AI 모델 및 플랫폼
Andus Labs 지수, 기업의 주요 위험으로 AI 파일럿 난립과 업무 흐름의 공백 지목
Andus Labs는 AI 파일럿 난립과 AI 비서의 제한적인 활용을 기업의 주요 장벽으로 꼽으며, 도구 사용과 운영상의 변화 사이에 놓인 간극을 강조한다.

핵심 포인트도구 접근성만으로는 AI를 효과적으로 활용할 수 있는 운영 모델이 만들어지지 않습니다.
더 보기
- 도구 접근성만으로는 AI를 효과적으로 활용할 수 있는 운영 모델이 만들어지지 않습니다.
- 공유된 질문이나 의사결정 규칙이 없는 파일럿은 측정 가능한 변화가 아니라 활동만 만들어냅니다.
- 팀이 AI를 도입할 수는 있지만 그에 맞춰 업무를 재설계할 수 없다면 감독은 실패합니다.
기업에서 AI를 활발히 활용하는 것처럼 보여도 회사 운영 방식은 달라지지 않을 수 있다. Andus Labs의 최신 Ground Truth Index가 전하는 핵심 경고다. 이 지수는 11월 조직적 장벽 순위에서 서로 중복되는 실험과 AI 비서의 제한적인 활용을 가장 중요한 문제로 꼽았다.
11월 18일 발표된 세 번째 판은 우선순위가 높은 패턴 25가지를 제시한다. 이 조사 결과는 기업의 AI 도입 현황을 대표하는 설문조사도, 재정적 손실을 측정한 결과도 아니다. Andus의 현장 관찰과 AI 지원 점수 산정, 연구자의 판단을 바탕으로 만든 진단 체계다. 이 지수의 가장 유용한 기여는 도입 현황 대시보드에서 흔히 간과하는 차이를 짚어낸다는 점이다. AI 도구를 이용할 수 있다는 사실이 그 도구를 효과적으로 활용할 수 있는 운영 모델을 갖췄다는 뜻은 아니다.
실험이 운영상의 문제로 바뀌는 순간
Andus는 Runaway Buildout을 1위, Copilot Ceiling을 2위로 꼽았다. 전자는 결과를 평가할 공통 기준 없이 시작되는 실험을 가리킨다. 후자는 AI 비서가 초안 작성과 요약에 익숙하게 쓰이지만, 업무 흐름을 실질적으로 바꾸지는 못하는 조직을 뜻한다.
발표문에서 Andus는 상위 8개 패턴 중 4개가 조직적 정합성에 관한 것이라고 밝혔다. 조직 구조와 지출이 의도한 변화를 뒷받침하는지를 살피는 범주다. 나머지 두 패턴은 6위인 Artifact Inflation과 8위인 Swim Lane Sprint다. 이 패턴은 완성도 높아 보이는 AI 결과물로 인해 검토 업무가 과중해지는 현상과, 서로 단절된 팀들이 비슷한 기능을 개발하는 현상을 가리킨다.
실질적인 문제는 실험 자체가 본질적으로 낭비라는 데 있지 않다. 파일럿은 중단하는 것이 답인 경우에도 중요한 질문에 답을 줄 수 있다. 문제는 팀들이 합의된 질문이나 기준선, 의사결정 규칙 없이 일을 진행할 때 발생한다. 사용량이 높다는 것은 호기심이나 편의성을 보여줄 수 있지만, 검토와 통합 비용까지 고려한 뒤에도 업무 절차가 더 빨라지고 안정적이거나 저렴해졌음을 입증하지는 못한다.
예를 들어, 두 부서가 각자 별도의 문서 작성 보조 도구를 시험하고 모두 높은 참여도를 보고할 수 있다. 그렇더라도 두 도구가 서로 중복되는지, 둘 중 하나라도 처음부터 끝까지 걸리는 시간을 줄이는지, 공동 도입을 누가 책임질지는 여전히 답을 얻지 못한 질문으로 남는다. 이는 모델 선택의 문제가 아니라 조직 차원의 의사결정 사항이다.
AI에 권한을 부여했다면 책임도 뒤따라야 한다
순위에서 그다음 세 항목은 Empty Chairs, Learning While Drowning, Shadow Agency다. Andus는 이 명칭으로 AI 의사결정에 대한 감독 부재, 이미 과중한 업무에 더해지는 교육, 민감한 기업 정보를 사용하는 승인되지 않은 AI 활용을 가리킨다. 이번 판의 패턴 25개 가운데 9개는 새로 추가됐고, 16개는 이전에도 포함됐다.
이러한 우려는 책임 소재라는 공통점으로 연결된다. 팀은 도구 도입을 허가받았지만, 그에 맞춰 업무 절차를 재설계할 권한은 없을 수 있다. 직원은 새로운 방식을 익히라는 요구를 받으면서도 기존 업무량을 기준으로 평가받을 수 있다. 시스템이 권고를 내리도록 허용하면서도 예외 상황을 검토할 책임자를 지정하지 않을 수도 있다.
이러한 불일치를 해결하려면 승인 절차를 한 단계 더 추가하는 것만으로는 부족하다. 효과적인 통제 체계는 어떤 의사결정인지, 책임자가 누구인지, 그 책임자에게 어떤 근거가 필요한지, 어떤 상황에서 개입해야 하는지를 명확히 해야 한다. 그렇지 않으면 감독 절차 자체가 또 하나의 대기열이 되어 AI 도구가 절약하기로 했던 시간을 잡아먹을 수 있다.
지수 산출 방식
Andus에 따르면 패턴 라이브러리는 700개 조직에서 진행한 회의와 대화 2,100건을 바탕으로 하며, 현재 332개 패턴을 담고 있다. AI 분석 에이전트 5개가 서로 다른 전문 분야의 관점에서 각 패턴을 독립적으로 평가한다. 평가 항목은 심각도, 전개 속도, 근접성, 진행 정도, 확산 가능성이다. 중앙값을 기준 점수로 삼은 뒤 연구진이 상위 50개를 검토하고 의견 차이를 조정해 우선순위 25개를 발표한다.
방법론에는 영어권 뉴스 보도, 미국 대기업의 재무 공시, 규제 동향도 반영된다. 이러한 자료는 분석의 맥락을 넓혀 주지만, 이를 바탕으로 해도 기초가 된 대화 자료가 무작위 표본으로 바뀌는 것은 아니다. 따라서 이 순위는 각 문제를 겪는 기업의 비율이 아니라 우선순위에 대한 Andus의 평가로 읽어야 한다. 여러 AI 평가의 중앙값을 구한다고 해서 그 평가들이 각각 독립적으로 정확하다는 점이 입증되는 것도 아니다.
도구 도입에서 측정 가능한 변화로
기업 리더는 이 지수를 활용해 모든 도입 사례가 실패하고 있다고 단정하지 않으면서 AI 포트폴리오를 면밀히 살펴볼 수 있다. 핵심은 업무에서 무엇이 바뀌었는지다. 사라진 인계 절차는 무엇인지, 개선된 의사결정은 무엇인지, 줄어든 검토 부담은 무엇인지, 새롭게 명확해진 책임은 무엇인지 살펴야 한다.
신뢰할 수 있는 확장 결정에는 도입 수치뿐 아니라 이러한 운영상의 근거도 필요하다. 신뢰할 수 있는 중단 결정에도 마찬가지다. Andus의 최신 순위는 기업이 몇 건의 실험에 자금을 지원하는지보다, 실험을 서로 비교하고 그로부터 배우며 이후에 벌어지는 일에 책임을 질 수 있는지에 주목하게 한다.












