기업 AI 전환을 위한 지식관리 전략 - 전략연구소〈결〉

[[00_Homepage/Home/시작하며|Home]] [[물결|물결 목록]] ### 기업 AI 전환을 위한 지식관리 전략 개인은 성장하고 기업은 진화한다 2026년 6월 #### 핵심 요약 기업의 AX는 AI 도입이 아니라 IA(Intelligence Amplification, 지능 증강) 구현이어야 한다. AI와 IA의 차이는 그 '주체'에 있다. AI의 주체는 기계(AI)이나, IA의 주체는 '사람'이다. 기업 AX의 주체는 AI가 아니라 임직원 개인이다. AI에게 던지는 모든 요구와 질문에는 기업의 데이터와 사유가 담긴다. 따라서 기업은 AI 서비스를 활용하되 데이터의 주권과 보안은 지켜야 한다 — AI를 운용하는 스택과, 우리 사유가 쌓이는 스택을 분리하는 것이 AX 설계의 출발점이다. 이를 위해 사유를 네 층위(개인·팀·전사·미래)로 구분하고, 개인의 사유가 자발적 선택을 통해 기업의 지식으로 흐르는 순환 구조(Closed-Loop Knowledge Cycle)를 설계해야 한다. 그 중심에는 AI가 바뀌어도 사라지지 않는 SSOT(Single Source of Truth) 지식베이스가 있다. 실행은 세 단계(기반 구축 → 연결 → 고도화)로 이뤄지며, 각 단계는 양적 목표가 아닌 질적 전환 기준(Gate Criteria)으로 판단한다. 전략의 요체는 세 가지 선택이다 — 스택의 분리, 사유의 흐름, 단계적 전환. 개인의 사유가 깊어지고, 그 사유가 조직을 통해 증폭되고, 기업이 미션을 향해 나아갈 때 — 진짜 AX가 일어난다. --- #### 프롤로그 대한민국 기업의 AX 추진을 바라보며 이런 질문을 던진다. > AX의 주체는 누구인가. > 기업인가, 임직원 개인인가. > AI인가, 사람인가. AI라는 개념은 1956년 다트머스 회의에서 컴퓨터 과학자 존 매카시에 의해 등장했다. 그는 기계를 인간처럼 사고하게 만들 수 있다고 믿었다. 같은 시대, 다른 방향을 택한 이들이 있었다. 로스 애쉬비는 1956년 '지능 증강(Intelligence Amplification)'이라는 개념을 제시했고, 더글러스 앵겔바르트는 1962년 논문 「인간 지성의 증강(Augmenting Human Intellect)」에서 컴퓨터로 인간의 지능을 확장한다는 구상을 구체화했다. 인간의 지능을 증강한다는 것이 그들의 방향이었다. AI와 IA의 차이는 '주체'에 있다. AI의 주체는 기계(AI), IA의 주체는 인간이다. 인간의 사유를 증강시키는 데 AI를 활용한다는 측면에서 보면, 기업의 AX는 AI 도입이 아니라 IA 구현이어야 한다. 임직원 개인의 사유가 증강되고 조직의 것이 되어 기업의 철학, 미션을 향해 나아가야 한다. 이 체계가 잘 운영되면 기업의 미션 자체가 달라질 수도 있다. 제조기업이 제조 AI 참조모델을 만들고 이 모델을 다른 기업에 서비스하며 사용료를 받을 수도 있을 것이다. 이렇게 제조기업이 '제조+AI기업'이 되어, 오프라인 경쟁력 있는 기업을 인수해 해당 기업의 AX를 추진하고 해당 영역의 참조모델을 만들어 서비스할 수도 있게 될 것이다. 기업의 방향이 바뀌거나, 미션의 층위가 더 높아지고 범위가 넓어지는 것이다. 기업이 AI를 도입해야 하는 진짜 이유는 여기에 있다. AI가 할 수 있는 일은 AI에 맡기고, 개인과 조직은 그간 해결하지 못했던 문제를 해결하거나 새로운 영역에 도전할 수 있어야 한다. 관성적 업무에서 해방된 사람이 진짜 사유를 시작할 때, 기업은 성장의 한계를 넘을 수 있다. 그리고 한 가지 더. 일의 목적은 점점 더 '자아실현'을 향해가고 있다. 임직원은 이 회사에서 돈을 버는 것만이 아니라 성장하고 싶어 한다. 개인은 창조적 사유로 성장하고, 그 성장이 기업의 성장으로 이어지는 구조가 필요하다. 이러한 구조를 만드는 일은 매우 어렵다. 2026년, AI는 이미 스스로 코드를 짜고 업그레이드하기 시작했다. 2026년 5월 기준, 앤트로픽이 프로덕션에 반영한 코드의 80% 이상을 클로드가 직접 작성했다. 엔지니어는 코드를 타이핑하는 대신 방향을 설정하고 검토하는 역할로 바뀌었다. 에이전틱 AI가 기업 현장에 보편화되며 반복적 업무는 빠르게 에이전트로 넘어가고 있다. AI 시대의 핵심 역량이 매년 업데이트 되고 있다. — 2023년 프롬프트, 2024년 AI 도구를 적재적소에 사용하는 역량, 2025년 바이브 코딩, 그리고 2026년 현재는 에이전트를 많이 거느리고 위임할 줄 아는 역량이다. _(김대식·김혜연, 2026)_. 이러한 속도전 앞에서 기업이 AI를 단순 도구로 다루는 동안, 개인과 조직의 사유는 AI 밖에서 사라지고 있다. 리더가 먼저 답해야 할 것이 있다. **기업은 왜 존재하는가. 우리가 세상에 어떤 영향을 끼치고 싶은가. AI는 그 목적을 향해 어떻게 쓰일 것인가.** 누군가는 AI로 보고서를 빠르게 쓰고, 어떤 이는 AI로 데이터를 분석한다. 각자 AI를 잘 쓰는 이 행위들이 기업의 미션을 향하도록 정렬될 수 있어야 한다. 그 정렬의 기준은 기업의 철학이며, 이 철학이 AI 거버넌스와 AI 아키텍처, 워크플로우로 이어져야 한다. 그렇게 개인의 사유가 조직의 것이 되어 기업의 미션을 향해야 한다. 이러한 순환 구조(Closed-Loop)의 중심에는 인간의 '사유와 지식'이 있으며, AI는 이를 도와야 한다. --- ### 1장. 