AX란 무엇인가: 디지털 전환과의 차이 · 자동화와 증강 · 단계 모델

AX란 무엇인가: 디지털 전환과의 차이 · 자동화와 증강 · 단계 모델

AX(AI 전환, AI Transformation)는 "AI 도구를 사는 일"이 아니라 일하는 방식을 AI에 맞게 다시 짜는 일입니다. 이 수업은 AX를 디지털 전환(DX)과 비교해 정의하고, AI가 일을 대신하는 '자동화'와 사람을 돕는 '증강'을 구분한 뒤, 개인 실험에서 조직 운영까지 다섯 단계로 나눠 우리 조직이 어디쯤 있는지 가늠하는 법을 다룹니다. 단계 모델과 숫자 예시는 KAITABASE가 만든 해설용이며, 통계는 1차 출처에서 확인한 것만 씁니다.

들어가기 전에

• AI가 무엇이고 LLM이 어떻게 답을 만드는지 대략 알면 좋습니다. 처음이라면 입문 트랙을 먼저 보세요.
• 프롬프트를 몇 번 써 본 경험이면 충분합니다. 더 알고 싶다면 프롬프트 설계와 인컨텍스트 학습.
• 이 트랙은 직장인과 개발자 모두를 대상으로 합니다. 사무 업무 예와 개발 업무 예를 함께 씁니다.

한눈에 보기

• AX는 기술 도입이 아니라 업무 · 역할 · 규칙의 재설계 라는 점을 압니다.
• DX(디지털 전환)와 AX가 무엇이 같고 무엇이 다른지 표로 구분합니다.
• 같은 업무라도 AI가 대신하는 부분(자동화) 과 돕는 부분(증강) 을 나눠 볼 수 있습니다.
• 다섯 단계 모델로 우리 팀의 현재 위치와 다음 한 걸음을 정합니다.
• 이 트랙 15개 수업이 어떤 순서로 이어지는지 압니다.

1. AX를 한 문장으로

직관(해설용 비유). 엑셀을 처음 들였을 때를 떠올려 봅니다. 장부를 엑셀로 옮기기만 하면 "종이 장부를 화면으로 옮긴 것"에 그칩니다. 진짜 변화는 함수 · 피벗 · 자동 집계를 전제로 보고 주기와 결재 흐름을 바꿨을 때 생겼습니다. AX도 같습니다. 챗봇 계정을 나눠 주는 것은 출발점일 뿐이고, AI가 초안을 쓰고 사람이 검토한다는 전제로 업무 순서 · 역할 · 품질 기준 을 다시 정할 때 전환이 일어납니다.

이 트랙에서는 AX를 이렇게 정의합니다(KAITABASE 정의).

AX = AI를 전제로 업무를 작업 단위로 다시 나누고, 사람과 AI의 역할 · 검토 규칙 · 데이터 · 측정 방법을 함께 바꿔 성과를 내는 조직 활동

용어 자체는 이미 공공 문서에도 쓰입니다. 개인정보보호위원회는 2026년 7월 「공공 AX 프라이버시 보호 안내서」를 내면서 "인공지능 전환(AX)"이라는 표현을 썼고, 안내서는 정부 AX 사업 예산이 2025년 0.5조 원에서 2026년 2.4조 원으로 약 5배 늘었다는 과기정통부 자료(2026년 1월)를 인용합니다.

2. DX와 AX: 무엇이 다른가

왜 이 차이가 중요한가. DX 시절의 도입 공식("시스템을 깔고 교육하면 끝")을 그대로 쓰면 AX는 자주 실패합니다. AI 결과는 매번 조금씩 다르고 가끔 틀리기 때문에 검토 규칙 과 측정 이 업무 설계에 들어가야 합니다. 환각의 원인과 줄이는 법은 환각: 왜 생기고 어떻게 줄이나에서 다룹니다.

3. 자동화와 증강

자동화(automation). AI가 작업을 끝까지 처리하고 사람은 예외나 결과만 봅니다. 예: 문의 메일을 분류해 담당 큐로 보내기.

증강(augmentation). 사람이 일을 주도하고 AI는 초안 · 아이디어 · 검토를 돕습니다. 예: 기획서 초안을 AI와 주고받으며 다듬기.

