도구를 도입하는 일과, 조직 자체가 인공지능으로 굴러가게 만드는 일은 전혀 다른 문제다. 고객을 모으는 사업 엔진부터, 에이전트를 팀원처럼 다루는 운영 모델, 그리고 모든 것의 출발점이 되는 한 가지 습관까지 정리했다.
많은 조직이 인공지능(AI, Artificial Intelligence)을 도입하면서 같은 질문을 던진다. "기존 조직을 어떻게 바꿀 것인가." 그런데 실제로 인공지능으로 돌아가는 회사들을 들여다보면, 이 질문 자체가 함정이라는 결론에 이른다. 그들은 기존 조직을 고쳐 쓰지 않았다. 처음부터 다시 지었다.
이 글은 그런 조직들에서 반복적으로 관찰되는 작동 원리를, 공개된 산업 동향과 사례에 비추어 두 축으로 정리한다. 하나는 고객을 모으고 신뢰를 쌓는 사업의 엔진, 다른 하나는 일을 실제로 굴리는 운영 모델이다. 그리고 마지막으로 두 축을 잇는 한 문장을 남긴다.
AI 네이티브는 기존 조직을 '전환'하는 일이 아니다. 0(영)에서 다시 설계하는 일이다.
인공지능으로 무엇을 자동화하든, 그 앞에는 결국 사람이 있다. 제품을 사 줄 고객이 있어야 한다. 그래서 운영 이야기를 하기 전에 사업의 엔진부터 봐야 한다. 핵심은 단순하다. 좋은 콘텐츠를 꾸준히 내보내 구독자를 모으면, 낯선 사람이 조금씩 단골에 가까워진다. 마케팅에서 오래 회자된 '알고-좋아하고-믿는다(know, like, trust)'는 순서가 그대로 작동한다.
처음 보는 가게는 그냥 지나친다. 그런데 출근길에 매일 스치다 보면 어느새 익숙해지고, 한두 번 들어가 보면 단골이 된다. 콘텐츠도 같다. 한 번의 광고로 신뢰가 생기지는 않는다. 같은 사람의 글과 영상을 반복해서 받아 볼수록, 화면 너머의 낯선 계정이 점점 아는 사람처럼 느껴진다. 사람들이 지갑을 여는 것은 대개 그다음이다. 신뢰는 한 번에 생기지 않고 누적된다.
이 누적은 두 개의 층을 거친다. 하나는 알고리즘을 타고 넓게 퍼지는 도달의 층이다. 짧은 글과 짧은 영상이 여기서 모르는 사람에게 닿는다. 다른 하나는 길게 머무르며 관계가 깊어지는 체류의 층이다. 긴 글, 긴 영상, 정기 소식지가 여기에 해당한다. 도달의 층에서 만난 사람을 체류의 층으로 옮기고 그곳에서 더 오래 붙잡아 둘수록, 신뢰는 깊어지고 전환으로 이어진다.
콘텐츠 자체도 감(感)이 아니라 데이터로 만든다. 시장이 무엇에 반응하는지 보고, 그것을 학습해 다시 내놓고, 또 반응을 본다. 이 순환이 빠르게 돌수록 무엇이 통하는지 가려내는 눈이 길러진다. 콘텐츠 제작이 사실상 작은 스타트업처럼 운영되는 셈이다.
사업 엔진이 고객을 데려온다면, 운영 모델은 그 고객을 감당하고 회사를 굴린다. 여기서 가장 흔한 실패가 시작된다. 기존 조직을 인공지능에 맞춰 개조하려는 시도다.
기존 조직을 바꾸는 일은 대단히 어렵다. 오래된 시스템과 관행, 곧 레거시(legacy, 과거로부터 물려받아 굳어진 체계)가 발목을 잡는다. 사내 데이터는 보안 때문에 격리돼 있어 인공지능에 곧장 연결하기도 힘들다. 무엇보다 사람이 잘 안 바뀐다. 그래서 빠르게 적응하는 곳들은 대체로 같은 선택을 했다. 기존 조직을 고치는 대신, 별도의 새 조직을 만들어 거기서부터 출발한 것이다.
