[AI Frontier] AI 에이전트 사용 8.1배 증가, 기업은 실제로 무엇을 얻었나

[AI Frontier]

OpenAI의 유럽 기업 조사와 Virgin Atlantic 사례로 살펴본 AI 에이전트의 활용 격차, 업무 위임, 그리고 생산성의 조건

AI를 많이 쓰는 기업과 일을 맡기는 기업의 차이

영국 항공사 Virgin Atlantic의 개발팀은 오래된 소프트웨어 코드를 정리하는 데 인공지능(AI)을 활용하고 있다. OpenAI가 2026년 8월 공개한 기업 사례에 따르면, 이 회사의 개발팀은 기존에 2주가 걸리던 레거시 코드 리팩터링 작업을 Codex로 30분 만에 수행한 사례가 있다.

제품팀의 활용 방식은 조금 다르다. 경쟁사의 제품과 전략을 조사해 내부 의사결정 자료로 만드는 작업에 ChatGPT Work를 이용한다. OpenAI는 기존에 수주가 걸리던 경쟁사 조사를 수시간 안에 수행했으며, 이 작업이 Virgin Atlantic의 5개년 디지털 전략 수립에도 활용됐다고 소개했다.

물론 이는 OpenAI가 공개한 고객 사례다. 작업 범위와 검수 조건이 동일했는지, 절약한 시간이 다른 프로젝트에서도 반복되는지까지 독립적으로 검증된 수치는 아니다. 그럼에도 두 사례에는 공통점이 있다. 직원이 AI에게 방법을 물어보는 단계에서 한 걸음 더 나아가, 특정 업무의 결과물을 직접 만들어 달라고 맡겼다는 점이다.

이 차이를 이해하면 기업의 AI 활용도를 보는 시선도 달라진다. 직원들이 ChatGPT에 얼마나 자주 접속하는지보다, AI가 실제 업무 과정에서 어느 단계를 맡고 있는지가 궁금해지기 때문이다.

1. Virgin Atlantic에서는 AI가 어떤 일을 맡고 있을까

먼저 소프트웨어 개발을 생각해보자. 항공사의 오래된 시스템에는 수년에 걸쳐 수정된 코드와 복잡한 의존 관계가 남아 있을 수 있다. 개발자가 새로운 기능을 추가하려면 기존 코드가 어떻게 작동하는지 살펴보고, 변경할 부분을 찾고, 테스트까지 수행해야 한다.

AI를 업무 보조 도구로 쓴다면 개발자는 코드 일부를 복사해 설명을 요청하거나 오류 해결 방법을 질문할 수 있다. 반면 Codex처럼 코딩 작업을 수행하는 에이전트에게는 코드베이스를 분석하고 수정안을 만드는 작업 자체를 맡길 수 있다. 물론 결과를 실제 시스템에 반영하는 과정에는 검토와 테스트가 필요하다.

Virgin Atlantic의 공개 사례가 흥미로운 이유도 여기에 있다. 개발자가 AI의 답변을 읽고 모든 코드를 처음부터 다시 작성하는 방식과, AI가 수정 결과물을 준비해 개발자가 검토하는 방식은 작업을 나누는 구조부터 다르다.

제품팀에서도 유사한 변화가 관찰된다. 경쟁사 분석을 담당하는 직원이 여러 웹사이트와 문서를 확인하고, 기능을 비교한 뒤, 전략회의에 사용할 보고서를 만든다고 해보자. 기존에는 자료를 찾고 분류하고 문서를 작성하는 단계에 상당한 시간이 들어간다.

AI 에이전트가 조사와 결과물 작성의 일부를 맡으면 담당자는 경쟁사의 정보를 하나씩 옮겨 적는 시간보다 분석의 범위를 정하고, 자료를 검증하고, 실제 제품 전략에 반영할 내용을 판단하는 데 시간을 쓸 수 있다. 어떤 결정을 내릴지는 여전히 조직의 몫이다.

