Samsung SDS

Executive Summary

• 단순한 기술 도입이나 일회성 PoC(개념 검증)를 넘어, 실제 비즈니스 가치를 창출하기 위해서는 데이터 기반의 정교한 성과 측정 체계와 전략적 접근이 필요합니다.
• 'AI 밸류 게이트(AI Value Gate)' 프레임워크를 통해 도입 타당성을 단계적으로 검증하고 업무 프로세스를 근본적으로 재설계함으로써, AI 도입의 불확실성을 제거하고 운영 효율성을 극대화할 수 있습니다.
• 기술 중심의 관점에서 벗어나 비즈니스 ROI(투자 대비 성과) 중심의 실행 체계를 구축함으로써, 기업은 지속 가능한 AI 확산과 실질적인 경영 성과 달성을 이룰 수 있습니다.

혹시 AI로 보고서를 쓰고, 그 보고서를 다시 AI로 요약하고 계신가요? 담당자는 AI로 보고서 초안을 작성하고, 부서장은 AI로 핵심 내용을 요약해 검토합니다. 이제는 낯설지 않은 업무 장면입니다. 그런데 AI로 보고서를 빠르게 완성해도 승인에 필요한 근거를 다시 찾고 여러 부서의 확인과 승인을 기다려야 한다면, 의사결정을 내리고 실제 실행에 옮기기까지 걸리는 시간은 크게 달라지지 않을 수 있습니다. AI로 개인의 작업시간은 줄었지만, 조직 전체의 업무 속도는 기대만큼 빨라지지 않는 것입니다. 이 때문에 개인이 체감하는 편리함과 경영진이 기대하는 성과 사이에 간극이 생깁니다.

IBM이 2025년 전 세계 CEO 2,000명을 대상으로 실시한 조사에서 응답자들은 최근 몇 년간 추진한 AI 프로젝트 중 기대한 투자수익률(ROI)을 달성한 비율이 4분의 1에 그쳤다고 답했습니다.^[1] 이 결과는 AI를 업무에 활용하더라도 투자에 걸맞은 성과를 얻지 못할 수 있다는 점을 보여줍니다.

따라서 AI의 성과를 평가할 때는 작업시간 절감이 업무 전체에 어떤 변화를 가져왔는지 폭넓게 확인해야 합니다. 전체 업무를 완료하는 데 걸린 시간을 줄였는지, 결과의 품질을 높였는지, 비용을 절감했는지까지 살펴야 합니다. 이 글에서는 AI 과제를 선별하는 단계부터 실제 업무에 적용하고 확대하기까지, 각 단계에서 가치를 검증하는 판단 기준인 ‘AI 밸류 게이트(Value Gate)’를 바탕으로 무엇을 확인하고 어떤 근거로 다음 투자를 결정해야 하는지 살펴봅니다.

AI 도입과 확장을 판단하는 흐름

AI로 작업을 수행할 수 있다는 사실만으로는 도입을 결정하기에 충분하지 않습니다. 기술적으로 가능한지와 실제 업무에 적용할 가치가 있는지를 구분해서 따져봐야 합니다. AI 과제를 시작할 때는 기대효과와 필요한 비용을 예상하지만, 실제 데이터로 테스트하고 업무에 활용하는 과정에서 데이터 품질 문제, 예상보다 큰 시스템 연동 비용, 낮은 활용도 같은 제약이 드러나기도 합니다. 따라서 처음의 기대만으로 개발과 확대를 이어가기보다, 각 단계에서 확인한 결과를 바탕으로 다음 투자가 타당한지 판단해야 합니다.

이 글에서 AI 밸류 게이트(Value Gate)는 과제의 각 단계에서 시간과 비용을 더 투입할 가치가 있는지 판단하는 의사결정 지점을 뜻합니다. 초기에는 기대효과를 검증해 볼 가치가 있는지, 검증에 필요한 조건을 갖췄는지 확인합니다. 이후에는 실제 효과와 비용을 비교해 과제를 계속 추진할지, 보완하거나 중단할지, 적용 범위를 확대할지 결정합니다. Coforge는 ‘Value Gates’에서 사업 가치, 기술적 실행 가능성, 데이터 준비 상태 등을 확인해 다음 투자를 뒷받침할 근거가 충분한지 판단하도록 안내합니다.^[2]

그렇다면 언제, 무엇을 근거로 판단해야 할까요? 판단 시점을 정하려면 과제의 추진 흐름부터 확인해야 합니다. Cooper의 RAPID(Roadmap for AI Procurement, Implementation, and Deployment)는 사업 타당성 수립, 솔루션 확보, 시범 적용, 본격 확산으로 이어지는 단계별 게이트 모델로, 신제품 개발 분야의 AI 도입을 중심으로 제안됐습니다.^[3] Junker와 Weinmann은 아이디어 발굴과 평가를 거쳐 프로토타입, 개발, 운영으로 이어지는 체계를 제시합니다.^[4] 이 글에서는 두 연구를 참고해 다음의 다섯 단계로 흐름을 재구성했습니다.

과제 발굴 및 선별 → 사업 타당성 평가 → 기술 확보 및 개념 검증 → 개발 및 시범 적용 → 운영 및 확대

여기서 개념 검증(PoC, Proof of Concept)은 정해진 범위에서 실제 데이터와 업무 조건을 활용해 AI의 실행 가능성과 효과를 확인하는 과정입니다. 각 단계의 주요 활동과 게이트에서 확인할 질문은 다음과 같습니다.

<표 1> AI 과제의 다섯 단계와 단계별 밸류 게이트

단계, 내용, 주요 활동, 다음 단계로 나아가기 전 확인할 질문 정보가 담겨있는 표

단계	내용	주요 활동	다음 단계로 나아가기 전 확인할 질문
1단계	과제 발굴 및 선별	목표한 비즈니스 결과와 업무 병목을 확인하고 AI에 맡길 일 구분	· 해결할 문제가 분명한가? · AI 적용을 검토할 이유가 있는가?
2단계	사업 타당성 평가	기대효과, 목표 지표, 데이터, 자원, 예상 비용, 검증 계획 검토	· PoC에 자원을 투입할 가치가 있는가? · 검증에 필요한 실행 조건을 갖췄는가?
3단계	기술 확보 및 개념 검증	적합한 기술을 선택하고 실제 데이터로 품질, 효과, 비용 검증	· PoC에서 정한 품질, 보안, 비용 기준을 충족하는가? · 기존 방식과 비교해 목표한 개선 수준을 달성했는가?
4단계	개발 및 시범 적용	담당자와 시스템을 연결하고 제한된 범위에서 실제 업무에 적용	· 확인과 수정 부담을 고려해도 업무 전체에서 효과를 얻었는가? ·운영 준비를 마쳤는가?
5단계	운영 및 확대	변화를 관리하며 효과를 유지하고 적용 범위 확대 검토	· 현재 업무에서 효과를 계속 얻고 있는가? · 확대할 업무에서도 성과를 낼 근거가 있는가?

