검색 - IT세상을 바꾸는 힘 지디넷코리아

ZDNet 검색 페이지

'박준성'통합검색 결과 입니다. (6건)

태그
기간
- 3개월
- 1년
- 1년 이전

재검색

[박준성의 SW] AI 에이전트 성공의 핵심 조건

생성형 AI 에이전트(Generative AI Agent)는 생성형 AI 기본모델(Foundation Model)을 기반으로 한다. 사용자가 설정한 목표를 달성할 때까지 환경을 인지하고 스스로 계획을 수립하며, 다양한 툴(SW, DB, 분석형 AI 모델, 타 에이전트 등)을 선택해 정책과 거버넌스 범위 내에서 자율적으로 작업(Action)을 반복 수행하는 지능형 소프트웨어 시스템이다. 기업의 SW 신기술(웹, 모바일, 소셜, 클라우드, IoT, AI 등)을 기반으로 한 정보시스템 및 경영의 혁신은 종래 전략적 목적을 설정해 놓고, 그 달성을 위해 전사 아키텍처(EA), 비즈니스 분석(BA), 메타데이터 관리(MDM), 비즈니스 프로세스 관리(BPM), 서비스 지향 아키텍처(SOA) 등 엔터프라이즈 IT(Enterprise IT) 전문가들의 창의적 분석과 설계에 의존해 왔다. 이런 점에서 AI 에이전트는 목표 지향적 업무 프로세스에 새로운 형태의 제한적 자율성을 부여하는 혁신적 시도라 할 수 있다. 과연 생성형 AI 기반의 반자율적(Semiautonomous) 의사결정과 작업 실행이 비즈니스 애널리스트, 엔터프라이즈 아키텍트, 비즈니스 아키텍트, SW 아키텍트, SW 엔지니어 등 전문가 집단지성의 협업적 의사결정에 필적할 만한 성과를 낼 수 있을까? 2025년 맥킨지(McKinsey) 보고서 'One Year of Agentic AI: Six Lessons from the People Doing the Work'는 AI 에이전트를 개발한 60여 개 기업의 성공과 실패 경험을 바탕으로 경영성과를 높이기 위한 핵심 원칙을 제시했다. 이에 기반해, 필자는 AI 에이전트를 통해 가시적 경영성과를 달성하기 위한 필수 요소를 다음 네 가지로 요약한다. 첫째, 고객 접점 업무 뿐 아니라 재고, 생산, 구매, 재무, 인사 등 백엔드 업무의 Pain Point/Gain Point 중 AI 에이전트가 최적 솔루션이 될 수 있는 고가치 사용 사례(Use Case)를 발굴할 것 둘째, 자연어·멀티미디어 데이터를 포함한 도메인 메타데이터와 의미론적 데이터 구조(Ontology/Semantic Layer)를 확립할 것 셋째, 에이전트 활용을 전제로 엔드 투 엔드(End-to-End) 비즈니스 프로세스를 BPR하고, 이를 SOA/API 기반의 모듈형 아키텍처로 구현할 것 넷째, 전문가가 지속적으로 아웃풋(Output) 품질을 평가하고, 실행 단계별 모니터링·가시성(Observability)·피드백 루프를 통해 AI 에이전트를 지속 개선할 것 등이다. AI 에이전트의 타겟 Use Case 선정 기업 현장의 문제를 SW로 자동화하려 할 때, AI 에이전트가 항상 최적의 솔루션은 아니다. 자동화 방식에는 비즈니스 프로세스 모델, 코드 및 비즈니스 룰 기반 자동화, 분석형 AI와 OR(Operations Research) 기반 자동화, 생성형 AI 기반 자동화, 그리고 목표지향적 AI 에이전트 기반 자동화가 있다. 따라서 AI 에이전트는 다른 자동화 방식 대비 고유한 강점을 발휘할 수 있는 영역에 선택적으로 적용해야 한다. AI 에이전트가 적합한 비즈니스 도메인의 특성은 다음과 같이 요약할 수 있다. 첫째, 구조적/비구조적 데이터, 특히 자연어·멀티미디어 데이터를 포함한 다양한 소스(문서, ERP, CRM, 이메일, 외부 API 등)의 고품질 데이터와 메타데이터/의미론적 구조가 확보되어 있는 경우. 또한 공급망, 자재 구매, 규제 환경 등 동적으로 변화하는 불확실한 환경에서 실시간 정보를 기반으로 상황을 추론하고 행동을 조정해야 하는 경우. 둘째, 높은 처리량과 속도를 요구하는 반복적·지식집약적 작업(보고서 작성, 개인화 마케팅, 고객 지원, 보험 심사, 복합적 규제 대응, 위협 대응 등)으로서 데이터 합성, 맥락 이해, 추론, 의사결정, 후속 실행까지 포함하는 경우. 이 경우 ROI(비용 절감, 매출 증대, 처리 속도 향상 등)를 측정할 수 있어야 한다. 셋째, 여러 부서·시스템·데이터 소스를 포함하는 End-to-End 복합 워크플로우에서 입력 및 상황의 가변성이 높아 프로세스 표준화나 고정 규칙 기반 자동화가 부적절하고, 목표 달성을 위해 단계별로 유연한 계획 수립과 실행 조정이 필요한 경우. 단, 성공 지표, 규제, 예외 처리, 승인 절차 등 명확한 정책·가드레일을 설정할 수 있어야 한다. 예컨대, 보험금 청구 처리, 계약서 검토, 은행 고객 지원, 공급망 조정, 제조 품질 문제 해결, 차량 음성 지원 등. 아래 그림은 위에서 언급한 맥킨지 보고서에서 인용한 것으로, 보험회사의 보험금 청구 처리(Insurance Claims Processing) 프로세스에서 Rule 기반, 분석형 AI 기반, 생성형 AI 기반 및 AI 에이전트 기반의 자동화가 복합적으로 적재적소에 적용된 사례다. 아래 표는 산업별로 AI 에이전트의 사용 사례를 요약한 것이다. AI 에이전트 적용 도메인의 온톨로지(Ontology) 확립 AI 에이전트를 개발할 때 핵심 기반 요소 중 하나는 메타데이터 관리와 의미론적 데이터 구조(Semantic Modeling)를 확립하는 것이다. 온톨로지(Ontology), 지식그래프(Knowledge Graph), 데이터 카탈로그, Taxonomy, Vector DB Tagging, API/Tool Schema 등 메타데이터가 정교하게 정의돼 있어야 AI 에이전트는 데이터의 정확한 의미, 개념적 관계, 용도, 정책 및 제약 조건을 이해할 수 있다. 이를 통해 상황적 지능(Contextual Intelligence)을 강화하고 환각(Hallucination), 잘못된 툴 사용, 정책 위반 가능성을 줄일 수 있다. 즉, 메타데이터와 온톨로지(Ontology)는 AI 에이전트가 단순한 프롬프트 기반 응답 시스템을 넘어 실제 기업 운영 환경에서 신뢰성 있게 작동하도록 하는 핵심 Semantic Control Layer 역할을 한다. 유럽 에어버스(Airbus)는 팔란티어(Palantir)의 Foundry/Ontology 프레임워크를 활용해 항공기 제조, 유지보수, 공급망 운영 데이터를 통합하고, 이를 기반으로 운영 AI 및 Agentic Workflow를 고도화했다. Airbus는 분산된 생산·유지보수·공급망 데이터를 시맨틱하게 통합함으로써 생산 병목 분석, 유지보수 계획 최적화, 공급망 차질 진단, 운영 옵션 평가, 공장 간 워크플로우 조정 능력을 강화했다. 이 통합 Ontology 기반 시스템은 기술자, 운영 관리자, 준법감시인 등 인간 전문가와 협업하며 생산 공정 모니터링, 문제 진단, 해결안 추천 및 운영 조정을 지원한다. AI 에이전트 적용 프로세스 BPR 및 SOA 구현 위의 맥킨지 보고서에서 예시한 보험금 청구 처리 프로세스를 실제로 AI 에이전트를 이용해 자동화한 사례로 미국에서 2015년 창업한 보험회사 Lemonade를 들 수 있다. AI 에이전트 기반 보험금 청구 프로세스의 재설계에 다양한 기존 BPR 패턴을 적용할 수 있다. -Non-Value-Adding Activity 제거: 데이터 입력 자동화 -Parallelism: 손해사정과 사기탐지 병렬 처리 -Case Management: 실시간 협업 조정 -Self-Service: 고객 직접 처리 =Empowerment: 단순 사고의 손해사정사 개입 없이 현장 직원 직접 처리 한편 AI 에이전트 적용 시 새롭게 나타나는 BPR 패턴들도 있다. -Dynamic Rule Adaptation: 상황적응적 의사결정 -Dynamic Process Orchestration: 목표 중심의 상황적응적 워크플로우 재설계된 프로세스는 SOA/API 중심의 모듈형 서비스 구조로 구현될 수 있으며, 재사용 가능한 AI 서비스는 다양한 프로세스에서 공유할 수 있다. 재사용 서비스로 정보 추출, 사기/위험 탐지, 옴니채널 고객 대응, 규제 준수, Best Practice 추출 등을 들 수 있다. 세일즈포스사의 Agentforce는 CRM, 서비스, 공급망 등 다양한 프로세스에서 Agentic Workflow를 구현하는 SaaS 플랫폼이다. 예컨대, 고객이 Agentforce CRM에 제품 반환 및 환급 요청 프롬프트를 입력하면, 오케스트레이션 엔진인 Atlas가 Agentic Loop를 실행해 고객에게 60초 내에 환급 및 Prepaid Return Label 이메일을 완전자동으로 전송한다. 고객 서비스, 마케팅, 판매, 재고, 구매, 공급망 운영, 물류, 예지보전 등의 기능을 제공하는 Agentforce의 연매출은 1년 반 만에 1조 원을 넘는 빠른 매출 성장률을 기록했다. 예를 들어, Siemens는 판매에, PepsiCo는 재고 관리에, Dell은 공급망 관리에, Indeed는 마케팅에, Deloitte는 CRM에 사용하고 있다. 아래 BPMN 프로세스 다이어그램은 Agentforce의 Agentic Workflow를 보여준다. execute Multi-Step Agentic Workflow 서브프로세스는 BPMN에서 ~(Tilde)로 표시되는 Ad Hoc 서브프로세스로 태스크 수행 순서가 사전에 고정되지 않고 목표 달성을 위해 실시간 컨텍스트에 따라 유연하게 결정되는 프로세스이다. 정책 및 가드레일 조건을 충족하는 다수의 표준 고객 요청은 고객 셀프서비스 방식으로 자동 처리되며, 예외적이거나 복잡한 경우에만 Reasoning and Intent Analysis 태스크의 Escalation Boundary Event를 통해 인간 직원의 수동 프로세스로 전환된다. 이 구조는 전통적인 확정적(Deterministic) 워크플로우와 달리 표준 절차를 일률적으로 따르기보다 각 상황의 맥락과 목표에 맞춰 워크플로우를 동적으로 조정한다. 또한 적절한 데이터·이벤트 신호가 존재할 경우 선제적 대응(Proactive Service)도 가능하게 한다. 그 결과 고객 만족도 향상, 처리 속도 개선, 운영비 절감을 동시에 달성할 수 있다. AI 에이전트와 전문가 협업 (Human-in-the-Loop) 미국의 글로벌 SI 기업 액션추어(Accenture)는 생성형 AI, AI 에이전트, 물리적 AI를 활용한 기업 혁신 서비스를 핵심 성장 전략으로 삼고, 고객사의 비즈니스 프로세스 재설계와 AI 기반 운영 모델 전환을 지원하는 AI-Driven Enterprise Reinvention Services 사업을 확대하고 있다. 이 사업은 NVIDIA와 협력하여 구축한 AI Refinery를 이용해 고객 데이터 기반의 맞춤형 AI/Agentic 솔루션, 산업별 프레임워크, 거버넌스 체계를 제공하고 있다. 그 결과 2023~2025년간 100% 이상의 수주 성장률을 보이면서 누적 수주 17조 원을 달성했다. 동 사업은 다음과 같이 3단계의 표준 서비스 이행 프로세스를 적용한다. 프랑스 항공사 Air France-KLM사는 액센츄어와 협력해 항공기 유지보수 및 운영 혁신을 위한 AI 에이전트를 개발했다. AI 에이전트의 주요 기능은 정비 이슈 분석 지원, 유지보수 문서 검색, 수리 작업 추천, 기술자 워크플로우 조정, 운영 효율 개선 등이다. Human-in-the-Loop는 추천 작업의 기술자 승인, 안전치명적인 결정에 대한 인간 개입, 규제 준수 검토승인과 지속적 피드백을 포함한다. ◆ 필자 박준성 KOSTA 회장은.... 서울대 경영학 학사 및 석사, 미국 오하이오주립대 전산학/산업공학 학제간 박사를 취득했다. 미국 아이오와대학(University of Iowa)에서 MIS 분야 종신교수로 재직하면서 미국 INFORMS 통신학회 회장을 역임했다. 중국 청화대학 전산학과 초빙교수를 지낸 후 2001년 귀국, 삼성SDS에서 S급 임원 및 CTO로 재직하면서 미국 HP의 전략자문위원을 역임했다. 2010년 이후 KAIST 산업공학과에 S급 초빙교수로 재직하면서 미국 국제SW공학협회(SEMAT) 회장, 미국 OMG의 SW공학 커널(Essence) 국제표준 제개정위원장도 지냈다. 또 삼성전자, LG전자, 현대자동차, 한국마이크로소프트 등 많은 대중소기업과 정부기관에서 SW자문역 및 임직원 교육을 수행했다. 2019년 이후 한국SW기술진흥협회(KOSTA) 회장으로 재직하고 있으며, 'KOSTA Online'이란 무료 SW교육 동영상 과정 및 블로그 사이트를 운영하고 있다

