특집 기사 Archives - �鶹ԭ�� Korea 뉴스센터

같은 질문엔 같은 답, �鶹ԭ�� 표 형식 AI의 승부수

Maarten Rikken — Fri, 23 Oct 2026 02:38:00 +0000

같은 데이터에 같은 질문을 던지면 같은 예측, 같은 신뢰도로 답합니다. LLM이 닿지 못하는 기업의 표 데이터를 과 TabPFN-3 기반 표 형식 AI가 어떻게 풀어내는지 살펴봅니다.

생산성은 올랐는데, 이익은 그대로인 이유

생성형 AI 덕분에 글쓰기, 리서치, 프로그래밍이 훨씬 빨라졌지만 숨은 문제가 있습니다. 에서 AI 사용자의 80%는 개인 생산성이 올랐다고 답했지만, 영업이익이 크게 늘었다는 기업은 6%뿐이었습니다.

이 간극을 메우는 열쇠는 기업이 리스크, 부도, 손실, 유동성 압박을 더 일찍 감지하고 더 잘 관리하도록 돕는 것입니다.

기계 공학, 자동차 부품 공급망, 제조·물류가 강점인 독일과 유럽에는 특히 중요한 과제입니다. 독일경제연구소는 AI가 2034년까지 독일에서 약 4,400억 유로의 추가 부가가치를 만들 수 있다고 추산합니다.

LLM이 약한 곳, 표 형식 데이터

이 목표에는 다른 종류의 AI가 필요합니다. 언어를 다루는 데서 그치지 않고, 기업이 가장 많이 쓰는 데이터를 이해해야 하기 때문입니다. 여기서 일반적인 LLM은 한계를 보입니다.

“�鶹ԭ��의 핵심 비즈니스는 정형 데이터이고, 정형 데이터는 대개 표에 저장됩니다.”
Philipp Herzig, �鶹ԭ�� 최고기술책임자(CTO)

표 속 숫자 같은 정형 데이터는 지금 무슨 일이 일어나는지, 다음엔 무엇이 올지 알려 줍니다. 2026년 에서도 성능 좋은 LLM이 표에서 결론을 끌어내고 관계를 찾는 과제는 언어 과제보다 크게 약했습니다.

표의 값은 열, 행, 기간, 거래 사이의 관계 속에 있습니다. 표 형식 AI(Tabular AI)는 기업 시스템을 이루는 여러 테이블에 걸쳐 이런 패턴을 찾도록 설계됩니다. 예를 들어 대금을 늦게 낼 고객을 미리 찾으려면 결제·주문 이력, 배송 데이터, 외부 업종 정보가 함께 필요합니다.

모델 하나로 수백 개를 대신합니다

기존 머신러닝은 수요 예측, 대금 부도 위험, 영업 우선순위처럼 용도마다 모델을 따로 개발하고 운영해야 했습니다. 표 형식 파운데이션 모델은 이를 바꿉니다. 질문마다 새로 만들 필요 없이 범용으로 쓸 수 있어, 앞으로는 �鶹ԭ��가 이번에 고객에게 공개한 �鶹ԭ��-RPT-1.6 같은 모델 하나면 충분해질 수 있습니다.

“흥미로운 점은 이렇게 전혀 다른 활용 사례가 모두 같은 모델을 기반으로 한다는 것입니다. 원리는 늘 같습니다. 일정량의 표 형식 데이터를 모델에 넣으면 바로 예측을 시작할 수 있습니다.”
Philipp Herzig, �鶹ԭ�� 최고기술책임자(CTO)

방대한 데이터로 사전 학습된 만큼, 데이터가 적을 때 개별 모델이 놓치는 패턴도 사례를 넘나들며 찾아냅니다. 비용과 시간은 줄고, 얻는 통찰은 늘어납니다.

Prior Labs 인수, 그리고 LLM과의 조합

�鶹ԭ��는 지난 7월 Prior Labs를 인수해 기업용 AI의 다음 단계를 앞당기고 있습니다. Prior Labs의 기초 연구에 비즈니스 프로세스에 AI를 적용해 온 �鶹ԭ��의 경험을 결합하는 것입니다. Prior Labs의 오픈소스 모델 TabPFN-3, �鶹ԭ��-RPT 계열 모델, 가 만나면 기업 고유의 데이터와 맥락에서 안전하게 예측을 만들어 내는 인프라가 완성됩니다. 시계열로 학습한 파운데이션 모델도 등장하는 등 모델은 갈수록 다양해지고 있습니다.

“기존 LLM은 같은 프롬프트를 여러 번 입력해도, 예를 들어 온도 설정에 따라 다른 답이 나올 수 있습니다. 우리 모델은 다릅니다. 같은 샘플을 입력하면 같은 예측, 같은 신뢰도를 얻습니다.”
Philipp Herzig, �鶹ԭ�� 최고기술책임자(CTO)

중요한 건 LLM이냐 표 형식 모델이냐가 아니라 둘을 결합하는 것입니다. 언어와 지식은 LLM이, 정형 비즈니스 데이터 기반 예측은 표 형식 모델이 맡습니다. 제대로 쓰면 AI는 생산성 도구를 넘어 더 나은 의사결정과 더 강한 경제의 토대가 됩니다.

The post 같은 질문엔 같은 답, �鶹ԭ�� 표 형식 AI의 승부수 appeared first on �鶹ԭ�� Korea 뉴스센터.

�鶹ԭ�� 연구가 짚은 AI의 병목, 기술이 아닌 준비태세

Santina Franchi — Thu, 15 Oct 2026 16:50:46 +0000

AI 도입은 빠르게 늘었지만, 비즈니스를 AI에 맞게 바꾼 기업은 9%뿐입니다. �鶹ԭ��와 옥스포드 이코노믹스 연구가 짚은 진짜 걸림돌은 기술이 아닌 비즈니스 준비태세이며, 중견 고속 성장 기업에 가장 큰 기회가 있습니다.

AI는 늘었는데, 가치는 제자리다

AI는 비즈니스 역사상 가장 빠르게 퍼진 기술 중 하나입니다. 하지만 AI가 만드는 가치까지 그만큼 커진 것은 아닙니다. �鶹ԭ��가 옥스포드 이코노믹스(Oxford Economics)와 함께 진행한 최신 글로벌 연구에 따르면, 기업들은 이미 전체 업무의 약 25%에 AI를 활용하고 있습니다. 그런데 AI를 중심으로 비즈니스 자체를 근본적으로 바꾼 기업은 9%에 그쳤습니다. 도입 속도는 빠른데, AI를 회사가 일하는 방식 안에 녹여낸 곳은 많지 않다는 뜻입니다.

가장 큰 걸림돌은 기술이 아니라 준비태세

그렇다면 왜 많은 AI 프로젝트가 중간에 멈출까요? 연구의 결론은 분명합니다. 가장 큰 걸림돌은 더 이상 AI 기술이 아니라 비즈니스 준비태세입니다. 많은 기업이 개별 애플리케이션에 AI를 붙이는 데까지는 왔지만, AI를 데이터, 프로세스, 거버넌스와 연결해 전사적 가치를 만든 기업은 훨씬 적습니다. 파일럿은 잘 돌아가는데 확산이 안 되는 이유입니다. �鶹ԭ��가 말하는 은 데이터, 프로세스, 거버넌스 위에 세운 AI입니다. 핵심 업무 프로세스는 “거의 맞는” 수준으로는 안 되기 때문입니다.

