Apollo의 AI 수익 경고, 기술 업계 밖 수익성 논리에 도전
Apollo의 수석 이코노미스트 Torsten Slok은 기업 투자와 광범위한 도입에도 불구하고, 인공지능이 기술 업계 밖에서는 재무적 성과를 내지 못했다고 말한다. 2026년 10월 24일 발표된 그의 평가는 기술 대기업들의 재무 성과 개선과 미국 기업 전반에서 나타나는 더 약한 근거를 대조한다. Apollo의 AI 수익 경고는 개인의 업무 속도 향상이 더 나은 기업 실적으로 이어질 것이라는 익숙한 약속에 의문을 제기한다.
이 결론은 그 자체의 한계를 포함해 면밀한 검토가 필요하다. 대규모 국제 비즈니스 설문조사의 10월 업데이트는 AI가 전혀 효과가 없었다기보다 제한적인 생산성 이점을 제공한다고 보고한다. 업무 현장 실험도 특정 과업에서의 개선을 기록한다. 어느 쪽도 광범위한 이익 급증을 입증하지는 않지만, 일괄적인 부정을 복잡하게 만든다.
핵심 쟁점은 AI를 사용하는 것과 그것으로 수익을 얻는 것 사이의 거리다. Microsoft와 다른 기술 공급업체는 고객이 해당 접근 방식이 자신들의 경제성을 개선하는지 확인하기 전에 액세스 권한을 판매할 수 있다. 기업 구매자, 개발자, 지식 노동자에게 중요한 문제는 유용한 지원이 검증, 조율, 그리고 비즈니스 제약을 거치는 과정에서도 살아남는지 여부다.
Apollo의 AI 수익 경고가 실제로 측정하는 것
Slok의 AI 수익 평가는 주요 기술 기업 그룹인 Magnificent Seven과 나머지 S&P 500 구성 종목을 비교한다. 그는 전자의 직원 1인당 매출과 이익률은 상승하는 반면, 후자의 성과는 정체돼 있다고 설명한다.
그의 메모는 AI가 더 광범위한 생산성 성장에 기여했다는 근거 역시 약하다고 지적한다. 지출은 여전히 집중돼 있으며, 일반 기업들이 지속적인 모델 사용 비용에 점점 더 민감해지고 있다고 묘사한다. 이는 기업 AI 도입에 관한 통제 연구의 결과라기보다 Apollo가 증거를 해석한 것이다.
Apollo는 AI 열기와 광범위한 재무 성과 사이의 격차를 지적하지만, 그 비교가 AI의 효과를 분리해 내지는 못한다.
직원 1인당 매출은 직원 수 대비 매출을 측정한다. 근로자의 생산성이 높아져 증가할 수 있지만, 가격 인상, 인력 변화 또는 업무 외주화 때문에도 오를 수 있다. 기업은 AI를 전혀 도입하지 않고도 이 비율을 개선할 수 있다.
이익률에는 또 다른 영향 요인이 작용한다. 투입 비용, 경쟁 압력, 제품 구성, 회계 결정은 직원 효율성과 무관하게 이익률을 움직일 수 있다. AI 도입이 운영비를 줄이더라도, 관련 없는 비즈니스 문제가 그 이점을 상쇄할 수 있다.
비교 집단에도 주의가 필요하다. 나머지 S&P 500 기업이 기술 업계 밖 기업의 순수한 표본은 아니다. 기술 대기업 역시 AI 도입의 깨끗한 실험군을 대표하지 않는다. 이들의 비즈니스 모델, 시장 지위, 인프라 수요 노출도는 다른 기업들과 다르다.
그렇다고 Apollo의 비교가 무의미해지는 것은 아니다. 이 차트들은 재무 패턴을 파악하는 데 유용하지만, 그 원인을 설명하는 데는 한계가 있다. 광범위한 재무 부진은 특정 부서 내 성공적인 도입 사례와 공존할 수 있다.
Slok이 궁극적인 기술 역량에 대한 전망이 아니라 현재 수익에 대한 평가를 발표했다는 점에서 시점도 중요하다. 그의 주장은 지금 이점이 가시적인지에 관한 것이다. 이는 현재 성과에 입증 책임을 두는 동시에, 더 긴 시간에 걸친 궤적은 미해결로 남긴다.
