32
해외 회사들이 AI에 맡긴 일은 대부분 고객 문의 답변, 청구서와 제안서 분류, 재고·예약 관리, 숙련 기술 전수처럼 매주 반복되는 일 하나였습니다. 직원 2명인 ChatPRD는 Intercom의 AI 상담원이 상담 물량의 70%를 처리한다고 밝혔고(Intercom 고객 페이지, 2026-11-03 확인), 직원 8명인 일본 남부철기 공방은 베테랑 장인의 지식을 AI에 옮겨 젊은 장인의 기초 교육에 씁니다. 원문으로 확인한 15곳 중 11곳은 성과를 공개했고 4곳은 중간에 멈췄습니다. 성과 숫자는 대부분 도구를 판 회사나 그 회사 자신이 발표한 것이라, 누가 말한 숫자인지도 같이 적었습니다.
이 사례를 모은 건 메인비즈협회가 2026년 11월 2일 발표한 조사 때문입니다. 중소기업 307곳 중 71.4%가 AI가 필요하다고 답했지만 2년 안에 구체적인 도입 계획이 있는 곳은 17.6%였고, 도입을 검토하는 단계에서 가장 많이 꼽은 걸림돌이 "우리 업무에 맞는 활용 사례가 없다"(49.2%, 복수응답)였습니다.
그림 1. 이 글에 나온 사례를 업무 유형별로 모은 포스터. 각 숫자와 출처는 본문에 다시 적었습니다.
"맞는 사례가 없다"는 한국만의 고민일까요?
아닙니다. 영국 과학혁신기술부(DSIT)가 직원 5명 이상 민간 기업 3,500곳을 전화로 조사해 2026년 1월 28일 공개한 AI Adoption Research를 보면, 응답 기업의 71%가 "AI가 필요한 곳을 찾지 못했다"고 했습니다. AI를 쓰지도 않고 쓸 계획도 없는 기업(2,581곳)만 보면 81%입니다. 51%는 AI가 자기 사업과 관련이 없다고 봤습니다. 조사 시기는 2025년 2월 12일부터 5월 2일까지입니다.
회사가 작을수록 더 그렇습니다. 같은 조사에서 AI를 쓰는 비율은 직원 5~9명 기업이 14%, 중간 규모가 23%, 대기업이 36%였습니다.
메인비즈협회 조사도 비슷한 그림입니다. 협회 보도자료에 따르면 AI를 실제로 쓰는 단계에서는 소프트웨어 사용료 같은 추가 비용 부담(47.1%)과 AI 결과물을 검토하고 활용할 역량 부족(37.3%)이 걸림돌로 꼽혔습니다. 다만 응답 기업은 경영혁신형 중소기업(메인비즈) 인증을 받은 곳들이라 중소기업 전체보다 혁신 성향이 강할 수 있고, 조사 기간은 공개되지 않았습니다.
사례를 읽기 전에: 이 숫자는 누가 말했나요?
해외 AI 성공 사례의 숫자는 대부분 세 곳 중 하나에서 나옵니다. 도구를 판 회사의 고객 사례 페이지, 그 회사 대표나 직원의 인터뷰, 그리고 정부나 연구자의 조사입니다. 앞의 두 가지는 잘된 고객만 골라 싣는 게 보통이라, 측정 기간이나 비용은 거의 안 나옵니다.
그래서 아래 사례마다 출처의 종류를 붙였습니다. 업체는 도구를 판 회사가 낸 고객 사례, 회사는 해당 회사가 직접 쓴 글, 보도는 언론이 회사 발언을 받아 쓴 기사, 정부·연구는 공공기관 보고서나 논문입니다. 이 글의 성공 사례 11곳 중 9곳은 도구를 판 회사가 낸 자료에 실린 사례입니다(LeanX 집계).
고객 문의를 맡긴 회사들은 어떻게 됐나요?
가장 많은 사례가 여기 모여 있습니다. 같은 질문이 반복되고, 답이 FAQ나 약관에 이미 있는 일이라서요.
ChatPRD (직원 2명, 업체). 제품 문서 작성 도구를 만드는 ChatPRD의 창업자 Claire Vo는 Intercom 고객 페이지에서 "팀이 딱 두 명"인데 Intercom의 AI 상담원 Fin이 상담 물량의 70%를 처리한다고 말합니다. 여기서 70%는 "처리(handling)"라서, 사람 없이 끝까지 해결한 비율과 같은 뜻인지는 페이지에 나오지 않습니다. 기간과 전체 문의 수도 없습니다.