“AI는 고객이 누구인지, 어떤 계약이 적용되는지, 재고가 얼마나 있는지, 어떤 승인 정책이 있는지, 어떤 규제 요건을 충족해야 하는지 등 비즈니스가 실제로 돌아가는 방식에 뿌리를 둘 때에만 현명한 비즈니스 판단을 뒷받침할 수 있습니다.”
하비에르 나바로, SEIDOR, �鶹ԭ�� 글로벌 총괄

파트너들이 현장에서 느끼는 변화

컨설팅 파트너들의 이야기도 같은 방향입니다. 액센츄어 엣지(Accenture Edge)의 DK 신하 CEO는 고객들이 이제 AI를 어떻게 도입하느냐보다, 빠르게 확장해 최대한의 가치를 얻으면서 위험은 줄이는 방법을 묻는다고 전했습니다. SEIDOR의 �鶹ԭ�� 글로벌 총괄 하비에르 나바로는 AI가 제대로 판단하려면 고객이 누구인지, 어떤 계약이 적용되는지, 재고가 얼마나 있는지, 어떤 승인 정책과 규제를 따라야 하는지 같은 비즈니스 맥락 위에 서 있어야 한다고 강조했습니다. 일반 AI가 자연어를 안다면, 기업용 AI는 우리 비즈니스의 언어를 알아야 한다는 설명입니다.

중견 고속 성장 기업에 열린 기회

이 기회가 가장 큰 곳은 중견 고속 성장 기업입니다. 대기업만큼 규모가 있어 AI로 의미 있는 가치를 만들 수 있고, 동시에 더 빠르게 움직일 민첩성도 있습니다. 연결할 시스템이 적고, 의사결정 단계가 짧고, 기술 부채도 적습니다. 그래서 자율형 기업 역량을 수년이 아닌 수주 만에 적용하고, 훨씬 빨리 투자 대비 성과를 볼 수 있습니다.

“중앙 데이터 기반이 모든 프로젝트에서 지속적으로 학습하기 때문에, 지식은 시간이 갈수록 복리로 쌓입니다.”
후루야 지로, 프리덤 컨설팅(Freedom Consulting), CEO

컨설턴트 의존에서 고객 주도로

다만 변혁을 진행하는 방식도 달라져야 합니다. 가장 어려운 일은 AI 기술 구현이 아니라, 컨설턴트 의존을 줄이고 고객에게 주도권을 넘기도록 운영 모델을 다시 설계하는 것입니다. 그래서 고객 역량 강화 우선, 고객 주도권, AI 기반 지속적 학습이라는 세 원칙을 세웠습니다. 프리덤 컨설팅(Freedom Consulting)의 후루야 지로 CEO는 고객에게는 실시간 가이드를, 컨설턴트에게는 �鶹ԭ�� Joule for Consultants 같은 도구를, 그 아래에는 모든 프로젝트에서 배우는 중앙 데이터 기반을 제공한다고 설명했습니다. 여기에 �鶹ԭ�� GROW Fast 방법론을 더해 6주 단위 웨이브로 가동을 이어가며 역량이 고객 조직에 남도록 한다는 것입니다.

“고객과의 대화가 근본적으로 달라졌습니다. 이제 고객들은 AI를 어떻게 도입할지가 아니라, 어떻게 빠르게 활용하고 확장해 최대한의 비즈니스 가치를 얻으면서 위험은 최소화할지를 요구합니다.”
DK 신하, 액센츄어 엣지(Accenture Edge), CEO

기술이 아니라 트랜스포메이션, 그리고 생태계

결국 기술만으로는 자율형 기업이 될 수 없습니다. 필요한 것은 비즈니스 트랜스포메이션입니다. �鶹ԭ��가 신뢰할 수 있는 플랫폼을 제공한다면, 파트너 생태계는 산업 전문성과 변화 관리 역량으로 이를 측정 가능한 성과로 바꿉니다. �鶹ԭ��는 AI 어시스턴트와 에이전트 도입을 앞당기기 위해 1억 유로 규모의 파트너 펀드도 마련했습니다. AI의 첫 장이 사람이 더 빨리 일하도록 돕는 것이었다면, 다음 장은 기업이 더 똑똑하게 생각하고 결정하고 운영하도록 돕는 것입니다.

산티나 프란치(Santina Franchi)는 �鶹ԭ�� Corporate Segment 사장입니다.

The post �鶹ԭ�� 연구가 짚은 AI의 병목, 기술이 아닌 준비태세 appeared first on �鶹ԭ�� Korea 뉴스센터.

Joule Work 전면 출시, 자율형 기업이 현실이 됐다

Paul Taylor — Thu, 08 Oct 2026 03:44:27 +0000

Joule Work가 전체 고객에게 열렸습니다. �鶹ԭ�� Connect에서 �鶹ԭ��는 자율형 기업을 시연과 고객 사례로 증명하고, �鶹ԭ�� Pay 출시와 TechWolf 인수 계획, ‘관리되는 AI’ 원칙까지 밝혔습니다.

말이 아니라 눈앞의 시연으로 보여준 자율형 기업

10월 5일부터 미국 라스베이거스에서 열린 �鶹ԭ�� Connect 기조연설의 메시지는 분명했습니다. 지난 5월 �鶹ԭ�� Sapphire에서 “더 나은 미래의 시작”으로 소개한 자율형 기업(Autonomous Enterprise)을 이번에는 무대 위 시연과 고객 이야기로 증명하겠다는 것이죠. �鶹ԭ�� CEO 크리스티안 클라인은 “이제 자율형 기업이 실제로 작동하는 모습을 보여드릴 때”라며 포문을 열었습니다.

Click the button below to load the content from YouTube.

Always allow YouTube

Joule Work, 사람이 �鶹ԭ��를 배우던 시대의 끝

클라인은 이달부터 Joule Work를 전체 고객에게 제공한다고 밝혔습니다. AI를 위한 새로운 UI입니다. 수십 년간 사용자가 �鶹ԭ�� 사용법을 익혀야 했다면, 이제는 �鶹ԭ��가 사람들의 일하는 방식을 배웁니다. 4억 명이 넘는 �鶹ԭ�� 사용자가 각자의 언어로 말하면 Joule Work가 일을 처리합니다. 구성은 세 축입니다. 질문하고 에이전트에게 업무를 맡기는 대화, 콘텐츠와 인사이트를 보여주는 스페이스, 고객이 자사 프로세스에 맞는 에이전트를 만드는 Joule Studio입니다. Joule이 “추측하지 않는” 비결은 방대한 데이터와 프로세스 지식을 잇는 �鶹ԭ�� Knowledge Graph입니다. �鶹ԭ�� 임직원 11만 명도 매일 Joule을 쓰며 HR·재무·구매에서 20% 이상 생산성이 올랐습니다.

“중요한 건 에이전트의 숫자가 아닙니다. 에이전트가 만들어 내는 비즈니스 성과입니다.”
크리스티안 클라인 (Christian Klein) �鶹ԭ�� 최고경영자(CEO)

확률이 아닌 ‘정답’이 필요한 업무를 위한 �鶹ԭ�� Autonomous Suite

두 번째 층인 �鶹ԭ�� Autonomous Suite는 재무, 구매, 공급망, 인사, 고객 경험 5개 영역으로 시작합니다. 클라인은 “LLM은 확률적이라 가장 그럴듯한 답만 준다”며 매번 정확한 답이 필요한 업무를 위한 제품이라고 강조했습니다. 에이전트가 결정론적인 애플리케이션 워크플로우 안에서 움직이므로 같은 데이터와 규칙을 쓰고 같은 감사 기록을 남깁니다. 프로세스마다 자율성 수준을 고르고, 위험이 큰 곳엔 사람의 승인을 둘 수 있습니다. Joule 에이전트는 200개 이상 나왔고 연말 목표는 400개 이상이지만, 클라인은 “중요한 건 숫자가 아니라 비즈니스 성과”라고 덧붙였습니다.

