사례 분석: 공식 발표 · 1차 자료로 확인한 AI 도입 사례 읽는 법

사례 분석: 공식 발표 · 1차 자료로 확인한 AI 도입 사례 읽는 법

기업 AI 도입 사례는 많지만, 상당수는 2차 · 3차 재가공 과정에서 숫자가 부풀거나 맥락이 빠집니다. 이 수업은 회사 공식 발표 · 공식 블로그 · 공급사 고객 사례 · 연구 논문 · 정부 문서 에서 직접 확인한 사례만 골라, 숫자는 출처 문장 그대로(원문 + 번역) 옮기고 출처 · 날짜를 밝힙니다. 그리고 각 사례를 "무엇을 했나 · 어떻게 쟀나 · 무엇은 알 수 없나"로 읽는 틀을 연습합니다. 모든 회사 발표는 자체 발표이며 독립 검증된 수치가 아님 을 전제로 읽습니다.

들어가기 전에

• ROI · 효과 측정 — 기준선 · 활용률 · 측정 함정
• 파일럿에서 확산까지 — 대조군 · 이중차분

한눈에 보기

• 사례를 읽는 다섯 질문(누가 · 무엇을 · 어떻게 쟀나 · 누가 말했나 · 무엇이 빠졌나)을 익힙니다.
• 고객 응대(Klarna), 사내 지식 검색(Morgan Stanley), 코드 현대화(Amazon) 사례를 원문 숫자로 봅니다.
• 통제된 실험 연구 두 편이 기업 발표와 어떻게 다른 종류의 근거인지 구분합니다.
• 큰 회사의 숫자를 우리 조직에 옮길 때의 주의점을 압니다.

1. 사례를 읽는 다섯 질문

직관(해설용 비유). 광고 속 "한 달 만에 10kg 감량" 문구를 볼 때 우리는 누가 말했는지, 어떻게 쟀는지, 요요는 없었는지 묻습니다. 기업 AI 사례도 같은 질문으로 읽습니다.

2. Klarna: 고객 응대 AI 상담(2024-02-27 보도자료)

무엇을. OpenAI 기반 AI 상담 도우미를 전 세계에 출시하고 1개월 뒤 결과를 발표했습니다.

원문 숫자(보도자료 그대로).

• "The AI assistant has had 2.3 million conversations, two-thirds of Klarna's customer service chats" — AI 도우미가 230만 건 대화, 고객 상담 채팅의 3분의 2를 처리.
• "It is doing the equivalent work of 700 full-time agents" — 정규 상담원 700명에 해당하는 일을 함.
• "It is on par with human agents in regard to customer satisfaction score" — 고객 만족도는 사람 상담원과 같은 수준.
• "leading to a 25% drop in repeat inquiries" — 재문의 25% 감소.
• "Customers now resolve their errands in less than 2 mins compared to 11 mins previously" — 해결 시간 11분 → 2분 미만.
• "It's estimated to drive a ... 40 million USD in profit improvement to Klarna in 2024" — 2024년 4천만 달러 이익 개선 추정(원문의 달러 기호는 생략).
• "customers can still choose to interact with live agents if they'd prefer" — 원하면 사람 상담원 선택 가능.

읽기(해설).

• 출시 1개월 시점의 자체 발표 이며, 700명 '상당'과 4천만 달러는 환산 · 추정값입니다.
• 해결 시간 11분 → 2분은 $(11-2)\div11 \approx 81.8\%$ 단축에 해당합니다(우리 계산). 다만 AI가 맡은 문의와 사람이 맡던 문의의 난이도가 같은지는 발표에 없습니다.
• 사람 경로를 유지했다는 점은 사람 검토 루프 설계와 이어집니다.
• 장기 효과 · 비용 · 오류 사례는 이 발표로는 알 수 없습니다.

3. Morgan Stanley: 사내 지식 검색(2023-03-14 보도자료, OpenAI 고객 사례)

무엇을. 자산관리 부문이 OpenAI 기술로 사내 전용 도구를 만들어, 재무 상담사가 회사의 방대한 리서치 자료에 질문하면 회사 자료에서만 생성한 답을 원문 링크와 함께 받게 했습니다(보도자료).

원문 숫자 · 서술(OpenAI 고객 사례 페이지, 날짜 표기 없음).

