*이 장을 다 읽고 나면 알게 될 것: 왜 AI 파일럿은 성공하는데 확산은 안 되는지, 전통적 ROI 프레임워크가 AI에 맞지 않는 이유, 그리고 AI 투자를 설득하는 새로운 언어*
도입: 회의실의 침묵
2024년 가을, 한 중견 제조사의 전략회의실이었다. 나는 컨설턴트로 참석해 있었다. AI 도입 파일럿 결과를 보고하는 자리였다.
파일럿은 성공적이었다. 품질 검사 공정에 비전 AI를 적용해 불량 탐지율을 12% 높였다. 현장 담당자도 만족했다. 기술팀도 자신감에 차 있었다. 발표가 끝나자 기술팀장이 전사 확산을 제안했다.
잠시 침묵이 흘렀다.
CFO가 물었다. "ROI가 뭡니까?"
기술팀장이 답했다. 불량률 감소에 따른 비용 절감. 연간 약 3억 원.
CFO가 다시 물었다. "전사 확산에 투자비는요?"
기술팀장이 답했다. 인프라, 라이선스, 인력 충원 포함 약 15억 원.
CFO가 고개를 갸웃했다. "5년 회수요? 기술 수명을 감안하면 리스크가 크지 않습니까?"
회의실이 다시 조용해졌다. CEO가 말했다. "좀 더 검토하고 다음 분기에 다시 논의합시다."
나는 그 장면을 여러 번 봤다. 다른 회사에서, 다른 산업에서, 다른 기술로. 그러나 결말은 놀라울 정도로 비슷했다. 파일럿은 성공한다. 그러나 전사 확산은 미뤄진다. 다음 분기에, 또 다음 분기에. 결국 파일럿은 조용히 종료된다. 이것이 업계에서 Pilot Purgatory라고 부르는 현상이다.
왜 이런 일이 반복되는가. 나는 데이터 분석에서 시작해 머신러닝 기반 컨설팅을 하면서 그 이유를 알게 되었다. 문제는 기술이 아니다. ROI를 말하는 언어가 맞지 않는 것이다.
17.1 Pilot Purgatory — 파일럿의 무덤
Pilot Purgatory는 신조어가 아니다. 2023년부터 맥킨지, BCG, 가트너가 반복적으로 경고한 현상이다.
맥킨지의 2024년 조사에 따르면, 글로벌 기업의 약 70%가 AI 파일럿을 한 번 이상 진행했다. 그러나 그 중 전사 확산까지 도달한 비율은 절반에도 미치지 못했다. BCG의 2025년 보고서는 더 직접적이다. "AI 파일럿의 성공률은 높지만, 확산률은 낮다. 그 간극에 Pilot Purgatory가 있다."
왜 파일럿은 성공하는가. 이유는 간단하다. 파일럿은 조건이 좋다. 데이터가 깨끗하다. 담당자가 열정적이다. 범위가 좁다. 예외가 적다. 경영진의 관심이 집중된다. 이런 조건에서 실패하기가 오히려 어렵다.
왜 확산은 안 되는가. 이유도 간단하다. 확산의 조건은 파일럿과 전혀 다르기 때문이다.
첫째, 데이터가 지저분해진다. 파일럿에서는 한 공장, 한 라인의 데이터만 썼다. 확산하면 전 공장, 전 라인의 데이터를 다뤄야 한다. 형식이 다르다. 품질이 들쭉날쭉하다. 결측치가 많다.
둘째, 저항이 생긴다. 파일럿 팀은 자발적이었다. 전사 확산은 강제다. 현장에서 "왜 내 업무 방식을 바꿔야 하느냐"는 반발이 나온다. 변화관리 비용이 기술 비용보다 클 때가 많다.
셋째, 비용이 비선형으로 늘어난다. 파일럿의 10배 규모가 10배 비용이 아니다. 인프라, 보안, 거버넌스, 운영 인력까지 포함하면 20배, 30배가 된다.
넷째, ROI가 흐려진다. 파일럿에서는 하나의 지표가 명확히 개선되었다. 확산하면 여러 지표가 동시에 움직인다. 어디까지가 AI의 효과이고 어디까지가 다른 변수의 효과인지 분리하기 어렵다.
한국도 예외가 아니다. 국내 주요 IT 서비스 기업들의 조사에 따르면, 국내 대기업의 AI 파일럿 경험 비율은 절반을 넘었다. 그러나 "전사적으로 운영 중"이라고 답한 비율은 5분의 1 수준에 머물렀다. 나머지 45%가 Pilot Purgatory에 있는 셈이다.
