해외 AI 도입 사례

중국 최대 가전박람회 AWE: 지능세가 만든 '네이티브 AI' 전환 상하이 AWE를 보면 요즘 가전 AI가 어디로 가는지 한 번에 보입니다. 이제는 "AI가 들어갔다"는 말만으로 설득이 잘 안 되거든요. 중국 소비자들은 이 기능이 진짜 쓸모가 있는지부터 따지고, 그 기준을 딱 한 단어로 정리합니다. 지능세(智商税)요. 지능세로 걸러지는 시장에서는, 가전이 결국 네이티브 AI(하드웨어에 스며든 AI)로 전환할 수밖에 없다는 신호가 더 또렷해집니다. 1. AWE는 왜 '가전 트렌드의 바로미터'가 됐나 AWE는 중국 최대 가전 전시회인데요. 단순히 신제품을 늘어놓는 자리라기보다 중국 내수 시장의 기준이 어디로 움직이는지를 보여주는 장소에 가깝습니다. 중국은 시장이 크고, 경쟁이 빠릅니다. 기능이 애매하면 바로 외면받고, 반대로 "진짜 편해졌다"가 증명되면 순식간에 표준이 되죠. 이번 AWE에서 특히 눈에 띈 건 가전 기업과 IT 인프라 기업이 같은 판에서 섞이는 장면이었습니다. 예전처럼 "가전은 가전, IT는 IT"로 나뉘지 않아요. 가전은 점점 컴퓨팅 파워와 결합해, 환경을 이해하고 제어하는 시스템처럼 바뀌고 있습니다. 그래서 AWE를 보면 "AI가 유행인지 전환인지"가 보이는데요. 지금은 전환 쪽이 훨씬 가까워 보입니다. 2. 중국 소비자가 AI를 거르는 기준: '지능세(智商税)' 중국에서 요즘 자주 보이는 단어가 지능세(智商税)입니다. 직역하면 "IQ 세금"인데요. 뜻은 간단해요. 실효성 없는 기능에 비싼 값을 내는 상황을 비꼬는 표현입니다. 흥미로운 건, 이게 그냥 농담이 아니라는 점입니다. 중국 소비자들은 "AI가 들어갔다"는 말에 감탄하기보다, 이렇게 묻습니다. 그래서 내가 뭘 덜 하게 되나 그래서 비용이 실제로 줄어드나 그래서 불편이 사라지나 이 질문에 답이 없으면, 그 기능은 지능세가 됩니다. AWE 같은 전시회는 원래 과장이 나오기 쉬운 자리잖아요. 그런데 중국 시장은 그 과장이 오래 못 갑니다. 결국 소비자 언어로는 이렇게 정리되거든요. "이거 지능세냐 아니냐."

기술은 매일같이 쏟아지는데 왜 우리 사무실의 생산성은 여전히 제자리걸음일까요? 최근 실무 현장에서 만나는 분들은 공통적인 피로감을 호소합니다. 위에서는 "AI를 활용해 혁신하라"는 지시가 내려오고, 관련 협업 툴은 늘어만 가는데 정작 내 업무 시간은 줄어들지 않기 때문입니다. 오히려 도구를 익히느라 업무가 늘었다는 웃지 못할 소리도 들립니다. 이는 우리가 AI를 '업무의 일부를 대신해 줄 기특한 도구' 정도로만 여기며, 비즈니스 구조 자체를 바꿀 '인프라'로 보지 못하고 있다는 증거이기도 합니다. 그런데, 최근 중국이 발표한 정부 업무 보고 속 5가지 키워드를 살펴보면 달라집니다. 중국은 2026년 경제의 핵심 동력으로 AI+ 액션을 전면에 내세웠습니다. 여기서 주목할 점은 단순히 'AI를 쓰자'는 구호가 아니라, 이를 '신품질 생산력(New Quality Productive Forces)'으로 정의했다는 사실입니다. 과거의 성장이 노동력과 자본 투입에 의존했다면, 이제는 기술 혁신이 자원 배분의 효율성을 완전히 주도하는 단계로 넘어갔음을 선언한 것입니다. 특히 중소기업의 디지털 전환을 국가가 직접 견인하며 컴퓨팅 파워를 고속도로와 같은 공공 인프라로 구축하겠다는 계획은 시사하는 바가 큽니다. 이제 AI는 단순한 기술 트렌드를 넘어 냉정한 비즈니스 가치로 치환되어야 합니다. 실무자 입장에서 AI 도입의 성패는 결국 비용 효율성에 달려 있습니다. 중국의 사례처럼 데이터가 '핵심 생산 요소'로 인정받는다는 것은, 기업 내부에 쌓인 데이터가 단순히 보관용이 아니라 수익을 창출하는 자본이 되어야 함을 의미합니다. 인공지능을 도입할 때 우리가 따져야 할 것은 "얼마나 신기한가"가 아니라 "이 기술이 전체 소유 비용(TCO)을 얼마나 낮추고, 기존 인력이 더 고부가가치 업무에 집중하게 만들어 투자 대비 수익(ROI)을 극대화하는가"입니다. 컴퓨팅 파워 인프라가 갖춰진 시대에 데이터 자산화에 실패한 기업은 도태될 수밖에 없습니다. 결국 기술의 끝은 우리의 일하는 방식에 있습니다.