따라서 유용한 해석은 헤드라인이 시사하는 가장 강한 주장보다 더 좁다. Apollo는 광범위한 재무 수익에 대한 근거에 도전하고 있다. 기술 업계 밖의 어떤 기업도 혜택을 얻지 못했다는 점을 입증하려면 훨씬 더 상세한 조사가 필요하다.
재무팀은 전환 문제에 직면한다
즉각적인 압력은 기술 투자와 운영 성과 모두를 책임지는 경영진에게 가해진다. 최고정보책임자는 직원 도입 현황을 보여줄 수 있다. 그러나 재무 책임자는 사업에서 무엇이 달라졌는지 여전히 설명해야 한다.
절감된 시간은 조직이 그 시간을 활용하거나 다른 측정 가능한 이점을 확보할 때에만 재무적 수익이 된다.
고객 답변 초안 작성을 돕기 위해 AI를 도입한 가상의 서비스 팀을 생각해 보자. 상담원은 초기 답변을 더 빨리 마치지만, 관리자는 여전히 이를 검토한다. 승인이 병목으로 남아 있다면 기업은 추가 요청을 전혀 더 처리하지 못할 수 있다.
이 도입은 여전히 근무 환경이나 응답 품질을 개선할 수 있다. 그러한 결과도 중요하지만, 처리량 증가와는 다른 사업 논리를 뒷받침한다. 각 결과가 긍정적으로 들린다는 이유만으로 기업이 이를 같은 의미로 설명해서는 안 된다.
전환 문제는 직원들이 기존 업무를 더 적은 노력으로 완료할 때도 나타난다. 과업 시간이 짧아진다고 해서 급여, 인력 수요, 고객 수요가 자동으로 바뀌지는 않는다. 이점은 여유 역량, 초과근무 감소 또는 어려운 사례에 대한 더 많은 관심으로 이어질 수 있다.
각 결과에는 고유한 근거가 필요하다. 초과근무 감소는 비용에 직접 영향을 줄 수 있다. 더 나은 서비스는 시간이 지나며 고객 유지율을 높일 수 있다. 여유 역량은 조직이 이를 고객이 필요로 하는 업무로 전환할 수 있을 때 가치가 있다.
개발자들도 비슷한 제약에 직면한다. 애플리케이션 기능을 더 빨리 생성한다고 해서 보안 검토, 통합 테스트, 출시 승인에 이르는 과정이 반드시 짧아지는 것은 아니다. 제약이 없는 단계에서의 빠른 생산은 전체 제공 속도를 바꾸지 못할 수 있다.
이 때문에 재무팀은 유망한 시연과 운영 성과를 구분해야 한다. 시연은 도구가 과업을 수행할 수 있음을 보여준다. 운영 성과는 그것을 사용했을 때 실제 워크플로의 성과가 바뀌는지를 보여준다.
공급업체의 경제성은 다르다. Microsoft, Google 및 다른 제공업체는 고객이 이점을 계속 평가하는 동안에도 고객의 사용량에서 매출을 얻을 수 있다. 이들의 상업적 성공과 구매자의 수익은 연결돼 있지만 별개의 حساب이다.
같은 구분은 경쟁 모델 제공업체 전반에도 적용된다. 기술적으로 더 강력한 모델은 사용을 정당화하는 어려운 문제를 해결할 수 있다. 반면 다른 워크플로에는 신뢰할 수 있는 검색과 짧은 답변만 필요할 수 있어, 추가 역량은 경제적으로 의미가 없을 수 있다.
따라서 구매자가 내려야 할 결정은 AI를 수용할지 여부보다 더 구체적이다. 구매자는 AI가 제거할 것으로 기대하는 제약을 식별해야 한다. 제안된 도입이 그 제약을 해결하지 못한다면, 도입 수치는 거의 안심거리가 되지 못한다.
이는 조달과 도입 선택에 대한 압력을 높인다. 기업에는 잘 작동하는 애플리케이션을 확장할 이유, 성과가 부진한 애플리케이션을 수정할 이유, 그리고 중단할 방법이 필요하다. 이런 구분이 없다면 파일럿은 방어 가능한 결과 없이 활동만 계속 만들어낼 수 있다.
새로운 기업 데이터는 무수익 주장을 복잡하게 만든다
가장 강력한 단서는 기업을 더 직접적으로 조사한 연구에서 나온다. 기업 AI 도입 연구의 2026년 10월 개정판은 7개국 약 9,000명의 고위 경영진을 조사한다. 저자로는 Ivan Yotzov, Jose Maria Barrero, Nicholas Bloom 및 협력 연구진이 포함된다.