잠시 멈추고 생각해보자
당신의 조직에서 AI 파일럿을 해본 적이 있는가? 그 결과는 어떻게 되었는가? 확산되었는가, 아니면 조용히 끝났는가? 끝났다면 진짜 이유는 무엇이었는가?
17.2 전통적 ROI 프레임워크의 한계
Pilot Purgatory의 핵심에는 ROI 논쟁이 있다. 그리고 그 논쟁이 풀리지 않는 이유는 우리가 쓰는 도구가 맞지 않기 때문이다.
전통적 투자 평가 도구를 보자. NPV(순현재가치), IRR(내부수익률), 회수 기간. 이 세 가지는 MBA 1학년이 배우는 도구다. 설비 투자, 공장 건설, 신사업 진출. 이런 결정에 이 도구들은 잘 작동한다. 왜냐하면 전제 조건이 맞기 때문이다.
그 전제 조건은 이렇다.
투자 비용이 한 번에 확정된다. 공장을 짓는 비용은 미리 산출할 수 있다.
수익이 예측 가능하다. 생산량과 판매 가격을 곱하면 매출이 나온다.
시간 범위가 명확하다. 공장의 내용연수가 20년이면 20년을 기준으로 계산한다.
기술 변화가 느리다. 공장 설비가 5년 만에 쓸모없어질 걱정은 적다.
AI 투자는 이 전제 조건 중 어느 것도 충족하지 못한다.
투자 비용이 확정되지 않는다. AI 프로젝트는 시작할 때 최종 비용을 알 수 없다. 데이터 정제에 얼마가 들지, 모델 튜닝에 얼마나 걸릴지, 운영 중에 어떤 추가 비용이 생길지 예측하기 어렵다.
수익이 불확실하다. AI가 만들어내는 가치는 여러 갈래로 흩어진다. 어떤 것은 비용 절감이고, 어떤 것은 매출 증대이고, 어떤 것은 리스크 감소이고, 어떤 것은 측정조차 어렵다.
시간 범위가 짧고 유동적이다. AI 모델의 수명은 2~3년이 될 수도 있고, 6개월이 될 수도 있다. 기술 변화가 너무 빠르다.
기술 변화가 극도로 빠르다. 2024년에 최선이었던 모델이 2025년에는 구식이 된다. 이 속도에서 5년 NPV를 계산하는 것은 공상에 가깝다.
그래서 CFO가 "ROI가 뭡니까?"라고 물었을 때, 기술팀이 NPV로 답하면 대화가 엇나간다. CFO도 그 숫자를 믿지 못하고, 기술팀도 그 숫자에 자신이 없다. 양쪽 다 도구가 맞지 않다는 것을 직감적으로 안다. 그러나 다른 도구가 없으니 같은 도구를 반복해서 쓴다.
나는 이 장면을 볼 때마다 망치를 든 사람에게 나사를 주는 느낌을 받았다. 망치가 나쁜 것이 아니다. 못에는 좋은 도구다. 그러나 나사에는 드라이버가 필요하다.
잠시 멈추고 생각해보자
당신의 조직에서 AI 투자 결정을 어떤 기준으로 내리는가? 전통적 NPV/IRR을 쓰는가? 그 숫자를 경영진이 진짜 신뢰하는가? 아니면 형식적으로 채우는가?
17.3 AI ROI의 네 가지 층위
새 도구가 필요하다. 나는 컨설팅 현장에서 여러 프레임워크를 시도했다. 그중 가장 효과적이었던 것은 AI ROI를 네 가지 층위로 나누는 방식이다.
1층: 비용 절감
가장 측정하기 쉬운 층위다. 자동화에 의한 인건비 절감, 처리 시간 단축, 오류 수정 비용 감소. 숫자로 잡힌다. CFO가 가장 좋아하는 층위이기도 하다.
예를 들어 보자. 한 보험사가 보험금 청구 심사에 AI를 적용했다. 기존에는 심사역 한 명이 건당 평균 40분을 썼다. AI 도입 후 15분으로 줄었다. 심사역의 시간당 비용을 곱하면 연간 절감액이 나온다. 깔끔하다.
그러나 이것만으로는 부족하다. 왜냐하면 비용 절감만으로 계산하면 AI 투자는 거의 항상 정당화되지 못하기 때문이다. 투자비가 크고, 절감액이 그것을 넘기까지 시간이 오래 걸린다.
