본문 바로가기

← Insights 생각 · 12분 · 읽음 22 · 추천 0 · 댓글 0

2026년에 AI 활용 1년 계획 세우는 건, 솔직히 시간 낭비입니다

AI는 반년마다 판이 바뀝니다. 1년짜리 AI 활용 계획 대신 짧은 주기로 시도하고 고치는 편이 낫다는 이야기.

연초마다 돌아오는 그 시즌이죠. "올해 AI 활용 계획"을 세우라는 압박.

이런 계획들, 한 번쯤 세워보셨을 겁니다. "올해는 Claude Code를 업무 전면에 도입하자." "상반기까지 사내 AI 워크플로우를 정리하자." "하반기엔 에이전트 기반 자동화를 완성하자."

그런데 솔직히… 이 계획, 3월까지 버틸 수 있을까요?

작년을 떠올려 보면 답이 나옵니다

2025년 한 해만 봐도 그렇습니다.

1월에 "이게 최신이다" 싶던 모델이 3월에 구세대가 됐고, 상반기에 "이건 AI로 안 돼" 하던 작업이 하반기에는 API 한 줄이면 끝나는 세상이 됐죠. 멀티모달, 에이전트, MCP, 컴퓨터 유즈… 반년 단위로 게임 룰 자체가 바뀌었습니다.

2026년은 그 속도가 더 빨라졌을 뿐이에요.

이런 상황에서 1년 계획을 세운다는 건, 좀 과장하면 2024년 1월에 "올해 목표: 피처폰 활용법 마스터" 라고 적는 것과 비슷합니다.

왜 1년 계획이 오히려 독이 되는가

1) "지금 있는 도구가 연말에도 쓸 만할 것이다"라는 착각

1년 계획은 이 전제 위에 서 있습니다. 근데 이게 틀렸어요. 지금 최적이라고 판단한 워크플로우가 다음 모델 릴리즈 하나로 차선책이 됩니다. 실제로 그런 일이 2025년에 몇 번이나 일어났는지 떠올려 보세요.

2) 이미 투자했으니까 바꾸기 싫은 마음

계획이 존재하면, 사람은 그걸 지키려 합니다. 3월에 훨씬 나은 도구가 나와도, 1월부터 공들인 게 있으니까 "일단 원래 계획대로 가자"가 되죠. 이게 매몰 비용의 함정인데, AI 시대에 가장 비싼 비용이 바로 이겁니다. 잘못된 방향으로 달리는 것보다, 올바른 방향 전환을 늦추는 게 더 치명적이에요.

3) 계획이 있으면 실험을 안 하게 됩니다

1년 로드맵이 확정되면 조직은 "실행 모드"에 들어갑니다. 새로운 모델이 나와도 "이걸로 뭘 할 수 있지?"라는 질문 대신 "우리 로드맵에 이건 없으니까 패스"가 됩니다. AI 활용의 핵심은 탐색인데, 계획이 탐색을 죽이는 거죠.

4) KPI가 엉뚱한 걸 측정하게 됩니다

"AI 도입률 80%", "자동화 대상 프로세스 50건" 같은 지표요. 6개월 전에 10시간 걸리던 자동화가 새로운 에이전트 프레임워크로 30분이면 끝나는 세상에서, '50건'이라는 숫자가 무슨 의미가 있을까요? 계획에 맞춰 느리게 50건 채우는 것보다, 최신 도구로 일주일 만에 200건 처리하는 게 맞지 않나요?

그러면 어떻게?

계획을 아예 세우지 말라는 게 아닙니다. 계획의 단위를 바꾸자는 겁니다.

🔄 4~6주 스프린트로 전환하세요

1년이 아니라 4~6주 단위로 움직이세요. 스프린트 시작할 때 "지금 쓸 수 있는 가장 좋은 도구로, 지금 가장 중요한 문제를 풀자." 이 원칙 하나면 됩니다. 6주 후에는 도구도 바뀌고, 문제의 우선순위도 달라져 있을 테니 그때 다시 판단하면 돼요.

