WEBVTT

00:00:00.000 --> 00:00:09.360
기업들은 ai 라이선스를 구매하고 교육을 실시하고 수료율을 축하하지만 결국 같은 팀들이 데이터를 수기로 복사하고 이메일로 진행 상황을 확인하고 매달 보고서를 다시 작성하는 모습을 지켜봅니다.

00:00:09.540 --> 00:00:16.280
이것이 바로 낭비 패턴입니다. 도구는 있고 비용은 실제로 지출되지만 기존 모델은 변화가 아닌 노출 정도만 추적하기 때문에 업무는 거의 진전되지 않습니다.

00:00:16.440 --> 00:00:23.940
배진은 재무 분석가가 더 빨리 계약을 마무리했는지 알려주지 않습니다. 출석률도 프로젝트 관리자가 막혔던 결정을 절반의 시간 안에 해결했는지 알려주지 않습니다.

00:00:23.940 --> 00:00:29.320
시간 절약, 오류 감소 또는 더 빠른 조치를 입증할 수 없다면 ai는 비용 항목으로 남을 뿐입니다.

00:00:29.320 --> 00:00:36.420
그래서 이 영상에서는 측정 모델을 단순화하고자 합니다. 이론적인 수치가 아닌 실제 업무에서 절약된 시간, 향상된 속도, 감소된 오류를 측정하는 것입니다.

00:00:36.560 --> 00:00:43.360
바로 여기서 roi가 나타나기 시작합니다. 기존 모델은 더 이상 통하지 않습니다. 왜 인증 지표가 roi를 보여주지 못하는지 설명하겠습니다.

00:00:43.700 --> 00:00:54.760
대부분의 ai 교육 프로그램은 여전히 규정 준수 모델을 따릅니다. 참가자들은 교육 세션에 참석하고 모듈을 완료하고 퀴즈를 통과하면 경영진은 수료율, 참여율, 자기보고식 자신감과 같은 보기 좋은 수치로 가득 찬 대시보드를 받습니다.

00:00:54.760 --> 00:01:00.320
깔끔해 보이지만 바로 그 점이 문제입니다. 깔끔한 지표는 복잡한 현실을 가를 수 있기 때문입니다.

00:01:00.480 --> 00:01:06.180
특히 교육. 이 끝난 후에도 업무 자체는 전혀 변하지 않았을 때는 더욱 그렇습니다. 흔히 발생하는 일은 간단합니다.

00:01:06.380 --> 00:01:13.040
팀원들은 프롬프트가 무엇인지 배우고, 몇 가지 일반적인 데모를 본 후 여전히 이전 방식대로 작동하는 아웃룩, 엑셀, 팀즈, 그리고 보고 워크플로로 돌아갑니다.

00:01:13.180 --> 00:01:17.300
담당자는 이전보다 ai에 대해 더 많이 알게 되었을지 모르지만, 월간 보고서 작성에는 여전히 시간이 너무 오래 걸립니다.

00:01:17.500 --> 00:01:21.360
인수인계는 여전히 제대로 이루어지지 않고, 후속 조치는 누군가가 보고서를 보내는 것을 기억하는 데 달려있습니다.

00:01:21.360 --> 00:01:27.180
따라서 문제는 지식 부족만이 아니라 업무 수행 방식의 차이입니다. 더 나아가 대부분의 기업이 핵심을 놓치는 지점이 바로 여기입니다.

00:01:27.340 --> 00:01:35.680
업무 효율성 향상 대신 사용량 변동성만 측정하는 것입니다. 조사 결과에 따르면 일반 사용자와 고급 사용자 간의 생산성 격차는 4에서 5배에 달합니다.

00:01:35.980 --> 00:01:44.700
즉, 평균 도입률 수치는 거의 아무런 의미가 없습니다. 기업은 사람들이 ai를 사용하고 있다고 말하면서도, 실제로 그 ai를 활용하여 업무 속도를 높이는 사용자는 소수에 불과하다는 사실을 간과할 수 있습니다.

00:01:44.700 --> 00:01:50.380
완료율은 안전해 보이지만, 실질적인 가치를 입증하지 못하는 이유가 바로 여기에 있습니다. 그들은 누군가가 교육을 마쳤다고만 말할 뿐입니다.

00:01:50.560 --> 00:01:57.220
보고서 작성 시간이 20분에서 45초로 단축되었는지, 이는 연구에서 중요한 재무벤치마크 중 하나인데, 이에 대해서는 알려주지 않습니다.

