응용 AI가 효과를 보지 못하는 이유

세계는 AI에 막대한 자금을 쏟아부었습니다. 하지만 대부분의 기업에서는 아무것도 변하지 않았습니다. 저는 세계 최대 기업들의 CEO, CIO, CFO 300명 이상과 대화를 나눴습니다. 대부분의 기업이 AI를 자사의 형편없는 프로세스에 적용하고 있으며, 그 결과는 단지 형편없는 결과를 더 빠르게 만들어내는 것에 불과하다는 것을 깨달았습니다. 수천 개의 Claude Code 라이선스를 구매하든, 연간 5천만 달러의 토큰 사용 비용을 약정하든, Zoom을 통해 AI 교육 세션을 진행하든, AI 도입이 얼마나 비효율적으로 이루어지고 있는지 직접 목격했습니다. 이렇게 될 필요는 없습니다.

우리는 이미 이 길을 여러 번 걸어왔으며, AI 도입에 있어 역사로부터 배워야 합니다. 이 글을 마칠 때쯤이면, 전 세계 AI 리더들이 더 이상 시대에 뒤떨어지고 순진한 AI 적용 방법론을 고수하지 않고, 대신 아래에 설명된 검증된 프로세스를 따르길 바랍니다.

1부: 역사와 그 유사점

1990년, 전 MIT 컴퓨터 과학 교수였던 마이클 해머(Michael Hammer)는 하버드 비즈니스 리뷰(Harvard Business Review)에 기고문을 썼습니다. 그는 이미 컴퓨터에 막대한 자금을 쏟아부었지만 ROI(투자 수익률)는 거의 얻지 못한 기업들에서 수년간 근무한 경험이 있었고, 그 이유를 처음으로 밝혀낸 사람 중 하나였습니다.

"정보 기술에 대한 막대한 투자가 실망스러운 결과를 초래한 것은, 대체로 기업들이 기술을 이용해 기존의 업무 방식을 기계화하는 경향이 있기 때문입니다. 그들은 기존 프로세스를 그대로 두고 단순히 컴퓨터를 사용하여 속도만 높일 뿐입니다."

실제 인용문입니다. 농담이 아니죠? '정보 기술'을 'AI'로 바꾸기만 하면 내일 당장 게재해도 Business Insider의 첫 페이지를 장식할 수 있습니다. 같은 글에서 그는 더 이상 소의 길을 포장해서는 안 된다고 썼습니다. 36년이 지났지만, 우리는 여전히 무엇을 하고 있을까요?

참고: '소의 길을 포장한다'는 것은 기존의 비효율적인 프로세스를 어떻게 작동해야 하는지에 맞게 재설계하는 대신 자동화, 공식화, 또는 고정시키는 것을 의미합니다. Claude에게 물어볼 수고를 덜어드렸습니다. 천만에요.

한편, AI 구축에 1조 달러 이상의 자본 지출이 이루어졌지만(Microsoft, Alphabet, Amazon, Meta만 해도 2025년에 4100억 달러를 지출했습니다. 엄청난 액수죠), 기업이 실제로 AI를 사용하는 데 지출한 금액은 370억 달러에 불과했습니다. 이것이 실제로 의미하는 바는 다음과 같습니다. 영국 비즈니스 무역부(Department for Business and Trade)는 Microsoft 365 Copilot 시범 운영을 실시하고 결과를 발표했습니다. 3개월 동안 1,000개의 라이선스가 배포되었고, 사용자당 하루 평균 Copilot 작업 수는 1.14개에 불과했습니다. PowerPoint 슬라이드는 7분 더 빨리(18분에서 11분으로) 만들어졌지만, 품질 점수는 절반으로 떨어졌습니다. Excel 분석은 실제로 더 느리게 완료되었습니다(그리고 품질도 더 나빴습니다). 이메일 시간 절약 효과는, 인용하자면, "극히 미미했습니다." 그들의 자체 결론은 다음과 같습니다. "시간 절약이 생산성 향상으로 이어진다는 강력한 증거를 찾지 못했습니다." 그럼에도 불구하고 사용자의 72%는 만족하거나 매우 만족한다고 응답했습니다.

요약하자면: 사람들은 좋아했지만, 생산하는 것은 예전과 똑같았습니다. Ethan Mollick(와튼 스쿨 부교수이자 AI 연구원)이 가장 잘 표현했습니다: "개인 성과를 향상시키는 AI 사용이 자연스럽게 조직 성과 향상으로 이어지지는 않습니다." 이 글에서는 그 이유를 설명하고, 실제로 효과를 본 솔루션을 제시할 것입니다.

