Research
AI 시대에 범용 AI를 사용할지, 특화형 AI 에이전트 제품을 도입할지, 자체 개발할지: 최신 연구·사례를 통한 시스템 도입 방안
Product
Career
일본어 원문으로부터의 자동 번역입니다
Overview
기업용 AI를 자사 개발한 경우, 본격 운영에 이르는 비율은 겨우 5%이며, 자사 개발뿐만 아니라 기존 제품의 범용 AI나 특화형 AI에이전트를 적재적소에 도입하는 것이 기업의 AI 도입 성공률을 높입니다. 본 글에서는 IT 프로젝트 실패에 관한 연구와 사례, 그리고 2025년 이후의 AI 기업 조사를 바탕으로, 범용 AI·특화형 AI에이전트·자사 개발의 3가지 선택지를 업무의 성질에 따라 구분하는 방법을 정리합니다. 결론적으로, "모델은 구입하고, 데이터는 자사에서 보유하며, 워크플로우는 업무의 성질에 따라 선택"하고, 망설여지면 범용 AI에서 시작하여 특화형, 자사 개발으로 가역적인 순서로 진행하는 것이 중요합니다.
시작하며
AI의 발전은 눈부신 수준이며, 거의 모든 기업과 조직에게 AI 도입은 필수적인 검토 사항이 되었다고 생각합니다. AI 도입의 선택지로는 크게 2가지가 있으며, 기존 제품을 도입하는 것 또는 자사 개발을 하는 것입니다. 그리고 AI에 관해 기존 제품을 도입하는 것은 2가지 선택지로 나뉘며, 범용 AI를 도입하는 것, 특화형 AI에이전트를 도입하는 것이 있습니다. 이들은 도입 대상이 되는 업무에 따라 선택을 구분할 필요가 있으며, 본 글에서는 그 방법을 최신 연구와 실무 사례를 바탕으로 정리합니다.
본 칼럼의 새로운 점은 다음 4가지입니다.
기존 제품 도입과 자사 개발의 성공 사례·실패 사례·성공 확률을 비교하고 있습니다:IT 프로젝트의 실패에 관해서는 많은 사례와 통계가 얘기되어 왔지만, "기존 제품을 도입한 경우"와 "자사 개발한 경우"의 성공과 실패를 모두 동일한 기준에서 비교한 정리는 많지 않습니다. 본 글에서는 양쪽의 성공 사례·실패 사례와 조사 연구가 보여주는 성공 확률을 나열하여, 어느 한쪽이 안전하다는 단순한 결론이 아님을 보여줍니다.
실패의 요인을 시스템 도입의 공정에 따라 빠짐없이 중복 없이 정리하고 있습니다:소프트웨어 공학·행동 경제학·정보 시스템 연구에 각각 실패 요인에 관한 연구가 축적되어 있지만, 서로 다른 용어로 표현되어 실무가가 전체 상을 파악하기 어려운 상황에 있습니다. 본 글에서는 기획부터 운영까지의 5가지 공정에 따라 요인을 배치하고, 기존 제품 도입에 고유한 요인, 자사 개발에 고유한 요인, 양쪽에 공통하는 요인을 구별합니다.
"어느 업무가 기존 제품에 적합하고, 어느 업무가 자사 개발에 적합한가"를 경영학 이론으로 판단할 수 있습니다:Williamson(1985), Barney(1991), Carr(2003), Wardley(2020) 등의 이론을 "차별화" "자산 특수성" "시장 성숙도" "변화 속도"라는 4가지 판단 축으로 번역하고, 업무의 성질에서 도입 형태를 도출할 수 있도록 합니다.
"범용 AI" "특화형 AI에이전트" "자사 개발"의 3가지 선택지를 커스터마이징 여부도 포함하여 대상 업무와 대응시키고 있습니다:2025년 이후 공표된 기업 조사(MIT NANDA, 2025; Menlo Ventures, 2025)는 AI에서도 자사 개발의 본격 운영 도달률이 기존 제품의 절반 정도 수준에 그친다는 것을 보여줍니다. 본 칼럼에서는 범용 AI와 특화형 AI에이전트의 차이를 "대상 시장" "제공하는 가치" "내재된 지식"의 관점에서 정리하고, 각각을 커스터마이징 없이 사용하는 경우와 커스터마이징하여 사용하는 경우로 나누어 적합한 업무를 보여줍니다.
시스템 도입의 성공 사례·실패 사례
시스템 도입의 판단을 생각하기 위한 전제로서, 먼저 "어떠한 성공과 실패가 발생하고 있는가"를 확인합니다. 실패는 자사 개발에만 국한된 현상이 아니며, 기존 제품의 도입에서도 반복되고 있습니다. 동시에 성공 사례를 보면, 기존 제품 도입과 자사 개발의 각각에 성공하기 위한 명확한 조건이 있음을 알 수 있습니다.
기존 제품 도입
기존 제품 도입의 성공 사례
기존 제품 도입의 성공 사례에 공통적인 것은 "제품을 업무에 맞추어 만드는 것이 아니라 업무를 제품의 표준에 맞춘" 것, 그리고 "단계적으로 도입한" 것입니다.
Hershey(2002년): 실패의 3년 후, 같은 제품으로 성공한 사례:1999년에 ERP를 일괄 전환하여 대규모 출하 장애를 일으킨 Hershey는 2002년에 동일 SAP 시스템의 대규모 업그레이드를 실시했으며, 이번에는 예정보다 빨리 완료하고 예산을 약 20% 하회했습니다(Koch, 2002). 달라진 것은 제품이 아니라 진행 방식이었으며, 수요 비수기에 전환을 실행하고, 테스트와 교육에 충분한 기간을 확보하며, 단계적으로 이행한 것이 성공의 요인이 되었습니다.
Nike(2001〜2006년): 단계적 도입으로의 전환:Nike는 2000년에 수요 예측 시스템 도입으로 약 1억 달러의 매출 기회를 잃는 실패를 경험했지만, 이후 기간 시스템 개편에서는 "한 번에 모든 것을 전환하지 않는다"는 방침으로 전환했으며, 지역별·업무별로 수년에 걸쳐 단계적으로 도입했습니다. 이러한 전환으로 2006년까지 큰 장애 없이 개편을 완료했습니다(Koch, 2004).
Netflix(2008〜2016년): 기반은 구입하고, 차별화는 만든다:Netflix는 2008년의 데이터베이스 장애를 계기로 자사 데이터센터에서 AWS로의 이전을 시작했으며, 2016년에 마지막 데이터센터를 폐쇄했습니다(Netflix, 2016). 서버와 데이터베이스 등의 기반은 외부 클라우드를 이용하는 한편, 추천 알고리즘과 배송 제어 같은 차별화의 핵심 부분은 자사 개발을 계속했습니다. "무엇을 구입하고 무엇을 만들 것인가"를 명확히 구분한 대표적인 사례입니다.
Capital One(2020년): 금융 기관에 의한 클라우드 전면 이전:미국의 대형 은행 Capital One은 8개의 데이터센터를 모두 폐쇄했으며, 2020년에 인프라를 AWS로 전면 이전했습니다(Capital One, 2020). 규제 산업인 금융 기관에서도 인프라 계층을 외부 제품에 맡기고 고객용 애플리케이션과 데이터 분석에 자사의 개발 자원을 집중시키는 판단이 가능함을 보여줍니다.
기존 제품 도입의 실패 사례
기존 제품 도입의 실패 사례에 공통적인 것은 제품을 표준 그대로 사용하지 않고 자사의 업무에 맞추어 크게 만들어 넣은 것, 또는 전환의 방법을 잘못한 것입니다.
FoxMeyer Drug(1996년):미국의 의약품 도매 대형사 FoxMeyer는 SAP R/3과 창고 자동화 시스템의 도입에 실패했으며, 1996년에 파산 신청에 이르렀습니다. 예상을 훨씬 초과하는 처리량과 병행하여 진행된 창고 개편의 복잡성이 원인이 되었으며, ERP 도입 실패의 상징적 사례가 되었습니다. 예를 들어 신규 시스템이 하룻밤에 처리할 수 있었던 주문은 약 1만 건으로, 구 시스템의 약 42만 건을 크게 밑돌았으며, 수주를 처리하지 못하는 상태가 계속되었다고 보도되었습니다.
Hershey(1999년):과자 대형사 Hershey는 ERP·고객 관리·공급망 계획의 3가지 시스템을 수요 피크인 할로윈 직전에 동시에 가동시켰습니다. 주문 처리의 혼란으로 약 1억 달러 상당의 주문이 출하되지 못했으며, 분기별 이익은 19% 감소했습니다. 도입 일정의 압축과 일괄 전환(빅뱅) 방식이 주요 원인으로 분석되었습니다.
Lidl(2018년):독일의 소매 대형사 Lidl은 7년에 걸쳐 약 5억 유로를 투자한 SAP 도입 프로젝트를 2018년에 중단했습니다. SAP의 표준이 재고를 소매가로 평가하는 것에 비해, Lidl은 원가로 관리하는 기존 방식에 고집하여 대규모 커스터마이징을 거듭한 것이 파산의 원인이 되었다고 지적되었습니다(Handelsblatt, 2018).
Birmingham City Council(2022년〜):영국 최대 규모의 지방자치단체인 버밍엄시는 SAP에서 Oracle Fusion으로의 기간 시스템 이전에서 당초 약 1,900만 파운드의 예산이 1억 파운드를 초과하여 팽창했으며, 재무 보고와 감사에 지장이 생겼습니다. 외부 감시인은 표준 기능으로 대응 가능해야 하는 업무에 과도한 커스터마이징을 실시한 것을 주요 원인 중 하나로 지적했습니다(Grant Thornton UK LLP, 2023). 예를 들어 은행 거래 조정이라는 표준 기능으로 처리 가능해야 하는 업무를 독자 사양으로 만든 결과, 조정이 수작업으로 되돌아가 수만 건의 미처리가 쌓여간 것으로 보도되었습니다.
자사 개발
자사 개발의 성공 사례
자사 개발의 성공 사례에 공통적인 것은 "그 업무가 경쟁 우위의 핵심이며, 시장에 적절한 제품이 존재하지 않고, 개발과 개선를 계속하는 조직 능력이 있었다"는 것입니다.
Walmart(1990년대〜): 공급망의 독자 시스템:Walmart는 1991년에 거래처와 판매·재고 데이터를 공유하는 독자 시스템 "Retail Link"를 구축했으며, 점포별 판매 실적을 거래처에 실시간으로 공개하여 보충의 정확성과 속도에서 경합사를 크게 앞질렀습니다. Bessen(2022)은 이러한 시판되지 않는 독자 소프트웨어가 소매업에서 동사의 우위의 원천이 되었다고 분석했습니다.
Amazon(2000년대〜): 사내 기반이 바로 사업이 된 사례:Amazon은 소매 사업을 지탱하기 위해 독자적으로 구축한 계산 기반·스토리지·데이터베이스를 2006년 이후 AWS로서 외부에 제공했으며, 현재는 동사의 이익 대부분을 생성하는 사업으로 성장했습니다. 자사 개발 시스템이 자사의 업무 효율화에 그치지 않고 새로운 사업 그 자체가 된 사례이며, 독자 개발이 정당화되는 가장 강한 형태라고 할 수 있습니다.
Inditex(Zara)(2000년대): 업무 모델에 맞춘 간소한 독자 시스템:Zara를 전개하는 Inditex는 2주일에 기획에서 점포 전개까지를 회전시키는 독자 업무 모델을 지탱하기 위해, 점포 단말기에서 본부 생산 계획까지 연결하는 시스템을 자사에서 개발했습니다. Ferdows et al.(2004)은 동사의 시스템이 기술적으로는 간소한 한편, 업무 모델에 완전히 부합하며, 시판 제품으로는 실현 불가능한 경쟁 우위를 생산하고 있다고 분석했습니다.
JPMorgan Chase(2024년〜): 규제 산업에서의 자사 개발 AI:JPMorgan Chase는 외부의 기초 모델을 사내 기반 위에서 이용하는 "LLM Suite"를 자사 개발했으며, 2024년에 전개를 시작하여 2025년까지 약 20만 명의 직원이 이용하는 규모로 확대했습니다(JPMorgan Chase, 2025). 금융 규제하에서 기밀 데이터를 외부에 출력할 수 없다는 것, 거대한 기술 조직과 연간 수십억 달러의 기술 예산을 보유한다는 것, 독자 데이터가 차별화의 핵심이라는 것이라는 조건이 모두 맞아떨어진 사례입니다.
자사 개발의 실패 사례
자사 개발의 실패 사례에 공통적인 것은 거대한 독자 시스템을 장기간에 걸쳐 일괄로 구축하려고 한 것, 여러 조직의 성과물을 통합하는 책임자가 부재했던 것, 그리고 요건이 끝까지 계속 바뀐 것입니다.
영국 NHS의 국가 프로그램(NPfIT):2002년에 시작된 영국 국민 보건 서비스의 전자 의무기록 통합 프로그램은 약 100억 파운드 이상을 투자한 후, 2011년에 사실상 해체되었습니다. 영국 하원의 공회계위원회는 "사상 최악의 IT 대 실패 중 하나"라고 평가했습니다(House of Commons Committee of Public Accounts, 2013). 중앙집권적으로 거대한 독자 시스템을 일괄로 개발하려고 한 것, 현장의 의료 기관별로 다른 요건을 반영하지 못한 것, 계약한 개발 기업과의 관계가 파국에 이른 것이 주요 원인이 되었다고 지적되었습니다. 예를 들어, 전국에서 통일된 전자 의무기록을 목표로 했음에도 불구하고, 병원별로 진료 절차와 기록 양식이 달랐으며, 현장이 사용할 수 있는 형태로 완성하지 못한 채 개발 기업이 상차로 철수했습니다.
미국 Healthcare.gov: 2013년 10월에 공개된 의료보험 거래소 사이트는 공개 첫날 수백만 명의 접속에 비해 단 수명만이 등록을 완료할 수 있었으며, 대규모 재정비가 필요했습니다. 여러 도급업체가 분담하여 개발한 독자 시스템을 통합할 책임자가 부재했다는 점, 요건이 공개 직전까지 계속 변경되었다는 점, 부하 테스트가 본번 직전까지 실시되지 않았다는 점이 감시에서 지적되었습니다(U.S. Government Accountability Office, 2014).
Hertz의 웹사이트·앱 개발: 렌터카 대형사 Hertz는 2016년부터 컨설팅 회사에 위탁하여 새로운 웹사이트와 모바일 앱을 개발했지만, 납품물이 작동하지 않는다고 하여 2019년에 3,200만 달러의 반환과 손해배상을 청구하며 제소했습니다. 요건의 변경, 모바일 대응의 부재, 테스트의 부족이 쟁점이 되었으며, 독자 개발을 외부에 위탁하더라도 "위탁처를 바꾸면 해결된다"는 문제가 아님을 보여주는 사례가 되었습니다. 예를 들어, 태블릿용 화면 크기 대응이 계약에 포함되는지 여부를 놓고 양자의 인식이 달랐으며, 발주처가 요건을 명확하게 정의하고 검수하는 능력을 결여했음이 드러났습니다.
금융기관의 계정 시스템: 대형 은행의 계정 시스템 전면 개편은 복수년·수천억 엔 규모의 독자 개발이 되는 경우가 많으며, 가동 후 대규모 장애를 반복한 사례가 각국에서 보고되고 있습니다. 장기간의 개발 기간 동안 요건과 기술이 변화한다는 점, 복수 벤더의 성과물을 통합하는 어려움, 가동 후 시스템의 전체상을 이해하는 인재가 사내에 남지 않는다는 점이 장애의 배경으로 분석되고 있습니다. 예를 들어, 개발에 10년 가까이를 요한 프로젝트에서는 착수 시점에 선택한 기술이 가동 시점에는 구세대가 되어 있었으며, 유지보수할 수 있는 기술자의 확보 자체가 과제가 되었습니다.
시스템 도입의 성공 확률
개별 사례만으로는 어느 형태가 어느 정도의 확률로 성공하는지 알 수 없습니다. 본 장에서는 조사 연구가 보여주는 성공 확률을 확인합니다.
기존 제품 도입의 성공 확률
ERP(기간 시스템)의 도입 성공률은 약 50% 미만: 기존 제품 도입의 대표인 ERP에 대해 Panorama Consulting Group(2023)의 지속적 조사는 도입 기업의 절반 전후가 예산 또는 기간을 초과했으며, 당초 기대했던 효과를 충분히 얻었다고 응답하는 기업은 절반 미만이라고 보고하고 있습니다. 한편, 프로젝트의 규모가 작고 철수가 용이하므로 극단적인 실패는 드뭅니다. 기존 제품의 도입은 업무 영역별로 분할하여 계약·해약할 수 있으므로, 1건당 투자액과 실패 시의 손실이 한정됩니다. 예를 들어, 영업 지원 도구의 도입에 실패하더라도 손실은 수개월분의 이용료와 이행 비용에 그치며, 기업의 존속에 관련된 경우는 드뭅니다.
