[AI] 85만원 내고 AI Summit Seoul 2026 다녀온 후기 — 결국 모델보다 시스템이었다
2026년 8월, 코엑스에서 열린 AI Summit Seoul 2026에 하루 종일 다녀왔다.
네, 정말 85만원이다.
MIT Technology Review 구독까지 포함된 구성.
그래서 하루를 다 듣고 나니 자연스럽게 한 가지 질문이 남았다.
결론부터 말하면, 새로운 모델 이름을 많이 외워온 행사는 아니었다.
오히려 하루 종일 여러 세션을 이어 듣고 나니 계속 반복해서 등장하는 메시지가 하나 있었다.
그 모델이 실제 업무를 안전하게 끝내는 시스템을 만드는 게 더 중요해지고 있다.
01. 일단 행사부터 — 올해 주제는 “Beyond Adoption”
AI Summit Seoul & Expo 2026은 8월 19~21일 코엑스에서 열렸고, 컨퍼런스는 19~20일 양일간 진행됐다. 올해로 9회차였고, Agentic AI, Physical AI, Enterprise AI, AI Infrastructure처럼 2026년에 기업들이 가장 많이 고민하는 주제가 거의 다 들어가 있었다.
공식 프로그램상 오전은 Keynote, 오후는 관심 분야별 Parallel Track으로 나뉘는 구조였다. 컨퍼런스 참가자는 Expo도 같이 볼 수 있고, 식사와 간식도 포함된 구성이라 정말 아침부터 저녁까지 AI다.
02. 하루를 관통한 흐름: Perception → Model → Workflow → Outcome
세션은 각자 다른 주제를 이야기했지만, 개인적으로는 하루 전체가 아래 흐름처럼 연결돼 보였다.
이게 하루를 듣고 나서 가장 크게 남은 구조였다.
AI가 답을 잘하는가?에서 AI가 업무를 끝까지 잘 수행하는가?로 질문이 이동하고 있었다.
03. 가장 기억에 남은 Keynote: Agentic AI ≠ Autonomy
오전 Larry Heck 교수의 Keynote와 이어진 Panel에서 가장 강하게 남은 메시지는 이것이었다.
it's a meeting of minds.
처음엔 조금 의외였다.
2026년이면 다들 “더 자율적인 Agent”를 이야기할 것 같았는데, 발표의 초점은 오히려 자율성의 위험에 가까웠다.
특히 인상 깊었던 표현:
실패하는 게 아니라 성공해버릴 수 있다.
이 말이 꽤 무섭다.
일반 software bug는 error나 crash로 드러난다. 그런데 Agent가 사용자의 의도를 잘못 이해한 뒤 planning → tool calling → execution까지 아주 완벽하게 수행하면 결과는 겉보기엔 정상이다.
↓
Goal Alignment
↓
Clarification / Confirmation
↓
Planning
↓
Tool Calling
↓
Execution
↓
Validation
즉 Planner와 Executor만 잘 만든다고 좋은 Agent가 되는 게 아니다. “지금 우리가 같은 목표를 보고 있는가?”를 확인하는 계층이 먼저 필요하다.
04. “First Prompt is an Opening Bid”
이 세션에서 개인적으로 가장 실무적이라고 느낀 문장이다.
사람은 처음부터 완벽한 requirement를 주지 않는다.
인간 동료라면 이 말을 듣고 바로 3시간짜리 작업을 시작하지 않는다.
- 어떤 고객군인가?
- 어떤 KPI를 기준으로 볼 것인가?
- 지난 분기와 비교할 것인가?
- 보고서용인가, 분석용인가?
Agent도 마찬가지다.
↓
Conversation
↓
Clarification
↓
Shared Intent
↓
Task
발표에서는 perfect prompt 조건과 현실적인 불완전 prompt 조건 사이의 매우 큰 성능 차이도 제시됐다.
숫자 자체보다 중요한 메시지는 명확했다. Perfect Prompt ≠ Real Human Interaction.
05. LLM이 좋아지면서 오히려 사라진 것: Control
과거 Conversational AI는 구조가 꽤 명시적이었다.
↓
Belief State
↓
Policy
↓
Dialogue Manager
↓
Action
LLM은 이걸 하나의 거대한 모델 안에 흡수했다.
덕분에 대화는 훨씬 자연스러워졌고 open-domain reasoning도 강해졌다.
대신 enterprise 시스템 입장에서는 Intent / State / Policy가 모델 내부 black box로 들어간 셈이다.
그래서 발표에서 나온 방향이 Sidecar Controller다.
