Samsung SDS

Executive Summary

• 사원증 없는 동료: 출퇴근도, 사원증도 없지만 프로젝트에는 빠지지 않아요. AI는 우리 옆에서 함께 고민하고, 결과물을 함께 만드는 동료예요.
• 마우스를 놓는 용기: 내가 직접 하는 게 빠를 것 같은 유혹을 참아야 해요. 우리는 이제 전략가이자 감독으로 위치를 바꿔요.
• 진짜 일은 그다음부터: 야근을 줄이는 것도 분명한 성과지만, 아낀 시간을 어디에 쓰는지에서 진짜 차이가 생겨요.
• 지식의 복리 효과: 한 사람의 노하우를 AI에게 가르치면, 그 지식은 팀 전체의 자산이 돼요. 대신 검증과 갱신은 반드시 필요해요.

Intro.

우리 팀에 오신 것을 환영합니다

팀에 새 멤버가 들어왔어요. 그런데 좀 특이해요. 자기소개도 없었고, 환영 점심도 없었어요. 프로필 사진도, 사원증도 없고요. 그런데 이상하게도 프로젝트에는 빠지지 않아요. 시장 조사를 해내고, 고객 인터뷰를 시뮬레이션하고, 전략 보고서 초안을 써내요.

이들의 정체는 AI예요. 각자 잘하는 분야가 다른 AI들이 우리 팀에 합류했어요. 우리는 이들에게 'AI 프로님'이라는 별명을 붙여줬어요. 인간 프로님처럼 각 분야를 진짜로 잘 아는 동료라는 의미예요. 우리가 수많은 프로젝트에서 쌓은 경험, 실패에서 배운 교훈, '다음엔 이렇게 하자'고 메모했던 것들을 체계적으로 학습한 존재들이거든요.

이 새로운 멤버들이 합류하면서 우리의 역할도 달라졌어요. 엑셀 파일을 정리하고, 취합하고, 보고서를 쓰고 또 쓰던 일은 줄어들고 있어요. 이제 우리는 AI 프로님들에게 그들이 잘하는 일을 맡기고, 전체 그림을 그리는 감독이 됐어요. 영화감독이 촬영·편집·음악을 직접 하지 않지만 전문 팀을 이끌어 하나의 작품을 완성하듯, 우리도 AI 프로님들과 함께 하나의 고객 경험을 설계해 나가고 있어요.

Signals of Change.

도구에서 협업 주체로, AI의 역할이 달라진다

AI를 단일 작업의 속도를 높이는데 쓰던 조직이 이제는 목표를 받아 여러 단계를 이어 수행하게 하고 있어요. 그래서 "AI를 쓰는가"보다 "AI에게 어떤 역할을 맡기고, 어디에서 사람이 판단하는가"를 물어야 해요.

도구에서 역할로

'에이전틱 AI(Agentic AI)'는 한 번의 질문에 답하는 데서 멈추지 않고, 주어진 목표에 맞춰 필요한 단계를 계획하고 실행하는 AI예요. 자료 조사, 분석, 초안 작성처럼 성격이 다른 작업을 각각의 전문 AI가 나눠 맡고, 결과를 다음 단계로 넘기는 방식이 가능해지고 있어요.

예전에는 한 사람이 자료를 찾고 분석한 뒤 보고서를 쓰거나, 여러 담당자의 결과를 다시 취합했어요. 이제는 조사 AI가 근거를 모으고, 분석 AI가 패턴을 찾고, 작성 AI가 초안을 준비할 수 있어요. 사람은 목표와 판단 기준을 정하고, 출처와 품질을 검토하며, 예외 상황에서 최종 결정을 내려요.

AI가 잘하는 일이 늘어난다고 사람의 역할이 사라지는 것은 아니에요. 오히려 무엇을 맡길지 정하고, 맥락을 충분히 설명하고, 결과의 의미와 책임을 판단하는 일이 더 중요해져요. 즉, 업무 흐름과 역할, 검토 방식까지 함께 바뀌어야 하는 거예요.

모두가 오케스트레이터가 되는 조직

이 변화는 개인의 업무 방식을 넘어 조직의 운영 방식까지 새롭게 바꿔요. 직급과 무관하게 구성원이 필요한 AI를 조합하고, 일을 나누고, 진행 상황을 확인하는 일들이 늘어나고 있어요. 신입도 반복 작업을 AI에 맡기고 더 일찍 판단과 검토에 참여할 수 있지만, 그만큼 결과를 평가하는 기준과 훈련 과정이 함께 필요해요.