데이터 주권 AX를 이야기하기 전에, 기업이 AI를 쓰는 환경의 구조를 이해해야 한다. 이 구조를 모르면 "AI를 도입한다"는 말이 우리 기업에 무엇을 의미하는지 알 수 없다. AI 프런티어 서비스를 제공하는 기업의 인프라는 구조적으로 네 개의 층으로 이루어진다. --- **Layer 1: 인프라** 물리적 기반이다. NVIDIA Hopper(H100·H200)·Blackwell(B200) 세대 AI 가속 반도체, 초고속 네트워크, 24시간 가동되는 데이터센터. AI 프런티어 서비스 사들은 Microsoft Azure, AWS, Google Cloud 같은 하이퍼스케일 클라우드 위에서 수만 대의 GPU를 운용한다. **Layer 2: 클라우드 플랫폼** 하드웨어 위에서 작동하는 소프트웨어 인프라다. 수만 대의 서버를 하나의 자원처럼 제어하고, 작업량에 따라 자동으로 확장·축소하며, 장애가 생기면 자동으로 복구한다. 쿠버네티스(Kubernetes)가 대표적이다. 거대한 하드웨어를 인간이 제어할 수 있는 환경으로 만들어준다. **Layer 3: 파운데이션 모델** AI 프런티어 서비스인 GPT(OpenAI), Claude(Anthropic), Gemini(Google)가 여기에 해당된다. 맥락을 이해하고, 추론하고, 생성하는 지능의 원천이다. 같은 클로드 서비스 안에서도 Sonnet, Opus 등 용도와 성능에 따라 다른 모델을 선택할 수 있다. **Layer 4: 엔터프라이즈 애플리케이션** Layer 1~3 위에서 기업의 실제 업무와 AI를 연결하는 층이다. 팔란티어의 Foundry처럼 기업 데이터를 AI와 안전하게 결합하는 플랫폼, IBM watsonx Orchestrate처럼 여러 AI를 조율하는 오케스트레이션 플랫폼, 그리고 삼성SDS 패브릭스처럼 임직원이 여러 AI를 단일 인터페이스에서 쓸 수 있게 하는 AI 워크스페이스가 모두 여기 속한다. 기업의 내부 데이터를 보안을 유지하며 AI와 결합하고, 실제 비즈니스에 쓸 수 있는 형태로 만들어준다. (AI 프런티어서비스 아키텍처) ![[기업AX_AI프론티어서비스_아키텍처.png]] --- 위의 4층 구조는 Claude, Gemini, GPT 같은 AI 프런티어 서비스 사의 아키텍처다. 그러나 AX를 도입하는 대한민국 기업의 현실은 다양하다. 대기업은 대체로 자체 전산실을 유지하며, 제조 현장 데이터(MES, 품질, 설비)는 보안과 실시간성 때문에 직접 관리하고, 경영 정보나 협업 도구는 클라우드를 활용하는 하이브리드 구조다. 중견기업은 자체 전산실 없이 전면 클라우드로 운영하는 곳도 적지 않다. 이러한 상황에서 AI를 어떻게 연결할 것인가 — 이것이 CAIO의 첫 번째 설계 과제다. --- 이 구조를 이해한 독자는 이런 의문이 들 것이다. **우리가 AI 프런티어 서비스를 쓴다면, 우리 기업의 데이터는?** 여기서 두 가지를 분리해서 생각해야 한다. **하나, AI 서비스를 활용하는 것.** GPT, Claude, Gemini는 미국의 기업이 만든 서비스다. 위에서 설명한 Layer1~3의 인프라와 모델은 다른 나라 기업의 것이다. 대한민국 기술이 이 영역에서 힘을 발휘하게 되기를 바란다. 이러한 노력과 병행하여, 지금 우리 기업은 잘 만들어진 지능을 잘 활용하는 전략이 필요하다. **둘, 우리 기업의 데이터와 사유를 지키는 것.** AI에 무엇을 지시하고, 무엇을 맥락으로 주느냐 — 거기에 우리 기업의 데이터와 사유가 담긴다. 이것까지 그들의 서버에 둘 수는 없다. 우리 기업의 지식과 사유는 해당 기업이 소유하고 통제해야 한다. AI 서비스를 활용하되, 데이터 주권과 보안을 지켜야 한다. 이 분리가 AX 설계의 출발점이다. AI를 운용하는 4개의 레이어 옆에 나란히 있어야 할 것이 하나 더 있다. **우리 기업의 사유와 지식이 쌓이고 증강되는 스택.** (이중 스택 다이어그램) ![[기업AX_이중스택다이어그램.png]] 왼쪽을 활용하고 오른쪽은 소유한다. 두 스택이 만나는 지점 — AI가 우리 데이터를 안전하게 참조하여 우리의 사유를 증강시키는 지점 — 이 AX의 중요한 설계 과제다. 오른쪽 스택이 없으면, AI는 매번 빈 칸에서 시작한다. 그리고 우리가 묻는 모든 질문은 그들의 서버에 흔적을 남긴다. 데이터 주권과 보안을 지키면서 사유를 증강시키는 방법 — 그것이 지식관리 아키텍처다. 이 보고서의 핵심이 여기서 시작된다. 그리고 그 아키텍처의 중심에는 SSOT(Single Source of Truth) — 임직원의 사유와 조직의 지식이 쌓이는 유일한 신뢰 원천 — 가 있다. AX는 지식관리와 함께 추진해야 한다. --- ### 2장. 문제 진단 — 사유가 사라지는 조직 많은 기업은 이미 지식 인프라를 갖고 있다. 협업 플랫폼, 집단지성 플랫폼, ECM(기업 콘텐츠 관리), 프로세스가 담긴 EA(Enterprise Architecture) 도구. 그리고 ERP·MES·SCM·CRM 등 수십 년간 쌓아온 기간계 시스템들. 이들이 AI와 연결되는가? 연결되었다면 개인의 사유가 이 체계 안에서 흐르고 있는가? 두 가지 문제가 있다. **첫째, 시스템들이 사일로로 존재한다.** 기업의 프로세스는 E2E, 즉 횡으로 흐르는 반면, 기업의 시스템은 종과 횡으로 흩어져 배치되어 있다. 사람을 기준으로 생각해보자. 