AI Operating Model
우리 조직은 AI를 쓰고 있는가, AI가 일할 수 있는 조직인가
AI를 사용하는 사람은 늘었지만 AI가 실제로 일할 수 있도록 설계된 조직은 많지 않습니다. 에이전트가 답변에서 수행으로 이동할 때 생기는 의도 부채, 관리 대상의 변화, 통제권 설계를 짚고, AI가 일할 수 있는 조직의 다섯 조건과 한 업무를 설계하는 다섯 질문을 제안합니다.
2026.09.30 · 20분 읽기
우리 조직은 AI를 쓰고 있는가, AI가 일할 수 있는 조직인가
AI를 쓰는 조직과 AI가 일할 수 있는 조직은 다르다
경영진이 받는 AI 보고는 지난 1년 사이 빠르게 달라졌다.
'전사에 ChatGPT를 도입했습니다.'
'개발팀은 Claude Code 같은 코딩 에이전트(Coding Agent)를 쓰고 있습니다.'
'AI 교육을 세 차례 진행했고, 몇 개 업무에서는 개념 검증(PoC)도 성공했습니다.'
숫자만 보면 조직은 분명 AI를 받아들이고 있다.
그런데 월요일 아침의 일하는 모습은 생각보다 달라지지 않았다.
담당자가 메일과 메신저를 확인한다. 필요한 자료를 다른 부서에 요청한다. 데이터를 엑셀로 취합하고, 회의 전에 보고 자료를 만든다. 회의가 끝나면 실행 항목을 정리하고, 며칠 뒤 관리자가 다시 진행 상황을 묻는다.
AI는 조직 곳곳에서 쓰이고 있지만, 업무가 흐르는 방식은 여전히 사람이 연결하고 있다.
여기에 많은 기업의 AI 도입이 가진 역설이 있다.
AI를 사용하는 사람은 늘었지만, AI가 실제로 일할 수 있도록 설계된 조직은 많지 않다.
이 간극은 국내 조사에서도 나타난다. 삼성SDS가 2026년 5월 국내 기업과 공공기관 재직자 1,750명을 조사한 결과, 업무용 생성형 AI 사용 시간은 하루 평균 3.25시간이었고, 하루 2시간 이상 쓴다는 응답은 6개월 전 조사의 18%에서 72%로 늘었다. 두 시점의 표본이 630명과 1,750명으로 달라 추세는 참고치로 봐야 한다. 그런데 같은 조사에서 업무 흐름 자동화를 직접 만들어 쓴다는 응답은 13%였고, IT 부서를 제외하면 6%였다. 사용 시간은 하루 업무의 상당 부분을 차지할 만큼 늘었지만, IT 부서 밖에서 일이 흐르는 방식에 AI가 들어간 곳은 아직 스물에 하나 남짓이다.
한국마이크로소프트가 2026년 6월 발표한 업무동향지표(Work Trend Index)의 한국 결과도 같은 방향을 가리킨다. 조직의 AI 활용이 보상으로 이어진다고 본 한국 응답자는 7%로 글로벌 평균 13%의 절반이었고, 경영진과 AI 전략 방향이 정렬돼 있다는 응답은 16%로 글로벌 26%보다 낮았다. 두 조사 모두 벤더가 실시한 자기 보고 조사라는 점은 감안해야 한다. 그래도 개인의 사용은 앞서가고 조직의 설계는 뒤처져 있다는 그림은 컨설팅 현장에서 보는 풍경과 다르지 않다.
이 글은 그 간극에 관한 이야기다. 앞의 세 글이 무엇을 바꿀지 결정하는 기준을 다뤘다면, 이 글은 결정 이후에 AI가 실제로 일을 맡을 수 있으려면 조직이 어떤 형태여야 하는지를 다룬다. AI를 사용하는 조직과 AI가 일할 수 있는 조직은 다르고, 그 차이는 도구가 아니라 일의 설계에서 생긴다.
AI는 답변하는 도구에서 일하는 주체로 이동하고 있다
그동안 우리에게 익숙했던 AI는 대부분 사람의 질문을 기다렸다.
'이 문서를 요약해 줘.'
'메일 초안을 써 줘.'
'이 데이터를 분석해 줘.'
구조는 단순했다. 사람이 묻고, AI가 답하고, 사람이 그 답을 가져다 일을 이어 간다.
에이전트(Agent)가 발전하면서 이 구조가 달라지고 있다.
에이전트(Agent) — 질문에 답하는 데서 그치지 않고, 상황을 확인하고 필요한 도구(Tool)를 골라 쓰며 여러 단계를 거쳐 업무를 수행하는 AI를 말한다. 사람이 매 단계 지시하지 않아도 정해진 목표와 경계 안에서 스스로 다음 행동을 정한다.
시장조사를 예로 들어 보자.
