생성형 AI의 역설: 빠른 확산, 느린 플랫폼화
전 세계적으로 약 24억 명이 매달 생성형 AI 플랫폼을 사용하고, Cursor는 2026년 초 연매출 20억 달러를 돌파했습니다. Salesforce의 Agentforce는 ARR 12억 달러를 기록했고, Shopify는 AI 활용을 기본 역량으로 요구하고 있습니다. 숫자만 보면 이미 '플랫폼 생태계'의 초기 단계에 접어든 것처럼 보입니다.
그러나 MIT 슬론 리뷰의 Building on AI’s Unfinished Foundation 분석에 따르면, 생성형 AI는 아직 전기나 내연기관처럼 경제 전반을 재편하는 '진정한 범용기술(GPT)'로 기능하지 못하고 있습니다. 모델의 미성숙함이나 도입 마찰이 문제가 아닙니다. 핵심은 AI를 둘러싼 기술적·산업적·제도적 아키텍처, 즉 '플랫폼화(Platforming)'가 완료되지 않았다는 점입니다.
플랫폼화가 되지 않은 기술 위에 대규모 투자를 집행하는 것은 모래 위에 성을 쌓는 것과 같습니다. 지금 경영진이 던져야 할 질문은 "AI를 도입할까?"가 아니라 **"AI가 플랫폼화될 때까지 어떤 자산을 축적하고, 어떤 투자를 유보할 것인가?"**입니다.
전략 프레임워크: 불확실한 기반 위에서 살아남는 4가지 원칙
MIT 슬론 리뷰는 AI가 범용기술로 완성되기 전까지 기업이 취해야 할 전략적 원칙을 다음과 같이 제시합니다.
1. 학습 속도 > 실행 속도 (Learn Faster Than You Commit)
불확실한 환경에서는 대규모 자본 투입보다 조직 학습 속도가 경쟁 우위를 결정합니다. 파일럿 프로젝트를 통해 AI의 실제 작동 범위를 빠르게 파악하고, 실패 비용을 최소화해야 합니다.
2. 아키텍처 변화에도 살아남는 자산 구축 (Build Assets That Survive Architectural Change)
특정 AI 모델이나 벤더에 종속되지 않는 데이터 자산, 고객 관계, 프로세스 자동화 역량에 투자하십시오. 모델은 바뀌어도 축적된 데이터와 조직 역량은 잔존합니다.
3. 'AI 역량'이 아닌 '보완재(Complements)'에 투자 (Invest in Complements)
단순히 더 좋은 모델을 도입하는 것이 아니라, AI가 가치를 발휘할 수 있게 하는 워크플로우 재설계, 인재 재배치, 의사결정 체계에 자원을 집중해야 합니다.
| 투자 우선순위 | 피해야 할 투자 |
|---|---|
| 데이터 파이프라인 및 거버넌스 | 특정 모델 성능에 의존한 단일 솔루션 |
| AI-인간 협업 프로세스 설계 | 전사적 AI 도입을 전제로 한 대규모 라이선스 계약 |
| 도메인 특화 데이터 축적 | 범용 AI 역량 자체의 내재화 |
| 조직 학습 루틴 구축 | 검증되지 않은 AI 스타트업 M&A |
4. 공유 모델이 대체할 수 없는 조직 역량 개발 (Organizational Capabilities)
AI 모델은 누구나 접근할 수 있습니다. 그러나 맥락 이해, 고객 신뢰, 규제 대응, 크로스펑셔널 조율 능력은 조직마다 다릅니다. 이것이 진정한 해자(Moat)입니다.
실제 적용 사례와 경고 신호
성공적으로 '보완재'에 집중한 사례
Salesforce의 Agentforce는 단순한 AI 챗봇이 아니라, 기존 CRM 데이터와 워크플로우에 AI를 통합하여 ARR 12억 달러를 달성했습니다. 핵심은 AI 모델 자체가 아니라, 기존 고객 데이터와 프로세스에 AI를 '얹은' 것입니다.