AI 이야기를 할 때 우리는 보통 기술부터 떠올립니다. 어떤 모델이 나왔는지, 자동화가 어디까지 가능한지 같은 이야기들이죠. 그런데 실제 조직에서는 질문이 조금 다르게 시작됩니다. "그래서 사람은 어떻게 되는 걸까?" 특히 은행처럼 사무 업무와 창구 업무 비중이 컸던 산업에서는 이 질문이 더 현실적으로 다가옵니다. AI가 반복 업무를 빠르게 대신하기 시작하면서, 인력 구조 자체를 어떻게 바꿀지가 중요한 경영 과제가 되고 있고, 인력 구조 자체를 어떻게 바꿀지가 중요한 경영 과제가 되고 있기 때문입니다. 흥미로운 점은 같은 변화 속에서도 나라별 대응 방식이 꽤 다르다는 겁니다. 대표적인 사례가 일본과 한국 은행입니다.나라별 대응 방식이 꽤 다르다는 겁니다. 대표적인 사례가 일본과 한국 은행입니다. 두 나라 모두 AI 도입과 점포 축소라는 같은 흐름을 겪고 있습니다. 하지만 사람을 다루는 방식은 꽤 다른 방향으로 움직이고 있습니다. AI 시대, 은행 인력 구조는 왜 바뀌고 있을까 AI가 은행 업무를 바꾸는 방식 은행 업무를 자세히 들여다보면 정형화된 반복 작업이 상당히 많습니다. 예를 들면 이런 것들이죠. 계좌 개설 서류 확인 송금 관련 서류 검증 고객 정보 등록 및 관리 이런 업무는 AI와 자동화 기술이 가장 빠르게 적용되는 영역입니다. 실제로 많은 은행들이 사무센터 자동화, AI 상담, 디지털 창구 같은 시스템을 이미 도입하고 있습니다. 예전에는 사람이 처음부터 끝까지 처리해야 했던 일이 이제는 AI가 1차로 처리하고, 사람은 예외 상황만 관리하는 구조로 바뀌고 있습니다.AI가 1차로 처리하고, 사람은 예외 상황만 관리하는 구조로 바뀌고 있습니다. 문제는 여기서 끝나지 않습니다. 업무 방식이 바뀌면 필요한 인력 규모도 같이 바뀌기 때문입니다. 사라지는 직무와 줄어드는 점포 또 하나 큰 변화는 오프라인 점포의 역할 축소입니다. 모바일 뱅킹과 비대면 금융 서비스가 일상화되면서 고객이 은행 지점을 방문하는 일 자체가 크게 줄었습니다. 그 결과 은행들은 최근 몇 년 동안 지점 통폐합과 점포 축소를 빠르게 진행하고 있습니다.

AI 이야기는 이제 어디에서나 들을 수 있습니다. 하지만 실제로 기업이 AI를 조직 전체에 어떻게 적용하고 있는지를 구체적으로 들을 기회는 생각보다 많지 않습니다. 얼마 전 일본에서 열린 DeNA × AI Day 2026에 Team JCurve 일본 크루가 직접 참석할 기회가 있었습니다. DeNA는 2025년 "AI All-in"을 선언한 이후 약 1년 동안 조직 전체를 AI 중심으로 재설계해 왔는데요. 현장에서 들은 이야기는 단순한 기술 소개라기보다 AI 시대에 조직과 사업이 어떻게 바뀌고 있는지를 보여주는 사례에 가까웠습니다. 특히 인상적이었던 건 AI 도입 이후 실제로 벌어지고 있는 변화와 그에 따른 현실적인 고민들이었습니다. 일본 기업 DeNA는 지금 AI를 통해 조직을 어떻게 바꾸고 있을까요? 이 글에서 볼 수 있는 내용 DeNA AI 올인 전략과 실제 성과 AI 도입 이후 조직에서 나타난 변화 AI 시대 기업 경쟁력: Velocity 일본 기업이 AI에서 가질 수 있는 기회 DeNA가 ‘AI 올인’을 선언한 이유 AI All-in 전략과 조직 재설계 DeNA는 2025년 "AI All-in" 전략을 선언했습니다. 단순히 AI 도구를 도입하는 수준이 아니라, 조직 전체의 업무 방식을 AI 중심으로 다시 설계하겠다는 선언이었습니다. 발표에 따르면 당시 DeNA는 약 3,000명 규모의 현업 조직을 기준으로 계획을 세웠습니다. 목표는 명확했습니다. AI를 적극적으로 활용해 기존 사업을 절반 수준의 인력으로도 운영 가능하게 만들고, 남는 인력을 신규 사업과 스타트업 협업으로 이동시키겠다는 전략이었죠. 즉, AI를 단순한 생산성 도구로 쓰는 것이 아니라 사업 포트폴리오를 확장하는 레버리지로 활용하려는 접근입니다. 실제로 DeNA는 내부 사업뿐 아니라 스타트업과의 공동 사업도 함께 추진하면서, 하나의 회사가 여러 사업을 동시에 전개하는 구조를 만들겠다는 방향을 제시했습니다. 1년 만에 나타난 실제 성과 AI 올인 선언 이후 약 1년. 현장에서 공유된 수치들은 꽤 인상적이었습니다.

최근 AI 도입을 검토하는 기업이 정말 많아졌죠. 하지만 실무자 입장에서 가장 곤혹스러운 순간은 아마 경영진의 이 한마디일 겁니다. "그래서 이거 도입하면 정확히 얼마를 벌어다 주나요?" 사실 생성 AI는 '업무 질 향상'이나 '창의성 증대' 같은 정성적인 효과가 크다 보니, 이걸 구체적인 금액으로 환산해서 보고하기가 참 까다롭거든요. 숫자로 증명하지 못하면 결국 결재판은 멈추기 마련이죠. 그래서 오늘은 꼼꼼하기로 유명한 일본 기업들이 실제로 활용하는 AI ROI 산출 로직을 살펴보려고 합니다. 모호하게 느껴졌던 AI의 효과를 '경영진이 납득할 수 있는 숫자'로 바꾸는 법부터, 우리가 흔히 놓치는 '숨은 비용'의 정체까지 하나씩 짚어드릴게요. AI 도입, 왜 '숫자'로 증명하기 어려울까? 사실 AI는 일반적인 소프트웨어 도입과는 결을 조금 달리합니다. 설치하자마자 100% 성능이 나오는 게 아니라, '학습 기간'과 '데이터 정제'라는 특수한 변수가 끼어들기 때문이죠. 일본 기업들은 이 지점을 아주 명확하게 구분해서 보고합니다. 도입 직후의 효과뿐만 아니라, 데이터가 쌓이면서 올라가는 '정확도 향상률'을 시간축에 따라 시뮬레이션하는 식이죠. 하지만 진짜 실력은 정성적인 효과를 금액으로 치환하는 로직에서 나옵니다. 예를 들어 "실수가 줄어들 것이다"라는 모호한 말 대신, '리스크 회피 비용'이라는 개념을 써요. 과거에 발생했던 오발주 1건당 처리 비용에 발생 빈도를 곱하고, 여기에 AI의 실수 감소율을 적용해 '절감 가능한 손실액'을 산출하는 거죠. 신입 사원 교육 기간이 40시간 단축된다면, 교육 담당자의 시급과 인원수를 곱해 '교육비 절감액'으로 딱 떨어지게 증명합니다. 보이지 않는 '숨은 비용(TCO)'의 정체 일본의 AI 도입 가이드에서 가장 강조하는 개념 중 하나가 바로 '빙산 모델'입니다. 우리가 흔히 보는 초기 구축비나 라이선스 비용은 수면 위에 드러난 일부분일 뿐이라는 거죠. 진짜 무서운 건 수면 아래 숨겨진 TCO(Total Cost of Ownership, 총 보유 비용)입니다.