과거에는 사람이 자료를 찾은 뒤 AI에게 요약을 요청했다. AI는 하나의 과업(Task)을 도왔다.
에이전트 관점에서는 업무 전체가 하나의 흐름이 된다. 시장 변화를 감지하고, 관련 자료를 탐색하고, 신뢰도를 검토하고, 분석하고, 기존 전략과 비교하고, 변화점을 도출하고, 보고 자료를 갱신하고, 담당자에게 검토를 요청한다.
여기서 AI는 과업 하나를 돕는 것이 아니라 업무의 진행 자체를 맡는다.
따라서 기업의 질문도 달라져야 한다.
'어떤 업무에 AI를 쓸 수 있을까?'에서 '어떤 업무 흐름을 AI에게 어디까지 맡길 수 있을까?'로.
이 차이는 생각보다 크다.
과업 하나를 AI로 지원하려면 좋은 프롬프트(Prompt)가 중요하다. 업무 전체를 에이전트에게 맡기려면 업무의 시작 조건, 판단 기준, 필요한 데이터, 사용할 시스템, 예외 상황, 승인 조건, 종료 기준까지 정의해야 한다.
프롬프트는 한 사람이 쓸 수 있다. 이 정의는 조직이 함께 써야 한다.
McKinsey가 2026년 8월 발표한 글로벌 AI 현황 조사에서 이 이동이 실제로 시작됐다는 것이 보인다. 매출 10억 달러 이상 대기업 응답자 가운데 하나 이상의 기능에서 에이전트를 확산 단계로 운영한다는 비율은 1년 사이 27%에서 40%로 올랐다. 그런데 같은 조사에서 AI가 기업 이익(EBIT)에 기여했다는 응답은 37%로 1년 전과 같았고, 고성과 기업은 여전히 전체의 6% 안팎이었다. 개인 생산성이 올랐다는 응답은 80%였다. 개인은 빨라졌고 에이전트도 들어왔지만 기업 성과는 아직 따라오지 않았다는 뜻이다.
이 이동이 어디까지 왔는지는 모델 회사의 발표 무대에서 가장 빨리 보인다. OpenAI DevDay 2026에서 나온 열다섯 가지 발표를 시그나이터가 한 편으로 정리했다. 답변하는 도구가 아니라 일하는 주체를 만들기 위한 도구가 어디까지 준비됐는지 볼 수 있다.
개발 조직에서는 이미 새로운 문제가 보이기 시작한다
이 변화는 개발 조직에서 가장 먼저 체감된다. AI 시대의 엔지니어링 팀: 코딩 속도가 빨라진 뒤, 진짜 병목은 어디로 이동했는가에서 코딩 속도가 빨라진 뒤 병목이 어디로 옮겨 가는지를 다뤘다. 이 글에서는 그 병목 가운데 하나를 조금 더 들여다본다.
한 유통 서비스 기업의 개발팀을 가정해 보자. 이 글에서는 이 회사를 B사라고 부르겠다. 컨설팅 현장에서 여러 번 만난 장면을 하나로 각색한 가상의 회사다.
예전에는 B사의 개발자가 기능 하나를 만드는 과정 자체가 학습 과정이었다.
요구사항을 이해하고, 어떤 방식으로 만들지 고민하고, 직접 구현하고, 오류를 만나고, 고치고, 동료와 리뷰했다.
속도는 지금보다 느렸다.
하지만 그 과정에서 중요한 것이 조직 안에 남았다.
'왜 이 시스템이 이렇게 만들어졌는가'에 대한 이해다.
왜 이런 구조를 골랐는지. 왜 다른 방법은 쓰지 않았는지. 어디를 건드리면 문제가 생기는지. 어떤 위험과 제약을 고려했는지.
이런 지식은 코드만 읽어서는 다 알 수 없다. 직접 설계하고 만드는 과정에서 사람과 조직 안에 쌓인다.
그런데 코딩 에이전트가 설계, 구현, 테스트, 수정의 상당 부분을 수행하기 시작하면 상황이 달라진다.
B사에서 일주일 걸리던 작업이 이틀 만에 끝났다. 분명한 생산성 향상이었다.
몇 달 뒤 장애가 났다. 대표가 물었다.
'그런데 이 시스템은 왜 이렇게 만들어져 있죠?'
개발팀이 코드를 열어 봤다. 그리고 다시 AI에게 물었다.
'이 코드가 왜 이렇게 설계돼 있는지 설명해 줘.'
코드는 남아 있었다. 테스트도 통과했다. 서비스도 정상이었다.
그런데 조직 안에서 그 시스템의 의도를 설명할 사람이 줄어들고 있었다.
이것이 B사만의 장면은 아니라는 근거가 쌓이고 있다.
