How AI-native companies turn workflows into operating capability

🖼️ 인포그래픽

🖼️ 4컷 인포그래픽

💡 한 줄 요약

Basis·Clay·Exa Labs 사례는 에이전트에 반복 가능한 절차, 지속적인 맥락, 도구와 검토 체계를 결합해 개별 실험을 조직의 운영 역량으로 전환하는 방법을 보여준다.

📌 핵심 요약

• OpenAI의 Enterprise Signals에 따르면 AI 사용량 상위 10% 기업의 활성 사용자당 출력 토큰은 일반 기업의 8.3배로, 1월의 2.6배보다 격차가 커졌다.
• Basis는 Codex와 회사별 온보딩 스킬을 활용해 입사 첫날 온보딩 시간을 2시간에서 30분으로 줄였으며, 반복 질문과 예외를 스킬 개선에 반영한다.
• Clay의 한 GTM 엔지니어는 계정별 지속 작업 공간과 전담 하위 에이전트를 활용해 거래 맥락을 매일 갱신하고, 밤마다 수신함을 분류하는 시간을 약 1시간 절약한다.
• Exa Labs는 Codex가 통합 기회를 탐색하고 맥락 수집, 풀 리퀘스트 작성, 테스트까지 수행하도록 구성했으며, 출시 전 사람의 검토와 주요 의사결정을 유지한다.
• 기업 확장을 위한 여섯 단계는 중요한 반복 업무 선택, 책임자·KPI·기준선·통제 조건 정의, 에이전트 역할 명세, 사람의 책임과 결정권 설계, 실험의 재사용, 검증된 운영 방식의 다음 업무 적용이다.

🧩 주요 포인트

1. Basis의 재사용 가능한 절차 → 담당자 가용성에 대한 의존을 줄이고 예외를 다음 실행의 개선 근거로 활용한다.
2. Clay의 지속적인 맥락 갱신과 추천 근거 보존 → 변화하는 거래 정보를 실행 우선순위로 연결하면서 사람의 판단을 지원한다.
3. Exa Labs의 테스트·사람의 검토와 기업의 KPI·기준선 설정 → 실행 범위와 책임을 명확히 하고 출력량을 넘어 실제 업무 성과를 평가한다.

🧠 상세 정리

1. AI 활용 격차가 보여주는 운영 방식의 변화

OpenAI의 Enterprise Signals는 기업의 AI 활용이 보조에서 실행으로 이동하고 있지만, 그 속도는 기업마다 크게 다르다고 설명한다. AI 사용량 상위 10% 기업의 활성 사용자당 출력 토큰은 일반 기업의 8.3배이며, 1월에는 이 비율이 2.6배였다. 원문은 확대되는 격차를 선도 기업이 에이전트에 회사 맥락과 도구를 연결하고, 더 실질적인 업무를 위임하며, 성공한 절차를 반복하기 쉽게 만드는 변화와 연결한다. 경영진의 과제는 이러한 활용 깊이를 사람들이 신뢰하고 측정하며 개선할 수 있는 업무로 전환하는 것이다. 동시에 첫 시도에서 가치가 명확하지 않은 활용 사례까지 시험할 여지를 남겨야 하며, 출력량 증가만으로 업무 성과를 판단해서는 안 된다.

2. Basis: 온보딩 절차를 재사용 가능한 스킬로 전환

회계법인을 위한 AI 에이전트를 만드는 Basis는 입사 첫날 온보딩 시간을 기존 2시간에서 30분으로 단축해 인사팀이 조직 문화와 직원 지원에 더 많은 시간을 쓰도록 했다. 신입 직원은 첫날부터 Codex와 회사별 온보딩 스킬에 접근하며, Codex는 환영 인사와 핵심 개념 안내를 진행하면서 직원 컴퓨터에서 연동 설정을 백그라운드로 수행한다. Basis는 온보딩 과정을 한 번 시연한 뒤 명확한 시작 조건, 정해진 단계, 필요한 도구 접근, 완료 기준을 갖춘 스킬로 바꿨다. 반복 질문이나 예외가 나타나면 인사팀이 다음 입사자 집단을 위해 스킬을 수정하고, 복잡한 질문에는 사람이 개입한다. 이 방식은 특정 담당자의 가용성에 대한 의존을 줄이고 온보딩의 일관성과 개선 가능성을 높이는 동시에 신입 직원에게 AI와 협업하는 구체적인 방식을 보여준다.

