부서별 AX 시나리오

부서별로 보면 AX가 구체화된다

AX는 추상적인 구호로는 움직이지 않는다. "AI를 업무에 적용하자"라는 말만으로는 현업이 무엇을 바꿔야 하는지 알기 어렵다. 반대로 부서별 업무 장면으로 내려가면 AI가 들어갈 자리가 보인다.

마케팅팀은 캠페인을 더 빠르게 만들고 고객 반응을 더 세밀하게 읽을 수 있다. 영업팀은 고객을 더 잘 준비하고 제안 품질을 높일 수 있다. 고객지원팀은 반복 문의를 줄이고 상담원이 더 어려운 문제에 집중하게 할 수 있다. 인사, 재무, 법무는 문서와 판단이 많은 지식 업무를 재설계할 수 있다. 개발과 IT, 경영지원은 운영 업무와 내부 지식 흐름을 바꿀 수 있다.

중요한 것은 부서마다 AI의 역할이 다르다는 점이다. 어떤 부서에서는 AI가 초안 작성자다. 어떤 부서에서는 검색자다. 어떤 부서에서는 분석가, 검토자, 실행 보조자다. 부서의 업무 특성에 맞게 AI의 역할을 정해야 한다.

부서별 AX 시나리오는 세 가지 질문에서 시작한다.

1. 이 부서에서 반복적으로 발생하는 업무는 무엇인가

2. 그 업무에 필요한 데이터와 지식은 어디에 있는가

3. AI가 맡을 일과 사람이 최종 책임질 일은 무엇인가

이 질문에 답하면 AX는 막연한 기술 도입이 아니라 구체적인 업무 변화가 된다.

마케팅: 더 많이 만드는 것이 아니라 더 정확하게 실험한다

마케팅은 생성형 AI의 효과를 가장 빨리 체감할 수 있는 부서 중 하나다. 콘텐츠, 광고 문안, 캠페인 기획, 고객 분석처럼 AI가 잘하는 작성과 분석 업무가 많기 때문이다. 그러나 마케팅 AX의 목적은 콘텐츠를 무작정 많이 만드는 데 있지 않다. 고객을 더 잘 이해하고, 더 빠르게 실험하며, 성과가 나는 메시지를 찾는 데 있다.

마케팅 업무는 보통 다음 흐름으로 움직인다.

• 시장과 고객을 조사한다.

• 캠페인 콘셉트를 만든다.

• 콘텐츠와 광고 문안을 제작한다.

• 채널별로 배포한다.

• 성과를 분석하고 다음 실험에 반영한다.

AI는 이 흐름의 거의 모든 단계에 들어갈 수 있다.

콘텐츠 제작의 변화

기존에는 담당자가 블로그 글, 뉴스레터, SNS 문안, 광고 카피, 상세 페이지 문구를 각각 작성했다. 시간이 부족하면 비슷한 메시지를 여러 채널에 반복해서 사용했다. 그 결과 채널별 고객 특성이나 구매 단계에 맞춘 세밀한 메시지를 만들기 어려웠다.

AI를 활용하면 하나의 핵심 메시지를 여러 형태로 변환할 수 있다. 예를 들어 신제품 출시 캠페인을 준비한다면 AI는 다음과 같은 초안을 만들 수 있다.

• 신규 고객용 광고 문안

• 기존 고객 대상 이메일

• 영업팀이 사용할 제품 소개 스크립트

• SNS 카드뉴스 문구

• 검색 광고용 짧은 카피

• 상세 페이지의 FAQ 초안

담당자는 AI가 만든 초안을 그대로 쓰는 것이 아니라 브랜드 톤, 고객 맥락, 금지 표현, 실제 제품 정보와 맞는지 검토한다. 이때 AI의 가치는 "완성된 문장"이 아니라 "빠른 선택지"에 있다. 마케터는 빈 화면에서 시작하지 않고 여러 방향을 비교하면서 더 나은 메시지를 고른다.

캠페인 기획의 변화

캠페인 기획에서도 AI는 유용하다. 과거 캠페인 결과, 고객 세그먼트, 제품 특징, 경쟁사 메시지를 함께 분석해 캠페인 아이디어를 제안할 수 있다.