SaaS 라이센스의 이용률은 60% 정도: 도입 자체는 완료되었더라도 계약한 라이센스가 사용되지 않는 형태의 실패는 널리 나타납니다. Zylo(2023)의 조사에 따르면 기업이 계약하고 있는 SaaS 라이센스 중 약 40%가 미사용 상태이며, 1사당 연간 약 1,700만 달러가 낭비되고 있다고 보고하고 있습니다. 예를 들어, 부문별로 별도의 프로젝트 관리 도구를 계약한 결과, 전사에 5종류의 동종 도구가 병존하며 어느 것도 정착하지 않은 사례입니다.
AI의 도입 성공률에서 기존 제품 도입은 자사 개발의 2배: MIT NANDA(2025)는 외부 벤더와의 제휴를 통해 도입한 AI 도구의 본번 도달률이 약 67%였던 반면, 자사 개발한 도구는 약 33%에 그쳤다고 보고하고 있습니다. 기존 제품을 선택하는 것이 성공을 보장하지는 않지만, 성공 확률을 크게 높인다는 점은 AI에서도 확인되고 있습니다.
자사 개발의 성공 확률
자사 개발의 성공률은 약 30%: Standish Group이 지속적으로 공표하고 있는 CHAOS 리포트에서는 예산·기간·만족도의 모든 기준을 충족한 소프트웨어 프로젝트가 전체의 약 3할 정도이며, 약 2할은 중단 또는 미사용으로 끝나고, 나머지 절반은 예산 초과·지연·기능 부족 중 하나를 안은 채 완료된다고 합니다(Standish Group, 2015, 2020). 성공의 정의나 조사 대상에는 논의가 있지만, 이 비율은 20년 이상 크게 변하지 않고 있습니다.
자사 개발의 규모별 성공률은 대규모 6%, 소규모 61%: Standish Group(2015)의 규모별 집계에서는 소규모 프로젝트(100만 달러 미만)의 성공률이 61%인 반면, 대규모 프로젝트(1,000만 달러 초과)에서는 성공이 6%, 실패(중단 또는 미사용)는 43%에 이릅니다. 프로젝트 규모가 커질수록 성공률은 급락합니다. McKinsey와 옥스포드 대학이 5,400건 이상의 IT 프로젝트를 분석한 조사에 따르면, 예산 1,500만 달러 이상의 대규모 프로젝트는 평균적으로 예산을 45%, 기간을 7% 이상 초과했으며, 당초 상정한 가치를 56% 하회했습니다(Bloch et al., 2012). 예를 들어, 같은 조직이 같은 개발팀으로 진행하더라도 1억 엔의 프로젝트를 10개로 분할하는 경우와 10억 엔의 프로젝트를 1개로 진행하는 경우에는 후자가 "예산·기간·가치를 모두 달성할" 확률은 전자의 10분의 1 정도로까지 내려갑니다.
AI의 자사 개발에서는 성공률 5%: MIT NANDA(2025)는 기업용 커스텀 AI 도구에 대해 평가에 이른 기업이 60%, 파일럿에 진행한 기업이 20%, 본번 운용에 이른 기업은 겨우 5%라고 보고하고 있습니다. 종전의 소프트웨어 개발과 비교하더라도 AI의 자사 개발은 본번 도달의 벽이 높다는 것을 알 수 있습니다.
시스템 도입의 실패 요인
기존 제품 도입과 자사 개발의 각각의 실패 요인을 정리합니다. 시스템 도입을 "기획·투자 판단" "요건 정의·제품 선정" "설계·개발·커스터마이징" "테스트·이행·가동" "운용·보수·진화"의 5가지 공정으로 나누고, 각 공정에서 발생하는 요인을 정리합니다.
기존 제품 도입의 실패 요인
기존 제품의 도입에서는 제품 본체의 설계·개발·보수를 벤더가 담당하므로, 실패 요인은 "제품을 선택하는 단계"와 "제품을 자사에 맞추는 단계", 그리고 "조직 측의 변화"에 집중합니다.
공정1: 기획·투자 판단
도입 형태의 오판: 차별화의 핵이 되는 업무를 표준 제품으로 처리해버리는 판단입니다. 자원 기반 이론(Barney, 1991)이 보여주는 바와 같이, 시장에서 누구나 살 수 있는 제품은 경쟁 우위의 원천이 되지 않으므로, 자사의 강점 그 자체인 업무를 기존 제품으로 대체하면 강점이 상실됩니다. 예를 들어, 독자적인 수요 예측의 정밀도로 경합에 이기고 있던 소매 기업이 표준적인 수요 예측 모듈로 전환한 결과, 경합과 같은 정밀도로 "평준화"되어버린 사례입니다.
보완적 투자의 예산화 누락: Brynjolfsson et al.(2021)은 IT나 AI 등의 범용 기술의 도입 효과가 당초에는 나타나지 않고, 나중에 가속화되는 "생산성의 J커브"를 보여주었습니다. 그 이유는 업무 프로세스의 재설계·인재의 재교육·조직 구조의 변경 같은 무형 자산으로의 보완적 투자가 필요하며, 그것이 계측되지 않는 비용으로 선행하기 때문입니다. 기존 제품의 도입에서는 "라이센스료와 도입 지원비"만이 예산화되고, 업무를 표준에 맞추기 위한 현장의 작업이나 교육이 견적에 포함되지 않는 것이 전형적입니다. 예를 들어, 경비 정산 시스템을 도입했음에도 승인 규칙의 재검토와 관리직에 대한 교육을 실시하지 않아 종이 신청서와 시스템 입력의 이중 운용이 계속된 사례입니다.
"도입하면 효과가 나타난다"는 전제: Aral & Weill(2007)이 보여준 바와 같이 IT 투자의 효과는 투자액이 아니라 조직의 케이퍼빌리티에 의해 결정됩니다. 제품의 기능 목록을 보고 효과를 기대하는 판단은 이 전제를 결여하고 있습니다. 예를 들어, 고객 관리 시스템을 도입하더라도 영업 담당자가 상담 기록을 입력하는 습관과 그 기록을 사용하여 지도하는 관리직의 행동이 없으면 시스템은 "고가의 주소록"에 그칩니다.
공정2: 요건 정의·제품 선정
업무와 제품의 미스핏 간과: Davenport(1998)는 ERP 같은 기업 시스템이 벤더가 상정하는 "업무의 진행 방식"의 전제를 포함하고 있으며, 도입 기업은 "시스템을 업무에 맞출 것인지, 업무를 시스템에 맞출 것인지"라는 전략적 선택을 강요받는다고 述べました. Soh et al.(2000)은 제품과 조직의 불일치(미스핏)를 데이터·기능·출력의 3가지 유형으로 분류했으며, 선정 단계에서 이 불일치를 평가하지 않은 채 도입을 진행하면 나중 공정에서 커스터마이징에 의한 해소를 강요받는다는 점을 보여주었습니다. 예를 들어,
벤더와 제품의 지속성 평가 부족: 제품의 기능 비교에만 그치고 벤더의 재무 상황, 고객 기반, 제품 로드맵, 인수된 경우의 영향, 데이터의 익스포트 수단을 평가하지 않은 채 계약하는 것입니다. Shapiro & Varian(1999)이 보여준 바와 같이 소프트웨어는 데이터 형식·업무 절차·종업원의 스킬이 특정 제품에 의존하므로 전환에 큰 비용이 듭니다. 예를 들어, 스타트업이 제공하는 근태 관리 도구를 전사 도입한 후 그 벤더가 인수되어 1년 후 서비스 종료가 통보되었으나, 과거의 근태 데이터를 일괄로 꺼낼 수 있는 수단이 계약에 포함되지 않았던 사례입니다.
발주처의 케이퍼빌리티 부족: IT 아웃소싱 연구 리뷰(Lacity et al., 2009)는 외부에 맡기는 경우에도 요건을 정의하고 벤더를 평가·통제하는 능력을 발주처가 보유하고 있는 것이 성과를 좌우한다고 일관되게 보고하고 있습니다. 이 능력을 잃은 기업은 벤더의 제안을 평가할 수 없으며, 도입 지원 회사의 말대로 불필요한 기능이나 커스터마이징을 계약해버립니다. 예를 들어, 정보 시스템 부문을 축소하여 외부 위탁으로 전환한 기업이 ERP의 업데이트 시에 "어느 업무에 어떤 설정이 필요한지"를 자사에서 설명할 수 없어 도입 지원 회사가 이전과 같은 설정을 답습한 결과, 이미 폐지된 업무를 위한 기능에 비용을 계속 내고 있는 사례입니다.
공정3: 설계·개발·커스터마이징
과도한 커스터마이징: Brehm et al.(2001)은 ERP의 조정 방법을 "설정(파라미터 변경)"에서 "패키지의 소스코드 개변"까지 9단계로 분류했으며, 단계가 깊어질수록 기술적 리스크·보수 비용·벤더 지원의 상실이 증대된다는 점을 보여주었습니다. 많은 기업은 "커스터마이징"을 일괄로 보는 경향이 있지만, 설정의 범위 내에서 끝나는 조정과 코드에 손을 대는 개변은 성질이 완전히 다릅니다. 예를 들어, 승인 플로우의 단 수를 설정 화면에서 3단에서 4단으로 바꾸는 것은 설정이지만, "부장이 부재중일 때는 과장 2명의 승인으로 대체한다"는 독자적 규칙을 프로그램으로 추가하는 것은 개변이며, 제품의 버전업을 할 때마다 동작 확인과 수정이 필요해지고, 벤더의 보수 비용 증대나 벤더 지원의 상실로 이어집니다.
연계 부분의 복잡화: 제품 본체에 손을 대지 않더라도 다른 시스템과의 연계를 많이 구축하면, 연계 부분이 실질적인 독자 시스템이 됩니다. 예를 들어, ERP와 기존의 판매 관리 시스템, 창고 시스템, 회계 시스템 사이에 수십 개의 데이터 연계를 구축한 결과, 어느 한 제품을 버전업할 때마다 모든 연계의 재시험이 필요해져 "제품은 샀지만 연계의 보수에 전담 팀이 필요"한 상태가 되는 사례입니다.
설정의 복잡화와 속인화:코드를 작성하지 않는 설정이라도, 오랜 세월에 걸친 누적으로 누구도 전체상을 이해할 수 없는 상태가 될 수 있습니다. 예를 들어 고객 관리 시스템에 10년에 걸쳐 수백 개의 항목과 자동화 규칙이 추가되었고, 새로운 규칙을 추가하면 기존 규칙과 간섭하여 예기치 않은 동작이 발생하게 되는 사례입니다.
공정 4:테스트·이관·운영
테스트와 데이터 이관의 경시:기존 제품은 "동작이 보장되어 있다"는 선입견으로부터, 자사의 설정·데이터·연계를 포함한 업무 시나리오의 테스트가 생략되는 경향이 있습니다. Somers & Nelson(2001)은 ERP 도입의 성공 요인을 조사하여 "데이터의 정확성"과 "소프트웨어의 테스트"를 도입 단계의 중요 요인으로 제시했으며, Redman(1998)은 저품질 데이터가 기업의 업무 비용을 증가시키는 메커니즘을 정리했습니다. 예를 들어, 제품 단독으로는 정상적으로 작동하는 청구 처리가 구 시스템에서 이관한 고객 데이터에 포함된 불일치(동일한 고객이 여러 표기로 등록되어 있는 등)로 인해 중복 청구를 일으킨 사례입니다.
일괄 전환의 위험:구 시스템에서 신규 시스템으로 한 번에 전환하는 방식은 문제가 발생했을 때의 영향 범위가 최대화됩니다. Hershey는 수요 피크 직전에 3개 시스템을 동시에 가동하여 수주 처리의 혼란을 초래했습니다. 단계적 이관이나 병행 운영은 비용이 소모되지만, 대규모 실패를 피하기 위한 보험으로 기능합니다. 예를 들어 동일한 Hershey가 2002년의 갱신에서는 한산기를 선택하여 단계적으로 전환함으로써 성공한 것은 이 교훈의 역설입니다.
현장의 수용 부족:기존 제품은 업무 진행 방식의 변경을 전제하므로, 현장이 변경을 수용하지 않으면, 운영 직후에 기존의 절차나 개인의 스프레드시트로의 "역회귀"가 발생합니다. 예를 들어 신규 구매 시스템이 운영을 시작한 후에도 현장 담당자가 종전대로 전화로 발주한 후 나중에 시스템에 입력하는 "사후 입력"이 상례화되어 재고 데이터가 실태와 괴리된 사례입니다.
공정 5:운용·보수·진화
벤더의 방침 변경과 락인:Farrell & Klemperer(2007)이 이론적으로 정리한 바와 같이, 전환 비용은 벤더에게 가격 지배력을 부여합니다. 2023년의 Broadcom에 의한 VMware 인수 이후 라이선스의 영구판이 폐지되고 구독형으로 전환되어 많은 기업의 비용이 수배 증가한 것이 대표적인 사례입니다. 제품의 제공 종료나 벤더 자체의 도산·인수도 이 요인에 포함됩니다.
커스터마이즈된 부분의 보수 부담:공정 3에서 제품에 가한 변경은, 제품의 업데이트마다 재검증과 수정이 필요합니다. Erlikh(2000)이 보여준 바와 같이, 소프트웨어의 라이프사이클 비용의 대부분은 보수이며, 변경 부분의 보수는 자사의 부담이 됩니다. 예를 들어 클라우드형 ERP가 연 4회의 자동 업데이트를 수행할 때마다 독자적으로 추가한 장표나 처리 로직의 동작 확인에 수주일이 필요하고, 업데이트가 "개선"이 아니라 "부담"이 되는 사례입니다.
조직 변혁의 지연과 정착의 실패:시스템이 운영되어도 업무 프로세스와 조직이 변하지 않으면 효과가 나타나지 않습니다. Aral & Weill(2007)이 보여준 바와 같이 효과를 결정하는 것은 조직의 케이퍼빌리티이며, 공정 1에서 보완적 투자를 예산화하지 않은 결과가 이 공정에서 "사용되지 않는 시스템"으로 현실화됩니다. 예를 들어 앞장에서 언급한 Zylo(2023)의 조사가 보여주는 "약 40%의 라이선스가 미사용"이라는 상태는 이 실패의 축적입니다.
SaaS의 난립과 데이터의 분산:부서별로 개별 SaaS를 계약한 결과, 동일한 데이터가 여러 시스템에 분산되어 전사적 파악이 어려워지는 현상입니다. 예를 들어 영업 부서·고객 지원 부서·마케팅 부서가 각각 다른 고객 관리 도구를 사용하여 동일한 고객의 정보가 3곳에서 불일치하는 상태입니다.
자사 개발의 실패 요인
자사 개발에서는 기획부터 보수까지 모든 공정을 자사가 담당하므로, 실패의 요인은 5개 공정 모두에 나타납니다. 특히 요건의 가변성·복잡성·보수 비용이라는 소프트웨어 고유의 성질에 기인하는 요인과 계획 오류·에스컬레이션이라는 인간의 판단에 기인하는 요인이 프로젝트의 규모와 기간에 비례하여 심화되는 점이 특징입니다. 기존 제품 도입에서는 벤더가 인수하는 부분을 자사 개발에서는 모두 자사가 인수하게 됩니다.
공정 1:기획·투자 판단
도입 형태의 오판:차별화로 이어지지 않는 업무를 자사에서 만드는 판단입니다. 거래비용 이론(Williamson, 1985)은 표준적이며 요건이 안정적이고 다수의 공급자로부터 조달할 수 있는 업무는 시장에서 구입하는 것이 합리적임을 보여주지만, 실무에서는 "자사의 업무는 특수하다"는 선입견이나 과거 경위에 의해 판단이 왜곡됩니다. Carr(2003)이 지적한 바와 같이 상용화된 기술 영역으로의 과도한 투자는 우위를 만들지 않으면서 비용과 위험만 증가시킵니다. 이 판단 실수는 후속의 모든 공정 실패의 출발점이 됩니다. 예를 들어 회계·급여·근태와 같이 법령으로 절차가 거의 결정되는 업무를 "자사의 운용에 맞지 않는다"는 이유로 독자 개발하여 법 개정마다 수정 비용을 계속 지불하는 기업이 많습니다.
계획 오류에 의한 비용·기간의 과소 평가:Kahneman & Tversky(1979)는 인간이 계획을 세울 때 과거의 유사 사례(외부적 관점)를 무시하고 눈앞의 계획의 세부(내부적 관점)로부터 추정하는 경향을 지적했습니다. 그 결과 기간과 비용은 체계적으로 과소 평가됩니다. Flyvbjerg(2006)는 대책으로서 유사 프로젝트의 실적 분포로부터 추정을 보정하는 "참조 클래스 예측"을 제안했습니다. 앞장의 멱법칙 분포 연구(Flyvbjerg et al., 2022)는 이 참조 클래스가 어떤 형태를 하고 있는지를 실증적으로 보여준 것이며, 독자 개발의 규모가 클수록 분포의 꼬리는 두꺼워집니다. 예를 들어 "요건이 확정되었으므로 18개월에 완성된다"는 추정은 동종 프로젝트의 실적이 평균 27% 초과·6건 중 1건이 3배인 분포(Flyvbjerg & Budzier, 2011)에 따름을 무시한 "내부적 관점"의 전형입니다.