최근 일본 대기업들은 AI 교육을 확대하는 데서 한 걸음 더 나아가고 있습니다. 이제는 "AI를 배웠는가"가 아니라 "AI를 몇 단계까지 활용할 수 있는가"를 묻습니다. 흥미로운 점은 업종을 가리지 않는다는 겁니다. 통신, 제조, 금융, 건설까지 각 기업이 저마다의 AI 레벨 체계를 만들고 있습니다. 단순 교육 프로그램이 아니라, 조직 전체의 역량을 단계로 정의하는 구조입니다. 이번 글에서는 일본 대기업들이 실제로 설계한 AI 역량 평가 모델과 그 진화 방향을 살펴보겠습니다. 일본 대기업은 왜 ‘AI 교육’보다 레벨 체계부터 만들었나 많은 기업이 AI 교육을 시작합니다. 그러나 일본 대기업들은 순서를 바꿨습니다. 교육 과정이 아니라, 레벨 기준부터 정의했습니다. ① 수료율로는 역량을 설명할 수 없다 "몇 명이 들었는가"는 말할 수 있어도, "그래서 무엇이 달라졌는가"는 설명하기 어렵습니다. 이 지점에서 일본 기업들은 교육 중심 접근의 한계를 봤습니다. 그래서 도입한 것이 승급 구조입니다. 수료가 아니라 레벨 상승. 화이트벨트에서 옐로벨트로, L2에서 L3로 올라가는 구조입니다. 교육은 이 체계 위에서 작동합니다. ② 먼저 정의한 것은 '최소 기준'과 '상위 기준' 기업들이 가장 먼저 한 일은 이것이었습니다. 전 직원이 갖춰야 할 최소 AI 리터러시 실무 프로젝트를 리드할 수 있는 기준 전략 설계가 가능한 최고 전문가 기준 이 기준이 있어야 교육도 설계되고, 인사 평가도 연결됩니다. 일본 사례를 보면 분명합니다. AI 교육은 프로그램이 아니라, 레벨 체계의 일부입니다. 일본 대기업 4곳의 AI 레벨 평가 모델 방식은 달라도 구조는 유사합니다. 모두 전 직원 기초 단계 → 실무 적용 단계 → 고급 전략 단계로 설계되어 있습니다. NTT DATA GROUP – 일본 최대 IT 서비스 기업 (약 20만명 규모) NTT데이터는 일본 최대 규모의 IT 서비스 기업으로, 전 세계 약 20만 명의 직원을 보유한 글로벌 SI 기업입니다. 일본 공공·금융 시스템을 다수 구축해온 대표적인 IT 인프라 기업이기도 합니다.

생성AI 도입 후, 일본 기업 관리자 역할은 어떻게 바뀌었을까 생성AI가 조직 안으로 빠르게 들어오면서, 가장 먼저 흔들리기 시작한 포지션이 있습니다. 바로 관리자, 매니저 역할인데요. 회의 정리, 보고서 작성, 진척 관리처럼 그동안 관리자의 핵심 업무로 여겨졌던 일들을 AI가 대신하기 시작했기 때문입니다. 그래서 “이제 매니저는 무엇을 해야 하나”라는 질문이 자연스럽게 나오죠. 일본 기업들은 이 질문에 꽤 이르게 답을 찾기 시작했습니다. 이 글에서는 일본 AI 전문 미디어 WEEL의 분석을 바탕으로, 생성AI 도입 이후 관리자 역할이 어떻게 재설계되고 있는지를 살펴봅니다. 왜 일본에서는 ‘관리자 역할’부터 다시 보기 시작했을까 생성AI가 화제가 되면서 가장 많이 나온 이야기가 있습니다. "이제 관리자는 필요 없어지는 것 아니냐"는 말인데요. 일본 기업 현장에서도 비슷한 불안이 먼저 퍼졌습니다. 회의 정리, 보고서 초안, 일정 관리처럼 매니저의 시간을 가장 많이 잡아먹던 일들을 AI가 빠르게 대체하기 시작했기 때문이죠. 하지만 WEEL이 분석한 실제 흐름은 조금 달랐습니다. 관리자 업무가 통째로 사라지기보다는, 가장 먼저 ‘정리 역할’이 흔들렸고 그 다음에 ‘판단 역할’이 더 선명해졌습니다. 즉, 매니저가 직접 손으로 처리하던 일은 줄었지만, 대신 어떤 정보를 볼지, 무엇을 근거로 결정할지 정하는 부담은 오히려 커졌다는 겁니다. 여기에는 일본 기업 특유의 조직 구조도 영향을 줬습니다. 경리·백오피스, 프로젝트 매니저, 부장급 미들 매니지먼트까지 관리자층이 두텁고, 그만큼 보고·조율·중간 정리 업무의 비중이 높았거든요. 생성AI는 바로 이 지점을 정면으로 건드렸습니다. 그래서 일본에서는 "AI를 어디에 쓰느냐"보다 먼저, "관리자의 역할을 어떻게 다시 정의할 것인가"라는 질문이 나왔습니다. 단순히 툴을 도입하는 게 아니라, AI가 들어온 이후에도 관리자가 반드시 해야 할 일을 분리해내는 작업이 필요해졌기 때문입니다. 이 문제의식이 쌓이면서, 자연스럽게 'AI 매니저'라는 개념이 등장하기 시작했습니다.

