“AI 네이티브 기업은 아직 없다”는 말은 회사 명단을 전수 조사한 결론이 아닙니다. 여기서 쓰는 기준이 꽤 엄격하다는 뜻에 가깝습니다. AI 기능을 제품에 깊게 넣었거나 직원들이 매일 AI 도구를 쓰는 회사까지 없다는 이야기는 아닙니다. AI가 회사의 조직도, 결정권, 예산, 업무 기록, 사고 대응, 성과 측정까지 이해하고 그 안에서 일하는 기업을 말합니다.

이 구분을 하지 않으면 같은 숫자가 회의실마다 전혀 다른 의미로 읽힙니다. 제품팀은 생성형 기능의 이용률을 성과라고 보고 재무팀은 인건비가 그대로라며 고개를 갸웃거립니다. IT팀은 보안 통제를 말하고 현업은 공식 도구보다 개인 계정이 빠르다고 답합니다. 제가 서비스 기획과 운영 현장에서 여러 차례 본 장면도 이와 비슷했습니다. 발표 자료는 하나인데 박수를 받는 방과 냉담한 방이 따로 생깁니다.

현재 자료도 그 간극을 보여 줍니다. McKinsey의 2025년 글로벌 설문에서는 응답자의 88%가 적어도 한 업무 기능에서 AI를 정기적으로 쓴다고 답했습니다. 그러나 전사 규모로 확장하기 시작한 기업은 약 3분의 1이었고 어느 개별 기능에서도 에이전트를 확장 중이라고 답한 비율은 10%를 넘지 않았습니다. 도입은 넓어졌지만 회사가 일하는 방식 전체를 바꾼 사례는 아직 드뭅니다.

AI를 쓰는 회사와 AI로 운영되는 회사는 다릅니다

2026년 6월 공개된 INSEAD와 Harvard Business School 연구는 “AI 네이티브 기업이 없다”는 제목에 정면으로 반례를 듭니다. 연구진은 2020–2024년 첫 투자를 받은 미국 벤처 기업과 Y Combinator 스타트업을 분류했습니다. 같은 산업·설립 시기의 비AI 스타트업보다 AI 네이티브 기업이 25% 작고 엔지니어 비중은 13% 높으며 초급 직원과 관리자 비중은 각각 약 15% 낮다는 결과를 냈습니다.

AI-Native Firms 제목과 AI 네이티브 스타트업의 조직 특성을 설명하는 INSEAD 공식 연구 페이지

출처: INSEAD, AI-Native Firms. 2026-08-18 확인. 이 연구는 2026년 작업 논문이며 스타트업 표본의 제품 설명·채용 공고와 인력 데이터를 바탕으로 AI 네이티브 여부를 분류합니다.

이 연구는 AI를 제품 안에 심은 기업이 이미 존재하고 더 작고 평평한 조직을 만들 가능성도 있다는 점을 보여 줍니다. 다만 표본의 분류 기준은 제품 설명과 채용 공고 인력 구성입니다. ERP의 예산 승인, 고객 데이터 접근, 법무 검토, 결제 예외, 사고 책임까지 에이전트가 일관된 통제 아래 처리하는지를 검증한 운영 감사는 아닙니다. 연구진도 AI가 제품에 들어가는 제품 채널과 회사 안의 일하는 방식을 바꾸는 프로세스 채널을 나눕니다.

Microsoft는 2025 Work Trend Index에서 사람과 에이전트가 함께 일하고 고정 조직도 대신 업무 중심의 “Work Chart”를 쓰는 회사를 Frontier Firm이라고 불렀습니다. 흥미로운 미래상입니다. 동시에 Microsoft 스스로 “등장하고 있다”고 표현했고 그 조사는 기업의 운영 체계를 감사한 목록이 아니라 설문과 제품 사용 신호를 합친 전망입니다. 이름이 붙었다고 완성된 운영 모델까지 증명되는 것은 아닙니다.

