AI를 잘 쓰는 직원이 늘면, 조직의 성과도 달라질까요?

Anthropic 리더에게 듣는, 개인의 AI 활용을 팀의 일하는 방식으로 확장하는 법
팀스파르타biz's avatar
Nov 06, 2026
AI를 잘 쓰는 직원이 늘면, 
조직의 성과도 달라질까요?
AI 교육을 마친 구성원들이 보고서 요약부터 광고 카피 작성, 데이터 정리까지 실무 곳곳에서 AI를 활용하기 시작했어요. 덕분에 각자의 업무 속도는 눈에 띄게 빨라지고 있습니다. 그런데 여러 사람이 함께 호흡을 맞춰야 하는 프로젝트로 눈을 돌려보면 어떨까요? 여전히 앞선 담당자의 자료를 기다리거나, 넘겨받은 결과물을 다시 손보고 인계하는 데 적지 않은 시간을 쓰고 있어요. 개인의 생산성이 부쩍 높아진 만큼, 과연 우리 팀 전체가 일하는 방식도 그에 발맞춰 달라지고 있는지 한 번쯤 돌아볼 때예요.
10월 13일 진행된 팀스파르타 AX Leaders Summit 현장
10월 13일 진행된 팀스파르타 AX Leaders Summit 현장
지난 10월 13일 스파르타 기업교육이 진행한 AX Leaders Summit에서는 바로 이 개인과 팀 사이의 간격을 좁히기 위한 조직 설계를 핵심 주제로 다뤘어요. 특히 Google, Uber, Canva, Anthropic을 거치며 다양한 경험을 쌓은 Sunil Subhedar님께서 눈여겨볼 만한 여러 포인트들을 짚어주었는데요. 사내 곳곳에서 AI를 활발하게 쓰더라도, 개인이 쌓은 지식과 노하우가 회사 전체의 성과로는 매끄럽게 이어지지 못하는 현상에 주목했습니다.
구글·우버·캔바를 거친 전 앤트로픽 그로스 마케팅 리드, Sunil Subhedar
구글·우버·캔바를 거친 전 앤트로픽 그로스 마케팅 리드, Sunil Subhedar
지난 1편에서 구성원들이 AI를 배우고 시도해 볼 수 있는 환경을 살펴봤다면, 이번 2편에서는 그런 개인의 작은 시도들이 팀의 실질적인 성과로 이어지는 구조를 풀어보려고 해요. 핵심은 AI를 쓰는 개인의 작업을 팀의 공동 목표, 그리고 전체적인 업무 체계와 자연스럽게 엮어내는 데 있어요. 서밋에서 나누었던 깊이 있는 인사이트를 바탕으로, 교육 담당자와 현업 리더분들이 함께 고민해 보면 좋을 네 가지 조건을 정리해 봤습니다.
 

1. 여러 팀이 함께 달성할 목표를 먼저 정합니다

AI 도구를 실무에 도입할 때 흔히 놓치는 것 중 하나가 바로 '우리 팀만의 효율'에 갇히기 쉽다는 점이에요. 이를 막으려면 여러 부서가 다 함께 바라볼 수 있는 명확한 목표부터 맞춰두어야 하는데요. Sunil은 이번 서밋에서 그 중요성을 설명하며 '검색 마케팅' 파트를 예로 들었어요.
검색 결과에 노출될 콘텐츠를 제작하는 팀, 유료 검색 광고를 집행하는 팀, 그리고 AI 검색 답변에서 우리 제품이 잘 드러나도록 최적화(AEO)하는 팀은 겉보기에 각자 다른 업무를 하는 것처럼 보여요. 하지만 고객의 시선에서 바라보면, 이 모든 과정은 결국 우리 제품을 발견하고 알아가는 하나의 여정에 놓여 있습니다.
검색 콘텐츠·유료 광고·AEO를 공통 목표로 연결한 협업 예시
검색 콘텐츠·유료 광고·AEO를 공통 목표로 연결한 협업 예시
“모두가 ‘제품을 발견하게 한다’는 공통 목표를 이해하고 있다면, 그것이 좋은 시스템의 예입니다.”
— Sunil Subhedar, AX Leaders Summit
그런데 각 팀이 자신이 맡은 채널의 지표에만 집중하다 보면, 다른 팀이 어떤 고객을 만나 어떤 정보를 전하고 있는지 파악하기가 어려워져요. 이렇게 되면 AI 덕분에 콘텐츠 제작이나 광고 운영 속도가 각각 빨라진다고 해도, 서로 어떤 마케팅 액션을 진행하고 있는지 알지 못해 사내 조직끼리 불필요하게 경쟁하게 되고, 정보 교류가 막혀 전체적인 효율을 내기 어려워져요. Sunil은 바로 이런 문제를 막기 위해서라도, 여러 팀을 하나로 엮어주는 공통의 목표를 팀원 모두가 명확히 이해하고 있어야 한다고 강조했습니다.