참고로 저는 @varickagents의 CEO Vas입니다. 저희는 매우 큰 기업(매출 5억~1000억 달러, 직원 1,000~100,000명)과 협력하여 AI 도입을 돕고 있으며, 일반 전략부터 프로세스 재설계, 에이전트 구축, 배포 및 관리에 이르기까지 모든 것을 지원합니다. 이 글은 저희가 얻은 교훈, 즉 실패하는 AI 파일럿(측정 가능한 ROI 없음)과 성공하는 AI 파일럿(작업의 80% 이상을 에이전트가 완전히 처리하여 시간과 비용 절감)을 구분하는 요소를 기반으로 합니다.

이런 일이 계속 발생하는 이유는 순전한 어리석음 때문만은 아닙니다. 물론 그런 경우도 있지만, 대부분은 관성과 설계 때문입니다. 오늘 AI 계약에 서명하는 사람은 도구와 공급업체 선택권을 가질 수 있지만, 프로세스 자체를 소유하지는 않습니다. 그 체인에 있는 누구도 예를 들어 재무 부서에 가서 "14단계 프로세스는 실제로 5단계만 되어야 합니다"라고 말할 권한이 없습니다. 그래서 아무도 하지 않습니다. 대신, 현재 가지고 있는 것에 'AI를 적용'하고, 결국 더 빠른 쓰레기를 얻게 됩니다.

AI는 '적용'되어서는 안 됩니다. 그렇게는 작동하지 않습니다. '페인트 칠'을 '적용'하듯이 말이죠. 너무 많은 사람들이 AI를 마치 새로운 페인트 칠처럼 생각하고 있습니다. 페인트는 그 아래에 있는 것을 고치지 못합니다. '클라우드를 적용했다'거나 '디지털을 적용했다'고 말하는 사람은 없었습니다. 대신 디지털 전환(Digital Transformation), 클라우드 현대화(Cloud Modernization)라고 말했습니다. 모두가 그것이 변환이며 기술이 그 일부일 뿐이라는 것을 이해했기 때문입니다. AI도 같은 형태를 띱니다.

다시 해머로 돌아가서: 그가 연구한 보험 회사의 사례가 가장 좋은 예입니다. 한 신청서가 비즈니스를 통과하는 데 22일이 걸렸습니다. 그 22일 중 누군가가 실제로 작업한 총 시간은 17분이었습니다. 오늘날, 여러분의 AI 담당자가 그 프로세스에 세상에서 가장 좋은 모델을 투입하여 모든 개별 단계를 두 배로 빠르게 만든다고 가정해 봅시다. 그는 8분 30초를 절약했습니다. 그는 이것을 50% 시간 절약이라고 포장하고, 승진과 보너스를 받은 후, 석양을 향해 사라집니다. 하지만 실제로는 8분입니다.

절감 효과는 신청서 작업 자체에 있지 않았습니다. 대기열과 인계, 다른 팀의 대기 시간, 두 번째 검토 단계에 있었습니다. 17분을 단축하는 데 에너지를 쏟는 것은 아무것도 하지 않는 것보다 더 나쁩니다. 예산을 소진하고 이사회에 'AI는 효과가 없다'는 것을 증명했을 뿐입니다. 이것이 90년대의 유물이라고 생각할 수도 있지만, 그렇지 않습니다. 저희는 정확히 이 문제를 자체 시스템 로그를 통해 겪은 회사와 협업한 적이 있습니다. 새 고객 케이스를 개설하는 데 실제 작업 시간은 25분이 걸렸습니다. 케이스가 입력되어 활성화되기까지 경과된 시간은 2일에서 2주까지 다양했습니다. 작업 시간은 몇 분이지만 프로세스는 여전히 몇 주가 걸릴 수 있습니다.

제가 대부분의 AI 프로그램이 쓰레기를 더 빠르게 만든다고 말할 때, 말 그대로 그 의미입니다. 프로세스가 쓰레기입니다. AI가 그것을 더 빠르게 만들고 있습니다. 이에 대해 "글쎄요, 우리는 거대한 회사니까 분명히 뭔가 잘하고 있고, 바꿀 필요가 없습니다"라는 말을 들었습니다. 적응하거나 도태하는 것은 오늘날 그 어느 때보다도 살아있고 중요하며, 이것이 AI가 디지털 및 클라우드와 다른 유일한 점입니다. 제대로 사용하면 AI는 경쟁자에게 이전 기술이 제공하지 못했던 우위를 제공합니다. 비용을 낮춰 가격을 깎아내리든, 처리 인력 없이 무한히 확장하든, 당신이 잠재 고객 리스트를 작성하기도 전에 전 세계에 접촉하든, 그들은 당신을 압도할 것입니다. 최상의 경우에도 계속 성장하지만, 이제 인력 규모는 기하급수적으로 늘어납니다. 분석가 3명이 6명이 되고, 6명은 이제 관리자가 필요하며, 2개 팀이므로 이전에 없던 인계가 필요하고, 그 인계에는 상태 회의와 PM 등이 필요하게 됩니다. 이것이 직원 수 그래프는 위로 휘어지는 반면 직원당 수익은 그렇지 않은 이유입니다. 적응하거나 도태하십시오. 하지만 AI가 진행 중인 척 하지는 마십시오. 경쟁자들은 이것을 해결하기 위해 무슨 짓이든 하고 있습니다.