제품에 AI가 들어간 상태가 AI in the business라면, 회사가 돌아가는 법 자체를 AI에 맞게 바꾸는 상태는 AI on the business입니다. 전자는 이미 흔합니다. 후자는 결정권과 책임의 배치를 건드립니다. 어려운 절반은 여기서 시작됩니다.

에이전트는 조직도보다 숨은 운영 규칙에 부딪힙니다

공식 조직도는 누가 누구에게 보고하는지 알려 줍니다. 그러나 일이 끝나는 경로는 다릅니다. 예를 들어 거래처 비용을 지급하려면 시스템상 재무팀 결재만 받으면 되는 것처럼 보일 수 있습니다. 실제로는 특정 계약이면 법무 담당자에게 먼저 묻고 한도를 넘으면 본부장의 메신저 승인을 받고 월말에는 다른 양식을 쓰는 식의 예외가 붙습니다. 그 규칙을 아는 한 사람이 휴가를 가면 업무가 멈춥니다.

공식 조직도와 예외·승인·우회·재작업으로 이어지는 실제 운영 지도를 나란히 보여 주는 도식

사람은 필요할 때 담당자에게 한 번 물어보면 됩니다. 에이전트는 그럴 수 없습니다. 요청자가 바뀌고 담당자가 이동해도 같은 기준으로 움직이려면 예외, 승인, 데이터 출처, 중단 조건이 읽을 수 있는 형태로 남아 있어야 합니다. 머릿속의 관행을 문서로 옮기는 순간 그동안 보이지 않던 결정권이 드러납니다. “왜 이 사람만 승인하는가”, “왜 이 부서만 예외인가”, “왜 같은 계약을 두 번 입력하는가”라는 질문이 생깁니다.

여기서 AI 도입이 기술 프로젝트를 넘어 정치적인 변화가 됩니다. 불투명한 절차가 반드시 악의로 생긴 것은 아닙니다. 오래된 시스템의 빈틈을 메우고 사고를 피하려고 사람들이 합리적으로 만든 우회로가 대부분입니다. 다만 그 우회로가 특정 사람의 영향력과 부서 경계를 지켜 주는 균형이 되면, 문서화와 자동화는 현재의 권력 배치를 흔듭니다.

기존 조직과 떨어진 “AI 네이티브 자회사”를 만드는 방법도 이 지점에서 자주 막힙니다. 새 팀은 빠르게 움직이지만 실제 고객 데이터, ERP, 매출 책임, 구매 권한에는 손을 대지 못합니다. 그러면 멋진 데모와 이사회 보고 자료는 남아도 핵심 업무 흐름은 바뀌지 않습니다. 별도 조직보다 먼저 필요한 것은 기존 회사 안에서 실제 예산과 결정권을 가진 작은 운영팀입니다. 이 팀이 한 업무의 시작부터 종료까지 바꿀 수 있어야 합니다.

Shadow AI는 일탈이면서 공식 환경의 속도 문제입니다

회사 AI 도구의 구매 승인은 몇 달이 걸리는데 이번 주 안에 고객 문서 80개를 분류해야 한다면, 현업은 기다리지 않습니다. 개인 ChatGPT나 Claude 계정을 열고 파일을 올리거나, 자기 노트북에서 스크립트와 에이전트를 돌립니다. 회사 화면에서는 아무 일도 없지만 실제 업무는 공식 시스템 밖에서 끝납니다. 이것이 Shadow AI입니다.

느린 공식 도구가 개인 AI와 데이터 사각지대로 이어지는 경로와 승인된 AI 작업공간·신원·기록·사고 대응이 연결된 개선 경로

Microsoft Security는 승인되지 않고 보호되지 않은 AI 앱 사용을 Shadow AI로 설명하며 민감 데이터 유출 위험을 경고합니다. 접근 통제와 브라우저 DLP 같은 방어 수단도 제시합니다. 필요한 통제입니다. 그러나 차단 목록만 늘리면 현업의 마감일과 업무량은 그대로 남습니다. 사용자는 더 안 보이는 우회로를 찾습니다.

