대기업 AX — 발표 + 실습 (통합)

AX LEADERSHIP

AI 자산은 밖에서 가져오는 게 아니라
안에서 발견하는 것

이번 한 달은 아이디어를 발명하는 시간이 아니라,
대기업 안에 이미 있는 AI 자산을 발견하는 시간입니다

AX 방향성 공유 · 여는 세션

02 먼저, 왜 우리가 여기 모였는가

시작하기 전에 돌아가면서 짧게 나눠요

추상적인 소감 대신, 아래 두 질문에 각자 한 문장씩

질문 1 · 업무

내가 속한 계열사에서 AI로 바뀔 수밖에 없다고 느끼는 업무나 사업은 무엇인가?

질문 2 · 나

나는 이번 6개월 동안 어떤 관점의 AI 리더가 되고 싶은가?

이 두 질문의 답이, 오늘 이야기 전체와 그대로 연결됩니다.

03 오늘 다룰 것

PART A

AI 기회는
어디서 나오는가

외부 메가 사례를 렌즈로

PART B

대기업의 3가지 방향
재해석

2번을 향하되, 1번에서 출발

PART C

AX란 무엇이고
왜 안에서 시작인가

Skill · Agent · 개선 루프

04 Part A · AI 기회는 어디서 나오는가

PART A

AI 기회는 멋진 아이디어에서
바로 나오지 않습니다

업무 · 데이터 · 평가 · 개선 루프가 만나는 지점에서 나옵니다.

외부 사례는 정답이 아니라 렌즈입니다.
사례가 보여주는 AI 패턴을 통해, 대기업 안의 업무·데이터·판단 기준이 어떻게 AI 자산이 될 수 있는지 찾는 겁니다.

05 Scale AI — 거대한 사업도 작은 문제에서 출발

시작은 "냉장고 재고를 언제 채울까"였습니다

출발점

구체적인 하나의 문제

거대한 아이디어가 아니라, 손에 잡히는 작은 문제 하나에서 시작.

데이터화

한 일

처리 가능한 구조로

문제를 AI가 다룰 수 있는 데이터·워크플로우·평가 체계로 전환.

확장

지금

AI 데이터 인프라 기업

모델을 위한 데이터 수집·정제·주석·평가를 다루는 핵심 인프라로.

메시지 — AI 시대의 병목은 모델만이 아니라, 업무를 데이터화하고 평가 가능한 구조로 만드는 것에 있습니다.

06 업무 워크플로우 전체를 AI화한 사례

일부 자동화가 아니라, 흐름 전체를 바꿨습니다

MORGAN STANLEY

미팅 워크플로우 전체

미팅 후 자동 요약
액션 아이템 도출
이메일 초안 생성
Salesforce 저장까지 연결

WALMART

자체 데이터 기반 Agent

매장 직원용 AI 도구
작업 우선순위 추천
실시간 번역·업무 관리
shift planning 90분 → 30분

SIEMENS

산업 현장 Autonomous Agent

Industrial Copilot
질의응답 assistant를 넘어
프로세스를 실행하는 agent
신뢰성·안전성·시스템 연동

세 사례 모두 자기 회사의 업무 맥락과 데이터 위에서 만들어졌습니다.

07 4개 사례의 공통점 — 아이디어가 아니라 재료

사례	보여주는 메시지
Scale AI	AI 시대엔 데이터화·평가·휴먼 인 더 루프가 핵심 인프라다
Morgan Stanley	업무 일부가 아니라 고객 미팅 후속 워크플로우 전체를 AI화한다
Walmart	내부 데이터와 업무 맥락을 기반으로 agentic AI를 확장한다
Siemens	현장에서는 신뢰성·안전성·기존 시스템 연동이 AX의 핵심이다

성공은 아이디어가 아니라 재료(내부 업무 · 데이터)에서 나왔습니다.

08 Part B · 대기업이 제시한 3가지 방향

PART B

1번

계열사 안 핵심 업무 AX

한 계열사의 핵심 업무를 AI로 재구성

2번

계열사 간 자산 조합

데이터·자산을 조합해 새로운 사업 기회 발굴

3번

CIC / AI Native Company

독립적으로 서는 AI 네이티브 조직

그런데 이 셋은 완전히 병렬인 선택지가 아닙니다. — 다음 장에서 다시 봅니다.

09 3가지 방향 재해석 — 병렬이 아니라 단계

1번

계열사 핵심 업무의 AI 자산화

각 계열사의 업무·데이터·판단 기준을 AI 자산으로 발견 — 재료 만들기

재료를 조합

2번

계열사 간 AI 자산 조합으로 신규 기회

여러 계열사의 자산을 조합해 새로운 기회 발굴

검증되면

3번

검증된 기회의 CIC / AI Native Company화

2번이 시장성·수익성·실행 가능성을 갖췄을 때 나오는 결과

1번은 가장 작은 게 아니라, 2번·3번을 가능하게 만드는 재료를 만드는 과정입니다.

