AI, 박사급 지능인데 실무는 신입 수준?…기업 핵심 업무에 막히는 이유 [초대석

🖼️ 인포그래픽

🖼️ 4컷 인포그래픽

💡 한 줄 결론

박사급 지능의 AI가 기업 실무에서 신입 수준에 머무는 이유로, 출연자는 기업 맥락과 암묵지의 단절, 핵심 업무의 성과 검증 어려움을 지목하며 온톨로지를 통한 연결을 해법으로 제시한다.

📌 핵심 요점

1. 모델의 지능과 기업의 업무 성과는 다르다. 설비 고장이 공급망과 매출에 미치는 영향처럼 복잡한 관계를 이해하려면 기업별 맥락이 필요하다는 설명이다.
2. 코딩과 핵심 의사결정은 평가 속도가 다르다. 코딩은 테스트로 결과를 빠르게 확인할 수 있지만 전략·생산·마케팅 결정은 효과가 나타나기까지 6개월에서 3년이 걸릴 수 있어 AI의 기여를 판별하기 어렵다고 말한다.
3. 데이터 사일로와 암묵지가 연결의 장애물이다. 부서마다 다른 고객의 정의, 회의와 엑셀에 흩어진 판단 과정, 전문가의 경험을 객체와 관계로 구조화하는 온톨로지를 제안한다.
4. 현업과 밀착한 모델링으로 실행 가능한 결과물을 만든다는 접근이다. 출연자는 전문가의 판단을 정리하는 멘탈 모델링 워크숍과 현장 배치 엔지니어를 활용해 중요한 업무도 6~8주 안에 1차 결과물을 얻었다고 설명한다.
5. 확산의 조건은 보안과 비용 설계다. 정상 사용자처럼 움직이는 에이전트의 행동 패턴을 추적하고, 로그를 선별해 모델에 전달하며, 적은 토큰으로 높은 효과를 내는 구조가 필요하다고 강조한다.

🧩 배경과 문제 정의

기업들이 AI 에이전트로 실질적인 생산성 향상을 모색하는 상황에서, 인포시즈 박준 CBO가 모델의 높은 지능이 핵심 업무 성과로 곧바로 이어지지 않는 이유를 설명하는 인터뷰다. 문제의 중심에는 기업별로 복잡한 업무 관계, 부서 간 데이터 사일로, 시스템 밖에 남아 있는 전문가의 암묵지가 있다.

출연자가 제안하는 접근은 기존 데이터 위에 온톨로지라는 논리 구조를 만들어 AI가 기업의 맥락을 읽고 행동하게 하는 것이다. 논의는 성과 평가의 어려움에서 출발해 지식 모델링과 적용 사례, 에이전트 보안, 토큰 비용, 기업 경쟁력의 조건으로 이어진다. 성과 사례와 수치는 출연자의 설명이며 영상 안에서 별도로 검증되지는 않는다.

🕒 시간순 섹션별 상세정리

1. 높은 모델 지능과 낮은 실무 효과의 간극

• 진행자는 기업들이 AI 에이전트를 활용해 검색 개선을 넘어 실제 생산성을 높일 방법을 찾고 있다며 박준 CBO를 보여준다. [00:49]
• 출연자는 모델 자체는 박사급을 넘어서는 능력을 보여도 기업 도입 효과는 신입사원만 못한 경우가 많다고 진단한다. 반도체 설비 고장이 공급망과 매출에 미치는 영향을 예로 들어 산업 맥락의 복잡성을 보여준다. [01:31]
• 인포시즈의 접근은 기업의 맥락을 온톨로지로 구조화해 AI가 읽고 행동할 수 있도록 논리적인 관계를 만드는 것이라고 보여준다. [01:44]

2. 코딩과 기업 핵심 업무의 평가 조건 차이

• 진행자는 생산·영업·재무처럼 실제 성과와 연결되는 업무에서 AI 활용이 제한적인지 묻고, 출연자는 그렇다고 답한다. [02:13]
• 출연자는 AI 코딩 확산을 설명하며 사람의 코드 리뷰가 병목이 됐다는 견해를 드러낸다. 코딩에서 AI가 효과를 내는 핵심 이유로 테스트를 통해 결과를 빠르게 평가할 수 있다는 점을 든다. [02:58]
• 전략·생산·마케팅 결정은 효과 확인에 6개월에서 3년이 걸릴 수 있어 AI와 사람의 기여를 판별하기 어렵다고 보여준다. 기업 핵심 업무에서 AI의 가치는 아직 증명되는 과정이라는 입장이다. [03:24]

