KPMG, 기업 AI 도입이 측정 가능한 영향보다 여전히 앞서고 있다고 분석

KPMG의 최신 기업 AI 조사 결과는 Google News에 뚜렷한 대비를 드러냈다. 조사 대상 조직의 95%가 AI 전략을 보유하고 있지만, 확립된 수익을 보고한 곳은 8%에 불과했다.

이 차이는 더 빠른 모델이나 더 큰 인프라 투자에 관한 또 하나의 발표보다 중요하다. 기업들은 AI 도구를 도입하고, 파일럿을 시작했으며, 직원들의 실험을 장려했다. 그러나 대다수는 이러한 활동을 기업 성과로 전환하는 데 필요한 워크플로, 책임 체계, 측정 관행을 재설계하지 못했다.

KPMG의 2026년 1분기 Global AI Pulse에 따르면, 조직의 54%는 연구, 실험 또는 전략 기획의 초기 단계에 있다. 또 다른 39%는 AI를 확장하거나 도입을 추진하고 있다. 광범위한 활동을 넘어 측정 가능하고 반복 가능한 수익에 도달한 집단은 소수에 그친다.

그 결과 나타난 격차는 더 이상 AI를 사용하는 조직과 그렇지 않은 조직 사이의 차이가 아니다. AI를 접근 가능한 소프트웨어로 다루는 기업과 이를 통합된 비즈니스 역량으로 운영하는 기업을 가른다.

이것이 최신 Google News 헤드라인 뒤에 있는 실제 이야기다. 도입은 계속 확산되고 있지만, 영향은 기존 업무 옆에 AI를 배치하는 대신 AI를 중심으로 업무를 재설계하는 조직에 집중돼 있다.

Google News가 조명하는 것은 접근성 격차가 아닌 AI 도입 격차

기업 AI가 충분히 보편화되면서, 기본적인 도입만으로는 더 이상 성숙도를 입증할 수 없다.

KPMG는 20개 국가, 지역 및 관할권의 고위 임원 2,110명을 대상으로 1분기 조사 결과를 작성했다. 응답자는 8개 산업을 대표했으며, 대규모 조직의 C-suite 리더와 그 직속 보고자가 포함됐다.

헤드라인 수치는 처음에는 모순적으로 보인다. Global AI Pulse에 따르면 조직의 95%가 AI 전략을 보유하고 있다. 64%는 의미 있는 비즈니스 가치를 보고했지만, 확립된 ROI를 갖췄다고 답한 곳은 8%뿐이었다.

이 응답들은 서로 다른 수준의 진전을 측정한다. 한 팀은 문서 검토나 소프트웨어 개발 시간을 절감할 수 있지만, 그 결과가 기업 재무제표에 드러나지는 않을 수 있다. 배포, 통합, 감독 및 컴퓨팅 비용을 넘어선다는 점을 입증하기 전에 유용한 성과를 보고할 수도 있다.

KPMG의 성숙도 구분은 이 차이를 더 명확히 보여준다. 조직의 11%는 여전히 연구개발에 집중하고 있다. 22%는 개념 검증이나 파일럿을 통해 실험 중이며, 21%는 전략, 성과 지표 및 데이터 인프라를 구축하고 있다.

이들 집단을 합치면 여전히 초기 단계 도입자로 분류되는 54%가 된다. 26%는 기업 전반에 AI를 확장하고 있으며, 13%는 더 광범위한 조직 도입을 추진하고 있다. 나머지 8%는 의미 있는 비즈니스 성과와 연결된 확립된 수익을 보고했다.

이는 AI 프로그램의 92%가 실패했다는 증거가 아니다. 해당 설문은 그런 주장을 하지 않는다. 다만 대다수 조직이 수익이 확립되고 측정 가능한 단계에는 아직 도달하지 못했음을 보여준다.