업데이트된 논문은 조사 대상 기업의 78%가 AI를 사용한다고 보고한다. 경영진은 지난 3년간 도입이 노동 생산성 성장률을 연간 0.2% 높였다고 본다. 향후 3년간에는 연간 0.6%의 더 큰 기여를 예상한다.
이러한 결과는 제한적인 것으로 보고된 이점을 설명한다. AI로 경제가 변모했다는 뜻은 아니다. 또한 모든 기업 생산성 향상이 존재하지 않는다고 보는 견해도 뒷받침하지 않는다.
업데이트된 증거는 문자 그대로의 무수익 주장을 약화시키지만, 광범위한 재무적 변혁의 근거는 여전히 입증되지 않았다.
연구의 개정 날짜는 중요하다. 이전 보도는 더 작은 표본 조사를 설명하며 관측된 효과가 제한적이라는 점을 강조했다. 업데이트된 논문을 확인하지 않고 이전 결과를 보도한다면, 이용 가능한 증거에서 중요한 변화를 놓치게 된다.
저자들은 지출이 집중돼 있다는 점도 발견했다. 기업의 단 2%가 보고된 AI 지출의 절반 이상을 차지한다. 이러한 집중은 주목받는 도입 기업들의 강도 높은 활동을 일반적인 기업의 특성으로 간주하는 데 신중해야 함을 뒷받침한다.
그러나 이 설문조사가 Apollo의 주장을 해결하는 것은 아니다. 경영진은 인지된 생산성 효과를 보고하며, 그러한 평가는 독립적으로 감사된 재무적 이익과 동등하지 않다. 응답자는 이점을 과대평가하거나 놓칠 수 있으며, 관련 없는 변화를 AI 탓으로 돌릴 수도 있다.
노동 투입 대비 산출을 뜻하는 노동 생산성도 수익성과는 다르다. 기업은 소프트웨어와 도입에 더 많은 비용을 지출하면서도 더 효율적으로 생산할 수 있다. 이후 경쟁 압력은 더 나은 서비스나 낮은 가격을 통해 이점의 일부를 고객에게 넘길 수 있다.
설문조사에 포함된 국가와 기업은 Apollo의 주식시장 비교 대상과 다르다. 이 측정치들은 서로 다른 표본과 방법을 통해 관련된 질문을 다룬다. 어느 하나가 다른 하나를 직접 재현한다고 가장하지 않고, 결과를 함께 검토해야 한다.
경영진 설문조사는 도입 현황과 경영진의 기대를 드러내는 데 도움이 된다. 재무제표는 기업의 결과를 보여주지만 특정 기술의 기여를 분리해 내는 경우는 드물다. 통제 실험은 국지적 효과를 더 명확히 식별할 수 있지만, 그 결과의 적용 범위는 더 좁다.
구매자에게 이 조합은 안이함과 일괄적 부정을 모두 피해야 한다는 점을 시사한다. 일부 측정 가능한 이점은 증거에서 나타나지만, 그 규모와 분포에는 주의가 필요하다. 제한적인 평균 효과는 성공적인 활용 사례와 거의 성과를 내지 못하는 도입이 함께 존재할 여지를 남긴다.
상업적 함의는 단순하다. 제공업체는 사용량 증가만을 가리켜 고객 수익을 입증할 수 없다. 회의론자도 정체된 총이익률만을 가리켜 보편적 실패를 입증할 수 없다. 두 입장 모두 도입과 결과 사이의 더 명확한 연결을 요구한다.
업무 현장의 성과 향상은 기업 이익 입증에 미치지 못한다
발표된 고객 지원 연구는 AI가 정의된 워크플로를 개선하는 구체적인 사례를 제공한다. Erik Brynjolfsson, Danielle Li, Lindsey Raymond는 5,172명의 상담원이 사용한 대화형 지원 도구를 조사한다. 이들의 고객 지원 생산성 연구는 시간당 해결된 문제 수가 평균 15% 증가했다고 보고한다.
성과는 근로자에 따라 다르다. 경험이 적고 숙련도가 낮은 상담원은 속도와 품질 모두에서 개선을 보인다. 가장 경험이 많고 숙련도가 높은 상담원은 작은 품질 저하와 함께 더 적은 속도 향상 효과를 얻는다.
