AX란 무엇인가

AX는 기업 운영을 지능화하는 전환이다

AX는 AI Transformation의 줄임말이다. 직역하면 AI 전환이다. 그러나 이 말은 단순히 AI 기술을 도입한다는 뜻이 아니다.

AX는 기업의 전략과 운영을 AI 중심으로 지능화하는 과정이다. 여기서 지능화란 업무가 데이터를 읽고, 상황을 해석하고, 다음 행동을 제안하거나 실행할 수 있도록 바뀌는 것을 말한다.

예를 들어 고객센터에 챗봇 하나를 붙이는 것은 AI 도입일 수 있다. 하지만 고객 문의가 들어오면 AI가 고객 이력과 이전 상담 내용을 확인하고, 문의 유형을 분류하고, 답변 초안을 만들고, 상담원이 검토한 뒤, 처리 결과가 다시 학습 데이터로 쌓이는 구조를 만든다면 AX에 가깝다.

AX의 핵심은 도구가 아니라 구조다.

• 어떤 업무에 AI가 들어갈 것인가

• AI는 어떤 데이터를 읽을 것인가

• AI가 만든 결과를 누가 검토할 것인가

• 사람은 어느 단계에서 판단하고 승인할 것인가

• 결과는 어떻게 기록되고 개선될 것인가

• 이 변화가 매출, 비용, 고객 경험, 실행 속도에 어떤 영향을 줄 것인가

이 질문에 답하는 과정이 AX다.

많은 기업이 AI를 "새로운 소프트웨어"로 이해한다. 하지만 AX 관점에서 AI는 소프트웨어를 넘어선다. AI는 업무 흐름 안에 들어와 판단의 일부를 돕고, 문서 작업을 바꾸고, 의사결정 속도를 높이며, 직원의 역할을 재정의한다. 그래서 AX는 기술 유행어가 아니라 조직 설계의 언어다.

DX가 디지털화라면 AX는 지능화다

DX와 AX는 연결되어 있지만 같은 말은 아니다.

DX는 업무를 디지털 환경으로 옮기는 전환이었다. 종이 문서를 전자 문서로 바꾸고, 고객 정보를 CRM에 저장하고, 재고와 회계를 ERP로 관리하고, 협업 도구와 클라우드를 쓰는 일이 DX의 대표 사례다.

DX의 결과 기업은 더 많은 데이터를 남기게 되었다. 업무 처리 과정도 시스템 안에 기록되기 시작했다. 그러나 기록이 쌓인다고 해서 곧바로 좋은 판단이 생기지는 않는다.

AX는 그다음 단계다. 이미 디지털화된 업무와 데이터 위에 AI를 결합해, 기업이 더 잘 이해하고 더 빠르게 판단하고 더 일관되게 실행하도록 만드는 것이다.

차이를 간단히 보면 이렇다.

예를 들어 영업팀이 CRM에 고객 미팅 내용을 입력하는 것은 DX다. AI가 그 기록을 읽고 고객 관심사를 요약하며, 구매 가능성이 높은 고객을 추천하고, 다음 미팅에서 제안할 메시지를 만들어준다면 AX다.

재무팀이 비용 지출 내역을 시스템에 등록하는 것은 DX다. AI가 이상 지출을 탐지하고, 계정 분류를 추천하고, 예산 초과 가능성을 미리 알려준다면 AX다.

인사팀이 지원자 정보를 채용 시스템에 모으는 것은 DX다. AI가 직무 요건과 지원자의 경험을 비교하고, 면접 질문을 제안하고, 채용 과정의 병목을 분석한다면 AX다.

DX는 기업에 디지털 기반을 만들었다. AX는 그 기반 위에서 기업의 판단 능력을 확장한다.

AI가 들어간다고 모두 AX는 아니다

AI를 쓴다고 해서 곧바로 AX가 되는 것은 아니다. AX를 이해하려면 AI 활용의 깊이를 구분해야 한다.

업무에서 AI는 대체로 네 가지 방식으로 들어온다. 자동화, 보조, 증강, 자율화다.

자동화: 반복 업무를 줄인다

자동화는 사람이 반복해서 하던 일을 AI나 시스템이 대신 처리하는 방식이다.

예를 들어 고객 문의를 유형별로 분류하거나, 영수증에서 금액과 날짜를 추출하거나, 회의 녹취를 텍스트로 바꾸는 일이 여기에 해당한다. 자동화의 목적은 명확하다. 시간을 줄이고 오류를 낮추는 것이다.

