AI 도입 성과를 가르는 필수 변수 4가지, 왜 24%만 앞서갔나

Table of Contents

안녕하세요! 성징어의 IT 잉크사이트(IT Ink-Sight) 성징어입니다.

지난 8월 25일 당정협의에서 2027년도 예산안 규모가 800조원 안팎으로 가닥이 잡혔습니다. AI와 3대 메가프로젝트에 재정을 몰아넣고, 반도체특별회계를 새로 만들고, 프런티어급 모델 개발을 위해 GPU 1만장을 공급하겠다는 계획까지 나왔습니다. 그런데 바로 다음 날 아침 신문에는 결이 완전히 다른 기사가 실렸습니다. AI를 도입한 기업 중 실제로 성과를 낸 곳은 소수에 그친다는 내용이었죠. 돈은 역대급으로 붓는데 정작 AI 도입 성과는 왜 이렇게 안 나오는 걸까요.

이 질문은 생각보다 오래됐고, 답도 꽤 여러 곳에서 나와 있습니다. 다만 그 답들이 서로 다른 조사, 다른 나라, 다른 시점에 흩어져 있어서 한눈에 안 보일 뿐입니다. 오늘은 최근 1년 사이 나온 조사 결과들을 한자리에 모아놓고, AI 도입 성과를 실제로 가른 변수가 무엇이었는지 정리해보려 합니다.

800조 예산과 성과 24%가 같은 주에 나왔다

두 뉴스가 하루 차이로 나온 게 우연이지만, 나란히 놓고 보면 지금 상황이 꽤 선명하게 드러납니다.

먼저 예산 쪽입니다. 기획예산처는 지난달 국가재정전략회의에서 내년도 총지출 증가율을 올해 본예산 729조9천억원 대비 10% 이상으로 제시했습니다. 총지출 증가율이 두 자릿수를 기록하는 건 글로벌 금융위기 때인 2009년 이후 처음입니다. 반도체 호황에 따른 법인세 증가로 세수 여건이 좋아진 덕분인데, 그 돈이 향하는 최우선 목적지가 AI입니다.

반면 같은 주에 나온 기업 현장 이야기는 온도가 다릅니다. 하이드릭앤스트러글스의 톰 모너핸 글로벌 CEO는 서울에서 진행한 인터뷰에서 이렇게 말했습니다. “AI를 직접 만드는 기업은 소수입니다. 대부분은 AI를 가져다 쓰게 됩니다. 그러니 그 AI를 무기로 바꿔낼 리더가 있느냐가 진짜 승부처입니다.” 70년 넘게 전 세계 70여 개국에서 C레벨 임원을 찾아주고 리더십을 컨설팅해온 회사의 대표가 던진 진단이라 흘려듣기 어렵습니다.

이 인터뷰에 함께 인용된 수치가 인상적입니다. 업무 프로세스 안에 AI를 유기적으로 설계해 넣은 비율이 AI 리더 그룹은 24%, 비리더 그룹은 7%였다는 겁니다. 같은 도구를 쓰는데 성과가 3배 이상 벌어진다는 뜻이고, 이 격차를 만든 게 모델 성능이 아니라 조직이라는 얘기이기도 합니다.

정부가 800조를 쓰든 기업이 수백억을 쓰든, 결국 그 돈이 성과로 바뀌는 마지막 구간은 조직 안에서 벌어집니다. 그 구간이 막혀 있으면 투자 규모를 아무리 키워도 AI 도입 성과는 제자리입니다. 그래서 숫자부터 차분히 들여다볼 필요가 있습니다.

숫자로 보면 AI 도입 성과는 어디쯤 와 있나

먼저 가장 규모가 큰 조사부터 보겠습니다. 삼일PwC가 지난 1월 20일 발표한 제29차 연례 글로벌 CEO 설문조사입니다. 95개국 최고경영자 4,454명을 대상으로 했고, 주제 자체가 AI였습니다.

결과는 이렇습니다. 최근 1년간 AI 도입으로 추가 매출을 창출했다고 답한 CEO는 30%였습니다. 비용 절감 효과를 경험한 기업은 26%였고요. 매출 증가와 비용 절감을 동시에 달성한 곳은 12%에 그쳤습니다. 그리고 절반이 넘는 56%는 AI를 도입했는데도 이렇다 할 재무 효과를 보지 못했다고 답했습니다.

