[태그:] 기업 AI 도입

연간 2조 5천억 달러. 직전 해보다 44% 늘어난 규모다. 전 세계 AI 투자 전망치로 제시된 숫자인데, 바로 옆에 붙은 진단은 딴판이다. 대다수 기업은 AI로 매출을 키우지도, 일하는 방식을 근본적으로 바꾸지도 못했다.

돈과 성과 사이의 이 간극을 설명하는 말이 ‘에이전틱 전환(agentic shift)’이다. MIT 테크놀로지 리뷰의 맞춤형 콘텐츠 조직 인사이츠가 낸 보고서 소개문은 원인을 모델 성능이 아닌 구조에서 찾는다. 이 글은 그 논리를 재료로 삼아, 에이전트형 AI를 들이려는 조직이 무엇을 어떤 순서로 점검해야 하는지 풀어 쓴다.

읽기 전에 짚어 둘 점 하나. 이 보고서는 편집국이 아닌 맞춤형 콘텐츠 부서가 제작했다. 독립 취재 기사와는 성격이 다르니 주장과 근거를 갈라서 읽는 편이 좋다.

에이전틱 전환은 도구 교체가 아니라 운영 모델 변경이다

AI를 도구로 쓴다는 건 사람이 일을 하다가 필요한 순간에 AI를 불러 쓰는 방식이다. 문서 요약, 초안 작성, 코드 보조가 여기에 속한다. 업무 흐름의 주인은 여전히 사람.

운영 모델로서의 AI는 판이 다르다. 에이전트가 여러 단계를 스스로 이어서 수행하고, 사람은 목표 설정과 감독을 맡는다. 보고서 소개문이 ‘에이전틱 전환’이라고 부르는 변화가 이것이다.

구분	도구로서의 AI	운영 모델로서의 AI
일의 진행	사람이 일하다 필요한 순간에 AI를 호출	에이전트가 여러 단계를 스스로 이어서 수행
사람의 자리	업무 흐름의 주인	목표 설정과 감독

전환의 조건으로 제시된 것은 둘이다.

• 사람·프로세스·데이터를 실시간으로 연결할 것
• 그 지능을 믿고 실행에 옮기도록 거버넌스와 통제 장치를 갖출 것

두 조건 어디에도 모델 이름은 등장하지 않는다. 더 나은 모델, 더 빠른 인프라는 충분조건이 아니라는 뜻이다. 모델 성능은 대부분의 조직이 흡수하는 속도보다 빠르게 좋아지고, 성능당 비용은 계속 떨어진다. 병목은 기술 바깥에 있다.

부서마다 따로 쌓인 지능이 만드는 사일로

투자가 늘수록 흔히 나타나는 결과는 파편화다. 부서별로 AI를 따로 들이면 지능이 부서 안에만 쌓인다. 원문이 든 장면은 두 가지.

• 영업 에이전트가 같은 고객의 미해결 지원 티켓이 있다는 것을 모른다.
• 마케팅 시스템이 재무 부서가 이미 아는 고객 정보를 보지 못한 채 콘텐츠를 개인화한다.

각 기능은 따로 떼어 보면 잘 돌아간다. 문제는 회사 전체다. 전사 차원에서는 배우는 것이 적고, 행동의 근거로 삼을 정보도 줄어든다.

사일로는 사람 조직에서도 오래된 문제다. 다만 에이전트 환경에서는 비용이 더 커지는 것으로 보인다. 사람은 옆 부서에 물어 빈틈을 메우지만, 에이전트는 접근 권한이 없는 데이터를 없는 것으로 취급하고 그대로 실행하기 때문이다. 지원 티켓이 열려 있는 고객에게 영업 제안이 나가는 식의 엇박자가 자동으로, 반복해서 벌어지기 쉬운 구조다.

성과를 내는 기업은 모델보다 프로세스를 먼저 고친다

보고서의 첫 번째 핵심 결론은 기업 AI의 확장 문제가 구조적이라는 것. 성과가 꾸준한 기업에는 공통된 규율이 있다고 한다.

