AI로 2만 명 분량의 업무 역량을 창출하다: 생산성 향상이 변화시키는 인재의 역할과 기업의 수익 모델

그림: AI에 의한 업무 역량 창출 및 인재·수익 모델의 변화를 보여주는 도입 이미지.

AI 도입으로 기업의 생산성은 어디까지 향상될까요?

2026년 9월, 인도 IT 서비스 대기업 Wipro(위프로)가 AI 활용을 통해 직원 약 2만 명 분량에 해당하는 업무 수행 능력을 창출했다고 보도되었습니다.

이 사례에서 주목해야 할 점은, 업무 효율화로 발생한 여력을 기업이 어떻게 활용하느냐 하는 부분입니다. AI가 담당하는 일이 늘어나면서 인재에게 요구되는 역할과 기업의 수익 모델에도 변화가 생기고 있습니다.

본 기사에서는 Wipro의 활동을 바탕으로 AI에 의한 생산성 향상이 인재와 비즈니스 모델에 미치는 영향을 정리하고, 일본 기업이 앞으로 어떤 대응을 해야 할지 고찰합니다.

Wipro는 인도에 본사를 두고 전 세계 여러 국가에서 IT 서비스 및 컨설팅을 제공하는 기업입니다. 시스템 개발이나 운영, 기업의 디지털 전환 지원 등을 담당하고 있습니다.

2026년 9월 10일 로이터(Reuters) 보도에 따르면, Wipro의 최고기술책임자(CTO)인 Sandhya Arun 씨는 AI 활용을 통해 약 2만 명의 직원에게 해당하는 업무 수행 능력이 창출되었음을 밝혔습니다.

다만, 이는 2만 명의 직원을 감축했다는 의미가 아닙니다.

기존에는 사람이 담당하던 일부 업무를 AI로 효율화하여 다른 일에 투입할 수 있는 여력이 생겼다는 것입니다. 동사는 이렇게 창출된 여력을 가진 직원들을 사내에서 재배치했다고 설명했습니다.

Wipro는 2026년 6월 기준으로 약 243,000명의 직원을 보유하고 있으며, 10만 명 이상의 직원이 고급 AI 관련 교육이나 인증을 받았습니다.

동사는 인간과 AI가 협업하는 'Human-AI Operating Model'로의 전환을 진행하고 있습니다.

예를 들어, 엔지니어가 기존에 담당하던 일부 작업을 AI 에이전트에게 맡기고, 인간은 여러 AI 에이전트를 관리하거나 다른 프로젝트를 담당하는 근무 방식이 예상됩니다.

AI 에이전트란 주어진 목적에 따라 필요한 처리를 조합하여 여러 작업을 진행하는 AI 시스템입니다.

Wipro의 활동은 AI를 단순한 작업 자동화에 사용하는 것이 아니라, 사람과 AI의 역할을 재구성함으로써 생산성을 높이려는 움직임으로 해석할 수 있습니다.

Wipro는 2026년 8월 27일, Google Cloud와의 파트너십 확대를 발표했습니다.

이번 협력에서는 Google의 기업용 AI 서비스인 'Gemini Enterprise' 등을 활용하여 AI 에이전트를 기업의 핵심 업무에 통합하는 노력을 진행하고 있습니다.

Wipro는 인사나 컴플라이언스, 영업 정보 분석 등에 AI 에이전트를 도입하고 있습니다. 또한 소프트웨어 개발 분야에서도 설계 계획이나 프로그래밍, 테스트 등을 지원하는 AI 활용을 진전시키고 있습니다.

더 나아가, 동사는 1만 명 이상의 AI 인증 전문 인력의 역량 강화 방침을 밝혔으며, 고객 기업에 AI 도입을 지원할 수 있는 1,500명 이상의 전문 엔지니어 체계 구축도 목표로 하고 있습니다.

이러한 노력들을 통해 볼 때, AI를 개별 작업을 효율화하는 도구일 뿐만 아니라, 기업 전체의 업무 방식을 변화시키는 시스템으로 활용하려는 방향성이 보입니다.

그림: Wipro의 AI 활용에 따른 업무 여력, 직원 재배치, 인재 육성 노력.

AI 도입 효과를 측정할 때 이해하기 쉬운 지표 중 하나는 작업 시간 단축입니다.