숫자가 더 냉정한 조사도 있습니다. 미국 국립경제연구소(NBER)가 2월 20일 공개한 ‘기업 AI 활용 실태 분석(Firm Data on AI)’ 리포트입니다. 미국·영국·독일·호주 4개국 CEO와 CFO 등 임원 약 6천 명을 조사했는데, 응답 기업의 69%가 AI를 도입했고 그중 89%는 지난 3년간 AI로 인한 생산성 변화를 전혀 체감하지 못했다고 답했습니다. 직원 1인당 매출 기준으로 측정한 평균 생산성 상승 폭은 0.29%. 사실상 통계적 잡음에 가까운 수준입니다.

딜로이트 조사도 비슷한 방향을 가리킵니다. 74%의 조직이 AI로 매출 확대를 기대했지만 실제 성과를 확인한 비율은 20%였습니다. 마이크로소프트 M365 코파일럿을 도입한 영국 정부 부처 시범 사업에서도 생산성 향상은 확인되지 않았습니다. 일부 업무는 빨라졌지만 다른 업무는 오히려 지연되는 현상이 나타났고요.

세 조사가 표본도 나라도 다른데 결론이 겹칩니다. 도입은 이미 광범위하게 이뤄졌고, AI 도입 성과는 아직 재무제표에 나타나지 않았다는 것. 여기까지가 현재 좌표입니다.

한 가지 덧붙이면, PwC 조사에서 향후 1년간 자사의 매출 성장을 확신한다는 응답도 30%에 그쳤습니다. AI 수익률 격차와 거시경제 변동성이 겹친 결과인데, 모하메드 칸데 PwC 글로벌 회장은 “AI 관련 기업 간 격차가 기업의 신뢰도와 경쟁력에서 가시적으로 나타나기 시작했다”며 “올해는 AI가 기업의 미래를 결정하는 결정적인 한 해가 될 것이며 행동에 나서지 않는다면 격차는 빠르게 확대될 것”이라고 했습니다. 성과가 안 나온다고 손을 놓는 선택지는 없다는 얘기로 읽힙니다.

도입률 88%인데 성과가 안 나오는 이유

그럼 국내는 어떨까요. 지난 8월 6일 팀스파르타가 발간한 ‘2026 기업 AX 벤치마크 리포트’가 이 지점을 꽤 구체적으로 파고들었습니다. HRD 담당자와 교육 기획자, 임원 등 AI 교육 의사결정권자 330명을 조사한 자료입니다.

일단 도구 자체는 이미 깔릴 만큼 깔렸습니다. 챗GPT와 클로드 같은 범용 생성형 AI 활용률이 88%로 나타났으니까요. 대부분의 기업이 AI를 써보는 단계에는 진입했다는 뜻입니다.

문제는 그다음입니다. AX 성숙도를 점수화했더니 IT 대기업은 68점, 제조·생산 중소기업은 28점이었습니다. AI 도입 실행률도 대기업 76%, 중견기업 50%, 중소기업 46%로 벌어졌고, 업종별로는 IT 78%, 금융·보험 70%, 의료·바이오 61%, 유통·물류 55%, 제조·생산 44% 순이었습니다.

여기서 눈여겨볼 대목은 대기업조차 안심할 상황이 아니라는 겁니다. ‘AX가 조직 전반에 정착했다’고 답한 대기업은 37%에 머물렀습니다. 도입 실행률 76%와 정착률 37%. 이 두 숫자 사이의 간극이 바로 지금 AI 도입 성과가 정체된 구간을 보여줍니다.

교육 쪽 수치는 더 노골적입니다. 응답자의 97%가 AI 교육이 필요하다고 답했는데, 정작 교육을 실시한 기업의 82%는 실무 적용에 어려움을 겪었다고 응답했습니다. AX 추진 과정에서 가장 큰 장애 요인으로는 ‘직원 간 AI 활용 수준 차이’가 55%로 1위를 차지했습니다. 도구를 나눠줬지만 쓰는 사람 수준이 제각각이라 팀 단위 성과로 안 묶인다는 얘기입니다.

직원 간 AI 활용 수준 차이가 조직의 AI 도입 성과를 가로막는 상황을 표현한 삽화

MIT의 95% 실패, 그대로 믿어도 될까

이쯤에서 자주 인용되는 숫자 하나를 짚고 넘어가야겠습니다. MIT 산하 NANDA 이니셔티브가 발표한 보고서에 나온 “기업 생성형 AI 파일럿의 95%가 실패”라는 문장입니다.

