2026년 5월 19일, UiPath Korea에서 ‘Agentic AI Meets ROI’를 주제로 Fusion 행사가 진행되었습니다.
이번 행사의 부제는 “실험을 넘어 실전으로: AI, 이제 ROI로 답하다”로,
생성형 AI와 AI Agent가 단순한 기술 실험을 넘어
실제 비즈니스 성과로 이어지기 위해 무엇이 필요한지를 다룬 자리였습니다.
이번 행사는 온라인 세미나 형식으로 참여했으며,
오후 1시 30분부터 5시까지 약 3시간 30분 동안 총 9개의 세션으로 구성되었습니다.
각 세션에서는 AI 자동화, Agentic AI, Agentic Orchestration, AI Native QA, Agentic ERP,
산업별 AI 솔루션, 실제 업무 혁신 사례 등 다양한 주제가 소개되었습니다.
이번 Fusion에서 가장 인상 깊었던 키워드는 단연 ROI였습니다.
이번 행사는 온라인 세미나 형식으로 참여했으며,
오후 1시 30분부터 5시까지 약 3시간 30분 동안 총 9개의 세션으로 구성되었습니다.
각 세션에서는 AI 자동화, Agentic AI, Agentic Orchestration, AI Native QA, Agentic ERP,
산업별 AI 솔루션, 실제 업무 혁신 사례 등 다양한 주제가 소개되었습니다.
이번 Fusion에서 가장 인상 깊었던 키워드는 단연 ROI였습니다.
지금까지 많은 기업들이 AI를 도입하고 실험해 왔다면,
이제는 “AI를 얼마나 잘 활용하고 있는가”를 넘어
“AI가 실제 업무 성과와 투자 대비 효과를 만들어내고 있는가”를 증명해야 하는 단계에 들어섰기 때문입니다.
이번 글에서는 제가 Fusion을 통해 정리한 핵심 내용을 바탕으로,
기업이 Agentic AI 시대를 준비할 때 반드시 봐야 할 포인트를 정리해보았습니다.
이번 글에서는 제가 Fusion을 통해 정리한 핵심 내용을 바탕으로,
기업이 Agentic AI 시대를 준비할 때 반드시 봐야 할 포인트를 정리해보았습니다.
1. Agentic AI와 Agentic Orchestration
지금 우리가 목격하고 있는 AI의 부상을 역사적 흐름 속에서 짚어내는 것으로 시작됐습니다.
시장 규모 측면에서도 AI의 임팩트는 클라우드와는 차원이 다릅니다.
시장 규모 측면에서도 AI의 임팩트는 클라우드와는 차원이 다릅니다.
클라우드가 650B 달러 규모의 소프트웨어 시장을 재편했다면,
AI는 법률·의료·상담 등 10조 달러(약 1경 4700조 원) 규모의 서비스 시장 전체를 겨냥하고 있습니다.
미국 법률 서비스 시장 하나만($400B 한화 약 550조~600조 원 규모)해도 글로벌 클라우드 시장 전체와 맞먹는 규모입니다.
Token Factory & Economics: AX의 기본 단위는 '토큰'
또 하나의 핵심 프레임은 토큰 경제입니다.
DX 시대의 기본 단위가 데이터였다면, AX 시대의 기본 단위는 토큰입니다.
토큰 경제는 두 단계로 구분됩니다.
1단계는 소비(그린필드) 단계로,
핵심 가치는 내부 소비 활성화이며 인당 사용량, MAU, 주당 활용 시간이 핵심 측정 지표입니다.
임직원 교육과 라이선스 배포, 사용 장려가 우선인 단계로, 쓰는 경쟁이 의미 있는 시기입니다.
2단계는 생산성 연결(브라운필드) 단계로, 핵심 질문이 바뀝니다.
"1달러어치 토큰을 썼을 때, 몇 달러의 가치가 나왔는가?"
토큰 경제는 두 단계로 구분됩니다.