CASE NOTE

Virgin Atlantic의 개발 업무 30분과 제품 조사 수시간은 OpenAI가 2026년 8월 12일 공개한 고객 사례의 설명이다. 위에서 묘사한 세부 업무 흐름은 독자의 이해를 돕기 위한 일반적인 작업 예시이며, Virgin Atlantic 내부의 실제 승인·검토 절차를 취재한 내용은 아니다.

2. 유럽 중소기업의 AI 에이전트 사용자가 8.1배 늘었다

개별 기업의 사례를 넘어, AI를 실제 업무에 사용하는 사람들이 얼마나 늘고 있는지도 살펴볼 필요가 있다.

OpenAI는 2026년 10월 14일 유럽연합(EU) 기업의 에이전트형 AI 활용 현황을 공개했다. 조사에 따르면 EU 중소기업의 Codex와 ChatGPT Work 주간 활성 사용자 수는 2026년 5월 대비 8.1배 수준으로 증가했다. 이 자료에서 중소기업은 연결된 사용자 수가 200명 이하인 기업을 의미한다.

도구를 사용하는 사람만 늘어난 것은 아니다. 조사에 포함된 EU ChatGPT Enterprise 계정에서는 Codex와 ChatGPT Work가 생성한 출력 토큰이 전체의 절반 이상을 차지했다. AI가 질문에 대한 답변을 작성하는 용도 외에도 여러 단계의 작업을 수행하는 데 사용되고 있다는 신호다.

EU 중소기업 표본

8.1배

2026년 5월 대비 에이전트형 도구 주간 활성 사용자 증가

EU Enterprise 표본

50% 초과

Codex·ChatGPT Work의 출력 토큰 비중

국가별 Enterprise 표본

22~85%

슬로베니아와 리투아니아의 에이전트형 도구 출력 토큰 비중

기업별 격차도 상당하다. OpenAI는 활성 사용자당 출력 토큰을 기준으로 상위 10% 기업을 선도 기업으로 분류했다. 2026년 9월 EU 선도 기업은 일반 기업보다 사용자당 출력 토큰을 4배 이상 생성했다. EU 역외 선도 기업은 EU 선도 기업보다 같은 기준으로 2배 이상 많았다.

그렇다면 토큰 사용량이 많은 기업은 적은 기업보다 일을 4배 잘한다고 봐도 될까? 조사 결과만으로는 답할 수 없다. 출력 토큰은 AI가 생성한 결과의 양을 나타내지만, 그 결과가 업무에 사용됐는지 또는 비용을 얼마나 줄였는지까지 알려주지는 않는다.

이번 연구의 표본은 OpenAI 서비스를 사용하는 기업 계정에 한정된다. 모든 유럽 기업의 AI 활용 수준이나 국가별 평균 생산성을 나타내는 통계로 해석해서는 안 된다.

3. 보고서 열 개를 만들었다고 열 개의 업무가 끝난 것은 아니다

이제 국내 기업의 마케팅팀으로 시선을 옮겨보자. 다음은 실제 특정 기업을 취재한 사례가 아니라, 에이전트 도입 시 달라지는 업무 구조를 설명하기 위한 가상의 장면이다.

월요일 오전, 마케팅팀에는 지난주 광고 성과를 정리하는 회의가 예정돼 있다. 담당자는 광고 플랫폼에서 데이터를 내려받고, 캠페인별 비용과 전환을 비교한 뒤, 실적이 달라진 이유를 설명해야 한다. 영업팀이 요청한 고객 세그먼트별 분석도 포함해야 한다.

AI를 보조 도구로 쓰는 직원이라면 광고 성과를 해석하는 방법이나 보고서 목차를 질문할 것이다. 작성된 문장을 읽고 필요한 데이터를 직접 채워 넣는 방식이다.

업무를 위임하는 방식에서는 출발점이 달라진다. 담당자는 필요한 데이터의 위치, 집계 기간, 보고서 형식, 제외할 지표를 정한 뒤 AI에게 초안 작성을 맡긴다. 권한이 허용된 환경이라면 에이전트가 자료를 확인하고, 표를 만들고, 보고서 파일까지 준비할 수 있다.