예를 들어, 이전에는 하루 3시간이 걸리던 자료 작성이 AI 활용으로 1시간 만에 끝날 수 있게 된다면, 2시간의 여력이 생깁니다.

하지만 그 시간을 무엇에 사용할지가 정해져 있지 않다면, 업무 효율은 개선되어도 기업 전체의 성과가 크게 달라지지는 않을 수 있습니다.

저는 AI로 인해 생긴 시간을 새로운 업무에 어떻게 투입할지를 확실히 고민해야 한다고 생각합니다.

그 과정에서는 단순히 새로운 업무를 정하는 것뿐만 아니라, 누가 담당하고 어떤 성과를 목표로 하는지, 그리고 그 성과를 어떻게 확인할 것인지까지 명확하게 하는 것이 중요합니다.

영업 부서라면, 제안 자료 작성에 사용하던 시간을 고객 인터뷰나 새로운 제안 검토에 할애할 수 있을 것입니다.

고객 인터뷰에 시간을 투입하는 경우, 담당자를 정한 후 인터뷰를 통해 얻은 정보가 제안 내용에 어떻게 반영되었는지 확인하는 것이 고려될 수 있습니다.

시스템 개발에서는, 정형적인 프로그래밍 작업을 AI에게 맡김으로써, 고객의 요구 사항 정리나 시스템 전체 설계 등 보다 고도의 판단이 필요한 업무에 시간을 사용할 가능성이 생길 수 있습니다.

하지만 모든 업무에서 절감한 시간을 그대로 다른 일에 투입할 수 있는 것은 아닙니다. AI의 출력을 확인하는 작업이 필요하거나, 업무 진행 방식 자체를 변경해야 하는 경우도 있습니다.

따라서 어떤 작업을 효율화하고, 그로 인해 발생한 여력을 무엇에 활용할지 도입 단계부터 고려해 두는 것이 중요합니다.

AI로 인해 업무량이 감소했을 경우, 기업은 직원을 다른 업무에 배치하는 방안을 고려할 수 있습니다.

다만, 지금까지 담당했던 업무가 효율화되었다고 해서 그 직원이 곧바로 다른 업무에서 성과를 낼 수 있다고는 단언하기 어렵습니다.

예를 들어 데이터 집계를 담당하던 직원이 AI 도입 후 분석 결과를 활용한 개선 제안을 맡게 된다면, 기존과는 다른 업무 지식이나 판단력이 요구됩니다.

기업은 단순히 담당 업무를 변경하는 것이 아니라, 새로운 역할에 요구되는 역량과 책임의 범위를 명확히 해야 합니다.

이 과정에서는 업무 인수인계나 교육에 필요한 시간도 고려해야 합니다.

Wipro의 사례가 보여주듯이, AI로 창출된 여력을 효과적으로 활용하기 위해서는 인재 재배치와 업무 설계를 연동시키는 것이 중요합니다.

그림: 절감한 작업 시간을 새로운 업무로 돌리는 사고방식.

생성형 AI(Generative AI)의 확산으로 인해, 문서 작성이나 정보 정리, 프로그래밍 등 그동안 사람이 많은 시간을 들여 하던 일부 업무를 AI가 수행할 수 있게 되었습니다.

이러한 환경에서는 AI 도구 사용법을 아는 것만으로는 충분한 차별화에 이르지 못할 가능성이 있습니다.

제가 앞으로 중요하다고 생각하는 것은, 업무를 이해하고 AI에게 적절한 일을 맡기며, 그 결과의 좋고 나쁨을 판단할 수 있는 능력입니다.

AI를 사용해 시장 조사 자료를 만들 경우, 시장 규모나 성장률 같은 숫자가 정확하더라도 그것이 자사의 사업에 그대로 적용된다는 보장은 없습니다. 조사 대상 지역이나 고객층, 경쟁 기업과의 차이점 등을 고려하여 분석 결과를 어떻게 활용할지 판단해야 합니다.

이러한 판단에는 업계 동향이나 고객의 니즈, 자사 상품/서비스에 대한 전문 지식이 필수적입니다. AI는 정보 수집과 정리를 지원할 수는 있지만, 그 정보가 실제 업무에서 어떤 의미를 가지는지, 어디까지 신뢰하여 의사결정에 이용할 수 있는지를 가늠하는 데에는 인간의 전문성이 요구됩니다.

