오픈클로 시대, 수요예측 실무자가 알아야 할 모든 것

오픈클로는 GPT나 클로드 같은 AI 언어 모델에 ‘눈과 손’을 달아주는 오픈소스 에이전트 프레임워크입니다. 이를 활용하면 단순히 AI가 질문에 답하는 데 그치지 않고, ERP에 접속해 데이터 수집부터 예측 갱신, 재고 발주까지 전 과정을 스스로 계획하고 실행할 수 있게 해줍니다. 깃허브에서 14만 5천 개가 넘는 ‘스타’를 받으며 순식간에 AI를 사용하는 현장에서 큰 이슈로 떠올랐지만, 동시에 데이터 유출과 보안 취약점에 대한 국내외 기업들의 우려도 커지고 있습니다.

이렇게 상반된 흐름 속에서, 수요예측 실무자와 의사결정자 모두에게 같은 질문이 생깁니다. 해외 경쟁사들은 이미 AI 에이전트로 성과를 내고 있는데, 우리 조직에서는 무엇을 어떻게 판단해야 할까요?

이 글은 바로 그 질문에 실질적으로 답하고자 합니다. 오픈클로가 수요예측 워크플로를 어떻게 바꿔놓는지, 글로벌 선도 기업들은 어떤 구조로 성과를 냈는지, 그리고 보안 위협이 실제로 어떤 모습인지, 마지막으로 체계적인 거버넌스가 없는 조직이라면 현실적으로 어디서부터 시작할 수 있을지까지—기술 도입을 고민하는 데 필요한 정보를 하나의 흐름으로 정리합니다. 이제는 어떤 기술을 쓸지보다 어떻게 설계하느냐가 더 중요한 시점입니다. 이 글이 그런 판단의 기준이 되길 바랍니다.

‍

에이전트 프레임워크로서의 오픈클로

언어 모델과 에이전트 프레임워크의 차이

오픈클로(OpenClaw)를 이해하려면 먼저 흔한 오해를 바로잡을 필요가 있습니다. 오픈클로는 GPT나 클로드 같은 언어 모델이 아닙니다. 기존 AI 언어 모델에 "눈과 손"을 달아주는 오픈소스 에이전트 프레임워크입니다. 언어 모델이 질문에 답하는 도구라면, 에이전트 프레임워크는 그 모델이 스스로 계획을 세우고, 외부 시스템에 접속하며, 작업을 실행하게 만드는 플랫폼입니다.

수요예측 실무에서의 의미

수요예측 실무에서 이 기술의 의미는 분명합니다. 에이전트가 매일 새벽마다 ERP 시스템에 접속해 전일 판매 데이터를 자동으로 불러오고, 기상청에서 주간 날씨 정보까지 수집합니다. 이렇게 모은 모든 자료를 예측 모델에 바로 넣어 SKU별 수요를 최신으로 갱신하는 전 과정을, 사람의 클릭 한 번 없이 스스로 처리할 수 있다는 얘기죠.  

또 한 가지, 이전 예측에서 오차가 컸던 품목을 기억해두었다가 다음 날에는 그 품목과 관련된 외부 변수까지 더 넓게 찾아보며 스스로 점점 개선해 나갈 수도 있습니다.

이런 점이 단순한 자동화와는 다릅니다. 기존 자동화가 미리 정해진 규칙만 계속 반복하는 방식이라면, 에이전트는 상황을 직접 판단해 다음 행동을 스스로 고릅니다. 결국 수요예측의 여러 과정에서 사람이 직접 개입해야 했던 고민이나 결정을 점차 대신 맡길 수 있게 해주는 기술이기도 합니다.

‍

글로벌 선도 기업들의 AI 에이전트 활용 사례

월마트의 자가 치유형 재고 시스템

월마트는 AI 예측 모델 하나만을 단독으로 쓰지 않습니다. 여러 전문화된 디지털 에이전트가 배송, 주문량, 타이밍을 실시간으로 판단하고, 날씨나 교통, 수요 변화에 따라 끊임없이 예측을 조정합니다.