2026.05.01 21:43박준성 컬럼니스트

[박준성의 SW] AI 에이전트 허와 실

필자가 1980년대 중반 미국 대학에서 전산학 박사과정에 있을 때다. 당시 AI 교수들이 가장 많은 연구비를 확보했고, AI전공 학생이 엑스퍼트(Expert system) 전문회사로 취직하는 경우 가장 높은 연봉을 받았다. 이런 점에서 당시의 분위기는 오늘날 생성형(Generative) AI에 대한 기대와 유사한 측면이 있다. 그러나 1980년대 후반부터 Expert system에 대한 과잉 기대가 조정되면서 시장이 급격히 위축됐고, 관련 전문기업들이 어려움을 겪거나 도산하는 사례가 늘었다. 이러한 흐름 속에서 1980년대 후반부터 1990년대 초반까지 이른바 AI 겨울(AI Winter)이 도래했다. 이런 현상은 최근 금융기관들이 우려하는 AI 버블(AI Bubble)과 유사한 측면이 있다. 그러나 현재의 상황은 당시와 달리 실제 기술적 진전과 산업적 수요가 뒷받침되고 있다는 점에서, AI Winter보다는 2000년대 초의 닷 컴 버블(Dot-Com Bubble)에 더 유사한 측면이 있다. 즉, 향후 일정 기간 동안 주가 조정과 일부 기업의 도산이 발생할 가능성은 있으나, 이후에는 실수요와 빅테크 기업 중심의 시장 재편을 기반으로 점진적인 안정화 국면에 진입할 가능성도 있다. 1990년대 중반 이후 AI를 이용해 구조적 데이터 내에 숨겨진 패턴을 추출해 기업 의사결정에 활용하는 데이터 마이닝(Data Mining)이 확산됐다. 예컨대 월마트(Walmart) 같은 대형 유통업체들은 POS(Point of Sale) 거래 데이터를 대규모 데이터 웨어하우스에 저장하고, 군집분석(Cluster Analysis) 등의 기계학습 기법을 적용해 고객의 구매 패턴을 분석했다. 당시 맥주와 기저귀를 함께 구매하는 패턴을 발견하고, 그 둘을 인접시켜 진열했다는 사례가 널리 알려져 있다. 2010년대에 들어서는 빅데이터와 딥러닝(Deep Learning)이 결합된 Big Data Analytics가 대규모 데이터 분석을 기반으로 한 예측을 가능하게 했다. 구글, 아마존, 메타, 알리바바 등 빅테크 기업들은 분석형(Analytical) AI와 최적화(Operations Research, OR) 기법이 결합된 자동 의사결정 시스템을 발전시켜 핵심 수익 엔진으로 활용했다. 예를 들어 아마존의 추천 자동화 시스템은 매출의 약 30%(약 300조 원) 정도 영향을 미치는 것으로 알려져 있으며, 구글의 광고 자동화 역시 머신러닝 기반 최적화를 통해 매출의 대부분(약 300조 원)을 창출하는 핵심 엔진으로 작동하고 있다. 제조업에서도 분석형 AI/OR 기반의 오토메이션을 바탕으로 GE(General Electric), 지멘스(Siemens) 등은 Predictive Maintenance를 포함한 산업 설비 최적화 시스템을 발전시켜 왔으며, 삼성전자도 공정 최적화와 불량 탐지 시스템을 핵심 공정에 적용해 왔다. 이들 시스템에는 다양한 기계학습 및 최적화 기법이 활용됐다. 기계학습에는 의사결정 트리 및 GBDT, 회귀분석, 시계열 모델, 이상 탐지, 강화학습, 그리고 일부 딥러닝 모델이 사용되었으며, 최적화에는 수리계획법(LP, IP, QP), MPC와 같은 제어 기반 최적화 기법, 그리고 시뮬레이티드 어닐링, 타부 서치, 유전 알고리즘 등의 휴리스틱 기법이 폭넓게 활용되었다. 2017년 가트너의 약 3100명의 CIO를 대상으로 한 설문조사에 따르면, 당시 AI를 실제로 운영 환경에 도입한 기업은 약 4%에 불과했다. 한편 같은 해 딜로이트(Deloitte)가 AI를 이미 도입한 기업의 종사자들을 대상으로 실시한 조사에 따르면, 이들 기업에서 Rule-Based Expert system(약 49%), 통계 및 Neural Network 기반의 기계 학습(약 58%), 자연어 처리(약 53%), Deep Learning(약 34%) 등 다양한 AI 모델들을 병행해 활용하고 있었다. (아래 표 참조) 이렇듯 AI를 성공적으로 활용해 온 기업들은 1980년대의 Expert system부터 최근의 기계 학습과 딥러닝에 이르기까지 다양한 기술을 적재적소에 활용해 왔다. 이러한 기업들은 AI를 조용하고 점진적으로, 눈에 띄지 않게 적용하면서도 의미 있는 경영 성과를 쌓아 왔다. 반면 AI Hype에 편승해 대규모 투자를 단기간에 집중한 프로젝트는 기대만큼 성과를 내지 못한 사례가 적지 않다. 예컨대 MD Anderson Cancer Center가 IBM과 함께 추진한 AI 프로젝트는 암 치료 의사결정을 지원하기 위한 AI 시스템이었음에도 불구하고, 감사 결과 “2016년까지 6200만달러를 투입했지만 1명의 암 환자도 치료하지 못했고, 병원의 EMR 정보 시스템과 통합된 사례도 전혀 없었다”고 보고됐다. (T. Davenport, The AI Advantage, 2018) 반면 싱가포르의 DBS Bank는 기계 학습을 활용해 ATM 현금 보충, 직원 이직 예측, 사기 탐지, 고객 지원, 여신 심사 등 일상적인 운영 업무에 AI를 점진적으로 적용해 왔다. 이러한 노력은 글로벌 평가에서도 인정받아 2023년 Evident AI Index에서 AI Strategy Leadership 부문 1위로 선정되었다. 이처럼 AI의 적용은 홈런 한 방을 노리기보다 작은 실험과 개선을 반복하며 성과를 축적해 가는 접근이 더 효과적인 경우가 많다. 2025년 들어 AI에이전트 기술이 SW 분야의 주요 트렌드로 부상해 많은 기업들의 관심을 끌고 있다. AI 에이전트는 주로 LLM 기반의 생성형 AI를 활용해 외부 툴(API, DB, 애플리케이션 등)을 호출하고, 목표 달성을 위해 추론, 계획, 의사결정, 액션을 수행하는 소프트웨어 시스템이다. 일부는 멀티모달 입력을 처리하며, 멀티에이전트 구조를 통해 협력적으로 작업을 수행할 수 있다. 실행은 완전 자율보다는 Human-in-the-Loop 기반의 반자율적 형태가 일반적이며, 환경 변화에 대해서는 아직 제한된 범위 내에서 컨텍스트 기반으로 적응하는 수준에 머물러 있다. 생성형 AI 에이전트의 경제적 효과는 기존의 분석형 AI 기반 자동화와 비교했을 때 어떤 차이를 보일까? 아래 표에서 보듯이, 생성형 AI 에이전트는 계량적/구조적 데이터 도메인의 의사결정 지원에 그치지 않고, 지식 업무 전반의 실행까지 확장됨으로써 국가 경제 전체적으로는 더 광범위한 노동생산성 제고 효과를 가져올 가능성이 있다. 반면 개별 기업 수준에서는 아마존, 구글 등 빅테크 기업과 같이 IT 성숙도가 높은 경우, 분석형 AI/OR 기반 자동화가 구조적이고 반복적인 운영 업무를 자동화함으로써 막대한 경영 성과를 창출해 왔다. 그러나 1990년대 이래 이러한 분석형 AI/OR 기반 자동화 시스템은 높은 데이터 요구 수준, 복잡한 시스템 통합, 운영 최적화 역량의 필요성 등으로 인해 일반 기업으로는 광범위하게 확산되지 못했다. (박준성, AI Agent의 허허 실실, 2026: https://www.kosta-online.com/post/ai-agent-hype-and-reality) 맥킨지에 의하면, 아래 도표에서 보듯이, AI는 전반적으로 연 17~26조 달러의 경제적 효과를 창출할 수 있으며, 이 중 생성형 AI는 약 6~8조 달러의 기여를 할 것으로 추정된다. (McKinsey, The economic potential of generative AI: The next productivity frontier, 2023). 생성형 AI의 기여 중 AI 에이전트가 차지하는 비중에 대해서는 아직 공식적으로 제시된 바가 없다. 현재 맥킨지 추정에서는 생성형 AI의 경제적 기여가 기존 AI 모델들에 비해 상대적으로 작게 나타난다. 다만 생성형 AI는 아직 초기 단계에 있으며, 특히 에이전트 기반의 End-to-End 자동화 효과가 충분히 반영되지 않았을 가능성이 있다. 따라서 향후에는 이 격차가 축소되거나, 일부 영역에서는 역전될 가능성도 있다. 한편 생성형 AI와 유사한 수준의 기대를 받았던 다른 IT 기술과 비교해 보면, 사물인터넷(IoT)의 경우 맥킨지는 2025년까지 연간 약 4~11조 달러의 경제적 가치를 창출할 것으로 예측한 바 있다. (McKinsey, The Internet of Things: Mapping the Value Beyond the Hype, 2015) 이는 생성형 AI의 현재 추정치와 비교할 때 특히 상한 기준에서는 더 큰 규모다. 