델 테크놀로지스가 전한 핵심 메시지는 분명했다. 에이전트형 AI는 챗봇을 부르는 새로운 이름이 아니라, 실제 업무를 운영하는 방식 자체가 되어야 한다는 것이다. 델의 정의에서 중요한 기준은 시스템이 정해진 목표를 향해 추론하고, 도구와 기업 시스템을 사용하며, 사람의 지속적인 개입 없이 업무의 여러 단계를 수행할 수 있느냐에 있다. 다만 델이 제시한 생산성·비용·사업 성과 수치는 회사가 직접 보고한 주장과 전망이며, 기업 전반에 적용되는 독립 검증 벤치마크는 아니다. 15

챗봇 지원에서 자율적 업무 실행으로

기업의 첫 생성형 AI 도입은 주로 검색, 요약, 사내 정보와의 대화처럼 사람이 더 빠르게 일하도록 돕는 데 초점이 맞춰졌다. 델은 다음 단계가 ‘데이터를 열어주는 것’을 넘어 업무 자체를 디지털화하는 과정이라고 설명했다. 즉, 사람이 처리하던 정의된 작업을 소프트웨어가 인계받아 업무 흐름을 따라가며 실행하는 구조다. 14

이 구분은 델이 말하는 **‘에이전트 워싱(agent washing)’**과도 연결된다. 일반적인 봇이나 비서형 도구, 정해진 규칙에 따라 움직이는 자동화를 에이전트라고 포장하는 현상을 뜻한다. 챗봇이 답변을 생성하는 데 그친다면, 델이 말하는 에이전트는 목표를 달성하기 위해 도구와 시스템에 접근하고 비즈니스 프로세스의 여러 단계를 직접 수행해야 한다. 25

델은 약 2년 전부터 에이전트를 구축하기 시작했으며, 정상 운영에 들어간 초기 에이전트는 행사 전년도에 배치했다고 밝혔다. 회사 내부를 ‘고객 제로(Customer Zero)’로 삼아 먼저 자사 업무에 적용했다는 설명이다. 2

900개 AI 아이디어를 13개로 줄인 이유

델은 처음에 약 900개의 AI 프로젝트 후보를 검토했지만, 최종적으로는 약 13개의 집중 과제로 범위를 좁혔다고 밝혔다. 끝없이 늘어나는 실험을 방치하기보다 사업 우선순위와 업무 프로세스를 분석해 측정 가능한 결과를 낼 수 있는 영역을 선별했다는 것이다. 12

델이 제시한 운영 단계의 적용 사례는 다음과 같다.

• CRM 데이터 정리: 반복적인 데이터 품질 관리 업무를 에이전트가 처리
• 소프트웨어 개발: 코딩과 개발 관련 작업 지원
• 가격 지원: 가격 책정과 관련된 업무 흐름에 에이전트 적용
• 출장 예약·문서 요약: 비교적 단순한 자율 처리 업무의 사례 25

델이 강조한 교훈은 모든 업무에 에이전트를 붙여야 한다는 것이 아니다. 먼저 구체적인 사업 목표와 측정 기준을 정하고, 그 결과에 필요한 만큼만 시스템을 설계해야 한다는 뜻이다. 이런 접근은 대규모 AI 파일럿과 실제 운영 배포를 구분하는 기준이기도 하다.

델이 주장한 생산성·사업 효과

델은 초기의 작업 단위 에이전트가 약 **20~40%**의 생산성 향상을 가져올 수 있다고 말했다. 또 특정 업무 범주 전체를 맡는 시스템이라면 그보다 훨씬 큰, 이른바 ‘몇 자릿수 규모(order of magnitude)’의 개선도 가능하다고 주장했다. 25

이 수치는 기업 전체를 대상으로 독립 검증된 표준 성과로 보기보다는 델이 보고한 기대와 결과로 읽어야 한다. 델은 내부 AI 프로젝트가 매출 성장과 비용 구조를 분리하는 데 도움을 줬다고도 설명했지만, 그 효과 중 어느 정도가 개별 에이전트에서 비롯됐는지, 인과관계가 무엇인지는 제공된 자료만으로 확인되지 않는다. 2

따라서 도입 기업이 사업성을 판단하려면 자동화 대상 업무, 절감되거나 재배치되는 인력 시간, 모델 추론과 오케스트레이션 비용, 에이전트의 독자적 실행을 허용할 때 필요한 통제 장치를 구체적으로 계산해야 한다.

