2026년 봄, OpenAI가 조직을 재편하면서 이례적인 결정을 내렸습니다. AI 모델 개발 조직과 완전히 분리된 형태로, AI를 실제 기업 현장에 배포하고 적용하는 일만 전담하는 법인을 별도로 설립한 것입니다. 기술 개발 조직 안에서 팀을 하나 더 만든 것이 아닙니다. 새 등기, 새 회계, 별도의 인력 구조를 갖춘 독립 법인입니다.

이 소식이 전문 매체의 한 단락을 차지하고 지나칠 수도 있었습니다. 그런데 실무자들 사이에서 예상 밖의 반응을 불러일으킨 이유가 있습니다. 모델을 만드는 일과 그 모델을 특정 조직의 일상 업무 흐름 안에서 실제로 작동시키는 일이 전혀 다른 전문성을 요구한다는 사실을, 세계에서 가장 앞서 있다는 AI 기업이 공식 조직도로 인정한 셈이기 때문입니다.

이 결정을 보면서, 지금 한국의 수많은 1인 사업자와 소규모 팀들이 내리고 있는 선택을 떠올렸습니다. AI 도구를 구독하는 것과 AI로 일하는 구조를 만드는 것. 이 두 가지를 여전히 같은 행위로 여기고 있지는 않은지를.

반복된 ERP 실패는 소프트웨어 문제가 아니었다

1990년대 후반, 한국 기업들 사이에 ERP 도입 열풍이 불었습니다. 글로벌 시스템 업체들의 패키지가 쏟아졌고, 컨설턴트들이 몇 달씩 사무실에 상주했습니다. 일부 중견기업들은 수십억 원을 집행했습니다. 그런데 같은 소프트웨어를 들여온 기업들 사이에서도 결과는 완전히 갈렸습니다.

성공한 곳과 실패한 곳의 차이는 소프트웨어 기능에 있지 않았습니다. 결재 구조, 부서 간 정보 흐름, 담당자의 권한 범위 같은 운영 방식 자체를 시스템에 맞게 재설계한 곳이 살아남았습니다. 기존 업무 방식 그대로인 채 그 위에 새 소프트웨어만 올려놓은 곳은 몇 년 지나지 않아 시스템을 걷어냈습니다. 당시 SI 업계에서 돌던 말이 있습니다. "도입은 IT 프로젝트지만, 성공은 조직 개혁 프로젝트다."

OpenAI의 배포 전문 법인 설립은 이 역사와 정확히 같은 교훈 위에 서 있습니다. AI 모델 자체는 이제 충분히 강력합니다. 일반 언어 처리, 코드 작성, 데이터 분석, 문서 초고 작성까지. 기술 성숙도의 문제는 2024년을 지나며 상당 부분 해소됐습니다. 이제 병목은 다른 곳에 있습니다.

어떤 조직이 어떤 방식으로 이 기술을 받아들이느냐의 문제입니다. 고객사의 데이터가 어떤 형식으로 어디에 저장되어 있는지, 기존 워크플로의 어떤 단계에 AI를 붙여야 실질적인 속도가 나는지, 담당자들이 AI를 실제로 쓰게 만들려면 어떤 교육과 구조가 필요한지. 이 질문들에 답하는 것이 배포 전문 조직의 역할입니다. 모델 개발 팀이 할 수 없는 일들입니다. 그래서 법인을 분리한 것입니다.

주요 AI 기업들이 비슷한 방향으로 움직이고 있는 것도 같은 이유입니다. AI의 실질적인 가치는 모델 성능 벤치마크 숫자가 아니라, 특정 조직 안에서의 작동 깊이에서 나온다는 판단이 업계 전반으로 퍼지고 있습니다. 기술을 만드는 것과 기술을 조직 안에서 살아 움직이게 만드는 것. 이 둘은 처음부터 다른 종류의 일입니다.

구독을 시작한 날, 아무것도 달라지지 않았을 수 있습니다

AI 도구를 구독하고 있지만 실제 업무 시간이 줄지 않은 경우를 생각해 보겠습니다. 이 상황에는 대개 두 가지 원인 중 하나가 있습니다. AI에게 무엇을 어떻게 물어야 할지 모르거나, AI의 결과물을 업무 흐름의 어느 지점에 어떻게 연결할지 결정하는 구조가 없거나. 전자는 사용 기술의 문제입니다. 후자는 업무 설계의 문제입니다.

콘텐츠 디렉터가 매주 시장 리포트를 작성한다고 해 보겠습니다. AI를 쓴다는 것이 이 맥락에서 구체적으로 무엇을 의미할까요. 초고 작성을 AI에게 맡기는 것으로 끝나면 절반도 채 안 됩니다. 어떤 데이터를 어떤 형식으로 AI에게 전달해야 원하는 수준의 초고가 나오는지, AI가 작성한 결과물 중 반드시 직접 손봐야 할 부분이 어디인지, 전체 작업 흐름에서 AI가 담당하는 단계와 내가 직접 처리해야 하는 단계가 어떻게 나뉘는지. 이 결정들의 총합이 구조입니다.