조직이 정해야 할 것도 구체적이에요. 어떤 업무를 AI에 맡길지, 어느 범위까지 실행 권한을 줄지, 어떤 신호에서 멈추게 할지, 결과에 대한 책임은 누가 질지 등의 규칙들이죠. 에이전트가 많아질수록 사람의 관리 부담도 커질 수 있으므로, 자동화의 양보다 역할과 인수인계의 명확성이 먼저예요.

경쟁력의 새 기준

그래서 조직이 넘어야 할 벽은 도입 다음 단계에 있어요.

"우리 직원들이 AI에게 일을 얼마나 잘 맡길 수 있는가?" "AI가 낸 결과물을 사업 목표에 얼마나 정확하게 연결할 수 있는가?"

고객 경험(CX) 분야에서는 이 변화가 선명해요. 고객이 서비스를 처음 알게 된 순간부터 계속 쓰는 순간까지, 여정의 설계부터 테스트, 개선까지 여러 단계에 AI가 참여하고 있기 때문이에요.

CX Case

노하우를 가르치면, AI는 동료가 된다

[삼성SDS CX팀] AI 프로님 생태계 with Double Diamond

더블 다이아몬드 네 단계마다 전담 AI 프로님. 조사·설계 초안 기간이 기존 3~4주에서 1주 이내로, 약 70% 단축됐어요.

무엇을 바꿨나

출발점은 간단한 질문이었어요. "우리 팀이 프로젝트마다 반복하는 일은 뭘까?" 답을 찾기 위해 프로젝트 흐름을 디자인 분야의 '더블 다이아몬드' 틀로 네 단계로 나눴어요. ① Discover(시장과 고객을 살핀다) → ② Define(문제를 정의한다) → ③ Develop(해결책을 개발한다) → ④ Deliver(실제로 적용한다). 이 단계에서 매번 반복되는 작업을 찾아내고, 각 작업을 가장 잘 아는 사람의 노하우를 AI에게 가르쳤어요.

어떻게 작동하나

현재 네 명의 AI 프로님이 더블 다이아몬드의 앞 구간을 맡고 있어요.

●   시장 조사 프로님, 시장을 읽는 눈
모든 프로젝트는 시장 파악에서 출발해요. 예전에는 팀원 한 명이 며칠을 매달렸어요. 같은 유형의 조사인데도 매번 처음부터 시작해야 했거든요. 수십 개 프로젝트에서 축적한 노하우, 즉 어디서 자료를 찾는지, 어떤 구조로 정리하는지, 빠뜨리면 안 되는 항목이 뭔지를 가르쳤더니, 며칠 걸리던 시장 조사가 몇 시간 안에 끝나요.

●   리서치 설계 프로님, 조사 계획을 짜는 전략가
어떤 고객 그룹을 먼저 볼지, 설문인지 인터뷰인지, 어떤 가설을 검증할지. 경험이 꽤 쌓여야 잘하는 일이에요. 이 프로님은 시장 조사 결과를 받으면 검증할 가설·인터뷰 대상 조건·질문 방향이 담긴 조사 계획서를 구성해요.

●   페르소나 프로님, 가상의 고객을 만드는 프로
"30대 직장인 김민수 씨는 퇴근 후 스마트폰으로 쇼핑하고, 리뷰를 꼼꼼히 읽는다." 이런 구체적 인물상을 그리는 작업이에요. 앞 단계의 시장 분석과 조사 설계를 바탕으로, 이 프로젝트에서 실제로 만날 법한 가상 고객을 구성해요. 이 페르소나가 현실적인지 판단하는 건 사람의 몫이에요.

●   인터뷰 프로님, 고객의 진짜 이야기를 끌어내는 전문가
질문지 초안을 검토하고, 실제 인터뷰 전에 가상 인터뷰를 미리 돌려봐요. "이 질문은 유도적이다", "이 주제를 빠뜨렸다"를 사전에 잡아내죠. 실제 인터뷰 후에는 가상 응답과 실제 응답을 비교하면서 예상하지 못한 인사이트를 발굴하기도 해요. 각 AI 프로님은 실제 프로젝트에서 효과가 검증된 후에 정식으로 등록되어 다른 프로젝트에도 쓰여요.