RB2B (소규모 팀, 업체). 같은 Intercom 소기업 페이지에서 RB2B의 AI 책임자 Robb Clarke는 지난 한 달 동안 Fin이 상담 티켓의 60%를 처리해 팀이 142시간을 아꼈고, 해결 1건에 0.99달러로 사람이 처리할 때 드는 약 10달러보다 싸다고 말합니다. 2025년 3월 13일 Intercom 인터뷰에서는 문의의 65%를 자동으로 "해결"하고 월 132시간 이상을 아낀다고 했습니다. 지금 페이지의 60%는 "처리" 기준이라, 시점도 다르고 재는 기준도 다릅니다. 10달러는 RB2B가 계산한 값입니다.
The Knowledge Society (직원 1~25명, 교육, 업체). HubSpot 고객 사례 페이지에서 운영 책임자 Andre Thibault는 HubSpot의 Customer Agent가 이메일 티켓의 70~80%를 해결하고, 처리 완료까지 걸리는 시간이 16시간 넘던 것에서 10시간 미만으로 줄었다고 말합니다.
i-Tom Solutions (루마니아, 업체). 루마니아에서 중소기업 17만 곳 넘게 쓰는 청구서 발행 SaaS입니다. AWS 고객 사례에 따르면 하루 200~600건의 서면 문의가 들어와서, 자사 문서를 찾아 답하는 AI 상담원을 Amazon Bedrock으로 만들었습니다. 개념 검증(PoC)에 4~5주, 실제 배포에 1주가 걸렸습니다. 다만 공개 시점에도 일부 고객만 대상으로 한 "통제된 운영"이었습니다. 이 사례가 좋은 건 걸린 기간을 적었다는 점입니다.
이런 고객 사례 말고 독립적인 연구도 하나 있습니다. Erik Brynjolfsson, Danielle Li, Lindsey Raymond가 Quarterly Journal of Economics에 2025년 실은 논문은 한 소프트웨어 회사 고객지원 상담원 5,172명에게 AI 보조 도구를 순차적으로 붙였더니 시간당 해결 건수가 평균 15% 늘었다고 보고했습니다. 큰 회사의 콜센터 사례지만, 사람이 답을 보내기 전에 AI가 초안을 주는 방식이라 작은 회사도 따라 해 볼 만합니다(LeanX 의견).
청구서와 제안서 같은 서류 일은 어땠나요?
서류 쪽 사례는 규모가 작아도 숫자가 구체적입니다. 매번 같은 형식으로 들어오는 서류라서 맞았는지 틀렸는지 확인하기 쉽거든요.
Beach Cities Builder (미국 시공사, 업체). 대표 Morgan Sterling은 하도급 업체가 이메일로 보내는 청구서를 직접 열어 공사별 폴더에 옮기는 일을 하고 있었습니다. 진행 중인 공사 폴더가 30개쯤, 공사마다 하도급 업체가 10~15곳입니다. OpenAI Academy 인터뷰(2026-05-08)에 따르면 그는 ChatGPT의 도움을 받아 이메일에 연결된 스크립트를 만들었습니다. 청구서를 한 폴더에 모으고, 읽고, 어느 공사 건인지 찾아서 제자리로 옮기는 스크립트입니다. 첫 버전을 만드는 데 2시간쯤 걸렸고, 일주일에 5~6시간을 아낀다고 합니다. 모두 대표 본인의 추정이고, 직원 수는 나오지 않습니다.
ICG (직원 5명, 업체). 건설사를 돕는 컨설팅 회사 Industrialized Construction Group은 Microsoft 고객 사례(2025-04-25)에서 Microsoft 365 Copilot으로 제안서 응답 시간을 80% 줄였다고 밝혔습니다. 몇 건의 제안서로 잰 숫자인지는 없습니다.
Gold Bond (직원 185명, 보도). 미국 판촉물 회사 Gold Bond에는 대리점에서 1년에 약 12만 건의 청구서가 들어옵니다. CIO Dive 기사(2026-02-03)에 따르면 이 회사는 Google Cloud의 Vertex AI(Gemini)와 NetSuite 스크립트로 청구서에 담긴 고객 디자인 시안을 매일 밤 600~700건씩 분류합니다. 그 일을 하던 파트타이머는 해고되지 않고 회사 담당자 자리로 옮겼습니다. CIO Matt Price의 조언은 단순합니다. 돈이나 사람이 많이 드는 곳을 찾아서 그 작은 업무 하나를 AI로 자동화해 보라는 겁니다. 직원 수 185명은 Google Workspace 고객 사례에 나옵니다.
