미리 보는 핵심 요약 3가지
- AI가 업무를 가속화시킨 숫자는 분명했습니다. 신규 업데이트는 20일에서 며칠로, 9개 조직이 1~2주 걸리던 분석은 1~2명이 하루에, A/B테스트에 대한 사전 검증은 2~3시간에서 15분으로 줄었습니다.
- 그런데 줄지 않은 시간도 있었습니다. 사람끼리 이해시키고 승인받는 시간, 팀이 '해보자'고 마음먹는 시간, AI가 낸 숫자를 검증하는 시간입니다.
- 둘을 가른 것은 모델이 아니라 구조였습니다. 맥락을 쌓고, 판단 기준을 정하고, 분석과 실행을 하나의 루프로 이은 팀이 에이전트에게 더 많은 일을 맡겼습니다.
AI 덕분에 분석은 눈에 띄게 빨라졌습니다. 그런데 그 결과가 실제 비즈니스와 제품 개선으로 이어지는 속도도 그만큼 빨라졌을까요? 지난 10월 20일 서울 강남구 섬유센터 Tex+Fa Hall에서 열린 ThinkingAI Summit Seoul 2026(TAS 2026)은 바로 이 질문에서 출발했습니다.
그리고 그 질문에 답을 찾기 위해서 모인 연사자 분들이 다양한 현장에서 AI 에이전트에게 실제로 업무를 맡겨 본 경험을 나눴고, 성공한 숫자만큼이나 줄지 않은 시간을 솔직하게 꺼내 놓았습니다.
1. 입장부터 현장까지 이어지는 경험
400명 가까이 참관해주신 이번 ThinkingAI Summit Seoul 2026을 기획하면서 가장 중요하게 생각한 것은 ‘Agentic Growth’라는 핵심 메시지를 행사 전반에서 자연스럽게 경험할 수 있도록 하는 것이었습니다.
키비주얼부터 ThinkingAI 심볼의 특징인 "픽셀 패턴"과 원형으로 확장되는 모션을 활용해 "지속적인 성장"을 시각화했습니다. 행사 신청 페이지부터 현장 공간과 오프라인 제작물까지 공통된 디자인 컨셉과 블루 톤을 적용해 단순한 시각적 통일성을 넘어, 브랜드 메시지가 공간과 체험으로 이어지도록 했습니다.
행사장의 공간은 브랜드 인지부터 핵심 기능 체험, 플랫폼 이해로 이어지는 흐름으로 설계했습니다. 브랜딩 영상과 인포데스크를 시작으로, ‘소셜 인사이트’와 ‘에이전틱 루프’ 데모존에서 기능을 체험하고, ‘그로스 루프’를 통해 ThinkingAI의 플랫폼 구조를 이해할 수 있도록 했습니다.
데모존에서는 참석자들의 산업 데이터를 기반으로 제작한 Agentic Engine 데모 화면을 살펴보며 각각의 도메인에서 AI가 분석에서 실행까지 어떻게 이어질 수 있는지에 대해 직접 체험할 수 있는 공간을 마련했습니다.
2. 지난 1년, 우리가 AI로 만든 것 중 지금도 매일 돌아가는 건 몇 개인가
서광덕 지사장님이 질문 하나를 던지며 TAS 2026의 막을 열었습니다. 사내 GPT, 각종 PoC, 리포트 자동화, 에이전트 데모까지 만든 것은 많지만, 고객사에서 이 질문을 받으면 대부분 멋쩍게 웃으며 "한두 개요"라고 답한다고 합니다.
숫자도 같은 이야기를 했습니다. 맥킨지 조사에서 응답자 10명 중 8명은 AI로 개인 생산성이 높아졌다고 답했지만, AI가 영업이익에 조금이라도 기여했다고 답한 기업은 37%로 1년 전과 같았습니다. MIT NANDA는 기업 생성형 AI 파일럿의 95%가 측정 가능한 손익 효과를 내지 못했다고 분석했습니다. 만드는 시간은 혁명적으로 줄었는데, 만든 것이 성과로 이어지는 시간은 줄지 않은 셈입니다.
그 이유는 세 가지 병목으로 설명됐습니다. 운영하려면 데이터 정의와 택소노미(데이터 분류 체계), 권한, 기존 시스템 연동, 결과를 책임질 사람이 갖춰져야 하고, 모델과 담당자가 바뀌어도 데이터의 의미와 비즈니스 맥락이 남아 있어야 하며, 누가 책임지고 무엇이 바뀌었는지 측정해 다음 행동에 반영해야 하는 점입니다.