10 그래서 — 2번을 지향하되, 1번에서 출발한다

우리의 구조

여러분은 각자 다른 계열사에서 모였습니다. 한 계열사 안에서만 보면 안 보이는 연결 가능성을 볼 수 있는 구조 → 2번에 유리합니다.

단, 전제 조건

하지만 각 계열사의 자산이 무엇인지 모르면 조합할 수 없습니다. 그래서 먼저 1번을 할 줄 알아야 합니다.

한 달의 아이데이션은 2번을 향하되, 반드시 1번의 관점에서 출발합니다.

3번을 하고 싶다면? — 대기업이 이미 가진 자산 위에서 2번을 거치는 게 가장 현실적인 경로입니다.

11 Part C · AX란 무엇인가

PART C

AX는 기존 업무를
단순히 빠르게 하는 게 아닙니다

비용 · 시간 · 인력 · 복잡성 때문에 지속적으로 수행하지 못했던 일을 가능하게 만드는 것.

본질은 시간 절감이 아니라 — 업무가 데이터를 남기고, 그 데이터가 다음 업무를 개선하는 루프를 만드는 것입니다.

12 기존 자동화 vs AX에 가까운 변화

기존 자동화	AX에 가까운 변화
회의록을 빨리 정리	모든 회의의 결정·리스크·후속조치를 축적하고 추적
보고서 초안 작성	부서별 판단 기준을 학습해 보고 품질을 지속 개선
고객 문의 응답	VOC를 제품 개선·영업 기회·리스크 신호로 자동 분류
현장 점검 기록 요약	이상 징후 패턴을 누적해 예방 정비 루프로 연결
문서 검색	조직의 암묵지를 의사결정 가능한 지식베이스로 전환

왼쪽은 한 번의 일, 오른쪽은 데이터를 남겨 계속 좋아지는 일입니다.

13 AX의 핵심 — 스스로 발전하는 루프

일회성 자동화가 아니라, 계속 좋아지는 구조

01

업무 정의

Workflow를 명확히 정의

02

데이터화

업무를 AI가 다룰 형태로

03

AI 수행

Skill·Agent가 실행

04

결과 평가

잘/못한 것을 판정

05

개선

실패·예외 축적 → 개선

⟲ 다시 업무 수행으로

그래서 Workflow 정의와 데이터화가 AX의 전제가 됩니다.

14 그래서 왜 Skill과 Agent를 배웠는가

AX의 재료와 실행자를 만드는 도구

SKILL

업무 노하우의 자산화

업무 매뉴얼·판단 기준·노하우를 AI가 참조 가능한 텍스트 자산으로.

사용

AGENT

자산을 쓰는 실행자

업무를 수행하고, 결과를 확인하고, 개선을 이어가는 실행 단위.

연결

WORKFLOW · LOOP

실제 업무 흐름으로

여러 Skill·Agent가 연결되고, 결과·실패를 데이터로 남겨 계속 개선.

Skill은 업무 노하우를 자산화하는 도구, Agent는 그 자산을 사용해 업무를 수행하는 실행자입니다.

15 왜 안에서 시작해야 하는가 — 기존 방식과의 관계

기존 대기업 방식은 틀린 게 아닙니다

01

외부 사례 조사

02

적용 가능성 검토

03

임팩트 주제 선정

04

보고

05

실행 과제화

이 방식은 보고와 의사결정에는 강합니다. 일반적인 전략 과제에는 충분히 효과적이에요.

다만 AX 주제 발굴에는 보완이 필요합니다. 왜 그런지 — 다음 장.

16 왜 기존 방식만으로는 AX에 부족한가 — 5가지

1

AI는 업무 맥락 의존성이 크다 — 같은 기술도 데이터·권한·시스템·현업 흐름이 다르면 결과가 완전히 달라진다.

2

외부 사례는 결과만 보인다 — 성공 뒤의 데이터 정비·평가 체계·운영 프로세스는 숨겨져 있다.

3

AX는 아이디어보다 재료가 중요하다 — 재료는 내부 매뉴얼·판단 기준·데이터·예외 케이스·접근 권한이다.

4

AI는 개선 루프가 필요하다 — 수행 → 결과 확인 → 실패 축적 → 프롬프트·데이터·워크플로우 개선이 돌아야 한다.

5

그대로 적용하면 PoC에서 멈춘다 — 현업 흐름에 못 들어가면 데모는 되지만 운영은 안 된다.