Anthropic이 2026년 1월 발표한 실험에서는 파이썬 개발자 52명에게 처음 보는 라이브러리로 기능 두 개를 만들게 했다. AI 도움을 받은 그룹은 완료 시간이 2분 정도 빨랐지만 통계적으로 유의한 차이는 아니었다. 대신 방금 쓴 개념을 묻는 퀴즈에서 AI 그룹은 평균 50점, 손으로 짠 그룹은 67점이었다. 흥미로운 것은 그다음이다. AI에게 코드를 생성하게 한 뒤 왜 그렇게 되는지 되물은 참가자들은 손으로 짠 그룹과 비슷한 점수를 냈고, 생성된 코드를 붙여 넣고 넘어간 참가자들은 평균 40점에 못 미쳤다. 표본이 작고 퀴즈가 작업 직후에 이루어졌다는 한계는 있다. 그래도 방향은 분명하다. 속도를 얻으면서 이해를 잃는 것은 AI의 속성이 아니라 AI를 쓰는 방식의 속성이다.
METR이 2025년 7월 발표한 실험도 같은 자리를 가리킨다. 자기 오픈소스 저장소를 오래 관리해 온 경험 많은 개발자 16명에게 246개 과제를 무작위로 배정했더니, AI를 허용한 과제가 평균 19% 더 오래 걸렸다. 참가자들은 스스로 20% 빨라졌다고 느꼈다. 표본이 작고 신뢰구간이 넓어 일반화하기는 어렵지만, 자기 시스템을 깊이 아는 사람에게는 AI가 만든 결과를 자기 이해에 맞추는 비용이 만만치 않다는 것을 보여 준다.
저장소 데이터는 조직 수준의 흔적을 보여 준다. GitClear가 고객사 저장소의 코드 변경을 2022년부터 2026년까지 추적한 보고서에서, 기존 코드를 옮기거나 정리하는 리팩터링 성격의 변경 비율은 2022년 21%에서 2026년 3.8%로 떨어졌고, 다섯 줄 이상 중복된 코드 블록은 2023년 대비 81% 늘었다. GitClear의 고객사에 한정된 데이터이고 AI가 원인이라는 것을 직접 입증하지는 않는다. 그래도 코드가 늘어나는 속도와 코드를 이해하고 정리하는 속도가 벌어지고 있다는 것은 읽을 수 있다.
B사가 그 뒤 바꾼 것은 도구가 아니라 규칙이었다. 에이전트가 만든 변경에는 왜 그 구조를 골랐는지와 어떤 대안을 버렸는지를 짧게 적은 설계 결정 기록(Design Decision Record)을 붙이고, 리뷰어는 코드보다 그 기록을 먼저 읽기로 했다. 속도는 조금 줄었다. 대신 몇 달 뒤 같은 질문을 받았을 때 답할 수 있는 사람이 남았다.
기술 부채 다음에 나타나는 부채, 의도 부채
개발 조직에는 오래전부터 기술 부채(Technical Debt)라는 개념이 있다.
기술 부채(Technical Debt) — 지금은 정상적으로 작동하지만 구조가 좋지 않아 나중에 고치기 어려운 상태를 말한다. 빨리 만들기 위해 미룬 정리가 이자처럼 쌓인다.
AI가 개발에 깊게 들어오면 다른 종류의 부채도 관리해야 한다.
시그나이터에서는 이를 의도 부채(Intent Debt)로 본다.
의도 부채(Intent Debt) — 이 글에서 사용하는 표현이다. 시스템은 정상적으로 작동하지만 조직이 '왜 그렇게 만들어졌는가'를 충분히 설명하지 못하는 상태를 뜻한다. 기술 부채가 '어떻게 만들어졌는가'의 문제라면, 의도 부채는 '왜 이렇게 만들었는가'의 문제다.
이 문제는 개발에서 가장 먼저 드러나지만 개발에만 머물지 않는다.
AI가 고객 요청을 처리한다고 생각해 보자.
왜 이 고객을 먼저 처리했는가. 왜 이 요청에는 할인을 제안했는가. 왜 이 고객에게는 사람이 개입했고 다른 고객에게는 자동으로 답했는가.
AI가 경영 보고서를 만든다면 또 다른 질문이 생긴다.
왜 이 데이터를 중요하게 봤는가. 왜 이 지표는 뺐는가. 왜 이 변화가 위험하다고 판단했는가.
AI가 더 많은 업무를 수행할수록 기업은 결과만 관리해서는 부족하다.
결과가 만들어진 기준과 의도까지 조직의 자산으로 관리해야 한다.
AI의 실행 비용은 내려간다. 의도를 관리하는 일의 중요성은 반대로 올라간다.
AI는 관리의 필요를 없애는 것이 아니라 관리할 대상을 바꾼다
경영진에게 가장 중요한 변화는 여기에 있다.
기존 조직에서는 사람이 대부분의 실행(Execution)을 맡았다. 그래서 관리자도 실행을 중심으로 조직을 관리했다.
