디지털 전환의 다음 단계, AI 전환(AX)에서 실제로 숫자를 만들어낸 기업들은 무엇을 다르게 했을까
DX(Digital Transformation)가 아날로그 업무를 디지털로 옮기는 작업이었다면, AX(AI Transformation)는 그 디지털화된 환경 위에 AI를 얹어 의사결정 구조 자체를 바꾸는 작업이다. DX 시대에는 “인간이 결정하고 시스템이 실행”했지만, AX 시대에는 “AI가 제안하고 인간이 결정·책임”지는 구조로 무게중심이 옮겨간다. 재고를 엑셀로 관리하는 것이 DX였다면, AI가 재고 흐름을 예측하고 발주까지 추천하는 것이 AX다.
숫자로 보면 흐름은 분명하다. 맥킨지에 따르면 2026년 1분기 기준 기업의 72%가 최소 하나의 AI 워크로드를 실제 운영에 투입하고 있다. 2024년 55%, 2020년 20%에 불과했던 것과 비교하면 가파른 상승이다. 91%의 기업이 어떤 형태로든 AI를 쓰고 있고, 에이전틱 AI를 도입한 조직도 약 23%에 달한다.
문제는 도입과 성과 사이의 간극이다. 같은 조사에서 AI 도입으로 EBIT의 5% 이상을 끌어올린 “AI 고성과 기업”은 전체의 6%에 불과했고, 다른 조사에서는 기업 AI 프로젝트의 89%가 비즈니스 가치를 증명하지 못한 채 끝난다고 보고됐다. 56%의 CEO는 지난 12개월간 AI에서 측정 가능한 ROI를 얻지 못했다고 답했다. 즉 AX는 누구나 시작하지만, 끝까지 성과로 연결하는 기업은 소수라는 뜻이다. 아래 10곳은 그 소수에 속한다.
JPMorgan은 20만 명이 넘는 직원이 매일 사용하는 자체 LLM Suite를 사내에 전면 배포했다. 계약서 분석 AI인 COiN은 연간 1만 2천 건의 상업 신용계약서를 분석하는데, 과거 이 작업에는 변호사 인력 36만 시간이 투입됐다. 투자은행 부문에서는 에이전트가 수 시간 걸리던 피칭 자료를 30초 만에 만들어내며, 현재 450개 이상의 AI 에이전트 사용 사례가 실제 운영 중이다.
결과적으로 계약 검토 오류율은 80% 떨어졌고, 자산관리 부문 어드바이저들은 AI 활용으로 총매출이 20% 늘었다. JPMorgan은 AI를 통해 연간 15~20억 달러의 사업 가치를 만들어내겠다는 목표를 공개적으로 제시했다. 핵심은 AI를 법무·딜메이킹 같은 핵심 업무 깊숙이 박아 넣고, 조직 전체에 동시에 배포했다는 점이다.
월마트는 주문 정보, 매장 상황, 차량 데이터를 AI가 실시간으로 대조해 최적의 배송 경로를 자동으로 만들어내는 시스템을 구축했다. 사람이 짠 고정된 배송 스케줄로는 따라갈 수 없는 변동성을 AI가 실시간으로 흡수하는 구조다.
그 결과 연간 약 3천만 마일의 불필요한 주행이 사라졌고, 탄소배출도 9,400만 파운드 줄었다. 비용 절감과 ESG 지표 개선이 동시에 일어난 사례로, AX가 단순 효율화를 넘어 지속가능성 목표와 맞물릴 때 더 큰 정당성을 얻는다는 점을 보여준다.
Mayo Clinic은 AI 진단 보조와 운영 최적화 도구를 임상 현장에 결합했다. 의료 분야는 AI 도입의 리스크가 가장 큰 영역 중 하나지만, Mayo는 효율과 신뢰를 함께 설계하는 데 집중했다.
그 결과 연간 5천만 달러의 효율화 절감을 달성했고, 환자 만족도·충성도와 연결된 생존율 지표도 5% 개선됐다. 의료처럼 규제와 신뢰가 핵심인 영역에서도 AX가 비용과 결과 두 축 모두에서 성과를 낼 수 있음을 보여준 사례다.
테스코는 유럽 내 15개 이상의 물류 거점을 잇는 네트워크 스케줄링을 AI로 자동화했다. 과거에는 이 정도 규모의 스케줄을 짜는 데 수 시간이 걸렸다.
자동화 이후 같은 작업이 90분 이내로 끝난다. 단일 매장이 아니라 대륙 단위 네트워크 전체를 하나의 최적화 문제로 다뤘다는 점에서, AX가 규모가 커질수록 오히려 더 큰 레버리지를 만들어낸다는 것을 보여준다.
ChatGPT 등 외부 LLM으로의 정보 유출 우려가 커지자, 삼성전자는 자체 파운데이션 모델 Gauss를 만들어 사내 업무에 적용했다. 이는 단순한 도구 도입이 아니라 보안·통제권을 유지하면서 AI를 쓰겠다는 전략적 선택이었고, 삼성·SK·LG가 2026년 6월부터 전 직원에게 사내 AI 에이전트를 보급하는 흐름과도 맞닿아 있다.