특히 신선식품은 하루에도 여러 번 예측 결과를 수정해 불필요한 폐기를 줄이고, 갑자기 나타나는 일회성 이상치는 자동으로 '망각'해 미래 예측이 왜곡되지 않도록 설계해 두었습니다. 예상보다 재고가 빨리 소진될 경우, AI가 보충 일정을 알아서 조정하고 물류 흐름까지 다시 설계하는 ‘자가 치유형’ 시스템도 함께 운영 중입니다. 월마트 공급망 기술 부사장인 인디라 우풀루리는 “공급망의 모든 단계를 다양한 지능이 움직이고 있다”고 설명합니다.

아마존·유니레버·P&G의 초세분화 예측 전략

아마존은 2025년 6월, 새로운 대형 AI 예측 모델을 내놓으면서 미국, 캐나다, 멕시코, 브라질에서 하루 4억 개가 넘는 상품 수요를 예측하고 있습니다. 과거 판매 기록뿐 아니라 날씨, 공휴일, 지역 선호도 등 시간에 따라 변하는 데이터를 함께 반영해, 딜 이벤트의 장기·국가 단위 예측 정확도를 10%, 인기 상품의 지역별 예측 정확도를 20% 높였습니다.

유니레버와 월마트 멕시코의 협업도 눈길을 끕니다. SKU, 매장, 일 단위 데이터를 최대 5년치까지 자동 수집해 매일 310만 개의 예측 조합을 만들어내고, 이 데이터를 바탕으로 멕시코 전역에 2천만 케이스의 보충 물량을 자동으로 처리합니다. 덕분에 충족률 98%와 1년 만에 매출 12% 성장이란 결과를 얻었습니다.

P&G도 개별 제품과 매장 수준까지 세분화된 예측을 도입해, 연간 예측 정확도를 24%포인트 높이고, 품절률을 15% 줄였으며, AI 최적화 도입만으로 연간 23억 달러의 비용 절감을 기대하고 있습니다.

이 기업들의 사례에서 공통적으로 알 수 있는 점은, 하나의 예측 모델에만 의존하지 않는다는 점입니다. 데이터 수집, 예측 실행, 재고 조정, 이상 탐지 등 각각의 역할에 맞는 에이전트들이 유기적으로 협력하고, 사람은 예외 상황과 중요한 의사결정에 집중하는 구조로 바뀌고 있습니다. 에이전트 기반 수요 예측은 이미 개념 단계를 넘어, 실제 현실에서 활발히 운영되고 있습니다.

‍

국내 기업들이 문을 잠근 이유, 그리고 진짜 위협

잇따른 사용 금지 조치

‍

2026년 2월 8일, 네이버·카카오·당근이 동시에 사내망에서 오픈클로 사용을 금지했습니다. 3일 뒤 우아한형제들이 뒤따랐습니다. 카카오는 "회사의 정보자산을 보호하기 위해 사내망 및 업무 기기에서의 오픈클로 사용을 제한한다"고 공식 입장을 밝혔고, 우아한형제들 CISO는 "잠재적 데이터 유출 경로를 차단하고 사용자 정보를 보호하기 위한 조치"라고 설명했습니다.

수요예측 에이전트가 대응해야 할 보안 위협

이 분야 기업들이 걱정하는 보안 위협은 결코 막연하지 않습니다. 오픈클로 에이전트의 경우, 사용자 계정 권한을 그대로 넘겨받아 이메일이나 소스코드, 기밀 문서까지 자유롭게 접근할 수 있습니다. 이렇게 모인 데이터가 아무런 필터 없이 외부 AI 서버로 전송될 위험도 있습니다.