AI는 운영상 과업을 개선할 수 있지만, 모든 근로자·기업·산업의 수익을 입증하지는 못한다.
이러한 차이는 도입에 중요하다. 신규 직원이 적절한 답변을 찾도록 돕는 도구는 숙련된 동료에게는 더 적은 도움을 줄 수 있다. 평균 이점을 모든 직원에게 적용하면 중요한 차이를 감추게 된다.
이 결과는 일반적인 참여도 측정치보다 실제 업무와도 더 밀접하게 맞닿아 있다. 해결된 고객 문제는 지원을 완료된 서비스 활동과 연결한다. 생성된 제안의 수만 세는 방식은 도구의 행동과 비즈니스 가치 사이에 훨씬 더 큰 간극을 남긴다.
생산성과 이익은 여기서도 별개의 문제다. 보고된 개선이 자동으로 전사적 마진 추정치를 제공하는 것은 아니다. 그러한 계산에는 구현 방식, 사용 비용, 감독, 추가 서비스 역량의 가치에 관한 정보가 필요하다.
이 연구는 소프트웨어 기업의 지원 업무도 다룬다. 다른 서비스 환경에도 관련된 메커니즘을 보여주지만, 비기술 산업 전반에서의 결과를 독립적으로 입증하지는 않는다. 연구 결과를 확장하려면 그러한 환경의 근거가 필요하다.
더 광범위한 직장 실험은 다르지만 상호 보완적인 결과에 도달한다. Eleanor Wiske Dillon, Sonia Jaffe, Nicole Immorlica, Christopher Stanton은 66개 기업의 지식 노동자 7,137명을 연구했다. 이들의 직장 AI 실험은 익숙한 애플리케이션에 통합된 어시스턴트에 대한 접근 권한을 무작위로 제공했다.
실험 후반기에 처치군 내 적극적 사용자는 매주 이메일에 쓰는 시간이 두 시간 줄었다. 연구진은 정규 근무 시간 외 업무도 감소했다고 보고한다. 개인별 접근 권한으로 인해 업무량이나 업무 구성에 광범위한 변화가 있었다는 증거는 발견하지 못했다.
이는 의미 있는 구분이다. 이메일 시간이 줄어드는 것은 추가 매출이나 완료된 프로젝트로 이어지지 않더라도 근로자에게 도움이 될 수 있다. 정상 근무 시간 외 업무가 감소하는 것 역시 기업 수익의 즉각적인 증가로 나타나지 않아도 가치가 있을 수 있다.
이 연구들은 단일한 생산성이라는 표현이 왜 논의를 혼란스럽게 만들 수 있는지 보여준다. 더 빠른 해결, 이메일 업무 감소, 품질 향상, 수익 증가는 서로 다른 결과를 의미한다. 하나에 대한 증거가 모든 것에 대한 증거로 조용히 확대되어서는 안 된다.
기업 팀에 주는 시사점은 측정에 관한 것이다. 관련 결과는 도입 목적을 따라야 한다. 지원 어시스턴트는 서비스 지표로 평가해야 하며, 리서치 어시스턴트는 근거의 품질과 활용 가능한 산출물로 평가해야 한다.
이 구분은 검색 가능한 지식 베이스에도 적용된다. 문서를 찾는 일은 중간 단계의 사건이다. 조직적 이점은 그 정보가 누군가 문제를 해결하고, 재작업을 피하거나, 의사결정을 완료하는 데 도움이 되는지에 달려 있다.
압박 속에서 제시되는 약속은 지원이 자동으로 수익으로 전환된다는 것이다. 이 연구들은 특정 조건에서 유용한 효과를 보여준다. 동시에 기업이 더 폭넓은 수익을 전망하기 전에 남은 워크플로를 검토해야 하는 이유도 보여준다.
광범위한 지표만으로는 AI에 대한 명확한 판정을 내릴 수 없다
성공적인 과업을 인정한 뒤에도 회의적인 주장은 상당한 설득력을 유지한다. 기업은 어시스턴트만으로 제거할 수 없는 제약 속에서 운영된다. 초안 작성이 빨라져도 승인 대기 상태에 놓일 수 있으며, 생산이 늘어나도 수요는 제한적일 수 있다.
덴마크의 증거는 또 다른 경계를 부각한다. Anders Humlum과 Emilie Vestergaard는 도입 설문조사를 행정 노동시장 기록과 연결했다. 이들의 AI 노동 효과 연구는 업무의 광범위한 변화와 함께 소득이나 기록된 근무 시간에서는 감지 가능한 효과가 없었다고 밝혔다.