보완적 투자의 예산화 누락:기존 제품과 마찬가지로 업무의 재설계·교육·조직 변경의 비용이 "개발비" 외부에 놓여집니다(Brynjolfsson et al., 2021). 자사 개발에서는 더욱이 개발 후의 운용 체제(감시, 문의 대응, 장애 대응)의 인력이 추정되지 않는 경우가 많습니다. Lientz & Swanson(1980)은 가동 후의 보수·운용에 필요한 공수가 개발 공수를 초과함을 대규모 조사로 보여주었으며, 이 공수를 예산에 포함시키지 않는 계획은 구조적으로 부족합니다. 예를 들어 개발팀 10명으로 구축한 시스템의 가동 후에 장애 대응과 개선 요청 대응으로 개발팀의 절반이 투입되어 다음 개발에 착수할 수 없게 된 사례입니다.
스코프의 비대화와 일괄 구축 지향:여러 업무 영역을 하나의 거대한 시스템으로 일괄 구축하려는 판단은 규모·기간·통합의 복잡성을 모두 증대시킵니다. Flyvbjerg et al.(2022)는 기술 요소 간의 상호 의존이 연쇄 반응을 일으켜 극단적인 원가 초과로 이어지는 메커니즘을 제시했으며, Flyvbjerg & Gardner(2023)는 작은 단위를 반복적으로 조립하는 모듈식 프로젝트가 일괄 구축형보다 훨씬 안전함을 보여주었습니다. NHS의 NPfIT는 이 일괄 구축 지향의 귀결을 보여주는 사례입니다(House of Commons Committee of Public Accounts, 2013). 예를 들어 "어차피 만드는 것이라면 판매·재고·회계·인사를 모두 통합하자"는 판단은 각 영역의 지연이 상호 영향을 미치는 구조를 스스로 만드는 것입니다.
공정 2:요건 정의·제품 선정
요건은 사용을 시작한 후부터 반드시 변한다:Brooks(1987)는 소프트웨어에는 도구나 기법으로는 해소할 수 없는 "본질적인 어려움"이 있으며, 그 하나가 "사용되기 시작하면 반드시 변경을 요청받는다"는 성질(가변성)이라고 지적했습니다. 이용자는 동작하는 것을 본 후 비로소 정말로 필요한 것을 깨닫고, 법률과 업무도 개발 중에 변하므로, 아무리 정성스럽게 요건을 고정하더라도 "완성되면 끝"이 되지 않습니다. 기존 제품에서는 이 변화에 대한 대응을 벤더가 인수하지만, 자사 개발에서는 자사가 영구적으로 추구하게 됩니다.
요건 정의의 주체 부재:자사 개발에서는 "무엇을 만들 것인가"를 결정하고 개발의 지견·기술을 시스템 회사의 인력만큼 보유하는 책임자가 발주하는 업무 부서 측에 필요합니다. 개발 외주처를 포함한 개발팀은 "어떻게 만들 것인가"는 결정할 수 있지만, "어느 업무를 어느 순서로 어디까지"는 업무를 아는 사람만이 결정할 수 있기 때문입니다. Hofmann & Lehner(2001)는 업무 측의 관여 정도가 프로젝트의 성패를 가장 강하게 설명함을 보여주었으며, Standish Group(2015)도 "이용자의 관여"를 성공 요인의 최상위에 들었습니다. 이 책임자가 없는 상태로 개발이 시작되면 요건은 외주처 시스템 회사의 추정이나 현행 시스템의 모방으로 채워집니다. 예를 들어 업무 부서가 "지금의 시스템과 같은 것이 가능하면 된다"고만 말하고 개발팀이 현행 화면을 하나씩 재현한 결과 20년 전의 업무 절차를 신기술로 다시 만든 시스템만 완성되는 사례입니다.
발주 측(위탁하는 경우)의 케이퍼빌리티 부족:자사 개발을 외부에 위탁하는 경우, 요건을 정의하고 진행 상황과 품질을 평가하는 능력을 발주 측이 보유하지 않으면 납품물을 평가할 수 없습니다(Lacity et al., 2009; Feeny & Willcocks, 1998). 미국 렌터카 대형사 Hertz의 사례(웹사이트 및 모바일 앱의 전면 개편 프로젝트가 실패했다는 이유로 위탁처인 Accenture를 상대로 3,200만 달러 이상의 손해배상)는 이 능력의 결여가 소송에 이를 때까지 방치된 예로 해석할 수 있습니다(Hertz Corp. v. Accenture LLP, 2019). 예를 들어 위탁처로부터 매월 제출되는 진행 상황 보고를 "순조"로 받아들이기만 하고, 납품 3개월 전에 처음 주요 기능이 동작하지 않음을 깨닫는 패턴입니다.
공정 3:설계·개발·커스터마이즈
복잡성과 상호 의존에 의한 연쇄적 지연:Brooks(1975)의 "지연된 프로젝트에 인력을 추가하면 더욱 지연된다"는 법칙은 커뮤니케이션의 비용이 인원의 제곱으로 증가함에 기인합니다. 독자적으로 설계한 시스템은 구성 요소 간의 상호 의존이 많고, 한 곳의 지연이나 설계 변경이 다른 요소로 연쇄됩니다. Flyvbjerg et al.(2022)가 극단적인 원가 초과의 메커니즘으로 제시한 것도 이 연쇄 반응입니다. 예를 들어 데이터베이스 설계 변경이 이를 참조하는 화면·장표·연계 처리 모두에 파급되어 1주일의 변경 작업이 3개월의 수정으로 변하는 구조입니다.
기술적 부채의 축적:Cunningham(1992)이 「기술적 부채」라는 비유로 보여준 것처럼, 납기를 우선한 설계상의 타협은 이후의 변경 비용을 지속적으로 증가시킵니다. 자사 개발에서는 부채의 상환(리팩토링)을 자사에서 계획적으로 수행할 필요가 있습니다. 예를 들어, 「일단 작동하도록」 같은 처리를 여러 곳에 복사하여 구현한 결과, 사양 변경할 때마다 모든 곳을 찾아서 수정해야 하게 되어, 수정 누락으로 인한 결함이 반복되는 사례입니다.
통합 책임의 부재:여러 개발 회사나 부서가 나누어서 개발하는 경우, 전체를 통합하고 품질에 책임을 지는 주체가 없어질 수 있습니다. Healthcare.gov 감시(U.S. Government Accountability Office, 2014)는 통합 책임자의 부재를 주요 실패 요인으로 지적했습니다. 예를 들어, 화면을 담당하는 회사, 데이터 처리를 담당하는 회사, 외부 기관과의 연결을 담당하는 회사가 각각 「자신의 담당 범위는 완성되었다」고 보고하고 있는데, 연결하면 작동하지 않는 상태입니다.
기술 선택의 오류:장기간의 개발에서는 착수 시점에 선택한 기술이 완성 시점에는 진부화되어 있거나, 특정 기술자만 다룰 수 있는 기술을 선택해버릴 수 있습니다. Bisbal et al.(1999)은 이렇게 생겨나는 「레거시 시스템」이 보수할 수 있는 인재의 감소와 기술의 진부화로 인해 조직의 변화를 방해하는 구조를 정리했습니다. 미국의 회계감시원은 연방 정부의 기간 시스템 대부분이 수십 년 전의 언어로 작성되어 있고, 보수할 수 있는 기술자의 퇴직이 임박한 위험이 되고 있다고 보고했습니다(U.S. Government Accountability Office, 2016). 예를 들어, 특정 개발 언어에 정통한 책임자의 판단으로 그 언어를 채택했으나, 그 사람의 퇴직 후 후임을 채용하지 못해 보수가 중단된 사례입니다.
공정 4:테스트·이전·가동
테스트와 데이터 이전의 경시:부하 테스트, 업무 시나리오에 기반한 수용 테스트, 구 시스템으로부터의 데이터 이전 검증이 납기 압박으로 인해 압축되는 것입니다. Healthcare.gov에서는 부하 테스트가 본번 직전까지 실시되지 않았고, Hertz에서는 모바일 대응 테스트 부족이 쟁점이 되었습니다. 예를 들어, 공개 초일에 예상의 10배의 액세스가 집중할 가능성은 미리 예측할 수 있었음에도 불구하고, 그 부하에서의 테스트가 공개 1주일 전에 처음 수행되어, 문제가 발견되어도 수정이 간에 맞지 않았던 경과입니다.
일제 전환의 위험성:구 시스템에서 신 시스템으로 한 번에 전환하는 방식은 문제 발생 시 영향 범위가 최대가 됩니다(Markus & Tanis, 2000). 자사 개발에서는 「병행 가동을 위한 이중의 운용 비용을 들이고 싶지 않다」는 판단으로 일제 전환이 선택되기 쉬워집니다. 예를 들어, 영국의 TSB 은행은 2018년 4월 주말에 고객 계좌를 새로운 계정 기반으로 일제히 이전했지만, 그 다음 주부터 약 190만 명의 고객이 온라인 뱅킹을 이용할 수 없게 되었고, 복구 비용과 고객 보상으로 약 3억 3,000만 파운드의 손실을 계상했습니다. 독립 조사는 이전 전 테스트가 부족한 상태에서 일제 전환을 결정한 것을 주요 원인으로 지적했습니다(Slaughter and May, 2019).
에스컬레이션:멈출 수 없음:Keil(1995)은 실패가 명백해지고 있는 IT 프로젝트가 계속되고 추가 투자되는 현상을 「에스컬레이션」으로 분석했습니다. 이미 투입한 비용에 대한 집착, 책임자의 체면, 「거의 다 완성된다」는 인식의 차이가 철수 판단을 지연시킵니다. 자사 개발은 철수가 곧 투자의 전손을 의미하기 쉬우므로, 에스컬레이션이 장기화합니다. 예를 들어, NHS의 NPfIT는 시작 후 수년이 지난 시점에서 주요 개발 기업이 철수하고 현장의 도입이 진행되지 않음이 명백해졌지만, 「이미 수십억 파운드를 투입했다」는 이유로 해체 판단이 2011년까지 선연되었습니다.
공정 5:운용·보수·진화
보수 비용의 과소 평가:Lientz & Swanson(1980)의 고전적인 조사 이래, 소프트웨어의 라이프사이클 비용 중 보수·운용이 차지하는 비율이 절반 이상임이 반복해서 확인되어 왔으며, Erlikh(2000)은 기업 시스템에서는 85~90%에 이른다고 추정하고 있습니다. 「개발비」를 기준으로 자사 개발과 기존 제품을 비교하는 것은 비용의 대부분을 무시한 비교가 됩니다. 예를 들어, 개발비 1억 엔의 시스템은 10년간의 보수·개수·기반 업데이트에서 추가로 2~5억 엔을 요구하는 것이 일반적이며, 기존 제품의 10년분의 이용료와 비교하면 수십 배 이상 커지는 것이 일반적입니다.
지속적인 변경과 기반 기술의 세대 교체:Lehman(1980)이 정식화한 「소프트웨어 진화의 법칙」은 실제로 사용되는 프로그램은 지속적으로 변경되어야 만족도가 저하되지 않으며, 변경을 계속할수록 복잡성이 증대됨을 보여줍니다. 더하여 OS나 브라우저의 업데이트, 보안 취약점 대응, 법령 개정 추종, 클라우드화나 API화 같은 기반 기술의 세대 교체가 가치를 유지하기 위한 「방어적인 보수」로서 지속적으로 발생합니다. 예를 들어, 2010년대 전반에 구축한 시스템의 대부분은 브라우저 사양 변경, 서버 OS 지원 종료, 암호화 방식의 업데이트할 때마다 개수를 강요당하며, 「기능은 아무것도 변하지 않았는데, 유지하기만 해도 매년 비용이 든다」는 상태가 되었습니다.
인재의 이탈과 지식의 속인화:독자적 시스템의 지식은 그것을 만든 인재에 축적됩니다. Rigby et al.(2016)은 개발자의 이직으로 인한 소프트웨어 지식 손실 정도를 정량화하고, 특정 사람만 이해하는 코드의 비율이 이직 후의 보수 위험을 결정함을 보여주었습니다. 담당자의 인사 이동이나 퇴직으로 인해 「누구도 내용을 이해하지 못하는 시스템」이 생기는 것은 많은 기업에서 공통되는 현상입니다. 기존 제품에서는 표준 기능에 관한 지식이 시장에 유통하고 있기 때문에, 인재의 입체 변화에 대한 내성이 높아집니다. 예를 들어, 설계서가 업데이트되지 않은 채 10년간 개수가 거듭된 시스템에서, 유일하게 전체를 이해하고 있던 담당자가 퇴직하여, 이후는 「건드리면 망가지니까 아무도 건드리지 않는」 시스템이 된 사례입니다.
조직 변혁의 지연과 정착의 실패:기존 제품과 마찬가지로, 시스템이 가동해도 업무 프로세스와 조직이 변하지 않으면 효과는 나타나지 않습니다(Aral & Weill, 2007). 자사 개발에서는 「현행 업무를 그대로 재현한다」는 요건이 되기 쉬우므로, 업무 개선의 기회 자체를 놓치게 됩니다. Hammer(1990)는 기존의 업무 절차를 그대로 자동화하는 것을 「소의 오솔길을 포장하는 것」이라고 부르며, 효과를 낳지 않는 전형으로 비판했습니다. 예를 들어, 종이 신청서를 그대로 화면으로 만든 시스템은 입력의 손고를 줄이기는커녕, 종이에 기입한 후 시스템에도 입력하는 이중 수고를 낳습니다.
기존 제품 도입과 자사 개발의 실패 요인의 상이점
공통점
판단의 기점인 「도입 형태의 오판단」은 어느 쪽에나 공통된다:차별화의 핵을 기존 제품으로 끝내는 오류와 차별화하지 않는 업무를 자사에서 만드는 오류는 같은 판단 축(차별화·자산 특수성·시장 성숙도)을 결여한 데서 비롯됩니다. 예를 들어, 「다른 회사가 자사 개발하고 있으니까」「다른 회사가 이 제품을 쓰고 있으니까」라는 횡렬 판단은 어느 방향이든 틀립니다.
보완적 투자의 경시와 조직 변혁의 지연은 기술이 아니라 조직의 문제이며, 어느 형태에서나 발생한다:Brynjolfsson et al.(2021)의 J곡선과 Aral & Weill(2007)의 조직 케이퍼빌리티 연구가 보여주는 바와 같이, 시스템의 가치는 업무 프로세스와 인재의 변화로부터 생겨납니다. 예를 들어, 신 시스템의 가동 후에 업무 절차서를 업데이트하지 않고 연수도 실시하지 않은 기업은 기존 제품이든 자사 개발이든 「사용되지 않는 시스템」을 안게 됩니다.
발주측·업무측의 케이퍼빌리티의 부족은 어느 형태에나 치명적이 된다:요건을 정의하고, 성과물을 평가하고, 벤더나 개발 팀을 통제하는 능력은 외부에 위임할 수 없습니다. 예를 들어, 정보 시스템 부서를 극단적으로 축소한 기업은 기존 제품 선택에서도 자사 개발 위탁에서도 상대의 제안의 타당성을 판단할 수 없게 됩니다.
테스트의 규율과 전환 방법의 실패는 어느 형태에나 같은 형태로 나타난다:부하 테스트의 생략, 데이터 이전의 검증 부족, 일제 전환은 제품의 출처와 무관하게 장애를 일으킵니다. 예를 들어, Hershey(기존 제품)와 Healthcare.gov(자사 개발)는 형태는 다르지만 「본번 직전까지 테스트가 행해지지 않고 일제히 가동되었다」는 점에서 같은 실패입니다.
상이한 점
자사 개발에 고유한 실패는 규모·기간·자사 고유 코드의 량에 비례하여 증대된다:계획 오류, 연쇄적 지연, 기술적 부채, 보수 비용, 인재의 속인화는 모두 「자사가 안고 있는 독자적 코드의 량」과 「프로젝트의 규모·기간」의 함수입니다(Flyvbjerg et al., 2022; Lientz & Swanson, 1980). 예를 들어, 같은 「판매 관리」라도, 기존 제품을 설정하여 3개월에 가동시킨 경우와 2년에 걸쳐 독자 개발한 경우는, 후자는 요건의 변화·인원의 입체 교체·기술의 진부화에 노출되는 기간이 8배가 됩니다.
기존 제품 도입에 고유한 실패는 선정 단계의 평가와 커스터마이제이션의 깊이에 집중되어 있다:제품과 자사 업무의 미스피트 간과와 벤더 평가의 부족은 공정 2에서, 과도한 커스터마이제이션은 공정 3에서, 록인은 공정 5에서 나타나지만, 근본은 모두 「제품을 표준 그대로 사용할 것인가, 작성할 것인가」의 판단에 있습니다(Soh et al., 2000; Brehm et al., 2001). 깊은 커스터마이제이션을 선택한 순간 자사 개발에 고유한 요인도 동시에 안게 됩니다. 예를 들어, Lidl은 기존 제품을 도입했어야 했지만, 7년간·5억 유로라는 규모와 기간은 대규모 자사 개발과 같은 위험 구조를 가지고 있었습니다(Handelsblatt, 2018).