예를 들어 B2B 소프트웨어 회사가 중견 제조기업을 대상으로 캠페인을 준비한다고 하자. AI는 기존 고객의 도입 이유, 영업 미팅 기록, 웹사이트 방문 데이터, 성공 사례를 바탕으로 고객의 관심사를 정리할 수 있다. "비용 절감"보다 "납기 지연 감소"가 더 강한 메시지인지, "자동화"보다 "현장 작업자 지원"이 더 설득력 있는지 비교할 수 있다.

캠페인 회의는 아이디어를 처음부터 짜내는 시간이 아니라 AI가 정리한 고객 가설을 검증하는 시간이 된다. 팀은 어떤 메시지를 테스트할지, 어떤 채널에 예산을 배분할지, 어떤 지표로 성공을 판단할지 결정한다.

고객 세분화와 성과 분석의 변화

마케팅에서 중요한 것은 고객을 한 덩어리로 보지 않는 것이다. AI는 구매 이력, 웹 행동, 문의 내용, 설문 응답, 리뷰, 캠페인 반응을 묶어 고객군을 더 세밀하게 나눌 수 있다.

예를 들어 같은 제품에 관심을 보인 고객이라도 이유는 다를 수 있다.

• 가격 할인에 민감한 고객

• 기능 비교를 오래 하는 고객

• 도입 사례를 먼저 확인하는 고객

• 빠른 상담을 원하는 고객

• 기존 제품의 불만 때문에 대안을 찾는 고객

AI는 이런 차이를 텍스트와 행동 데이터에서 찾아낼 수 있다. 마케팅팀은 고객군별로 다른 메시지와 제안을 설계한다. 캠페인 이후에는 AI가 성과를 요약하고, 어떤 세그먼트에서 전환율이 높았는지, 어떤 문구가 클릭은 높지만 구매로 이어지지 않았는지 분석한다.

마케팅 AX의 첫 과제로는 "캠페인 회고 자동화"가 적합하다. 각 채널의 성과 데이터, 광고 문안, 고객 반응을 AI가 요약하고 다음 캠페인에 반영할 학습 포인트를 정리하게 하는 것이다. 이는 비교적 위험이 낮고, 성과도 빠르게 확인할 수 있다.

영업: 개인의 감을 조직의 지식으로 바꾼다

영업은 사람의 관계와 판단이 중요한 영역이다. 그래서 AI가 영업을 완전히 대체하기는 어렵다. 그러나 영업 준비, 고객 분석, 제안서 작성, 후속 조치에서는 AI가 큰 도움을 줄 수 있다.

많은 영업 조직의 문제는 정보가 사람에게 갇혀 있다는 점이다. 어떤 고객이 왜 관심을 보였는지, 어떤 경쟁사와 비교 중인지, 의사결정자는 누구인지, 과거에 어떤 제안을 했는지 담당자만 알고 있다. 담당자가 바뀌면 지식이 사라진다. AX는 이 영업 지식을 조직의 자산으로 바꾸는 과정이다.

리드 발굴과 우선순위화

영업팀은 많은 잠재 고객을 모두 같은 강도로 관리할 수 없다. 따라서 어떤 고객에게 먼저 연락할지 판단해야 한다. AI는 CRM 데이터, 웹사이트 방문 기록, 자료 다운로드 이력, 세미나 참석 정보, 과거 상담 내용을 바탕으로 리드의 우선순위를 추천할 수 있다.

예를 들어 AI는 다음과 같은 신호를 찾아낼 수 있다.

• 최근 가격 페이지를 여러 번 방문했다.

• 의사결정권자가 세미나에 참석했다.

• 비슷한 산업의 성공 사례를 다운로드했다.

• 기존 고객사와 같은 문제를 문의했다.

• 과거에는 예산 문제로 보류했지만 최근 다시 접촉했다.