이 글은 일본의 통신·제조·유통 업종 선두기업 3사가 생성AI 시대에 인재를 어떻게 육성하고 있는지, 그 실험과 조직 변화를 정리한 사례입니다. 국내에서도 비슷한 실험을 준비하는 팀이 참고할 수 있도록, 의사결정 구조·조직 운영·변화 지표에 초점을 맞춥니다. 케이스 한눈에 보기 국가/산업: 일본 / 통신·제조·유통 기업명: -소프트뱅크(SoftBank) — 일본 3대 통신사, 야후재팬·라인 등 운영 -다이킨공업(Daikin) — 글로벌 에어컨 시장 점유율 1위 제조사 -아트레(atre) — JR동일본 계열, 수도권 역사 상업시설 운영 적용 영역: 전사 AI/DX 역량 교육 및 업무 활용 대상 조직: 신입사원~전 직원(파트타임 포함) 프로젝트 기간: 2017년~현재 진행형 주요 이해관계자: 경영진, 인사/교육 부서, 현업 부서장 70%가 체감하는 위기, 30%만 준비됐다 2025년 12월 기브리(Givery)社 조사에 따르면, 일본 기업의 약 70%가 '생성AI 시대에 요구되는 스킬이 달라졌다'고 체감하고 있습니다. 그런데 정작 '직원들이 필요한 디지털 스킬을 충분히 갖췄다'고 답한 기업은 고작 30%에 불과했죠. DX 추진의 필요성은 80% 이상이 인식하면서도, "무엇을 어떻게 가르쳐야 하는가"라는 질문 앞에서 대다수 기업이 멈춰 있는 상황입니다. 이 간극을 어떻게 메울 것인가—일본 선두기업 3사의 접근법이 힌트가 될 수 있습니다. 소프트뱅크: '손 들기' 문화가 만든 26만 건의 제안 소프트뱅크는 경영진이 AI 전략을 명확히 천명하고, 전사적 역량 강화에 나선 대표 사례입니다. 2019년 '소프트뱅크 유니버시티 테크', 2021년 'AI Campus'를 잇달아 설립했고, 사내 생성AI 콘테스트를 11회 개최하며 누적 26만 건 이상의 아이디어를 수집했습니다. 도입 전 → 도입 후 학습 동기 부여 → "배워라" 지시형에서 "도전하면 기회를 준다" 자발형으로 전환 대상 범위 → 기술직 중심에서 문과·이과 무관 전 직원으로 확대 성과 연계 → 학습 이력을 이동·평가·승진 시스템과 연동

이 글은 일본 기업들이 AI를 도입하면서 마주한 '현장 저항'이라는 벽을 어떻게 넘었는지, 그리고 조직이 변화를 수용하도록 만든 구체적인 방법론을 정리한 실전 가이드입니다. 국내에서도 비슷한 도전을 준비하는 팀이 참고할 수 있도록, 심리 유형별 대응법·도입 로드맵·성공 원칙에 초점을 맞춥니다. 케이스 한눈에 보기 주제: AI 도입 시 현장 저항 해소 방법론 출처: 일본 AI·DX 전문 미디어 분석 자료 (2025년 12월) 적용 대상: AI 도입을 추진하는 모든 조직의 PO, HR, 전략 담당자 핵심 프레임: 4가지 심리 유형 분류 → 맞춤 대응 → 5단계 로드맵 키워드: 변화관리, 조직 수용성, 스몰 스타트 실패의 원인은 기술이 아니다 AI 도입 프로젝트가 좌초되는 이유, 대부분 기술적 한계 때문일까요? 현장에서 수집된 데이터는 다른 이야기를 합니다. 진짜 문제는 '현장의 심리적 저항'이었죠. "일자리를 빼앗기는 거 아닌가요?" "또 위에서 뭘 들고 왔네." 이런 반응들이 프로젝트를 멈추게 만듭니다. 흥미로운 점은, 이 저항이 단순한 '반대'가 아니라는 것입니다. 그 안에는 자신의 일을 지키고 싶은 마음, 실패해서 민폐 끼치기 싫다는 책임감이 숨어 있습니다. 결국 AI 도입의 성패는 기술 선택이 아니라, 이 마음들을 어떻게 다루느냐에 달려 있는 것이죠. 저항의 4가지 얼굴 현장이 AI 도입에 난색을 보일 때, "의욕이 없다"고 단정 짓는 순간 해법은 사라집니다. 저항에는 반드시 이유가 있고, 그 이유를 정확히 파악하는 것이 해결의 첫걸음입니다. 첫째, 고용 불안형 "AI가 내 일을 대신하면 난 어디로 가죠?" 특히 데이터 입력, 집계 업무 등 정형화된 업무를 담당하는 백오피스 부서에서 이런 우려가 강하게 나타납니다. '효율화 = 내 자리가 없어짐'이라는 공식이 머릿속에 자리 잡고 있어, 본능적으로 변화에 저항하게 됩니다. 둘째, 스킬 불안형 "새로운 툴을 배울 자신이 없어요." "지금도 바쁜데 또 뭘 익히라는 건가요." 익숙한 업무 방식을 바꾸는 것에 대한 부담감은 생각보다 큽니다. IT 활용에 자신 없는 분들, 이미 업무량이 포화 상태인 분들에게서 자주 나타나죠.

