왜 AI 프로젝트는 기업 내에서 뿌리 내리기 어려울까?
요약
기업 내 AI 프로젝트가 실패하는 주요 원인은 기술적 한계가 아닌 리더십의 잘못된 의사결정과 조직적 문제에 있습니다. 실질적인 비즈니스 가치 창출보다 과시용 프로젝트로 전락한 사례들을 통해 AI 도입의 현실적인 어려움을 분석합니다.
핵심 포인트
- AI 프로젝트의 85%~95%가 실제 운영 단계에 도달하지 못함
- 비즈니스 요구사항이 아닌 리더십의 과시용 결정이 실패를 유도
- 하향식(Top-down) 강제 도입은 워크플로 오류와 신뢰도 저하 초래
- 기술 자체보다 조직적 목표의 충돌과 인간적 요소가 핵심 변수
최근 중국에서 한 게시물이 화제가 되었습니다. 한 인사(HR) 전문가가 채용 에이전트(Recruitment Agent)를 구축하는 데 단 3분을 소비했습니다. 30분 만에 이 에이전트는 310개의 이력서 중에서 6명의 후보자를 선별해냈습니다. 하루 만에 이 게시물은 30만 회의 조회수를 기록했습니다.
놀라운 점은 동일한 회사가 이전에 전문 팀을 통해 개발하고 6개월 동안 강력하게 추진했던, 275만 위안(RMB) 규모의 전체 프로세스 AI 오피스 시스템(AI office system)이 있었다는 사실입니다. 그 프로젝트는 혼란 속에 끝났고 폐기되었습니다.
275만 위안짜리 전문 시스템은 성과를 내지 못했지만, 3분짜리 개인용 도구는 작동했습니다. 이 대조는 한 가지 사실을 명확히 보여줍니다. 기업의 AI 도입(AI adoption)이 어려운 이유는 기술 때문이 아니라, 바로 사람 때문이라는 것입니다.
직설적으로 말하자면, 그 패턴은 다음과 같습니다: 리더십이 결정한다 → 외부인이 개입한다 → 모든 것이 무너진다.
1. 숫자는 거짓말을 하지 않는다
Gartner의 보고에 따르면, AI 프로젝트의 85%가 기대 가치를 전달하지 못하거나 배포 전에 중단됩니다. MIT는 훨씬 더 직접적입니다. AI 파일럿 프로젝트(Pilot projects)의 95%가 실제 운영(Production) 단계에 도달하지 못합니다. McKinsey의 연구 또한 많은 기업이 AI를 사용하고 있지만, 응답자의 39%만이 AI가 수익에 의미 있는 영향을 미친다고 느낀다는 것을 보여줍니다.
문제는 AI가 작동할 수 있느냐의 여부가 아닙니다. 문제는 이러한 프로젝트들이 인간적인 차원에서 경로를 이탈하기 시작한다는 점입니다.
2. 리더십의 결정은 종종 체면을 위한 것이다
많은 AI 프로젝트는 비즈니스 요구사항(Business needs)에서 시작되지 않습니다. 리더들이 단순히 "AI를 도입하고 싶다"는 욕구에서 시작됩니다.
275만 위안 규모의 전체 프로세스 AI 오피스 시스템을 예로 들어보겠습니다. 그 핵심은 AI를 구현하려는 하향식(Top-down) 결정이었습니다. 이 시스템은 워크플로 자동화(Workflow automation)를 중심으로 구축되었으며, 채용을 포함한 모든 비즈니스 프로세스를 AI의 손에 맡기는 것을 목표로 했습니다. 하지만 실제로는 이력서 수집, 선별, 면접 일정 조율 등 많은 단계가 완전히 자동화될 수 없었으며 여전히 수동 개입(Manual intervention)이 필요했습니다. 6개월간의 강제적인 도입 결과, 오류율이 급증했습니다. 때로는 숙련된 직원이 수동으로 업무를 처리하는 것보다 신뢰도가 떨어지기도 했습니다. 결국, 이 프로젝트는 취소되었습니다.
왜일까요? 리더들이 AI를 단순히 끼워 넣기만 하면 되는(plug-and-play) 정치적 성과 도구로 취급했기 때문입니다. AI는 특정 문제를 해결하기 위한 것이 아니라, "우리 회사도 AI를 가지고 있다"는 것을 증명하기 위한 수단이었습니다. 그들은 컨퍼런스에서 다른 기업들이 거대 모델(large models)을 구축하는 것을 보고 돌아와 "우리도 반드시 하나 만들어야 한다"라고 말했습니다. AI 프로젝트는 실질적인 프로젝트가 아닌, 과시용 프로젝트(vanity projects)가 되어버렸습니다.
DingTalk의 ONE 프로젝트도 비슷한 경로를 밟았습니다. 이 프로젝트는 직원 업무량 감소, AI 쇼케이스 역할, 사기 진작, 그리고 상용화 탐색이라는 네 가지 목표를 동시에 안고 있었습니다. 이러한 목표들은 서로 충돌했습니다. 내부 조직적 긴장은 끊이지 않았고, 제품 포지셔닝(product positioning)은 계속해서 흔들렸습니다. 사후 분석(post-mortem)에서 퇴사한 제품 관리자(product manager)는 ONE이 AI 기술 때문에 실패한 것이 아니라고 말했습니다. 목표가 너무 많았고 조직적 무게가 너무 컸기 때문에 실패한 것이었습니다. 직원들의 짐을 덜어주기 위한 도구가 오히려 새로운 업무 압박의 원인이 되었습니다.