00:01:57.380 --> 00:02:04.020
또한, 여러 코파일럿 연구에서 공통적으로 나타나는 것처럼 직원들이 평균적으로 한 달에 약 9시간을 절약하고 있는지도 알려주지 않습니다.

00:02:04.220 --> 00:02:10.640
위사결정 속도가 8배 빨라졌는지, 또는 측정된 구현 사례에서 인사이트 도출 시간이 88% 단축되었는지도 전혀 알려주지 않습니다.

00:02:10.640 --> 00:02:15.520
이러한 것들은 결과 지표입니다. 나머지는 모두 설정된 값입니다. 모델에는 또 다른 허점이 있습니다.

00:02:15.760 --> 00:02:19.320
많은 파일럿 프로젝트는 제대로 된 기준선을 설정하지 못하기 때문에 나중에 변화를 입증할 수 없습니다.

00:02:19.540 --> 00:02:25.000
귀하의 자료에 있는 연구 결과에 따르면, 기업 AI 파일럿 프로젝트의 95%가 측정 가능한 손익 영향을 미치지 못했습니다.

00:02:25.280 --> 00:02:29.260
이는 도구 자체가 실패해서가 아니라, 조직이 중요한 부분을 간과했기 때문입니다.

00:02:29.460 --> 00:02:33.240
워크플로우 재설계, 책임감 부여, 그리고 사전 및 사후 측정이 제대로 이루어지지 않았습니다.

00:02:33.400 --> 00:02:37.700
역량 강화 교육 전에 작업에 얼마나 시간이 걸렸는지 알지 못하면, 도입 후 어떤 주장도 입증할 수 없습니다.

00:02:37.700 --> 00:02:40.740
리더들이 도입에 대해 이야기하는 방식을 살펴보면서 이 점이 명확해졌습니다.

00:02:40.880 --> 00:02:44.060
그들은 흔히, 이번 달에 코파일럿을 사용한 사람이 몇 명이나 되나요? 라고 묻습니다.

00:02:44.320 --> 00:02:46.460
그럴듯하게 들리지만, 사실 잘못된 질문입니다.

00:02:46.640 --> 00:02:50.560
더 나은 질문은, 어떤 작업이 더 짧아지고, 깔끔해지고, 위사 결정 속도가 빨라졌나요? 입니다.

00:02:50.760 --> 00:02:53.620
AI를 더 자주 사용하는 것이 작업량을 줄이는 것과 같은 의미는 아니기 때문입니다.

00:02:53.800 --> 00:02:58.480
사람이 하루 종일 질문 공세를 퍼붓더라도 여전히 재작업, 지연, 그리고 다른 사람이 수정해야 하는 부실한 결과물이 발생할 수 있습니다.

00:02:58.680 --> 00:03:02.560
따라서 교육은 일반적인 지식 습득에서 벗어나 역할 기반 역량 강화로 전환되어야 합니다.

00:03:02.560 --> 00:03:11.660
AI를 배우는 것이 아니라 변동성 분석을 더 빠르게 구축하는 방법, 회의에서 나오는 불필요한 정보를 실행 가능한 후속 조치로 전환하는 방법, 품질 저하 없이 티켓 처리 시간을 단축하는 방법을 배워야 합니다.

00:03:11.820 --> 00:03:16.800
단순히 출석률로 교육을 측정하는 것이 아니라 워크플로 논리로 전환하면 투자 수익률, ROI을 훨씬 쉽게 파악할 수 있습니다.

00:03:16.980 --> 00:03:19.860
측정 모델, 즉 시간 절약, 프레임워크가 필요합니다.

00:03:20.040 --> 00:03:23.980
교육 참석률만 측정하는 것을 멈추고, 행동과 수익을 연결하는 모델이 필요합니다.

00:03:24.160 --> 00:03:25.240
핵심은 단순함입니다.

00:03:25.240 --> 00:03:33.860
ROI는 절약된 시간에 시간당 비용과 도입률을 곱한 다음, 오류 감소와 의사결정 속도 향상으로 인한 가치를 더하고, 직원 역량 강화 투자 비용을 빼는 것입니다.

00:03:34.020 --> 00:03:35.240
이것이 전체 구조입니다.

00:03:35.480 --> 00:03:37.300
완벽하지는 않지만 활용 가능합니다.