별도의 McKinsey 설문조사도 같은 방향을 가리킨다. 2025년 동안 응답자의 88%가 최소 하나의 비즈니스 기능에서 정기적으로 AI를 사용한다고 답했다. 그러나 조직이 AI 프로그램 확장을 시작했다고 답한 비율은 약 3분의 1에 불과했다.

이 격차는 한 기능에서 AI를 사용하는 기준이 낮기 때문에 존재한다. 승인된 챗봇, 코딩 보조 도구 또는 자동 요약 도구만으로도 이 정의를 충족할 수 있다. 기업 차원의 영향에는 프로세스, 데이터, 인센티브, 통제 및 의사결정 전반에 걸친 연결된 변화가 필요하다.

이러한 구분은 겉보기에 상충하는 설문조사들이 모두 정확할 수 있는 이유이기도 하다. 한 연구는 직원이 AI에 접근할 수 있는지를 측정할 수 있다. 다른 연구는 기업이 에이전트를 배포했는지를 물을 수 있다. 세 번째 연구는 검증된 재무 수익을 요구할 수 있다.

따라서 Google News 독자는 각 헤드라인 뒤에 있는 분모와 성숙도 정의를 살펴봐야 한다. “AI 사용”, “AI 확장”, “AI로 ROI 창출”은 보도가 이를 서로 바꿔 쓸 때에도 서로 다른 상태를 설명한다.

KPMG의 설문은 이러한 상태를 하나의 진행 단계에 배치한다는 점에서 유용하다. 이 단계는 연구와 파일럿으로 시작해 기업 전반의 확장을 거쳐 확립된 수익으로 끝난다. 대다수 조직은 여전히 그 중간 어딘가에 머물러 있다.

지출은 측정 가능한 수익보다 빠르게 증가하고 있다

기업들은 가치 측정 방식을 정립하기 전에 AI 투자를 늘리고 있다.

KPMG에 따르면 조사 대상 조직은 향후 12개월 동안 평균 1억8,600만 달러를 AI에 투자할 계획이었다. 이 평균은 기업 규모와 지역별 대표성을 반영해 가중치가 적용됐으므로, 보편적인 기업 예산으로 해석해서는 안 된다.

지역별 계획도 차이를 보였다. 아시아태평양 지역 조직은 평균 2억4,500만 달러로 가장 높은 계획 투자액을 보고했다. 미주 지역은 1억7,800만 달러로 뒤를 이었고, 유럽·중동·아프리카 지역의 평균은 1억5,700만 달러였다.

이 수치는 의지를 보여주지만, 지출은 투입 요소다. 기업이 가치 있는 워크플로를 선택했는지, 일관된 도입을 이뤘는지, 또는 운영 비용을 충당할 만큼의 이익을 확보했는지에 대해서는 거의 말해주지 않는다.

AI 비용은 많은 전통적 소프트웨어 비용과도 다르게 움직인다. 모델 사용량은 토큰, 요청, 자동화 단계, 그리고 관여하는 에이전트 수에 따라 증가할 수 있다. 따라서 성공적인 파일럿은 더 많은 직원에게 확산되거나 더 긴 프로세스를 처리하게 되면 비용이 더 커질 수 있다.

KPMG의 2분기 업데이트는 이 문제를 더 뚜렷하게 드러냈다. 설문은 리더의 42%가 AI 지출을 부분적으로만 파악하고 있음을 보여줬다. 33%는 에이전트 배포 시 토큰을 포함한 비용 구조에 대한 이해 부족을 과제로 꼽았다.

이 문제는 최고재무책임자, 기술 리더, 사업부 책임자에게 동시에 압박을 가한다. 재무팀은 방어 가능한 수익을 원한다. 기술팀은 신뢰할 수 있는 인프라와 보안이 필요하다. 운영 리더는 배포가 단순히 활동을 늘리는 것이 아니라 실제 프로세스를 개선한다는 점을 보여줘야 한다.

