*이 장을 다 읽고 나면 알게 될 것: 같은 Agentic AI라도 산업마다 가치를 포착하는 방식이 전혀 다르다는 것, 금융·제조·공공·리테일 네 산업의 Agent 적용 패턴이 어떻게 갈리는지, 그리고 당신의 산업에서 어디서부터 시작해야 하는지*
도입: 네 개의 회의실, 같은 질문
2025년 봄, 한 달 동안 나는 네 곳의 회의실에 앉았다.
첫 번째는 여의도의 한 금융지주 회사였다. 테이블 위에 컴플라이언스 보고서가 쌓여 있었다. 리스크 관리 담당 임원이 물었다. "Agent가 사기 거래를 실시간으로 잡을 수 있습니까?"
두 번째는 화성의 한 자동차 부품 공장이었다. 생산 라인 옆 회의실에서 품질 담당 팀장이 물었다. "불량률을 줄이는 데 AI가 진짜 도움이 됩니까?"
세 번째는 세종시의 한 정부 기관이었다. 민원 담당 과장이 물었다. "AI가 민원을 자동 분류하면, 시민이 그걸 신뢰할까요?"
네 번째는 판교의 한 이커머스 회사였다. 마케팅 이사가 물었다. "고객 이탈을 예측하는 Agent를 만들 수 있습니까?"
네 곳 모두 같은 질문을 하고 있었다. "우리 산업에 Agent를 어떻게 적용합니까?" 그러나 각각의 맥락은 완전히 달랐다. 금융은 한 건의 오류가 수십억 원의 손실로 이어진다. 제조는 데이터가 센서에서 나오고 몸을 가진 기계와 연결된다. 공공은 시민의 신뢰가 없으면 아무것도 되지 않는다. 리테일은 내일이 아니라 오늘의 속도가 승부를 가른다.
같은 Agentic AI라도, 산업이 다르면 모든 것이 다르다.
나는 금융 데이터 분석으로 시작해, 자동차, 조선, 화학, 반도체, 금융 등 다양한 산업에서 데이터 분석 기반 컨설팅을 했다. 그 경험에서 배운 것이 하나 있다. 좋은 프레임워크는 산업을 넘나들 수 있지만, 좋은 실행은 반드시 산업 안에서 시작해야 한다. 18장에서 소개한 Composite AI Framework도 마찬가지다. 프레임워크는 범용이다. 그러나 적용은 산업별이다.
이 장에서는 금융, 제조, 공공, 리테일 네 산업을 하나씩 본다. 각 산업에서 Agent가 어떤 가치를 만들고, 어떤 리스크를 안고, 어떤 데이터를 필요로 하고, 어떤 조직 문화와 부딪히는지를 본다.
28.1 금융 — 높은 가치, 높은 책임
금융은 Agentic AI가 가장 빠르게 침투하는 산업이다. 이유는 단순하다. 금융의 본질이 정보 처리이기 때문이다. 돈은 숫자다. 계약은 텍스트다. 리스크는 확률이다. 이 모든 것이 AI가 잘하는 영역이다.
그러나 동시에 금융은 가장 무거운 책임을 지는 산업이다. 한 건의 오판이 수십억 원의 손실로 이어진다. 규제가 촘촘하다. 감독 기관이 지켜본다. 그래서 금융에서 Agent를 도입할 때 핵심 질문은 "무엇을 할 수 있는가"가 아니라 "무엇을 하면 안 되는가"다.
금융에서 Agent가 가치를 만드는 세 영역이 있다.