1단계는 소비(그린필드) 단계로,
핵심 가치는 내부 소비 활성화이며 인당 사용량, MAU, 주당 활용 시간이 핵심 측정 지표입니다.
임직원 교육과 라이선스 배포, 사용 장려가 우선인 단계로, 쓰는 경쟁이 의미 있는 시기입니다.
2단계는 생산성 연결(브라운필드) 단계로, 핵심 질문이 바뀝니다.
"1달러어치 토큰을 썼을 때, 몇 달러의 가치가 나왔는가?"
이 단계에서는 가설 설정과 베이스라인 측정, 성과 데이터의 지속적 트래킹이 필수입니다.
쓴 만큼 가치가 나오지 않으면 그 파이프라인은 멈추고,
실패를 빠르게 인정하는 것 자체도 역량이라는 메시지가 인상적이었습니다.
DX vs. AX: 무엇이 달라졌는가
DX 시대의 핵심 화두는 클라우드 전환, 데이터 플랫폼 구축, 디지털 역량 확보였습니다.
공통 키워드는 Infrastructure·Platform·Capability였고,
디지털 인프라 확보와 실제 전환 사이의 간극이 가장 큰 과제였습니다.
공통 키워드는 Infrastructure·Platform·Capability였고,
디지털 인프라 확보와 실제 전환 사이의 간극이 가장 큰 과제였습니다.
AX는 다릅니다.
Smart & Massive 모델의 등장, ChatGPT 모멘트를 기점으로 B2C와 B2B의 경계가 사라졌고,
디지털 역량 요구는 자연어 능력으로 대체되었습니다.
그리고 AI는 사람의 일을 대신하는 Autonomous Agency 수준으로 진화 중입니다.
Smart & Massive 모델의 등장, ChatGPT 모멘트를 기점으로 B2C와 B2B의 경계가 사라졌고,
디지털 역량 요구는 자연어 능력으로 대체되었습니다.
그리고 AI는 사람의 일을 대신하는 Autonomous Agency 수준으로 진화 중입니다.
Greenfield vs. Brownfield: 진짜 경쟁력의 원천
개인 → 스타트업(그린필드) → 엔터프라이즈(브라운필드)로 갈수록,
모델보다 통합과 운영의 난이도가 커진다는 것이 이 세션의 핵심 메시지 중 하나였습니다.
그린필드는 쉽습니다.
모델보다 통합과 운영의 난이도가 커진다는 것이 이 세션의 핵심 메시지 중 하나였습니다.
그린필드는 쉽습니다.
레거시가 없고 바로 사용할 수 있으며 개인 생산성 향상에 집중할 수 있습니다.
챗봇, Q&A, 문서 요약·번역 등이 대표적인 활용입니다. 하지만 가치 창출은 제한적입니다.
챗봇, Q&A, 문서 요약·번역 등이 대표적인 활용입니다. 하지만 가치 창출은 제한적입니다.
진짜 기업 가치는 브라운필드에 있습니다.
ERP, SCM/MES, CRM, HR, Legacy UI, 이메일/문서, 승인/결재 등
기업의 핵심 프로세스와 연결될 때 실질적인 성과와 ROI가 만들어집니다.
그리고 이 브라운필드 환경에서 AI Agent가 직접 접근하기 어려운 레거시 UI, 사내 시스템, 비표준 업무 화면을 실행 가능한 업무 결과로 연결하는 역할이 바로 RPA입니다.
그리고 이 브라운필드 환경에서 AI Agent가 직접 접근하기 어려운 레거시 UI, 사내 시스템, 비표준 업무 화면을 실행 가능한 업무 결과로 연결하는 역할이 바로 RPA입니다.
Agentic AI 시대의 RPA는 브라운필드 커넥터입니다.
2. AI Native QA
UiPath Test Cloud: Autopilot과 Delegate
UiPath Test Cloud는 Agents, People, Robots이 함께 참여하는 테스팅 환경을 지원하며,
테스트 설계, 테스트 자동화, 테스트 실행, 테스트 관리를 모두 커버합니다.