자동화에 적합한 업무는 규칙이 비교적 분명하고 반복 빈도가 높다. 처리 기준이 안정적일수록 효과가 크다. 단, 자동화가 항상 좋은 것은 아니다. 예외가 많고, 고객 감정이나 법적 책임이 중요한 업무를 무리하게 자동화하면 오히려 위험이 커진다.

자동화는 AX의 출발점이 될 수 있다. 하지만 자동화만으로 AX가 완성되지는 않는다. 단순 반복을 줄이는 것에서 멈추면 기업의 판단 구조는 크게 바뀌지 않는다.

보조: 사람이 더 빨리 일하게 한다

보조는 AI가 직원의 업무를 옆에서 도와주는 방식이다. 생성형 AI를 활용한 글쓰기, 요약, 번역, 아이디어 발산, 코드 초안 작성이 대표적이다.

보조의 장점은 도입 장벽이 낮다는 것이다. 직원은 별도의 큰 시스템 변화 없이도 AI를 사용할 수 있다. 보고서 초안을 만들고, 긴 문서를 요약하고, 고객 메일을 다듬고, 회의 내용을 정리할 수 있다.

하지만 보조 단계에는 한계가 있다. 개인은 빨라지지만 조직 전체의 일하는 방식은 그대로일 수 있다. 어떤 직원은 AI를 잘 쓰고, 어떤 직원은 거의 쓰지 않는다. 결과물의 품질도 개인 역량에 따라 달라진다. 회사의 데이터와 연결되지 않으면 답변은 일반론에 머물기 쉽다.

따라서 보조 단계의 핵심 과제는 개인 활용을 업무 표준으로 바꾸는 것이다. 좋은 프롬프트를 공유하고, 업무별 사용 기준을 만들고, AI 결과를 검토하는 절차를 정해야 한다.

증강: 사람의 판단 능력을 넓힌다

증강은 AI가 사람의 능력을 확장하는 방식이다. 단순히 시간을 줄이는 것을 넘어, 사람이 더 넓은 정보를 보고 더 나은 판단을 하도록 돕는다.

예를 들어 영업 담당자가 고객을 방문하기 전, AI가 고객의 구매 이력, 산업 뉴스, 과거 문의, 계약 조건, 유사 고객 사례를 모아 핵심 이슈를 정리해준다고 해보자. 담당자는 더 빠르게 준비할 뿐 아니라 더 깊이 있는 대화를 할 수 있다.

또 다른 예로, 법무 담당자가 계약서를 검토할 때 AI가 위험 조항을 표시하고, 이전 계약과 다른 부분을 찾아주고, 협상 포인트를 제안할 수 있다. 최종 판단은 사람이 하지만, 검토 범위와 속도는 크게 달라진다.

증강 단계에서는 AI가 "대신 일하는 도구"가 아니라 "판단을 넓히는 동료"에 가까워진다. AX에서 중요한 변화는 바로 여기서 시작된다. 직원의 역량이 개인 경험에만 묶이지 않고, 조직의 데이터와 지식을 통해 확장되기 때문이다.

자율화: 일정 범위의 업무를 스스로 수행한다

자율화는 AI가 목표를 받고, 필요한 단계를 계획하고, 여러 도구를 사용해 업무를 수행하는 방식이다. 최근 말하는 AI 에이전트가 이 방향에 가깝다.

예를 들어 "이번 달 이탈 가능성이 높은 고객을 찾아 대응 캠페인을 준비하라"는 목표가 주어졌다고 하자. 자율화된 AI는 고객 데이터를 조회하고, 이탈 위험 고객을 분류하고, 고객군별 메시지를 만들고, 캠페인 초안을 생성하고, 담당자 승인 후 발송 시스템에 연결할 수 있다.

물론 대부분의 기업에서 완전한 자율화는 아직 제한적으로 적용해야 한다. 이유는 분명하다. AI는 실수할 수 있고, 잘못된 데이터를 사용할 수 있으며, 맥락을 오해할 수 있다. 특히 고객, 재무, 법무, 인사, 의료, 금융처럼 책임이 큰 업무에서는 사람의 검토와 승인 절차가 필요하다.

