기업 AX 7단계 공식: PoC 다음 진짜 승부는 프라이빗 AI, GPU, 보안, 비용이다
이번 글의 핵심은 단순히 “AI를 도입하자”가 아닙니다.
PoC를 통과했는데도 왜 기업의 AI 전환이 멈추는지, 개인은 AI로 빨라졌는데 왜 조직 생산성은 그대로인지, 클라우드 AI 비용이 왜 눈덩이처럼 불어나는지, 그리고 결국 왜 기업마다 자체 GPU와 프라이빗 AI 서버를 고민하게 되는지를 정리했습니다.
특히 박종천 지란지교소프트 CAIO의 경험담을 바탕으로, 기업 AX를 0단계부터 6단계까지 실무 관점에서 재구성했습니다.
개발 조직의 바이브 코딩, VDLC, AI 시대 채용 방식, AI 풀스택 개발자, 조직 지식 라이브러리, AI 보안, GPU 투자까지 한 번에 연결해서 보면, 앞으로의 AI 산업과 디지털 전환 흐름이 훨씬 선명하게 보입니다.
1. CAIO는 무엇을 하는 사람인가: 회사의 모든 AI 의사결정에 손을 얹는 역할
CAIO는 단순히 AI 기술을 잘 아는 임원이 아닙니다.
기업 내부의 업무 방식을 AI 중심으로 바꾸고, 기존 제품에 AI 기능을 넣고, 고객사의 AI 전환까지 설계하는 역할에 가깝습니다.
박종천 CAIO가 말한 역할은 크게 세 가지로 정리할 수 있습니다.
- 사내 AX 전환: 직원 200명 규모의 조직이 AI로 일할 수 있도록 업무 방식을 바꾸는 일입니다.
- AI 제품화: 기존 보안 솔루션 안에 AI 보안 관리자 같은 기능을 넣어 제품 경쟁력을 높이는 일입니다.
- 고객사 AX 지원: 외부 기업이 AI 전환을 할 수 있도록 컨설팅, 솔루션, 구축을 지원하는 일입니다.
여기서 중요한 점은 CAIO가 기술만 보는 사람이 아니라는 겁니다.
사람의 일하는 방식, 조직문화, 보안 정책, 비용 구조, 데이터 흐름, 개발 프로세스까지 모두 같이 봐야 합니다.
그래서 기업의 AI 전환은 단순한 IT 프로젝트가 아니라 기업 생산성을 다시 설계하는 경영 프로젝트에 가깝습니다.
2. 개발 조직은 이미 SDLC에서 VDLC로 넘어가고 있다
기존 소프트웨어 개발 방식은 SDLC였습니다.
SDLC는 Software Development Life Cycle의 약자로, 요구사항 정의, 설계, 개발, 테스트, 배포를 순서대로 진행하는 전통적인 개발 프로세스입니다.
그런데 바이브 코딩 시대에는 이 구조가 바뀌고 있습니다.
박종천 CAIO는 이를 VDLC라고 표현합니다.
VDLC는 코드 중심이 아니라 의도와 문서 중심으로 개발이 진행되는 방식입니다.
- 사람은 코드를 직접 짜는 비중이 줄어듭니다.
- 사람은 의도, 요구사항, 설계 문서를 잘 정리합니다.
- AI는 그 문서를 기반으로 코드를 만들고 테스트합니다.
- 개발자는 코드 작성자가 아니라 AI에게 일을 시키는 설계자와 리뷰어가 됩니다.
이 변화는 생각보다 큽니다.
예전에는 코드가 핵심 자산이었지만, 이제는 정확한 의도와 스펙 문서가 핵심 자산이 됩니다.
코드는 AI가 만드는 결과물이고, 진짜 중요한 것은 AI가 오해하지 않도록 일을 정의하는 능력입니다.
이 흐름은 글로벌 빅테크에서도 이미 빠르게 진행되고 있습니다.
예를 들어 아마존 같은 조직에서는 이슈 시스템에 올라온 티켓을 Claude Code 같은 AI 도구에 넘기고, 여러 개의 세션을 동시에 돌리며 문제 분석, 수정 계획, 테스트까지 진행하는 방식이 확산되고 있습니다.
한 사람이 AI 세션 여러 개를 동시에 다루면, 과거 몇 명이 하던 일을 훨씬 빠르게 처리할 수 있습니다.
다만 이 방식은 토큰 사용료와 AI 도구 비용이 커질 수밖에 없습니다.