에이전트를 똑똑하게 만드는 �鶹ԭ�� Business AI Platform

에이전트가 비즈니스를 이해하는 기반은 �鶹ԭ�� Business AI Platform입니다. 마노지 스와미나탄 �鶹ԭ�� Autonomous Suite 사장은 이를 에이전트 구축, 데이터 컨텍스트 부여, 운영 거버넌스라는 세 기능으로 설명했습니다. Joule Studio는 노코드부터 전문 개발까지 지원하며 70개 이상의 모델을 쓸 수 있어 종속을 줄이고 토큰 비용도 관리할 수 있습니다. �鶹ԭ�� Business Data Cloud는 모든 데이터를 일관된 시각으로 보여주고, 예측에는 �鶹ԭ��-RPT와 Prior Labs의 표 형식 AI 모델이 쓰입니다. 스와미나탄은 어떤 AI도 깨진 데이터 모델을 보완할 수 없다고 강조했습니다.

“Joule Studio는 컨텍스트 레이어와 네이티브로 통합되어 있습니다. 그래서 직접 만든 에이전트가 더 정확하고, 더 빨리 배포되고, 더 효율적으로 돌아갑니다.”
마노지 스와미나탄 (Manoj Swaminathan) �鶹ԭ�� Autonomous Suite 사장 겸 최고제품책임자

고객들이 무대에서 직접 증언하다

얀 길그(Jan Gilg) �鶹ԭ�� 글로벌 고객 성공 및 미주 사장은 가상의 스타트업 ‘Jerseys from Jersey’를 내세워 고객을 무대로 불렀습니다. 노바티스는 입찰 분석과 협상을 돕는 Joule 소싱 에이전트를 시범 운영 중이고, 모건 푸즈는 �鶹ԭ�� S/4HANA와 �鶹ԭ�� Integrated Business Planning으로 공급망을 바꿨습니다. 네슬레는 통합된 디지털 코어의 중요성을, PwC는 �鶹ԭ�� 산업별 AI 포트폴리오의 가치를 강조했습니다. 새 소식도 있었습니다. 승인된 송장의 공급업체 대금을 자동 지급·대사하는 �鶹ԭ�� Pay를 출시했고, 벨기에 인력 인텔리전스 스타트업 TechWolf 인수 계획도 밝혔습니다.

관리되지 않는 AI가 가장 큰 위협이다

�鶹ԭ�� 최고보안책임자 마리엘 에르만은 기업 83%가 매일 AI를 쓰지만 제대로 파악하는 곳은 13%뿐이라고 지적했습니다. 대안으로 모든 에이전트에 검증된 소유자, 위험 등급, 제한된 접근 권한을 두자고 했습니다. �鶹ԭ�� Business AI Platform은 규제와 현지화 요건을 반영하고 고객 데이터를 모델 학습에 쓰지 않으며, 3단계 사람 감독을 지원합니다. 에르만은 에이전트가 자율적일수록 감독도 촘촘해진다며 이를 “경계 안의 자유”라고 불렀습니다.

“기업에 가장 큰 위협은 악의적인 AI가 아니라 관리되지 않는 AI입니다.”
마리엘 에르만 (Marielle Ehrmann) �鶹ԭ�� 최고보안책임자(CSO)

‘더 나은 미래의 시작’이 아니라, 이미 찾아온 ‘더 나은 미래’

클라인은 AI에는 변화 관리가 필요하다며 �鶹ԭ�� Signavio, �鶹ԭ�� LeanIX, �鶹ԭ�� WalkMe를 소개했습니다. 각각 프로세스 가치 측정, AI 에이전트 추적, 사용자 정착과 신뢰를 돕습니다. 에이전트 기반 마이그레이션 툴체인으로 수백만 달러 마이그레이션의 시대도 끝났다고 했습니다. 그는 “이제는 더 나은 것의 시작이 아니라, 더 나은 것 그 자체”라며 “오늘 바로 쓸 수 있다”고 마무리했습니다.

The post Joule Work 전면 출시, 자율형 기업이 현실이 됐다 appeared first on �鶹ԭ�� Korea 뉴스센터.

AI의 미래는 지속가능성에 달렸다

Monica Molesag — Thu, 01 Oct 2026 15:02:28 +0000

뉴욕 기후 주간의 화두는 선언이 아닌 실행이었습니다. AI의 미래를 정하는 것은 성능이 아니라 사회의 ‘허락’이고, 그 허락은 에너지와 데이터, 신뢰 위에서 얻어집니다. �鶹ԭ��가 본 AI와 지속가능성의 연결고리를 전합니다.

돌아온 지속가능성, 달라진 조건

지난주 뉴욕 기후 주간(New York Climate Week)은 1,500건이 넘는 행사가 유엔 총회와 나란히 열린 였습니다. 하지만 올해는 선언보다 실행에 무게가 실렸습니다. 에너지 가격 급등, 기후 재난, AI의 자원 소비를 둘러싼 논쟁이 대표단을 압박했기 때문입니다.

한동안 기업 의제에서 밀려나던 지속가능성은 다른 조건으로 . 사이먼 스티엘 유엔 기후변화 사무총장은 이란 전쟁발 에너지 부족으로 미국 소비자만 고 짚었습니다. 청정에너지는 이제 독립성과 경쟁력의 문제입니다. 물리적 위험도 커서, 는 기후 재해로 인한 기업의 영업 중단 손실이 연간 1조 1,000억 달러를 넘는다고 추산했습니다.

다만 위험을 아는 것과 대응하는 것은 다릅니다. 홍수 예보는 그 길목의 자산과 매출, 방어 비용에 값을 매길 수 있을 때 비로소 경영 판단이 됩니다. 물리적 기후 리스크 데이터를 �鶹ԭ��의 전사 데이터·보고 기반에 연결한 이유입니다.

AI의 진짜 관건은 ‘허락’

이번 주를 지배한 주제는 AI였습니다. 스티엘 사무총장은 AI 기업들이 사업 허가를 두고 ‘‘에 서 있다고 경고했고, 반대편에서는 AI가 기후 문제 해결에도 꼭 필요하다고 맞섰습니다. 둘 다 일리가 있지만, AI의 앞길을 정하는 것은 성능이 아니라 허락입니다. 데이터센터에는 받아들이는 지역사회가, 도입에는 따라주는 직원이 필요하니까요.

정부도 기준을 세우기 시작했습니다. 튀르키예 COP31 의장국은 기업이 에너지 사용을 투명하게 공개하고 청정에너지로 운영해야 한다는 ‘안탈리아 ‘을 내놨습니다. �鶹ԭ��는 2014년부터 사무실과 데이터센터를 100% 재생에너지로 운영해 왔고, AI 아키텍처 설계 단계부터 환경 영향을 고려하며, 클라우드 서비스의 탄소 발자국을 고객과 공유하기 시작했습니다. 일부 제품은 �鶹ԭ�� for Me에서 베타로 볼 수 있습니다.

AI에는 긍정적인 면도 있습니다. 소피아 멘델슨 �鶹ԭ�� 최고 지속가능성·상업 책임자는 지속가능성이 데이터에 빠지면 AI가 알아서 최적화해 지워버린다고 말했습니다. 연결된 데이터가 있어야 비용, 탄소, 규제를 한 번에 따질 수 있다는 뜻입니다. 거버넌스도 중요합니다. �鶹ԭ��는 2025년 을 원칙에 비춰 검토해 44%를 고위험으로 분류했고, 윤리적으로 받아들일 절충안이 없으면 원안대로 진행하지 않았습니다.