따라서 AI에게 일을 맡길 때는 사전에 업무의 목적이나 필요한 정보를 명확히 하고, 출력된 내용에 부족하거나 불분명한 점이 있다면 추가 조사나 확인을 거치는 것도 중요합니다.

앞으로는 AI에게 맡기는 일과 인간이 판단하는 일을 적절하게 분리할 수 있는 인재가 더욱 중요한 역할을 담당할 것이라고 생각합니다.

업무 진행 방식이 바뀌면, 인재 평가 방법도 검토가 필요해집니다.

예를 들어, 동일한 품질의 결과물을 만든다고 할 때, AI를 활용하여 단시간에 완성시킨 직원과 기존 방식으로 오랜 시간을 들여 완성시킨 직원을 작업 시간만으로 비교하는 것은 적절하지 않습니다.

반면, 작업이 빠르다는 이유만으로 높은 평가를 내리는 것에도 주의가 필요합니다. AI를 활용해 작업 시간을 단축했더라도, 결과물에 오류가 많아 확인 및 수정에 시간이 걸린다면 반드시 생산성이 향상되었다고 볼 수 없기 때문입니다.

평가할 때는 작업 속도뿐만 아니라, 결과물의 품질이나 업무 기여도, 그리고 AI를 적절히 활용하기 위한 판단력 등도 고려해야 할 것입니다.

이러한 역량을 키우기 위해서는 AI 도구 사용 교육만으로는 부족합니다. 업무의 목적을 이해하고 AI의 출력을 검증할 수 있는 전문 지식과, 문제를 발견하고 개선책을 생각하는 힘 또한 요구됩니다.

저는 AI의 확산으로 인간의 전문성이 필요 없게 되는 것이 아니라, 전문 지식을 활용하여 AI를 관리하고 성과로 이끌어낼 수 있는 인재의 가치가 높아진다고 생각합니다.

나아가 개인으로서 AI를 능숙하게 다루는 것을 넘어, 그 활용 방법을 사내에 확산시켜 조직 전체의 생산성 향상으로 연결할 수 있는 인재 역시 앞으로 더욱 중요해질 것입니다.

그림: AI 활용 후 중요해지는 판단력, 전문성, 성과 평가.

AI로 인한 생산성 향상은 직원들의 근무 방식뿐만 아니라 기업의 수익 모델에도 영향을 미칩니다.

특히 큰 영향을 받는 것이 인월(人月)을 기준으로 하는 계약입니다.

인월이란 1인이 한 달 동안 일하는 작업량을 나타내는 단위입니다. IT 서비스나 시스템 개발 등에서는 필요한 인원과 기간을 바탕으로 비용을 산출하는 계약이 사용됩니다.

예를 들어, 기존에는 10인월이 필요했던 업무가 AI 덕분에 5인월로 완료되었다고 가정해 봅시다.

작업 시간에 따라 청구액이 결정되는 계약이라면, 필요한 공수 감소에 따라 매출도 줄어들 가능성이 있습니다.

반면, 미리 정한 금액으로 업무를 수주하는 고정 가격 계약(Fixed Price Contract)의 경우, 품질이나 납기를 유지하면서 작업 비용을 절감할 수 있다면 이익률이 개선되는 경우도 있습니다.

즉, 같은 생산성 향상이라 하더라도 계약 형태에 따라 기업의 수익에 미치는 영향은 다릅니다.

그림: AI 구동 개발 관련 공수 절감 사례. 그림 내 수치와 출처를 참조.

저는 AI로 인해 공수가 줄어들수록 인월(Man-Month) 중심의 비즈니스 모델은 재검토가 필요하다고 생각합니다.

이때 중요한 것은 AI를 통한 효율화로 창출된 이점을 고객과 서비스 제공 기업 양쪽 모두가 얻을 수 있도록 하는 것입니다.

예를 들어, 고객에게는 납기 단축이나 대응 가능한 업무 범위 확대와 같은 형태로 가치를 제공하는 한편, 서비스 제공 기업에도 품질 개선이나 인재 육성, AI 활용에 대한 지속적인 투자가 필요한 이익이 남는 구조를 고민해야 합니다.