3. Clay: 흩어진 거래 맥락을 지속적으로 유지

시장 진출 조직을 위한 자가 학습형 매출 엔진을 만드는 Clay에서는 중요한 거래 정보가 CRM, 이메일, Slack, 통화, 발표 자료, 문자와 여러 관계자의 대화에 흩어져 있었다. 한 GTM 엔지니어는 계정마다 지속 작업 공간과 전담 하위 에이전트를 두고, 각 에이전트가 1차 자료를 검토해 밤사이 거래 폴더를 갱신하도록 실험했다. 매일 아침 조정 에이전트는 계정별 갱신 내용을 모아 미해결 고객 질문에 답하기, 구매 의사결정 참여자의 공백 채우기, 잠재 고객의 재접촉 계기 만들기 같은 우선 행동을 제시한다. Clay에 따르면 이 흐름은 해당 엔지니어가 밤마다 수신함을 분류하는 시간을 약 1시간 줄였으며, 추천 근거를 가까이 보존해 영업 담당자가 행동 전에 원자료를 확인할 수 있게 한다. 기존 계정 접근 권한을 전제로 다른 영업 역할에도 맥락을 공유할 수 있으며, 원문은 일관된 구조와 갱신 주기, 공유 근거, 실행 시점의 사람 판단을 확장의 조건으로 제시한다.

4. Exa Labs: 통합 기회 발견에서 테스트된 결과물까지

AI 에이전트를 위한 웹 검색 인프라를 만드는 Exa Labs는 개발자가 필요로 하는 곳마다 검색 API를 제공한다는 목표를 ‘Exa everywhere’라고 부른다. 이전에는 개발자 관계 및 계정 담당 조직이 저장소와 생태계를 살피고 통합 기회를 찾은 뒤 맥락을 수집하고 여러 시스템의 작업을 조율해야 했다. Exa는 기회마다 세부 내용은 달라도 발견에서 구현까지의 순서가 일정하다는 점을 바탕으로, 우선순위와 자료 접근 및 출시 전 사람의 검토를 포함한 Codex 업무 흐름을 정의했다. Codex는 중요한 통합 기회를 모니터링하고 관련 맥락 수집, 풀 리퀘스트 작성, 테스트 실행과 Slack·Notion 등을 활용한 주간 업데이트 준비를 수행하며, 필요하면 초기 발표문도 검토용으로 작성한다. 사람은 기회의 중요도, 회사가 할 약속, 외부 관계 관리에 대한 결정을 유지하고, 테스트 결과와 검토 내용은 다음 실행의 절차와 경계를 조정하는 근거가 된다.

5. 세 사례의 공통점: 실행 과정에 개선을 포함

Basis, Clay, Exa Labs의 사례는 서로 다른 업무를 다루지만, 에이전트를 익숙한 업무에 연결하고 실제 사용을 통해 절차를 개선한다는 공통점을 갖는다. Basis는 검증된 과정을 재사용 가능한 스킬로 만들고, Clay는 계속 변하는 업무의 맥락을 유지하며, Exa는 도구와 테스트 및 검토를 더해 발견한 신호를 정해진 범위의 실행으로 이어간다. 개선에 쓰이는 근거도 각각 온보딩 예외, 새로운 계정 활동과 영업 담당자의 확인, 테스트와 사람의 검토처럼 업무 수행 중에 발생한다. 세 회사 모두 구체적인 일 하나와 이를 시험할 여지에서 출발하며, 사용 과정에서 사람과 에이전트의 역할 분담을 더 명확하게 만든다. 에이전트가 맡는 책임은 업무 흐름의 유효성이 확인되면서 확대되고, 실행의 중요도가 커질수록 권한과 근거 및 결정권도 설계의 중요한 부분이 된다.