영업 담당자가 고객사 맞춤 제안서를 작성하는 경우도 같습니다. 고객사 정보를 어떻게 요약해서 AI에게 줄 것인지, AI가 생성한 초안 중 이 고객 상황에 맞지 않는 부분을 가려내는 기준이 무엇인지, 어떤 내용은 절대 AI에게 맡기지 않을 것인지. 이 판단들이 미리 정해져 있지 않으면, AI는 그냥 가끔 편리하게 쓰는 도구로 머뭅니다. 구조가 되지 못합니다.

구독을 시작한 것과 활용 체계를 만든 것은 다른 사건입니다. 많은 실무자들이 전자를 경험하고 나서 후자가 자연스럽게 따라온다고 기대합니다. 그런데 실제로는 별개의 결정과 설계가 필요합니다. 도구를 계정에 추가한 것이 아니라, 일하는 방식을 재설계해야 합니다. 이것이 OpenAI가 배포를 모델 개발과 분리한 이유이고, 소규모 사업자에게도 같은 논리가 적용되는 이유입니다.

AI가 깊이 들어올수록 선명해지는 사람의 자리

AI가 업무의 일부를 담당하기 시작하면, 역설적으로 사람만이 해야 하는 영역이 더 뚜렷하게 드러납니다.

하나는 맥락 판단입니다. AI는 주어진 정보를 처리하는 데 뛰어납니다. 그런데 어떤 정보를 처리해야 하는지를 결정하는 것, 지금 이 상황에서 AI의 결과물이 적절한지를 판단하는 것은 다른 능력입니다. 특정 거래처의 내부 의사결정 방식, 이 제안을 어떤 순서로 전달해야 상대가 받아들이는지, 지금 팀의 상태가 이 변화를 수용할 수 있는지. 이런 맥락들은 AI가 접근할 수 있는 일반 데이터에 없습니다.

관계의 지속성도 마찬가지입니다. 수년째 거래하는 협력사와의 암묵적 신뢰, 단골 고객이 기대하는 당신 특유의 응답 방식, 장기 파트너와의 비공식 약속. 이것들은 AI가 대신할 수 없습니다. OpenAI의 배포 법인이 하는 일의 상당 부분이 기술 구현이 아닌 관계 관리인 것도 같은 이유입니다. 조직 내 저항을 다루고, 변화에 불안해하는 구성원을 설득하고, 현장의 맥락 안에서 기술을 설명하는 일. 이것은 규모와 무관하게 사람이 해야 합니다.

어떤 일을 AI에게 맡기지 않을지 결정하는 것도 전략입니다. AI를 실제로 잘 활용하는 사람은 무엇을 넘기지 않을지를 먼저 정합니다. 브랜드 목소리, 핵심 고객과의 직접 접점, 자신만의 관점이 담긴 콘텐츠. 이것들을 AI에게 통째로 넘기는 순간, 차별화의 근거가 희미해집니다. 효율을 위해 정체성을 지우는 선택이기 때문입니다.

비즈니스 환경이 빠르게 바뀔수록, 기술 적응력만큼이나 사람 고유의 판단력과 관계 능력이 더 중요해진다는 시각이 설득력을 얻고 있습니다. AI가 광범위하게 쓰이는 환경에서 오히려 두드러지는 것은 기계가 따라올 수 없는 인간적 역량이라는 것입니다. OpenAI가 배포 조직을 따로 세운 것, 즉 기술 적용에는 사람이 설계한 구조와 사람이 주도하는 관계가 반드시 필요하다는 판단이 이 시각과 정확히 맞닿아 있습니다.

지금 AI 도구를 이미 사용하고 있다면, 몇 가지를 확인할 필요가 있습니다. AI가 내 업무 흐름의 어느 단계에 붙어 있는지 구체적으로 설명할 수 있습니까. "필요할 때 씁니다"라는 답이 나온다면, 아직 구조가 없다는 신호입니다. 반복되는 작업 중 AI 없이 하는 것과 AI와 함께 하는 것이 구분되어 있습니까. 구분이 없다면, 효율은 그날의 컨디션에 달려 있습니다. AI 결과물을 검토하는 기준이 명확합니까. 기준이 없으면 품질 관리의 책임 소재가 흐려집니다. AI를 쓰지 않기로 한 영역이 있습니까. 그것을 알고 있는 것 자체가 이미 전략입니다.

OpenAI가 배포 전담 법인을 세웠다는 사실보다, 그 결정이 무엇을 말하는지가 실무자에게 더 중요합니다. AI 전환은 어떤 도구를 고르느냐의 문제가 아닙니다. 일하는 구조를 다시 설계하느냐의 문제입니다. 구독 버튼을 누른 날이 아니라, 업무 방식을 바꾼 날부터 AI는 실제로 작동을 시작합니다.