업무는 워크스페이스상에서 처리하나 그 뒤에는 ERP, CRM, SCM 등의 기간계 시스템과 기타 어플리케이션들이 배치되어 있다. 한 사람이 처리하는 일과 관련된 어플리케이션은 물리적으로 각기 다른 것이다. 이런 상황에서 AI와 어떻게 연결해야 할까? **둘째, 개인의 사유가 조직으로 흐르지 않는다.** 기존 KMS는 '완료' 상태의 지식을 수집했다. 완성된 문서, 확정된 프로세스, 공식 보고서들이 올라간다. 현장에서 살아있는 사유, 아직 검증되지 않은 통찰, "이게 이상하다"는 직감 — 이것들은 개인의 머릿속이나 PC와 메신저 안에서 사라진다. 그러나 이것들이야말로 AI와 협업하는 데 필요한 지식이다. 현장에서 포착한 이상 신호. 퇴직하는 시니어의 30년 암묵지. 실패한 프로젝트에서 배운 것. 이것들이 AI와 만나 가치를 창출해야 한다. 경영혁신 부서원으로 4년차 즈음 이런 생각을 했다. > '이 제품이 회사에 준 진정한 수익은 얼마나 될까?', '연구개발부터 제조, 판매를 거쳐 대금이 회수되기까지의 진짜 소요시간(Cash to Cash cycle time)은 얼마나 될까?'. 당시에는 정보수집의 한계 등으로 확인하지 못했으나, 이제 사내 어플리케이션과 연계된 AI를 활용해서 확인할 수 있다. AI를 도입해도 이러한 일이 가능해지지 않는다면, 즉 구조가 바뀌지 않으면 — AI는 조직의 겉면에 있는 공식 문서만 읽거나, 살아있는 현장의 사유에 도움을 주기 어렵게 된다. --- ### 3장. 해법 — 사유를 쌓고 증강시키는 4층위 사유에는 층위가 있다. 이것을 구분하지 않으면 개인의 사유가 조직의 것이 되지 못하고, 조직의 지식이 다시 개인에게 영감을 주지 못한다. 노나카와 다케우치는 1995년, 지식이 개인에서 조직으로 존재론적 층위를 가로질러 증폭된다는 SECI 모델을 제시했다. 암묵지(개인의 경험·직감)가 형식지(문서·프로세스)로 전환되고, 그것이 다시 조직 전체의 암묵지로 내재화되는 나선형 순환이다. 그리고 오늘날, 이 모델은 AI와의 만남으로 다시 쓰이고 있다. 인간-AI 협업 모델(Human-AI Collaboration SECI)은 이중 루프 구조를 제안한다 — 인간이 AI에게 지식을 제공해 AI를 성장시키는 내부 루프와, AI에 축적된 지식이 다시 인간의 사유를 발전시키는 외부 루프. 이것이 우리가 말하는 사유의 4층위 순환과 같은 구조다. _(참고문헌 목록 참조: Nonaka & Takeuchi, 1995; Matsumoto et al., 2025)_ (사유의 4층위) ![[기업AX_사유4층위.png]] **Layer 1 — 개인의 사유** 의도적으로 이 층위는 '지식'이 아닌 '사유'로 표현했다. 아직 정리되지 않은 것, 검증되지 않은 것, 완성되지 않은 사유가 여기에 있다. 완성된 결과물만 담는 것은 기존의 지식관리이다. 사유는 완성되기 전에도 가치가 있다. 사유의 씨앗이 여기 있다. AI와의 대화도, 현장의 직감도, 책을 읽다 떠오른 생각도 여기서 시작된다. 처음에는 개인이 소유하고 관리한다. 기업이 해야 할 일은 두 가지다. 하나는 이 층위를 허용하고 지원하는 것이다. 업무와 관련된 개인 콘텐츠 플랫폼을 기업 인프라 안에서 구축할 수 있게 해야 한다. 다른 하나는 그 사유가 더 높은 층위로 올라갈 수 있는 경로를 설계하는 것이다. 개인의 암묵지가 한 사람의 머릿속에만 있으면, 그 사람이 떠나는 순간 사라진다. 사유가 팀과 조직의 것으로 확장될 때 — 비로소 기업의 지식이 된다. 중요한 것은 이 이동이 강제가 아니라 개인의 선택으로 일어나야 한다는 것이다. 선택에 보상과 인정이 따를 때 자발적 순환이 만들어진다. **Layer 2 — 팀의 지식** 개인의 사유가 문제를 해결하거나 새로운 영역으로 도전할 수 있는 무엇이 되어 동료와 숙론을 펼치게 되는 영역이다. 프로젝트 진행 중의 노하우, 실패 경험, 팀이 함께 만든 방법론, 신제품 아이디어 등 무엇이든 논의되고 새로운 통찰로 이어지며 팀의 지식이 된다. **Layer 3 — 전사의 지식** 기업의 철학, 전략, 온톨로지, 거버넌스와 같은 전사적 지식이다. 협업 플랫폼, ECM(기업 콘텐츠 관리), 집단지성 플랫폼이 담아온 공식 지식이 여기 있다. 이미 많은 기업이 생성형 AI를 품은 집단지성 플랫폼을 운영하고 있다. 그러나 대부분은 '완성된 지식'을 모으는 데 머문다. Layer 1의 살아있는 개인 사유가 이 층위와 연결되지 않는 한, 집단지성 플랫폼은 공식 문서 저장소에 그친다. AI 전담조직이 설계하고 관리해야 할 핵심 과제가 여기 있다. **Layer 4 — 미래를 위한 사유** 이 층위도 '지식'이 아닌 '사유'로 표현했다. 아직 답을 찾지 못한 영역이나, 그 사유를 오픈하고 논의하며 키워갈 수 있어야 한다. --- ### 4장. 개인의 사유가 전사를 가로질러야 한다. 2장에서 던진 질문 — 이 제품이 회사에 준 진정한 수익은 얼마인가, Cash-to-Cash 사이클타임은 얼마인가 — 으로 돌아간다. 그때는 정보 수집의 한계로 확인하지 못했다. 시스템이 사일로로 나뉘어 있었고, 연결해서 볼 도구가 없었으며 권한이 막힌 부분도 있었다. 이제 이 질문을 안고 해답을 찾아가는 여정이 가능해진다. 단, 두 가지 설계가 선행되어야 한다. **첫째, 질문 권한과 데이터 접근 권한을 분리해야 한다.