🧠 도구 말고 역량에 투자하세요

"올해는 Tool X를 마스터하겠다"는 Tool X의 수명에 종속되는 계획입니다. 그 대신 이런 것들에 투자하세요:

  • 프롬프트 엔지니어링 사고방식
  • AI 출력물의 품질을 평가하는 눈
  • 새로운 도구를 빠르게 탐색하고 적용하는 나만의 프레임워크

도구는 계속 바뀌지만, 이런 메타 역량은 쌓이면 쌓일수록 강력해집니다.

📡 매주 30분, AI 생태계 스캔 루틴을 만드세요

새로운 모델 출시, 주요 프레임워크 업데이트, 다른 팀이나 회사의 활용 사례. 이걸 감지해야 "지금 방향을 바꿔야겠다"는 판단이 가능하고, 판단이 있어야 전환이 일어납니다. 1년 계획에는 이 감지 체계가 들어갈 자리가 없어요.

⚡ 되돌릴 수 있는 결정은 빠르게, 없는 결정만 신중하게

"이 AI 도구를 한번 써볼까?"는 되돌릴 수 있는 결정입니다. 빠르게 시도하고, 아니면 빠르게 버리면 됩니다. 반면 "사내 데이터 인프라를 특정 플랫폼에 올인하자"는 되돌리기 어려운 결정이에요. 이것만 신중하면 됩니다. 1년 계획은 이 두 가지를 구분하지 않고, 모든 걸 같은 무게로 로드맵에 올려버리죠.

"그래도 연초에 KPI는 써내야 하잖아요"

맞습니다. 현실적으로 연초에 뭔가를 제출해야 하죠. MBO든 KPI든 OKR이든요. 회사가 돌아가려면 평가 체계가 있어야 하고, 그 체계는 보통 1년 단위니까요.

그래서 추천하는 건, "What"은 고정하되 "How"는 비워두는 방식입니다.

❌ 이렇게 쓰면 3개월 안에 무의미해집니다

  • "ChatGPT API를 활용한 고객 응대 자동화 시스템 구축 (상반기)"
  • "LangChain 기반 사내 문서 검색 챗봇 개발 및 배포"
  • "Copilot 도입을 통한 개발 생산성 30% 향상"

특정 도구, 특정 기술 스택이 KPI에 박혀 있으면, 그 도구가 구세대가 되는 순간 KPI 자체가 족쇄가 됩니다. LangChain 대신 훨씬 나은 프레임워크가 나와도, KPI에 LangChain이라고 적혀 있으니 바꾸기가 어렵죠.

그런데 여기서 한 가지 현실적인 문제가 있습니다. 팀 목표와 개인 MBO는 레벨이 다르다는 거예요.

팀 차원에서 "처리 시간 40% 단축"이라고 잡으면, 그걸 실행하는 실무자의 MBO에는 결국 "어떤 도구로, 어떤 방식으로"가 들어갈 수밖에 없거든요. 당연합니다. 실무자한테 "알아서 40% 줄여"라고만 하면 그건 MBO가 아니라 희망사항이니까요.

그래서 레벨별로 다르게 써야 합니다.

✅ 팀/조직 KPI — 비즈니스 결과로 잡기 (연간 고정)

  • "AI를 활용하여 고객 응대 처리 시간을 현재 대비 40% 단축"
  • "사내 문서 검색 소요 시간을 현재 평균 15분에서 2분 이내로 개선"
  • "반복 업무에 AI를 적용하여 팀 전체 주당 20시간 확보"

도구 이름이 하나도 없습니다. 수단이 바뀌어도 목표는 안 바뀌죠. 이 레벨은 1년 내내 유효합니다.

✅ 실무자 MBO — 도구를 쓰되, 교체 가능하게 쓰기 (분기별 리셋)

실무자 MBO에 도구가 들어가는 건 자연스럽습니다. 문제는 그 도구가 1년짜리 족쇄가 되느냐, 분기짜리 실험이 되느냐예요.