2층: 매출 증대
AI가 더 나은 의사결정을 가능하게 해서, 매출이 늘어나는 효과다. 1층보다 측정이 어렵다. 그러나 금액은 더 크다.
예를 들어 보자. 한 유통사가 수요 예측에 AI를 적용했다. 재고 부족으로 인한 판매 기회 손실이 약 8% 줄었다. 그 8%가 매출로 전환되었다. 이것은 비용 절감이 아니라 매출 증대다. 그러나 "AI 덕분에 8%가 줄었다"는 것을 증명하기는 쉽지 않다. 다른 변수도 있었을 것이다. 그래서 이 층위의 숫자는 항상 논쟁을 동반한다.
또 다른 예가 있다. 속도의 가치다. AI가 분석을 빠르게 해줘서 의사결정이 3일 앞당겨졌다고 하자. 그 3일이 만든 가치는 무엇인가? 시장 선점? 고객 이탈 방지? 경쟁사 대응? 숫자로 잡기가 어렵다. 그러나 현장에서 체감하는 가치는 크다.
3층: 리스크 감소
AI가 오류를 줄이고, 컴플라이언스를 강화하고, 이상 징후를 조기에 탐지하는 효과다. 측정이 더 어렵다. 왜냐하면 일어나지 않은 사건의 가치를 계산해야 하기 때문이다.
예를 들어 보자. 한 금융사가 이상거래 탐지에 AI를 적용했다. 사기 거래 탐지율이 15% 높아졌다. 그 15%가 예방한 손실은 얼마인가? 과거 데이터를 기반으로 추정할 수는 있다. 그러나 정확한 숫자는 아니다. 일어나지 않은 사건은 관찰할 수 없기 때문이다.
리스크 감소는 보험과 비슷하다. 보험료를 낼 때 ROI를 계산하는 사람은 없다. 사고가 나지 않으면 보험은 "손해"다. 그러나 아무도 보험이 무가치하다고 말하지 않는다. AI의 리스크 감소 효과도 이와 같다. 숫자로 정당화하기 어렵지만, 가치가 없는 것은 아니다.
4층: 학습 자산
가장 측정하기 어렵고, 가장 중요한 층위다.
AI를 도입하고 운영하는 과정에서 조직은 배운다. 데이터를 다루는 역량, 모델을 이해하는 역량, AI와 협업하는 역량, 새로운 가능성을 상상하는 역량. 이것은 무형 자산이다. 대차대조표에 잡히지 않는다. 그러나 그것이 없으면 다음 AI 프로젝트도 파일럿에서 멈춘다.
내가 본 가장 인상적인 사례가 하나 있다. 한 중견 제조사에서 첫 AI 파일럿은 실패했다. 기술적으로도, 사업적으로도 실패였다. 그러나 그 과정에서 데이터 엔지니어 두 명이 성장했고, 현장 관리자 세 명이 AI를 이해하게 되었고, 경영진이 데이터 품질의 중요성을 체감했다. 2년 후 두 번째 프로젝트는 성공했다. 그리고 세 번째 프로젝트는 빠르게 확산되었다. 첫 번째 파일럿의 ROI를 NPV로 계산하면 마이너스다. 그러나 그 파일럿이 없었다면 두 번째, 세 번째도 없었다.
이것이 학습 자산이다. AI를 해봤다는 경험 자체가 조직의 자산이 된다. 이것을 어떻게 화폐 가치로 환산할 것인가? 어렵다. 그러나 무시하면 AI 투자의 절반을 보지 못하는 것이다.
잠시 멈추고 생각해보자
당신의 조직에서 AI 투자의 성과를 보고할 때, 네 가지 층위 중 어디까지를 포함하는가? 비용 절감만 보고하는가? 학습 자산까지 포함하는가? 포함하지 않는다면 그 이유는 무엇인가?
17.4 ROI를 설득하는 현실적 언어
프레임워크는 이해했다. 그러나 문제는 이것을 어떻게 경영진에게 말하느냐다.
나는 수많은 경영진 앞에서 AI ROI를 설명했다. 그 경험에서 배운 것이 몇 가지 있다.
첫째, 경영진은 철학을 싫어한다. "학습 자산이 중요하다"라고 말하면 고개를 끄덕이지만, 지갑을 열지는 않는다. 그래서 학습 자산을 말할 때도 구체적으로 말해야 한다. "이번 파일럿에서 데이터 파이프라인이 구축되었고, 이것은 향후 3개 프로젝트에서 재사용된다. 그 재사용 가치는 약 X원이다." 이렇게 말해야 한다.