** ``` 기존: 데이터 접근 권한 → 직접 시스템 조회 새로운 구조: 질문 권한 → AI가 데이터 취합 → AI가 권한 범위 내에서 결과 제공 ``` 지금까지는 데이터를 보려면 각 시스템의 접근 권한이 필요했다. AI를 효과적으로 사용하려면 달라져야 한다. 임직원이 지시하면, AI가 여러 시스템의 데이터를 취합해서 결과물을 줄 수 있어야 한다. 개인의 권한 범위에 따라 디테일한 정보를 가릴 수는 있으나, 요청하는 행위 자체는 누구에게나 열려 있어야 한다. 현장의 궁금증이 권한의 벽에 막혀 사라지지 않도록. **둘째, E2E 추적이 가능한 온톨로지가 선행되어야 한다.** R&D → 개발 → 생산 → 판매 → 입금 → 재무처리. 이 흐름이 온톨로지로 연결되어 있어야 AI가 끝까지 추적할 수 있다. ERP의 제품코드, PLM의 제품코드, CRM의 제품코드가 서로 같은 존재임을 온톨로지가 알고 있어야 한다. 2장에서 본 사일로 — 종과 횡으로 흩어진 시스템들 — 를 하나의 존재 구조로 구조화하는 온톨로지가 필요하다. > "A 제품군의 R&D 투자부터 최종 입금까지 전 과정을 추적합시다. 연구비·개발비·판관비 등 비용을 전부 제하고 실제 이익과 Cash-to-Cash 사이클타임을 알려주세요." 이 요청에 AI가 답하려면 — 질문 권한의 개방과 E2E 온톨로지, 두 가지가 모두 갖춰져야 한다. **그리고 현장의 사유가 조직의 지식이 되는 경로가 있어야 한다.** 현장에서 포착한 이상 신호, 끝까지 추적해 얻은 통찰이 `공유(shareable)` 상태로 올라가면 팀의 지식이 된다. 팀이 검토해서 `팀 검증(reviewed)`이 되면 기업의 지식이 된다. 이 경로가 설계되어 지식이 기업에 흘러야 한다. --- ### 5장. 사유의 순환 — 개인이 성장하고 기업이 진화한다 지금까지 정리한 것을 연결하면 하나의 사이클을 만들 수 있다. ![[Closed-Loop Knowledge Cycle.png]] 이것이 **Closed-Loop Knowledge Cycle**이다. 노나카의 지식 나선(SECI)과 HAC-SECI의 이중 루프를 기반으로, 〈결〉이 기업 맥락에 맞게 재개념화한 실천 프레임이다. 개인의 사유가 조직의 지식이 되고, 조직의 지식이 다시 개인의 사유를 증강시킨다. AI는 이 루프를 가속하는 도구다. 루프가 빠르게 돌수록 개인은 성장하고 조직은 진화한다. **AI 프런티어 서비스나 모델이 바뀌어도 루프는 유지된다.** 임직원은 GPT, Claude, Gemini 등을 자유롭게 쓸 수 있다. 데이터·사유 스택이 AI 밖에 있으면 AI 프런티어 서비스나 모델이 바뀌어도 사유는 남는다. SSOT — 임직원의 사유와 조직의 지식이 쌓이는 유일한 신뢰 원천 — 가 연속성을 보장한다. 사카나 AI의 Fugu나 IBM의 watsonx처럼 여러 AI를 조율하는 오케스트레이션 도구가 이미 등장했다. 어떤 도구를 쓰든 — 사유가 AI 밖에 쌓인 기업은 여러 AI를 쉽게 사용할 수 있고 다른 도구로 쉽게 이동할 수 있다. **개인의 성장과 기업의 미션이 같은 루프 위에 있다.** 개인이 AI의 도움을 받아 더 깊이 사유하고, 그 사유가 조직의 지식이 되고, 조직의 지식이 기업의 미션을 향해 힘을 모은다. 동시에 그 지식이 개인에게 돌아와 시야를 더 넓게 한다. 이 루프 위에서 개인은 성장하고, 기업은 미션을 향해 나아간다. 일의 목적이 자아실현으로 이동하는 시대에 이러한 구조를 갖춘 기업과 그렇지 않은 기업은 인재 확보에 있어 결정적 차이가 날 것이다. --- ### 6장. 사유의 주권을 지키는 구조 기업이 AI 프런티어 서비스를 사용하기로 결정하는 순간, 두 가지를 동시에 설계해야 한다. 외부 AI를 어떻게 활용할 것인가. 그리고 우리 기업의 데이터와 사유를 어떻게 지킬 것인가. AX를 추진하는 기업들은 이미 이 두 가지를 동시에 설계하고 있다. 외부 생성형 AI를 개방하면서 데이터 분리, 내부망 통제, 접근 권한 관리, 제로 트러스트(Zero Trust) 인프라를 함께 구축한다. 개방과 통제를 동시에 설계하는 것 — 이것이 CAIO의 핵심 과제다. ![[기업AX_결_구조_기업규모적용.png]] 임직원은 이 구조를 의식하지 않는다. 하나의 AI 워크스페이스에서 질문할 뿐이다. 뒤에서 어떤 데이터가 어디까지 참조되는지는 CAIO 조직이 설계하고 관리한다. Palantir Foundry 같은 Enterprise Application Layer 또는 기업 자체 구축 플랫폼이 이 경계를 기술적으로 구현한다. **개인 콘텐츠 플랫폼 소유권 원칙:** 개인이 퇴직하면 어떻게 될까. `배포(published)` 지식은 전사 지식베이스에 남아 계속 참조된다. `진행 중(draft)` 상태였던 것은 업무 관련 내용은 기업에 귀속되되, 접근 권한 체계 안에서 후임자가 이어받을 수 있도록 이관 프로세스를 설계해야 한다. Status 체계는 지식의 소유권보다 접근과 가시성을 관리하는 구조다. --- ### 7장. 〈결〉의 실험 — IA의 최소 구현 전략연구소〈결〉은 1인 연구소다. 인간 구성원은 대표 한 명, 나머지는 AI다. 규모는 대기업과 비교할 수 없이 작지만, 사유가 AI 밖에 쌓이고 AI가 그것을 참조해 증강한다는 원리는 동일하다. 작은 규모이기에 오히려 구조가 선명하게 드러난다. **〈결〉의 구조:** ![[기업AX_결_L1L5_사유흐름.png]] 맥락 세트를 구성했다. 