본문 바로가기
AI 시대의 협업 전략: 데이터를 넘기지 않고 함께 일하는 법 AI 시대의 협업 전략: 데이터를 넘기지 않고 함께 일하는 법
업무 혁신

AI 시대의 협업 전략: 데이터를 넘기지 않고 함께 일하는 법

김지현
2026-11-18

AI 시대의 데이터 보안과 협업의 딜레마를 해결하고, 원천 데이터를 보호하면서도 부서와 기업 간의 맥락을 연결해 조직의 지능을 극대화하는 AI 협업 전략을 제시합니다.

Executive Summary

  • AI 패러다임을 단순 도구 활용에서 '맥락(Context) 연결'로 전환하여, 데이터 소유를 넘어선 안전한 협업 체계로 조직의 지능을 극대화합니다.
  • 엄격한 데이터 거버넌스 확립을 통해 보안을 유지하면서도 부서 간 업무 맥락을 자유롭게 공유하는 기업용 AI 에이전트 모델을 제시합니다.
  • 데이터 클린룸과 연합학습을 활용해, 원천 데이터 유출 없이 기업 간 지능을 공유하고 공동의 비즈니스 가치를 창출하는 차세대 협업 모델을 제안합니다.

AI를 업무 현장에서 쓰는 일은 더 이상 특별한 것이 아니다. 궁금한 것을 묻고, 자료를 요약하고, 보고서를 만들고, 방대한 숫자에서 의미를 찾아내는 일이 일상이 되었다. 같은 일을 더 빠르게 처리할 뿐 아니라 혼자서는 생각하지 못했던 관점까지 얻는다. 그렇게 개인의 생산성과 업무 품질이 함께 높아지는 경험이 쌓이고 있다. 그런데 AI를 쓰는 사람이 늘어날수록 새로운 질문이 생긴다. 각자가 AI와 나눈 대화와 함께 만든 결과물은 회사의 지식으로 축적되고 있을까? 한 직원의 AI가 알아낸 고객의 요구사항을 다른 부서의 AI도 이해하고 있을까? 영업부와 생산부가 같은 고객과 같은 제품에 대해 서로 다른 데이터를 보고 있다면, 각각의 AI가 내놓는 답을 어떻게 하나의 의사결정으로 연결할 수 있을까?

지금까지 기업의 데이터는 부서별 시스템과 개인 컴퓨터 속 폴더 안에 나뉘어 보관되어 왔다. 영업부의 고객 정보와 생산부의 재고 정보, 재무부의 수익성 정보가 각기 다른 곳에 있다. 정보를 관리하고 책임지는 조직이 나뉘어 있는 것은 자연스럽다. 하지만 부서 간 데이터의 경계를 넘나들며 작업을 처리하는 AI 시대에는 이야기가 달라진다. AI가 아무리 똑똑해도 주지도 않은 정보 너머까지 해석할 수 있는 지혜는 없기 때문이다. 물론, 그렇다고 회사 안의 모든 데이터를 한곳에 모아 모든 AI, Agent에게 공개하는 것은 답이 아니다. 인사 정보와 미공개 실적, 고객의 개인정보, 협력사의 영업 비밀은 권한을 승인받은 사람과 AI만 봐야 한다. 기업 안을 너머 밖으로 나가면 문제는 더 복잡해진다. 제조사와 유통사, 은행과 가맹점, 완성차와 부품사는 함께 일하지만 각자의 데이터를 통째로 AI에게 넘길 수는 없다. 이때 ‘데이터를 넘기지 않는다’는 원본 정보가 어떠한 시스템에도 전송되지 않는다는 뜻은 아니다. AI에게 원천 데이터를 통째로 복사해 주거나 통제권을 넘기지 않은 채, 허용된 정보와 분석 결과를 함께 활용한다는 의미다. 실제로 AI가 답변을 만드는 과정에 필요한 일부 정보가 외부 서비스로 전달될 수 있으므로 그 범위와 보관 조건은 따로 확인해야 한다. 데이터의 장벽을 없애는 것이 아니라 장벽에 안전한 문과 규칙을 만드는 것이다.

