AI시대, 리더가 고려해야 하는 5가지
AI와 AGI 시대, 조직이 흔들리지 않기 위한 5가지 의사결정
우리는 지금, 기술이 너무 빠른 속도로 바뀌어 어떤 결정이 옳은지 판단하기 어려운 시대에 살고 있습니다. AI는 이미 많은 산업을 다시 쓰고 있고, AGI는 더 이상 공상과학의 소재가 아닙니다. 그런데, 기술 그 자체보다 더 어려운 문제는 리더가 이 변화 앞에서 "무엇을 먼저 결정해야 하는가"라는 질문에 적확한 답을 제시하는 것입니다.
저는 지난 2년간 여러 기업의 변화를 지켜보며 한 가지 흐름을 확인했습니다. 많은 기업들이 발 빠르게 AI를 조직에 녹이고 있으며, 이러한 경향성을 가진 기업일수록 일하는 방식도, 성과도, 경쟁력도 눈에 띄게 향상되고 있고, 실제 진행 중이라는 것입니다.
아직은 걸음마 단계이지만, 10개의 분야가 기업 공통의 주제(문제)로 떠오르며, 그 안에서 여러 플레이어가 등장하고, 이들을 필요로 하는 고객들이 늘어나고, 시장이 형성되고 커지고 있는 중입니다.
아래 정리된 "기업의 주요 문제 영역과 그에 대한 시장 규모와 전망"은 AI 전문 기업 솔트룩스의 온라인 세미나에서 기본 문제를 발췌, chatGPT를 통해 검증된 내용입니다. 글의 길이를 고려하여 모든 내용을 담지는 않았고, 구체적 근거가 필요하신 분들은 덧글로 내용을 전달받고 싶은 이메일 주소를 적어주시기 바랍니다.
"AI를 통해 해결 가능한 기업의 주요 문제 영역과 그에 대한 시장 규모와 전망"
1위. 지능형 문서처리(IDP) 시장
모든 산업에서 “문서 → 데이터 변환” 수요 폭발
전자계약, 보험, 공공기관, 금융 KYC 등 시장 규모 자체가 가장 큼
규제 완화 없이도 확장이 가능 ➡ 전 산업 필수 인프라
2위. 지식검색(RAG) 기반 엔터프라이즈 검색 시장
기업 내부 문서 검색, 사내위키, 매뉴얼 자동화
LLM 시대와 가장 시너지가 큰 영역
“두 번째 브레인(Second Brain) 시장” 생산성 AI 핵심 카테고리 ➡ 기업 내 도입 속도 가장 빠른 분야
3위. 지능형 고객상담 AI/챗봇 시장
콜센터 비용 절감 효과가 명확 → 기업 구매 속도 빠름
1차 응대 70% 이상 자동화 가능
금융, 통신, 이커머스가 이미 크게 투자 중 ➡ 고객 접점 자동화 시장은 규모가 매우 큼
4위. 세일즈/영업 지원 AI 시장
Salesforce·HubSpot도 가장 빠르게 확장 중인 라인업
리드 스코어링, 제안서 생성, CRM 자동 업데이트 등
기업 매출에 직결 → 예산 승인 빠름 ➡ 기업의 “바잉(Buying) 파워”가 센 영역 중 하나
5위. HR 채용/온보딩 AI 시장
채용시장 전체가 AI로 급격히 재편
인터뷰 자동 생성, JD 추천 등 이미 대체 가능한 기능 많음
글로벌 HR Tech 대기업(Locking, Workday)도 집중 투자 ➡ 인력 비용 절감 + 리스크 감소
6위. 재무/회계 자동화 시장
ERP와 직접 연결되는 영역
규정 검증·전표 처리 자동화 등 ROI가 매우 높음
다만 보수적인 시장 특성 때문에 3~5년 템포로 성장 ➡ 확장성은 크지만 도입 속도는 중간 정도
7위. 컴플라이언스/규제 모니터링 시장
금융·제약·제조에서 필수
규제 자체가 늘어나는 구조적 성장
하지만 시장 규모는 다른 영역 대비 상대적으로 작음 ➡ 특정 산업 중심의 강한 니치 시장
8위. 제조 설비 예지보전 시장
제조업 디지털 트랜스포메이션의 핵심
센서 인프라가 있는 회사부터 적용 가능
비용이 크고 도입 난이도가 높아 확산 속도는 제한적 ➡ 중장기 성장 시장
9위. 비전(vision) 기반 품질검사 시장
카메라+딥러닝 조합으로 이미 어느 정도 성숙
추가 성장 여지, “기구축된 생산라인 재투자”요구로 도입 속도 제한 ➡ 성숙기에 진입한 기술 시장
10위. 소싱/구매 자동화 시장
중요하지만 시장 규모가 다른 영역 대비 작음
벤더 비교·견적 자동화 등은 자동화 ROI가 명확함
다른 영역에 비해 기업의 우선순위가 낮음 ➡ 전략적이지만 성장성은 가장 낮음
아래 내용은 현재의 AI 관련 흐름 속에서
리더가 반드시 고민해야 할 5가지를 정리했습니다.