이 글은 일본 기업들이 생성AI를 도입하면서 겪은 리스크 사례와 대응 체계를 정리한 가이드입니다. 국내에서도 유사한 고민을 안고 있는 PO, 정보보안 담당자, HR 리더가 참고할 수 있도록 실무 관점의 대책에 초점을 맞춥니다. 케이스 한눈에 보기 국가: 일본 분석 대상: 일본 기업들의 생성AI 리스크 관리 동향 적용 영역: 전사 AI 거버넌스, 정보보안, 컴플라이언스 대상 조직: 정보시스템팀, 법무팀, 현업 부서 전체 핵심 프레임워크: 인풋-아웃풋-보안-운용 4대 리스크 분류 주요 이해관계자: 경영진, CISO, 법무/컴플라이언스 책임자, 현업 관리자 참고자료: 生成AIのリスクとは？事故事例から学ぶ、企業が取るべき7つの対策 왜 '금지'가 답이 아닌가 ChatGPT가 등장한 지 2년이 넘었습니다. 이제 "우리 회사도 AI 써볼까?"라는 질문은 지났죠. 진짜 질문은 따로 있습니다. "직원들이 이미 쓰고 있는데, 우리는 그걸 알고나 있는가?" 일본에서는 이를 '섀도우 IT'라 부릅니다. 회사가 허락하지 않은 무료 AI 도구를 직원들이 개인 계정으로 몰래 사용하는 현상입니다. 금지할수록 음지로 숨고, 숨을수록 리스크는 커집니다. 2023년 삼성전자 반도체 부문에서 직원이 ChatGPT에 소스코드와 설비 측정 데이터를 입력한 사건이 보도되었습니다. 이후 삼성은 사내 AI 사용을 제한했죠. 하지만 "금지"가 근본적 해결책이 될 수 있을까요? 일본 기업들은 다른 길을 모색하고 있습니다. 리스크를 '관리 가능한 영역'으로 가져오는 것입니다. 4가지 리스크, 어디서 터지나 생성AI 리스크는 크게 네 가지 영역에서 발생합니다. 각각이 터지는 지점과 실제 사례를 함께 보겠습니다. 인풋(입력) 리스크 직원이 프롬프트에 기밀정보를 입력하는 순간 발생 무료 버전은 입력 데이터가 AI 학습에 활용될 수 있음 삼성전자 사례가 대표적

이 글은 일본 기업들이 AI 도입과 함께 어떤 인력 재편을 진행하고 있는지, 그리고 직장인들이 이 변화 속에서 어떻게 살아남을 수 있는지를 정리한 트렌드 분석입니다. 국내에서도 비슷한 변화를 감지하고 있는 실무자들이 참고할 수 있도록, 일본 경영자들의 본심·직종별 리스크·실전 대응 전략에 초점을 맞춥니다. 트렌드 한눈에 보기 국가/산업: 일본 / 에너지·인프라 분석 대상: 일본 대기업 전반 (메가뱅크, 대형 보험사, IT/SaaS, 제조/상사 등) 핵심 키워드: AI 구조조정, 인력 재배치, 프롬프트 엔지니어링, 생존 전략 주요 출처: KPMG 컨설팅 일본 경영자 조사 주요 이해관계자: 경영진, HR, 경리/재무, 영업, 인사/총무 담당자 참고자료: 「AIで人員削減」は日本でも起きてる？リストラの裏側と生き残り戦略 [IMAGE: 일본 오피스 빌딩 전경 또는 AI·자동화 관련 비주얼] 조용히 시작된 선별 Amazon, Accenture 같은 글로벌 기업들이 'AI 관련 인원 감축'을 발표할 때마다, "이 흐름이 우리에게도 올까?"라는 불안이 퍼집니다. 그런데 이미 일본에서는 그 흐름이 시작됐습니다. KPMG 컨설팅 조사에 따르면, 일본 경영자의 약 18%가 AI 도입에 따른 '1년 내 인원 감축'을 계획하고 있다고 응답했습니다. 이 수치는 세계 평균(15%)을 웃돕니다. '고용을 지킨다'는 일본 특유의 미덕이, AI라는 변수 앞에서 흔들리고 있는 것이죠. 다만 서구식 대량 해고(레이오프)와는 결이 다릅니다. 일본에서 벌어지는 건 '조용한 선별'입니다. 해고 아닌 '재배치'의 함정 일본은 해고 규제가 엄격한 나라입니다. 그래서 많은 일본 기업이 택한 방식은 단순 감축이 아닌 '인력 재배치(리스킬링)'입니다. 메가뱅크나 대형 보험사에서는 사무처리 중심 인력을 줄이는 대신, 그 인원을 '고객 컨설팅'이나 '신규 사업 기획' 부서로 이동시키고 있습니다. 언뜻 보면 고용을 지키는 것 같지만, 실상은 다릅니다. Before → After로 보는 변화: 채용: 퇴직자가 나와도 보충하지 않고 AI로 커버

이 글은 일본 에너지 인프라 기업 오사카가스가 AI를 도입하면서 무엇을 걸고 실험했는지, 그리고 그 과정에서 조직이 어떻게 일하는 방식을 바꾸었는지를 정리한 사례입니다. 국내에서도 비슷한 실험을 준비하는 팀이 참고할 수 있도록, 의사결정 구조·조직 운영·변화 지표에 초점을 맞춥니다. 케이스 한눈에 보기 국가/산업: 일본 / 에너지·인프라 기업: 오사카가스(大阪ガス) — 일본 4대 도시가스 사업자로 전국 판매량 2위, 그룹사 155개, 임직원 약 2만 명 규모의 간사이 지역 대표 에너지 기업 적용 영역: 현장 기술 전승, 작업 매뉴얼 자동 생성 대상 조직: 다이가스 에너지(大ガスエナジー) 가스발전기 개발·정비팀 (9명) 주요 이해관계자: 미야하라 씨(중견 엔지니어), 베테랑 기술자 3명, 신입사원 다수 참고자료: 娘のダンス練習用アプリで開眼！【大ガスエンジニアのAI活用術】現場マニュアルを15分で作成！ "매뉴얼이 있었으면 얼마나 좋았을까" — 현장이 던진 질문 가스발전기 앞에서 신입사원이 중얼거렸습니다. "처음에 베테랑 분께 배울 때는 알 것 같았는데, 나중에 혼자 하려니까 '이게 맞나?' 싶은 순간이 너무 많아요." 겉보기엔 평범한 기술 전승의 어려움입니다. 하지만 이 팀이 처한 상황은 조금 달랐죠. 최근 몇 년 사이 베테랑 5명이 정년퇴직으로 빠져나갔고, 남은 숙련자는 단 3명. 전기·기계·화학을 넘나드는 복합 기술을 가르쳐야 하는데, 가르칠 사람도, 배울 시간도, 정리된 문서도 없었습니다. 문제의 본질은 '매뉴얼이 없다'가 아니었습니다. 매뉴얼을 만들 여유가 없다는 것이었죠. 중견 엔지니어들은 자기 업무를 소화하면서 동시에 신입을 가르쳐야 했고, 그 과정에서 '기록'은 늘 후순위로 밀렸습니다. AI가 대신한 것, 인간이 남긴 것 미야하라 씨가 찾은 해법은 의외로 단순했습니다. "말로 하면서 찍고, AI가 정리하게 하자." 기존 방식과 새로운 방식의 차이를 정리하면 이렇습니다. 도입 전: 베테랑이 신입 옆에서 직접 시연 → 신입이 메모 → 나중에 기억에 의존해 재현