AI 적용 과제를 정할 때는 팀 사이의 정보 흐름을 확인하세요

이런 관점에서 우리 팀이 AI를 적용할 업무를 고민해 보면, 팀 안에서 나눌 수 있는 논의의 폭이 더욱 넓어져요. 예를 들어 광고팀이 데이터로 포착한 고객의 관심사를 콘텐츠팀 기획에 바로 녹여낼 수 있고, 콘텐츠에서 자주 나오는 고객의 피드백과 질문은 제품팀에 빠르게 전해줄 수 있어요. 이렇게 부서 사이에 어떤 정보를 함께 주고받아야 할지 명확해지면, 그 데이터를 취합하고 분류하는 과정에 AI를 투입할 구체적인 이유와 방향도 자연스럽게 잡히게 됩니다.
Sunil이 말하는 공동의 목표는 모든 팀이 다 같이 똑같은 일을 하자는 뜻이 아니에요. 각자 서로 다른 업무를 하더라도, 각 팀의 노력이 엇갈리지 않고 한 방향으로 모이도록 명확한 기준을 세우는 일이에요. 본격적으로 AI 도입을 논의하기 전에, 다음 세 가지 질문을 팀원들과 함께 답해 보시는 걸 추천해 드려요.
함께 답해볼 세 가지 질문
  • 고객의 입장에서 볼 때, 우리 제품이나 서비스를 경험하는 과정 중 어디에서 흐름이 끊기고 있나요?
  • 그 원인을 제대로 파악하려면 어떤 부서의 데이터와 실무 인사이트를 함께 모아야 할까요?
  • AI로 이 업무를 개선했을 때, 고객 경험에서 어떤 실질적인 변화를 만들어내고 싶나요?
 

2. 실행을 뒷받침할 역할과 지원을 정합니다

풀어야 할 문제가 아무리 명확해져도, 실행에 필요한 데이터나 기술 권한이 다른 부서에 묶여 있다면 실무진의 AI 도입 시도는 금세 가로막히기 쉬워요. 이런 환경 속에선 광고 성과를 제대로 분석해 보고 싶어도 활용할 수 있는 데이터 범위를 알기 어렵고, 시스템 연동을 누구에게 요청해야 할지 몰라 다음 단계로 넘어가지 못하는 일이 자주 생겨요. 이럴 때는 조직 전체의 공통 기반을 다져주는 '중앙 조직의 지원'과 실제 비즈니스를 이끄는 '실무진의 실행력'이 함께 호흡을 맞춰야 합니다.
중앙 AI 조직의 지원과 실무 팀의 실행을 연결한 운영 구조
중앙 AI 조직의 지원과 실무 팀의 실행을 연결한 운영 구조
Sunil이 설명한 중앙 AI 조직의 역할도 바로 이 지점에 있어요. 사내 데이터와 워크 플로우를 체계적으로 관리하고, 활용 원칙과 접근 권한을 정리하며, 새로운 AI 모델과 툴의 안전성을 미리 검토해 주는 역할을 맡습니다. 실무진이 매번 데이터의 위치나 보안 규정을 따로 확인하느라 시간을 쓰지 않고, AI 활용에 집중할 수 있는 환경을 세팅해주는 거예요. 나아가 새로운 지원 요청이 생겼을 때, 이를 누가 검토하고 빠르게 승인해 줄 것인지 명확한 프로세스를 세워두는 일도 중앙 조직의 역할이에요.

