OPM의 AI 도구 배포, 모든 직원에게 6개 어시스턴트 제공하지만 접근성만으로는 영향력을 보장하지 못한다

OPM은 모든 직원에게 승인된 6개 AI 플랫폼에 대한 접근 권한을 제공하며, 연방정부에서 가장 폭넓은 다중 공급업체 업무 환경 배포 사례 중 하나를 만들었다. OPM의 AI 도구 배포는 ChatGPT, Claude, Gemini, Microsoft Copilot, Grok, Perplexity를 포함한다. 기관 인력의 70% 이상이 최소 하나의 플랫폼을 적극적으로 사용하고 있다.

이러한 도입은 OPM을 정부의 OneGov 구매 전략을 시험하는 중요한 사례로 만든다. 중앙화된 계약 덕분에 비교적 작은 기관도 6개 경쟁 공급업체와 각각 별도의 엔터프라이즈 계약을 협상하지 않고 제품을 확보할 수 있었다.

그러나 OPM 자체 데이터는 더 어려운 현실을 보여준다. 접근성과 사용량은 증가했지만, 모든 업무 유형에서 측정 가능한 개선이 같은 속도로 뒤따른 것은 아니다. 개방형 글쓰기와 분석을 수행하는 직원들은 훨씬 강한 성과를 보고하는 반면, 구조화된 퇴직, 법률, 재무 절차를 운영하는 팀에서는 효과가 더 제한적이다.

이 격차가 진짜 경쟁을 규정한다. OPM은 단순히 ChatGPT와 Claude, 또는 Gemini와 Grok을 비교하는 것이 아니다. 개별 도구가 기관 업무 흐름에 깊이 통합되기 전에, 광범위한 접근성이 운영을 개선할 수 있는지를 시험하고 있다.

OPM의 AI 도구 배포는 조달을 제품 전략으로 전환한다

OPM은 중앙화된 조달을 단순히 구매 업무를 줄이는 수단이 아니라 선택권을 유지하는 방식으로 활용했다.

OPM 최고정보책임자 Adam Starr는 9월 15일 워싱턴에서 열린 GovExec Government and AI Summit에서 이 배포를 설명했다. 이후 나온 6개 도구 배포 보도는 플랫폼과 기관의 도입 수치를 상세히 다뤘다.

승인된 6개 제품은 Google, Microsoft, xAI, OpenAI, Anthropic, Perplexity에서 제공한다. 직원들은 범용 어시스턴트, 연구 중심 시스템, 업무용 소프트웨어와 통합된 도구 가운데 선택할 수 있다.

이 접근 방식은 전통적인 엔터프라이즈 표준화 프로젝트와 다르다. 기관은 흔히 하나의 플랫폼을 선택하고, 이를 중심으로 직원을 교육하며, 그에 따른 공급업체 의존성을 감수한다. 반면 OPM은 여러 플랫폼을 동시에 사용할 수 있는 내부 시장을 조성했다.

Starr는 모델이 변화하면서 공급업체들이 정기적으로 서로를 앞지른다고 말했다. 여러 도구를 유지하면 직원들은 업무에 가장 적합한 제품으로 이동할 수 있다. 또한 OPM은 역량과 상업 조건이 발전하는 과정에서 공급업체를 재평가할 수 있다.

OneGov는 이 전략을 실현 가능하게 했다. 미국 일반조달청은 적격 기관이 활용할 수 있는 공통 조건과 구매 경로를 협상한다. 기관은 여전히 필요한 주문 및 승인 절차를 수행해야 하지만, 공동의 상업적 프레임워크에서 출발한다.

GSA의 현재 AI 구매 지침은 Anthropic, Google, OpenAI, Perplexity, xAI의 정부용 서비스를 나열한다. Microsoft 제품 역시 더 폭넓은 OneGov 협정을 통해 제공된다.