이 보고서는 경영진 인터뷰 150건, 직원 설문 350명, 공개된 AI 도입 사례 300건을 분석했습니다. 결론은 강력한 신모델을 서둘러 도입했음에도 빠른 매출 성장을 이끌어낸 사례가 전체의 약 5%에 불과했다는 것이었고요. 이 문장이 언론과 소셜미디어를 타고 퍼지면서 ‘AI 프로젝트 95% 실패’라는 표현이 굳어졌습니다.

다만 이 숫자는 조심해서 써야 합니다. 후속 분석들을 보면, 설문 대상 기업 중 80%가 애초에 맞춤형 AI 파일럿을 시도조차 하지 않았다는 지적이 나옵니다. 시도하지 않은 기업까지 분모에 넣고 ‘성공한 기업 비율’을 계산했기 때문에 5%라는 극단적인 수치가 도출됐다는 겁니다. 통계를 인용할 때 분모를 확인하지 않으면 이런 함정에 빠집니다.

그럼에도 이 보고서에서 진짜 건질 대목은 실패율이 아니라 성공 요인 쪽입니다. 전문 벤더로부터 AI 도구를 구매하고 파트너십을 맺은 경우 성공률이 약 67%였던 반면, 자체 개발에만 의존한 경우는 3분의 1 수준에 그쳤다는 분석이 있습니다. 성공의 또 다른 요인으로는 중앙 AI 랩이 아니라 현장 관리자에게 권한을 준 조직, 그리고 시간이 지나면서 깊이 통합·적응할 수 있는 도구를 고른 조직이 꼽혔습니다.

자체 개발 고집과 중앙집중식 통제. 국내 조직에서도 익숙한 두 가지 패턴인데, 공교롭게도 둘 다 AI 도입 성과를 깎아먹는 요인으로 지목됐습니다.

AI 도입 성과를 가른 첫 번째 변수, 리더

이제 변수들을 하나씩 보겠습니다. 앞서 인용한 AI 리더 24% 대 비리더 7%라는 숫자가 첫 번째 실마리입니다.

모너핸 CEO의 진단은 명료합니다. AI를 만드는 기업은 소수고 대부분은 사서 쓰는 입장이니, 차별화는 모델이 아니라 그 모델을 업무 구조 안에 배치하는 능력에서 나온다는 겁니다. 그리고 그 배치를 결정하는 건 결국 의사결정권자입니다.

이게 왜 중요하냐면, AI 도입 의사결정에서 가장 흔한 실패 패턴이 ‘도구 구매로 끝내기’이기 때문입니다. 라이선스를 사고, 전사 공지를 띄우고, 사용률을 대시보드로 보는 데서 프로젝트가 종료됩니다. 그런데 실제 성과는 그 이후에 벌어지는 일 — 누가 어떤 업무를 어떤 순서로 바꿀지 정하는 과정 — 에서 나옵니다.

가트너 조사를 보면 이 압박 구조가 더 뚜렷합니다. 고객 서비스 부문 임원의 91%가 경영진으로부터 AI 도입 압박을 받고 있다고 답했습니다. 도입 자체가 목표가 되어버린 상황에서는 ‘무엇을 위해 도입하는가’라는 질문이 뒤로 밀립니다. 그 결과가 재무 효과 없음 56%라는 PwC 수치일 겁니다.

리더가 해야 할 일은 최신 모델을 고르는 게 아니라 어떤 업무를 없앨지 정하는 쪽에 가깝습니다. AI를 붙여서 빨라진 업무가 있어도, 그 앞뒤 공정이 그대로면 전체 리드타임은 안 줄어듭니다. 영국 정부 부처 코파일럿 시범 사업에서 일부 업무는 빨라지고 다른 업무는 지연됐다는 결과가 바로 이 현상입니다.

두 번째 변수, 교육을 어떻게 설계했는가

팀스파르타 리포트에서 개인적으로 가장 실용적이라고 본 숫자가 이 대목입니다.

교육 이후 ‘현업에 매우 잘 적용했다’고 답한 비율을 교육 방식별로 쪼개봤더니, 전사 동일 교육은 11%에 그친 반면 역량 진단을 기반으로 한 수준별 맞춤 교육은 32%였습니다. 약 3배 차이입니다. 직무별 교육은 18%로 중간이었고요.

같은 예산, 같은 시간을 써도 설계 방식에 따라 현업 적용률이 3배 갈린다는 뜻입니다. 그런데 현실에서 가장 흔한 선택은 전사 동일 교육입니다. 기획하기 쉽고, 이수율 집계도 편하고, 보고서에 ‘전 직원 교육 완료’라고 쓸 수 있으니까요.