누가 맡는가. 언제까지 끝내는가. 얼마나 진행됐는가. 결과물이 나왔는가.
AI가 더 많은 실행을 맡기 시작하면 관리의 중심도 옮겨 가야 한다.
앞으로 관리해야 하는 것은 실행이 아니라 의도(Intent)와 통제권(Control Authority)이다.
무엇을 달성하려는가. 어디까지 AI에게 맡길 것인가. 어떤 기준으로 잘했다고 판단할 것인가. 어떤 상황에서 반드시 사람이 개입해야 하는가. 최종 결과에 대한 책임은 누가 지는가.
사람의 역할도 자연스럽게 바뀐다.
실행자(Doer)에서 검토자(Reviewer)로, 의사결정자(Decision Maker)로, 최종 책임자(Accountable Owner)로.
AI가 자료를 찾을 수 있다면 사람은 정보의 신뢰성을 판단한다. AI가 여러 대안을 만들 수 있다면 사람은 대안 사이의 상충(Trade-off)을 판단한다. AI가 고객에게 보낼 답변을 만들 수 있다면 사람은 중요한 고객 관계와 예외 상황을 책임진다.
AI 시대에 사람의 판단이 더 중요해지는 이유에서 판단이 어디에 놓여야 하는지를 다뤘다. 에이전트 시대에 그 판단은 사람이 매 건 내리는 판단이 아니라, AI가 매 건 따를 기준을 사람이 미리 정하는 판단으로 바뀐다.
AI가 실행을 더 많이 맡는다는 것은 사람의 역할이 사라진다는 뜻이 아니다.
오히려 사람에게 남겨야 할 판단과 책임을 더 명확하게 정의해야 한다는 뜻에 가깝다.
그렇다고 모든 업무를 자율형 에이전트로 만들 필요는 없다
여기서 흔히 생기는 오해가 하나 있다.
AI가 일하는 조직이 된다는 것을 AI에게 최대한 많은 자율성(Autonomy)을 주는 것으로 이해하는 것이다.
기업에서 더 중요한 것은 자율성 자체가 아니라 통제권(Control Authority)을 어디까지 위임할 것인가다.
매일 정해진 데이터를 가져와 정해진 형식으로 보고서를 만드는 업무를 생각해 보자. 이 업무에서 AI가 매번 새로운 방법을 고민할 필요는 없다. 정해진 순서대로 정확하게 실행하는 것이 더 중요하다. 이런 업무에는 고정형 업무 흐름(Fixed Workflow)이 맞다.
반대로 새로운 경쟁사를 조사하는 업무는 모든 조사 경로를 미리 정하기 어렵다. 사람이 목표와 범위를 정하고, 그 안에서 AI가 조사 방법과 순서를 판단하게 할 수 있다. 이 경우는 관리형 에이전트(Managed Agent)에 가깝다.
불확실성이 더 높은 일부 업무에서는 목표와 핵심 제약만 주고 AI가 계획과 실행 경로를 계속 조정하게 할 수도 있다. 이것을 자율형 에이전트(Autonomous Agent)라고 부를 수 있다.
중요한 점은 이것이다.
고정형, 관리형, 자율형은 성숙도의 순서가 아니다.
더 자율적인 것이 더 발전된 시스템이라는 뜻이 아니다. 기업이 해야 할 일은 업무의 빈도, 표준화 가능성, 판단의 복잡도, 실패했을 때의 위험을 보고 적절한 수준의 통제권을 설계하는 것이다.
B사의 고객 문의 응대가 그랬다. 처음 제안은 '고객 문의를 처음부터 끝까지 처리하는 자율형 에이전트'였다. 들여다보니 문의의 70%는 배송 조회와 반품 절차처럼 답이 정해진 것이었고, 여기에는 고정형 흐름이 맞았다. 나머지 30% 가운데 배송 지연 문의나 교환 조건 확인처럼 판단이 필요한 건은 관리형 에이전트가 맡고, 불만과 보상 요구는 사람이 봐야 했다. 결국 B사가 만든 것은 자율형 에이전트 하나가 아니라, 고정형 흐름 하나와 관리형 에이전트 하나, 그리고 사람에게 넘기는 인계(Human-AI Handoff) 조건이었다.
그리고 바로 여기서 많은 기업이 막힌다
기술이 충분히 좋아지면 기업의 AI 전환도 저절로 빨라질 것처럼 보인다.
실제로는 반대에 가까운 일이 벌어진다.
AI가 더 많은 일을 할 수 있게 될수록, 기업 내부의 업무가 얼마나 명확하게 정의돼 있는지가 더 중요해지기 때문이다.
B사의 고객 문의 에이전트로 돌아가 보자. 관리형 에이전트가 맡을 구간과 사람에게 넘길 구간을 가르는 자리에서 이런 질문이 나왔다.
