에이전틱 AI 시장은 커지는데 생산성은 왜 바로 안 오르나…표준 확산·도입 조사·실험 결과를 갈라보니
에이전틱 AI를 둘러싼 최근의 확산 신호는 분명하다. 다만 그 신호가 곧바로 생산성 증가의 증거가 되지는 않는다. 2025년 12월 9일 Anthropic은 모델 컨텍스트 프로토콜(MCP)을 리눅스 재단 산하 Agentic AI Foundation에 기증했다고 발표했고, 2026년 7월 28일에는 MCP 규격이 대규모 운용을 염두에 둔 새 사양으로 개정됐다. 구글이 2025년 4월 공개한 A2A도 현재는 리눅스 재단 체계의 공개 표준으로 운영되고 있다. 그러나 이 변화는 어디까지나 에이전트와 도구, 에이전트와 에이전트가 서로 통신하는 방식이 정리되고 있다는 뜻에 가깝다. 표준의 성숙은 도입 장벽을 낮출 수 있지만, 실제 업무 성과가 얼마나 개선됐는지는 별도 검증이 필요하다.
실제 최신 조사와 실험을 함께 보면 시장 성장 발표, 벤더 시연, 기업의 도입 확대, 현장 생산성 증가는 같은 층위의 지표가 아니다. 조직 차원의 도입률은 빠르게 오르지만, 재무 성과는 그만큼 따라오지 않는다는 조사 결과가 반복되고 있다. 반대로 일부 직무에서는 생산성 향상이 관측됐지만, 다른 맥락에서는 속도가 오히려 떨어졌다는 통제 실험도 나왔다. 에이전틱 AI를 새로운 산업혁명으로 볼지, 과장된 자동화로 볼지는 결국 어떤 업무를 어떤 방식으로 재설계했는지까지 확인해야 판단할 수 있다는 뜻이다.
표준 확산은 ‘작동 방식’의 진전이지 ‘성과’의 증명은 아니다
이번 흐름에서 먼저 구분해야 할 것은 프로토콜 뉴스의 의미다. MCP는 AI 애플리케이션이 외부 시스템과 연결되는 방식을 표준화하려는 규격이고, A2A는 서로 다른 프레임워크와 벤더가 만든 에이전트끼리 통신하는 규격이다. A2A 공식 문서는 MCP가 에이전트-도구 연결을, A2A가 에이전트-에이전트 연결을 맡는 상보적 관계라고 설명한다. 즉 두 표준은 더 많은 에이전트가 함께 움직일 수 있는 기술적 바닥을 깔아 주지만, 그 자체로 업무 성과 개선을 입증하지는 않는다.
이 점은 최신 MCP 개정 내용에서도 드러난다. 2026년 7월 28일 공개된 MCP 사양은 상태 없는 요청·응답 구조, 장기 작업을 위한 확장, 인증 강화 같은 기업용 운용 요소를 전면에 내세웠다. 이는 대규모 배포, 게이트웨이 통제, 확장성 같은 운영 문제를 줄이려는 진전이다. 다시 말해 지금의 표준 경쟁은 모델 성능 자체보다도 에이전트를 회사 시스템 안에서 어떻게 연결하고 관리할 것인가에 더 가깝다. 표준이 성숙할수록 도입 가능성은 높아지지만, 생산성 평가는 그 다음 단계인 실제 업무 재설계와 운영 지표에서 갈린다.
도입률은 빠르게 오르지만, 조직의 돈으로 확인된 성과는 더디다
조사 결과만 놓고 보면 시장은 분명히 커지고 있다. 스탠퍼드 인간중심AI연구소의 2026 AI Index는 2025년 기준 조사 대상 조직의 88%가 적어도 한 개 기능에서 AI를 쓰고 있다고 정리했다. 생성형 AI가 3년 만에 53% 채택률에 도달했다는 비교도 제시됐다. 다만 같은 보고서는 에이전트 활용이 대부분의 기능에서 아직 한 자릿수 수준에 머물렀다고 함께 적었다. 생성형 AI 일반과 에이전틱 AI를 같은 선상에서 읽으면 실제 보급 단계를 과장할 수 있다는 뜻이다.