이 글은 [일본/IT·영업컨설팅/primeNumber×TORiX]가 AI를 도입하면서 무엇을 걸고 실험했는지, 그리고 그 과정에서 조직이 어떻게 일하는 방식을 바꾸었는지를 정리한 사례입니다. 국내에서도 비슷한 실험을 준비하는 팀이 참고할 수 있도록, 의사결정 구조·조직 운영·변화 지표에 초점을 맞춥니다. 케이스 한눈에 보기 국가 / 산업: 일본 / 데이터 엔지니어링(IT) & 영업 컨설팅 기업: primeNumber (프라임넘버) × TORiX (토릭스) 적용 영역: B2B 솔루션 영업 / 세일즈 이네이블먼트(Sales Enablement) 대상 조직: 영업 본부 전체 (신입부터 숙련자까지) 프로젝트 기간: 2024년 ~ 현재 (지속적인 영업 조직 고도화) 주요 이해관계자: - 시모사카 사토루 (primeNumber COO): 데이터 솔루션 기업의 관점에서 '영업의 AI 에이전트화'를 주도. - 다카하시 코이치 (TORiX 대표): 2만 명의 영업 데이터를 분석한 베스트셀러 『영업의 과학』 저자. 영업의 행동 패턴 분석 담당. 참고 자료: PIVOT: AI 시대 이기는 영업의 조건 – 하이 퍼포머 vs 로우 퍼포머 "고객은 이미 답을 알고 있다": 영업이 직면한 위기 영업 현장은 위기를 맞고 있습니다. 고객은 이제 인터넷 검색만으로 영업 사원보다 더 많은 정보를 먼저 얻습니다. 단순히 상품을 설명하는 방식은 AI로 대체되기 쉬워졌고, 영업 사원의 존재 가치는 흔들리고 있습니다. 이 상황에서 primeNumber와 TORiX는 근본적인 질문을 던졌습니다. "모든 정보가 오픈된 세상에서, 고객이 기꺼이 지갑을 여는 영업 사원의 '인간적 가치'는 무엇인가?" 하이 퍼포머의 직관을 시스템으로 만들다 이들은 '영업 사원을 AI로 대체하자'고 하지 않았습니다. 대신 영업의 역할을 '정보 전달자'에서 고객의 비즈니스 성공을 이끄는 '번역가(Translator)'로 재정의했습니다. 감과 경험의 영역을 데이터로 대체하다 AI는 ‘감’과 ‘경험’에 의존하던 영업 현장을 어떻게 데이터 기반으로 바꿨는가?

프로덕트 매니저(PM)의 일은 언제나 데이터와 의사결정의 싸움이었습니다. 그러나 2025년 라쿠텐은 이 싸움의 방식 자체를 바꿨습니다. AI를 단순히 자동화 도구로 쓰는 대신, PM의 사고 과정 안으로 끌어들인 것이죠. 이번 콘텐츠는 그 변화가 어떻게 실무에서 구현되는지를 생생히 보여줍니다. AI가 데이터 해석, 고객 이해, 협업 구조 속으로 스며들며, PM의 일상을 바꾸는 과정인데요. 그 핵심은 'AI가 대신 일하는 시대'가 아니라, 'AI와 함께 사고하는 시대'라는 데 있습니다. 본 포스팅은 유튜브 채널 "TECH PLAY Channel" 의 영상의 내용을 기반으로 재구성된 글입니다. 참고 영상 ① AI와 함께 일하는 프로덕트 매니저의 탄생 1. 왜 '데이터 중심'에서 '의미 중심'으로 바뀌었을까? AI 도입 이후, 라쿠텐의 PM들은 데이터를 '분석 대상'이 아닌 '이해의 출발점'으로 보기 시작했습니다. AI가 수많은 거래 기록에서 고객의 '이유'를 찾아내기 때문인데요. 예컨대, 구매율이 높았던 상품군을 단순히 집계하던 과거와 달리, AI는 "왜 이 시점에 구매가 급증했는가"를 설명하는 문맥을 제공합니다. 이 변화가 곧 PM의 역할을 '데이터 분석가'에서 '의미를 해석하는 사람'으로 바꾸었습니다. 이제 라쿠텐의 PM은 AI가 제시한 인사이트를 바탕으로 고객의 맥락을 재구성하고, 제품 개선의 방향을 설계하죠. 실제로 이런 접근은 일본 비즈니스 미디어인 日経XTECH(2025)에서 "라쿠텐이 AI를 통해 PM의 의사결정 품질을 높였다"고 평가한 핵심 배경이기도 합니다. 2. 인간의 직관과 AI 분석은 어떻게 공존할까? 물론, 라쿠텐에서도 AI가 모든 결정을 대신하지 않습니다. AI는 수많은 시나리오를 계산해 '가능한 해답'을 제시하고, PM은 그중 '가장 인간적인 선택'을 검증하는 역할을 맡습니다.