왜 중요한가

핵심은 '현장 지혜'가 어디에 남느냐에 있어요. 프로젝트마다 쌓이는 방법과 실패에서 얻은 교훈, "다음엔 꼭 이렇게 하자"는 회고 기록이 개인의 머릿속이나 흩어진 문서에만 있을 때는 담당자가 바뀌면 이어지기 어려웠어요. 이를 AI 프로님에 반영하고 계속 관리하면, 개인에게 머물던 노하우를 팀이 반복해 활용할 수 있어요.

도입 시 고민 지점

이 체계가 처음부터 잘 돌아가지는 않았어요. 초기에는 가르치는 노하우의 수준이 들쭉날쭉했고, 어떤 프로님은 너무 일반적인 결과만, 어떤 프로님은 특정 업종에 편향된 답을 줬어요. '이렇게 해'라는 지시만으로는 부족했고, '이런 상황에서 우리는 이렇게 판단했고, 이유는 이것이다'라는 맥락까지 담아야 품질이 균일해졌어요. 빈 퍼즐도 남아 있어요. 지금의 프로님들은 Discover·Define 단계에 몰려 있어요. 이 구간은 정답 없이 가능성을 탐색하는 영역이라 100% 정확하지 않아도 아이디어의 씨앗으로 가치가 있지만, Develop·Deliver 단계는 조직의 디자인 시스템, 고객사의 구체적 제약, 이해관계자 조율처럼 AI가 다루기 어려운 정밀함이 필요해요. 더 세밀한 맥락을 다룰 수 있도록 차츰 범위를 넓혀갈 계획이에요.

[글로벌 · 제약·바이오] Moderna: 자기 업무용 AI를 직원이 직접 만든다

중앙 IT 대신 직원이 직접 만드는 커스텀 GPT. 두 달 만에 750개 넘게 생겼어요.

무엇을 바꿨나

mRNA 백신으로 알려진 Moderna는 OpenAI와 협력해 ChatGPT Enterprise를 수천 명 규모의 직원에게 배포하면서, 한 가지 특이한 결정을 내렸어요. 중앙 IT 부서가 업무별 도구를 일괄 개발하는 대신, 직원들이 자기 업무에 맞는 커스텀 GPT를 만들 수 있게 한 거예요.

어떻게 작동하나

법무팀의 'Contract Companion'은 계약서를 검토해서 핵심 내용을 이해하기 쉽게 요약해 주고, 임상 연구팀의 'Dose ID'는 백신 용량 평가를 위한 임상 데이터를 분석해요. 최종 판단은 사람이 내리고 AI가 보조하는 구조예요. 우리 팀의 AI 프로님과 같은 원리예요. 그 분야를 가장 잘 아는 사람이 자기 노하우를 직접 AI에게 가르치는 거죠.

무슨 결과가 있었나

OpenAI가 공개한 사례(Moderna 자체 집계)에 따르면 도입 두 달 만에 법무·연구·제조·커머셜 전반에서 750개가 넘는 GPT가 만들어졌어요. 사용자당 주 평균 대화 수는 120회, 법무팀의 ChatGPT Enterprise 도입률은 100%였고요. 분야별 전문 AI가 회사 곳곳에서 동시다발로 태어난 거예요.

왜 중요한가

전문 AI를 만드는 주체가 현장이라는 점이에요. 일반 AI는 회사의 용어, 내부 프로세스, 판단 기준을 몰라요. 그 간극을 가장 잘 메울 수 있는 사람은 그 일을 매일 하는 사람이에요. Moderna는 직원들이 업무에 맞는 GPT를 직접 만들 수 있는 환경을 열어, 여러 부서에서 업무별 도구가 생기도록 했어요.

도입 시 고민 지점

누구나 AI를 만들 수 있으면, 누구나 위험한 AI도 만들 수 있어요. 인사 평가나 임상 용량 추천처럼 민감한 영역에 검증 안 된 GPT가 쓰이면 어떻게 할 것인가. 하버드경영대학원 케이스 「Moderna: Democratizing Artificial Intelligence」(HBS Case 625-070, 2025.1)가 이 사례를 다루며 던진 질문이에요. 자율을 유지할 것인가, 통제를 중앙화할 것인가. 민감 데이터의 범위, 임상 관련 결과의 검토, 배포 승인 기준은 조직이 직접 정해야 해요.

[삼성SDS CX팀] 보고 전에 미리 받아보는 예상 질문, 보고패쓰

실제 보고 대상자의 특징을 반영한 AI 보고 대상자와 질의응답을 주고 받으며 보고서를 완성해 나가요.