최소 권한 · 감사 로그

  • 영업 원천 데이터 → 허용 → [BAA] AI 에이전트
  • 생산 원천 데이터 → 차단
  • 재무 원천 데이터 → 사람 승인 → [BAA] AI 에이전트
  • 법무 원천 데이터 → 사람 승인 → [BAA] AI 에이전트

결국 AI 시대의 다음 과제는 더 많은 데이터를 AI에게 입력하는 것은 아니다. 필요한 업무 맥락을 올바른 권한과 정해진 목적 안에서 연결하는 것이다. 그렇다고 모델이 회사의 데이터를 매번 새로 학습해야 한다는 것은 아니다. 기존 자료를 검색해 필요한 근거를 가져오거나, 승인된 데이터베이스에 질문하고, 그 결과를 판단에 활용하는 방식만으로도 업무의 질은 달라질 수 있다. 중요한 것은 AI가 무엇을 알고 있느냐만이 아니라 정보를 필요로 할 때 어디서 어떤 조건으로 안전하게 접근해 확인할 수 있느냐이다.

AI 시대, 혼자가 아닌 함께 쓰는 것의 중요성

지금의 AI 사용은 대체로 혼자 하는 일이다. 각자의 대화창에서 질문을 하고, 문서를 올리고, 답변을 받아 자신의 업무에 활용한다. 과거 동료에게 물어보고 부탁하던 일을 AI에게 맡기면서 개인은 한결 빨라졌다. 하지만 그 과정에서 동료 사이를 오가던 질문과 설명, 판단의 근거가 각자의 대화창에 흩어지기도 한다.

예를 들어 신제품 출시를 준비한다고 해보자. 영업 담당자는 고객의 요구사항을 AI에게 설명하고, 마케팅 담당자는 캠페인 초안을 만든다. 생산 담당자는 예상 물량을 검토한다. 각자의 AI에게 도움을 받아 완성도 높은 결과물을 만들었지만 서로가 어떤 정보를 토대로 판단했는지는 알기 어렵다. 영업부는 제품 출시일이 한 달 늦어진 사실을 알고 있는데, 마케팅부의 AI는 이전 일정으로 홍보 계획을 작성할 수도 있다. 개인의 업무는 빨라졌지만 팀 전체의 판단은 오히려 어긋날 수 있는 것이다.

마케팅(캠페인 초안), 재무(수익성), 영업(고객 요구사항), 생산(예상 물량) → 공동 작업 공간(공동 목표, 확인된 근거, 남은 질문[AI 에이전트])

그렇다 보니 협업의 단위가 개인의 대화창에서 팀이 함께 참조하고 갱신하는 작업 공간으로 옮겨가고 있다. 오픈AI의 ChatGPT Space는 팀이 페이지와 파일을 공유하고, 각자의 ChatGPT 에이전트와 함께 공동 콘텐츠를 다루는 공간이다. 한 사람이 자료를 정리한 페이지를 다른 사람이 이어서 보완하고, 각자의 AI에게 그 내용을 바탕으로 추가 작업을 맡길 수 있다. 개인의 비공개 대화나 기억이 자동으로 모두에게 공개되는 것은 아니다. 함께 쓸 내용을 공동 공간에 올리고 그 위에서 각자의 작업을 이어가는 방식이다.

차트 작업화면 예시 이미지

이 변화의 의미는 단순히 문서 파일을 한곳에 모아놓는 데 있지 않다. 팀이 달성하려는 목표와 지금까지 확인한 근거, 남아 있는 질문을 공통의 맥락으로 유지할 수 있다는 데 있다. 누군가 회의 내용을 정리해 공유 페이지에 반영하면 다른 동료는 그 내용을 다시 설명받지 않고 자신의 업무를 이어갈 수 있다. 사람과 사람이 문서를 주고받는 것에 더해 각자의 AI가 같은 작업 공간을 바탕으로 일을 나누는 모습이다.

앤트로픽도 클로드를 개인의 대화 도구에서 팀의 업무 공간으로 확장하고 있다. 2026년 11월 공개한 클로드의 오피스형 협업 도구를 보면 이러한 방향이 더욱 뚜렷해진다. 클로드 화이트보드는 아이디어와 회의 메모를 주제별로 정리하고 담당자와 일정을 배치하는 공동 작업을 돕는다. 클로드 시트는 표와 수식이 있는 시트를 만들고 함께 편집하도록 지원한다. 클로드 데이터는 여러 시스템에 흩어진 데이터를 분석해 지표를 확인하고 팀과 결과를 공유하는 역할을 한다. 여기에 클로드 미팅은 화상회의에 참여해 대화 내용을 정리하고 회의 중 문서나 화이트보드 작업을 돕는다.

클로드 미팅을 사용하여 화상회의를 하는 모습, 화이트보드 기능을 이용하여 각자의 event plan 을 작성하고 있다.

