동향 · Agentic·FM 와이어
Agentic·FM 와이어 · 2026-09-29 — Accenture: 차별화는 운영모델
범위: McKinsey · Accenture insights/newsroom · IBM (IBV/Newsroom/Research/watsonx) · 약 7일.
이번 창에서 새로 확인된 1차 항목은 Accenture 운영모델 인사이트 1건. 벤처·제품 파트너 발표(Within 등)와 겹치지 않는 운영·조직 측 글.
이미 올린 McKinsey(9/18), Accenture×Within(9/24), IBM×General Assembly(9/28)는 재서술하지 않음.
공개 자료만. 수치는 원문이 밝힌 것만, 출처와 함께 인용.
슬라이드 1 · 신규
Accenture — 운영모델이 차별화 (2026-09-24)
- 조직: Accenture insights (Consulting)
- 제목: When everyone has AI, your operating model will set you apart (Operating Model in the Age of AI: Five Shifts)
- URL: https://www.accenture.com/us-en/insights/consulting/operating-models-age-of-ai
요지
- AI가 흔해질수록 우위는 기술을 가졌는지가 아니라 그 기술을 일에 붙이는 운영모델로 옮겨감
- 가치는 일을 이끄는 의사결정, 그 결정이 겨냥하는 성과, 그리고 사람과 에이전트가 섞인 인력에서 나온다는 주장
- 모든 결정에서 배우는 조직은, 같은 모델을 쓰는 경쟁사가 돈으로 살 수 없는 우위를 쌓는다는 결론
슬라이드 2 · 다섯 가지 시프트
운영모델의 5개 시프트
- 의사결정을 경쟁 단위로 — 과업이 아니라 중요한 소수의 결정을 골라, 결정마다 성과·책임자·AI 역할(결정 모드)을 정함
- 가치 스트림에 성과 책임 — 기능별 최적화 대신 기능을 가로지르는 흐름(예: quote to cash)에 오너와 성과를 부여
- 인간과 에이전트를 하나의 인력으로 — 모든 에이전트에 책임지는 사람, 사람과 기계에 같은 정책·가드레일
- 헤드카운트 대신 성과당 비용 — 사람·에이전트·추론을 같은 기준으로 놓고 “무엇을 얼마에 달성했나”로 측정
- 의사결정 이력을 학습 루프로 — 맥락·AI 권고·수용/번복 이유·결과를 남겨 다음 결정과 다음 AI에 반영
슬라이드 3 · 페이지가 인용한 근거
숫자와 출처
- 58% — Accenture Pulse of Change C-suite 설문(2026-07, N=3,000): 향후 12개월 안에 사람과 AI 간 업무 배분을 바꾸겠다는 응답. 2026년 초 대비 두 배 이상
- “거의 모든 대기업이 작년에 최소 1개 에이전트를 배포” — Accenture가 WRITER(2026-04-07)를 인용. 그런데 대부분의 에이전트에 named owner도, 인력 계획상 자리도 없다고 지적
- 무인 현금 처리 70% · 용량 약 39% 확보 추정 — 글로벌 산업 솔루션 기업의 lead-to-cash 재설계 사례. Accenture 자체 고객 사례 주장 · 독립 검증 안 됨
- 10% 미만 — Accenture AI tokenomics 연구(2026-07-29): 사용자·워크플로의 10% 미만이 AI 지출 대부분을 유발 → 비슷한 규모 조직도 AI 비용은 크게 다를 수 있음
슬라이드 4 · 90일 신호
90일 안에 보여야 할 다섯 가지
- 가치 스트림 오너 지정 — 핵심 결정이 위원회가 아니라 오너에게 가고, 오너는 성과로 평가됨
- 의사결정 레지스터 — 의도한 결정 모드와 실제 쓰이는 모드의 차이가 보이는 살아 있는 목록
- 에이전트 named owner — 첫 에이전트 묶음이 인력 뷰에 책임자와 함께 등장
- 성과당 비용 베이스라인 — 가치 스트림 하나에서 사람·에이전트·추론 비용을 성과와 연결
- 학습 루프 1개 — 반복되는 결정 한 종류에서 결과가 다음 결정을 바꾸기 시작
원문 요지: 90일에 이 신호가 하나도 없으면 운영모델 변화가 아니라 그냥 배포일 뿐.
슬라이드 5 · 산업 AI 구매자에게 주는 함의
에이전트는 누가 책임지나 · 토큰 비용은 어디에 붙나 · 왜 우리 이력이 해자인가
- 소유권: 현장 에이전트도 named owner 없이 늘리면 예외 처리·성과 책임이 비게 됨 → 도입 계약에 오너·에스컬레이션 경로를 명시
- 비용 위치: 추론 비용은 인건비가 아니라 사용량 기반이고 일부 워크플로에 몰림 → 라인·공정 단위 성과당 비용으로 잡아야 보임
- 해자: 모델이 같아도 설비 예외·운전 판단·결과의 의사결정 이력은 복제가 어려움
Core On 관점
- 온디바이스 산업 AI(CoreVLA + CoreLM on Jetson Thor / CoreEdge, Rust 기반 CoreOS)는 추론을 현장에서 돌리고 공장 의사결정 이력을 온프레미스에 남기는 구조 — 모델이 범용화될수록 그 이력이 고객의 자산이 됨
슬라이드 6 · 창 안 부재
McKinsey·IBM — 이번 창 신규 없음
McKinsey
- 최근 약 7일 내 Agentic AI / Foundation Model 1차 원문 없음
- State of AI 2026(~8월)·Stacking the odds / Agentic TO(~9월 중순)는 이전 와이어에 반영
IBM
- watsonx.ai × General Assembly / MINT.AI 마케팅 에이전트(2026-09-25)는 9/28 와이어에 반영
- AgentOps GA(~9/3)·watsonx.ai v2.4(6월)는 선호 창 밖
- 9/26–9/29 추가 Agentic/FM 1차 원문 없음