기업 AX, AI 도구보다 먼저 바꿔야 할 운영 기반

도구 배포와 운영 전환은 다릅니다

보고서 작성, 번역, 검색 보조에 AI를 쓰는 것과 핵심 업무 흐름을 다시 설계하는 것은 다른 단계입니다. 전자는 개인의 작업 속도를 높일 수 있지만, 후자는 조직이 같은 데이터와 책임 규칙을 공유해야 작동합니다.

ZDNet Korea 인터뷰에서 김동환 포티투마루 대표는 AX를 AI 기능 하나를 붙이는 일이 아니라 데이터의 위치와 형태, 사용 방식부터 정리하고 업무 체계와 정보 흐름을 다시 설계하는 문제로 설명했습니다.

OpenAI 공식 영상 설명도 앞서가는 기업이 AI를 활용해 산업을 다시 구상한다고 말합니다. 다만 이는 제품 로드맵을 소개하는 회사 관점이며 실제 고객 ROI를 검증한 조사로 읽어서는 안 됩니다.

제조 사례가 보여준 순서와 남은 검증

인터뷰에 따르면 포티투마루는 한 제조 대기업의 설계 자동화 프로젝트에서 전문 엔지니어 50명이 2개월 맡던 초안 작업을 2명이 10일 만에 처리하도록 했습니다. 이 수치는 변화의 크기를 보여주는 회사 측 사례 설명입니다.

중요한 대목은 AI 적용 이전입니다. 보도는 2017년 당시 여러 설계 인력의 문서가 개인 PC에 흩어져 있었고, 자료 정비·표준화·중앙 집중화를 선행한 뒤 AI를 단계적으로 적용했다고 전합니다.

그러나 고객명, 작업 난도, 측정 기간, 오류율, 재작업, 전체 비용은 공개되지 않았습니다. 따라서 인력과 기간 수치를 독립 검증된 생산성이나 다른 기업에 그대로 적용할 수 있는 ROI로 확대해서는 안 됩니다.

AX를 시작하는 네 가지 운영 질문

첫째, 어떤 문서와 데이터가 기준본인지 정합니다. 위치만 모으는 데서 끝내지 말고 최신성, 소유자, 접근권한, 보존 기한을 붙여야 합니다.

둘째, 업무 단위를 좁힙니다. 입력과 출력, 예외 상황, 품질 기준을 정의해야 도입 전후의 같은 일을 비교할 수 있습니다.

셋째, 사람의 승인 지점을 정합니다. 고객 응답, 금액 결정, 외부 시스템 변경처럼 되돌리기 어려운 행동에는 책임자와 중단 절차가 필요합니다.

넷째, 속도와 비용만 보지 않습니다. 오류율, 재작업률, 승인 대기, 데이터 정비 비용, 운영 인력과 장애 대응 시간을 같은 장부에 기록해야 합니다.

중소·중견기업에는 범위 통제가 먼저입니다

김 대표는 중소·중견기업의 장애 요인으로 초기 비용, 불확실한 ROI, 운영 인력 부족을 들었습니다. 이 조건에서는 전사 AX 선언보다 반복 빈도가 높고 품질을 측정할 수 있는 한 업무를 고르는 편이 검증에 유리합니다.

첫 실험의 목표는 거대한 자동화가 아니라 기준선을 만드는 것입니다. 현재 처리 시간과 오류, 사람 개입량을 기록한 뒤 제한된 범위에서 AI를 적용해야 개선과 비용을 함께 볼 수 있습니다.

결론적으로 기업 AX는 AI 사용 횟수의 경쟁이 아닙니다. 데이터 기반, 책임 경계, 같은 업무의 전후 측정이 준비됐을 때 도구의 성능을 조직의 실행력으로 바꿀 수 있습니다.

일회성 도입표를 반복 가능한 운영 장부로 바꿉니다

NIST의 AI 위험관리 프레임워크는 조직이 AI 위험을 다루는 기능을 Govern, Map, Measure, Manage로 나눕니다. 이 글에서는 이를 제품 인증이나 성과 보증으로 쓰지 않습니다. 대신 누가 결정하는지, 어떤 업무 맥락에서 위험이 생기는지, 무엇을 측정할지, 발견한 문제에 어떻게 대응할지를 한 주기로 연결하는 점을 AX 운영 질문에 적용합니다.

예를 들어 설계 초안 자동화라면 모델 정확도 하나만 기록해서는 부족합니다. 기준 문서의 갱신 주기, 접근권한 변경, 사람이 수정한 비율, 잘못된 초안이 다음 공정으로 넘어간 횟수, 중단 뒤 복구 시간까지 같은 장부에 남겨야 합니다. 그래야 처리 시간이 줄었어도 재작업과 통제 비용이 늘어난 경우를 발견할 수 있습니다.

책임도 구체적인 이름과 시점으로 나눠야 합니다. 데이터 소유자는 기준본과 접근권한을, 업무 책임자는 허용 가능한 오류와 승인 단계를, 기술 운영자는 모델·프롬프트·검색 설정의 변경 기록을 맡을 수 있습니다. 최종 승인자는 고객·금액·안전처럼 되돌리기 어려운 결과를 외부로 보내기 전에 멈출 권한을 가져야 합니다.

이 구조는 대규모 조직만을 위한 것이 아닙니다. 중소·중견기업은 한 업무, 한 데이터 저장소, 한 승인 경계로 범위를 좁혀도 됩니다. 중요한 것은 실험 시작 전에 기준선을 쓰고, 종료 날짜에 같은 정의로 다시 측정하며, 결과가 나쁘면 이전 절차로 돌아갈 조건을 미리 합의하는 것입니다.

성과표에는 속도와 함께 품질·비용·통제를 적습니다

인터뷰의 50명·2개월에서 2명·10일이라는 변화는 눈길을 끌지만, 공개된 정보만으로 계산할 수 없는 항목이 많습니다. 두 집단이 같은 난도의 초안을 만들었는지, 검수와 재작업 시간이 포함됐는지, 데이터 정비와 시스템 운영에 몇 명이 투입됐는지 확인되지 않았습니다. 따라서 이 숫자는 후속 질문을 만드는 출발점이지 구매 결정을 끝내는 ROI가 아닙니다.

내부 성과표는 최소한 처리 시간, 완료 건수, 오류율, 재작업률, 사람 검토 시간, 예외 건수, 장애 시간, 데이터 정비 비용을 같은 기간에 기록해야 합니다. 비용에는 이용료뿐 아니라 권한 관리, 품질 검수, 교육, 통합, 사고 대응도 포함합니다. 품질 기준이 다른 두 기간을 비교하지 않도록 표본과 업무 정의도 함께 보관합니다.

결과를 읽을 때는 평균만 보지 않습니다. 반복 업무의 대부분이 빨라졌어도 드문 고위험 오류가 고객이나 생산 공정에 큰 손실을 만들 수 있습니다. 그래서 정상 작업과 예외 작업을 분리하고, 자동 처리율과 사람에게 되돌아온 비율을 함께 봅니다. 측정값이 좋아도 승인 로그가 비어 있다면 통제가 작동했다는 결론은 보류합니다.

OpenAI 영상은 기업이 AI로 산업을 다시 설계한다는 방향을 제시하고, ZDNet Korea 인터뷰는 한 제조 사례의 실행 순서를 보여주며, NIST 프레임워크는 위험을 반복 관리하는 공통 구조를 제공합니다. 세 자료의 역할은 서로 다릅니다. 함께 읽을 때 얻는 결론은 특정 도구의 우월성이 아니라 전략 메시지, 현장 주장, 운영 통제를 분리해 확인해야 한다는 것입니다.