AI는 이런 정보를 종합해 "이번 주에 먼저 연락할 고객 목록"을 제안한다. 영업 담당자는 현장 감각과 관계 정보를 더해 최종 우선순위를 정한다. AI가 점수를 매기더라도 고객 접촉의 책임은 사람에게 남아야 한다.

상담 준비와 제안서 작성

고객 미팅 전 준비 업무도 크게 달라진다. 기존에는 담당자가 고객 홈페이지, 뉴스, 과거 상담 기록, CRM 메모, 이전 제안서를 따로 찾아봤다. 시간이 부족하면 충분히 준비하지 못한 채 미팅에 들어갔다.

AI가 업무 흐름에 들어오면 미팅 전 브리핑을 자동으로 만들 수 있다.

• 고객사의 최근 이슈

• 과거 접촉 이력

• 구매 가능성이 높은 니즈

• 예상 질문

• 경쟁사와 비교될 가능성이 높은 항목

• 제안 시 강조해야 할 메시지

• 주의해야 할 계약 조건

제안서 작성도 마찬가지다. AI는 고객 산업, 고객의 문제, 자사 솔루션의 기능, 기존 성공 사례를 바탕으로 제안서 목차와 초안을 만든다. 담당자는 고객의 실제 상황과 정치적 맥락을 반영해 수정한다. 팀장은 가격, 범위, 리스크를 검토한다.

이 구조에서는 제안서 작성 시간이 줄어드는 것보다 제안 품질이 표준화되는 효과가 크다. 신입 영업사원도 과거 우수 제안서와 내부 지식을 바탕으로 일정 수준 이상의 초안을 만들 수 있다. 숙련자는 반복 문서 작업보다 협상 전략과 관계 관리에 더 많은 시간을 쓸 수 있다.

계약 가능성 분석과 후속 조치

영업 과정에서 중요한 것은 다음 행동이다. 좋은 미팅을 하고도 후속 메일이 늦거나, 고객의 우려 사항을 놓치거나, 내부 검토 요청이 지연되면 기회가 사라진다.

AI는 미팅 녹취나 회의록에서 고객의 관심사, 우려, 약속한 후속 조치, 내부 협의가 필요한 사항을 추출할 수 있다. CRM에는 자동으로 요약 메모가 남고, 담당자에게 다음 행동이 제안된다.

예를 들어 AI가 "고객은 보안 검토 자료를 요청했고, 2주 내 내부 예산 회의가 예정되어 있으며, 경쟁사 A의 구축 기간과 비교하고 있다"고 정리하면 영업팀은 더 빠르게 대응할 수 있다.

영업 AX의 첫 과제로는 "미팅 브리핑과 후속 조치 자동화"가 좋다. 고객 데이터와 회의록을 연결해 미팅 전후의 반복 업무를 줄이고, 영업 활동의 누락을 줄일 수 있다.

고객지원: 자동화와 상담원 증강을 함께 설계한다

고객지원은 AX 효과가 명확하게 드러나는 영역이다. 문의량, 응답 시간, 해결률, 고객 만족도처럼 측정 가능한 지표가 많기 때문이다. 하지만 고객지원 AX를 단순 챗봇 도입으로 보면 실패하기 쉽다.

고객지원에는 두 가지 방향이 있다.

첫째, 반복 문의를 자동화하는 것이다. 배송 조회, 비밀번호 재설정, 환불 절차 안내, 사용법 안내처럼 규칙이 명확한 문의는 AI가 빠르게 처리할 수 있다.

둘째, 상담원을 증강하는 것이다. 복잡한 문의, 감정이 섞인 불만, 예외 처리가 필요한 상황에서는 상담원이 필요하다. 이때 AI는 상담원의 옆에서 고객 이력, 관련 정책, 답변 초안, 유사 사례를 제공한다.

좋은 고객지원 AX는 이 두 가지를 함께 설계한다.

상담 자동화의 기준

모든 문의를 자동화하려고 하면 위험하다. 자동화에 적합한 문의는 기준이 분명해야 한다.

• 답변 규칙이 명확하다.

• 고객에게 미치는 위험이 낮다.

• 필요한 데이터가 정리되어 있다.

• 예외 상황을 쉽게 구분할 수 있다.