맥킨지의 2026년 조사도 비슷한 간극을 보여준다. 응답자의 80%는 AI가 개인 생산성을 높였다고 답했지만, 조직 차원에서 AI가 EBIT에 영향을 줬다고 답한 비율은 37%였고, EBIT의 5% 이상을 AI 성과로 돌리면서 영향이 크다고 답한 고성과 집단은 전체의 약 6%에 그쳤다. 대기업에서 에이전트 확산이 더 빠르다는 결과도 나왔지만, 맥킨지는 다수 조직이 여전히 개인 단위 효율 개선을 재무 성과로 연결하는 단계에 도달하지 못했다고 해석했다. 시장 성장 발표가 실제 생산성 증가를 뜻하느냐는 질문에 대해, 최신 대규모 설문은 일단 ‘부분적으로만 그렇다’고 답하는 셈이다.
이 차이는 조사 방식에서도 생긴다. 조직이 “도입했다”고 답하는 것은 특정 부서가 파일럿을 돌리거나 일부 직원이 도구를 쓰는 경우까지 포함할 수 있다. 반면 생산성 증가는 처리량, 오류율, 리드타임, 고객 반응, 인건비, 수익성처럼 분모와 비교 기준이 분명한 지표로 재야 한다. 도입률과 만족도 조사는 시장 분위기를 보여주지만, 그것만으로 회계상 성과나 산업 전체의 생산성 향상을 단정하기는 어렵다.
통제된 생산성 실험은 직무와 숙련도에 따라 전혀 다른 결과를 내놓고 있다
실증 연구는 더 복잡하다. NBER와 이후 학술지에 실린 고객지원 연구는 5179명의 상담원 데이터를 바탕으로 생성형 AI 지원 도구 접근이 시간당 해결 건수를 평균 14% 높였다고 보고했다. 특히 초급·저숙련 집단의 개선 폭이 더 컸고, 숙련자에게는 효과가 작았다. 반복적이고 측정 가능한 업무, 모범 답안이 비교적 잘 축적된 업무에서는 AI가 지식 전파 장치처럼 작동할 수 있다는 해석이 여기서 나온다.
하지만 같은 논리를 모든 에이전트 업무에 확대할 수는 없다. 2024년 공개된 구글 소속 연구진의 무작위 통제 실험은 96명의 소프트웨어 엔지니어를 대상으로 복잡한 기업용 과제에서 AI 기능이 작업 시간을 약 21% 줄였다고 추정했다. 반면 2025년 METR의 오픈소스 숙련 개발자 실험은 초기 2025년형 AI 도구 사용을 허용했을 때 작업 완료 시간이 19% 늘어났다고 보고했다. 참가자들도 사전에 속도가 빨라질 것이라고 예상했지만 실제 결과는 반대였다는 점이 함께 제시됐다.
이 상반된 결과는 어느 한쪽이 틀렸다는 뜻보다, 생산성 효과가 작업 구조에 강하게 의존한다는 사실을 보여준다. 사내 표준화된 환경에서 제한된 과제를 수행할 때와, 오랜 맥락 이해가 필요한 대형 오픈소스 저장소에서 기존 품질 기준을 맞춰야 할 때는 AI의 도움 방식이 달라진다. 코드 생성 속도만 빨라져도 검토와 수정 시간이 늘어나면 전체 리드타임은 개선되지 않을 수 있다. 에이전틱 AI의 가치도 마찬가지로, 시연 화면의 자동화 성공보다 실제 업무 종료 시점의 품질·재작업·감사 비용까지 봐야 판단할 수 있다.
