AX는 좁고 날카로워야 한다

GPT, Claude, Gemini 같은 범용 AI로 할 수 있는 일은 빠르게 늘고 있다. 글을 쓰고 요약하고 번역한다. 자료를 찾고 아이디어를 내고 반론을 제시한다. 코드를 작성하고 디버깅하며 SQL을 만들고 데이터를 분석한다. 문서를 비교하고 회의록을 정리하고 발표자료 초안을 만든다. 계약서를 검토하고 이미지를 이해하며 여러 시나리오를 생성하기도 한다.

범용 AI는 말 그대로 스위스 아미 나이프에 가깝다. 하나를 손에 쥐면 아주 많은 일을 꽤 잘할 수 있다. 그렇다면 기업이 몇 달의 시간과 많은 비용을 들여 또 하나의 스위스 아미 나이프를 만들어야 할까?

나는 기업 AX의 역할이 다른 곳에 있다고 생각한다. 범용 AI가 스위스 아미 나이프라면, 기업의 AX는 특정 업무를 위해 칼을 새로 벼리는 일에 가깝다. 화려한 도구를 많이 붙이는 것보다 하나의 업무 흐름에 내부 데이터, 도메인 논리, 도구, 권한, 사람의 판단을 깊게 통합하는 것이다.

Swiss Army knife

범용 AI

• 글쓰기
• 코딩
• 검색
• 분석
• 번역
• 아이디어
• 요약

많은 일을 폭넓게 수행

vs

Purpose-built blade

Enterprise AX

조직 맥락도메인 논리도구내부 데이터사람의 판단↓목적에 맞게 설계한 workflow

하나의 문제를 깊게 최적화

범용 AI가 유능해도 기업의 업무를 저절로 알지는 못한다

회사에서 범용 AI를 쓰기 어려운 이유를 보안 하나로만 설명하기 쉽다. 물론 기밀 데이터와 접근권한은 중요한 전제다. 하지만 더 근본적인 문제는 조직의 맥락이다.

기업의 실제 업무에는 내부 데이터, 권한 체계, 오래된 시스템, 여러 스프레드시트, 사내 포털, 문서에 적히지 않은 규칙, 과거 의사결정, 현업의 암묵지가 뒤섞여 있다. 같은 숫자도 어느 시점에 누가 어떤 목적으로 만들었는지에 따라 의미가 달라진다. 공식 프로세스와 실제 프로세스가 다른 경우도 흔하다.

GPT가 능력이 부족해서 해결하지 못하는 것이 아니다. 이 회사에서 일이 실제로 어떻게 이루어지는지 모르기 때문에 해결하기 어려운 경우가 많다. 그래서 기업 AI의 차별점은 모델 자체보다 조직의 맥락 + 업무 흐름에 있을 수 있다.

상용 모델이 앞으로 더 좋아질수록 이 차이는 더 중요해진다. 오늘 기업이 어렵게 구현한 범용 요약이나 검색 기능이 내일 상용 AI의 기본 기능이 될 가능성은 높다. 반면 특정 조직의 판단 기준, 데이터 계보, 예외 처리, 권한, 과거 결정의 맥락은 범용 모델이 자동으로 갖기 어렵다.

대체와 전환은 다르다

기존 업무의 한 단계를 사람이 하다가 AI가 대신하게 되면 생산성은 높아질 수 있다. 그러나 이것은 수행자를 바꾼 대체일 수는 있어도, 반드시 AX인 것은 아니다.

전환은 먼저 다른 질문을 던진다.

이 단계는 왜 존재하는가? AI가 있다는 전제에서도 같은 순서와 같은 산출물이 필요한가?

기존 업무 흐름을 분해하고, 필요 없는 단계를 없애고, 중복 단계를 합치고, 기계가 잘하는 일과 사람이 책임져야 할 판단을 다시 나눈다. 그 결과 입력, 순서, 역할, 산출물, 검토 방식이 함께 바뀐다.

Substitution

A→B→사람이 수행하던 C→D→E

↓

AI가 수행하는 C

Substitution은 한 단계의 수행자를 바꾼다.

Transformation

이 단계들은 왜 존재하는가?↓

분해제거통합자동화예외 전달

↓

Agent + 사람 + 도구 + 데이터

Transformation은 workflow 자체를 바꾼다.

사람이 하던 일을 AI에게 그대로 시키는 것은 자동화일 수 있지만, 반드시 AX인 것은 아니다. 대체는 수행자를 바꾸고, 전환은 업무 구조를 바꾼다.

