AI·자동화 트렌드
RPA vs AI 에이전트, 우리 회사엔 뭐가 맞을까 — 자동화 적합성 3축 진단법
RPA와 AI 에이전트 자동화의 차이 — 우리 회사엔 어떤 게 맞을까
RPA는 정해진 규칙을 그대로 재생하고, AI 에이전트는 상황을 판단해 다음 행동을 스스로 정합니다. 이 한 줄이 둘을 가릅니다.
금요일 오후, 잘 돌던 RPA 봇이 갑자기 멈춥니다. 원인을 찾아보면 대개 별거 아니에요. 협력사 포털이 로그인 화면을 개편하면서 버튼 위치가 5픽셀 옮겨간 것뿐입니다. 그런데 봇은 그 버튼을 못 찾아 그대로 서 버리고, 밀린 정산 건은 사람이 밤새 손으로 처리합니다. 반대편엔 이런 장면도 있죠. "AI 에이전트 하나 붙이면 그거 다 해결됩니다"라는 영업 멘트. 정말 그럴까요?
둘 다 자동화지만 작동 원리가 다릅니다. 하나를 고르는 문제가 아니라, 업무를 뜯어보고 어디에 무엇을 붙일지 진단하는 문제예요. 이 글은 그 진단법을 다룹니다.
한눈 요약:
- RPA는 규칙 재생, AI 에이전트는 판단 실행입니다.
- 규칙이 명확하고 반복량이 많으면 RPA가 더 빠르고 쌉니다.
- 사람이 문서를 읽고 판단하던 일이라면 에이전트 신호입니다.
- 대부분의 정답은 둘을 나눠 쓰는 하이브리드입니다.
RPA와 AI 에이전트, 뭐가 다른가요?
RPA는 정해진 규칙대로 화면을 클릭하고, AI 에이전트는 상황을 판단해 스스로 다음 행동을 정합니다.
RPA(로봇 프로세스 자동화)는 사람이 미리 짜둔 순서를 그대로 재생하는 매크로에 가깝습니다. "이 창을 열고, 저 값을 복사해, 여기에 붙여라." 규칙 밖의 일이 나오면 판단하지 못하고 멈춥니다. 반면 AI 에이전트는 대규모 언어모델(LLM)이 목표를 받아, 어떤 도구를 어떤 순서로 쓸지 스스로 결정합니다. Anthropic은 이 차이를 정해진 코드 경로를 따르는 워크플로와, 모델이 자기 과정과 도구 사용을 직접 지휘하는 에이전트로 구분합니다.1
보충. "에이전트"라는 말이 요즘 아무 데나 붙어서 혼란스러운데, 기준은 하나예요. 다음 행동을 사람이 코드로 못 박아 뒀는가, 아니면 모델이 그때그때 정하는가.
| 구분 | RPA | AI 에이전트 |
|---|---|---|
| 작동 원리 | 규칙 기반 실행(정해진 순서 재생) | 판단·추론 기반 실행(스스로 순서 결정) |
| 입력 데이터 | 정형·구조화 데이터 | 비정형 포함(문서·메일·대화) |
| 예외 상황 | 규칙 밖이면 중단·오류 | 대안을 스스로 탐색 |
| 비유 | 정확한 자동 재생기 | 매뉴얼을 읽고 판단하는 신입 |
RPA가 아직 더 나은 경우는 언제인가요?
화면과 규칙이 잘 안 바뀌고, 같은 일을 대량으로 반복한다면 RPA가 더 낫습니다.
에이전트가 화제라고 멀쩡한 RPA를 걷어낼 이유는 없어요. 매일 수천 건씩 같은 양식의 세금계산서를 ERP에 옮기는 일엔 판단이 끼어들 여지가 없습니다. 규칙이 명확할수록 RPA는 빠르고 싸고 예측 가능합니다. 특히 규제·감사가 걸린 업무에서는 "왜 이렇게 처리했는지"를 한 줄씩 되짚을 수 있어야 하는데, RPA의 결정론적 실행이 이 추적성에서 강합니다. 에이전트의 확률적 판단은 같은 입력에도 다른 결과를 낼 수 있어 감사 대응이 까다롭죠.
| 상황 | 왜 RPA가 유리한가 |
|---|---|
| 구조화 데이터 처리 | 규칙이 명확해 판단이 필요 없음 |
| 고빈도·저변동 업무 | 반복량 많고 절차가 거의 안 바뀜 |
| 규제·감사 대상 업무 | 결정 과정을 한 줄씩 추적·재현 가능 |
AI 에이전트가 필요한 신호는 무엇인가요?