에이전트형 워크로드가 바꾸는 인프라 방정식

델의 인프라 논리는 에이전트형 AI 운영이 단순히 챗봇 추론을 더 크게 확장한 형태가 아니라는 데서 출발한다. 장시간 이어지는 업무 흐름이 상태 정보를 키-값 캐시에 유지하면 병목이 순수한 연산 능력보다 메모리 용량과 메모리 대역폭에서 먼저 발생할 수 있다. 경우에 따라서는 GPU 연산 자원이 모두 사용되기 전에 메모리가 소진될 수 있다는 설명이다. 24

모델 학습이 비교적 정적인 대규모 데이터를 처리하는 것과 달리, 운영 중인 에이전트는 기업 시스템 곳곳에 지속적이면서도 순간적으로 집중되는 요청을 보낼 수 있다. 기업 규모로 확장하면 평균 처리량뿐 아니라 데이터 전달 속도와 꼬리 지연시간(tail latency)도 핵심 성능 지표가 된다. 24

CPU의 역할도 다시 커진다. GPU가 모델 연산을 담당하는 동안 CPU는 오케스트레이션, 분기 로직, 검색, 도구 호출, 구성 요소 간 통신을 조율한다. 델은 기존 AI 배포에서 약 8:1~16:1 수준이던 CPU 대 GPU 비율이 에이전트형 시스템에서는 1:1 또는 2:1에 가까워질 수 있다고 말했다. 2

델이 제안하는 대응책은 각각의 에이전트에 맞춘 단일 목적 스택을 여러 개 쌓기보다 재사용 가능한 플랫폼 인프라를 마련하는 것이다. 또한 규제 준수, 성능, 데이터 통제, 비용에 따라 온프레미스, 프라이빗 클라우드, 퍼블릭 API, 디바이스 기반 모델에 워크로드를 나누는 하이브리드 구조를 지지한다. 45

AI 에이전트의 비용에는 정답이 없다

자율 업무가 늘어나면 모델의 성능만큼이나 업무 가치에 맞는 비용 구조가 중요해진다. 델은 극단적으로 다른 사례를 들었다. 임원 의사결정을 지원하는 에이전트라면 월 약 10만 달러의 비용을 정당화할 수 있지만, CRM 데이터 정리 에이전트는 레코드당 0.50달러 미만으로 운영돼야 할 수 있다는 것이다. 2

이는 보편적인 가격표가 아니다. 모든 업무에 가장 크고 비싼 모델을 투입해서는 안 된다는 의미에 가깝다. 기업은 대량 반복 업무에는 소형 모델을, 복잡한 추론에는 대형 모델을 사용하고, 지연시간·데이터 주권·규제 요건에 따라 배포 위치도 달리하는 포트폴리오를 구성해야 한다. 25

보안의 출발점은 에이전트별 신원

델은 자사 데이터에 접근하는 모든 자율 에이전트에 개별적인 델 디지털 신원을 부여한다고 밝혔다. 이 신원은 세밀한 권한 부여와 권한 철회를 가능하게 하며, 신원을 비활성화하면 에이전트의 데이터 접근을 중단하는 일종의 킬 스위치로 사용할 수 있다. 25

특히 **헤드리스 에이전트(headless agent)**는 별도의 사용자 인터페이스나 실시간 사람의 감독 없이 기업 도구를 직접 사용하는 시스템을 뜻한다. 이런 에이전트가 늘어나면 조직은 어떤 에이전트가 어떤 행동을 했는지, 무엇에 접근할 권한이 있었는지, 사람의 계정 정보를 빌리지 않고 어떻게 즉시 중단할 수 있는지를 추적해야 한다. 따라서 최소 권한 원칙과 에이전트별 독립 신원은 선택적 보안 기능이 아니라 기본 통제 계층이 된다. 45

델은 A2A와 MCP 같은 에이전트 간 통신·제어 프로토콜, 그리고 양자내성암호화(post-quantum cryptography) 계획도 새로운 거버넌스 환경의 일부로 언급했다. 2

다만 앞으로의 AI 배포 가운데 헤드리스 에이전트가 차지할 비중을 특정 퍼센트로 제시할 만한 근거는 제공된 자료에 없다. 이 질문에 대한 정밀한 수치 전망은 현재 근거를 넘어선다.