그 새 조직의 첫 결정은 의외로 단순했다. 도구를 소수로 통일하고, 오직 그것으로만 일하기로 합의한 것이다. 선택지를 줄이자 협업의 마찰이 사라졌고, 그 결과 조직 전체가 자연스럽게 인공지능 중심으로 돌아가기 시작했다.
대기업이 특히 자주 막히는 지점이 바로 여기다. 사내 보안 환경에 갇힌 데이터를 어떻게든 인공지능에 물리려다 보니, 격리 환경 구성과 유출 방지 부담이 겹쳐 한 발짝도 못 나가는 경우가 많다. 보안팀에도, 현업에도 무거운 일이다.
잘 굴러가는 조직들에서 반복적으로 나타나는 운영 패턴이 있다. 규모도 업종도 다르지만, 일하는 방식의 골격은 닮아 있다.
어떤 운영 조직은 모집부터 평가까지의 전 과정을 전담 에이전트 하나에게 맡긴다. 대규모 명단에 안내 문자를 보내고, 들어온 응답으로 참가자 상태를 분류하고, 화상 회의 링크를 일괄 발송한다. 회의가 끝나면 동시에 진행된 여러 세션의 녹화본을 모두 끌어와 요약하고, 다음 회차 개선안까지 제안한다.
여기서 두 가지가 결정적이다. 첫째, 에이전트에 사람 같은 이름과 말투를 일부러 부여한다. 딱딱하고 기계적이면 구성원이 친숙하게 느끼지 못해 결국 잘 안 쓰기 때문이다. 둘째, 매일 맥락을 먹인다. 어제의 대화와 동시에 돌아간 모든 세션의 기록을 빠짐없이 읽힌다. 그렇게 데이터가 쌓이면 에이전트는 구성원 모두의 작업 진입점이 된다. 무언가 막히면 사람에게 묻기 전에 에이전트를 먼저 부른다. 필요한 데이터가 그 안에 다 들어 있으니 근거 있는 답을 돌려주기 때문이다. 인공지능 연구자 안드레이 카파시(Andrej Karpathy) 등이 2025년에 강조하며 퍼진 '맥락 공학(context engineering)', 곧 모델에게 어떤 정보를 쥐여 줄지를 설계하는 일이 실무로 구현된 모습이다.
에이전트는 처음엔 아무것도 모르는 신입과 같다. 맥락이 없으니 헛다리를 짚는다. 그래서 잘 키우는 회사들은 이를 신입 사원을 키우듯 다룬다. 작은 일을 하나씩 맡기고, 매일 새 경험(데이터)을 먹이고, 잘하는 범위를 조금씩 넓혀 간다. 처음의 어설픔을 보고 포기하면 영영 못 큰다.
어떤 소규모 팀은 버전 관리 시스템(Git)과 코딩 에이전트를 구성원 전원이 켜 놓고 일한다. 모든 데이터를 한곳, 곧 단일 진실 공급원(SSOT, Single Source of Truth)에 계속 적재하고, 그 데이터를 근거로 의사결정과 제품을 만든다. 눈에 띄는 점은 개발자가 아닌 구성원도 똑같이 버전 관리 시스템으로 일한다는 것이다. 그리고 표준 업무 절차(SOP, Standard Operating Procedure)가 날마다 갱신된다. 어제 배운 것이 오늘의 절차에 반영되는 구조다.
단일 진실 공급원은 모두가 함께 쓰는 한 권의 공동 노트와 같다. 사람마다 따로 메모하면 누구 말이 맞는지 매번 다투게 된다. 모두가 같은 노트에 적고 그 노트만 본다면, 사람도 인공지능도 같은 사실을 근거로 판단한다. 인공지능이 헷갈리지 않으려면 먼저 회사가 한 권의 노트로 정리돼 있어야 한다.
어떤 컨설팅 조직은 고객 미팅 도중 잠깐 흐름을 끊고 에이전트에게 곧바로 구현을 지시한다. 십수 분이 지나 회의가 끝날 무렵, "오늘 논의한 것을 시제품(프로토타입)으로 만들어 봤다"며 그 자리에서 화면을 보여 준다. 고객은 당황한다. 방금 말한 것이 벌써 동작하는 형태로 눈앞에 있기 때문이다. 속도 자체가 관계의 무기가 되는 셈이다.