2부: 오늘 당장 해야 할 일

데이터는 엉망이고 시스템은 서로 소통하지 않습니다. 그래서 아마도 가장 먼저 다른 것은 건드리지 않고 이것부터 고치고 싶을 것입니다. ERP 하나, CRM 하나, 데이터 플랫폼 하나만 있으면 그 위에 AI를 얹으면 됩니다. 이론적으로는 훌륭해 보이지만, IT 전문가들은 이것이 결코 간단하지 않다는 것을 알고 있습니다. 이것이 실제로 얼마나 많은 비용과 시간이 드는지 살펴보십시오.

TSB는 코어 뱅킹 마이그레이션에 3억 1800만 파운드를 지출했고, 약 2억 파운드 이상의 사고 비용을 부담했으며, 2022년 12월 FCA와 PRA로부터 4865만 파운드의 벌금을 부과받았고, 520만 고객의 뱅킹 서비스를 마비시켰습니다. 80억 달러 규모의 제조업체 Zimmer Biomet는 2025년 9월, '마이그레이션 및 통합' 작업의 실패로 제품 선적, 고객 청구서 발행, 기능적인 판매 보고서 생성과 같은 기본 기능을 수행할 수 없게 되자 Deloitte를 상대로 1억 7200만 달러의 소송을 제기했습니다. 그리고 이것들은 뉴스에 보도된 두 가지 예에 불과합니다. 이런 사고는 생각보다 훨씬 더 흔합니다.

대신, 정착에 집중해야 할 것은 프로세스입니다. 지난 20년 동안 9개의 회사를 인수했다고 가정해 보겠습니다. 즉, 9개의 자회사에서 동일한 프로세스가 9가지 다른 방식으로 실행되고 있다는 뜻입니다. 회사 전체에 AI를 '적용'하려면 동일한 에이전트를 9가지 다른 방식으로 구축한 다음, 9가지 에이전트 세트를 영구적으로 유지 관리해야 합니다. 이 지옥을 피하려면, AI를 적용하기 전에 먼저 전 세계적으로 실행되는 단일 프로세스를 정의하고 이를 전체 법인에 걸쳐 롤아웃해야 합니다.

반대로, 반드시 하나의 ERP가 필요한 것은 아닙니다. 결정론적 통합은 두 시스템이 공급업체 기록에 대해 의견이 일치하지 않는 순간 깨지곤 했습니다. 그러나 에이전트는 이러한 불일치를 용인하므로, 이미 보유한 시스템 위에 위치한 오케스트레이션 계층이 분산된 시스템에 대한 해결책입니다. 시스템이 서로 대화만 하면 되는 것이 아니라, 서로의 결점을 용인하며 행복하게 결혼한 상태여야 합니다.

매핑 시작하기

비즈니스를 재설계하려면 먼저 비즈니스를 이해해야 합니다. 단일 워크플로우를 선택하여 8주 동안 완벽하게 다듬었지만, 상위 프로세스에 의해 막혀 결국 ROI가 0이 되는 방식으로는 이러한 이해 수준에 도달할 수 없습니다.

동시에, 비즈니스 전체를 한 번에 파악할 수는 없습니다. 어딘가에서 시작해야 합니다. 부서 수준에서 시작하십시오. 완벽할 수는 없습니다. 수익 인식이 판매 방식에 따라 달라질 때마다 재무 부서는 영업 부서와 접촉합니다. 인사 부서는 신규 채용 시마다 IT 및 운영 부서와 접촉합니다. 하지만 적어도 이렇게 하면 동일한 부서로 이어지는 워크플로우 '번들'을 식별하고(예: 재무 부서에는 AP, AR, FP&A, 청구, 은행, 조정 등이 포함됨), 다음 7가지 세부 사항을 매핑하기 시작할 수 있습니다.