06. Sidecar Controller — LLM을 바꾸지 말고 LLM을 제어하라
Goal Alignment · Ask/Act · State · Repair · Validation
↓
User ↔ Conversation ↔ LLM
↓
Agent Orchestrator
↓
RAG · API · Database
↓
Verification
핵심 문장은 이것이었다.
Control the LLM.
발표에서는 LLM보다 훨씬 작은 controller로 conversation quality를 크게 개선한 연구 사례도 소개됐다. 이 역시 세션에서 제시된 수치라 실제 적용 전에 원 연구 조건 확인은 필요하다.
그래도 architecture 관점의 메시지는 강했다.
Model 자체를 다시 작게 분해하려 하지 말고, Goal / State / Approval / Validation을 모델 바깥에서 통제하자는 것.
07. Agent 평가는 “정답 맞았나?”로 끝나지 않는다
이 부분은 내가 요즘 Agent observability를 볼 때 느끼던 문제와 정확히 겹쳤다.
기존 benchmark는 대개:
Agent는 이렇게 움직인다.
↓
Agent
↓
Tool
↓
Result
↓
Re-plan
↓
Tool
↓
Human?
↓
Outcome
이 전체 경로가 Trajectory다.
Completeness
Policy Compliance
Retry Count
Tool Calls
Human Escalation Rate
Latency
Cost
Business KPI
이걸 보면서 “Agent를 모델처럼 평가하면 안 된다”는 말이 확실히 이해됐다.
08. 성공률보다 더 재밌었던 KPI: Cost of a Successful Outcome
Agent는 한 번 답하고 끝나는 모델 API가 아니다.
↓
20 LLM calls
↓
10 tool calls
↓
5 retries
↓
1 successful outcome
결과만 보면 성공이다.
그런데 그 성공 하나를 만들기 위해 API 비용, tool 비용, 사람 review 시간, latency가 얼마나 들었을까?
= Total Agent Spend / Successful Outcomes
이건 실제 enterprise Agent KPI로 꽤 좋은 framing이라고 느꼈다.
Task Success Rate가 95%여도 사람보다 5배 비싸고 2배 느리면 좋은 자동화가 아닐 수 있다.
09. Long Context보다 Context Selection
Panel에서 또 기억에 남은 주제가 Memory였다.
처음에는 “Agent가 더 오래 기억해야 한다”는 이야기일 줄 알았다. 그런데 방향은 조금 달랐다.
≠
Context Selection
사람도 모든 과거 대화를 같은 중요도로 기억하지 않는다.
Agent도 현재 task에 필요한 정보, 최신 상태, 허용된 정보, 사용자가 기대하는 기억만 가져와야 한다.
이건 RAG와도 그대로 연결된다.
Long context window를 많이 채우는 게 좋은 context engineering은 아니다.
10. Long-Horizon 다음은 Duration이 아니라 Continuity
Kay Zhu의 설명에서는 Agent의 발전을 실행시간으로도 볼 수 있었다.
2025 · Super Agent → minutes
2026 · Long-Horizon Agent → hours / days
Next · AI Colleague → continuity
그런데 오래 실행하는 것 자체가 목표는 아니다.
진짜 동료처럼 되려면 며칠 뒤 다시 업무를 이어도 “지난번에 왜 그렇게 결정했는지”를 알아야 한다.
11. 오후 세션에서 다시 확인한 것: 모델 자체는 점점 Commodity Layer로 간다
오후 Track C를 정리하면서 가장 강하게 남은 건 “모델 race가 끝난다” 같은 단순한 주장은 아니었다.
모델 격차가 줄어들수록 차별화의 중심이 모델 바깥으로 이동한다는 이야기였다.
Cost · Latency · Deployment
Evaluation · Feedback · Governance
결국 기업이 경쟁하는 건 “어떤 모델을 샀는가?”보다 “모델을 업무 시스템으로 얼마나 안정적으로 조합했는가?”에 가까워진다.
12. Agent는 LLM이 아니라 업무 수행 시스템이다
오후 발표자료를 정리하면서 가장 명확하게 표현된 구조였다.
↓
Context
↓
Model
↓
Tools
↓
State
↓
Evaluate / Retry
좋은 모델을 하나 넣었다고 좋은 Agent가 만들어지는 게 아니다.
오히려 직원을 생각하면 이해가 쉽다.
필요한 시스템에 접근해야 하고,
권한 범위가 있어야 하고,
진행상태를 기억해야 하고,
결과를 검토받아야 하고,
실패하면 다시 시도하거나 사람에게 넘겨야 한다.