실패했을 때의 손실의 크기는 자사 개발 쪽이 크다:기존 제품은 계약 해제나 전환이라는 철수 경로가 있기 때문에 실패의 손실은 「그때까지의 이용료와 이전 비용」에 국한되기 쉬운 반면, 자사 개발의 실패는 투자의 전손이 되기 쉽고, Keil(1995)이 보여준 에스컬레이션도 장기화합니다. 예를 들어, SaaS 도입 실패는 수천만 엔의 손실로 끝나는 경우가 많은 반면, NHS의 NPfIT는 약 100억 파운드의 대부분이 회수 불가능했습니다.
보수와 진화의 책임의 소재가 다르다:기존 제품에서는 보안 대응·법령 개정 대응·기반 기술의 세대 교체를 벤더가 전 고객에 대해 한꺼번에 행하는 반면, 자사 개발에서는 모두 자사가 담당합니다(Lehman, 1980; Erlikh, 2000). 예를 들어, 소비세율이나 사회 보험료율의 개정은 기존 제품이면 벤더의 업데이트로 흡수되지만, 자사 개발에서는 매번 자사의 개수가 됩니다.
기존 제품 도입과 자사 개발의 대상이 되는 업무
지금까지의 정리로부터, 실패를 피하는 열쇠는 「어떤 업무를 기존 제품으로, 어떤 업무를 자사 개발으로 도입할 것인가」의 판단에 있음을 알 수 있습니다. 이 판단은 「시스템 전체」가 아니라 「업무 단위」로 행할 필요가 있습니다.
기존 제품 도입과 자사 개발을 나누는 판단 축
기존 제품 도입이 적절한 업무와 자사 개발이 적절한 업무를 판단하려면 경영학에서 축적해온 4가지 이론을 바탕으로 검토할 수 있습니다.
차별화의 축(자원 기반 이론): Barney(1991)는 지속적인 경쟁 우위는 가치가 있고(Valuable), 희소하며(Rare), 모방하기 어렵고(Inimitable), 조직적으로 활용되는(Organized) 자원으로부터만 생긴다고 주장했습니다. 시장에서 누구나 구입할 수 있는 제품은 정의상 희소하지도 않고 모방하기도 쉽습니다. 이 업무를 독자적인 방식으로 수행하는 것이 고객 입장에서의 우위로 이어질 때만 자사 개발이 선택지가 됩니다. 예를 들어, Walmart의 보충 정확도나 Zara의 상품 회전 속도는 고객이 그 회사를 선택하는 이유 자체이며, 이를 뒷받침하는 시스템은 차별화의 축을 만족합니다.
자산 특수성의 축(거래 비용 이론): Williamson(1985)은 내부 제작이 유리해지는 조건으로 거래 상대를 바꿀 수 없는 '자산 특수성'이 높을 것, 향후 요건을 예측하기 어려운 '불확실성'이 높을 것, 거래의 '빈도'가 높을 것 3가지를 들었습니다. Nelson et al.(1996)은 이를 소프트웨어 조달에 적용하여 '업무의 독자성'과 '요건의 불확실성' 2개 축으로 패키지 구매·맞춤 개발·자사 개발의 적절성을 정리했습니다. 예를 들어, 급여 계산은 법령으로 절차가 정해져 있고 동종 다른 기업과 본질적으로 같기 때문에 자산 특수성이 낮으며, 기존 제품이 적합합니다.
시장 성숙도의 축(상품화 이론): Carr(2003)는 IT도 전력이나 철도처럼 보급에 따라 상품화되어 그 자체로는 경쟁 우위를 생기지 않는다고 주장했습니다. Wardley(2020)는 모든 기술과 활동이 '창발→독자 구축→제품→상품' 단계를 거쳐 진화하며, 단계별로 적절한 조달 방식이 다름을 보여주었습니다. 창발 단계의 것은 자사에서 시도해볼 수밖에 없지만, 제품 단계에 이르면 구매가, 상품 단계에 이르면 종량 요금제 이용이 합리적입니다. 예를 들어, 2000년대 초반에는 자사에서 서버를 보유할 수밖에 없던 컴퓨팅 기반이 현재는 클라우드라는 상품이 되었으며, Netflix처럼 자사 데이터 센터를 폐쇄하는 판단이 합리적이 되었습니다.
변화 속도의 축: 업무를 규정하는 요건(법규제, 기술 표준, 고객의 기대)의 변화가 빠른 영역에서는 추적 비용을 외부화할 수 있는 기존 제품의 우위가 큽니다. 변화가 거의 없고 안정된 업무라면 내부 제작의 유지보수 부담은 상대적으로 가벼워집니다(Nelson et al., 1996; Lehman, 1980). 예를 들어, 전자 장부 보관이나 인보이스 제도처럼 제도 개정이 계속되는 영역에서는 공급업체가 모든 고객분의 수정을 일괄 처리하는 기존 제품이 자사에서 매번 수정하는 것보다 훨씬 효율적입니다.
기존 제품 도입이 적절한 업무
표준적인 간접 업무: 차별화의 축·자산 특수성의 축·시장 성숙도의 축 3가지가 일치하여 '기존 제품'을 나타내는 영역입니다. 대부분의 기업에서 업무의 8~9할이 이 범주에 해당합니다(Carr, 2003; Quinn & Hilmer, 1994). 예를 들어, 회계, 급여 계산, 경비 정산, 인사 관리, 근태 관리, 전자 메일, 파일 공유, 웹 회의 등은 동종 다른 기업과 다른 방식으로 수행해도 고객이 평가하지 않으며, 성숙한 제품 시장이 있고, 법령 개정에 대한 추적이 빈번히 필요합니다.
업계 공통 업무: 업계 내에서 절차가 대체로 공통이며 업계용 제품이 여러 개 존재하는 업무입니다(Davenport, 1998). 예를 들어, 고객 관리, 재고 관리, 구매, 프로젝트 관리, 고객 지원 문의 관리 등은 자사 고유로 보이지만 동종 다른 기업과 본질적으로 같은 업무인 경우가 대부분입니다.
자사 고유로 보이지만 차별화로는 이어지지 않는 업무: '자사의 방식'이 존재하지만, 그 방식 자체가 고객으로부터 선택받는 이유가 되지 않는 업무입니다. 이 경우 제품을 만들어 맞추기보다는 업무를 제품의 표준에 맞추거나, 고유 부분만 L3로 외부 연결합니다(Soh et al., 2000; Brehm et al., 2001). 예를 들어, 독자적인 승인 흐름, 사내 보고서 양식, 부서별로 다른 경비 과목 체계 등은 대부분 역사적 경위로 남아 있을 뿐이며, 표준에 맞춰도 사업에 영향이 없습니다.
여러 제품을 연결하는 업무 흐름: 업무 자체는 표준적이지만 여러 제품에 걸친 데이터 전달이 자사 고유인 경우입니다. 예를 들어, 수주 시스템에서 받은 주문을 재고 시스템에서 할당하고 회계 시스템에서 청구하는 일련의 흐름은 각 제품은 기존 제품을 사용하되, 제품 간의 연계를 API나 로우코드 도구로 구성하는 것이 적절합니다(Hasselbring, 2000).
변화가 빠르고 추적 비용이 큰 업무: 법령·제도·기술 표준의 변경이 빈번한 업무는 변화 속도의 축에서 기존 제품이 강력하게 권장됩니다(Nelson et al., 1996). 예를 들어, 세무 신고, 전자 계약, 개인 정보 보호나 보안 인증 대응은 제도 개정마다 공급업체가 일괄 대응하는 것이 자사에서 계속 추적하는 것보다 확실합니다.
상품화된 인프라: 시장 성숙도의 축에서 상품 단계에 있는 영역은 소유하지 않고 이용하는 형태가 합리적입니다(Carr, 2003; Wardley, 2020). 예를 들어, 서버, 스토리지, 데이터베이스, 인증 기반, 메일 배송 기반 등은 Netflix나 Capital One의 사례가 보여주듯이 규제 산업이나 대규모 기업이라도 외부 클라우드 이용 판단이 주류가 되었습니다(Netflix, 2016; Capital One, 2020).
자사 개발이 적절한 업무
차별화의 핵이며 시장에 제품이 존재하지 않는 업무: 4가지 축 중 차별화와 자산 특수성이 높고, 시장 성숙도가 창발·독자 구축 단계에 있는 업무입니다. Bessen(2022)이 보여준 바와 같이 독자 소프트웨어는 대기업의 경쟁 우위의 원천이 되지만, 그것은 업무 자체가 차별화의 원천이며, 이를 뒷받침하는 소프트웨어가 시장에 존재하지 않고, 개발과 지속적인 개선을 뒷받침하는 조직 능력과 자본을 갖춘 경우입니다. 예를 들어, Walmart의 Retail Link, Zara의 생산 계획 시스템, Amazon의 물류·추천 시스템은 구축 당시 같은 기능을 하는 제품이 시장에 존재하지 않았습니다.
독자 데이터를 활용하는 분석·판단의 구조: 자사만 가진 데이터(고객의 행동 기록, 장년간의 거래 기록, 독자적인 측정 데이터 등)를 사용하며, 그 활용 방식이 경쟁 우위로 이어지는 영역입니다. Teece(1986)의 보완 자산 이론이 보여주듯이 가치는 시스템 자체가 아닌 데이터라는 보완 자산에 있습니다. 예를 들어, 보험사가 수십 년분의 사고 데이터로부터 독자적인 요율 산정 모델을 구축할 때, 모델의 구축 기반은 기존 클라우드나 라이브러리를 사용하되, 산정 로직 자체는 자사에서 개발합니다.
차별화의 핵이지만 제품이 존재하는 영역의 '자사 고유 부분': 업무의 대부분은 기존 제품으로 처리할 수 있지만, 경쟁 우위로 이어지는 일부 로직만 자사 고유인 경우입니다. 이 경우 제품을 변경하기보다는 고유 부분을 독립한 시스템으로 자사 개발하고, 제품과 API로 느슨하게 연결합니다. Baldwin & Clark(2000)이 보여주듯이 표준화된 인터페이스로 구분된 모듈은 독립적으로 진화할 수 있으며, Christensen & Raynor(2003)는 상품화된 계층의 인접 계층으로 이익이 이동함을 지적합니다. 예를 들어, EC 사이트의 기반은 기존 제품을 사용하되, 자사의 경쟁 우위가 되는 가격 책정 알고리즘이나 추천 로직만 자사에서 개발하여 API로 제품에 결합하는 구성입니다.
사업 자체가 소프트웨어인 경우: 제공하는 서비스의 핵심이 소프트웨어인 기업에게 그 소프트웨어는 정의상 차별화의 핵입니다(Andreessen, 2011). 예를 들어, Netflix에게 배송·추천 시스템, Amazon에게 구매 경험은 기존 제품으로 대체하면 사업 자체가 성립하지 않습니다. 다만, 이러한 기업도 회계·인사·인프라 등 주변 업무는 기존 제품을 사용합니다.
자사 개발을 하는 경우의 전제 조건
자사 개발을 하는 경우는 전제 조건으로 다음 3가지 조건이 갖춰져 있어야 합니다.
대상 업무가 경쟁 우위를 생기게 할 것: 그 업무를 독자적인 방식으로 수행하는 것이 고객이 자사를 선택하는 이유에 직접 이어질 때입니다. Barney(1991)의 자원 기반 이론에 따르면 지속적인 경쟁 우위를 생기게 하는 자원은 '가치가 있고, 희소하고, 모방하기 어렵고, 조직적으로 활용되는' 것에 한정되며, 시장에서 누구나 구입할 수 있는 제품으로 충당할 수 있는 업무는 정의상 이 조건을 만족하지 않습니다. Quinn & Hilmer(1994)는 자사가 세계 최고 수준이 될 수 있는 활동만을 내부에 유지해야 한다고 주장했으며, Moore(2005)는 업무를 '고객이 자사를 선택하는 이유가 되는 코어'와 '필요하지만 경쟁사와 같은 방식으로 좋은 컨텍스트'로 나누고, 코어는 시간에 따라 컨텍스트로 옮겨간다고 지적했습니다. 여기서 중요한 것은 판정을 현장의 '우리 업무는 특수하다'는 주장이 아니라 고객의 관점에서 하는 것입니다. Soh et al.(2000)이 보여주듯이 현장이 '특수'하다고 느끼는 업무의 대부분은 역사적 경위로 남은 절차일 뿐이며, 고객에게 가치와 무관합니다. 예를 들어, Walmart의 보충 정확도나 Zara의 상품 회전 속도는 고객이 점포를 선택하는 이유 자체이며, 이를 뒷받침하는 시스템은 이 조건을 만족했습니다(Bessen, 2022; Ferdows et al., 2004). 반면, '당사의 승인 흐름은 5단계로 특수하다'는 주장은 고객에게 어떤 가치도 생기지 않기 때문에 이 조건을 만족하지 않습니다.
시장에 적절한 제품이 존재하지 않을 것: 시장에 적절한 제품이 존재하지 않는 것을 '추측'이 아니라 '조사'로 확인한 후에 선택해야 합니다. Wardley(2020)가 보여주듯이 모든 기술은 '창발→독자 구축→제품→상품'으로 진화하며, 제품 단계에 이른 영역에서 독자 구축을 계속하는 것은 비용과 위험만 늘립니다(Carr, 2003). Nelson et al.(1996)의 틀에서도 자사 개발이 합리적이 되는 것은 '업무의 독자성이 높고 동시에 시장에 맞는 제품이 없는' 경우에 한정됩니다. 따라서 착수 전에 대상 업무를 다루는 제품이 여러 공급업체로부터 제공되는지, 그 제품을 표준 그대로 또는 설정과 연계의 범위로 자사 업무에 적용할 수 있는지를 실제로 시용해서 확인해야 합니다. 예를 들어, Walmart가 1991년에 Retail Link를 자사 개발한 것은 거래처와 판매 데이터를 실시간으로 공유하는 제품이 당시 시장에 존재하지 않았기 때문입니다(Bessen, 2022). 반대로, 2023년에 '제품이 없다'는 이유로 자사 개발된 사내 문서의 검색·요약 구조의 대부분은 2025년에는 여러 특화형 제품이 동등 이상의 기능을 제공하게 될 것이며(Menlo Ventures, 2025), 이 조건은 한 번 확인하면 끝이 아니라 정기적으로 재확인이 필요합니다.
개선·유지보수를 위한 인재·예산·조직이 있어야 한다:자사개발은 "개발하고 끝"이 아니라 구축 후 5년, 10년에 걸쳐 개선과 유지보수를 계속할 체제를 갖출 수 있는지가 문제입니다. Lientz & Swanson(1980)이래 소프트웨어 라이프사이클 비용의 과반이 가동 후 유지보수·운용에 소비되는 것이 반복적으로 확인되었으며, Erlikh(2000)은 기업 시스템에서는 85~90%에 달한다고 추정하고 있습니다. 즉, 자사개발을 선택한다는 것은 개발비의 수배에 해당하는 유지보수비(기존 제품의 수십 배 이상의 비용)를 앞으로 계속 부담하기로 결정하는 것입니다. 이 체제에는 3가지 요소가 필요합니다. 첫째는 인재입니다. Rigby et al.(2016)이 보여주듯이, 독자 시스템의 지식은 개발자에게 집중되기 때문에, 주요 개발자가 퇴직해도 인수인계할 수 있는 복수의 인원 체제와 문서화가 전제가 됩니다. 둘째는 예산입니다. Boehm(1981)의 경험칙에 따르면 연간 유지보수비는 개발비의 15~20% 정도에 달하며, 여기에 기반 기술의 세대 교체에 따른 갱신비(Lehman, 1980)가 더해집니다. 셋째는 조직입니다. Feeny & Willcocks(1998)는 시스템을 사업에 계속 활용하려면 사업과 기술을 연결하는 사고, 설계 통제, 벤더 및 개발팀 관리 같은 핵심 역량을 사내에 보유할 필요가 있다고 논했으며, Aral & Weill(2007)은 IT 투자의 성과가 투자액이 아니라 이러한 조직의 역량으로 결정된다는 것을 입증했습니다. Bessen(2022)이 보여준 "독자 소프트웨어로 경쟁 우위를 구축한 기업"도 예외 없이 대규모의 기술 조직과 지속적인 투자를 수반했습니다. 예를 들어 JPMorgan Chase가 자사개발을 선택할 수 있었던 것은 규제 제약과 독자 데이터라는 차별화의 핵심이 있었던 것에 더해 연간 수십억 달러의 기술 예산과 수만 명 규모의 기술자를 보유하고 있었기 때문입니다(JPMorgan Chase, 2025). 반대로 개발자가 2~3명밖에 없는 조직이 자사개발을 선택하면, 그 수명이 곧 시스템의 수명이 됩니다.
범용 AI, 특화형 AI 에이전트, 자사개발의 대상이 되는 업무
여기서는 AI에 주목하여 기존 제품을 범용 AI와 특화형 AI 에이전트로 나누고, 자사개발을 포함한 3가지 선택지가 어떤 업무를 대상으로 하는 것이 적절한지 정리하겠습니다. 앞장의 4가지 판단 축은 AI에도 그대로 적용할 수 있지만, AI에는 기존 소프트웨어와 다른 성질이 있으므로, 먼저 "그도록 AI의 도입이 적절한 업무는 무엇인가"부터 확인합니다.