6개 제품을 평가하는 일은 그렇지 않았다면 상당한 조달 비용을 초래했을 것이므로, 이 조달 프레임워크는 중요하다. 각 계약에는 별도의 보안 검토, 라이선스 논의, 사용 통제, 갱신 결정이 필요할 수 있다.

OPM은 최대 규모의 연방 부처만큼의 구매 협상력도 갖추지 못했다. Starr는 OneGov가 독자적으로는 확보하기 어려웠을 조건에 기관이 접근할 수 있도록 했다고 말했다.

그 결과는 이례적인 배포 모델이다. OPM은 구매 계층을 표준화하는 한편, 사용자 계층의 표준화는 피했다. 직원에게는 승인된 선택지를 제공하고, 계약 체결 후에도 공급업체들은 계속 경쟁한다.

이는 기관과 공급업체의 관계를 바꾼다. 계약을 따냈다고 해서 직원들이 일상 업무에 해당 제품을 선택한다는 보장은 더 이상 없다. 모델이 개선되거나 통합 기능이 확대되고, 또는 신뢰가 약화되면 사용량은 이동할 수 있다.

6개 도구 체계는 비교 가능한 증거도 만들어낸다. OPM은 어떤 제품이 사용자를 끌어들이는지, 어떤 업무에서 반복적인 활동이 발생하는지 관찰할 수 있다. 이후 실제 수요와 교육 캠페인이나 경영진의 관심에 의해 촉진된 도입을 구분할 수 있다.

하지만 이용 가능성만으로 적합성이 입증되지는 않는다. 시스템마다 통제 기능, 인터페이스, 모델 동작, 데이터 처리 경계가 다르다. OPM은 직원들을 압도하지 않으면서 이러한 차이를 이해할 수 있게 해야 한다.

따라서 당장의 성과는 업무 환경 혁신보다 더 제한적이다. OPM은 조달 장벽을 제거하고 직원들이 여러 주요 플랫폼을 합법적으로 실험할 경로를 제공했다.

이는 의미 있는 변화다. 동시에 다음 장벽도 더 분명히 드러낸다. 실험을 신뢰할 수 있는 운영 개선으로 전환하는 일이다.

OneGov가 다중 모델 AI를 가능하게 하는 이유

OneGov는 연방 AI 구매를 개별 기관의 고립된 협상에서 공통 조건, 공동 협상력, 더 빠른 접근 방식으로 전환한다.

GSA는 이전에 서로 다른 조건으로 유사한 기술을 구매하던 기관들의 조달을 통합하기 위해 OneGov를 출범시켰다. 이 전략은 소프트웨어, 클라우드 서비스, 보안 제품, AI 시스템을 포괄한다.

이 모델이 정부 전체에 하나의 소프트웨어 설치 환경을 만드는 것은 아니다. 대신 GSA는 참여 기관이 인정된 계약 수단과 주문 경로를 통해 이용할 수 있는 협정을 마련한다.

이 구분은 중요하다. 기관은 임무 적합성, 보안, 개인정보 보호, 기록 관리, 내부 승인에 대한 책임을 계속 진다. OneGov는 상업적 마찰을 줄이지만, 운영 책임을 기관 리더에게서 이전하지는 않는다.

GSA는 클라우드 공급업체가 적절한 FedRAMP 인증을 보유하거나 이를 취득 중이어야 한다고 밝힌다. FedRAMP는 연방기관이 사용하는 클라우드 서비스의 보안 통제를 평가하기 위한 표준화된 절차를 제공한다.

인증이 있다고 해서 직원들이 정부 정보를 어떤 AI 어시스턴트에나 입력할 수 있다는 뜻은 아니다. 기관은 허용 가능한 데이터 유형, 승인된 계정, 보존 규칙, 금지된 사용 방식을 정의해야 한다.

OPM의 AI 규정 준수 계획은 파편화된 조달을 도입 장벽 가운데 하나로 지목한다. 또한 안전한 개발 환경에 대한 일관되지 않은 접근성과 AI 활동에 대한 제한된 가시성도 문제로 언급한다.