❌ 이렇게 쓰면 족쇄가 됩니다:

  • "LangChain 기반 사내 문서 검색 챗봇 개발 및 배포 (상반기)"

✅ 이렇게 쓰면 유연해집니다:

  • "Q1: 사내 문서 검색 자동화 PoC 구현 (현시점 최적 도구 선정 및 적용)"
  • "Q2: Q1 결과 기반으로 개선 또는 도구 전환, 파일럿 확대"
  • "Q3~Q4: 성과 측정 및 확산 (도구/방법론은 분기 초 재평가)"

핵심은 MBO에 도구명을 고정하지 않고, 분기 시작 시점에 "그때의 최선"을 선택하는 구조로 만드는 겁니다. 연초에 MBO를 제출할 때는 Q1만 구체적으로 쓰고, Q2 이후는 "Q1 결과에 따라 조정"으로 열어두세요. 대부분의 MBO 시스템이 중간 수정을 허용하니까, 그걸 적극적으로 활용하는 거죠.

그리고 하나 더 — "실험 자체를 성과로 인정하는" 지표를 넣으세요

  • "분기당 AI 도구/방법론 2건 이상 PoC 실행 및 결과 공유"
  • "AI 활용 사례 아카이브에 월 1건 이상 기여"
  • "팀 내 AI 활용 워크숍 또는 공유 세션 분기 1회 주도"

이런 지표가 있으면, 새로운 도구가 나왔을 때 "이걸 실험해 보는 것 자체가 내 MBO 달성이다"가 됩니다. 실험에 대한 심리적 허들이 확 낮아지죠. 반대로 이런 지표가 없으면, 새 도구가 아무리 좋아 보여도 "그거 할 시간에 원래 KPI나 채우자"가 되고, 그게 바로 1년 계획의 함정입니다.

AI를 쓰는 것만이 AI 활용은 아닙니다

여기서 시야를 한 번 넓혀볼 필요가 있습니다.

"AI 활용"이라고 하면 대부분 ChatGPT에 프롬프트 넣고, Copilot으로 코드 짜고, 에이전트 만드는 걸 떠올립니다. 맞아요, 그것도 AI 활용입니다. 하지만 솔직히 많은 조직은 AI를 쓰기 이전 단계에서 막혀 있습니다. digitalization이 안 돼 있고, DB가 없고, 데이터가 엑셀 파일 수백 개에 흩어져 있고, 같은 개념을 팀마다 다른 이름으로 부르고 있죠.

이런 상태에서 "AI 도입"을 외치는 건, 밭을 갈지 않고 씨를 뿌리는 것과 같습니다.

그런데 역설적으로, 이 "밭 갈기" 작업이야말로 가장 확실한 AI 활용 준비입니다. 그리고 이건 AI 도구가 바뀌어도 절대 낡지 않는 투자예요.

구체적으로 이런 것들이 있습니다:

📦 데이터 적재와 정리 — 흩어진 엑셀, 문서, 로그를 한곳에 모으고 구조화하는 것. AI가 뭘 하든 데이터가 있어야 합니다. 이건 어떤 모델이 나오든 변하지 않는 진리예요.

📐 표준화와 정형화 — "이 값은 이 포맷으로, 이 용어는 이 의미로" 정리하는 것. AI에게 데이터를 먹이려면 기계가 읽을 수 있는 형태여야 합니다. 사람만 읽을 수 있는 데이터는 AI에겐 쓰레기예요.

🔺 추상화와 일반화 — 개별 사례에서 패턴을 뽑아내고, 반복 가능한 프로세스로 만드는 것. "매번 다르게 하는 일"은 자동화할 수 없습니다. "항상 같은 구조로 하는 일"이 되어야 AI든 자동화든 적용할 수 있죠.

📝 SKILL 문서화 — 팀의 암묵지를 명시적인 문서로 만드는 것. 예를 들어 "이 업무를 할 때 이런 순서로, 이런 기준으로, 이런 예외를 처리한다"를 문서로 정리하면, 그게 바로 AI 에이전트의 지시서(SKILL.md)가 됩니다. 사람 머릿속에만 있는 노하우는 AI가 활용할 수 없어요.