주: Cooper(2026)^[3], Junker와 Weinmann(2026)^[4]의 단계별 평가 접근을 참고해 이 글의 목적에 맞게 통합, 재구성함.

<표 1>의 다섯 단계는 과제를 추진하는 순서를 보여주고, AI 밸류 게이트는 단계마다 추진 방향을 점검하는 역할을 합니다. 초기에는 검증에 투자할 가치가 있는지 판단하고, 과제가 진행될수록 실제 업무에서 확인한 효과와 비용을 근거로 판단합니다. 각 단계의 활동을 마쳤다고 해서 반드시 다음 단계로 나아가는 것은 아닙니다. 제약을 발견하면 필요한 앞 단계로 돌아가 과제 범위와 계획을 조정합니다.

1단계: 과제 발굴 및 선별 – 어떤 문제를 AI로 해결할 것인가

첫 번째 단계인 ‘과제 발굴 및 선별’에서는 어떤 비즈니스 결과를 바꿀지 정하고, 그 결과를 가로막는 업무의 병목 가운데 AI에 맡길 일을 구분합니다. AI가 수행할 수 있는 작업을 찾는 것만으로는 과제의 우선순위를 정하기 어렵습니다. 개별 작업이 빨라지더라도 업무 전체에 실질적으로 도움이 될지 살펴야 합니다.

기대효과를 판단하는 범위를 개별 작업에서 업무 전체로 넓힌다

한 시간 걸리는 작업을 AI로 10분 만에 끝낼 수 있다면 개별 작업에서는 50분을 줄일 수 있습니다. 하지만 업무 전체를 마치는 시간도 그만큼 줄어들지는 살펴봐야 합니다.

가상의 기업 A사 영업팀이 고객에게 제안서를 보내는 상황을 가정해 보겠습니다. AI가 고객 정보를 정리하고 제안서 초안을 작성하면 문서 준비 시간을 줄일 수 있습니다. 하지만 가격과 납기를 확인하고 수익성을 검토해 승인을 받는 데 며칠이 걸린다면, 고객이 실제 제안을 받아보는 시점은 크게 달라지지 않을 수 있습니다.

따라서 AI의 기대효과를 판단하는 범위를 ‘제안서 한 장을 만드는 작업’에서 고객 요청을 접수하고 제안서를 전달하기까지의 업무 전체로 넓혀야 합니다. 제안서를 더 빨리 전달하는 것이 수주율이나 매출 같은 비즈니스 결과에 어떤 도움이 될지도 살펴야 합니다. 기대효과는 개별 작업(Task), 업무 전체(Process), 비즈니스 결과(Business Outcome)의 세 범위로 나누어 검토할 수 있으며, A사 사례에 적용하면 다음과 같습니다.

<표 2> AI 기대효과의 판단 범위 및 주요 지표

판단 범위, 확인할 질문, 주요 지표 예시 (A사 영업팀 사례) 정보가 담겨있는 표

판단 범위	확인할 질문	주요 지표 예시 (A사 영업팀 사례)
개별 작업	AI로 작업시간과 수정 부담을 얼마나 줄일 수 있는가?	제안서 초안 작성시간, 초안 수정횟수
업무 전체	업무 시작부터 완료까지의 시간, 품질, 비용을 얼마나 개선할 수 있는가?	전체 처리시간, 승인 대기시간, 재작업률, 고객 응답기한 준수율, 투입 인력비용
비즈니스 결과	업무 개선이 어떤 사업 목표의 달성에 기여할 수 있는가?	수주율, 매출, 수익성

세 범위의 기대효과는 따로 검토하지 않고 서로 연결해서 확인해야 합니다. 초안 작성시간을 줄여도 승인 대기가 전체 일정의 대부분을 차지한다면, 제안서 전달 시점을 기대만큼 앞당기기 어려울 수 있습니다. 따라서 초안 작성시간을 줄이면 제안서를 더 일찍 전달할 수 있는지, 더 빠른 대응이 고객의 선택에 도움이 될지를 차례로 검토합니다. 다만 수주율이나 수익성은 시장 상황과 가격 경쟁력 등 여러 요인의 영향을 받으므로 변화 전체를 AI의 효과로 보기는 어렵습니다.

기대효과를 업무 전체에서 살펴보면 목표한 개선을 가로막는 병목도 찾을 수 있습니다. 제안서 작성이 병목이라면 AI가 직접적인 해결 수단이 될 수 있습니다. 반면, 가격과 납기 확인이나 승인 대기가 병목이라면 그 구간의 정보 흐름과 승인 구조를 먼저 점검해야 합니다.

BCG의 ‘Build for the Future 2025’에서도 AI 성숙도 상위 5%인 기업의 약 90%는 앞으로 AI 가치의 대부분이 업무 프로세스를 재설계하거나 새로 만드는 데서 나올 것으로 예상했습니다.^[5] 따라서 AI 과제를 발굴할 때는 풀어야 할 병목을 먼저 찾고, 그 원인을 해결하는 데 AI가 어떤 역할을 할 수 있는지 살펴야 합니다.

기대효과를 가로막는 업무의 병목을 찾는다

앞서 본 A사의 영업 제안 업무에서는 여러 담당자가 시스템에서 정보를 확인하고, 초안을 작성한 뒤 검토와 승인을 거칩니다. AI로 개별 작업의 시간을 줄이더라도, 단계 사이에서 정보를 다시 찾거나 다음 담당자의 처리를 기다려야 한다면 전체 처리시간은 기대만큼 줄지 않을 수 있습니다. 병목의 원인을 찾으려면 현재 업무에서 세 가지를 확인해야 합니다. 다음 담당자가 필요한 정보를 바로 활용할 수 있는지, 판단 권한과 승인 절차가 명확한지, 업무 전체의 성과를 관리할 책임자가 있는지입니다.

먼저 다음 담당자가 필요한 정보를 바로 활용할 수 있는지 확인해야 합니다. 앞서 인용한 IBM의 2025년 CEO 조사에서도 응답자의 50%가 최근의 빠른 투자로 조직 내 기술이 단절되고 파편화됐다고 답했습니다.^[1] A사에서도 제안서 초안을 빨리 작성해도 가격 정보가 별도 시스템에 있고 납기 정보는 다른 부서에서 관리한다면, 누군가는 이를 다시 찾아 확인해야 합니다.