이 계획은 프라이빗 엔드포인트, 분리된 네트워크, 역할 기반 접근 제어를 갖춘 클라우드 기반 환경을 설명한다. 또한 샌드박스 테스트, 개발, 파일럿, 운영, 최종 폐기에 이르는 단계를 제시한다.

이러한 통제는 조달 계약이 시작에 불과한 이유를 보여준다. AI 제품은 OneGov를 통해 상업적으로 이용 가능할 수 있지만, 특정 사용 사례에는 여전히 추가 검토가 필요할 수 있다.

GSA도 기관에 정의된 임무 문제부터 시작하라고 권고한다. 지침은 제한된 그룹을 대상으로 제품을 시험하고, 데이터 흐름을 검토하며, 감독 역할을 조율하고, 사용량을 모니터링할 것을 권장한다.

OPM은 범용 어시스턴트에 대해 더 폭넓은 접근 모델을 선택했다. 이 결정은 모든 업무 흐름에 전용 애플리케이션이 마련되기 전에 직원들이 유용한 업무를 발견할 여지를 제공한다.

이러한 상향식 탐색에는 장점이 있다. 절차에 가장 가까운 직원들은 중앙 기술팀이 놓치는 반복 업무를 발견하는 경우가 많다. 맞춤형 시스템을 기다리지 않고도 초안 작성, 요약, 조사, 코딩, 문서 분석을 시험할 수 있다.

이 접근 방식은 거버넌스 측면의 압력도 만든다. 도구가 하나일 때보다 여섯 개일 때 정책적 질문이 더 많이 생긴다. 직원들은 동일한 문서를 모든 플랫폼에서 사용해도 되는지, 어떤 결과물에 추가 검토가 필요한지 알아야 한다.

관리자에게도 비교 가능한 텔레메트리가 필요하다. 서로 다른 제품의 활성 사용자 수는 동일한 정의를 사용하지 않을 수 있다. 로그인, 프롬프트 1회, 지속적인 주간 사용은 서로 다른 수준의 도입을 의미한다.

갱신 비용 구조도 더 복잡해질 것이다. 초기 계약은 광범위한 실험을 쉽게 만들 수 있지만, 이후 사용량 기반 조건은 사용량과 가치의 차이를 드러낸다.

이 전환은 이미 시작됐다. GSA의 새 ChatGPT 계약은 2026년 10월 1일 발효될 예정이다. 이는 초기 접근 제공을 할인된 사용량 기반 과금으로 대체하며, 플랫폼 접근 수수료는 없다.

이 계약은 27개월간 유지되며, 승인된 연방 환경의 서비스를 포함해 적격 ChatGPT 모델을 포괄한다. 또한 여러 정부 수준에서 주문 선택지를 확대한다.

OPM에 이는 직접적인 시험대가 된다. 기관은 접근 권한이 초기 기간을 넘어선 뒤에도 사용량이 지속적인 비용 지출을 정당화하는지 판단해야 한다.

6개 공급업체는 같은 기본 과제에 직면한다. 간편한 조달이 문을 열었지만, 지속적인 참여는 직원 수요, 업무 흐름 적합성, 보안, 입증 가능한 임무 성과에 달려 있다.

6개의 AI 어시스턴트가 연방 업무를 위한 일상적 경쟁을 만든다

OPM의 다중 모델 전략은 직원들을 경쟁 AI 시스템의 실질적인 심사자로 만든다.

각 승인 플랫폼은 서로 다른 제품 포지션으로 업무 환경에 진입한다. Microsoft Copilot은 익숙한 생산성 애플리케이션과의 근접성에서 이점을 얻을 수 있다. ChatGPT와 Claude는 폭넓은 글쓰기, 분석, 코딩 수요를 충족한다.

