동향 · Agentic·FM 와이어

Agentic·FM 컨설팅 와이어 · 2026년 11월 2일: 재사용 자산, 공통 스택, 통제를 처음부터

  • 신규 ① McKinsey(10/30): 은행의 AI 가치 격차를 닫는 CEO 가이드(McKinsey 보고)
  • 신규 ② McKinsey(10/30): Waniwani CEO 인터뷰, 보험 유통의 에이전트 채널(인터뷰)
  • 신규 ③ IBM(10/28): IBM Bob과 watsonx.governance 통합, 개발 중 에이전트 자동 거버넌스(IBM 발표)
  • Accenture: 신규 1차 자료 없음. The Register 보도는 Accenture 자체 주장을 옮긴 것(기인용)

수치는 각 회사가 밝힌 것이며 독립 검증이 아니다. 해석은 ’우리 분석’으로 구분한다.

슬라이드 1 · McKinsey (10/30): 은행의 AI 가치 격차를 닫는 CEO 가이드

도입은 빨라졌는데 전사 성과는 따라오지 못한다 (McKinsey)

  • 네 가지 격차: 가치, 지능, 실행, 리스크·거버넌스
  • 여섯 가지 결정: 창업자 사고방식, 조직 목적 설정, 복리 엔진, 가치실현 전담 조직, 공통 엔터프라이즈 AI 스택, 거버넌스 재설계
  • 인용 수치(McKinsey 기존 조사 재인용, 기인용): 2026 State of AI 조사에서 약 **90%**가 최소 한 기능에서 AI를 정기적으로 쓰고, 전사 확산 중인 곳은 44%(전년 38%)다. 그러나 전사 이익에 긍정 효과를 본 곳은 **37%**로 2025년과 거의 같고, 고성과 기업은 **6%**다
  • 비용: 다섯 곳 중 한 곳은 운영비 때문에 AI 사용을 제한하고, **60%**는 투자를 늘릴 계획이라고 McKinsey가 밝혔다. 소수의 고레버리지 기회가 은행 AI 가치의 **70~80%**를 차지한다는 2024년 분석도 다시 인용(기인용)
  • 새 수치: 소매은행 상담 에이전트 분석에서 모델·컨텍스트·인프라 선택을 최적화하면 비용을 80% 넘게 줄일 수 있다고 McKinsey가 밝혔다. 솔루션 아키텍처가 비용에 10~100배 차이를 낸다는 6월 McKinsey 연구도 인용

슬라이드 2 · 같은 글: 엔터프라이즈 AI 자본과 복리 엔진

“열 번째 AI 전환은 앞의 아홉 개 덕분에 더 낫거나 싼가?” (McKinsey)

  • 엔터프라이즈 AI 자본: 검증된 모델, 프롬프트, 데이터 제품, 평가법, 통제 패턴을 재사용 자산으로 쌓으라고 설명. 많은 유스케이스가 단독 솔루션으로 만들어져 매번 처음부터 시작한다고 지적
  • 복리 엔진(compounding engine): 한 전환이 만들고 배운 것을 다음 전환이 쓰게 하는 전문 팀. 별도 권한, 책임 리더, 별도 성과표가 필요하다고 설명
  • 측정: 재사용률, 자산의 확산 범위, 운영 경험에 따른 개선 정도를 보라고 제안
  • 공통 스택: 워크플로 오케스트레이션, 엔터프라이즈 도구, 컨텍스트 관리, 관측성, 모델 인프라, 거버넌스 등 7개 역량. 사용자·에이전트 신원, 보안, 추적성은 앱마다 새로 만들지 말고 기반에 넣으라고 권고
  • 맥락과 학습: 용어 정의가 제각각인 문제는 ’거버넌스된 시맨틱 레이어’와 ’엔터프라이즈 메모리’로 풀라고 설명. 많은 배포 시스템이 300일째에도 첫날과 성능이 같다며 평가·피드백 루프가 없다고 지적
  • 리스크: AI가 대출 승인을 추천하는 것과 직접 결정하는 것은 리스크가 크게 다르다고 설명

슬라이드 3 · 같은 글: 사례 (McKinsey가 타사 공개 자료 인용)

Uber의 에이전트 포드, UBS의 사내 AI 비서 Red

  • Uber(Uber 자체 발표): 엔지니어 약 30명과 현업 전문가를 2주 스프린트로 묶는 ’에이전트 포드’를 두 달간 16개 업무 기능에서 운영했다고 밝혔다. 150개 도시 자본배분 작업은 15시간에서 30분으로, 재무 페이싱 보고서는 2일에서 10분으로 줄었다고 주장
  • UBS(UBS 자체 발표): 사내 AI 비서 Red를 약 10만 명에게 배포해 2,500만 건 넘는 질의를 처리했고, 사용자당 주 평균 80분을 아꼈다고 밝혔다
  • 우리 분석: 은행 대상 글이지만 추천과 결정의 리스크 차이, 재사용 자산 측정 지표는 에이전트를 여러 라인에 펼치는 제조 운영에도 적용된다. 첫 에이전트를 만들 때부터 문서 추출, 검증, 평가셋, 감사 통제를 다른 곳에서 다시 쓸 수 있게 설계하는 것이 참고가 된다(일반적 해석)