만들고, 연결하고, 개선하는 역할이 필요합니다

이런 지원 체계가 갖춰졌다면, 이제 실무 팀 안에서 챙겨야 할 역할들도 고민해 봐야 해요. Sunil은 AX에 꼭 필요한 세 가지 역할을 정리해 주었는데요. 새로운 포지션을 억지로 만들 필요는 없어요. 팀 규모나 상황에 맞춰 기존 구성원이 역할을 유연하게 겸임해도 충분합니다. 중요한 건, 각 역할에 따르는 책임이 팀 안에서 누구에게 있는지 구성원 모두가 분명히 알고 있어야 한다는 점입니다.
현업의 역할
맡아야 할 책임
도메인 전문성을 갖춘 빌더
해당 업무에서 좋은 결과가 무엇인지 판단하고, 이를 구현할 워크 플로우를 만듭니다.
데이터·기술 연결자
팀에 필요한 데이터, 정보, 인프라를 확보할 수 있도록 중앙 조직과 연결합니다.
관찰·개선 담당자
실제 활용 과정에서 막히는 지점을 살펴보고, 보완할 부분과 다음 리소스를 투자할 영역을 찾습니다.
이 중에서도 특히 '빌더(Builder)' 역할은 단순히 새로운 기술에 호기심이 많은 분보다는, 본인의 도메인에 대해 가장 잘 알고 있고 AI가 낸 결과물의 퀄리티를 제대로 판단할 수 있는 실무자를 먼저 찾아보시는 게 좋아요. 본인의 도메인을 가장 깊이 이해하고 있는 분에게 파이썬이나 API 연동 같은 기술 역량을 입혀주었을 때 훨씬 실용적이고 완성도 높은 결과물이 나오거든요. 스파르타 기업교육의 'AI 핵심 인재 양성 교육' 과정 역시 바로 이런 분들이 현업에 필요한 솔루션을 직접 개발할 수 있도록 돕는 데 초점을 맞추고 있어요.

교육 결과물이 조직 안에서 쓰일 환경까지 준비하세요

현업을 잘 아는 빌더가 교육을 거쳐 실무에 유용한 AI 에이전트를 개발했다고 해도, 이것이 개인의 작업물에 그치지 않고 팀 전체의 실제 업무로 이어지려면 제작 이후의 확산 과정이 함께 마련되어 있어야 해요. 어떤 업무 환경에서 에이전트를 실행할지, 사내 배포나 보안 검토 절차는 어떻게 거칠지 교육을 기획하는 단계부터 미리 조율해 두는 것이 좋습니다.
사례 | 국내 대기업 S사의 업무 기반 AI Agent 교육 설계
스파르타 기업교육 사례집에 소개된 국내 대기업 S사의 교육 과정은 반복 업무를 자동화 가능한 단위로 나누고, 실무자 한 명당 에이전트 하나를 완성하도록 실습을 구성했어요. 완성된 에이전트는 사내에 바로 공유할 수 있도록 설계했는데요. 특히 사내에서 이미 쓰고 있던 Copilot과 Microsoft 365 환경에서 실습을 진행해, 결과물 배포와 보안 검토에 드는 과정을 크게 단축했습니다.
출처: 스파르타 기업교육「대기업 AI 기업교육 사례집」, PDF 22쪽
만약 교육 때 썼던 툴과 실제 업무 환경이 달라서 연동이나 보안 승인 문제가 지속적으로 발생한다면 어떻게 될까요? 실무자는 기껏 결과물을 만들어 두고도 실제 업무에 적용하지 못한 채 시간을 보내게 됩니다. 이런 문제를 줄이려면 교육을 설계할 때부터 IT나 보안 담당 부서와 미리 상의해 두는 것이 좋아요. 그래야 도입 과정에서 생기는 부담이 교육을 받은 개인에게만 쏠리지 않고 실무 적용률을 높일 수 있어요.
그렇다면 데이터 사용과 보안 규정이 매우 엄격한 조직에서는 이러한 적용 조건을 어떻게 마련하는 것이 좋을까요? Sunil이 소개한 금융권 조직의 사례를 통해, 데이터 활용 범위를 설정하는 원칙과 AI 도입 과정을 안전하게 검토하는 운영 체계를 아래 풀영상에서 더 자세히 확인해 보실 수 있습니다.
결과물을 실행할 수 있는 환경이 갖춰졌다면, 이제 다음 단계로 넘어갈 차례예요. 바로 '어떤 기준을 충족해야 이 AI 결과물을 실제 업무에 투입할 수 있을지' 품질 기준을 명확하게 세우는 일입니다.
 

