🖼️ 인포그래픽

🖼️ 4컷 인포그래픽

💡 한 줄 요약

기업용 AI의 핵심 문제는 더 많은 에이전트를 배치하는 것이 아니라, 기존 업무를 재설계하고 여러 AI 작업을 조율·감사·통제할 운영 체계를 갖추는 데 있다는 주장이다.

📌 핵심 요약

• 필자는 신약이 FDA 승인을 받은 뒤 건강보험 플랜이 보장 여부를 결정하는 과정이 6~7명의 전문가, 60~90일의 순차 작업, 약 10만 달러의 비용을 요구하며 환자를 대기 상태에 놓는다고 설명한다.
• 특히 조현병 치료제처럼 치료 중단이 입원으로 이어질 수 있는 경우, 느린 보장 결정은 환자 피해뿐 아니라 대형 플랜 기준 수백만 달러의 불필요한 비용으로 연결될 수 있다고 지적한다.
• 필자는 Dell에서 11년간 기업들이 문제를 해결하겠다며 기술을 구매했지만 실제로는 낡은 프로세스 위에 기술을 덧붙이는 데 그치는 경우를 보았고, 코로나19와 친구의 암 치료 접근 경험을 계기로 헬스케어 AI 창업에 나섰다고 말한다.
• MIT 연구의 기업 생성형 AI 파일럿 95%가 측정 가능한 수익을 내지 못했다는 결과와 Gartner의 에이전트형 AI 프로젝트 40% 이상 취소 전망을 근거로, 문제는 모델 성능보다 재설계되지 않은 업무 흐름과 부족한 위험 통제에 있다고 주장한다.
• 그는 헬스케어가 규제, 데이터 단절, 임상의 부족, 추적 가능성 요구 때문에 AI의 한계를 가장 먼저 드러내는 산업이며, 금융·보험·에너지·정부 등 다른 규제 산업도 같은 압박을 맞게 될 것이라고 본다.

🧩 주요 포인트

1. 필자는 신약이 FDA 승인을 받은 뒤 건강보험 플랜이 보장 여부를 결정하는 과정이 6~7명의 전문가, 60~90일의 순차 작업, 약 10만 달러의 비용을 요구하며 환자를 대기 상태에 놓는다고 설명한다.
2. 특히 조현병 치료제처럼 치료 중단이 입원으로 이어질 수 있는 경우, 느린 보장 결정은 환자 피해뿐 아니라 대형 플랜 기준 수백만 달러의 불필요한 비용으로 연결될 수 있다고 지적한다.
3. 필자는 Dell에서 11년간 기업들이 문제를 해결하겠다며 기술을 구매했지만 실제로는 낡은 프로세스 위에 기술을 덧붙이는 데 그치는 경우를 보았고, 코로나19와 친구의 암 치료 접근 경험을 계기로 헬스케어 AI 창업에 나섰다고 말한다.
4. MIT 연구의 기업 생성형 AI 파일럿 95%가 측정 가능한 수익을 내지 못했다는 결과와 Gartner의 에이전트형 AI 프로젝트 40% 이상 취소 전망을 근거로, 문제는 모델 성능보다 재설계되지 않은 업무 흐름과 부족한 위험 통제에 있다고 주장한다.
5. 그는 헬스케어가 규제, 데이터 단절, 임상의 부족, 추적 가능성 요구 때문에 AI의 한계를 가장 먼저 드러내는 산업이며, 금융·보험·에너지·정부 등 다른 규제 산업도 같은 압박을 맞게 될 것이라고 본다.

🧠 상세 정리

1. 느린 보장 결정이 만드는 환자 대기와 비용

글은 FDA가 새 의약품을 승인한 뒤 건강보험 플랜이 그 약을 보장할지 결정하는 장면에서 시작한다. 이 과정은 약사, 코더, 보험계리사, 컴플라이언스 법무 등 6~7명의 전문가가 대부분 순차적으로 참여하며 2~3개월이 걸리고, 약 하나당 약 10만 달러의 비용이 든다고 설명된다. 그 사이 환자들은 보장 공백 상태에서 기다려야 한다. 필자는 이 지연이 단순한 행정 불편이 아니라 의료 접근의 병목이며, 특히 치료 지속성이 중요한 질환에서는 직접적인 피해로 이어질 수 있다고 문제를 제기한다.

2. 조현병 치료제 사례가 보여주는 지연의 실제 위험

필자는 일부 약의 보장 지연은 불편에 그칠 수 있지만, 조현병 치료제처럼 치료가 중단되면 상황이 훨씬 심각해진다고 말한다. 치료가 끊기면 환자가 입원하게 될 수 있고, 입원 한 건당 건강보험 플랜에는 8,000~15,000달러의 비용이 발생한다. 대형 플랜에서 이런 사례가 수백 건만 쌓여도 400만~700만 달러의 불필요한 비용이 생긴다는 계산이다. 따라서 한 약에 대한 느린 결정은 환자 건강, 병원 이용, 보험 비용을 동시에 악화시키는 구조적 문제로 제시된다.