1. ‘AI 전담팀’보다 중요한 건, 모든 팀이 AI를 쓰는 조직이 되는 것
많은 회사가 AI를 도입할 때 가장 먼저 떠올리는 모습이 ‘AI를 잘 아는 사람들을 모아 하나의 팀으로 만드는 일’입니다. 하지만 실제로 의미 있는 성과를 낸 기업들의 방식은 조금 다릅니다. Walmart나 Goldman Sachs처럼 대규모 조직을 가진 기업들은 AI를 한 팀의 전문 영역으로 두는 것이 아니라, 모든 팀이 자연스럽게 활용하는 기본 역량으로 삼는 것이었습니다.
Walmart에서는 회계나 물류, 고객 대응 같은 업무의 흐름 안쪽에 AI가 스며들기 시작하면서 작업 속도가 눈에 띄게 빨라졌다고 합니다. 거기에 포함되는 인력들의 일하는 방식도, 투입되는 실제 인력과 그에 따른 시간도 점차 줄어들고 있다고 합니다.
Goldman Sachs도 신입 애널리스트들이 맡던 기초 분석 업무 중 상당 부분을 AI가 함께 처리하면서 리서치 보고서 작성 시간이 크게 줄어들었습니다. 즉, 이 변화의 핵심은 기술 자체가 아니라 조직 전체가 하나의 새로운 언어를 배우듯 AI를 익히도록 만드는 것이다.
2. ‘업무를 분해해 보는 일’을 지금 바로 시작해야 한다
그런데, AI를 조직에 도입해도 기대만큼 성과가 나지 않는 경우가 많습니다. 그 이유는 "AI가 무엇을 할 수 있는지 판단할 기준이 업무 안에서 명확하게 나누어져 있지 않기 때문"입니다. 쉽게 말해, 명확한 업무 관련 데이터 및 이를 뒷받침할 수 있는 다양한 정보 등이 일목요연하게 정리되어 있지 않다는 의미입니다.
JP Morgan이 좋은 예시입니다. 이 회사는 각 직무가 실제로 어떤 작업들로 구성되어 있는지 세밀하게 쪼개어 보는 과정부터 시작했습니다. 그리고 그중에서 AI가 맡을 수 있는 부분을 선별해 하나씩 맡기며 학습시켰고, 이를 토대로 AI와 인간이 공조할 수 있는 체계를 구축해 갔습니다. 그 결과 고객 문의에 대한 응답 시간은 크게 줄었고, 리스크 검토나 문서 확인 같은 작업도 훨씬 효율적으로 바뀌었습니다.
조직에 필요한 질문은 ‘AI가 우리 업무 전체를 바꿀 수 있을까?’가 아니라 ‘지금 당장 AI가 맡아도 자연스러운 일은 무엇일까?’이다. 이 작은 변화가 전체 구조를 바꾸는 첫 단계가 된다.
3. 조직 생산성의 기준을 다시 세워야 한다
이제는 생산성을 ‘절약 또는 효율’이 아니라 관점을 확장해야 합니다. 현재 우리의 현장에서 AI가 가져오는 변화는 단순히 시간을 줄여주는 정도가 아닙니다. 사람 한 명이 할 수 있는 일의 범위와 깊이가 완전히 달라지고 있습니다.
예를 들어, GitHub가 개발자에게 Copilot을 적용했을 때, 코드를 작성하고 수정하는 시간은 눈에 띄게 단축되었고, 결과적으로 개발자가 가진 생산성 자체가 크게 확장되었습니다. HubSpot 역시 마케팅과 영업 팀에서 반복 작업의 많은 부분을 AI가 맡게 되자 같은 인원이 훨씬 넓은 시장을 커버할 수 있게 됐습니다.
Github : 개발자들이 코드를 저장하고 함께 작업하는 세계 최대의 코드 협업 플랫폼.
AI 도구(Copilot)로 코딩 속도를 크게 높여주는 서비스도 제공
Hubspot : 마케팅·영업·고객관리 기능을 한 곳에서 사용할 수 있는 CRM 플랫폼.
이메일 작성, 리드 관리 등 반복 업무를 AI가 자동화해 생산성 향상에 기여
이처럼 AI 도입은 단순히 비용 절감을 위한 효율화 프로젝트가 아니라, 조직의 성능을 새롭게 정의하는 일일지도 모릅니다. 따라서 앞으로의 생산성 목표는 ‘기존 대비 조금 더 잘하자’가 아니라, ‘한 사람이 두세 명의 역량을 낼 수 있는 구조’를 만드는 것으로 관점의 전환 또는 확장을 시도해봐야 합니다.
4. AI를 제대로 활용하려면, 결국 데이터가 정리되어 있어야 한다
많은 리더가 공감하듯, 데이터는 늘 “중요하다”라고 말해왔지만 바로 시작하기엔 늘 우선순위가 미뤄지는 영역이기도 합니다. 하지만 AI 시대에는 이 부분이 더 이상 미룰 수 없는 과제가 되었습니다. 모델의 성능은 기업이 가진 데이터의 질(구조 및 체계)에 직접적으로 연결되기 때문입니다.