첫째, 사기 탐지. JP모건은 2024년부터 거래 이상 탐지에 LLM 기반 Agent를 본격 투입했다. 기존 룰 기반 시스템은 정해진 패턴만 잡았다. Agent는 패턴 밖의 이상을 감지한다. 거래 텍스트의 맥락을 읽고, 과거 이력과 비교하고, "이것은 평소와 다르다"는 판단을 내린다. 골드만삭스도 비슷한 방향이다. 2025년 초 기준으로 골드만삭스는 내부 개발자의 약 절반 이상이 AI 코딩 보조 도구를 쓰고 있다고 밝혔다. 코드만이 아니다. 리스크 분석 보고서 초안, 고객 포트폴리오 리밸런싱 제안 같은 영역으로 확대 중이다.
한국에서는 KB금융그룹이 선두를 달리고 있다. 2025년 기준 KB는 그룹 차원의 AI 센터를 운영하며, 이상 거래 탐지, 고객 상담 자동화, 심사 보조 등에 Agent를 적용하고 있다. 신한금융도 2024년부터 AI 기반 자산관리 서비스를 확대했다. 한 대형 금융그룹은 자체 LLM 개발에 투자하며 금융 특화 모델을 만들고 있다.
둘째, 컴플라이언스. 금융 규제는 매년 두꺼워진다. 바젤 III, 자금세탁방지법, 개인정보보호법. 규제 문서를 읽고 해석하고 적용하는 일만으로도 대형 은행에서 수백 명이 매달린다. Agent는 이 규제 문서를 읽고, 자사 업무와 대조하고, 준수 여부를 점검하고, 보고서 초안을 만든다. 사람이 최종 확인한다. 이 구조가 가장 현실적이다.
셋째, 고객 상담. 금융 상담은 일반 고객 상담보다 무겁다. 잘못된 투자 권유는 법적 책임이 따른다. 그래서 금융 상담 Agent는 단독으로 답하지 않는다. 상담원을 보조한다. 고객의 질문을 실시간으로 분석하고, 관련 상품 정보를 꺼내고, 규제 가이드라인에 맞는 답변 초안을 만든다. 상담원이 확인하고 전달한다. 이것이 Human-in-the-loop다.
금융에서 Agent를 도입할 때 가장 큰 장벽은 기술이 아니다. 규제와 감사다. 금융감독원은 AI 기반 의사결정에 대해 설명 가능성을 요구한다. "왜 이 거래를 이상 거래로 판단했는가"를 설명해야 한다. LLM의 블랙박스 특성은 여기서 정면으로 부딪힌다. 그래서 25장에서 다룬 보안·거버넌스 원칙이 금융에서는 선택이 아니라 필수다.
잠시 멈추고 생각해보자
금융에서 AI Agent가 "자율적으로" 투자 결정을 내리는 날이 올까? 온다면, 그 책임은 AI를 만든 회사에 있는가, 도입한 금융사에 있는가, 아니면 승인한 감독 기관에 있는가?
28.2 제조 — 현장과 연결되는 Agent
제조는 금융과 전혀 다른 세계다. 금융의 데이터는 텍스트와 숫자다. 제조의 데이터는 센서, 이미지, 진동, 온도, 습도다. 금융의 Agent는 화면 안에서 작동한다. 제조의 Agent는 공장 현장과 연결된다. 여기서 Physical AI가 등장한다.
제조에서 Agent가 가치를 만드는 세 영역이 있다.
첫째, 품질 검사. 전통적인 품질 검사는 사람의 눈이었다. 숙련공이 제품을 하나하나 들여다봤다. 그 다음에 비전 카메라가 왔다. 규칙 기반으로 불량을 잡았다. 지금은 AI 비전이 온다. 딥러닝 모델이 이미지에서 미세한 결함을 잡아낸다. 여기에 Agent가 더해지면 무엇이 달라지는가. 단순히 "불량이다/아니다"를 넘어서, 불량의 원인을 추론하고, 공정 파라미터 조정을 제안하고, 유사 패턴이 과거에 있었는지 검색한다.