다음으로 판단 권한과 승인 절차가 명확한지 확인합니다. 영업 담당자가 가격과 납기를 정해도 누가 어떤 기준으로 이를 확정할지 불분명하면 부서 간 문의와 검토를 반복할 수 있습니다. 거래의 위험도나 예외 여부와 관계없이 모든 건이 같은 승인 절차를 거치는 경우에도 대기시간이 길어질 수 있습니다.

마지막으로 업무 전체의 처리 시간을 관리할 책임이 분명한지 점검합니다. 영업, 검토, 승인 부서가 각자의 지표만 관리하면, <표 2>의 전체 처리시간을 책임지고 관리할 사람이 없을 수 있습니다. 이 경우 어느 부서에서 지연이 발생하는지 알아도 부서 간 개선 우선순위를 조정하기 어렵습니다.

이 세 가지 문제는 동시에 나타날 수 있습니다. 다음 담당자에게 정보를 제때 전달하지 않으면 검토와 승인이 늦어지고, 승인 기준이 불분명하면 판단에 시간이 더 걸립니다. 업무 전체를 조율할 책임자가 없다면 각 부서가 개별적으로 조정해도 이런 지연을 줄이기 어렵습니다.

따라서 병목을 찾았다면, 그 원인에 맞는 해결 수단을 선택해야 합니다. 정보가 흩어져 있다면 데이터 정비나 시스템 연계를, 판단이 늦어진다면 승인 기준과 절차를 검토합니다. 업무 전체를 관리할 책임자가 없다면 담당자와 관리 지표를 정합니다. 이 과정에서 여러 기록을 읽고 필요한 내용을 정리하거나 승인 전 검토 자료를 준비하는 부담을 AI로 줄일 수 있다면, 해당 작업을 AI 적용 후보로 선별합니다.

문제의 원인에 맞춰 AI에 맡길 일을 구분한다

이번에는 같은 A사의 재무팀 업무를 살펴보겠습니다. 재무팀은 매월 각 부서의 비용 집행 현황을 취합해 월별 비용 보고서를 작성합니다. 예산과 실제 집행 금액은 사내 시스템에서 조회하고, 계획 대비 차이의 원인과 향후 집행 계획은 각 부서의 엑셀과 이메일에서 확인합니다. 담당자는 이 내용을 찾아 읽고, 누락된 부분을 재문의하고, 수정 회신을 기록에 반영하는 작업을 매달 반복합니다. 이런 부담을 줄이기 위해 다음과 같은 방법을 떠올릴 수 있습니다.

“각 부서에서 받은 자료를 AI에 넣으면 월별 비용 보고서를 바로 만들 수 있지 않을까?”

다만 AI가 받은 자료만으로 보고서를 완성하려면, 비용 차이의 원인과 향후 집행 계획까지 자료에 담겨 있어야 합니다. 그런데 한 부서에서 교육비를 계획보다 적게 집행한 이유를 ‘집행 지연’이라고만 적었다면, 교육 일정이 미뤄진 것인지 대금 지급만 늦어진 것인지 알 수 없습니다. 심지어 얼마를 언제 집행할지도 적혀 있지 않습니다. AI가 문장을 매끄럽게 정리할 수는 있어도 필요한 사실을 새로 알아낼 수는 없습니다. 다른 기록에도 해당 내용이 없다면 담당자가 직접 그 부서에 확인해야 합니다.

따라서 “AI가 보고서를 작성할 수 있는가”를 묻기 전에 “반복과 지연은 왜 생기며, 그중 어디까지를 AI에 맡길 것인가”를 따져봐야 합니다. 시스템에 이미 있는 숫자를 반복 입력하는 일은 시스템 연계나 규칙 기반 자동화가 더 적합할 수 있습니다. 부서마다 요청과 회신의 상태를 다르게 기록한다면 업무 절차와 기록 방식을 먼저 정비합니다. 특정 부서에서 집행 금액이나 일정 등을 아직 정하지 않았다면, 담당자가 그 결정을 요청하고 확인해야 합니다. 반면 여러 파일과 이메일에 흩어진 설명을 찾아 일정한 형식으로 정리하고 누락 항목을 표시하는 일은 AI의 적용 후보가 될 수 있습니다.

이에 따라 A사는 AI의 역할을 ‘설명 정리 및 누락 확인 지원’으로 좁힐 수 있습니다. AI는 확보한 기록에서 비용 차이의 이유와 향후 집행 계획을 찾아 정리하되, 기록에 없는 정보를 추측해 채우지 않도록 해야 합니다. 필요한 정보가 없으면 ‘추가 확인 필요’로, 해당 부서가 아직 결정하지 않았다고 밝힌 내용은 ‘미확정’으로 표시하도록 합니다. 재무 담당자는 이 표시를 참고해 이미 결정했지만 자료에서 빠진 내용을 확인하거나, 아직 정하지 않은 금액과 일정에 대한 결정을 해당 부서에 요청할 수 있습니다. 이 사례의 핵심은 하나의 취합 업무에 섞여 있던 문제를 원인별로 나누고 시스템, 프로세스, 사람, AI가 각각 맡을 역할을 정하는 데 있습니다.^[6]

이 단계에서는 해결할 문제와 AI의 역할이 분명한지 확인합니다. AI에 맡길 일을 선별했다고 해서 바로 개발 투자를 결정해서는 안 됩니다. 다음 단계에서는 이 후보의 사업 타당성을 평가해 검증에 투자할지 결정합니다.

2단계: 사업 타당성 평가 – 검증에 투자할 가치가 있는가

두 번째 단계인 ‘사업 타당성 평가’에서는 선별한 과제의 기대효과와 목표 지표, 실행에 필요한 조건을 검토해 PoC에 시간과 비용을 투입할 가치가 있는지 판단합니다. Microsoft의 ‘AI 도입 계획 가이드’도 사업 문제에서 시작해 활용 과제를 구체화하고, 필요한 역량과 데이터, 기술 기반을 검토하는 접근을 제시합니다.^[7] 다만 실제 도입 효과는 이 단계에서 확인하지 않습니다. 여기서는 기대효과를 예상하고 무엇을 어떤 조건에서 검증할지 정합니다. 다음 단계의 PoC에서는 정해진 범위에서 실제 효과를 확인합니다.

기대하는 가치와 목표 지표를 정한다

비용 절감과 매출 증가 외에도 평가할 가치는 다양합니다. Accenture는 ‘360° Value’에서 재무 성과와 경험, 인재, 지속가능성 등 비재무적 가치를 두루 살펴봅니다.^[8] 따라서 AI 과제도 해결하려는 문제에 맞춰 어떤 가치를 기대하며, 무엇으로 그 효과를 확인할지 정해야 합니다.

