2026년 들어 국내 기업의 생성형 AI 도입 소식이 ‘점’이 아니라 ‘선’으로 이어지고 있다. 수협은행은 임원을 앉혀 AI 코딩 에이전트 워크숍을 열었고, 삼성전자 DX(디바이스경험)부문은 챗GPT·제미나이(Gemini)·클로드(Claude)를 나란히 업무에 붙이기 시작했으며, 앤트로픽(Anthropic)은 한국 시장에 본격 진출했다. 이 소식들을 ‘또 새 도구가 나왔다’로 읽으면 정작 중요한 걸 놓친다. 달라진 건 도구의 성능이 아니라 도입의 주체·범위·조건이다. 누가 결정에 참여하고, 어떤 업무에 붙이며, 무엇을 계약서에 넣느냐가 바뀌었다. 이 글은 흩어진 뉴스를 ‘왜 지금인가 → 대기업은 어떻게 하나 → 무엇이 변수인가 → 무엇을 점검할까’ 순서로 묶어 정리한다.
왜 실무자가 아니라 ‘임원’부터 배우기 시작했나
눈여겨볼 대목은 워크숍 자리에 앉은 사람이 개발자나 실무자가 아니라 임원이라는 점이다. 수협은행의 경영진 대상 AI 코딩 에이전트 교육, 협회(KAPR) 단위의 클로드 활용 세미나가 이어지는 흐름은 AI 도입이 ‘IT부서의 현장 실험’에서 ‘경영 안건’으로 층위가 바뀌었다는 신호다. 사내 챗봇 시절의 도입은 대개 한 부서의 파일럿으로 끝났지만, 코딩 에이전트는 업무 프로세스 자체를 재편하기 때문에 예산·보안·인사 권한을 쥔 층이 먼저 그림을 이해하지 못하면 확산이 막힌다. 자연어 지시만으로 데이터 정리, 문서 자동화, 내부 스크립트 작성을 처리하는 도구는 이미 재무·기획·영업 부서로 번지고 있고, 이는 ‘코드를 다루는 일’이 개발자만의 영역이 아니게 됐다는 뜻이다.
여기서 임원 교육이 흔히 빠지는 함정이 하나 있다. 데모의 성공률과 운영의 성공률은 완전히 다른 숫자라는 점이다. 통제된 예시에서 한두 번 ‘되네’ 하는 장면은 성공률 100%처럼 보이지만, 매일 반복되는 실무에서는 예외 입력·헛발질(할루시네이션)·책임 소재가 얽히면서 체감 신뢰도가 급격히 내려간다. 그래서 워크숍에서 물어야 할 질문은 ‘얼마나 신기한가’가 아니라 ‘우리 회사 데이터와 규정 안에서, 같은 작업을 100번 시켰을 때 손을 덜 타는가’다. 신기함은 도입을 시작시키지만, 반복 신뢰도가 도입을 지속시킨다.
삼성전자 사례가 보여주는 대기업의 실제 도입 방식
삼성전자 DX부문이 한 모델에 올인하지 않고 챗GPT·제미나이·클로드를 함께 쓴다는 사실은 두 가지를 시사한다. 첫째, 도입의 기본 단위가 ‘최고의 모델 하나 고르기’가 아니라 작업별 배치라는 것이다. 모델마다 잘하는 결이 다르다. 긴 계약서·회의록 요약이나 코드 리뷰처럼 맥락을 길게 물고 가야 하는 작업, 짧고 빠른 응답이 필요한 일상 질의, 정형 데이터 가공은 각각 유리한 도구가 갈린다. 도입을 검토하는 조직이라면 ‘어느 게 1등인가’를 두 달 비교하는 것보다, 업무를 3~5개 유형으로 쪼개 ‘이 유형엔 이 모델’을 매핑하는 편이 훨씬 빨리 성과에 닿는다.
둘째, 대기업이 ‘공식’ 도입한다는 건 그 전까지 직원들이 비공식적으로(섀도 AI) 이미 쓰고 있었다는 방증이다. 개인 계정으로 사내 문서를 외부 서비스에 붙여넣는 관행은 금지 공지 몇 장으로 사라지지 않는다. 그래서 실무적으로는 ‘막기’보다 ‘승인된 안전한 창구를 여는’ 편이 사고를 줄인다. 여기서 체크포인트가 나온다. (1) 입력한 사내 데이터가 모델 학습에 재사용되지 않는지(기업용 계약의 데이터 학습 제외·보관 정책), (2) 누가 무엇을 넣었는지 접근 권한과 로그가 남는지, (3) 부서별로 넣어도 되는 데이터 등급을 문서로 정했는지다. 순서를 뒤집어 ‘일단 열고 규정은 나중에’로 가는 것이 현장에서 가장 흔한 유출 경로다. 규정은 도입의 브레이크가 아니라 안전벨트에 가깝다.
앤트로픽의 한국 진출과 ‘수출통제’라는 새 변수
앤트로픽의 한국 진출로 클로드는 국내 기업의 현실적 선택지 안으로 들어왔다. 은행 워크숍, 협회 세미나, 대기업 도입 사례에 공통으로 클로드가 등장하는 건 우연이 아니라, 긴 문서 처리와 코딩 작업에서의 평가가 문서·규정 중심으로 돌아가는 기업 환경과 잘 맞았기 때문으로 읽힌다. 상위 모델 라인업이 계속 갱신되며 기대치도 함께 올라가는 국면이다. 다만 이 대목에서 성능 지표만 보고 낙관하면 놓치는 축이 있다.
