AI 프로젝트가 실패하는 핵심은 모델 성능이 아니라, 조직이 무엇을 풀어야 하는지와 그 데이터가 어떤 맥락에서 만들어졌는지 설명하지 못하는 데 있다.
• 기업 데이터의 병목은 데이터 자체보다 컨텍스트다. 매출처럼 단순해 보이는 질문도 추출 과정과 정의를 모르면 답이 흔들리기 때문에, AI 도입은 데이터 적재보다 업무 의미를 복원하는 작업에 가깝다.
• 아모레퍼시픽 사례는 AI 전환이 ‘나중에 AI를 붙이는 일’이 아니라 처음부터 AI-ready를 목표로 데이터를 정리하는 일임을 보여준다. 다만 1천 개 테이블을 한꺼번에 쓰려던 계획을 100개로 줄이고 다시 5개 도메인으로 나눈 대목은, 범위를 줄이는 능력이 성숙도의 일부라는 점을 드러낸다.
• AI 프로젝트는 데이터부터 준비하는 것이 아니라, 발주 적합성 판단이나 국가별 성분표 검토처럼 목적이 분명한 문제에서 출발해야 한다. ‘AI로 매출을 올리고 싶다’는 식의 요구는 로또 번호를 묻는 것과 비슷해서, 성공해도 결국 아무도 안 쓰는 시스템이 되기 쉽다.
• 엔터프라이즈 AI는 현업의 아이디어와 인프라팀의 구현 역량이 같이 움직여야 성과가 난다. 인프라팀은 아이디어가 있어도 일이 늘어날까 말하지 않고, 현업은 어디서 시작할지 막히기 때문에 보상과 성과를 함께 나누는 조직 문화가 핵심 변수다.
• 당장 2, 3년 안에 만능 에이전트는 없고, 10년 안에도 범용 질문에 모두 답하는 에이전트는 어렵다는 판단이 나온다. 대신 PO 검증, 법률 체크, 팀 단위 매출 분석처럼 역할과 목표가 좁은 목적형 에이전트가 현실적인 채택 경로다.
AI의 최신 흐름과 다양한 큐레이션 된 정보를 제공합니다.
__Good Vibe AI