3. Dell 경험과 창업 동기: 기술 구매가 문제 해결로 이어지지 않는 이유

필자는 Dell에서 11년, 이후 스타트업에서 몇 년을 보내며 기업들이 복잡한 업무 문제를 해결하겠다며 기술을 구매하는 장면을 반복해서 보았다고 회고한다. 그러나 그런 기술이 실제 문제를 해결하는 경우는 드물었다고 말한다. 코로나19 팬데믹은 그에게 AI로 사람들이 쇼핑과 검색을 더 많이 하게 돕는 일에 머물 것인지, 아니면 더 의미 있는 문제를 풀 것인지 묻게 만든 계기였다. 이후 친구가 유방암으로 세상을 떠나고, 수천 쪽의 의료 기록 속에 묻힌 실험적 치료 접근 문제를 들으며 헬스케어로 향한 동기가 더 개인적이고 절박해졌다고 설명한다.

4. 헬스케어의 핵심 병목은 전문성 부족이 아니라 전문성의 전달 실패

필자는 헬스케어가 전문성이 부족한 산업은 아니라고 강조한다. 문제는 올바른 전문성이 올바른 사람에게 올바른 시점에 도달하지 못한다는 데 있다. 이는 그가 여러 기업 환경에서 보아 온 문제와 같으며, 지식과 판단이 업무 흐름, 부서, 시스템 안에 갇혀 있다는 뜻이다. 환자 진료와 보장 결정은 높은 전문성을 필요로 하지만, 실제 현장에서는 그 전문성이 순차적 검토, 문서 작업, 단절된 데이터 시스템에 묶인다. 그래서 AI의 역할도 단순 작업 자동화가 아니라 전문 판단이 필요한 흐름을 재구성하는 데 있어야 한다고 주장한다.

5. 기업용 AI 실패의 원인: 모델보다 프로세스 재설계 부재

필자는 MIT 연구를 인용해 지난해 300개 이상의 기업 AI 도입 사례를 분석한 결과, 생성형 AI 파일럿의 95%가 측정 가능한 수익을 내지 못했다고 말한다. 그는 이 실패의 원인이 모델이 약해서가 아니라, 기업들이 AI에 맞게 업무 과정을 다시 생각하지 않고 기존 프로세스 위에 AI를 덧붙였기 때문이라고 해석한다. 현재 AI 담론은 에이전트를 얼마나 많이 배치하고, 얼마나 자율적으로 움직이며, 얼마나 빠르게 작동하는지에 집중되어 있다고 지적한다. 그러나 필자는 더 중요한 것은 여러 AI 작업자를 관리하는 체계이며, 바로 그 부분이 충분히 주목받지 못하고 있다고 본다.

6. 클라우드 전환의 반복: 낡은 업무를 빠르게 만들 뿐인 AI

글은 AI 도입이 과거 클라우드 전환 때와 같은 실수를 반복하고 있다고 비판한다. 클라우드가 등장했을 때 기업들은 변혁을 말했지만, 실제로는 기존 업무 흐름을 자체 서버에서 클라우드로 옮겨 놓는 데 그친 경우가 많았다는 것이다. 그 결과 같은 일, 같은 사고방식, 더 큰 비용이 남았다고 설명한다. AI도 비슷하게 기존 업무의 한 단계나 하나의 대기열만 자동화하고 이를 성과라고 부르지만, 망가진 프로세스를 빠르게 만드는 것은 잘못된 답에 더 빨리 도달하게 할 뿐이라는 것이 필자의 핵심 비판이다.

7. 헬스케어가 AI 운영 문제를 가장 먼저 드러내는 이유

필자는 헬스케어가 AI에 어려운 산업인 바로 그 이유 때문에 다른 산업이 배워야 할 사례라고 말한다. 규제는 강하고, 결정의 결과는 중요하며, 데이터는 서로 대화하도록 설계되지 않은 시스템에 흩어져 있다. 게다가 그 데이터를 실제로 읽고 해석할 수 있는 임상의는 부족하고, AAMC는 2036년까지 최대 8만6,000명의 의사 부족을 전망하며 간호사 역시 과중한 부담을 겪고 있다. 한 헬스케어 기업에서는 600명의 간호사가 사전 승인과 지급 무결성 업무에 주로 투입되어 있는데, 필자는 이것이 환자를 돌보기 위해 훈련받은 사람들이 종이 업무의 디지털 버전 안에 갇힌 모습이라고 본다.