어떤 고객이 중요한 고객인가. 어떤 문의가 긴급한가. 어디까지 자동으로 답해도 되는가. 할인을 제안한다면 어느 수준까지 허용되는가. 어떤 고객 정보를 볼 수 있는가. 어떤 상황에서 담당자에게 인계(Escalation)해야 하는가.
사람은 조직에서 일하면서 이런 기준을 자연스럽게 익힌다. 선배에게 묻기도 하고, 몇 번의 시행착오로 배우기도 한다.
그래서 조직에서는 이런 말만으로도 업무가 돌아간다.
'중요한 건이면 팀장님한테 물어봐요.'
'VIP 고객은 조금 다르게 처리합니다.'
'그건 상황을 봐야 합니다.'
에이전트에게는 이것으로 충분하지 않다.
암묵지(Tacit Knowledge) — 문서로 적혀 있지 않고 경험을 통해 몸에 밴 지식을 말한다. '상황을 봐야 한다'는 말 속에는 그 사람이 수십 번의 상황을 겪으며 만든 판단 기준이 들어 있지만, 그 기준은 본인도 다 설명하지 못하는 경우가 많다.
암묵지를 명시적인 업무 기준으로 바꿔야 한다.
B사에서 이 작업에 가장 오래 걸린 것은 시스템 구축이 아니라 'VIP는 다르게 처리한다'의 '다르게'를 적는 일이었다. 상담팀장 세 명이 같은 문장을 다르게 이해하고 있었다. 에이전트를 만드는 과정은 결국 세 사람의 기준을 하나로 맞추는 과정이 됐다.
따라서 에이전트 시대의 업무 표준화(Standardization)는 매뉴얼을 만드는 작업이 아니다.
우리 조직의 일을 사람 이외의 실행 주체에게 설명할 수 있는가를 확인하는 과정이다.
AI를 도입하기 전에, 우리는 우리의 일을 알고 있는가에서 조직이 자기 일을 얼마나 모르는지를 다뤘다. 에이전트는 그 질문을 피할 수 없게 만든다. 사람에게는 '알아서 하라'고 말할 수 있지만, 에이전트에게는 그럴 수 없기 때문이다.
그렇다면 무엇이 AI가 일할 수 있는 조직을 만드는가
앞으로 기업의 AI 준비도를 'AI 도구를 얼마나 많이 도입했는가'로 평가하기는 어려워질 것이다.
더 중요한 질문은 이것이다.
'우리 조직은 에이전트가 실제로 일할 수 있도록 준비돼 있는가?'
시그나이터에서는 이를 에이전트 준비 조직(Agent-Ready Organization)이라고 부른다.
에이전트 준비 조직(Agent-Ready Organization) — 이 글에서 사용하는 표현이다. 업무가 명확하게 정의돼 있고, 필요한 데이터와 시스템이 연결돼 있고, 사람과 에이전트의 역할이 나뉘어 있고, 통제권과 책임의 경계가 설계돼 있고, 결과를 측정하고 계속 개선할 수 있어서 AI가 실제로 업무를 맡을 수 있는 조직을 뜻한다. 도구를 얼마나 도입했는가가 아니라 일이 얼마나 설명 가능한가로 측정된다.
최소 다섯 가지 조건을 함께 봐야 한다.
1. 전략 — 어디에 맡길 것인가
AI로 만들 수 있다는 이유만으로 모든 업무를 에이전트화할 필요는 없다.
사업 가치가 충분한가. 반복적으로 발생하는가. 많은 시간이 들어가는가. 일정 수준 표준화할 수 있는가. 판단의 복잡도는 어느 정도인가. 잘못됐을 때의 위험은 얼마나 큰가.
핵심은 기술적으로 가능한가보다 사업적으로 맡길 가치가 있는가다. 이 기준은 좋은 AX 전략과제는 어떻게 결정되는가에서 다룬 전략 정합성과 가치 경로의 연장선에 있다.
2. 업무 — AI가 수행할 수 있을 만큼 정의돼 있는가
'보고서 작성', '고객 관리', '시장조사'처럼 큰 업무 이름만으로는 부족하다.
무엇이 업무를 시작하게 하는가. 어떤 정보를 확인하는가. 어떤 판단이 필요한가. 어떤 행동을 수행하는가. 언제 끝나는가. 어디에서 사람에게 승인을 요청하는가.
업무를 처음부터 끝까지 이 수준으로 이해해야 한다.
3. 사람 — 사람과 AI의 역할이 나뉘어 있는가
AI가 자료 수집과 분석, 초안 작성까지 맡는데 사람에게 기존과 같은 역할과 성과지표(KPI)를 요구하면 조직은 결국 기존 방식으로 돌아간다.