글로벌 경제 전망 관점에서 보면, 앞으로 기업의 비용 구조에서 인건비만큼이나 AI 사용료와 GPU 인프라 비용이 중요한 항목으로 떠오를 가능성이 큽니다.
3. 바이브 코딩의 부작용: 인지 부채보다 더 무서운 것은 소통 부채
바이브 코딩은 개발 속도를 크게 높여줍니다.
하지만 부작용도 있습니다.
대표적으로 많이 이야기되는 것이 인지 부채입니다.
AI가 코드를 만들다 보니, 개발자가 내부 구현을 완전히 이해하지 못하는 문제가 생기는 겁니다.
그런데 박종천 CAIO가 더 중요하게 본 것은 소통 부채입니다.
AI와 일하는 시간이 늘어나면, 사람끼리 대화하는 시간이 줄어듭니다.
AI는 말도 잘 듣고, 빠르게 반응하고, 지치지 않습니다.
반면 사람과의 협업은 느리고, 의견 충돌도 있고, 조율이 필요합니다.
그래서 개발자가 점점 AI와만 대화하고, 팀원과 소통하지 않는 문제가 생길 수 있습니다.
하지만 조직의 일은 혼자 완성되지 않습니다.
내가 만든 결과물이 다른 사람의 일과 연결되어야 하고, 팀 전체 방향과 맞아야 합니다.
그래서 바이브 코딩이 강해질수록 오히려 데일리 스탠드업, 팀 회고, 소통 워크숍 같은 인간 간 커뮤니케이션 장치가 더 중요해집니다.
AI가 개인 생산성을 올려줄수록, 조직은 의도적으로 소통 구조를 설계해야 합니다.
4. AI 시대 개발자 채용은 코딩 테스트가 아니라 ‘AI로 제품 만들기’가 된다
AI 시대의 개발자 채용 방식도 바뀌고 있습니다.
지란지교소프트에서는 단순 알고리즘 코딩 테스트가 아니라, 실제 제품을 바이브 코딩으로 만들어 오는 방식의 테스트를 진행한다고 합니다.
예를 들어 오피스 에이전트 같은 어려운 기능을 일주일 안에 혼자 만들어 오게 합니다.
지원자는 기존 소스를 클론하고, AI 도구를 활용해서 작동하는 결과물을 만들어야 합니다.
더 흥미로운 점은 평가도 사람이 먼저 하지 않는다는 겁니다.
AI 평가 시스템이 지원자의 코드를 보고, 아키텍처, 구현력, 품질, 생산성 등을 분석해 보고서를 만듭니다.
Claude Code나 Codex 같은 여러 AI 도구로 교차 평가를 하고, 일정 점수를 넘으면 그때 이력서를 봅니다.
이 방식은 앞으로 AI 시대 채용의 방향을 보여줍니다.
- 단순히 코딩 문법을 아는 사람보다 AI로 결과물을 만드는 사람이 중요해집니다.
- 프론트엔드, 백엔드 구분보다 AI 풀스택 역량이 중요해집니다.
- AI를 얼마나 잘 지시하고, 결과물을 검증하고, 제품화할 수 있는지가 핵심 역량이 됩니다.
이제 신입 개발자도 AI를 잘 쓰면 빠르게 실전 수준의 결과물을 만들 수 있습니다.
반대로 AI를 못 쓰는 경력 개발자는 생산성 경쟁에서 밀릴 수 있습니다.
5. 기업 AX 7단계 공식: 0단계가 없으면 시작도 못 한다
박종천 CAIO는 기업의 AX 전환을 7단계로 정리합니다.
여기서 흥미로운 점은 1단계가 아니라 0단계부터 시작한다는 겁니다.
0단계는 너무 중요해서, 이게 없으면 아예 출발 자체가 어렵다는 의미입니다.
0단계: AX Readiness, 준비도 점검
기업 AX의 시작은 기술이 아니라 준비도입니다.
준비도에는 세 가지가 필요합니다.
- 대표의 의지: 최고경영진이 진심으로 AI 전환을 밀어야 합니다.
- AX 전담 조직: 현업과 외부 파트너 사이를 조율할 내부 TF가 필요합니다.
- 충분한 시간: AI 전환은 기술 문제가 아니라 문화 변화이기 때문에 시간이 필요합니다.
많은 기업이 PoC는 하지만 실제 확산에 실패하는 이유가 여기에 있습니다.