기업이 여러 단계의 업무를 자동화할 때 이 압박은 더 커진다. AI 에이전트는 목표를 향해 여러 행동을 계획하고 실행할 수 있는 시스템이다. 단일 챗봇 응답과 달리 에이전트는 도구를 호출하고, 회사 데이터를 검색하며, 출력을 수정하고, 다른 시스템에 업무를 넘길 수 있다.

추가되는 모든 단계는 비용과 지연 시간을 만들고 또 다른 실패 가능성을 더할 수 있다. 통제된 시연에서 인상적으로 보이는 프로세스도 수천 명의 직원이 실제 데이터와 함께 사용할 경우 감독하기 어려워질 수 있다.

보고되는 비즈니스 가치는 훨씬 더 흔한데도 확립된 ROI가 드문 이유가 여기에 있다. 비즈니스 가치에는 더 빠른 완료, 개선된 직원 경험 또는 정보 접근성 향상이 포함될 수 있다. ROI는 이익과 이를 창출하는 전체 비용을 명확히 재무적으로 비교해야 한다.

계산에는 모델 구독료 이상이 포함돼야 한다. 통합 작업, 데이터 준비, 직원 교육, 평가, 보안 검토, 사고 대응, 인적 감독 모두 자원을 소비한다.

일부 이점은 즉각적인 재무 측정에도 잘 맞지 않는다. 보조 도구가 분석가가 관련 맥락을 더 빨리 찾도록 도울 수 있지만, 기업은 여전히 그 절감 시간을 역량, 매출, 품질 또는 회피된 위험과 연결해야 한다.

조직은 종종 첫 번째 지표에서 멈춘다. 라이선스, 활성 사용자, 프롬프트 또는 생성된 문서를 집계한다. 이러한 지표는 활동을 보여줄 뿐 비즈니스 영향을 보여주지는 않는다.

더 강력한 측정 체계는 구체적인 워크플로에서 시작한다. 이어 AI가 리드 타임, 오류율, 전환율, 서비스 품질 또는 다른 운영 성과를 바꾸는지 추적한다. 이러한 연결이 확립된 뒤에야 리더들은 신뢰할 수 있는 재무적 주장을 할 수 있다.

KPMG의 이후 2분기 조사 결과는 이러한 접근을 뒷받침한다. 비용 가시성이 높은 조직은 확립된 ROI를 보고할 가능성이 5배 높았으며, 그 비율은 3% 대비 15%였다.

이 관계가 대시보드가 수익을 만든다는 것을 입증하는 것은 아니다. 더 역량 있는 조직은 비용 통제와 AI 배포 모두에서 더 뛰어날 수 있다. 그럼에도 이 패턴은 실무적인 요점을 강화한다. 팀은 보이지 않는 투자를 관리할 수 없다.

실제 격차는 오케스트레이션과 도구 배포 사이에 있다

앞서가는 조직은 워크플로, 데이터, 거버넌스 및 사람의 의사결정 전반에서 AI를 조율하고 있다.

KPMG는 응답자의 약 11%를 AI 리더로 분류한다. 이들의 우위는 단순히 더 많이 지출하거나 더 많은 도구를 배포하는 데서 나오지 않는다. AI를 운영 모델의 일부로 다루는 데서 나온다.

보고서는 이를 오케스트레이션이라고 부른다. 이 맥락에서 오케스트레이션은 모델, 에이전트, 데이터, 통제, 직원 및 비즈니스 프로세스를 하나의 관리되는 시스템으로 조율하는 것을 뜻한다.

이는 직원에게 챗봇을 제공하는 것보다 높은 기준이다. 범용 보조 도구는 주변 워크플로를 바꾸지 않은 채 작성, 요약 또는 탐색을 도울 수 있다. 오케스트레이션된 AI는 업무가 프로세스에 유입되는 방식, 맥락이 이를 따라가는 방식, 누가 결정을 검토하는지, 그리고 결과가 피드백으로 되돌아오는 방식을 바꾼다.