다만 실제로는 다양한 산업에서의 도입 속도와 제약 요인으로 인해, 실현된 가치는 예측 범위의 하단에 가까운 수준으로 추산된다. 이러한 괴리는 표준 난립, 기존 시스템과의 통합 복잡성, 데이터의 부족 및 품질 문제, 생태계의 미성숙 등 새로운 IT 기술 확산 과정에서 공통적으로 나타나는 구조적 제약에 기인한다. 클라우드의 경제적 효과에 대해서는 맥킨지가 2030년까지 누적 3~10조 달러의 기업 수익 증가 효과가 있을 것으로 예측했다. 클라우드의 경우 IaaS/PaaS, SaaS, 마켓플레이스, AI 플랫폼 등에서 예상보다도 호황이 이어질 것으로 보이지만, 예측치를 검증하기는 쉽지 않다. (McKinsey, Cloud's trillion-dollar prize is up for grabs, 2021) 이처럼 생성형 AI, IoT, 클라우드는 각각 수조 달러 규모의 경제적 영향을 가질 것으로 예상된다. 한편 이들 기술은 상호 보완적인 관계에 있으며, 예컨대 GE의 Predix 플랫폼과 같이 IoT 기기의 센서 데이터를 클라우드에 수집하고 AI 모델로 분석해 예지보전에 활용하는 시스템은 AI, IoT, 클라우드가 결합된 대표적인 사례다. 2026년 초 현재, 생성형 AI 투자로부터 높은 수준의 수익률을 명확히 입증한 기업은 아직 많지 않다. MIT 연구에서는 조사 대상 300개 기업 중 생성형 AI 기반 애플리케이션으로 수익을 창출한 기업이 약 5%에 불과했다. (A. Challapally et al. The GenAI divide: State of AI in business 2025, MIT NANDA, 2025) 한편 PwC의 CEO 설문조사에서는 AI 투자로 원가를 절감한 기업이 23%로 파악되고 있어, 전반적으로는 초기 단계에서 점진적으로 성과가 확산되는 국면으로 해석할 수 있다. 생성형 AI 에이전트는 2023년 이후 빠르게 주목받았으나, 2024년을 거치면서 완전 자율형 에이전트의 한계(정확성, 신뢰성, 운영 복잡성 등)가 분명해졌다. 이에 따라 대부분의 빅테크 기업들은 핵심 경영 프로세스의 전면적 자동화보다는, Human-in-the-Loop 기반의 제한된 영역에서 점진적으로 적용 범위를 확대하는 방향으로 전략을 조정하고 있다. 반면 많은 일반 기업들은 여전히 파일럿 단계에 머물러 있으며, 실제 운영 환경으로의 확산은 상대적으로 더디게 진행되고 있다. 우리나라에서는 AI 에이전트 기술이 어떤 경제적 가치를 창출할까? 또 가치를 극대화하려면 어떤 노력이 필요한가? 챗GPT가 가트너, IDC, OECD 등의 다양한 자료를 바탕으로 재구성한 추정치에 따르면, 한국의 디지털 기술 활용 수준은 주요 선진국 대비 전반적으로 낮은 편으로 나타난다. 예를 들어 클라우드의 경우, 상용 애플리케이션, 플랫폼, SI 용역 및 자체 개발을 포함한 시장 규모를 GDP로 나눈 지표 기준으로 약 2.2% 수준으로 추정되며, 이는 OECD 평균 약 3.0%, 미국 약 4.2%에 비해 낮다. IoT의 경우에는 제조업 중심 기술 특성을 반영해 시장 규모를 제조업 부가가치로 나눈 지표를 적용하면 약 7% 수준으로, OECD 평균 8%, 미국 11%보다 낮은 것으로 추정된다. AI의 경우 시장 규모를 GDP로 나눈 활용률이 약 1.3% 수준으로 OECD 평균 1.9%, 미국 3.0%에 비해 낮으며, AI 오토메이션 및 에이전트(분석형과 생성형 포함)의 경우에도 약 0.6% 수준으로 OECD 평균 0.8%, 미국 1.40%에 비해 낮은 것으로 나타난다. (단, 각 지표는 기술별 특성을 반영해 서로 다른 기준으로 산정된 추정치이므로, 절대적 수준보다는 국가 간 상대적 격차를 중심으로 해석할 필요가 있다.) 우리나라가 AI 에이전트 분야에서 활용률이 미국이나 OECD 평균에 미치지 못하는 이유는 무엇일까? 우리나라가 제조업 중심의 산업 구조를 가지고 있기 때문이다. GDP에서 제조업 부가가치가 차지하는 비율은 우리나라가 약 27%로, OECD 평균(약 17%)과 미국(약 11%)보다 높다. 생성형 AI 에이전트는 금융, 광고, 소프트웨어, 프로페셔널 서비스 등 서비스 산업에서 활용도가 특히 높을 것으로 예상되기 때문에, 이러한 산업 구조는 초기 확산 속도를 다소 제약하는 요인으로 작용할 수 있다. AI 에이전트 확산에 필요한 SW 생태계의 경쟁력이 상대적으로 낮기 때문이다. AI 에이전트는 구현 난이도가 높아 기업 내부에서 자체 개발로 성공하기 어렵고, SaaS 활용이나 SI 기반 맞춤형 개발이 중요한데, 한국은 AI 기본모델, 프레임워크, AI-Native SaaS 및 SI 서비스 등에서 글로벌 선도국 대비 경쟁력이 제한적인 편이다. (박준성, AI가 SaaS 대체? 지디넷코리아, 2026; 박준성, AI로 변신하는 SI, 지디넷코리아, 2026) 공공 및 금융 부문에서의 클라우드 활용 제약도 영향을 미쳐 왔다. 과거에는 정부의 보안 정책으로 인해 해외 IaaS와 PaaS 활용이 제한되었으며, 이에 따라 글로벌 생성형 AI 모델의 활용에도 제약이 있었다. 최근 규제 완화가 진행되고 있으나 일부 영역에서는 여전히 제약이 존재한다. 무엇보다도 AI 엔지니어, SW 엔지니어, 데이터 엔지니어 등 AI 에이전트 개발과 운영에 필요한 인재 풀이 제한적인 점이 단장기적으로 중요한 구조적 제약 요인이다. 한편 우리나라 기업들의 경영 및 IT 전략 수립 관행을 보면, 많은 경우 전사 아키텍처(Enterprise Architecture, EA) 기반으로 현업의 사용 사례 수요에서 출발해 필요한 애플리케이션, 데이터 및 기술을 정의하는 체계가 충분히 성숙되지 못한 측면이 있다. 그 결과 유행하는 기술을 출발점으로 이를 적용할 사용 사례를 사후적으로 탐색하는 접근이 나타나며, 이는 효과적인 AI 에이전트의 발굴·개발·확산을 지연시키는 요인으로 작용할 수 있다. 또한 AI 에이전트의 성공적인 도입을 위해서는 개별 업무의 자동화를 넘어 End-to-End 비즈니스 프로세스 전반에 대한 재설계가 필요하다. 즉, 부서 단위의 로컬 최적화가 아니라 전사 차원의 글로벌 최적화를 달성할 수 있도록 비즈니스 프로세스를 재구성하는 BPR(Business Process Reengineering)이 선행되어야 한다. 이 과정에서 자연어 및 멀티미디어 데이터를 포함한 다양한 형태의 데이터를 활용할 수 있도록 메타데이터 체계를 정비하고, 이를 유연하게 연계할 수 있는 API 기반의 서비스 지향 아키텍처(SOA)로 구현하는 것이 중요하다. (L. Yee et al. One year of agentic AI: Six lessons from the people doing the work, McKinsey, 2025; 박준성, AI Agent의 실패 원인과 성공 방안, KOSTA Online, 2026: https://www.kosta-online.com/post/ai-agent-success-factors) 그러나 우리나라의 많은 기업들은 프로세스 표준화, BPR, 메타데이터 관리, SOA 구현 등에서 아직 성숙도가 충분하지 않아 AI 에이전트의 성공적 도입이 지연될 가능성이 있다. 따라서 한국의 문제는 단순한 기술 도입의 문제가 아니라, 산업 구조·SW 생태계·인재 공급·경영 관행·IT 성숙도가 결합된 구조적 문제로 이해할 필요가 있다. 결론적으로 한국의 AI 에이전트 실행 전략을 7대 과제로 요약하면 아래와 같다. (아래 출처 참조) -인재 양성: 역할별 커리큘럼(Curriculum) 설계·훈련·인증 -AI-Native SaaS 및 SI 창업 활성화: 정부 지원제도 및 공공발주 제도 개선 -Use Case 중심 접근으로 전환: Technology → Business 역전 -End-to-End BPR 선행: 국소 자동화 → 전체 최적화 -데이터 및 메타데이터 인프라 구축: 에이전트의 연료 -API 기반 아키텍처 확립: AI-Native SOA=Modulith, SBA, MSA의 Hybrid 아키텍처 -운영체계 구축: AgentOps *참조 박준성, AI Agent의 실패 원인과 성공 방안, KOSTA Online, 2025. 10. 박준성, AI가 개발자 대체? ZDNet Korea [박준성의 SW] 2026. 3. 박준성, AI가 SaaS 대체? ZDNet Korea [박준성의 SW] 2026. 3. 박준성, AI로 변신하는 SI, ZDNet Korea [박준성의 SW] 2026. 3. 박준성, AI 에이전트의 아키텍처는? ZDNet Korea [박준성의 SW] 2026. 4. 박준성, AI 시대 SW 산업 전망 및 정책 대응, TalkIT [구해줘 SW!] 2026. 4.