3. AI가 만든 결과물을 다음 업무로 넘길 기준을 정합니다

여러 업무를 AI로 엮어 자동화할수록, 앞 단계의 결과물이 다음 작업에 미치는 영향도 그만큼 커져요. 만약 제품 정보를 잘못 정리한 초안이 그대로 광고 소재나 고객 안내문 작성으로 넘어가게 되면, 결국 마지막 담당자가 결과물을 하나하나 다시 수정해야 합니다. 그래서 업무 워크플로우를 설계할 때는 각 작업에 들어갈 입력 자료와 기대하는 결과물뿐만 아니라, 다음 단계로 넘어가기 위한 검증 조건까지 함께 정해두는 과정이 꼭 필요합니다.

출력 형식과 검증 기준을 함께 작성하세요

스파르타 기업교육의 「2026 AX 교육 트렌드 리포트」를 살펴보면 눈여겨볼 만한 데이터가 있어요. 기업 HRD 담당자 262명이 참여한 프롬프트 챌린지를 분석해 보니, 표나 목록 등 '출력 형태'를 지정하는 항목의 달성률은 85%로 높게 나타났습니다. 반면 AI에게 '결과의 검증을 요청하고 기준을 제시하는' 항목의 달성률은 37%에 그쳤어요. 원하는 형태를 지정하는 프롬프팅에는 다들 익숙하지만, 정작 나온 결과물을 어떤 기준으로 검증해야 할지는 잘 모르거나 놓치는 경우가 많다는 뜻이에요.
출처: 스파르타 기업교육 「2026 AX 교육 트렌드 리포트」
출처: 스파르타 기업교육 「2026 AX 교육 트렌드 리포트」
그래서 AI에게 업무를 지시할 때는 참고해야 할 원자료의 범위와 필수 확인 항목까지 꼼꼼하게 짚어주어야 합니다. Sunil은 여기에 더해, 전체 업무 흐름 안에서 '사람의 판단이 어느 단계에 들어가야 하는지'도 꼭 함께 설계해야 한다고 강조했어요.
AI 시대의 일과 조직 설계를 주제로 대화를 나누는 Fireside Chat 현장
AI 시대의 일과 조직 설계를 주제로 대화를 나누는 Fireside Chat 현장
“맡기는 작업에 따라, 다음 단계로 넘어가기 전에 사람이 어디에서 개입해 품질을 평가할지 정해야 합니다.”
— Sunil Subhedar, AX Leaders Summit
이렇게 AI가 일하는 과정 안에 사람의 검토와 승인 절차를 넣어두는 방식을 '휴먼 인 더 루프(Human-in-the-loop)'라고 부릅니다. 도입 초기에는 품질에 영향을 미치는 핵심 판단 지점들을 사람이 직접 확인하고, 결과물의 신뢰성이 충분히 쌓인 영역부터 AI가 스스로 처리하는 범위를 넓혀가는 방식이에요. 이를 실제 마케팅 업무에 대입해 보면 다음과 같이 설계해 볼 수 있습니다.
적용 예시 | 캠페인 소개문을 제작하는 워크플로우
입력 자료: 공식 제품 소개서, 타깃 고객 정보, 브랜드 가이드라인
AI의 작업: 소개글 초안을 작성하고, 제품 스펙이나 주요 수치마다 참고한 원자료의 출처를 함께 남깁니다.
담당자 검토 및 인계: 담당자가 원자료와 대조해 수치와 사실관계를 확인하고, 브랜드 톤과 핵심 메시지를 최종 점검한 뒤 다음 발행 단계로 넘깁니다.