공수가 줄어든 만큼 단순히 가격을 낮추기보다는, 고객이 얻게 될 성과와 서비스 제공 기업이 부담하는 책임 및 비용을 고려하여 양측 모두가 지속적으로 이점을 얻을 수 있는 거래 조건을 설계하는 것이 중요하다고 생각합니다.

물론, 인월 계약 자체가 불필요해지는 것은 아닙니다. 업무 내용이나 필요한 인력이 변동하는 프로젝트 등에서는 여전히 적절한 계약 방식이 될 수도 있습니다.

중요한 것은 AI로 인한 업무 변화를 바탕으로 기존의 가격 책정이 고객에게 제공되는 가치와 일치하는지 검토하는 것입니다.

이러한 변화를 고려할 때 참고가 되는 것이 Wipro 자체의 사업 전략입니다.

同社는 2026년 4월 1일, AI 중심의 새로운 사업 부문인 “AI-Native Business & Platforms Unit” 설립을 발표했습니다.

이 부문에서는 기업용 AI 솔루션 및 플랫폼 개발을 진행하는 동시에, 고객에게 제공되는 성과를 중시한 가치 창출을 목표로 하고 있습니다.

기존 IT 서비스를 보완하면서도, AI를 활용한 새로운 사업 육성이나 사업 규모 확대를 도모하는 방침입니다.

이러한 노력은 AI에 의해 서비스 제공 방식이 변하는 가운데, 기존의 작업량뿐만 아니라 고객이 얻는 성과를 중시하는 방향성을 보여준다고 생각됩니다.

공수에 의존하지 않는 가격 책정을 고려할 때 중요한 것은 고객에게 제공되는 가치를 구체적으로 제시하는 것입니다.

예를 들어, AI로 시스템 개발 기간을 단축할 수 있다면, 고객은 새로운 서비스를 조기에 제공할 가능성이 있습니다.

또한, 테스트 공정의 효율화와 품질 확인 강화라는 두 마리 토끼를 잡는다면, 결함 발생을 억제하고 운영 개시 후 수정 부담을 경감하는 것도 고려해볼 수 있습니다.

고객 입장에서는 작업에 몇 시간이 걸렸는지뿐만 아니라, 도입까지의 기간이나 시스템의 품질, 업무 개선으로 얻게 되는 효과도 중요합니다.

따라서 서비스를 제공하는 기업에게는 이러한 성과를 구체적인 지표로 제시하고 가격의 적정성을 설명할 수 있는 역량이 요구됩니다.

다만, 성과에 따른 계약에는 또 다른 어려움이 있습니다.

예를 들어, 시스템 도입 후 고객의 매출이 증가하더라도 그 원인이 오직 시스템 때문이라고 단정하기는 어렵습니다. 시장 환경이나 영업 활동 등 여러 요소가 영향을 미치기 때문입니다.

성과를 가격에 반영할 경우에는 측정 방법과 책임 범위에 대해 고객과 사전에 합의해야 합니다.

앞으로는 업무 특성에 따라 인월 계약, 고정 가격 계약, 성과 연동 요금 체계 등을 적절히 구별하여 사용하는 것이 중요해질 것입니다.

여기서 놓칠 수 없는 점은 AI 도입으로 생산성이 향상되어도 기업의 이익이 자동으로 늘어나는 것은 아니라는 사실입니다.

2026년 9월 10일자 Reuters 기사에서 조사 회사 Nord-IQ Research의 분석가는 Wipro가 AI 수익화 측면에서 경쟁사에 비해 초기 단계에 있으며, 앞으로는 AI 관련 노력이 매출이나 이익률 개선으로 이어지는지가 중요하다고 지적했습니다.

AI 도입에는 시스템 정비나 인재 육성, 운영 등의 비용이 발생합니다. 생산성 향상 효과를 얻더라도 투자액이나 고객과의 계약 조건에 따라 이익 반영까지 시간이 걸릴 수도 있습니다.

기업에게는 줄인 공수뿐만 아니라 AI 관련 투자 및 운영 비용, 그리고 고객에게 제공한 성과까지 포함하여 사업 전체의 수익성을 평가하는 시각이 요구됩니다.

그림: 인월 계약, 고정 가격 계약, 성과에 따른 계약과 수익성 논점.

Wipro의 사례를 일본 기업의 노력에 적용하려면, 먼저 AI 도입으로 무엇을 개선하고 싶은지 명확히 하는 것이 중요합니다.