벤더 발표를 읽을 때는 모집단·지표·적용 단계를 먼저 봐야 한다
이 때문에 기업 IT 책임자나 도입 검토 조직이 가장 먼저 확인할 것은 “무엇을 성공이라고 셌는가”다. 벤더 발표에서 흔히 등장하는 서버 수, 프로토콜 참여사 수, 다운로드 수, 지원 제품 수는 생태계 확장의 지표일 뿐이다. 여기에 사용자 설문에서의 체감 생산성, 파일럿 프로젝트의 처리시간 단축, 전사 손익 개선은 서로 다른 층위의 숫자다. 한 발표 안에 이 수치들이 섞여 있으면 시장 성장과 업무 성과가 같은 것처럼 보일 수 있다.
특히 에이전틱 AI는 기존 생성형 AI보다 측정이 더 까다롭다. 에이전트는 단순 응답을 넘어 도구 호출, 외부 시스템 접근, 장기 작업 관리, 다른 에이전트 위임까지 포함할 수 있어 실패 비용이 커진다. 따라서 측정도 단일 응답 품질보다 과업 완수율, 승인 필요 비율, 예외 처리 건수, 보안 정책 충돌, 재작업률, 사람 개입 시간까지 포함해야 한다. 공식 규격의 등장은 이런 측정을 가능하게 하는 운영 토대를 넓혀 주지만, 효과를 대신 증명해 주지는 않는다.
보안과 통제의 문제도 생산성의 일부다. 에이전트가 더 많은 시스템에 연결될수록 한 번의 자동화 성공보다 권한 관리, 로그 추적, 승인 절차, 장기 작업 복구 같은 운영 비용이 커질 수 있다. 맥킨지가 2026년 조사에서 AI 운영비가 활용을 제약한다고 답한 조직이 20%라고 집계한 것은 이런 현실을 반영한다. 기업 입장에서는 “할 수 있느냐”보다 “감사 가능한 방식으로 싸게 반복할 수 있느냐”가 더 중요해진 것이다.
지금 단계의 결론은 ‘산업혁명 확정’도 ‘거품 확정’도 아니다
2026년 10월 현재 확인되는 사실을 종합하면, 에이전틱 AI는 과장만으로 움직이는 유행어 단계는 이미 지났다. MCP와 A2A처럼 상호운용 표준이 정리되고, 대기업 중심으로 실제 배포가 늘고 있으며, 일부 직무에서는 측정 가능한 생산성 향상도 확인된다. 그러나 동시에 많은 조직은 여전히 파일럿과 부분 도입에 머물고 있고, 전사 손익 수준의 성과는 소수만 입증했으며, 고숙련·고맥락 업무에서는 효과가 약하거나 음수일 수 있다는 경고도 실험에서 나왔다.
따라서 지금의 더 정확한 표현은 이렇다. 에이전틱 AI 시장의 성장은 실재하지만, 그것이 자동으로 실제 생산성 증가를 뜻하지는 않는다. 표준 확산은 기술 인프라의 진전이고, 투자 발표는 기대의 반영이며, 생산성 증가는 업무별 실험과 운영 지표로 따로 입증해야 한다. 새로운 산업혁명인지 과장된 자동화인지는 기술 자체보다도 어떤 업무를 선택했고, 얼마나 프로세스를 다시 설계했으며, 그 결과를 어떤 분모로 측정했는지에 따라 달라진다.
자료: Anthropic, Donating the Model Context Protocol and establishing the Agentic AI Foundation(2025-12-09); Model Context Protocol, The 2026-07-28 Specification(2026-07-28); A2A Protocol, A2A Protocol official documentation(2026); Google Developers Blog, Announcing the Agent2Agent Protocol (A2A)(2025-04-09); McKinsey, The state of AI in 2026: On the road to ROI(2026-08-25); Stanford HAI, AI Index Report 2026 Economy chapter(2026); National Bureau of Economic Research, Generative AI at Work(2023, published 2025); Elise Paradis 외, How much does AI impact development speed? An enterprise-based randomized controlled trial(2024); Model Evaluation & Threat Research, Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity(2025)