🔄 현실 문제의 최적화 문제 변환 — "이거 좀 나아졌으면 좋겠다"는 막연한 바람을 "이 변수를 이 범위 안에서 최적화한다"는 정의 가능한 문제로 바꾸는 것. AI는 잘 정의된 문제를 잘 풀지, 모호한 바람을 알아서 해결해주지 않습니다.

이런 작업들의 공통점이 보이시나요? 전부 "AI가 일하기 좋은 환경"을 만드는 일입니다. 그리고 이건 특정 AI 도구에 종속되지 않아요. 올해 Claude가 대세든 내년에 새로운 모델이 나오든, 잘 정리된 데이터, 표준화된 프로세스, 문서화된 지식은 어떤 AI에게든 유효합니다.

그래서 KPI를 쓸 때 이런 것들도 당당히 넣으세요:

  • "팀 내 주요 데이터 소스 3건 이상 DB화 완료"
  • "핵심 업무 프로세스 5건의 SKILL 문서 작성"
  • "수작업 보고서 양식 표준화 및 데이터 연동 구조 설계"

이게 "AI 활용 KPI"냐고요? 네, 맞습니다. AI가 가장 잘 작동하는 토양을 만드는 것이 가장 확실한 AI 활용이니까요. AI를 직접 쓰는 건 도구만 바꾸면 내일이라도 할 수 있지만, 데이터와 프로세스를 정비하는 건 시간이 걸립니다. 오히려 이쪽이 1년짜리 목표에 더 적합해요.

100명이 하나의 실험을 하는 조직 vs. 100개의 실험을 하는 조직

여기서 한 가지 중요한 전제를 깔고 가야 합니다. AI 적용은 100% 성공하지 않습니다. 솔직히 말하면, 실패하는 경우가 더 많아요.

그런데 많은 조직이 AI 도입을 "전사 차원의 하나의 큰 프로젝트"로 접근합니다. TF를 구성하고, 도구를 선정하고, 파일럿 팀을 정하고, 전체에 확산하는 탑다운 방식이죠. 이게 전통적으로는 맞는 방법인데, AI에서는 위험합니다. 그 "하나의 큰 실험"이 실패하면? 조직 전체가 반년을 날리고, "역시 AI는 아직 이르다"는 결론만 남습니다.

반대로, 100명이 각자 다른 실험을 하면 어떨까요?

10개 소조직이 각각 다른 업무에 다른 도구를 시도합니다. 그중 7개는 실패할 수 있어요. 괜찮습니다. 나머지 3개에서 "이건 진짜 된다"는 사례가 나오면 그걸 확산하면 됩니다. 이게 집단 실험의 힘이에요.

핵심은 실패의 비용을 낮추고, 실험의 횟수를 늘리는 것입니다.

"그래도 실험이라는 게 금방 되나요?" 라고 물을 수 있습니다. 맞습니다. 솔직히 많은 조직이 digitalization이나 DX는커녕 DB 구축도 안 된 상태예요. 이런 환경에서 PoC를 며칠 만에 돌리는 건 비현실적이죠.

하지만 바로 그래서 앞서 말한 "토양 가꾸기"가 실험이 될 수 있습니다. 누군가는 자기 팀 데이터를 DB에 넣는 실험을 하고, 누군가는 업무 프로세스를 문서화하는 실험을 하고, 누군가는 엑셀 수작업을 AI에 맡겨보는 실험을 하는 거예요. 전부 다른 실험이지만, 전부 AI 활용의 일부입니다.

그리고 이런 작은 실험들이 쌓이면, "우리 조직에 진짜 필요한 인프라가 뭔지"도 보이기 시작해요. DB를 만들든, 자동화 파이프라인을 구축하든 — 실험 없이 탑다운으로 결정하는 것보다 훨씬 정확한 판단이 됩니다. 이건 단순한 확률의 문제입니다. 주사위를 한 번 던지는 것과 열 번 던지는 것 중, 6이 나올 가능성이 높은 쪽은 당연히 후자입니다.