• 프로세스 재설계를 모델 선택보다 앞선 작업으로 취급한다.
• 기술이 앞으로 어떻게 바뀔지를 전제로 설계한다.
• 배포한 뒤에 역할과 업무 흐름을 끼워 맞추지 않는다.

방향 자체는 수긍이 간다. 다만 그 기업들이 얼마나 더 나은 성과를 냈는지는 소개문에 숫자로 나오지 않아, 근거의 두께까지 가늠하기는 어렵다.

순서가 뒤집히면 벌어질 일은 어렵지 않게 그려진다. 모델부터 고르면 기존 절차 위에 AI를 얹게 된다. 승인 단계, 인수인계, 데이터 입력 방식이 그대로이니 에이전트가 맡을 구간이 좁다. 효과도 개인 생산성 수준에 머물 가능성이 높다.

프로세스 우선 접근은 질문부터 다르다. ‘어떤 모델이 제일 똑똑한가’를 묻지 않는다. ‘이 업무에서 판단은 누가 하고, 실행은 누가 하며, 예외는 어디로 보내는가’를 먼저 정한다. 모델은 그 설계에 맞춰 끼우고, 더 나은 모델이 나오면 갈아 끼운다. 모델 성능이 빠르게 바뀌는 환경에서 이 방식이 유리해 보이는 이유다. 설계가 특정 모델에 묶여 있지 않으니까.

데이터 준비도·조합형 아키텍처·AI 주권, 세 과제 비교

아키텍처와 운영 모델을 동시에 다시 생각해야 한다는 것이 보고서의 주문이다. 구체적 과제는 세 가지로 나뉜다.

과제	벗어날 것	지향점
데이터 인프라	양을 쌓는 데 맞춘 구조	접근성을 기준으로 재구축
아키텍처	고정된 기술 스택	모델과 도구가 바뀌어도 함께 진화하는 조합형 구조
AI 주권	답을 미뤄 둔 상태	지능이 어디서 실행되는지, 누가 통제하는지, 조직·관할 경계를 넘어 어떻게 운영되는지 확정

셋 중 두 번째 핵심 결론과 직결되는 것이 데이터다. 데이터를 가진 것과 AI가 쓸 준비가 된 데이터를 가진 것은 전혀 다른 일이고, 대부분의 기업이 이를 너무 늦게 깨닫는다는 지적이다.

‘AI가 쓸 준비가 된 상태’를 실무 언어로 풀면 대략 아래와 같다. 일반적인 해석이며 원문이 열거한 항목은 아니다.

• 어디에 어떤 데이터가 있는지 목록이 있다.
• 같은 고객, 같은 제품을 부서마다 다른 이름으로 부르지 않는다.
• 누가 어디까지 볼 수 있는지 권한이 정의돼 있다.
• 에이전트가 프로그램 방식으로 조회할 통로가 있다.

해법으로 제시된 것은 ‘주권형·조합형 기반’. 데이터를 한곳으로 옮기거나 모으지 않고, 데이터가 있는 자리에서 조회하고 가공한다. 이렇게 하면 원시 데이터 자산이 에이전트가 행동에 쓸 지능으로 바뀐다는 설명이다.

중앙 집중을 피하는 이유도 명시돼 있다. 데이터 거주(레지던시) 법규, 멀티클라우드 환경, 구조적 복잡성. 이 셋 때문에 한곳에 모으는 방식이 갈수록 비현실적이 되고 있다. 모델이 어디서 돌고 데이터가 어디에 머무는지를 스스로 통제해야 적응력이 유지된다는 논리다.

방향은 나왔는데 설계도는 빠져 있다. 이 기반을 무엇으로 구현하는지가 소개문에 없으니, 이 대목은 원칙 수준으로 받아들이는 편이 맞다.

데이터 위치 규제를 받는 국내 기업에 이 논리가 닿는 지점

원문은 한국을 언급하지 않는다. 아래는 원문의 논리를 국내 환경에 대입한 내용이며, 추정인 항목은 따로 표시했다.

