투자자의 명령은 명확했습니다: 즉시 AI-native (AI 네이티브)가 되어 시장이 따라잡기 전에 우위를 점하라.

조직은 빠르게 반응했습니다. 팀들은 업무를 자동화하고, 새로운 역량을 창출하며, 기능이 작동하는 방식을 변경했습니다. 나는 한 부서 전체의 업무를 불필요하게 만드는 AI 워크플로우 (AI workflows)를 구축했습니다. 그 부서는 폐지되었고, 사람들은 일자리를 잃었습니다.

나는 그 결정의 일부였습니다. 나는 이것을 기술적 승리로 제시하지 않습니다. 그것은 비용 기반 (cost base)을 변화시켰고 인간적인 결과를 초래했습니다. 또한 우리가 해결하지 못한 문제를 드러냈습니다.

우리는 그것을 대체할 역량을 제도화하기 전에 인력을 변화시켰습니다.

AI 도입은 조직 전체로 퍼져 나갔지만, 소유권 (ownership)은 그와 함께 이동하지 않았습니다. 팀들은 유사한 문제에 대해 병렬적인 솔루션들을 구축했습니다. 어떤 구현 사례들은 중복되었고, 다른 사례들은 어느 팀도 전체적인 관점을 갖지 못한 채 서로에게 의존했습니다. 즉각적인 이득은 눈에 보였습니다. 하지만 그 이면에 숨겨진 중복은 보이지 않았습니다.

기업은 구현, 통합, 검토, 유지보수, 제어 및 모델 소비 (model consumption)를 위해 중복해서 비용을 지불하고 있었습니다. 더 중요한 것은, 새로운 운영 모델 (operating model)의 일부가 그것을 구축한 개인들의 맥락과 도구 안에만 존재했다는 점입니다.

개인적인 AI 워크플로우는 수년간의 비즈니스 지식을 담을 수 있습니다: 중요한 예외 사항, 결정 뒤에 숨겨진 판단력, 그리고 자동화를 유용하게 만드는 데 필요한 논리 등이 그것입니다. 창조자가 떠날 때, 조직은 지식과 현재 업무를 수행하는 메커니즘을 모두 잃을 수 있습니다.

의존성은 사라지지 않았습니다. 이동했을 뿐입니다.

우리는 인원수를 줄였지만, 새로운 운영 방식을 이해하는 더 작은 그룹에 더 의존하게 되었습니다.

도입은 제도적 역량과 동일하지 않습니다

분산된 실험 (Decentralized experimentation)은 AI의 장점 중 하나입니다. 업무에 가장 가까이 있는 사람들이 중앙 집중식 전환 프로그램 (central transformation program)을 기다리지 않고도 업무를 개선할 수 있습니다. 모든 아이디어를 하나의 승인 대기열 (approval queue)에 통과시키는 것은 조직의 속도를 늦추고 유용한 작업을 음성적으로 만들 것입니다.

경영진의 문제는 개별적인 자동화 (private automation)가 기업의 의존성 (enterprise dependency)이 될 때 시작됩니다.

워크플로 (workflow)가 민감한 데이터를 다루거나, 재무적 또는 고객 의사결정에 영향을 미치거나, 규제 대상 프로세스 내에서 작동한다면 그 경계는 즉시 넘어설 수 있습니다. 다른 경우에는 동료들이 그 결과물에 의존하기 시작하거나, 반복적인 비용이 유의미해지거나, 실패 시 중요한 운영이 중단될 때 그 경계가 넘어섭니다.

일단 그런 상황이 발생하면, 해당 워크플로에는 책임 있는 소유권 (accountable ownership)이 필요합니다. 비즈니스 결과 (business outcome), 기술적 무결성 (technical integrity), 그리고 약속된 이익은 서로 다른 사람의 영역일 수 있지만, 그 어느 것도 암묵적인 상태로 남아서는 안 됩니다. 또한 회사는 데이터 접근 권한을 제어하고, 허용 가능한 성능을 정의하며, 비용과 실패를 관찰하고, 해당 역량이 제작자 없이도 생존할 수 있도록 충분한 컨텍스트 (context)를 보존해야 합니다.

이는 모든 프롬프트 (prompt)를 거버넌스 (governing)해야 한다는 뜻이 아닙니다. 개인의 생산성이 운영 모델 (operating model)의 일부가 된 시점을 인식해야 한다는 뜻입니다.

생산성은 실현된 가치가 되어야 합니다

빠른 결과물은 AI가 본질적으로 경제적이라는 인상을 줄 수 있습니다. 중요한 비교 대상은 변화 전후의, 수용된 비즈니스 결과 (business outcome)에 대한 경제성입니다.