• "over 98% of advisor teams actively use AI @ Morgan Stanley Assistant" — 상담사 팀의 98% 이상이 사내 챗봇을 적극 사용.
• "We went from being able to answer 7,000 questions to a place where we can now effectively answer any question from a corpus of 100,000 documents" — 7,000개 질문 응답 수준에서 10만 개 문서 코퍼스의 어떤 질문에도 답하는 수준으로.
• 모든 사용 사례를 배포 전 평가(eval) 체계로 시험하고, 표본 질문 회귀 테스트로 매일 점검했다는 설명.
• 회의 요약 도구는 고객 동의 하에 녹화를 노트 · 후속 메일 초안으로 만들고, 상담사가 확정 전에 검토 · 수정.

읽기(해설). 98%는 '사용률'이지 성과 지표가 아닙니다. 대신 이 사례에서 옮길 만한 것은 평가 우선 · 사내 자료 한정 · 출처 링크 · 사람 확정 이라는 설계입니다. 공급사(OpenAI)가 쓴 고객 사례이므로 홍보 성격이 있습니다.

4. Amazon: 자바 업그레이드 자동화(AWS DevOps 블로그, 2024-08-01)

무엇을. Amazon Q Developer의 코드 변환 에이전트로 사내 수만 개 운영 애플리케이션을 Java 8 · 11에서 Java 17로 옮겼습니다.

원문 숫자(블로그 그대로).

• "tens of thousands of production applications" — 수만 개 운영 애플리케이션 이전.
• "over 4,500 years of development work for over a thousand developers" — 천 명 이상 개발자의 4,500년 이상 개발 작업 절감.
• "260 million dollars in annual cost savings" — 연간 2억 6천만 달러 비용 절감(원문의 달러 기호는 생략).

어떻게 쟀나(블로그 설명). 시간 절감은 이전한 자바 의존성 수를 세어, 의존성 하나를 수동 이전하는 데 보통 하루 이상 걸린다는 가정으로 추정했습니다. 비용 절감은 Java 17의 성능 향상으로 줄일 수 있었던 서버(호스트) 수 로 계산했습니다. 블로그는 두 추정이 보수적이라고 밝힙니다.

읽기(해설). 비용 절감의 상당 부분은 AI 자체가 아니라 Java 17로 옮긴 결과(성능 향상) 에서 나왔다는 점이 중요합니다. AI는 그 이전 작업을 빠르게 한 수단입니다. 또 시간 절감은 "의존성당 하루"라는 가정에 기댄 환산값입니다. 이런 대규모 반복 변환(규칙성 높음 · 테스트로 검증 가능)은 업무 진단의 적합도가 높은 작업 유형입니다.

5. 통제된 실험 연구: 다른 종류의 근거

기업 발표와 달리 아래 두 연구는 비교 집단 을 두고 효과를 쟀습니다.

읽기(해설). 실험 연구도 특정 회사 · 작업 · 시점의 결과입니다. 그래도 "어디서 잘 되고 어디서 해치는가", "누구에게 효과가 큰가" 같은 조건 을 알려 준다는 점에서 기업 발표보다 일반화에 도움이 됩니다.

6. 공공: 정부 AX 예산과 개인정보 기준

개인정보보호위원회 「공공 AX 프라이버시 보호 안내서」(2026-07-23)는 과기정통부 자료(2026년 1월)를 인용해 정부 AX 사업 예산이 2025년 0.5조 원에서 2026년 2.4조 원으로 약 5배 늘었다고 적고, 공공 AX를 기초업무 보조 · 정보 연계 · 분석 · 추천 · 선별 · 판단 세 유형으로 나눠 유형별 점검 항목을 제시합니다. 예산은 '투입'이지 성과가 아니므로, 성과 사례는 개별 기관의 공식 발표로 따로 확인해야 합니다.

7. 한눈에 비교

8. 숫자로 해 보기: 우리 조직에 옮기기(해설용)

Klarna 발표의 "230만 건 = 700명 상당"을 나누면 1인 상당 월 약 $2{,}300{,}000\div700 \approx 3{,}286$ 건입니다(우리 계산, 발표에 없는 값). 우리 팀이 월 2만 건을 처리한다면 같은 비율로 "6명 상당"이라고 말하고 싶어집니다($20{,}000\div3{,}286 \approx 6.1$). 하지만 이 계산은 문의 난이도 · 채널 · 언어 · AI 처리 비율 · 상담원 생산성이 같다는 가정을 깔고 있습니다. 다른 회사의 비율은 가설일 뿐이고, 우리 숫자는 우리 파일럿으로 잽니다.

