Creating AI value with enterprise context

🖼️ 인포그래픽

🖼️ 4컷 인포그래픽

💡 한 줄 요약

기업의 AI 활용이 투자 성과로 충분히 이어지지 않는 가운데, Atlan 공동창업자 Prukalpa Sankar는 AI가 기업을 이해하도록 돕는 맥락 계층을 해법으로 제시한다.

📌 핵심 요약

• 기업에서는 고객 플랫폼, 대화형 비서, 업무 자동화 등 여러 AI 도구가 작동하지만, 사업에 대한 이해가 부족해 잘못되거나 혼란스러운 결과를 낼 수 있으며, 이는 투자 성과가 낮은 이유 중 하나일 수 있다.
• MIT Technology Review Insights 설문에서 모든 응답 조직이 AI를 사용하고 있었지만, 혁신적 가치를 얻는 비율은 16%였다. 특정 업무나 팀에서 보통 수준의 성과를 얻는 비율은 40%, 의미 있는 성과는 21%, 성과가 미미하거나 없는 비율은 23%였다.
• 응답자의 38%는 AI 활용 사례를 시험하는 단계였고, 35%는 코파일럿이나 채팅 비서로 직원 업무를 지원했다. AI 에이전트를 실제 운영하는 기업은 12%, 핵심 프로세스에서 업무 대부분을 AI가 수행한다는 기업은 3%였다.
• Atlan 공동창업자 Prukalpa Sankar는 모델 역량과 조직 내 실용성 사이에 큰 격차가 있다고 말한다. 그는 사실상 범용인공지능이 이미 존재하지만 대부분의 기업에서 유용하지 않다고 주장하며, 부족한 요소로 기업 맥락을 지목한다.
• Sankar가 제시하는 맥락 계층은 기업 업무 시스템과 AI 플랫폼 사이의 기반 구조다. 기업의 지식을 관리·통제되는 기계 활용 가능 맥락으로 변환해 AI 에이전트와 모델에 전달하고, 지식이 누적되도록 돕는 역할을 한다.

🧩 주요 포인트

1. AI 사용의 보편화와 혁신적 가치 창출 16%의 간극 → 도입 여부만으로 기업의 투자 성과를 판단하기 어렵다.
2. 시험 단계 38%·직원 지원 35%에 비해 실제 운영 AI 에이전트는 12% → 활용 범위와 업무 수행 수준을 구분해 성과를 해석할 필요가 있다.
3. Atlan과 연계된 후원 콘텐츠에서 제시된 맥락 계층 해법 → 설문으로 제시된 현황과 Sankar의 원인 해석·해법 주장을 구분해 이해할 필요가 있다.

🧠 상세 정리

1. 정교한 AI와 제한적인 투자 성과

기업 안에서는 AI 기반 고객 플랫폼, 대화형 비서, 업무 및 프로세스 자동화 도구가 동시에 사용될 수 있다. 각각의 도구는 정교하고 반응도 빠르지만, 실제 업무에서는 기업을 제대로 이해하지 못해 잘못되거나 혼란스러운 결과와 행동을 내놓을 수 있다. 글은 이러한 문제가 기업이 AI 투자에서 충분한 성과를 얻지 못하는 주요 이유 중 하나일 가능성을 제기한다. MIT Technology Review Insights 설문에서는 모든 응답 조직이 어느 정도 AI를 사용했으나, 혁신적 가치를 얻는 비율은 16%에 그쳤다. 특정 업무나 팀에서 보통 수준의 성과를 얻는 응답이 40%로 가장 많았고, 의미 있는 성과는 21%, 미미하거나 전혀 없는 성과는 23%였다.

2. 활용 단계와 모델 실용성의 격차

AI 활용 방식에서도 시험이나 직원 보조에 머무르는 응답이 두드러졌다. 응답자의 38%는 활용 사례를 시험 중이었고, 35%는 코파일럿이나 채팅 비서 같은 도구로 직원의 업무를 지원하고 있었다. AI 에이전트를 실제 운영에 투입한 기업은 12%였으며, 핵심 프로세스에서 업무 대부분을 AI가 수행한다는 응답은 3%였다. Atlan 공동창업자 Prukalpa Sankar는 이를 설명하며 모델이 할 수 있는 일과 조직 안에서 실제로 유용하게 쓰이는 정도 사이에 큰 격차가 있다고 말한다. 그는 현실의 의도와 목적에 비추어 범용인공지능은 이미 존재하지만 대부분의 기업에서는 유용하지 않다고 주장한다. 이는 Sankar의 견해로 제시되며, 설문 자체가 범용인공지능의 존재를 입증하는 것은 아니다.

3. 기업 맥락을 전달하는 계층이라는 제안

Sankar는 빠진 요소가 AI의 기업 이해 수준, 즉 맥락이라고 설명한다. 그가 제시하는 맥락 계층은 기록 시스템과 데이터 등 기업 업무 시스템과 AI 플랫폼 사이에 놓이는 아키텍처 기반 구조다. 이 계층은 기업의 지식을 관리·통제되는 기계 활용 가능 맥락으로 바꾸어 AI 에이전트나 모델이 이용하게 하고, 지식이 누적되도록 돕는다. 그는 맥락 계층 없는 AI를 세계에서 가장 똑똑한 인턴에게 눈가리개를 씌운 채 조직에 투입하는 상황에 비유한다. 이 글은 Atlan과 연계된 후원 콘텐츠로, MIT Technology Review 편집부가 아닌 맞춤형 콘텐츠 조직 Insights가 제작했다. 원문은 사람이 조사하고 집필했으며, AI 도구가 사용되었더라도 사람의 감독 아래 제작 공정에 한정되었다고 명시한다.

🧾 핵심 주장 / 시사점

• 모든 응답 조직이 AI를 사용하면서도 혁신적 가치를 얻는 비율은 16%라는 결과는, 사용 확산과 높은 사업 성과가 별개의 문제임을 보여준다.
• 시험·직원 지원 중심의 활용 분포와 낮은 AI 에이전트 운영 비율을 함께 보면, 성과 수준을 해석할 때 AI에 맡긴 업무 범위도 고려할 필요가 있다.
• 맥락 계층은 모델 자체의 역량보다 기업 지식을 전달하는 구조에 초점을 맞춘 제안이지만, 본문에는 이 계층의 도입 효과를 정량적으로 검증한 결과가 제시되지 않는다.

✅ 액션 아이템

• 기업의 AI 투자 성과를 혁신적 가치 16% 등 설문에 제시된 성과 수준과 비교해 검토.
• AI 활용 현황을 시험 단계, 직원 지원, AI 에이전트 실제 운영, 핵심 프로세스의 업무 대부분 수행으로 구분해 파악.
• 맥락 계층의 필요성을 검토할 때 기업 업무 시스템과 AI 플랫폼 사이에서 기업 지식이 전달되는 방식과 관리·통제 조건을 확인.

❓ 열린 질문

• 혁신적 가치를 얻는 16%의 조직은 성과가 미미하거나 없는 23%의 조직과 AI 활용 방식에서 어떤 차이가 있는가?
• AI 에이전트를 실제 운영하는 12%의 기업은 시험 단계나 직원 지원 단계의 기업보다 어떤 투자 성과를 얻고 있는가?
• Sankar가 제시한 맥락 계층이 기업 이해와 AI 투자 성과를 개선한다는 주장은 어떤 근거로 검증할 수 있는가?