실제 사용은 어느 쪽에 가까울까요? Anthropic이 2025년 2월 10일 공개한 Economic Index는 Claude.ai 대화 약 100만 건을 개인 대화를 사람이 보지 않는 자동 분석 도구(Clio)로 미국 직업 정보 데이터베이스(O*NET)의 작업에 대응시켜 분석했습니다. 그 결과 증강 57%, 자동화 43% 로 나타났고, 사용은 소프트웨어 개발과 기술 문서 작성에 몰려 있었으며(컴퓨터 · 수학 직군 37.2%), 작업의 25% 이상에 AI를 쓰는 직업은 약 36%였습니다. 한 서비스의 대화 데이터라는 한계가 있으므로 "모든 조직의 비율"로 읽으면 안 됩니다.

숫자로 해 보기(해설용). 주간 보고서 작성에 5시간이 든다고 합시다. 작업을 나누면 자료 수집 2시간, 초안 2시간, 검토 · 수정 1시간입니다.

여기서 두 가지를 봅니다. 첫째, 절감은 업무 전체가 아니라 작업 단위 에서 생깁니다. 둘째, AI가 초안을 쓰면 검토 시간이 늘어납니다. 이 늘어난 검토를 빼고 계산하면 효과를 부풀리게 됩니다. 작업 단위로 쪼개는 법은 업무 진단에서 연습합니다.

4. 다섯 단계 모델(해설용)

아래 단계는 특정 기관의 공식 모델이 아니라 이 트랙에서 쓰려고 만든 정리입니다. 단계를 건너뛰는 것보다 지금 단계에서 다음 단계로 가는 조건 을 갖추는 것이 중요합니다.

왜 0단계를 따로 두나. Microsoft Work Trend Index 2024(31개국 지식 근로자 3만 1천 명 조사, 2024-05-08 발표)는 "지식 근로자의 75%가 업무에 AI를 쓴다", "AI 사용자의 78%가 자기 AI 도구를 직장에 가져온다(BYOAI)"고 보고했습니다. 같은 조사에서 리더의 60%는 회사 경영진에 AI 도입 계획과 비전이 없다고 우려했습니다. 즉 많은 조직은 이미 공식 도입 전에 0단계에 있으며, 첫 과제는 이를 보이는 곳으로 꺼내는 것 입니다. 섀도 AI는 거버넌스와 정책에서 다룹니다.

5. 성과는 어디서 갈리나

McKinsey의 2026년 조사(2026년 5월 4일~6월 8일, 97개국 1,719명 응답, 2026-08-25 발표)는 응답자의 80%가 AI로 개인 생산성 이 좋아졌다고 답한 반면, AI가 회사 EBIT(영업이익)에 조금이라도 기여했다는 응답은 37%로 1년 전과 거의 같았다고 보고했습니다. 'AI 고성과 조직'(EBIT의 5% 이상을 AI에 돌리고 영향이 '상당하다'고 답한 곳)은 약 6%에 머물렀고, 이들은 기존 업무에 AI를 끼워 넣기보다 업무 흐름을 근본적으로 재설계 한다는 점이 다르다고 설명합니다. 설문 응답 기반이라 인과관계를 보여 주지는 않지만, "개인이 편해진 것"과 "조직 성과"가 자동으로 이어지지 않는다는 점은 분명히 보여 줍니다.

흔한 실패 유형(해설).

1. 도구 먼저 — 쓸 곳을 정하지 않고 라이선스부터 삼. 사용률이 금방 떨어짐.
2. 기준선 없음 — 도입 전 시간 · 품질을 재지 않아 효과를 증명하지 못함.
3. 검토 없음 — AI 결과를 그대로 내보내다 오류 · 유출 사고가 남.
4. 파일럿 무한 반복 — 성공 기준이 없어 확산도 중단도 못 함.
5. 사람 빠짐 — 역할 변화 · 교육 · 평가 기준을 바꾸지 않아 저항이 생김.

이 트랙의 각 수업이 이 실패를 하나씩 막도록 짜여 있습니다.

