37
지난 1년 반 동안 100명 넘는 소기업 대표님을 만났습니다. AI로 실제 일이 줄어든 팀과 그렇지 못한 팀. 둘을 가르는 요인은 하나뿐이었습니다. 모델도, 요금제도, 교육 횟수도 아니었습니다.
처음엔 저도 도구가 문제라고 생각했습니다. 요즘 AI 영상들은 하나같이 "이제 도입 안 하면 늦는다"라고 말합니다. 그 말에 밀려 다들 움직입니다. TF를 만들고, 외부 강사를 부르고, 챗GPT 팀 요금제를 결제합니다. 젬스(Gems)와 GPTs도 만들어봅니다. 그런데 한 달, 두 달이 지나도 일은 그대로입니다.
그쯤 되면 대표님들에게서 이런 말이 나옵니다. "우리 직원들이 AI를 잘 못 쓴다." "더 비싼 모델을 써야 한다." "AI 전문가 불러다 교육시켜야 한다." 하지만 100명 넘는 대표님을 만나며 본 차이는 도구나 교육에 있지 않았습니다. AI가 참고할 회사 데이터가 한곳에 쌓여 있는지, 아니면 대표 머릿속과 카톡방, 개인 PC 바탕화면에 흩어져 있는지에 따라 결과가 갈렸습니다.
도구 순위는 매달 뒤집힙니다. 어제는 챗GPT, 오늘은 클로드가 낫다는 식입니다. 그래도 결과는 같았습니다. 우리 회사가 누구이고, 어떤 고객을 상대하고, 어떤 제안서를 써왔는지 AI에 알려주지 못하면 출력물은 늘 평균값에 머뭅니다. 이걸 모른 채 도구만 갈아끼우는 게 작은 회사가 가장 자주 빠지는 함정이었습니다.
현장에서 반복해서 목격한 세 가지 문제
첫 번째는 마케팅 글쓰기입니다. 홍보 문구를 AI에 맡기면 초안은 빨리 나옵니다. 문제는 톤입니다. 타겟은 30대 1인 기업 사장님인데 결과물은 대기업 관리자용 문서처럼 읽힙니다. “조금 더 친근하게.” “사례를 넣어줘.” “우리 고객이 자주 쓰는 단어로 바꿔줘.” 이렇게 10번, 20번 피드백을 돌리고 나면 결론이 납니다. 처음부터 사람이 쓰는 편이 더 빨랐다는 것입니다..
두 번째는 회의록입니다. 녹취를 올리면 요약은 깔끔하게 나옵니다. 그런데 다음 주에 다시 열어보면 “왜 그 이야기가 나왔는지”가 없습니다. 누가 왜 반대했는지, 어느 고객 건 때문에 안건이 올라왔는지, 어떤 마감 때문에 결정이 미뤄졌는지 빠져 있습니다. 결국 회의에 있었던 사람에게 다시 묻게 됩니다.
세 번째는 고객 응대입니다. 문의 메일이 옵니다. 이 고객은 작년에 같은 문제로 컴플레인을 했고, 그때 회사는 환불 대신 추가 서비스를 약속했습니다. 하지만 AI는 그 이력을 모릅니다. 담당자는 슬랙과 노션, 구글 드라이브를 다시 뒤져 과거 기록을 찾고, 그 내용을 반영해 답변을 다시 씁니다.
세 사례의 공통점은 분명했습니다. AI는 초안과 요약을 빠르게 만들어냅니다. 하지만 회사 고유의 맥락이 빠져 있으면, 마지막 판단은 다시 사람에게 돌아옵니다.
AI가 답할수록 사람이 더 바빠지는 이유
AI는 우리 회사가 누구를 상대하는지, 어떤 기준으로 답해왔는지, 어떤 고객과 무슨 약속을 했는지 모릅니다. 인터넷에서 학습한 일반적인 마케팅 글과 회의록 양식, 응대 매뉴얼만 갖고 있을 뿐입니다.
그래서 사람이 매번 회사 설명을 다시 넣어줘야 합니다. 채팅창을 열 때마다 "우리 회사는 30대 1인 사장님을 대상으로 한 컨설팅 회사이고요, 톤은 친근하지만 전문성이 있어야 하고요, 우리가 자주 쓰는 표현은 이거고요…" 같은 설명을 반복합니다. 일을 줄이려고 도입한 AI 앞에서, 오히려 우리 회사가 어떤 회사인지 계속 설명하고 있는 겁니다.
데이터를 넘기는 방식이 달라져야 합니다
여기서 중요한 것은 AI를 쓰느냐 안 쓰느냐가 아닙니다. 회사 데이터를 AI가 바로 읽을 수 있는 상태로 갖춰두었느냐입니다.