1. 해피 패스(Happy Path): 이 워크플로우가 담당하는 것은 무엇이며, 가장 이상적인 시나리오에서는 어떤 일이 발생합니까? 대부분의 회사에서 이것이 완벽하게 문서화된 유일한 부분일 것입니다.
2. 예외 사항: 여기에 대부분의 시간이 소요됩니다. 무슨 일이 일어나는지 설명하는 것을 넘어, 예외가 해피 패스를 벗어나는 비율, 어디로 가는지, 누가 투입되는지, 이러한 예외를 처리하는 데 걸리는 주기 시간, 그리고 여기서 오류가 발생할 경우의 비용을 계산해야 합니다.
3. 상위 및 하위 워크플로우: 이 워크플로우의 상위 및 하위 프로세스는 무엇입니까? 각 프로세스에서 지연이나 문제가 발생할 때 이 프로세스는 어떻게 상호 작용합니까?
4. 관련된 모든 기록 시스템: 관련된 모든 기록 시스템은 무엇이며, 두 시스템이 의견이 다를 때 어느 시스템이 우선합니까?
5. 지역, 법인, 자회사, 인수 경로별 차이: 이것은 지역, 법인, 자회사, 어떤 인수를 통해 들어왔는지에 따라 어떻게 다릅니까?
6. 접촉 시간 vs 경과 시간: 접촉 시간과 경과 시간은 각 단계마다 어떻게 다릅니까?
7. 구성원의 AI 활용 능력: 해당 기능에 있는 모든 사람의 AI 활용 능력은 어느 정도이며, 미래 상태의 AI 시스템에 대해 어느 정도의 소유권을 가져야 합니까? (이를 계산하는 것은 주관적이며 크게 다릅니다.)

위 정보를 추출하는 데는 두 가지 절차가 필요합니다.

• 프로세스 마이닝(Process Mining): 기록 시스템을 대상으로 작업, 타임스탬프, 처리량, 편집 내용 및 문서와 일치하지 않는 현실을 수집합니다.
• 인터뷰: 위의 방법은 데이터를 제공하지만, 운영자와의 대화는 정확히 어디에 문제가 있는지 알려줄 것입니다. 조직의 현실은 수년간 귀사에서 정확히 이 작업을 수행해 온 10~20명의 사람들의 머릿속에 있으며, 결국 AI가 효과적으로 작동하려면 이 사람들이 AI를 채택해야 합니다.

이 두 단계 중 하나만 수행하면 불완전한 그림만 남게 되며, 이것이 AI 발견(Discovery)이 실패하는 가장 큰 이유입니다. 저는 Applied AI 회사들이 'AI 인터뷰'를 하거나 엔지니어를 보내 인터뷰를 진행하는 등 지름길을 택하려는 것을 보았습니다. 이것은 효과가 없습니다. 작업의 절반은 운영자와 강력한 관계를 구축하고, 그들에게 어떤 질문을 해야 하는지 알아내어, 무엇을 구축하고 어떻게 배포할지에 대한 좋은 이해를 가지고 떠나는 것입니다.

효과적인 에이전트는 단순한 LLM 호출이 아닙니다

프로세스 재설계는 소프트웨어 및 AI 경험이 필요한 분류 작업입니다. 모든 단계는 다음 3가지 버킷 중 하나에 속합니다.

결정론적(Deterministic). 판단이 필요 없는 If X then Y 유형입니다. 예를 들어, 송장 금액이 특정 달러 금액 미만이고 PO 및 입고 확인서와 일치하면 지불합니다. 공개 자료에 경쟁사 이름이 언급되면 갈등 관리 팀으로 라우팅합니다. 이러한 작업은 평범하고 오래된 소프트웨어로 처리하는 것이 가장 좋습니다. 일반 코드로 처리할 수 있다면 멋진 LLM 호출이 필요하지 않습니다. 코드는 저렴하고, 감사 가능하며, 결정론적이고(환각 현상 없음), 빠릅니다.

에이전트(Agentic). 인간이 결과를 기록하여 판단을 내린 과거 사례가 수천 개 있고, 이 단계의 위험이 충분히 낮다면(예: 딜 데스크 승인 또는 GL 코딩), 판단을 위해 LLM을 사용해야 합니다. 특히 출력이 예/아니오, 이 팀으로 라우팅, 플래그 지정/미지정, 일치/불일치와 같은 경우 에이전트와 함께 제공하고 모든 출력을 측정하십시오. 반면, 필요한 출력이 인간이 어차피 전체를 읽고 확인해야 하는 5페이지 분량의 문서라면 하이브리드 접근 방식이 더 좋습니다. 여기서는 생각의 난이도가 아니라 행동의 난이도를 판단해야 합니다.

