Scale Across the Enterprise: Capgemini 고객이 PoC 대신 묻는 거버넌스·비용·보안 확산법
Capgemini CEO Aiman Ezzat은 고객이 이제 PoC가 아니라 거버넌스·비용·보안을 지키며 전사로 넓히는 법을 묻는다고 말합니다. 물류사 에이전트 운영은 연 2,700만 건을 처리해 생산성 40~50%를 올리고 회수 기간을 5~8일 줄였습니다. 자산운용사는 앱 180개를 AI 데스크톱 하나로 바꿔 약 300만 유로를 아꼈습니다. AI 비용 귀속 JSON과 8주 확산 계획을 붙였습니다.
Capgemini CEO Aiman Ezzat은 고객의 AI 수요가 줄지 않았고 질문이 PoC에서 거버넌스·비용·보안을 지키며 전사로 넓히는 법으로 옮겨 갔다고 봅니다. 따라 하려면 AI 비용을 과제·플랫폼·사용자 단위로 귀속하는 장부와, 생산성뿐 아니라 현금 흐름 같은 결과 지표로 확산을 판정하는 기준부터 갖춰야 합니다.
요약
diginomica의 Stuart Lauchlan은 2026년 11월 2일 기사에서 Capgemini CEO Aiman Ezzat의 발언을 정리했습니다. 2026년에는 AI 투자 수익에 실망했다는 기업 이야기가 늘었지만, Ezzat은 미국 서부와 CEO 미팅에서 본 분위기가 정반대라고 말합니다. 그는 IT 예산보다 고객이 AI로 사업을 바꾸려는 의지를 더 중요한 신호로 봅니다. 고객은 이제 도구 배포나 PoC(Proof of Concept, 개념 검증) 대신 두 가지를 묻습니다. AI가 사업을 어떻게 바꾸는지, 그리고 거버넌스와 비용, 보안을 쥔 채 전사로 어떻게 넓히는지입니다. Ezzat은 이 대화를 기반을 현대화하는 대화와 에이전트로 업무를 운영하는 대화로 나눕니다.
근거로 든 것은 고객 사례입니다. 한 자산운용사는 고객 응대 직원이 오가던 앱 180개를 AI 통합 데스크톱 하나로 바꿔 개발 과정에서 약 300만 유로를 아꼈습니다. 한 글로벌 물류사의 에이전트 운영 체계는 연 2,700만 건 넘는 거래를 처리하며 생산성을 40~50% 올리고 대금 회수 기간을 5~8일 줄였습니다. 생명과학 회사는 AI 지출을 과제와 사용자에 귀속하는 비용 모델을 들였습니다. 은행은 데이터 상품 납기를 앞당겨 새 매출 기회를 찾았습니다. 파트너 구조도 바뀌었습니다. 2026년 상반기 Capgemini 수주의 65%가 하이퍼스케일러·대형 소프트웨어사와 함께 따낸 것입니다. Ezzat은 비용 대신 결과를 목표로 잡으면 AI가 서비스 범위를 오히려 넓힌다고 봅니다. 아래에서는 이 발언을 여섯 가지 장치로 나눠 보고, 실제로 확산할 때 필요한 기술·현업 디테일을 덧붙입니다.
핵심 메커니즘
Two Conversations: 기반 현대화와 에이전트 운영을 나눠 묻기
Ezzat은 고객과의 대화를 둘로 나눕니다. modernization conversation(현대화 대화)은 현대화한 기술·데이터 기반 위에서 AI를 넓혀 쓰는 문제를 다룹니다. agentic operations conversation(에이전트 운영 대화)은 업무 프로세스를 에이전트가 도는 구조로 바꾸고 운영까지 맡는 문제입니다. 앞의 대화가 “AI가 돌 수 있는 바닥이 있나”를 묻는다면, 뒤의 대화는 “어떤 업무를 누가 운영하나”를 묻습니다. 데이터가 흩어져 있는 회사는 앞쪽부터, 기반이 갖춰진 회사는 뒤쪽부터 시작하는 식으로 순서를 고를 수 있습니다. 가상 예시를 들면, ERP 전환을 막 끝낸 제조사는 구매 송장 처리를 에이전트 운영으로 넘기는 대화부터 시작할 수 있습니다.
