AI 내제화 vs 외주 — 무엇을 안에 두고, 무엇을 밖에 맡기나

만들 것인가, 살 것인가. 이 질문에 대한 답이 AI 프로젝트의 운명을 결정합니다.

가장 비싼 실수

AI 도입을 결정한 뒤, 다음으로 부딪히는 질문이 있습니다.

"직접 만들까요, 외부에 맡길까요?"

이 판단을 잘못하면 두 가지 비극 중 하나가 벌어집니다.

직접 만들기로 했는데, 내부 역량이 부족해서 1년을 끌다가 완성도 50%짜리 시스템이 나옵니다. 외주를 줬는데, 벤더가 떠난 뒤 아무도 그 시스템을 수정할 수 없어서 추가 비용이 눈덩이처럼 불어납니다.

두 경우 모두 수천만 원이 낭비됩니다. 그리고 두 경우 모두, 판단 기준이 없었기 때문에 벌어진 일입니다.

내제화와 외주, 흑백이 아니다

먼저 오해를 풀겠습니다. 내제화와 외주는 양자택일이 아닙니다.

현실의 AI 프로젝트는 대부분 혼합입니다. 일부는 안에서 하고, 일부는 밖에 맡기고, 일부는 기성 SaaS를 그대로 씁니다. 질문은 "전부 안에서 할까, 전부 밖에 맡길까"가 아니라, "어떤 부분을 안에 두고, 어떤 부분을 밖에 맡길까"입니다.

이 경계를 잘 긋는 것이 핵심입니다.

판단의 네 가지 기준

1. 이것이 우리의 경쟁 차별화인가?

가장 중요한 질문입니다.

AI가 우리 비즈니스의 핵심 경쟁력에 직접 연결되어 있다면, 안에 두세요. 경쟁사와 같은 벤더의 같은 솔루션을 쓰면, 차별화가 사라집니다.

반면, 이메일 자동 분류, 회의록 요약, 일반적인 고객 응대처럼 어디서나 비슷한 기능이라면, 밖에 맡기거나 기성 SaaS를 쓰는 게 효율적입니다.

안에 두어야 할 예시: 우리만의 고객 데이터로 학습한 추천 엔진, 우리 업계 특화 분석 모델, 경쟁사가 복제하기 어려운 자동화 워크플로우

밖에 맡겨도 되는 예시: 범용 챗봇, 문서 요약, 데이터 입력 자동화, 일반적인 번역

2. 데이터가 얼마나 민감한가?

AI는 데이터를 먹고 삽니다. 그 데이터가 외부에 나가도 되는지가 두 번째 기준입니다.

고객 개인정보, 재무 데이터, 영업 비밀이 포함된 AI라면, 데이터가 외부 서버로 나가는 구조는 리스크가 큽니다. 이런 경우 내부에서 운영하거나, 최소한 데이터가 외부에 저장되지 않는 구조를 확보해야 합니다.

반면, 공개 정보나 비식별화된 데이터를 다루는 AI라면, 외부 서비스를 쓰는 데 큰 문제가 없습니다.

보안 편에서 다룬 것처럼, 이 판단은 기술팀이 아니라 경영진이 해야 합니다.

3. 얼마나 자주 바뀌어야 하는가?

AI 시스템이 한 번 만들고 끝이라면, 외주가 효율적입니다. 하지만 업무 변화에 따라 수시로 수정이 필요하다면, 매번 외부에 요청하는 비용과 시간이 쌓입니다.

변경이 드문 것: 데이터 파이프라인 구축, 인프라 설정, 초기 모델 학습 → 외주 적합

변경이 잦은 것: 프롬프트 튜닝, 업무 규칙 반영, 새 데이터 추가, 사용자 피드백 반영 → 내부 역량 필요

이걸 구분하지 않으면, "사소한 수정인데 왜 견적이 또 나오지?"라는 상황이 반복됩니다.

4. 내부에 역량이 있는가, 만들 수 있는가?

솔직한 점검이 필요합니다. 내제화하고 싶어도, 할 수 있는 사람이 없으면 불가능합니다.

하지만 여기서 중요한 건 "지금" 있느냐가 아니라 "만들 수 있느냐"입니다. 중소기업 AI 시리즈에서 다룬 것처럼, 처음부터 전문가가 필요한 건 아닙니다. 겸임 담당자 한 명이 외부 파트너와 함께 시작하면서 역량을 쌓아갈 수 있습니다.