대표는 관심이 부족하고, 내부 전담 조직은 없고, 현업은 바쁘고, 직원들은 AI가 나를 대체할까 봐 경계합니다.
이 상태에서는 좋은 솔루션을 사도 제대로 안 굴러갑니다.
1단계: AX Kick-off, 전사적 출발 선언
킥오프는 단순한 행사처럼 보이지만 중요합니다.
전 직원에게 “이제 회사가 AI로 일하는 방식으로 바뀐다”는 메시지를 공식적으로 전달하는 단계입니다.
AI 전환은 일부 팀의 실험이 아니라 회사 전체의 방향이라는 공감대를 만들어야 합니다.
2단계: AX Discovery, 업무 분석과 아이디어 발굴
이 단계에서는 실제 업무를 분석합니다.
어떤 업무가 반복적인지, 어떤 업무에 데이터가 있는지, 어떤 업무가 AI로 자동화되거나 고도화될 수 있는지를 찾습니다.
현업 이해도가 매우 중요합니다.
AI 전문가가 보기에는 쉬워 보여도, 현업 데이터가 없거나 담당자가 받아들이지 않으면 실패합니다.
반대로 현업이 매일 힘들어하던 업무 중에는 AI로 큰 효과를 낼 수 있는 영역이 많습니다.
3단계: AX PoC, 실제로 만들어보기
아이디어만으로는 부족합니다.
작게라도 실제로 만들어서 돌아가는지 확인해야 합니다.
이 단계가 우리가 흔히 말하는 PoC입니다.
하지만 중요한 점은 PoC 통과가 끝이 아니라는 겁니다.
PoC는 “가능성 확인”일 뿐이고, 기업 AX의 진짜 어려움은 그다음부터 시작됩니다.
4단계: AX Adoption, 현업 적용
PoC가 성공하면 실제 업무에 넣어야 합니다.
이때 직원들의 태도가 바뀌는 순간이 옵니다.
처음에는 미지근하던 직원들도 AI 결과물이 자신의 업무보다 빠르고 잘 나오는 것을 보면 생각이 달라집니다.
“AI와 경쟁해야겠다”가 아니라 “AI를 타고 가야겠다”는 느낌을 받게 됩니다.
자동차보다 빨리 달리려 하지 말고 자동차를 타야 하는 것과 비슷합니다.
5단계: AX Scale-up, 전사 확산
한두 개 부서에서 효과가 나면 다른 부서들이 손을 들기 시작합니다.
“우리 부서도 해달라”, “이 업무도 바꿔달라”는 요청이 늘어납니다.
이때부터 AX는 프로젝트가 아니라 전사적 변화가 됩니다.
하지만 동시에 비용, 보안, 데이터 관리 문제가 커집니다.
6단계: Private Transformation, 프라이빗 AI 전환
스케일업이 본격화되면 결국 두 가지 문제가 발목을 잡습니다.
보안과 비용입니다.
직원들이 AI를 많이 쓸수록 토큰 비용이 늘어납니다.
업무 데이터가 AI 시스템에 많이 모일수록 보안 리스크도 커집니다.
그래서 기업은 결국 프라이빗 AI, 자체 GPU, 내부 AI 서버를 고민하게 됩니다.
이 흐름은 단순한 기술 유행이 아니라 클라우드 비용과 데이터 주권, 기업 보안이 결합된 구조적 변화입니다.
6. PoC 이후 진짜 비용이 시작된다: 빌릴 것인가, 살 것인가
많은 기업은 처음에 클라우드 GPU를 빌려 쓰는 방식으로 접근합니다.
초기에는 이게 합리적으로 보입니다.
하지만 사용량이 늘어나면 계산이 달라집니다.
영상에서 언급된 사례처럼, 직원 200명 정도가 사용할 GPU 인프라를 클라우드로 빌리려 했더니 연간 약 5억 원 수준의 견적이 나왔습니다.
반면 고성능 GPU 서버를 직접 구매하면 약 2억 원대에서 검토할 수 있는 상황이었습니다.
물론 하드웨어 구성, 유지보수, 운영 인력, 모델 최적화 수준에 따라 실제 비용은 달라집니다.
하지만 핵심은 명확합니다.
AI 사용량이 일정 수준을 넘어서면, 클라우드 임대보다 자체 구축이 더 경제적일 수 있습니다.
이건 기업의 AI 인프라 투자가 단순한 비용이 아니라 중장기 CAPEX 전략이 될 수 있다는 뜻입니다.