현업과 외부자의 시선이 동시에 필요한 이유

업무를 재설계하려면 현업의 깊은 참여가 필요하다. 현업은 업무의 목적, 자주 발생하는 예외, 고객의 맥락, 실제 판단 기준을 가장 잘 안다. 프로세스 문서만 읽어서는 알 수 없는 지식이 여기에 있다.

그러나 현업은 동시에 현재 업무 흐름에 가장 익숙한 사람이기도 하다. 오랫동안 이어진 보고서, 승인 단계, 데이터 취합 방식을 업무의 본질로 받아들이기 쉽다. 이것은 능력이나 의지의 문제가 아니라 익숙함이 만드는 자연스러운 제약이다.

그래서 AX에는 도메인 전문성 × 외부자의 분해 관점이 필요하다. AX 전문가는 현업의 지식을 충분히 이해하되, 현재 절차를 당연한 것으로 받아들이지 않아야 한다. 업무를 해체하고 목적을 다시 확인한 뒤, AI와 사람이 함께 일하는 구조로 재조립해야 한다.

하나의 예: 시장 정보 분석 업무 흐름

예를 들어 제조기업의 시장 정보 분석 업무 흐름을 단순화해 생각해보자. 다음은 특정 회사의 실제 공식 절차가 아니라, 논점을 설명하기 위해 여러 현장에서 볼 수 있는 요소를 일반화한 예시다.

영업조직이 고객의 미래 수요를 수집하고, 이를 합산해 자사의 예상 수요를 만든다고 하자. 그 수요를 현재 시장점유율로 나누어 전체 시장 규모를 역산한 뒤, 미래 시장 전망과 전략의 근거로 사용하는 방식이다.

$$\text{Implied Market Size} \approx \frac{\text{Company Demand}}{\text{Market Share}}$$

이 식은 설명을 위한 개념적 예시일 뿐 실제 기업의 예측 산식이 아니다. 계산 자체는 직관적이지만, 업무 흐름 전체에는 점검해야 할 논리가 숨어 있을 수 있다.

1. 입력 편향

영업 수요 전망에는 영업 기회에 대한 낙관, 아직 확정되지 않은 프로젝트, 고객 계획의 변경, 동일 물량을 여러 공급사가 기회로 인식하는 문제, 기회 규모의 과대평가가 포함될 수 있다.

이것은 영업조직이 잘못했다는 뜻이 아니다. 미래 수요를 고객과 가장 가까운 곳에서 추정할 때 생기는 구조적 불확실성이다. 문제는 그 불확실성이 이후 계산에서 얼마나 조정되고 추적되는가다.

2. 독립성 문제

자사 내부 수요로 시장 전체를 추정한 다음, 그렇게 만든 시장 전망을 다시 자사 전략의 근거로 사용하면 외부 시장 전망이 독립적인 검증값처럼 보이면서도 실제로는 같은 입력을 공유할 수 있다.

숫자가 여러 개 있다고 해서 반드시 독립적인 정보가 여러 개 있는 것은 아니다. 서로 다른 표와 보고서에 있는 수치라도 같은 원천 가정에서 출발했다면 검증력이 생각보다 약할 수 있다.

3. 구조적 가정

현재 시장점유율로 시장 전체를 역산하면, 현재의 경쟁 구도가 미래에도 상당히 안정적이라는 가정이 숨어들기 쉽다. 그러나 시장점유율은 경쟁사의 생산 능력, 가격 정책, 기술, 고객 구성, 지역별 역학에 따라 달라질 수 있다.

현재 MS는 단순한 분모가 아니라 미래 시장구조에 대한 강한 가정이다. 숫자를 입력하는 순간 그 가정이 보이지 않게 되는 것이 문제다.

잘못된 업무 흐름을 Agent화하면 더 빨리 반복할 뿐이다

세 가지 문제가 연결되면 잠재적인 피드백 순환이 생길 수 있다. 내부 수요가 높아지고, 역산된 시장 규모가 커지고, 성장 전망이 낙관적으로 바뀌고, 그 전망이 다시 전략과 영업 가정에 영향을 주는 구조다.