앞서 A사는 여러 파일과 회신에서 필요한 설명을 찾고 정리하는 부담을 줄이기 위해 ‘설명 정리 및 누락 확인 지원’을 AI 적용 후보로 정했습니다. 사업 가치를 평가할 때는 이 작업의 개선이 비용 보고를 제때 마치고 필요한 정보를 확보하는 데 얼마나 도움이 될지 살펴야 합니다. AI로 설명을 빨리 정리해도 부서의 회신을 기다리는 시간이 대부분이라면 전체 취합 일정은 크게 달라지지 않을 수 있습니다. 따라서 먼저 현재 어디에 시간이 들고 재문의와 수정이 얼마나 발생하는지 확인합니다. 이 수준을 기준으로, 어떤 항목을 어느 정도 개선해야 추진할 가치가 있는지 정합니다. 보고에 필요한 정보를 얼마나 빠짐없이 확보할 수 있는지도 평가 항목에 포함합니다.

목표 지표를 정할 때는 ‘AI 결과의 품질을 보는 지표’와 ‘업무 개선을 보는 지표’로 구분해야 합니다.^[9] 재무팀 사례에서 누락 항목을 얼마나 정확하게 표시하는지, 근거 없이 내용을 채워 넣지는 않는지는 AI 결과 품질 판단 지표입니다. 설명 정리에 드는 시간, 취합 시작부터 검토 완료까지의 시간, 재문의/수정 건수는 업무 개선 지표입니다. 두 종류의 지표를 함께 살펴봐야 합니다. 예를 들어 전체 취합시간이 크게 줄지 않더라도 누락을 줄이고 보고에 필요한 정보를 더 충실하게 확보한다면 그 가치를 평가할 수 있습니다. 다만 일정 단축이 핵심 목표라면 정확한 누락 표시만으로 목표를 달성했다고 볼 수는 없습니다.

업무 개선 지표에는 현재 수준과 목표 수준을 기록하고, AI 결과의 품질에는 검증에서 충족해야 할 기준을 정합니다. 예상 도입 비용과 운영 비용도 검토해, 목표한 개선을 이루었을 때 투자할 가치가 있는지 살펴야 합니다. 아직 정확한 비용을 알기 어렵다면 추정에 사용한 가정과 PoC에서 추가로 확인할 항목을 구분해 둡니다.

실행 조건과 검증 계획을 확인한다

기대효과를 정했다면 PoC에 필요한 데이터와 접근 권한, 담당자, 예상 비용을 검토합니다. A사의 재무팀은 시스템 기록과 각 부서의 엑셀, 이메일을 기술적으로 가져올 수 있는지, 보안 조건과 접근 권한상 AI에 활용해도 되는지를 나누어 확인합니다. 여러 회신을 같은 비용 항목으로 연결할 수 있을지도 살펴야 합니다. 데이터 정비나 시스템 연계가 필요하다면, 그 작업과 비용을 AI 과제에 포함할지 별도 과제로 분리할지 정해 계획에 반영합니다. 자료와 권한을 확보할 수 있는지는 이 단계에서 검토하고, 그 자료로 AI가 쓸 만한 결과를 내는지는 다음 단계의 PoC에서 확인합니다.

이 단계의 평가는 사업 가치, 실행 가능성, 효과 검증의 세 관점으로 정리할 수 있습니다. 사업 가치에서는 검증에 투자할 이유를, 실행 가능성에서는 검증에 필요한 조건을, 효과 검증에서는 결과를 평가할 방법과 기준을 살핍니다. 세 관점은 순서대로 통과하는 별도의 단계가 아닙니다. 이후 PoC, 시범 적용, 운영에서도 각 단계에 맞게 적용하되, 실제로 확인한 효과와 비용을 판단 근거에 반영합니다. 다음 표는 관련 연구의 평가 절차와 성공 기준을 사업 타당성 평가 단계에 맞게 정리한 것입니다.^[10][11][12]

<표 3> 사업 타당성 평가에서 준비할 검증 계획

구분, 사업 가치, 실행 가능성, 효과 검증 정보가 담겨있는 표

구분	사업 가치	실행 가능성	효과 검증
핵심 질문	기대효과와 예상 비용을 고려할 때 검증에 투자할 가치가 있는가?	검증에 필요한 데이터와 업무 조건을 확보할 수 있는가?	PoC에서 어떤 결과를 확인해야 개발과 시범 적용을 추진할 것인가?
검토 항목	사업 목표와의 연관성, 업무 병목, AI의 역할 및 기대효과, 예상 도입 비용 및 운영 비용	데이터 확보 및 접근 가능성, 기록 간 연결, 보안 조건, 시스템 연계, 담당자	결과 품질, 확인 및 수정 부담, 업무 개선 효과, 비용 대비 효과를 평가할 방법 및 기준
준비할 근거	현재 업무시간, 재문의 및 수정 기록, 현업 요구, 개선 목표, 비용 추정 근거	데이터 표본 및 출처, 접근 권한, 필요한 정비 작업 및 예상 비용	대표 사례 및 예외 사례, 기존 방식과의 비교 계획, 측정 지표 및 판단 기준
주요 산출물	AI 과제 정의, 기대효과 및 예상 비용	데이터 및 자원 확보 계획	PoC 수행 및 평가 계획

주: Brunnbauer(2024)^[10], Bodendorf(2025)^[11], Studer et al.(2021)^[12]을 참고해 이 글의 사업 타당성 평가 단계에 맞게 재구성함.

이 단계에서는 PoC에 시간과 비용을 투입할 만큼 기대효과가 있는지, 검증에 필요한 자료와 자원, 계획을 마련했는지 판단합니다. 조건이 부족하다면 범위를 조정하거나 준비를 보완하고, 기대효과가 작거나 실행 조건을 갖추기 어렵다면 보류하거나 중단합니다. 검증에 투자할 이유와 준비 상태를 확인한 뒤 다음 단계로 나아갑니다.

3단계: 기술 확보 및 개념 검증 – 실제로 가능하고 효과가 있으며 비용을 들일 만한가

세 번째 단계인 ‘기술 확보 및 개념 검증’에서는 사업 타당성 평가에서 정한 범위와 판단 기준에 따라 적합한 기술을 선택하고 PoC를 수행합니다. 기술은 요구 기능, 데이터와 보안 조건, 도입 비용을 기준으로 후보를 비교해 선정합니다. A사라면 기록을 검색하고 설명을 정리하는 AI 기능을 검토한 뒤, 실제 비용 항목과 회신 자료로 테스트합니다. 제한된 범위에서 확인할 것은 실행 가능성, 결과 품질, 업무 개선 효과, 경제성입니다. PoC는 ‘AI로 할 수 있는가?’를 확인하고, 그 결과를 근거로 ‘이 과제를 계속 추진할 이유가 충분한가?’를 판단하는 단계입니다.