일자리가 아니라 ‘업무 단위’가 바뀐다는 델의 전망

델은 에이전트가 직무의 어느 부분을 맡을 수 있고 어떤 부분에 여전히 인간의 판단이 필요한지 알아보기 위해 6,800개 직무를 분석했다고 밝혔다. 2

델의 결론은 에이전트가 직업 전체를 한 번에 없애기보다는 특정 업무를 분리해 가져가면서 일을 바꿀 가능성이 크다는 것이다. 에이전트가 생산성 관리, 행정적 ‘위생 업무’, 조정 업무를 흡수하면 직원은 전문적 판단과 사람 중심의 활동에 더 많은 시간을 쓸 수 있다는 구상이다. 25

이는 인력 구조가 재편된다는 주장이지, 어떤 직업도 사라지지 않는다는 보장은 아니다. 직무가 유지되더라도 책임 범위, 필요한 인력 규모, 요구 역량, 결과에 대한 책임 주체가 달라질 수 있다. 기업의 현실적인 과제는 어떤 업무를 위임할지, 어떤 의사결정에 인간의 최종 책임을 남길지, 업무 흐름이 바뀐 뒤 성과를 어떻게 측정할지를 정하는 조직 설계다.

기업 구매자가 확인해야 할 네 가지

델의 발표를 AI 파일럿에서 실제 운영으로 넘어가기 위한 질문으로 정리하면 다음과 같다.

1. 정말 자율적인 시스템인가? 이름만 바꾼 챗봇이 곧 에이전트는 아니다.
2. 가치가 분명한 업무 흐름을 수행하는가? 900개에서 13개로 줄인 사례는 우선순위 설정의 필요성을 보여준다.
3. 상태 유지, 지연시간, 오케스트레이션, 업무별 비용 구조를 인프라가 감당할 수 있는가? 에이전트형 추론은 학습이나 기존 챗봇과 다른 방식으로 메모리와 데이터 전달을 압박할 수 있다.
4. 조직이 에이전트를 통제할 수 있는가? 자율 접근을 확대하기 전에 신원, 권한, 로그, 철회, 인간의 책임 범위를 설계해야 한다.

델이 말하는 에이전트형 AI의 가치는 유행하는 용어 자체가 아니라 실제 업무에 연결되고 결과로 측정될 때 드러난다. 동시에 중요한 단서도 있다. 델의 사례와 성과 수치는 델의 입장과 자체 보고 경험을 보여줄 뿐, 모든 기업이 동일한 결과를 얻는다는 보증은 아니다.

델 테크놀로지스가 전한 핵심 메시지는 분명했다. 에이전트형 AI는 챗봇을 부르는 새로운 이름이 아니라, 실제 업무를 운영하는 방식 자체가 되어야 한다는 것이다. 델의 정의에서 중요한 기준은 시스템이 정해진 목표를 향해 추론하고, 도구와 기업 시스템을 사용하며, 사람의 지속적인 개입 없이 업무의 여러 단계를 수행할 수 있느냐에 있다. 다만 델이 제시한 생산성·비용·사업 성과 수치는 회사가 직접 보고한 주장과 전망이며, 기업 전반에 적용되는 독립 검증 벤치마크는 아니다. 15

챗봇 지원에서 자율적 업무 실행으로

기업의 첫 생성형 AI 도입은 주로 검색, 요약, 사내 정보와의 대화처럼 사람이 더 빠르게 일하도록 돕는 데 초점이 맞춰졌다. 델은 다음 단계가 ‘데이터를 열어주는 것’을 넘어 업무 자체를 디지털화하는 과정이라고 설명했다. 즉, 사람이 처리하던 정의된 작업을 소프트웨어가 인계받아 업무 흐름을 따라가며 실행하는 구조다. 14

이 구분은 델이 말하는 **‘에이전트 워싱(agent washing)’**과도 연결된다. 일반적인 봇이나 비서형 도구, 정해진 규칙에 따라 움직이는 자동화를 에이전트라고 포장하는 현상을 뜻한다. 챗봇이 답변을 생성하는 데 그친다면, 델이 말하는 에이전트는 목표를 달성하기 위해 도구와 시스템에 접근하고 비즈니스 프로세스의 여러 단계를 직접 수행해야 한다. 25

델은 약 2년 전부터 에이전트를 구축하기 시작했으며, 정상 운영에 들어간 초기 에이전트는 행사 전년도에 배치했다고 밝혔다. 회사 내부를 ‘고객 제로(Customer Zero)’로 삼아 먼저 자사 업무에 적용했다는 설명이다. 2

900개 AI 아이디어를 13개로 줄인 이유

델은 처음에 약 900개의 AI 프로젝트 후보를 검토했지만, 최종적으로는 약 13개의 집중 과제로 범위를 좁혔다고 밝혔다. 끝없이 늘어나는 실험을 방치하기보다 사업 우선순위와 업무 프로세스를 분석해 측정 가능한 결과를 낼 수 있는 영역을 선별했다는 것이다. 12

델이 제시한 운영 단계의 적용 사례는 다음과 같다.