인간 개입(Human-in-the-Loop). 위험이 너무 높거나 과거 컨텍스트가 충분하지 않은 단계의 경우, 에이전트가 잘못된 행동을 했을 때의 비용이 너무 높기 때문에 인간을 루프에 유지하는 것이 좋습니다. 대신, 인간이 결정을 내리는 순간 모든 관련 증거를 제시하십시오. 예를 들어, 에이전트가 송장과 구매 주문서 간의 불일치를 감지한 다음 인간에게 3가지 옵션(어쨌든 승인, 명백히 거부, 피드백 제공 및 다른 사람에게 라우팅)을 제시합니다. 에이전트는 인간이 이메일, 송장 기록 등을 뒤지는 40분을 절약하여 대신 30초 만에 결정을 내릴 수 있도록 했습니다. 그러나 최종 조치는 여전히 인간의 승인을 받아야 합니다.

모든 단계를 위의 3가지 버킷 중 하나로 분류한 후에는 25단계 프로세스를 3개의 에이전트 클러스터로 전환하고, 그 전후에 결정론적 단계를 배치하고, 마지막으로 문제를 해결하기 위한 2개의 인간 개입 지점을 만들 수 있습니다. 이 프로세스 재설계 작업은 에이전트 자체와 함께 모든 ROI가 존재하는 곳입니다.

그 후, 무엇이든 구축하기 전에 기준 KPI를 설정합니다. 목표는 해결하려는 프로세스의 수치를 계산하는 것이며, 여기에는 오늘날 해당 수치가 어디서 어떻게 측정되는지도 포함됩니다. 이것을 할 수 없다면 이 프로젝트는 실패할 운명입니다. 12개월 후에 돌아보며 "우리가 구축한 에이전트 덕분에 예전에는 X였지만 지금은 3X, 10X, 또는 100X가 되었습니다"라고 말할 수 있어야 합니다. 그래야만 이 프로젝트가 진정한 성공이라고 말할 수 있습니다.

마지막으로, 구축의 우선순위를 정하고 순서를 정합니다. 먼저 인계가 가장 많은 워크플로우를 처리하십시오. 가장 명확한 결과를 볼 수 있는 가장 쉬운 과제일 가능성이 높기 때문입니다. 핵심적인 차이점은 이것이 반드시 볼륨이 가장 많은 워크플로우와 동일하지는 않다는 것입니다.

실제로는 어떻게 보일까요?

저희는 매달 300개 이상의 은행 계좌를 조정하는 글로벌 비즈니스의 프로세스를 재설계했습니다. 그중 2/3는 오프쇼어 팀이 처리했고, 나머지는 다른 2개 지역에서 3가지 다른 형식으로 분할 처리되었지만 전적으로 Excel에서 이루어졌습니다. 12,000개 이상의 미결 조정 항목이 있었고, 매월 초 4일은 명세서를 얻는 데 소비되었습니다. 그들의 조정 프로세스는 거의 매달 한 달 내내 걸렸습니다.

재설계 전 그들의 워크플로우는 다음과 같았습니다(비웃기 전에, 여러분 회사에도 이와 같거나 더 나쁜 프로세스가 분명히 있다는 것을 인식하십시오).

1. 각 은행에서 제공하는 형식 그대로 명세서를 추적하여 수집합니다.
2. 지역별 워크북 형식으로 정규화합니다.
3. 원장 데이터를 가져옵니다.
4. 라인별로 매칭합니다.
5. 일치하지 않는 항목에 플래그를 지정합니다.
6. 플래그가 지정된 항목에 대한 컨텍스트를 위해 지역 담당자에게 이메일을 보냅니다.
7. 답변을 기다립니다.
8. 답변이 없으면 재촉합니다.
9. 마침내 답변을 받고 조정을 게시합니다.
10. 해당 지역을 통합 파일로 롤업합니다.
11. 다른 2개 지역 각각에 대해 1-10단계 프로세스를 각각의 형식으로 다시 수행합니다.
12. 마감합니다.

각 단계를 더 빠르게 만들면 매칭이 빨라집니다. 문제는 매칭이 결코 문제가 아니었다는 것입니다. 명세서를 기다리는 4일, 다른 시간대의 담당자에게 보내는 이메일, 여전히 3일이 걸리는 답변이 문제였습니다. 매칭을 더 빠르게 만든다면 몇 주 단위로 측정되는 프로세스에서 몇 시간을 줄일 수 있을 것입니다.

대신 저희는 그들의 프로세스를 3단계로 재설계했습니다.

1. 명세서는 추적하는 대신 컨베이어 벨트 방식으로 피드를 통해 도착합니다. 이것은 AI와 전혀 관련이 없습니다.
2. 규칙에 따라 매칭될 수 있는 모든 것은 자동으로 매칭되며, 그렇지 않은 경우 에이전트가 처음부터 끝까지 케이스를 구성합니다. 항목 자체, 과거 분류, 다양한 기록 시스템에서 수집된 증거 및 제안된 다음 단계를 포함합니다.
3. 마지막으로, 인간은 ERP와 스프레드시트에 흩어져 있는 데이터를 수동으로 샅샅이 뒤질 필요 없이 검토를 위해 준비된 증거와 함께 예외 큐를 처리합니다.