12345678flowchart LR
  A[사례 발견] --> B{1차 자료인가?<br/>공식 발표 · 논문 · 정부}
  B -->|아니오| C[원문 찾기 · 못 찾으면 쓰지 않음]
  B -->|예| D[무엇을 · 어떻게 쟀나]
  D --> E[숫자 성격<br/>측정 · 환산 · 추정]
  E --> F[빠진 것<br/>비용 · 오류 · 장기 효과]
  F --> G[우리 조직용 가설]
  G --> H[우리 파일럿으로 검증]

연습 문제

1. "AI가 상담원 700명 몫을 했다"는 문장을 우리 회사 보고서에 인용하려 합니다. 어떻게 써야 정확한가요?
   • 풀이: "Klarna는 2024년 2월 27일 보도자료에서 AI 도우미가 '정규 상담원 700명에 해당하는 일'을 한다고 발표했다(자체 발표 · 환산값)"처럼 출처 · 날짜 · 성격을 밝힙니다.
2. Amazon 사례의 연 2억 6천만 달러 절감을 "AI가 만든 절감"이라고 요약하면 무엇이 빠지나요?
   • 풀이: 블로그 설명상 비용 절감은 Java 17 성능 향상으로 줄인 호스트 수로 계산했습니다. AI는 이전 작업을 빠르게 한 수단이고, 절감의 직접 원인은 업그레이드 결과라는 점이 빠집니다.
3. 해결 시간이 11분에서 2분이 되었다면 단축률은?
   • 풀이: $(11-2)\div11 \approx 81.8\%$ 입니다.

스스로 점검

1. 기업 발표와 실험 연구의 근거로서 차이는?
   • 답: 기업 발표는 비교 집단 · 측정 방법이 공개되지 않는 경우가 많은 자체 보고이고, 실험 연구는 비교 집단을 두고 효과를 재므로 조건별 효과를 해석하기에 더 낫습니다.
2. 사용률 98%가 성과를 뜻하나요?
   • 답: 아닙니다. 많이 쓴다는 뜻일 뿐이며, 처리 시간 · 품질 같은 성과 지표는 따로 봐야 합니다.
3. 2차 글에서 본 사례 숫자를 쓰기 전에 할 일은?
   • 답: 원래 발표 · 논문을 찾아 숫자와 문장을 직접 확인하고, 못 찾으면 쓰지 않습니다.

용어 정리

더 깊이 보려면

• Klarna 보도자료: klarna.com/international/press/klarna-ai-…
• AWS DevOps 블로그: aws.amazon.com/blogs/devops/amazon-q-deve…

다음에 볼 것

• 우리 팀 AX 계획서 만들기
• 중간 점검: AX 15문제

라이선스

본문은 KAITABASE 자체 해설입니다. 사례 숫자는 각 원문 문장을 짧게 인용하고 번역했습니다. 비교표 · 환산 계산은 해설용입니다.

출처

• Klarna, Klarna AI assistant handles two-thirds of customer service chats in its first month (2024-02-27): klarna.com/international/press/klarna-ai-…
• Morgan Stanley, Morgan Stanley Wealth Management Announces Key Milestone in Innovation Journey with OpenAI (2023-03-14): morganstanley.com/press-releases/key-mile…
• OpenAI, Morgan Stanley uses AI evals to shape the future of financial services (날짜 표기 없음, 2026-10-22 열람): openai.com/index/morgan-stanley
• AWS DevOps & Developer Productivity Blog, Amazon Q Developer just reached a 260 million dollar milestone (2024-08-01, 제목의 달러 기호 생략): aws.amazon.com/blogs/devops/amazon-q-deve…
• Dell'Acqua, F. 외 (2023), Navigating the Jagged Technological Frontier, Harvard Business School Working Paper: hbs.edu/faculty/Pages/item.aspx
• Brynjolfsson, E., Li, D., Raymond, L., Generative AI at Work, arXiv:2304.11771 (v2 2024-11-06): arxiv.org/abs/2304.11771
• 개인정보보호위원회, 공공 AX 프라이버시 보호 안내서 (2026-07-23): pipc.go.kr/np/cop/bbs/selectBoardArticle.…