한눈에 보는 핵심 5가지
- AI를 안 쓰는 회사를 찾는 게 더 어려운 시대지만, 회사 전체 업무에 AI를 녹여 상시 쓰는 국내 기업은 3.7%뿐이고 나머지는 검토·시험 단계에 머물러 있어요.
- 가트너는 2025년 6월, 스스로 판단해 여러 단계를 이어서 처리하는 에이전틱 AI 프로젝트의 40% 이상이 2027년 말까지 취소될 거라고 내다봤어요.
- 제조·유통·금융에서 보고된 대표 실패 사례는 모델 성능이 문제였던 경우가 드물고, 대부분 업무 정의와 데이터, 비용 설계 단계에서 성패가 갈렸어요.
- 실패한 프로젝트에는 쓸 곳이 불분명하거나, 데이터가 제각각이거나, 다루는 사람의 이해가 얕거나, 비용 설계가 빠졌다는 4가지 공통점이 있었어요.
- 마케팅팀도 같은 함정을 피하려면 업무를 하나로 좁히고, 성과 기준을 개발 착수 전에 먼저 정하고, 일의 난이도에 따라 모델 등급을 나누면 돼요.
AI를 도입하지 않은 회사를 찾는 게 더 어려워졌어요. 그런데 정작 '성과를 봤다'고 답하는 곳은 여전히 소수예요. 좋은 도구는 다 갖췄는데 결과가 안 나오는 이 간극은 어디서 생길까요? 마케팅팀이 AI를 붙일 때도 똑같이 부딪히는 지점이라, 다른 업종의 실패를 미리 들여다볼 값어치가 충분해요.
AI를 안 쓰는 회사가 드문데 성과는 왜 소수일까
AI 도입의 성패는 모델 성능이 아니라 업무 설계에서 갈려요. 쓸 곳을 못 정하면 아무리 좋은 모델도 성과로 이어지지 않아요.
국내 기업 가운데 AI를 회사 전반에 녹여 상시 쓰는 곳은 3.7%에 그쳐요. 나머지는 아직 검토하거나, 한두 팀에서 작게 시험 삼아 돌려보는 파일럿 단계에 머물러 있어요. 여기서 파일럿은 좁은 범위에서 먼저 효과를 확인해 보는 시험 운영을 말해요.
가트너도 2025년 6월, 스스로 판단해 여러 단계를 이어서 처리하는 에이전틱 AI 프로젝트의 40% 이상이 2027년 말까지 취소될 거라고 내다봤어요. 숫자만 보면 비관적이지만, 실패를 뜯어보면 원인은 비슷하게 반복돼요. 모델이 약해서가 아니라, 어디에 왜 쓰는지 정하지 않은 채 도구부터 붙였기 때문이에요.
제조·유통·금융, 세 가지 실패가 알려주는 것
세 사례의 공통점은 기술이 아니라 현장과 비용, 사람을 빠뜨린 설계예요. 문제는 늘 파일럿 다음 단계에서 터져요.
공개된 조사와 업계에서 보고된 실패 유형을 묶어 보면, 업종은 달라도 무너지는 지점은 닮아 있어요. 세 장면을 보면 마케팅팀이 어디를 조심해야 하는지도 함께 보여요.
- 제조 — 설비 데이터로 이상 징후를 예측하는 모델을 만들었고, 검증 환경에선 정확도가 충분했어요. 그런데 설비마다 데이터를 남기는 형식이 달라서, 파일럿 라인 하나를 벗어나면 같은 모델을 못 썼어요. 확산하려면 데이터 표준을 다시 잡아야 했고, 그 일이 원래 프로젝트보다 커졌어요.
- 유통 — 고객 문의 응대에 생성형 AI를 붙였고 반응도 좋았어요. 문제는 배송 조회 같은 단순한 질문에도 가장 비싼 고성능 모델을 그대로 불렀다는 거예요. 문의가 늘수록 호출 비용이 함께 불어나, 아낀 인건비보다 운영비가 커지는 순간이 왔고 결국 서비스 범위를 줄였어요.
- 금융 — 사내 문서를 찾아 주는 AI 도구를 들였는데, 기획과 개발은 전산 조직이 맡고 정작 문서를 다루는 현업은 요구사항 조사 때만 잠깐 참여했어요. 출시 두 달이 지나도 사용률이 안 올랐어요. 현업의 진짜 병목은 검색이 아니라 승인 절차였는데, 도구는 검색 속도만 높였기 때문이에요.
실패한 프로젝트의 4가지 공통점
실패한 프로젝트는 저마다 다른 이유로 무너지지 않아요. 모아 보면 원인은 네 가지로 좁혀져요.
앞의 세 사례만이 아니라 멈춘 프로젝트 대부분이 아래 네 가지 중 하나에 걸려 있어요. 마케팅팀이 AI를 붙이기 전에 자기 점검표로 써도 좋아요.
- 쓸 곳이 불분명해요. 도입 압박은 큰데 어떤 업무에 적용할지는 못 정한 경우예요. 금융 사례가 여기 해당해요. 검색이 진짜 병목인지 확인하지 않은 채 개발이 시작됐어요.