고객 지원 워크플로를 생각해보자. 기본적인 배포에서는 상담원이 응답 초안을 작성하도록 지원한다. 더 성숙한 시스템은 정확한 계정 이력을 검색하고, 정책을 적용하며, 불확실성을 표시하고, 민감한 사례를 사람에게 전달하고, 해결 내용을 기록하며, 서비스가 개선됐는지를 측정한다.

두 번째 시스템에는 성능이 뛰어난 모델 이상이 필요하다. 신뢰할 수 있는 데이터, 시스템 권한, 명확한 에스컬레이션 규칙, 모니터링 및 책임 있는 프로세스 소유자가 필요하다.

같은 패턴은 제품 개발에도 적용된다. 고립된 보조 도구는 인터뷰를 요약하거나 요구사항을 생성할 수 있다. 통합 워크플로는 연구 증거, 고객 피드백, 제품 결정, 기술적 제약 및 이후 결과를 연결한다.

이러한 연결은 검색 가능한 AI 지식 기반이 또 하나의 범용 인터페이스보다 더 중요할 수 있는 이유를 설명한다. 모델에는 관련 조직 맥락이 필요하고, 직원에게는 그 출력 뒤의 자료를 검토하고 재사용할 방법이 필요하다.

McKinsey의 이전 연구는 워크플로 재설계가 생성형 AI에서 보고된 수익 영향과 가장 강한 관계 중 하나를 보였다고 밝혔다. 그러나 응답자의 3분의 1 미만만이 조직이 조사 대상 도입 및 확장 관행의 대부분을 따르고 있다고 답했다.

생성형 AI 솔루션을 위해 명확히 정의된 성과 지표를 추적한다고 답한 비율은 5명 중 1명에도 미치지 못했다. 이 결과는 많은 도입 주장 뒤에 있는 약점을 드러낸다. 성공의 의미를 정의하지 않았다면 어떤 배포가 효과적인지 기업은 배울 수 없다.

워크플로 재설계는 정치적·조직적 어려움도 만든다. 이는 책임, 승인 경로, 인력 배치 가정, 때로는 부서 간 경계를 바꾼다. 도구를 설치하는 일은 이러한 변화를 협상하는 일보다 대개 쉽다.

직원들은 보조 도구를 자주 사용하면서도 중요한 의사결정에는 이를 피할 수 있다. 관리자는 산출물 기대치를 바꾸지 않은 채 실험을 장려할 수 있다. 보안팀은 하나의 인터페이스를 승인하면서도 더 깊은 통합에 필요한 데이터 연결은 차단할 수 있다.

이러한 조건은 구조적 영향 없이 눈에 띄는 사용량을 만들어 낸다. 직원들은 더 많은 초안과 요약을 생성하지만, 의사결정은 여전히 같은 병목을 통과한다. 조직은 더 바빠지지만 실질적으로 더 빨라지지는 않는다.

KPMG의 선도 기업군은 다른 길을 제시한다. 이들 조직은 비용 절감에만 집중하기보다 AI를 성장과 연계한다. 또한 인력 준비도와 비즈니스 영향 측정에 대한 자신감도 더 높다고 보고한다.

이는 중요한 차이다. 비용 절감은 좁은 구현 질문을 부추긴다. 기존 업무 중 어떤 것을 모델이 수행할 수 있는가? 반면 성장 중심의 질문은 AI가 제품, 고객 경험, 또는 학습 속도를 어떻게 바꾸는지를 묻는다.

첫 번째 접근은 유용한 효율성을 제공할 수 있다. 두 번째 접근은 더 많은 조율을 필요로 하지만, 경쟁사가 모방하기 더 어려운 결과도 만들어 낸다.

Microsoft는 “Frontier Firm” 개념을 통해 비슷한 목적지를 설명한다. Microsoft의 Work Trend Index는 31개국 3만 1,000명의 근로자, LinkedIn 노동시장 데이터, Microsoft 365 활동을 분석했다.