앞으로 기업들은 직원 채용을 고민하듯 GPU 투자를 고민하게 될 가능성이 큽니다.
AI 직원의 시작은 결국 GPU라는 말이 괜히 나온 게 아닙니다.
7. GPU는 왜 ‘AI 직원’인가
사람은 퇴근합니다.
하지만 GPU는 밤새 일할 수 있습니다.
기업이 자체 GPU를 보유하면, 업무 시간이 끝난 뒤에도 AI가 문서 분석, 코드 생성, 로그 분석, 고객 요청 정리, 제안서 초안 작성 같은 일을 계속 처리할 수 있습니다.
이 관점에서 GPU는 단순한 장비가 아니라 24시간 일하는 AI 직원의 기반입니다.
물론 GPU를 샀다고 자동으로 생산성이 올라가는 것은 아닙니다.
GPU를 제대로 활용하려면 모델, 에이전트 프레임워크, 툴콜링, 내부 데이터 연동, 보안 체계가 함께 있어야 합니다.
하지만 일단 이 구조가 만들어지면, 기업은 AI 사용료를 외부에 계속 지불하는 구조에서 벗어나 내부 자산으로 생산성을 쌓을 수 있습니다.
이는 엔비디아 같은 GPU 기업뿐 아니라, 서버 인프라, 오픈소스 모델, AI 보안, 데이터 플랫폼 시장에도 큰 영향을 줄 수 있습니다.
8. 개인 생산성이 조직 생산성으로 이어지지 않는 이유
요즘 개인은 AI를 꽤 잘 씁니다.
보고서 초안도 만들고, 이메일도 쓰고, 코드도 짜고, 시장 조사도 합니다.
그런데 회사 전체 생산성이 그만큼 올라갔느냐고 물으면 대답이 애매합니다.
이유는 간단합니다.
개인이 쓰는 AI는 개인의 지식과 파일 안에서만 작동하는 경우가 많기 때문입니다.
조직 전체의 데이터, 문서, 이력, 고객 정보, 업무 프로세스와 연결되어 있지 않으면 AI는 그냥 개인 도구에 머뭅니다.
기업 AX가 성공하려면 개인 AI에서 조직 AI로 넘어가야 합니다.
여기서 핵심은 조직 지식 라이브러리입니다.
회사 문서, 이메일, 회의록, 고객 요청, 제안서, 제품 매뉴얼, 정책 문서가 연결되어 있어야 합니다.
그래야 AI가 정보를 찾아다니지 않고, 필요한 지식을 꺼내서 일할 수 있습니다.
직원들이 업무 시간의 상당 부분을 정보를 찾는 데 쓰고, 또 잘못된 정보 때문에 일을 다시 하는 경우가 많다는 점을 생각하면, 조직 지식 라이브러리는 기업 생산성의 핵심 인프라가 됩니다.
9. 기업 AI 성숙도 4단계: 개인용 AI에서 조직형 AI 직원으로
박종천 CAIO의 관점을 바탕으로 기업 AI 성숙도를 다시 정리하면 4단계로 볼 수 있습니다.
1단계: 개인용 AI
ChatGPT, Claude Chat 같은 도구에 개인이 질문하고 답을 얻는 단계입니다.
대부분의 기업 직원들이 이미 경험하고 있는 수준입니다.
회사에는 일부 도움이 되지만, 조직 차원의 변화라고 보기는 어렵습니다.
2단계: 업무용 AI
Claude Code 같은 도구에 개인 문서, 제안서, 자료를 넣고 실제 업무 결과물을 만드는 단계입니다.
이 단계에서는 문서 작성, 보고서 작성, 기획안 작성, 코드 작성의 생산성이 크게 올라갑니다.
박종천 CAIO는 이제 인간이 파워포인트나 워드 문서를 직접 만드는 시대에서 벗어나야 한다고 봅니다.
사람은 의도와 스펙을 정의하고, AI가 결과물을 만들어야 한다는 겁니다.
3단계: 조직 지식 기반 AI
개인 문서가 아니라 회사 전체의 지식 라이브러리를 기반으로 AI가 일하는 단계입니다.
이 단계에 들어서면 직원이 정보를 찾아다니는 시간이 줄어듭니다.
AI가 회사 문서, 고객 이력, 이메일, 내부 자료를 바탕으로 결과물을 만들 수 있습니다.
4단계: 시스템 연동형 AI 직원
AI가 단순 답변 도구를 넘어 회사 시스템과 연결되는 단계입니다.