고객 수요↓

영업 전망↓

내부 수요 집계↓

수요 ÷ 현재 MS↓

역산된 시장 규모↓

미래 시장 전망↓

전략·영업 가정

↺다시 내부 수요 전망에 영향

• 낙관 편향 가능성
• 시장점유율 가정
• 비독립적 검증
• 잠재적 feedback loop

이 구조를 절대적인 오류라고 단정할 수는 없다. 내부 정보가 시장을 누구보다 빠르게 보여주는 유용한 신호일 수도 있다. 다만 독립적인 외부 근거와 민감도 점검 없이 사용하면 편향 전파 위험이 생긴다.

그리고 기존 절차에 논리적 문제가 있다면 그것을 그대로 Agent화한다고 문제가 사라지지 않는다. 잘못된 업무 흐름을 그대로 Agent화하면, 잘못된 논리를 제거하는 것이 아니라 훨씬 빠르게 반복하게 될 수도 있다.

보고서 생성이 아니라 가설 검증으로 재설계하기

기존 업무 흐름이 내부 수요 → 취합 → 외삽 → 보고였다면, AI를 전제로 재설계한 업무 흐름은 가설에서 시작할 수 있다.

먼저 검증할 가설을 세우고, 그 가설을 지지하거나 반박하려면 어떤 증거가 필요한지 정의한다. Agent는 내부 자료뿐 아니라 허용된 외부 데이터, 특허, 경쟁사 정보, 고객 신호를 수집한다. 이후 Python으로 시나리오를 계산하고 결과를 시각화한다. 마지막에는 민감도와 반대 증거를 점검한다. 가설이 충분히 지지되지 않으면 수정하고 다시 분석한다.

가설

↓

필요한 증거 정의

↓

Agent research

↓

내부 데이터외부 데이터특허경쟁사고객 신호

↓

Python simulation

↓

시각화

↓

민감도 + 반대 증거

↓

가설이 충분히 지지되는가?

↺ 수정 후 반복✓ 판단·발행

Agent ≠ 보고서 작성기Agent = 가설 검증 시스템

이때 Python REPL은 Agent를 단순한 문장 생성기가 아니라 분석 시스템으로 바꾸는 중요한 도구다. 예를 들어 다음과 같은 가정을 변수화할 수 있다.

• market_growth
• customer_demand_haircut
• market_share
• competitor_capacity_delay
• price_elasticity

이 변수들은 모두 설명을 위한 예시다. 중요한 것은 Agent가 값을 바꾸고, 여러 시나리오를 실행하고, 결과를 비교하고, 차트를 만들고, 어떤 가정에 결론이 민감한지 확인할 수 있다는 점이다.

결과물도 달라진다.

AI가 시장이 성장할 것이라고 답했다.

에서 멈추는 대신 다음과 같이 말할 수 있다.

이 전망은 A·B·C 가정에서 나오며, 시장점유율이나 고객 수요 하향 조정률이 일정 수준 이상 바뀌면 결론도 달라진다.

이것은 더 긴 보고서를 만드는 일이 아니다. 결론과 가정의 연결을 노출해 사람이 더 나은 판단을 하도록 만드는 일이다.

Agent는 보고서 작성기가 아니라 가설 검증 시스템이다

좋은 시장 정보 분석 Agent는 사람이 기존에 하던 클릭 순서를 그대로 복제하는 시스템이 아닐 수 있다. 가설을 만들고, 필요한 증거를 찾고, 내부와 외부 정보를 연결하고, Python 모델을 실행하고, 시나리오를 비교하고, 스스로 반론을 찾은 뒤 다시 분석하는 시스템에 가깝다.

사람이 3일 걸리던 보고서를 Agent가 30분 만에 만드는 것도 충분히 가치 있다. 그러나 더 큰 전환은 3일마다 보고서를 생성하는 업무 자체를 없애는 것일 수 있다. 새로운 정보가 들어올 때마다 가설과 전망을 지속적으로 갱신하고, 결론이 유의미하게 바뀔 때만 사람에게 전달하는 구조다.

이때 사람의 역할은 사라지지 않는다. 어떤 가설을 중요한 것으로 볼지, 증거의 품질이 충분한지, 모델에 담기지 않은 전략적 맥락은 무엇인지, 최종 결정에 누가 책임질지를 판단한다. AI를 전제로 재설계한 업무 흐름은 인간 판단을 없애는 것이 아니라 가장 필요한 지점에 배치한다.

그래서 AX는 좁고 날카로워야 한다

“전사의 모든 지식 업무를 혁신하는 Agent”는 매력적으로 들린다. 그러나 데이터 경계, 책임, 성공 기준, 실제 사용자가 모두 흐려지기 쉽다.