웹, 데스크탑, 모바일, API, 메인프레임, SAP 등 190개 이상의 기술 환경에서 테스트가 가능합니다.
테스트 클라우드의 핵심 기능은 두 가지로 구분됩니다.
웹, 데스크탑, 모바일, API, 메인프레임, SAP 등 190개 이상의 기술 환경에서 테스트가 가능합니다.
테스트 클라우드의 핵심 기능은 두 가지로 구분됩니다.
Autopilot은 빠르게 시작하기 위한 옵션입니다.
1. 테스트 이해(파일, RAG, 프롬프트, 모델 활용) →
2. 테스트 설계(요구사항 품질 평가, 테스트 생성, 불필요한 테스트 제거) →
3. 테스트 자동화 및 분석(로우코드·코드기반 테스트 자동 생성, 수동 테스트 자동화, 자율적 탐색 테스트, 테스트 분석)의 3단계로 구성된 라이프사이클 전반에 걸친 AI Agent 모음입니다.
2. 테스트 설계(요구사항 품질 평가, 테스트 생성, 불필요한 테스트 제거) →
3. 테스트 자동화 및 분석(로우코드·코드기반 테스트 자동 생성, 수동 테스트 자동화, 자율적 탐색 테스트, 테스트 분석)의 3단계로 구성된 라이프사이클 전반에 걸친 AI Agent 모음입니다.
3. Agentic ERP 전략
데이터를 인식·분류하는 Perception AI에서 시작해, 딥러닝과 RPA가 결합된 Integration & Prediction AI, LLM 등장으로 비정형 데이터를 처리하는 Generative AI를 거쳐, 지금은 목표 설정→계획→실행→피드백 루프를 자율 완결하는 Agentic AI 단계에 진입했습니다.
그리고 그 다음 단계로 AI Agent와 인간이 R&R을 공유하며 협력하는
AI-Centric Organization이 그려졌습니다.
UiPath Agentic ERP의 핵심 차별점은 Multi-Agent & Multi-LLM Orchestration입니다.
이메일 읽기, ERP 조회, 정책 판단, 승인, 통지 등 여러 업무 단계에 필요한 시스템과 AI 기술을 하나로 엮는 것입니다.
UiPath Orchestration Layer는 네 가지 기능을 수행합니다.
1. 업무 분해("PO 메일을 처리해줘" → 메일 읽기/데이터 추출/정책 확인/승인/통지로 자동 분해)
2. LLM 선택(각 단계마다 가장 적합한 LLM 호출, 정확도 중요 시 Claude, 비용 우선 시 오픈소스)
3. 시스템 연결(SAP·Coupa·Email·DocAI 등 어떤 시스템이든 동일한 흐름에서 호출)
4. 사람 호출(규정·금액·예외 발생 시 사람에게 결정 요청 → 응답 후 자동 재개)입니다.
이메일 읽기, ERP 조회, 정책 판단, 승인, 통지 등 여러 업무 단계에 필요한 시스템과 AI 기술을 하나로 엮는 것입니다.
UiPath Orchestration Layer는 네 가지 기능을 수행합니다.
1. 업무 분해("PO 메일을 처리해줘" → 메일 읽기/데이터 추출/정책 확인/승인/통지로 자동 분해)
2. LLM 선택(각 단계마다 가장 적합한 LLM 호출, 정확도 중요 시 Claude, 비용 우선 시 오픈소스)
3. 시스템 연결(SAP·Coupa·Email·DocAI 등 어떤 시스템이든 동일한 흐름에서 호출)
4. 사람 호출(규정·금액·예외 발생 시 사람에게 결정 요청 → 응답 후 자동 재개)입니다.
4. Industry & Department Solution
MIT 보고서(The GenAI Divide: State of AI in Business 2025)의 충격적인 데이터로 시작했습니다.