AI 도입이 적절한 업무
AI는 기존 시스템과 달리 업무 횡단적으로 관여하고, 출력이 확률적이며, 능력의 경계를 사전에 예측하기 어렵다는 성질을 갖습니다. 따라서 "AI를 도입할 것인가"하기 전에 "이 업무는 AI에 적합한가"를 업무 단위로 판단할 필요가 있습니다.
업무의 대부분이 언어·문서·이미지 처리와 판단으로 구성되어 있다:Eloundou et al.(2023)은 미국 노동자의 약 80%가 업무 태스크의 최소 10%에, 약 19%가 업무의 절반 이상에 대규모 언어 모델의 영향을 받는다고 추정했습니다. 영향이 큰 것은 문서의 읽기·작성·요약·분류·대조 같은 정보를 다루는 업무입니다. 예를 들어 계약서 검토, 문의 대응, 신청 서류와 기준의 대조, 코드 작성 같은 업무는 해당되지만, 현장에서의 물리적 작업이나 대면 협상은 이 조건을 만족하지 않습니다.
출력의 정오를 확인할 수단이 있다:AI는 동일한 입력에 다른 출력을 반환하며 오류를 포함할 수 있습니다. 따라서 출력이 맞는지를 인간 또는 다른 방식으로 검증할 수 있는 업무가 적합합니다(NIST, 2023). 예를 들어 법령의 조문과 도면을 대조하는 심사 업무에서는 AI가 지적한 근거 조문을 심사자가 확인할 수 있어 적합하지만, 정답이 존재하지 않고 나중에도 검증할 수 없는 예측 업무는 AI의 오류가 간과되기 쉬워집니다.
AI의 능력의 경계 내측에 있다:Dell'Acqua et al.(2023)은 컨설팅 회사의 758명을 대상으로 한 실험에서 AI가 得意한 태스크에서는 생산성이 대폭 향상되는 한편, 일견 유사하지만 경계 외측에 있는 태스크에서는 AI를 사용한 쪽이 오히려 정답률이 19포인트 저하된다는 것을 보여주었습니다. 이 "울퉁불퉁한 경계(jagged frontier)"는 적용 범위를 실제로 시도해 보지 않으면 확정할 수 없다는 의미입니다. 예를 들어 동일한 "문서의 요약"이라도 일반적인 보고서의 요약은 경계 내측에 있고, 복수의 자료를 대조하여 모순을 찾는 작업은 경계 외측에 있을 수 있습니다. 도입 전에 자사의 실제 업무 데이터로 소규모로 시도하는 것이 필수입니다.
담당자의 숙련도에 편차가 있고, 밑바닥 끌어올림의 여지가 크다:Brynjolfsson et al.(2025)은 고객 지원 부서로의 AI 도입으로 시간당 해결 건수가 평균 14% 증가했고, 경험이 적은 담당자에서는 34% 증가한 반면, 숙련자에서는 거의 효과가 없었다는 것을 보여주었습니다. AI의 효과는 "조직의 평균을 숙련자의 수준에 가깝게 하는" 형태로 나타납니다. 예를 들어 신입사원이 많고 이직이 심한 콜센터나, 경험이 적은 담당자가 복잡한 기준을 참조해야 하는 심사 업무에서는 효과가 크고, 소수의 숙련자만으로 회전하는 업무에서는 효과는 제한적입니다.
오류가 발생했을 경우의 책임과 시정 방법을 설계할 수 있다:Moffatt v. Air Canada(2024)의 판정이 보여주듯이, 기업은 AI의 출력에 대해 직원과 동일한 책임을 집니다. 따라서 오류를 감지하고 시정하고 책임을 지는 방법을 설계할 수 있는 업무임이 조건입니다. 예를 들어 사내향 문서 작성 지원은 오류가 있어도 사내에서 수정할 수 있지만, 고객에게 직접 회답하는 챗봇은 잘못된 안내가 그대로 법적 책임이 됩니다.
빈도가 높고 1건당 처리가 정형적이다:AI의 도입에는 평가 데이터의 정비나 업무에의 통합이라는 고정적인 초기 투자가 필요하므로, 처리 건수가 많은 업무일수록 투자를 회수하기 쉬워집니다. 예를 들어 월에 수천 건의 문의 대응이나 수백 건의 서류 심사는 적합하지만, 연에 수 건만 발생하는 특수한 안건은 인간이 대응하는 것이 합리적입니다.
범용 AI와 특화형 AI 에이전트의 차이
애초에 범용 AI와 특화형 AI 에이전트는 무엇이 다를까요. 양자는 "대상 시장" "제공하는 가치" "내장된 지식" "이용의 단위" "과금의 방식"의 5가지 관점에서 구별됩니다.
대상 시장이 다르다:OpenAI, Anthropic, Google(Gemini)등 범용 AI를 제공하는 기업들은 "글로벌 지식 노동의 대체·증강"을 기본 틀로 하여 세계의 지식 노동 인건비(약 25조 달러) 전체를 대상 시장으로 위치 지었습니다. 한편 특화형 AI 에이전트는 특정 업계의 인건비 지출을 대상 시장으로 재정의합니다. 예를 들어 법무의 Harvey는 "법무 서비스 시장 1조 달러(기존 소프트웨어 지출은 약 400억 달러)"를, 고객 서비스의 Sierra는 "고객 서비스 지출 400억 달러"를 대상 시장으로 하고 있습니다(Taima, 2026).
제공하는 가치가 "증강"인지 "업무의 대체"인지에 따라 다르다:범용 AI는 직원 한 명 한 명의 작업을 지원하고 생산성을 높이는 "증강"을 제공합니다. 특화형 AI 에이전트는 특정 업무 프로세스 자체를 떠맡는 "대체"를 목표로 하며, Sequoia Capital은 이를 "소프트웨어를 팔지 말고 일 자체를 판다"는 의미에서 "Service-as-a-Software"라고 부르고 있습니다. 예를 들어 범용 AI는 변호사가 계약서를 읽는 속도를 높이지만, 특화형 AI 에이전트는 계약서 검토라는 업무를 1차적으로 실행하고 변호사는 결과를 확인하는 역할로 이동합니다.
내장된 지식과 워크플로우가 다르다:범용 AI가 제공하는 것은 기초 모델의 능력 그 자체이며, 업무 고유의 지식·절차·판단 기준은 이용자가 제공해야 합니다. 특화형 AI 에이전트는 기초 모델 위에 그 업계의 지식 베이스, 전문가에 의한 평가 데이터, 업무의 절차, 규제 대응, 기존 업무 시스템과의 연계를 제품으로 내장하고 있습니다. 예를 들어 건축 확인 심사의 특화형 제품이라면 건축 기준법령의 체계, 도면의 읽기 방법, 심사 기관별 운용, 심사 기록의 양식이 제품에 내장되어 있으며, 이용자가 이들을 처음부터 가르칠 필요가 없습니다.
이용의 단위가 "개인"인지 "업무 프로세스"인지에 따라 다르다:범용 AI는 개인이 대화 형식으로 사용하는 도구이며 조직의 업무 프로세스 외부에 있습니다. 특화형 AI 에이전트는 업무 프로세스 내에 통합되어 업무 시스템과 데이터를 주고받으며 작동합니다. 예를 들어 범용 AI로 작성한 문서는 담당자가 수작업으로 업무 시스템에 옮기지만, 특화형 AI 에이전트는 심사 시스템이나 고객 관리 시스템에서 직접 데이터를 받고 결과를 다시 쓰입니다.
과금 방식이 다르다:범용 AI는 이용자 수(좌석 수)에 따른 과금이 중심인 반면, 특화형 AI 에이전트는 처리한 업무량이나 성과에 따른 과금으로 이행되고 있습니다. 이는 특화형이 "인건비 예산"을 획득 대상으로 하고 있다는 것의 반영입니다. 예를 들어 고객 서비스 특화형 제품에서는 "해결한 문의 1건당"의 과금이 채택되고 있습니다.
양자의 시장의 현재 위치:특화형 AI 에이전트 기업의 매출은 급속도로 증가하고 있지만, 대상 시장에 대한 달성도는 아직 극히 일부입니다. 예를 들어 Cursor(소프트웨어 개발)는 연환산 매출 20억 달러로 대상 시장의 약 0.13%, Harvey(법무)는 1.9억 달러로 약 0.02%, Sierra(고객 서비스)는 1.5억 달러 초과로 약 0.04%, OpenEvidence(의료)는 1억 달러 초과로 약 0.4~0.5%에 불과합니다. 특화형 AI 에이전트는 "시장의 입구의 입구"에 있으며, 앞으로도 크게 확대될 것으로 예상됩니다.
범용 AI가 적절한 업무
커스터마이징하지 않는 경우
ChatGPT, Microsoft Copilot, Claude, Gemini 등 특정 업무에 한정되지 않는 대화형 AI 제품을 그대로 이용하는 형태입니다. 직원이 개인의 생산성 향상을 위해 이용하는 형태가 중심입니다(Bommasani et al., 2021).
문서의 초안과 추敲:메일, 보고서, 제안서 등의 문장을 쓰기 시작하는 작업과 쓴 문장을 정리하는 작업입니다. Noy & Zhang(2023)은 문서 작성 업무에 ChatGPT를 사용한 실험에서 작업 시간이 약 40% 단축되고 성과물의 품질도 향상되었음을 보여주었습니다. 예를 들어 고객에게 보내는 영문 메일의 초안이나 사내 보고서의 문장 추敲는 업계나 직종을 불문하고 효과가 확인된 용도입니다.
요약과 정보의 정리:긴 문서나 회의의 내용에서 요점을 추출하고 구조화하는 작업입니다. Dell'Acqua et al.(2023)은 컨설턴트 758명을 대상으로 한 실험에서 아이디어 도출·문장 작성·분석 같은 AI의 得意 영역 태스크에서는 완료 수가 12% 증가하고 소요 시간이 25% 단축되며 품질이 40% 향상되었음을 보여주었습니다. 예를 들어 회의 녹음에서 회의록을 작성하는 것, 수십 페이지의 자료의 요점을 1페이지로 정리하는 것 같은 작업입니다.
번역 및 다국어 대응:다국어 문서의 이해와 자신의 문장을 다른 언어로 변환하는 것입니다. Eloundou et al.(2023)는 번역 및 문장 작성을 포함한 언어 처리 중심의 업무가 대규모 언어 모델의 영향을 가장 강하게 받는 영역이라고 추정하고 있습니다. 예를 들어, 해외 거래처에서 받은 계약서 초안을 읽거나, 다국어 고객 안내문을 작성하는 작업입니다.
코드 작성 보조:프로그램이나 표계산의 함수, 스크립트를 작성하는 업무의 보조입니다. Peng et al.(2023)는 GitHub Copilot을 사용한 개발자가 사용하지 않은 개발자보다 55.8% 빠르게 과제를 완료했음을 대조 실험으로 보여주었습니다. 예를 들어, 표계산의 복잡한 함수 작성, 데이터 집계 스크립트 작성, 기존 코드의 해설 등입니다.
구성안 및 아이디어 생성:자료의 구성, 기획의 선택지, 질문의 관점 등 생각을 시작하기 위한 재료를 제시하는 업무입니다. Dell'Acqua et al.(2023)의 실험에서도 신제품 아이디어 출시나 시장 세그먼트 제안과 같은 창의적인 작업은 AI의 장점 영역 내에 있었습니다. 예를 들어, 프레젠테이션 자료의 구성안을 여러 패턴으로 제시하거나, 워크숍의 논점을 정리하는 작업입니다.
정형적인 고객 대응의 답변안:자주 있는 문의에 대한 답변문을 작성하는 업무입니다. Brynjolfsson et al.(2025)는 고객 지원 부문에 AI를 도입하면 시간당 해결 건수가 평균 14%, 경험이 적은 담당자는 34% 증가했음을 보여주었습니다. 예를 들어, 반품 방법이나 영업 시간과 같은 정형적인 문의에 대한 답변안을 작성하고, 담당자가 확인 후 발송하는 방식입니다.
이들에 공통된 점은 업무 횡단적이고, 개인 단위로 완결되며, 결과를 본인이 그 자리에서 확인할 수 있는 과제라는 것입니다. 한편 한계도 있으며, MIT NANDA(2025)가 "학습 갭"이라고 부른 것처럼, 범용 AI 제품은 업무의 맥락을 기억하지 않고, 피드백으로부터 학습하지 않으며, 자사의 업무 플로우에 적응하지 않기 때문에 복잡하고 지속적인 업무에서는 사용되지 않게 됩니다(단순한 과제에서는 70%가 AI를 선택하는 반면, 복잡하고 장기적인 업무에서는 90%가 인간을 선택한다는 결과입니다). 또한 직원이 개인 계약 제품을 업무에 사용하는 "섀도우 AI"는 기밀정보의 외부 전송이나 책임 소재와 같은 통제상의 문제를 야기하기 때문에, 금지가 아니라 공식 도입과 이용 규칙의 정비로 대처할 필요가 있습니다(MIT NANDA, 2025; Haag & Eckhardt, 2017).
커스터마이징하는 경우
범용 AI 제품에 대해 자사의 지시문(시스템 프롬프트), 참조할 사내 문서, 호출할 수 있는 사내 시스템의 기능을 설정하여 특정 용도 맞춤형의 "사내 어시스턴트"로 구성하는 형태입니다. ChatGPT의 GPTs(OpenAI, 2023), Claude의 Projects(Anthropic, 2024), Microsoft Copilot Studio(Microsoft, 2023)처럼 제품 측이 준비한 설정 기능을 사용하는 것으로, 코드를 작성하지 않고 구성할 수 있습니다.
사내 지식을 참조한 1차 답변:사내 규정, 매뉴얼, 과거의 Q&A 등 문서로 존재하는 지식을 참조하여 질문에 답하는 업무입니다. 외부 문서를 검색하여 답변에 반영하는 "검색 증강 생성(RAG)"으로 연구가 진행 중이며(Lewis et al., 2020), 제품 측의 설정 기능으로 실현할 수 있습니다. 예를 들어, 정보 시스템 부문의 "VPN 설정 방법", 인사 부문의 "육아 휴직 신청 절차" 등 정형적인 문의의 1차 답변입니다.
자사의 양식·톤에 맞춘 문서 생성:범용 AI의 출력을 자사의 서식이나 표현 기준에 맞추는 업무입니다. Noy & Zhang(2023)이 보여준 문서 작성의 효율화 효과는 샘플과 지시를 설정하여 자사의 기준에 맞추면 개인차 없이 조직 전체에서 재현할 수 있습니다. 예를 들어, 고객 대상 이메일 문면을 자사의 톤으로 통일하거나, 보고서를 정해진 제목 구성으로 정렬하는 작업입니다.
수신 문서의 분류 및 진배:문의나 신청을 내용에 따라 분류하고, 담당 부서나 우선순위를 판정하는 업무입니다. Brynjolfsson et al.(2018)는 입출력이 명확하고 빈도가 높은 과제일수록 기계학습에 적합하다고 정리하고 있으며, 분류가 그 전형입니다. 예를 들어, 문의 폼의 내용을 "청구", "기술", "해지"로 분류하고 담당자에게 진배하는 작업입니다.
복수의 기존 도구에 걸친 개인 작업의 자동화:캘린더, 이메일, 문서, 표계산 등 범용적인 업무 도구를 횡단하는 작업입니다. Microsoft(2023)의 Copilot Studio처럼 제품 측이 업무 도구와의 연계 기능을 제공하고 있습니다. 예를 들어, 회의 녹음에서 회의록을 작성하고, 결정 사항을 작업 관리 도구에 등록하고, 관계자에게 이메일 초안을 준비하는 일련의 작업입니다.
신입자의 입사 지원:업무의 절차나 사내 용어를 경험이 적은 담당자가 스스로 확인할 수 있도록 하는 용도입니다. Brynjolfsson et al.(2025)는 AI의 효과가 경험이 적은 담당자에서 가장 크다(34%의 생산성 향상)는 것을 보여주고 있으며, 사내 지식을 참조하게 한 어시스턴트는 이러한 효과를 노린 것입니다. 예를 들어, 신입 사원이 "이 신청은 누구의 승인이 필요한가"를 사내 규정에서 즉시 확인할 수 있도록 하는 사용법입니다.
한계가 있으며, 이 방법으로 채울 수 있는 것은 "지식의 참조"까지이며, "업무의 실행"은 아닙니다. 업무 시스템 내에서 데이터를 받고, 판단하고, 결과를 다시 입력하는 업무 프로세스로의 통합에는 적합하지 않습니다(MIT NANDA, 2025). 예를 들어, 심사 기준의 문서를 참조하게 하면 "이 조항은 어떻게 해석하는가"에는 답할 수 있지만, 신청된 도면을 읽고, 해당 조항과 대조하고, 심사 기록을 작성하는 업무 자체는 실행할 수 없습니다. 또한 설정한 지시문이나 참조 문서의 품질, 답변의 정확성 검증, 문서 업데이트는 자사의 책임이며, 참조 문서가 오래되면 잘못된 답변이 계속되고, 기반 모델의 업데이트로 동작이 바뀔 수도 있습니다(Gao et al., 2023; NIST, 2023). 따라서 범용 AI의 커스터마이징은 "사내 문서를 참조하는 1차 답변"과 "개인 작업의 효율화"까지를 대상으로 하며, 업무 프로세스로의 통합이 필요해진 단계에서 특화형 제품이나 자사 개발로 이행하는 것이 합리적입니다.