Microsoft는 이러한 기업들이 인간과 에이전트로 구성된 팀, 그리고 필요할 때 사용할 수 있는 인텔리전스를 중심으로 업무를 조직한다고 말한다. 이 프레임은 공급업체의 관점을 반영하므로, 성과 관련 주장은 신중하게 검토할 필요가 있다. 그럼에도 KPMG가 강조한 조직적 방향성을 잘 포착한다.

따라서 경쟁 구도는 Microsoft 대 Google, 또는 하나의 파운데이션 모델 대 다른 모델이 아니다. 도구 배포와 운영 오케스트레이션의 차이다.

첫 번째 경로의 조직은 라이선스와 파일럿을 축적한다. 두 번째 경로의 조직은 워크플로를 선택하고, 신뢰할 수 있는 맥락을 연결하며, 책임자를 지정하고, 결과를 측정한 뒤, 프로세스를 수정한다.

모델 선택은 여전히 품질, 비용, 보안, 지연 시간에 중요하다. 그러나 모델을 바꾼다고 해서 책임 소재의 부재나 정의되지 않은 비즈니스 목표를 해결할 수는 없다.

AI 도입 수치가 여전히 증명하지 못하는 것

설문조사상 추진력은 분명하지만, 자가 보고된 성숙도와 가치는 운영 성과를 완벽하게 측정하지 못한다.

KPMG의 연구는 대규모 조직 경영진의 인식을 포착한다. 이들 리더는 전략, 투자, 조직적 방향을 설명할 수 있지만, 모든 팀의 일상적 사용을 관찰하지는 못할 수 있다.

설문은 지역, 산업, 규제, 기술 역량이 서로 다른 조직도 포함한다. 통제된 검토 프로세스에 AI를 배포하는 은행은 개발 도구에 보조 기능을 추가하는 소프트웨어 회사와 다른 제약에 직면한다.

집계된 비율은 이러한 차이를 가릴 수 있다. 또한 응답자들이 “의미 있는 비즈니스 가치”를 동일하게 정의하는지도 숨길 수 있다.

어떤 경영진은 가치를 직원 산출물의 속도 향상으로 해석할 수 있다. 다른 경영진은 매출 증가나 비용 절감을 요구할 수 있다. 또 다른 경영진은 직접 관찰할 수 없는 손실을 피한 경우에도 위험 회피를 가치로 계산할 수 있다.

확립된 ROI는 더 정밀하게 들리지만, 설문 응답자들은 여전히 서로 다른 방법을 적용할 수 있다. 일부는 구현 및 감독 비용을 포함하는 반면, 다른 이들은 혜택을 소프트웨어 비용과만 비교할 수 있다.

따라서 KPMG의 수치는 감사된 경제적 수익의 증거가 아니라 성숙도에 관한 방향성 있는 근거로 다뤄야 한다.

이와 같은 주의는 보고서 간 비교에도 적용된다. Stanford의 2026 AI Index는 조직의 AI 도입률이 2025년에 88%에 도달했다고 보고한다. 또한 에이전트 배포는 거의 모든 비즈니스 기능에서 한 자릿수 비율에 머물렀다고 지적한다.

이 두 사실은 폭넓은 접근성이 깊은 운영 활용보다 먼저 도래했기 때문에 양립할 수 있다. 또한 단일 도입률만으로 AI가 조직을 바꾸었는지 판단할 수 없는 이유를 보여 준다.

AI Index는 구조화되고 측정 가능한 업무에서 더 강한 생산성 향상을 가리킨다. 고객 지원, 소프트웨어 개발, 마케팅 산출물의 개선을 보여 주는 연구를 인용하는 한편, 더 깊은 추론이 필요한 업무에서는 결과가 약하다고 언급한다.