예를 들어, Moderna가 코로나 백신을 빠르게 개발할 수 있었던 이유 중 하나는 정확하고 정돈된 R&D 데이터를 기반으로 AI가 빠르게 후보 물질을 탐색할 수 있었기 때문입니다. Snowflake나 NVIDIA가 반복해서 강조하는 것도 같습니다. AI는 결국 ‘데이터를 비추는 도구’이고, 데이터가 흐트러져 있으면 어떤 모델을 가져와도 원하는 성과를 얻기 어렵습니다. 그래서, 데이터 정비 또는 관리 및 운영 기준 수립은 언젠가는 해야 하는 프로젝트가 아니라 지금 시작해야만 2~3년 뒤 경쟁력 차이를 만들 수 있는 인프라 작업입니다.
5. 안전한 AI 사용 기준을 미리 정해둔 기업이 시장에서 더 빨리 성장한다
AI를 어떻게 사용해야 하는지에 대한 기준을 만드는 일은 겉보기엔 속도를 늦추는 일처럼 보일 수 있습니다. 하지만 실제 사례는 그 반대입니다. 생각보다 우리의 데이터가 원하지 않는 곳으로 흐르거나, 반대로 원하지 않는 데이터가 우리 쪽과 결합되며 데이터 오염이 일어나거나, 보안사고가 발생할 수 있기 때문입니다.
예를 들어, Microsoft는 몇 년 전부터 자체적인 ‘Responsible AI Framework’를 만들기 시작했습니다. 그리고 이 기준(데이터 보호, 프라이버시, 오류·편향 방지, 투명성과 설명 가능성 등)을 가장 먼저 정비한 기업이라는 이유로 전 세계 정부 기관과 대기업들이 Azure AI를 선택하기 시작했습니다.
Anthropic도 마찬가지로 AI 모델이 어떤 윤리적 기준을 따라야 하는지에 대한 ‘Constitutional AI(AI가 지켜야 하는 규율 및 규범 등이 담겨 있는 기준)’를 내세우며 AI 자기 검열의 기본 기능을 토대로 안전성을 자신들의 핵심 경쟁력으로 삼았습니다.
왜냐하면, 다수의 AI가 시장에 등장하고, 그로 인해 사용하는 사람에 맞춰 사용 기준의 정비를 요구받습니다. 인간을 이롭게 만든 AI이기 때문에 당연한 요구입니다 그 요구 중에 하나가 AI 관련 규제가 강화되기 때문에 누가 더 빠르게 기준을 만들었느냐가 고객의 신뢰와 매출로 이어질 수 있습니다.
지금의 선택이 3년 뒤의 조직을 결정한다
AI는 더 이상 미래 기술이 아닙니다. 이미 우리의 일, 조직, 의사결정 방식 안쪽으로 스며들기 시작했습니다.
AGI가 5~7년 안에 도달할 가능성이 커지고 있는 지금, 진짜 중요한 건 기술의 속도가 아니라, 조직이 그 변화에 얼마나 준비된 상태인가에 대한 것입니다.
따라서, 앞서 이야기한 다섯 가지는 선택지가 아니라, 앞으로 다가올 변화를 견디고 성장하기 위한 가장 기본적인 ‘준비 단위’ 일 수 있습니다. 물론, 결정을 미루는 것도 또 하나의 결정일 수 있습니다. 그런데, 그 미룸에 대한 결정이 만들어낼 비용은 생각보다 훨씬 클 수 있습니다. 따라서, 올 수밖에 없는 미래를 부정하지 말고, 오히려 순응을 넘어, 조직이 더 나은 상태로 나아갈 수 있도록 현명한 의사결정을 해야 할 때입니다.
#공감하신다면, #공유 #좋아요 #구독 바랍니다.
아래 Link로 고민 내용 보내주세요.
서울 및 수도권에 계신 분이면 직접 만나고,
지방 또는 해외에 계신 분들은 화상으로 유료 상담합니다.
상담 Link
[작가 소개]
이직스쿨 김영학 대표. 17년차 전략 컨설턴트.
6년이 넘는 동안 1,500여 명의 직장인을 만나 커리어 코칭을 했고, 함께한 사람들이 스타트업 기업에서 대기업으로, 중견기업에서 전도유망한 스타트업 기업으로, 외국계 기업이나 해외로 취업하는 것을 도왔다. 또한 수년간 대기업과 중견기업을 대상으로 전략 기반의 비즈니스 컨설팅을 했으며, 현재는 스타트업 전문 비즈니스 코치로도 활동 중이다. 또한, 직장생활과 커리어에 인사이트를 주는 글을 꾸준히 쓰고 있으며 〈이코노믹리뷰〉에 ‘직장에서 생존’이라는 칼럼을 연재하고 있다.