예를 들어 영업 부문이라면, 자료 작성 시간 단축 외에도 상담화율이나 수주율 변화 등을 확인하는 것이 고려될 수 있습니다.

고객 대응 부문에서는 문의에 대한 답변 시간뿐만 아니라 1차 해결률이나 고객 만족도 등도 지표가 될 것입니다.

다만, 이러한 수치가 개선되었다고 하더라도 그 전부가 AI의 효과라고 단정할 수는 없습니다.

담당자의 경험이나 고객의 상황, 업무량의 변화 등도 결과에 영향을 미치기 때문에, AI 도입 전후를 비교할 때는 가능한 한 조건을 동일하게 맞추는 것이 바람직합니다.

무엇을 측정할지 사전에 결정해 두면, 도입 후에 효과를 검증하고 개선으로 이어가기가 수월해집니다.

AI를 전사적으로 전개하기 전에 특정 업무나 부서에서 효과를 검증하는 방법도 유효합니다. 예를 들어, 대상이 되는 업무를 좁혀 AI 도입 전후의 작업 시간, 결과물의 품질, 수정 횟수 등을 비교할 수 있습니다.

여기서 놓치지 말아야 할 것이 AI 출력물을 확인하는 시간이나 오류를 수정하기 위한 부담입니다.
AI 덕분에 최초 작업 시간이 단축되었다고 해도, 그 이후 검토에 많은 시간을 할애한다면 업무 전체로서의 효과는 제한적일 수 있습니다.

게다가 AI 툴 이용료나 시스템 연동, 직원 교육 등에도 비용이 발생합니다. 따라서 단순히 작업 시간의 단축만을 성과로 삼을 것이 아니라, 도입 및 운영에 필요한 비용과 실제로 얻은 개선 효과를 비교해야 합니다.

여기서 구분하고 싶은 점은, 작업 시간의 단축과 실제 지출 비용의 단축이 반드시 같지는 않다는 것입니다. AI 덕분에 직원의 작업 시간이 줄어들더라도 급여 등의 지출이 변하지 않는다면, 줄어든 시간이 곧바로 기업의 이익이 되는 것은 아닙니다.

따라서 AI 툴 이용료나 출력 내용 확인 및 수정에 드는 부담까지 포함하여, 업무 전체적으로 얼마나 여력이 생겼는지 파악하는 것이 중요합니다. 나아가 그 여력을 활용한 결과로 고객 대응 건수가 늘어났는지, 제안 내용의 질이 향상되었는지 등 실제 업무 성과까지 확인할 필요가 있습니다.

소규모 검증을 통해 과제를 파악하고 운영 방법을 개선한 후 대상 업무를 확대해나간다면, 과도한 투자나 현장 부담을 줄이면서 도입을 진행하기 수월할 것입니다.

AI 도입 효과가 확인된 후에는 그 성과를 기업 전체에 어떻게 확산시키는지가 과제가 됩니다.

저는 일본 기업 역시 AI 도입, 인재 육성, 계약 재검토를 세트로 진행해야 한다고 생각합니다.

이를 위해서는 AI 도입을 담당하는 부서뿐만 아니라 업무를 수행하는 현장, 인사, 영업, 경영층 등이 협력하는 것이 중요합니다.

예를 들어, AI로 인해 영업 자료 작성 시간이 단축되었다면, 현장에서는 새로운 고객 대응 방식을 검토해야 합니다. 인사 부문은 그 업무에 필요한 역량이나 평가 방법을 정리하고, 영업 부문은 고객에게 제공되는 가치가 어떻게 변하는지 고민하게 됩니다.

IT 서비스 기업이라면, 업무 진행 방식이 바뀌면서 고객과의 계약 조건이나 가격 책정에도 영향을 줄 수 있습니다.

이러한 판단을 각 부서가 개별적으로 진행할 경우, 현장의 업무 개선과 기업 전체의 방침 사이에 괴리가 생길 가능성이 있습니다.

경영층이 목표하는 성과를 명확히 하고, 관계 부문이 공통의 목표를 가지고 임하는 것이 중요합니다. 이를 위해서는 각 부서의 역할과 책임을 명확히 한 뒤 도입 후에 발생한 과제나 성과를 공유하고, 업무 진행 방식이나 인재 육성 방침을 지속적으로 재검토하는 시스템이 필요하다고 생각합니다.