2026.04.21 08:38박준성 컬럼니스트

[박준성의 SW] AI 에이전트 아키텍처는?

서비스 지향 아키텍처(SOA, Service-Oriented Architecture)는 2000년대 초 W3C에서 웹서비스 표준(SOAP, WSDL 등)을 제정하면서 더욱 본격화됐다. 아마존은 2002년에 SOA를 회사의 SW 개발 표준으로 채택했고, 이후 IaaS의 중요한 기반이 되었다. 아마존이 클라우드 서비스를 Amazon Web Services라 부른 배경과도 관련이 있다. 가트너에 따르면 2000년대 말에는 조사 기업의 80% 이상이 SOA를 도입하거나 검토했다. 아마존은 대규모 고객과 트랜잭션을 처리하기 위한 높은 확장성과 빠른 변화 대응을 위해 2000년대 중반 이후 개발 조직을 소규모 팀으로 나누고, 각 팀이 소수의 SOA 서비스를 소유하며 이를 독립적으로 배포하는 구조를 발전시켰다. 이 과정에서 SOA는 점차 마이크로서비스 아키텍처(Microservice Architecture, MSA)로 진화했고, 결국 MSA는 데브옵스(DevOps)를 효과적으로 구현하기 위한 SOA의 진화된 아키텍처로 볼 수 있다. 2010년대 초반부터 ThoughtWorks, Pivotal Software, IBM 등의 컨설팅 및 플랫폼 업체들은 아마존, 넷플릭스 등 웹 스케일 기업들이 적용하던 SOA 구현 패턴을 '마이크로서비스 아키텍처'라는 용어로 정립·확산시키며 일반 기업으로 전파하기 시작했다. 한편 가트너에 따르면, 2010년대 중반 이후 많은 기업들이 MSA 전환의 복잡성과 와해성으로 인해 순수한 마이크로서비스 대신 더 큰 서비스 단위를 사용하고 DB 공유를 허용하는 접근(일명 Gartner가 'miniservice'라고 부른 방식)을 채택하는 경향을 보였다. 국내서도 2010년대 중반부터 2020년대 초까지 많은 기업들이 MSA에 대한 충분한 이해 없이 과도한 기대 속에 도입을 추진했다. 이후 시간이 지나면서 이러한 접근의 한계가 드러나자, 일부 기업에서는 보다 단순하고 관리 가능한 구조로의 재조정이 이뤄지고 있다. 이 과정에서 Modulith(Modular Monolith, 모듈리스)가 주목받고 있으며, 이는 SOA의 일부 원칙을 재해석한 아키텍처 스타일로 볼 수 있다. Modulith는 애플리케이션을 논리적인 모듈 단위로 분할하고, 모듈 간에는 명확히 정의된 인터페이스를 통해 상호작용하도록 하면서도, 물리적으로는 하나의 애플리케이션으로 통합해 배포하는 구조다. 아래 표는 2005년경 확산되기 시작한 웹 서비스 기반의 SOA, 2015년경 확산되기 시작한 MSA, 그리고 2025년 확산되기 시작한 Modulith가 적용하는 아키텍처 패턴들을 비교, 보여주고 있다. 표에서 노란색 부분이 Modulith 적용 패턴들이다. 지난 20년간 SOA 구현 기술들은 크게 발전했다. 이에 따라 Modulith에서는 웹서비스(Web Services)보다는 레스트(REST) 스타일을, 전통적인 ESB나 상용 애플리케이션 서버 중심 구조보다는 애플리케이션 프레임워크, 이벤트 기반 통신, API 계층 등의 보다 경량화된 접근을 상황에 따라 활용하는 경향이 있다. 다만 이러한 기술들은 필수 요소라기보다 선택적으로 적용된다. 한편 MSA에서 강조되던 서비스별 DB 소유, Event Sourcing, 서비스별 독립적 배포 등의 패턴은 운영 복잡성 때문에 Modulith에서는 일반적으로 단순화되거나 제한적으로 적용된다. (박준성, The Complete Guide to SOA, MSA and Modulith, KOSTA Online, 2025: https://www.kosta-online.com/post/the-complete-guide-to-soa-msa-and-modulith) Modulith의 개발 프로세스는 DevOps 특징 중 하나인 팀별 독립적 배포는 적용하지 않지만, 릴리즈 사이클 단축과 신뢰성 향상을 위한 CI/CD, IaC, 모니터링·트레이싱·로깅을 통한 Dev와 Ops 간의 긴밀한 피드백 루프는 그대로 유지한다. 한편 AI 에이전트의 비결정적(확률적)이고 상태를 가지는 실행 특성과 ReAct-Reflection 루프를 고려한 개발·운영 방식은 일반적으로 AgentOps라고도 불린다. Modulith와 MSA의 중간 형태에 해당하는 아키텍처 스타일도 존재한다. 이러한 접근에서는 애플리케이션을 마이크로서비스보다 더 큰, 더 적은 수의 서비스로 분할하고, DB 공유를 허용하는 경우가 많으며 필요에 따라 일부 분리하기도 한다. 또한 완전한 서비스별 독립 배포 대신 필요에 따라 부분적으로 분리 배포를 허용한다. 이 범주에 속하는 SOA 아키텍처 스타일로는 가트너가 2017년 언급한 'miniservice' 접근과, Mark Richards와 Neal Ford가 정리한 Service-Based Architecture(SBA)가 있다. 결국 하나의 애플리케이션 전체를 특정 SOA 아키텍처 스타일로 일괄 적용하기보다는, 각 유스케이스 또는 비즈니스 서브도메인별로 다양한 설계 및 구현 패턴 중 적합한 것을 선택하는 하이브리드(Hybrid) 접근이 실무적으로 효과적인 방식으로 널리 받아들여지고 있다. 국내에서도 마이크로서비스 하이프(Hype)에 영향을 받아 과도한 MSA 교육과 파일럿 프로젝트, 그리고 운영 복잡성으로 어려움을 겪었던 사례들이 있었으나, 최근에는 이러한 접근에 대한 재평가가 이루어지면서 보다 현실적인 아키텍처 선택이 이루어지고 있다. Spring Boot, Spring Modulith, Express, NestJS, Django, FastAPI, Flask 등 애플리케이션 프레임워크의 발전으로 REST 기반 서비스 구현의 생산성은 크게 향상되었지만, SOA 서비스 식별, API 설계, 서비스 컴포지션, 서비스 인벤토리 관리, 그리고 서비스 거버넌스 확립은 여전히 높은 수준의 아키텍처 역량과 공학적 훈련을 요구한다. 따라서 단순한 기술 도입에 대한 투자보다는 SOA의 기본 원칙과 서비스 설계 역량에 대한 체계적인 투자가 더욱 중요하다. AI 시대를 맞아 생성형 AI 및 AI 에이전트 기반의 AI-Native 애플리케이션은 GitHub Copilot과 Claude Code와 같은 AI 코딩 도구 및 에이전트 기반 개발 도구를 활용하여 개발되고 있다. 이러한 애플리케이션은 기능을 명확히 분리하고 재사용성을 높이기 위해 SOA 스타일의 구조가 매우 적합하며, 실제로 서비스 단위로 분해된 구조로 구현되는 경우가 많다. 아래 그림은 SOA 스타일로 구성된 AI 에이전트의 논리적 아키텍처를 보여주며, 각 블록은 기능적으로 분리된 논리적 서비스(또는 컴포넌트)로 이해할 수 있다. 이러한 구조에서 에이전트는 여러 서비스를 동적으로 조합하고 오케스트레이션하는 역할을 수행한다. (박준성, AI Agent의 허허 실실, KOSTA Online, 2026: https://www.kosta-online.com/post/ai-agent-hype-and-reality) 외부 이벤트가 에이전트를 트리거하면, 오케스트레이터(Orchestrator), 즉 워크플로우 레이어가 상황 인지(Perception) 서비스를 호출하여 에이전트 목표 정의, 달성 정도, 세션 히스토리 등의 상황 정보를 확보한 후, 프롬프트 조립(Prompt Assembly) 서비스를 호출하여 프롬프트를 조립한다. 워크플로우는 RAG 서비스를 호출해 기업 내 정보를 확보하고, 프롬프트를 보완한 후, 행동 계획(Planning) 서비스를 호출한다. 이 서비스는 LLM 추론을 통해 행동(Action) 계획을 수립한다. LLM 서비스의 AI 추론은 Gen AI 벤더들이 제공하는 기본 모델(Foundation Model)을 모델 레지스트리 또는 API를 통해 사용한다. 워크플로우는 다음에 정책(Policy) 서비스를 호출하여 계획된 행동이 정책, 보안, 예산 등의 제약 조건을 위반하지 않는지 검증한다. 워크플로우는 검증된 행동 계획을 실행하는 데 필요한 툴들을 선정하고, MCP를 통해 툴(MCP 서버)에 접근하여 호출한다. 워크플로우는 다음에 행동 실행(execution) 서비스를 호출하여 관련 실행 시스템들을 수행시킨다. 행동 실행 서비스는 코레오그래피를 통해 에이전트 간 통신 프로토콜(일명 A2A) 서비스를 가동하여 타 에이전트들을 실행시킬 수 있다. 행동 실행 서비스가 계획된 행동을 실행하는 동안, 코레오그래피를 통해 모니터링(Monitoring) 서비스를 작동시켜 실행 로그와 소요 비용을 기록하고, 평가(evaluation) 서비스를 가동시켜 행동 실행 결과를 평가한다. 또한 학습 서비스를 가동시켜 평가 결과로부터 학습(Learning)된 교훈을 기록한다. 학습된 교훈은 직접적인 모델 파라미터 학습에는 제한적으로만 활용되며, 주로 프롬프트, RAG, 정책 등에 피드백된다. 따라서 생성형 AI 에이전트는 상황적응적(Adaptive) AI 시스템이지만, 전통적인 의미의 지속적 학습형 AI와는 차이가 있다. 워크플로우는 행동 실행 계획의 자동 실행이 완료되면, 정책 서비스를 호출하여 행동 실행 결과의 적합성을 판단한다. 다음, 상황 인지 서비스를 호출하여 행동 실행의 결과 상황을 업데이트하고, 에이전트 종료 결정(Termination) 서비스를 호출하여 에이전트 반복 주기의 계속 또는 종료 여부를 결정한다. 반복 주기가 계속될 경우에는 오케스트레이터가 상황 인지 서비스, 프롬프트 조립 서비스 순으로 다시 다음 주기를 시작한다. 생성형 AI의 본질적 허점이 유발하는 오류(Hallucination)와 위험을 완화하고 통제하기 위해, 사람(전문가)이 프롬프트 조립, 행동 계획, 행동 실행, 정책 검증, 평가, 학습, 에이전트 종료 등 여러 단계에 개입하여 에이전트 산출물의 품질을 보완하고 책임져야 하는 경우가 많다. 생성형 AI 에이전트의 물리적 배포 아키텍처는 MSA, SBA, Modulith 중 하나를 선택하는 문제가 아니라, 이들 아키텍처 스타일을 어떻게 조합할 것인가의 문제이다. 보다 구체적으로는, AI 에이전트를 구성하는 어떤 기능 또는 서비스는 모노리스(Monolith)로 통합 배포하고, 어떤 부분은 서비스별로 독립 배포하는 것이 적절한지를 판단해야 한다. 또한 서비스별 독립 배포를 적용할 경우에도 데이터의 특성에 따라 DB를 분리할 것인지, 일부 공유할 것인지에 대한 전략적 선택이 필요하다. 다음에서는 이러한 AI 에이전트의 물리적 아키텍처 구현 패턴에 대해 살펴본다. 아래 그림은 생성형 AI 에이전트의 물리적 배포 아키텍처를 보여주며, 빨간색 선은 물리적 배포 단위를 나타낸다. 사용자, 웹모바일 앱, API 게이트웨이 등 클라이언트 단에서 에이전트 레이어를 호출한다. 에이전트들은 워크플로우, 프롬프트, 정책 등을 포함한다. 에이전트들은 같은 비즈니스 도메인에 속한 것들끼리 묶어 도메인별로 단위 서비스로 설계하고 각 서비스를 별개 팀에게 배정할 수 있지만, 에이전트 계층 전체를 모노리스로 통합하여 배포하는 게 일반적으로 권장된다. 극단적인 Scalability나 Agility를 요구하는 서비스에 대해서만 예외적으로 MSA를 적용할 수 있다. 빠르게 반복되는 에이전트 루프 속에서 워크플로우가 비결정적(Nondeterministic)이고, 따라서 에이전트 호출도 실행 시에 동태적으로 결정되기 때문에, 에이전트들을 물리적으로 분산할 경우 일관된 상태 관리 및 컨텍스트 유지, 서비스 및 툴의 버전관리, 서비스 간 의존성 관리, 트레이싱/로깅/메트릭 등의 관측성(Observability) 확보, 디버깅 등 유지보수 및 운영의 복잡성이 크게 증가하며, 네트워크 지연과 분산 실행의 실패 복구 문제도 성능에 영향을 미칠 수 있다. 플랫폼 레이어의 Core 서비스들은 오케스트레이터, 상황 인지 및 정책 서비스와 에이전트 루프, 즉 행동 계획 → 행동 실행 → 모니터링 → 평가 → 학습 서비스들을 포함한다. Cross-Cutting 서비스들은 프롬프트/형상 관리, 관측성 관리, 원가 트래킹, 보안/접근 제어 등을 포함한다. 플랫폼을 구성하는 서비스들은 빠른 속도로 반복되는 Tightly-Coupled 런타임으로 여러 서비스로 분산하여 배포하기보다는 모노리스로 통합하여 배포하는 것이 일반적으로 유리하다. 비즈니스 로직을 실행하는 도메인 서비스 레이어는 Bounded Context 단위로 SOA 서비스를 설계하여 미니 서비스나 마이크로 서비스로 구현하거나 필요에 따라 Modulith 내부에 포함할 수 있다. 외부 시스템이나 인프라 시스템의 경우에는 이미 독립적으로 배포 가능한 SOA 서비스 형태로 제공되는 게 일반적이다. 이와 같이 AI 에이전트 시스템은 전반적으로 Modulith, Miniservice(Service-Based Architecture), Microservice가 조합된 하이브리드 아키텍처로 구성하는 것이 실무적으로 효과적인 접근이다. ◆ 필자 박준성은... 서울대 경영학 학사 및 석사, 미국 오하이오주립대 전산학/산업공학 학제간 박사를 취득했다. 미국 아이오와대학(University of Iowa)에서 MIS 분야 종신교수로 재직하면서 미국 INFORMS 통신학회 회장을 역임했다. 중국 청화대학 전산학과 초빙교수를 지낸 후 2001년 귀국, 삼성SDS에서 S급 임원 및 CTO로 재직하면서 미국 HP의 전략자문위원을 역임했다. 2010년 이후 KAIST 산업공학과에 S급 초빙교수로 재직하면서 미국 국제SW공학협회(SEMAT) 회장, 미국 OMG의 SW공학 커널(Essence) 국제표준 제개정위원장도 지냈다. 또 삼성전자, LG전자, 현대자동차, 한국마이크로소프트 등 많은 대중소기업과 정부기관에서 SW자문역 및 임직원 교육을 수행했다. 2019년 이후 한국SW기술진흥협회(KOSTA) 회장으로 재직하고 있으며, 'KOSTA Online'이란 무료 SW교육 동영상 과정 및 블로그 사이트를 운영하고 있다.