매번 사람이 문서를 읽고 판단해서 처리하던 일이라면, 그게 바로 에이전트 신호입니다.
RPA로 짜다가 예외 처리 분기가 규칙보다 많아지는 순간, 방향을 바꿔야 합니다. 고객 문의 메일을 읽고 의도를 파악해 답하거나, 서식이 제각각인 PDF 계약서에서 핵심 조항을 뽑아내는 일은 규칙으로 다 못 적습니다. McKinsey는 현재의 생성형 AI와 관련 기술이 직원 업무 시간의 60~70%를 자동화할 잠재력이 있다고 분석했는데,2 그 상당 부분이 바로 이 "읽고 판단하는" 영역입니다. 규칙으로 못 적던 일이 자동화 사정권에 들어온 거예요.
| 신호 | 예시 업무 |
|---|---|
| 비정형 데이터 | 문의 메일 분류, PDF·이미지에서 정보 추출 |
| 예외가 규칙보다 많음 | 케이스마다 처리가 갈리는 승인·심사 |
| 판단이 개입 | 우선순위 결정, 요약, 초안 작성 |
자동화 적합성 3축 — 우리 업무는 어디에 있나요?
업무 하나를 세 축으로 채점해 보세요. AX Lab은 이를 자동화 적합성 3축이라 부릅니다. 반복성, 정형성, 판단개입도. 각 축을 상·중·하 3점으로 매기면 세 값의 조합이 RPA·에이전트·하이브리드를 가릅니다.
읽는 법은 간단해요. 반복성 高·정형성 高·판단개입 低면 RPA입니다. 정형성 低·판단개입 高면 에이전트고요. 반복도 많은데 판단도 끼면, 뒤에서 다룰 하이브리드가 답입니다.
| 축 | 던질 질문 | 채점 | 판단 기준 |
|---|---|---|---|
| 반복성 | 같은 일을 얼마나 자주 하나요? | 상=매일 다량 | 高일수록 투자 회수 빠름 |
| 정형성 | 입력·절차가 정해져 있나요? | 상=서식 고정 | 정형 高 → RPA |
| 판단개입도 | 사람의 해석·결정이 필요한가요? | 상=케이스마다 다름 | 판단 高 → 에이전트 |
비용·리스크는 어떻게 다른가요?
RPA는 유지보수비가, AI 에이전트는 환각(잘못된 답을 그럴듯하게 지어내는 것) 리스크가 핵심 비용입니다.
RPA는 초기 구축이 빠른 대신, 앞의 그 "버튼 5픽셀" 사고처럼 대상 시스템 UI가 바뀔 때마다 손이 갑니다. 봇이 늘수록 유지보수 부담이 눈덩이처럼 커지고요. Deloitte는 RPA를 봇 50개 이상 규모로 확장한 조직이 소수에 그쳐, 파일럿은 되는데 규모를 못 키우는 격차가 크다고 봤습니다.3 에이전트는 UI 변경에 강한 대신, 틀린 판단을 자신 있게 내놓는 환각 리스크를 안습니다. 그래서 사람 검토(휴먼 인 더 루프)와 로그가 비용에 포함됩니다.
| 항목 | RPA | AI 에이전트 |
|---|---|---|
| 초기 구축 | 빠름·저렴 | 설계·검증 부담 |
| 주요 유지비 | UI 변경 대응·봇 관리 | 검토 절차·로그·모델 비용 |
| 핵심 리스크 | UI 변경 취약성(멈춤) | 환각(그럴듯한 오답) |
RPA와 AI 에이전트를 같이 써도 되나요?
네, 오히려 권장됩니다. AI가 판단하고 RPA가 실행하는 구조로 나누면 각자의 약점을 서로 덮어요.
가장 안정적인 하이브리드는 역할을 쪼갭니다. 비정형 입력을 읽고 "이건 승인, 이건 반려, 이건 사람 확인"까지 정하는 판단은 에이전트가, 승인 확정 뒤 ERP에 값을 정확히 밀어넣는 반복 실행은 RPA가 맡습니다. 판단의 유연함과 실행의 정확함을 한 파이프라인에 담는 셈이죠. 환각이 걱정되는 최종 결정에는 사람 승인 한 단계를 끼워 넣습니다.
| 단계 | 담당 | 예 |
|---|---|---|
| 읽기·판단 | AI 에이전트 | 메일·문서 해석, 분기 결정 |
| 사람 확인 | 담당자 | 리스크 큰 건 최종 승인 |
| 실행·기록 | RPA | ERP 입력, 정형 처리 |
도입 전 무엇부터 확인해야 하나요?
