AGI는 왔다는데, 왜 우리 회사는 그대로일까

AGI의 도래

2026년 9월 3일, OpenAI가 GPT-6 Astra를 공개했다. OpenAI는 이 모델이 컴퓨터 사용, 코딩, 사이버보안, 과학 전반에서 최고 수준의 성능을 낸다고 소개했다. Greg Brockman 사장은 세대를 뛰어넘는 도약이라는 표현을 쓰며 언젠가 AGI의 도래로 평가받을 수 있다고 말했고, 개인적으로는 이미 AGI에 도달했다고 믿는다고 밝혔다. 샘 올트먼은 CNBC 인터뷰에서 창업과 경제 성장의 붐을 예고했다.

불과 석 달 전에는 Anthropic이 Claude Fable 5를 내놓았다. 자사 최상위 등급인 Mythos급 모델에 안전장치를 더해 일반에 공개한 것으로, 그동안 공개한 어떤 모델보다 역량이 뛰어나다고 밝혔다. 구글 딥마인드의 데미스 허사비스는 5월 인터뷰에서 AGI가 2030년 무렵, 빠르면 2029년에 올 수 있다고 내다보며 지금의 AI 에이전트를 일종의 예행연습이라고 불렀다.

전망이 맞든 틀리든 한 가지는 분명하다. AI는 이제 문장을 쓰는 도구가 아니라 컴퓨터를 직접 조작하고, 코드를 짜고, 여러 단계의 업무를 스스로 끝내는 실행자가 되었다.

우리 회사의 현실

이제 시선을 우리 회사로 돌려 보자. 직원들은 챗GPT나 Claude로 이메일 초안을 쓰고, 회의록을 요약하고, 엑셀 함수를 물어본다. 분명히 일은 편해졌다.

그런데 조직도를 펼쳐 보면 달라진 것이 없다. 재무팀은 여전히 재무팀이고, 결재 라인도, 월말에 엑셀을 취합하는 순서도 그대로다. 2026년에 나온 조사들도 같은 장면을 보여 준다.

•  PwC 글로벌 CEO 서베이 : 95개국 CEO 4,454명 중 AI가 비용과 매출 모두에 효과를 냈다고 답한 CEO는 8명 중 1명이었고, 56%는 아직 의미 있는 재무적 효과를 보지 못했다고 답했다.

• Publicis Sapient 조사 : 글로벌 광고·커뮤니케이션 그룹 Publicis 계열의 기업용 AI 서비스 회사가 AI 의사결정자 1,550명을 조사한 결과, 73%가 AI를 업무에 정기적으로 쓰지만 AI가 사업 운영의 핵심이라는 답은 10%에 그쳤다.

•  마이크로소프트 2026 업무동향지표 : 한국인 2명 중 1명은 AI 에이전트로 더 나은 결과물을 내지만 조직 시스템이 이를 따라가지 못하고 있고, 경영진의 AI 전략이 명확하다는 응답은 16%였다.

AI는 각자의 책상 위에 놓인 조금 더 똑똑한 도구가 되었을 뿐, 회사가 일하는 방식은 바뀌지 않았다. 매출이 두 배가 되면 무엇이 필요하냐고 물으면, 대부분의 경영자는 여전히 "사람을 더 뽑아야죠"라고 답한다.

소수의 핵심 인력으로 운영하는 회사들

한편 전혀 다른 방식으로 성장하는 회사들이 있다. 적은 인원으로 큰 매출을 내는 AI 네이티브 기업들이 잇달아 등장하면서, 직원 1인당 매출에서 기존 기업과의 격차가 뚜렷해지고 있다. Forbes의 한 칼럼은 이들이 처음부터 모든 프로세스를 AI 중심으로 짓고, 레거시 시스템도 오래된 보상 체계도 변화에 대한 저항도 없이 출발한다는 점을 비결로 꼽았다.