이어진 세션들은 각자의 현장에서 이 병목을 풀어 온 이야기였습니다.
3. 현장 사례: 비즈니스의 루프를 만드는 법
TAS 26를 준비하면서 가장 먼저 정한 건 "무엇을 보여줄 것인가"였습니다. ThinkingAI의 솔루션을 나열하는 자리가 되고 싶지는 않았습니다. 대신 저희의 가치관을 하루 동안 끝까지 밀고 가보자고 생각했습니다.
그로스 = 루프. 어떤 회사든 결국 원하는 건 비즈니스 그로스입니다. 그러나 성장은 한 번의 좋은 분석이나 한 번의 성공적인 캠페인으로 만들어지지 않습니다. 데이터를 보고, 문제를 찾고, 실험하고, 배운 걸 다음 실행에 반영하는 과정이 끊기지 않고 돌아야 합니다. 저희는 이걸 클로즈드 루프(Closed Loop)라고 부릅니다.
AI만 들여온다고 루프가 생기지는 않습니다. 루프가 돌려면 데이터가 한곳에 제대로 쌓여 있어야 하고, 그 안에서 문제를 찾아낼 수 있어야 하고, 실험하고 배운 것이 다시 같은 자리로 돌아와야 합니다.
루프를 구성하는 요소가 따로따로 흩어져 있으면 결국 사람이 그 사이를 이어 붙이게 되고, 거기서 속도가 죽습니다. 데이터 플랫폼, 데이터 마이닝, 실험과 학습이 한곳에서 돌아가며 서로를 개선하는 구조가 필요하다는 점을 이번 서밋에서 강조하고자 했습니다. 그리고 TAS 26의 메인 세션은 그 루프의 각 단계를 하나씩 맡았습니다.
1. 루프의 바닥이 되는 데이터가 어떻게 갖춰지는지
서동진 넥스트증권 팀장님이 팀에 합류했을 때 데이터 엔지니어는 자신 한 명뿐이었습니다. 데이터 플랫폼과 고객여정플랫폼 같은 대규모 시스템을 만들어야 했기에, 인프라는 코드로 관리하고 현업 분석과 대시보드는 씽킹AI에 맡기는 식으로 사람이 손으로 하던 일을 코드와 AI가 다룰 수 있는 형태로 바꿨습니다.
처음부터 순탄하지는 않았습니다. 코드가 쌓이는 속도를 이해하는 속도가 따라가지 못하는 '인지 부채', AI가 만든 결과를 자기 실력으로 착각하는 '역량 착각'을 차례로 겪었다고 털어놨습니다. 해법은 맥락이었습니다. 결정 기록, 의도 명세, 교훈 기록, 위키, 에이전트 스킬을 '마스터 레포' 한곳에 모으고, 무엇을 왜 정했는지까지 남겼습니다. 에이전트는 작업 전에 이 기록을 불러오고, 규칙 위반은 사람이 아니라 자동 검사가 잡습니다.
2. 쌓인 데이터에서 문제를 캐내는 법
언더독스팀은 평균 경력 18년의 6명이 퍼블리셔 없이 전략 게임 「Polaris: Crown Legacy」를 직접 개발하고 서비스합니다.
데이터 엔지니어도 분석가도 없는 이 팀에서 데이터를 읽는 일은 AI 에이전트가 맡습니다. 게임 로그를 씽킹AI에 쌓고, 에이전트가 읽기 전용으로 쿼리하면서 광고 데이터, 커뮤니티 채팅, 코드와 기획서까지 오갑니다.
대표 사례는 결제 1위 유저의 이탈이었습니다. 서버 매출의 30%를 내던 유저가 성 방어전에서 하루 만에 전투력 46%를 잃고 12일 뒤 떠났습니다. 에이전트는 이 한 명을 해부한 뒤 같은 절차를 고액 결제 유저 7명에게 넓혀 반복되는 패턴을 찾았고, 전사한 병사의 80%가 며칠에 걸쳐 돌아오는 '신전' 콘텐츠로 이어졌습니다. 피격부터 개선안 기획 확정까지 3일이 걸렸습니다.
빨라진 만큼 공을 들인 곳도 있었습니다. 분석 에이전트의 결론은 별도의 검증 에이전트가 연맹 붕괴, 결제 오류, 크래시 같은 다른 원인을 하나씩 지운 뒤에야 결론이 됩니다. 구현은 개발 에이전트가 하지만, 검수와 머지는 끝까지 사람이 합니다.