둘째, 비교 대상을 바꿔야 한다. "AI를 안 하면 얼마를 절약할 수 있는가"가 아니라 "AI를 안 하면 3년 후 무엇을 잃는가"로 질문을 바꿔야 한다. 경쟁사가 AI를 도입한다. 우리가 안 하면 비용 구조에서 뒤처진다. 인재가 떠난다. 고객의 기대를 맞추지 못한다. 이것은 기회비용이다. 기회비용은 전통적 ROI에 안 잡히지만, 경영진의 직관에는 강하게 작용한다.
셋째, 작게 시작하고 빠르게 보여줘야 한다. 15억짜리 전사 확산 안을 한 번에 들고 가면 무조건 지연된다. 대신 3억짜리 1단계 확산을 제안하고, 6개월 안에 결과를 보여주고, 그 결과로 2단계를 설득한다. 이것이 현실적이다.
넷째, CFO의 언어로 말해야 한다. 기술팀은 정확도, 처리량, 모델 성능으로 말한다. CFO는 비용, 매출, 마진, 리스크로 듣는다. 같은 결과를 다른 언어로 번역해야 한다. "불량 탐지율 12% 향상"은 기술 언어다. "연간 불량 비용 3억 절감, 고객 클레임 20% 감소로 CS 비용 추가 절감 기대"는 CFO 언어다.
이 중에서 가장 중요한 것은 두 번째다. 비교 대상을 바꾸는 것. "이 투자가 얼마를 벌어다 주는가"에서 "이 투자를 안 하면 3년 후 우리가 어디에 서 있는가"로 전환하는 순간, 대화의 성격이 바뀐다. 방어적 투자에서 전략적 투자로 바뀐다. 나는 이 전환이 일어나는 순간을 여러 번 목격했다. CEO의 표정이 달라진다. "그렇게 보면 이야기가 다르네요." 그 한마디가 나오면 논의가 진전된다.
17.5 Pilot에서 Production으로 가는 세 가지 조건
ROI를 설득했다고 끝이 아니다. 파일럿에서 실제 운영으로 넘어가려면 세 가지 조건이 필요하다.
조건 1: 데이터 파이프라인의 산업화
파일럿에서는 데이터를 수작업으로 정제했을 수 있다. 운영에서는 그것이 불가능하다. 데이터가 자동으로 수집되고, 자동으로 정제되고, 자동으로 모델에 들어가야 한다. 이것이 데이터 파이프라인의 산업화다.
한국 기업들이 가장 많이 걸리는 지점이 여기다. 파일럿은 엑셀로 했다. 운영은 엑셀로 할 수 없다. 그런데 ERP 데이터, MES 데이터, 센서 데이터가 다 다른 형식이고 다른 시스템에 있다. 이것을 하나로 묶는 데 파일럿보다 더 많은 시간과 돈이 든다. 가트너는 이것을 "데이터 부채"라고 부른다. 기술 부채보다 더 무거운 부채다.
조건 2: 운영 체계의 구축
모델은 배포한 후가 시작이다. 성능이 떨어지면 재학습해야 한다. 데이터 분포가 바뀌면 대응해야 한다. 오류가 생기면 롤백해야 한다. 이 모든 것을 체계적으로 관리하는 것이 MLOps다.
파일럿에는 MLOps가 필요 없다. 데이터 사이언티스트 한 명이 노트북에서 돌리면 된다. 운영에는 반드시 필요하다. 모델 모니터링, 드리프트 탐지, A/B 테스트, 버전 관리. 이런 체계가 없으면 모델은 한 달 만에 쓸모없어진다.
조건 3: 조직의 수용
가장 어렵고 가장 간과되는 조건이다.
AI를 운영에 넣으면 누군가의 업무가 바뀐다. 바뀌는 것은 불편하다. 불편한 것은 저항한다. 이것은 자연스러운 반응이다. 비난할 일이 아니다.
그래서 변화관리가 필요하다. 변화관리는 교육이 아니다. "AI 사용법 교육"을 한다고 저항이 사라지지 않는다. 진짜 변화관리는 사람들이 왜 바뀌어야 하는지를 납득하게 만드는 것이다. 그리고 바뀐 후에 자기 역할이 사라지는 것이 아니라 달라지는 것임을 보여주는 것이다.