이 결과가 기업이나 직원이 받을 수 있는 모든 이점을 측정하는 것은 아니다. 그러나 도입이 곧바로 전통적 노동시장 지표에서 보이는 변화를 만든다는 가정에는 의문을 제기한다. 임금이나 기록된 근무 일정이 변하기 전에 업무가 바뀔 수 있다.
약한 광범위 지표는 AI 붐에 대한 주장을 제한하지만, 모든 도입 사례의 성과를 규정하지는 않는다.
Apollo는 노동과 자본 투입의 측정된 변화로 설명되지 않는 산출 증가를 측정하는 총요소생산성도 언급한다. 가동률 조정 버전은 이러한 투입 요소가 얼마나 집약적으로 활용되는지의 변화를 반영한다. 이는 일부 경기 순환적 영향을 기초 효율성과 분리하는 데 도움이 된다.
이 지표는 여전히 AI보다 광범위하다. 다른 기술, 조직 변화, 측정 문제, 경제 여건이 결과에 영향을 준다. 경제 전반의 시계열만으로는 특정 기업이 어시스턴트를 도입한 뒤 무슨 일이 일어났는지 직접 식별할 수 없다.
생산성 측정 데이터는 이 차이를 보여준다. 2026년 2분기까지의 4개 분기 동안 비조정 총요소생산성은 1.42% 상승했다. 가동률 조정 수치는 0.07% 하락했다.
이러한 차이는 선택한 측정치가 왜 중요한지를 보여준다. 일반적인 생산성 증가가 멈췄다는 것도, AI가 어느 결과든 초래했다는 것도 뜻하지 않는다. AI에 관한 주장은 도입과 관측된 경제 변화를 연결하는 추가 논거가 필요하다.
시점의 문제도 있다. 특히 기업이 책임이나 시스템을 바꿀 때 재무 성과는 구현 이후 시차를 두고 나타날 수 있다. 그러나 명시되지 않은 미래 수익이 모든 현재 지출을 무기한 정당화할 수는 없다.
양측 모두 입증 책임을 진다. 옹호자들은 이익이 운영 비용과 조직적 제약을 견뎌낸다는 증거를 제시해야 한다. 비판자들은 집계 신호가 없다는 점을 보편적 실패로 해석하기 전에 근거를 제시해야 한다.
품질은 또 다른 복잡성을 더한다. 더 많은 자료를 생산하는 시스템은 더 많은 검토 업무도 만들 수 있다. 조직이 생성 속도만 측정하면 근거 없는 진술이나 일관성 없는 결정을 바로잡는 데 필요한 노력을 놓칠 수 있다.
반대의 문제도 존재한다. 어시스턴트는 직원이 비용이 큰 실수를 막거나 까다로운 고객을 응대하도록 도울 수 있다. 좁은 속도 측정치는 그러한 이점을 놓칠 수 있다. 신뢰할 수 있는 평가는 실제 업무를 반영하는 결과가 필요하다.
이러한 한계는 보도를 더 정밀하게 만들어야 한다. 이익에 관한 진술은 재무적 근거를 사용해야 한다. 과업 속도에 관한 진술은 해당 과업을 식별해야 한다. 경제적 변혁에 관한 진술은 도입의 규모와 분포를 다뤄야 한다.
Apollo의 경고는 눈에 보이는 활동에서 광범위한 수익으로 도약하는 논리를 비판할 때 가장 강력하다. 유용한 성과가 존재하지 않는다는 증거로 해석될 때는 더 약하다. 현재 이용 가능한 증거는 보편적 판정보다는 전환 과정에 대한 면밀한 검토를 뒷받침한다.
다음 증거는 지출과 결과를 연결해야 한다
다음 보고 기간에는 경쟁적인 선언보다 관찰 가능한 변화가 논쟁의 중심이 되어야 한다. 관련 신호는 고객 성과, 이익의 분포, 지속 사용의 경제성에 관한 것이다. 이를 함께 살피면 선택적 성공과 광범위한 재무적 수익을 구분할 수 있다.
결정적인 증거는 더 폭넓은 기업군에서 AI 사용을 완료된 업무 및 재무 성과와 연결할 것이다.