문제는 그다음에 발생한다. 광고 플랫폼의 전환 수와 고객관계관리(Customer Relationship Management, CRM) 시스템의 실제 계약 수가 다르다면 어떤 숫자를 써야 할까? 중복 전환이나 환불이 반영되지 않았다면 누가 바로잡을까? AI가 만들어낸 성과 해석을 담당자가 확인하지 않은 채 경영진에게 전달해도 될까?

보고서 파일이 생성된 순간과 회사가 그 보고서를 공식 자료로 인정하는 순간은 다를 수 있다. 업무를 맡기는 기업은 이 간격을 관리해야 한다.

AI가 만든 결과물을 세는 것과 조직이 승인한 업무를 세는 것은 서로 다른 일이다.

마케팅 플랫폼을 운영하는 관점에서도 이 구분은 익숙하다. 광고 시스템이 전환을 많이 기록했다고 해서 실제 신규 고객과 매출이 같은 비율로 늘었다고 단정할 수는 없다. 목표 이벤트의 정의, 데이터 품질, 측정 기간이 결과를 바꾼다. AI 에이전트의 업무 성과를 평가할 때도 먼저 완료의 기준부터 합의해야 한다.

4. AI 에이전트에게 일을 맡기려면 무엇부터 정해야 할까

기업에서 AI 활용이 개인의 편의 도구를 벗어나려면 업무의 시작과 끝을 정해야 한다. 이때 살펴볼 조건은 크게 네 가지다.

판단 항목	조직에서 실제로 정할 것	정하지 않았을 때 생기는 문제
업무 범위	조사, 분석, 문서 작성, 시스템 입력 중 어디까지 맡길 것인가	사람의 업무와 AI의 업무가 겹치고 완료 기준이 흐려진다
데이터 접근	어떤 문서와 데이터에 접근할 수 있고, 어떤 정보는 제외할 것인가	자료 누락, 접근 권한 문제, 민감정보 처리 위험이 생긴다
승인 책임	결과물을 누가 검수하고 외부 발송이나 시스템 변경을 승인할 것인가	오류 발생 시 책임 소재와 수정 절차가 불분명해진다
성과 측정	처리 건수, 승인율, 검토 시간, 재작업, 총비용을 어떻게 기록할 것인가	도입 효과를 사용량이나 직원 만족도만으로 판단하게 된다

업무마다 적절한 위임 범위도 다르다. 공개 자료를 모아 경쟁사를 조사하는 일과 고객 계약 조건을 변경하는 일은 요구되는 권한과 검증 수준이 다르다. 전자는 결과물의 사실 여부를 확인하는 절차가 중심이지만, 후자는 실제 고객과 회사의 권리·의무에 영향을 줄 수 있다.

처음부터 모든 업무를 자동 실행하도록 설계할 이유는 없다. 자료 수집과 초안 작성은 AI가 맡고, 외부 발송과 데이터 변경은 사람이 승인하는 형태도 유효한 운영 방식이다. 업무 위험도에 따라 권한을 다르게 설정하는 편이 현실적이다.

5. 사용량이 늘어도 생산성이 좋아지지 않을 수 있는 이유

한 부서에서 AI가 보고서 열 개를 만들었다고 가정해보자. 그중 일곱 개는 수치가 맞지 않거나 설명이 부족해 다시 작성해야 했고, 세 개만 담당자의 승인을 받았다면 어떨까.

이 팀의 AI 사용량은 분명히 늘었다. 그러나 승인받지 못한 일곱 개의 보고서를 수정하는 데 사람이 많은 시간을 사용했다면, 조직 전체의 업무 부담은 기대만큼 줄지 않았을 수 있다.

위 숫자는 성과 측정 방식을 설명하기 위한 가상 예시이며, OpenAI 조사나 특정 기업의 실적이 아니다.

업무가 완료되기까지 발생하는 비용에는 AI 서비스 이용료만 들어가지 않는다. 자료를 정리하는 시간, 사람이 결과를 검토하는 시간, 오류를 수정하는 시간도 비용이다. 업무에 따라 테스트, 보안 검토, 시스템 관리와 같은 추가 부담이 발생할 수 있다.