AI를 잘 쓸수록 내가 손해라면, 누가 AI를 쓰겠는가에서 다룬 문제가 여기서 다시 나타난다. 사람에게 남는 역할이 검토, 판단, 예외 처리, 책임으로 옮겨 간다면 필요한 역량과 평가 기준도 함께 바뀌어야 한다.
4. 데이터와 기술 — AI가 필요한 정보와 시스템에 닿을 수 있는가
AI가 실제 업무를 수행하려면 기업의 문서만 읽을 수 있어서는 부족하다. 필요한 데이터와 실제 업무 시스템에도 접근할 수 있어야 한다.
동시에 모든 정보와 시스템에 무제한으로 접근하게 해서도 안 된다.
따라서 접근(Access)과 통제권(Control Authority)을 함께 설계해야 한다. 삼성SDS 조사에서 회사 승인 없이 개인 비용으로 생성형 AI를 쓴다는 응답이 38%였다는 것은, 접근을 열어 주지 않으면 통제 밖에서 접근이 일어난다는 뜻이기도 하다.
5. 거버넌스 — 판단과 행동의 경계가 정해져 있는가
어떤 판단까지 AI가 할 수 있는가. 무엇은 반드시 사람의 승인이 필요한가. AI가 수행한 행동은 기록되는가. 결과를 어떤 기준으로 평가하는가. 문제가 생기면 누가 책임지는가.
에이전트의 역할이 커질수록 거버넌스는 줄어드는 것이 아니라 더 중요해진다.
다섯 조건을 우리 조직에 대입해 보자. 축마다 하나씩 답하면 오각형이 그려지고, 어느 축이 비어 있는지가 먼저 보인다.
자가진단
우리 조직은 에이전트가 일할 수 있는 조직인가
다섯 축에 답하면 오각형이 그려지고, 가장 먼저 채워야 할 축이 보인다
1전략—에이전트에게 맡길 업무를 기술 가능성이 아니라 사업 가치 기준으로 고르고 있는가
2업무—그 업무가 시작 조건, 판단, 행동, 종료, 승인 지점까지 정의돼 있는가
3사람—검토, 판단, 예외 처리, 책임으로 옮겨 간 사람의 역할에 맞춰 KPI가 바뀌었는가
4데이터와 기술—에이전트가 필요한 데이터와 업무 시스템에 통제된 방식으로 접근할 수 있는가
5거버넌스—AI가 내려도 되는 판단과 사람의 승인이 필요한 행동의 경계가 정해져 있는가
답하면 여기에 그려집니다
다섯 조건에 모두 답하면 진단 결과가 나옵니다. (0 / 5)
하나의 업무를 설계할 때는 다섯 가지 질문으로 내려갈 수 있다
조직 전체를 위의 다섯 영역으로 본다면, 개별 업무는 더 단순한 다섯 질문으로 설계할 수 있다.
의도(Intent) — 무엇을 달성하려는가
업무의 목적과 성공 기준은 무엇인가. B사의 고객 문의 에이전트에서 이 답은 '문의를 많이 처리한다'가 아니라 '첫 답변까지의 시간을 줄이되 재문의율을 높이지 않는다'였다.
경계(Boundary) — 어디까지 AI에게 맡길 것인가
AI가 스스로 판단해도 되는 범위와 해서는 안 되는 행동은 무엇인가. B사에서는 '보상 금액을 제안하지 않는다'가 첫 번째 경계였다.
근거(Evidence) — 무엇을 보면 제대로 됐다고 믿을 수 있는가
테스트, 데이터, 평가 기준 가운데 어떤 근거로 결과를 검증할 것인가. 사람이 매 건 확인할 수 없다면, 표본을 어떻게 뽑아 볼 것인가.
예외(Exception) — 언제 사람이 개입해야 하는가
중요 고객, 예상 밖의 상황, 높은 금액, 높은 위험처럼 사람이 반드시 판단해야 하는 조건은 무엇인가. 앞 글에서 말한 인계 지점이 바로 이것이다.
책임(Ownership) — 최종적으로 누가 책임지는가
AI가 업무를 수행하더라도 그 결과에 대한 책임은 누구에게 남아 있는가.
이 다섯 가지가 명확할수록 조직은 더 많은 실행을 AI에게 맡길 수 있다.
반대로 이 질문에 답하지 못한 상태에서 AI의 자율성만 높이면 조직은 더 빨리 일할 수는 있어도, 더 빨리 통제력을 잃을 수도 있다.
AI 전환은 결국 도구 도입이 아니라 운영 모델의 변화다
그동안 많은 기업의 AI 전환(AI Transformation)은 활용 사례(Use Case)를 찾는 데서 시작했다.
'우리 회사에서 AI로 무엇을 할 수 있을까?'
좋은 출발점이었다. 그러나 모든 전략과제가 AI 과제일 필요는 없다에서 썼듯이 이 질문에는 이미 답이 들어 있고, AI가 실제 업무를 수행하기 시작하면 한 단계 더 깊이 들어가야 한다.