가장 큰 위협으로 꼽히는 것은 '간접 명령 탈취'입니다. 이는 에이전트가 읽는 문서나 이메일, 웹페이지 등에 악성 명령이 숨어 있을 경우, 에이전트가 이를 정상적인 지시로 착각해 예기치 않은 행동을 하게 만드는 공격 방식입니다. 실제로 2026년 2월, 구글 문서에 삽입된 악성 명령 때문에 오픈클로 에이전트를 통해 사용자 파일이 유출되고 삭제되는 사례가 공개적으로 시연되기도 했습니다.

수요예측 에이전트 구조 자체도 이런 공격에 취약합니다. 예를 들어, 공급업체 이메일을 열람하고 시장 데이터를 수집해 ERP 시스템에 발주를 넣는 에이전트의 경우, 필요한 정보를 찾고, 외부 데이터를 모으고, 직접 시스템까지 조작하는 능력을 모두 갖추고 있습니다. 이런 복합적인 역할이 바로 보안 전문가들이 위험 신호를 보내는 지점입니다.

특히 국내 제조, 유통, 식품 업계의 경우, 생산 계획이나 원자재 구매 정보, 거래처 단가 같은 매우 민감한 정보가 수요예측 프로세스 안에 모여 있으므로, 에이전트를 도입할 때 반드시 데이터 보안 설계를 미리 꼼꼼하게 점검해야 합니다.

‍

에이전틱 AI(Agentic AI) 거버넌스의 핵심 요소

문을 아예 잠가버리는 것과 문을 열어두되 잘 통제하는 것은 완전히 다른 접근입니다. 2026년 현재, 후자를 실현하기 위한 프레임워크가 빠르게 발전하고 있습니다.

에이전트를 감시하는 가디언 에이전트

2025년 6월, 가트너가 제시한 가디언 에이전트 개념은 앞으로의 거버넌스 방향을 잘 보여줍니다. 이제 인간이 에이전트의 속도를 따라가기 힘들기 때문에, 에이전트를 감시하는 또 다른 에이전트를 두자는 생각에서 시작됐습니다. 이 가디언 에이전트는 크게 세 가지 역할로 나눌 수 있습니다.  

• AI가 만든 결과물의 정확성과 적절한 사용 여부를 검토하는 리뷰어
• 에이전트의 행동을 관찰하고 기록해서 필요한 후속 조치를 유도하는 모니터
• 에이전트가 작업을 수행하는 과정에서 그 권한이나 행동 자체를 직접 조정하거나 차단할 수 있는 프로텍터

가트너 부사장 아비바 리탄은 “에이전트의 빠른 자율화가 전통적인 인간 감독 방식을 넘어서 새로운 대응을 요구한다”고 분석했습니다.

위험도 기반 인간 승인 설계와 데이터 추적 체계

실질적인 거버넌스 설계에는 두 가지 중요한 축이 있습니다.  

첫 번째는 위험도에 따라 단계적으로 인간의 승인을 받는 구조입니다. 예를 들어 일상적인 예측 갱신이나 소규모 자동 발주 등은 에이전트가 자율적으로 처리합니다.

반면, 신제품 출시와 같은 대규모 물량 결정이나 예측 신뢰도가 일정 기준 이하로 떨어지는 품목에 대해서는 담당자 승인을 반드시 받도록 하는 식이죠. 모든 것을 자동화하거나 모든 것을 사람이 일일이 확인하는 극단이 아니라, 위험도에 따라 자율성과 인간 개입의 경계를 명확하게 그어두는 게 핵심입니다.

두 번째는 데이터 추적 체계입니다. “이 예측이 어떤 POS 데이터, 어떤 날씨 데이터, 어떤 프로모션 일정에 근거해 만들어졌는가?”라는 질문에 언제든 답할 수 있어야 합니다. 이는 내부 감사에만 중요한 것이 아니라, 유럽연합의 AI법에서 요구하는 ‘설명 가능성’을 충족하는 데도 필수입니다.

또, AI 보안 관리 시스템을 통해 에이전트가 어느 시스템에 접근하고 어떤 정보를 외부로 반출하는지 실시간 모니터링하는 체계 역시 함께 갖춰야 합니다.