영업과 재고에서는 무엇이 바뀌었나요?
ATV Big Air Tour (운영진 2명, 업체). 미국 전역에서 ATV 묘기 쇼를 여는 회사로, 공동 창업자 두 명이 이끕니다. OpenAI 고객 사례(2026-09-02)를 보면 굿즈 재고를 세고 다시 주문하는 데 2~3일 걸리던 일이 ChatGPT로 2~3시간이 됐습니다. 행사 정보가 여러 사이트에 제대로 올라갔는지 확인하는 일은 일주일에 8시간쯤에서 1시간으로 줄었습니다. 재미있는 숫자도 하나 있습니다. 사이트에 들어온 OpenAI 검색·사용자 봇 방문이 30일 단위로 비교해 183건에서 2,421건이 됐다고 합니다. 무엇 때문에 늘었는지는 나오지 않습니다.
Podium의 고객 가게들 (업체). 지역 가게의 전화·문자 문의에 AI가 답하고 예약을 잡아 주는 Podium의 사례를 OpenAI가 2025년 12월 11일 소개했습니다. 중서부의 한 자동차 판매 그룹은 영업시간 외 예약이 80% 늘었고, 텍사스의 한 냉난방 수리점은 한 달에 긴급 수리를 15건 더 받았다고 합니다. 두 곳 모두 이름이 나오지 않습니다.
Jon & Vinny's (미국 식당, 업체). OpenAI가 2025년 12월 낸 Small Business Jam 보고서 16쪽에서 공동 경영자(Managing Partner) Damien Kinkela는 매장 판매량과 메뉴 구성 데이터를 구매, 생산, 인력 계획 예측에 쓴다고 말합니다. 숫자는 없습니다. 그래도 식당이 판매·메뉴 구성 데이터로 구매와 생산, 인력 계획을 예측하는 실제 쓰임새라서 넣었습니다.
제조 현장에서는 어떻게 썼나요?
타야마스튜디오 (일본, 직원 8명, 정부). 이와테현 모리오카에서 남부철기를 만드는 공방입니다. 일본 중소기업청의 2025년판 소규모기업백서 사례 1-1-1에 따르면, 예전에는 장인 한 명을 키우는 데 10년쯤 걸렸습니다. 이 회사는 2023년부터 이와테대학과 함께 베테랑 장인을 인터뷰해, 주조의 기초와 불량이 생기는 원리를 AI에 학습시켰습니다. 젊은 장인은 그 AI에게 물어 가며 기초를 혼자 익힙니다.
지금은 입사 3년 차 장인이 제품을 혼자 완성합니다. 다만 백서는 이를 공정을 단순하게 만든 신제품 '아카이링고(あかいりんご)'와 AI 활용을 함께 한 결과로 적었습니다. 베테랑의 지도 시간이 줄어드는 효과는 "보이기 시작했다"는 정도이고, 색 입히기나 불 조절 같은 고급 기술은 아직 AI로 옮기지 못했다고 합니다. 작은 제조사가 AI 비전 검사부터 시작하기 어렵다면, 숙련자의 머릿속을 문서와 질문 답변으로 옮기는 이 방식이 먼저 해 볼 만합니다.
멈춘 회사들은 어디서 멈췄나요?
잘된 이야기만 모으면 홍보물이 됩니다. 멈춘 사례도 네 곳 찾았습니다.
MING Labs (작은 디지털 컨설팅사, 회사). 공동 창업자 Sebastian Mueller가 2026년 4월 2일 쓴 회고에 따르면, 다른 AI 에이전트들의 일을 조율하는 에이전트 'Major Tom'이 3월 17일부터 13일 동안 메시지 764개를 만들었습니다. 그는 "중요한 건 하나도 없었다", "누구도 그걸 보고 움직이지 않았다"고 썼고, 3월 30일 이 에이전트를 껐습니다. 그 뒤로는 에이전트가 무엇을 할 수 있는지보다 어떤 역할을 책임지는지부터 묻기로 했다고 합니다.
Who Gives A Crap (호주 생활용품, 보도). SmartCompany 보도(2026-07-08)에 따르면 가격 인상 안내 메일에 사람이 낸 오타가 있었습니다. 고객이 문의하자 AI 이메일 상담원이 그 틀린 내용을 다시 확인해 줬습니다. 화장지 48롤 66달러가 24롤 69.50달러로 바뀐다고요. 실제로는 48롤에 69.50달러였습니다. 회사는 이메일 상담원을 즉시 끄고 정정 메일을 보냈습니다. AI가 실수를 만든 게 아니라 잘못된 원본을 그대로 믿었다는 점이 오히려 무섭습니다.