AGENCYTIMES MEASUREMENT FRAME

승인된 작업당 총비용

(AI 이용료 + 관련 운영비 + 사람의 검토·재작업 비용) ÷ 최종 승인된 작업 수

이 계산은 AgencyTimes가 제안하는 업무 단위 평가 방식이다. 계산 기간, 업무 난도, 승인 기준, 포함할 인건비와 운영비를 동일하게 맞춰 비교해야 한다.

예를 들어 고객 제안서 한 건을 작성하는 데 직원이 기존에는 네 시간을 썼는데, AI를 활용하면서 초안 작성은 20분으로 줄었다고 해보자. 검토와 수정에 다시 세 시간이 든다면 실제 절약 시간은 초안 작성 속도만으로 판단한 것과 크게 다르다. 반대로 검토를 포함한 전체 작업 시간이 한 시간으로 줄고 품질도 유지된다면 비용 절감 효과를 설명하기가 수월하다.

평가할 때는 작업당 비용뿐 아니라 품질도 함께 확인해야 한다. 값싼 AI가 오류를 자주 만들면 재작업이 증가할 수 있고, 더 비싼 모델이 한 번에 승인 가능한 결과를 만든다면 전체 비용에서는 유리할 수도 있다. 이 관계는 실제 업무 데이터로 확인해야 한다.

그래서 AI 예산을 결정하는 관리자에게는 활성 사용자 수와 토큰 사용량을 보여주는 대시보드만으로 부족하다. 어떤 업무에서 승인된 결과가 늘었고, 그 과정에서 사람의 시간이 얼마나 줄었는지를 볼 수 있어야 한다.

6. 우리 회사는 어디서부터 AI에게 일을 맡겨볼 수 있을까

모든 부서에 같은 AI 도구를 배포하는 방식은 도입 현황을 관리하기는 편하지만, 실제 효과를 비교하기에는 어려움이 있다. 개발팀의 코드 수정과 마케팅팀의 보고서 작성, 법무팀의 계약 검토에는 서로 다른 평가 기준이 필요하기 때문이다.

처음에는 반복성이 높고 결과를 확인하기 쉬운 업무 한두 개를 선정하는 편이 좋다. 마케팅 조직이라면 주간 실적 보고서의 초안 작성, 영업 조직이라면 공개 자료 기반의 고객사 조사, 제품팀이라면 경쟁사 기능 비교처럼 범위를 좁힐 수 있다.

예컨대 한 달 동안 AI를 활용한 업무와 기존 방식으로 처리한 업무를 비교해볼 수 있다. 두 집단의 업무 난도와 품질 기준을 맞춘 뒤 전체 소요 시간, 담당자의 수정 횟수, 최종 승인율, 비용을 기록하는 방식이다. 한 달은 시험 운영을 설명하기 위한 예시 기간이며 OpenAI가 권고한 표준 기간은 아니다.

운영 전 확인할 질문

AI가 맡을 작업과 사람이 직접 수행할 작업을 구분했는가?
결과물이 완료됐다고 판단할 기준과 승인 담당자가 있는가?
AI가 접근해도 되는 데이터와 실행 권한의 범위를 정했는가?
기존 수작업과 같은 품질 기준으로 비용과 시간을 비교할 수 있는가?
오류가 생겼을 때 수정하거나 기존 방식으로 되돌아갈 절차가 있는가?

이렇게 측정하면 한 부서에서 잘 작동했던 AI 활용 방식이 다른 부서에서도 유효한지 판단할 근거가 생긴다. 반대로 초안 작성은 빨라졌지만 승인 시간이 늘어났다면 데이터 품질이나 작업 지시, 검토 절차를 다시 살펴볼 수 있다.

Virgin Atlantic의 사례는 AI에게 구체적인 작업을 맡겼을 때 가능한 변화의 크기를 보여주는 기업 공개 사례다. 그러나 모든 조직이 같은 결과를 얻는다는 의미는 아니다. 시스템의 복잡도, 데이터 접근 범위, 검수 기준, 직원의 숙련도가 서로 다르기 때문이다.