123456789101112flowchart LR
  A[AX란 무엇인가] --> B[업무 진단]
  B --> C[사용 사례 우선순위]
  C --> D[ROI · 효과 측정]
  D --> E[도구 선택]
  E --> F[데이터 준비]
  F --> G[프로세스 재설계 · 사람 검토]
  G --> H[거버넌스 · 보안]
  H --> I[변화 관리 · 교육]
  I --> J[파일럿에서 확산까지]
  J --> K[직군별 플레이북 · 사례]
  K --> L[우리 팀 AX 계획서]

연습 문제

1. 다음은 자동화와 증강 중 어디에 가깝나요? (가) 신규 입사자 질문에 사내 규정 챗봇이 답하고, 답이 없으면 인사팀에 넘김 (나) 개발자가 AI와 대화하며 설계 대안을 비교 (다) 매일 밤 로그를 요약해 장애 징후를 보고
   • 풀이: (가) 자동화(예외만 사람) (나) 증강 (다) 자동화에 가깝지만 결과를 사람이 판단하므로 '자동 요약 + 사람 판단'의 혼합입니다. 실제 업무는 대부분 혼합이므로 작업 단위로 나눠 봅니다.
2. 회의록 작성이 회의당 60분(정리 40분 + 검토 20분)입니다. AI 초안으로 정리가 10분이 되고 검토가 30분으로 늘었습니다. 절감률은?
   • 풀이: 전 60분, 후 10 + 30 = 40분. 절감 20분, 20 ÷ 60 ≈ 33.3%입니다. 검토 증가를 빼고 "정리 40 → 10분, 75% 절감"이라고 말하면 과장입니다.
3. 우리 팀은 직원 대부분이 개인 계정 챗봇을 쓰지만 회사 지침은 없습니다. 몇 단계이고, 다음 한 걸음은?
   • 풀이: 0단계입니다. 허용 도구와 입력 금지 정보를 정하고 승인된 도구를 제공해 1단계로 가는 것이 먼저입니다.

스스로 점검

1. AX와 "AI 도구 도입"의 차이는?
   • 답: 도구 도입은 기술을 들이는 것이고, AX는 그 도구를 전제로 업무 순서 · 역할 · 검토 규칙 · 측정을 함께 바꾸는 것입니다.
2. AI 도입 효과를 계산할 때 빠뜨리기 쉬운 항목은?
   • 답: AI 결과를 검토 · 수정하는 데 늘어나는 시간입니다. 작업 단위로 전후를 나눠야 보입니다.
3. 개인 생산성이 좋아졌는데 회사 성과가 안 보이는 이유를 하나 들면?
   • 답: 업무 흐름을 바꾸지 않고 개인 작업에만 AI를 끼워 넣으면 절감된 시간이 다른 성과로 이어지지 않을 수 있습니다. McKinsey 2026 조사도 이 간극(개인 80% vs EBIT 기여 37%)을 보고합니다.

용어 정리

더 깊이 보려면

• Anthropic Economic Index: https://www.anthropic.com/news/the-anthropic-economic-index
• McKinsey, The state of AI in 2026: https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-state-of-ai
• Microsoft Work Trend Index 2024: https://www.microsoft.com/en-us/worklab/work-trend-index/ai-at-work-is-here-now-comes-the-hard-part

다음에 볼 것

• 업무 진단: 업무를 작업 단위로 쪼개고 AI 적합도 평가하기
• LLM 활용 · 에이전트 트랙: 프롬프트 설계 — 도구를 직접 잘 쓰는 법

라이선스

본문은 KAITABASE 자체 해설입니다. 통계는 각 기관 원문을 짧게 인용 · 요약했습니다. 단계 모델 · 숫자 예시는 해설용입니다.

출처

• Anthropic, The Anthropic Economic Index (2025-02-10): https://www.anthropic.com/news/the-anthropic-economic-index
• McKinsey, The state of AI in 2026: On the road to ROI (2026-08-25): https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-state-of-ai
• Microsoft, 2024 Work Trend Index Annual Report (2024-05-08): https://www.microsoft.com/en-us/worklab/work-trend-index/ai-at-work-is-here-now-comes-the-hard-part
• 개인정보보호위원회, 공공 AX 프라이버시 보호 안내서 (2026-07-23): https://pipc.go.kr/np/cop/bbs/selectBoardArticle.do?bbsId=BS217&mCode=D010030000&nttId=12436