그간 협업 도구는 문서, 스프레드시트, 회의, 메신저를 각각의 애플리케이션으로 나누어 제공했다. 사람은 회의에서 나눈 이야기를 기억해 문서를 수정하고, 문서의 숫자를 시트에 반영하고, 변경된 내용을 다시 메신저로 전달해야 했다. 이 과정에서 맥락은 도구의 경계를 넘을 때마다 일부씩 빠져나갔다. AI가 이 사이를 연결하면 회의에서 제기된 문제를 곧바로 작업 보드에 반영하고, 관련 숫자를 찾아보고, 결정된 내용을 문서에 정리하는 흐름이 가능해진다.

그렇게 되면 회의록의 역할도 바뀐다. 지금까지 회의록은 회의가 끝난 뒤 누가 무슨 말을 했는지 확인하는 기록에 가까웠다. 앞으로는 왜 이 일정이 바뀌었고, 어떤 숫자를 근거로 예산을 조정했으며, 누가 다음 결정을 내려야 하는지 AI와 동료가 함께 참조하는 업무 맥락이 될 수 있다. 회의에 참석하지 못한 동료도 결과만 전달받는 것이 아니라 판단에 이른 배경을 확인하며 업무를 이어갈 수 있다.

물론 협업 공간이 생겼다고 해서 모든 정보가 안전하게 공유되는 것은 아니다. 원본 파일을 볼 권한이 없더라도 그 파일을 읽을 수 있는 사람이 AI로 내용을 요약해 공동 페이지에 올리면 페이지를 볼 수 있는 다른 사람은 요약 내용을 읽을 수 있다. 원본에 붙인 자물쇠가 요약문에도 자동으로 따라붙는 것은 아니다. 회의에 참여한 AI가 개인에게는 보여줄 수 있는 정보를 외부 참석자가 있는 자리에서 말해도 되는지도 따로 판단해야 한다. AI가 만든 결과물의 공유 범위까지 협업 설계에 포함해야 하는 이유다.

이처럼 AI의 협업은 단순히 여러 사람이 같은 모델을 사용하는 것이 아니다. 누가 어떤 정보를 바탕으로 무엇을 결정했는지, 그 결과를 누구와 공유할 것인지를 함께 관리하는 일이다. 각자의 AI가 유능한 비서가 되는 것을 넘어 팀이 같은 방향으로 일하도록 돕는 동료가 되어야 한다.

AI의 맥락 유지를 위한 팀, 회사 데이터의 공유

팀 안에서 공동 작업이 가능해지더라도 그 팀이 회사 전체의 맥락을 알고 있다는 뜻은 아니다. 고객 대응은 영업부만의 일이 아니고, 납기 결정은 생산부만의 일이 아니다. 하나의 의사결정에는 영업, 생산, 재무, 법무 등 여러 부서가 가진 정보가 함께 필요하다. 하지만 그 정보는 각 부서가 자기 업무에 맞춰 따로 축적해 왔다. 그리고 이들 부서 간 연계를 각 부서장, 경영진들이 회의와 합의를 통해서 정했던 것이 기존의 업무 방식이다.

그런데 기업에 도입되는 BAA, 즉 기업 업무를 수행하는 AI 에이전트는 이런 전통적인 업무 프로세스를 바꾸어 놓는다. 기업용 에이전트는 고객관리시스템에서 거래 현황을 확인하고, 사내 문서에서 계약 조건을 찾아보고, 업무 지침에 따라 다음 행동을 제안한다. 예를 들어 고객 미팅을 앞둔 영업 담당자에게 이전 대화와 거래 상황을 정리해 주고 미팅 후에는 논의 내용을 바탕으로 후속 이메일 초안까지 만들 수 있다. 그렇게 부서를 넘나들면서 보다 긴밀하게 업무 협업이 이루어질 수 있도록 해준다. 일례로, 과거에는 전 직원에게 열려 있지만 어디에 있는지 몰라 아무도 찾지 못하던 문서가 있었을 수 있다. AI가 사내 정보를 빠르게 검색하면서 그 문서를 손쉽게 찾아 요약해 준다면, 오랫동안 드러나지 않았던 과도한 공유 권한이 비로소 문제가 된다. AI가 새로운 권한을 만든 것이 아니라 이미 열려 있던 문을 누구나 쉽게 찾게 만든 것이다. 따라서 AI 도입에 앞서 오래된 공유 폴더와 권한 상속, 퇴사자와 이동자의 접근 권한을 살펴야 한다.