이런 조직들을 늘어놓고 보면, 겉모습은 달라도 다섯 가지 특징이 거의 빠짐없이 겹친다.
앞서 본 대로, 기존 조직을 바꾸는 대신 별도의 새 조직에서 출발한다. 도구를 소수로 통일해 마찰을 없앤 상태에서 시작하므로, 처음부터 인공지능 중심으로 일이 흐른다.
구성원 다수가 이른바 '바이브 코딩(vibe coding)' 역량을 갖췄다. 전문 개발 지식 없이도 자연어로 의도를 설명해 소프트웨어를 만들어 내는 방식이다. 이 표현은 인공지능 연구자 안드레이 카파시가 2025년 2월에 처음 쓴 뒤 빠르게 퍼져, 그해 콜린스 사전이 '올해의 단어'로 꼽을 만큼 보편화됐다. 이 역량이 조직 평균으로 높을 때, 누구나 필요한 도구를 직접 만들어 쓰게 된다.
예전에는 통역사를 거쳐야만 외국인과 일할 수 있었다. 바이브 코딩은 컴퓨터에 직접 말을 거는 것과 같다. "이런 화면을 만들어 줘"라고 평소 말로 지시하면 결과물이 나온다. 통역사(전담 개발자)를 매번 기다리지 않아도 되니, 일의 속도가 근본적으로 달라진다.
에이전트가 무엇이냐고 물으면 답이 잘 안 나온다. 그런데 실체는 의외로 단출하다. 에이전트는 결국 마크다운(Markdown, 사람이 읽고 쓰기 쉬운 경량 서식 텍스트) 파일 한 묶음이다. 무엇을 어떻게 하라는 지시와 맥락을 적어 둔 문서 더미인 셈이다. 실제로 2025년 8월에는 여러 인공지능 기업이 함께 정한 공개 규약(AGENTS.md)이 등장해, 이런 지시 문서를 저장소 단위로 표준화하는 흐름이 자리 잡았다. 중요한 것은 이 문서들을 잘 짜고 잘 조율하는 일, 곧 오케스트레이션이다.
그 핵심에 '하네스(harness)'가 있다. 에이전트가 일을 잘하도록 미리 깔아 두는 설정과 작업 틀을 말한다. 역할을 나눠 계획-조사-작성-검증 단계를 짜 두는 식이다. 2026년 초에는 "에이전트는 모델 더하기 하네스"라는 정식화가 업계에 퍼졌다. 같은 모델이라도 이 설정에 시간을 쏟을수록 산출물의 품질이 눈에 띄게 올라간다는 관찰이다.
좋은 연주는 명기(名器) 하나로 나오지 않는다. 줄을 고르고, 자리를 잡고, 합을 맞추는 준비에서 나온다. 하네스가 바로 그 준비다. 같은 악기라도 세팅을 정교하게 해 두면 소리가 달라진다. 좋은 결과는 모델이 아니라 세팅에서 나온다는 말이 그래서 성립한다.
필요한 도구를 직접 만들거나 핵심 기능만 남겨 쓴다. 한 대표적 협업 디자인 도구의 사례가 이 흐름을 보여 준다. 이 회사 주가는 2025년 상장 첫날 정점을 찍은 뒤 고점 대비 80% 넘게 빠졌고, 하락의 주요 촉매로는 무료로 풀린 인공지능 기반 디자인 도구의 부상이 지목됐다. 별도의 디자인 전용 도구 없이도 결과물을 바로 만들어 내는 흐름이, 기존 도구의 입지를 빠르게 흔들고 있다는 신호다.
이들은 대체로 가장 높은 사용 등급의 구독제(월 10만 원대의 최상위 요금제 등)를 쓰고, 토큰 사용량을 서로 투명하게 공유한다. 누가 얼마나 쓰는지 가리지 않고 드러내, 무엇이 비용 대비 효과가 큰지 함께 가늠한다.
위 도식의 흐름을 층으로 풀면 대략 이렇게 나뉜다. 특정 제품 이름보다 각 층이 맡는 역할로 이해하는 편이 오래간다.