Gemini는 Google의 모델 포트폴리오와 정부용 서비스를 연결한다. Perplexity는 답변 탐색과 연구를 강조한다. Grok은 xAI의 모델과 검색 중심 기능을 비교 대상에 포함한다.

이러한 설명을 고정된 경계로 받아들여서는 안 된다. 공급업체들은 연구 모드, 커넥터, 코딩 기능, 문서 분석, 에이전트형 작업을 정기적으로 추가한다. 제품 간 중복은 출시가 거듭될수록 커진다.

이러한 중복은 여러 선택지를 유지해야 한다는 Starr의 주장을 뒷받침한다. 오늘 특정 업무에서 뛰어난 성능을 보이는 플랫폼도 다른 공급업체가 모델을 업데이트한 뒤에는 우위를 잃을 수 있다.

직원의 선택은 조달팀이 단일 공급업체 계약으로는 거의 얻기 어려운 신호도 제공한다. 반복적인 자발 사용은 제품이 실제 업무에 맞는다는 점을 시사하지만, 업무가 개선됐음을 입증하지는 않는다.

선호와 성과의 구분은 중요하다. 직원들은 인터페이스가 익숙하다는 이유로 한 플랫폼을 선호할 수 있다. 로그인 요건이나 데이터 제한이 마찰을 일으킨다는 이유로 다른 플랫폼을 피할 수도 있다.

사용량은 조직의 습관을 따를 수도 있다. Microsoft Copilot은 직원들이 이미 일하는 장소에 나타날 수 있지만, 별도의 브라우저 기반 어시스턴트는 의도적인 맥락 전환을 요구한다.

반대로 독립형 시스템은 내장형 어시스턴트에 없는 기능을 제공할 수 있다. 일부 직원은 여러 탭을 열어 두고 업무마다 서로 다른 제품으로 작업을 분배할 수 있다.

이러한 행동은 전통적인 연방 소프트웨어 배포보다 소비자 AI 사용에 더 가깝다. 직원에게 유연성을 제공하지만, 프롬프트, 저장된 작업, 조직 지식을 공급업체별로 분산시킬 수 있다.

한 어시스턴트에서 생성된 유용한 답변은 동료에게 보이지 않을 수 있다. 이를 뒷받침하는 맥락은 별도의 문서 저장소, 이메일 스레드, 또는 직원 노트북에 남아 있을 수 있다.

이러한 분산은 지식 관리를 도입 문제의 일부로 만든다. 어시스턴트가 많아진다고 해서 조직을 위한 공유 메모리가 자동으로 만들어지는 것은 아니다.

따라서 OPM은 모델 품질 이상의 요소를 평가해야 한다. 직원들이 소스 자료를 어떻게 검색하고, 결과물을 검증하며, 결정을 보존하고, 유용한 결과를 기록 시스템으로 옮기는지 이해할 필요가 있다.

연구 보조 도구는 간결한 답변을 만들 수 있지만, 직원에게는 여전히 권위 있는 근거가 필요하다. 초안 작성 보조 도구는 메모를 재구성할 수 있지만, 최종 기록은 기관의 요건을 따라야 한다.

코딩 보조 도구는 또 다른 변형을 보여준다. 이들은 기술 담당자가 오래된 시스템을 이해하거나 제안된 변경 사항을 생성하도록 도울 수 있다. 보안, 테스트, 배포 결정의 책임은 여전히 인간 검토자에게 있다.

경쟁 압력은 6개 공급업체를 넘어선다. 다른 연방 기관들도 초기 구매 인센티브가 종료된 뒤 OPM의 멀티모델 접근 방식이 계속 관리 가능한지 지켜보고 있다.

긍정적인 결과가 나온다면 기관에 하나의 기본 보조 도구가 필요하다는 가정은 약화될 것이다. 승인된 제품들이 업무와 예산을 두고 경쟁하는 포트폴리오 모델을 뒷받침하게 된다.