두 사례를 나란히 비교하면 결과가 더 명확해집니다:
| 차원 | DingTalk ONE | SoloEngine |
|---|---|---|
| 모델 | 하향식(Top-down) "조직 공학 (organizational engineering)" | 상향식(Bottom-up) "개인용 도구 (personal tool)" |
| ... | ... | ... |
결국 275만 위안짜리 시스템이 실패한 이유는 AI를 사용하여 복잡한 **조직 및 관리 문제 (organizational and management problem)**를 해결하려 했고, 그 과정에서 더 많은 문제를 만들어냈기 때문입니다. 반면 SoloEngine은 도구의 본질로 돌아가 **개별 사용자의 구체적인 페인 포인트 (specific pain points of individual users)**에 집중했기에 성공했습니다. 이는 다음과 같은 트렌드를 확인시켜 줍니다. AI의 가치는 비용이 얼마나 드는지나 기능이 얼마나 많은지가 아니라, 사람들에게 진정으로 힘을 실어줄 수 있는지(empower)에 달려 있습니다.
3. 프로그래머는 코드는 이해하지만, 비즈니스는 이해하지 못한다
진짜 문제는 리더십의 비전이 프로그래머의 손에 전달될 때 시작됩니다.
기술적인 사고를 하는 사람(Technically minded people)과 비즈니스적인 사고를 하는 사람(Business-minded people)은 근본적으로 다른 뇌를 가지고 작동합니다. 젊은 프로그래머는 3개월 만에 PyTorch와 Transformers를 배울 수 있습니다. 하지만 3개월이라는 시간으로는 베테랑 직원이 쌓아온 30년 치의 사례 라이브러리(case library)를 복제할 수 없습니다. 기술적 기술(Technical skills)은 빠르게 배울 수 있지만, 경험은 그렇지 않습니다.
더 나쁜 점은, 많은 비즈니스 지식이 명문화조차 되지 않는다는 사실입니다.
다시 275만 위안짜리 시스템의 사례를 들어보겠습니다. 그 시스템이 인사(HR) 전문가의 3분짜리 도구보다 못했던 이유는, 숙련된 전문가 팀조차 채용의 불문율(unwritten rules)을 파악하지 못했기 때문입니다. 인사 담당자는 어느 요일에 지원자가 가장 많이 몰리는지, 연중 어느 시기에 연봉 협상이 더 수월한지, 어떤 이력서가 명백한 대량 지원인지 알고 있습니다. 이러한 것들은 요구사항 정의서(requirements documents)에 결코 포함되지 않지만, 시스템의 사용 가능 여부를 직접적으로 결정합니다.
설령 프로그래머가 인사 분야의 불문율과 경험을 배울 수 있다고 하더라도, 재무(Finance)는 어떨까요? 법무(Legal)는요? 행정(Administration)은요? 더 전문화되고, 더 복잡하며, 더 경험 중심적인 산업들은 어떻게 될까요?
오늘날의 AI 에이전트(AI Agent)는 성적표는 화려하지만 회사가 실제로 어떻게 돌아가는지에 대한 감각은 없는 인턴과 같습니다. 무언가를 시키면 지시사항을 깔끔하게 따릅니다. 하지만 결정적인 판단이 필요한 순간이 오면 한계를 드러냅니다.
4. 대체가 아닌 증강 (Augmentation)
그렇다면 해답은 무엇일까요?
SoloEngine은 방향을 제시합니다: 비즈니스를 이해하는 사람들이 AI를 도구로 사용하게 하라.
전통적인 AI 프로젝트는 "전문가를 대체하는 것"을 목표로 합니다. 프로그래머가 전문가의 경험을 코드로 인코딩(encode)한 다음, 그 시스템을 사용하여 전문가를 대체하는 방식입니다. 하지만 전문가의 경험은 결코 완전히 인코딩될 수 없습니다. SoloEngine은 다른 접근 방식을 취합니다: 전문가에게 권한을 부여하고, 그들이 스스로 AI라는 무기를 갖추게 하는 것입니다.
HR(인사팀)은 프로그래밍을 배울 필요가 없습니다. 그들은 단지 자연어 (Natural Language)로 규칙을 표현하기만 하면 됩니다. 말로 다 할 수 없는 "느낌"과 "불문율"이 실행 가능한 필터링 조건이 됩니다. 이는 "지식 전달 (Knowledge Transfer)"이라는 막다른 길을 우회하여, 비즈니스 지식이 원천에서 바로 가치를 창출할 수 있게 합니다.
5. 결국
기업 내 AI 도입의 어려움은 결국 기술적인 문제가 아닙니다. 그것은 조직의 문제입니다. 사람의 문제입니다.
리더들은 AI를 지위의 상징으로 취급합니다. 프로그래머들은 비즈니스를 데이터로 취급합니다. 그 사이에서, 누구도 실제 요구사항을 명확하게 번역하지 않습니다. 그 결과, 275만 위안짜리 시스템이 HR 전문가가 만든 3분짜리 도구보다 유용성이 떨어지는 상황이 발생합니다.
기업 AI 도입의 미래는 아마도 "프로그래머에게 돈을 퍼부어 코드를 짜게 하는 것"이 아닐 것입니다. 비즈니스를 이해하는 사람들이 AI를 자신의 손에 꼭 맞는 도구로 빚어낼 수 있도록 하는 것입니다.
바이럴된 게시물이 결론지었듯: AI를 사용할 줄 아는 사람이 그렇지 못한 사람을 대체할 것입니다. "바이브 에브리싱 (Vibe Everything)"의 시대가 도래했습니다.
AI 자동 생성 콘텐츠
본 콘텐츠는 Dev.to AI tag의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기