럼을 계층 태그(PII > 금융 > 신용카드번호, 최대 5단계)로 분류하고 마스킹·접근 거부 정책을 적용하는 게 출발점이에요. 정책 태그와 달리 글로벌 적용에 재해복구 지역 자동 복제가 되고요. 다만 마이그레이션 전에 PII 분류 기준을 조직 차원에서 먼저 합의해야 관리 복잡도가 폭증하지 않아요.

AI 에이전트 활용 사례로 참고할 만한 건

Datadog Cloud SIEM 사례가 실용적이에요. API 호출·RUM·챗 로그로 자동화 대상(탐지 규칙 작성 44%)을 고르고, 공유 컨텍스트 제약은 쿼리 기반 조회 '점진적 공개'로 우회하고, 비결정적 행동은 커스텀 평가 프레임워크로 검증해 신호 50개 분류 시간을 2분에서 1분대로 줄이고 대량 작업 상한을 50개에서 500개로 늘렸어요.