- 데이터가 제각각이에요. 모델에 넣을 데이터는 있어도, 조직 전체가 같은 형식으로 쌓고 있는지는 확인 안 된 경우예요. 파일럿에선 안 드러나다가 확산 때 터져요.
- 다루는 사람의 이해가 얕아요. 무엇을 맡길 수 있고 무엇을 맡기면 안 되는지 판단이 서지 않으면, 요구가 'AI로 업무를 개선한다' 수준에서 더 내려가지 않아요.
- 비용 설계가 빠졌어요. 단순한 일에도 고성능 모델을 쓰다 운영비가 예상을 넘겨요. 업계에선 이 흐름을 '추론 경제성'이라 불러요. 추론 비용은 AI 모델을 한 번 돌려 답을 얻을 때마다 드는 값이에요.
마케팅팀이 AI로 성과를 내는 3가지 준비
준비는 거창하지 않아요. 범위를 좁히고, 기준을 먼저 정하고, 모델을 나눠 쓰면 실패 확률이 크게 줄어요.
마케팅팀은 이미 생성형 AI로 카피 초안을 뽑고, 상세페이지를 다듬고, 문의 응대를 자동화하고 있어요. 그래서 위 실패 원인이 남 일이 아니에요. 세 가지 준비를 순서대로 챙기면 돼요.
- 업무를 하나로 좁혀요. '고객 응대를 개선한다'가 아니라 '배송 조회 문의를 자동 응답으로 처리한다' 수준까지 내려와야 성공과 실패를 가릴 수 있어요. 범위가 넓으면 잘됐는지조차 확인이 안 돼요.
- 성과 기준을 개발 전에 정해요. 응답 시간인지, 처리 건수인지, 담당자가 아낀 시간인지를 먼저 합의해야 파일럿이 끝난 뒤 확산 여부로 다투지 않아요. 유통 사례처럼 비용 항목까지 지표에 넣어 두면 더 안전해요.
- 일 난이도에 따라 모델을 나눠요. 정형화된 질의는 가벼운 모델로, 판단이 필요한 요청만 고성능 모델로 넘기면 문의가 늘어도 비용 곡선이 완만해져요. 여기서 모델 등급은 성능과 가격이 다른 여러 AI 모델을 뜻해요.
데이터가 정리되지 않았다면 도입을 미뤄야 할까요? 전사 데이터를 다 정비한 다음 시작하겠다는 계획일수록 착수가 계속 밀려요. 지금 형식이 일정하게 쌓이는 데이터부터 찾아, 그걸로 처리할 수 있는 업무를 먼저 고르는 편이 나아요.
자주 묻는 질문
Q. 파일럿은 잘됐는데 확산 단계에서 멈추는 이유가 뭔가요?
A. 파일럿은 조건이 통제된 환경에서 돌아가요. 데이터 형식이 통일된 한 곳, 협조가 잘 되는 한 팀에서 검증하는 경우가 많아요. 확산 단계에선 그 조건이 사라지니까, 파일럿 대상을 고를 때부터 다른 조직에도 같은 조건이 성립하는지 확인해 두는 게 좋아요.
Q. 에이전틱 AI가 뭔가요? 기존 챗봇과 어떻게 다른가요?
A. 챗봇은 채팅창에서 질문에 답하는 데 그치지만, 에이전틱 AI는 목표를 주면 스스로 단계를 나눠 여러 작업을 이어서 실행해요. 가령 '이번 주 광고 성과를 정리해 줘'라고 하면 데이터 수집·계산·요약까지 알아서 처리하는 식이에요. 자동화 범위가 넓은 만큼, 어디까지 맡길지 미리 정해 두는 게 중요해요.
Q. AI 도입 비용은 어떻게 예측하나요?
A. 개발 비용과 운영 비용을 나눠서 봐야 해요. 개발은 범위가 정해지면 산정되지만, 운영비는 사용량과 모델 등급에 따라 달라져요. 예상 처리 건수로 월 운영비를 먼저 계산하고, 감당 가능한 수준인지 확인한 다음 개발 범위를 확정하는 순서가 안전해요.
Q. 인원이 적은 작은 마케팅팀도 이 방식을 적용할 수 있나요?
A. 오히려 작은 팀에 잘 맞아요. 인원이 적을수록 업무를 하나로 좁히기 쉽고, 반복되는 단순 작업부터 가벼운 모델로 자동화하면 효과가 바로 보여요. 큰 시스템을 갖추기 전에, 지금 손이 가장 많이 가는 업무 한 가지부터 시작하면 돼요.
도구를 붙이기 전에 업무부터 그려야 해요
AI 도입은 어떤 모델을 고르느냐의 문제가 아니라 어떤 업무를 어떻게 설계하느냐의 문제예요. 쓸 곳을 하나로 좁히고, 성과 기준을 먼저 정하고, 일의 무게에 따라 모델을 나누는 것. 마케팅팀이 이 세 가지만 지켜도 '도구는 샀는데 성과가 없다'는 흔한 실패에서 멀어질 수 있어요. 거창한 전사 시스템보다, 지금 손이 많이 가는 업무 하나를 제대로 자동화하는 게 훨씬 빠른 길이에요.