부정적인 결과가 나온다면 통합의 근거는 더 강해질 것이다. 기관들은 중복된 교육, 거버넌스, 통합, 사용 모니터링 비용이 직원 선택권의 이점보다 크다고 판단할 수 있다.

따라서 공급업체들은 벤치마크 점수 이상의 것을 놓고 경쟁하고 있다. 이들은 행정 업무를 줄이고, 승인된 환경에 부합하며, 특정 워크플로를 지원하고, 인간 검토를 견뎌낼 수 있는 결과를 내야 한다.

6개 도구의 배포는 이러한 경쟁을 가시화한다. 다만 승자를 결정하지는 않으며, OPM은 플랫폼별 사용량이나 성과 결과를 공개하지 않았다.

이 수치가 없는 한, 어떤 공급업체도 기관 전반의 제공이 곧 선호를 의미한다고 주장할 수 없다. 현재 उपलब्ध한 근거는 도구 간 순위가 아니라 포트폴리오 전략을 뒷받침한다.

높은 도입률이 동일한 영향으로 이어지지는 않았다

OPM의 가장 강력한 근거는 일반적 열의가 아니라 업무 환경의 구조가 AI 보조 도구의 유용성을 좌우한다는 점을 보여준다.

OPM은 6월에 직원을 대상으로 설문을 실시해 1,100건 이상의 응답을 받았으며, 응답률은 56%였다. OPM의 workforce pulse results는 헤드라인에 나온 도입률보다 더 자세한 내용을 제공한다.

응답자 중 81.4%는 승인된 AI 도구를 사용했다고 답했다. 텔레메트리는 실제 전체 사용률이 약 70%에 더 가깝다고 나타냈으며, 이는 자기보고식 도입률만으로 판단해서는 안 되는 이유를 보여준다.

보고된 사용률은 직급이 높아질수록 증가했다. 설문조사에서는 비관리자의 77.4%, 관리자의 93.5%, 고위 임원의 97.3%가 사용한 것으로 나타났다.

승인된 AI 도구에 대한 OPM 전체의 순추천지수(Net Promoter Score)는 17.9로 긍정적이었다. 그러나 조직 단위별 결과는 크게 달랐다.

국장실은 95.7점을 기록했다. OPM의 기술 조직은 65점을 기록했으며, 인적자본 부서 역시 매우 긍정적인 결과를 보고했다.

법무 운영 부문은 부정적인 점수를 기록했다. Retirement Services는 마이너스 38.1점에 그쳤고, 응답자 10명 중 거의 6명이 비추천자로 분류됐다.

기관의 Boyers 퇴직 운영 부문에서 직원들은 AI가 해당 부서의 성과를 개선했다는 문항에 10점 만점 중 4.6점을 부여했다.

이 차이는 단순히 열정적인 리더와 변화에 저항하는 운영 직원 간의 분열이 아니다. 이는 근본적인 업무 형태를 반영한다.

일반 보조 도구는 비정형 지식 업무에 비교적 잘 맞는다. 초안 작성, 종합, 브레인스토밍, 조사, 초기 분석은 일반적인 채팅 인터페이스에서 시작할 수 있다.

구조화된 운영은 다른 양상을 따른다. 퇴직 처리 업무는 확립된 사건 흐름, 기록, 계산, 정책, 시스템에 의존하며, 직원들은 이를 고립된 대화 창으로 대체할 수 없다.

OPM은 이전에 한 조직 설계 담당 직원이 스프레드시트에서 포커스 그룹 피드백을 코딩하는 데 수시간 또는 수일을 썼다고 설명했다. 이제 AI 지원 프로세스는 몇 분 안에 초기 범주와 주제를 생성한다.

직원의 책임이 사라진 것은 아니다. 업무는 결과를 검증하고 그 발견을 활용하는 쪽으로 이동했다.