아마존의 사례가 인상적이다. 아마존은 물류 창고에 로봇을 대규모로 도입했다. 그러나 직원 수는 줄지 않았다. 역할이 바뀌었을 뿐이다. 단순 운반에서 로봇 관리, 예외 처리, 품질 감독으로 바뀌었다. 그리고 아마존은 직원들에게 새 역할을 위한 교육을 제공했다. 이것이 변화관리다.
한국에서는 이 부분이 특히 어렵다. 고용 문화가 다르기 때문이다. "AI 때문에 일자리가 없어진다"는 두려움이 강하다. 그 두려움을 무시하면 안 된다. 정면으로 다뤄야 한다.
잠시 멈추고 생각해보자
당신의 조직에서 AI 도입 시 가장 큰 저항은 어디서 오는가? 기술적 한계인가, 비용인가, 사람인가? 셋 중 하나만 해결할 수 있다면 무엇을 고르겠는가?
17.6 글로벌 기업들이 발견한 것
McKinsey, BCG, Deloitte의 조사를 종합하면 몇 가지 패턴이 보인다. 보수적으로 인용한다.
AI에서 가장 큰 가치를 창출하는 기업은 파일럿을 가장 많이 하는 기업이 아니다. 파일럿을 적게 하되, 선택한 것을 끝까지 밀어붙이는 기업이다. 맥킨지는 이것을 "깊이 vs 넓이" 전략이라고 불렀다. 2025년 기준, AI에서 유의미한 수익을 보고한 기업의 약 60%가 5개 이하의 유스케이스에 집중했다.
두 번째, 경영진의 개입이 결정적이다. AI를 기술팀에만 맡기면 파일럿에서 멈춘다. CEO 또는 CDO가 직접 챔피언 역할을 할 때 확산 확률이 크게 높아진다. BCG의 표현을 빌리면, "AI는 기술 프로젝트가 아니라 경영 프로젝트다."
세 번째, ROI를 단일 지표로 환산하려는 시도는 대부분 실패한다. 성공한 기업은 ROI를 여러 층위로 나눠서 보고한다. 비용 절감은 CFO에게, 매출 효과는 사업부장에게, 리스크 감소는 CRO에게, 학습 자산은 CHRO에게. 청중에 따라 언어를 바꾸는 것이다.
네 번째, 시간 프레임이 중요하다. AI 투자의 회수 기간을 1년으로 잡으면 대부분 실망한다. 3년으로 잡으면 과반이 만족한다. Deloitte의 2025년 조사에서, AI 투자 만족도가 높은 기업의 약 70%가 "3년 이상의 시간 프레임으로 평가한다"고 답했다.
이 네 가지 패턴은 서로 연결되어 있다. 집중, 경영진 개입, 다층 ROI, 긴 시간 프레임. 하나만으로는 부족하다. 넷이 함께 작동해야 한다.
17.7 Part 3를 닫으며 — 결정 이후의 세계
이 장으로 3부가 끝난다.
3부에서 우리는 기업이 AI Agent를 도입할 때 마주하는 세 가지 핵심 질문을 다뤘다. 시장은 어떤 모습인가(14장). Build할 것인가, Buy할 것인가(15장). 데이터 주권은 어떻게 지킬 것인가(16장). 그리고 이 장에서, 그 모든 결정을 관통하는 질문을 다뤘다. 그 투자가 과연 값어치가 있는가.
답은 단순하지 않다. 전통적 ROI로는 AI의 가치를 온전히 담지 못한다. 비용 절감, 매출 증대, 리스크 감소, 학습 자산이라는 네 가지 층위로 봐야 한다. 그리고 그것을 경영진에게 설득하려면 기술의 언어가 아니라 경영의 언어로 말해야 한다.
Pilot Purgatory를 넘는 열쇠는 기술에 있지 않다. 데이터 파이프라인의 산업화, 운영 체계의 구축, 조직의 수용. 이 세 가지가 갖춰져야 파일럿이 현실이 된다.
그리고 한 가지 더 말하고 싶은 것이 있다. 나는 이 장에서 ROI를 강조했다. 그러나 솔직히 말하면, ROI로 모든 것을 정당화할 필요는 없다. 때로는 "해봐야 안다"가 가장 정직한 답이다. 다만 그 "해봄"이 통제된 실험이어야 한다. 무모한 투자가 아니라, 작은 규모로 빠르게 시도하고, 결과를 보고, 다음을 결정하는 것이다. 그것이 이 시대에 가능한 가장 현실적인 ROI 관리법이다.