OpenAI의 유럽 조사는 기업들이 에이전트를 점점 더 많이 사용하고 있으며 기업 간 사용 강도에도 큰 격차가 있다는 사실을 알려준다. 다음에 확인할 것은 이 격차가 실제 업무 완료율, 검토 시간, 승인된 작업당 비용에서 어떻게 나타나는가다. 기업이 AI를 확대 도입할지는 그 숫자를 확인한 뒤 결정해도 늦지 않다.

Summary

OpenAI의 2026년 조사에서 EU 중소기업의 에이전트형 AI 주간 활성 사용자 수는 5월 대비 8.1배 증가했다. 기업들이 질문과 답변을 넘어 실제 작업을 AI에 맡기는 방향으로 활용 범위를 넓히고 있다.

Virgin Atlantic은 코드 수정과 경쟁사 조사에 AI를 활용한 사례를 공개했다. 다만 사례에서 보고된 시간 단축이 모든 업무에서 재현되는지는 별도 확인이 필요하다.

기업의 성과 평가는 사용량과 업무 결과를 구분하는 데서 시작한다. AI가 만든 결과 중 실제로 승인된 것은 얼마나 되는지, 검토와 재작업까지 포함한 전체 비용이 줄었는지를 같은 기준으로 측정해야 한다.

FAQ

자주 묻는 질문

Q. AI 에이전트와 일반 ChatGPT 사용은 무엇이 다른가요?

일반적인 대화형 AI 사용은 질문에 답하거나 작업 방법을 제안받는 형태가 많다. AI 에이전트는 목표에 따라 도구를 사용하고 여러 단계를 수행해 결과물을 만들 수 있다. 다만 실제 실행 권한과 사람의 승인 여부는 사용하는 제품과 기업의 설정에 따라 달라진다.

Q. OpenAI 조사에서 8.1배 증가했다는 것은 무엇인가요?

2026년 5월 대비 EU 중소기업 표본에서 Codex와 ChatGPT Work의 주간 활성 사용자 수가 8.1배로 늘었다는 뜻이다. AI가 처리한 업무의 수나 기업 생산성이 8.1배 증가했다는 의미는 아니다.

Q. 출력 토큰이 많은 기업은 AI를 더 잘 활용한다고 볼 수 있나요?

출력 토큰은 AI를 사용하는 강도를 비교하는 한 가지 지표다. 그러나 긴 결과물이나 반복 작업으로도 토큰은 증가한다. 업무 완료율, 품질, 재작업 비용을 확인해야 생산성과 연결해 평가할 수 있다.

Q. 기업에서 AI 에이전트의 성과를 어떻게 측정해야 하나요?

업무별 완료 기준을 정한 뒤 승인된 작업 수, 사람의 검토 시간, 재작업률, 총비용을 기록하는 방법이 있다. 기존 방식과 비교할 때는 작업 난도와 품질 기준을 같게 맞춰야 하며, 보안·법적 책임이 큰 업무에는 추가 검증 절차가 필요하다.

TERMINOLOGY

본문에 나오는 주요 용어

에이전트형 AI(Agentic AI)
목표에 따라 여러 단계를 수행하고 필요한 도구를 사용하는 AI 활용 방식. 조직에서는 수행 범위와 실행 권한, 승인 지점을 정의해야 한다.

Codex
OpenAI의 코딩 에이전트. 코드 분석, 수정, 테스트 등 소프트웨어 개발 작업을 지원한다.

ChatGPT Work
자료 수집, 파일 작성, 여러 단계의 업무 수행 등을 지원하는 ChatGPT의 작업 환경. 일반적인 질문·답변보다 넓은 업무를 처리할 수 있다.

출력 토큰(Output Token)
AI 모델이 생성한 결과를 계량하는 단위. 사용량과 작업의 복잡도를 일부 반영하지만 성과나 품질을 직접 측정하지는 않는다.

레거시 코드(Legacy Code)
기존 시스템에서 오래 사용해 온 코드. 변경 시 다른 기능에 영향을 줄 수 있어 구조 파악과 테스트가 필요할 수 있다.

이 블로그 검색