• 데이터 이전 부담이 큰 업종일수록 ‘옮기지 않는 방식’의 의미가 크다(추정). 개인정보의 국외 이전이나 금융·공공 분야 데이터의 보관 위치를 따지는 규칙이 적용되는 조직은 데이터를 해외의 단일 저장소로 모으기 어렵다. 있는 자리에서 조회하는 구조는 이런 제약과 충돌이 적다.
• 계열사·부서별로 시스템이 갈라진 조직은 사일로 진단이 먼저다(추정). 영업, 고객지원, 마케팅, 재무가 서로 다른 시스템을 쓰는 구조라면 원문이 묘사한 파편화가 그대로 재현되기 쉽다.
• 도입 검토 문서의 첫 장이 달라진다. 모델 비교표보다 업무 흐름도와 데이터 접근 권한표가 앞에 와야 한다는 것이 프로세스 우선 접근의 실무적 결론이다.
• 주권 질문은 계약 조항으로 내려온다(추정). 모델이 어느 지역에서 실행되는지, 입력 데이터의 통제권이 누구에게 있는지를 공급사 계약 단계에서 확인해야 한다.

개인 사용자에게 바로 달라지는 것은 없다. 이 논의는 조직 단위의 설계 문제다.

확인된 것과 아직 불확실한 것

확인된 사실

• 전 세계 AI 투자 전망치는 연간 2조 5천억 달러, 직전 해 대비 44% 증가로 제시됐다.
• 대다수 기업은 AI로 매출을 늘리거나 운영 방식을 근본적으로 바꾸는 단계에 이르지 못했다고 보고서는 진단한다.
• 지속적으로 수익을 내는 기업은 프로세스 재설계를 모델 선택보다 앞에 둔다는 것이 핵심 결론 중 하나다.
• 데이터를 옮기지 않고 있는 자리에서 조회·가공하는 주권형·조합형 기반이 해법으로 제시됐다.
• 이 보고서는 편집국이 아닌 맞춤형 콘텐츠 부서가 만들었다. 사람이 조사하고 집필했으며, AI 도구를 썼더라도 사람의 감독 아래 제작 공정에 한정했다고 밝혔다.

미확정 사항

• 소개문에는 조사 대상 기업 수, 설문 방법, 업종 구성이 나와 있지 않다.
• 프로세스 우선 기업이 얼마나 더 높은 성과를 냈는지 보여 주는 수치는 소개문에서 확인되지 않는다.
• 주권형·조합형 기반을 구현하는 구체적 제품이나 기술 구성은 제시되지 않았다.
• 보고서 제작을 의뢰한 후원사가 어디인지 소개문만으로는 알 수 없다.
• 국내 기업에 같은 결론이 그대로 적용되는지는 별도 검증이 필요하다.

에이전트 도입 전에 조직이 답해야 할 다섯 가지 질문

1. 어떤 프로세스를 다시 설계하는가. 모델 이름이 아닌 업무 이름으로 프로젝트를 정의한다. 판단, 실행, 예외 처리의 주체를 단계별로 적는다.
2. 에이전트가 봐야 할 데이터가 어디에 있는가. 부서별 시스템을 나열하고 서로 보지 못하는 구간을 표시한다. 영업–지원, 마케팅–재무처럼 원문이 예로 든 조합부터 살핀다.
3. 그 데이터는 옮겨야 쓰는가, 있는 자리에서 쓰는가. 이전이 필요한 설계라면 거주 규정과 멀티클라우드 구성에 걸리는 부분을 확인한다.
4. 모델이나 도구를 바꿀 때 무엇을 다시 만들어야 하는가. 전체를 다시 짜야 한다면 고정 스택이다. 부품 단위로 교체된다면 조합형에 가깝다.
5. 누가 통제하고 누가 책임지는가. 실행 위치, 접근 권한, 사람 승인이 필요한 행동의 범위를 문서로 남긴다.

다섯 질문 가운데 모델 성능을 묻는 항목은 하나도 없다. 투자 규모가 커져도 성과가 따라오지 않는 이유를 구조에서 찾는다면, 예산도 모델 비용보다 프로세스 설계와 데이터 접근성 쪽으로 무게를 옮기는 것이 논리적으로 맞다. 어떤 모델을 쓸지는 이 질문들에 답한 뒤에 정해도 늦지 않다.

출처: MIT Tech Review AI