Outcome over Cost: 비용 대신 결과를 겨냥하면 범위가 넓어진다
Ezzat은 경영진이 손익(P&L)을 꼼꼼히 본다는 점을 인정합니다. 그래서 Capgemini는 intelligent operations(AI로 업무 운영을 맡는 서비스)로 지출을 정당화할 결과를 보여 주려 합니다. 그의 논리는 이렇습니다. 비용 절감만 목표로 잡으면 AI는 사람이 하던 일을 덜어 내는 데 그치고 맡는 일의 범위가 줄어듭니다. 생산성, 현금 흐름, 매출처럼 결과를 목표로 잡으면 AI가 손댈 업무가 오히려 늘어납니다. 물류사 사례에서 효율 개선이 회수 기간 단축으로 이어진 것이 그 예입니다. 효과를 비용 절감으로만 보고하는 조직이라면 지표 체계부터 다시 볼 일입니다.
Control Plane: AI 지출을 과제·플랫폼·사용자에 귀속하는 agentic TCO
Ezzat이 control plane(AI 사용과 비용을 위에서 관리하는 층)의 예로 든 것은 생명과학 회사입니다. Capgemini는 이 회사에 agentic TCO(Total Cost of Ownership, 에이전트를 포함한 AI의 총소유비용) 모델을 배치하고 있습니다. 사용량을 비용과 사업 책임자에 연결하는 전사 AI 경제 모델입니다. 모델·플랫폼 사용량이 들어오면 비용으로 환산해 과제, 플랫폼, 사용자에 나눠 붙인 뒤 누가 얼마를 써서 어떤 가치를 냈는지를 한 화면에서 보여 줍니다. 고객이 “비용을 쥔 채 확산”하려면 먼저 필요한 장치입니다. 에이전트가 수십 개로 늘어난 뒤에 붙이면 귀속할 근거가 사라지므로, 첫 확산 때 같이 설계합니다.
Agentic System of Operation: 효율 지표를 현금 지표로 잇는 운영
글로벌 물류사에 들어간 agentic system of operation(에이전트가 돌리는 업무 운영 체계)은 연 2,700만 건 넘는 거래를 처리합니다. 생산성은 40~50% 올랐고 고객사 단위로 대금 회수 기간이 5~8일 줄어 현금이 그만큼 빨리 들어옵니다. 거래량이 많고 규칙이 분명한 업무에서 에이전트가 처리 속도를 올리면, 그 효과가 운전자본 같은 재무 지표에 바로 나타납니다. Ezzat은 이 사례를 효율을 넘어선 효과의 예로 듭니다. 거래 건수가 적거나 건마다 판단이 크게 갈리는 업무라면 같은 효과를 기대하기 어렵습니다.
Four Layers of IP: 한 번의 해결책을 재사용 자산으로
Ezzat은 프로젝트마다 쌓이는 경험을 네 개 층으로 묶어, 한 고객에게 만든 해결책을 다른 고객에게 다시 쓰는 자산으로 바꾼다고 설명합니다. 자체 에이전트와 모델, 재사용 가속기와 프레임워크, 다듬은 도메인 데이터와 특허, 조직에 쌓인 노하우입니다. 물류사 사례도 이 층들이 플랫폼으로 묶인 예로 소개됩니다. 발주 기업 입장에서는 파트너가 가져오는 재사용 자산이 어느 층인지 물으면, 구축 기간과 종속 위험을 미리 가늠할 수 있습니다.
Partner Ecosystem과 Sovereignty: 여러 모델을 조합하되 주권은 지키기
2026년 상반기 Capgemini 수주의 65%는 하이퍼스케일러·대형 소프트웨어사와 공동으로 따냈습니다. Ezzat은 이 폭 덕분에 고객이 필요한 모델과 플랫폼을 섞어 쓰면서 sovereignty(데이터·시스템을 자국·자사 통제 아래 두는 주권) 요건도 맞출 수 있다고 봅니다. 프런티어 AI 랩과의 관계도 연초보다 크게 좋아졌다고 말합니다. 함께 수주하고 있으며 한 유럽 AI 랩 팀은 Capgemini와 고객을 같이 방문했습니다. 주권 사례로는 국가 긴급 통신망 현대화, 보험사의 비유럽 클라우드 의존 점검, 여러 나라 방산 기업의 공동 엔지니어링 환경을 들었습니다. 인프라부터 핵심 시스템, AI 모델까지 어디에 의존하는지 지도를 그리는 일이 공통입니다.
통념과 다른 주장
흔히 이렇게 봅니다2026년 들어 기업들이 AI 투자 수익에 실망하면서 수요가 식고 있습니다.
Ezzat은 이렇게 봅니다경영진의 AI 수요는 그 어느 때보다 높습니다. 질문의 수준이 PoC에서 전사 확산으로 올라갔을 뿐입니다.