슬라이드 4 · McKinsey (10/30): Waniwani CEO 인터뷰

보험 유통에 에이전트 채널이 열리고 있다 (인터뷰)

  • 배경(McKinsey 소개): Waniwani는 2026년 초 설립된 미국 인슈어테크다. 스페인 디지털 보험사 Tuio가 2026년 2월 ChatGPT 안에 낸 주택보험 견적 앱의 기반 인프라를 제공했다. McKinsey는 이 출시 뒤 보험 중개사 주가가 급락했다고 적었다
  • CEO Robin Diligent 발언: 모든 보험을 에이전트가 사지는 않겠지만, AI는 빠르게 크는 중요한 고객 획득 채널이 됐다. 보험사는 사람과 에이전트 모두에 맞는 유통 인프라를 갖춰야 한다
  • 성격: 정량 조사가 아니라 인터뷰다
  • 우리 분석: 에이전트가 상품을 찾고 비교하는 채널이 실제 시장에 영향을 주기 시작했다는 신호다. 산업용 B2B에서도 구매 에이전트가 사양서를 읽는 상황에 대비해 제품 정보를 기계가 읽기 쉬운 형태로 내놓을 필요가 있다(일반적 해석)

슬라이드 5 · IBM (10/28): IBM Bob과 watsonx.governance

모르는 에이전트는 통제할 수 없다: 개발 단계에서 인벤토리에 넣는다 (IBM 발표)

  • 기능: IBM Bob IDE에 watsonx.governance 확장을 추가하면, 워크스페이스를 열 때 에이전트 소스 코드를 자동으로 찾아 거버넌스 정책으로 평가한다. 찾은 에이전트는 AI Inventory에 등록하고 에이전트별 리스크 분석을 붙인다고 IBM이 밝혔다
  • 보안: 분석은 개발자 PC에서 로컬로 돌고 소스 코드는 밖으로 나가지 않는다. 에이전트 이름, 프레임워크, 도구 참조 같은 구조 메타데이터만 전송된다고 설명
  • 피드백: 정책 위반은 이유와 함께 IDE 패널에 바로 표시된다
  • 이전 건과의 관계: 10/28 와이어에서 다룬 TechXchange 발표(Orchestrate AI Gateway, Agent Identity, Vault)의 연장선이다(기인용 관계). 이번 건은 운영 단계가 아니라 개발 단계에서 에이전트를 인벤토리에 넣는다는 점이 새롭다
  • 우리 분석: 소스 코드를 외부로 보내지 않는 로컬 분석 방식은 온프레미스·엣지 환경의 보안 요구와 맞아, 현장 에이전트 개발 흐름에 거버넌스를 넣는 설계에 참고가 된다(일반적 해석)

슬라이드 6 · 우리 분석 · 신규 없음 · 기인용

공통 메시지와 확인했으나 신규 없는 곳

  • 우리 분석: 에이전트 하나하나가 아니라 재사용 자산, 공통 스택, 통제를 처음부터 설계해야 가치가 쌓인다(일반적 해석)
  • McKinsey(기인용): 10/31 ’Making AI work’는 기존 Explainer 모음이다. 파일럿에서 프로덕션으로 가면 AI 지출이 평균 4배 가까이 늘고, 잘못 설계한 에이전트는 토큰을 최대 30배 쓴다는 내용은 ‘What does AI really cost?’(10/26 와이어에서 다룸)의 재인용이다
  • Accenture(기인용): Newsroom의 최신 에이전트 자료는 여전히 10/21 AI Foundation·AI Factory 블로그다. The Register는 10/30 Accenture의 에이전트 채용 활용을 보도했다. The Register에 따르면 Accenture HR 책임자 Kate Clifford는 Investor Day에서 채용 기간 28% 단축, 후보자 품질 30% 향상, 신입의 생산성 도달 기간 6개월에서 6주로 단축을 주장했다. Accenture 자체 주장을 제3자가 옮긴 것이며, 최종 채용 결정은 사람이 한다고 Accenture는 밝혔다
  • IBM: 10/28 이후 Newsroom과 IBV에 새 에이전트·FM 보고서 없음. IBV 최신 자료(10/2, 10/13)는 이전에 다룸

슬라이드 7 · 출처

출처