• 고객이 원하면 사람에게 연결할 수 있다.

예를 들어 "배송이 어디까지 왔나요?"라는 문의는 주문번호와 배송 데이터를 확인해 자동으로 답할 수 있다. 반면 "이 제품 때문에 손해가 발생했으니 보상해 달라"는 문의는 자동 답변만으로 처리하면 안 된다. 법적·감정적 리스크가 있기 때문이다.

AI는 문의 유형을 먼저 분류하고, 자동 처리 가능한 경우에만 답변을 생성한다. 불만 강도가 높거나, 환불 금액이 크거나, 법적 표현이 포함되거나, VIP 고객이면 상담원이나 관리자에게 넘겨야 한다.

상담원 증강의 실제 모습

상담원 증강은 고객지원 AX의 핵심이다. 상담원이 고객과 대화하는 동안 AI는 다음 정보를 실시간으로 제공할 수 있다.

• 고객의 구매 이력과 이전 문의 요약

• 현재 문의의 핵심 내용

• 관련 정책과 처리 절차

• 답변 초안

• 유사 사례

• 상급자 승인 필요 여부

• 고객 감정 상태와 주의 표현

상담원은 이 정보를 참고해 더 빠르고 일관되게 답한다. 특히 신입 상담원에게 효과가 크다. 기존에는 숙련자의 경험에 의존하던 대응 품질을 조직 차원에서 표준화할 수 있다.

상담 종료 후에는 AI가 상담 내용을 요약하고, 처리 유형을 분류하며, 개선이 필요한 제품 문제나 정책 문제를 표시한다. 고객지원 데이터는 단순한 민원 기록이 아니라 제품 개선, 마케팅 메시지, 운영 정책을 바꾸는 자료가 된다.

고객지원 AX의 첫 과제로는 "상담 요약과 답변 추천"이 적합하다. 완전 자동화보다 위험이 낮고, 상담원 생산성과 응답 품질을 동시에 높일 수 있다.

인사: 채용과 교육을 데이터 기반 업무로 바꾼다

인사 업무에는 문서, 대화, 평가, 규정, 민감 정보가 많다. 그래서 AI를 신중하게 써야 한다. 특히 채용과 평가처럼 개인에게 큰 영향을 주는 업무에서는 AI가 최종 결정을 내려서는 안 된다. 그러나 AI는 인사 업무의 준비, 정리, 분석, 교육 설계에서 강력한 보조 역할을 할 수 있다.

채용 업무의 변화

채용 과정에는 반복 작업이 많다. 채용 공고 작성, 이력서 요약, 직무 요건과의 비교, 면접 질문 준비, 면접 기록 정리, 후보자 커뮤니케이션이 반복된다.

AI는 채용 공고를 직무별로 다듬고, 지원자의 이력서를 요약하며, 직무 요건과 관련된 경험을 표시할 수 있다. 면접관에게는 후보자별 확인 질문을 제안할 수 있다.

예를 들어 개발자 채용에서 AI는 지원자의 프로젝트 경험, 사용 기술, 협업 경험, 이직 사유로 보이는 표현을 요약한다. 면접관은 이를 참고해 실제 역량을 확인한다. 단, AI가 "합격" 또는 "불합격"을 결정해서는 안 된다. 학력, 성별, 나이, 출신 지역 등 차별로 이어질 수 있는 요소가 평가에 반영되지 않도록 기준을 엄격히 관리해야 한다.

채용 AX의 핵심은 사람을 빠르게 걸러내는 것이 아니다. 직무 요건을 명확히 하고, 면접 품질을 높이며, 평가 근거를 일관되게 남기는 것이다.

교육과 온보딩의 변화

신입 직원이나 전환 배치된 직원은 많은 내부 지식을 배워야 한다. 제품, 시스템, 업무 절차, 조직 문화, 보안 정책을 익혀야 한다. 기존에는 교육 자료를 읽거나 선배에게 물어보는 방식이 많았다. 이 방식은 선배의 시간에 의존하고, 자료가 오래되면 잘못된 정보를 전달할 수 있다.