근거CEO 미팅에서 고객은 도구 배포가 아니라 거버넌스·비용·보안을 지킨 확산을 묻습니다. 물류사·자산운용사처럼 수치가 나온 사례가 쌓이고 있습니다.
흔히 이렇게 봅니다에이전트가 일을 대신하면 IT 서비스 회사의 일감은 줄어듭니다.
Ezzat은 이렇게 봅니다비용이 아니라 결과를 겨냥하면 AI가 다루는 범위는 오히려 넓어집니다.
근거물류사 사례에서 생산성 개선이 대금 회수 기간 단축이라는 재무 효과로 이어졌습니다.
흔히 이렇게 봅니다AI 랩이 컨설팅 조직을 세우면 IT 서비스 회사와 경쟁합니다.
Ezzat은 이렇게 봅니다랩과는 경쟁하지 않고 함께 수주합니다. 랩 쪽은 인력이 모자라 기회를 다 따라오지 못할 정도입니다.
근거연초보다 관계가 크게 좋아졌고 한 유럽 AI 랩 팀이 Capgemini와 함께 고객을 찾았습니다.
저자가 든 사례
사례 1. 자산운용사의 AI 통합 데스크톱
| 상황 | 한 일 | 결과 | 연결 |
|---|---|---|---|
| 고객 응대 직원이 앱 180개를 오가며 일함 | 사내 지식과 고객 정보를 바탕으로 한 AI 통합 데스크톱. 통화 중 실시간 안내, 통화 메모 자동 작성 | 직원 만족도 43%, UX 납기 30~50% 단축, Agentic SDLC로 개발 과정에서 약 300만 유로 절감 | Two Conversations, Outcome over Cost |
사례 2. 글로벌 물류사의 에이전트 운영
| 상황 | 한 일 | 결과 | 연결 |
|---|---|---|---|
| 대규모 반복 거래 운영 | agentic system of operation 도입 | 연 2,700만 건 이상 처리, 생산성 40~50% 향상, 고객사 단위 회수 기간 5~8일 단축 | Agentic System of Operation, Four Layers of IP |
사례 3. 생명과학 회사의 agentic TCO
| 상황 | 한 일 | 결과 | 연결 |
|---|---|---|---|
| 전사 AI 지출의 쓰임과 가치를 보기 어려움 | 사용량을 비용·사업 책임자에 잇는 전사 AI 경제 모델 배치 | AI 지출을 과제·플랫폼·사용자로 추적, 사용량과 가치를 한눈에. 절감액은 원문에서 밝히지 않음 | Control Plane |
사례 4. 은행의 AI 데이터 상품
| 상황 | 한 일 | 결과 | 연결 |
|---|---|---|---|
| 데이터 상품 납기가 느리고 데이터 마찰이 큼 | agentic 상품·서비스로 AI 데이터 상품 납기 단축 | 여러 사업부에서 고가치 데이터 자산을 수익화할 기회. 금액은 원문에서 밝히지 않음 | Outcome over Cost |
기술 디테일: 비용을 쥔 채 넓히려면
아래 필드명, 설정값, 숫자는 모두 원문에 없는 가상 예시입니다. 기사가 밝힌 방향을 실제로 돌릴 때 필요한 것을 정리했습니다.
agentic TCO(Control Plane)를 직접 만들려면 모든 AI 호출에 태그를 강제하는 것부터 시작합니다. 모델 게이트웨이(사내 LLM 프록시)를 하나 두고 호출마다 initiative_id, platform, user_id가 없으면 거절합니다. 청구서는 일 단위로 받아 토큰·GPU 시간·벡터 검색 건수에 단가를 곱해 비용 행을 만듭니다. 태그가 빠진 비용은 unallocated로 따로 쌓아 그 비율을 주간 지표로 봅니다. 가치는 과제 KPI 테이블과 initiative_id로 조인해 같은 행에 붙입니다. 에이전트 하나가 여러 모델을 부르면 agent_run_id로 묶어 한 번의 업무 처리 단가를 계산합니다.
{
"date": "2026-11-04",
"initiative_id": "AP-INVOICE-AGENT",
"platform": "azure-openai",
"model": "gpt-class-large",
"user_id": "svc-ap-agent-01",
"agent_run_id": "run-88213",
"tokens_in": 182000,
"tokens_out": 24000,
"cost_eur": 3.42,
"unit": "invoice",
"units_done": 140,
"cost_per_unit_eur": 0.024,
"business_owner": "재무운영팀장",
"kpi_link": "dso_days"
}Agentic System of Operation처럼 대량 거래를 돌리려면 에이전트를 한 덩어리로 두지 말고 추출, 대사(장부 맞추기), 예외 판단을 단계별 호출로 나눕니다. 추출과 대사는 temperature 0에 JSON 스키마를 강제하고 결과마다 confidence를 0~1로 냅니다. 0.9 이상만 자동 처리하고 나머지는 사람 큐로 보냅니다. 기준값은 처음 2주 동안 사람이 판정한 표본 500건으로 맞춥니다. 같은 문서를 3회 돌려 필드 값이 갈리면 자동 처리에서 뺍니다. 효과는 건당 처리 시간만 재지 말고 회수 기간처럼 재무 지표로 함께 기록해야 결과 기준으로 보고할 수 있습니다.