추적, 이메일, 대기, 재입력, 지역별 롤업이 완전히 제거되었습니다. 이것이 몇 분 또는 몇 시간을 절약하는 에이전트 시스템과 몇 주를 절약하는 에이전트 시스템의 차이입니다.

3부: 왜 이것이 더 보편화되지 않았을까요?

당신은 거짓말을 들었습니다

당신이 받은 AI 제안은 처음부터 오해의 소지가 있었습니다. 포인트 솔루션으로 채택된 AI는 가치를 창출하지 않습니다. IT 부서만으로는 이것을 할 수 없으며, 100만 달러 예산과 권한이 전혀 없는 '혁신 기능'으로도 할 수 없습니다. 4개 부서에 걸친 프로세스를 재설계하려면 4개 부서 모두에게 프로세스가 변경되고 있다고 말할 수 있는 사람이 필요합니다. 회사에서 이것을 실제로 할 수 있는 사람은 소수에 불과합니다. 최고 경영진의 지시가 있어야 합니다.

그러나 또 다른 복잡성이 있습니다. 오늘날 실제로 작업을 수행하는 사람들, 예를 들어 미지급금 책임자, 재무 부서의 운영자 및 분석가도 포함되어야 합니다. 그들은 새로운 AI 시스템을 원해야 합니다. 내일 그것을 채택하고 추진해야 하기 때문입니다. 그들은 자신을 대체할 수 있다고 생각하는 정보를 공개하기를 원해야 합니다. 대부분의 경우 그렇지 않더라도 말이죠.

그리고 가장 중요한 것은, AI 도입은 위험한 것으로 간주된다는 것입니다. 대부분의 사람들에게 현상 유지는 '안전'합니다. AI가 성공해도 승진하지 못하지만, 실패하면 해고될 수 있기 때문입니다. 현상 유지를 고수하는 것이 시간이 지남에 따라 회사를 서서히 죽음으로 이끌더라도 말이죠.

재설계는 상당히 어렵습니다

1993년 Hammer와 Champy의 자체 추정에 따르면, 프로세스 재설계를 시도한 조직의 50%에서 70%가 의도한 결과를 달성하지 못했습니다. (90년대 이후로 크게 변한 것은 없는 것 같습니다.) Hammer 자신은 나중에 자신이 "인간적 차원을 충분히 인식하지 못했다"고 말했습니다. 그가 의미한 바는 '인계 제거'가 당시에는 그 인계를 담당했던 사람을 해고하고(그것이 그들의 전부였던 직업), 다른 모든 사람들에게 업무 방식을 바꾸라고 요구하는 것을 의미했으며, 당시의 '소프트웨어'는 그러한 변화를 지원하지 않았다는 것입니다. 이는 컨설턴트가 왔다가 간 후, 조직 구조와 프로세스가 빠르게 원래 상태, 즉 비효율성과 오류로 가득 찬 상태로 되돌아갔음을 의미합니다.

그러나 오늘날 두 가지가 근본적으로 다릅니다. 첫째, AI 네이티브 도구는 전례 없는 유연한 소프트웨어 상태를 제공합니다. 즉, 주변 변화에 적응할 수 있습니다. 기록 시스템에 위치한 에이전트는 이전에 사람에게 의존했던 인계를 실행할 수 있으며, 동시에 결정론적 소프트웨어의 불일치를 처리하고 인간에게 흔한 변동성에도 영향을 받지 않습니다. 둘째, 먼저 제거하는 작업은 거의 전적으로 조정 작업, 즉 추적, 대기, 에스컬레이션, 분류 등입니다. 이러한 프로세스 개선과 진정한 AI 혁신 이후에는 높은 판단력과 높은 영향력을 가진 작업만 남게 되며, 이는 최고의 인력이 어차피 모든 시간을 쏟아야 하는 작업입니다.