00:03:37.500 --> 00:03:43.080
그리고 이것이 더 중요한 이유는 대부분의 AI, ROI 논의가 관리자들이 신뢰하기에는 너무 추상적인 계산 방식 때문에 무너지기 때문입니다.

00:03:43.240 --> 00:03:49.140
더 간단히 말해서 AI를 사는 것이 아니라 업무 시간을 되찾는 것이고, 그 시간을 더 중요한 업무에 투입하는 것입니다.

00:03:49.360 --> 00:03:54.160
분석, 계획 수립, 문제 해결, 고객 응대, 더 나은 판단 등이 여기에 해당합니다.

00:03:54.160 --> 00:03:56.780
시간이 낭비된다면 그 가치는 약해집니다.

00:03:56.920 --> 00:04:01.940
하지만 그 시간이 더 빠른 결과물 생산이나 더 나은 의사결정으로 이어져 회사에 다시 돌아온다면 그 가치는 드러납니다.

00:04:02.120 --> 00:04:04.440
가장 확실한 지표인 시간 회수부터 시작하세요.

00:04:04.660 --> 00:04:10.440
정규직 직원 한 명당 월별 절약 시간을 측정하되, AI의 도움을 조금 받은 부분이 아닌 특정 워크플로 내에서만 측정하세요.

00:04:10.620 --> 00:04:11.560
그건 의미가 없습니다.

00:04:11.900 --> 00:04:17.300
엑셀에서 데이터를 정리하고, 월별 차이 분석 보고서를 작성하고, 회의 요약 및 실행 목록을 만드는 등의 작업을 추적한 다음,

00:04:17.700 --> 00:04:20.840
동일한 조건에서 AI를 활용한 시간과 수동 작업에 소요된 시간을 비교해보세요.

00:04:20.840 --> 00:04:25.680
동일한 역할, 동일한 작업, 동일한 복잡성 수준, 이것이 바로 허황된 계산을 피하는 방법입니다.

00:04:25.840 --> 00:04:29.000
대부분의 사람들이 간과하는 것은 평균값이 상황을 빠르게 왜곡할 수 있다는 점입니다.

00:04:29.180 --> 00:04:32.360
어떤 사람은 15분을 절약할 수도 있고, 다른 사람은 2시간을 절약할 수도 있습니다.

00:04:32.540 --> 00:04:35.380
따라서 회사 전체에 걸쳐 광범위한 가정을 세우지 마십시오.

00:04:35.520 --> 00:04:38.040
워크플로우 수준에서 시작하여 위로 확장하십시오.

00:04:38.180 --> 00:04:43.540
재무 분석가가 매달 여러 번 반복되는 작업에서 아주 작은 시간이라도 절약한다면 절약된 시간은 누적됩니다.

00:04:43.540 --> 00:04:50.120
조사 대상 집단의 경우, 직원의 시간당 가치가 충분히 높을 경우, 매달 소폭의 시간 절약만으로도 라이선스 비용을 빠르게 정당화할 수 있습니다.

00:04:50.300 --> 00:04:52.300
다음으로 의사결정 속도를 고려하십시오.

00:04:52.420 --> 00:04:58.600
이는 매우 중요한데, AI 위의 가치는 단순한 노동력 절감으로 나타나지 않고, 문제 발생과 조치 사이의 대기시간 단축으로 나타나기 때문입니다.

00:04:58.920 --> 00:05:01.540
문제식별부터 다음 의사결정까지의 주기 시간을 측정하십시오.

00:05:02.260 --> 00:05:07.980
어떤 팀에서는 회의부터 후속 조치까지의 시간이 될 수 있고, 다른 팀에서는 차이점 발견부터 경영진의 대응까지의 시간이 될 수 있습니다.

00:05:07.980 --> 00:05:11.940
모호한 설명으로 쉽게 조작할 수 있으므로, 교육 전후의 시간을 측정하십시오.

00:05:12.040 --> 00:05:15.320
동일한 팀, 동일한 유형의 의사결정, 동일한 승인 경로를 기준으로 해야 합니다.

00:05:15.500 --> 00:05:17.380
연구 결과에서도 이를 뒷받침하는 근거가 있습니다.

00:05:17.640 --> 00:05:21.880
일부 조직에서는 AI 도입 후 의사결정 속도가 8배 빨라지고, 인사이트 도출 시간이 88% 단축되었다고 보고했습니다.