철학적 사명, AI 거버넌스 문서, 글쓰기 지침, 사유 주권 연구 보고서 등의 문서들을 AI가 참조할 수 있게 연결했다. AI에 〈결〉의 관점에서 어떤 문제의 해결방안을 제시할 것을 요청하면, AI는 〈결〉의 철학과 언어로 답한다. AI가 대표의 사유를 증강시키는 구조로, IA의 실현이다. AI 서비스나 모델이 바뀌어도 옵시디언의 맥락 세트는 그대로 남아 다음 AI에게 그대로 전달된다. **기업 규모로 확장하면:** | 〈결〉 | 기업 | | -------- | ---------------------------- | | 옵시디언 | 개인 콘텐츠 플랫폼 + 팀·조직 지식베이스 | | 맥락 세트 | 기업 철학·전략·온톨로지 | | L4 가치 검증 | 기업 AI 거버넌스 체크 | | 클로드 | AI 프런티어 서비스 | | MCP 연결 | Enterprise Application Layer | 사유의 과정과 결과물은 AI 밖에 있고, AI는 그것을 참조하는 원리는 같다. --- ### 8장. 실행 로드맵 — 사유하는 조직을 만드는 여정 전략은 선택이다. 이 보고서가 제안하는 지식관리 전략은 세 가지 선택으로 압축된다. **분리의 선택.** AI 운용 스택과 데이터·사유 스택을 분리한다. 무엇을 빌리고(외부 AI), 무엇을 소유할 것인가(SSOT·온톨로지). 이 경계를 긋는 것이 첫 번째 전략적 결정이다. **흐름의 선택.** 완성된 지식만 수집하던 방식과 결별하고, 사유가 흐르는 구조(4층위·Status 체계)를 선택한다. 강제 수집이 아니라 자발적 상승이다. **속도의 선택.** 전사 일괄 전환이 아니라 단계적 전환을 선택한다. 시간표가 아니라 상태(Gate Criteria)로 판단한다. 이 세 가지 선택 위에서, 실행은 세 단계로 이뤄진다. #### 8.1 1단계: 기반 구축 가장 먼저 할 일은 기술이 아니다. 기업의 철학과 미션을 명문화한다. "우리 기업은 왜 존재하는가. AI는 그 목적을 향해 어떻게 쓰일 것인가." 이것이 없으면 이후의 모든 것이 방향을 잃는다. 그 다음, 개인 콘텐츠 플랫폼을 허용한다. 임직원이 사내 인프라 안에서 개인 사유 관리 도구를 쓸 수 있게 한다. 강제하지 않고 원하는 사람이 먼저 시작하게 한다. 동시에, 기존 협업 플랫폼·ECM·기간계 시스템의 현황을 파악한다. > **2단계로 넘어가는 기준** > > - 기업의 철학과 미션이 문서로 명문화되었는가 > - 개인 콘텐츠 플랫폼을 자발적으로 쓰기 시작했는가 > - 자주 막히는 데이터 흐름(핵심 사일로)이 식별되었는가 #### 8.2 2단계: 연결 개인 콘텐츠 플랫폼과 팀 지식베이스를 연결하고 Status 체계를 도입한다. `진행 중(draft)`에서 `공유(shareable)`로의 전환이 자연스럽게 일어나는 문화를 만든다. 기간계 시스템들 사이의 온톨로지를 설계하기 시작한다. 가장 자주 묻는 E2E 질문이 무엇인지 파악하고, 그것을 가능하게 하는 온톨로지를 우선 구축한다. **AI 프런티어 서비스와 연결 — AI 워크스페이스 도입** 이 단계에서 임직원 개인이 Claude, GPT, Gemini를 각자 개별 계정으로 쓰면 — 무슨 데이터가 어디로 나가는지 CAIO 조직이 파악조차 할 수 없다. 통제되지 않은 개별 사용은 데이터 유출의 가장 큰 통로다. 임직원에게 필요한 것은 단일 인터페이스다. 어떤 모델을 골라야 할지, 이 질문을 어떤 AI에게 해야 할지 — 임직원이 고민하지 않아도 되는 환경. CAIO 조직이 그 복잡성을 흡수하고, 임직원은 사유에 집중한다. 이것이 **AI 워크스페이스**다. 오케스트레이션을 학습한 AI(뒤의 '더 나아가'에서 다룰 사카나 AI의 Fugu 등)나 엔터프라이즈 플랫폼(IBM watsonx Orchestrate 등)이 이 역할을 맡는다. ![[기업AX_AI_WS_라우팅_다이어그램.png]] 임직원은 워크스페이스 안에서 Claude·Gemini·GPT 중 원하는 서비스와 모델을 선택할 수 있다. 핵심 지식 영역에 관한 질문이라면 — 사내 sLLM으로 자동 연결된다. 임직원은 이 전환을 의식하지 않는다. 모든 AI 사용이 단일 게이트웨이를 통과하므로 — 기업은 로그를 확보하고, 민감 데이터를 보호하고, AI 사용을 거버넌스 안에 둘 수 있다. > **3단계로 넘어가는 기준** > > - 개인의 사유가 Status 전환을 거쳐 기업 지식으로 올라가는 사례가 나오는가 > - 핵심 E2E 질문 하나에 대해 AI가 사일로를 가로질러 답할 수 있게 되었는가 > - 임직원이 외부 AI를 개별 계정이 아니라 워크스페이스를 통해 쓰기 시작했는가 #### 8.3 3단계: 고도화 임직원이 사유를 쌓고, 팀이 그것을 검증하고, 조직이 지식으로 굳히는 루프 — Closed-Loop Knowledge Cycle — 가 자동으로 돌아가게 한다. 어느 임직원이든 권한 범위 안에서 E2E로 끝까지 추적하고 질문할 수 있는 구조가 완성된다. **CAIO의 역할 — 멀티디멘전 프레임** 이 단계에 이르면 CAIO 조직의 역할을 명확히 재정의해야 한다. CIO/CDO와 무엇이 같고, 무엇이 다른가. 가트너는 CIO를 "사람·프로세스·기술을 통해 IT가 비즈니스 목표를 지원하도록 하는 사람"으로, CDO를 "기업 전반의 디지털 전환을 이끌고 비즈니스와 IT를 연결하는 사람"으로 정의한다. 두 역할 모두 같은 방향을 향한다. 