Starbucks (대기업, 보도). Fortune(2026-05-28)에 따르면 매장 음료 재료 재고를 자동으로 세는 NomadGo의 앱을 9개월 만에 접었습니다. 이 기사가 인용한 로이터 보도에는 물건을 잘못 세거나 잘못 표시하는 일이 있었다는 내용이 나옵니다. Starbucks는 직원 의견을 듣고 바꾼다고만 밝혔습니다. 큰 회사지만, 매장 재고 세기는 작은 가게도 똑같이 하는 일이라 넣었습니다.
Klarna (대기업, 회사·보도). Klarna는 2024년 2월 27일 보도자료에서 AI 상담원이 정규 상담원 700명분의 일을 하고 문제 해결 시간이 11분에서 2분 미만으로 줄었다고 발표했습니다. 1년 뒤인 2025년 5월, CEO는 블룸버그 인터뷰에서 비용만 보다 보니 품질이 떨어졌다고 인정하고 사람 상담원을 다시 늘리는 시범 운영을 시작했습니다(Fortune, 2025-05-09). 회사는 여전히 "AI 우선"이라고 밝혔으니 완전히 접은 건 아닙니다.
15곳을 한 번에 보면
· ChatPRD(직원 2명)는 AI 상담원이 상담 물량의 70%를 처리한다고 밝혔습니다(업체, Intercom).
· RB2B는 지난 한 달 상담 티켓의 60%를 AI가 처리해 142시간을 아꼈다고 했습니다(업체, Intercom).
· The Knowledge Society(직원 1~25명)는 이메일 티켓의 70~80%를 AI가 해결하고, 처리 완료 시간이 16시간 넘던 것에서 10시간 미만이 됐습니다(업체, HubSpot).
· 루마니아의 i-Tom Solutions는 하루 200~600건 문의에 AI 상담원을 붙이는 데 PoC 4~5주, 배포 1주가 걸렸고 일부 고객만 대상으로 운영했습니다(업체, AWS).
· 미국 시공사 Beach Cities Builder 대표는 2시간 만든 청구서 분류 스크립트로 주 5~6시간을 아낀다고 추정합니다(업체, OpenAI).
· 직원 5명인 ICG는 제안서 응답 시간을 80% 줄였다고 밝혔습니다(업체, Microsoft).
· 직원 185명인 Gold Bond는 연 12만 건 청구서 속 디자인 시안을 매일 밤 600~700건씩 AI로 분류합니다(보도, CIO Dive).
· ATV Big Air Tour는 굿즈 재고·재주문이 2~3일에서 2~3시간이 됐고, 행사 정보 확인에 쓰던 주 7시간을 아꼈습니다(업체, OpenAI).
· Podium의 이름 비공개 고객인 중서부 자동차 판매 그룹은 영업시간 외 예약이 80% 늘었습니다(업체, OpenAI·Podium).
· Jon & Vinny's는 판매·메뉴 구성 데이터로 구매와 생산, 인력 계획을 예측한다고 했지만 숫자는 공개하지 않았습니다(업체, OpenAI 보고서 속 회사 발언).
· 일본 타야마스튜디오(직원 8명)에서는 입사 3년 차 장인이 신제품과 AI 자습 덕에 제품을 혼자 완성합니다(정부, 일본 중소기업청).
· MING Labs는 조율용 에이전트가 13일 동안 메시지 764개를 만든 뒤 껐습니다(회사).
· 호주 Who Gives A Crap은 이메일 상담원이 틀린 가격을 확인해 준 뒤 즉시 중단했습니다(보도, SmartCompany).
· Starbucks는 매장 재고 자동 집계 앱을 9개월 만에 철회했습니다(보도, Fortune).
· Klarna는 AI 상담원이 700명분 일을 한다고 발표하고 1년 뒤 사람 상담원을 다시 늘리기 시작했습니다(회사·보도).
그래서 AI를 쓰면 실제로 돈이 되나요?
여기서부터는 조심해서 읽어야 합니다. 영국 조사에서 AI를 쓰는 기업(700곳)의 75%는 생산성이 좋아졌다고 답했지만, 77%는 아직 매출에 변화가 없다고 했습니다. 매출이 늘었다는 곳은 12%였습니다. 모두 기업이 스스로 답한 숫자입니다.