6. 실행 단계 1·2: 중요한 업무와 성과 기준 선택

원문이 제시하는 첫 단계는 전략적 우선순위, 시스템, 인수인계, 통제와 측정 가능한 이해관계가 만나는 전체 업무 흐름 하나를 선택하는 것이다. 해당 업무는 반복을 통해 학습할 수 있을 만큼 자주 발생하고, 절차를 다시 설계할 가치가 있을 만큼 중요해야 한다. 두 번째 단계에서는 기대 결과와 측정 방법을 정하고, 책임자와 KPI, 현재 기준선 및 통제 조건을 명시한다. 활용 깊이는 완료한 과제, 연결된 맥락과 도구, 예외 및 검토 부담으로 살피고, 가치는 처리 시간과 품질, 비용, 매출 또는 위험의 변화로 평가한다. 출력량은 사람들이 AI에 더 많은 일을 맡기는지 보여줄 수 있지만, 그 활용이 실제로 중요한 결과를 내는지는 업무 성과를 통해 확인해야 한다.

7. 실행 단계 3·4: 에이전트 역할과 사람의 책임 설계

세 번째 단계는 에이전트의 직무를 명세하는 것으로, 업무 시작 조건과 결과, 필요한 맥락과 도구, 접근 권한 및 완료까지 얼마나 지속적으로 작업해야 하는지를 정의한다. 에이전트가 어떤 근거를 만들어야 하는지와 어느 지점에서 멈추고 사람의 검토를 받아야 하는지도 함께 정해야 한다. 네 번째 단계는 실제 업무를 가장 잘 아는 사람들을 설계 과정에 참여시키고, 에이전트 주변의 사람과 책임 구조를 구성하는 것이다. 여기에는 사업 성과, 분야별 업무 논리, 접근과 통제, 도입 및 일상 사용을 각각 누가 책임지는지 명확히 하는 일이 포함된다. 스타트업에서는 소수 인원이 여러 책임을 함께 맡을 수 있지만, 기업이 업무 흐름을 확장할 때에는 결정권을 명시적으로 정해야 한다고 원문은 설명한다.

8. 실행 단계 5·6: 실험을 재사용하고 다음 업무로 확장

다섯 번째 단계는 직원이 새로운 활용 사례를 시험할 여지를 제공하고, 효과가 확인된 과정과 근거를 스킬, 플러그인 또는 공유 작업 공간으로 재사용할 수 있게 만드는 것이다. 원문이 인용한 OpenAI 연구에서는 도입 6개월 후 초기 경력 직원이 임원보다 주당 메시지를 13개 더 보냈으며, 이는 직원의 실험을 가시화하라는 제안과 함께 제시된다. 도구별 역할은 Chat이 질문과 빠른 협업, Work가 여러 단계의 지식 업무와 완성된 결과물, Codex가 기술적 실행을 지원하는 것으로 구분된다. 여섯 번째 단계에서는 효과가 확인된 맥락, 권한, 평가, 검토 지점, 책임자, 측정 방식과 활용 지원을 보존해 다음 업무 영역에 적용한다. 핵심은 각 실험의 결과를 다음 팀이 활용할 수 있는 출발점으로 남겨, 성공한 개별 시도가 반복 가능한 조직의 운영 방식으로 이어지게 하는 것이다.

🧾 핵심 주장 / 시사점

• 에이전트의 반복 실행 능력은 절차만으로 완성되지 않으며, 업무 변화에 맞는 맥락 갱신과 근거 보존 및 검토가 함께 필요하다.
• 사람의 개입은 예외 처리와 추천 검증, 출시 결정처럼 구체적인 지점에 배치되며, 그 결과가 다음 실행을 개선하는 자료가 된다.
• 확장의 단위는 도구 도입 자체보다 책임자와 성과 기준, 권한 및 검토 조건을 갖춘 업무 흐름이며, 검증된 방식을 다음 업무에 재사용하는 것이 중요하다.

✅ 액션 아이템

• 중요한 반복 업무 하나를 선택하고 책임자·KPI·기준선·통제 조건을 정의해 실제 업무 성과를 평가.
• Basis의 재사용 가능한 절차와 Clay의 지속적인 맥락 갱신을 참고해 에이전트 역할과 개선 방식을 구체화.
• Exa Labs의 테스트·사람의 검토를 참고해 실행 범위와 결정권을 명확히 하고 검증된 운영 방식을 다음 업무에 적용.

❓ 열린 질문

• 선택한 반복 업무의 개선을 확인하려면 어떤 KPI와 기준선이 필요한가?
• Clay의 지속적인 맥락 갱신과 추천 근거 보존을 적용할 때 사람의 판단은 어느 시점에 필요한가?
• Exa Labs처럼 테스트·사람의 검토를 유지하면서 에이전트에 맡길 실행 범위는 어떻게 정할 것인가?