‍

수요예측에서 AI 에이전트는 어떻게 활용될 수 있을까

앞서 살펴본 에이전틱 AI의 가능성을 수요예측에 구체적으로 적용해보면, 가장 눈에 띄는 부분은 예측모델과 LLM 에이전트가 만들어내는 시너지입니다. 이 두 기술은 기본적으로 역할이 다르기 때문에, 오히려 함께 쓸 때 각자의 한계를 효과적으로 보완할 수 있습니다.

예측모델과 LLM 에이전트의 역할 분담

수요예측에서 가장 중요한 것은 시계열 데이터를 토대로 미래 판매량을 정밀하게 뽑아내는 일입니다. 이 작업은 LLM이 대신할 수 있는 영역이 아닙니다. LLM은 텍스트를 이해하고 만들어내는 데 뛰어난 도구이지만, 수백 개 변수의 조합으로 다음 분기 SKU별 출하량을 세밀하게 계산하는 용도로 설계된 모델은 아니기 때문이죠.

예를 들어 임팩티브AI의 딥플로우처럼 전문 예측모델은 내부 판매 데이터, 거시경제지표, 날씨, 프로모션 이력 같은 다양한 요소를 학습해 고정밀 수요 예측값을 산출합니다. 200개가 넘는 딥러닝과 머신러닝 모델, 그리고 72건의 특허 기술이 그 정밀도를 뒷받침합니다.

AI 에이전트의 역할은 여기서 시작됩니다. 예측모델이 산출한 결과와 데이터를 단순히 보여주는 데서 그치지 않고, LLM을 바탕으로 한 에이전트가 이 정보를 실무자가 이해하기 쉬운 방식으로 녹여내어 인사이트로 전달하는 것입니다.

실무자가 “다음 달 재고 리스크가 높은 SKU는 어디인가요?”라고 질문하는 상황을 생각해볼 수 있습니다. 이때 에이전트는 딥플로우의 예측 결과를 해석해 위험 품목을 요약해주고, 과거 비슷한 사례와 비교해 대처 방안까지 제안합니다. 부서마다 필요한 정보가 다를 때는, 예를 들어 세일즈팀엔 주목해야 할 기회 품목을, SCM팀엔 리스크 품목을 중심으로 맞춤형 보고서를 자동으로 만들어낼 수도 있습니다. 예측모델이 ‘숫자’를 만들고, LLM 에이전트가 그 숫자를 바탕으로 ‘의사결정’의 형태로 바꿔주는 구조라고 할 수 있습니다.

이런 시너지를 구현하려는 기술적 시도가 이미 현실에서 이뤄지고 있습니다. 예측 결과를 자동으로 해석하거나, 이상 징후 발생 시 자연어로 실시간 알림을 보내고, 부서별 맞춤 리포트를 제공하는 등 예측 엔진과 AI 에이전트가 결합된 형태로 수요예측 기술은 빠르게 발전하고 있습니다.

AI 에이전트를 활용한 소비자 조사의 혁신

수요예측은 과거 판매 데이터 분석으로만 이루어지는 것이 아닙니다. 소비자 조사, 선호도 조사도 수요를 사전에 읽는 데 매우 중요한 역할을 합니다. 특히 신제품을 출시하거나 새로운 시장에 진입할 때는 참고할 과거 데이터가 아예 없기 때문에, 소비자 목소리를 직접 듣는 과정이 꼭 필요합니다.

하지만 기존 방식으로는 설문을 설계하고, 패널을 모집해, 응답을 받고, 분석하고, 보고서를 쓰기까지 수주에서 수개월이 소요됩니다. 들어가는 비용도 만만치 않습니다. 게다가 시장 변화가 워낙 빠르다 보니, 조사 결과가 나올 때쯤이면 이미 상황이 바뀌어버리는 경우도 많습니다.