이런 회사에서는 제품을 만들고, 콘텐츠를 생산하고, 고객 문의에 1차로 답하는 일을 AI가 기본으로 처리한다. 창업자는 어떤 고객을 상대할지, 무엇을 만들지, 얼마를 받을지를 판단한다. 전문성과 법적 책임이 필요한 기능은 외부 파트너에게 맡긴다. 사람의 수가 아니라 판단의 질이 성장을 결정하는 구조다.

이런 방식으로 창업하는 사람도 빠르게 늘고 있다. 미국 스타트업 상당수가 주주명부와 지분 관리에 쓰는 플랫폼 Carta의 데이터를 보면 2025년 설립된 스타트업의 약 36%가 단독 창업자로, 1년 전 31%보다 늘었다. 온라인 결제 기업 Stripe의 법인 설립 서비스에서는 2026년 2분기 단독 창업 비중이 63%로 역대 최고를 기록했다.

이들은 AI를 잘 쓰는 회사가 아니라, AI가 있다는 전제 위에 회사를 지은 곳들이다. 그렇다면 질문은 이것이다. 이 회사들과 우리 회사는 무엇이 다른가?

AI Native 기업과의 격차 확대

이제 AI 전환은 효율화 과제가 아니라 생존의 문제다. 먼저 전환한 회사와 그렇지 못한 회사 사이에는 여러 겹의 격차가 생기고, 이 격차는 시간이 갈수록 벌어진다.

•  속도 : 시장 조사, 제안서 작성, 제품 수정, 고객 대응에 걸리는 시간이 며칠에서 몇 시간으로 줄어든다. 경쟁사가 한 번 시도할 때 열 번 시도할 수 있다.

•  비용 : 같은 업무에 드는 인건비와 고정비가 달라지고, 이는 곧 가격 경쟁력과 런웨이의 차이가 된다.

•  확장의 구조 : 전통적인 회사는 매출이 늘면 사람을 늘려야 해서 성장이 계단식이 된다. AI 위에 지어진 회사는 매출이 늘 때 주로 서버와 사용료가 늘어난다.

•  학습의 속도 : 업무가 데이터로 남는 회사는 무엇이 잘되고 안 되는지를 빨리 안다. 노하우가 사람 머릿속에 있는 회사는 담당자가 바뀔 때마다 학습이 초기화된다.

•  아낀 시간의 재투입 : 대한상공회의소 조사에서 AI로 아낀 시간을 대기업은 새 프로젝트에, 중소기업은 휴식과 재충전에 많이 쓴다고 답했다. 연구진은 이 차이가 중장기 생산성 격차로 쌓일 수 있다고 봤다.

•  실험의 비용 : 새 사업을 시도하는 비용이 낮아지면 시도 횟수가 늘고, 기회를 발견할 확률도 높아진다.

이 격차들은 서로를 키운다. 빠르게 실험하는 회사가 빨리 배우고, 빨리 배우는 회사가 적은 비용으로 확장한다. 한 번 벌어진 격차가 저절로 좁혀지지 않는 이유다.

레거시 기업의 AI 전환이 어려운 이유

역설적이게도 자원이 많은 회사일수록 이 전환이 어렵다. 전통적인 조직구조, 오래 써 온 ERP와 결재 시스템, 직무 단위로 짜인 인사체계는 모두 "일은 사람이 한다"는 전제 위에 설계되었기 때문이다.

숫자가 이를 보여 준다. AWS 의뢰로 영국의 정책·리서치 컨설팅사 Strand Partners가 한국 기업을 조사한 결과, 에이전틱 AI 활용 등 고도화 단계에 들어선 비율은 스타트업 35%, 중소기업 25%, 대기업 9%였다. 자원은 대기업이 훨씬 많은데 결과는 거꾸로다. 백지에서 출발하는 회사는 허물어야 할 구조가 없고, 첫 업무 흐름부터 AI를 전제로 쌓아 올리면 된다.

AI Native 기업의 정의

두 회사를 가르는 것은 AI를 얼마나 많이 쓰느냐가 아니다. 회사가 일하는 방식을 처음부터 무엇을 전제로 설계했느냐다. 그래서 AI Native 기업을 이렇게 정의하고자 한다.