독일 지멘스는 이 분야의 선두다. 지멘스의 Industrial Copilot은 공정 데이터를 실시간으로 모니터링하면서, 이상 징후가 발생하면 엔지니어에게 원인 분석과 대응 방안을 제안한다. BMW는 도장 공정에서 AI 비전을 적용해 미세 결함 탐지 정확도를 크게 높였다. 2025년 기준으로 BMW의 주요 공장 대부분이 AI 기반 품질 검사 시스템을 운영 중이다.
한국에서는 삼성전자가 반도체 공정에서 AI 기반 결함 검출을 선도하고 있다. 현대자동차는 울산 공장에서 용접 품질 예측 모델을 운영한다. SK하이닉스는 HBM 생산에서 수율 예측에 AI를 적극 활용하고 있다.
둘째, 예측 정비. 기계는 갑자기 고장 나지 않는다. 고장 전에 신호를 보낸다. 진동이 커진다. 온도가 오른다. 소리가 달라진다. 예측 정비 Agent는 이 신호를 읽고 "이 설비는 약 2주 안에 정비가 필요하다"고 알려준다. 갑작스러운 가동 중단을 막는다. 가동 중단 하루의 비용이 수억 원인 공장에서, 이 Agent의 가치는 매우 직접적이다.
셋째, 공급망 관리. 2020년 이후 전 세계 공급망이 요동쳤다. 코로나, 수에즈 운하 봉쇄, 반도체 부족. 공급망의 복잡성이 폭발했다. Agent는 이 복잡한 공급망을 모니터링한다. 부품 공급 지연을 조기 감지하고, 대안 공급처를 검색하고, 영향을 받는 생산 일정을 재계산한다. 이것은 18장에서 다룬 Composite AI의 전형적 사례다. LLM이 텍스트를 읽고, Graph DB가 공급 관계를 추적하고, ML 모델이 수요를 예측한다.
제조에서 Agent 도입의 가장 큰 장벽은 OT(운영 기술)와 IT의 간극이다. 공장의 설비 데이터는 대부분 오래된 프로토콜로 돌아간다. PLC, SCADA, MES. 이것들은 인터넷 시대 이전에 설계된 시스템이다. 여기에 AI를 연결하려면 데이터 수집 레이어를 새로 깔아야 한다. 기술적으로 어렵지는 않다. 그러나 현장 엔지니어의 협조가 없으면 불가능하다. "30년 이렇게 해왔는데 왜 바꿔야 합니까"라는 저항이 가장 무서운 장벽이다.
잠시 멈추고 생각해보자
제조 현장에서 AI Agent가 "설비를 멈춰라"는 판단을 내릴 수 있어야 하는가? 그 판단의 최종 권한은 AI에게 줘야 하는가, 현장 엔지니어에게 줘야 하는가? 그 경계는 어디서 그어야 하는가?
28.3 공공 — 신뢰가 전부다
공공 분야는 효율보다 신뢰가 먼저다.
민간 기업은 실수하면 돈을 잃는다. 정부 기관은 실수하면 신뢰를 잃는다. 그리고 한번 잃은 신뢰는 돌아오지 않는다. 그래서 공공 분야의 AI 도입은 다른 어떤 산업보다 조심스럽다. 그러나 동시에, 공공 분야야말로 Agent가 가장 큰 사회적 가치를 만들 수 있는 곳이다.
공공에서 Agent가 가치를 만드는 세 영역이 있다.
첫째, 민원 처리. 한국의 정부24 포털은 하루에 수십만 건의 민원을 처리한다. 국민신문고에는 매년 수백만 건의 고충 민원이 접수된다. 이 중 상당수는 반복적이다. 주민등록등본 발급 방법, 여권 갱신 절차, 세금 납부 기한. Agent가 이런 반복 민원을 자동으로 처리하면, 공무원은 복잡한 민원에 집중할 수 있다.