용감한 신세계

전통적인 컨설팅 회사는 프로세스 작업에 능숙하다는 점을 인정합니다. 실제로 10개국과 3개 법인에 걸친 15단계 프로세스에 대한 정교한 일러스트레이션을 원한다면, 평범한 컨설팅 회사는 30만 달러에 지금까지 본 것 중 가장 아름다운 슬라이드를 만들어 낼 것입니다. 이 컨설팅 회사가 할 수 없는 것은 더 중요하고 후반부 작업, 즉 어떤 모델을 신뢰할 수 있고 신뢰할 수 없는지, 한 달에 40,000번 실행되는 에이전트의 비용은 얼마인지, 어떤 작업 스타일(GL 코딩 대 딜 데스크 라우팅)에 어떤 모델(Fable 5.1 대 Gemini 3.8 Flash)을 사용해야 하는지, 특정 프로세스에 맞게 평가 제품군을 최적으로 설계하는 방법, 그리고 프로세스의 특정 단계가 위의 3가지 버킷(결정론적, 에이전트, 인간 개입) 중 어디에 진정으로 속하는지 아는 것입니다. 따라서 이 경로를 선택하면, 경험 많은 AI 네이티브 전략가와 FDE(Forward Deployed Engineer) 대신 추측하는 컨설턴트가 재설계를 만들게 되며, 6개월 후에 파일럿이 추락한 이유를 궁금해하게 될 것입니다.

반면, AI 연구소와 기업은 반대의 문제를 가지고 있습니다. 그들은 에이전트를 구축할 수 있지만(적어도 대부분의 경우), 재무 부서와 운영 부서 모두와 함께 앉아 두 부서가 소유권과 상위 프로세스에 대해 의견이 다른 워크플로우를 분석해 본 적이 없습니다. 따라서 그들은 고장난 프로세스에 AI를 얹고 자동화되었다고 부르며, 몇 달 전에 해야 했던 것처럼 그 프로세스를 근본적으로 뜯어고치고 재설계하지 않습니다. 더욱이, OpenAI(DeployCo) 및 Anthropic(Ode)과 같은 가장 큰 '적용 AI' 연구소는 평생 그들의 모델과 결혼하도록 강요할 것입니다. 회사의 전체 지능 스택을 단일 공급업체에 베팅하는 것은 자살 행위입니다. 내일, 그들이 사용 중인 모델에 대해 속도 제한, 양자화, 가격 인상, 지원 중단을 하면, 당신은 엉망과 청구서만 남게 됩니다. 엔드포인트를 Claude에서 GLM, Gemini 또는 DeepSeek로 바꾸는 것처럼 간단하다고 생각할 수 있지만, 그렇지 않습니다. 평가를 다시 실행하고 모델 호출당 사용할 사고 수준을 재결정하는 것은 고통스러운 과정이며, 연구소는 이를 도와주지 않을 것입니다.

대신 필요한 것은 두 세계의 장점을 결합한 것입니다. 실제로 재무, 운영, 영업 또는 인사 부서를 운영해 본 사람과 Microsoft Dynamics와 같은 ERP 또는 Salesforce와 같은 CRM에 프로덕션 등급 소프트웨어를 출시할 수 있는 엔지니어링 인재, 그리고 내장된 엔터프라이즈 수준의 거버넌스와 평가 제품군을 갖춘 모델에 구애받지 않는 회사 하네스를 구축할 수 있는 AI 엔지니어가 결합된 사람들입니다. 어떤 이들은 이러한 사람들을 'Forward Deployed Engineer'라고 부르지만, 실제로 오늘날 대부분의 FDE는 평범한 엔지니어이자 평범한 컨설턴트이며 AI 능력이 전혀 없어서 결국 제대로 된 것을 거의 만들지 못합니다.

제대로 했을 때는 어떻게 보일까요?

AI로 회사를 혁신할 때 중요한 4가지 레버는 비용(이상적으로는 감소), 수익(이상적으로는 증가), 시간(이상적으로는 단축), 위험(이상적으로는 감소)입니다. 저희의 배포 사례(약 절반은 상장 기업)에서 레버별로 실제로 움직인 예는 다음과 같습니다.

• 시간. 월말 결산 프로세스를 18-22일에서 7-9일로 단축했습니다. 공급망 중단은 이전에는 며칠이 걸렸지만, 현재는 6시간 이내에 처리됩니다.
• 수익. 거래가 평균 23일 동안 유휴 상태로 있었지만, 이제는 평균 6일로 줄었고, 영업 담당자의 행정 업무 시간은 주당 38%에서 14%로 감소했습니다. 이 시간은 전적으로 영업 활동에 투입되었습니다.
• 비용. AP(미지급금) 예외 처리 건수가 월 600-800건에서 50건 미만으로 줄었습니다. 마케팅 조직에서는 월말에만 발견되던 속도 조정 오류로 인한 미디어 예산 손실의 8-12%를 회수하여 분기당 수백만 달러를 절감했습니다.
• 위험. 급여 정정 건수가 90% 감소했습니다. 이제 급여 지급 전에 시스템 간 조정이 이루어지기 때문입니다. 직원 지원 문의의 80%는 회사 자체 정책 문서를 통해 해결되었으며, 예외적인 경우만 인사팀 담당자에게 전달되었습니다.