개인과 회사는 출발점이 다릅니다. 개인은 머릿속 맥락을 그때그때 풀어 넣으면 됩니다. 회사는 그렇게 하기 어렵습니다. 의사결정 기준은 대표 머릿속에, 응대 이력은 영업담당자 카톡에, 제안서 폴더는 디자이너 PC에 있습니다. 이걸 매번 모아 AI에게 설명할 수는 없습니다.
데이터가 흩어진 채 AI를 돌려도 그럴듯한 답은 나옵니다. 하지만 그 답으로 매출을 만들고, 고객에게 답하고, 신규 사업을 밀어붙이기는 어렵습니다. 그래서 관점을 바꿔야 합니다. 필요한 건 더 좋은 도구를 찾는 일이 아니라, AI가 바로 참고할 수 있는 회사 데이터를 쌓는 일입니다. 도구는 매년 바뀌지만 데이터는 회사에 남습니다.
"쌓으면 되겠네"가 제일 어렵다
말은 쉽습니다. 해보면 압니다. 고객 DB는 사장님 핸드폰 연락처에, 상담 이력은 카톡방마다 따로, 리뷰는 인스타 DM과 스마트스토어에 흩어져 있습니다. 기획서는 기획자의 구글 드라이브에, 제안서는 디자이너 노트북에, 프로젝트 이력은 대표의 머릿속에 있습니다. 회의록은 슬랙 채널마다 제각각이고, 고객별 약속은 메모장에, 환불·교환 기준은 누군가의 노션 페이지 어딘가에 있습니다.
이걸 한 번에 모으는 데만 며칠이 걸립니다. 모델이 바뀌면 같은 작업을 반복합니다. 그래서 결론이 이렇게 납니다. "AI는 좋은 거 같긴 한데, 우리 회사가 쓰기엔 아직 좀…." 진짜 원인은 AI가 아니라, 그 앞의 데이터인데도.
한 워크스페이스로 모은 팀에게 생긴 변화
결국 작은 회사가 지금 할 일은 거창한 AX도, 신사업도, 전사 자동화도 아닙니다. 회사 데이터를 한 공간에 쌓는 것. 이 하나입니다.
도구가 쪼개져 있으면 사람이 도구 사이를 오가며 자료를 나릅니다. 카톡에서 이력을 긁고, 구글 드라이브에서 제안서를 찾고, 슬랙에서 회의록을 복사합니다. 이 반복이 굳어지면 AI를 쓰기 위해 사람이 먼저 자료를 정리해야 합니다.
반대로 데이터가 한 워크스페이스에 있으면 AI가 필요한 정보를 바로 찾아 씁니다. 이제는 한 사람당 월 3만 원 정도면 회사 전용 AI 환경을 만들 수 있습니다.
달라지는 부분들이 실제 업무에서 바로 보입니다. 마케팅 글은, 전에는 회사 설명에만 매번 10분을 썼지만 이제 AI가 브랜드 가이드와 기존 발행 글, 고객 리뷰를 참조해 초안을 냅니다. 고객 상담은, 전에는 한 건당 평균 20분씩 이력을 뒤졌지만 이제 고객 이름 검색 한 번에 상담 이력과 약속 사항, 환불 기준까지 묶인 초안이 나옵니다. 회의록은 프로젝트·고객 페이지와 연결돼 있어 "이 결정이 왜 나왔는지"까지 AI가 답합니다.
포인트는 AI 잘 쓰는 사람을 뽑는 게 아닙니다. 어떤 모델을 붙여도 같은 결과가 나오도록 데이터를 갖춰두는 것입니다. 사람이 적을수록 더 그렇습니다. AI가 사람 손을 거치지 않고 일을 처리해줘야 하기 때문입니다.
AI는 잘 쌓아둔 회사에서 잘 돌아갑니다
AI를 도입한다고 일이 줄지 않습니다. 잘 쓰는 직원 한 명이 회사를 AI 회사로 만들지도 않습니다. 구독을 늘린다고 생산성이 자동으로 오르지도 않습니다. 차이는 회사가 AI에 넘겨줄 맥락을 어떤 형태로, 어디에 쌓아두느냐에서 갈립니다.
오늘의 고객 응대 한 건, 회의록 한 장이 한 공간에 쌓여야 합니다. 그래야 1년 뒤, 2년 뒤 어떤 모델이 나와도 첫날부터 쓸 수 있는 회사가 됩니다. 쌓지 않은 회사는 새 모델이 나올 때마다 준비를 처음부터 반복하고, 격차는 갈수록 벌어집니다. AI는 잘 쓰는 회사가 아니라 잘 쌓아둔 회사에서 일한다는 것. 이게 100명 넘는 대표님을 만나며 얻은 결론입니다.
오늘 받은 문의 한 건부터 한 공간에 쌓는 것, 거기서 시작하면 됩니다.