자율화의 핵심은 "사람을 없애는 것"이 아니다. 중요한 것은 AI가 어디까지 스스로 할 수 있고, 어디서 사람의 확인을 받아야 하는지 정하는 것이다. AX가 성숙할수록 기업은 업무별 자율화 수준을 세밀하게 설계하게 된다.

네 단계는 순서가 아니라 설계 선택이다

자동화, 보조, 증강, 자율화는 반드시 순서대로 올라가는 단계가 아니다. 업무의 성격에 따라 적절한 수준이 다르다.

급여 지급, 법적 판단, 인사 평가처럼 민감한 업무는 AI가 보조하거나 증강하는 수준이 적합할 수 있다. 반면 단순 문의 분류, 문서 형식 변환, 재고 알림처럼 규칙이 명확한 업무는 자동화 수준을 높일 수 있다. 마케팅 콘텐츠 초안 작성이나 데이터 분석 리포트 생성은 증강과 부분 자율화를 결합할 수 있다.

중요한 질문은 이것이다.

"이 업무에서 AI가 어느 정도까지 개입해야 성과는 커지고 위험은 통제되는가?"

AX는 모든 업무를 자동화하는 프로젝트가 아니다. 업무마다 AI와 사람의 역할을 다시 나누는 설계다.

기업 업무는 AI의 대상이 되는 단위로 쪼갤 수 있다

AX를 추진하려면 먼저 업무를 다르게 봐야 한다. 부서명이나 직무명만 보면 AI 적용 지점이 잘 보이지 않는다. "영업", "인사", "재무", "고객지원"처럼 큰 단위로 보면 너무 넓다.

AI가 들어갈 수 있는 지점을 찾으려면 업무를 더 작은 단위로 해부해야 한다. 대부분의 기업 업무는 다음 네 가지 요소로 나눌 수 있다.

문서: 기업 지식의 가장 큰 저장소

기업 업무의 상당 부분은 문서로 움직인다. 보고서, 제안서, 계약서, 회의록, 매뉴얼, 정책 문서, 이메일, 상담 기록, 제품 설명서, 교육 자료가 모두 문서다.

문서는 AI가 가장 먼저 가치를 낼 수 있는 영역이다. AI는 긴 문서를 요약하고, 핵심 쟁점을 추출하고, 초안을 작성하고, 문서 간 차이를 비교하고, 문체를 통일할 수 있다.

하지만 문서 AI가 잘 작동하려면 문서가 정리되어 있어야 한다. 최신 문서와 오래된 문서가 뒤섞여 있고, 권한이 불명확하고, 파일명이 제각각이며, 같은 내용이 여러 버전으로 존재하면 AI도 혼란스러워진다.

문서 업무의 AX는 단순히 "문서를 빨리 쓰는 것"이 아니다. 기업의 지식이 AI가 읽고 활용할 수 있는 구조로 바뀌는 것이다.

데이터: 판단의 재료

데이터는 AI 판단의 재료다. 고객 구매 이력, 상담 횟수, 재고 수준, 생산 설비 로그, 웹사이트 방문 기록, 매출 추이, 비용 지출 내역, 직원 교육 이력 등이 여기에 해당한다.

기존 데이터 분석은 대개 사람이 질문을 만들고, 데이터를 추출하고, 분석한 뒤, 보고서로 정리하는 방식이었다. AX에서는 이 흐름이 바뀐다. AI가 데이터 탐색을 돕고, 이상 징후를 찾고, 예측 결과를 설명하고, 다음 행동을 추천할 수 있다.

예를 들어 "지난달 매출이 왜 줄었는가"라는 질문에 대해 AI가 지역별, 상품별, 고객군별 데이터를 살펴보고 가능한 원인을 정리해줄 수 있다. 담당자는 그 결과를 검토하며 더 빠르게 가설을 세울 수 있다.

다만 데이터가 많다고 좋은 AX가 되는 것은 아니다. 데이터의 품질, 연결성, 접근 권한, 최신성이 중요하다. 잘못된 데이터 위에 AI를 올리면 더 빠르게 잘못된 결론에 도달할 뿐이다.

판단: 경험과 기준이 작동하는 지점

기업 업무에는 판단이 많다. 어떤 고객을 우선 대응할지, 어떤 제안을 할지, 어떤 비용을 승인할지, 어떤 지원자를 면접할지, 어떤 리스크를 경영진에게 보고할지 결정해야 한다.