그림: AI 도입 목적/지표, 비용 대비 효과, 조직 전반의 재검토.

Wipro의 사례는 AI로 인해 큰 업무 여력을 창출할 수 있다는 가능성을 보여줍니다. 반면, 그 여력을 기업 성장에 어떻게 연결시키느냐는 또 다른 과제입니다.

실제로 AI를 도입했지만, 단축된 시간이 매출이나 이익으로 이어지고 있는지 알지 못하는 기업도 있을 것입니다.

또한, 직원에게 어떤 역량을 갖추게 해야 할지, AI를 전제로 한 업무 진행 방식과 평가 제도를 어떻게 정비할지 판단에 어려움을 겪는 경우도 발생할 수 있습니다.

이러한 과제에 대응하기 위해서는 우선 자사의 업무를 정리하고, AI에게 맡길 일과 인간이 담당해야 할 역할을 명확히 해야 합니다. 그 위에서 목표하는 성과에 따른 활용 방법을 검토하는 것이 중요합니다.

제가 중요하다고 생각하는 것은 기술의 도입 자체를 목적으로 삼는 것이 아니라, 기업이 실현하고자 하는 성과로부터 역산하여 AI 활용을 설계하는 것입니다.

AI 도입 효과를 충분히 체감하지 못했거나 업무 효율화의 다음 단계로 나아가고 싶은 기업에게는 현재의 노력을 재검토하는 것이 중요한 기회가 될 것입니다.

AI를 어디에 도입할지뿐만 아니라, 발생한 여력을 어떻게 활용하고 인재의 역량을 어떻게 높여 사업 성과로 연결해나갈 것인지. 이러한 과제를 기업 전체의 시점에서 정리하는 것이 AI 시대 경쟁력을 높이는 출발점이 된다고 생각합니다.

우선 자사의 업무 하나를 골라 AI 도입 전후에 확인 및 수정 시간을 포함한 총 작업 시간과 결과물의 품질을 비교해 보세요. 그 위에서 단축된 시간을 어떤 업무에 투입할지, 누가 담당하고, 어떤 성과를 목표로 할지를 결정하는 것이 중요합니다.

AI 활용 방법이나 도입 후 업무 및 조직 재정비에 어려움을 겪는 기업은 주저 없이 상담해 주세요.

그림: 업무 정리부터 성과 검증, 인재 및 조직 재정비까지의 흐름.

대학원 졸업 후 Softbank Group Corporation(소프트뱅크 그룹)에 입사하여 CEO실에서 마사노 마사요시(孫正義) 님의 지도 아래 성장 전략 수립 업무를 담당했습니다. 경영 핵심부에서의 전략 수립 업무를 통해 사업 확장 및 의사결정 프로세스에 깊이 관여하고 있습니다. 이후 Accenture Corporation(액센츄어)에 참여하여 AI 및 Web3 영역의 사업 전략 수립을 담당했습니다. 첨단 기술과 비즈니스를 융합한 전략 구축에 참여하는 등 실무적인 측면에서도 높은 전문성을 보유하고 있습니다.

2023년에는 경제산업성(経済産業省)이 선정한 고급 IT 인재로서 이시카와현 카가시의 DX 추진 프로젝트에 참여하여 지역의 디지털 변혁을 지원했습니다. 또한, 제11기 Softbank Academia 학생으로 선정되었을 뿐만 아니라, 총무성 주최 고급 인재 육성 프로그램인 “SecHack365”, 경제산업성 실전형 AI 인재 육성 프로그램인 “AI Quest”에도 참여하는 등 관공서와 민간 양쪽에서 높은 평가를 받고 있습니다.

2025년에는 첫 저서, 앞으로의 AI 시대를 살아남기 위한 『전략의 교과서』로 "DeepSeek 혁명"을 출판했습니다.

YouTube: https://www.youtube.com/@Riku_Nagano
FaceBook: https://www.facebook.com/riku0325
LinkedIn: https://www.linkedin.com/in/rikunagano/
note: https://note.com/rikunagano
Zenn: https://zenn.dev/rikunagano
Qiita: https://qiita.com/rikunagano

필자: 나가노 리쿠.