17 AX에 효과적인 방식 — 외부 사례는 렌즈

기존 방식 · 외부를 그대로

외부 성공 사례 조사
  → 우리 회사 적용 가능성 검토
  → 임팩트 큰 주제 선정
  → 보고
  → 실행 과제화

AX 방식 · 내부를 재발견

외부 사례 조사
  → AI 패턴 추출
  → 내부 업무·데이터·자산 매칭
  → 작은 검증
  → 6개월 주제화

외부 사례는 정답이 아니라 렌즈입니다. 그 렌즈로 대기업 안에 이미 있는 AI 자산을 발견합니다.

18 한 달, 우리가 할 일

1

외부 사례 조사 → AI 패턴 추출

2

계열사 내부 핵심 업무 · 데이터 · 자산 발견

3

1번(계열사 내 AX) 후보 정리

4

2번으로 확장 가능한 조합 탐색

5

6개월 주제 후보 선정

한 달은 1번의 관점으로 2번의 가능성을 찾는 시간입니다.

한 문장으로

발명이 아니라
발견의 시간

한 계열사 업무를 AI 자산화하면 1번, 여러 계열사 자산을 조합하면 2번, 그게 검증되면 3번입니다.

다음 시간까지 · CTA

내 계열사의 AI 자산 후보 3개를 적어오기 — 업무 · 데이터 · 판단 기준 중에서.

실습 · 남은 1시간

한 달 탐색 계획 설계

이번 주는 주제를 정하는 시간이 아니라,
한 달 동안 어떤 질문을 검증할지 정하는 시간입니다

팀별 작업 · 탐색 지도 만들기

21 잠깐 — 이번 주에 주제를 확정하지 않습니다

금요일 산출물은 주제 확정안이 아니라
탐색 지도여야 합니다

이번 주가 아닌 것

"무엇을 할지" 팀 주제를 거의 정하는 것

이번 주에 할 것

"어디를 탐색할지" 영역과 검증 질문을 정하는 것

한 달은 한 번에 정하는 기간이 아니라, 넓게 보고 점점 좁혀가는 기간입니다.

22 너무 빨리 정하면 생기는 문제 — 5가지

1

그럴듯한 아이디어를 성급히 고른다.

2

외부 사례 몇 개 보고 억지로 대기업에 끼워 맞춘다.

3

내부 업무 · 데이터 · 현업 맥락 확인이 부족하다.

4

한 달 탐색의 장점이 사라진다.

5

한번 정한 아이디어에 팀이 심리적으로 묶인다.

"만들고 확인하면서 아이디에이션한다"는 원칙과도 충돌합니다.

23 그래서 목표를 바꿉니다

BEFORE

금요일까지 주제 후보 1~2개 선정

한 주 안에 아이디어를 좁혀 확정.

바꾼다

AFTER

금요일까지 탐색할 문제 영역 2~3개 + 검증 질문

무엇을 할지가 아니라, 어디를 탐색할지를 정한다.

"이번 주는 주제를 정하는 시간이 아니라, 한 달 동안 어떤 질문을 검증할지 정하는 시간입니다."

24 한 달 전체 — 넓게 보고 점점 좁혀가기

한 번에 정하지 않고, 주차별로 좁혀갑니다

1주차

탐색 영역 발굴

탐색 지도 만들기

2주차

내부 업무·자산 검증

재료가 실제로 있는가

3주차

작은 실험·프로토타입

작동시켜 실효성 확인

4주차

6개월 주제 후보 정리

비로소 주제에 근접

이번 실습은 이 중 1주차 — 탐색 지도를 만드는 단계입니다.

25 1주차 — 탐색 지도 만들기 (산출물)

"무엇을 할지"가 아니라 "어디를 탐색할지"를 정합니다

항목	내용
관심 방향	1번 AX / 2번 신규 기회 중 어디에 가까운가
탐색 영역 2~3개	고객 응대, 현장 점검, 구매/계약, 교육, 영업, 리스크 관리 …
외부 사례	각 영역과 관련된 AI 사례
내부 자산 가설	업무, 데이터, 고객, 시스템, 판단 기준
검증 질문	다음 주에 확인해야 할 질문
확인 대상	인터뷰할 사람, 볼 문서, 확인할 시스템

26 탐색 영역은 "주제명"이 아니라 "질문"

아직 정답이 아니라 질문입니다

"대기업 계열사 내 반복적인 현장 점검 업무가 AI 자산화될 수 있는가?"

"계열사 간 고객 접점과 운영 데이터를 조합해 새로운 B2B 서비스 기회가 있는가?"

"법무/구매/계약 검토 업무의 판단 기준을 AI가 보조할 수 있는가?"