그러나 여기서 핵심은 설명 가능성이다. 시민이 "왜 내 신청이 거부되었는가"라고 물을 때, "AI가 그렇게 판단했습니다"는 답이 될 수 없다. 공공 분야의 Agent는 반드시 판단 근거를 제시해야 한다. 어떤 규정에 의해, 어떤 조건이 충족되지 않아 거부되었는지를 명확히 보여줘야 한다. 이것은 18장에서 말한 Rule Engine의 역할이다. LLM이 자연어를 이해하고, Rule Engine이 규정을 적용하고, 그 결과를 다시 자연어로 설명한다.
둘째, 정책 분석. 정부는 방대한 양의 데이터를 가지고 있다. 인구 통계, 경제 지표, 교통 데이터, 환경 데이터, 범죄 통계. 그러나 이 데이터를 정책에 연결하는 과정은 여전히 사람의 손에 의존한다. Agent는 이 과정을 가속할 수 있다. 데이터를 분석하고, 유사 정책 사례를 검색하고, 예상 효과를 시뮬레이션하고, 보고서 초안을 만든다.
해외에서는 에스토니아가 선두다. 인구 130만 명의 작은 나라지만, 전자정부의 수준은 세계 최고다. 에스토니아 정부는 2025년 기준으로 행정 서비스의 약 99%를 온라인으로 제공한다. AI 기반 민원 처리 시스템도 일찍 도입했다. 싱가포르도 주목할 만하다. 싱가포르 정부는 2023년부터 공무원 전용 AI 도구를 보급하고, 정책 분석에 LLM을 활용하는 실험을 진행하고 있다.
셋째, 복지 전달. 가장 도움이 필요한 사람이 복지를 모르는 경우가 많다. 독거 노인, 한부모 가정, 장애인. 이들이 자격이 되는 복지를 직접 찾아 신청하기는 어렵다. Agent가 개인의 상황을 파악하고, 해당하는 복지 프로그램을 자동으로 안내하고, 신청까지 도울 수 있다면 사회적 가치는 매우 크다.
공공 분야에서 Agent 도입의 가장 큰 장벽은 의사결정 속도다. 민간 기업은 CEO가 결정하면 다음 주에 시작할 수 있다. 정부는 예산을 확보하고, 입찰을 하고, 심의를 거치고, 감사원 기준을 충족해야 한다. 기술이 6개월 단위로 바뀌는데, 의사결정은 2년이 걸린다. 이 시차가 공공 분야 AI 도입의 구조적 한계다.
잠시 멈추고 생각해보자
정부가 AI Agent를 활용해 복지 대상자를 자동으로 선별한다면, 그것은 효율인가 감시인가? 시민은 자신의 데이터가 이런 용도로 쓰이는 것에 동의해야 하는가?
28.4 리테일 — 속도가 곧 생존이다
리테일은 네 산업 중 가장 빠른 세계다. 고객의 관심은 3초 안에 사라진다. 재고는 하루 단위로 바뀐다. 경쟁사의 가격은 실시간으로 변한다. 여기서 Agent의 가치는 속도와 고객 경험이다.
리테일에서 Agent가 가치를 만드는 세 영역이 있다.
첫째, 개인화 추천. 아마존의 추천 엔진은 전체 매출의 약 35%를 차지한다고 알려져 있다. 추천이 곧 매출이다. 기존 추천은 "이 상품을 본 사람이 이것도 봤습니다" 수준이었다. Agent 기반 추천은 다르다. 고객의 검색 이력, 구매 패턴, 계절, 날씨, 심지어 SNS 트렌드까지 결합해서 "지금 이 순간 이 고객에게 가장 의미 있는 상품"을 제안한다.
월마트는 2024년부터 대규모 생성형 AI 투자를 시작했다. 매장 내 재고 관리, 온라인 검색 경험, 고객 상담에 AI를 전방위로 투입하고 있다. 특히 월마트의 "Text to Shop" 기능은 고객이 자연어로 쇼핑 목록을 입력하면 자동으로 상품을 담아주는 서비스다.