“지속가능성 리더들에게 이제 중요한 질문은 AI의 영향을 어떻게 관리하느냐가 아닙니다. AI 투자가 어디로 향할지를 어떻게 이끄느냐입니다. AI는 비용과 탄소, 리스크를 함께 따질 수 있지만, 지속가능성이 AI가 쓰는 데이터 안에 있을 때만 가능합니다. 빼놓으면 AI는 그것을 최적화해 없애 버릴 겁니다.”
소피아 멘델슨(Sophia Mendelsohn), �鶹ԭ�� 최고 지속가능성·상업 책임자

구현은 결국 시스템 위에서

가장 큰 걸림돌은 단절된 데이터입니다. 지속가능성 정보가 조달, 제조, 재무와 떨어져 있으면 좋은 AI도 자신 있게 틀린 답을 냅니다. 해당 시장에서 승인되지 않은 저탄소 공급업체를 추천하는 식입니다. 앞서가는 기업은 지속가능성 데이터에도 재무 데이터와 같은 품질 기준과 감사 추적, 통제를 적용합니다. 산업용 제조업체 HARTING은 지속가능성 데이터를 기존 시스템에 연결해 을 수작업에서 AI 기반 매핑으로 바꿨습니다. 멘델슨의 말처럼 모든 기후 목표는 결국 공급망 결정이 됩니다.

안탈리아로 가는 길

11월 COP31을 앞두고 의장국은 2035년까지 최종 에너지 소비 중 전기 비중을 35%로 높이는 서약을 발표했습니다. 서약이 방향을 정한다면 속도는 기업의 결정이 정합니다. 고객들의 질문도 탄소에 얼마가 드는지, 공급망 어디가 위험한지, 감사에서 숫자가 버티는지로 바뀌었습니다. 모두 상업적 질문이고, 답도 이미 있습니다. 도구와 경제성, 사업 논리는 대부분 갖춰졌고, 남은 일은 이를 실제 의사결정이 일어나는 프로세스 안에서 연결하는 것입니다. AI는 그 밑의 에너지와 데이터, 신뢰만큼만 확장됩니다. AI의 미래는 지속가능성을 거쳐 간다는 뜻입니다.

�鶹ԭ��가 어떻게 지원할 수 있는지 자세히 알아보려면 를 방문하세요.

모니카 몰색(Monica Molesag)은 지속가능성 커뮤니케이션 수장입니다.

The post AI의 미래는 지속가능성에 달렸다 appeared first on �鶹ԭ�� Korea 뉴스센터.

AI 전환의 성공, 결국 HR의 설계력에 달려있다

Ilsuk Song — Wed, 23 Sep 2026 04:23:33 +0000

HR 리더 88%가 AI로 의미 있는 성과를 못 냈다고 답했다. 시간은 분명 줄었는데 성과는 왜 안 날까. �鶹ԭ�� HR Connect 2026에서 송일석 파트너가 짚은 AI 전환의 진짜 설계자, HR의 역할을 정리했다.

너도나도 AI 도입, 그런데 성과는 왜 이럴까

이제 AI를 도입해야 하나 말아야 하나를 고민하는 기업은 없다. 문제는 그다음이다. �鶹ԭ�� SuccessFactors에서 HCM Value Advisor로 일하는 송일석 파트너는 발표에서 성격이 다른 두 숫자를 나란히 보여줬다. HR에 AI를 도입해 채용 기간과 행정 업무 시간을 줄였다는 효율화 성과가 한쪽에 있다면, 반대쪽에는 HR 리더의 88%가 AI로 의미 있는 비즈니스 가치를 만들지 못했다고 답했고, 실제로 의미 있는 가치를 낸 기업은 5%에 불과하다는 조사가 있다. 특정 영역의 효율은 개선됐지만, 그것이 진짜 비즈니스 가치로는 아직 이어지지 못하고 있다는 뜻이다.

효율은 왜 성과로 이어지지 않을까

이유는 두 가지다. 첫째, AI가 벌어준 시간이 그냥 새어 나간다. �鶹ԭ�� 리서치에 따르면 직원들은 AI로 하루 평균 75분을 절감하지만, 대부분 그 시간에 하던 업무를 계속한다. 46%는 이 시간을 회사가 아닌 자기 시간으로 여겨 쉬거나 개인적인 일에 써버린다. 둘째, AI로 얻은 효율이 다른 중요한 가치를 갉아먹는다. 스웨덴의 한 핀테크 기업은 AI 챗봇을 도입하며 상담 직원 700명을 내보냈다. 비용과 응답 속도는 크게 개선됐지만, 챗봇의 응답 품질과 감정적 교류 부족에 고객 불만이 폭주해 결국 인간 상담 직원을 다시 채용했다. 표면적인 절감에 집중하다 고객 신뢰라는 더 중요한 가치를 놓친 사례다.

“결국 우리가 성공적으로 AI 전환을 이룩하기 위해서는 기술이 아니라 일과 조직의 설계 역량, 즉 HR의 역량에 성공 여부가 달려있다.”
송일석, HCM Value Advisor, �鶹ԭ�� SuccessFactors

AI 에이전트 시대, 재설계는 선택이 아니다

과거의 AI는 직원의 업무를 돕는 도구였지만, 스스로 판단하고 행동하는 AI 에이전트는 일의 또 다른 주체다. 어떤 업무를 AI에게, 어떤 업무를 사람에게 맡기고 언제 개입할지 반드시 설계해야 한다. 실제로 AI 도입 후 팀원 관리·문제 해결·신규 스킬 학습은 늘고 반복적 행정 업무나 리포트 작성은 줄었지만, 절반이 넘는 직원이 이 변화를 “그냥 스스로 그렇게 됐다”고 답한다. 의도 없이 일이 변하면 관리자는 직원이 무엇을 하는지 시야를 잃고, 책임 소재가 불분명해지며 번아웃과 보안 이슈로 이어질 수 있다. 이른바 ‘업무의 표류’다.

확보 여유 재배치, 감정 수용성 확보, 일의 재설계 등 업무 표류 방지를 위해 AI 도입 과정에서 HR이 해야 할 3대 과제 (가트너)

HR이 해야 할 세 가지 – 여유 재배치, 감정 수용성, 일의 재설계

그래서 HR이 나서야 한다. 첫째, AI로 확보한 여유를 가치 있는 곳으로 재배치해야 한다. 어떤 업무에 AI를 얼마나 적용하고 어떤 업무는 보호할지 정한 뒤, 생긴 캐파시티를 반복 업무가 아니라 전략적 업무나 미뤄둔 혁신 과제로 돌려야 한다. AI가 할 수 있는 건 다 맡기는 ‘AI 맥시멀리스트’보다, AI와 인간의 잠재력을 함께 고려하는 ‘공생적 전략가’를 택한 조직에서 직원 몰입도와 성과가 함께 오른다.

둘째, 직원의 감정 수용성을 확보해야 한다. AI가 내 일을 대체할 것 같다는 응답이 10%포인트 오를 때마다 일자리 불안감은 25%씩 커진다. 기대가 클수록 불안도 커진다는 뜻이다. 경영진이 이 감정과 불안 관리를 우선순위로 두고 변화의 이유와 성공의 모습을 구체적으로 커뮤니케이션해야 한다. 무엇보다 AI 리터러시가 수용성을 결정하는 가장 중요한 요인이었다. 조직도에 AI를 사람처럼 표기하면 대체의 신호로 읽혀 몰입도가 15% 떨어진다. AI는 도구와 동료의 중간인 ‘툴메이트’로, 이름도 사람 이름이 아니라 ‘어시스턴트’나 ‘코파일럿’처럼 건조하게 붙이는 게 낫다.