핵심 질문은 이겁니다: "6개월 뒤에 이 시스템을 우리가 스스로 수정할 수 있는가?" 이 답이 "아니오"라면, 지금 외주를 주더라도 내부 역량 확보 계획을 함께 세워야 합니다.

흔한 실수 세 가지

"전부 직접 하겠습니다"

기술에 대한 자신감이나 보안 우려로, 모든 것을 내부에서 하려는 경우입니다. 결과는 대부분 같습니다. 시간과 비용이 예상의 3배가 되고, 결과물의 품질은 기대의 절반입니다.

범용 기능까지 직접 만드는 건 바퀴를 재발명하는 것과 같습니다. 이미 검증된 도구가 있는 영역은 과감히 밖에 맡기세요.

"전부 외주 주겠습니다"

반대로, AI를 완전히 외부에 위임하는 경우입니다. 단기적으로는 편합니다. 하지만 장기적으로 세 가지 문제가 생깁니다.

종속. 벤더를 바꾸고 싶어도 바꿀 수 없습니다. 데이터, 모델, 운영 노하우가 전부 밖에 있으니까요.

비용 증가. 작은 수정마다 비용이 발생합니다. 시간이 갈수록 누적 비용이 자체 개발보다 커질 수 있습니다.

학습 부재. AI를 쓰면서 배우는 것이 없습니다. 조직의 AI 역량이 전혀 성장하지 않습니다.

"일단 만들고 나중에 정하겠습니다"

내제화와 외주의 경계를 정하지 않은 채 프로젝트를 시작하는 경우입니다. 프로젝트 중간에 "이건 우리가 할 수 없는데?" 또는 "이건 굳이 외주 안 줘도 되는데?"가 나옵니다. 방향을 바꾸는 비용은 처음에 정하는 비용보다 항상 큽니다.

의사결정 프레임: 세 겹 구조

실무에서 바로 쓸 수 있는 프레임을 하나 제안합니다.

AI 시스템을 세 겹으로 나누세요.

핵심층 — 반드시 안에 둔다. 우리의 경쟁 차별화에 직결되는 부분. 데이터, 비즈니스 로직, 핵심 의사결정 규칙. 이건 어떤 상황에서도 내부에서 이해하고 통제해야 합니다.

실행층 — 선택적으로 밖에 맡긴다. 모델 학습, 시스템 구축, 인프라 운영 같은 기술적 실행. 내부 역량이 있으면 직접 하고, 없으면 외부에 맡기되 지식 이전을 조건으로 합니다.

범용층 — 과감히 기성품을 쓴다. 이메일 분류, 문서 요약, 일정 관리 같은 범용 기능. 직접 만들 이유가 없습니다. 이미 잘 만들어진 SaaS를 쓰세요.

이 세 겹을 구분하면, "어디까지 안에 두고 어디부터 밖에 맡길까"의 답이 자연스럽게 나옵니다.

판단은 한 번이 아니다

마지막으로 중요한 것. 내제화와 외주의 비율은 고정이 아닙니다.

초기에는 외주 비율이 높을 수밖에 없습니다. 내부 역량이 없으니까요. 하지만 시간이 지나면서 핵심 부분을 점진적으로 내부로 가져와야 합니다.

좋은 경로는 이렇습니다:

1단계: 범용 SaaS + 외부 파트너 자문으로 시작 2단계: 외부 파트너와 함께 만들면서, 내부 담당자가 배운다 3단계: 핵심층을 내부에서 운영하고, 실행층만 선택적으로 외주

이 경로를 밟으면, 2년 뒤에는 "우리가 무엇을 알고, 무엇을 모르는지"가 명확해집니다. 그때 내제화와 외주의 최적 비율을 정확히 알 수 있습니다.

다음 글에서는 외부 파트너와 실제로 일하는 방법 — 좋은 파트너를 고르고, 계약을 설계하고, 지식을 내부에 남기는 구체적인 방법을 이야기하겠습니다.

안에서 할지, 밖에 맡길지 — 이 판단에 정답은 없습니다. 하지만 기준 없이 정하는 것만은 확실한 오답입니다.