기술이 비즈니스를 어떻게 지원할 것인가. CAIO는 다른 질문을 한다. 기술이 임직원의 사유를 어떻게 증강시킬 것인가. 우리 기업의 데이터 주권과 사유 주권을 어떻게 지킬 것인가. 기업의 철학과 미션이 어떻게 AI 거버넌스로 연결될 것인가. ![[기업AX_CAIO_멀티디멘전.png]] 철학적 층위에서 CAIO는 완전히 새로운 일을 한다. 기업 AI 철학을 명문화하고 사유 주권 원칙을 수립하는 것. CAIO의 역할 중 가장 새로운 것이 오케스트레이션 전략이다. 어떤 질문을 어떤 모델로 보낼 것인가, 어떤 영역에 사내 sLLM을 쓸 것인가, 외부 오케스트레이션 플랫폼을 쓸 것인가 직접 구축할 것인가. 이 판단은 기술 선택이 아니라 전략 선택이다. 기업의 철학과 데이터 주권 원칙 위에서 결정되어야 한다. 관리·운영 층위에서 계약 관리는 CIO의 기존 역할이다. CAIO는 기존 SW·시스템 계약을 이어받으면서 AI 프런티어 서비스 계약, sLLM 계약을 추가한다. AI 워크스페이스 설계는 완전히 새로운 역할이다. 기존에는 SI 파트너사가 시스템을 설계하고 구축해주었다. 앞으로도 구축 자체는 파트너가 담당할 수 있다. 그러나 무엇을 어떻게 설계할 것인지, 라우팅 규칙을 어떻게 정할 것인지 등의 설계 권한은 CAIO가 갖고 있어야 한다. 인프라 층위에서 CAIO는 기존 IT 인프라 위에 AI 인프라를 얹는다. IT 인프라 운영은 CIO의 기존 역할이다. 여기에 sLLM 구축·운영, AI 워크스페이스 인프라, E2E 온톨로지가 추가된다. --- #### 8.4 더 나아가 — 세 가지 열린 가능성과 두 가지 선결 과제 지금까지의 로드맵은 기존 조직이 AI를 받아들이는 여정이다. 그러나 그 여정을 시작하기 전에 두 가지 선결 과제가 있다. **선결 과제 1 — 직원의 심리적 저항을 먼저 풀어야 한다.** 2026년 현재, AI를 이미 사용하고 있는 글로벌 기업 임직원의 29%가 자사의 AI 전략을 의도적으로 방해한 적이 있다고 인정했다. 지침을 무시하고, AI 교육을 거부하고, 심지어 성과 지표를 조작해 AI가 효과 없어 보이게 만드는 경우도 있다. _(Writer & Workplace Intelligence, 2026, AI Adoption in the Enterprise)_ 저항은 게으름이 아니다. "내가 AI를 잘 쓴다는 걸 보여주면, 회사는 나 대신 AI를 쓸 것이다" — 이 공포에서 발현되는 자연스러운 반응이다. 이를 극복할 수 있는 다양한 시도가 필요하다. AI가 개인을 대체하는 것이 아니라, 개인의 역량을 증강시킨다는 것을 수치로 보여주어야 한다. 지금까지의 측정은 '기업 생산성'에 집중되었다. 마이크로소프트는 Copilot 도입 후 업무 속도가 29% 빨라지고 회의 요약이 4배 빨라졌다는 등의 숫자를 오픈했는데, 이는 기업의 숫자이다. 임직원의 질문은 다르다. "나는 더 깊이 사유할 수 있게 됐는가. 나는 성장하고 있는가." 이 질문에 답할 수 있는 측정 체계가 필요하다. AI로 절약된 시간이 더 깊은 사유와 창의적 도전에 쓰였다면, 그리고 그 성과가 개인의 성장으로 돌아온다면 '저항'이 '동참'으로 바뀔 수 있다. 더 나아가, 이러한 지식 KPI를 포기하는 용기가 필요하다. 기존 지식경영은 지식 등록 건수, '좋아요' 수 같은 양적 지표로 임직원을 평가했다. AI 시대에 이런 방식은 AI슬롭의 부작용을 낳을 수 있다. 임직원을 믿고 AI를 활용할 수 있도록 지원해주는 그 신뢰가 자발적 순환의 토양이 된다. **선결 과제 2 — '게으른 보안 정책'을 혁신해야 한다.** 많은 기업이 보안을 이유로 클로드, GPT 등 글로벌 AI 서비스를 전면 차단하고 있다. 이는 교통사고를 막겠다고 운전면허를 금지하는 것과 같은 방식이다. 보안을 지키면서 AI를 활용하는 방안을 찾아야 한다. (예. 단일 게이트웨이를 통해 AI 사용을 통제하는 AI 워크스페이스 구현) 한 가지 더. AI 시대의 보안 위협은 AI가 만들어낸다. 정교한 피싱, 코드 취약점 탐지, 사회공학적 공격(임직원을 속여 정보를 탈취하는 방식) — 이것들은 이미 AI가 주도하고 있다. '망 분리' 중심의 전통적인 방어 체계로는 이 압도적 진화 속도를 따라잡을 수 없다. AI의 공격은 AI로 막아야 한다. 보안 거버넌스상에 AI를 내재화해야 하는 이유다. --- 여기서 한 발 더 나아갈 수 있는 가능성들이 있다. 각 기업이 자신의 상황과 속도에 맞게 고민해볼 방향들이다. **첫째, 플랫폼의 진화와 버티컬 AI라는 틈새** 기업은 나아가야 할 방향, 해결해야 할 문제를 정의하고 관련된 지식과 사유를 쌓고 연결하는 데 집중해야 한다. 그것을 어떤 AI가, 어떤 플랫폼이 처리할지는 시장이 해결하고 있다. 사카나 AI의 Fugu가 보여주듯, 오케스트레이션 자체를 학습한 AI가 이미 등장했다. 기존 멀티에이전트 시스템은 개발자가 "A 상황에는 클로드를 쓰고, B 결과물이 나오면 GPT로 넘겨라"처럼 규칙을 코딩하거나 사용자가 직접 여러AI를 사용해야 했다. Fugu는 다르다. 임직원은 하나의 API 엔드포인트에 질문을 던질 뿐이고, 내부에서 Fugu가 질문을 분해하고 Claude·GPT·Gemini 중 적합한 모델에 위임하고 결과를 통합해 돌려준다. 임직원은 뒤에서 일어나는 일을 알 필요가 없다. 단, CAIO 조직은 알아야 한다 — 어떤 에이전트가 어떤 데이터를 참조했는지 로그와 관찰가능성(observability)을 확보하는 것이 거버넌스의 핵심이다. 