2026.04.11 09:53박준성 컬럼니스트

[박준성의 SW] AI로 변신하는 SI

글로벌 컨설팅기업 액센츄어(RAccenture)는 1950년대 갓 발명된 컴퓨터와 SW를 이용해 기업의 업무를 자동화하는 선례 없는 과업을 선도하면서 시스템통합(SI) 사업을 창시했다. 첫 SI 프로젝트는 GE에 메인프레임 컴퓨터(세계 첫 기업 데이터센터)를 설치해 주고 봉급 계산과 생산 관리를 자동화하는 SW를 개발해 주는 서비스였다. 액센츄어는 현재 연매출 100조 원, 직원 수 78만 명의 세계 최대 SI 회사다. 액센츄어는 SI 사업(Professional IT Service Business)에서 대표적으로 성공적인 비즈니스 모델을 갖추고 있다. 먼저 SI 사업의 성공 비즈니스 모델을 이해해야 AI 시대에 SI 기업이 어떻게 적응, 생존 및 발전할 수 있을 지 이해할 수 있다. IT서비스 기업의 올바른 경영 모델은 다음과 같다 (박준성, IT서비스 기업을 위한 경영학 (7) - IT서비스 기업의 올바른 경영 모델, KOSTA Online, 2024: https://www.kosta-online.com/post/it-service-business-model) 1) SI 사업은 소위 '사람 사업(People Business)'으로 기업 매출 대비 인건비 비중이 보통 60%를 넘는다. (F. Barber and R. Strack, The Surprising Economics of a “People Business,” Harvard Business Review, July 2005). 여기서 매출은 프로젝트에 투입된 하드웨어, SW 제품 등 제3자 제품의 통과 매출(Pass-Through Sales)을 제외한 순 용역 매출이다. 인건비는 외주 인력이 아닌 정직원의 인건비만 포함한다. 매출 원가의 대부분이 인건비이어서 한계이익이 30% 이상 발생하고 영업이익이 15% 정도 나온다. 참고로 한국의 SI 대기업들은 액센츄어 같은 글로벌 SI 기업들과 판이하게 다른 비즈니스 모델을 가지고 있기 때문에 기업의 국제 경쟁력과 성장률, 이익률이 매우 저조하다. 아래 표에서 보듯이, 액센츄어와 인도 인포시스(Infosys)의 영업이익은 각 15%와 25%, 고용 성장률은 8%와 10%인데, 한국 최대 SI 기업인 삼성SDS는 각 7%와 1%에 불과하다. 기업의 경쟁력을 시사하는 기업 시가총액을 연간 매출액으로 나눈 지표 P/S(Price/Sales) 비율도 2026년 액센츄어는 1.8, 인포시스는 3.0, 삼성SDS는 0.9로 큰 차이를 보이고 있다. 아이러니한 것은 삼성SDS의 1인당 매출이 액센츄어의 10배, 인포시스의 15배에 달한다. 이 믿지 못할 현상의 이유는 한국 SI 대기업들이 첫째 매출액에 통과 매출을 포함시켜 과대 계상하고, 둘째 프로젝트에 외주 인력을 너무 많이 쓰기 때문에 1인당 매출의 분모인 정직원 수가 매출 규모에 비해 터무니없이 작기 때문이다. 아래에서 다시 강조하겠지만, 글로벌 SI 기업 비즈니스 모델의 가장 중요한 특징은 고객 프로젝트에 고도로 훈련된 자사의 정직원을 투입하고 외주 인력을 투입하지 않는다는 것이다. 지식집약형 전문서비스로 '사람 사업'인 SI 사업은 제조업이나 자본집약적 서비스 사업과 전혀 다른 경제 원리에 의해 매출 성장 및 수익 창출이 이뤄진다. 제조업은 자산수익률(Return on Assets)이 최상위 경영성과지표(KPI)인 반면, IT서비스 사업은 직원생산성(Employee Productivity)이 최상위 경영성과지표다. 여기서 직원 생산성은 직원 1인당 (인건비+한계이익-자본비용)이다. 상위 계층(시니어) 직원 수는 소수이고, 아래 계층(주니어)으로 갈수록 수가 늘어나는 피라미드 인력 구조를 가지고 있다. 입사 후 연수가 늘어날수록 해고되는 비율이 높아지고(Up or Out 승진 정책), 엄선된 최고 역량의 직원만 상위 계층으로 승진한다. 시니어는 수주 영업을 책임지고, 본인이 수주한 프로젝트 이행의 성공도 책임진다. 시니어는 주니어 훈련 프로그램을 개발하고, 주니어에게 OJT와 멘토링을 제공한다. 프로젝트 팀은 소수의 시니어 전문가(Finders)와 다수의 고도로 훈련된 주니어 전문가(Grinders)로 구성하여 높은 프로젝트 품질과 생산성, 낮은 프로젝트 원가, 높은 프로젝트 수익을 유지한다. 세계에서 가장 경쟁력 높은 SI 기업인 인포시스 경우, 회장과 CTO가 직원 훈련 프로그램의 설계에 직접 관여하며, 전 세계 기업 직원 훈련 캠퍼스 중 가장 큰 규모의 캠퍼스(그림 참조)를 마이소르(Mysore)에 지어 놓고 신입 직원 부서 배치 전에 6개월의 기본 훈련 프로그램을 수료하도록 한다. (R. Deshpande and V. Muthuram, Building Brand Infosys, Harvard Business School Case 513-003, 2014). 액센츄어는 자사의 직원 훈련 프로그램 투자가 무려 353%의 투자 수익률을 거두었다는 충격적인 사실을 발표하기도 했다.(D. Vanthournout, et al., Return on Learning—Training for High Performance at Accenture, 2006) 한마디로 SI 기업은 직원 사내 훈련을 통한 전문 역량 강화로 경쟁력, 성장률, 이익률을 견지해 가는 사업 모델인 것이다. 액센츄어나 인포시스는 직원 훈련 프로그램에서 무엇을 가르치나? 서비스 라인별 표준 고객 서비스 프로세스를 가르친다. 각 표준 프로세스에는 프로젝트에 참여하는 표준 역할별로 서비스 프로세스 표준 단계별, 표준 활동별 표준 수행 방법과 표준 툴을 가르친다. 모든 업무 지식과 활동을 표준화함으로써 프로젝트 팀에 차출되는 직원들이 일사불란하게 협력할 수 있도록 한다. 해병대나 병원 수술 의료진을 연상시키는 정예 조직과 운영인 것이다. 이런 팀에 한국 SI 대기업들처럼 외주 인력을 대거 참여시키는 일은 있을 수 없는 일이다. IBM은 1980년대 메인프레임에서 클라이언트/서버 컴퓨팅으로 패러다임 전환 시 그 변화에 적응하지 못해 1992년 역사 이래 가장 큰 50억 달러 손실을 보았다. 1993년 3월 루이스 거스너(Louis Gerstner) 회장이 새로 부임해 획기적인 구조조정을 통해 회사를 회생시켰는데, 그 변화 중 하나가 IBM Global Services라는 자회사를 세워 전문 IT 서비스를 시작한 것이었다. IBM Global Services는 2001년 300억 달러의 매출을 올릴 정도로 급성장했다. 이런 급성장이 가능했던 것은 IBM Global Services가 액센츄어 등 기존 성공적인 IT 서비스 기업의 비즈니스 모델을 본받아 따라했기 때문이다. 아래 그림은 2000년대 초 IBM Global Services의 고객 서비스 표준 프로세스를 보여준다. 서비스 라인(Engagement Family)별로 서비스 프로세스, 단계, 활동, 담당 역할, 적용 방법론(Capability Pattern), 산출물을 모두 표준화했다. 한편 프로젝트 산출물과 경험을 자산화하여 재사용함으로써 소위 Labor-Based Service(LBS)에서 Asset-Based Service(ABS)로 전환하였고, 이를 통해 원가, 납기, 수익을 크게 개선했다. SW 기술은 지난 70년간 메인프레임, 클라이언트/서버, 객체 지향, 웹, 서비스 지향, 클라우드, IoT, AI로 컴퓨팅 패러다임이 계속 진화돼 왔다. 새로운 IT 기술 패러다임이 등장할 때마다 글로벌 SI 기업들은 누구보다 먼저 신기술을 직원들에게 가르쳐 고객 기업들에게 보급할 수 있게 해왔다. 예컨대, 액센츄어는 객체 지향 언어 기반의 웹 애플리케이션을 서비스 지향 아키텍처(Service-Oriented Architecture, SOA)로 개발하는 새로운 기술 추세가 등장한 2006년에 MIT 대학의 Professional Education(PE)과 함께 Accenture Solutions Delivery Academy(ASDA)를 설립하고, 신입 직원의 Java, C++ 등 교육을 MIT 교수진에게 위탁했다. 18~20개월의 훈련을 수료한 직원들에게 액센츄어와 MIT가 공동 서명한 application Developer 자격증을 수여했다. 이렇듯 신기술이 등장하면 직원들이 역할별 신기술 훈련 프로그램을 수료해야 그 역할의 사내 자격증을 확보하고, 그 역할로 고객 프로젝트에 투입될 수 있다. 2016년까지 10만 명 이상의 직원들이 ASDA를 졸업했다. MIT와의 직원 훈련 협력은 지금도 AI, 클라우드 영역에서 긴밀히 지속되고 있다. 생성형 AI라는 새로운 IT 패러다임이 등장한 지금, 액센츄어는 디지털 제일주의에서 AI 제일주의로의 심각한 구조조정을 거치고 있다. 2026년 현재 액센츄어는 자사를 고객(Client Zero)으로 삼아 전문 서비스(Professional Service)를 AI 통합으로 재발명하고 있다. SW 개발 및 운영 업무는 모두 AI 에이전트 코딩을 적용하도록 하고 있다. 액센츄어는 또한 AI 주도 비즈니스 재발명(Business Reinvention 또는 Total Enterprise Reinvention) 서비스를 주력 사업으로 정하고, 최신 AI(생성형 AI, AI 에이전트, 물리적 AI) 분야의 서비스 개발과 매출을 극대화하고 있다. 2022~2025년 직원 수를 72만 명에서 78만 명으로 늘리고, 2026년 3월 현재 55만 명의 직원에게 최신 AI 훈련을 마쳤고, 추가로 8만 5천 명의 AI 전문가를 외부에서 영입했다. 한편 AI 전문 회사들을 적극적으로 M&A하고 있다. 또 마이크로소프트(Microsoft), 엔비디아(NVIDIA) 및 AWS와의 파트너십을 통해 고객 기업의 데이터를 기반으로 맞춤형 AI 모델을 만들어 주는 소위 AI 정제소(AI Refinery)를 구축하고 있다. 그 결과 2023~2025년 AI 주도 비즈니스 재발명 서비스의 수주가 100%를 초과하는 성장률을 보이면서 누적 17조 원을 달성했다. 액센츄어의 'AI/Agentic AI Enterprise Process Reinvention Services'는 AI Refinery 기반으로 AI와 AI 에이전트를 이용해 고객 기업의 비즈니스 프로세스를 재발명, 비즈니스 가치를 창출해 주는 서비스로 다음과 같이 3단계의 표준 프로세스를 적용한다. 유럽 최대 SI 기업인 프랑스의 캡제미나이(Capgemini)사는 AI 시대를 맞아 사내 직원 훈련 프로그램인 Capgemini Academy의 직원 역할별 훈련 및 자격인증 프로그램을 근본적으로 개혁했다. 우리나라 SI 산업이 AI 시대에 글로벌 경쟁력을 갖춘 산업으로 성장 발전하려면 첫째, 액센츄어, 인포시스, 캡제미나이 같은 전문 IT 서비스 기업의 선진 경영 모델을 도입하고 둘째, SW 공학 기본 및 AI, 클라우드, 데이터 엔지니어링 등 신기술 기반의 애플리케이션 및 AI 에이전트 개발 서비스의 수행 프로세스를 표준화하고 셋째, 이를 직원들에게 훈련 및 자격 인증할 수 있는 내부 능력을 갖춘 SI 기업들이 많이 출현해야 한다. 이를 위해서는 이미 연 15% 정도 고성장을 누리고 있는 기존 산업 특화 고난도 기술 기반의 중소 SI 기업들이 경영 모델, SW 공학과 기반 기술의 혁신을 동시에 감행해야 한다. 더불어 국내 최고의 SW 및 AI 전문가들이 모여 SI 창업에 뛰어들어야 한다. AI 코딩 어시스턴트 또는 AI 코딩 에이전트가 UI 개발, Boilerplate 코딩, 범용 기능 구현, 테스팅 등 종래 주니어 전문가들이 수행하던 업무들을 대폭 가속시키면서, SI 프로젝트 팀을 작은 수의 시니어와 작은 수의 주니어로 구성할 수 있게 됐다. 따라서 고급 시니어 전문가들이 이끄는 중소 SI 기업들이 전에 비해 훨씬 더 많은 수주를 할 수 있는 기회가 도래했다. AI 기반 애플리케이션의 맞춤형 개발 뿐 아니라 국내외 AI 기반 SaaS 업체들과 파트너쉽을 통한 SaaS 구현 서비스도 빠르게 성장할 유망 사업이다. (박준성, AI가 SaaS 대체? ... "30여년 SW역사 보면 No," 지디넷코리아, 2026.3.22 https://zdnet.co.kr/view/?no=20260321132033) 요즘 AI-Native SI 창업은 5~20명의 직원으로 시작하고 있다. AI로 인한 SI 수요의 증가, AI-Native SaaS 구현 서비스 수요 증가, SI 산업 진입 장벽 완화, 소기업 생존 확률 상승 등으로 전 세계 SI 창업이 연 4백만 개, 성공률 50% 정도로 추산된다. 이 중 1%만 한국에서 일어나도 연 4만 개의 성공적인 SI 창업을 기대할 수 있다. 특히 종래 'Up or Out' 정책 기반의 피라미드 조직구조의 SI 기업이 AI 덕분에 오벨리스크 구조로 바뀌면서 한국의 평생 고용 및 연공 서열 조직 문화와 궁합이 잘 맞아 더욱 기대가 커진다. 1981년 인도 개발자 7명이 자본금 250 달러로 창업한 인포시스는 기술 패러다임의 거센 파도를 넘으면서 직원 수가 1990년, 2000년, 2010년, 2020년에 각각 250명, 5400명, 11만4000명, 24만2000명으로 성장해왔다. 현재 33만7000명의 직원을 보유하고 27조 원의 매출을 시현하고 있다. BTS 같은 세계적인 그룹이 나타났듯이 인포시스 같은 세계적인 SI 기업이 우리나라에도 나타날 때가 됐다고 믿는다. 그러나 SI 창업자는 창업 이전에 올바른 SI 사업 모델에 대한 공부를 충분히 해야 한다. 소속 재벌 그룹이 제공하는 캡티브 마켓(Captive Market)에 기대 소위 Bodyshopping 사업 모델을 유지하고 있는 국내 SI 대기업들은 Captive Market이 없었다면 생존할 수 없는 사업 모델이기에 본받아서는 안 되는 사업 모델이다. 인포시스처럼 독자적인 경쟁력으로 글로벌 기업으로 성공할 수 있는 올바른 SI 사업 모델을 공부하려면 다음의 참고자료를 숙독, 도움이 됐으면 한다. -박준성, IT서비스 기업을 위한 경영학: 시리즈 1-8호, KOSTA Online, 2025. (https://www.kosta-online.com/blog)박준성 교수가 KAIST 산업공학과에서 가르쳤던 “IT 서비스 공학” 과정의 내용임. -David Maister, Managing the Professional Service Firm, 1993; _____, The Trusted Advisor, 2001. -Thomas J. DeLong and Ashish Nanda. Professional Services: Text and Cases, 2003. -Felix Barber and Rainer Strack, The Surprising Economics of a “People Business,” Harvard Business Review, 2005. -Andrew Von Nordenflycht, What is a Professional Service Firm? Toward a Theory and Taxonomy of Knowledge-Intensive Firms, Academy of Management Review, 2010. -Ashish Nanda and Das Narayandas, What Professional Service Firms Must Do to Thrive, Harvard Business Review, 2021. -David S. Duncan, Tyler Anderson, and Jeffrey Saviano, AI is Changing the Structure of Consulting Firms, Harvard Business Review, 2025. -Harvard Business School Cases 중 Accenture, Infosys, Sapient, Tata Consultancy Services(TCS) 등 글로벌 IT 서비스 기업들에 대한 사례 연구 (https://hbsp.harvard.edu/cases/) ◆필자 박준성은... 서울대 경영학 학사 및 석사, 미국 오하이오주립대 전산학/산업공학 학제간 박사를 취득했다. 미국 아이오와대학(University of Iowa)에서 MIS 분야 종신교수로 재직하면서 미국 INFORMS 통신학회 회장을 역임했다. 중국 청화대학 전산학과 초빙교수를 지낸 후 2001년 귀국, 삼성SDS에서 S급 임원 및 CTO로 재직하면서 미국 HP의 전략자문위원을 역임했다. 2010년 이후 KAIST 산업공학과에 S급 초빙교수로 재직하면서 미국 국제SW공학협회(SEMAT) 회장, 미국 OMG의 SW공학 커널(Essence) 국제표준 제개정위원장도 지냈다. 또 삼성전자, LG전자, 현대자동차, 한국마이크로소프트 등 많은 대중소기업과 정부기관에서 SW자문역 및 임직원 교육을 수행했다. 2019년 이후 한국SW기술진흥협회(KOSTA) 회장으로 재직하고 있으며, 'KOSTA Online'이란 무료 SW교육 동영상 과정 및 블로그 사이트를 운영하고 있다.

