기술 분석기관 가트너는 기업의 40%가 거버넌스 공백으로 인한 운영 사고를 겪은 뒤 2027년까지 자율 AI 에이전트를 격하하거나 폐기할 것으로 예측했다. 샌프란시스코에서 열린 스노우플레이크 서밋에서 세 기업의 디지털 리더들은 에이전트를 실제 생산 환경에 안착시킨 경험을 공유하며, 반복 가능한 프레임워크 구축·도메인 전문가 활용·데이터 수익화를 세 가지 핵심 교훈으로 제시했다.
웨어러블 기술 기업 Whoop의 분석 부문 부사장 매트 루이지는 코딩 에이전트를 소수 분석팀에 먼저 도입해 쿼리 결과의 정확성을 자체 검증하는 단계부터 시작했다고 밝혔다. 그는 맥락이 전부라는 사실을 빠르게 깨달았으며, 시맨틱 레이어에 집중하고 맥락을 구조화된 곳에 두는 것이 핵심이었다고 설명했다. 이후 에이전트가 A/B 테스트를 분석하고, 다음 기능을 제안하고, 테스트하고, 반복하는 실험 프레임워크 자동화에 활용되면서 비즈니스 가치 제공 속도가 빨라졌다고 했다. 스포츠 전문 기업 Fanatics의 데이터 부문 부사장 매들린 완트는 기저 데이터의 품질과 거버넌스가 좋을수록 LLM이 의미를 도출하고 질문에 효과적으로 답하는 능력이 높아진다고 강조했다. 도메인을 속속들이 아는 전문 분석가가 에이전트를 코치할 수 있는 경계가 명확한 영역에서 초기 성과가 집중됐다고 설명했다.
소프트웨어 기업 Synopsys의 CIO 스리람 시타라만은 AI 에이전트를 품질·결과 도달 시간·비용 세 가지 차원에서 평가했을 때 모두 긍정적 영향을 확인했다고 말했다. 세 가지를 동시에 만족하는 것은 과거에 불가능했던 성과라는 점에서 중요한 돌파구라는 설명이다. 그는 동시에 자동화와 자율성의 경계가 지금은 크지 않아 주의가 필요하다고 경고했다. 에이전트의 목적을 명확히 정의하고 프레임워크와 스킬을 갖추는 것이 중요하며, 특정 목적으로 배포된 에이전트가 의도치 않게 다른 역할까지 맡게 되는 상황이 발생할 수 있다고 강조했다.
세 사례에서 공통으로 도출되는 원칙은 데이터 기반과 거버넌스가 먼저 갖춰져야 에이전트가 작동한다는 점이다. AI 에이전트가 주목을 받는 만큼 실제 투자 대비 수익(ROI)을 증명하지 못한 사례도 늘고 있어, 운영 투입 전 거버넌스와 성과 측정 프레임워크를 설계하는 것이 실패를 방지하는 출발점으로 부상하고 있다.