그 비교에는 전체 전환 및 운영 비용이 포함됩니다: 중복된 개발, 모델 소비 (model consumption), 인간의 검토 (human review), 재작업 (rework), 유지보수 (maintenance), 통제 (controls), 그리고 연속성 (continuity) 등이 있습니다. 또한 쉬운 사례들이 끝난 후에도 품질이 유지되었는지, 그리고 단 하나의 기술적 단계가 아니라 전체 운영 사이클 (operating cycle)이 개선되었는지를 묻게 됩니다.

해방된 역량 (Released capacity)이 자동으로 되돌아오는 것은 아닙니다. 경영진은 이를 추가적인 처리량 (throughput), 더 나은 서비스, 채용 방지, 재배치된 역량, 또는 실제적인 비용 절감으로 전환해야 합니다. 만약 이 중 어느 것도 발생하지 않는다면, 조직은 경제적 가치를 창출하지 못한 채 시간만 만들어낸 것일 수 있습니다.

동일한 원칙이 인력 감축에도 적용됩니다. 역할을 제거하면 비용 기반 (cost base)을 바꿀 수 있지만, 필수적인 지식이 문서화되지 않은 자동화 시스템이나 이를 이해하는 소수의 인원에게만 집중되어 있다면 그 이점은 불완전합니다.

거버넌스 (Governance)는 이제 포트폴리오 결정 사항입니다

경영진은 자신들의 이름으로 이미 생성되고 있는 역량들에 대해 기업 차원의 관점 (enterprise view)을 가질 필요가 있습니다. 경영진은 팀들이 동일한 것을 두 번 이상 구축한 곳이 어디인지, 중요한 운영이 사적인 맥락 (private context)에 의존하고 있는 곳이 어디인지, 각 역량을 유지하는 데 비용이 얼마나 드는지, 그리고 어떤 비즈니스 결과가 도출될 것으로 기대되는지를 파악할 수 있어야 합니다.

이를 바탕으로 리더십은 무엇을 로컬 (local)로 남겨둘지, 무엇을 회사 소유로 만들어야 할지, 무엇을 통합해야 할지, 그리고 무엇을 은퇴 (retired)시켜야 할지를 결정할 수 있습니다. 통제 (Controls)는 모든 실험을 동일한 프로세스에 강제로 밀어넣는 대신, 결과와 의존성에 따라 뒤따를 수 있습니다.

제가 리더십에 던지는 첫 번째 질문은 이것입니다: 권위 있는 비즈니스 지식은 어디에 존재하며, 누가 그것을 소유하고 있는가?

이는 단 하나의 데이터베이스를 요구하는 것이 아닙니다. 모든 팀이 비즈니스의 서로 다른 버전을 만들어내지 않고도 AI 시스템이 사용할 수 있는, 거버넌스가 적용된 단일 진실 공급원 (governed source of truth)을 요구하는 것입니다.

회사는 이미 사용 중인 AI 워크플로 (workflows)에 대한 관점을 제공합니다. 저는 중복과 의존성을 식별하고, 누락된 AI 도입 전 (pre-AI) 및 도입 후 (post-AI) 기준선 (baselines)을 설정하며, 로컬 실험이 기업 역량으로 변모하는 경로를 정의합니다. 그런 다음, 리더십에게 단순한 권고안 데크 (recommendation deck)를 남겨두는 대신, 소유권, 통제 및 기술적 변화를 구현하는 것을 돕습니다.

초기 작업은 리더십에게 실제 비즈니스와 결합된 AI 운영 모델 (AI operating model)을 제공합니다. 즉, AI가 실행 가능한 영역은 어디인지, 무엇을 표준화해야 하는지, 무엇이 추가 투자를 받을 가치가 있는지, 그리고 무엇을 중단해야 하는지를 정의합니다. 저는 포트폴리오가 변화함에 따라 다시 돌아오거나, 장기적인 거버넌스 (governance) 파트너로서 계속 관여할 수 있습니다.

다양한 산업군을 아우르며 작업하는 것은 저에게 또 다른 유용한 관점을 제공합니다. 저는 한 기업 내부에서는 독특해 보일 수 있는 패턴들을 인식할 수 있으며, 그 출처를 밝히지 않고도 그러한 교훈들을 논의의 장으로 가져올 수 있습니다.

경영진 수준에서의 질문은 이제 직원들이 AI를 사용하고 있느냐가 아닙니다. 기업이 현재 의존하고 있는 그 역량들을 기업 스스로 소유하고 있느냐 하는 것입니다.