현재 업무(As-Is)를 이해하고, 업무를 세부 단계로 분해하고, 병목과 중요한 판단 지점을 찾고, 사람과 에이전트와 시스템의 역할을 다시 배치하고, 필요한 데이터와 권한을 연결하고, 사람이 통제권을 행사할 지점(Human Control Point)을 설계하고, 새로운 업무 방식(To-Be)이 실제로 작동하는지 검증해야 한다.
이것은 AI 솔루션 하나를 도입하는 프로젝트라기보다 운영 모델 전환(Operating Model Transformation)에 가깝다. 삼성 AX 전환: Process-to-Agent 운영모델에서 본 것처럼, 앞서가는 조직은 도구가 아니라 프로세스에서 출발한다.
McKinsey의 2026년 조사에서 고성과 기업을 다른 기업과 가르는 특징도 여기에 있었다. 고성과 기업은 기존 업무 흐름에 AI를 끼워 넣는 대신 AI를 전제로 업무 흐름을 근본적으로 다시 설계했다. 설문 기반의 상관관계이고 재설계가 원인인지 성과가 난 조직이 재설계까지 한 것인지는 가릴 수 없다. 그래도 도구를 더 사는 것과 일을 다시 설계하는 것이 다른 결과로 이어진다는 방향은 여러 조사에서 반복된다.
그래서 AI가 일하는 조직을 만들기 위한 질문은 '어떤 AI를 도입할 것인가'에서 끝나서는 안 된다.
한 단계 더 나아가야 한다.
'AI가 일을 수행한다는 전제에서 우리 조직은 어떻게 달라져야 하는가?'
지금 경영진이 물어야 할 질문
경영진이 확인해야 할 첫 번째 숫자가 반드시 'ChatGPT 사용률'일 필요는 없다.
조금 다른 질문이 필요하다.
우리 회사의 업무 가운데 에이전트에게 처음부터 끝까지 맡길 만큼 명확하게 정의된 업무가 몇 개나 있는가?
AI가 필요한 데이터와 시스템에 안전하게 접근할 수 있는가?
어떤 판단까지 AI에게 맡길 것인지 조직적으로 합의돼 있는가?
AI가 만든 결과가 좋은 결과인지 판단할 평가 기준이 있는가?
AI가 더 많은 업무를 수행하게 됐을 때 사람의 역할과 KPI는 어떻게 달라지는가?
그리고 개발 조직에는 한 가지 질문을 더해야 한다.
'개발 속도가 두 배가 됐을 때도, 우리는 왜 그 시스템을 그렇게 만들었는지 설명할 수 있는가?'
이 질문들에 답하기 어렵다면 문제는 AI 모델의 성능이 아닐 가능성이 높다.
아직 조직이 AI가 일할 수 있는 형태로 설계돼 있지 않은 것에 더 가깝다.
AI를 사용하는 조직에서, AI와 함께 운영되는 조직으로
지난 몇 년 동안 기업의 AI 경쟁은 얼마나 빨리 새 기술을 도입하는가에 집중돼 있었다.
하지만 최신 AI 모델은 빠르게 보편화된다. 오늘 우리가 쓰는 모델을 경쟁사도 쓸 수 있다. 비슷한 에이전트 기술과 도구도 결국 누구나 접근할 수 있게 된다.
그렇다면 지속적인 차이를 만드는 것은 AI에 대한 접근권이 아니다.
차이는 그 기술을 기업의 실제 업무와 운영 체계에 얼마나 깊게 연결할 수 있는가에서 만들어진다.
업무가 명확하게 정의돼 있고, 필요한 맥락과 데이터가 연결돼 있고, 사람과 에이전트의 역할이 나뉘어 있고, 통제권과 책임의 경계가 설계돼 있고, 결과를 측정하고 계속 개선할 수 있는 조직.
시그나이터는 이런 조직을 에이전트 준비 조직이라고 본다.
그래서 앞으로 경영진이 던져야 할 질문은 어쩌면 이것일 수 있다.
'우리 조직은 AI를 사용하고 있는가, 아니면 AI가 실제로 일할 수 있는 조직으로 바뀌고 있는가?'
AI 도입의 다음 단계는 더 많은 AI 도구를 사는 것이 아니다.
일을 다시 설계하는 것이다.
AI가 더 많은 실행을 맡을수록 사람과 조직은 더 명확하게 설계해야 한다. 무엇을 원하는지에 대한 의도, 어디까지 맡길지에 대한 경계, 무엇을 보면 믿을 수 있는지에 대한 근거, 언제 사람이 나서는지에 대한 예외, 그리고 결과를 지는 책임.
AI가 일을 잘하게 될수록 이 다섯 가지는 오히려 더 중요해진다.
