동향 · Agentic·FM 와이어

Agentic·FM 컨설팅 와이어 · 2026년 10월 30일 — 추론은 필요한 곳에만, 계산은 결정론적 도구에, 검증에는 큰 몫을

  • 신규 ① McKinsey Operations(10/28): 전략 소싱 에이전틱 AI — 오케스트레이션 계층, 결정 객체, 결정당 비용, 재연→섀도→사람 승인(McKinsey 보고)
  • 신규 ② McKinsey Risk & Resilience(10/26): 거래 모니터링 에이전틱 AI — 품질 보증·추적성 배정, 비평(critic) 에이전트, 스쿼드 구조, Commerzbank 인터뷰(McKinsey 보고). 10/26 ’승자들의 교훈’의 자매편(기인용 관계)
  • IBM·Accenture: 10/28 이후 신규 에이전트·FM 1차 자료 확인 못함

모든 수치는 McKinsey가 밝힌 것이며 독립 검증이 아니다. 해석은 ’우리 분석’으로 구분한다.

슬라이드 1 · McKinsey Operations (10/28) — 전략 소싱의 에이전틱 AI: 과장인가 영웅인가

투자는 늘지만 확장은 드물다 — 가치는 ’조달 자동화’보다 ’소싱 결정’에 있다 (McKinsey)

아래 수치는 모두 McKinsey가 밝힌 것이다.

  • 설문: McKinsey는 CPO·조달 리더 설문(2026년 6월, n=200)에서 **80%**가 12~18개월 안에 조달 기술·AI 투자를 늘릴 계획이지만, AI를 대규모로 내재화했다는 응답은 2%, 파일럿 단계는 **55%**라고 밝혔다
  • 장애 요인: McKinsey는 생성형 AI 투자 수익의 가장 큰 장애로 데이터 품질(30%), 시스템 통합 부족(23%), 인재·지원 부족(18%)이 꼽혔다고 밝혔다
  • 가치 규모: McKinsey는 외부 지출이 보통 운영비의 **3060%**이고, 에이전틱 AI가 외부 지출의 **36%**를 추가로 절감할 수 있다고 밝혔다. 혼합 포트폴리오에서 소싱 결정 개선의 가치는 조달 기능 자동화의 약 11배(범위 중간값 기준)라고 설명
  • 투자 규모: McKinsey는 중견 기업의 첫 운영 워크플로가 데이터 기반·오케스트레이션·통제·변화관리까지 포함하면 수백만 달러에 이를 수 있다고 밝혔다
  • 사례(McKinsey): 한 대형 금융기관 소싱팀은 기술 공급사 포트폴리오에 에이전트를 적용해 대상 지출의 **10~15%**를 절감. 한 1차 자동차 부품사는 4개 사업부·1,000곳 이상 공급사에 걸친 1억5,000만 달러의 꼬리 지출(tail spend)에 적용해 6주가 안 돼 500만 달러 이상(1차 대상 지출의 10% 이상)을 절감했다고 McKinsey가 밝혔다

슬라이드 2 · 같은 글 — 오케스트레이션 계층과 결정론적 서비스

런타임에 작업 그래프를 짜고 고치는 계층, 공유 ‘결정 객체’, 네 가지 최소 맥락 (McKinsey 설명)

  • 오케스트레이션 계층: 소싱 목표나 새 신호를 분석·실행 순서로 바꾸며, 실행 중에 작업 그래프를 만들고 수정해 에이전트·모델·데이터·도구를 고른다고 설명
  • 결정 객체: 결정 하나에 대해 목표·근거·가정·시나리오·제약·현재 상태를 담는 공유 기록. 상업적 판단이나 승인이 필요하면 카테고리 매니저에게 돌아온다
  • 역할 분리: 에이전트는 계획·가설 생성·종합·상호작용을 맡고, 원가 추정(should-cost)·예측·위험 점수화·입찰 정규화·낙찰 최적화는 결정론적 서비스로 남겨 계층이 호출한다
  • 최소 맥락 네 가지: ① 무엇이 바뀌었나(투입 원가·공급 능력·계약 일정·수요 변화를 보는 신호 계층) ② 무엇이 영향받나(공통 온톨로지 위의 지식 그래프) ③ 전에 무엇을 배웠나(검증된 과거 사례와 결과를 담은 메모리) ④ 지금 쓸 수 있는 역량은(권한·카테고리 적합성·성능·비용으로 검색되는 역량 레지스트리)
  • 학습: 새 플레이는 과거 재연과 섀도 테스트를 거친 뒤에만 레지스트리에 들어가고, 오케스트레이션 계층은 사람의 검증 없이 스스로를 수정하지 않는다고 설명

슬라이드 3 · 같은 글 — 결정당 비용과 단계적 도입

오케스트레이션은 비싸다 — 걸린 가치가 결정 비용을 넘는 곳에만 (McKinsey 설명)

  • 결정당 비용: 오케스트레이션 계층은 단계가 많고 매 단계 누적된 맥락을 다시 읽기 때문에 고정된 범위의 워크플로보다 결정당 비용이 높다고 설명. 걸린 가치가 결정 비용을 넘는 결정에만 쓰고, 반복 분석은 고정 워크플로·프로세스 자동화에 맡기라고 권고
  • 데이터 순서: 지출 가시성 → 공급사 정보 → 계약 정보 → 자율 실행. 가장 자주 건너뛰는 단계가 계약 정보라고 지적
  • 도입 단계: 첫 1~2개 카테고리를 지난 12개월 완료 건 재연 → 실제 팀과 병행하는 섀도 운영 → 사람이 승인하는 실제 결정 순으로 진행
  • 안전: 되돌리는 방법이 정의된 행동만 위임하라고 권고. 첫 실제 결정 전에 승인·감사 기록, 공급사에게 에이전트가 할 수 있는 말, 메모리에 넣을 수 있는 공급사 데이터, 사람에게 남길 판단의 소유자를 정하라고 설명
  • 우리 분석: 개별 유스케이스에 에이전트를 붙이면 기존 프로세스를 싸게 복제하는 데 그친다는 지적과 결정당 비용 프레임은 제조·운영 에이전트에도 그대로 적용된다. 재연·섀도 단계는 산업용 AI 납품 검증 절차의 참고가 될 수 있다