이메일, CRM, 결재 시스템, 고객지원 시스템, 문서 저장소, 개발 티켓, 대시보드가 연결됩니다.
예를 들어 “어제 들어온 고객 요청을 분석하고, 관련 제안서 초안을 만들고, 담당자에게 공유해줘” 같은 일을 AI가 처리할 수 있습니다.
이 단계가 되면 AI는 도구가 아니라 직원처럼 일하기 시작합니다.
10. AI 보안은 선택이 아니라 필수다
AI가 회사 데이터를 많이 다룰수록 보안 위험은 커집니다.
예전에는 데이터가 흩어져 있어서 공격자가 가져갈 게 제한적이었습니다.
하지만 AX가 진행되면 회사의 중요한 데이터가 AI 시스템 주변으로 모입니다.
이렇게 되면 공격자 입장에서는 훨씬 매력적인 표적이 됩니다.
그래서 AI 생산성과 AI 보안은 따로 갈 수 없습니다.
AI를 활용해 생산성을 올리는 만큼, AI 해킹에 대응하는 보안 체계도 함께 발전해야 합니다.
기존의 규칙 기반 보안만으로는 한계가 있습니다.
AI 기반 공격은 계속 변형되고, 프롬프트 인젝션, 데이터 유출, 권한 오남용, 내부 문서 노출 같은 새로운 리스크를 만들기 때문입니다.
앞으로 기업 AI 보안은 단순 접근 통제가 아니라, AI가 어떤 데이터를 읽고, 어떤 판단을 했고, 어떤 액션을 수행했는지 추적하는 방향으로 발전할 가능성이 큽니다.
11. AI 풀스택 구조: GPU부터 툴콜링까지 이해해야 한다
기업용 프라이빗 AI를 만들려면 여러 계층을 이해해야 합니다.
핵심 구조는 다음과 같습니다.
- GPU: AI 모델을 실행하는 물리적 연산 인프라입니다.
- AI 모델: 오픈소스 LLM이나 기업 전용 모델이 올라갑니다.
- 에이전트 프레임워크: LangGraph 같은 프레임워크가 모델을 활용해 작업 순서를 구성합니다.
- 툴콜링: AI가 이메일, 문서, 검색, 결재, 데이터베이스 같은 외부 도구를 호출하는 기능입니다.
- 서비스 연동: 회사 내부 문서, 메일, 채팅, 고객 데이터, 업무 시스템과 연결됩니다.
여기서 기업이 직접 잘해야 하는 부분은 대개 툴콜링과 내부 시스템 연동입니다.
GPU는 사고, 모델은 오픈소스를 올리고, 에이전트 프레임워크는 검증된 것을 쓰면 됩니다.
하지만 우리 회사의 문서 시스템, 고객 데이터, 레거시 시스템, 보안 정책을 AI와 연결하는 일은 회사마다 다릅니다.
그래서 앞으로는 AI 풀스택 개발자의 가치가 커집니다.
AI 풀스택 개발자는 프론트엔드와 백엔드만 아는 사람이 아닙니다.
GPU, 모델, RAG, 에이전트, MCP, 툴콜링, 내부 시스템 연동까지 전체 구조를 이해하고 조립할 수 있는 사람입니다.
다만 모든 것을 밑바닥부터 직접 만드는 시대는 아닙니다.
좋은 오픈소스와 프레임워크를 가져와 빠르게 조립하고, 회사 업무에 맞게 연결하는 능력이 중요해지고 있습니다.
12. SaaS 시장도 흔들릴 수 있다: 기다릴 것인가, 직접 만들 것인가
AI 시대에는 기존 SaaS도 압박을 받습니다.
예전에는 지라, 노션, CRM, 문서관리 시스템 같은 도구를 사서 쓰는 것이 당연했습니다.
하지만 AI로 간단한 업무 시스템을 빠르게 만들 수 있다면, 기업은 기존 SaaS가 AI 시대에 적응하기를 기다리지 않을 수 있습니다.
오히려 내부 업무에 딱 맞는 간단한 도구를 바이브 코딩으로 직접 만드는 것이 더 빠를 수도 있습니다.
이 흐름이 일부에서 말하는 SaaS 아포칼립스 논의와 연결됩니다.
물론 모든 SaaS가 사라지는 것은 아닙니다.
하지만 AI와 깊게 통합되지 못한 SaaS는 경쟁력이 약해질 수 있습니다.
반대로 기업 데이터, 워크플로우, AI 에이전트와 잘 연결되는 SaaS는 더 강해질 수 있습니다.