• CRM 데이터 정리: 반복적인 데이터 품질 관리 업무를 에이전트가 처리
• 소프트웨어 개발: 코딩과 개발 관련 작업 지원
• 가격 지원: 가격 책정과 관련된 업무 흐름에 에이전트 적용
• 출장 예약·문서 요약: 비교적 단순한 자율 처리 업무의 사례 25

델이 강조한 교훈은 모든 업무에 에이전트를 붙여야 한다는 것이 아니다. 먼저 구체적인 사업 목표와 측정 기준을 정하고, 그 결과에 필요한 만큼만 시스템을 설계해야 한다는 뜻이다. 이런 접근은 대규모 AI 파일럿과 실제 운영 배포를 구분하는 기준이기도 하다.

델이 주장한 생산성·사업 효과

델은 초기의 작업 단위 에이전트가 약 **20~40%**의 생산성 향상을 가져올 수 있다고 말했다. 또 특정 업무 범주 전체를 맡는 시스템이라면 그보다 훨씬 큰, 이른바 ‘몇 자릿수 규모(order of magnitude)’의 개선도 가능하다고 주장했다. 25

이 수치는 기업 전체를 대상으로 독립 검증된 표준 성과로 보기보다는 델이 보고한 기대와 결과로 읽어야 한다. 델은 내부 AI 프로젝트가 매출 성장과 비용 구조를 분리하는 데 도움을 줬다고도 설명했지만, 그 효과 중 어느 정도가 개별 에이전트에서 비롯됐는지, 인과관계가 무엇인지는 제공된 자료만으로 확인되지 않는다. 2

따라서 도입 기업이 사업성을 판단하려면 자동화 대상 업무, 절감되거나 재배치되는 인력 시간, 모델 추론과 오케스트레이션 비용, 에이전트의 독자적 실행을 허용할 때 필요한 통제 장치를 구체적으로 계산해야 한다.

에이전트형 워크로드가 바꾸는 인프라 방정식

델의 인프라 논리는 에이전트형 AI 운영이 단순히 챗봇 추론을 더 크게 확장한 형태가 아니라는 데서 출발한다. 장시간 이어지는 업무 흐름이 상태 정보를 키-값 캐시에 유지하면 병목이 순수한 연산 능력보다 메모리 용량과 메모리 대역폭에서 먼저 발생할 수 있다. 경우에 따라서는 GPU 연산 자원이 모두 사용되기 전에 메모리가 소진될 수 있다는 설명이다. 24

모델 학습이 비교적 정적인 대규모 데이터를 처리하는 것과 달리, 운영 중인 에이전트는 기업 시스템 곳곳에 지속적이면서도 순간적으로 집중되는 요청을 보낼 수 있다. 기업 규모로 확장하면 평균 처리량뿐 아니라 데이터 전달 속도와 꼬리 지연시간(tail latency)도 핵심 성능 지표가 된다. 24

CPU의 역할도 다시 커진다. GPU가 모델 연산을 담당하는 동안 CPU는 오케스트레이션, 분기 로직, 검색, 도구 호출, 구성 요소 간 통신을 조율한다. 델은 기존 AI 배포에서 약 8:1~16:1 수준이던 CPU 대 GPU 비율이 에이전트형 시스템에서는 1:1 또는 2:1에 가까워질 수 있다고 말했다. 2

델이 제안하는 대응책은 각각의 에이전트에 맞춘 단일 목적 스택을 여러 개 쌓기보다 재사용 가능한 플랫폼 인프라를 마련하는 것이다. 또한 규제 준수, 성능, 데이터 통제, 비용에 따라 온프레미스, 프라이빗 클라우드, 퍼블릭 API, 디바이스 기반 모델에 워크로드를 나누는 하이브리드 구조를 지지한다. 45

AI 에이전트의 비용에는 정답이 없다

자율 업무가 늘어나면 모델의 성능만큼이나 업무 가치에 맞는 비용 구조가 중요해진다. 델은 극단적으로 다른 사례를 들었다. 임원 의사결정을 지원하는 에이전트라면 월 약 10만 달러의 비용을 정당화할 수 있지만, CRM 데이터 정리 에이전트는 레코드당 0.50달러 미만으로 운영돼야 할 수 있다는 것이다. 2

