우리는 AI로 뭘 할 수 있을까요?

"우리도 AI 도입해야 하지 않나요?" 이 질문이 나오는 순간, 이미 방향이 틀어지기 시작합니다.

모두가 '어떻게'를 묻고 있다

요즘 기업 현장에서 가장 많이 듣는 말이 있습니다.

"AI로 뭘 할 수 있을까요?"

회의실마다 이 질문이 떠돌고, 경영진은 경쟁사의 AI 도입 소식에 조급해하고, 실무자는 당장 어떤 툴을 써야 하는지 검색합니다. ChatGPT, Copilot, 자동화 에이전트 — 선택지는 넘쳐나는데, 정작 손에 잡히는 건 없습니다.

왜일까요?

도구를 먼저 골랐기 때문입니다. 망치를 들면 모든 것이 못으로 보이듯, AI를 먼저 들면 모든 업무가 "자동화 대상"으로 보입니다. 하지만 진짜 성과를 만드는 기업들은 다른 곳에서 시작합니다.

문제를 정의하는 것.

문제 정의가 왜 이렇게 어려운가

문제 정의가 중요하다는 건 누구나 압니다. 그런데 실제로 해보면, 대부분의 조직이 같은 함정에 빠집니다.

'불편함'과 '문제'를 구분하지 못한다

"보고서 작성에 시간이 너무 오래 걸려요"는 불편함이지 문제가 아닙니다. 문제는 그 뒤에 숨어 있습니다. 보고서가 느린 건 데이터가 흩어져 있어서인지, 의사결정 기준이 불명확해서 반복 수정이 발생하는 건지, 아니면 보고서 자체가 불필요한 건지 — 여기까지 파고들어야 문제가 보입니다.

해결책을 문제로 착각한다

"챗봇이 필요합니다"는 문제가 아니라 이미 해결책입니다. 진짜 문제는 "고객 문의의 60%가 반복적인데, 응대 인력이 이 때문에 고가치 상담에 집중하지 못한다"일 수 있습니다. 이렇게 정의하면 챗봇이 답일 수도 있고, FAQ 재설계가 답일 수도 있고, 아예 제품 UX를 고치는 게 답일 수도 있습니다.

측정할 수 없는 문제를 붙잡는다

"업무 효율을 높이고 싶다"는 목표이지 문제 정의가 아닙니다. 문제는 구체적이고 측정 가능해야 합니다. 무엇이, 얼마나, 누구에게, 어떤 결과를 만들고 있는지 — 이 네 가지가 빠지면, AI를 도입해도 성과를 증명할 방법이 없습니다.

좋은 문제 정의의 구조

실무에서 바로 쓸 수 있는 프레임을 하나 제안합니다.

"누가 + 어떤 상황에서 + 무엇 때문에 + 어떤 결과를 겪고 있다."

예를 들어 보겠습니다.

• 나쁜 예: "영업팀 생산성이 낮다"
• 좋은 예: "영업 담당자가 신규 리드 대응 시, 고객 이력과 제품 정보를 3개 이상의 시스템에서 수동으로 취합해야 해서, 초기 응답까지 평균 4시간이 소요되고, 이 중 30%의 리드가 경쟁사로 이탈한다"

후자는 AI가 개입할 지점이 선명합니다. 데이터 취합을 자동화할 수도 있고, 리드 우선순위를 예측 모델로 정렬할 수도 있고, 초기 응답 템플릿을 생성형 AI로 만들 수도 있습니다. 문제가 명확하면 해결책의 선택지가 동시에 열립니다.

문제를 정의하는 세 가지 실천법

1. 현장에서 '왜'를 다섯 번 물어라

도요타 생산 방식에서 빌려온 고전적 방법이지만, AI 시대에 오히려 더 강력합니다.

"왜 느리지?" → "왜 수동이지?" → "왜 시스템이 분리되어 있지?" → "왜 통합하지 못했지?" → "왜 그 예산이 승인되지 않았지?"

다섯 번째 '왜'에 도달하면, AI로 풀어야 할 문제가 아니라 조직 구조나 프로세스로 풀어야 할 문제가 드러나기도 합니다. 그것도 중요한 발견입니다.

2. 데이터가 있는 곳에서 시작하라

AI는 결국 데이터를 먹고 삽니다. 아무리 좋은 문제를 정의해도, 그 문제와 관련된 데이터가 없거나 접근할 수 없으면 AI는 무력합니다.

문제를 정의한 뒤에는 반드시 이 질문을 붙이세요: "이 문제를 설명하는 데이터가 지금 우리 손에 있는가?" 없다면, 데이터를 모으는 것이 첫 번째 프로젝트가 됩니다.

3. 문제의 '주인'을 정하라

문제 정의는 문서가 아니라 책임입니다. 누군가가 그 문제의 해결 여부를 자기 성과로 가져가야, 문제 정의가 흐지부지 되지 않습니다.

AI 도입 프로젝트가 실패하는 가장 흔한 패턴은 "모두의 문제"로 시작해서 "누구도 책임지지 않는 성과"로 끝나는 것입니다.

AI는 답을 잘 합니다. 그래서 질문이 더 중요합니다.

생성형 AI의 능력은 매일 진화하고 있습니다. 코드를 짜고, 문서를 요약하고, 이미지를 만들고, 전략을 제안합니다. 하지만 이 모든 능력은 좋은 질문이 주어졌을 때만 의미가 있습니다.

엉뚱한 문제에 완벽한 AI를 붙이면, 아주 효율적으로 쓸모없는 일을 하게 됩니다.

AI 전환의 출발점은 기술 도입이 아닙니다. 우리 조직이 진짜 풀어야 할 문제가 무엇인지, 그 문제를 명확하고 측정 가능하게 정의하는 것 — 이것이 AI 시대에 가장 먼저, 가장 진지하게 해야 할 일입니다.

도구는 계속 좋아질 겁니다. 하지만 좋은 질문을 만드는 능력은 사람의 몫으로 남습니다.