AI를 활용하면 직무별 학습 경로를 만들 수 있다. 영업 신입에게는 제품 소개, 고객 유형, 제안서 사례, CRM 사용법을 묶어 제공한다. 고객지원 신입에게는 자주 묻는 질문, 처리 정책, 응대 스크립트, 예외 처리 사례를 제공한다. 직원은 필요한 내용을 질문하고, AI는 사내 문서에 기반해 답한다.

인사팀은 교육 이수 데이터, 질문 기록, 업무 적응 과정에서 반복되는 어려움을 분석해 교육 내용을 개선할 수 있다. 교육은 일회성 강의가 아니라 업무 중 계속 접근하는 지식 지원 체계가 된다.

조직문화와 직원 경험 분석

AI는 익명 설문, 퇴사 인터뷰, 사내 게시판, 1:1 면담 기록에서 반복되는 주제를 분석할 수 있다. 예를 들어 특정 부서에서 업무 과부하, 리더십 불만, 협업 지연, 평가 기준 불명확성이 반복적으로 나타나는지 확인할 수 있다.

다만 직원 감정과 조직문화 분석은 매우 민감하다. 개인을 감시하는 방식으로 사용하면 신뢰를 잃는다. 분석 목적, 데이터 사용 범위, 익명화 기준, 접근 권한을 분명히 해야 한다. 인사 AX는 직원 통제가 아니라 더 나은 일터를 만들기 위한 방향으로 설계되어야 한다.

재무·법무: 문서와 리스크를 먼저 읽게 한다

재무와 법무는 정확성과 책임이 중요한 부서다. 이 영역에서 AI는 결정을 대신하기보다 위험을 미리 찾고, 문서를 정리하고, 검토 시간을 줄이는 역할에 적합하다.

재무 업무의 변화

재무팀은 숫자와 문서를 함께 다룬다. 매출, 비용, 예산, 정산, 세금, 보고서, 계약 조건이 연결되어 있다. AI는 반복적인 확인과 설명 업무를 줄일 수 있다.

예를 들어 월말 결산 과정에서 AI는 비용 항목의 이상값을 표시하고, 전월 대비 변동이 큰 계정을 요약하며, 예산 초과 사유를 관련 문서와 연결해 보여 줄 수 있다. 경영진 보고서 초안도 만들 수 있다.

재무 AX의 예시는 다음과 같다.

• 비용 청구 내역의 이상 패턴 탐지

• 예산 대비 실적 차이 요약

• 부서별 비용 증가 원인 분석

• 재무 보고서 초안 작성

• 감사 대응 자료 정리

• 계약 조건과 청구 조건의 불일치 확인

다만 숫자와 회계 판단은 반드시 사람이 검토해야 한다. AI가 만든 재무 설명은 그럴듯해 보여도 원자료나 회계 기준과 맞지 않을 수 있다. 재무 영역에서는 AI 결과의 근거 데이터와 계산 과정을 확인할 수 있어야 한다.

법무 업무의 변화

법무에서는 계약서, 약관, 정책 문서, 규제 자료, 분쟁 기록이 핵심 데이터다. AI는 긴 문서를 빠르게 읽고 위험 조항 후보를 찾는 데 유용하다.

예를 들어 계약서 검토에서 AI는 다음 항목을 표시할 수 있다.

• 책임 제한 조항이 없는 경우

• 과도한 손해배상 조항

• 자동 갱신 조건

• 해지 조건의 불리한 표현

• 개인정보 처리 관련 누락 사항

• 표준 계약서와 다른 조항

법무 담당자는 AI가 표시한 위험 후보를 검토하고, 실제 협상 전략과 법적 판단을 적용한다. AI는 변호사가 아니라 1차 검토 보조자다.

법무 AX에서 중요한 것은 표준 조항과 검토 기준을 정리하는 일이다. 회사가 자주 쓰는 계약서 유형, 허용 가능한 조항, 반드시 수정해야 하는 조항, 협상 가능한 조항을 구조화해야 AI가 의미 있게 도울 수 있다.