오류가 미칠 영향에 따라 자동화의 범위를 나누세요

Sunil은 사람이 꼭 개입해야 하는 지점을 설명할 때 '고객 신뢰'와 '데이터 정확성'을 특히 강조했어요. 어디까지 자동화할지 그 범위를 나눌 때는, 오류가 났을 때 비즈니스에 미칠 영향과 이를 수습하는 데 드는 비용을 먼저 따져봐야 합니다. 팀 안에서만 검토하는 내부 초안이라면 조금 틀려도 바로 고치면 되지만, 잘못된 할인 혜택이 고객에게 그대로 전달된다면 정정 공지는 물론이고 개별 CS 대응까지 막대한 리소스가 소모되니까요.
예시 | 프로모션 안내문을 자동화할 때
상황: 제품 소개서와 프로모션 기획안의 할인율이 서로 다를 경우
처리: AI가 문구를 임의로 작성해 발송하지 않고, 일단 해당 작업을 보류합니다.
인계와 해결: 담당자에게 어떤 자료끼리 충돌했는지, 어느 문구에 문제가 생겼는지를 함께 보여줍니다. 담당자가 최종 조건을 확정하면, 그 기준에 맞춰 문구를 수정·검증한 뒤 발송 단계를 다시 이어가요.
시스템을 만들 때 단순히 '확인 필요' 같은 경고만 띄우는 것으로는 부족해요. 담당자가 상황을 빠르게 판단할 수 있도록 비교 근거를 함께 보여주고, 문제를 해결한 뒤에는 어느 단계부터 작업을 이어갈지 미리 정해두는 게 좋습니다. 그래야만 오류가 생겼을 때 데이터를 처음부터 다시 추적해야 하는 실무자의 수고를 덜어줄 수 있어요.
사내에서 실무 과제 중심의 산업특화 AI PBL 교육을 기획하신다면, 바로 이런 예외 상황들을 실습 과제에 녹여내 보시는 걸 추천해 드려요. 의도적으로 서로 충돌하는 정보가 담긴 자료를 제공하고, 교육생 스스로가 어떤 작업을 보류하고 무엇을 검증할지 시스템을 설계해 보도록 하는 것입니다. 단순히 AI 도구를 다뤄보는 데 그치지 않고, 실제 운영 환경에서 요구되는 비판적 판단력을 기르는 좋은 기회가 됩니다.
그렇다면 부서마다 각자 쓰고 있는 AI 에이전트가 같은 현상을 두고 서로 다른 분석을 내놓는다면 어떻게 조율해야 할까요? 실제로 서밋 현장에서도 "제품 불량 원인을 두고 부서별 AI의 분석 결과가 엇갈릴 때는 어떻게 해야 하느냐"는 질문이 나왔는데요. 이에 대해 Sunil이 전해준 구체적인 점검 기준과 해결 순서는 아래 풀영상에서 확인해 보실 수 있어요.
 