이 패턴은 중요한 제약을 제시한다. AI는 팀이 입력을 정의하고, 출력을 검토하며, 결과를 측정할 수 있는 환경에서 가장 잘 작동한다. 개방형 전략 업무에는 신뢰할 수 있는 피드백 신호가 더 적다.

기업은 여전히 복잡한 업무에 AI를 사용할 수 있지만, 더 강한 인간 검토와 실수를 감지할 더 명확한 방식이 필요하다. 이러한 안전장치가 없다면, 더 빠른 산출은 단지 부실한 의사결정을 가속할 수 있다.

보안과 개인정보 보호는 또 다른 마찰 요인이다. KPMG는 응답자의 75%가 AI 관련 위험과 보안에 우려를 표했다고 밝혔다. 초기 단계 조직 중 AI 위험 관리에 자신감을 보인 비율은 20%에 불과했으며, AI 선도 기업군에서는 47%였다.

이러한 우려는 배포를 중단하자는 주장이 아니다. 접근성만으로 성숙도를 만들 수 없는 이유를 보여 준다. 조직은 민감한 사용 사례를 확대하기 전에 정책, 기술적 통제, 평가 절차, 사고 대응 책임 체계를 갖춰야 한다.

인력 준비도도 비슷한 제약을 만든다. KPMG는 68%의 조직이 인재 파이프라인에 어느 정도 자신감을 보였지만, 높은 자신감을 보고한 비율은 22%에 불과했다고 밝혔다.

직원에게 프롬프트 작성법을 교육하는 것만으로는 이 격차를 해소할 수 없다. 직원들은 언제 AI가 적절한지, 산출물에는 어떤 근거가 필요한지, 어떤 데이터를 사용할 수 있는지, 그리고 언제 사람이 통제권을 가져야 하는지를 알아야 한다.

리더들은 절감된 시간이 어떻게 가치로 전환될지도 결정해야 한다. 직원이 업무를 더 빨리 끝내더라도 그 대신 저가치 업무를 더 많이 받는다면, 조직은 성과를 바꾸지 않은 채 국지적 효율성만 개선한 것이다.

이 지점에서 도입 프로그램은 종종 비즈니스 설계와 분리된다. 기술 팀은 도구를 관리하고, 학습 팀은 교육을 관리하며, 재무 팀은 수익을 요구하고, 운영 팀은 기존 목표를 유지한다. 전체 결과를 통제하는 단일 책임자는 없다.

따라서 KPMG 설문에 대한 회의적 해석은 AI가 아무런 가치를 만들지 못했다는 것이 아니다. 보고된 가치와 확립된 ROI 사이의 거리가 단순한 결론을 내리기에는 너무 크다는 것이다.

낙관적 해석은 더 구체적이다. 소수의 기업이 배포를 측정 가능한 전사 성과와 연결하기 시작했으며, 이는 조직적 조건이 뒷받침될 때 가치 창출이 가능함을 시사한다.

두 해석 모두 같은 실수를 거부한다. 접근성, 사용량, 영향력을 동의어로 취급하는 것이다.

격차가 좁혀지고 있는지 보여 줄 세 가지 신호

다음 단계는 일상적인 워크플로 도입, 비용 책임성, 측정된 운영 성과에 의해 결정될 것이다.

첫 번째 신호는 KPMG의 성숙도 곡선에서의 이동이다. KPMG의 2분기 설문은 AI가 일상 업무의 일부를 이루는 조직의 비율이 1분기 13%에서 22%로 증가했음을 이미 보여 줬다.

일상적 사용에는 일시적인 파일럿 이상의 것이 필요하기 때문에 이는 의미 있는 진전이다. 그러나 더 강력한 확인은 실험에서 도입으로의 전환만이 아니라, 확립된 ROI의 동반 상승일 것이다.

KPMG의 2분기 설문은 확립된 ROI가 7%에 집중돼 있음을 확인했다. 표본과 분기별 기준을 신중하게 비교해야 하지만, 메시지는 일관된다. 일상적 사용은 검증된 수익보다 더 빠르게 늘고 있다.