여기서 놓치기 쉬운 것이 마지막의 입력 장치다. 화려하지 않지만, 모든 회의를 데이터로 바꿔 저장소에 흘려보내는 출발점이기 때문이다. 입력에서 시작해 저장과 실행을 거쳐 협업 표면으로 이어지는 한 줄기 흐름이 끊기지 않을 때, 조직은 비로소 인공지능으로 굴러간다.
이 모든 그림이 매끄럽게 돌아가는 것은 아니다. 현 상태는 '되는 것'과 '아직 어려운 것'으로 나뉜다.
회의와 대화를 100% 기록하는 일은 이미 일상이 됐다. 문서 초안 작성, 청구서 발급, 문자 발송 같은 반복 업무를 에이전트에 위임한다. 매일 아침이면 에이전트가 그동안의 맥락을 읽고 구성원별로 오늘 할 일을 제안한다. 사람이 그 제안을 꼭 따라야 하는 것은 아니지만, 백지에서 하루를 시작하는 것보다 훨씬 가볍다. 표준 업무 절차는 날마다 갱신된다. 무엇보다 문서화와 의사결정의 속도가 크게 빨라졌다.
고관여(high-touch, 한 번의 접촉에 많은 신경을 써야 하는) 외부 소통은 여전히 사람의 몫이다. 중요한 메일은 인공지능이 초안을 잘 써 주지만, 보낼지 말지는 사람이 판단해야 하고 그 판단에 시간이 든다. 다만 단순 반복형 고객 응대(CS, Customer Service)는 사정이 다르다. 한 핀테크 기업은 인공지능 도입 첫 달에 전체 고객 상담의 약 3분의 2를 자동으로 처리했고, 이는 상담원 약 700명분의 업무량에 해당했다. 평균 응대 시간도 11분에서 2분으로 줄었다. 그런데 같은 회사가 이후에는 사람 상담원과 연결되는 선택지를 늘 보장하는 방향으로 다시 돌아섰다. 결이 갈리는 지점은 관여도다. 사소한 반복은 잘 넘어가지만, 한 번의 실수가 비싼 고관여 영역은 아직 사람이 결정한다.
구성원별 역량 격차도 현실적인 벽이다. 개발자가 아니면 익히는 데 시간이 걸리고, 본인의 의지가 없으면 교육만으로는 좀처럼 따라오지 않는다. 토큰 사용량을 예측하기 어렵다는 점도 운영의 변수로 남는다.
지금까지의 이야기를 한곳에 모으면 이렇다. 인공지능 네이티브 기업을 만드는 일은 도구를 사들이는 일이 아니라, 데이터가 저절로 쌓이는 구조를 만드는 일이다.
대기업이 자꾸 막히는 까닭도 여기 있다. 시선이 늘 사내 보안 환경 안쪽의 데이터로 향한다. 그것을 인공지능에 물리려면 격리 환경을 세우고 유출을 막아야 하니, 시작 전에 지친다. 출발점은 그보다 훨씬 쉬운 곳에 있다. 회의다. 녹음 버튼 하나만 누르면 된다.
모든 대화와, 문서로 적히지 않은 채 머릿속에만 있는 지식, 곧 암묵지(暗默知)는 전부 인공지능의 재료가 된다. 그 재료가 한곳에 쌓이기 시작하면, 앞서 본 순환이 돌기 시작한다. 거창한 전환 계획을 세우기 전에, 다음 회의부터 기록을 남기는 일이 먼저다.
인공지능 네이티브로 가는 길은 기존 조직을 바꾸는 데서 시작하지 않는다. 회의록부터, 우리의 대화부터, 0(영)에서 기록을 쌓는 데서 시작한다.
이 글은 인공지능으로 운영되는 조직들에서 반복적으로 관찰되는 작동 원리를, 공개된 산업 동향과 사례에 비추어 정리한 것이다. 특정 인물·회사·커뮤니티를 가리키는 정보는 덜어내고 일반화할 수 있는 원리만 추렸으며, 인용한 수치는 공개 자료로 검증해 반영했다.