Four Layers of IP를 발주 기업 쪽에서 쌓으려면 파트너가 만든 프롬프트, 평가 세트, 도메인 데이터 사전을 계약 산출물로 받아 사내 저장소에 둡니다. 평가 세트는 업무마다 정답이 있는 사례 200건 이상을 유지합니다. 모델이나 프롬프트를 바꿀 때마다 전부 다시 돌려 점수 하락이 2%p를 넘으면 배포를 막습니다. 이렇게 해 두면 파트너나 모델을 바꿔도 같은 기준으로 비교할 수 있습니다.
Sovereignty 요건을 맞추려면 시스템마다 데이터 위치, 모델 공급사, 클라우드 리전, 대체 경로를 적은 의존 지도를 만듭니다. 필드는 system, data_class, region, provider, fallback, rto_hours 정도면 됩니다. 민감 데이터 등급은 허용 리전 밖으로 나가는 호출을 게이트웨이에서 막습니다.
| 실패하는 경우 | 대응 (가상 예시) |
|---|---|
| 태그 없는 호출이 늘어 비용 귀속이 안 됨 | 게이트웨이에서 태그 누락 호출 거절, unallocated 비율 주간 보고 |
| 에이전트 처리량은 늘었는데 재무 효과가 안 보임 | 건당 시간과 함께 회수 일수·오류 재작업률을 같은 대시보드에 기록 |
| 신뢰도 높은 오답이 자동 처리됨 | 자동 처리 표본 주 50건 사람 재검토, 오답 나오면 기준값 상향 |
| 모델 교체 뒤 품질 하락 | 평가 세트 전체 재실행, 2%p 이상 하락 시 배포 차단 |
| 특정 클라우드 중단 시 업무 정지 | 의존 지도의 fallback 경로를 분기마다 전환 시험 |
현업 실행 디테일: 누가, 언제, 무엇을
PoC를 마친 업무를 전사로 넓힌다면 역할부터 나눕니다. 아래 표와 일정, 기준은 모두 가상 예시입니다.
| 역할 | 맡는 일 (가상 예시) |
|---|---|
| CFO·재무 | AI 비용 귀속 규칙 확정, 과제별 손익 판정, 결과 지표(회수 일수 등) 승인 |
| CIO·플랫폼팀 | 모델 게이트웨이와 태깅, 로그 파이프라인 구축, 벤더·모델 선택 |
| 사업 오너 | 업무별 outcome 지표 선정, 확산 범위와 순서 결정 |
| 보안·법무 | 데이터 위치와 주권 요건 점검, 벤더 의존 지도 승인 |
| 파트너사 | 구축·운영 지원, 재사용 자산 제공, 산출물 이관 |
시작 전 준비물은 네 가지입니다. 지난 6개월 AI 관련 청구서와 사용 로그, PoC를 마친 업무 목록과 각 업무의 현재 지표, 데이터 등급 분류표, 파트너·클라우드 계약서입니다.
| 기간 | 할 일 | 산출물 |
|---|---|---|
| 1~2주 | 확산 대상 업무 1~2개 선정, 비용·outcome 기준선 측정 | 기준선 보고서, 지표 정의서 |
| 3~4주 | 게이트웨이 태깅 적용, 비용 귀속 대시보드 구축, 의존 지도 작성 | TCO 대시보드, 의존 지도 |
| 5~6주 | 사람과 병행하는 그림자 운영, 자동 처리 기준값 조정 | 불일치 목록, 기준값 확정 |
| 7~8주 | 재무·사업·보안이 함께하는 판정 회의 | 확대·보류·중단 결정서 |
확인 질문은 이렇게 준비합니다. 지금 AI 지출 가운데 어느 과제에 붙일 수 없는 비용이 몇 퍼센트입니까? 이 업무의 효과를 비용 절감 말고 어떤 재무 지표로 보여 줄 수 있습니까? 에이전트가 사람 승인 없이 처리해도 되는 건의 조건은 무엇입니까? 이 업무가 기대는 모델과 클라우드가 멈추면 몇 시간 안에 대체할 수 있습니까? 파트너가 만든 자산 가운데 계약이 끝나도 우리에게 남는 것은 무엇입니까?