기업들이 AI에 45~60조 원을 투자했음에도 불구하고, 조직의 95%가 아무런 성과를 거두지 못하고 있다는 것입니다.
통합 AI 시범 사업 중 단 5%만이 수십억의 가치를 창출하고 있으며,
대다수는 측정 가능한 손익상 영향 없이 제자리걸음을 하고 있습니다.
ChatGPT나 Copilot 같은 도구는 80% 이상의 조직이 검토하거나 시범 운영해 보았고 거의 40%는 실제로 도입했지만, 이러한 도구들은 주로 개인의 생산성을 향상시키는 데 그치지, 손익 개선에는 크게 기여하지 못한다는 것이 보고서의 결론입니다.
기업들이 AI에 45~60조 원을 투자했음에도 불구하고, 조직의 95%가 아무런 성과를 거두지 못하고 있다는 것입니다.
통합 AI 시범 사업 중 단 5%만이 수십억의 가치를 창출하고 있으며,
대다수는 측정 가능한 손익상 영향 없이 제자리걸음을 하고 있습니다.
ChatGPT나 Copilot 같은 도구는 80% 이상의 조직이 검토하거나 시범 운영해 보았고 거의 40%는 실제로 도입했지만, 이러한 도구들은 주로 개인의 생산성을 향상시키는 데 그치지, 손익 개선에는 크게 기여하지 못한다는 것이 보고서의 결론입니다.
McKinsey 2025 데이터에 따르면 자동화 수준별 평균 ROI 배수는 극명하게 차이가 납니다.
Simple Automation은 1.3배, 부서 단위 Workflow 자동화는 2.8배, E2E Redesign은 6.5배인 반면
Core Capability AI는 18.2배에 달합니다.
단순 태스크 자동화 대비 E2E 핵심 프로세스 재설계의 ROI 차이가 무려 15배입니다.
실제 사례로도 DHL은 Full O2C 자동화로 ROI 22배, Unilever는 공급망 AI로 19배,
Siemens는 설계 검토 AI로 15배를 달성했습니다.
이 데이터가 말하는 것은 명확합니다.
AI 투자의 우선순위는 개인 생산성 도구가 아니라 핵심 업무 프로세스의
Simple Automation은 1.3배, 부서 단위 Workflow 자동화는 2.8배, E2E Redesign은 6.5배인 반면
Core Capability AI는 18.2배에 달합니다.
단순 태스크 자동화 대비 E2E 핵심 프로세스 재설계의 ROI 차이가 무려 15배입니다.
실제 사례로도 DHL은 Full O2C 자동화로 ROI 22배, Unilever는 공급망 AI로 19배,
Siemens는 설계 검토 AI로 15배를 달성했습니다.
이 데이터가 말하는 것은 명확합니다.
AI 투자의 우선순위는 개인 생산성 도구가 아니라 핵심 업무 프로세스의
E2E 재설계에 두어야 한다는 것입니다.
금융 서비스 부문에서는 주택 담보 대출 실행, 대출 계약 체결 및 규정 준수, 부정적 언론 모니터링,
제재 목록 및 결제 거래 심사 리뷰 솔루션이 제공됩니다.
제조 및 유통 부문에서는 주문 후 입금, 시나리오 계획, 견적 후 주문, 재구매 솔루션이 있습니다.
헬스케어 부문에서는 청구 거절 관리 솔루션이 소개되었습니다.
부서별로는 IT 자동화, 공급망, QA/테스팅, 재무 및 회계, 고객 센터, 인사, 법률 및 규정준수 영역을 커버합니다.
제재 목록 및 결제 거래 심사 리뷰 솔루션이 제공됩니다.
제조 및 유통 부문에서는 주문 후 입금, 시나리오 계획, 견적 후 주문, 재구매 솔루션이 있습니다.
헬스케어 부문에서는 청구 거절 관리 솔루션이 소개되었습니다.