Gauss 도입 이후 문서 처리 시간은 평균 40% 줄었고, 코드 리뷰 주기는 25% 단축됐다. 보안이 민감한 대기업·제조업에서는 외부 의존 없는 자체 모델 구축이 AX 성공의 전제조건이 될 수 있다는 점을 보여준다.
포스코는 흩어져 있던 PPT 형태의 기술 매뉴얼 1만 2,462건을 Document Intelligence로 처리해 구조화하고, 여기서 3만 7천 개의 Q&A를 자동 생성했다. 이를 바탕으로 GPT-4.1을 제조 현장 지식에 맞게 파인튜닝했다.
결과는 일반 모델 대비 19%의 성능 개선과 현장 만족도 44점 상승이었다. 중공업처럼 암묵지가 문서 속에 묻혀 있는 산업에서는, 도메인 특화 파인튜닝이 AX 성과를 가르는 변수가 된다는 것을 확인할 수 있다.
LG유플러스는 로밍 서비스 가입 절차에 LLM을 적용해 기존 10단계였던 절차를 4단계로 줄였다. 백엔드 효율화가 아니라 고객이 직접 겪는 프로세스 자체를 다시 설계한 것이다.
응대 시간은 60% 줄었고, 고객만족도(NPS)도 크게 올랐다. AX의 성과를 내부 비용 절감으로만 측정하지 않고 고객 경험 지표로 직접 연결한 사례다.
메리츠화재는 KT의 AI 보이스봇(A’Cen Cloud)을 텔레마케팅(TM) 채널에 도입했다. 사람 인력에 의존하던 TM 영업의 구조적 한계, 즉 인력 규모만큼만 매출이 늘어나는 한계를 AI로 풀어보려는 시도였다.
도입 이듬해 TM 채널의 장기인보험 매출은 전년 대비 20% 급증했고, 신계약의 65% 이상이 디지털 채널을 통해 이뤄졌다. 인력을 늘리지 않고도 매출을 확장할 수 있다는 것을 보여준 금융권 사례다.
현대모비스는 엔지니어들이 부품·기술 사양을 찾는 데 시간을 많이 쓴다는 좁은 문제 하나에 집중해 AI 검색 시스템을 도입했다.
결과는 단순하지만 강력했다. 검색 시간이 단 몇 초로 줄어 현장에서는 이를 “3초의 기적”이라 부른다. 전사적 전환이 아니라 명확하게 정의된 단일 업무를 AI로 풀었을 때도 체감 효과가 클 수 있다는 점을 보여준다.
인플루언서 마케팅 에이전시 바이버스는 캠페인 기획부터 인플루언서 매칭, 계약까지 전체 과정을 AI 에이전트가 지원하도록 만들었다. 통상 3주가 걸리던 이 과정을 자동화 대상으로 삼은 것 자체가 도전적인 시도였다.
그 결과 프로세스 기간이 1주 가까이로 줄었고, 해당 고객사는 분기별 KPI를 한 달 만에 달성했다. 마케팅처럼 ‘사람의 감’이 필요하다고 여겨지던 영역도 AX의 사정권 안에 있다는 것을 보여준 사례다.
위 10개 사례를 관통하는 공통점은 세 가지다. 첫째, AI 기술 자체보다 자기 조직의 데이터 구조와 규제 환경을 먼저 파악했다. 둘째, 데이터를 얼마나 많이 갖고 있느냐가 아니라 ERP·CRM 같은 핵심 시스템과 의사결정 체계에 AI가 실시간으로 연결됐는지가 성과를 갈랐다. 셋째, 전사적 캠페인이든(JPMorgan, 삼성) 좁게 정의된 단일 업무든(현대모비스) 명확한 목표 지표를 먼저 정하고 시작했다.
반대로 실패하는 89%의 프로젝트는 대개 기술력 부족이 원인이 아니다. 업무 현실을 충분히 반영하지 않은 채 AI를 얹기만 한 경우, 막대한 예산을 쓰고도 현장 실무진의 외면을 받는다.
지금 기준으로 AI가 EBIT의 5% 이상을 끌어올리는 ‘고성과 기업’은 전체의 6%에 불과하다. 하지만 업계 전망은 일치한다. 지금 우선순위를 정하고 첫 실증을 시작한 기업이 2027~2028년 본격적인 확산 국면에서 압도적으로 유리한 위치를 차지할 것이라는 점이다. AX는 더 이상 선택지가 아니라, 언제 시작하느냐의 문제로 좁혀지고 있다.
중고거래 안전결제, 다들 써보셨죠? AI 결제에도 이게 필요합니다. 문제는, 생각보다 훨씬 까다롭다는 거예요. 중고거래를 떠올려…
앞 편의 x402가 자판기였다면, 이번 두 방식은 '용돈 한도'와 '술집 외상장부'에 가깝습니다. 앞 편 복습:…