AI Native 기업이란, 처음부터 AI를 기본 처리자로 전제하고 운영 모델(Operating Model)을 설계한 회사다.

내 회사가 어느 쪽인지는 세 가지 질문으로 판별할 수 있다.

1.반복되는 업무의 기본 처리자가 사람인가, AI인가?

2.사람의 일이 실행(만들고, 보내고, 확인하는 일)인가, 판단인가?

3.일이 늘어날 때 무엇이 늘어나는가 — 사람인가, 시스템인가?

세 질문의 답이 모두 앞쪽에 가깝다면 아직 AI를 도구로 쓰는 단계다. 걱정할 일은 아니다. 대부분의 회사가 그 자리에서 출발한다.

AI Native로 가는 여러 방법론

그렇다면 AI Native 기업은 어떻게 만드는가. 2026년 들어 관련 방법론이 빠르게 쏟아지고 있다. 대표적인 흐름은 여섯 가지로 정리할 수 있다.

• AI 조직도형 : 조직도를 먼저 그리고 AI CFO, AI CMO 같은 역할의 에이전트를 배치하는 방식이다. 여덟 종류의 전문 에이전트가 가상 임원진처럼 조언하는 오픈소스 시스템 Open Executive도 나왔다. 직관적이지만 기존 조직의 칸막이를 복제할 위험이 있다.

• 워크플로 자동화형 : n8n 같은 도구로 "주문 접수 → 재고 확인 → 발송 → 정산" 같은 흐름을 잇고, 판단이 필요한 지점에만 AI를 끼우는 방식이다. 도구가 늘수록 연결 지점 관리가 부담이 된다.

• 데이터 우선형 : 흩어진 정보를 하나의 원천(Single Source of Truth)으로 모으고 그 위에 대시보드와 에이전트를 올리는 방식이다. 느려 보이지만 가장 현실적인 순서다.

• 오케스트레이터 아키텍처형 : 조율 에이전트가 업무를 도메인 에이전트에게 나눠 주고, 결과를 모아 사람의 승인을 받는 구조다. 구축 난도가 높다.

• 코어 + AI + 외주형 : 핵심 판단은 소수가, 반복 업무는 AI가, 전문성과 책임이 필요한 기능은 외부 파트너가 맡는 구조다.

• 직접 제작형 : 대표나 소수의 구성원이 Claude Code나 Codex로 내부 도구와 에이전트를 직접 만드는 방식이다. 회사에 딱 맞지만 만든 사람이 떠나면 유지하기 어렵다.

어느 하나의 정답이 있는 것은 아니다. 여러 방식을 섞어서 구현하면 된다. 다만 어느 방법이 옳으냐보다 중요한 것은, 어떤 방법을 택하든 공통으로 부딪히는 벽이 있다는 사실이다.

현실적 한계

방법론은 넘쳐나지만, 실제 회사에 적용해 보면 곧 벽에 부딪힌다. 그 벽은 특정 방법론의 결함이 아니라 지금의 AI와 지금의 회사가 가진 조건에서 비롯된다.

• 판단의 한계 : 최신 모델도 예외가 아니다. OpenAI는 Astra 시스템 카드에서 이 모델이 여전히 명확한 승인 없이 권한을 쓰는 등 선을 넘는 경우가 있다고 밝혔다. 재고, 정산, 회계, 세무처럼 틀리면 돈과 책임이 따르는 업무를 검증 없이 맡기면 위험하다.

• 사람 고유의 영역 : 새로운 고객을 발굴하고, 신뢰를 쌓고, 협상하는 일은 여전히 사람의 몫이다. 기술의 한계라기보다 상대방이 사람을 원하기 때문이다.

• 통제의 어려움 : 7월 OpenAI는 보안 평가 중이던 자사 모델들이 테스트 환경을 벗어나 Hugging Face의 인프라 일부에 침입했다고 밝히며 전례 없는 사고로 규정했다. 세계 최고 수준의 AI 기업도 자기 모델을 완전히 통제하지 못한 것이다.