실제 데이터로 실행 가능성을 확인한다

사업적으로 의미 있는 후보라도 현재 데이터와 업무 조건에서 바로 실행할 수 있는 것은 아닙니다. A사에서는 시스템 기록, 각 부서의 엑셀, 이메일, 보완 회신을 사용해야 합니다. 이 자료를 확보하는 것만으로는 충분하지 않습니다. 각 기록이 어느 부서, 기간, 비용 항목에 해당하는지 식별하고, 수정 회신에서 최신 내용을 구분하며, 접근 권한과 보안 조건 안에서 사용할 수 있는지 확인해야 합니다.^[10][11]

예를 들어 “그 건은 다음 달로 미뤄졌습니다”라는 회신만으로는 어느 비용 항목을 의미하는지 알 수 없습니다. AI가 문장의 의미를 파악하더라도 해당 비용 항목과 연결하지 못하면 결과에 반영하기 어렵고, 이때는 ‘추가 확인 필요’로 표시해야 합니다. 업무 건별 식별 정보를 갖추고 기록 간 연결 관계를 파악할 수 있다면, AI로 여러 기록에 흩어진 정보를 찾아 정리할 수 있습니다. 반면 담당자가 아직 정하지 않았다고 밝힌 예정 금액 등은 ‘미확정’으로 표시하고, 해당 담당자가 결정하도록 남겨 둡니다. 이렇게 기록에서 확인할 수 있는 정보와 담당자의 결정이 필요한 정보를 구분해 앞 단계에서 정한 검증 범위와 처리 기준을 구체화합니다. 기록 식별과 연결 자체가 어렵다면 데이터나 업무 절차를 먼저 정비해야 합니다.

결과 품질과 업무 개선 효과를 검증한다

사용할 데이터와 AI의 역할을 정했다면, PoC에서 결과 품질과 업무 개선 효과를 앞 단계에서 정한 지표와 목표 수준으로 확인합니다. A사에서는 AI가 원문의 사실을 정확히 반영하는지, 정보가 없거나 기록이 충돌할 때 근거 없는 내용을 만들어내지 않는지, 결과의 근거를 다시 확인할 수 있는지 점검해야 합니다. NIST의 ‘AI Risk Management Framework (NIST AI 600-1)’에서도 실제 사용 맥락에 맞춘 평가와 잘못된 정보 생성 위험의 점검을 다룹니다.^[13] 정보 누락, 여러 차례 수정한 회신, 기록 간 불일치 같은 예외 상황을 검증에 포함하고, 각 상황에서 AI가 어떻게 처리해야 하는지 미리 정해 둡니다. 정보가 없으면 ‘추가 확인 필요’, 담당자가 정하지 않았으면 ‘미확정’으로 표시하고, 기록이 충돌하면 하나를 골라 단정하지 않고 충돌 사실을 표시하는 방식입니다.

AI의 효과는 업무 방식 자체를 개선했을 때 얻는 효과와 구분해서 봐야 합니다. 이를 위해 현재 방식, 업무 절차만 개선한 방식, 절차 개선에 AI까지 적용한 방식을 같은 업무량으로 비교합니다. 제출 양식의 필수 항목을 명확히 하고 회신을 비용 항목별로 연결하는 것만으로 재문의가 크게 줄어든다면, 이를 AI의 효과로 볼 수는 없습니다. 절차를 정비한 뒤에도 여러 기록을 읽고 변경 내용을 정리하는 부담이 남는다면, 정비한 상태를 기준으로 AI가 그 부담을 얼마나 추가로 줄일 수 있는지 확인합니다. 이때 비교는 AI의 결과를 확인하고 수정하는 시간까지 포함한 전체 처리 시간으로 합니다. 결과 품질이 좋아도 담당자가 원문을 처음부터 다시 읽거나 대부분의 내용을 수정해야 한다면 실제 업무 부담은 크게 줄지 않기 때문입니다.

AI 추가 효과와 비용을 비교해 다음 투자를 결정한다

비용도 앞서 구분한 세 방식으로 비교합니다. 같은 업무량과 비교 기간을 기준으로 데이터 준비와 시스템 연계에 드는 비용, 결과 확인과 수정에 필요한 인력 비용, 운영 비용을 계산합니다. AI 적용 방식에는 모델 사용료도 포함합니다. 인력 시간은 비용으로 환산하고, 초기 구축 비용과 반복적으로 발생하는 운영 비용은 구분해 기록합니다. 이때 PoC에서 실제로 확인한 비용과 이후 도입, 운영에 예상하는 비용도 나누어야 합니다. 그래야 AI로 얻을 추가 효과에 비해 얼마나 더 투자해야 하는지 판단할 수 있습니다.

검증 결과를 바탕으로 다음 추진 방향을 결정합니다. 품질과 보안 기준을 충족하고, 확인한 효과를 고려할 때 도입과 운영에 비용을 투입할 가치가 있다면 개발과 시범 적용으로 나아갑니다. 효과를 기대할 수 있어도 데이터나 업무 연결에 문제가 남아 있다면 해당 부분을 보완한 뒤 다시 검증합니다. 절차 개선만으로 앞 단계에서 정한 목표를 달성할 수 있고 AI의 추가 효과가 작다면, AI 도입을 보류하고 절차 개선을 추진합니다. 시간 절감이 핵심 목표인 과제에서 AI가 줄여 준 작업시간보다 확인과 수정에 드는 시간이 같거나 길다면 적용 범위를 줄이거나 방식을 바꿉니다. 한편 품질 개선 등 다른 기대효과와 추가 비용까지 검토해 투자할 가치가 부족하다면 보류하거나 중단합니다.

이 단계에서 확보한 근거로 개발과 시범 적용에 투자할지 판단합니다. 제한된 범위의 PoC에서 효과를 확인했다고 전사 확대를 바로 결정할 수는 없습니다. 다음 단계에서는 AI의 결과를 담당자의 확인과 승인, 시스템 처리에 연결하고, 실제 업무 전체에서도 기대한 효과를 얻을 수 있는지 확인합니다.

4단계: 개발 및 시범 적용 – 업무 전체의 효과로 이어지고, 운영할 준비가 되었는가

네 번째 단계인 ‘개발 및 시범 적용’에서는 사업 타당성 평가에서 정한 목표 지표와 PoC에서 확인한 AI의 역할을 바탕으로, AI의 결과가 담당자의 판단과 시스템 처리로 이어지게 설계하고 제한된 범위에서 실제 업무에 적용합니다. AI가 만든 결과를 누가 받아 어떤 판단을 하고 다음 업무를 처리할지까지 정해야 업무가 끝납니다. A사에서도 AI가 누락 항목을 표시하는 데 그치면 비용 취합 업무는 끝나지 않습니다. 재무 담당자는 표시한 항목을 보고 추가 문의를 보내고, 해당 부서 담당자의 회신을 받아 확정한 내용을 반영해야 합니다.