일본 중소기업청의 2026년판 중소기업백서 제2-2-12도는 2019년부터 2024년까지 부가가치 증가율 중앙값을 비교했습니다. AI를 쓴 기업(2,618곳)은 23.0%, 안 쓴 기업(9,089곳)은 17.9%였습니다. 다만 여기서 AI는 이미지·음성 인식과 데이터 분석까지 넓게 잡았고, 원래 잘나가던 회사가 AI도 먼저 썼을 수 있습니다. 백서도 이 차이를 AI 덕분이라고 단정하지 않았습니다.
결국 이렇습니다. 일하는 시간이 줄었다는 숫자는 많지만, 그 시간이 매출이나 비용 절감으로 이어졌다는 숫자는 드뭅니다. Beach Cities Builder가 아낀 주 5~6시간이 돈이 되려면 그 시간에 공사를 하나 더 받아야 합니다.
우리 회사에 옮긴다면 어디서부터 할까요? (LeanX 제안)
여기부터는 LeanX의 제안입니다. 위 사례들의 공통점을 직원 10~100명 규모 회사에 맞춰 적었습니다.
지난달 가장 많이 반복한 일 하나만 고르세요. 위 11곳이 공개한 성과는 대부분 상담 문의, 청구서 분류, 재고 세기처럼 매주 똑같이 돌아오는 일 하나에서 나왔습니다.
시작 전 2주를 재 두세요. 건당 처리 시간, 하루 처리 건수, 실수나 재작업 건수. 위 고객 사례 대부분에는 이 기준선이 없어서, 숫자가 좋아 보여도 우리 회사 숫자로 옮길 수가 없습니다.
사람이 확인하는 자리를 정하세요. Who Gives A Crap은 AI가 틀린 원본을 그대로 믿었고, Klarna는 비용만 보다가 품질을 놓쳤습니다. 가격, 환불, 계약 조건처럼 틀리면 돈이 나가는 답은 처음엔 사람이 보고 내보내는 게 안전합니다.
멈출 기준을 먼저 적으세요. MING Labs는 13일 만에 껐습니다. 그 정도면 빨리 끈 편입니다. "2주 뒤 처리 시간이 20% 안 줄면 멈춘다"처럼 숫자로 적어 두면 미련 없이 접을 수 있습니다.
한국에서 따로 확인할 것도 있습니다. 해외 사례의 상담은 이메일과 웹 채팅이 중심이라, 카카오톡 채널이나 네이버 톡톡과 연결되는지 봐야 합니다. 청구서는 세금계산서와 사업자등록번호 형식이 다릅니다. 고객 정보를 해외 AI 서비스에 넣기 전에는 그 도구가 데이터를 어디에 저장하는지, 개인정보 처리위탁이나 국외이전 고지가 필요한지부터 확인하세요.
한계
이 글의 성공 사례 숫자는 대부분 도구를 판 회사의 고객 사례 페이지에서 나왔습니다. 측정 기간, 전후 비교 기준, 구축과 운영 비용은 거의 공개되지 않았고, 잘 안 된 고객은 이런 페이지에 실리지 않습니다. 일부 회사는 직원 수가 나오지 않아 규모를 확정하지 못했습니다. 업체 고객 사례 페이지 상당수는 게시일이 없어 확인한 날짜(2026년 11월 3일)를 기준으로 했습니다. Starbucks와 Klarna는 대기업이지만 작은 회사도 똑같이 해 볼 업무라서 넣었습니다. 메인비즈협회 조사는 보도자료로 확인했고, 조사 기간과 원자료는 확인하지 못했습니다. 한국 법 관련 내용은 확인할 거리를 적은 것이고, 법률 판단은 아닙니다.
지난달 가장 많이 반복한 일 하나, 그게 첫 사례입니다.
LeanX는 AX 컨설팅과 AI 자동화 구축을 하는 팀입니다. 반복 업무 하나를 골라 2주 기준선을 재고, 사람이 확인할 자리와 멈출 기준까지 회사 상황에 맞춰 같이 짜 볼 수 있어요. 어디부터 할지 모르겠다면 30문항 무료 진단으로 먼저 점검해 보세요.
참고한 글
· 메인비즈협회, 2026 중소기업 AI 도입·활용 실태조사 보도자료 (2026-11-02)
· UK DSIT, AI Adoption Research (2026-01-28)
· 日本 中小企業庁, 2025年版 小規模企業白書 事例1-1-1 / 2026年版 中小企業白書
· Brynjolfsson·Li·Raymond, "Generative AI at Work", Quarterly Journal of Economics (2025)
· MING Labs, "We fired an AI agent" (2026-04-02)
출처 링크는 원문에 모두 달아 두었습니다.