3. 데이터 사일로와 암묵지를 온톨로지로 연결

• 제조 부서와 마케팅 부서가 말하는 ‘고객’의 의미도 다를 수 있다며 데이터 사일로를 지적한다. 장기간의 전면적인 데이터 정비보다 기존 데이터 위에 논리 구조를 얹어 AI의 실행 환경을 빠르게 만드는 방식을 제안한다. [04:57]
• 중요한 의사결정은 ERP 데이터만으로 이뤄지지 않고 엑셀 취합과 회의, 전문가의 경험을 거친다고 보여준다. 그 판단 경로에 사람 머릿속의 암묵지가 있다는 것이다. [05:54]
• 멘탈 모델링 워크숍을 통해 전문가의 판단을 온톨로지의 객체와 관계로 정의한다고 드러낸다. 고객의 VIP 여부나 생산과의 관계 등을 정립해 사람이 수행하던 프로세스를 AI가 실행할 환경을 만든다는 설명이다. [06:29]

4. 현업 밀착 구축과 성과 사례의 범위

• 현장 배치 엔지니어가 고객과 밀착해 매일 모델링하는 방식을 보여준다. 출연자는 중요한 업무에서도 6~8주면 1차 결과물을 얻을 수 있었다고 드러낸다. [07:10]
• 익명 기업에서 사람이 엑셀로 관리하던 매출 추정의 암묵지를 온톨로지로 옮겨 실제 운영 환경에 적용했다고 보여준다. 추정 정확도가 거의 100%에 가깝다고 주장하지만 구체적인 검증 조건은 공개하지 않는다. [07:50]
• 생산성 향상률을 수치로 제시하기는 어렵다고 답하면서, 인원 감소보다 기업 경쟁력과 사업 잠재력의 확대를 강조한다. 매출 잠재력 10조에서 50조로의 변화는 시뮬레이션 가능성을 설명하는 예시로 제시한다. [08:26]

5. 에이전트 행동 보안과 모델 사용 비용

• 에이전트 보안에 관한 질문에, 출연자는 사람이 로그인하듯 천천히 움직이며 지속적으로 활동하는 공격이 정상 행동처럼 보여 기존 탐지를 피할 수 있다고 보여준다. [09:51]
• 로그인과 API 호출의 순서 같은 행동 패턴을 추적해야 한다고 드러낸다. 온톨로지를 활용한 보안 솔루션을 만들었으며 대기업으로 확산하고 있다고 보여준다. [10:22]
• 모든 보안 로그를 고가 모델로 판단하면 막대한 비용이 발생한다며 연간 10조 원이라는 자체 추산을 제시한다. 필요한 정보만 선별해 모델에 전달하고, 보안 통제가 에이전트의 업무 가치를 과도하게 제한하지 않도록 설계해야 한다고 강조한다. [11:27]

6. 모델 평준화 이후의 기업 경쟁력과 마무리

• 모델 성능이 상향 평준화되면 기업 간 지능 격차도 줄어들 수 있다고 본다. 이때 기존 기업의 설비·공정·암묵지·문화·브랜드가 경쟁 우위가 될 수 있다는 관점을 제시한다. [12:12]
• 이러한 자산의 효과를 키우려면 AI와 연결하는 온톨로지, 유연한 보안 환경, 최소한의 토큰으로 최대 효과를 내는 구조가 필요하다고 드러낸다. 그 설계를 먼저 구현하는 역량을 기업 성패의 관건으로 꼽는다. [12:35]
• 진행자는 AI 에이전트를 활용한 실질적인 업무 생산성과 AI 전환을 주제로 한 대화를 정리하고, 박준 CBO에게 감사 인사를 전하며 인터뷰를 마친다. [12:53]