한국에서는 쿠팡이 가장 적극적이다. 쿠팡은 검색, 추천, 물류, 배송 최적화에 AI를 깊이 활용한다. 로켓배송의 속도가 가능한 이유 중 하나가 AI 기반 수요 예측과 재고 배치다. SSG닷컴은 이마트와 신세계의 데이터를 결합해 개인화 추천을 고도화하고 있다.
둘째, 고객 서비스. 리테일 고객 상담은 금융보다 가볍다. 법적 책임이 적다. 그래서 Agent가 더 자율적으로 작동할 수 있다. 주문 조회, 반품 접수, 배송 추적, 간단한 불만 처리. 이런 반복적인 상담의 절반 이상은 Agent가 독립적으로 처리할 수 있다. 복잡한 불만이나 감정적 고객은 사람에게 넘긴다. 이 구분이 잘 작동하면 고객 만족도가 올라간다. 상담원은 정말 중요한 고객에게 집중할 수 있기 때문이다.
셋째, 재고 관리. 리테일에서 재고는 현금이다. 재고가 많으면 자본이 묶인다. 재고가 없으면 매출을 잃는다. 이 균형을 맞추는 것이 재고 관리의 핵심이다. Agent는 판매 데이터, 계절 패턴, 프로모션 일정, 외부 이벤트(명절, 날씨, 경기 결과)까지 결합해 수요를 예측한다. 그리고 발주량을 자동으로 제안한다. 아마존의 물류 센터가 이것을 가장 극단적으로 실행한다. 아마존은 고객이 주문하기 전에 이미 가까운 물류 센터에 상품을 배치해둔다.
리테일에서 Agent 도입의 가장 큰 장벽은 데이터 사일로다. 온라인과 오프라인의 데이터가 분리되어 있다. 매장 POS 데이터, 앱 사용 데이터, 웹 로그, 고객 멤버십 데이터가 각각 다른 시스템에 있다. 이것을 통합하지 않으면 진짜 의미 있는 추천도, 정확한 수요 예측도 불가능하다. 옴니채널 통합이 리테일 AI의 선결 조건인 이유다.
잠시 멈추고 생각해보자
당신은 쇼핑할 때 AI의 추천에 얼마나 의존하는가? 추천이 너무 정확하면 편한가, 아니면 불쾌한가? 그 경계는 어디에 있는가?
28.5 산업별 적용 매트릭스 — 네 가지 축으로 본다
네 산업을 하나의 틀로 비교해보자. 축은 네 개다. 가치, 리스크, 데이터, 문화.
가치. Agent가 만들 수 있는 경제적 가치의 크기와 속도다.
| 산업 | 가치 특성 |
|---|---|
| 금융 | 건당 가치가 매우 높다. 사기 탐지 한 건이 수십억 원을 지킨다 |
| 제조 | 누적 가치가 크다. 수율 1% 개선이 연간 수백억 원이다 |
| 공공 | 경제적 가치보다 사회적 가치가 크다. 측정이 어렵다 |
| 리테일 | 속도가 가치다. 빠른 추천, 빠른 배송이 매출 차이를 만든다 |
리스크. Agent의 오류가 가져오는 결과의 심각도다.
| 산업 | 리스크 특성 |
|---|---|
| 금융 | 매우 높다. 법적 책임, 금전 손실, 규제 위반 |
| 제조 | 높다. 안전 사고, 불량 유출, 가동 중단 |
| 공공 | 높다. 시민 신뢰 훼손, 정치적 파장 |
| 리테일 | 상대적으로 낮다. 잘못된 추천은 불편이지 재앙이 아니다 |
데이터. Agent가 필요로 하는 데이터의 성격이다.