또 다른 사례는 퇴직 운영 부문에서 나왔다. 한 직원은 연간 약 11,000회 수행되는 보험료 부족액 계산을 위한 도구를 만들었다.

이 수작업 계산은 이전에는 사례당 5분에서 10분이 걸렸다. OPM에 따르면 새 프로세스는 몇 초 안에 감사 가능한 워크시트를 생성한다.

이 사례는 일반적인 사용 통계보다 더 큰 의미를 갖는다. 명확히 정의된 업무, 반복 가능한 결과물, 검토 가능한 산출물을 연결하기 때문이다.

이는 또한 6개의 일반 보조 도구가 전략의 한 층위에 불과한 이유를 보여준다. 가장 큰 운영상 이득을 얻으려면 AI가 기존 워크플로에 들어가야 하며, 직원들이 업무를 별도의 채팅으로 옮기도록 강요해서는 안 된다.

OPM이 확인한 장벽도 이 점을 뒷받침한다. 설문 참여 직원의 거의 절반은 학습하거나 실험할 시간이 부족하다고 답했다. 3분의 1 이상은 정확성과 신뢰성에 대한 우려를 제기했다.

거의 4분의 1은 보안 또는 데이터 민감성 문제를 언급했다. AI 사용을 상사가 만류했다고 답한 비율은 1.4%에 불과했다.

이러한 결과는 흔한 도입 서사를 약화시킨다. 핵심 문제는 반드시 관리자의 문화적 반대가 아니다. 직원에게는 시간, 신뢰할 수 있는 결과물, 명확한 규칙, 더 나은 통합이 필요하다.

OPM은 승인된 AI 도구가 부서 성과를 개선했는지에 관한 문항이 설문에서 가장 낮은 점수를 기록했다고도 밝혔다. 기관 전체 점수는 10점 만점에 7.3점이었다.

이 점수는 실패를 의미하지는 않지만, 사용과 조직적 영향 사이에 뚜렷한 격차가 있음을 보여준다. 적극적인 사용자는 개별 업무에서 시간을 절약할 수 있지만, 부서 전체의 성과를 바꾸지는 못할 수 있다.

따라서 OPM의 AI 도구 도입은 접근성 시험과 초기 도입 시험을 통과했다. 아직 일관된 영향 시험을 통과한 것은 아니다.

선택권과 운영 통제 사이의 균형

직원에게 6개의 선택지를 제공하면 실험을 장려할 수 있지만, 데이터, 품질, 지출, 기관 지식을 관리하는 데 필요한 업무도 늘어난다.

단일 플랫폼 전략은 행정적 단순성을 제공한다. 교육은 하나의 인터페이스에 집중할 수 있고, 정책은 하나의 환경을 기준으로 삼을 수 있으며, 지원팀은 반복 가능한 답변을 마련할 수 있다.

이러한 단순성에는 의존성이 따른다. 선택한 공급업체가 뒤처지거나, 조건을 변경하거나, 특정 업무에서 실패하면 직원들의 대안은 제한적이다.

OPM은 경쟁 압력을 유지하기 위해 더 많은 복잡성을 감수한다. 기관은 제품을 비교하고, 모든 범주에서 하나의 모델이 계속 최선일 것이라고 가정하지 않을 수 있다.

핵심 위험은 모델 선택이 정보에 기반한 포트폴리오가 아니라 파편화된 행동으로 변하는 것이다. 직원들에게는 승인된 각 업무에 어떤 도구가 적합한지에 관한 실용적인 지침이 필요하다.

그러한 지침이 없다면 6개의 보조 도구는 6가지 서로 다른 답변, 문서화 습관, 업무 저장 위치를 만들어낼 수 있다. 직원들은 어떤 차이가 중요한지 배우지 못한 채 여러 플랫폼에 동일한 프롬프트를 반복 입력할 수 있다.

