Articletechnologyreview.com·2026년 11월 16일·0

Building AI that can work across the enterprise

Quick Summary

기업 전반으로 AI를 확장하려면 개별 실험을 넘어 통합 데이터 기반, 명확한 사업 성과, 거버넌스와 조직 전체의 운영 모델 전환을 함께 추진해야 한다는 SAP·Infosys 관계자들의 주장이다.

Building AI that can work across the enterprise 관련 대표 이미지

🖼️ 인포그래픽

Building AI that can work across the enterprise 내용을 설명하는 본문 이미지

🖼️ 4컷 인포그래픽

Building AI that can work across the enterprise의 핵심 내용을 4단계로 요약한 인포그래픽
Building AI that can work across the enterprise 핵심 내용을 4단계로 압축한 4컷 인포그래픽

💡 한 줄 요약

기업 전반으로 AI를 확장하려면 개별 실험을 넘어 통합 데이터 기반, 명확한 사업 성과, 거버넌스와 조직 전체의 운영 모델 전환을 함께 추진해야 한다는 SAP·Infosys 관계자들의 주장이다.

📌 핵심 요약

  • MIT Technology Review Insights가 Infosys와 협력해 제작한 글과 Business Lab 대담에서, SAP의 Thorsten Leiduck와 Infosys의 Satinder Pal Singh는 분절된 AI 시범사업을 기업 차원의 플랫폼과 운영 모델로 전환해야 한다고 강조한다.
  • Leiduck는 AI가 업무 맥락을 반영하는 통합 데이터 계층에 의존한다고 설명한다. 일부 일상적 용도에서는 정확도 80%가 충분할 수 있지만, 공급망이나 재무 결산 같은 핵심 업무에서는 매우 불충분하다는 입장이다.
  • 대담에서 인용한 BCG 보고서는 조직의 74%가 확장 계획 없이 시범 단계에 머문다고 제시한다. 별도의 Infosys·HFS 조사에서는 글로벌 2000대 기업 중 500곳 이상을 조사한 결과, 14%만 AI 확장에 성공했고 86%는 초기 탐색·개념검증·분절된 시범 단계에 있다고 설명한다.
  • AI 에이전트를 '디지털 동료'로 보고 영향, 실행 가능성, 확장성을 기준으로 활용 사례를 평가해야 한다. 데이터·인력의 준비도와 사업 지표를 확인하고, 주기 단축·정확도 향상·거래당 비용·매출 개선 같은 성공 기준을 정해 효과가 확인된 사례를 확장하자는 제안이다.
  • 확장에는 정책, 접근 통제, 모니터링과 감독을 포함한 거버넌스가 필요하며, 이를 생략하면 위험이 누적될 수 있다고 Singh는 주장한다. 두 관계자는 향후 에이전트가 애플리케이션 간 업무를 조율하고, 고객별 지식 그래프와 관리되는 데이터를 바탕으로 의사결정 파트너가 될 가능성을 전망한다.

🧩 주요 포인트

  1. 분절된 데이터와 고립된 시범사업 → 중복과 성능 편차를 줄이려면 통합 데이터 계층에 업무 맥락과 거버넌스를 연결하는 기업 플랫폼 접근이 필요하다.
  2. AI 에이전트의 영향·실행 가능성·확장성 평가 → 기술적 구현 자체보다 사업 지표, 데이터·인력 준비도, 반복 적용 가능성이 투자 우선순위를 결정해야 한다.
  3. 핵심 업무의 정확도 요구와 디지털 동료의 책임 확대 → 일상적 용도의 정확도 80%를 일반화하기 어렵고, 거버넌스와 조직 전체의 운영 모델 전환이 확장의 조건이 된다.

🧠 상세 정리

1. 개별 AI 실험에서 기업 운영 모델로

이 글은 2026년 11월 16일 MIT Technology Review Insights가 Infosys와 협력해 내놓은 후원 콘텐츠이며, Business Lab 대담을 함께 담고 있다. 진행자 Megan Tatum은 기업들이 AI 실험을 확대하는 과정에서 가치와 위험, 추가되는 복잡성을 어떻게 다룰지 여전히 고민하고 있다고 설명한다. 핵심 문제는 AI를 기존 도구 목록에 추가하는 것만으로는 충분하지 않으며, 데이터와 업무 프로세스, 거버넌스, 사람의 관계를 다시 구성해야 한다는 것이다. SAP의 Thorsten Leiduck와 Infosys의 Satinder Pal Singh는 이를 개별 기술 프로젝트에서 기업 차원의 플랫폼 및 운영 모델로 옮겨가는 변화로 제시한다. 따라서 논의의 초점은 AI 도입 여부보다 AI가 실제 업무 전반에서 안정적으로 작동하고 성과를 낼 조건에 맞춰져 있다.