앞서 나온 ‘직원 간 AI 활용 수준 차이 55%’라는 장애 요인과 이 수치를 겹쳐놓으면 인과관계가 보입니다. 수준 차이가 이미 존재하는데 전원에게 같은 커리큘럼을 돌리면, 잘 쓰는 사람은 지루해하고 못 쓰는 사람은 못 따라옵니다. 격차는 그대로 남고 AI 도입 성과는 상위 몇 명의 개인기에 의존하게 됩니다.

예산 배분도 짚어볼 만합니다. AI 교육 예산을 5천만원 이상 편성한 기업은 대기업이 38%였지만 중견기업은 14%에 그쳤습니다. 도구 구매비는 규모와 상관없이 비슷하게 나가는데 역량 확보 투자에서 격차가 벌어지는 구조입니다.

세 번째 변수, AI를 어디에 붙였는가

PwC 조사에는 성과를 낸 기업과 못 낸 기업을 가르는 또 하나의 단서가 들어 있습니다. 적용 영역입니다.

전체 응답 기준으로 AI를 광범위하게 쓰고 있다는 답변은 수요창출 22%, 지원 서비스 20%, 자사 제품·서비스·고객 경험 19% 수준이었습니다. 대체로 고만고만합니다. 그런데 매출과 비용 성과를 동시에 거둔 선도 기업만 따로 떼어보면 그중 44%가 제품·서비스·고객 경험 영역에 AI를 광범위하게 활용하고 있었습니다.

차이가 분명합니다. 내부 지원 업무를 자동화하는 건 비용 절감에는 도움이 되지만 매출로 이어지지는 않습니다. 반면 고객이 실제로 만나는 접점에 AI를 붙이면 매출과 비용 양쪽에 영향을 줍니다. AI 도입 성과가 재무제표에 잡히려면 결국 이 접점까지 도달해야 한다는 얘기입니다.

물론 접점 쪽이 훨씬 어렵습니다. 사내 문서 요약은 틀려도 담당자가 고치면 그만이지만, 고객 응대에서 틀리면 그대로 사고가 됩니다. 그래서 대부분의 조직이 안전한 내부 업무부터 시작하는데, 그 단계에 오래 머무를수록 성과는 눈에 안 띕니다. 어디까지 위험을 감수할지 결정하는 것도 결국 리더의 몫으로 돌아옵니다.

네 번째 변수, 성과를 무엇으로 측정하는가

측정 문제도 짚고 넘어가야 합니다. 마이크로소프트의 ‘AI 앳 워크’ 책임자인 재러드 스파타로는 지식 노동의 특성상 투자 대비 수익률을 명확히 수치화하기 어렵다고 인정한 바 있습니다. 만든 쪽에서 먼저 이 말을 했다는 게 의미심장합니다.

NBER 리포트에는 흥미로운 인식 격차도 담겼습니다. 미국 근로자 대상 별도 조사에서 향후 3년간 고용이 0.5% 증가할 것으로 예상된 반면 경영진은 감소를 전망했습니다. 생산성 기대치도 직원은 0.9%, 경영진은 1.4%로 갈렸습니다. 같은 조직 안에서 위와 아래가 서로 다른 미래를 보고 있다는 뜻입니다.

측정 지표가 없으면 이런 인식 차이를 좁힐 방법이 없습니다. ‘체감상 편해졌다’는 정성 평가만 남으면, 다음 해 예산 심의에서 그 사업은 근거 없이 방어해야 합니다. 반대로 사용률이나 이수율 같은 활동 지표만 쌓으면 숫자는 예쁜데 재무 효과와 연결이 안 됩니다.

그래서 AI 도입 성과를 측정할 때는 처리 건수나 리드타임처럼 업무 단위에서 이미 관리되던 지표를, 도입 전후로 같은 기준에서 비교하는 방식이 현실적입니다. 새 지표를 만들면 비교 대상이 없어지니까요. 팀스파르타가 자체 진단 체계에서 맥락 설계, 출력 설계, 범위 설정, 단계 설정 네 가지 기준으로 조직의 활용 수준을 나눈 것도 같은 맥락으로 읽힙니다. 측정 단위를 잘게 쪼개야 개선 지점이 보입니다.