향후 설문에서 더 폭넓은 도입과 ROI 상승이 함께 나타난다면, 전사적 학습의 근거는 강화될 것이다. 도입은 늘어나는데 ROI가 현재 수준 근처에 머문다면, 가치 격차를 일시적 지연으로 치부하기는 더 어려워질 것이다.

두 번째 신호는 비용 가시성이다. 리더들은 조직이 모델, 에이전트, 인프라, 통합, 인간 검토 비용을 특정 워크플로에 귀속할 수 있는지 지켜봐야 한다.

비용 대시보드만으로 가치를 입증할 수는 없다. 운영 지표와 책임자가 결합될 때 유용해진다.

KPMG는 2분기에 53%의 조직이 AI 비용 모니터링 대시보드를 갖추고 있었다고 보고했다. 54%는 AI 승인 프로세스에 비용 검토를 포함했다.

더 강한 시험대는 이러한 통제가 의사결정을 바꾸는지 여부다. 팀은 효과가 약한 사용 사례를 중단하고, 비용이 많이 드는 사례를 재설계하며, 방어 가능한 결과를 내는 배포를 확대해야 한다.

기업이 사용량 기반 비용을 이해하지 못한 채 계속 확장한다면, 에이전틱 AI는 격차를 넓힐 수 있다. 멀티 에이전트 시스템은 하나의 업무 안에서 호출, 토큰, 도구, 실패 지점을 늘릴 수 있다.

세 번째 신호는 워크플로 수준의 증거다. 광범위한 직원 설문은 계속 유용하겠지만, 의사결정권자에게는 특정 프로세스와 연결된 측정치가 필요하다.

지원 부문 배포는 해결 품질, 처리 시간, 에스컬레이션 비율, 고객 결과를 추적해야 한다. 개발 부문 배포는 제공 시간, 결함, 검토 부담, 유지보수성을 추적해야 한다. 리서치 부문 배포는 정확성, 출처 품질, 의사결정 속도를 측정해야 한다.

이러한 측정은 짧은 시연을 넘어 확장돼야 한다. 4주 동안 성공한 워크플로도 데이터가 바뀌거나, 직원들이 적응하거나, 사용량이 확대되면서 약화될 수 있다.

조직은 총생산성과 포착된 가치의 차이도 더 명확히 공개해야 한다. 10분을 절약한다고 해서 자동으로 재무적 수익이 만들어지는 것은 아니다. 조직은 그 역량을 재배치하거나 고객이 가치 있게 여기는 결과를 개선해야 한다.

Google News는 단순한 헤드라인을 제공하는 대규모 도입 비율을 계속 부각할 것이다. 더 중요한 근거는 덜 극적인 운영 지표에서 나타날 것이다.

확립된 ROI를 보고하는 조직의 비율을 지켜봐야 한다. 비용 가시성이 배포 선택을 바꾸는지 살펴봐야 한다. 그리고 감독, 통합, 위험 비용을 포함한 뒤에도 개별 워크플로가 지속적인 개선을 만들어 내는지 확인해야 한다.

기업 구매자와 지식 근로자에게 실질적인 질문은 더 이상 AI가 실험할 가치가 있는지가 아니다. 근거는 실험이 이미 널리 이루어지고 있음을 보여 준다.

질문은 조직이 하나의 중요한 워크플로를 지정하고, 기준선을 정의하며, 적절한 맥락을 연결하고, 책임자를 배정하고, 시간에 따라 결과를 측정할 수 있는지다.

그렇게 할 수 없다면 또 다른 모델이나 에이전트가 격차를 메우지 못할 것이다. 그렇게 할 수 있다면 AI 도입은 다음 Google News 헤드라인을 넘어 지속되는 영향으로 나아갈 경로를 갖게 된다.