AX로 가는 길에 가이드가 필요하다면

연산 성능 1위 기기가 토큰 생성에서는 더 느릴 수 있습니다. 통합 메모리 용량과 메모리 대역폭, 개발 생태계 세 가지를 내 작업에 대입하는 순서로 정리했습니다. 기기별 사양 비교와 작업 유형별 선택지, 구매 전 확인할 세 가지까지 담았습니다.

이미지 제작 주기를 6주에서 7일로 줄인 기업이 있지만, 콘텐츠 마케팅 조사에서 생산성이 올랐다는 응답은 87%인 반면 성과가 개선됐다는 응답은 39%에 그쳤습니다. 결과 편차와 웹 데이터 편중, 그리고 AI가 애초에 맡지 않는 구간까지 세 가지 이유를 공급사 공식 문서와 국내외 사례로 정리했습니다.

AI 워크스테이션과 GPU 장비를 직접 구매할 수 있는 정부 재원은 다섯 가지입니다. 국가연구개발과제를 수행 중이라면 연구시설·장비비를, 기업은 R&D 과제 계획과 창업 기간, 사업장 소재지에 따라 해당 사업을 검토합니다. 재원별 대상과 한도, 자부담, 장비 인정 조건을 정리했습니다.

Dell Pro Max with GB10의 128GB 통합 메모리에 어떤 오픈웨이트 모델이 올라가는지 실제 배포 체크포인트 크기로 대조했습니다. 한 대로 돌릴 수 있는 모델부터 두 대·세 대·네 대로 확장했을 때 열리는 구간, QLoRA와 LoRA 방식별 파인튜닝 요구량까지 정리했습니다.

사내 AI 도입을 검토하면 후보가 금세 열 개를 넘습니다. 제품을 하나씩 비교하기 전에 유형부터 나누면 선택지가 줄어듭니다. Microsoft 365 Copilot, Dify, Flowise, n8n, LangChain이 각각 어떤 업무에 맞는지, 후보를 좁힌 뒤 라이선스와 데이터 관리에서 무엇을 확인해야 하는지 정리했습니다.

클라르나는 AI로 상담원 700명분의 업무를 처리했다고 발표했고, 이듬해 상담원을 다시 뽑기 시작했습니다. 어떤 문의부터 맡길 수 있는지, 공개된 해결률을 왜 그대로 기대하면 안 되는지, 사람에게 넘기는 흐름은 어떻게 설계하는지 실제 사례로 정리했습니다.

AI 채용을 도입하겠다는 500대 기업은 74.5%인데 실제로 쓰는 곳은 21.7%입니다. 유니레버와 치폴레, 로레알은 선발 판단만은 사람에게 남겼고, IBM과 히타치는 인사 행정에서 성과를 냈습니다. 무엇을 맡길 수 있고 무엇부터 검토해야 하는지 공개 자료로 정리했습니다.

챗봇을 켠 뒤에야 사내 문서가 어디까지 열려 있었는지 알게 되는 일이 실제로 있었습니다. 권한 정리를 끝낼 때까지 도입을 멈추지 않으면서 연결할 문서를 무엇부터 점검할지 네 단계로 정리했습니다. 쓰는 솔루션이 권한을 어디에 거는지에 따라 고칠 곳이 어떻게 갈리는지도 함께 담았습니다.

인바운드 리드 가운데 사람이 실제로 대응하는 비율은 25%뿐입니다. 영업팀에서 AI가 가장 먼저 맡는 일이 무엇인지, 성과를 공개한 기업들이 도입 전에 무엇을 갖춰 두었는지, 우리 팀은 어디부터 점검하면 되는지 실제 사례로 정리했습니다.

정부 소버린 AI 사업에서 나온 오픈웨이트 모델 Motif-3를 정리했습니다. Artificial Analysis 지능 지수 47점이 다른 모델과 견줘 어디쯤인지, 코딩과 에이전트 업무에서는 어느 항목이 앞서고 어디가 벌어지는지, 한국어는 어떻게 다루는지 살펴봤습니다. 사내 서버에 직접 올렸을 때 드는 GPU 전기료도 공개 요금표로 계산했습니다.

부서마다 AI 에이전트를 만들어 쓰는데 누가 무엇을 만들었는지 아는 사람이 없습니다. 거버넌스가 전담 조직을 만드는 일로 끝나지 않는 이유, 에이전트 한 대마다 무엇을 답할 수 있어야 하는지, 등록과 정책, 승인, 감사가 그 답을 어떻게 만드는지 정리했습니다.

재무·회계팀에서 AI가 필요하다는 응답은 95%인데, 실제 도입은 28%에 그쳤습니다. 그들이 AI를 어떤 업무부터 쓰고 있는지, 어디까지 맡기고 어디부터 사람이 봐야 하는지, 감사 대응에는 무엇이 필요한지를 공개된 조사결과와 사례로 정리했습니다.