3. 분석이 빨라진 뒤 팀의 실행과 학습은 어떻게 달라지는가
데이터 분석 질문 하나에 얼마일까요? "지난 3개월 해지 유저 수와 다음 3개월 예측" 같은 질문은 AI 이전에 분석가 인건비로 따지면 질문당 약 7만 원에서 100만 원이 들었습니다. 클래스101의 하길우 리드님은 지표 정의만 잘 깔려 있다면 이제 이런 질문은 몇십 원 수준이라고 말했습니다. 클래스101은 데이터 엔지니어 없이 전사 AI 분석 환경의 핵심을 세팅했습니다.
실험 분석도 검증은 자동으로, 결과는 15분이면 나옵니다. 하지만 "통계량 자체는 의미가 없다"고 말했습니다. 리타게팅 CRM 실험에서 재조회는 44% 늘었지만 결제는 차이가 없었는데, 여기서 '결제 직전의 망설임'을 읽어 내고 다음 액션을 제안해 결제 전환율을 올렸습니다. 아낀 시간을 러닝에 쓰자, 러닝을 얻는 시간이 3일에서 1일로 줄었습니다.
반대로 AI가 팀을 느리게 만들기도 합니다. AI 조회 정확도가 75%라면 10명이 각자 물었을 때 모두 맞을 확률은 약 6%입니다. 방향이 모호하면 각자의 AI가 각자의 결론을 들고 와 팀이 흩어집니다. 그래서 "제품 성공 = 러닝 × 실행 빈도"라며, 누군가 책임지고 팀이 한 방향을 보게 해야 한다고 강조했습니다.
4. 줄지 않은 시간을 줄이기 위한, 에이전트가 도는 그로스 루프
같은 그로스 업무를 하는데 왜 성과는 제각각일까요? 그로스 조직은 데이터를 분석하고, 캠페인을 실행해 전환과 매출을 만듭니다. ThinkingAI 이승주 세일즈 디렉터는 AI 에이전트의 가치를 '얼마나 빨라졌느냐'가 아니라 '성과를 얼마나 올렸느냐'로 봐야 한다며, 성과가 갈리는 네 가지 이유를 짚었습니다.
차이가 생기는 4가지 이유
- 분석이 얕거나 없다: 장바구니 이탈 1,000명이 왜 떠났는지 몰라 모두에게 같은 메시지를 보냅니다.
- 분석과 실행이 끊겨 있다: 좋은 세그먼트를 찾아도 분석 툴과 CRM 툴을 오가다 이틀이 지나고, 그 사이 고객의 관심이 식습니다.
- 데이터가 많을수록 늦게 도착한다: 품절 상품이 입고됐는데 기다리던 고객이 누구인지 아직 데이터에 반영되지 않았습니다.
- 반응은 소셜에서 먼저 오는데 분석은 내부만 본다: 발견과 구매 결정이 SNS에서 먼저 일어나는데 내부 데이터만 봅니다.
네 가지 문제의 공통점은 무엇 하나가 부족해서가 아니었습니다. 분석도, 실행도, 데이터도 이미 있었지만, 이것들이 하나로, 실시간으로 이어져 있지 않았던 것입니다.
이 네 가지 요소를 이은 곳에선 성과가 나타났습니다. GC녹십자웰빙의 건강기능식품 자회사 어니스트리는 광고, 행동, 주문 데이터를 한 사람 단위로 묶어 다시 부를 고객과 제외할 고객을 가려냈고, 한 서브컬처 게임사는 7개 SNS 채널의 여론과 게임 속 행동을 함께 보며 이슈가 커지기 전에 대응했고, 자체 개발 대비 약 2억 원 규모의 비용을 아꼈습니다.
이렇게 이어진 구조 위에 AI를 붙이면 탐지, 분석, 캠페인 설계, 실행, 회고를 에이전트가 맡고 사람은 승인만 하면 됩니다. 현장 시연에서는 장바구니에 상품을 담고도 결제하지 않은 고객 380명을 에이전트가 찾아내 가격 부담과 낮은 별점 후기라는 두 가지 이탈 원인으로 나누고, 고객 유형별로 할인 쿠폰과 대체 상품 추천 캠페인을 제안했습니다. 루프가 스스로 돌면 한 바퀴가 짧아지고, 같은 기간에 더 많은 실험을 할 수 있어 성장도 빨라집니다.