단, 에이전트가 이렇게 제대로 회사 일을 잘하려면 단지 여러 시스템에 연결하는 것만으로는 부족하다. 시스템마다 같은 단어가 다른 의미로 쓰일 수 있기 때문이다. 영업부가 말하는 ‘고객’은 접촉 중인 잠재 고객을 포함하지만 재무부의 ‘고객’은 실제 거래가 발생한 회사만 뜻할 수 있다. ‘매출’ 역시 계약 금액인지, 청구한 금액인지, 회계 기준으로 인식한 금액인지에 따라 달라진다. AI가 어느 숫자를 사용했는지 모른 채 그럴듯한 답변을 제시한다면 빠르게 틀린 결론에 도달할 수도 있다.

재무 - 고객(거래가 발생한 회사만) - 매출 = 청구 금액 / 법무 - 고객(계약 당사자 기준) - 매출 = 인식 금액 / 영업 - 고객(접촉 중인 잠재 고객 포함) - 매출 = 계약 금액 [같은 단어, 다른 뜻] → 공통 정의(데이터 카탈로그,데이터 소유자) → 인증된 쿼리 → 공유 결과

그렇기에 각 부서의 싸일로한 데이터들을 연계시키는 솔루션들이 부상하는 것이다. 마이크로소프트는 자사 마케팅 조직의 데이터 거버넌스 사례에서 이러한 문제를 소개했다. 팀마다 고객과 전환 등의 용어를 다르게 정의하고 서로 다른 고객 목록을 사용하던 상황에서 데이터 카탈로그를 통해 공통 정의와 데이터 소유자를 정리한다. 같은 파일을 열어보게 하는 것보다 같은 숫자를 같은 뜻으로 읽게 만드는 일이 먼저이기 때문이다. 이는 AI가 답변하기 전에 회사가 스스로 어떤 언어를 쓰고 있는지 정해야 한다는 뜻이기도 하다.

클로드 데이터가 제공하는 기능은 이러한 문제에 대한 또 다른 접근이다. 데이터 담당자가 매출과 같은 지표를 계산하는 쿼리를 검증하고 인증하면 동료들은 승인된 결과를 공유받아 볼 수 있다. 원천 데이터베이스에 직접 접근할 수 없는 동료도 허용된 결과를 확인할 수 있지만 공유자의 권한을 빌려 임의의 다른 질문을 실행할 수 있는 것은 아니다. 데이터베이스 전체를 열어주는 대신, 검증된 질문과 그 결과를 함께 쓰도록 하는 것이다.

가령 전국 매장의 매출을 분석할 때 담당 부서는 고객별 거래 내역을 볼 수 있지만 다른 부서에는 지역별·상품군별 집계만 필요할 수 있다. 이때 모든 거래 명세를 복사해 전달하는 대신 회사가 합의한 매출 계산 방식과 허용된 분석 결과를 공유한다. AI는 그 결과를 읽고 변화의 원인을 탐색하거나 다음 질문을 제안할 수 있다. 데이터의 공유가 ‘파일을 얼마나 많이 넘겼는가’에서 ‘어떤 질문에 신뢰할 수 있는 답을 얻을 수 있는가’로 바뀌는 것이다.

삼성SDS의 브리티 코파일럿 역시 메일과 메신저, 회의와 드라이브뿐 아니라 인사·재무·ERP 등 업무 시스템의 정보를 연결해 검색할 수 있도록 한다. 여기에서도 중요한 전제는 사용자별 접근 권한이다. AI가 직원 대신 사내 자료를 찾아준다고 해서 그 직원이 원래 볼 수 없던 자료까지 AI를 통해 자동으로 볼 수 있어서는 안 된다. 연결이 늘어날수록 데이터에 접근하는 경로를 통제하고 민감 정보를 어떻게 처리할지 정하는 일이 함께 중요해진다. 그렇기에 사원별, 부서별 사용하는 Agent도 그 개인과 부서에 주어진 권한 내에서 데이터에 접근해야 한다.

Brity Copilot 화면에서 업무를 요청하고 있는 예시 화면

단, 기존의 권한을 그대로 적용하기만 하면 안 된다. AI 시대의 데이터 거버넌스는 이처럼 무조건 접근을 막는 보안 규정에 그치지 않는다. 어떤 데이터가 최신인지, 누가 책임지는지, 같은 지표를 어떻게 계산하는지, 어느 업무에 사용할 수 있는지를 정하는 회사의 업무 규칙이다. AI에게 문서에 대한 읽기 권한을 주는 것과 계약을 수정하거나 외부에 발송할 권한을 주는 것도 분리해야 한다. 에이전트가 무엇을 검색하고 어떤 도구를 호출했는지 기록하고, 중요한 결제나 대외 발송처럼 되돌리기 어려운 일은 사람이 승인하도록 설계할 필요가 있다. 더 나아가 AI가 일 처리를 제대로 하기 위해 타 부서의 데이터에 무조건 접근을 차단할 것이 아니라 원래 목적한 바를 제대로 수행하기 위해 해당 데이터 내에 공개 가능한 범위의 정보는 AI가 연결될 수 있도록 함으로써 부서 간 협업을 효과적으로 수행할 수 있도록 해줘야 한다.