셋째, 일 자체를 다시 설계해야 한다. 직무 단위가 아니라 업무 단위로 접근해 AI와 사람의 역할을 나누고 필요한 스킬을 매핑해야 한다. 이렇게 쌓인 업무가 결국 새 직무로 묶이는데, 이때 과업의 다양성이나 커리어 패스 같은 ‘좋은 직무의 조건’을 의도적으로 넣어야 한다. AI 결과물을 무비판적으로 받아들이지 않도록 ‘인지 과속방지턱’을 넣고, 중요한 결정은 사람이 승인하는 휴먼 인 더 루프도 필요하다. 판단 중심인지 규칙 중심인지, 데이터가 명확한지, 감정적 신뢰가 필요한지 등 여섯 가지 기준으로 업무를 나눠야 한다.

성공적인 AI 도입을 위한 HR IT 플랫폼의 핵심 성공 요인

HR IT 솔루션도 뒷받침돼야 한다

통합된 데이터 기반, 프로세스에 내재화된 AI 에이전트, 스킬 기반 인사 프레임워크, 휴먼 인 더 루프, 지속적인 진화가 핵심이다. �鶹ԭ�� SuccessFactors는 HR 전 영역을 통합한 HR Suite, 스킬 기반 프레임워크인 Talent Intelligence Hub, AI 에이전트 중심의 비전으로 이를 구현하며, ‘관련성’, ‘신뢰성’, ‘책임성’ 3대 원칙 아래 연 2회 대규모 업데이트를 제공한다.

결국 HR의 설계력이 성공을 가른다

AI는 단순한 도구가 아니라 일의 미래를 바꾸는 디스럽터다. 사람, 일, 조직을 다시 연결해 근본적으로 재설계하는 일이 필요하고, 이를 가장 잘할 수 있는 조직이 바로 HR이다. AI 전환의 성공 여부는 기술이 아니라 일과 조직을 설계하는 HR의 역량에 달려 있다.

송일석 파트너는 �鶹ԭ�� SuccessFactors 소속 HCM Value Advisor입니다.

The post AI 전환의 성공, 결국 HR의 설계력에 달려있다 appeared first on �鶹ԭ�� Korea 뉴스센터.

�鶹ԭ��, 뉴욕 소호에 “생각하는 매장”을 열다

Andre Bechtold — Thu, 17 Sep 2026 10:54:43 +0000

뉴욕 소호의 한 부티크가 옷을 집어 드는 순간 반응한다. NYFW 기간 �鶹ԭ��와 N4XT Experiences가 연 Retail Innovation Lab, 그 안에서 비즈니스 지식과 데이터, AI가 만나 고객 경험을 새로 쓰고 있다.

소호에서, 매장이 생각하기 시작하다

뉴욕 소호. 쇼윈도마다 시선을 다투는 이 거리에, 뉴욕패션위크(NYFW) 기간 동안 �鶹ԭ��가 색다른 매장을 열었다. 겉모습은 평범한 부티크다. 옷걸이와 은은한 조명, 친절한 직원까지 여느 매장과 다를 게 없다. 하지만 손님이 옷 하나를 집어 드는 순간, 주변 디스플레이가 반응한다. 매장 뒤에서는 피팅룸의 움직임과 매장 전체 흐름이 실시간으로 관찰된다.

중심에는 NYFW Collections와 �鶹ԭ��가 함께 만든 ‘리테일 이노베이션 랩(Retail Innovation Lab)’이 있다. 이번 시즌엔 브랜드 RE/DONE과 손을 잡았고, ‘넥스트 익스피리언스(N4XT Experiences)’와의 다시즌 협업 중 하나로 9월 11일부터 30일까지 소호에서 일반에게 문을 연다. 지난 2월 퍼블릭 스쿨 뉴욕과 진행한 3일짜리 팝업이, 이번엔 정식 매장 규모로 커진 셈이다. 매장 안쪽엔 판매 현장과 운영을 잇는 비공개 “커맨드 센터”가 있다. 동시에 �鶹ԭ�� Experience Centers의 확장판이기도 해서, �鶹ԭ�� 고객과 예비 고객이 실제 매장이라는 현실 속에서 �鶹ԭ�� 소프트웨어와 파트너 솔루션을 체험해볼 수 있다.

이는 �鶹ԭ��가 강조하는 ‘공동 혁신(co-innovation)’ 모델을 그대로 보여준다. 협업으로 나온 아이디어를 고객이 마주하는 경험으로 더 빠르게 옮겨, 기술의 가치를 방문객이 직접 확인하게 하는 것이 목표다.

발견에서 결정까지

QR 스캔으로 디지털 프로필에 참여할지 고르면, 둘러보는 동안 디스플레이엔 제품 정보가 뜨고 스타일링 화면은 어울리는 코디를 제안한다. 피팅룸은 옷의 종류와 사이즈를 알아채고, 직원은 곧바로 다른 사이즈나 제안으로 응대한다. 결제는 휴대폰, 직원, 전통 계산대 중 원하는 방식으로 하면 된다. 매장을 나서면 디지털 옷장에 그날의 스타일이 저장돼 경험이 이어진다.

이 배후엔 커맨드 센터가 있다. 고객의 움직임, 피팅룸 반응, 사이즈, 판매 신호를 한곳에 모아 실시간으로 매장 성과를 들여다본다. 한 사이즈에 예상 밖의 관심이 쏠리면, 이를 재고·머천다이징·재입고 정보와 겹쳐 수요를 먼저 읽어낼 수 있다. 매장 자체가 상품 구성과 재고, 수요 계획을 위한 정보의 원천이 되는 것이다.

산업 전문지식이 AI를 만날 때

이 랩은 �鶹ԭ��의 협업 방식이 실제로 작동하는 모습이기도 하다. 고객과 업계 전문가가 운영과 시장의 지식을 들고 오고, �鶹ԭ��는 50년 넘게 쌓은 비즈니스 프로세스 경험과 이를 연결하는 데이터·기술을 더한다.

리테일에서 이 협업이 향하는 지점은 ‘자율형 커머스(autonomous commerce)’다. 연결된 고객 여정과 지능화된 운영이 사람이 정한 가드레일 안에서 함께 움직인다. 같은 원리가 �鶹ԭ��의 Industry AI 전체를 이끈다. 업계 지식을 갖춘 AI라야 어떤 신호가 그 비즈니스 안에서 무엇을 뜻하는지 이해하고 주변 프로세스와 연결할 수 있다. 패션 리테일에서는 고객 반응이 머천다이징과 수요를 이끌고, 공장에서는 생산 데이터가 운영 개선을 돕는다. 이처럼 산업마다 다른 맥락이 각 산업에 맞는 AI를 빚어낸다.

자율형 기업을 향해

산업 지식은 통찰을 실제 행동으로 옮길 때 진짜 가치를 갖는다. 사람이 목표와 가드레일을 정하고, 지능형 시스템이 그 안에서 속도와 정밀함을 갖춰 더 많은 프로세스를 실행하며 뒷받침하는 것, 이것이 ‘‘으로 가는 길이다.