🧾 결론

• 영상이 제시하는 병목은 모델 성능 자체보다 기업의 데이터·업무 관계·판단 기준을 AI가 활용하도록 연결하는 과정이다.
• 온톨로지는 기존 데이터를 모두 재정비하는 대신 그 위에 논리 구조를 얹어 실행을 돕는 방식으로 소개된다. 실제 효과와 구축 난도는 별도 검증이 필요하다.
• 출연자는 AI의 가치를 인력 투입 감소뿐 아니라 기업의 의사결정과 경쟁력 확대 가능성으로 평가한다. 영상에는 이를 입증할 구체적인 생산성 측정 결과가 제시되지 않는다.

📈 투자·시사 포인트

• 기업용 AI 사업을 평가할 때 모델의 지능뿐 아니라 현업 지식의 구조화, 부서 간 데이터 연결, 실제 운영 적용 능력을 살펴볼 필요가 있다는 시사점을 준다.
• 출연자는 모델이 상향 평준화될수록 기존 기업의 설비·공정·암묵지·문화·브랜드가 경쟁 우위가 될 수 있다고 본다. 이를 AI와 연결하는 실행 역량이 전제다.
• 에이전트 활용 확대는 행동 분석 보안과 추론 비용 관리의 중요성을 함께 높인다는 관점이다. 보안 통제가 업무 효과를 얼마나 제한하는지도 평가해야 한다.
• 영상의 익명 고객 사례와 비용 추산만으로 특정 기업의 수익성이나 투자 가치를 판단하기는 어렵다. 초기 결과물과 지속적인 사업 성과를 구분해 볼 필요가 있다.

⚠️ 불확실하거나 확인이 필요한 부분

• ‘박사급을 넘어서는 모델 능력’과 ‘신입사원만도 못한 도입 효과’는 출연자의 진단이다. 이를 뒷받침하는 평가 기준이나 조사 자료는 영상에 제시되지 않는다.
• 사람의 코드 리뷰가 무의미하거나 병목이라는 발언은 출연자의 견해다. 적용 업무, 코드의 위험도, 테스트 범위가 제시되지 않아 일반적인 개발 지침으로 받아들이기 어렵다.
• 6~8주는 1차 결과물을 얻는 기간으로 설명된다. 전사 배포, 안정적인 운영, 성과 검증까지 같은 기간에 완료된다는 의미는 아니다.
• 자막 기반 정리: 타임스탬프가 있는 자막을 기준으로 정리했으며, 고유명사·수치·인용은 원문 확인 필요 시 별도 검증한다.
• 영상 속 주장: 발표자의 해석·전망·비교는 확인된 외부 사실이 아니라 영상 속 주장으로 분리해 읽는다.
• 검증 필요: 수치, 기업 실적, 정책·시장 전망은 발행 전 최신 자료로 별도 검증이 필요하다.

✅ 액션 아이템

• 적용할 핵심 업무 하나를 정하고, 현재 처리 방식·소요 시간·오류·판단 품질을 비교 기준으로 기록한다.
• 해당 업무에서 부서마다 다르게 쓰는 용어와 데이터, 의사결정에 필요한 관계를 정리한다. 영상의 ‘고객’ 정의 차이를 점검 사례로 활용한다.
• 현업 전문가와 판단 경로를 검토해 엑셀·회의·경험에 흩어진 암묵지를 객체와 관계로 표현할 수 있는지 확인한다.
• 1차 결과물의 완성과 실제 운영 성과를 구분해 검증한다. 6~8주라는 발언은 초기 결과물에 관한 주장으로 범위를 명시한다.

❓ 열린 질문

• 온톨로지에 담긴 전문가의 판단이 잘못되거나 업무 환경이 바뀌면 누가 어떤 기준으로 수정하는가?
• 효과가 수개월에서 수년 뒤 나타나는 핵심 의사결정에서 AI의 기여와 다른 요인의 영향을 어떻게 구분할 것인가?
• 행동 패턴 기반 보안은 정상 에이전트와 악성 에이전트를 얼마나 정확히 구분하며, 업무 자율성과 비용 사이의 균형을 어떻게 검증할 것인가?