게임 개발에서 가장 오래 걸리는 건 무엇일까요? 블루홀 스튜디오 이승현 Seed 디렉터는 만드는 속도가 아니라 이해시키고 합의하는 시간이라고 답했습니다. 기능 하나를 만드는 8단계 중 6단계가 문서 작성과 리뷰, 재승인에 쓰였기 때문입니다.
그래서 Seed 팀은 문서보다 빌드를 먼저 만듭니다. 게임 디자이너가 에이전트와 함께 플레이로 확인할 수 있는 ‘75점짜리'를 바로 구현하고, 빌드를 보며 고칩니다. 코드를 직접 짜지 못하는 기획자도 결과물을 만들고, 첫 작업의 경험은 플레이북으로 남깁니다. 그 결과 신규 무기 추가는 20일에서 1일로, 신규 몬스터 추가는 작업 기간 기준 약 40배 빨라졌습니다.
그가 가장 강조한 건 기록입니다. 기능과 화면은 복제할 수 있지만 쌓인 데이터와 노하우는 복제할 수 없다는 것입니다. Seed 팀은 AI와 일한 기록을 쌓아 에이전트를 계속 고치고, 구조가 자리를 잡자 저렴한 모델로도 되는 일이 늘어 AI 비용도 약 60% 줄였습니다.
5. 루프가 돌기 시작한 조직에서 사람의 일이 어떻게 바뀌는지
마지막 대담에서는 원스토어 게임사업TF 전준영 본부장님과 조슈아앤컴퍼니 김승권(빌더조쉬) 대표님이 “AI에게 일을 맡기고 나서, 우리는 무엇을 하게 되었나”를 이야기했습니다. 비개발자인 전준영 본부장님은 리더 에이전트 '수연'이 이끄는 개인 AI 팀에 메일, 회의록, 주간보고, 지표 분석을 맡기지만, 최종 버튼은 직접 누릅니다. 그는 "맡기는 건 업무가 아니라 기준"이라고 말했습니다. 김승권 대표님은 '최대한 많이 맡기자'는 원칙으로 11개 루프 에이전트를 매일 돌리고, 사람은 소재 큐레이션과 발행 후 검수 두 지점에만 들어갑니다.
그렇다면 일은 줄었을까요? 두 사람의 답은 모두 "아니요"였습니다. 전준영 본부장님은 줄어든 시간만큼 일이 다시 채워져 이제는 '무엇을 안 할지' 정하는 게 일이 됐다고 했고, 김승권 대표님은 일도 매출도 함께 늘었으며 달라진 건 일의 주체라고 답했습니다.
조직으로 넓히면 과제가 보입니다. 전준영 본부장님의 회사는 1인당 100만 원까지 결재 없이 AI를 써 보게 해 빠른 실험이 가능했지만, 각자 쓰다 보니 같은 정보를 여럿이 따로 찾는 낭비도 생겼습니다. 김승권 대표님은 오히려 6명이 하나의 문제를 해결하는 것이 아닌 각자 사업부를 맡는 ‘1인 1사업부' 조직을 만들고, 모든 맥락과 데이터를 팀 공용 ‘AI 월드 모델'에 쌓아 사업부를 잇고 있습니다. 내일 아침 해 볼 한 가지로 김승권 대표님은 "기록부터 시작하라"고 권했습니다.
4. 줄지 않은 시간은 루프의 이음매에 있었다
AI를 붙인 단계는 분명히 빨라졌지만, 단계와 단계 사이를 사람이 잇는 시간은 AI만으로는 줄지 않았습니다. 빨라진 분석을 빨라진 성장으로 바꾼 것은 더 좋은 모델이 아니라, 맥락과 기준과 검증으로 단계를 이어 둔 구조였습니다.
ThinkingAI는 2015년 창립 이후 10년 넘게 데이터 분석과 운영이라는 한 우물을 파 온 회사입니다. 전 세계 1,800여 개 고객사, 8,000개가 넘는 제품과 함께하고 있으며, 데이터 플랫폼부터 분석, 실험, 실행까지 하나의 Agentic Engine 위에서 그로스 루프가 끊기지 않고 돌도록 맥락과 기준을 설계하는 것을 돕는 것이 저희가 하는 일입니다.
TAS 2026이 여러분 조직의 루프를 다시 돌아보는 계기가 되었길 바라며, 씽킹AI는 앞으로도 그로스 루프를 함께 고민하는 파트너로 남겠습니다.