• 되돌릴 수 없는 실행 : 4월 미국의 한 소규모 소프트웨어 기업에서는 코딩 에이전트가 운영 데이터베이스와 백업을 약 9초 만에 삭제했다. 인프라 업체 대표는 에이전트에게 모든 권한이 담긴 토큰이 주어진 것이 문제였다고 지적했다.

• 데이터와 맥락의 부재 : 초기 기업의 업무는 대부분 대표의 머릿속과 메신저 대화방에 있다. 기록되지 않은 암묵지는 위임할 수 없다.

• 보이지 않는 노동과 연결 비용 : "100% 자동"이라는 회사도 실제로는 누군가 매일 AI의 결과물을 검수하고 고친다. 도구 사이를 사람이 잇는 마찰 비용이 아낀 시간을 도로 잡아먹기도 한다.

• 유지관리의 비용 : 모델이 바뀔 때마다 잘 되던 워크플로가 흔들린다. 국내 한 AI 기업 대표는 에이전트가 수십, 수백 개가 되면 이야기가 달라진다고 지적했다.

답변이 틀린 챗봇은 시간을 낭비하게 하지만, 행동이 틀린 에이전트는 기록을 지우고 돈을 옮긴다. 세금 신고서에 서명하는 것도, 투자자에게 숫자를 보고하는 것도 결국 사람이다. 완전 자동은 아직 없다.

한국 환경의 특수성

여기에 한국이라는 환경이 더해진다. 해외에서 잘 작동한다는 방법론도 한국 회사에 그대로 가져오면 예상하지 못한 곳에서 멈춘다. 행정 인프라, 업무 도구, 일하는 문화, 규제까지 한국만의 조건이 겹겹이 놓여 있기 때문이다.

• 닫혀 있는 행정 인프라 : 전자세금계산서와 홈택스는 세계적으로 앞선 수준이지만, 외부 시스템이 자유롭게 연결할 공개 API는 제한적이다.

• 폐쇄적인 업무 소프트웨어 생태계 : 국내 회계·ERP 프로그램은 외부 연동을 전제로 설계되지 않은 경우가 많아, 데이터를 꺼내려면 엑셀 다운로드가 사실상 유일한 방법인 경우도 흔하다.

• 메신저 중심의 업무 대화 : 많은 의사결정이 카카오톡 대화방에서 이루어진다. 기록은 남지만 구조화되어 있지 않다.

• 회사 밖에 있는 백오피스 : 많은 스타트업이 기장과 세무 신고를 외부 세무사무소에 맡긴다. 재무 데이터가 다른 회사의 시스템 안에 있는 셈이다.

• 먼저 도착한 규제 : 한국은 1월 22일 AI 기본법을 전면 시행했지만, 시행 직전 조사에서 스타트업의 98%가 대응 체계를 갖추지 못한 상태였다.

• 해외 모델에 대한 의존 : 6월 Anthropic은 미국 상무부 수출통제를 준수하기 위해 Fable 5와 Mythos 5 접근을 약 3주간 중단했다가 7월 1일 재개했다. 다른 나라의 정책이 곧바로 우리 회사의 운영 리스크가 된다.

• 관계 중심의 영업 문화 : 한국의 B2B 거래는 여전히 소개와 대면 미팅에 크게 의존한다.

결국 한국 회사가 AI Native로 가려면 기술 도입만으로는 부족하다. 닫힌 데이터를 꺼내고, 메신저에 흩어진 맥락을 정리하고, 규제에 맞춰 책임 구조를 세우는 일이 함께 가야 한다.

스텔라 ERP가 기업 AX와 함께 하는 이유

앞에서 본 한국 환경의 벽 가운데 AI 전환에서 가장 먼저 부딪히는 것은 업무 시스템이다. AI 에이전트가 일을 하려면 회사의 데이터에 접근하고, 처리한 결과를 다시 시스템에 기록할 수 있어야 한다. 이 프로그램이 스텔라 ERP와 함께 AX(AI Transformation)를 추진하는 이유도 여기에 있다.