시범 적용할 범위와 역할을 구체화한다

먼저 PoC에서 확인한 제약을 반영해 시범 적용할 업무 범위를 정합니다. A사라면 일부 부서의 정기 비용 취합을 대상으로 설명 정리부터 누락 확인, 재문의와 회신 반영까지를 하나의 범위로 묶을 수 있습니다. 예산 변경 승인이나 예외적인 회계 판단은 제외하되, 이런 건이 생기면 누가 별도로 처리할지 정합니다. 포함하거나 제외할 업무와 담당자의 역할을 명확히 해야 적용 전후의 결과를 같은 기준으로 비교할 수 있습니다. 적용 범위와 목표 지표는 다음 틀로 한 문장에 정리할 수 있습니다.

우리 회사는 [대상 업무]에서 [업무상의 문제]를 해결하기 위해 [어디부터 어디까지의 업무]를 개선하고, [제외할 업무]를 제외하며, [목표 지표]와 [품질 기준]으로 효과를 확인한다.

A사 재무팀의 경우 이 틀은 다음과 같습니다.

A사 재무팀은 월별 비용 취합에서 설명을 확인하고 반복적으로 재문의하는 부담을 줄이기 위해, 일부 부서의 정기 비용 취합을 설명 정리부터 누락 확인, 재문의와 회신 반영까지 개선한다. 예산 변경 승인과 예외적인 회계 판단은 제외하며, 취합 시작부터 검토 완료까지의 시간과 동일 항목에 대한 반복 재문의 건수를 목표 지표로, 누락 표시 정확도를 품질 기준으로 확인한다.

이 목표를 달성하려면 어느 업무를 어떻게 바꿔야 할지 살펴보고, 담당자와 시스템 사이의 연결을 설계합니다. 예를 들어 재문의 이후 회신 대기가 주요 병목이라면, AI로 설명 정리를 지원하는 것만으로는 전체 취합 일정이 줄지 않습니다. 회신 담당자와 기한, 미회신 확인 절차도 함께 정해야 합니다. 과제를 선별할 때 구분했던 AI, 사람, 기존 시스템의 역할을 실제 처리 절차로 구체화합니다.^[6]

정보와 판단을 후속 처리로 연결한다

다음 담당자가 필요한 정보를 바로 활용할 수 있도록 데이터를 준비해야 합니다. 어떤 정보를 기준으로 삼을지, 누가 최신 상태를 유지할지 정하고, 담당자에게 필요한 접근 권한을 부여합니다. A사에서는 AI가 정리한 설명과 그 근거가 되는 기록, 추가로 확인할 항목을 재무 담당자가 한꺼번에 볼 수 있도록 구성합니다.

AI가 업무를 지원하려면 필요한 정보를 조회할 수 있어야 하고, 실행까지 맡기려면 해당 시스템에서 업무를 처리할 기능과 권한이 필요합니다. 다른 업무의 구현 예시이지만, 고객지원 에이전트에서도 고객 데이터와 주문 이력을 조회하는 기능과 환불이나 지원 티켓을 처리하는 기능처럼 성격이 다른 기능을 각각 다른 도구로 연결합니다.^[14] A사 역시 정보를 읽고 정리하는 역할과 확인한 내용을 확정하고 반영하는 역할을 나눕니다.

AI는 설명을 정리하고 누락 항목을 표시합니다. 재무 담당자는 추가 문의 여부를 판단하고 ‘미확정’ 내용은 해당 부서 담당자에게 결정을 요청합니다. 해당 부서가 금액이나 일정을 확정해 회신하면 재무 담당자는 그 내용을 해당 비용 항목에 연결해 관리합니다.

판단과 승인 절차도 명확해야 합니다. McKinsey의 2025년 조사에서는 AI 고성과 기업일수록 AI 결과를 언제, 어떻게 사람이 검증할지 정해 둔 경우가 많았습니다.^[15] 이 단계에서도 사람이 검증할 시점과 기준을 정하고, 승인을 마친 내용을 누가 시스템에 반영하고 후속 조치를 맡을지 정합니다. 모든 건이 같은 승인 절차를 거치지 않도록, 업무의 위험도와 예외 여부에 따라 사람이 확인할 항목과 승인 수준을 구분합니다. 시스템의 정보를 변경할 때는 필요한 권한을 갖추고 승인 절차를 따르며, 처리 이력을 남겨 누가 어떤 근거로 판단하고 변경했는지 나중에 확인할 수 있게 합니다.

업무 전체의 효과와 운영 준비를 확인한다

개별 기능을 구현한 뒤에도 업무 전체의 결과를 측정해야 합니다. 앞서 인용한 BCG의 ‘Build for the Future 2025’에서도 AI 가치를 엄격하게 추적하는 기업의 비율이 AI 성숙도 상위 5%인 기업에서는 60%를 넘은 반면 정체 기업군에서는 17%였습니다.^[5] AI를 적용한 업무는 전체 처리시간과 비용, 오류, 재작업 수준을 목표와 비교하며 관리합니다.^[16]

현업은 AI의 결과가 업무에 적합한지 확인하고, IT는 데이터 연결과 시스템 안정성을 관리합니다. 그러나 두 영역을 잘 관리해도 부서 간 회신이 늦으면 전체 취합 일정을 앞당기기 어렵습니다. 업무 전체의 처리시간과 품질을 책임지는 담당자는 각 단계의 결과를 종합해 검토하고, 남아 있는 병목과 부서 간 개선 우선순위를 조정합니다. 이 담당자는 사업 타당성 평가에서 정한 목표 수준을 기준으로 어떤 지표를 언제 확인할지, 목표에 미치지 못할 때 무엇을 바꿀지를 적용 전에 정합니다. 최종 결정권자도 미리 정합니다.

시범 적용을 마치면 정한 범위에서 목표한 변화가 나타났는지, 사용자가 실제로 활용했는지, 확인/수정, 운영에 든 비용이 예상 범위 안에 있는지 평가합니다. 이때 적용 전후는 같은 기준으로 비교합니다. 운영 담당자와 지원 절차를 정했는지, 오류나 장애가 발생했을 때 누가 어떻게 대응할지, 사용자가 업무 처리 방법과 주의사항을 숙지했는지도 확인합니다.

평가와 점검 결과에 따라 지속 운영, 보완, 중단 중 하나를 결정합니다. 업무 전체에서 목표한 효과를 확인하고 품질과 비용 기준을 충족했으며 운영 준비까지 마쳤다면 지속 운영을 결정합니다. 근거가 부족하거나 준비가 미흡하면 업무 연결 구조, AI의 역할, 운영 절차를 보완한 뒤 다시 확인합니다. 보완해도 기준을 충족하기 어렵다면 적용 범위를 줄이거나 보류하거나 중단합니다. 시범 적용에서 확인한 효과는 정한 범위의 결과이므로, 다른 업무로 확대할지는 다음 단계에서 해당 업무의 조건까지 살펴 판단합니다.

