같은 모델과 요금제를 사용해도 기업의 AI 활용 깊이는 크게 다릅니다. OpenAI가 2026년 9월 공개한 자료에 따르면 AI 사용량 상위 10% 기업은 일반 기업보다 활성 사용자당 8.3배 많은 출력 토큰을 만들었습니다. 1월의 2.6배에서 불과 여덟 달 만에 격차가 세 배 이상 커졌습니다.
출력 토큰이 많다고 생산성이나 매출이 곧바로 높다는 뜻은 아닙니다. 다만 상위 기업이 AI에 더 큰 범위의 일을 맡긴다는 신호로는 읽을 수 있습니다. 차이를 만든 것은 프롬프트 기교보다 데이터 접근, 완료 기준, 검토 지점을 포함해 업무를 위임할 준비였습니다.
| 관찰한 수치 | 사례 | 실무에서 볼 지점 |
|---|---|---|
| 사용자당 출력 토큰 8.3배 | AI 사용량 상위 10% 기업 | 위임하는 과업의 범위와 깊이 |
| 온보딩 2시간에서 30분 | Basis | 반복 절차를 재사용 가능한 스킬로 전환 |
| 매일 약 1시간 절약 | Clay | 여러 채널의 계정 맥락을 지속적으로 갱신 |
| 탐색부터 테스트까지 연결 | Exa Labs | 실행 범위를 넓히되 배포 전 사람 검토 유지 |
서로 다른 사례를 단일 ROI 수치처럼 비교할 수는 없습니다. 그러나 잘된 실행을 다음 실행에 재사용하는 구조가 공통점이라는 점은 분명합니다.
AI 활용 격차는 왜 모델 밖에서 벌어지나
문장 하나를 다듬는 요청과 여러 시스템의 자료를 모아 다음 행동까지 제안하는 요청은 필요한 준비가 다릅니다. 후자를 맡기려면 계정 데이터에 접근할 권한, 중요한 신호를 판단하는 회사 기준, 제안된 행동을 승인할 사람이 먼저 정해져야 합니다.
그래서 8.3배는 “더 좋은 AI를 쓴 결과”보다 더 큰 일을 맡길 수 있는 상태를 만든 결과에 가깝습니다. 모델 업데이트는 모든 사용자에게 비슷한 시점에 제공되지만, 회사의 업무 기준과 인계 구조는 자동으로 정리되지 않습니다.
이 구분을 놓치면 도입 회의가 모델 비교와 라이선스 구매에 머뭅니다. 실제 병목은 도구가 아니라 자료가 흩어져 있거나, 완료 기준이 사람마다 다르거나, 승인 대기시간이 긴 데 있을 수 있습니다. AI 생산성 역설을 다룬 글에서 도구보다 업무 흐름을 먼저 그려야 한다고 강조한 이유도 같습니다.
프롬프트와 워크플로우는 무엇이 다른가
프롬프트는 한 번의 요청을 좋게 만듭니다. 워크플로우는 잘된 실행을 다음 실행의 기본값으로 만듭니다. 반복 질문과 예외가 생길 때 담당자가 매번 대응하면 경험은 개인에게 남습니다. 절차, 필요한 맥락, 권한, 완료 기준을 함께 갱신하면 경험이 조직의 운영 자산이 됩니다.
Basis는 회사 고유의 온보딩 과정을 재사용 가능한 스킬로 만들었습니다. Clay는 CRM, 이메일, 메시지, 통화 기록처럼 흩어진 자료를 계정별 지속 맥락으로 모았습니다. Exa Labs는 통합 기회 탐색부터 코드 작성과 테스트까지 연결했지만 배포 전 사람의 검토는 남겼습니다.
이 사례들이 보여주는 것은 자동화 단계의 수가 아닙니다. 고객 관계 판단이나 배포처럼 책임이 큰 지점에 사람을 남기고, 그 전후의 반복 작업을 연결하는 방식입니다. 자동화의 완성도는 사람이 얼마나 빠졌는지가 아니라 사람이 남아야 할 자리를 정확히 골랐는가로 평가해야 합니다.
| 단발성 프롬프트 | 운영 가능한 워크플로우 |
|---|---|
| 담당자가 찾아서 복사해야 실행 | 조건이 맞으면 같은 기준으로 실행 |
| 예외를 그때그때 처리 | 예외를 다음 버전의 입력으로 반영 |
| 담당자가 바뀌면 노하우가 사라짐 | 절차와 검토 기준이 조직에 남음 |
| 결과물만 저장 | 입력·권한·검증·책임까지 함께 저장 |
작은 조직은 어디서 시작해야 하나
첫 대상은 회사 전체가 아니라 결과를 측정할 수 있는 엔드투엔드 업무 하나가 적절합니다. 고객 문의 분류, 제안서 초안, 정기 보고서처럼 시작과 끝이 분명하고 반복 빈도가 높은 일을 고릅니다.
그다음 업무를 단계별로 분해하고 아래 여섯 줄을 작성합니다. 이 내용을 쓰기 어렵다면 아직 AI 도입 문제가 아니라 업무 정의 문제일 가능성이 큽니다.
- 트리거 — 무엇이 발생하면 일이 시작되는가
- 완료 기준 — 어떤 결과가 나오면 끝나는가
- 필요 맥락 — 어떤 자료와 과거 이력이 필요한가
- 권한 범위 — 어디까지 실행할 수 있는가
- 검토 지점 — 어느 단계에서 사람이 확인하는가
- 에스컬레이션 — 실패하거나 애매하면 누구에게 넘기는가
성과도 두 겹으로 봐야 합니다. 완료 과업 수와 연결된 도구 범위는 활용의 깊이를 보여줍니다. 리드타임, 품질, 비용, 매출, 위험은 실제 가치를 보여줍니다. 깊이만 늘고 사람의 검토 부담이 함께 커졌다면 일을 줄인 것이 아니라 다른 단계로 옮긴 것입니다.
실행을 어떻게 조직 자산으로 회수하나
한 번 잘 돌아간 흐름을 그대로 흘려보내지 않아야 합니다. 사용한 자료, 자주 틀린 지점, 사람이 수정한 이유, 승인 조건을 다음 실행에 반영합니다. 담당자가 바뀌어도 같은 기준으로 시작할 수 있어야 개인의 숙련이 조직 역량으로 전환됩니다.
작은 조직의 장점은 절차를 빨리 바꿀 수 있다는 데 있습니다. 큰 시스템을 한꺼번에 구축하기보다 업무 하나를 정의하고, 실행하고, 예외를 기록하고, 기준을 갱신하는 짧은 주기를 반복할 수 있습니다.
결국 AI 네이티브 기업을 가르는 것은 도구의 수가 아닙니다. 한 사람이 한 번 잘한 일을 다음에도 쓸 수 있는 실행 단위로 남기는 습관입니다. 인원을 늘리지 않고 처리량을 키운다는 말은 이 축적 구조가 있을 때 비로소 운영 방식이 됩니다.
실행 전 체크리스트
- 개선할 업무의 시작과 끝을 한 문장으로 설명할 수 있는가
- AI가 읽을 자료와 실행할 도구의 권한이 정리돼 있는가
- 완료·반려·사람 검토 기준이 문서로 남아 있는가
- 예외와 수정 이유가 다음 실행에 반영되는가
- 도입 전후의 리드타임, 품질, 검토 시간을 비교하는가