Build인가 Buy인가를 결정했다. ROI를 설득할 언어를 갖추었다. 이제 남은 것은 하나다. 어떻게 만들 것인가.
4부에서 그 이야기를 시작한다. JK's Composite AI Framework. 과제 발굴부터 아키텍처 설계, 데이터 구축, 기술 스택, 구현 로드맵, 운영, 보안, 그리고 다시 ROI까지. 만드는 사람의 관점에서, 처음부터 끝까지를 다룬다.
핵심 정리
AI 파일럿은 쉽게 성공한다. 조건이 좋기 때문이다. 깨끗한 데이터, 열정적 팀, 좁은 범위. 그러나 전사 확산은 어렵다. 데이터가 지저분해지고, 저항이 생기고, 비용이 비선형으로 늘어나고, ROI가 흐려진다. 이 간극이 Pilot Purgatory다.
전통적 ROI 프레임워크는 AI에 맞지 않는다. NPV와 IRR은 투자비가 확정되고, 수익이 예측 가능하고, 기술 변화가 느린 세계의 도구다. AI 투자는 그 어느 조건도 충족하지 못한다.
AI ROI는 네 가지 층위로 봐야 한다. 비용 절감, 매출 증대, 리스크 감소, 학습 자산. 앞의 두 층위는 숫자로 잡히고, 뒤의 두 층위는 잡히지 않는다. 그러나 뒤의 두 층위가 없으면 앞의 두 층위도 지속되지 않는다.
파일럿에서 운영으로 가려면 세 가지 조건이 필요하다. 데이터 파이프라인의 산업화, MLOps 기반의 운영 체계, 그리고 조직의 수용. 기술보다 사람이 더 어렵다.
글로벌 선도 기업의 패턴은 명확하다. 적게 선택하고 깊이 밀어붙이고, 경영진이 직접 개입하고, ROI를 다층으로 보고하고, 시간 프레임을 3년 이상으로 잡는다.
반드시 답해봐야 할 질문 5가지
질문 1. 당신의 조직에서 AI 투자를 설득할 때, 비용 절감 외에 다른 층위의 가치를 어떻게 측정하고 있는가? 측정하지 못한다면 그 이유는 도구의 부재인가, 합의의 부재인가?
질문 2. 파일럿이 성공했지만 확산되지 못한 경험이 있다면, 세 가지 조건(데이터 산업화, 운영 체계, 조직 수용) 중 어디서 막혔는가?
질문 3. AI를 안 했을 때의 기회비용을 당신은 어떻게 계산하는가? 경쟁사가 3년 후 AI로 비용 구조를 바꾸었는데 우리는 그렇지 못한 상황을 구체적으로 상상할 수 있는가?
질문 4. 학습 자산의 가치를 경영진에게 어떻게 설명하겠는가? "해봐야 안다"를 무책임하지 않게 말하는 방법이 있는가?
질문 5. 당신의 조직에서 AI 프로젝트의 챔피언은 누구인가? 기술팀장인가, 사업부장인가, CEO인가? 챔피언의 위치가 프로젝트의 운명을 바꾸는가?
더 깊이 탐구하기
맥킨지 글로벌 연구소, 「The State of AI in 2025」 (2025). AI 도입 기업의 ROI 패턴과 확산 전략에 대한 가장 포괄적인 연례 조사.
BCG Henderson Institute, AI 관련 연례 보고서 시리즈. 기업 AI 확산의 장벽과 돌파 전략.
Deloitte, 「State of AI in the Enterprise」 (최신판). 기업 AI 투자 수익률에 대한 글로벌 서베이.
앤드류 맥아피·에릭 브린욜프슨, 「Machine, Platform, Crowd」 (2017). AI 투자의 경제학적 기초를 다룬 고전. 기술 변화기의 투자 논리를 이해하는 출발점.
삼성SDS, 「국내 기업 AI 도입 실태 조사」 (2024). 한국 기업의 AI 파일럿 경험과 확산 현황에 대한 실증 데이터.
3부가 끝났다. 시장 지형을 봤고, Build vs Buy를 판단했고, 데이터 주권을 고민했고, ROI를 새로운 눈으로 봤다. 결정의 재료는 충분하다. 이제 4부에서는 만드는 사람의 세계로 들어간다. JK's Composite AI Framework의 전체 구조부터 시작한다. 과제를 어떻게 발굴하고, 아키텍처를 어떻게 설계하고, 데이터를 어떻게 쌓고, 어떻게 운영까지 가는가. 만드는 자의 이야기가 시작된다.