13. 다른 뉴스나 유튜브에서 잘 말하지 않는 가장 중요한 포인트
진짜 핵심은 “AI 도구를 쓰느냐”가 아니라 “AI가 조직의 지식과 시스템에 접근해 스스로 일할 수 있느냐”입니다.
많은 콘텐츠가 ChatGPT 활용법, 프롬프트 작성법, 업무 자동화 팁을 이야기합니다.
하지만 기업 AX의 본질은 개인 생산성 도구 사용법이 아닙니다.
기업이 진짜 바뀌려면 다음 세 가지가 동시에 갖춰져야 합니다.
- 조직 지식 라이브러리: AI가 회사의 맥락을 알아야 합니다.
- 프라이빗 AI 인프라: 비용과 보안을 통제할 수 있어야 합니다.
- 툴콜링과 시스템 연동: AI가 말만 하는 것이 아니라 실제 업무 시스템에서 행동할 수 있어야 합니다.
이 세 가지가 없으면 AI는 똑똑한 검색창에 머뭅니다.
반대로 이 세 가지가 갖춰지면 AI는 밤새 일하는 디지털 직원이 됩니다.
여기서 기업의 경쟁력 차이가 벌어질 가능성이 큽니다.
앞으로 글로벌 경제 전망에서 중요한 변수는 금리, 환율, 공급망뿐 아니라 기업들이 얼마나 빠르게 AI 인프라를 내재화하느냐가 될 수 있습니다.
AI를 외부 도구로만 쓰는 기업과 내부 운영체제로 흡수하는 기업의 생산성 격차는 시간이 갈수록 커질 가능성이 높습니다.
14. 투자와 산업 관점에서 봐야 할 변화
이번 이야기는 단순히 한 회사의 AX 경험담이 아닙니다.
AI 산업의 돈이 어디로 흐를지 보여주는 신호이기도 합니다.
- GPU 수요는 계속 강할 가능성이 큽니다. 기업들이 자체 AI 서버를 고민할수록 엔비디아 중심의 GPU 생태계는 더 중요해집니다.
- 클라우드 비용 최적화 시장이 커질 수 있습니다. AI 사용량이 늘수록 기업은 빌릴지, 살지, 하이브리드로 갈지 계산해야 합니다.
- AI 보안 시장이 본격화될 가능성이 큽니다. 데이터가 모일수록 공격 가치도 커지기 때문입니다.
- 오픈소스 모델과 에이전트 프레임워크의 중요성이 커집니다. 기업은 GPT API만 쓰는 구조에서 벗어나 자체 모델 운영을 검토하게 됩니다.
- AI 풀스택 인재 수요가 커질 가능성이 큽니다. 프론트엔드, 백엔드 구분보다 AI 시스템 전체를 조립하는 역량이 중요해집니다.
특히 기업 입장에서는 AI 투자 판단이 더 복잡해질 수 있습니다.
단순히 월 구독료를 내고 AI 서비스를 쓰는 수준을 넘어, GPU 서버 구매, 데이터 보안, 내부 시스템 연동, 조직 교육, 업무 프로세스 재설계까지 함께 봐야 하기 때문입니다.
이제 AX는 IT 예산의 문제가 아니라 경영 전략과 자본 배분의 문제가 되고 있습니다.
< Summary >
기업 AX는 PoC만 성공한다고 끝나지 않습니다.
진짜 승부는 현업 적용, 전사 확산, 보안, 비용, 프라이빗 AI 구축에서 갈립니다.
박종천 CAIO가 제시한 AX 7단계는 0단계 준비도, 킥오프, 업무 발굴, PoC, 현업 적용, 스케일업, 프라이빗 전환으로 정리할 수 있습니다.
개발 조직은 SDLC에서 VDLC로 이동하고 있으며, 사람은 코드보다 의도와 문서를 관리하는 역할로 바뀌고 있습니다.
개인 AI 생산성이 조직 생산성으로 이어지려면 조직 지식 라이브러리와 시스템 연동이 필수입니다.
AI 사용량이 늘면 클라우드 비용과 보안 문제가 커지고, 결국 자체 GPU와 프라이빗 AI 서버가 중요한 선택지가 됩니다.
앞으로 기업 경쟁력은 AI 도구를 얼마나 많이 쓰느냐가 아니라, AI를 조직의 지식과 업무 시스템 안에 얼마나 깊게 내재화하느냐에서 갈릴 가능성이 큽니다.