슬라이드 4 · McKinsey Risk & Resilience (10/26) — 거래 모니터링의 에이전틱 AI

품질부터 설계한다 — 에이전트 네트워크의 30~50%가 품질 보증·추적성 (McKinsey)

저자: Andreas Kremer, Thomas Poppensieker, Vasiliki Stergiou 외. 10/26 ‘금융범죄 방지 에이전틱 AI: 승자들의 교훈’(10/28 와이어에서 다룸)의 자매편 — 기인용 관계. 수치는 모두 McKinsey가 밝힌 것이다.

  • 품질 설계: McKinsey는 선도 은행이 에이전트 네트워크의 **30~50%**를 품질 보증·추적성에 배정하며, 비평(critic) 에이전트가 사람에게 넘기기 전 모든 주장을 출처와, 모든 보고서를 체크리스트와 대조한다고 밝혔다
  • 구조: 새 프로세스에 35개 에이전트로 된 스쿼드 1520개가 필요할 것이며, 스쿼드마다 입력·출력, 결정론적 도구(데이터 조회·KPI 계산), 에이전트별 LLM 선택을 정한다고 설명
  • 경제성: 토큰 사용량을 건별로 추적하고 단순 단계는 저렴한 모델로 보내거나 품질 점검을 표본으로 돌려 조정한다고 설명
  • 효과: McKinsey는 거래 모니터링 조사에서 사람 처리 시간이 40% 이상 줄고, 사전 체크리스트 기준 에이전트 보고서의 완결성이 분석가 보고서보다 높았다고 밝혔다
  • 인력 구성: 기존에는 프로세스 60~70%, IT 20~25%, 품질관리·감사 **10~15%**였고, 에이전틱 AI로 프로세스 인력 소요가 30~50% 줄며 IT와 품질 인력은 에이전트 지원·시스템 모니터링으로 옮겨간다고 설명
  • 사례: 한 개념 검증에서 에이전트가 알림마다 광범위한 거래 이력을 검토했고, 해당 기간 거래가 1만5,000건 이상인 고객도 포함됐다고 McKinsey가 밝혔다. 한 대형 은행은 같은 원칙으로 기업 신용위험 평가 초안을 작성해 신용 담당자의 분석 시간을 절반으로 줄였다고 설명

슬라이드 5 · 같은 글 — Commerzbank 인터뷰와 운영 원칙

업무 전문가가 직접 참여할 때 품질이 가장 올랐다 (Commerzbank 인터뷰, McKinsey 게재)

  • 인터뷰 대상: Commerzbank 최고신용위험책임자(CCRO)이자 전 그룹 최고준법감시책임자인 Hans-Georg Beyer. Commerzbank는 거래 모니터링 개념 검증으로 더 넓은 에이전틱 AI 프로그램의 기반을 마련했다고 McKinsey가 소개
  • 인재: 업무 전문가가 프롬프트 엔지니어링과 AI 응용 개선에 직접 참여하도록 했고, 전문가가 사례를 직접 다루게 한 것이 결과물 품질을 가장 크게 높였다고 발언
  • 거버넌스: 처음부터 AI 활용 사례를 은행 전체 기준으로 일관되게 모니터링해야 시간이 갈수록 풀기 어려운 **‘컴플라이언스 부채’**가 쌓이지 않는다고 발언. 모든 판단은 사람에게 남는다고 설명
  • 운영 원칙(McKinsey): 새 패턴이나 오류가 나오면 핵심 시스템 재배포가 아니라 프롬프트·체크리스트 수정으로 며칠 안에 고칠 수 있다고 설명. 시스템은 결과의 신뢰도를 드러내 사람이 언제 개입해야 하는지 알 수 있게 해야 한다고 강조
  • 우리 분석: ’결과에 신뢰도를 표시해 개입 지점을 알린다’는 원칙과 빠른 프롬프트·체크리스트 수정 루프는 검사·공정 제어 에이전트의 감사 기록 설계에도 참고가 된다

슬라이드 6 · 우리 분석 · 신규 없음

공통 메시지와 확인했으나 신규 없는 곳

  • 우리 분석: 두 글 모두 추론은 필요한 곳에만 쓰고, 계산·점수화는 결정론적 도구로 밀어내며, 검증에 큰 몫을 배정한다. 규칙이 엄격한 산업 업무에서도 결정론적 서비스 목록, 단계적 검증, 감사 기록을 먼저 설계하는 접근이 참고가 된다(일반적 해석)
  • IBM: 10/27 에이전트 신원 건은 10/28 와이어에서 다룸(기인용). 10/28 USTA 관련 발표는 범위 밖. IBV 10/2·10/13 자료는 이전에 다룸
  • Accenture: 10/21 건 이후 신규 없음(기인용)
  • McKinsey·QuantumBlack: 10/13, 10/26 글은 이전에 다룸
  • 다음에 볼 것(전망·미확인): 두 글이 제시한 단계적 도입·평가 체계의 후속 사례 공개 여부

슬라이드 7 · 출처

출처