| 산업 | 데이터 특성 |
|---|---|
| 금융 | 정형 데이터 중심. 거래 내역, 잔고, 신용 정보. 보안 등급이 최고 |
| 제조 | 센서 데이터 중심. 실시간, 대용량, 시계열. OT 환경에서 추출 필요 |
| 공공 | 문서 데이터 중심. 법령, 규정, 민원 텍스트. 표준화가 부족 |
| 리테일 | 행동 데이터 중심. 클릭, 검색, 구매, 리뷰. 양은 풍부하나 노이즈가 많다 |
문화. 조직이 변화를 받아들이는 속도다.
| 산업 | 문화 특성 |
|---|---|
| 금융 | 보수적이나 투자 의지는 높다. 규제만 넘으면 빠르다 |
| 제조 | 현장 중심. 변화에 저항이 크지만, 효과가 보이면 확산이 빠르다 |
| 공공 | 가장 느리다. 의사결정 구조가 복잡하고 실패에 대한 처벌이 크다 |
| 리테일 | 가장 빠르다. 경쟁이 치열해서 변하지 않으면 죽는다 |
이 매트릭스를 보면 패턴이 보인다. 리테일이 가장 먼저 움직이고, 금융이 가장 깊이 들어가고, 제조가 Physical AI와 만나면서 독자적 궤적을 그리고, 공공이 가장 늦지만 가장 넓은 사회적 영향을 만든다.
나는 금융·제조·유통·공공, 네 산업을 모두 컨설팅한 경험이 있다. 자동차 회사에서 공급망을 분석했고, 금융사에서 리스크 모델을 검토했고, 공공기관에서 정책 자문을 했고, 유통 회사에서 CRM 전략을 짰다. 산업이 바뀔 때마다 같은 프레임워크를 다르게 적용해야 했다. 프레임워크의 뼈대는 같았지만, 살과 근육은 매번 달랐다. Composite AI Framework도 마찬가지다. 19장의 과제 발굴, 20장의 GoT 아키텍처, 21장의 데이터 설계가 산업마다 다른 옷을 입는다.
잠시 멈추고 생각해보자
당신이 속한 산업은 네 축(가치, 리스크, 데이터, 문화) 중 어디에서 가장 큰 장벽을 가지는가? 그 장벽은 기술로 풀리는 문제인가, 조직으로 풀리는 문제인가?
28.6 산업을 넘나드는 공통 원칙
네 산업은 다르다. 그러나 몇 가지 공통 원칙이 있다. 산업이 바뀌어도 변하지 않는 것이다.
첫째, Human-in-the-loop부터 시작한다. 어떤 산업이든 처음부터 Agent에게 자율권을 주면 안 된다. 금융의 사기 탐지도, 제조의 설비 정지도, 공공의 민원 처리도, 리테일의 고객 상담도 처음에는 사람이 최종 확인한다. 신뢰가 쌓이면 자율 범위를 넓힌다. 이것은 17장에서 다룬 ROI 논쟁과도 연결된다. PoC 단계에서는 자동화율보다 정확도가 중요하다.
둘째, 가장 반복적이고 가장 덜 위험한 업무부터 자동화한다. 금융이라면 고객 상담의 FAQ. 제조라면 일상적 품질 보고서 작성. 공공이라면 반복 민원 분류. 리테일이라면 주문 상태 조회. 성공 경험이 쌓이면 더 어려운 업무로 나아간다.
셋째, 데이터 통합이 첫 번째 관문이다. 네 산업 모두 데이터가 분산되어 있다. 금융은 레거시 계정계, 제조는 OT 시스템, 공공은 부처별 DB, 리테일은 채널별 시스템. Agent는 데이터를 먹고 자란다. 데이터가 분산되면 Agent는 굶는다. 16장의 데이터 주권 논의가 여기서 구체적으로 적용된다.