2026.03.29 17:00박준성 컬럼니스트

[박준성의 SW] AI가 SaaS 대체?..."30여년 SW역사 보면 No"

AI시대에 들어 사스포칼립스(SaaSpocalypse)라는 유행어가 나올 정도로 SaaS의 수요와 공급이 줄어들 것이라는 예측이 나돌고 있다. 과연 그럴까? 이에 대한 명확한 해답을 얻으려면 2022년 생성형AI 출현 이후 SW 시장과 SW 산업 전체의 변화 동향을 이해해야 한다. SW시장과 산업을 형성하는 SW는 어떤 종류가 있을까? 또 AI에는 어떤 종류가 있고, AI 종류별로 각 SW 종류에 대해 어떤 영향을 미칠 수 있을까? 이런 복잡한 생태계의 진화 속에서 SaaS의 운명도 정해질 것이다. ■ SW종류 딜리버리 모델따라 크게 6종 먼저 SW업종은 SW의 딜리버리 모델(Delivery Model)에 따라 크게 2가지, 다음과 같이 6개 업종으로 분류할 수 있다. (1) 맞춤형 SW(2종): 특정 사용자 그룹의 특수한 요구사항에 맞춰 제작된 SW로 사용자 조직이 소유권을 보유한다. ①자체 개발 SW(In-House SW): 기업 내부 IT 직원들이 개발한 맞춤형 SW ②SI 개발 주문형 SW(Custom/Bespoke SW): SI업체가 용역 계약을 통해 개발해 준 맞춤형 SW (2)기성 SW 제품(Commercial Off-the-Shelf SW, COTS, 4종): 시장에서 확보 가능한 기성 제품으로 가공 없이 바로 쓸 수 있는 범용 SW. 제품 벤더가 소유권을 보유하고 사용자 조직은 사용권만 보유 ①패키지 SW: 설치 파일 형태로 규격화해 판매하는 기성 SW 제품 ②오픈소스 SW: 시장에서 무료로 소스 코드까지 제공하는 기성 SW 반제품 내지 제품 ③ASP(application Service Provider)&호스티드 앱 (Hosted application): 서비스 제공업체(ASP) 또는 제품 벤더의 서버에 설치해두고, 고객이 인터넷을 통해 접속해서 쓰는 싱글 테넌트(Single-Tenant) 기성 SW 제품 ④SaaS(Software as a Service): 제품 벤더가 자사 서버에 설치해 두고, 고객이 인터넷을 통해 접속해서 쓰는 멀티테넌트(Multitenant) 기성 SW 제품 위의 6개 SW 업종이 모두 AI를 활용할 수 있다. 우선 6개 SW 업종 중에서 패키지 SW, 오픈 소스 SW, ASP&호스티드 앱 업종은 이번 분석에서 제외한다. 패키지 SW는 온프레미스(On-Premise, 자체 내부 구축) 설치와 운영에 소요되는 IT 인력 및 비용 면에서 신규 수요가 줄고 있다. 오픈소스 SW는 모든 SW 업종에서 제품 개발에 활용되고 있어 별도의 업종으로 구분하기 어렵다. ASP와 Hosted App은 패키지 SW가 SaaS로 진화하는 과정에서 나타난 싱글 테넌트(Single Tenant) 아키텍처로 저성장 저수익 때문에 멀티테넌트(Multitenant) 아키텍처 기반의 고성장 고수익 SaaS에 의해 밀려나고 있다. ■ 자체 개발 SW, SI 개발 주문형 SW, SaaS 등 3개 업종별 AI 활용은? 자체 개발 SW, SI 개발 주문형 SW, SaaS의 3개 업종별로 AI를 어떻게 활용하고 있는지 그 동향을 살펴보려 한다. SW의 AI 활용 양상, 즉 AI SW 형태(Type)는 AI 모델 Type, SW/AI 통합 모드와 SW 자율성(Autonomy)의 3차원에서 바라볼 수 있다. ▲AI 모델 Type: -분석형(Predictive/Analytical) AI 모델: Regression, Decision Tree, SVM, ARIMA, Clustering 등 분석형 AI 기반의 SW -인지형(Perceptive) AI 모델: 이미지, 비전, 스피치, IoT 센서 등의 인지 SW -생성형(Generative) AI 모델: 대형언어모델(LLM) 기반의 챗봇 및 에이전트 SW ▲SW/AI 통합 모드 -로컬 맞춤형 AI Model 기반 SW: 기업 내에 자체 AI 모델을 구축해 활용하는 시스템 -AI 기본모델(Foundation Model) 기반 SW: 제3의 AI 기본모델 벤더가 제공하는 기본모델 위에 SW를 Wrapper로 부가해 만든 시스템 ▲SW 자율성 -非에이전트 AI SW: 인풋(Input)을 받아 AI 모델을 이용해 아웃풋(Output)을 산출하는 SW -에이전트 AI SW: 주어진 목적을 달성하기 위해 스스로 인풋을 바꿔가면서 AI 모델과 외부 툴(Tool)도 바꿔가면서 아웃풋을 산출하고 산출 결과를 자체 평가해 인풋에 피드백하며 루프(Loop)을 돌리는 자율성이 높은 SW ■ AI SW 유형 4종은 무엇... 종래 분석형 및 인지형 AI를 활용하는 SW는 대부분 로컬 맞춤형 AI 모델 기반의 SW이다. 2022년 출현한 생성형 AI를 활용하는 SW는 AI 기본 모델(Foundation Model) 기반의 SW이다. 따라서 AI SW Type을 다음의 4종으로 압축할 수 있다. 1)맞춤형 분석/인지형 AI 모델 기반의 非에이전트 SW: 아마존의 Collaborative Filtering, 순환 신경망(Recursive Neural Network, RNN) 등 AI 모델 기반의 상품 추천 시스템이 이 유형의 대표적인 사례다. 연 300조 원의 매출을 창출하는 AI 역사상 가장 ROI가 높은 AI SW이다. 구글의 광고 시스템도 이 유형의 대표적 사례다. Regression, Decision Tree, Deep Neural Network(DNN), Bandit, Collaborative Filtering, Clustering 등 다양한 기계학습 모델을 기반으로 연 300조 원의 광고 수입을 창출한다. 이 유형이 AI 역사상 가장 큰 경영성과를 낸 AI 애플리케이션 유형이다. (https://www.kosta-online.com/post/ai-agent-hype-and-reality) 2)맞춤형 분석/인지형 AI 모델 기반의 에이전트 SW: JP모건의 사기 검출(Fraud Detection) 시스템이 이 유형의 대표적 사례다. Graph Neural Networks (GNNs), Decision Trees, Logistic Regression 등의 기계학습 모델을 기반으로 한 자율적 의사결정 시스템으로, 연 2조 원의 비용 절감을 실현한다. 3)생성형 AI 기본모델 기반의 非에이전트 SW: 이 유형의 대표적 사례로 Adobe Firefly를 들 수 있다. 텍스트 프롬프트를 받아 Image, Video, Speech, Sound 등을 자동 생성한다. 연매출 3500억 원을 달성하고 있다. SAP도 Joule이라는 생성형 AI 플랫폼을 ERP의 핵심에 통합함으로써 비즈니스 기능의 80%에 생성형 AI를 적용하고 있다. 4)생성형 AI 기본모델 기반의 에이전트 SW: 1990년대 말 웹(Web) 시대의 최적 SW 제품 아키텍처인 SaaS를 발명했던 세일즈포스(Salesforce)사가 2020년대 중반 생성형 AI 시대를 맞아 새로 개발한 Agentforce는 CRM 에이전트로 이 유형의 대표적인 사례다. 예컨대, 고객이 Agentforce CRM에 제품 반환 및 환급 요청 프롬프트를 던지면, 오케스트레이션 엔진인 Atlas가 Agentic Loop를 실행해 고객에게 60초 내에 환급 및 Prepaid Return Label의 이메일 전송을 완전자동으로 처리한다. Agentforce의 연매출은 1년 반 만에 1조 원을 넘어서 기업용 SW 역사상 가장 빠른 매출 성장률을 기록했다. 매출 신장에 힘입어 종업원 수도 2022~2025년 중 7만3500명에서 7만6500명으로 증가했다. (박준성, “AI가 개발자 대체? ... 사실 아냐” 지디넷코리아, 2026.03.09 참조) 이어, 아래 3개 SW 업종에서 4개 AI SW 타입을 얼마나 많이 개발해 활용하거나 판매하고 있는지 살펴보자. 각 SW 업종에서 개발한 애플리케이션의 몇 %가 각 AI SW 타입이었는지를 가트너(Gartner), 맥킨지(McKinsey), 멘로 벤처스(Menlo Ventures), a16z, IDC 등의 2025~2026년 조사 연구 보고서를 종합해 알아봤다. ▲분석/인지형 AI 모델 기반의 非에이전트 SW: SaaS의 80%, 자체 개발 60%, SI 개발 50%가 이 AI SW 타입이다. 분석형 AI 기반의 非에이전트 SW의 활용은 1990년대 데이터 마이닝(Data Mining), 2000년대 Business Intelligence(BI), 2010년대 Big Data Analytics 등 유행어만 바뀌면서 꾸준히 누적돼 왔다. Google, Amazon, Netflix, Spotify, Walmart, UPS, GE, Siemens, 삼성전자, TSMC, FICO, Mastercard, Visa 등 글로벌 빅테크 기업을 중심으로 개발·활용해 왔다. 인지형 AI 기반의 非에이전트 SW는 분석형과는 달리 빅테크 기업에서 자체 개발·활용할 뿐 아니라, 많은 전문 중소기업들이 도메인별로 특화해 자체 개발 후 자체 활용하거나 SaaS 및 패키지 SW로 판매하고 있다. 최근에는 다수 중소기업들이 빅테크의 인지형 AI 기본모델의 API를 활용하는 Wrapper로 전환 중이다. ▲분석/인지형 AI 모델 기반의 에이전트 SW: SaaS의 12%, 자체 개발 9%, SI 개발 5%가 이 AI SW 타입이다. 분석형 AI 기반의 에이전트 SW 개발 및 활용은 2000년대 이래 Amazon, Facebook, TikTok, Uber, Alibaba, JPMorgan Chase, PayPal, Stripe, GE, Siemens, Toyota, Intel, 삼성전자, Bosch 등 글로벌 빅테크 기업에 집중되어 왔다. 그러나 분석형 AI 기반의 에이전트 SW뿐 아니라 非에이전트 SW도 일반 기업으로의 확산은 아직도 여러 이유로 실현되지 못하고 있다. (박준성, “AI Agent의 허허 실실” KOSTA Online, 2026.03.04 참조: https://www.kosta-online.com/post/ai-agent-hype-and-reality) 인지형 AI 기반의 에이전트 SW 개발은 非에이전트 SW보다 Tesla, Amazon, Apple, Waymo, Netflix 등 빅테크의 자체 개발에 더 집중돼 있다. 가트너에 따르면 2025년 분석/인지/생성형 등 모든 AI 모델 기반의 에이전트 SW를 다 합쳐도 이를 활용하고 있는 기업이 5%에도 못 미쳐 AI 에이전트 시장은 이제 막 형성되기 시작한 시장이라 할 수 있다. ▲생성형 AI 모델 기반의 非에이전트 SW: SaaS의 75%, 자체 개발 50%, SI 개발 40%가. 이 AI SW 타입이다. 생성형 AI 기반의 非에이전트 SW는 Microsoft, GitHub, Grammarly, Glean, Notion AI, Adobe Firefly, Canva AI 등 SaaS 업종이 선도해 나가고 있다. 가트너에 따르면, 2026년 말까지 기업의 80%가 이 유형의 SW를 활용할 전망이다. ▲생성형 AI 모델 기반의 에이전트 SW: SaaS 14%, 자체 개발 8%, SI 개발 6%가 이 AI SW 타입이다. 생성형 AI 기반의 에이전트 SW도 Salesforce, Microsoft, ServiceNow, Workday, HubSpot 등 SaaS 업종이 선도해 나가고 있다. 위의 Agentforce 사례에서 보았듯이, 일부 글로벌 선도 SaaS 업체들은 이미 생성형 AI 에이전트를 제품에 성공적으로 통합했다. 앞에서도 지적했듯이, AI 에이전트 SW는 전 종목을 합쳐도 기업 도입률이 5%도 안 되는 성장 초기 단계의 제품군이다. 