재무·법무 AX의 첫 과제로는 "문서 1차 검토와 리스크 표시"가 적합하다. 최종 판단은 사람이 하되, AI가 누락 가능성을 줄이고 검토 시간을 단축한다.

개발·IT: 코드 작성보다 운영 흐름을 바꾸는 것이 중요하다

개발과 IT 부서는 AI 활용에 비교적 익숙하다. 코드 생성, 테스트 작성, 오류 분석, 문서화, 인프라 운영에서 AI를 빠르게 적용할 수 있다. 그러나 개발·IT AX를 단순히 코딩 도구 도입으로만 보면 효과가 제한된다.

중요한 질문은 이것이다.

"AI가 소프트웨어 개발과 운영의 흐름을 어떻게 바꾸는가?"

개발 업무의 변화

개발자는 AI를 활용해 코드 초안, 테스트 코드, 리팩터링 제안, API 문서, 오류 원인 분석을 받을 수 있다. 특히 반복적인 코드 작성과 문서화에서 효과가 크다.

예를 들어 새로운 기능을 개발할 때 AI는 요구사항을 바탕으로 기본 코드 구조를 제안하고, 예상되는 예외 케이스를 정리하며, 테스트 시나리오를 만든다. 개발자는 아키텍처 적합성, 보안, 성능, 유지보수성을 검토한다.

AI가 개발자의 역할을 없애는 것이 아니다. 오히려 개발자는 더 중요한 판단에 집중해야 한다.

• 이 기능이 전체 시스템 구조에 맞는가

• 보안 취약점은 없는가

• 장애가 났을 때 추적 가능한가

• 장기적으로 유지보수하기 쉬운가

• 사용자 경험을 실제로 개선하는가

코드는 빠르게 만들 수 있지만, 좋은 시스템은 설계와 검토에서 나온다.

테스트와 품질관리의 변화

AI는 테스트 영역에서도 유용하다. 요구사항 문서를 읽고 테스트 케이스를 제안하거나, 기존 버그 기록을 분석해 취약한 기능을 찾을 수 있다. 사용자의 실제 행동 로그를 기반으로 중요한 테스트 시나리오를 추천할 수도 있다.

기존에는 일정이 부족하면 테스트가 줄어드는 경우가 많았다. AI를 활용하면 기본 테스트 케이스 작성과 회귀 테스트 준비 시간을 줄일 수 있다. 품질팀은 반복 작성보다 위험도가 높은 영역을 판단하는 데 집중한다.

IT 운영과 헬프데스크의 변화

IT 운영에서는 장애 대응, 권한 요청, 계정 발급, 사내 시스템 문의, 보안 알림 처리 등 반복 업무가 많다. AI는 헬프데스크 문의를 분류하고, 해결 방법을 추천하며, 필요한 경우 티켓을 자동 생성할 수 있다.

예를 들어 직원이 "VPN 접속이 안 됩니다"라고 문의하면 AI는 운영체제, 접속 위치, 오류 메시지, 최근 장애 공지를 확인하고 1차 해결 절차를 안내한다. 해결되지 않으면 관련 로그와 사용자 정보를 묶어 IT 담당자에게 전달한다.

장애 대응에서도 AI는 로그를 요약하고, 최근 배포 내역과 이상 징후를 연결해 원인 후보를 제시할 수 있다. 다만 시스템 변경, 권한 부여, 데이터 삭제, 배포 롤백 같은 행동은 승인 절차가 필요하다.

개발·IT AX의 첫 과제로는 "개발 문서와 장애 대응 지식 검색"이 좋다. 내부 기술 문서, 장애 이력, 운영 매뉴얼을 AI가 찾아주면 개발자와 운영자의 반복 질문이 줄어든다.

경영지원: 회의, 보고, 지식관리를 다시 설계한다

경영지원 부서는 조직의 일하는 방식을 뒷받침한다. 회의, 보고, 문서, 구매, 총무, 자산 관리, 내부 공지, 규정 관리가 여기에 포함된다. 이 부서의 AX는 눈에 잘 띄지 않을 수 있지만 전사 생산성과 연결된다.