2025년 11월, 이제 AI 이야기는 흔합니다. 하지만 "AI를 어떻게 바라보는가"에 대한 이야기는 흔치 않죠. 오라클의 CTO 래리 엘리슨은 Oracle AI World 2025 무대에서 이런 화두를 던졌습니다. "AI는 인간의 연장이 아니라, 완전히 새로운 형태의 지능이다." 기술 기업의 메시지라기보다, 인류가 AI 시대를 살아가는 '태도'에 대한 선언처럼 들렸습니다. 래리 엘리슨이 이야기하는 'AI 시대의 올바른 시선' 이야기를 살펴보겠습니다. 본 포스팅은 Oracle 공식 유튜브 채널의 "Larry Ellison Keynote: Oracle AI World 2025" 영상을 기반으로 재구성된 글입니다. 참고 영상: Larry Ellison 기조연설: Oracle의 비전과 전략(Oracle AI World 2025) AI 혁명, 새로운 지능의 형태로 진화 인공지능은 더 이상 계산기가 아니다 Larry Ellison은 이번 기조연설의 첫 문장에서부터 'AI는 인간의 연장이 아니라, 전혀 새로운 형태의 지능(Electronic Brain)'이라고 못박습니다. "우리는 지금, 인간의 두뇌가 아닌 전자 두뇌를 만들고 있습니다. 그리고 그것은 스스로 배우고, 스스로 사고합니다." 라고 언급하면서 말이죠. 즉, AI가 이제 '도구(Tool)'의 단계가 아닌, 인류가 함께 사고하는 존재적 파트너로 진화하고 있음을 의미하는 건데요, 래리 엘리슨에 의하면 '멀티모달 AI(Multimodal AI)'는 인간의 뇌처럼 시각이나 언어, 청각, 촉각적 데이터를 통합적으로 이해한다고 합니다. 쉽게 말해 이제 AI는 단순히 언어를 해석하는 차원에서 그치는 것이 아니라, 세상을 감각적으로 "지각"하기 시작한 겁니다. Oracle의 철학: 'AI as a Tool to Amplify People' "AI는 사람을 대체하지 않는다, 증폭한다"

HubSpot CEO 야미니 랑간(Yamini Rangan)은 INBOUND 2025 무대에서 "AI 시대의 성장 공식은 과거의 퍼널(Funnel)이 아닌 루프(Loop)" 라고 선언했습니다. 단순한 마케팅 프레임으로 볼 수도 있지만, 허브스팟이 의미하는 바는 다릅니다. AI와 인간이 함께 학습하며 성장하는 순환 구조를 뜻하거든요. 이번 글에서는 이 루프를 4단계 — Express, Tailor, Amplify, Evolve — 로 나누어 살펴봅니다. 함께 읽으면 좋은 글 본 포스팅은 유튜브 채널 "HubSpot" 의 영상의 내용을 기반으로 재구성된 글입니다. 참고 영상 인바운드의 종말, 그리고 Loop의 탄생 야미니는 "인바운드 마케팅(Inbound Marketing)"이 더 이상 유효하지 않다고 말했습니다. 과거의 인바운드 모델은 검색과 클릭, 전환으로 이어지는 일직선 구조였죠. 그러나 지금은 AI가 콘텐츠를 요약하고, 사용자는 클릭조차 하지 않습니다. HubSpot이 말하는 '루프(Loop)'는 이런 고민 속에 탄생 했다는데요. 요컨대 기업이 고객에게 정보를 '전달'하는 시대에서, 고객과 함께 '학습'하며 성장하는 순환 구조의 시대로 넘어가고 있다는 뜻입니다. 이에 대해 야미니는 이렇게 설명했습니다.

지난 달 INBOUND 2025 무대에 선 HubSpot CEO 야미니 랑간(Yamini Rangan)은 이렇게 말했습니다. "우리는 단순히 새로운 기술에 적응하는 것이 아닙니다. 우리는 인간의 가치를 되묻고 있습니다." AI 시대를 살아가는 지금, 기술 담론을 넘어 인간의 본질을 겨냥한 질문처럼 들립니다. AI는 더 이상 생산성을 높이는 도구에 머물지 않죠. 이제 우리는 '기술에 어떻게 적응할 것인가'보다 '인간으로서 어떤 가치를 지켜갈 것인가'를 스스로 묻고 있습니다. 본 포스팅은 유튜브 채널 "HubSpot" 의 영상의 내용을 기반으로 재구성된 글입니다. 참고 영상: HubSpot's Spotlight with Yamini Rangan and Karen Ng | INBOUND 2025 생산성의 시대에서 정체성의 시대로 이전의 기술 혁신은 언제나 '효율'을 중심에 두었죠. 컴퓨터, 인터넷, 모바일이 그랬습니다. 더 빨리, 더 많이, 더 정확하게 일하기 위한 도구로 발전해 왔습니다. 하지만 지금의 AI는 조금 다릅니다. AI는 인간의 손과 발이 아니라, 사고의 영역을 함께 탐구하는 존재입니다. 야미니의 말처럼, 기술의 중심은 생산성에서 정체성으로 이동하고 있습니다. 그리고, 이 변화의 본질을 이해하기 위해서는 'AI Native'라는 관점이 필요합니다. AI Native는 AI를 경쟁 상대로 보지 않습니다. AI와 함께 성장하는 파트너로 바라보는 태도입니다. 야미니는 이를 명확히 정의했습니다. "인간이 주도하고, AI는 이를 가속화합니다."