바로 미국의 AI 수출통제가 도입 전략의 실질 변수로 떠올랐다는 점이다. 흔한 오해는 ‘AI는 인터넷만 되면 어디서나 똑같이 쓴다’는 생각인데, 개인 이용은 그럴지 몰라도 대규모 기업 이용은 다르다. 여기서는 데이터가 어느 리전에 저장되는지, 규제 준수 요건을 충족하는지, 정책·지정학 변화로 요금·가용성·인프라 접근이 흔들릴 여지가 있는지가 계약의 핵심 조건이 된다. 어제까지 되던 조건이 규제 변화로 바뀔 수 있다는 전제를 깔아야 한다. 그래서 벤더를 고를 때 성능 벤치마크 옆에 ‘정책이 바뀌면 갈아탈 대체 경로가 있는가(멀티 벤더 설계)’를 나란히 놓아야 한다. 단일 서비스 의존은 평시에는 편하지만 변수가 터진 날 가장 비싼 선택이 된다.
도입을 검토하는 조직이 지금 점검할 5가지
이 흐름을 6개월~2년 관점으로 늘려 보면, 논점은 ‘코딩 에이전트가 개발자를 대체하느냐’에서 ‘누가·어떤 업무를·얼마나 위임하고, 누가 검수하느냐’로 이미 옮겨갔다. 규칙이 명확하고 반복적인 작업(정형 데이터 가공, 초안 작성, 테스트 코드 생성)은 위임 효과가 크지만, 판단·책임·맥락이 필요한 최종 결정은 사람이 검수하는 구조가 당분간 표준으로 굳는다. 생산성 도구를 사고도 성과가 안 나는 조직의 공통점은 뚜렷하다. 라이선스 비용만 계산하고 ‘검수 시간, 재작업, 교육 곡선’이라는 숨은 비용을 계산에서 뺀 것이다. 도구를 켠 첫 분기에는 오히려 총 작업 시간이 늘 수도 있다는 각오가 필요하다.
실행 체크리스트로 압축하면 다섯 가지다. ① 파일럿은 부서 전체가 아니라 측정 가능한 단일 업무 1~2개로 좁히고, ‘기존 대비 시간 절감률’처럼 숫자로 잡히는 지표를 미리 정한다. ② 코드·대외 문서·수치가 들어가는 결과물에는 사람이 통과시키는 검수 게이트를 반드시 둔다. ③ 데이터 학습 제외·보관 정책 등 보안 계약 조건을 법무와 함께 조문 단위로 확인한다. ④ 한 벤더에 종속되지 않도록 대체안과 전환 비용을 미리 문서화한다. ⑤ ‘지시하는 법(프롬프트 설계·업무 분해)’을 정식 교육 항목에 넣는다 — 같은 도구라도 사용 역량이 성과 차이를 만든다. 이 다섯 개 없이 ‘유행이니 일단 도입’하면, 기대와 현실의 간극이 곧 조직의 실망으로 되돌아온다. 반대로 이 다섯 개를 갖추면, 지금의 도입 러시가 남 얘기가 아니라 자기 조직의 실질 성과로 바뀐다.
자주 묻는 질문
AI 코딩 에이전트를 도입하면 개발자가 필요 없어지나요?
단기적으로는 아닙니다. 반복적이고 규칙이 명확한 작업(정형 데이터 가공, 초안, 테스트 코드)의 위임 비중이 늘어나는 것이지, 설계·판단·책임이 걸린 영역은 사람이 검수·결정하는 구조가 유지됩니다. 논점 자체가 ‘대체’에서 ‘어떤 업무를 얼마나 위임하고 누가 최종 검수하느냐’로 이동하고 있습니다.
챗GPT·제미나이·클로드 중 하나만 골라야 하나요?
삼성전자 DX부문처럼 업무 성격에 따라 복수 모델을 병행하는 방식이 현실적입니다. 긴 문서·코드 작업, 짧은 일상 질의, 정형 데이터 가공에서 강점이 갈리기 때문입니다. ‘어느 게 1등인가’를 오래 비교하기보다 업무를 3~5개 유형으로 나눠 유형별로 모델을 매핑하는 편이 빠릅니다. 규제 변수를 감안해 한 벤더 종속을 피하는 대체안도 함께 두는 게 안전합니다.
회사에서 생성형 AI를 열 때 보안상 가장 먼저 확인할 것은?
세 가지입니다. (1) 입력한 사내 데이터가 모델 학습에 재사용되지 않는 계약 조건(학습 제외·보관 정책), (2) 누가 무엇을 입력했는지 접근 권한과 로그, (3) 부서별로 넣어도 되는 데이터 등급의 문서화입니다. ‘먼저 열고 규정은 나중에’가 실무에서 가장 흔한 유출 경로입니다.
미국의 AI 수출통제가 국내 기업 이용에 실제로 영향을 주나요?
가능성이 있습니다. 개인 이용은 체감이 적어도, 대규모 기업 이용에서는 데이터 저장 리전, 규제 준수, 요금·가용성·인프라 접근이 정책 변화에 흔들릴 수 있습니다. 그래서 공급 안정성과 대체 벤더 경로를 계약·전략 단계에서 미리 점검하는 것이 좋습니다.
생산성 도구를 도입했는데 성과가 안 나는 이유는?
라이선스 비용만 보고 숨은 비용을 빼놓은 경우가 많습니다. 결과물 검수 시간, 재작업, 교육 곡선을 계산에 넣지 않으면 첫 분기엔 오히려 총 작업 시간이 늘 수 있습니다. 측정 가능한 단일 업무로 파일럿을 좁혀 시간 절감률을 숫자로 확인하고, 프롬프트·업무 분해 교육을 병행해야 성과가 잡힙니다.