4. 시간 절약과 결과물의 퀄리티, 비즈니스 기여도를 함께 확인합니다

AI를 실무에 잘 도입했다면, 그다음에는 우리 업무가 실제로 어떻게 개선되었는지 명확하게 보여줄 수 있어야 해요. 앞서 언급한 스파르타의 「2026 AX 교육 트렌드 리포트」를 보면, AI 도입 성과 측정에 대해 응답자의 20.3%가 '측정하고 싶지만 구체적인 방법을 모르겠다'고 답했는데요. 성과를 확인하려는 의지는 분명해도, 무엇을 기준으로 삼고 어떻게 기록할지 미리 맞춰두지 않으면 추가 투자를 진행하거나 다른 팀으로 확장할지 결정하기가 어려워집니다.
AI활용을 조직에 도입하는 과정을 설명하고 있는 Sunil Subhedar
AI활용을 조직에 도입하는 과정을 설명하고 있는 Sunil Subhedar
“가장 중요한 것은 에이전트를 설계할 때 팀 안에서 무엇을 측정할지 미리 합의해 두어야 한다는 점입니다.”
— Sunil Subhedar, AX Leaders Summit

실행 전에 비교 기준과 측정 범위를 합의하세요

Sunil은 소요 시간이나 수정 횟수처럼 눈에 보이는 내부 효율성 지표뿐만 아니라, 이것이 실제 비즈니스 성과로 어떻게 이어지는지 통합적으로 살펴봐야 한다고 강조했어요. 그러려면 AI가 만든 결과물이 실무의 품질 기준을 제대로 맞추고 있는지 확인할 수 있는 평가 체계가 꼭 필요한데요. 이번 서밋에서 중요하게 다룬 '하네스(Harness)' 역시, AI가 처리한 작업을 우리가 세워둔 명확한 기준에 맞춰 검증하고 평가하는 시스템을 뜻합니다.
앞서 예시로 살펴본 '캠페인 소개문 제작 업무'를 기준으로 본다면, 다음과 같이 성과 지표를 다각도로 설계해 볼 수 있습니다. 앞 단계의 검토 절차가 개별적인 결과물의 '발행 여부'를 결정짓는 판단 기준이었다면, 이번 단계는 일정 기간 쌓인 기록을 바탕으로 'AI를 도입한 새로운 일 방식이 실제로 효과가 있었는지' 종합적으로 따져보는 과정입니다.
확인할 영역
지표 예시
판단할 내용
업무 효율
초안 작성부터 최종 검토까지 걸린 총 소요 시간, 수정 횟수
결과물 하나를 완성하는 데 들어가는 실무자의 시간과 공수가 실제로 줄었는가?
결과 품질
사실관계 검증, 브랜드 가이드라인 등 사전 기준을 통과한 결과물 비율
고객에게 바로 내보낼 수 있는 수준의 결과물이 꾸준히 안정적으로 나오는가?
사업 기여
상세페이지 유입, 체험 신청, 구매 전환 등 목표한 고객 행동 지표
효율적으로 제작한 콘텐츠가 실제 유의미한 고객 반응이나 전환으로 이어지고 있는가?
도입 전후의 성과를 정확하게 비교하려면 업무 범위와 난이도, 품질 기준을 똑같이 맞춰두어야 해요. 단순히 AI가 초안을 뽑아내는 시간만 측정하면, 실무자가 이를 넘겨받아 다듬고 고치는 데 들어간 추가 작업 시간을 놓치기 쉽거든요. 그래서 소요 시간을 측정할 때도 어디서부터 시작해 어느 시점에 끝난 것으로 볼지 기준을 명확하게 정해두는 게 좋습니다. 사업 기여를 확인할 때 만약 백오피스 업무처럼 매출과 바로 연결하기 어려운 일이라면, 업무 목적에 맞는 대리 지표(Proxy Metric)를 정하고 이 지표가 궁극적으로 어떤 비즈니스 효과를 나타내는지 팀원들과 미리 기준을 정리해 두시는 걸 추천합니다.
초안 작성부터 담당자의 수정·보완과 최종 검토까지 포함한 시간 측정 범위
초안 작성부터 담당자의 수정·보완과 최종 검토까지 포함한 시간 측정 범위