뉴욕 패션위크는 이 협업을 보여줄 좋은 무대다. 이 랩은 고객 경험과 매장 운영이 실시간으로 연결되는 모습을, 자율 커머스는 그 연결이 리테일에서 뚜렷해지는 모습을 보여준다. 비즈니스 지식과 데이터, AI가 만나는 곳에서 고객이 통찰을 곧바로 행동으로 옮기는 새로운 방법이 태어나고 있다.

안드레 벡톨드(Andre Bechtold)는 �鶹ԭ�� 산업 및 경험 부문 사장이자 �鶹ԭ��의 인더스트리 AI 최고매출책임자(CRO)입니다.

The post �鶹ԭ��, 뉴욕 소호에 “생각하는 매장”을 열다 appeared first on �鶹ԭ�� Korea 뉴스센터.

자율형 급여, 자동화가 아니라 책임이 핵심

Lara Albert — Thu, 10 Sep 2026 15:01:34 +0000

급여는 조용히 돌아갈 때만 신뢰를 얻는다. AI가 급여 업무 깊숙이 들어오면서, 정확성과 규정 준수를 넘어 투명성과 인간의 책임까지 갖춘 ‘자율형 급여’가 �鶹ԭ��의 자율형 HCM을 뒷받치는 다음 단계로 떠오르고 있다.

급여만큼 신뢰가 걸린 업무는 드물다. 정형 데이터와 규정 준수가 핵심이라 AI에 가장 잘 맞는 업무지만, 작은 오류 하나가 직원의 신뢰를 곧바로 흔들 수 있어 가장 민감한 업무이기도 하다. “급여는 잘 돌아갈 때는 아무도 모르고, 잘못됐을 때만 다들 알아챈다”는 말처럼, 지급 한 번마다 회사와 직원의 신뢰가 시험대에 오른다. �鶹ԭ�� 조사*에 따르면 전 세계 직원의 38%가 급여 오류를 겪었고, 이들은 회사에 대한 신뢰가 13%, 급여 부서에 대한 신뢰가 17% 더 낮았다. 오류가 반복될수록 신뢰는 더 떨어졌다.

급여 담당자는 더 적은 인력으로 더 많은 일을 해내라는 압박을 받는다. 직원은 더 빠르고 유연한 급여를 원하고, 세법과 임금·휴가 규정은 지역마다 계속 바뀐다. 직원의 역할과 근무지, 보상이 끊임없이 달라지면서 수동 관리는 점점 어려워지고 오류 위험도 커진다. 이제 급여는 단순 행정이 아니라 직원 경험과 규정 준수, 사업 운영을 뒷받침하는 전략적 기반이다. 이런 복잡성이 급여의 다음 단계, ‘자율형 급여(Autonomous Payroll)’를 이끌어낸다.

복잡성의 시대, 신뢰를 확장하다

자율형 급여는 AI와 통합 데이터, 실시간 모니터링을 결합해 문제가 직원에게 영향을 주기 전에 미리 찾아내도록 돕는다. 목표는 사람을 빼내는 게 아니라 담당자가 더 가치 있는 일에 집중하도록 돕는 것이다. 직원의 49%는 AI가 실패했을 때 사람에게 확인받을 수 있다면 AI를 더 신뢰하겠다고 답했고, 43%는 사람의 재검토를 요청할 수 있다면 신뢰가 높아질 것이라고 답했다. AI 급여 에이전트와 상시 급여는 급여 준비 상태를 점검하고 이상 징후를 찾아내며, 문제가 커지기 전에 예외 상황을 먼저 해결하게 해준다. 이제 오류를 주기 끝에 찾는 대신 주기 내내 살펴보고 바로 해결할 수 있다. 다만 기술만으로는 부족하며, 시스템은 적절한 감독과 투명성, 책임 아래 움직여야 한다.

자동화에는 책임이 따른다

AI가 깊이 들어올수록 논의는 ‘도입’에서 ‘책임’으로 옮겨간다. 직원은 급여 계산이나 이상 감지처럼 계산 중심 업무에는 AI를 편하게 받아들이지만, 판단과 소통이 필요한 업무, 특히 분쟁의 최종 결정에는 사람을 원한다. 중요한 건 사람을 대체하는 게 아니라 AI가 가장 도움이 되는 곳에 쓰이면서도 신뢰와 판단이 필요한 곳에서 사람의 감독을 지키는 것이다. 결국 급여의 미래는 사람이냐 AI냐가 아니라, AI로 확장된 사람의 전문성이다.

자율형 HCM의 토대를 만들다

자율형 급여의 파급력은 급여 업무를 넘어선다. �鶹ԭ��는 이를 의 핵심 요소로 본다. 채용, 보상, 승진 같은 모든 조직적 변화가 결국 급여에 영향을 주기 때문에, 급여는 기업에서 가장 신뢰할 수 있는 인력 데이터 원천이다. 이 가능성을 실현하려면 HR·급여·근태 데이터가 하나로 통합된 기반이 필요하다. 단일한 데이터 원천이 있어야 복잡성이 줄고 정확성과 규정 준수가 강화되며, AI가 더 의미 있는 통찰을 내놓을 수 있다. 흩어진 시스템 위에 AI만 얹는다고 문제가 풀리지는 않는다.

미래를 이끄는 조직은 급여를 더 효율적으로 처리하는 데서 그치지 않고, 더 지능적이고 연결된 운영으로 직원과 사업을 함께 뒷받침할 전망이다. 급여가 제대로 돌아갈 때, 그것은 월급 지급을 넘어 회사에 대한 신뢰를 만들어낸다.

* 2026년 7월 정규직 1,576명 대상 글로벌 설문조사 데이터

The post 자율형 급여, 자동화가 아니라 책임이 핵심 appeared first on �鶹ԭ�� Korea 뉴스센터.

개인의 AI, 회사의 AI가 되려면

Florian Kunzke — Fri, 04 Sep 2026 01:53:16 +0000

AI를 잘 쓰는 개인이 늘어도 회사 전체 성과는 그대로일 수 있다. 업무강도·맥락·예측이라는 세 가지 벽을 �鶹ԭ��가 Joule Work, Company Memory, �鶹ԭ��-RPT-1.5로 어떻게 넘는지 살펴본다.

1등 조가 항상 진다

가 있다. 한 조정 코치가 힘센 선수 8명으로 1군을, 나머지로 2군을 만들었는데, 1군이 계속 졌다. 보트가 느려질 때마다 각자 더 세게 노를 저으니 박자가 흐트러지고 저항만 커졌다. 2군은 처음부터 호흡을 맞춰 저었다.

기업의 AI 도입도 비슷하다. 개인·팀 성과를 극대화하려다 조직 전체 성과를 갉아먹는 ‘서브옵티마이제이션(부분 최적화)’이 벌어진다. 에서 응답 기업의 88%가 AI를 정기적으로 쓰지만, 전체 영업이익 개선을 체감한 응답은 39%뿐이었다. 조직 전체 차원의 ‘고성과’ 기업은 6%뿐이다. 업무강도, 맥락, 예측이라는 세 축이 얽혀 있기 때문이다.

일이 줄지 않고 늘어난다

AI는 일을 줄여줄 것 같지만 실제론 늘린다. 에 따르면 AI를 많이 쓰는 직원일수록 시키지 않아도 더 빨리, 더 많이, 더 오래 일했다. 생산성이 오른 듯해도 실은 조용히 업무량이 쌓이는 ‘워크로드 크리프’다. 결과물은 쏟아지는데 소화는 여전히 사람 몫이라, 8차선 도로가 1차선 요금소로 좁아지는 꼴이다.