AI는 판단을 완전히 대체하기보다 판단의 근거를 정리하고 선택지를 넓히는 데 강하다. 과거 사례를 찾아주고, 유사 패턴을 보여주고, 위험 요소를 표시하고, 대안을 비교할 수 있다.

이때 중요한 것은 기준이다. 회사가 어떤 기준으로 좋은 고객을 정의하는지, 어떤 위험을 중요하게 보는지, 어떤 상황에서 예외를 허용하는지 정리되어 있어야 한다. 기준이 없으면 AI의 추천도 흔들린다.

AX는 암묵지로 남아 있던 판단 기준을 드러내는 과정이기도 하다. 숙련자의 머릿속에만 있던 판단 방식을 문서화하고, 데이터와 연결하고, AI가 참고할 수 있는 규칙으로 바꾸는 것이다.

커뮤니케이션: 일이 오가는 통로

기업의 일은 대화로 움직인다. 이메일, 메신저, 회의, 보고, 고객 상담, 협력사 협의, 내부 공지 모두 커뮤니케이션이다.

AI는 커뮤니케이션의 부담을 크게 줄일 수 있다. 회의 내용을 요약하고, 결정 사항을 정리하고, 담당자별 할 일을 뽑고, 고객 문의의 감정을 파악하고, 답변 초안을 만들 수 있다. 여러 부서가 주고받은 메시지에서 쟁점을 찾아낼 수도 있다.

그러나 커뮤니케이션 영역에서 AI를 쓸 때는 특히 주의가 필요하다. 말은 관계를 만든다. 고객에게 전달되는 문장, 직원에게 보내는 평가 피드백, 협력사와의 협상 메시지는 단순한 정보 전달이 아니다. 회사의 태도와 신뢰가 담긴다.

그래서 커뮤니케이션 AX의 원칙은 분명해야 한다. AI는 초안을 만들 수 있지만, 중요한 메시지는 사람이 맥락과 감정을 확인해야 한다.

실행: 결정이 실제 행동으로 이어지는 단계

마지막은 실행이다. 업무는 보고서에서 끝나지 않는다. 결정된 일이 시스템에 등록되고, 고객에게 발송되고, 일정이 생성되고, 결제가 진행되고, 생산 계획이 조정되어야 한다.

AX가 깊어질수록 AI는 실행 단계에도 들어온다. 예를 들어 회의에서 결정된 후속 업무를 프로젝트 관리 도구에 등록하거나, 승인된 마케팅 문안을 캠페인 시스템에 넘기거나, 고객 응대 결과를 CRM에 기록할 수 있다.

이 단계에서는 권한과 로그가 중요하다. AI가 어떤 시스템에 접근할 수 있는지, 어떤 작업을 실행할 수 있는지, 실행 전 사람의 승인이 필요한지, 실행 내역이 기록되는지 정해야 한다.

AI가 실행까지 담당하기 시작하면 편리함은 커진다. 동시에 책임도 커진다. 따라서 실행 단계의 AX는 기술 설계와 거버넌스 설계가 함께 가야 한다.

AX는 업무의 운영체제를 바꾸는 일이다

기업은 보통 조직도 기준으로 업무를 이해한다. 마케팅팀, 영업팀, 고객지원팀, 인사팀, 재무팀, IT팀이 각자의 일을 한다. 하지만 실제 업무는 부서를 가로질러 흐른다.

고객 불만 하나를 처리하려 해도 고객지원팀, 물류팀, 제품팀, 영업팀이 연결될 수 있다. 신제품을 출시하려면 기획, 개발, 마케팅, 법무, 재무, 고객지원이 함께 움직인다.

AX는 이 흐름을 지능화한다. AI가 부서별 시스템과 문서를 연결하고, 필요한 정보를 찾아주고, 다음 행동을 추천하고, 반복되는 조정 업무를 줄인다. 그 결과 업무는 더 빠르게 흐를 수 있다.

하지만 여기에는 전제가 있다. 업무 책임과 데이터 흐름이 정리되어 있어야 한다. 부서마다 다른 기준으로 데이터를 관리하고, 같은 고객을 다르게 정의하고, 문서 접근 권한이 불분명하면 AI는 제대로 작동하기 어렵다.