2. 통합 데이터 기반과 업무별 정확도 요구

Leiduck는 AI가 데이터 기반에 절대적으로 의존하며, 기업의 업무를 반영하는 연결되고 의미 정보가 풍부한 계층이 필요하다고 강조한다. 대담에서는 서로 다른 AI 기술에 대한 고립된 개념검증과 일관성 없는 분절된 데이터가 중복 작업, 성능 편차, 불명확한 확장 경로를 만든다고 설명한다. 그가 제안하는 기업 플랫폼은 통합 데이터 계층을 애플리케이션의 업무 프로세스 맥락과 연결하고, AI 기능의 전체 수명주기에 거버넌스를 적용하는 방식이다. 정확도 기준도 용도에 따라 달라져야 하며, 일부 일상적 애플리케이션에서는 80%가 충분할 수 있어도 공급망이나 재무 결산에서는 매우 나쁜 결과라는 것이 그의 설명이다. 이는 특정 정확도 수치를 모든 AI 업무에 공통으로 적용하기보다, 핵심 업무의 요구 수준을 별도로 판단해야 한다는 의미다.

3. 확장 정체를 보여주는 서로 다른 조사

Leiduck는 BCG 보고서를 인용해 조직의 74%가 확장 계획 없이 시범 단계에 머물러 있다고 말한다. 이어 Anthropic 조사에서는 42%가 AI를 조직 전반으로 확장하는 데 필요한 데이터 접근성과 품질 확보에 어려움을 겪는다고 소개한다. Singh는 별도의 Infosys·HFS 조사에서 글로벌 2000대 기업 중 500곳 이상을 살펴본 결과, 14%만 AI 확장에 성공했고 86%는 초기 탐색이나 개념검증 또는 분절된 시범 단계에 있다고 설명한다. 이 수치들은 각각 다른 조사에서 인용된 결과이므로 하나의 동일한 표본이나 기준에서 나온 통계로 합쳐 읽을 수는 없다. 대담에서 이들이 뒷받침하는 공통 주장은 AI에 대한 높은 관심이 실제 기업 차원의 운영과 확장으로 충분히 이어지지 못하고 있다는 것이다.

4. AI 전담 부서의 고립과 선도 기업의 누적 우위

Singh는 AI 팀이나 전담 조직을 사업 부문과 분리하면 기술적으로 뛰어나더라도 현업이 자신의 문제를 해결한다고 느끼지 못하는 시범사업이 만들어질 수 있다고 지적한다. 그는 이를 해결책이 먼저 만들어지고 나중에 문제를 찾는 상황으로 설명하며, AI를 IT가 사업 부문에 제공하는 기술 사업에서 조직 전체가 함께 수행하는 운영 모델 전환으로 바꿔야 한다고 주장한다. 지금 시작해야 하는 이유로는 18개월간 축적된 에이전트 행동 데이터, 조정된 지식 그래프, AI를 실제로 체화한 인력이 만드는 누적 우위를 든다. 같은 플랫폼을 나중에 구매하는 것만으로는 이런 경험의 격차를 메우기 어렵다는 것이 그의 견해다. 또한 Infosys Knowledge Institute AI Maturity Index를 인용해 AI 네이티브 기업은 8%에 불과하지만, 후발 기업 대비 AI의 매출 기여가 네 배라고 설명한다.

5. 폭넓은 경험 제공과 변화 관리

진행자는 AI가 기업의 기본 해결책처럼 취급되면서 모든 문제에 일괄 적용되는 경향이 있는지 묻고, Leiduck는 도입 과정이 기술 배포만큼이나 변화 관리의 여정이라고 답한다. 그는 초기에는 가능한 한 많은 팀이 AI를 접하게 해 친숙함을 높이고 아이디어를 촉발하는 것이 합리적이라고 본다. 구체적인 예로 출장 지원, Copilot을 통한 회의 요약, AI를 활용한 업무 흐름을 들며, 직원이 일상 업무에서 생산성 향상을 체감하면 현장으로부터 혁신 아이디어가 나올 수 있다고 설명한다. 다만 이런 폭넓은 경험 제공이 모든 업무를 에이전트에 맡겨야 한다는 뜻은 아니며, 도입이 성숙할수록 논의의 중심은 경제성과 거버넌스로 이동한다고 말한다. 따라서 초기의 활용 경험 확대와 이후의 선별적 투자는 서로 다른 단계에서 필요한 접근으로 제시된다.

6. 사업 성과와 경제성을 기준으로 활용 사례 선택

Leiduck는 AI 활용이 성숙하면 토큰 비용, 모델 성능, 보안, 책임 소재가 더 중요한 판단 요소가 된다고 설명한다. 에이전트를 업무 프로세스 안에서 특정 과업을 수행하는 디지털 작업자로 보면, 모든 과업이 AI 적용에 적합한 것은 아니며 사람이 더 경제적이거나 효과적인 경우도 있다는 것이다. 이에 따라 소수의 가치 높은 활용 사례부터 시작하고, 주기 단축이나 정확도 향상, 거래당 비용, 매출 개선 같은 성공 지표를 미리 정한 뒤 효과가 확인된 사례를 확장하라고 제안한다. Singh가 제시하는 세 가지 평가 관점은 영향, 실행 가능성, 확장성이며, 사업 지표를 움직일 수 있는지와 데이터·인력이 이를 지원하는지, 성공을 반복 적용할 수 있는지를 살피는 방식이다. 이 관점에서 확장할 수 없는 시범사업은 여전히 실험에 머문다는 것이 그의 주장이다.