회의 업무의 변화

많은 조직에서 회의는 많지만 기록과 실행은 약하다. 회의록이 늦게 공유되거나, 결정 사항이 불명확하거나, 할 일이 담당자에게 제대로 전달되지 않는다.

AI를 활용하면 회의 흐름이 달라진다.

• 회의 전 관련 자료와 지난 결정 사항을 요약한다.

• 회의 중 논의 내용을 기록한다.

• 회의 후 결정 사항, 액션 아이템, 담당자, 기한을 정리한다.

• 후속 회의 전에 미완료 항목을 알려 준다.

회의록 작성 시간을 줄이는 것보다 중요한 것은 실행 누락을 줄이는 것이다. 회의가 끝난 뒤 "누가 무엇을 언제까지 할 것인가"가 자동으로 정리되고 업무 관리 도구와 연결되면 조직의 실행 속도가 빨라진다.

보고 업무의 변화

보고서는 많은 조직에서 시간을 많이 쓰는 업무다. 문제는 보고서 작성 자체보다 자료 수집과 형식 맞추기에 많은 시간이 들어간다는 점이다. AI는 여러 부서의 데이터를 모아 요약하고, 정해진 양식에 맞춰 초안을 만들 수 있다.

예를 들어 주간 경영 보고에서 AI는 매출, 고객 이슈, 프로젝트 진행 상황, 비용, 인력 변동, 주요 리스크를 부서별로 요약한다. 담당자는 숫자와 해석을 검토하고, 경영진은 핵심 의사결정이 필요한 항목에 집중한다.

보고 AX의 원칙은 명확하다. AI가 보고서를 예쁘게 만드는 데 그치면 효과가 작다. 의사결정에 필요한 정보가 더 빨리, 더 정확하게 올라오도록 설계해야 한다.

사내 지식관리의 변화

경영지원은 사내 규정과 절차의 관리 주체인 경우가 많다. 휴가 규정, 출장비 기준, 구매 절차, 보안 정책, 복지 제도, 결재 라인 등이 여러 문서에 흩어져 있으면 직원들은 계속 같은 질문을 한다.

AI 기반 사내 지식 검색을 구축하면 직원은 자연어로 질문할 수 있다.

• "해외 출장비 정산 기준이 어떻게 되나요?"

• "노트북 교체 신청은 어디서 하나요?"

• "계약서 검토 요청은 어떤 양식으로 올리나요?"

• "육아휴직 신청 절차를 알려 주세요."

AI는 최신 규정 문서를 바탕으로 답하고, 필요한 양식이나 담당 부서로 연결한다. 경영지원팀은 반복 문의를 줄이고, 직원은 필요한 정보를 더 빨리 찾는다.

경영지원 AX의 첫 과제로는 "사내 규정 Q&A와 회의 액션 아이템 관리"가 적합하다. 전 직원이 체감할 수 있고, 비교적 빠르게 효과를 확인할 수 있다.

부서별 AX 과제는 서로 연결되어야 한다

부서별 시나리오를 보면 각 부서가 따로 AI를 쓰는 것처럼 보일 수 있다. 그러나 실제 AX는 부서 간 연결에서 더 큰 효과가 난다.

마케팅이 만든 캠페인 반응 데이터는 영업의 리드 우선순위에 연결된다. 영업 미팅에서 나온 고객 불만은 제품 개선과 고객지원 FAQ에 반영된다. 고객지원의 반복 문의는 마케팅 메시지와 제품 설명을 바꾸는 근거가 된다. 법무의 계약 리스크 기준은 영업 제안서와 계약 검토 프로세스에 들어간다. 인사의 교육 콘텐츠는 영업, 지원, 개발 부서의 업무 지식과 연결된다.

따라서 부서별 AX 과제를 설계할 때는 두 가지를 함께 봐야 한다.

첫째, 부서 안의 업무 효율이다. 해당 부서의 반복 업무가 줄고, 품질이 높아져야 한다.

둘째, 부서 간 데이터 흐름이다. 한 부서에서 생긴 정보가 다른 부서의 판단과 실행에 연결되어야 한다.