부서별로는 IT 자동화, 공급망, QA/테스팅, 재무 및 회계, 고객 센터, 인사, 법률 및 규정준수 영역을 커버합니다.
5. Agent Builder
AI Agent는 UiPath Studio의 에이전트 빌더로 직접 만들 수 있습니다.
Agent 유형은 세 가지입니다.
자율형은 주어진 태스크를 독립적으로 수행하는 Agent이고,
대화형은 실시간 대화를 통해 사용자와 상호작용하는 어시스턴트이며,
코딩됨은 IDE에서 빌드한 코딩된 에이전트 프로젝트를 Studio로 가져오는 방식입니다.
자율형은 주어진 태스크를 독립적으로 수행하는 Agent이고,
대화형은 실시간 대화를 통해 사용자와 상호작용하는 어시스턴트이며,
코딩됨은 IDE에서 빌드한 코딩된 에이전트 프로젝트를 Studio로 가져오는 방식입니다.
Autopilot 기능을 통해 자연어로 Agent 설명을 입력하면 Agent가 자동으로 생성됩니다.
AI Agent가 자율적으로 움직인다고 해서 통제가 없는 건 아닙니다.
UiPath는 통제된 자율성이라는 개념으로 두 가지 안전장치를 제공합니다.
첫 번째는 가드레일입니다.
도구 호출 전후로 입력과 출력을 자동 검증해 문제가 있으면 기록하거나 차단하고,
AI Agent가 자율적으로 움직인다고 해서 통제가 없는 건 아닙니다.
UiPath는 통제된 자율성이라는 개념으로 두 가지 안전장치를 제공합니다.
첫 번째는 가드레일입니다.
도구 호출 전후로 입력과 출력을 자동 검증해 문제가 있으면 기록하거나 차단하고,
담당자에게 에스컬레이션합니다.
예를 들어 할인율이 5% 미만이거나 70%를 넘으면 추천을 차단하고,
마진율이 음수면 출력 전에 자동으로 걸러냅니다.
30일 내 동일 프로모션이 있었다면 중복 경고도 발생합니다.
경쟁사 브랜드명 포함 금지, 특정 고객군 차별 가격 정책 금지 같은 정책 준수도 자동으로 체크합니다.
두 번째는 시뮬레이션입니다.
30일 내 동일 프로모션이 있었다면 중복 경고도 발생합니다.
경쟁사 브랜드명 포함 금지, 특정 고객군 차별 가격 정책 금지 같은 정책 준수도 자동으로 체크합니다.
두 번째는 시뮬레이션입니다.
실제 배포 전에 위험 식별 → Guardrail 튜닝 → 오류 사전 차단 순으로 에이전트 행동을 미리 검증합니다.
여기에 메모리 기능까지 더해지면 에이전트는 더 똑똑해집니다.
단기 메모리는 현재 작업 흐름의 맥락을 유지하고, 장기 메모리는 과거 이력과 사용자 선호도를
여기에 메모리 기능까지 더해지면 에이전트는 더 똑똑해집니다.
단기 메모리는 현재 작업 흐름의 맥락을 유지하고, 장기 메모리는 과거 이력과 사용자 선호도를
학습해 갈수록 정교해집니다.
Context Grounding은 기업 내부 데이터를 즉각 참조해 신뢰도 높은 답변을 만들어냅니다.
이 메모리는 수집 → 검토 → 평가 → 적용 사이클로 계속 개선됩니다.
Maestro가 지향하는 것은 단편적 RPA·AI 자동화를 넘어 end-to-end 비즈니스 프로세스를 하나의 흐름으로 통합·조율하는 프로세스 오케스트레이션, AI Agent·사람의 의사결정·RPA 봇이 하나의 프로세스 위에서 동작하며 자율성과 통제를 동시에 확보하는 Agentic 협업, 그리고 가드레일·시뮬레이션·메모리 기능으로 안전성·정확성·일관성을 갖춘 신뢰할 수 있는 실행, 이 세 가지가 결합될 때 자동화는 비로소 ROI를 만든다는 것입니다.