특화형 AI 에이전트가 적절한 업무
커스터마이징하지 않는 경우
법무 문서의 검토, 의료 기록 작성 지원, 건축 확인 심사, 고객 지원, 회계 처리 등 특정 업무 영역에 특화하여 설계된 AI 제품을 표준 기능과 절차 그대로 사용하는 형태입니다. 기반 모델 위에 해당 업무 영역의 지식·데이터·워크플로우·평가 기준·규제 대응을 조합하고 있으며, 업무 시스템과의 연계를 전제합니다.
법무 문서의 검토 및 계약 분석:계약서의 조항 점검, 판례·법령의 조사, 문서의 작성 지원입니다. Menlo Ventures(2025)에 따르면 법무는 의료에 이어 수직형 AI에 대한 지출이 큰 영역(6.5억 달러)이며, Harvey 같은 특화형 제품은 판례·법령·계약서의 체계를 제품에 조합하고 있습니다. 예를 들어, 거래 계약의 조항을 자사의 표준 조항과 대조하고, 이탈 부분과 근거를 제시하는 업무입니다.
의료 기록 작성 및 진료 정보의 참조:진찰 내용의 기록, 의학 문헌이나 진료 지침의 참조입니다. Menlo Ventures(2025)에서는 의료가 수직형 AI 지출의 최대 영역(15억 달러)이며, OpenEvidence 같은 제품은 의학 문헌과 진료 지침을 조합하고 있습니다. 예를 들어, 진찰 대화에서 진료 기록의 초안을 작성하고, 의사가 확인하여 확정하는 업무입니다.
고객 지원의 1차 대응 및 처리 실행:문의 접수로부터 고객 정보의 참조, 환불이나 예약 변경과 같은 처리 실행, 기록까지를 하나의 흐름으로 행하는 업무입니다. Sierra 같은 제품은 이 전체 흐름을 고객 관리 시스템과 연계한 형태로 제공하고 있습니다. Brynjolfsson et al.(2025)가 보여준 고객 지원의 생산성 향상도 업무 시스템에 조합된 AI에 의한 것이었습니다. 예를 들어, 배송 상태 문의에 대해 주문 관리 시스템의 실제 데이터를 참조하여 답변하고, 필요하면 재배송 수배까지 행하는 업무입니다.
소프트웨어 개발의 지원 및 자동화:코드의 작성, 수정, 검토, 테스트입니다. Peng et al.(2023)이 보여준 55.8%의 고속화에 더하여 Cursor 같은 개발 특화형 제품은 코드베이스 전체를 이해한 자동완성이나 복수 파일의 편집을 제공하며, 특화형 AI 제품 중 가장 매출이 큰 영역이 되고 있습니다. 예를 들어, 기존 코드베이스를 이해한 위에서 새 기능을 구현하고, 테스트를 생성하는 업무입니다.
법규제나 기준에 기초한 심사·대조:신청 서류나 도면을 법령·기준과 대조하여 적합성을 판정하는 업무입니다. Eloundou et al.(2023)은 규칙에 기초한 문서의 확인·대조를 포함한 업무가 대규모 언어 모델의 영향을 강하게 받는 영역임을 보여주고 있으며, 이러한 영역에서는 법령의 체계, 문서나 도면의 읽기 방법, 기관별 운용을 제품에 조합한 특화형 제품이 등장하고 있습니다. 예를 들어, 건축 확인 심사에서 제출된 도면과 건축 기준법을 대조하여 해당 조항을 근거로 지적 사항의 안을 작성하는 업무입니다.
회계·백오피스의 정형 처리:청구서의 처리, 분개, 경비의 확인, 각종 신청의 처리입니다. MIT NANDA(2025)는 주목을 받는 것은 영업·마케팅 영역이지만, 실제로 최대의 효과가 나오는 것은 백오피스이며, 외부 위탁비나 대리점비 삭감으로 연간 수백만 달러 규모의 효과를 낳은 사례를 보고하고 있습니다. 예를 들어, 받은 청구서를 읽고, 발주 데이터와 대조하고, 회계 시스템에 분개를 입력하는 업무입니다.
이들에 공통된 점은 전문 지식·법규제·업계 특유의 데이터 형식이 업무를 규정하고 있으며, 기반 모델의 범용적인 능력만으로는 실무 수준에 미치지 못하는 영역이라는 것(Dell'Acqua et al., 2023), 그리고 업계 내에서 절차와 판단 기준이 개략 공유되고 있어 표준 제품으로 높은 적합도가 얻어진다는 것입니다(Davenport, 1998; Soh et al., 2000). MIT NANDA(2025)가 성공 기업의 특징으로 든 "업무에 깊이 통합되어 시간과 함께 학습하는 도구"는 특화형 제품이 제공하려고 하는 것입니다. 예를 들어, Morgan Stanley는 OpenAI와의 제휴로 자사의 10만 건 이상의 조사 보고서를 토대로 재무 고문용의 검색·요약 시스템을 구축했는데, 이는 모델층을 외부에서 조달하고, 데이터층을 자사가 보유하고, 워크플로우층을 벤더와 공동으로 구축한 "벤더와의 공동 개발"의 좋은 사례입니다(Morgan Stanley, 2023).
커스터마이징하는 경우
특화형 제품이 준비하고 있는 설정의 범위 내에서 자사의 판단 기준·절차·양식·승인 플로우를 반영하고, 자사의 업무 시스템과 API로 접속하는 형태입니다. 설정이나 연계에 그치고 제품 본체의 개변에는 들어가지 않는다는 원칙은 종래의 소프트웨어와 변하지 않습니다(Brehm et al., 2001).
조직별 판단기준·양식의 반영:판단의 근거(법령·기준·가이드라인)는 업계에서 공통이지만, 조직마다 중점 사항, 기록 양식, 지적 표현이 달라지는 업무입니다. Strong & Volkoff(2010)는 조직과 시스템의 불일치를 기능·데이터·이용성·역할·통제·조직문화의 6가지로 정리하고, 설정으로 흡수할 수 있는 것과 업무 측면을 변경해야 할 것을 구분할 필요성을 제시했습니다.
기존 업무 시스템과의 연계:특화형 제품을 기존의 접수 시스템, 고객관리 시스템, 문서관리 시스템, 회계 시스템과 연결하여 수작업 전사를 없애는 업무입니다. Hasselbring(2000)이 보여준 바와 같이, 연계는 개별 접속을 중첩하는 것이 아니라 제품이 제공하는 표준 접속 기능(API) 범위 내에서 구성하는 것이 유지보수성의 조건이 됩니다. 예를 들어, 고객 서비스 특화형 제품을 자사의 주문관리 시스템과 연결하여 반품이나 배송 상황 문의에 AI가 실제 데이터를 참조하여 답변하도록 구성하는 경우입니다.
사람의 확인 지점과 승인 프로세스 설정:AI가 1차 처리를 수행하고, 어떤 조건에서 사람이 확인·승인할지를 정하는 업무입니다. NIST(2023)의 AI 위험관리 프레임워크는 위험의 크기에 따른 사람의 감시와 오류를 감지·시정하는 절차의 설계를 요구합니다. 예를 들어, 심사 지적 사항 중 중대한 부적합에 관련된 것은 반드시 심사자가 확인한 후 신청자에게 통지하고, 일정 이상 금액의 환불은 상급자 승인을 거친다는 식의 설정입니다.
전문가의 피드백 반영:이용자인 전문가의 수정이나 평가를 제품의 개선에 반영하는 메커니즘의 활용입니다. Brynjolfsson et al.(2025)이 분석한 고객지원 AI도 숙련자의 대응 기록을 사용하여 모든 담당자에게 동일한 지식을 제공하는 메커니즘이었습니다.
데이터의 참조 범위와 권한 설정:부문·역할별로 AI가 참조할 수 있는 데이터와 실행할 수 있는 처리의 범위를 정하는 업무입니다. NIST(2023)는 데이터 취급 범위와 접근 권한의 명확화를 AI 시스템 지배의 기본 요소로 삼고 있습니다. 예를 들어, 지점 담당자는 자신의 지점 고객 데이터만 참조하도록 하고, 본부 관리자는 전체 집계를 참조하도록 하는 설정입니다.
한계로서, 제품이 전제로 하는 업무의 흐름과 자사의 흐름이 근본적으로 다른 경우 설정의 축적만으로는 해결되지 않습니다. 기존 소프트웨어의 미스핏(Soh et al., 2000)과 마찬가지로, 업무 측면을 변경하거나, 다른 제품을 선택하거나, 고유 부분을 분리할지의 판단이 필요합니다. 제품 외부에 독자적 처리가 늘어나기 시작하면, 그것은 「특화형 제품이 업무에 적합하지 않다」거나 「그 부분은 자사에서 개발해야 할 차별화의 핵심이다」 중 하나이며, 다음에 설명할 자사 개발의 판단으로 넘어갑니다(Brehm et al., 2001).
자사 개발이 적절한 업무
기반 모델의 API를 이용하여 자사의 데이터를 검색·참조하는 메커니즘(RAG), 모델의 추가 학습(파인튜닝), 복수의 처리를 조합한 에이전트 등을 자사에서 구축하는 형태입니다(Lewis et al., 2020; Bommasani et al., 2021).
시장에 특화형 제품이 존재하지 않는 새로운 영역:자사의 업무가 시장 성숙도의 축에서 「창발」 단계에 있고, 적절한 특화형 제품이 아직 존재하지 않는 영역입니다(Wardley, 2020). 다만, 특화형 제품의 시장은 급속도로 확대하고 있기 때문에(Menlo Ventures, 2025), 「지금은 없다」가 「내년도 없다」는 보장이 없으며, 자사 개발을 계속할 이유를 정기적으로 재검토해야 합니다. 예를 들어, 자사 고유의 설비나 공정을 대상으로 하는 이상 탐지처럼, 업계 내에서도 자사에만 존재하는 업무는 제품이 나타날 때까지 자사에서 구축할 수밖에 없습니다.
규제나 기밀성 제약으로 외부 제품에 데이터를 넘길 수 없는 영역:규제상 고객 데이터나 기밀 데이터를 외부 서비스에 전송할 수 없으며, 자사의 관리 하에서 작동하는 메커니즘이 필요한 업무입니다. 예를 들어, JPMorgan Chase가 자사 개발을 선택한 이유 중 하나는 금융규제 하에서 기밀 데이터를 외부로 보낼 수 없다는 점이었습니다(JPMorgan Chase, 2025). 다만, 이러한 제약은 많은 경우 특화형 제품의 제공 형태(자사 환경 내 가동, 데이터의 비학습 이용 계약)로 해결할 수 있기 때문에, 정말 자사 개발이 아니면 안 되는지 확인할 필요가 있습니다.
자사의 제품·서비스 그 자체에 AI를 탑재하는 경우:제공하는 서비스의 핵심이 소프트웨어인 기업에게, 거기에 탑재되는 AI는 정의상 차별화의 핵심입니다(Andreessen, 2011). 예를 들어, 자사의 SaaS 제품에 고객용 AI 기능을 추가하는 경우, 그 기능은 경합 제품과의 차별화 요소이며, 외부의 특화형 제품을 그대로 탑재하는 것은 차별화를 포기하는 것입니다. 다만, 이 경우에도 모델층은 외부에서 조달하고, 워크플로우층과 데이터층을 자사에서 개발하는 것이 일반적입니다.
자사 개발의 판단에서는 AI 시스템을 「모델층」「워크플로우층」「데이터층」으로 나누어 생각합니다. 모델층은 상용화가 가장 빠르며, API를 통해 이용하고 특정 벤더(OpenAI나 Google 등)에 고정되지 않는 설계를 유지합니다. 데이터층은 가장 중요한 보완 자산이며, 자사 개발이나 특화형 AI에서는 내보내기 기능을 확보합니다(Teece, 1986). 워크플로우층은 개인의 범용적인 작업이면 범용 AI, 업계 공통의 업무이면 특화형 제품, 차별화의 핵심이며 제품이 존재하지 않으면 자사 개발이라는 대응이 됩니다. 인명·재산·법적 권리에 관련된 영역에서 전문가에 의한 개발·유지보수·평가 체제를 자사에서 구축할 수 없다면, 그러한 체제를 가진 특화형 제품을 선택합니다(NIST, 2023; Moffatt v. Air Canada, 2024).
AI 도입 프레임워크
여기서는 지금까지의 정리를 바탕으로 AI 도입을 어떻게 검토해야 할지, 그 실무적 프레임워크를 단계별로 제시합니다. 판단은 「시스템 전체」가 아니라 「업무 단위」로 수행할 것, 그리고 「한 번 정하면 끝」이 아니라 정기적으로 재검토할 것이 이 틀의 전제입니다.
스텝 1:업무를 분해하고, 코어와 컨텍스트로 나누기
시스템 단위가 아니라 업무 단위로 생각하기:「기간 시스템을 만들 것인가, 사갈 것인가」「AI를 도입할 것인가」라는 질문의 설정 방식 자체가 실패의 시작입니다. 기간 시스템은 회계·구매·재고·판매·생산 등 성질이 다른 많은 업무로 구성되어 있으며, 각각에 적합한 형태는 다릅니다. 먼저 업무를 판단 가능한 단위까지 분해합니다.
각 업무를 코어와 컨텍스트로 분류하기:Moore(2005)의 구분에 따라 각 업무를 「고객이 자사를 선택하는 이유에 직접 연결되는 업무(코어)」와 「필요하지만, 경합사와 동일한 방식으로 문제없는 업무(컨텍스트)」로 나눕니다. 현장 담당자는 자신의 업무를 「특수하고 중요하다」고 느끼는 경향이 있기 때문에, 분류는 경영층과 현장이 협력하여 고객의 관점에서 수행해야 합니다.
코어를 소수로 한정하기:코어로 분류되는 업무는 소수에 머물러야 합니다. Prahalad & Hamel(1990)은 핵심역량을 5~6개 이상 나열하는 기업은 그 의미를 오해하고 있다고 말했으며, Moore(2005)는 활동이 시간이 지남에 따라 코어에서 컨텍스트로 이동하기 때문에 자원의 대부분이 컨텍스트에 소비된다고 논했습니다. 분류 결과 코어가 많은 경우, 「다른 회사가 하지 않는가」「고객이 그것을 이유로 자사를 선택하는가」를 하나씩 다시 점검하면 많은 것이 컨텍스트로 이동합니다. 예를 들어, 10개의 업무를 분류하여 6개가 코어가 되었다는 결과는 거의 확실히 기준이 느슨함을 나타냅니다.
AI에 적합한 업무로 한정하기:「AI 도입이 적절한 업무」장에서 제시한 조건(언어·문서 중심인가, 결과물을 검증할 수 있는가, 능력의 경계 내인가, 숙련도의 편차가 있는가, 책임과 시정 메커니즘을 설계할 수 있는가, 빈도가 높은가)을 업무별로 확인합니다.
스텝 2:5가지 판정 테스트
전장의 4가지 축에 실행 가능성의 축을 더한 5가지 테스트를 업무별로 순서대로 적용합니다.
차별화 테스트:이 업무를 독자적인 방식으로 수행하는 것이 고객 입장에서 가치 있고, 경합사가 쉽게 모방할 수 없으며, 지속적인 우위로 이어지는가. VRIO의 4가지 조건을 만족하는 경우에만 「예」라고 하고, 「예」라면 자사 개발을 검토합니다. 「아니오」라면 다음 테스트에서 구매 방식을 결정합니다. 예를 들어, Walmart의 입고 시스템은 「예」이지만, 같은 회사의 경비 정산은 「아니오」입니다.
자산 특수성 테스트:이 업무의 진행 방식이 자사에 고유한가, 아니면 같은 업계의 다른 회사와 본질적으로 같은가. 같다면 기존 제품 도입, 고유하다면 「그 고유성이 차별화 테스트를 통과했는가」를 다시 확인합니다. 차별화로 이어지지 않는 고유성은 업무 측면을 표준에 맞추는 대상입니다. 예를 들어, 「당사의 승인은 5단계」라는 고유성은 차별화로 이어지지 않으므로 표준의 3단계로 맞추는 대상입니다.
시장 성숙도 테스트:이 업무를 대상으로 하는 제품 시장이 진화의 어느 단계에 있는가. 복수의 벤더가 경쟁하고 기능이 표준화되어 있다면(제품·상품 단계) 기존 제품 도입, 제품이 존재하지 않거나 미성숙하다면(창발·독자 구축 단계) 자사 개발이라는 대응이 됩니다. 예를 들어, 고객관리는 성숙한 제품 시장이 있지만, 자사의 특수한 제조 공정 최적화는 제품이 존재하지 않아 자사 개발이 될 수 있습니다. AI의 경우, 범용 AI로 충분한가, 특화형 제품이 존재하는가, 존재하지 않는가의 3단계로 확인합니다.