무엇을 바꿨나

실제 보고 자리에서 생각지 못한 질문을 받는 경우가 많아요. 보고패쓰는 질문을 받는 시점을 보고 전으로 앞당겨요. 보고서 초안이 완성되면, AI 보고 대상자를 세워 가상 보고 리허설을 미리 진행하는 프로님이에요. 실제 보고 대상자의 성향에 맞춘 질의응답을 보고 전에 먼저 받아보고, 논리의 구멍과 예상 질문을 그 자리에서 손볼 수 있게 했어요.

어떻게 작동하나

사용자는 보고서 초안을 입력하고, 실제 보고 대상자의 특징을 반영한 페르소나를 고르거나 새로 만들어요. 보고패쓰는 이 페르소나를 기준으로 예상 질문을 던지고, 사용자가 답하면 답변의 충실도에 따라 수긍·꼬리질문·유보로 반응해요. 리허설이 끝나면 총평, 질의응답 오답노트, 개선된 보고안을 함께 내놓고요. 서비스 기획부터 사용자 테스트까지 총 1.5개월, 2인이 참여해 만들었어요.

무슨 결과가 있었나

상품기획·개발·CX 인력 7명을 대상으로 한 정량 설문에서, 다음 중요한 보고 전 다시 쓰겠다는 재사용 의향이 5점 만점에 4.6점으로 높게 나왔어요. 시뮬레이션 후 원본 보고서를 고치고 싶어졌는지를 묻는 항목은 4.0점, AI 질문이 실제 보고에서 나올 법했는지를 묻는 현실성 항목은 3.9점이었고요. 질문의 현실감보다 재사용 의향이 더 높게 나온 점이 눈에 띄어요.

왜 중요한가

보고패쓰의 핵심은 완벽한 예측이 아니라 미리 겪어보는 경험에 있어요. AI 보고 대상자가 실제 대상자보다 더 똑똑하고 이상적인 질문을 던지더라도, 그 질문에 답을 준비하는 과정 자체가 보고서를 다시 들여다보게 만들거든요. 사용자들이 재사용 의향을 현실성보다 높게 매긴 것도 이 지점을 가리켜요. 리허설의 가치는 정답을 알려주는 데 있지 않고, 보고자가 스스로 놓친 지점을 찾게 돕는 데 있어요.

도입 시 고민 지점

보고 리허설 도구를 도입하려는 조직이라면 몇 가지는 미리 정해둬야 해요. 페르소나를 얼마나 세밀하게 설계하느냐가 도구의 쓸모를 갈라요. 성향을 구체적으로 나눠 만들지 않으면, 누구를 흉내 내든 비슷한 질문만 던지는 도구로 그치거든요. 페르소나를 개인이 관리할지 팀이 함께 검증하고 갱신할지도 미리 정해야, 시간이 지나도 리허설이 현실을 반영한 채로 유지돼요.

QUESTION TO ASK

우리 팀에도 AI 프로님이 필요할까?

Q1. AI가 아껴준 시간을, 우리는 무엇에 쓰고 있는가?

아낀 시간이 다음 일감으로 그대로 채워졌다면 빨라진 것 말고 달라진 건 없어요. 판단의 질을 높이는 데, 고객을 더 깊이 이해하는데, 신입이 검증을 배우는 데 쓰였는지가 AI 도입의 실제 성과예요.

Q2. 우리 팀이 반복하는 일의 노하우는 지금 어디에 있는가?

프로젝트마다 되풀이되는 작업을 찾고, 그 일을 가장 잘하는 사람의 노하우를 글로 정리하는 것이 출발점이에요. 그 노하우가 개인의 머릿속에 있나요, 흩어진 문서에 있나요, 아니면 팀이 함께 쓰는 시스템에 있나요? 경험 많은 동료가 내일 퇴사한다면, 그 사람의 10년이 팀에 남는 구조인가요?

Q3. AI가 만든 결과물은 누가, 어떤 기준으로 검증하는가?

Moderna의 고민이자 우리의 고민이에요. '이렇게 해'라는 지시만 가르친 AI는 그럴듯하지만 들쭉날쭉한 결과를 내요. 판단의 맥락까지 가르쳤는지, 검증을 통과해야 정식 등록되는 절차가 있는지가 품질을 가르는 기준이에요.

CX INSIGHT

AI가 똑똑해질수록, 인간의 역할이 더 중요해집니다

"AI가 다 해주면, 우리는 뭘 해야 하는 거지?"
AI 동료들과 일하며 내린 결론은 명확해요. AI가 잘할수록, 인간의 일은 더 가치 있는 방향으로 이동해요.