그래서 AX는 기업의 운영체제를 바꾸는 일에 가깝다. 운영체제란 컴퓨터 프로그램만을 뜻하지 않는다. 여기서는 기업이 일을 배분하고, 정보를 흐르게 하고, 판단하고, 실행하고, 학습하는 기본 방식을 말한다.

AX가 성공하려면 이 운영체제가 AI와 함께 일할 수 있도록 바뀌어야 한다.

AX를 기술 프로젝트로 보면 실패하는 이유

AX를 IT 프로젝트로만 추진하면 흔히 세 가지 문제가 생긴다.

첫째, 현업의 업무 맥락을 놓친다. AI 모델이나 솔루션은 좋아 보이지만 실제 업무 흐름과 맞지 않을 수 있다. 직원이 이미 쓰는 시스템과 연결되지 않거나, AI 결과를 다시 복사해서 입력해야 하거나, 검토 절차가 기존 승인 체계와 충돌하면 사용은 줄어든다.

둘째, 책임 구조가 비어 있다. AI가 만든 답변이 틀렸을 때 누가 책임지는가. 고객에게 전달하기 전에 누가 확인하는가. 민감 정보는 어디까지 입력할 수 있는가. 이 기준이 없으면 현업은 불안해서 쓰지 않는다. 반대로 기준 없이 무분별하게 쓰면 리스크가 커진다.

셋째, 성과가 조직 성과로 연결되지 않는다. 개인이 AI로 문서를 빨리 쓰는 것은 좋은 일이다. 하지만 그 시간이 고객 대응 속도, 매출 전환율, 오류 감소, 비용 절감, 의사결정 품질 개선으로 이어지지 않으면 경영 성과로 설명하기 어렵다.

기술 프로젝트는 보통 "무엇을 구축할 것인가"에서 출발한다. AX는 "어떤 일을 어떻게 바꿀 것인가"에서 출발해야 한다.

물론 기술은 중요하다. LLM, 데이터 플랫폼, 검색 시스템, API, 보안 체계, 로그 관리, 평가 도구는 모두 필요하다. 하지만 기술만으로는 AX가 되지 않는다. 기술은 변화의 수단이고, 전환의 대상은 업무와 조직이다.

AX는 사람을 빼는 일이 아니라 역할을 다시 나누는 일이다

AX를 말하면 많은 직원이 불안을 느낀다. "AI가 내 일을 대체하는 것 아닌가"라는 질문이 자연스럽게 나온다. 기업이 AX를 생산성 향상이나 인력 절감의 언어로만 설명하면 이 불안은 더 커진다.

AX의 본질은 사람을 단순히 빼는 것이 아니다. 사람과 AI의 역할을 다시 나누는 것이다.

AI는 많은 정보를 빠르게 읽고, 패턴을 찾고, 초안을 만들고, 반복 업무를 처리하는 데 강하다. 사람은 맥락을 이해하고, 책임 있는 결정을 내리고, 예외 상황을 다루고, 관계를 조정하고, 가치 판단을 하는 데 강하다.

따라서 AX 조직에서 사람의 역할은 사라지기보다 이동한다.

• 작성자에서 검토자와 편집자로 이동한다.

• 단순 처리자에서 예외 상황 판단자로 이동한다.

• 정보 검색자에서 질문 설계자로 이동한다.

• 보고서 생산자에서 의사결정 지원자로 이동한다.

• 업무 수행자에서 AI 워크플로우 설계자로 이동한다.

이 변화가 자연스럽게 일어나려면 교육과 변화관리가 필요하다. 직원에게 AI 도구만 던져주고 "활용하라"고 말해서는 부족하다. 어떤 업무에 어떻게 쓰는지, 무엇을 조심해야 하는지, 결과를 어떻게 검토해야 하는지 알려주어야 한다.

AX는 결국 조직 학습의 문제다. AI를 잘 쓰는 개인을 만드는 것에서 시작하지만, 목표는 AI와 함께 일하는 조직을 만드는 것이다.

AX를 판단하는 다섯 가지 질문

우리 회사가 AX를 하고 있는지 확인하려면 다음 질문을 던져볼 수 있다.

첫째, AI 활용이 전사 전략과 연결되어 있는가. 단순히 유행을 따라 도구를 도입하는 것이 아니라, 비용 절감, 매출 성장, 고객 경험 개선, 리스크 관리, 실행 속도 향상 같은 경영 목표와 연결되어 있어야 한다.