변화 속도 테스트:이 업무를 규정하는 요건이 얼마나 빠른 속도로 변화하는가. 변화가 빠른 영역에서는 추종 비용을 외부화할 수 있는 기존 제품의 우위가 커집니다. 예를 들어, 법령 개정이 매년 있는 업무나, 기반 모델의 진화에 직접 영향을 받는 업무는 추종을 기존 제품 도입을 통해 벤더에 맡기는 것이 합리적입니다.
역량 테스트:자사가 이 시스템을 만들고, 가동 후에도 5년, 10년에 걸쳐 개선·유지보수를 계속할 인재·예산·조직을 가지고 있는가. 없다면, 다른 테스트가 자사 개발을 가리키더라도, 기존 제품을 커스터마이징하거나 공동 개발을 통해 자사 요건을 제품에 반영하는 길을 모색합니다. 예를 들어, 개발자가 2명뿐인 조직이 자사 개발을 선택하면, 그 2명의 퇴직이 시스템의 수명이 됩니다.
5가지 테스트가 모두 자사 개발을 가리키는 업무만이 자사 개발의 대상이 됩니다. 1개라도 기존 제품 도입을 가리키는 테스트가 있다면, 그것은 자사 개발의 위험을 나타내는 경고로 취급하여 기존 제품 도입(범용 AI·특화형 AI 에이전트)을 검토합니다. 특히 역량 테스트는 다른 4가지 테스트의 결과를 뒤집는 거부권을 가집니다.
스텝 3:라이프사이클 전체의 비용과 가치 평가
개발비가 아닌 총소유비용(TCO)으로 비교한다:자사 개발의 비용은 초기 개발비만 보면 크게 과소평가됩니다. 연간 유지보수비는 개발비의 15~20%에 달하며(Boehm, 1981), 유지보수·운영이 라이프사이클 비용에 차지하는 비율은 5~7할(Lientz & Swanson, 1980)에서 기업 시스템의 경우 85~90%(Erlikh, 2000)로 추정되고 있어, 10년의 총소유비용은 초기 개발비의 3~10배가 됩니다. 기존 제품의 견적에는 이용료에 더하여 업무 변경 비용, 연계 부분의 유지보수비, 향후 시스템 전환 비용을 포함시킵니다. 예를 들어, Panorama Consulting Group(2024)의 조사에 따르면 ERP 도입 프로젝트의 비용 중앙값은 45만 달러(대상 기업의 연매출 약 0.2%)인 반면, Bloch et al.(2012)이 분석한 대규모 자사 개발 프로젝트는 예산 1,500만 달러 이상으로, 제품 도입과 비교하면 자사 개발은 전형적으로 20~30배의 차이가 납니다. 더욱이 자사 개발 측에는 이 초기 비용의 3~10배에 달하는 유지보수·개선 비용이 앞으로 계속 추가됩니다. 다만, 기존 제품도 커스터마이징으로 깊이 있게 구축하면 같은 규모로 팽창할 수 있다는 점은 Lidl(약 5억 유로)과 Birmingham 시(1억 파운드 초과)의 사례로 알 수 있습니다(Handelsblatt, 2018; Grant Thornton UK LLP, 2023).
참조 클래스로 견적을 보정한다:자사의 견적에 대해 동일 유형 프로젝트의 실적 분포(Flyvbjerg et al., 2022)를 적용하고, 특히 비용 초과가 2배 이상이 될 확률을 명시적으로 평가합니다. 경영진이 이 확률을 수용할 수 없는 경우, 해당 업무를 자사 개발 대상에서 제외하거나, 규모를 분할하여 개별 실패가 치명적이 되지 않도록 합니다. 예를 들어, "6건 중 1건은 예산이 3배가 된다"는 실적 분포를 전제로, "3배가 되어도 사업에 치명적이지 않은 규모"까지 건당 투자를 분할합니다.
철수 비용과 철수의 용이성을 평가한다:어느 형태이든 "잘못되었을 때 어느 정도의 손실로 중단할 수 있는가"를 평가합니다. 기존 제품의 해약과 전환, 자사 개발의 중단과 대체 수단으로의 이전, 각각에 필요한 비용과 기간을 추정하고 철수 선택권에 가치를 인정합니다(Keil, 1995). 이러한 유연성의 가치는 불확실성이 높은 영역일수록 커집니다(Fichman, 2004). 예를 들어, 특화형 AI 제품을 1년 계약으로 시험하고 효과가 없으면 해약하는 선택지는, 동일한 기능을 자사 개발하는 경우에는 존재하지 않습니다.
J커브를 전제로 평가 기간을 설정한다:도입 후 1~2년의 효과만으로 판단하면 필요한 보완 투자를 중단하게 될 수 있습니다. 평가 기간은 최소 5년을 설정하고, 그 기간의 보완 투자(업무 재설계·교육)를 예산에 포함시킵니다(Brynjolfsson et al., 2021). 예를 들어, AI에 의한 심사 지원을 도입한 초년도는 심사자가 AI의 지적을 확인하는 절차에 익숙해질 때까지 처리 시간이 오히려 늘어날 수 있으며, 이 기간을 "실패"로 판단하여 중단하면, 효과가 나타나기 전에 투자를 포기하게 됩니다.
AI의 경우 비용 구조의 차이:기반 모델의 API는 이용량에 따른 종량제이므로, 비용은 고정비가 아니라 변동비가 됩니다. 이는 업적 변동에 대한 내성을 높이는 한편, 이용이 확대될수록 비용이 증가합니다. McKinsey(2026)의 조사에 따르면 20%의 기업이 AI의 운영 비용이 이용을 제약하고 있다고 응답했습니다. 또한 추론 비용은 계속 급격히 하락하고 있으므로, 현재 가격을 전제로 "자사에서 모델을 운영하는 것이 더 저렴하다"고 판단하는 것은 위험합니다. 예를 들어, 건당 처리 비용이 1년에 수분의 일로 줄어드는 일은 드물지 않으므로, 견적에는 가격 하락 추세를 반영할 필요가 있습니다.
스텝 4: 공정별 실패 요인에 대응하는 체크포인트를 배치한다
실패 요인 장에서 정리한 공정별 요인에 대해, 공정마다 다음 체크포인트를 설정합니다.
기획·투자 판단 단계에서 확인할 것:업무 단위로 도입 수준과 책임자를 정한 대장이 있는가, 견적이 참조 클래스(동일 유형 프로젝트의 실적 분포)로 보정되었는가(Flyvbjerg, 2006; Flyvbjerg et al., 2022), 업무 재설계·교육·운영 체제 등 보완적 투자가 예산화되었는가(Brynjolfsson et al., 2021), 일괄 구축이 아니라 업무 단위로 분할되었는가(Flyvbjerg & Gardner, 2023)를 확인합니다. 이들은 "도입 형태의 오판단", "계획 착오", "보완적 투자의 누락", "스코프의 비대화"에 대응합니다. 예를 들어, "기간계 시스템 개선"이라는 하나의 결재가 아니라, 회계·구매·재고 각각에 대해 도입 수준, 책임자, 예산을 따로 기재한 결재가 되어 있는가 하는 확인입니다.
요구사항 정의·제품 선정 단계에서 확인할 것:제품과 업무의 미스매치를 파악하고 "업무를 바꿀 것인가" 아니면 "분리할 것인가"를 결정했는가(Soh et al., 2000; Davenport, 1998), 벤더의 지속성·데이터의 내보내기 수단·계약 해제 조건을 평가했는가(Shapiro & Varian, 1999), 요구사항 정의와 벤더 관리를 맡을 자사 인재가 있는가(Feeny & Willcocks, 1998; Lacity et al., 2009)를 확인합니다. AI의 경우 이에 더하여 실제 업무 데이터로 소규모로 시험하고 능력의 경계를 확인했는가(Dell'Acqua et al., 2023)를 확인합니다. 예를 들어, 제품의 데모를 보고 선정하는 것이 아니라, 자사의 과거 사안을 수십 건 투입하여 제품이 어디서 올바르게 처리하지 못했는지의 목록을 만든 후 계약하는, 이러한 확인입니다.
설계·개발·커스터마이징 단계에서 확인할 것:제품 본체의 변경에 해당하는 작업이 발생하지 않았는가, 설정과 연계의 범위 내에 머물렀는가(Brehm et al., 2001), 전체를 통합하고 품질에 책임을 지는 주체가 명확한가(U.S. Government Accountability Office, 2014), 기술 부채의 상환이 계획되었는가(Cunningham, 1992; McKinsey, 2020)를 확인합니다. 예를 들어, 개발 중에 "이 요청은 설정으로 대응할 수 있는가, 코드를 작성할 필요가 있는가"를 변경 요청마다 판정하고, 코드를 작성하는 경우는 책임자의 승인을 필수로 하는, 이러한 운영입니다.
테스트·이행·운영 단계에서 확인할 것:부하 테스트·승인 테스트·데이터 이행 검증이 계획대로 실시되었는가(Somers & Nelson, 2001; U.S. Government Accountability Office, 2014), 단계적 이행이나 병행 운영을 검토했는가(Markus & Tanis, 2000), "계속·변경·중단"을 판단하는 스테이지 게이트가 있고 판단자가 추진자와 분리되어 있는가(Keil, 1995)를 확인합니다. AI의 경우 이에 더하여 오류 검지와 시정 절차, 책임의 소재가 정해져 있는가(NIST, 2023; Moffatt v. Air Canada, 2024)를 확인합니다. 예를 들어, 운영 판정 회의의 의장을 프로젝트 추진자가 아니라 다른 부서의 책임자로 하고, "테스트에서 미해결의 중대 사항이 0이 아니면 운영하지 않는다"는 기준을 사전에 문서화하는, 이러한 운영입니다.
운영·유지보수·진화 단계에서 확인할 것:유지보수 체제와 예산이 확보되었는가(Lientz & Swanson, 1980; Boehm, 1981), 담당자의 교체에 대비한 문서화와 지식 공유가 이루어졌는가(Rigby et al., 2016), 업무 프로세스의 변경과 교육이 실시되었는가(Aral & Weill, 2007), 벤더의 가격 개정·제품 종료에 대한 대응책이 있는가(Farrell & Klemperer, 2007)를 확인합니다. AI의 경우 이에 더하여 기반 모델의 업데이트·폐지에 대한 추적 절차와 출력 품질의 지속적 모니터링이 있는가(NIST, 2023)를 확인합니다. 예를 들어, 운영 개시 1년 시점에 "설계서는 최신인가", "주요 개발자가 1명 빠져도 유지보수가 계속되는가", "라이센스 이용률은 몇 %인가"를 점검하는, 이러한 운영입니다.
스텝 5: 정기적으로 검토한다
연간으로 시장 성숙도 테스트를 재실행한다:자사에서 개발하고 있는 영역에 대해 "지난 1년간 제품 시장에 변화는 없었는가"를 확인합니다. 제품이 등장했다면, 내제를 계속하는 이유를 다시 검토합니다. AI 영역에서는 특히 특화형 제품의 등장이 빠르므로, 이 검토는 6개월마다가 바람직한 빈도입니다. 예를 들어, 1년 전에 "제품이 없어서 자사 개발했다"는 사내 문서의 검색·요약 기능은, 현재는 여러 제품이 동등 이상의 기능을 제공하고 있을 가능성이 높습니다.
핵심의 진부화를 검지한다:한때 차별화 테스트를 통과한 업무가 경쟁사의 추적이나 업계의 표준화로 인해 맥락이 변하지 않았는지를 확인합니다. 예를 들어, 10년 전에는 독자적인 강점이던 온라인 주문 시스템은, 현재는 업계 전체의 표준 기능이 되어 있는 경우가 많으며, 그 부분의 내제를 계속하는 합리성은 상실되었습니다.
인재와 케이퍼빌리티의 변화를 반영한다:주요 개발자의 이직이나 조직 변경이 있으면 케이퍼빌리티 테스트의 결과는 달라집니다. 인재 상황에 따라 자사 개발에서 기존 제품 도입으로의 축소, 또는 제품 벤더와의 공동 개발로의 전환을 검토합니다. 예를 들어, 자사에서 개발한 AI 시스템의 설계자가 퇴직했을 때, 동등한 특화형 제품으로의 이행을 진지하게 검토해야 합니다.
판단에 갈팡질팡할 때의 원칙:판단이 애매한 업무는 일단 기존 제품 도입으로 도입하고, 운영하며 차별화의 여지를 확인합니다. 나중에 자사 개발으로 이행하는 것은 가능하지만, 자사 개발에서 시작하여 나중에 기존 제품 도입으로 돌아가는 것은 투입한 개발비를 포기하는 것을 의미하므로, 훨씬 더 어렵습니다. 불확실성 속에서는 가역적인 선택지부터 시작하는 것이 합리적입니다. 예를 들어, AI 도입에서는 먼저 범용 AI로 개인의 작업을 지원하고, 다음으로 특화형 제품으로 업무 프로세스에 통합하고, 그래도 채워지지 않는 차별화의 핵심만 자사 개발한다는 순서가, 가장 손실이 적은 경로입니다.
마치며
거의 모든 기업과 조직에 있어 AI 도입은 필수의 검토 사항이 되어 있고, 기존 제품을 도입할 것인지, 자사 개발을 할 것인지 하는 선택지가 있으며, 어떻게 판단해야 할지 고민하시는 분들도 많을 것이라 생각합니다. 본 항의 내용이 검토와 판단의 지침이 되기를 바랍니다.
참고 문헌
Andreessen Horowitz. (2025). How 100 enterprise CIOs are building and buying gen AI in 2025. a16z. 개요: 기업 CIO 100명에 대한 조사를 바탕으로, AI 애플리케이션 조달이 자사 개발에서 외부 제품 구매로 이행하고 있음, 5개 이상 모델을 병행 사용하는 기업이 37%에 달함, 소프트웨어 개발 영역에서 코드의 대부분을 AI가 생성하는 기업이 등장했음 등을 보고한 조사 리포트.
Aral, S., & Weill, P. (2007). IT assets, organizational capabilities, and firm performance: How resource allocations and organizational differences explain performance variation. Organization Science, 18(5), 763–780. 개요: IT 투자의 성과는 투자액이 아니라 IT 자산의 구성과 조직의 역량(스킬·디지털화된 업무 프로세스·IT 활용 문화)의 조합으로 결정된다는 것을 실증한 연구.
Barney, J. (1991). Firm resources and sustained competitive advantage. Journal of Management, 17(1), 99–120. 개요: 지속적인 경쟁우위는 가치 있고·희귀하며·모방 어렵고·조직적으로 활용되는 자원에서 생긴다는 자원기반이론(VRIO)의 원전.
Bessen, J. (2022). The new Goliaths: How corporations use software to dominate industries, kill innovation, and undermine regulation. Yale University Press. 개요: Walmart나 Amazon 등이 시판되지 않은 독자 소프트웨어로 경쟁우위를 구축하여 산업 집중과 신규 진입 정체를 초래하고 있다고 논한 저작. 자체 개발이 경쟁우위가 되는 조건을 보여줌.
Bloch, M., Blumberg, S., & Laartz, J. (2012). Delivering large-scale IT projects on time, on budget, and on value. McKinsey Quarterly. 개요: 옥스포드 대학과의 공동 연구로 5,400건 이상의 IT 프로젝트를 분석하여 대규모 프로젝트가 평균적으로 예산을 45% 이상 초과하고 가치는 56% 부족함을 보여준 보고서.
Bloomberg. (2025, May). Klarna CEO says AI customer service push went too far, plans to hire humans again. Bloomberg News. 개요: Klarna의 CEO가 AI에 의한 고객 대응의 품질 저하를 인정하고 인간 담당자를 다시 채용할 방침을 밝힌 인터뷰 보도.
Brehm, L., Heinzl, A., & Markus, M. L. (2001). Tailoring ERP systems: A spectrum of choices and their implications. Proceedings of the 34th Hawaii International Conference on System Sciences. 개요: ERP의 조정 방법을 '설정'부터 '소스 코드 변경'까지 9단계로 분류하여, 단계가 깊어질수록 기술적 위험·유지보수 비용·지원 상실이 증가함을 보여준 연구.
Brooks, F. P. (1975). The mythical man-month: Essays on software engineering. Addison-Wesley. 개요: '지연되는 프로젝트에 인원을 추가하면 더욱 지연된다'는 브룩스의 법칙을 포함한 소프트웨어 개발 관리의 고전.
Brooks, F. P. (1987). No silver bullet: Essence and accidents of software engineering. IEEE Computer, 20(4), 10–19. 개요: 소프트웨어의 어려움을 '본질적인 어려움'(복잡성·조화성·가변성·불가시성)과 '우발적인 어려움'으로 구분하여, 전자는 도구나 기법으로는 해소될 수 없다고 논한 논문.