즉, AI 내부의 연산 메커니즘을 다 이해하진 못하더라도, 에이전트들의 행동 동선과 데이터 출처가 추적될 수 있어야 한다. 임직원이 자연어로 복잡한 업무 프로세스를 명령하면, 플랫폼이 뒤에서 사내 다양한 레거시 시스템(ERP, CRM 등)과 여러 거대언어모델(LLM)을 유기적으로 연동하여 업무 파이프라인을 스스로 조합하고 수행하는 IBM의 watsonx Orchestrate 같은 엔터프라이즈 플랫폼을 활용할 수도 있다. 복잡성은 시스템이 흡수하고 임직원은 오직 사유에만 집중할 수 있는 단일 인터페이스 환경이 이미 구현되고 있다. 〈결〉은 여기서 한 가능성을 본다. 사카나 AI의 Fugu가 소프트웨어 오케스트레이션만으로 빅테크 모델에 필적했다면, 삼성그룹과 같이 소프트웨어(삼성SDS 패브릭스)와 반도체(삼성전자)를 연계할 수 있는 기업은 칩 레벨까지 통합한 더 강한 구조를 만들 수 있을 것이다. 엔비디아가 GPU와 CUDA로, 애플이 칩과 OS로 생태계를 장악한 것처럼. 물론 이것은 전략적 선택의 문제이고, 기존 반도체 고객과의 관계라는 현실적 과제가 따른다. 가능성 측면에서 짚어둔다. 네이버는 투트랙 전략을 택했다. 자체 서비스에는 구글·오픈AI 등 외부 AI를 활용하면서, 동시에 차세대 HyperCLOVA X를 개발 중이다. 목표는 거대 모델이 아니라 '토큰 대비 성능'이다. 에이전틱 AI 시대에 수시간 연속 작업을 처리하는 AI 에이전트의 비용 경쟁력이 핵심이 되면서, 네이버는 중국 AI가 선점한 고효율 AI 시장에 도전장을 내밀고 있다. 특히 네이버가 이 고효율 모델을 들고 국방, 공공, 제조 등 고도의 보안과 특수 도메인 지식이 필요한 버티컬(Vertical) 시장진출을 모색하고 있다는 점은 시사하는 바가 크다. 〈결〉은 여기서 하나의 방향을 읽는다. 대한민국은 빅테크의 초거대 모델과 정면 승부하기 보다, 제조·의료 등 특정 도메인에 특화된 고효율 AI, '버티컬 AI'에 집중해보면 어떨까. 우리는 제조강국이며 의료강국이다. 제조는 삼성, SK, LG등 설명이 필요없으니 의료쪽을 보자. 암 분야에서 서울삼성병원이 세계3위, 서울아산병원은 소화기·내분비 등 총 6개 분야에서 세계 탑 10에 진입했다. 2026년 아시아·태평양 병원 평가에서 심장, 암, 뇌신경 등 총 10개 평가 분야 중 9개 분야에서 한국 병원들이 1위를 휩쓸었다. 2026년 글로벌 50위 병원에 삼성서울병원(26위), 서울아산병원(27위), 서울대병원, 세브란스병원이 포함되었다. 우리 기업이 제조·의료 등 예리한 버티컬 AI 플랫폼 위에 다른 기업이 흉내 낼 수 없는 독보적이고 독창적인 사유와 암묵지를 견고하게 쌓아 올려 다양하게 활용할 수 있다. 우리의 제조 AI, 병원 AI를 수출하는 날이 올 수도 있다. 어떤 플랫폼을 쓸지는 기업이 선택한다. 중요한 것은 — 플랫폼이 아니라 그 위에 쌓인 우리의 도메인 지식이다. **둘째, 핵심 영역만큼은 sLLM 구축을 고려** 모든 영역에 sLLM이 필요한 것은 아니다. 그러나 경쟁 우위의 핵심 도메인 — 제조 노하우, 독자적 R&D, 고객 데이터 — 이런 영역만큼은 외부 AI에 온전히 맡기기 어렵다. 이 영역에 한해 소형 언어모델(sLLM)을 자체 구축하거나, 오픈 웨이트 모델을 파인튜닝하는 방식을 검토해볼 수 있다. 처음부터 크게 시작할 필요는 없다. 〈결〉이 Obsidian-MCP-Claude 구조로 시작해 단계적으로 독자 모델 실험을 이어가듯, 작게 시작해서 무엇이 더 필요한지 알아가는 방식이 현실적이다. AI 워크스페이스의 라우팅 레이어가 이미 설계되어 있다면 — sLLM을 추가하는 것은 레이어 하나를 연결하는 일이 된다. **셋째, 신규 사업이나 특정 프로젝트부터 AI 네이티브 조직으로 실험** 기존 조직에 AI를 이식하는 것과, 처음부터 AI와 함께 설계된 조직을 만드는 것은 다르다. 전자는 저항이 크고 속도가 느리다. 절충점은 — 신규 사업 TF나 특정 프로젝트 조직을 AI 네이티브로 운영해보는 것이다. 기획부터 실행까지 AI가 워크플로우에 내장된 소규모 팀. 이 팀의 경험이 조직 전체의 학습이 된다. AI 전담조직을 신설하는 기업들에 대한 소식이 들린다. 그런데, 전담조직의 통제 기능이 강조되어서는 전사적 변화를 이끌기 어렵다. 조직 구조보다 실제 일하는 방식의 전환이 중요하다. CAIO는 최전선의 특정 실무 프로젝트 팀을 'AI 네이티브 조직'으로 세팅하여 현장 중심의 파일럿 테스트를 감행해보는 것은 어떨까. 자동화와 디지털화를 거쳐 AX로 나아가는 과도기적 기업일수록, 이러한 영리한 분리 실험이 현실적 솔루션이 될 것이다. CIO가 관리하던 PMO 조직은 현업부서의 IT 프로젝트를 관리했다. 이런 개념으로, CAIO 조직 역시 새로운 관점으로 현업에 녹아들어야 한다. 예를 들어, CAIO가 마케팅 부서의 신규 프로젝트를 'AI 네이티브'로 드라이브하는 가상의 시나리오를 그려보자. 신제품 출시를 앞둔 마케팅 부서가 글로벌 시장별로 수백 개의 마케팅 문구와 보도자료를 현지 문화에 맞게 준비해야 하는 상황이다. 이때 AI 전담조직의 변화관리자가 투입되어 기획 회의록 요약과 액션 플랜 도출, 국가별 페르소나 설정 및 콘텐츠 초안 작성, AI 에이전트를 활용한 자동 번역과 이미지 생성, 그리고 최종 검증에 이르기까지의 전 과정을 하나의 유기적인 'AI 파이프라인'으로 작동하도록 구조화 하는 것이다. 