EY는 자사의 AI 에이전트 및 업무 흐름 플랫폼 드래곤플라이에 마이크로소프트의 데이터 보호 기능을 통합해 민감도 분류와 정책 기반 보호, 상호작용 모니터링과 감사 기능을 적용한 사례를 소개했다. 핵심은 챗봇을 여러 부서에 나누어 주는 데 있지 않다. 각 부서의 에이전트가 정보를 읽고 업무를 처리하는 과정에 회사의 공통 규칙을 내장하는 것이다. 직원이 인사 관련 질문을 할 때마다 인사부의 원본 자료 전체를 영업부에 넘기는 것이 아니라 해당 직원에게 허용된 답을 정해진 기준에 맞춰 제공하는 식이다. 이를 위해 인사부 데이터의 내밀한 기밀 정보는 제외해 영업부의 Agent가 양 부서 간 협업을 효과적으로 처리할 수 있도록 해주는 조정이 필요하다.

더 나아가 회사의 데이터를 AI에 제공한다는 말을 정확히 이해해야 한다. 문서에서 필요로 하는 내용만을 선택적으로 찾아 답변에 참고하게 하는 것과 그 내용을 모델의 가중치에 반영해 재학습하는 것은 다른 일이다. 기업은 어떤 정보가 검색되어 모델에 전달되는지, 서비스 제공자가 이를 저장하거나 학습에 사용하는지, 보관 기간과 삭제 조건은 무엇인지 구분해 확인해야 한다. ‘학습에 사용하지 않는다’는 약속만으로 ‘서비스에 정보가 전혀 전달되지 않는다’고 이해해서는 곤란하다.

결국 AI의 품질은 모델 자체의 성능과 함께 회사의 데이터 관리 수준을 닮아간다. 숫자의 기준이 제각각이고 책임자가 불명확한 조직이라면 AI도 그 혼란을 빠르게 확대한다. 반대로 정보의 출처와 정의가 명확하고 필요한 권한이 잘 설계된 조직이라면 AI는 부서 사이에 흩어진 맥락을 연결하는 힘이 된다. 데이터 거버넌스는 AI의 활용을 늦추는 장애물이 아니라 AI가 믿고 일할 수 있도록 업무의 바닥을 다지는 일이 되어야 한다.

개별 기업의 원천 데이터를 공개하지 않으면서 협업을 강화하는 기회

부서 간 장벽을 넘어서는 것만으로는 해결되지 않는 문제도 있다. 오늘날 하나의 제품과 서비스는 여러 기업의 활동을 거쳐 완성된다. 제조사는 부품사와 물류사, 유통사와 연결되어 있고, 은행은 다른 은행과 카드사, 가맹점과 함께 거래를 처리한다. 각 기업이 가진 정보는 전체 과정의 일부분이다. AI가 한 회사의 자료만 보고 판단한다면 기업 경계 밖에서 일어나는 변화를 놓칠 수밖에 없다.

예를 들어 유통사는 고객이 무엇을 샀는지 알고, 광고사는 어떤 광고가 노출되었는지 안다. 매장 방문 데이터를 가진 기업은 광고를 본 사람이 실제 매장에 방문했는지에 대한 단서를 갖고 있다. 세 기업의 정보를 함께 살펴보면 광고가 실제 구매에 어떤 영향을 주었는지 더 잘 이해할 수 있다. 하지만 이를 위해 고객 명단과 개별 구매 기록을 서로에게 통째로 넘기는 것은 개인정보 보호와 영업 비밀 측면에서 부담이 크다. 이때 활용할 수 있는 것이 데이터 클린룸이다. 각 기업이 정한 조건에 따라 데이터를 비교·분석하되, 상대방의 원천 데이터를 자유롭게 내려받지 못하도록 통제하는 협업 환경이다. 누가 어떤 분석을 할 수 있는지, 어떤 수준의 결과를 볼 수 있는지 규칙을 정해두고 그 안에서 필요한 질문을 수행한다. 원자료를 서로 교환하는 대신 허용된 분석을 함께 수행하고 결과를 나누는 셈이다. 특히 AI로 인해 기업의 업무 생산성이 높아지고 자동화된 지금 기업 내를 넘어 기업 외부의 기업 간 협력 관계에 있어서도 Agent가 더 큰 생산성을 향상하고 기업 간 가치 거래를 높여주기 위해서는 이같은 데이터 연동이 필수적이다.