위에서 보았듯이 최근 유행하는 생성형 AI 기반 신규 SW를 SaaS 업체들이 선도하고 있는데, 최근 주요 SaaS 벤더들의 주가가 하락한 이유는 무엇일까? 특정 업종의 주가 동향은 투자자 심리와 업종의 가치평가 역사에 영향을 받는다. SaaS 주가의 부정적 요소는 다음과 같다. 첫째, 투자자들의 넓게는 AI가 SW를, 좁게는 AI 에이전트가 SaaS를 대체할지 모른다는 막연한 불안감 둘째, AI 애플리케이션보다는 AI 인프라에 몰리는 투자 관심 셋째, SaaS 제품에 생성형 AI를 통합하면 현행 Per-Seat 가격 모델로는 매출 격감 예상 넷째, SaaS 업종 자체가 이제 성숙기로 접어들어 성장률 완화 다섯째, 2010년대 중 SaaS 업종 주가의 과평가에 대한 조정 여섯째, 2022~2024년 금리 급등으로 고성장 SaaS의 Valuation 배수 압축 등이다. 필자를 포함해 많은 IT 전문가들이 최근 주가 하락에도 불구하고 SaaS 업종이 AI 시대에 적응해 생존 및 발전할 것이라고 예측하는 이유 몇 가지가 있다. 첫째, SaaS가 산업 특화 제품으로 이미 많은 기업의 핵심 비즈니스 프로세스와 데이터를 장악하고 있고, 기업들은 핵심 애플리케이션을 쉽게 바꾸지 않는다. 특히 수십 년간 축적된 수억 건의 고객 데이터를 보유하고 있어, AI 모델을 자사 데이터로 Fine-Tuning할 수 있는 구조적 우위가 있다. 둘째, SaaS와 AI 에이전트는 서로 대체 관계가 아니고, 통합 시너지를 낼 수 있는 보완 관계이다. 주요 SaaS 벤더들은 이미 제품에 AI를 성공적으로 통합하고 있다. 셋째, SaaS와 AI 에이전트의 통합 아키텍처가 앞으로 어떻게 진화할 것인가에 따라 AI 모델 벤더와 SaaS 벤더 간의 시장 경쟁 구도가 다소 바뀔 수 있다. SaaS는 계층적 서비스 지향 아키텍처(Layered Service-Oriented Architecture, SOA)를 견지할 것이고, UI, Orchestration, API, SOA Business Services, Vertical Platform, Horizontal Platform, Enterprise Data 등 여러 레이어로 구성할 수 있다. 이 중 UI 레이어에는 종래의 GUI와 더불어 생성형 AI가 쓰일 것이다. Orchestration 레이어에는 종래의 BPM 기반 또는 Event Bus 기반의 워크플로우와 더불어 AI Agentic Loop(Ralph Loop)가 쓰일 것이다. 산업 특화된 버티컬 플랫폼(Vertical Platform)에는 SaaS 벤더가 개발한 특화된 AI 모델과 특화된 Agent FRAMEwork가 쓰일 수 있다. 산업 공통 허라이즌털 플랫폼(Horizontal Platform)에는 생성형 AI 기본모델이 자리하고, 범용 Agent FRAMEwork가 쓰일 수도 있다. 넷째, Per-Seat에서 Consumption/Outcome 기반으로 가격 모델 전환이 매출 성장 가속 요인이 될 수 있다. Agentforce의 경우 AI 에이전트가 완수한 실제 작업량을 측정하는 Agentic Work Unit(AWU) 기반으로 가격 모델을 이미 전환했다. 다섯째, AI 에이전트를 현업에서 안전하게 가치 있게 사용하도록 만드는 것은 매우 어려운 기술로, 일반 회사에서 자체 개발 역량을 갖추기 힘들다. 따라서 기업에서 AI 에이전트를 도입할 때 SaaS에 가입하거나 SI 개발 용역을 주문하는 경우가 많을 것이다. 여섯째, 액센츄어(Accenture), 인포시스(Infosys), 캡제미나이(Capgemini) 등 글로벌 SI 업체들도 'AI 주도 비즈니스 변혁'을 주력 사업으로 정하고 AI에이전트 구현 서비스를 적극 개발 및 판매하고 있다. 1950년대 중반 SI 사업을 발명했고, 현재 세계 최대의 SI 업체인 액센츄어의 경우 생성형 AI가 출현한 2022년부터 2025년까지 종업원 수를 72만 명에서 78만 명으로 늘리고 전 사원에게 생성형 AI 에이전트를 훈련시키고 있다. Accenture 매출 100조 원의 약 20%가 SaaS 구현 서비스 매출이다. 글로벌 시장에서 SI 업체와 SaaS 업체는 공생관계이어서 AI 에이전트 사업도 함께 성장시키고 있다. SW 역사를 돌아보면, 첫째, 1990년대 초 메인프레임(MainFRAME) 컴퓨팅에서 클라이언트/서버(Client/Server) 컴퓨팅으로 패러다임이 바뀔 때, IBM이 도산할 정도로 주가가 폭락했지만 시대 변화에 적응해 지금도 건재하다. 둘째, 1990년대 말 Client/Server 컴퓨팅에서 Web 컴퓨팅으로 패러다임이 바뀔 때, 오라클의 주가가 폭락했지만 시대 변화에 적응하여 지금도 건재하다. 셋째, 2010년대 초 Web 컴퓨팅에서 Cloud 컴퓨팅으로 패러다임이 바뀔 때, 마이크로소프트 주가가 정체됐지만 시대 변화에 적응해 주가 상승세를 회복했다. 넷째, 2020년대 초 클라우드 컴퓨팅에서 AI 컴퓨팅으로 패러다임이 바뀌고 있는데 세일즈포스는 주가가 하락하면서 쇄락할 것인가? ■ 컴퓨팅 패러다임 바뀔때마다 기존 선도업체 주가 하락하거나 정체 컴퓨팅 패러다임이 바뀔 때마다 기존 선도업체 주가가 하락 내지 정체되고 새 패러다임을 리드하는 신흥업체 주가는 상승하는 현상은 늘 있어왔고, 기존 선도업체들이 새 패러다임을 소화해 부활하는 현상도 늘 있어 왔다. IBM, 오라클(Oracle), 마이크로소프트(Microsoft)가 부활한 공통 조건은 세 가지로 첫째, 핵심 고객 데이터&프로세스 장악력 유지 둘째, 새 패러다임 기술을 제품에 선제적 내재화 셋째. 가격 모델 전환 등이다. Salesforce는 현재 세 가지 부활 조건을 모두 갖췄다—CRM 데이터 장악, Agentforce 통합, AWU 소비 기반 과금 전환-. 이렇게 보면 SaaS 업체가 Salesforce처럼 시대 변화에 선제적으로 대응한다면 AI 시대에 사라질 것 같지는 않다. 가트너, 포레스터, IDC 등이 조사한 바에 의하면, 기업이 신규 애플리케이션을 확보하려 할 때 선택하는 SW Delivery Model 추세가 2025년에는 SaaS 가입 65%, 맞춤형 개발 20%, 패키지 SW 라이선스 15%였다. 2030년에는 SaaS 가입 80%, 맞춤형 개발 15%, 패키지 SW 라이선스 5%일 것으로 전망한다. 또 맞춤형 개발에 있어, 전통적 코딩, No/Low Code 개발 플랫폼 활용, AI 코딩 지원 툴/에이전트 활용의 비율은 2025년 65%, 25%, 10%였다. 2030년에는 30%, 25%, 45%일 것으로 전망한다. ■ "AI가 SaaS를 대체하는 게 아니라 역설적으로 수요 강화" SaaS 점유율이 65%에서 80%로 상승하는 이유는 AI 에이전트 개발 난이도 때문에 자체 개발을 회피하는 경향이 있기 때문이다. 즉, AI가 SaaS를 대체하는 것이 아니라 SaaS 수요를 강화하는 역설이 발생한다. 한편 AI 코딩 지원 툴/에이전트 기반의 맞춤형 개발이 기업의 SW 확보에 차지하는 비중은 2025년에 2%에서 2030년 7%로 상승할 전망이다. 이렇게, SaaS 수요 및 공급이 AI 때문에 잠식될 비율은 일반인들의 생각보다 훨씬 낮을 것으로 보인다. 하나 더 살펴봐야 할 것은 SaaS 업종 내에서 기존 대기업과 신흥 Micro-SaaS 업체와의 경쟁이다. AI 코딩 지원 툴 및 에이전트 발달로 개인이나 소기업이 Feature 단위의 엣지 케이스(Long-Tail 사용사례), 업종 심화 Niche 기능, 최첨단 기술 기반의 혁신적 신규 기능 등을 싼 값에 공급할 수 있다. 이러한 신흥 업체들과 경쟁이 기존의 대형 SaaS 업체에 미칠 영향은, 과거에 모바일 앱이나 클라우드 API 커넥터 앱이 등장했을 때와 마찬가지로, 매출 성장세 감소와 가격 압력 정도로 그칠 전망이다. 모바일 앱 시대의 교훈은 Long-Tail 앱의 대다수가 수익화에 실패했다는 것이다. AI 코딩 에이전트 덕분에 개발 장벽은 낮아졌지만 배포, 보안, 컴플라이언스, 고객 신뢰 확보의 장벽은 여전히 높다. 따라서 Micro-SaaS 난립보다는 소수의 성공적인 Niche 플레이어 등장이 더 현실적인 시나리오다. 기존 대형 SaaS 업체들은 자기 시장에서 생태계를 떠받치는 플랫폼으로 군림하면서, Micro-SaaS 업체 제품들을 자신의 App Marketplace에 초대하든가, M&A하든가, 혁신적 Feature를 복제하든가 등 다양한 전략을 취할 것이다. Salesforce AppExchange, HubSpot Marketplace, ServiceNow Store에는 이미 수천 개의 Micro-SaaS 앱이 입점해 있고, 이들이 대형 SaaS 플랫폼의 Stickiness(고착성)를 오히려 높이는 효과를 낸다. Micro-SaaS는 경쟁자인 동시에 생태계 강화자인 것이다. 그러나 기존의 SaaS 업체들도 AI 시대에 걸맞은 아래와 같은 내부 진화가 필요하다. 맥킨지 연구에 따르면(McKinsey, The AI-centric imperative: Navigating the next software frontier”, 2025.10.16 참조) 첫째, 세일즈포스의 에이전트포스(Agentforce)처럼 AI Agent의 통합을 위한 제품 개혁이 필요하고 둘째, 가격정책을 Per-Person 가입 모델에서 Usage-Based 또는 Output-Based 가격 모델로 전환해야 하며 셋째, 고객사의 최고경영층을 타깃으로 업종 특화된 Go-To-Market 전략을 펼쳐야 하고 넷째, 제품 개발 전체 생애주기에 생성형 AI, AI 코딩 지원 툴 및 AI 코딩 에이전트를 적용해 제품 개발 프로세스를 근본적으로 바꿔야 하며 다섯째, 생성형 AI와 AI 에이전트를 이용한 내부 운영 프로세스 자동화를 통해 20~40%의 원가 절감을 달성해야 하며 여섯째, AI 중심의 제품 및 서비스로 전환을 위한 데이터, 보안, 거버넌스, 개발 환경, 운영 환경 등의 AI 지원 인프라를 구축해야 하며 일곱째, SaaS 업체 내 직원 훈련을 통해 인간과 AI 에이전트가 협력할 수 있는 새로운 역할, 스킬과 역량을 배양해야 한다. 위의 7개 과제 중 기술적 난이도보다 조직 변화 관리(Change Management) 난이도가 더 높은 과제들이 있는데 첫째, 가격 모델 전환(기존 고객 저항) 둘째, GTM 전략 변화(영업조직 재편) 셋째, 직원 역할 및 스킬 재정의(조직문화 저항)등으로 이들은 기술이 아닌 인간과 조직의 저항으로, 상대적으로 어려운 과제들이다. 실제, 세일즈포스가 Per-Seat에서 AWU 소비 기반으로 전환하는 과정에서 기존 영업 조직 저항과 고객 혼란이 가장 큰 실행 리스크로 보고되기도 했다. 반면 AI 인프라 구축, 개발 프로세스 혁신, 운영 자동화는 투자 등 기술로 해결이 가능한 것은 상대적으로 쉬운 과제들이다. ◆필자 박준성은... 서울대 경영학 학사 및 석사, 미국 오하이오주립대 전산학/산업공학 학제간 박사를 취득했다. 미국 아이오와대학(University of Iowa)에서 MIS 분야 종신교수로 재직하면서 미국 INFORMS 통신학회 회장을 역임했다. 중국 청화대학 전산학과 초빙교수를 지낸 후 2001년 귀국, 삼성SDS에서 S급 임원 및 CTO로 재직하면서 미국 HP의 전략자문위원을 역임했다. 2010년 이후 KAIST 산업공학과에 S급 초빙교수로 재직하면서 미국 국제SW공학협회(SEMAT) 회장, 미국 OMG의 SW공학 커널(Essence) 국제표준 제개정위원장도 지냈다. 또 삼성전자, LG전자, 현대자동차, 한국마이크로소프트 등 많은 대중소기업과 정부기관에서 SW자문역 및 임직원 교육을 수행했다. 2019년 이후 한국SW기술진흥협회(KOSTA) 회장으로 재직하고 있으며, 'KOSTA Online'이란 무료 SW교육 동영상 과정 및 블로그 사이트를 운영하고 있다.