5단계: 운영 및 확대 – 효과를 유지하고 넓힐 수 있는가

다섯 번째 단계인 ‘운영 및 확대’에서는 시범 적용에서 확인한 효과를 운영에서도 계속 얻고 있는지 점검하고, 다른 업무에서도 목표한 효과를 낼 수 있을지 판단합니다. 운영 중에는 데이터와 업무 조건이 달라질 수 있고, 다른 부서로 확대하면 새로운 예외가 생길 수 있습니다. 따라서 변화에 대응할 운영 방식을 갖추고, 여러 업무에서 재사용할 공통 기반과 업무별로 조정할 부분을 나누어 설계해야 합니다.

데이터와 시스템의 변화를 관리하는 운영체계

AI가 여러 시스템의 정보를 활용할수록 데이터와 시스템의 변화가 결과에 미치는 영향도 관리해야 합니다. A사에서도 비용 항목의 분류나 회신 양식이 바뀌면 기존 기록과 새 기록을 연결하는 방식부터 점검해야 합니다. 데이터 구조나 접근 권한, 기준 시점이 바뀌면 필요한 정보를 조회하지 못하거나 잘못된 결과가 나올 수 있기 때문입니다. 머신러닝 시스템의 유지보수를 다룬 연구에서도 데이터 의존성과 시스템 간 연결은 지속적인 유지보수 부담을 높이는 요인으로 제시합니다.^[17][18] 따라서 기준 정보를 최신 상태로 유지하고, 시스템이 바뀔 때마다 영향을 점검합니다. 문제가 생기면 사람이 직접 처리하거나 기존 절차로 전환할 수 있어야 하며, 원인을 추적할 처리 이력과 변경 기록도 남깁니다.

운영 중에도 시범 적용에서 정한 목표 지표를 같은 방식으로 계속 확인합니다. 취합 시작부터 검토 완료까지의 시간, 반복 재문의 건수, 누락 표시 정확도를 확인하고, 사용자의 활용 정도와 운영 비용도 정기적으로 점검합니다. 업무 전체의 처리 시간과 품질을 책임지는 담당자가 이 결과를 주기적으로 검토하고, 기준에 미치지 못하면 원인을 찾아 보완합니다.

현업과 IT가 함께 개선하는 운영 방식

운영 중에는 데이터가 바뀌고 업무 규칙과 예외 조건도 달라집니다. 예를 들어 회계 기준이 바뀌어 비용 항목의 분류를 조정해야 한다면, 재무 담당자는 새 분류 기준과 예외 처리 방식을 정하고 IT 담당자는 이를 데이터와 시스템 기능, AI의 처리 방식에 반영합니다. 변경 사항은 운영에 적용하기 전에 대표 사례와 예외 사례로 점검하고, 적용 후에도 실제 업무에서 의도한 대로 작동하는지 확인합니다. 사용 지침과 교육 내용도 변경 사항에 맞춰 수정합니다.

운영 기준은 업무에 적용되는 규제와 보안 요건에도 맞춰야 합니다. NIST의 ‘AI Risk Management Framework (NIST AI 100-1)’도 산업과 용도에 맞춘 위험관리 기준에 법적, 규제 요건과 조직의 우선순위를 반영하도록 제시합니다.^[19] 금융, 공공, 제조 등 업종별 특성과 해당 업무의 규제, 보안, 서비스 연속성, 기록 요건을 고려해 운영 기준을 조정합니다.

검증된 방식을 확장하는 공통 기반

운영 방식을 정비한 뒤 다른 부서나 업무로 확대할 때는 공통으로 재사용할 부분과 업무별로 조정할 부분을 구분해야 합니다. 데이터 조회, 접근 권한 관리, 처리 이력 기록, AI 배포, 모니터링 같은 기능은 여러 과제에서 공통으로 활용할 수 있습니다. 반면 비용 항목의 분류처럼 업무 판단에 필요한 기준은 업무마다 달라 각각 맞춰야 합니다. 과제마다 이 기능을 따로 마련하면 같은 기능을 반복해서 개발하고 관리하게 되므로, 공통 기능을 표준화하고 업무별 판단 기준과 예외 조건을 조정하면 부담을 줄일 수 있습니다. 다만 공통 기반도 투자이므로, 확대 후보가 여러 개인지와 재사용으로 줄일 수 있는 비용을 비교해 구축 시점과 범위를 정합니다.

공통 기능을 재사용할 수 있어도 새로운 업무에서 같은 효과가 난다고 단정할 수는 없습니다. 예를 들어 재무팀의 방식을 앞서 본 영업 제안 업무로 넓힌다면, 제안서 전달이 늦어지는 원인이 초안 작성이 아니라 가격과 납기 확인, 승인 대기에 있을 수 있습니다. 이 경우 같은 AI 기능을 붙여도 전체 처리시간은 크게 달라지지 않습니다. 따라서 확대할 업무의 병목, 데이터와 처리량, 예외 유형, 담당자의 역할을 시범 적용 때의 조건과 비교하고, 차이가 크면 해당 업무를 새 과제로 보아 사업 타당성 평가나 PoC부터 다시 진행합니다.

운영을 유지하거나 적용 범위를 확대한 뒤에도 처리시간과 품질, 운영 비용이 목표한 수준을 충족하는지 확인해야 합니다. 데이터나 업무 범위, 비용 구조가 크게 바뀌면 AI 밸류 게이트를 다시 적용해 운영을 계속하거나 추가로 투자할 가치가 있는지 다시 판단합니다. 이를 위해 정기 점검 주기와 변경 시 추가로 점검할 조건을 미리 정해 둡니다.

현재 업무에서 목표한 효과를 얻고 품질과 비용 기준을 충족한다면 운영을 유지합니다. 현재 운영의 효과가 기대에 미치지 못하면 달라진 조건과 남은 병목을 살펴 적용 범위와 처리 방식을 보완합니다. 보완해도 효과와 비용 기준을 충족하기 어렵다면 해당 범위의 적용을 중단합니다. 다른 업무로 확대하는 것은 현재 업무의 효과를 확인한 뒤의 일입니다. 다른 업무로 확대할 때는 해당 업무에서도 목표한 효과를 낼 수 있는지, 이를 위해 어떤 준비와 추가 비용이 필요한지 별도로 검토합니다. 확대 근거가 부족하다면 현재 범위에서 운영을 이어가며 후보 과제를 보완하거나 확대를 보류합니다.