아마존웹서비스의 AWS 클린룸을 활용하는 포스퀘어는 광고주의 데이터와 광고 노출, 자사의 온라인·오프라인 전환 정보를 연결해 캠페인 효과를 분석하는 사례를 소개한다. 광고주가 알고 싶은 것은 상대 기업의 고객 명단 자체가 아니라 특정 광고를 접한 집단에서 매장 방문과 구매가 어떻게 달라졌는지일 수 있다. 개별 고객의 세부 데이터를 직접 주고받지 않고도 공동 분석으로 답을 찾는 것이다.

AWS 사용 화면 예시 이미지

물론 이름에 ‘클린’이 들어간다고 모든 위험이 사라지는 것은 아니다. 결과가 너무 작은 집단으로 나뉘거나 비슷한 질문을 반복하면 특정 개인의 정보가 드러날 가능성이 있다. 그래서 결과의 최소 집계 규모를 정하거나 반복 질의를 제한하고, 필요한 경우 통계 결과에 적절한 잡음을 더하는 차등정보보호 기술을 활용한다. 어떤 질문을 허용하고 어떤 결과를 반출할 수 있는지에 대한 기술적·계약적 통제가 함께 있어야 한다.

앞으로 기업의 AI 에이전트가 이러한 환경에 정해진 범위의 질문을 보내고 결과를 업무 판단에 활용하는 방식도 생각해 볼 수 있다. 예를 들어 마케팅 에이전트가 고객 명단을 요구하는 대신 승인된 캠페인의 집단별 효과를 확인하고 그 결과를 바탕으로 다음 전략을 제안하는 것이다. 다만 이는 클린룸의 공동 분석을 AI 업무에 연결한 활용 가능한 기회가 있다는 것으로 아직 대부분의 기업은 이렇게 운영하고 있지는 않다. 금융에서도 비슷한 문제가 나타난다. 사기 거래는 한 은행 안에서만 일어나지 않는다. 여러 금융기관을 거쳐 자금이 이동하면 각 은행은 자신이 처리한 거래만 볼 뿐 전체 흐름을 알기 어렵다. 그렇다고 은행들이 고객 거래 내역을 한곳에 모아 자유롭게 공유하기도 어렵다. 금융기관의 경계를 넘어 움직이는 사기를 탐지하려면 데이터의 경계를 지키면서도 서로의 경험을 반영할 방법이 필요하다.

국제 금융통신망 스위프트는 2025년 13개 금융기관과 함께 개인정보 보호 기술과 연합학습을 활용한 실험 결과를 발표했다. 연합학습은 각 기관이 보유한 데이터로 각자의 환경에서 모델을 학습하고 원천 거래 기록 대신 학습 과정에서 만들어진 모델의 변화 정보를 결합해 공동 모델을 개선하는 방식이다. 은행마다 자기 장부는 지키면서 다른 기관에서 나타난 사기 패턴을 함께 학습하는 것이다.

스위프트가 발표한 실험에서는 1천만 건의 합성 거래 데이터를 사용했을 때 단일 기관의 데이터만으로 학습한 모델보다 알려진 사기 거래를 탐지하는 효과가 두 배로 나타났다. 다만 이는 합성 데이터로 수행한 실험 결과로 실제 현장에서 이런 효과가 입증된 것은 아니라 향후 금융 기관 간에 이같은 Agent를 활용한 효과를 얻기 위해 여러 시도들이 이루어질 것이다.

단, 연합학습 역시 원본을 옮기지 않는다고 모든 위험이 없어지는 것은 아니다. 교환되는 모델 업데이트에서 원래 데이터에 관한 정보가 추론될 가능성이 있기 때문이다. 따라서 모델 업데이트를 안전하게 합치거나 개인정보 노출을 줄이는 추가 기술과 참여 기관 사이의 규칙이 필요하다. 중요한 것은 ‘데이터가 이동하지 않는다’는 선언을 믿는 것이 아니라, 무엇이 어디에 남고 공유되어 누가 결과를 사용할 수 있는지를 구체적으로 추적 관리할 수 있어야 한다.