AI 에이전트는 이 모든 과정을 뒤집어놓을 수 있습니다. 타겟 소비자 페르소나를 담아 설계된 LLM 에이전트가 설문에 응답하고, 수천 건에 달하는 응답 데이터를 단시간 내에 생성해냅니다. 이렇게 쌓인 데이터를 바탕으로 시장 조사 보고서를 자동으로 작성하면, 기존 방식과 비교해 시간과 비용 면에서 혁신적인 변화가 가능합니다.

임팩티브AI의 마켓뷰는 이러한 소비자 조사 데이터를 체계적으로 모으고 분석하는 플랫폼입니다. 여기에 AI 에이전트를 더하면 가능성은 더욱 커집니다. 에이전트가 생성한 페르소나 기반의 소비자 응답 데이터를 딥플로우 예측모델의 학습 데이터로 활용할 수 있어, 신제품처럼 데이터가 부족한 상황에서도 수요예측의 정확도를 높일 수 있습니다.

흐름을 정리해보면 이렇습니다. LLM 에이전트가 소비자 페르소나를 반영해 조사를 수행하고, 마켓뷰에서 그 데이터를 구조화합니다. 그리고 딥플로우는 이 데이터를 예측모델 학습에 활용해 신제품 수요까지 예측합니다. 이처럼 각 단계가 촘촘하게 연결되면서, 기존엔 상상하기 어려웠던 속도와 정확도를 한꺼번에 확보하게 되는 셈이죠.

‍

오픈클로 시대를 맞이하는 수요예측 전문가들의 자세

에이전틱 AI는 수요예측을 비롯한 공급망 관리 전반에 큰 변화를 몰고 올 수 있는 기술입니다. 하지만 AI 에이전트만으로는 수요예측의 핵심인 정량적 예측을 완전히 대체하기 어렵고, 반대로 예측모델만을 활용했을 때는 실무자가 직관적으로 이해할 수 있는 인사이트를 얻는 데 한계가 있습니다.

예측모델은 데이터에서 정밀한 수치를 도출하고, AI 에이전트는 그 수치를 실제로 활용 가능한 의사결정으로 바꿔줍니다. 여기에 소비자 조사 부문에서는 그동안 시간이 오래 걸렸던 작업을 단축할 수 있다는 점도 시너지로 작용하죠. 이런 흐름들이 앞으로 수요예측 분야의 경쟁력을 좌우하는 중요한 요소가 될 것입니다.

국내 제조, 유통, 식품 기업에서 수요예측 담당자라면, 에이전틱 AI 도입을 고민할 때 아래 세 가지를 먼저 점검해볼 것을 권합니다.

첫째, 자동화가 가능한 반복 업무가 얼마나 되는지 살펴보세요. 정기적으로 데이터를 모으거나, 보고서를 작성하고, 예측 결과를 배포하는 일처럼 일정하게 반복되는 작업이 전체 업무의 30% 이상을 차지한다면, 에이전트 기반 자동화가 실제로 많은 도움이 될 수 있습니다.

둘째, 중요한 의사결정 과정에 인간의 검토 단계를 어떻게 설계할지 생각해야 합니다. 예를 들어 대량 발주, 신제품 초도 물량, 원자재 구매 시기처럼 회사의 재무에 큰 영향을 주는 결정은 에이전트가 실행하기 전에 반드시 사람이 한 번 점검하는 절차를 두는 것이 필요합니다.

셋째, 데이터 보안 범위를 명확하게 나눠야 합니다. 에이전트가 접근할 수 있는 정보와 접근하지 못하도록 제한할 정보를 사전에 구분하고, 외부 AI 서버와 데이터를 주고받을 때도 철저한 관리가 이뤄질 수 있도록 환경을 갖추는 것이 중요합니다.

기술의 가능성과 한계를 똑바로 이해하고, 보안과 거버넌스를 빈틈없이 준비하며, 단계적으로 접근하는 기업이 결국 이 변화의 시기를 안정적으로 통과할 수 있습니다.

‍