자동화 다음에 오는 건 인력 재배치 문제다

성과가 안 난다는 진단과 별개로, 조직이 실제로 준비해야 할 일은 따로 진행되고 있습니다. 가트너 조사를 보면 약 80%의 기업이 반복 업무 자동화에 따라 일부 상담 인력을 새로운 역할로 재배치할 계획이라고 밝혔습니다. 동시에 84%는 상담원 직무에 새로운 역량을 추가할 예정이라고 답했고요.

두 숫자를 함께 읽으면 방향이 보입니다. 사람을 줄이는 쪽이 아니라 하는 일을 바꾸는 쪽으로 계획이 잡혀 있다는 겁니다. 자동화로 단순 업무는 줄이고 사람은 복잡하거나 감정이 개입되는 영역에 집중하는 병행 모델이, 적어도 현재까지는 가장 현실적인 해법으로 꼽힙니다.

물론 낙관만 하기는 어렵습니다. 무스타파 술레이만 마이크로소프트 AI 부문 책임자는 “회계, 법률, 마케팅, 프로젝트 관리 등 컴퓨터 앞에 앉아 수행하는 대부분의 업무는 1년에서 1년 반 안에 자동화될 것”이라며 “성과 체감 정체기가 끝나는 순간 사무직 노동 시장에 유례없는 변화가 있을 것”이라고 말했습니다. NBER 조사에서 경영진이 향후 3년간 고용 0.7% 감소를 예상한 것도 같은 흐름입니다. 다만 연구진은 이 감소가 대규모 해고보다는 신규 채용 축소를 통해 점진적으로 이뤄질 가능성이 높다고 봤습니다.

재배치를 전제로 설계된 AI 도입 성과와 감원을 전제로 설계된 것은 조직 내 저항의 크기부터 다릅니다. 앞서 본 ‘직원 간 활용 수준 차이 55%’라는 장애 요인도, 잘 쓰면 내 자리가 없어질지 모른다는 불안이 깔려 있으면 좀처럼 좁혀지지 않습니다. 도구를 나눠주기 전에 이 업무가 없어지면 그 사람은 무엇을 하게 되는지 답을 준비해두는 편이 낫습니다.

공공 부문은 조건이 더 까다롭다

여기까지가 민간 기업 이야기인데, 공공 부문은 조건이 몇 가지 더 붙습니다.

당장 내일인 8월 28일부터 ‘인공지능 및 데이터 기반 행정 활성화에 관한 법률’이 시행됩니다. 기존 데이터기반행정법을 개정한 것으로, 공공기관이 AI를 공동으로 도입·활용할 수 있는 공통기반 구축 근거가 마련됐고, 학습용데이터의 적정 품질 확보 의무도 들어갔습니다. AI를 정책 수립과 의사결정에 활용하더라도 최종 권한과 책임은 해당 기관에 있다는 점도 명시됐습니다.

법적 근거가 생겼다는 건 도입 속도가 빨라진다는 뜻이기도 합니다. 국회입법조사처는 8월 20일 발간한 보고서에서 데이터 등록이 기관 판단에 맡겨져 있다는 점, 학습용데이터의 ‘적정한 품질’ 기준이 구체화되지 않았다는 점, AI 기반 행정결정에 대한 인간 재검토 절차가 미비하다는 점을 후속 과제로 짚었습니다.

민간에서 확인된 실패 패턴이 공공에서 되풀이될 여지가 여기 있습니다. 예산은 배정되고 법적 근거도 생겼는데, 무엇을 개선할지 정의하지 않은 채 시스템부터 구축하면 결과는 뻔합니다. 사용률은 보고되지만 민원 처리 시간은 그대로인 상황 말이죠.

공공이 민간보다 불리한 조건도 있습니다. 앞서 MIT 보고서에서 성공 요인으로 꼽힌 ‘현장 관리자에게 권한 부여’는 결재선이 긴 조직일수록 구현하기 어렵습니다. ‘전문 벤더와의 파트너십’도 조달 절차를 거쳐야 하니 민간처럼 빠르게 갈아타기 어렵고요. 게다가 개정법은 AI를 정책 수립과 의사결정에 활용하더라도 최종 책임은 기관에 있다고 못 박았기 때문에, 실무자 입장에서는 안 쓰는 쪽이 안전한 선택이 되기 쉽습니다. 이 구조를 그대로 두면 도입률은 올라가도 활용 깊이는 얕은 상태에 머무릅니다.