데이터는 각자의 금고에, 학습한 지능은 함께 - 연합학습으로 금융기관의 경계를 넘는 사기 탐지

  • 은행A - 거래 데이터,AI 모델 각 기관에서 학습
  • 은행B - 거래 데이터, AI 모델 각 기관에서 학습
  • 은행C - 거래 데이터, AI 모델 각 기관에서 학습
  • 은행A → 의심 거래 흐름 → 은행B / 은행A → 의심 거래 흐름 → 은행C
  • 은행A,B,C → 모델 업테이트 → 공동 모델 결합(안전한 결합 · 검증) → 공동 AI 모델(함께 학습한 사기 패턴)
  • 개선된 모댈 → 은행A,B,C

원천 거래정보는 각 기관에 두고, 모델 업데이트를 결합해 공동 지능을 높인다 모델 업데이트도 정보 노출 위험이 있어 추가적인 보호와 참여 기관 간 규칙이 필요하다.

제조업의 공급망에서도 기업 간 데이터 협력이 새로운 의미를 갖는다. 자동차에 문제가 발생했을 때 완성차 기업은 차량 운행과 현장의 고장 정보를 갖고 있지만, 어떤 부품이 어느 시기에 어떤 공정에서 생산되었는지는 협력사가 더 잘 안다. 양쪽 정보를 연결해야 원인을 좁히고 영향을 받는 제품을 구분할 수 있다. 한 회사의 데이터만으로는 전체 문제를 파악하기 어렵다.

기업의 경계를 넘어 연결되는 데이터 - 완성차와 부품사가 함께 찾는 품질 문제의 원인

완성차 기업(차량 운행 정보,현장 고장 정보) → 합의된 범위의 데이터 → 신뢰할 수 있는 데이터 공간(✔ 공통 데이터 표준 ✔ 목적·권한·사용 조건) ← 합의된 범위의 데이터 ← 부품사(부품 생산 이력,공정·품질 정보) 현장 고장 정보 ← 품질 이상 발견 → AI 분석(원인 후보 축소) → 영향 부품 확인 → 공정·품질 정보 / 과정 중 AI 분석은 신뢰할 수 있는 데이터 공간에서 데이터 연결

데이터를 무조건 개방하는 것이 아니라, 제공 범위와 사용 조건을 정해 함께 활용한다 데이터 공간에서는 합의된 정보가 실제로 교환될 수 있다.

자동차 산업의 데이터 협력 체계인 카테나엑스는 BMW, 보쉬, 덴소 등이 참여한 품질관리 사례를 소개한다. 완성차 기업의 현장 데이터와 부품사의 생산 관련 정보를 공통 기준으로 연결해 품질 문제의 원인을 더 빠르게 좁히는 방식이다. 이때 중요한 것은 모든 기업이 하나의 시스템을 쓰는 것이 아니라 서로 다른 시스템이 같은 의미로 데이터를 이해할 수 있도록 표준을 맞추고 제공 범위를 정하는 일이다.

클린룸이나 연합학습과 달리 카테나엑스와 같은 데이터 공간에서는 합의된 데이터가 실제로 기업 사이를 오갈 수 있다. 다만 모든 자료를 무조건 복사해 넘기는 것이 아니라 누가 어떤 목적으로 어느 범위의 정보를 사용하는지 정하고 연결한다. 원천 데이터의 통제권을 유지한다는 것은 데이터가 물리적으로 절대 이동하지 않는다는 뜻이 아니라 데이터 제공자가 공유 조건과 사용 범위에 대한 권한을 갖는다는 의미다.

이같은 기업 간 데이터 공유 협력이 쌓이면 AI의 역할도 달라질 수 있다. 한 기업 안에서 보고서를 작성하던 에이전트가 공급망의 허용된 정보를 확인하고, 특정 부품의 생산 이력과 현장 문제를 비교해 원인 후보를 제시할 수 있다. 유통사의 재고와 제조사의 생산 계획을 정해진 범위에서 연결하면 각자에게 보이지 않던 수요 변화를 더 빨리 발견할 가능성도 생긴다. 다만 AI가 기업 간 정보를 활용해 결정을 제안하더라도 그 근거와 책임, 실행 권한은 명확히 구분되어야 한다.