�鶹ԭ��는 이를 ‘더 많은 결과물’ 대신 ‘더 정확한 답’으로 푼다. “65인치 TV 재고가 떨어질 매장은 어디고, 옮길 재고는 어디 있나?”라고 물으면 통합 업무공간 Joule Work의 AI 에이전트가 시스템을 넘나들며 답을 찾고 필요하면 직접 행동한다. 직원은 앱을 오가는 대신 판단에 집중할 수 있다.

“AI는 일하는 방식, 지식이 흐르는 방식, 의사결정 방식 자체를 바꿔야 진짜 힘을 발휘한다. AI를 회사에 들여놓는 것과, AI로 회사 전체에 가치를 만드는 것은 다른 이야기다.”
플로리안 쿤츠케(Florian Kunzke), AI 전략 부문 글로벌 디렉터, �鶹ԭ��

정답인데 회사 사정은 모른다

대부분의 AI는 세상은 알아도 회사는 모른다. 거래 기록 같은 ‘시스템 지식’과 이메일·암묵적 룰 같은 ‘문서화되지 않은 지식(암묵지)’은 다르다. AI가 시스템 지식만 보면 답은 맞아도 회사 사정과는 어긋난다. “코코넛을 어디서 사나” 같은 질문도 조달·공급망·컴플라이언스를 넘나드는 지식이 필요하다.

는 이런 암묵지를 지속적으로 모아 사람과 AI 에이전트가 함께 쓰게 한다. 에 코코넛을 물으면 “브라질에서만 소싱, 다른 곳은 예외 승인 필요”처럼 실제 회사 규칙에 맞는 답이 나온다.

숫자 예측은 다른 문제다

기업의 의사결정은 결국 예측 문제이고, 예측은 정형 데이터에 달려 있다. LLM은 정형 데이터 예측엔 약하고, 전통 머신러닝은 답이 나오기까지 몇 주가 걸려 그땐 질문이 이미 바뀌어 있곤 한다.

�鶹ԭ��는 정형 데이터 전용 예측 모델 �鶹ԭ��-RPT-1.5와 TabPFN 3를 Joule Work, �鶹ԭ�� Business Data Cloud와 연결해 이 공백을 메운다. 전문가가 아니어도 “물량을 재배치해야 할까” 같은 질문에 실제 데이터 기반 답을 바로 받는다. 예측이 조직 전체가 쓰는 기능이 되는 것이다.

AI는 일하는 방식, 지식이 흐르는 방식, 의사결정 방식 자체를 바꿔야 진짜 힘을 발휘한다. Joule Work, �鶹ԭ�� Company Memory, �鶹ԭ��-RPT-1.5/TabPFN 3는 그 방향으로 가는 �鶹ԭ��의 답이다. AI를 회사에 들여놓는 것과, AI로 회사 전체에 가치를 만드는 것은 다른 이야기다.

플로리안 쿤츠케(Florian Kunzke)는 �鶹ԭ��의 AI 전략 부문 글로벌 디렉터입니다.

The post 개인의 AI, 회사의 AI가 되려면 appeared first on �鶹ԭ�� Korea 뉴스센터.

�鶹ԭ�� 전환, AI 에이전트로 비용 60% 줄일 수 있다

Tim Clark — Fri, 28 Aug 2026 04:12:18 +0000

�鶹ԭ�� ECC에서 S/4HANA로의 전환, AI 에이전트가 비용과 시간을 얼마나 줄여줄 수 있을까? 오프쇼어링을 넘어선 “디쇼어링”이라는 새로운 개념부터, 커스텀 코드 분석과 테스트까지 에이전트가 파고드는 �鶹ԭ�� 전환의 미래를 살펴본다.

�鶹ԭ�� 고객사들은 오랫동안 같은 고민을 반복해 왔다. 낡은 �鶹ԭ�� ECC를 �鶹ԭ�� S/4HANA로 옮기는 일이 매번 비용이 크고 복잡하며 오래 걸린다는 것. 최근 한 에서는 에이전틱 AI로 더 빠르고 저렴하게, 고객사 스스로 더 많이 해낼 수 있게 전환을 다시 설계하자는 접근이 논의됐다. 참석자들은 이를 “디쇼어링”이라 불렀다.

“빠르게, 좋게, 저렴하게” 셋 다 될까

독립 �鶹ԭ�� 컨설팅사 창업자 스튜어트 브라운은 7년간 여러 기업의 ECC-S/4HANA 전환을 도와왔다. “과거 방식을 바꿔야만 미래를 바꿀 수 있다”는 그는, 셋 중 둘만 고를 수 있다는 통념에 맞서 NASA의 “더 빠르게, 더 좋게, 더 저렴하게” 철학을 든다. �鶹ԭ�� 비즈니스 트랜스포메이션 수석 부사장 란지트 파니커도 고객사들이 결국 더 빨리, 더 싸게, 더 많은 가치를 원한다고 말한다.

오프쇼어링을 넘어 디쇼어링으로

수십 년간 답은 인건비가 낮은 지역으로 업무를 옮기는 오프쇼어링이었다. 하지만 브라운은 오프쇼어·온쇼어 분산이 오히려 인수인계와 재작업, 조율 비용을 키운다고 지적한다. 에이전틱 AI는 그 일을 사람이 꼭 해야 하는지부터 묻는다. 브라운 팀이 전환 관련 약 180개 활동을 분석한 결과, AI로 비용을 약 60%까지 줄일 수 있었다. 명세 작성, 핏갭 분석, 커스텀 코드 분석처럼 고숙련 인력이 시간을 쏟는 작업이 특히 유망했다.

사람은 “마지막 1마일”을 맡는다

AI는 몇 시간 만에 “80% 완성본”을 만들어낼 수 있다고 브라운은 말한다. 다만 “결과물을 무조건 신뢰해선 안 된다”며, 숙련 인력의 역할이 처음부터 만드는 것에서 검토·보완으로 바뀐다고 설명한다. 목표는 완전 자동화가 아니라, 판단력과 검증처럼 경험이 가장 가치 있는 “마지막 1마일”에 전문성을 집중시키는 것이다.

“시스템 통합 파트너(SI)를 선정하기도 전에, 커스텀 코드의 표준화 계획을 세울 수 있다.”
스튜어트 브라운(Stuart Browne), 독립 �鶹ԭ�� 컨설팅사 Resulting IT 창업자

커스텀 코드, 가장 먼저 바뀔 영역

브라운이 이미 큰 변화를 본다는 분야는 커스텀 코드 분석이다. 예전엔 커스터마이징을 새 환경으로 옮긴 뒤 나중에 손보는 게 흔했다. 이제 AI는 전체 코드베이스를 분석해 기능 명세를 역으로 도출하고, 같은 요구사항을 �鶹ԭ�� 표준 기능만으로 충족할 수 있는지 판단한다. “SI를 선정하기도 전에 표준화 계획을 세울 수 있다”고 그는 말한다. 이미 비용을 지불한 표준 기능이 불필요한 커스터마이징을 대체할 수 있다는 뜻이다.

�鶹ԭ��, 전환 전 과정에 에이전트를 심다

파니커는 온쇼어·오프쇼어 구분이 의미를 잃고, 업무를 위치가 아닌 스킬 단위로 생각하게 될 것이라 전망한다. �鶹ԭ��는 시스템 분석, 데이터 관리, 커스텀 코드, 구성, 테스트, 롤아웃, 프로젝트 관리 전반에 에이전트를 구축 중이며, 이는 �鶹ԭ�� Business Technology Platform 위의 �鶹ԭ�� Cloud ALM과 고객별 지식 기반에 연결된다. �鶹ԭ��의 목표는 전환 작업량을 약 35% 줄이는 것이다.