AI를 단순한 도구가 아닌 함께 일하는 동료로 활용하는 시대가 열리고 있습니다. DevDay의 마지막 세션에서는 GPT-5 Pro, GPT-Realtime Mini, Sora 2 같은 새로운 모델들이 소개되었는데요. 이번 발표는 AI 동료가 이제 깊은 추론 능력, 자연스러운 음성 상호작용, 창의적인 비디오 제작 능력까지 갖추었음을 보여주었습니다. 함께 읽으면 좋은 글 GPT-5 Pro: 지능과 깊은 추론의 확장 OpenAI가 공개한 GPT-5 Pro는 지금까지 출시된 모델 중 가장 지능적인 모델입니다. 기존 GPT-5가 에이전트 제어와 엔드 투 엔드 코딩에서 높은 평가를 받았다면, 이번 GPT-5 Pro는 한 단계 더 나아가 전문적인 영역까지 확장했는데요. 금융, 법률, 헬스케어처럼 정밀한 추론과 높은 정확도가 필요한 분야에서 큰 성과를 보여줄 수 있습니다. 단순히 답을 제시하는 수준을 넘어, 인간 전문가와 함께 복잡한 문제를 풀어내는 전문 동료로 자리매김하고 있습니다. GPT-Realtime Mini: 음성 상호작용 시대를 앞당기다 OpenAI는 AI와 상호작용하는 핵심 방식으로 음성을 꼽았습니다. 이를 가속화하기 위해 GPT-Realtime Mini API를 발표했는데요. 이 모델은 두 달 전 공개된 고급 음성 모델과 동일한 음성 품질과 표현력을 제공하면서도, 비용을 70% 줄였습니다. Codex 데모에서 확인된 것처럼 개발자는 Real-time API를 Agent SDK와 통합해, 음성으로 앱을 제어하거나 주변 환경과 상호작용하는 시스템을 구축할 수 있습니다. 이는 AI 음성 인터페이스를 현실로 만드는 데 있어 큰 도약(big leap)이라 할 만합니다. Sora 2: 통제 '가능'한 크리에이티브 동료

AI는 더 이상 사람이 직접 코드를 치는 도구가 아닙니다. 이제는 아이디어만 있으면 누구나 앱을 만들고, AI 동료와 함께 공동 창조를 경험할 수 있는 시대로 들어섰습니다. 이번 2부에서는 OpenAI DevDay 2025에서 공개된 소프트웨어 공동 창조(Co-Creation)의 주요 포인트를 정리해 보았습니다. 함께 읽으면 좋은 글 소프트웨어 개발의 문턱을 허물다: 아이디어만 있으면 앱이 된다 Sam Altman은 이번 발표에서 지금이 자신이 본 "소프트웨어 생성 방식에서 가장 큰 변화"라고 강조했습니다. 과거에는 전문 지식이 필요한 일이었지만, 이제는 아이디어만 있으면 누구나 앱을 만들 수 있는 세상이 된 것이죠. 일본에서는 89세 은퇴자가 ChatGPT의 도움을 받아 독학으로 코딩을 배우고, 고령 사용자를 위한 iPhone 앱 11개를 직접 만들었습니다. 평생의 지혜가 앱으로 바뀌어 다른 노인들이 더 독립적으로 생활할 수 있도록 돕고 있는 사례입니다. ASU 의대 학생들은 가상의 환자 앱을 만들어 의사로서 겪을 대인관계 대화를 연습했습니다. 실제 시험실에 들어가기 전에 시도하고 실패하면서 성장할 수 있는 환경을 제공한 거죠. 또 프랑스 베르사유 궁전은 실시간 API를 통해 방문객이 예술품이나 조각과 대화할 수 있는 경험을 만들었습니다. 역사가 책이 아니라 대화(Conversation)로 살아 움직인 셈입니다. Codex: 소프트웨어 엔지니어링 팀의 유능한 동료 이 새로운 흐름의 중심에는 Codex가 있습니다. Codex는 단순한 개발 도구가 아니라, 개발자 옆에서 함께 일하는 소프트웨어 엔지니어링 에이전트인데요. Codex는 어디에서든 작동합니다. IDE, 터미널, GitHub, 클라우드까지 지원하고, ChatGPT 계정으로 연결되어 도구 간 작업을 끊김 없이 이어갑니다.

AI 협업의 패러다임이 빠르게 바뀌고 있습니다. 샌프란시스코에서 열린 OpenAI DevDay 2025에서는 ChatGPT, Apps SDK, Agent Kit을 중심으로 앞으로의 AI 협업 환경이 어떻게 진화할지 보여줬는데요. 이번 글에서는 주요 발표 내용을 3가지 흐름으로 정리해 보았습니다. AI Native 시대의 개막: '함께 만드는 AI' 2023년 첫 DevDay 이후 OpenAI 생태계는 눈에 띄는 성장을 했습니다. 개발자 수는 2백만 명에서 4백만 명 이상으로, 주간 ChatGPT 사용자는 1억 명에서 8억 명 이상으로 늘어났습니다. API에서 처리되는 토큰 양 역시 분당 3억 개에서 60억 개 이상으로 뛰었는데요. 이 지표들은 AI가 이제 단순히 '놀잇감'이 아니라, 매일 함께 일하는 동료로 자리 잡았다는 사실을 보여줍니다. Sam Altman은 지금을 "빌더에게 가장 좋은 시대"라고 강조하며, 아이디어가 제품으로 전환되는 속도가 역사상 가장 빠르게 가속화되고 있다고 말했습니다. ChatGPT의 진화: 챗봇에서 협업 플랫폼으로 (Apps SDK) ChatGPT는 이제 챗봇을 넘어, 앱을 내장한 협업 플랫폼으로 확장되고 있습니다. 그 핵심은 Apps SDK인데요. Apps SDK를 활용하면 개발자가 ChatGPT 내부에 실제 앱을 구축할 수 있습니다. 데이터 연결과 액션 트리거는 물론, 상호작용 가능한 UI까지 통합할 수 있죠. 무엇보다 MCP(Agentic Commerce Protocol)를 기반으로 공개 표준을 지원해, 누구나 쉽게 통합할 수 있습니다. 여기에 수억 명의 ChatGPT 사용자를 대상으로 곧바로 앱을 배포할 수 있고, 앞으로는 즉시 결제(Instant Checkout) 같은 수익화 모델도 지원될 예정입니다. 결과적으로 ChatGPT는 앱 생태계와 커머스를 품은 강력한 플랫폼으로 변모하고 있는 셈입니다. '앱과 대화하기': 실시간 맥락 공유 Apps SDK의 또 다른 핵심 기능은 '앱과 대화하기(Talking to Apps)'입니다. 사용자가 앱 이름을 직접 부르거나 대화 흐름에 맞춰 ChatGPT가 적절한 앱을 추천해 주는 방식인데요.