2026.03.21 13:20박준성 컬럼니스트

[박준성의 SW] AI가 개발자 대체?...사실 아냐

인공지능(AI) 등장으로 전통적인 소프트웨어(SW) 기업들이 위협받고 있다. 최근 회자되기 시작한 '사스 어포칼립스(SaaS Apocalypse)'라는 용어는 이를 상징적으로 보여준다. '사스 어포칼립스'는 생성형 AI 등장으로 기존 SaaS(서비스형 소프트웨어) 기업들이 대거 위기에 빠질 것이라는 것으로, 실제 미국 마이크로소프트와 세일즈포스의 주가가 크게 하락하기도 했다. AI에이전트가 소프트웨어 기능을 대체하는 시대, SW는 어디에 서 있으며 어디로 가야할까. 지디넷코리아는 국내 최고 SW 전문가로 꼽히는 박준성 한국SW기술진흥협회(KOSTA) 회장의 SW에 대한 통찰을 '박준성의 소프트웨어'라는 코너로 격주로 한 번 게재한다. 박준성 회장은 서울대 경영학 학사 및 석사, 미국 오하이오주립대 전산학/산업공학 학제간 박사를 취득했다. 미국 아이오와대학(University of Iowa)에서 MIS 분야 종신교수로 재직하면서 미국 INFORMS 통신학회 회장을 역임했다. 중국 청화대학 전산학과 초빙교수를 지낸 후 2001년 귀국, 삼성SDS에서 S급 임원 및 CTO로 재직하면서 미국 HP의 전략자문위원을 역임했다. 2010년 이후 KAIST 산업공학과에 S급 초빙교수로 재직하면서 미국 국제SW공학협회(SEMAT) 회장, 미국 OMG의 SW공학 커널(Essence) 국제표준 제개정위원장도 지냈다. 또 삼성전자, LG전자, 현대자동차, 한국마이크로소프트 등 많은 대중소기업과 정부기관에서 SW자문역 및 임직원 교육을 수행했다. 2019년 이후 한국SW기술진흥협회(KOSTA) 회장으로 재직하고 있으며, 'KOSTA Online'이란 무료 SW교육 동영상 과정 및 블로그 사이트를 운영하고 있다.(편집자 주) 소프트웨어(SW)는 무엇이고 또 SW개발은 무엇일까? 인간의 노동을 대체, 자율적으로 주어진 목적을 달성해주는 AI 에이전트가 가장 많이 활용되는 분야가 SW개발이다. AI 코딩 에이전트가 자동으로 코딩을 해줄 수 있으니 SW개발자 수요가 당연히 줄어들 것이란 말이 많다. 과연 그럴까? 실제 그런지 데이터를 확인해본다. AI 코딩 에이전트를 이용한 SW개발이 가장 활발한 미국의 노동통계국 보고서를 보면 지난 2년간 SW개발자 수가 기껏해야 0.3% 줄었다. 2024~2034년 중 SW개발자 수가 15% 증가할 걸로 예상하는데, 이는 모든 직종 평균 증가율을 크게 상회하는 수준이다. 국가 전체적으로 SW개발자 수가 증가하고 있는 것이다. 기업 단위에서 보자. 전세계에서 가장 큰 SI업체인 미국액센추어(Accenture) 경우, 생성형 AI가 출현한 2022년에서 2025년까지 종업원 수가 72만 명에서 78만 명으로 증가했다. 액센츄어는 사업의 중심을 AI 주도 비즈니스 변혁에 두고 전직원에게 생성형 AI 에이전트를 훈련시키고 있다. 선진 SI업체들은 SW개발자 스킬을 AI 코딩 에이전트를 잘 쓸 수 있도록 업그레이드하면서 그 수효를 늘리고 있는 것이다. SW패키지 및 SaaS 업체는 어떨까? 2025년에 1만5000명을 해고한 미국 마이크로소프트(Microsoft)의 해고 목적은 SW개발자를 AI 코딩 에이전트로 대체하는 게 아니었고, 이코노믹 타임즈(Economic Times)가 보도했듯, 클라우드와 모바일, AI 등 IT 기술 환경 변화에 대처한 사업 및 조직 구조의 조정이었다. 2022~2025년 마이크로소프트의 종업원 수는 22만 명에서 23만명으로 증가했다. 기업용 패키지 업체인 SAP를 보면, 액센츄어의 사업 전략과 마찬가지로, 생성형 AI를 자사 제품에 최대한 반영하고 있다. 쥴(Jule)이라는 AI 코딩 에이전트 플랫폼을 ERP핵심에 통합함으로써 비즈니스 기능의 80%에 AI를 적용하고 있다. SAP 종업원 수는 2022~2025년 중 11만 명을 그대로 유지하고 있다. SW개발자를 AI 코딩과 에이전트로 대체하는 움직임은 없다. 마이크로소프트와 마찬가지로 IT 기술 환경 변화에 대처한 사업 및 조직 구조의 조정을 추진하고 있는 것 뿐이다. 미국 예일(Yale) 대학이 2025년에 AI가 노동 시장에 미치는 영향에 관한 연구 결과를 발표했다. 2022년 이래 생성형 AI가 노동시장에 미친 영향은 미미하다고 밝혔다. AI 기반의 자동화가 지식 노동자에 대한 수요를 잠식할 거라는 대중 우려가 근거가 없음을 밝힌 것이다. (https://www.kosta-online.com/post/it-layoff-2025). AI 시대에 SW개발자의 수효는 줄지 않는다. 다만, SW개발자가 갖추어야 할 역량은 크게 바뀐다. SW 역사를 돌이켜 보자. 1960년대 초 코볼(Cobol)이 출현했을 때, 종전의 어셈블리(Assembly) 언어와 달리 Cobol은 문법이 영어 문장 같아서 SW개발자 대신 현업 직원들도 프로그램을 작성할 수 있다고 예상했다. 그러나 예상은 빗나갔고, 대신 SW개발자들이 Assembly 언어를 버리고 Cobol을 배워야 시대 변화에 적응할 수 있었다. 1990년대 중반이후 객체 지향 프로그래밍 언어인 자바(Java)가 급성장하면서 구조적 프로그래밍 언어인 Cobol의 사용이 급감했다. 객체 지향 프로그래밍은 클래스, 디자인 패턴, 서비스 API, 라이브러리, 프레임워크 등의 재사용을 통해 개발 생산성을 크게 향상시켰다. 생산성 증가에 불구하고 Java개발자 수요는 급성장했고, Cobol개발자들은 새로운 코딩 패러다임인 객체 지향 코딩과 새로운 언어인 Java를 배워야 생존할 수 있었다. 2022년 생성형 AI가 출현했다. 이어 AI 코딩 어시스턴트(Assistant), 더 나아가 AI 코딩에이전트(Agent)가 출현하면서 역사는 되풀이되고 있다. 기계언어 기반의 Assembly 언어를 자연어에 가까운 Cobol이 대체했듯이, Java 같은 컴퓨터 프로그래밍 언어를 자연어 프롬프트로 실행되는 AI 코딩 에이전트가 대체하고 있다. 객체 지향 프로그래밍의 재사용 생산성에 더해, AI 코딩 에이전트는 오픈소스 SW, Git 리포지토리, 스택 오버플로(Stack Overflow) 등 세상에 공개된 모든 SW와 기업의 로컬 리포지토리 내에 있는 기존 코드베이스를 재사용함으로써 생산성을 획기적으로 더욱 높인다. 자연어를 사용하고 기존 코드베이스를 재사용해 개발생산성이 높아지지만, 과거에도 경험했듯이 SW개발자 수요는 계속 증가할 전망이다. 그러나 SW개발자가 AI 코딩 에이전트를 이용해 AI-Powered 애플리케이션을 개발할 수 있는 능력을 새롭게 갖추지 않으면 더 이상 생존하기 힘들다. SW개발자 수요가 증가할 것이라는 예측은 첫째, 새로운 AI 능력을 써서 더 유용한 새로운 SW를 만들겠다는 프로젝트 수요가 폭증하기 때문이다. 가트너(Gartner)는 생성형 AI 애플리케이션을 현업에서 활용하는 기업이 2023년 5%에서 2026년 80%로 급상승할 것으로 전망했다. 둘째, AI 코딩 툴을 효과적으로 활용하려면 개발자의 개입(Human-in-the-Loop)이 불가피하기 때문이다. 개발자의 프로젝트 가이드, 요구 정의, 아키텍처 의사결정, 설계 지시/감독, 코드 리뷰/승인, 인프라(IaC) 리뷰/승인, 강제 종료, 최적 방법/노하우의 저장/재사용, 개선 피드백, 최종 결과에 대한 책임 등이 AI 생성 코드의 전략 부합성, 가치명제, 품질, 규제준수, 유지보수 용이성, 확장성 및 지속적 개선에 결정적인 영향을 미친다. 클로드(Claude)나 구글(Google)의 에이전트 코딩 가이드에서도 개발자와 에이전트 간의 협력을 통한 반자율적(Semi-Autonomous) 개발을 추천하고 있다. 다음 호에서는 SW개발자가 첨단 AI 코딩 툴들을 이용해 고품질 애플리케이션을 개발할 수 있는 황금 표준 방법과 필수 역량에 대해 이야기하려 한다. 프로토타입이 아닌, 누구나 쓰고 있는 흔한 보편적 애플리케이션이 아닌, 특정 기업의 현업에 경영혁신을 가져올 또는 글로벌 시장에 출시할 창의적인 애플리케이션을 고품질로 개발하는 방법에 대해 살펴볼 것이다.

2026.03.09 20:48박준성 컬럼니스트