Brynjolfsson, E., Li, D., & Raymond, L. (2025). Generative AI at work. Quarterly Journal of Economics, 140(2), 889–942. 개요: 고객 지원 부서에 생성형 AI를 도입하면 생산성이 평균 14% 향상되며, 특히 경험 부족한 담당자에서 효과가 크다는 것을 보여준 대규모 실증 연구.
Brynjolfsson, E., Rock, D., & Syverson, C. (2021). The productivity J-curve: How intangibles complement general purpose technologies. American Economic Journal: Macroeconomics, 13(1), 333–372. 개요: 범용 기술의 도입 효과는 무형 자산에 대한 보완 투자가 먼저 선행하기 때문에 초기에는 나타나지 않다가 이후 가속되는 'J 커브'를 그린다는 것을 보여준 연구.
Capital One. (2020, December 1). Capital One completes migration to the cloud and closes its last data center [Press release]. 개요: 미국의 주요 은행이 8개 데이터센터를 모두 폐쇄하고 인프라를 AWS로 전면 이전했음을 공시한 기업 발표 자료. 규제 산업에서의 인프라층 외부화 사례.
Carr, N. G. (2003). IT doesn't matter. Harvard Business Review, 81(5), 41–49. 개요: IT는 전력이나 철도와 마찬가지로 상품화된 인프라가 되어 그 자체로는 경쟁우위를 생기게 하지 않으므로, 지출의 최소화와 위험 관리에 중점을 두어야 한다고 논한 논문.
Cunningham, W. (1992). The WyCash portfolio management system. OOPSLA '92 Experience Report. 개요: 단기적 지름길로 축적된 설계상의 타협이 이후 변경 비용을 지속적으로 상승시키는 현상을 '기술 부채'라는 비유로 처음 표현한 보고서.
Davenport, T. H. (1998). Putting the enterprise into the enterprise system. Harvard Business Review, 76(4), 121–131. 개요: ERP가 업무 진행 방식에 관한 공급업체의 가정을 포함하고 있으므로, 도입 기업은 '시스템을 업무에 맞출 것인가, 업무를 시스템에 맞출 것인가'의 전략적 선택을 강요받는다고 논한 논문.
Dell'Acqua, F., McFowland, E., Mollick, E. R., Lifshitz-Assaf, H., Kellogg, K., Rajendran, S., Krayer, L., Candelon, F., & Lakhani, K. R. (2023). Navigating the jagged technological frontier: Field experimental evidence of the effects of AI on knowledge worker productivity and quality (Working Paper No. 24-013). Harvard Business School. 개요: 758명의 컨설턴트를 대상으로 한 실험에서 AI의 능력 경계가 '톱니 모양'이며, 경계 내부에서는 생산성이 대폭 향상되는 한편 외부에서는 정답률이 저하됨을 보여준 연구.
Eloundou, T., Manning, S., Mishkin, P., & Rock, D. (2023). GPTs are GPTs: An early look at the labor market impact potential of large language models. arXiv:2303.10130. 개요: 미국 근로자의 약 80%가 업무 과제의 10% 이상에, 약 19%가 50% 이상에 대규모 언어 모델의 영향을 받을 것으로 추정하여, AI가 범용 기술임을 보여준 연구.
Erlikh, L. (2000). Leveraging legacy system dollars for e-business. IT Professional, 2(3), 17–23. 개요: 기업 시스템의 라이프사이클 비용 중 유지보수·운영이 85~90%를 차지한다고 추정하여, 레거시 시스템의 유지비용의 규모를 지적한 논문.
Farrell, J., & Klemperer, P. (2007). Coordination and lock-in: Competition with switching costs and network effects. In M. Armstrong & R. Porter (Eds.), Handbook of industrial organization (Vol. 3, pp. 1967–2072). Elsevier. 개요: 전환 비용과 네트워크 효과가 시장 경쟁에 미치는 영향을 이론적으로 정리하여, 전환 비용이 공급자에게 가격 지배력을 부여하는 메커니즘을 보여준 문헌.
Ferdows, K., Lewis, M. A., & Machuca, J. A. D. (2004). Rapid-fire fulfillment. Harvard Business Review, 82(11), 104–110. 개요: Zara(Inditex)가 2주 내에 기획부터 매장 진열까지 사이클을 돌리는 업무 모델을 자체 개발한 간단한 정보 시스템과 일체적으로 운영하고 있음을 분석하여, 업무 모델에 완벽하게 적합한 시스템이 경쟁우위를 생기게 하는 메커니즘을 보여준 논문.
Flyvbjerg, B. (2006). From Nobel Prize to project management: Getting risks right. Project Management Journal, 37(3), 5–15. 개요: 계획 오류에 대한 대책으로 유사 프로젝트의 실적 분포로부터 견적을 보정하는 '참조 클래스 예측'을 제안한 논문.
Flyvbjerg, B., & Budzier, A. (2011). Why your IT project may be riskier than you think. Harvard Business Review, 89(9), 23–25. 개요: 1,471건의 IT 프로젝트를 분석하여, 평균 비용 초과는 27%이지만 6건 중 1건은 비용 초과 200%·기간 초과 70%에 달하는 '검은백조'임을 보여준 논문.
Flyvbjerg, B., Budzier, A., Lee, J. S., Keil, M., Lunn, D., & Bester, D. W. (2022). The empirical reality of IT project cost overruns: Discovering a power-law distribution. Journal of Management Information Systems, 39(3), 607–639. 개요: 5,392건의 IT 프로젝트를 분석하여 비용 초과가 거듭제곱 분포(팻테일)를 따른다는 것을 보여준 연구. 정규분포를 전제로 한 견적이 극단적인 초과를 과소평가한다는 것을 경고함.
Gartner. (2025, June 25). Gartner predicts over 40% of agentic AI projects will be canceled by end of 2027 [Press release]. 개요: 에이전트 AI 프로젝트의 40% 이상이 비용, 불명확한 가치, 불충분한 리스크 관리를 이유로 중단될 것으로 예측하였으며, 수천 개의 자칭 벤더 중 실제로 에이전트 기능을 갖춘 것은 약 130개 회사에 불과하다는 "에이전트 워싱"의 만연을 지적한 발표.
Grant Thornton UK LLP. (2023). Birmingham City Council: Statutory recommendations under Section 24 of the Local Audit and Accountability Act 2014. 개요: 버밍엄시의 Oracle 도입에서의 예산 초과 및 재무 관리 기능 부전에 대해 과도한 커스터마이제이션을 주요 원인 중 하나로 지적한 외부 감사인 보고서.
Handelsblatt. (2018, July). Lidl stoppt Milliardenprojekt mit SAP. Handelsblatt. 개요: 7년간, 약 5억 유로를 투자한 Lidl의 SAP 도입 중단 사례를 보도하였으며, 재고 평가 방식에 대한 집착으로 인한 과도한 커스터마이제이션을 원인으로 보도한 기사.
House of Commons Committee of Public Accounts. (2013). The dismantled National Programme for IT in the NHS (Nineteenth Report of Session 2013–14). The Stationery Office. 개요: 영국 NHS의 전자의무기록 통합 프로그램(NPfIT) 해체 후의 비용과 교훈을 검토하며, 중앙집권식 대규모 자체개발의 문제를 종합한 의회 보고서.
JPMorgan Chase. (2025). LLM Suite named 2025 "Innovation of the Year" by American Banker. JPMorgan Chase Technology Blog. 개요: 외부 기초 모델을 사내 플랫폼에서 활용하는 자체개발 도구인 "LLM Suite"의 배포 경과 및 이용 규모를 설명한 기업 공표 자료.
Kahneman, D., & Tversky, A. (1979). Intuitive prediction: Biases and corrective procedures. TIMS Studies in Management Science, 12, 313–327. 개요: 인간이 계획을 수립할 때 과거의 유사 사례를 무시하고 내부적 관점에서 견적을 수립하는 "계획 오류"를 지적하고, 외부적 관점에 의한 보정을 제안한 논문.
Keil, M. (1995). Pulling the plug: Software project management and the problem of project escalation. MIS Quarterly, 19(4), 421–447. 개요: 실패가 명백해지고 있는 IT 프로젝트가 계속되고 추가 투자가 되는 "에스컬레이션"의 요인을 분석하고, 철수 판단의 메커니즘의 필요성을 제시한 연구.
Klarna. (2024, February 27). Klarna AI assistant handles two-thirds of customer service chats in its first month [Press release]. 개요: 외부 기초 모델을 이용하여 자체개발한 AI 어시스턴트가 고객 대응의 3분의 2를 처리하여 700명분의 업무에 상당한다고 발표한 기업 공표 자료.
Koch, C. (2002). Hershey's bittersweet lesson. CIO Magazine. 개요: 1999년의 ERP 일괄 전환으로 출하 장애를 일으킨 Hershey가, 2002년의 대규모 업그레이드에서는 한산기의 단계적 이전과 충분한 테스트를 통해 예정보다 빨리 예산을 하회하여 완료한 경과를 보도한 기사.
Koch, C. (2004). Nike rebounds: How (and why) Nike recovered from its supply chain disaster. CIO Magazine. 개요: 2000년의 수요 예측 시스템 도입 실패 이후, Nike가 기간계 시스템 갱신을 지역·업무별 단계적 도입으로 전환하여 2006년까지 큰 장애 없이 완료한 경과를 보도한 기사.
Lacity, M. C., Khan, S. A., & Willcocks, L. P. (2009). A review of the IT outsourcing literature: Insights for practice. Journal of Strategic Information Systems, 18(3), 130–146. 개요: IT 아웃소싱의 실증 연구를 체계적으로 검토하고, 선택적 아웃소싱의 우위, 계약 설계, 발주처의 역량 중요성을 실무를 위해 정리한 문헌.
Lehman, M. M. (1980). Programs, life cycles, and laws of software evolution. Proceedings of the IEEE, 68(9), 1060–1076. 개요: 실제로 사용되는 프로그램은 지속적으로 변경되지 않으면 만족도가 저하되고, 변경을 계속할수록 복잡성이 증가한다는 "소프트웨어 진화의 법칙"을 정식화한 논문.
Lientz, B. P., & Swanson, E. B. (1980). Software maintenance management: A study of the maintenance of computer application software in 487 data processing organizations. Addison-Wesley. 개요: 기업의 소프트웨어 유지보수 활동을 대규모로 조사하여, 라이프사이클 비용의 과반이 유지보수에 소비된다는 것을 처음으로 체계적으로 보여준 고전적 연구.
McKinsey & Company. (2026). The state of AI: Global survey 2026. QuantumBlack, AI by McKinsey. 개요: 97개국 1,719명을 대상으로 한 조사에 기반하여, AI 이용률은 88%에 도달하는 한편, EBIT에 대한 영향을 보고하는 기업은 37%에 불과하고, 응답자의 80%가 개인의 생산성 향상을 실감하고 있으며, 32%의 기업이 AI 코딩 도구에 의한 자체개발을 선택했고, 20%의 기업이 AI의 운영 비용을 활용의 제약으로 느끼고 있다는 등을 보고한 조사 보고서.
Menlo Ventures. (2025). 2025: The state of generative AI in the enterprise. Menlo Ventures. 개요: 기업의 생성 AI 지출을 분석하여, 외부 제품 구매가 76%, 자체개발이 24%로 전년 대비 구매 쪽으로 크게 이동했으며, 수직 특화형 AI 지출이 35억 달러에 도달했고, 자율적 에이전트를 운영하는 기업은 16%에 불과하다는 등을 보고한 조사 보고서.
MIT NANDA. (2025). The GenAI divide: State of AI in business 2025. Massachusetts Institute of Technology. 개요: 52개 조직에 대한 인터뷰와 153명에 대한 조사에 기반하여, 생성 AI 파일럿의 95%가 손익 상의 효과에 이르지 못했고, 외부 제품의 본번 도달률(67%)이 자체개발(33%)의 2배이며, 정착을 방해하는 "학습 격차"의 존재를 보고한 조사 보고서.
Moffatt v. Air Canada, 2024 BCCRT 149 (Civil Resolution Tribunal of British Columbia, 2024). 개요: 챗봇의 잘못된 안내에 대해 항공사의 책임을 인정하고 배상을 명령한 캐나다 중재 판정.
Moore, G. A. (2005). Dealing with Darwin: How great companies innovate at every phase of their evolution. Portfolio. 개요: 기업의 활동을 차별화를 만드는 "코어"와 필요하지만 차별화를 만들지 않는 "컨텍스트"로 나누고, 모든 활동은 시간에 따라 코어에서 컨텍스트로 이동한다고 논한 저작.
Nelson, P., Richmond, W., & Seidmann, A. (1996). Two dimensions of software acquisition. Communications of the ACM, 39(7), 29–35. 개요: 거래비용 이론을 소프트웨어 조달에 적용하여, "업무의 독자성"과 "요건의 불확실성"의 2축으로 패키지 구매, 커스텀 개발, 자체개발, 외주의 적부를 정리한 논문.
Netflix. (2016, February 11). Completing the Netflix cloud migration. Netflix. 개요: 2008년의 데이터베이스 장애를 계기로 시작한 AWS로의 이전을 2016년에 완료하고, 마지막 자사 데이터센터를 폐쇄했다고 보고한 기업 공표 자료. 기반을 외부에 맡기고 차별화의 핵을 자체개발하는 분리의 사례.
Panorama Consulting Group. (2023). The 2023 ERP report. Panorama Consulting Group. 개요: ERP 도입 기업에 대한 지속적 조사에 기반하여, 예산·기간 초과율 및 목표 달성률을 보고하는 연간 리포트. ERP 도입의 절반 전후가 예산 또는 기간을 초과하고, 기대한 효과를 충분히 얻은 기업은 절반에 못 미친 실태를 보여 줌.
Shapiro, C., & Varian, H. R. (1999). Information rules: A strategic guide to the network economy. Harvard Business School Press. 개요: 정보재의 경제적 속성(전환비용, 락인, 네트워크 효과, 표준화)을 체계적으로 정리한 정보경제학의 실무향 기본서.
Soh, C., Kien, S. S., & Tay-Yap, J. (2000). Enterprise resource planning: Cultural fits and misfits: Is ERP a universal solution? Communications of the ACM, 43(4), 47–51. 개요: 병원의 ERP 도입을 분석하여 제품과 조직의 불일치(미스핏)를 데이터·기능·출력의 3가지로 분류한 뒤, 커스터마이징에 의한 해결이 장기 비용을 증가시킴을 보여준 연구.
Standish Group. (2015). CHAOS report 2015. The Standish Group International. 개요: 소프트웨어 프로젝트의 성공·과제 있음·실패 비율을 지속적으로 조사한 보고서. 성공률이 약 30% 전후로 추이하고 있음을 보여줌.
Standish Group. (2020). CHAOS 2020: Beyond infinity. The Standish Group International. 개요: CHAOS 보고서의 2020년판. 성공률이 20년 이상 크게 변하지 않았으며, 성공 요인으로 의사결정 지연 억제를 제시한 것으로 알려짐.
Taima, M. (2026, June 12). AI에이전트 기업은 얼마나 큰 시장을 목표로 해야 할까 — TAM의 이론·사례·최신 연구. mign. https://www.mign.io/articles/57854/ 개요: 범용 AI 기업(OpenAI, Anthropic, Google)이 지식 근로 전체를 대상 시장으로, 산업 특화 AI에이전트 기업(Harvey, Cursor, Sierra, OpenEvidence 등)이 특정 산업의 인건비 지출을 대상 시장으로 삼는 구조를 정리하고, Service-as-a-Software의 개념과 각사의 매출·대상시장·달성도를 정량 비교한 칼럼입니다.
Teece, D. J. (1986). Profiting from technological innovation: Implications for integration, collaboration, licensing and public policy. Research Policy, 15(6), 285–305. 개요: 혁신의 이익이 발명자가 아닌 상용화에 필요한 보완자산의 보유자에게 흐르는 조건을 보여준, 기술전략론의 최중요 문헌 중 하나.
U.S. Government Accountability Office. (2014). Healthcare.gov: Ineffective planning and oversight practices underscore the need for improved contract management (GAO-14-694). 개요: Healthcare.gov 출범 실패에 대해 통합 책임자 부재, 요구사항의 빈번한 변경, 테스트 부족을 지적한 미국 정부 회계감사원의 감사 보고서.
Wardley, S. (2020). Wardley maps: Topographical intelligence in business. Creative Commons(온라인 공개). 개요: 기술과 활동이 '창발→자체 구축→제품→커모디티'로 진화한다는 전제에서, 사업의 구성 요소를 지도로 그리고 단계별로 적절한 조달 방법을 선택하는 기법을 체계화한 저작.
Williamson, O. E. (1985). The economic institutions of capitalism: Firms, markets, relational contracting. Free Press. 개요: 자산 특수성·불확실성·빈도의 3가지 요소에 의해 거래를 내부화할지 시장에 맡길지가 결정되는 것을 정교화한 거래비용경제학의 기본서.
Zylo. (2023). 2023 SaaS Management Index. Zylo. 개요: 기업의 SaaS 계약 데이터를 분석하여 계약된 라이선스의 약 40%가 미사용 상태이며, 1사당 연간 약 1,700만 달러가 낭비되고 있음을 보고한 조사 보고서.
읽음
다음 읽을 글 ↓