공식 경로가 이기려면 안전할 뿐 아니라 더 빨라야 합니다. 회사가 승인한 AI 작업공간에서 필요한 모델을 선택할 수 있고 업무 시스템과 연결하는 방법이 분명하며 권한 신청이 며칠 안에 끝나야 합니다. 하나의 모델로 통일할 필요는 없습니다. 무엇을 써도 지켜야 하는 데이터 등급, 외부 전송 규칙, 사람 승인 지점을 한 기준으로 맞추는 편이 현실적입니다.

에이전트에는 사람 계정을 그대로 빌려주지 말고 별도의 신원과 최소 권한을 줘야 합니다. 누가 요청했고 어떤 자료를 읽었으며 무슨 판단을 거쳐 무엇을 바꿨는지 남겨야 합니다. 고위험 행동은 실행 전에 사람에게 돌아오고 잘못된 메일 발송이나 데이터 변경이 생겼을 때 중지·복구·통지할 담당자가 정해져 있어야 합니다.

이 요구는 과장된 체크리스트가 아닙니다. NIST의 생성형 AI 프로필은 조직의 생성형 AI 시스템 목록, 사람의 감독 역할, 기록 보존, 사고 대응과 사후 검토를 권고합니다. 제3자 AI에 대해서도 책임 주체를 정하고 대응 계획을 반복 훈련하라고 적습니다. 회사가 에이전트를 직원처럼 쓰려면 직원에게 적용하던 신원·권한·기록·사고 절차를 에이전트에 맞게 다시 설계해야 한다는 뜻입니다.

낡은 지표는 에이전트가 만든 가치를 놓칩니다

운영 환경을 갖춰도 한 문제가 더 남습니다. 기업은 오랫동안 사람 수, 투입 시간, 좌석, 산출물 수로 예산을 짰습니다. 컨설팅과 법무는 시간을 청구하고 소프트웨어는 사용자 좌석으로 가격을 매기며 경영 계획은 FTE를 기준으로 돌아갑니다. 에이전트가 80시간짜리 분석을 40분에 끝내면 가치는 분명 생겼는데 기존 장부에는 들어갈 칸이 없습니다.

시간·좌석·FTE·산출물 수에서 완료된 업무·사이클 타임·사람 검토 시간·위험 조정 가치로 측정 단위가 바뀌는 도식

시간당 요율을 그대로 유지하면 40분 만에 끝낸 공급사는 손해를 보고 80시간을 계속 청구하면 고객이 납득하지 못합니다. 디자인도 결과물 한 개라는 단위만으로는 사람과 에이전트가 함께 만든 수십 개의 변형안을 평가하기 어렵습니다. 소프트웨어 좌석은 더 어색합니다. 한 에이전트가 밤낮으로 여러 업무를 오가는데 사람 좌석 하나와 같은 방식으로 세면 비용과 위험을 동시에 왜곡합니다.

Microsoft가 제안한 사람-에이전트 비율은 이 변화를 생각하게 만드는 출발점입니다. 하지만 비율만으로는 부족합니다. 에이전트 열 대가 만든 초안을 사람 한 명이 전부 다시 고친다면 디지털 인력은 늘었어도 업무는 좋아지지 않았습니다. 고객 문제 하나가 끝날 때까지 걸린 전체 시간, 사람이 수정한 시간, 재작업 횟수, 승인되지 않은 행동, 실패 후 복구 비용을 같이 봐야 합니다.