정확성도 또 다른 제약이다. 생성형 시스템은 확률적 결과를 생성한다. 즉, 보장된 사실을 검색하는 대신 가능성이 높은 응답을 만들어낸다. 유창한 문장은 뒷받침되지 않는 세부 사항이나 누락된 맥락을 숨길 수 있다.

연방 인사 업무는 그 위험을 더 크게 만든다. OPM은 정부 전반의 채용, 복리후생, 퇴직 서비스, 인력 정책, 인적자본 시스템에 영향을 미친다.

잘못된 초안은 검토를 통해 수정할 수 있다. 그러나 복리후생 절차에 잘못된 값이 입력되면 개인에게 영향을 미치고 기관의 추가 업무를 초래할 수 있다.

보안 정책도 구체성을 유지해야 한다. 엔터프라이즈 계약은 소비자 계정보다 더 강력한 통제를 제공할 수 있지만, 그렇다고 모든 데이터셋이 모든 용도에 적합해지는 것은 아니다.

기록 보존 의무는 또 다른 층위를 더한다. AI가 공식 업무에 기여할 때 기관에는 프롬프트, 결과물, 결정, 뒷받침 근거를 보존하기 위한 규칙이 필요하다.

시스템이 고용 관련 활동에 영향을 미칠 경우 편향과 공정성에도 주의를 기울여야 한다. OPM의 준수 프레임워크는 품질, 데이터 출처, 잠재적 편향을 검토하는 영향 평가를 요구한다.

이러한 요건이 도입을 금지하는 것은 아니다. 이는 운영 통합이 일반 보조 도구에 대한 접근성보다 더 신중하게 진전돼야 하는 이유를 설명한다.

계약이 성숙해질수록 비용 통제는 더욱 중요해질 것이다. 사용량 기반 모델은 지출을 활동과 연결하므로, 가치 있는 사용과 가벼운 실험을 구분할 유인이 생긴다.

단순 프롬프트 수로는 그 질문에 답할 수 없다. 짧은 상호작용이 수시간의 수작업을 막을 수 있는 반면, 긴 세션은 사용할 수 있는 결과를 전혀 만들지 못할 수도 있다.

OPM이 제안한 측정 프레임워크는 더 나은 방향을 제시한다. 사용, 정서, 영향을 서로 바꿔 쓸 수 있는 개념으로 취급하지 않고 분리한다.

사용은 직원들이 제품을 시도하는지 보여준다. 정서는 마찰과 신뢰를 파악하는 데 도움이 된다. 영향은 도구를 처리 시간, 서비스 품질, 채용 속도 같은 기존 측정 지표와 연결해야 한다.

마지막 범주는 여전히 가장 어렵다. 기관은 활성 사용자를 빠르게 집계할 수 있지만, 임무 성과는 여러 시스템과 정책 변화에 따라 달라지는 경우가 많다.

OPM이 비교 가능한 업무 전반에서 결과를 비교한다면 6개 플랫폼 설계는 도움이 될 수 있다. 각 부서가 일관된 측정 없이 서로 다른 제품을 도입한다면 평가는 오히려 어려워질 수 있다.

기관은 공급업체 경쟁이 직원 혼란으로 바뀌는 것도 피해야 한다. 포트폴리오에는 공통 표준, 명확한 업무 경계, 단일 보조 도구 밖에서도 유용한 업무를 보존할 방법이 필요하다.

핵심적인 균형은 관리할 수 있지만 일시적인 문제는 아니다. 새로운 모델 기능, 커넥터, 구매 구조가 나올 때마다 유연성과 통제 사이의 균형은 달라진다.

폭넓은 접근이 실제로 효과가 있는지 보여줄 세 가지 신호

다음 단계는 갱신 선택, 워크플로 수준의 성과, 그리고 운영 성과가 낮은 부서가 도입 격차를 좁히고 있다는 근거로 평가될 것이다.

첫 번째 신호는 변화하는 OneGov 조건에 대한 OPM의 대응이다. ChatGPT의 다음 계약은 10월 1일에 시작하며, 다른 초기 제안들도 예정된 종료 시점에 가까워지고 있다.