기존 데이터기반행정 책임관이 AI·데이터 기반 행정 책임관으로 확대·개편된 것도 이번 개정의 변화입니다. 이 책임관은 학습용데이터 관리와 AI 신뢰성 확보, 위험관리 업무를 총괄하게 되는데, 역할 정의가 문서로만 남을지 실제 권한으로 작동할지가 앞으로 몇 년의 성패를 가를 겁니다. 민간에서 확인된 ‘리더가 변수’라는 결론이 공공에서는 이 자리에 대응된다고 보면 되겠습니다.

공공 정보화 사업을 기획하는 입장에서 보면, AI 도입 성과를 사업 종료 시점의 산출물 목록이 아니라 업무 지표 변화로 정의해두는 게 중요합니다. 어떤 업무의 어떤 단계를 몇 퍼센트 줄일 것인지 사업계획 단계에서 못 박아두지 않으면, 검수 시점에는 화면 개수와 기능 목록만 남습니다. 참고로 공공분야 AI 영향평가 관련 규정은 내년 2월 28일부터 시행될 예정이라, 준비 기간은 생각보다 짧습니다.

그래서 지금 무엇을 점검해야 하나

지금까지 나온 조사들을 종합하면 점검 항목이 몇 가지로 좁혀집니다.

첫째, 우리 조직이 AI를 붙인 지점이 내부 지원 업무인지 고객 접점인지 확인하는 겁니다. PwC 조사에서 선도 기업의 44%가 제품·서비스·고객 경험 영역에 광범위하게 적용하고 있었다는 사실은, 성과가 나는 자리가 따로 있다는 신호로 읽힙니다.

둘째, 교육을 전사 동일 방식으로 돌리고 있다면 그것부터 바꿔볼 만합니다. 현업 적용률 11% 대 32%라는 격차는 예산을 더 쓰라는 얘기가 아니라 설계를 바꾸라는 얘기에 가깝습니다.

셋째, 자체 개발과 외부 도구 구매 사이에서 어느 쪽에 기울어 있는지 봐야 합니다. MIT 보고서에서 전문 벤더와 파트너십을 맺은 경우 성공률이 67%였던 반면 자체 개발 의존은 3분의 1 수준이었다는 결과는, 적어도 초기 단계에서는 검증된 도구를 먼저 붙여보라는 쪽에 무게를 싣습니다.

넷째, 성과 지표가 활동 지표에만 머물러 있는지 점검하는 겁니다. 사용률과 이수율은 관리 지표이지 성과 지표가 아닙니다.

다섯째, 현장 관리자에게 판단 권한이 있는지 확인해볼 필요가 있습니다. 중앙 조직이 모든 유스케이스를 설계하는 구조에서는 현장에서 진짜 아픈 지점이 위로 안 올라옵니다.

이 다섯 가지를 다 만족시키는 조직은 드물 겁니다. 다만 어디가 막혀 있는지 알고 있는 것과 모르는 것의 차이는 큽니다. AI 도입 성과가 안 나오는 이유를 모델 탓으로 돌리는 순간, 다음 해에는 더 비싼 모델을 사는 것 외에 할 수 있는 일이 없어집니다.

마무리하며

NBER 연구진은 리포트 말미에 이런 문장을 남겼습니다. “현재의 고요함은 폭풍 전야의 정적일 수 있다.” 과거 전력이나 컴퓨터가 그랬듯 AI도 생산성 수치로 증명되기까지는 기술적 성숙과 조직 개편이라는 지연 시간이 필요할 뿐, 변화의 폭은 이전의 어떤 기술보다 파괴적일 것이라는 진단입니다. 실제로 이 연구진은 2028년까지 미국·영국·독일·호주 4개국 기존 기업 기준으로 약 175만 개 일자리가 줄어들 수 있다고 추산했습니다.

그러니까 지금의 낮은 AI 도입 성과 수치는 ‘AI가 별거 아니었다’는 증거가 아니라, 조직 개편이라는 숙제가 아직 안 끝났다는 증거에 가깝습니다. 800조 예산이든 전사 라이선스든, 돈이 성과로 바뀌는 마지막 구간은 여전히 사람과 프로세스가 놓인 자리입니다.

그리고 그 구간은 예산 규모로 건너뛸 수 없습니다. 24%와 7%를 가른 것도, 32%와 11%를 가른 것도 결국 돈이 아니라 설계였으니까요.

여러분의 조직은 지금 어느 단계에 있나요? 도구는 깔렸는데 성과가 안 보이는 상태라면, 위 다섯 가지 중 어디가 막혀 있는 것 같으신지 댓글로 이야기 나눠주세요.