13. 금융권에서 제일 현실적인 답: Controlled Autonomy
이 부분은 내 업무와 가장 직접적으로 연결됐다.
모든 Agent action에 사람 승인을 붙이면 자동화가 아니다. 반대로 모든 action을 autonomous하게 허용하면 금융권에서는 너무 위험하다.
Policy · Permission · Money · PII · Reversibility
Auto Execute
Human Review
내부 검색이나 초안 작성은 자동으로.
계약, 금액, 개인정보, Production 변경처럼 실패 비용이 큰 작업은 승인 후 실행.
이 정도가 지금 금융권 Agent의 현실적인 표준형에 가깝다고 느꼈다.
14. 보험 Agent에 가져오면 이런 구조가 된다
↓
Intent & Goal Understanding
↓
Clarification
↓
Policy Retrieval
↓
Evidence Retrieval
↓
Reasoning
↓
Decision Support
↓
Validation
↓
Human Approval
↓
Final Decision
이 구조에서 Human-in-the-loop는 단순한 compliance checkbox가 아니다.
Goal Alignment와 예외 판단을 담당하는 기능이다.
Agent는 자료 수집, 약관 검색, 누락 탐지, 비교, 초안 작성처럼 반복적이고 계산적인 일을 맡고, 사람은 책임이 필요한 판단에 집중한다.
앞으로의 Agentic RAG는 Retrieval + Goal Alignment + Interaction + Validation 쪽으로 확장될 가능성이 크다.
15. 가장 기억하기 쉬웠던 비유: Robot 말고 Iron Man Suit
하루 종일 Agent 이야기를 듣고, 결론이 “사람을 없애자”가 아니라는 게 오히려 흥미로웠다.
지금의 Agent는 사람을 통째로 대체하는 직원보다는 사람이 더 넓은 범위의 업무를 처리하게 만드는 증강 시스템에 가까워 보인다.
16. 그래서 85만원 값어치를 했나?
이건 꽤 애매하다. 😂
✓ Agentic AI를 기술·비즈니스·거버넌스까지 연결해서 볼 수 있음
✓ 혼자 논문 읽을 때 놓치는 “업계 분위기”를 체감
✓ 금융권 AI Platform에 바로 연결되는 아이디어가 많았음
✓ MIT Technology Review 구독 패키지도 꽤 괜찮음
✗ Parallel Track이라 좋은 세션이 겹치면 하나는 포기해야 함
✗ 30분 내외 세션은 기술적으로 깊게 파기엔 짧음
✗ 일부 발표는 vendor/product 메시지가 강함
✗ 그냥 “최신 기술 구경” 목적으로 오기엔 가성비가 떨어짐
회사 교육비 + 직무 연관성이 높다면 추천.
특히 AI Engineer / AI Platform / Enterprise AI를 하고 있다면 단순한 모델 발표보다 “실제로 기업에서 Agent를 어떻게 운영할 건가?”를 고민하는 데 꽤 도움이 된다.
17. 하루 듣고 실제로 가져온 것 7개
18. 결국 내가 가장 크게 느낀 것
컨퍼런스에 가기 전에는 “2026년 최신 Agent는 얼마나 더 똑똑해졌을까?”가 궁금했다.
그런데 다녀오고 나니 질문이 조금 바뀌었다.
“가장 좋은 모델을 누가 먼저 쓰느냐”보다
“좋은 모델을 얼마나 통제 가능한 업무 시스템으로 만드느냐”에 더 가까워질 것 같다.
LLM은 이미 굉장히 똑똑하다.
이제 남은 어려운 문제는 사용자의 진짜 의도를 이해하고, 필요한 context만 가져오고, 적절한 tool을 사용하고, 위험하면 멈추고, 결과를 검증하고, 다음날에도 일을 이어가는 것이다.
그리고 이건 더 이상 “모델 문제”가 아니다.
이제는 AI Engineering보다
AI Systems Engineering의 시간이 오고 있는 것 같다.
References
01. AI Summit Seoul & Expo 2026 — Official Website
02. AI Summit Seoul 2026 — Conference Program
03. AI Summit Seoul — Super AI Agent Panel
04. AI Summit Seoul — Andrew Dai Session
05. AI Summit Seoul × MIT Technology Review Membership
06. 본문 현장 사진 3장 — 직접 촬영
07. AI Summit Seoul 2026 세션 transcript 기반 개인 정리 자료
08. 「AI가 업무가 되는 순간」 Track C Knowledge Share 자료