이는 보편적인 가격표가 아니다. 모든 업무에 가장 크고 비싼 모델을 투입해서는 안 된다는 의미에 가깝다. 기업은 대량 반복 업무에는 소형 모델을, 복잡한 추론에는 대형 모델을 사용하고, 지연시간·데이터 주권·규제 요건에 따라 배포 위치도 달리하는 포트폴리오를 구성해야 한다. 25

보안의 출발점은 에이전트별 신원

델은 자사 데이터에 접근하는 모든 자율 에이전트에 개별적인 델 디지털 신원을 부여한다고 밝혔다. 이 신원은 세밀한 권한 부여와 권한 철회를 가능하게 하며, 신원을 비활성화하면 에이전트의 데이터 접근을 중단하는 일종의 킬 스위치로 사용할 수 있다. 25

특히 **헤드리스 에이전트(headless agent)**는 별도의 사용자 인터페이스나 실시간 사람의 감독 없이 기업 도구를 직접 사용하는 시스템을 뜻한다. 이런 에이전트가 늘어나면 조직은 어떤 에이전트가 어떤 행동을 했는지, 무엇에 접근할 권한이 있었는지, 사람의 계정 정보를 빌리지 않고 어떻게 즉시 중단할 수 있는지를 추적해야 한다. 따라서 최소 권한 원칙과 에이전트별 독립 신원은 선택적 보안 기능이 아니라 기본 통제 계층이 된다. 45

델은 A2A와 MCP 같은 에이전트 간 통신·제어 프로토콜, 그리고 양자내성암호화(post-quantum cryptography) 계획도 새로운 거버넌스 환경의 일부로 언급했다. 2

다만 앞으로의 AI 배포 가운데 헤드리스 에이전트가 차지할 비중을 특정 퍼센트로 제시할 만한 근거는 제공된 자료에 없다. 이 질문에 대한 정밀한 수치 전망은 현재 근거를 넘어선다.

일자리가 아니라 ‘업무 단위’가 바뀐다는 델의 전망

델은 에이전트가 직무의 어느 부분을 맡을 수 있고 어떤 부분에 여전히 인간의 판단이 필요한지 알아보기 위해 6,800개 직무를 분석했다고 밝혔다. 2

델의 결론은 에이전트가 직업 전체를 한 번에 없애기보다는 특정 업무를 분리해 가져가면서 일을 바꿀 가능성이 크다는 것이다. 에이전트가 생산성 관리, 행정적 ‘위생 업무’, 조정 업무를 흡수하면 직원은 전문적 판단과 사람 중심의 활동에 더 많은 시간을 쓸 수 있다는 구상이다. 25

이는 인력 구조가 재편된다는 주장이지, 어떤 직업도 사라지지 않는다는 보장은 아니다. 직무가 유지되더라도 책임 범위, 필요한 인력 규모, 요구 역량, 결과에 대한 책임 주체가 달라질 수 있다. 기업의 현실적인 과제는 어떤 업무를 위임할지, 어떤 의사결정에 인간의 최종 책임을 남길지, 업무 흐름이 바뀐 뒤 성과를 어떻게 측정할지를 정하는 조직 설계다.

기업 구매자가 확인해야 할 네 가지

델의 발표를 AI 파일럿에서 실제 운영으로 넘어가기 위한 질문으로 정리하면 다음과 같다.

1. 정말 자율적인 시스템인가? 이름만 바꾼 챗봇이 곧 에이전트는 아니다.
2. 가치가 분명한 업무 흐름을 수행하는가? 900개에서 13개로 줄인 사례는 우선순위 설정의 필요성을 보여준다.
3. 상태 유지, 지연시간, 오케스트레이션, 업무별 비용 구조를 인프라가 감당할 수 있는가? 에이전트형 추론은 학습이나 기존 챗봇과 다른 방식으로 메모리와 데이터 전달을 압박할 수 있다.
4. 조직이 에이전트를 통제할 수 있는가? 자율 접근을 확대하기 전에 신원, 권한, 로그, 철회, 인간의 책임 범위를 설계해야 한다.

델이 말하는 에이전트형 AI의 가치는 유행하는 용어 자체가 아니라 실제 업무에 연결되고 결과로 측정될 때 드러난다. 동시에 중요한 단서도 있다. 델의 사례와 성과 수치는 델의 입장과 자체 보고 경험을 보여줄 뿐, 모든 기업이 동일한 결과를 얻는다는 보증은 아니다.