빨라진 건 시작일 뿐

처음의 기대는 단순했어요. "반복 작업이 줄겠지. 일이 빨라지겠지." 실제로 경험해보니 거기서 끝나지 않았어요. 반복 작업에 드는 시간이 줄어든 만큼, 같은 시간에 더 많은 대안을 검토할 수 있었거든요.

AI는 우리가 미처 보지 못한 각도에서 문제를 바라봤어요. AI가 제시한 관점과 데이터 패턴은 사람이 근거와 맥락을 확인한 뒤 활용해요. 절약한 시간을 검토와 해석에 다시 쓰는 것이 결과의 질을 높이는 조건이에요.

물론 AI가 못 하는 게 있어요. 조직 내부의 복잡한 역학 관계, 겉으로 드러나지 않는 문화 코드, 고객이 에둘러 말하는 진짜 속마음. 이런 '행간을 읽는 능력'은 여전히 사람의 영역이에요. 눈을 마주치며 신뢰를 쌓는 일, 심리학에서 '라포(Rapport)'라고 부르는 정서적 유대감도 마찬가지고요.

역할의 무게중심이 이렇게 이동해요.

줄어드는 일: 자료 수집·정리, 초안 작성, 반복적 분석 작업 늘어나는 일: AI 결과물의 품질 판단, 전략적 방향 설정, 이해관계자 조율, 고객과의 공감 형성

지식의 복리 효과

AI 프로님을 만드는 건 팀의 지식을 재사용할 수 있는 형태로 정리하는 일이에요.

지금까지는 경험 많은 동료가 퇴사하면, 인수인계 문서는 남지만 암묵지 같은 노하우는 이어지기 어려웠어요. 이제는 문서화하고 검증할 수 있는 부분을 AI 프로님에 반영해, 신입사원도 입사 첫날부터 10년 차의 경험을 참고할 수 있어요. 다만 암묵지 전체가 저장되는 것은 아니어서 담당자의 설명과 지속적인 갱신이 필요해요.

AI 프로님이 늘어나고 검증된 사례가 쌓일수록 다음 프로젝트에서 참고할 내용도 많아져요. 우리는 이걸 '지식의 복리 효과'라고 불러요. 또, 이 경험을 우리 팀만 갖고 있지 않고, 다른 팀에서도 자기만의 AI 프로님을 만들 수 있도록 설계 가이드를 공유하고 있어요. 한 사람의 성공이 다음 사람의 출발선이 되는 구조예요.

사다리의 첫 칸이 사라질 때

모든 것이 좋아 보이는 이면에 숨겨진 그림자가 있어요. 신입사원이 첫날부터 10년 차의 경험을 쓴다는 건, 뒤집어 말하면 자료 조사와 초안 작성이라는 경력 사다리의 첫 칸이 AI에게 넘어갔다는 뜻이에요. 그런데 10년 차의 직관은 바로 그 단순 작업에 직접 부딪히며 만들어진 것이거든요.

스탠퍼드 연구진의 분석에 따르면, 생성형 AI 확산 이후 AI 노출도가 높은 직군의 22~25세 초기 경력자 고용이 상대적으로 16% 감소한 패턴을 확인했어요(워킹페이퍼 「Canaries in the Coal Mine?」 2025년 11월판, 미국 ADP 급여 데이터). 같은 직군의 경력자 고용은 비교적 안정적이었는데도요. 연구진은 가능한 설명 가운데 하나로, 신입이 아는 것, 즉 책에서 배운 지식과 LLM이 대체하는 것이 겹치고 경력자의 암묵지는 아직 겹치지 않는다는 점을 제시했어요.

그래서 '지식의 복리 효과'는 훈련 설계와 한 묶음이어야 해요. 한 가지 방법은 AI 프로님의 결과물이 잘됐는지 판단하는 일을 신입의 훈련 과정으로 설계하는 거예요. 판단하려면 결국 그 일의 판단 기준을 배워야 하고, 그 기준을 시니어와 맞춰보는 과정이 예전의 OJT를 대신해요. 사라진 첫 칸을 방치하지 않고 새 첫 칸을 의도적으로 놓는 일. 복리가 다음 세대에도 이어지려면 필요한 투자예요.

※   본 리포트는 담당자가 작성한 초안을 바탕으로 생성형 AI를 활용하여 윤문, 팩트체크, 이미지 제작 등 후작업을 수행했습니다.