테스트도 에이전트에게 맡길 수 있을까

보안·규제 요건이 많은 업종에선 테스트에 시간이 많이 든다. 파니커는 묻는다. “에이전트가 코드를 고칠 수 있다면, 테스트와 승인도 맡길 수 있을까?” 관건은 조직이 에이전트의 지식과 안전장치를 얼마나 신뢰하느냐다.

좋은 에이전트를 가르는 건 “맥락”

�鶹ԭ�� 프로젝트는 아키텍처 결정, 리스크 목록 등 방대한 고유 정보를 만든다. 브라운은 이 살아있는 지식과 AI를 연결하는 일이 핵심이라 본다. “정적인 LLM이 아니라 그 세계 자체와 대화할 수 있어야 한다”는 것. 그는 이 지점에서 성패가 갈릴 것이라고 말한다.

지식의 주도권도 바뀐다

가장 큰 변화는 기술이 아니라 “누가 전문성을 갖느냐”일 수 있다. �鶹ԭ�� 구현은 경험 많은 컨설턴트에 크게 의존해 왔고, 고객사는 지식 격차로 설계 결정에 이의를 제기하기 어려웠다. 브라운은 경험 6개월 차도 몇 주 만에 예전엔 몇 년 걸렸을 수준까지 오를 수 있다고 본다. 파니커도 AI가 전문가들을 좁은 직무 영역 밖으로 꺼내준다는 데 동의한다.

“왜 더 빨리 하면 안 되지”

�鶹ԭ�� 전환이 몇 년씩 걸리는 게 당연하다는 인식이 굳어져 있었다. 브라운과 파니커 모두 이제는 이 전제에 의문을 제기해야 한다고 말한다. 파니커는 “왜 더 빨리 하면 안 되는가”라고 묻는다. 브라운은 버튼 하나로 프로그램 전체가 완성된다는 뜻은 아니라면서도 “그런 세상은 이미 와 있다”고 말한다. 파니커의 메시지도 같다. “관망하지 말고 호기심을 갖고 뛰어들어라. 목표에 더 빨리 도달할수록 더 많은 가치를 만들 수 있다.”

팀 클라크(Tim Clark)는 �鶹ԭ��의 브랜드 저널리즘 수장입니다.

The post �鶹ԭ�� 전환, AI 에이전트로 비용 60% 줄일 수 있다 appeared first on �鶹ԭ�� Korea 뉴스센터.

문샷은 비유가 아니다, NASA의 진짜 운영 원칙

Jamison Braun — Fri, 21 Aug 2026 02:15:54 +0000

NASA에 있어 문샷은 비유가 아니라 실제 운영 모델이다. 수천 명, 수십 개 기관, 여러 나라를 하나의 미션으로 움직이는 아르테미스 프로그램에서, 로리 글레이즈 박사가 말하는 표준화와 신뢰, 대규모 전환의 원칙을 살펴본다.

NASA에게 문샷은 비유가 아니라 운영 방식이다. 인간을 다시 달로 보내고 심우주 거주 기반을 다지려면, 수천 명의 인력과 여러 정부 기관, 국제 파트너, 민간 기업, 고도로 복잡한 시스템이 정교하게 맞물려야 한다.

워싱턴 D.C.에서 열린 �鶹ԭ�� NOW 행사에서 NASA 유인우주비행 임무국 부국장 로리 글레이즈 박사는 아르테미스 프로그램의 운영 원칙을 공유했다. 우주 탐사를 넘어, 대규모 전환을 겪는 공공기관과 기업 모두에게 시사하는 바가 크다.

미션 하나하나가 모멘텀을 만든다

아르테미스는 각 미션이 다음 단계를 위한 역량과 지식을 축적하도록 설계됐다. 2022년 아르테미스 1호는 무인으로 SLS와 오리온 우주선을 시험했고, 2026년 4월 아르테미스 2호는 우주비행사 4명을 태우고 달 궤도를 돈 뒤 무사히 귀환했다. “각 시험비행은 다음 단계에 필요한 정보를 제공합니다.” 글레이즈의 말이다. NASA는 2027년 아르테미스 3호로 상용 착륙선과의 도킹을, 2028년 아르테미스 4호로 첫 유인 달 착륙을 목표로 한다. 미래 전체를 한 번에 설계할 필요는 없다. 각 이정표가 가설을 검증하고 위험을 낮추면 된다.

표준화가 가속의 여력을 만든다

NASA는 아르테미스 아키텍처 표준화를 우선순위로 삼는다. “반복적으로 해내야 하니 아키텍처를 표준화해야 합니다.” 표준화는 혁신을 막지 않는다. 오히려 혁신이 더 빠르게 움직일 안정적 기반이 된다. NASA는 �鶹ԭ�� 솔루션을 포함한 다양한 기술로 이 복잡성을 지원하지만, 기술의 가치는 사람·프로세스·정보·의사결정을 하나로 연결하는 데서 나온다.

복잡성일수록 더 빠르고 정확한 판단이 필요하다

발사체, 우주선, 착륙선, 통신, 물류, 예산, 계약사, 국제 파트너까지—아르테미스의 규모는 상상을 넘어선다. 각 요소는 저마다의 일정과 위험을 안고도 정확한 순간에 하나로 맞아떨어져야 한다. 글레이즈는 전문 인력을 계약사 곁에 배치해 문제를 더 빨리 발견·해결하도록 하고 있다고 밝혔다. 리더는 방대한 정보를 갖고도 통합된 시야는 부족한 경우가 많은데, 글레이즈는 이 지점을 AI가 가장 유망하게 기여할 영역으로 꼽았다.

“이런 일은 한 사람이 해낼 수 없습니다. 수천 명이 있어야 이런 놀라운 일을 이뤄낼 수 있습니다.”
로리 글레이즈 박사(Dr. Lori Glaze), NASA 유인우주비행 임무국 부국장

자율성은 인간의 역량을 확장할 때 빛난다

달과 화성 탐사차는 지형을 평가하고 경로를 고르며 위험을 피하는 일을 지구의 개입 없이 수행한다. 핵심은 사람을 배제하는 게 아니라, 기술이 더 큰 규모와 속도로 복잡성을 관리해 사람이 더 나은 결정을 내리게 돕는 데 있다. 자율형 기업(Autonomous Enterprise)도 같은 원리다.

파트너십이 야망을 역량으로 바꾼다

아르테미스는 어느 한 조직 혼자서는 해낼 수 없다. NASA는 정부 팀, 민간 우주기업, 항공우주 제조사, 각국 우주기관, 군 파트너를 하나로 묶는다. 이 생태계는 미션에 곁다리로 붙는 게 아니라 미션이 이뤄지는 방식 그 자체다.

신뢰가 궁극의 운영체제다

가장 중요한 리더십 조언을 묻자 글레이즈의 답은 간결했다. 똑똑한 사람들로 주변을 채우고 그들을 믿으라는 것. “이런 일은 한 사람이 해낼 수 없습니다. 수천 명이 있어야 이런 놀라운 일을 이뤄낼 수 있습니다.” 달 복귀든 기업의 전환이든 교훈은 같다. 사람과 데이터, 프로세스, 파트너가 함께 나아갈 때 가장 야심 찬 목표도 이루어진다.

Jamison Braun은 �鶹ԭ�� America의 미국 공공 서비스 부문 수석 부사장 겸 전무이사입니다.

The post 문샷은 비유가 아니다, NASA의 진짜 운영 원칙 appeared first on �鶹ԭ�� Korea 뉴스센터.