여기서 "공유"가 결정적입니다. 실험만 하고 각자 갖고 있으면 그냥 개인의 경험으로 끝나요. "이 도구로 이 업무에 적용해봤는데 이래서 안 됐다" — 이 실패 경험조차 다른 팀에겐 엄청난 시간 절약이 됩니다. "우리 팀 데이터를 이 구조로 정리했더니 AI가 잘 읽더라" — 이 성공 경험은 다른 팀이 바로 따라할 수 있죠. 성공 사례는 확산하고, 실패 사례는 중복을 막아주는 것. 이게 집단 지성입니다.

실험 + 공유를 MBO로 인정하면, 조직 전체가 하나의 거대한 AI 실험실이 됩니다. 누군가는 데이터 정리에, 누군가는 프로세스 문서화에, 누군가는 AI 직접 적용에 도전하고, 그 결과가 모이면 "우리 조직에서 AI가 진짜 먹히는 영역"이 자연스럽게 드러납니다. 그게 탑다운으로 정한 로드맵보다 훨씬 정확하고 빠릅니다.

정리하면 이렇습니다:

레벨 뭘 적나 주기 예시
팀/조직 비즈니스 결과 (도구 무관) 연간 고정 "처리 시간 40% 단축"
실무자 구체적 실행 (도구 포함 가능) 분기별 리셋 "Q1: 최적 도구로 PoC 구현"
실무자 기반 구축 (토양 가꾸기) 연간/분기 "핵심 데이터 3건 DB화", "SKILL 문서 5건 작성"
공통 실험·학습·전파 활동 분기별 횟수 "분기당 실험 2건 + 공유"

이렇게 조합하면, 연초에 제출할 MBO 문서도 만들 수 있고, 동시에 1년 내내 변화에 유연하게 대응할 수 있습니다.

이 모든 게 돌아가려면, 팀 차원에서 몇 가지 그라운드 룰이 필요합니다.

AI 실험 그라운드 룰

  1. 실험은 지금 내 손에 있는 업무에서 시작한다. AI 직접 적용이든, 데이터 정리든, 문서화든 전부 실험이다.
  2. 실패는 보고하지 않아도 되지만, 공유는 한다. ("이건 안 됐다"도 자산이다.)
  3. 성공한 실험은 다른 팀이 따라할 수 있도록 방법까지 공유한다.
  4. 더 나은 도구가 나오면, 기존 방식을 버리는 데 허락이 필요 없다.
  5. AI 적용 결과에 대한 품질 검증 책임은 실험한 본인에게 있다.

짧지만, 이 다섯 줄이 있고 없고의 차이가 큽니다. 그라운드 룰이 없으면 실험은 "여유 있을 때 해보는 것"이 되고, 있으면 "당연히 하는 것"이 됩니다.

마무리하며

군사 전략에 이런 말이 있습니다. "어떤 작전 계획도 적과의 첫 번째 접촉에서 살아남지 못한다."

AI 시대의 '적'은 경쟁사가 아니라 변화의 속도 그 자체입니다.

연초에 세운 1년 계획을 12월까지 충실히 이행한 조직은, 아마 "성실하지만 뒤처진" 조직이 되어 있을 겁니다. 가장 좋은 건 방향은 있되 경로는 열어두는 것이에요.

KPI 칸을 채워야 한다면, AI를 직접 쓰는 것만 목표로 잡지 마세요. 데이터를 정리하고, 프로세스를 문서화하고, 문제를 정의하는 것 — 이 모든 게 AI 활용입니다. 도구는 6주마다 바뀌지만, 잘 정리된 데이터와 잘 정의된 문제는 어떤 AI가 와도 써먹을 수 있으니까요.

1년 계획 세우는 데 쓴 그 일주일, 차라리 지금 당장 내 업무 데이터를 정리하거나, 최신 AI 도구 하나를 실험하는 데 쓰세요. 12개월 뒤, 그 작은 시작이 100페이지짜리 로드맵보다 훨씬 가치 있을 겁니다.


이 글은 위키독스 블로그에 처음 실었습니다.

댓글 0

첫 댓글을 남겨 주세요.