진행 판정 기준은 업무마다 다시 정하되, 출발점은 네 가지입니다. 비용 귀속률 90% 이상, 합의한 자동 처리율 달성, 기준선 대비 outcome 지표 개선, 보안 예외 0건입니다. 보안 예외가 한 건이라도 나오면 확산을 멈추고 원인을 고친 뒤 2주를 다시 봅니다.
AX 적용 제언. 국내 기업이 이 발언에서 가져갈 것은 수요 전망보다 확산의 전제 조건입니다. PoC를 여러 개 돌린 회사라면 다음 과제를 고르기 전에 AI 비용 장부부터 만듭니다. 과제마다 비용과 결과가 한 행에 붙어야 CFO가 확산을 승인할 수 있습니다. 첫 확산 대상은 물류사 사례처럼 거래량이 많고 재무 지표와 바로 이어지는 업무, 예를 들어 매출채권 처리나 구매 송장 대사가 좋습니다. 파트너를 고를 때는 하이퍼스케일러와의 공동 체계와 함께, 어느 층의 재사용 자산을 가져오는지와 계약 뒤 무엇이 남는지를 묻습니다. 유럽 고객과 거래하거나 규제 업종이라면 의존 지도를 첫 달에 그려 두는 편이 나중에 다시 설계하는 비용을 줄입니다.
원문 사례
| 항목 | 내용 |
|---|---|
| 원문 | diginomica, Stuart Lauchlan, 2026.11.2 |
| 인물 | Aiman Ezzat, Capgemini CEO |
| 핵심 주장 | AI 수요는 여전히 높음. 고객은 PoC 대신 거버넌스·비용·보안을 지킨 전사 확산을 물음 |
| 두 대화 | 기반 현대화 대화, 에이전트 운영 대화 |
| 자산운용사 | 앱 180개를 AI 통합 데스크톱으로 대체. 직원 만족도 43%, UX 납기 30~50% 단축, SDLC 약 300만 유로 절감 |
| 생명과학 | agentic TCO 모델로 AI 지출을 과제·플랫폼·사용자에 귀속 |
| 은행 | AI 데이터 상품 납기 단축, 여러 사업부의 데이터 자산 수익화 |
| 물류사 | 연 2,700만 건 이상 처리, 생산성 40~50%, 회수 기간 5~8일 단축 |
| 재사용 자산 | 자체 에이전트·모델, 가속기·프레임워크, 도메인 데이터·특허, 노하우의 네 층 |
| 파트너 | 2026년 상반기 수주의 65%가 하이퍼스케일러·대형 SW사 공동 |
| 주권 사례 | 국가 긴급 통신망 2030년까지 현대화, 보험사 비유럽 클라우드 의존 점검, 다국 방산 공동 엔지니어링 환경 |
| AI 랩 | 경쟁 아닌 공동 수주. 유럽 AI 랩 팀과 고객 공동 방문 |
핵심 개념
- hyperscaler
- 전 세계에 대규모 클라우드 인프라를 운영하는 사업자입니다.
- SDLC
- Software Development Life Cycle. 소프트웨어를 기획해 만들고 배포·유지하는 전 과정입니다.
- Agentic SDLC
- 개발 과정의 여러 단계에 에이전트를 넣어 속도를 높이는 방식입니다.
- intelligent operations
- Capgemini가 AI로 고객 업무 운영을 맡아 결과를 내는 서비스 영역입니다.
- frontier lab
- 가장 앞선 대형 모델을 만드는 AI 연구 기업입니다.
- collection time
- 매출이 생긴 뒤 대금이 실제로 들어오기까지 걸리는 기간입니다.
내 메모
TODO: 내 생각 추가
원문은 diginomica의 「Vive la (AI) révolution! Capgemini CEO Aiman Ezzat still sees only appetite coming from clients」(Stuart Lauchlan, 2026.11.2 게재)입니다. 요약, 핵심 메커니즘의 기사 내용, 통념과 다른 주장, 사례, 원문 사례 표는 기사 내용을 AX Review가 다시 정리했습니다. 핵심 메커니즘의 작은 예시, 기술·현업 실행 디테일, JSON 예시, 실패 대응 표, 역할·일정·판정 기준, 인포그래픽은 원문에 없는 내용으로 새로 작성했고 그 안의 필드명과 숫자는 가상 예시입니다. 기사 전문은 원문 페이지에서 볼 수 있습니다.