데이터를 지키며 연결하고, AI로 함께 가치를 만든다

데이터의 통제권은 지키고, 연결의 가치는 함께 키운다

  • 부품사(부품 생산 이력) - 허용 → AI 에이전트
  • 제조사(현장 품질 정보,생산 계획) - 허용 → AI 에이전트
  • 유통사(재고,수요 정보) - 허용 → AI 에이전트
  • AI 에이전트(허용된 정보 연결,근거 확인)
  • AI 에이전트 → 품질 문제 원인 후보(생산 이력 · 현장 품질 비교) → 사람의 판단·승인
  • AI 에이전트 → 수요 변화 조기 발견(재고 · 생산 계획 연결) → 사람의 판단·승인

기업들은 오랫동안 데이터를 많이 보유한 곳이 경쟁에서 유리하다고 생각해 왔다. 물론 여전히 고유한 데이터는 중요한 자산인 것은 맞다. 하지만 기업 경계 밖에서 발생하는 변화가 의사결정에 더 큰 영향을 미치는 세상 그리고 AI와 Agent로 인해 더 많은 데이터 기반으로 생산성이 효율화되는 시대에서는 혼자 가진 정보만으로 답을 찾기 어려워진다. 그렇다고 모든 것을 공개하는 것이 해법이 될 수는 없다.

AI의 다음 진화는 더 많은 데이터를 무작정 모으는 데 있지 않다. 각자의 데이터를 지키면서도 필요한 질문을 함께 풀 수 있도록 연결하는 데 있다. 개인의 대화가 팀의 맥락이 되고, 부서의 정보가 회사의 판단으로 이어지며, 개별 기업의 경험이 산업의 공동 지능으로 확장되는 것이다. 누가 데이터를 가장 많이 소유했느냐 못지않게, 누가 신뢰할 수 있는 방식으로 데이터를 상호 연결하고 활용해 AI로 더 큰 가치를 만들어낼 수 있냐는 것이 경쟁력이 될 것이다.

FAQ

  • AI 시대에 기업 협업의 패러다임은 어떻게 변화하고 있나요?

    단순한 개별 AI 도구의 활용을 넘어, 팀과 기업 간의 '맥락(Context) 연결'을 통해 개인의 생산성을 '조직 지능'으로 확장하는 방향으로 진화하고 있습니다. 이제는 데이터를 누가 소유하느냐보다 안전한 연결을 통해 어떻게 협업 체계를 구축하느냐가 기업의 핵심 경쟁력이 됩니다.

  • 보안을 유지하면서 부서 간 데이터 사일로(Silo) 현상을 해결할 수 있는 방법은 무엇인가요?

    엄격한 접근 권한 관리와 공통의 데이터 정의를 포함한 '데이터 거버넌스'를 확립하는 것이 필수적입니다. 이를 기반으로 보안 가이드라인을 준수하면서도 업무 맥락을 공유할 수 있는 기업용 AI 에이전트를 활용하면 보안과 협업이라는 두 가지 목표를 동시에 달성할 수 있습니다.

  • 원천 데이터를 외부에 노출하지 않고 기업 간에 지능을 공유하는 것이 가능한가요?

    네, 가능합니다. 데이터 클린룸(Data Clean Room)과 연합학습(Federated Learning)과 같은 최신 프라이버시 보존 기술을 활용하면, 원천 데이터 자체를 주고받지 않고도 학습된 지능이나 분석 결과만을 공유함으로써 안전하게 공동의 비즈니스 가치를 창출할 수 있습니다.

  • 이 글에서 강조하는 '조직 지능'이란 구체적으로 무엇을 의미하나요?

    단순히 많은 데이터를 보유하는 것이 아니라, 조직 내 분산된 데이터와 업무 맥락이 안전하게 연결되어 AI를 통해 최적의 답을 찾아낼 수 있는 상태를 의미합니다. 이는 데이터 소유라는 폐쇄적 관점에서 벗어나 '맥락의 연결'이라는 개방적 관점으로 전환할 때 극대화됩니다.

  • 데이터 거버넌스가 AI 협업에서 왜 중요한 역할을 하나요?

    데이터 거버넌스는 데이터의 정의, 관리 권한, 활용 규칙을 명확히 하는 체계입니다. 이것이 확립되어야만 AI 에이전트가 잘못된 정보를 참조하지 않고 정확한 맥락을 파악할 수 있으며, 기업이 신뢰할 수 있는 보안 환경 속에서 데이터를 연결하고 협업할 수 있는 토대가 마련되기 때문입니다.

※   아티클 내 일부 이미지는 ChatGPT GPT Image를 이용해 생성했습니다.

저자

김지현 | 테크라이터 기술이 우리 일상과 사회에 어떤 변화를 만들고, 기업의 BM 혁신에 어떻게 활용할 수 있을지에 대한 관심과 연구를 하고 있습니다.

CONTACT US

무엇이든 물어보세요.

AI 도입부터 최적화까지, 맞춤형 솔루션을 제안해 드립니다.

문의하기

공유하기