7. SAP·Infosys의 실행 지원과 반복 적용 방식

Leiduck는 SAP가 고객의 시범사업을 확장된 성과로 연결하기 위해 SAP autonomous enterprise framework를 출시했다고 설명한다. 또한 Infosys와 함께 autonomous suite의 일부로 업무 영역별 지원 기능을 제공해, 업무 프로세스를 처음부터 끝까지 수행하고 관련 단계의 투자수익률을 제시하려 한다고 말한다. 대규모 산업 AI 활용 사례에서는 파트너와 고객이 긴밀하게 협력하는 forward deployed engineering 방식도 일반적인 접근으로 소개한다. 이 방식은 고객과 함께 AI에 맡길 구체적인 업무와 기대 성과를 정의하고 초기 프로젝트를 수행한 다음, 가능하다면 다른 고객에게도 확대 적용하는 흐름이다. 여기서 중요한 연결점은 개별 고객의 문제를 해결하는 초기 구현과 다른 조직에도 적용할 수 있는 사례로 발전시키는 과정이며, 실제 성과는 대담에서 제시된 설명과 별도로 구체적인 수치로 입증되지는 않는다.

8. 거버넌스와 의사결정 파트너로서의 전망

기사의 도입부는 에이전트 확장에 명확한 정책, 접근 통제, 모니터링과 감독이 필요하며, 이를 통해 신뢰성과 사업 요구에 대한 정합성을 유지해야 한다고 정리한다. Singh는 거버넌스의 부재가 도입을 빠르게 하는 것이 아니라 위험을 누적시키며, 결국 더 큰 중단과 감사를 초래할 수 있다고 경고한다. 두 관계자는 에이전트가 디지털 동료로서 더 많은 책임을 맡고 애플리케이션 사이의 업무를 조율하면, 고객별 지식 그래프와 관리되는 데이터가 중요한 기업 자산이 될 것으로 전망한다. Singh가 제시하는 장기적 기회는 생산성 도구를 넘어 현재 상황을 이해하고 다음 상황을 예상하며 대응을 판단하는 의사결정 파트너로 AI의 역할이 넓어지는 것이다. 다만 제공된 대담 전문은 Singh가 활용 사례 선정을 설명하기 시작하는 중간에서 끊기므로, 이후 답변의 세부 내용은 확인할 수 없고 이 전망은 앞부분에 명시된 설명을 근거로 한다.

🧾 핵심 주장 / 시사점

  • 두 관계자의 논리를 종합하면, 기업 AI 확장의 단위는 개별 모델이나 시범사업을 넘어 데이터·업무 맥락·책임 체계가 연결된 운영 방식이다.
  • 폭넓은 AI 체험은 직원의 이해와 아이디어 형성에 도움이 될 수 있지만, 실제 확장 투자는 업무별 경제성과 명시적인 사업 성과를 기준으로 선별해야 한다는 구분이 드러난다.
  • 디지털 동료가 업무 실행에서 의사결정 지원으로 역할을 넓힐수록, 고객별 지식 그래프와 관리되는 데이터의 가치뿐 아니라 정확도와 감독에 대한 요구도 함께 커진다는 시사점이 있다.

✅ 액션 아이템

  • AI 에이전트 활용 후보를 영향, 실행 가능성, 확장성으로 평가하고 사업 지표와 데이터·인력 준비도를 함께 검토한다.
  • 통합 데이터 계층이 업무 맥락을 반영하는지 확인하고, 공급망·재무 결산의 정확도 요구를 일상적 용도의 정확도 80%와 구분해 검토한다.
  • AI 확장에 필요한 정책, 접근 통제, 모니터링과 감독을 조직 전체의 운영 모델 전환과 함께 검토한다.

❓ 열린 질문

  • AI 에이전트 후보 가운데 영향, 실행 가능성, 확장성을 함께 충족하며 주기 단축·정확도 향상·거래당 비용·매출 개선으로 성과를 확인할 수 있는 업무는 무엇인가?
  • 공급망이나 재무 결산에서 정확도 80%가 불충분하다면, 각 업무에 필요한 정확도와 이를 뒷받침할 통합 데이터 계층의 조건은 무엇인가?
  • AI 에이전트가 의사결정 파트너로 역할을 넓힐 때 정책, 접근 통제, 모니터링과 감독의 책임은 조직 전체에서 어떻게 배분해야 하는가?

관련 문서

공통 태그와 주제 흐름을 기준으로 같이 보면 좋은 문서를 이어서 제안합니다.