주제명("현장 점검 AI") ❌ → 검증 가능한 질문 ⭕

27 2주차 — 대기업 안에 재료가 실제로 있는가

"이 아이디어가 멋있는가"가 아니라 "이걸 가능하게 할 재료가 있는가"

확인 항목	질문
업무	실제로 자주 반복되는가? 중요한가?
데이터	문서, 기록, 로그, 매뉴얼이 있는가?
판단 기준	사람이 어떤 기준으로 결정하는가?
현업 pain	담당자가 정말 불편해하는가?
시스템	AI가 접근하거나 연결할 수 있는가?
확장성	다른 부서/계열사에도 비슷한 문제가 있는가?

2주차가 끝나야 비로소 "해볼 만하다 / 아니다"가 보입니다.

28 3주차 — 작게 만들어보기

"설명하는 것"이 아니라 "작게 작동시켜보며 실효성 확인" — 완성품은 아닙니다

실험 방식	예시
Mock	AI가 이런 결과를 낼 수 있다는 화면/흐름
Wizard of Oz	사람이 뒤에서 처리하지만 AI 서비스처럼 테스트
Agent 초안	문서 입력 → 분석 → 결과 생성
Workflow 데모	업무 흐름 일부를 AI로 연결
데이터화 실험	기존 문서/업무 결과를 구조화해보기

3주차를 거치면 주제가 훨씬 현실적으로 바뀝니다.

29 4주차 — 6개월 주제 후보 정리

여기서야 비로소 주제 선정에 가까워집니다

6개월 주제명	보고 가능한 큰 제목
문제 정의	누구의 어떤 문제인가
내부 AI 자산	업무, 데이터, 판단 기준, 고객 접점
외부 사례 근거	유사 패턴

내부 검증 근거	인터뷰, 자료, 프로토타입 반응
첫 실행 범위	8월에 작게 시작할 Wedge
확장 방향	1번에서 끝나는지, 2번으로 확장 가능한지
3번 가능성	CIC/AI Native로 발전 가능한 조건

30 실습 — 한 달 탐색 계획 1차 설계 ⏱ 60분

활동 · 팀별 탐색 지도 작성

이번 주 안에 주제를 확정하지 않습니다.
대신 탐색 영역과 검증 질문을 정합니다.

팀에게 요청

한 달 동안 탐색할 문제 영역과, 이번 주에 확인할 질문을 정해주세요.

단, 주의

아무 방향 없이 넓게 보는 것도 위험 → 그래서 2~3개로 좁혀 탐색합니다.

31 팀별 작성 템플릿

항목	작성 내용
우리 팀 관심 방향	1번 AX / 2번 신규 기회 / 2번으로 가기 위한 1번 탐색
탐색 영역 2~3개	업무/사업 영역 단위로 작성
왜 이 영역인가	대기업에 중요해 보이는 이유
외부에서 볼 사례	어떤 사례를 조사할 것인가
내부에서 확인할 자산	업무, 데이터, 고객, 시스템, 판단 기준
이번 주 검증 질문	수·목·금 동안 확인할 질문
확인 방법	인터뷰, 문서 확인, 시스템 확인, 사례 조사
금요일 산출물	확정 주제가 아니라 탐색 결과와 다음 질문

32 금요일 산출물 — 탐색 영역별 가능성 평가 (예시)

탐색 영역	외부 사례	내부 자산 가설	확인한 내용	가능성	다음 액션
현장 점검 AX	Siemens 사례	점검표, 사진, 리포트	담당자 확인 필요	중	인터뷰
계약 검토 AX	법무 AI 사례	계약서, 검토 기준	문서 접근성 불명확	중하	자료 확인
계열사 고객 데이터 조합	리테일 AI 사례	고객 접점 + 운영 데이터	연결 가능성 높음	중상	조합 시나리오 작성

주제를 확정하지 않으면서도 전진할 수 있습니다.

33 대리님들에게 — 이번 주 메시지

"이번 주 안에 6개월 주제를 확정하려고 하지 않아도 됩니다. 오히려 너무 빨리 정하면 외부 사례를 억지로 대기업에 끼워 맞추게 될 수 있습니다. 이번 주의 목표는 주제 확정이 아니라, 한 달 동안 탐색할 문제 영역과 검증 질문을 정하는 것입니다."

"다만 아무 방향 없이 넓게 보는 것도 위험합니다. 그래서 각 팀은 탐색 영역 2~3개, 외부 사례, 내부 자산 가설, 이번 주 확인 질문을 정리해야 합니다."

핵심 정리

이번 주 목표:
  주제 선정        ✗
  탐색 영역 선정    ✓
  검증 질문 설계    ✓
  사례·자산 매칭    ✓

"한 달은 아이디어를 확정하는 과정이 아니라, 대기업 안의 AI 자산을 발견하고 조합 가능성을 검증하면서 6개월 주제로 수렴해가는 과정입니다."