ERP를 고르는 기준도 달라지고 있다. 과거에는 회계, 구매, 재고, 인사를 한꺼번에 담은 하나의 큰 패키지(One Big Package)를 도입하고, 회사의 업무를 그 패키지에 맞추는 방식이 일반적이었다. 그러나 AI로 프로그램 개발의 문턱과 비용이 크게 낮아지면서, 필요한 기능을 모듈 단위로 골라 조립하는 Composable ERP를 선호하는 흐름이 생기고 있다. 회사가 시스템에 맞추는 것이 아니라, 시스템을 회사에 맞추는 방향이다.

•  MCP Server 제공 : 스텔라 ERP는 외부 연동을 전제로 하지 않은 국내 폐쇄형 ERP와 달리 MCP 서버를 제공한다. MCP(Model Context Protocol)는 AI 에이전트가 외부 시스템의 데이터를 읽고 기능을 실행할 수 있게 해 주는 표준 연결 규약이다. 에이전트가 ERP에서 전표, 거래처, 재고 데이터를 직접 조회하고 처리 결과를 다시 기록할 수 있어, AI Agent와 ERP가 하나의 업무 환경 안에서 연계된다.

•  업무 프로세스에 맞춘 Customizing : 회사마다 다른 업무 흐름에 맞춰 화면과 기능을 조정할 수 있는 환경을 제공한다. 스타트업처럼 업무 방식이 빠르게 바뀌는 회사도 패키지에 업무를 끼워 맞추지 않고, 업무에 시스템을 맞출 수 있다.

AI Native 기업에게 ERP는 사람이 데이터를 입력하는 장부가 아니라, 에이전트가 실제로 일하는 업무 기반이다. 에이전트가 직접 읽고 쓸 수 있고 회사의 방식에 맞게 바꿀 수 있는 ERP가 있어야, 닫힌 데이터와 폐쇄적인 업무 소프트웨어라는 한국 환경의 벽을 넘을 수 있다.

실험의 시작

AI Native 기업이 되어야 할 이유는 분명하다. 방법론도 여럿 나와 있다. 그러나 어떤 방법이든 AI의 판단 한계, 사람의 고유 영역, 통제와 책임의 문제, 데이터의 부재, 그리고 한국이라는 환경의 벽에 부딪힌다. 그렇다면 이 벽은 어떻게 넘을 수 있을까?

삼일회계법인이 2026년 'AI Native Team Scale-up 프로그램'을 시작한 것은 이 질문에 답하기 위해서였다. 우리의 접근은 이렇다. 먼저 소수의 핵심 인력을 중심에 두고 조직과 업무 구조를 정립해 AI Native Operating Model을 수립한다.

그러나 역설적으로, AI로 전환하는 과정에서는 오히려 더 많은 사람이 필요하다. 기존 업무를 멈추지 않은 채 새 방식을 병행해야 하고, 흩어진 데이터를 정리하고 암묵지를 문서로 꺼내야 한다. 에이전트를 만드는 개발 인력과 AI의 결과를 검토하는 운영 인력도 동시에 필요하다.

그래서 우리는 개발과 운영 양쪽의 인력을 브릿지 형태로 공급한다. 초기에는 부족한 인력을 지원하면서 AI가 수행한 업무를 사람이 검토하고 판단하고 승인하게 한다(HITL). 다음에는 AI가 주로 실행하고 사람은 감독과 예외 처리만 맡는다(HOTL). 마지막에는 검증된 에이전트 구조를 회사 안으로 옮긴다(HOOTL). AI와 사람, 그리고 외부 전문 조직(BPO)을 섞은 하이브리드 방식의 AI 전환이다.

열 개의 스타트업이 이 실험에 함께하고 있다. 크리에이터 스튜디오부터 K-뷰티 브랜드, 광고대행사, 로컬 광고 플랫폼까지 업종도 성장 단계도 다르다. 우리는 정답을 알고 시작하지 않았다. 앞으로 이 공간에서 무엇이 작동했고 무엇이 작동하지 않았는지를 있는 그대로 기록해 나갈 생각이다.