6. Agentic Orchestration과 차세대 AI 자동화
지금 기업들에게 AI는 더 이상 실험이 아닙니다.
아시아-태평양 지역 기업들 사이에서 AI Agent 테스트와 투자가 빠르게 확대되고 있고,
ROI 검증에 대한 요구도 함께 높아지고 있습니다.
IDC 조사에 따르면 응답자의 60%가 Agentic AI 투자에서 최소 3배의 ROI를 기대하고 있으며,
스토리지 IaaS·데이터 PaaS·AI 전용 SaaS 비용 절감이 핵심 과제로 꼽혔습니다.
이 흐름의 중심에 Agentic Business Orchestration이 있습니다.
AI·자동화·데이터·거버넌스를 측정 가능한 비즈니스 성과로 연결하는 핵심 제어 계층으로, 컴플라이언스 확보, 비용 절감, 부서 간 자동화 확장을 동시에 지원합니다.
AI ROI를 어떻게 측정할 것인지도 중요한 화두입니다.
기존 ROI가 단순히 순수익을 투자 비용으로 나누는 방식이었다면, AI ROI는 다릅니다.
수익 창출, 고객 경험, 직원 경험, 생산성·효율성, 혁신, 지속가능성 등 9개 가치 혜택을 기반으로
AI 비즈니스 가치 수익을 산출하고 여기에 성공 확률을 곱하는 방식입니다.
아시아-태평양 지역 기업들 사이에서 AI Agent 테스트와 투자가 빠르게 확대되고 있고,
ROI 검증에 대한 요구도 함께 높아지고 있습니다.
IDC 조사에 따르면 응답자의 60%가 Agentic AI 투자에서 최소 3배의 ROI를 기대하고 있으며,
스토리지 IaaS·데이터 PaaS·AI 전용 SaaS 비용 절감이 핵심 과제로 꼽혔습니다.
이 흐름의 중심에 Agentic Business Orchestration이 있습니다.
AI·자동화·데이터·거버넌스를 측정 가능한 비즈니스 성과로 연결하는 핵심 제어 계층으로, 컴플라이언스 확보, 비용 절감, 부서 간 자동화 확장을 동시에 지원합니다.
AI ROI를 어떻게 측정할 것인지도 중요한 화두입니다.
기존 ROI가 단순히 순수익을 투자 비용으로 나누는 방식이었다면, AI ROI는 다릅니다.
수익 창출, 고객 경험, 직원 경험, 생산성·효율성, 혁신, 지속가능성 등 9개 가치 혜택을 기반으로
AI 비즈니스 가치 수익을 산출하고 여기에 성공 확률을 곱하는 방식입니다.
AI의 경쟁력은 더 이상 어떤 모델을 사용하는가에 있지 않습니다.
기업의 실제 업무 프로세스와 데이터를 연결하고, 사람·AI Agent·RPA(봇)을 하나의 흐름으로
기업의 실제 업무 프로세스와 데이터를 연결하고, 사람·AI Agent·RPA(봇)을 하나의 흐름으로
통합해 측정 가능한 비즈니스 성과를 만들어내는 데 있습니다.
Agentic AI, Agentic Orchestration, 그리고 AI ROI는 각각 별개의 개념이 아니라
하나의 연결된 흐름입니다.
AI가 스스로 판단하고 실행하는 시대가 열리고 있지만, 그 과정이 실제 업무 혁신과 투자 성과로 이어지지 못한다면 의미 있는 변화라고 보기 어렵습니다.
이번 UiPath Fusion Seoul 2026은 Agentic AI 시대에 기업이 준비해야 할 방향과, AI를 실제 ROI로 연결하기 위해 필요한 조건들을 보여준 의미 있는 자리였습니다.
출처: 2026 UiPath Fusion Seoul : Agentic AI Meets ROI