AI가 사람만큼 똑똑해질 때를 기다리는 대신 오류 비용과 지식 유형 두 축으로 업무를 나눠 배치하라는 HBR 2025년 11월호 플레이북을 네 분면과 세 가지 실행 단계로 정리하고 국내 도입 시 확인할 점을 덧붙였습니다.
Harvard Business Review 2025년 11·12월호에 실린 The Gen AI Playbook for Organizations는 그해 HBR Prize를 받은 글입니다. 저자는 NYU Stern 학장 Bharat N. Anand와 Harvard Business School의 Andy Wu입니다. 두 사람은 경영진의 질문을 바꾸라고 말합니다. 생성형 AI가 언제 최고 인재만큼 똑똑해지는지 묻는 대신 지금의 한계를 전제로 어디에 쓸지를 물어야 한다는 것입니다.
업무를 나누는 두 축
첫 번째 축은 오류 비용입니다. AI가 틀렸을 때 초안의 사소한 실수로 끝나는 업무가 있고 평판 손상이나 법적 책임이나 신체적 피해로 이어지는 업무가 있습니다. 잘못된 재무 공시와 의료 권고가 후자에 속합니다.
두 번째 축은 필요한 지식의 유형입니다. 매출 수치, 운영 로그, 정책 문서, 고객 리뷰처럼 기록하고 저장할 수 있는 것은 명시적 데이터입니다. 협상에서 미묘한 신호를 읽거나 전략적 트레이드오프를 판단하는 것처럼 경험으로 쌓여 문서화가 어려운 것은 암묵지입니다.
출처: Bharat N. Anand and Andy Wu, Harvard Business Review
네 분면의 역할 분담
| 분면 | 조건 | 역할 분담 | 대표 예시 |
|---|---|---|---|
| No regrets | 오류 비용 낮음, 명시적 데이터 | AI가 전부 처리 | 대량 고객 문의 응대, 이력서 스크리닝 |
| Quality control | 오류 비용 높음, 명시적 데이터 | AI가 만들고 사람이 검증 | 고액 계약서 초안, 운영 코드 작성 |
| Creative catalyst | 오류 비용 낮음, 암묵지 | AI가 선택지를 만들고 사람이 고름 | 광고 제작, 영업 스크립트 개요 |
| Human-first | 오류 비용 높음, 암묵지 | 사람이 주도하고 AI는 보조 | 전략 수립, 징계 결정 |
Human-first 분면에서도 AI는 면접 질문 제안이나 시장 데이터 종합 같은 재료 준비를 맡습니다. 결정만 사람이 내립니다. No regrets 분면에서 저자가 강조하는 것은 새로 생기는 일입니다. 회의 녹취 요약은 예전에는 비용 때문에 하지 않던 업무였습니다.
같은 도구를 쓰는 경쟁자와의 차이
경쟁사와 같은 업무에 같은 방식으로 AI를 적용하면 모두가 효율적이 되지만 누구도 장기 이익을 얻지 못합니다. 항공권 전자 발권의 이득이 고객에게 돌아간 것과 같은 패턴입니다. 고객도 AI를 씁니다. 미국 사내 변호사 수는 1997년부터 2020년 사이 세 배로 늘어 500대 로펌 소속 변호사보다 많아졌고 로펌의 시간당 과금은 정액제로 밀려났습니다. 우위는 어떤 업무를 맡기고 어떤 독점 데이터와 사람으로 보완하는지에서 갈립니다.
실행에서 먼저 볼 것
- 접근을 넓게 열기. 모든 구성원이 자기 업무 중 AI가 맡을 수 있는 것을 평가해야 합니다. 보안 통제는 규제 데이터 유출에 집중하고 실험 자체를 막지 않아야 합니다.
- 모든 활동을 데이터로 보기. 고객 접점과 회의와 내부 이메일까지 독점 데이터의 원천입니다. 아직 수집하지 않는 흐름을 찾아야 합니다.
- 아낀 시간을 재배치하기. 관리하지 않은 절감 시간은 유휴 시간으로 사라집니다. 절감량을 추정하고 재배치 기대치를 정해야 손익에 나타납니다.
정리
AI가 충분히 똑똑한지 묻는 회의는 결론이 나지 않습니다. 이 업무에서 틀리면 무엇을 잃는지와 어떤 지식이 필요한지 묻는 회의는 오후 안에 표가 나옵니다. 우리나라 기업이라면 오류 비용의 기준을 개인정보보호법과 산업 규제에 맞춰 먼저 적어 두는 것이 순서입니다. 원문은 The Gen AI Playbook for Organizations에서 볼 수 있습니다.
코텍시스 창업자로 AX 컨설팅과 기업 AI 교육, AI 에이전트 개발을 직접 수행합니다.
코텍시스 AI 인사이트 최신 논문 리뷰
AWQ 양자화: 활성값을 보고 가중치를 지키는 4비트 양자화
MIT 연구진의 AWQ는 활성값 분포를 기준으로 중요한 가중치 1%만 보호해도 저비트 양자화 오류가 크게 줄어든다는 관찰에서 출발해 재학습 없는 4비트 양자화를 구현했고 전용 커널 TinyChat으로 FP16 대비 3배 이상의 추론 속도를 달성했습니다. 온프레미스 sLLM을 소수의 GPU로 서빙해야 하는 기업에게 정확도 손실 없이 메모리와 비용을 동시에 줄이는 사실상의 표준 기법입니다.
Mixtral 8x7B로 읽는 MoE 아키텍처: 13B의 연산으로 70B급 성능 내기
총 47B 파라미터 중 토큰당 13B만 활성화하는 희소 MoE 모델 Mixtral 8x7B는 Llama 2 70B와 GPT-3.5를 대부분의 벤치마크에서 따라잡거나 능가했습니다. 추론 연산량은 소형 모델 수준으로 유지하면서 품질을 끌어올리는 MoE의 실용성을 입증한 사례로, 기업의 자체 호스팅 모델 선정 기준에 직접 영향을 줍니다.
DPO가 바꾼 선호 정렬 학습: 보상 모델 없이 RLHF를 대체하는 방법
DPO는 보상 모델의 재매개변수화를 통해 최적 정책을 닫힌 형태로 유도하고, 선호 데이터에 대한 단순 분류 손실만으로 RLHF와 같은 목적을 달성하는 기법입니다. 강화학습 파이프라인을 운영할 여력이 없는 기업 프로젝트에서 선호 정렬을 현실적인 작업 범위로 만들어 준 논문입니다.
AI 솔루션이 필요하신가요?
cortexys.team에서 맞춤 AI 개발 서비스를 확인하세요.