첫째, 주요 기술 공급업체 외 기업들이 내놓을 다음 실적 공시를 지켜봐야 한다. 가장 유용한 공시는 특정 도입 사례를 운영 지표와 연결하고 관련 비용을 설명하는 내용일 것이다. 직원 도입에 관한 일반적 언급은 훨씬 약한 증거를 제공한다.
소매업체, 보험사 또는 제조업체는 어떤 워크플로가 개선됐고 그것이 사업 성과에 어떤 영향을 미쳤는지 설명함으로써 주장을 강화할 수 있다. 절감된 시간에 대한 단독 주장보다 그 연결이 더 중요하다. 독자는 검토 요건과 구현 노력에 관한 논의도 살펴봐야 한다.
그러한 공시가 반복되면 Apollo의 경고에 대한 가장 광범위한 해석은 약화될 것이다. 모호한 효율성 표현에 계속 의존한다면 그 핵심 우려는 그대로 남는다. 공급업체의 매출 성장만으로는 고객 수익이라는 질문에 답할 수 없다.
둘째, 후속 기업 설문조사에서 성과가 가장 집중적으로 도입한 기업을 넘어 확산되는지 지켜봐야 한다. 10월 연구 업데이트는 이미 보고된 생산성 이점이 완만하다는 점을 시사한다. 다음 질문은 그 폭, 지속성, 실제 운영 성과와의 관계에 관한 것이다.
평균치 상승은 주목할 만하지만, 분포 역시 중요하다. 이점이 좁은 집단에 집중된다면 일반 기업 전반으로 확대되는 성과와는 다른 경제를 묘사하게 된다. 대표 표본은 눈에 띄는 성공 사례가 전형적 결과를 대신하는 일을 막는 데 도움이 될 수 있다.
설문조사 수정도 신중하게 비교해야 한다. 국가 표본이나 질문 문구가 바뀌면 보고된 양상이 달라질 수 있다. 독자는 새로운 수치를 가속 또는 반전으로 해석하기 전에 동등한 측정치를 비교해야 한다.
셋째, 사용량이 늘어날수록 확대 도입의 경제성이 개선되는지 살펴봐야 한다. 검증과 수정에 드는 노력이 함께 증가한다면 더 많은 산출물을 생성하는 것만으로는 충분하지 않다. 의미 있는 신호는 필요한 자원 대비 유용하게 완료된 업무가 개선되는 것이다.
이는 특히 기업용 소프트웨어 전반에서 작업을 수행할 권한을 부여받은 시스템에 적용된다. 설득력 있는 도입 사례는 신뢰할 수 있는 완료, 관리 가능한 인간 개입, 워크플로에 대한 명확한 이점을 보여줄 것이다. 면밀한 감독 아래 성공하는 시연은 더 좁은 질문에 답할 뿐이다.
갱신, 축소, 해지도 맥락이 필요하긴 하지만 단서를 제공할 것이다. 계약 갱신은 인식된 가치, 전환의 어려움 또는 미완성 평가를 반영할 수 있다. 해지는 기반 기술 자체의 실패가 아니라 부실한 구현을 반영할 수 있다.
지식 노동자에게 실질적인 시사점은 지원과 결과 간의 연결을 계속 가시화하는 것이다. 개인 지식 관리 워크플로는 유용한 자료를 정리할 수 있지만, 정리만으로 재무적 수익이 입증되지는 않는다. 더 나은 접근성이 실제 의사결정이나 산출물을 바꿀 때 증거는 더 강해진다.
다음 AI 성공 주장을 볼 때는 그 분모를 염두에 두어야 한다. 어떤 업무가 개선됐는지, 누구의 노력이 달라졌는지, 어떤 비용이 남았는지 물어야 한다. 근로자가 더 빨리 일을 끝내는 것과 기업이 더 많은 수익을 내는 것을 구분하되, 두 결과 모두 중요할 수 있음을 인정해야 한다. 기업들이 이 연결을 일관되게 설명할 때 Apollo AI 수익 논쟁은 더 명확해질 것이다. 그때까지는 도입 주장을 완료된 업무와 비교하고, 보고된 절감액을 운영 성과와 비교하며, 각 연구의 경계를 명확히 살펴야 한다. 조직이 다음 도입 사례를 제시할 때는 바꾸도록 설계된 결과와 그것이 실제로 바뀌었다는 증거를 요구해야 한다. 더 빠른 초안, 검색된 문서 또는 생성된 답변이 기업의 나머지 업무에 도달한 뒤에는 무슨 일이 일어났는가?