물론, 이 과정은 기술만으로 할 수 없다. 마케팅 조직원과의 긴밀한 협업 위에서 이루어져야 한다. 기업은 이러한 파일럿 테스트를 통해 현장 중심의 경험을 축적하고, 내부적인 버티컬 AI 구축 역량을 내재화할 수 있다. 그리고 이 경험은 결국 전사 최적화 관점에서, 연계되는 다른 조직의 AI 활용으로 확대되어 갈 수 있다. --- #### 에필로그 AI 성능과 모델은 지속 발전해간다. 임직원이 포착한 현장의 이상 신호, 깊어진 통찰, 질문들이 AI와 만나 문제를 해결하고 기업의 철학과 미션을 향해 정렬될 수 있는 구조가 필요하다. 그 구조가 있는 기업의 임직원은 자신이 이 회사에서 성장하고 있다는 것을 느끼게 될 것이다. AI가 업무를 가져간 자리에서 나는 더 많은 사유를 하고, 내가 포착한 이상 신호가 조직의 지식이 되고, 그것이 다시 나에게 더 큰 질문을 던지는 경험을 하게 될 것이다. 임직원 개인의 사유가 깊어지고, 그 사유가 조직을 통해 증폭되고, 기업이 미션을 향해 나아갈 때, 비로소 진짜 AX가 일어난다. 마지막으로, CAIO가 기업의 AI를 잘 설계하고 관리하기 위해서는 CAIO 조직 내 기업혁신 기능이 함께 있어야 한다. 과거 경영혁신과 정보전략 조직을 분리해서 즉, 프로세스와 시스템의 관리주체를 분리해서 운영한 사례가 있다. 나는 두 기능이 한 조직에 모여있을 때와 나뉘어 있을 때를 모두 경험했다. 물론, 통합 운영될 때 더 많은 일을 제대로 할 수 있었다. 프로세스-시스템-데이터는 떨어질 수 없으며 CAIO가 모든 것을 관장할 수 있어야 한다. 특히, AI시대에는. 이 보고서는 'AI 네이티브 기업'을 위한 것이 아니다. '정보화 → 디지털 전환 → AI 전환'으로 이어온 기업을 위한 것이다. 전략연구소〈결〉의 사유가 우리 기업에 도움이 되기를 희망한다. --- _〈결〉은 전략을 철학적 기반 위에 선택과 실행을 지속 조정해가는 동적 예술로 정의한다._ _기업의 사유도 그러해야 한다._ _완성을 향해 가는 설계가 아니라, 살아서 흐르는 구조로._ --- ### References **국내 자료** 1. 지식인사이드. (2026, 5월 16일). _"AI한테 질문하지 마세요." 앞으로 5년, 가장 빨리 사라질 직원 | 지식인초대석 EP.132 (김대식 X 김혜연)_ [동영상]. YouTube. https://youtu.be/JOpF8yrE1t8 **해외 자료** 2. McCarthy, J., Minsky, M., Rochester, N., & Shannon, C. (1955). _A Proposal for the Dartmouth Summer Research Project on Artificial Intelligence_. http://jmc.stanford.edu/articles/dartmouth.html 3. Ashby, W. R. (1956). _An Introduction to Cybernetics_. Chapman & Hall. [https://ashby.info/Ashby-Introduction-to-Cybernetics.pdf](https://ashby.info/Ashby-Introduction-to-Cybernetics.pdf) 4. Engelbart, D. C. (1962). _Augmenting Human Intellect: A Conceptual Framework_. SRI Summary Report AFOSR-3223. Stanford Research Institute. https://www.dougengelbart.org/content/view/138 5. Nonaka, I., & Takeuchi, H. (1995). _The Knowledge-Creating Company_. Oxford University Press. 한국어판: 교보문고 https://product.kyobobook.co.kr/detail/S000001341309 6. Matsumoto, T., Nishikawa, R., & Morimoto, C. (2025). Human-AI-Collaboration SECI Model: The Knowledge Management Model of the Experts' Tacit Knowledges with Augmented LLM-Based AI. In _Agents and Multi-agent Systems: Technologies and Applications 2024_ (KES-AMSTA 2024), Smart Innovation, Systems and Technologies, vol. 406, pp. 135-145. Springer. https://doi.org/10.1007/978-981-97-6469-3_12 **AI 연구원** Claude, Gemini, Antigravity --- © 2026 전략연구소<결> | 정원 | [[00_Homepage/Home/시작하며|Home]] | [[물결|물결 목록]] [Brunch ↗](https://brunch.co.kr/@joygarden/289) · [YouTube ↗](https://youtube.com/@GYEOL_Strategy) · [[email protected]](mailto:[email protected])