8. 조율된 AI가 바꿀 수 있는 보장 평가의 속도와 역할

필자는 약제급여관리자나 건강보험 플랜에서 신약 보장 평가가 매년 200~300건 발생할 수 있으며, 기존 방식은 건당 약 10만 달러와 60~90일의 시간을 요구한다고 설명한다. 반면 조율된 AI를 활용하면 같은 평가를 4~8시간 안에 수행할 수 있다고 주장한다. 이때 임상 약사는 결과를 처음부터 만들어내는 사람이 아니라 검토하는 사람으로 역할이 바뀌며, 보장 공백은 줄고 직접 인건비는 97% 감소한다고 말한다. 또한 에이전트가 수행한 작업이 모두 문서화되기 때문에, 나중에 컴플라이언스 질문이 생겨도 어떤 정보가 의사결정에 영향을 미쳤는지 추적할 수 있다고 설명한다.

9. 자동화가 아니라 가능성의 변화가 목표여야 한다

필자는 기업용 AI의 목표가 단순 자동화가 되어서는 안 된다고 말한다. 많은 AI 배포는 인간이 하던 단계를 빠르게 처리할 뿐, 인간의 업무 자체를 바꾸지는 못하기 때문에 눈에 잘 보이지 않는 개선에 그친다. 더구나 조율, 거버넌스, 감사가 불가능한 수천 개의 에이전트를 배치하는 것은 과거 기업들이 수많은 단절된 포인트 솔루션을 도입했던 방식과 다르지 않다고 비판한다. 중요한 질문은 AI가 어떤 작업을 수행할 수 있느냐가 아니라, 조직이 AI가 도운 결정을 이해하고 통제하고 신뢰할 수 있느냐라는 점이다.

10. 규제 산업 전반에 다가올 압박과 필요한 해법

필자는 헬스케어가 자발적으로 먼저 나선 것이 아니라, 행정 부담으로 사람들이 떠나고 환자가 제대로 돌봄을 받지 못하며 보장 프로세스가 실패하는 압박이 먼저 도착했기 때문이라고 말한다. 이 압박은 헬스케어가 AI를 어떻게 배치할지를 넘어, 어떻게 통제하고 감사하며 사람들을 위해 작동하게 만들지를 고민하도록 강제하고 있다. 금융, 보험, 에너지, 정부 같은 다른 규제 산업도 전문성이 업무 흐름 안에 갇히고 규제가 늘어나며 모든 결정에 추적 가능성이 요구되는 같은 문제에 직면해 있다. 필자는 결론적으로 더 많은 AI 에이전트가 필요한 것이 아니라, 그것들을 관리할 운영 체계와 사람들의 실제 업무를 바꿀 명확성이 필요하다고 말한다.

🧾 핵심 주장 / 시사점

• 이 글의 핵심은 AI 성능 논쟁보다 조직 설계 문제에 있다. 필자는 기업들이 AI를 실패시키는 이유를 모델 부족이 아니라 낡은 업무 흐름을 그대로 둔 채 기술만 얹는 습관에서 찾는다.
• 헬스케어 사례는 AI의 가치가 속도 향상만이 아니라 책임 있는 의사결정의 추적 가능성에 있다는 점을 보여준다. 규제 산업에서는 빠른 자동화보다 누가, 어떤 근거로, 어떤 결정을 내렸는지 설명할 수 있는 구조가 더 중요하다.
• 필자의 주장은 에이전트 수를 늘리는 경쟁에 대한 반론이다. 기업이 실제 성과를 얻으려면 개별 AI 작업자보다 그것들을 조율하고 감사하며 인간 전문가의 역할을 재정의하는 운영 체계를 먼저 설계해야 한다.

✅ 액션 아이템

• 원문에서 강조한 핵심 변화와 이해관계자를 기준으로 I watched enterprises buy AI that solved the wrong problem. So I left Dell and built a startup to fix it | Fortune의 영향을 정리한다.
• 다음 의사결정이나 제품/정책 판단에 연결될 수 있는 근거를 원문 문장과 함께 기록한다.
• 기사에서 제시한 수치·사례·제약 조건을 분리해 과장 없이 검토한다.
• 후속 모니터링이 필요한 발표·제품·정책 변화가 있는지 출처 링크를 기준으로 추적한다.

❓ 열린 질문

• title: "I watched enterprises buy AI that solved the wrong problem. 이 변화가 실제 사용자나 조직의 선택 기준을 어떻게 바꿀까?
• DXC will integrate Claude into the systems banks, airlines, and other regulated industries rely on]]" "194. 이 근거가 다른 산업이나 지역에서도 동일하게 적용될 수 있을까?
• NVIDIA Jetson Brings Agentic AI to the Physical World" "163. 기사에서 아직 검증되지 않은 전제나 리스크는 무엇일까?
• Rethinking organizational design in the age of agentic AI MIT Technology Review" "[[277. 후속 발표나 데이터가 나오면 어떤 지표를 먼저 비교해야 할까?