예를 들어 고객지원팀이 상담 내용을 잘 요약해도 그 정보가 제품팀과 마케팅팀에 전달되지 않으면 효과가 제한된다. 반대로 상담 데이터가 제품 개선 우선순위, 캠페인 메시지, 영업 제안서에 반영되면 AX의 효과는 전사로 확장된다.

AX는 부서별 자동화의 합이 아니다. 부서 사이의 지식 흐름을 다시 설계하는 일이다.

당장 실험할 수 있는 부서별 첫 과제

처음부터 큰 시스템을 만들 필요는 없다. 각 부서는 작지만 성과를 확인하기 쉬운 과제부터 시작할 수 있다.

이 표는 정답이 아니다. 각 회사의 업무 구조, 데이터 수준, 인력 역량에 따라 우선순위는 달라진다. 다만 좋은 첫 과제에는 공통점이 있다.

• 반복 빈도가 높다.

• 필요한 데이터가 비교적 명확하다.

• 실패해도 치명적인 피해가 작다.

• 사람의 검토를 넣기 쉽다.

• 성과를 숫자로 확인할 수 있다.

• 다른 부서로 확산할 가능성이 있다.

이 조건을 만족하는 과제부터 시작하면 조직은 AI를 추상적 기술이 아니라 실제 업무 개선 수단으로 경험한다.

부서별 AX에서 반드시 남겨야 할 인간의 역할

부서별 시나리오를 보면 AI가 많은 일을 할 수 있어 보인다. 하지만 모든 부서에서 사람이 남아야 할 역할은 분명하다.

마케팅에서는 브랜드와 고객에 대한 감각이 필요하다. AI가 만든 문안이 사실상 맞더라도 우리 회사의 톤과 맞지 않을 수 있다. 영업에서는 고객과의 신뢰, 협상, 정치적 맥락을 사람이 판단해야 한다. 고객지원에서는 고객 감정과 예외 상황을 다루는 공감 능력이 필요하다. 인사에서는 사람의 가능성과 조직 적합성을 책임 있게 판단해야 한다. 재무와 법무에서는 숫자와 계약의 책임을 사람이 져야 한다. 개발과 IT에서는 시스템 전체 구조와 보안 판단이 필요하다. 경영지원에서는 조직 운영 원칙과 공정성을 고려해야 한다.

AI는 빠르게 읽고, 정리하고, 초안을 만들고, 누락을 찾는다. 사람은 목적을 정하고, 맥락을 해석하고, 예외를 판단하고, 책임을 진다. 이 구분이 흐려지면 AX는 위험해진다. 이 구분이 명확하면 AI는 조직의 역량을 확장한다.

부서별 실험이 전사 AX의 출발점이다

AX는 어느 날 전사적으로 완성되지 않는다. 대부분의 기업은 부서별 작은 실험에서 시작한다. 마케팅팀이 캠페인 회고를 자동화하고, 영업팀이 미팅 브리핑을 만들고, 고객지원팀이 상담 요약을 쓰고, 법무팀이 계약서 1차 검토를 실험한다. 이런 작은 변화가 쌓이면서 조직은 AI와 함께 일하는 방법을 배운다.

다만 실험이 흩어지면 안 된다. 부서별 과제는 전사 기준 안에서 관리되어야 한다. 어떤 데이터를 쓸 수 있는지, 어떤 업무에 사람 검토가 필요한지, 성과를 어떻게 측정할지, 결과와 오류를 어떻게 기록할지 정해야 한다.

부서별 AX의 목적은 개별 업무를 조금 빠르게 만드는 데서 끝나지 않는다. 각 부서의 지식과 데이터가 연결되고, AI가 업무 흐름 안에 들어가고, 사람이 더 중요한 판단에 집중하는 조직을 만드는 것이다.

기업은 부서별 시나리오를 통해 AX를 상상할 수 있다. 그리고 작은 업무 하나를 바꾸면서 AX를 시작할 수 있다. 중요한 것은 거창한 선언이 아니라 실제 업무 장면을 바꾸는 첫 번째 설계다.