OPM의 구매 결정은 기관이 도입 초기 접근 기간 이후에도 6개 플랫폼을 모두 유지하는지 보여줄 것이다. 계속된 제공은 Starr의 포트폴리오 전략을 뒷받침할 것이다.

통합은 실제 수요 또는 행정 비용이 더 적은 수의 공급업체를 선호한다는 점을 시사할 것이다. 어느 결과든 최초 조달 발표보다 더 많은 근거를 제공할 것이다.

세부 사항이 중요하다. OPM은 여러 도구에 대한 접근을 유지하면서도 특정 업무에 선호 제품을 지정할 수 있다. 또한 폭넓은 직원용 보조 도구와 전문 개발 또는 연구 서비스를 분리할 수도 있다.

두 번째 신호는 OPM이 임무 수준의 성과 지표를 공개하는지 여부다. 활성 사용자 비율은 도달 범위를 보여주지만, 퇴직 처리 시간이 단축됐는지 또는 채용 결과가 개선됐는지는 보여주지 않는다.

보험료 부족액 계산기는 유용한 틀을 제시한다. 반복되는 업무, 기존 소요 시간, 더 빠른 워크플로, 감사 가능한 결과물을 식별한다.

향후 근거도 이 구조를 따라야 한다. OPM은 AI 지원 프로세스를 처리 주기, 오류율, 재작업, 서비스 품질 또는 다른 확립된 운영 지표와 연결해야 한다.

그러한 근거는 정부 전반의 도입을 위한 논거를 강화할 것이다. 로그인과 설문 정서에 계속 초점을 맞춘다면 폭넓은 접근이 기관 성과를 바꾼다는 주장은 약화될 것이다.

세 번째 신호는 AI가 기존 시스템에 들어간 뒤 낮은 점수를 받은 부서가 개선되는지 여부다. Retirement Services는 업무가 구조화돼 있고 정서가 약하기 때문에 가장 분명한 시험대가 된다.

통합 도구가 검토와 감사 가능성을 유지하면서 사건 업무를 개선한다면, OPM은 AI가 초안 작성과 분석을 넘어설 수 있음을 입증하게 될 것이다.

격차가 지속된다면 폭넓은 접근은 관리자, 기술 담당자, 그리고 비정형 정보를 다루는 다른 직원들에게 가장 유용한 상태로 남을 것이다.

그 결과가 프로그램의 가치를 없애는 것은 아니다. 일반 목적 보조 도구의 더 제한적인 경계를 설정하고, 워크플로별 엔지니어링에 투자를 집중하도록 이끌 것이다.

다른 기관들은 OPM 전략의 눈에 보이는 부분을 그대로 모방하기 전에 이러한 신호를 지켜봐야 한다. 여러 보조 도구를 확보하는 일은, 측정 가능한 결과를 내는 거버넌스 기반 포트폴리오를 유지하는 일보다 쉽다.

지금까지 가장 강력한 교훈은 모든 직원에게 여섯 가지 제품이 필요하다는 뜻이 아니다. 중앙집중식 구매는 선택지를 만들 수 있지만, 그 선택지에 지속적으로 투자할 가치가 있는지는 내부 근거가 결정한다는 점이다.

지식 노동자에게도 실질적인 질문은 똑같이 명확하다. 어시스턴트가 단지 고립된 업무를 더 빠르게 느끼게 하는가, 아니면 동료와 고객이 의존하는 프로세스를 개선하는가?

이 구분을 염두에 두고 다음 OPM AI 도구 도입 데이터를 추적해야 한다. 워크플로 성과, 갱신 결정, 구조화된 운영 내 개선 효과를 살펴보라. 이러한 지표는 OneGov가 지속적인 역량을 구축했는지, 아니면 단지 실험을 더 쉽게 만들었는지를 보여줄 것이다.