도구가 아니라 업무부터 진단하세요. 실패한 프로젝트의 공통 원인은 대개 하나였습니다. 도구를 먼저 고르고 업무를 끼워 맞춘 것. 순서를 뒤집어, 업무를 유형별로 한 줄씩 적어 아래 표에 대입하는 게 먼저입니다.
| 업무 유형 | 데이터 형태 | 판단 필요 | 권장 방식 |
|---|---|---|---|
| 정형 반복 입력 | 구조화 | 없음 | RPA |
| 문서·메일 해석 | 비정형 | 있음 | AI 에이전트 |
| 해석 후 정형 처리 | 혼합 | 부분 | 하이브리드 |
| 규제·감사 대상 | 구조화 | 없음 | RPA(추적성 우선) |
결론
RPA냐 AI 에이전트냐는 이분법이 아닙니다. 회사 전체에 하나를 도입하는 게 아니라, 업무를 반복성·정형성·판단개입도로 진단해 그 자리에 맞는 도구를 붙이는 일이에요. 규칙이 명확한 곳엔 RPA, 판단이 필요한 곳엔 에이전트, 둘이 만나는 곳엔 하이브리드. 오늘 당장 할 일 하나만 꼽자면, 팀의 반복 업무 다섯 개를 3축으로 채점해 보세요. 어디에 무엇을 붙일지가 표 위에서 저절로 드러납니다.
자주 묻는 질문 (FAQ)
Q. RPA와 AI 에이전트의 근본 차이는 한마디로 뭔가요? A. 실행 방식입니다. RPA는 정해진 규칙을 재생하고, AI 에이전트는 상황을 판단해 다음 행동을 스스로 정합니다.
Q. 지금 쓰는 RPA를 AI 에이전트로 다 바꿔야 하나요? A. 아니요. 규칙이 명확하고 반복량이 많은 업무는 RPA가 더 빠르고 쌉니다. 예외 분기가 규칙보다 많아질 때가 전환 신호입니다.
Q. 비개발 조직도 도입할 수 있나요? A. 가능합니다. 다만 도구 선택보다 업무 진단이 먼저예요. 반복성·정형성·판단개입도로 후보 업무를 골라내는 일부터 시작하면 실패를 줄입니다.
Q. 도입이 실패하는 가장 흔한 원인은? A. 도구를 먼저 정하고 업무를 끼워 맞추는 순서입니다. 특히 RPA는 파일럿은 되는데 확장에서 막히는 경우가 많습니다.
출처
- Anthropic, 『Building Effective Agents』 (2024) — https://www.anthropic.com/engineering/building-effective-agents
- McKinsey, 『The economic potential of generative AI: The next productivity frontier』 (2023) — https://www.mckinsey.com/capabilities/mckinsey-digital/our-insights/the-economic-potential-of-generative-ai-the-next-productivity-frontier
- Deloitte, 『Global RPA Survey』 — https://www2.deloitte.com/
편집자 노트(발행 전 확인, 본문에 포함하지 마세요): McKinsey 60~70%와 Deloitte 확장 관련 수치는 실재 자료로 판단하나 이번 작성 시 원문 재대조를 못 했습니다. 발행 전 두 수치의 정확한 문구·연도, 그리고 Deloitte 딥링크를 원문에서 한 번 확인해 주세요. Anthropic 문서는 URL·정의 모두 안정적입니다.
Footnotes
-
Anthropic 『Building Effective Agents』(2024): 정해진 코드 경로를 따르는 "워크플로"와, 모델이 스스로 과정·도구 사용을 지휘하는 "에이전트"를 구분한 1차 자료. ↩
-
McKinsey 『The economic potential of generative AI』(2023): 현재의 생성형 AI·관련 기술이 직원 업무 시간의 60~70%를 자동화할 잠재력이 있다고 분석. ↩
-
Deloitte 『Global RPA Survey』: RPA를 봇 50개 이상 규모로 확장한 조직이 소수에 그쳐, 파일럿-확장 격차가 크다는 조사 결과. ↩