Reference Notes
- 삼성SDS, 국내 기업 GenAI 활용 실태 – 업무 효율 향상 이면의 Shadow AI 리스크, 2026년 7월. 2026년 5월 국내 기업·공공기관 재직자 1,750명 조사. 하루 평균 사용 시간 3.25시간, 2시간 이상 사용 비율 18%에서 72%로 증가(2025년 11월 조사는 630명), 업무 흐름 자동화 활용·개발 13%(IT 부서 23%, 그 외 6%), 승인 없는 개인 비용 사용 38%를 참고했다. 벤더 조사이며 재직자 자기 보고라는 점을 감안했다.
- 한국마이크로소프트, 2026 업무동향지표(Work Trend Index) 한국 결과 발표, 2026년 6월 15일 기자간담회. 조직의 AI 활용이 보상으로 이어진다고 본 한국 응답자 7%(글로벌 13%), 경영진과 AI 전략 방향 정렬 16%(글로벌 26%)를 참고했다. 벤더 조사라는 점을 감안했다.
- McKinsey, The State of AI in 2026: On the Road to ROI, 2026년 8월. 매출 10억 달러 이상 기업의 에이전트 확산 27%에서 40%, 기업 이익(EBIT) 기여 응답 37%(전년과 동일), 고성과 기업 약 6%, 개인 생산성 향상 응답 80%, 고성과 기업의 업무 흐름 재설계 특징을 참고했다. 자기 보고 설문이며 상관관계라는 점을 감안했다.
- Anthropic, How AI Assistance Impacts the Formation of Coding Skills, 2026년 1월. 파이썬 개발자 52명 무작위 실험. AI 그룹 퀴즈 평균 50점과 손 코딩 그룹 67점, 완료 시간 차이 약 2분(유의하지 않음), 상호작용 패턴별 점수 차이(AI에 크게 의존한 군은 평균 40점 미만, 생성 뒤 이해를 묻는 질문을 한 군은 65점 이상)를 참고했다. 표본이 작고 평가가 작업 직후에 이루어졌다는 저자들의 한계 언급을 함께 적었다.
- METR, Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity, 2025년 7월. 경험 많은 오픈소스 개발자 16명, 246개 과제 무작위 실험. AI 허용 시 소요 시간 19% 증가(신뢰구간 +2%에서 +39%), 참가자의 20% 단축 인식을 참고했다.
- GitClear, The Maintainability Gap: AI Code Quality in 2026, 2026년. 2022년부터 2026년까지 고객사 저장소 코드 변경 추적. 이동(리팩터링) 코드 비율 2022년 21%에서 2026년 3.8%, 다섯 줄 이상 중복 블록 2023년 대비 81% 증가를 참고했다. 특정 도구 고객사 데이터이며 인과를 직접 보이지는 않는다.
- 고정형 업무 흐름, 관리형 에이전트, 자율형 에이전트의 세 구분은 Anthropic, Building Effective Agents(2024)의 워크플로와 에이전트 구분, OpenAI, A Practical Guide to Building Agents(2025)의 구분을 참고해 시그나이터가 업무 위임 수준이라는 한 축으로 단순화한 것이다.
- 본문의 B사는 컨설팅 현장에서 반복해 만난 장면을 하나로 각색한 가상의 기업이며 특정 고객사를 가리키지 않는다.
지난 세 글 AI를 도입했는데, 왜 무엇을 해야 할지는 더 어려워졌는가, 모든 전략과제가 AI 과제일 필요는 없다, 좋은 AX 전략과제는 어떻게 결정되는가는 무엇을 바꿀지 결정하는 기준을 다뤘다. 이 글은 그 결정 다음에 오는 질문, 곧 결정된 변화를 AI가 실제로 맡을 수 있으려면 조직이 어떤 형태여야 하는지를 다뤘다. AI를 도입하기 전에, 우리는 우리의 일을 알고 있는가가 일을 아는 것에서 출발했다면, 이 글은 그 일을 사람 이외의 실행 주체에게 설명할 수 있는가까지 나아갔다.
About Seigniter
시그나이터(Seigniter)는 기업의 AI 도입을 넘어, AI로 실제 일하는 방식을 바꾸는 AX(AI Transformation)를 고민하는 컨설팅펌입니다.
어떤 AI 기술을 쓸지부터 정하기보다 기업에서 실제로 어떤 일이 이루어지는지 살펴봅니다. 어디에서 비효율과 병목이 생기는지, 어떤 판단과 반복 작업이 있는지 파악하고 사람과 시스템, AI의 역할을 어떻게 나눌지 설계합니다.
기업의 전략과 현장, 비즈니스 문제와 AI 기술 사이에는 아직 큰 간극이 있습니다.
시그나이터는 이 간극을 연결해 AI가 실제 업무 안에서 작동하는 구조를 만들고자 합니다.
AI를 도입하는 데서 그치지 않고, AI와 함께 일하는 방식을 설계합니다.
Next step