반면 “특정 시장 정보 예측 업무 흐름을 재설계한다”는 과제는 좁다. 어떤 데이터를 사용할지, 어디까지 자동화할지, 어떤 결과를 사람이 검토할지, 무엇을 정확도와 효용으로 볼지 정의할 수 있다.

“모든 문서를 이해하는 Agent”보다 “특정 의사결정을 위해 증거를 모으고, 가설을 검증하고, 모델을 실행하는 Agent”가 더 날카롭다.

범위를 좁히면 다음이 명확해진다.

• 데이터 경계
• 업무 흐름과 책임자
• 평가 기준
• 사람이 개입할 지점
• 투자수익률과 도입률

평가도 구체적으로 바뀐다. 보고서 작성 시간이 얼마나 줄었는지만 볼 필요는 없다. 예측의 가정이 추적 가능한지, 반대 증거가 실제로 검색되는지, 시나리오 변경에 일관되게 반응하는지, 중요한 변화가 제때 전달되는지 측정할 수 있다.

좁다는 것은 작은 가치를 뜻하지 않는다

좁게 시작한다는 말을 작은 RPA나 미세한 자동화로 오해해서는 안 된다. 핵심은 문제의 범위는 좁게 잡되, 그 문제 안에서는 업무를 깊게 바꾸는 것이다.

시장 정보 분석 절차 하나만 잡더라도 데이터 수집, 가설 수립, 모델링, 시뮬레이션, 검증, 시각화, 인간의 판단 전체를 다시 설계할 수 있다. 범위는 하나의 의사결정 업무 흐름으로 한정되지만 변화의 깊이는 얕지 않다.

성공 기준은 기능의 수가 아니다.

현업이 “이 업무는 이제 이전 방식으로 할 이유가 없다”고 느끼는가?

이 질문에 답할 수 있다면 좁은 AX도 큰 가치를 만든다.

확산은 좁은 성공에서 시작된다

전사에 넓게 배포한 뒤 교육과 캠페인으로 도입률을 끌어올리는 방식에는 한계가 있다. 사용자는 자신의 업무를 실제로 바꾸지 않는 도구를 오래 사용하지 않는다.

반대로 좁은 업무에서 압도적인 효용이 만들어지면 주변 조직이 먼저 묻기 시작한다. 어떤 데이터를 연결했는지, 우리 업무에도 적용할 수 있는지, 다음에는 무엇을 바꿀 수 있는지 질문한다.

AX는 넓게 시작해서 사용자를 설득하는 것이 아니라, 좁은 문제에서 압도적인 효용을 만든 뒤 그 경험이 옆으로 퍼지는 것에 가깝다. 상향식 확산은 선언이 아니라 성공한 업무 흐름의 복제에서 시작된다.

AX 전문가는 업무 구조를 만든다

AX 전문가에게 LLM, Agent, RAG, 데이터와 도구에 대한 이해는 필요하다. 그러나 그것만으로 충분하지 않다. 업무 목적을 파악하고, 프로세스를 분해하고, 평가 기준을 만들고, 사람과 AI 사이의 역할과 책임을 설계할 수 있어야 한다.

AX 전문가가 만드는 것은 모델만이 아니라 업무 구조다. AI라는 새로운 부품을 가지고 조직의 업무 흐름을 다시 설계하는 사람에 가깝다.

범용 AI는 앞으로 더 좋아질 것이다. 오늘 기업이 직접 만드는 범용 기능의 상당수는 내일 상용 AI의 기본 기능이 될 수 있다. 기업이 범용 AI와 기능의 폭으로 경쟁하는 것은 장기적으로 어렵다.

기업 AX의 해자는 독점적 내부 데이터, 조직의 기억, 도메인 논리, 업무 흐름, 의사결정 맥락, 인간의 전문성을 이용해 특정 문제를 압도적으로 잘 해결하는 것에 있다.

스위스 아미 나이프가 이미 충분히 좋다면, 우리가 굳이 새로 만들어야 하는 것은 또 하나의 스위스 아미 나이프가 아니다. 문제의 범위는 좁게 잡되, 그 안에서는 깊게 바꿔야 한다.

넓고 그럴듯한 AI보다, 좁고 날카롭게 실제 업무를 바꾸는 AI가 더 중요하다. 그 칼이 정말 잘 만들어졌다면 사람들은 누가 시키지 않아도 사용하기 시작한다. 그때 비로소 전환이 시작된다.