둘째, AI가 실제 업무 흐름 안에 들어가 있는가. 직원이 별도로 접속해 가끔 써보는 수준을 넘어, 업무 시작부터 결과 기록까지 자연스럽게 연결되어야 한다.

셋째, 데이터와 지식이 AI가 활용할 수 있는 형태로 정리되어 있는가. 문서, 고객 정보, 업무 기록, 정책, 매뉴얼이 흩어져 있으면 AI의 성과도 제한된다.

넷째, 사람과 AI의 책임 경계가 분명한가. AI가 추천하는 일, 사람이 검토하는 일, 반드시 승인받아야 하는 일, AI 사용이 금지되는 일을 구분해야 한다.

다섯째, 성과를 측정하고 개선하는 체계가 있는가. 사용 횟수만 보는 것이 아니라 처리 시간, 오류율, 고객 만족도, 전환율, 비용 절감, 의사결정 속도 같은 업무 지표와 연결해야 한다.

이 다섯 가지 질문에 답할 수 있다면 AX는 단순한 실험을 넘어 전환의 단계로 들어가고 있는 것이다.

AX의 출발점은 기술 선택이 아니라 업무 이해다

AX를 시작할 때 많은 기업이 먼저 모델이나 솔루션을 고르려 한다. 어떤 생성형 AI를 쓸지, 어떤 플랫폼을 도입할지, 어떤 벤더와 협력할지 검토한다. 필요한 과정이지만 출발점이 되어서는 안 된다.

먼저 봐야 할 것은 업무다.

어떤 업무가 반복되는가. 어디서 시간이 많이 걸리는가. 어떤 판단이 특정 사람에게 몰려 있는가. 어떤 데이터가 있는데 활용되지 못하는가. 고객은 어디서 불편을 겪는가. 직원은 어떤 문서와 시스템 사이를 오가며 시간을 쓰는가.

이 질문에 답하면 AI가 들어갈 자리가 보인다. 그다음에 기술을 고르면 된다.

AX의 순서는 다음과 같아야 한다.

1. 경영 목표를 정한다.

2. 바꿀 업무를 찾는다.

3. 필요한 데이터와 지식을 확인한다.

4. 사람과 AI의 역할을 나눈다.

5. 적절한 기술을 선택한다.

6. 작게 실험하고 성과를 측정한다.

7. 검증된 방식을 표준화하고 확산한다.

이 순서를 거꾸로 하면 실패 가능성이 높아진다. 기술을 먼저 사고 나서 쓸 곳을 찾으면 현업의 문제와 어긋나기 쉽다. 반대로 업무 문제에서 출발하면 AI는 더 명확한 역할을 갖게 된다.

AX는 한 번의 도입이 아니라 계속되는 재설계다

AX는 특정 시점에 완료되는 프로젝트가 아니다. AI 기술은 계속 발전하고, 기업의 데이터는 계속 쌓이며, 고객 기대도 바뀐다. 한 번 만든 AI 워크플로우도 시간이 지나면 다시 점검해야 한다.

처음에는 개인 생산성 도구로 시작할 수 있다. 그다음 부서별 업무에 적용하고, 이후 핵심 프로세스와 연결하고, 전사 플랫폼과 거버넌스를 갖추게 된다. 더 성숙한 단계에서는 AI가 기업 운영의 기본 인프라가 된다.

이 과정에서 중요한 것은 속도보다 방향이다. 모든 것을 한꺼번에 바꾸려 하면 조직은 따라가지 못한다. 반대로 작은 실험만 반복하고 표준화하지 않으면 성과가 쌓이지 않는다.

좋은 AX는 작게 시작하지만, 처음부터 확산을 염두에 둔다. 파일럿을 하더라도 데이터 구조, 권한, 검토 절차, 성과 지표, 운영 책임자를 함께 설계한다. 그래야 성공한 과제를 다른 부서와 업무로 옮길 수 있다.

AX는 결국 기업이 스스로 묻는 질문을 바꾼다.

"AI로 무엇을 자동화할까?"에서 멈추지 않는다.

"AI와 함께 일하도록 우리 회사의 전략, 업무, 데이터, 조직을 어떻게 다시 설계할까?"로 나아간다.

이 질문을 붙잡는 기업은 AI 도구를 쓰는 기업을 넘어 AI 중심 조직으로 이동할 수 있다. AX는 바로 그 이동의 이름이다.