이러한 배포를 통해 창출된 총 가치는 1억 달러가 넘습니다. 가장 좋은 점은 이 수치가 고객사와 함께 공동 창출되었다는 것입니다. 즉, 당사만의 주장이 아니라 실제로 측정된 결과입니다.

진정한 AI 혁신 기업은 어떤 모습일까요?

위에서 설명한 모든 것이 Varick에서 업무를 수행하는 방식이며, AI를 도입한 기업들에게 효과가 있었던 유일한 접근 방식입니다. 수천 명의 직원, 수십 개의 시스템, 무한한 복잡성을 가진 대기업들이지만, 플레이북은 동일하며 항상 효과를 발휘합니다.

저희의 전략가와 엔지니어로 구성된 팀은 부서 수준에서 먼저 실제 업무가 어떻게 이루어지는지 파악합니다. 단순히 문서화된 대로 받아들이지 않고, 프로세스 마이닝과 인터뷰, 경과 시간 대비 실제 작업 시간 계산, 예외 사항 매핑, 상류 및 하류 영향 파악, 업무 소유자 식별을 통해 진행합니다. 이 과정을 몇 달이 아닌 단 몇 주 만에 완료하여, 재설계된 프로세스, 창출될 가치, 맞춤형 기준 KPI, 그리고 에이전트 구축 우선순위를 제공합니다. 그런 다음, 엔터프라이즈급 거버넌스, 감사 가능성, 평가 스위트, 모니터링 기능을 기본 탑재한 에이전트를 구축하기 시작합니다.

저희는 매출 5억 달러 이상의 기업들과 협력하여 제품, 재무, 영업, 조달, 운영, 인사 등 가장 까다로운 워크플로우를 해결합니다. 귀사의 프로세스 중 하나에 이를 적용한 모습을 보고 싶으시다면, 저희 웹사이트에서 상담을 예약하시고, 가장 복잡하고 마음에 들지 않는 워크플로우에 대해 이야기할 준비를 해주십시오. 또한, 이 콘텐츠가 도움이 되셨다면, 저희 뉴스레터를 구독해 주세요. 매주 '적용형' AI의 최신 동향과 저희가 경험을 통해 배운 모든 것을 공유합니다.

요약

• 현재 기업의 AI 지출 대부분은 기존 프로세스 위에 적용되고 있습니다. 이는 단지 나쁜 프로세스를 더 빠르게 실행하도록 만드는 것에 불과합니다. Michael Hammer가 1990년 IT에 대해 언급했고, 영국 정부가 2025년 1,000개의 Copilot 라이선스로 사실상 다시 증명했습니다: 사용자당 하루 1.14회 작업, 생산성 향상 없음, 사용자의 72%가 여전히 만족.
• 시간은 작업 자체가 아니라 대기열과 인계 과정에 있었습니다. Hammer의 보험 신청서는 프로세스에서 22일 동안 대기했으며, 실제 작업 시간은 17분에 불과했습니다. 작업 속도를 두 배로 높여도 8분만 절약할 수 있습니다.
• 먼저 시스템을 통합하는 것(하나의 ERP, 하나의 CRM, 하나의 데이터 플랫폼)은 단 1달러의 가치도 보지 못한 채 2년과 9자리 숫자의 비용을 잃는 지름길입니다. 실제로 필요한 것은 하나의 프로세스 정의와 하나의 소유자입니다. 에이전트는 서로 다른 시스템을 허용할 수 있지만, 결정론적 통합은 그럴 수 없었기 때문입니다.
• 부서 수준에서 시작하여 시스템을 분석하고 운영 담당자와 인터뷰한 다음, 모든 단계를 세 가지 범주(결정론적 소프트웨어, 에이전트, 증거가 준비된 상태의 인간 개입) 중 하나로 분류하십시오. 제대로 수행하면 25단계 프로세스가 2개의 인간 체크포인트가 있는 3개의 에이전트로 전환됩니다.
• 이 방식으로 진행했을 때, 월말 결산은 18-22일에서 7-9일로, AP 예외는 월 600-800건에서 50건 미만으로, 급여 정정은 90% 감소했으며, 총 배포 가치는 고객사와 함께 측정하여 1억 달러를 넘었습니다.
• 이 모든 것은 최고 경영진의 지지, 운영 담당자의 실제 필요성, 그리고 프로세스 전문가, 소프트웨어 엔지니어, AI 엔지니어가 모두 한자리에 모인 팀이 있을 때만 가능합니다. 이 세 가지를 모두 갖춘 곳은 거의 없습니다.