Shopify는 AI 활용을 전사 기본 역량으로 선언하고, 직원들이 일상 업무에서 AI를 자연스럽게 사용하도록 조직 문화와 프로세스를 재설계했습니다. 이는 기술 도입이 아닌 조직 혁신입니다.
주의해야 할 신호들
- 벤더 종속 리스크: SAP는 2026년 4월 자사 API 정책을 개정하여 제3자 AI API 사용을 제한했습니다. 특정 플랫폼에 깊이 통합된 기업은 갑작스러운 정책 변경에 취약합니다.
- 생산성 역설: MIT의 Brynjolfsson 연구에 따르면, 생성형 AI는 개별 작업자의 평균 생산성을 높이지만 분포를 압축합니다. 즉, 조직 전체의 생산성 향상으로 자동 연결되지 않습니다.
- 측정 지연: 범용기술의 진정한 생산성 향상은 도입 후 수년이 지나서야 나타납니다(생산성 J-커브). 단기 ROI에 집착하면 잘못된 투자 결정을 내릴 수 있습니다.
조직 내 AI 도입 성과를 평가할 때, 단순 사용률이나 비용 절감이 아니라 의사결정 품질, 고객 경험, 혁신 속도와 같은 선행 지표에 주목해야 합니다. 이는 성과연봉제(PFP) 설계 시 단기 지표에 함몰되지 않아야 하는 것과 유사한 논리입니다. "성과연봉제(PFP)의 함정과 균형 잡힌 설계 전략"에서 다룬 균형 잡힌 인센티브 설계 원칙을 AI 투자 의사결정에도 적용할 수 있습니다.
Analyst's View: 한국 시장에서의 실질적 의미와 액션 플랜
한국 기업이 놓치고 있는 리스크
국내 많은 기업이 "AI 도입"을 곧 "경쟁력 확보"로 등치시키고 있습니다. 그러나 MIT 슬론 리뷰가 지적하듯, AI는 아직 플랫폼화되지 않았습니다. 지금 대규모 AI 투자를 집행하는 기업은 모래 위에 성을 쌓을 위험이 있습니다. 특히 국내 AI 스타트업 생태계는 글로벌 빅테크 대비 모델 경쟁력이 제한적이므로, '모델 자체'에 투자하기보다 **보완재(데이터, 도메인 전문성, 워크플로우)**에 집중해야 합니다.
즉시 취해야 할 2가지 액션 플랜
1. 'AI 투자 포트폴리오 감사(Audit)'를 실시하라. 현재 진행 중인 AI 관련 투자를 ①모델/벤더 종속 투자, ②보완재 투자, ③조직 역량 투자로 분류하십시오. ①에 집중되어 있다면 즉시 비중을 줄이고, ②③으로 재배분해야 합니다. 특히 특정 벤더 API에 의존하는 프로젝트는 대체 가능성(Exit Strategy)을 반드시 문서화하십시오.
2. '조직 학습 루틴'을 공식화하라. AI 도입 속도보다 학습 속도를 앞세우십시오. 분기별로 "우리가 AI에 대해 새롭게 알게 된 것"을 정리하고, 이를 투자 결정에 반영하는 공식 프로세스를 만드십시오. 이는 AI 튜터링에서 문제 순서만 바꿔도 학습 성과가 6~9개월 앞당겨지는 것과 같은 원리입니다. "AI 튜터, 문제 순서만 바꿔도 학습 성과가 6~9개월 앞당겨진다"에서 확인할 수 있듯, 학습 순서와 맥락 설계가 성과를 좌우합니다. AI 투자도 마찬가지입니다.
결론적으로, 지금은 'AI를 도입할 때'가 아니라 **'AI 위에 무엇을 쌓을지 설계할 때'**입니다. 플랫폼화가 완료될 때까지 유연하게 학습하고, 살아남는 자산에 투자하십시오.