측정 결과를 다음 개선과 투자 판단에 사용하세요

이렇게 모은 지표는 단순히 보고를 위한 숫자를 넘어, 팀이 일하는 방식을 실질적으로 다듬어가는 기준이 되어야 해요. 예를 들어 실무자가 작업을 다시 해야 했던 주된 이유가 제때 업데이트되지 않은 과거 제품 정보 때문이었다면, 기초 데이터를 최신화하는 주기부터 점검해 볼 수 있습니다. 만약 AI가 브랜드 톤앤매너를 제대로 맞추지 못해 문구를 계속 수정하고 있다면, 프롬프트에 들어갈 가이드라인과 참고 예시를 더 구체적으로 보완해 주면 돼요. 이렇게 오류의 원인을 하나씩 짚어보다 보면, 어떤 자료나 업무 절차를 먼저 손봐야 할지 명확해집니다.
반대로 업무 처리 속도도 눈에 띄게 빨라졌고 산출물의 품질도 좋은데 정작 기대했던 고객의 반응이 저조하다면 어떨까요? 이럴 때는 AI 툴이나 시스템의 문제가 아니라 기획 단계의 타깃 설정이나 핵심 메시지, 노출 채널 전략 자체를 다시 살펴볼 필요가 있습니다. 반복 제작에 쓰이던 시간을 줄인 만큼, 실무진이 진짜 힘을 쏟아야 할 곳은 툴 다루기가 아니라 바로 이런 기획과 메시지 보완 작업입니다.
결국 이렇게 체계적으로 남겨둔 측정 결과는, 조직 차원에서 추가 예산이나 인력을 어디에 더 투입해야 할지 판단하는 가장 확실한 기준이 돼요. 데이터가 쌓일수록 잘된 부분뿐만 아니라, 작업이 어디서 지체되고 있는지 '병목 구간' 역시 명확하게 드러나기 때문입니다.
만약 이런 병목이 발견되었다면, 다른 부서로 무작정 AI를 넓히기보다 기존 업무의 데이터 흐름이나 절차부터 다듬는 쪽으로 우선순위를 두어야 해요. 기존의 문제를 그대로 둔 채 도입 범위만 성급하게 넓히면, 오히려 재작업과 검토 부담만 커져 실무진의 AI에 대한 피로감이 심해질 수 있거든요. 그렇기 때문에 AI에 대한 다음 투자는 '지금 만든 성공 사례를 다른 부서나 실무자도 안정적으로 따라 할 수 있는 환경이 갖춰졌는가?'를 먼저 확인하는 데서 시작해야 합니다.
 

다음 프로젝트는 실제 업무 흐름에 맞춰 운영 방식을 설계해 보세요

사내 AI 교육을 마친 뒤 다음 단계를 고민하고 계신다면, 교육 담당자와 실제로 툴을 쓸 실무 팀이 함께 구체적인 업무 하나를 골라 전체 운영 과정을 직접 설계해 보시는 걸 추천해 드려요. 담당자가 바뀌더라도 일정한 퀄리티와 절차대로 업무가 이어질 수 있도록 명확한 가이드라인을 만들어두는 것이 핵심입니다. 이렇게 차근차근 전체 과정을 짚어보다 보면, 앞으로 교육에서 어떤 역량을 더 채워주어야 할지, 또 회사 차원에서는 어떤 인프라를 지원해야 할지 훨씬 분명하게 보이기 시작하거든요.
조직의 AI 활용과 운영 방식을 소개하는 Sunil Subhedar
조직의 AI 활용과 운영 방식을 소개하는 Sunil Subhedar
이번 AX Leaders Summit에서는 우리 업무에 딱 맞는 AI 모델을 골라 검증하는 기준은 물론, 앤트로픽(Anthropic)이 사내 실험을 실제 제품으로 발전시킨 실제 사례처럼 이번 글에 미처 다 담지 못한 현장 이야기들도 자세히 나누었어요. 지금 우리 조직이 처한 상황에 딱 맞는 맞춤형 AI 조직 설계 관점과 노하우를 얻어가고 싶으시다면, 전문가의 인사이트가 가득 담긴 키노트 세션과 Fireside Chat, 현장의 Q&A를 모두 확인하실 수 있는 풀영상을 꼭 만나보세요.
Share article