제가 운영표를 만든다면 네 줄부터 시작하겠습니다. 첫째는 사람이 정의한 완료 조건을 충족한 업무 완료율, 둘째는 요청부터 실제 종료까지의 사이클 타임, 셋째는 사람이 다시 읽고 고친 검토 시간, 넷째는 데이터·권한·오류 비용을 뺀 위험 조정 가치입니다. 조직마다 계산법은 달라져도 질문은 같습니다. “AI를 얼마나 많이 썼는가”가 아니라 “고객 문제를 끝내는 데 든 총 시간과 수고가 줄었는가”입니다.

첫 90일에는 전사 혁신보다 한 업무를 끝까지 바꿉니다

AI 네이티브라는 이름을 먼저 붙일 필요는 없습니다. 첫 90일의 목표는 한 업무 흐름을 회사가 안전하게 끝낼 수 있는지 확인하는 것입니다. 고객 환불, 공급업체 등록, 영업 제안서 승인처럼 시작과 종료가 분명하고 여러 부서가 얽힌 업무 하나를 고릅니다. 단순 FAQ는 성공하기 쉽지만 조직의 실제 운영 모델을 시험하기에는 너무 얕습니다.

관찰·가시화·통제된 실행·측정과 확장으로 이어지는 첫 90일의 운영 모델 시험 순서

1–2주에는 시스템 설명서보다 실제 화면과 대화를 봅니다. 누가 엑셀을 따로 만들고 어떤 경우에 메신저 승인을 받으며 어디서 같은 값을 두 번 입력하는지 기록합니다. 3–4주에는 결정권자, 데이터 출처, 예외, 사람 승인, 중단 조건을 문서로 만듭니다. 이 단계에서 합의가 안 되면 에이전트를 연결하지 않습니다. 자동화가 실패한 것이 아니라 업무 소유권이 아직 정해지지 않은 것입니다.

5–8주에는 승인된 AI 작업공간과 읽기 전용 데이터로 시작합니다. 초안 작성과 분류를 맡기고 외부 발송·결제·삭제·권한 변경은 사람이 승인합니다. 모든 행동에는 요청자, 사용 데이터, 판단 결과, 변경 내역을 남깁니다. 9–12주에는 완료율, 사이클 타임, 사람 검토 시간, 예외와 사고를 봅니다. 개선이 확인된 단계만 쓰기 권한을 늘립니다.

중단 신호도 미리 정해야 합니다. 사람이 고치는 시간이 줄지 않거나, 같은 예외가 반복되거나, 누가 최종 책임자인지 답할 수 없거나, 로그만으로 원상 복구가 불가능하면 범위를 넓히지 않습니다. 반대로 한 흐름을 안전하게 끝냈다면 다음 업무가 공유할 데이터 계약과 권한 규칙이 생깁니다. 이것이 쌓여야 회사의 운영 체계가 바뀝니다.

내부 AI팀에는 이름보다 권한이 중요합니다. 자문위원회나 전담 임원 한 명으로 끝내지 말고 예산을 쓰고 도구를 표준화하며 실제 업무 소유자와 함께 프로세스를 바꿀 수 있는 엔지니어링·운영팀이어야 합니다. 새 팀을 회사 밖에 떼어 놓으면 다시 데이터와 결정권에서 멀어집니다. 기존 조직 안에서 한 흐름의 결과를 책임지게 하는 편이 낫습니다.

AI 기능을 추가하는 AI in the business는 쉬운 절반입니다. 오래 걸리는 쪽은 AI on the business입니다. 조직이 실제로 어떻게 움직이는지 드러내고 공식 AI가 Shadow AI보다 빠르게 일하게 만들며 에이전트의 신원과 책임을 운영 체계에 넣고 낡은 가치 단위를 바꾸는 일입니다. 이 기준을 통과한 기업이 아직 드문 것은 모델이 부족해서가 아닙니다. 회사가 수십 년 동안 최적화해 온 자신의 운영 법칙을 다시 써야 하기 때문입니다.

참고한 자료

보도 내용, 공식 문서, 정책 배경, 제품 정보처럼 시간이 지나면 바뀔 수 있는 내용을 확인할 때 본 자료입니다.