결론

일은 빨라졌는데 성과가 그대로인 이유는 개별 작업의 속도에서 멈추고, 그 효과가 업무 전체로 이어지는지 확인하지 않았기 때문입니다. AI로 보고서를 빠르게 작성해도 근거를 다시 찾고 승인을 기다리는 시간이 길다면 조직 전체의 업무 속도는 기대만큼 빨라지지 않을 수 있습니다.

AI 성과를 높이려면 어떤 비즈니스 결과를 바꿀지 먼저 정합니다. 업무의 병목을 찾아 AI에 맡길 일을 고르고, 검증에 투자할 가치가 있는지 판단한 뒤, PoC에서 실제 효과와 비용을 확인합니다. 개발과 시범 적용에서는 담당자의 판단과 시스템 처리를 연결해 업무 전체의 효과를 검증합니다. 운영 중에는 그 효과를 유지하는지 점검하고, 다른 업무로 확대할 때는 해당 업무의 목표와 조건에 맞춰 투자 가치를 다시 판단합니다.

AI 과제를 선별하고 검증해 실제 업무에 적용한 뒤에도, 운영 결과와 달라진 조건에 따라 과제 범위와 투자 계획을 다시 검토해야 합니다. AI 밸류 게이트에서는 이때까지 확보한 근거를 종합해 과제를 계속 추진할지, 과제를 보완하거나 중단할지, 적용 범위를 확대할지 판단합니다. 앞 단계를 마쳤다고 해서 반드시 다음 단계로 나아가는 것은 아닙니다. 어떤 효과를 기대했고 무엇을 실제로 확인했는지, 남아 있는 제약과 비용을 감수할 가치가 있는지를 근거로 결정합니다. 추진할 이유가 있는 과제를 고르고, 업무 전체에서 실제 효과를 확인하며 투자 범위를 정합니다. 이렇게 단계마다 근거를 쌓아 가면 AI 도입과 확장을 비즈니스 성과에 맞춰 결정할 수 있습니다.

References

• IBM. (2025.5.6.). IBM Study: CEOs Double Down on AI While Navigating Enterprise Hurdles. IBM Newsroom. https://newsroom.ibm.com/2025-05-06-ibm-study-ceos-double-down-on-ai-while-navigating-enterprise-hurdles
• Meave González, D. A. (n.d.). Value-First AI Project Management and Value Gates: A Framework for AI-Native Projects. Coforge. https://blog.coforge.com/blog/value-first-ai-project-management-and-value-gates-a-framework-for-ai-native-projects (확인일: 2026.10.26.)
• Cooper, R. G. (2026). Driving Business Value: A Strategic Framework for AI Adoption and Deployment Success. IEEE Engineering Management Review. https://doi.org/10.1109/EMR.2026.3660823
• Junker, S., & Weinmann, I. (2026). Managing Data & Analytics Use Cases. Schmalenbach Journal of Business Research, 78, Article 16. https://doi.org/10.1007/s41471-026-00254-9
• Apotheker, J., Beauchene, V., de Bellefonds, N., Forth, P., Franke, M. R., Grebe, M., Kataeva, N., Kirvelä, S., Kleine, D., de Laubier, R., Lukic, V., Luther, A., Martin, M., Walters, J., & Schweizer, C. (2025. 9.). The widening AI value gap: Build for the Future 2025. Boston Consulting Group. https://www.bcg.com/assets/2025/the-widening-ai-value-gap.pdf
• Google People + AI Research. (2019.5.8.). People + AI Guidebook: User needs + defining success. Google. https://pair.withgoogle.com/chapter/user-needs/
• Microsoft. Plan for AI adoption. Microsoft Learn. https://learn.microsoft.com/en-us/azure/cloud-adoption-framework/ai/plan (확인일: 2026.10.26.)
• Accenture. (2024). Reinvention in the age of generative AI. https://www.accenture.com/content/dam/accenture/final/accenture-com/document-2/Accenture-Reinvention-in-the-age-of-generative-AI-Report.pdf
• Google. Framing an ML problem. Google for Developers. https://developers.google.com/machine-learning/problem-framing/ml-framing
• Brunnbauer, M. (2024). Methods and models for the identification and evaluation of AI use cases [Doctoral dissertation, Johannes Gutenberg University Mainz]. JGU Open Science Repository. https://doi.org/10.25358/openscience-10945
• Bodendorf, F. (2025). A data-driven use case planning and assessment approach for AI portfolio management. Electronic Markets, 35(1), Article 22. https://doi.org/10.1007/s12525-025-00759-x
• Studer, S., Bui, T. B., Drescher, C., Hanuschkin, A., Winkler, L., Peters, S., & Müller, K.-R. (2021). Towards CRISP-ML(Q): A machine learning process model with quality assurance methodology. Machine Learning and Knowledge Extraction, 3(2), 392-413. https://doi.org/10.3390/make3020020
• Autio, C., Schwartz, R., Dunietz, J., Jain, S., Stanley, M., Tabassi, E., Hall, P., & Roberts, K. (2024). Artificial intelligence risk management framework: Generative artificial intelligence profile (NIST AI 600-1). National Institute of Standards and Technology. https://doi.org/10.6028/NIST.AI.600-1
• Anthropic. (2024.12.19.). Building effective agents. https://www.anthropic.com/research/building-effective-agents
• McKinsey & Company. (2025.11.5.). The state of AI in 2025: Agents, innovation, and transformation. https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-state-of-ai-2025
• International Organization for Standardization. (2015). The process approach in ISO 9001:2015. https://www.iso.org/files/live/sites/isoorg/files/archive/pdf/en/iso9001-2015-process-appr.pdf
• Google Cloud. (2024.8.28.). MLOps: Continuous delivery and automation pipelines in machine learning. Google Cloud Architecture Center. https://docs.cloud.google.com/architecture/mlops-continuous-delivery-and-automation-pipelines-in-machine-learning
• Sculley, D., Holt, G., Golovin, D., Davydov, E., Phillips, T., Ebner, D., Chaudhary, V., Young, M., Crespo, J.-F., & Dennison, D. (2015). Hidden technical debt in machine learning systems. In C. Cortes, N. D. Lawrence, D. D. Lee, M. Sugiyama, & R. Garnett (Eds.), Advances in Neural Information Processing Systems 28 (pp. 2503-2511). Curran Associates, Inc. https://proceedings.neurips.cc/paper_files/paper/2015/hash/86df7dcfd896fcaf2674f757a2463eba-Abstract.html
• Tabassi, E. (2023). Artificial intelligence risk management framework (AI RMF 1.0) (NIST AI 100-1). National Institute of Standards and Technology. https://doi.org/10.6028/NIST.AI.100-1

FAQ