넷째, 산업 도메인 전문가 없이는 불가능하다. AI 엔지니어만으로는 좋은 금융 Agent를 만들 수 없다. 금융을 아는 사람이 있어야 한다. 제조를 아는 사람, 행정을 아는 사람, 유통을 아는 사람이 있어야 한다. 이것은 당연해 보이지만, 현실에서는 자주 무시된다. AI 팀이 따로 앉아서 Agent를 만들고, 완성된 것을 현업에 던지는 패턴이 반복된다. 14장에서 본 Pilot Purgatory의 원인 중 하나가 바로 이것이다.
핵심 정리
같은 Agentic AI라도 산업마다 가치를 포착하는 방식은 완전히 다르다. 금융은 정보 처리의 정확성과 규제 준수가 핵심이다. 건당 가치가 높고 리스크도 높다. 사기 탐지, 컴플라이언스, 고객 상담 보조가 주요 적용 영역이다.
제조는 현장의 센서 데이터와 Physical AI가 결합하는 독자적 궤적을 그린다. 품질 검사, 예측 정비, 공급망 관리가 핵심이다. OT와 IT의 간극이 가장 큰 장벽이다.
공공은 효율보다 신뢰가 먼저다. 민원 처리, 정책 분석, 복지 전달에서 Agent가 사회적 가치를 만든다. 설명 가능성이 필수 조건이다.
리테일은 속도의 산업이다. 개인화 추천, 고객 서비스, 재고 관리에서 Agent가 매출과 직결되는 가치를 만든다. 데이터 사일로가 가장 큰 장벽이다.
네 산업을 가치, 리스크, 데이터, 문화의 네 축으로 비교하면, 각 산업이 어디서 시작해야 하는지가 보인다. 그러나 공통 원칙은 같다. Human-in-the-loop부터 시작하고, 반복 업무부터 자동화하고, 데이터 통합을 먼저 하고, 도메인 전문가를 반드시 포함한다.
반드시 답해봐야 할 질문 5가지
질문 1. 당신이 속한 산업에서 AI Agent가 가장 먼저 자동화할 수 있는 업무는 무엇인가? 그 업무의 반복성은 얼마나 높고, 오류의 비용은 얼마나 큰가?
질문 2. 금융과 리테일은 Agent 도입 속도가 가장 빠른 두 산업이다. 두 산업의 속도를 만드는 요인은 각각 무엇인가? 그것이 당신의 산업에 적용될 수 있는가?
질문 3. 제조에서 OT와 IT의 간극은 기술 문제인가, 사람 문제인가? 당신의 조직에서 비슷한 간극이 있다면 어디인가?
질문 4. 공공 분야에서 AI의 설명 가능성 요구는 기술 발전으로 풀릴 수 있는 문제인가, 아니면 구조적으로 풀리지 않는 문제인가?
질문 5. 네 가지 축(가치, 리스크, 데이터, 문화) 중 당신의 산업에서 가장 먼저 풀어야 할 축은 무엇인가? 그것을 풀기 위해 필요한 첫 번째 행동은 무엇인가?
더 깊이 탐구하기
맥킨지, 「The State of AI in 2025」 보고서. 산업별 AI 도입률과 효과를 비교한 가장 최근 자료.
가트너, 「Composite AI」 리서치 시리즈 (2024~2025). 산업별 AI 아키텍처의 차이를 개념적으로 정리한다.
지멘스 Industrial Copilot 기술 백서 (2025). 제조 분야 AI Agent의 실제 아키텍처와 적용 사례.
에스토니아 e-Governance Academy 보고서. 인구 130만 명의 나라가 어떻게 세계 최고 수준의 전자정부를 만들었는지.
쿠팡 기술 블로그. AI 기반 물류 최적화와 개인화 추천의 실무 사례를 가장 구체적으로 공개하는 한국 기업 중 하나.
다음 장에서는 한국형 Agentic Enterprise를 본다. 이 장에서 다룬 네 산업의 글로벌 패턴이 한국이라는 맥락에서 어떻게 변형되는지, 한국 기업이 가진 고유한 강점과 약점은 무엇인지, 그리고 한국형 모델이 가능한지를 묻는다.