00:05:22.360 --> 00:05:24.840
물론 이러한 수치를 모든 경우에 적용되는 만능 해결책으로 생각해서는 안 됩니다.

00:05:25.200 --> 00:05:28.060
워크플로와 설정에 따라 결과가 달라질 수 있기 때문입니다.

00:05:28.260 --> 00:05:32.980
하지만 AI 가정보 수집과 실행 사이의 마찰을 줄여줄 때 어떤 변화가 일어나는지를 보여주는 좋은 예입니다.

00:05:32.980 --> 00:05:38.180
경영진은 의사결정 지연이 문서 작성 지연보다 더 큰 비용을 초래하는 경우가 많기 때문에 이 부분에 특히 관심을 갖습니다.

00:05:38.320 --> 00:05:41.300
그 다음에는 역할에 따라 추가적인 지표를 하나 더 선택하세요.

00:05:41.500 --> 00:05:46.420
오류 감소는 재무 또는 규정 준수 관련 업무에 적합하고, 처리량은 서비스 운영에 효과적입니다.

00:05:46.640 --> 00:05:51.440
의사결정당 비용은 동일한 문제가 여러 담당자를 끌어들이는 관리 프로세스에 유용할 수 있습니다.

00:05:51.680 --> 00:05:57.520
핵심은 거대한 대시보드를 만드는 것이 아니라, 워크플로에 맞는 하나의 품질 또는 결과 지표를 설정하여 속도가 부실한 작업을 가리지 않도록 하는 것입니다.

00:05:57.680 --> 00:05:59.060
이제 기본 설정 단계입니다.

00:05:59.060 --> 00:06:05.260
대부분의 사람들이 지루하게 느껴서 건너 뛰고 싶어하는 부분인데, 바로 이 때문에 많은 ROI 주장이 나중에 무너지는 것입니다.

00:06:05.440 --> 00:06:09.800
교육 전에 작업 시간을 측정하고, 재작업 횟수를 세고, 인수인계에 걸리는 시간을 기록하세요.

00:06:10.020 --> 00:06:12.420
목표 역량 강화 교육 후 동일한 테스트를 실행하세요.

00:06:12.640 --> 00:06:16.520
작업이 변경되었다면 기록하고, 처리량이 변경되었다면 기록하고, 데이터 품질이 향상되었다면 기록하세요.

00:06:16.700 --> 00:06:18.660
명확한 비교는 전체 사례를 보호하는 데 중요합니다.

00:06:18.820 --> 00:06:22.160
도입률은 여전히 중요하지만, 단순히 성과를 내는 것이 아니라 성과를 증폭시키는 요소로 작용합니다.

00:06:22.340 --> 00:06:24.660
사용되지 않는 라이선스는 모델의 효율성을 저해합니다.

00:06:24.660 --> 00:06:32.100
관련 자료에 따르면 대기업의 활성 라이선스 활용률은 평균 55%에 불과하며, 이는 유료 라이선스 중 상당 부분이 실제로 워크플로우에 활용되지 않는다는 것을 의미합니다.

00:06:32.240 --> 00:06:37.780
따라서 단순히 사용자가 로그인했는지 여부만 묻지 말고, 학습된 행동 패턴이 목표 작업에서 반복적으로 나타났는지 확인해야 합니다.

00:06:37.960 --> 00:06:40.220
이것이 바로 추적할 가치가 있는 도입 신호입니다.

00:06:40.420 --> 00:06:44.260
또한 중요한 점은 총시간 절약량과 가치 창출량은 다르다는 것입니다.

00:06:44.480 --> 00:06:52.440
분석가가 1시간을 절약했다면, 그 시간은 더 심층적인 분석, 빠른 문제 해결, 더 나은 계획 수립 또는 더 많은 고객 업무로 이어질 때 비로소 의미가 있습니다.

00:06:52.440 --> 00:06:54.840
따라서 전체 모델의 핵심은 바로 이것입니다.

00:06:55.040 --> 00:06:56.880
시간을 절약한 후 다시 활용하세요.

00:06:57.140 --> 00:07:01.460
이것이 바로 AI가 단순한 소프트웨어 지출이 아닌 운영 효율성 향상으로 인식되는 방식입니다.

00:07:01.640 --> 00:07:05.700
하지만 ROI가 가장 먼저 나타나는 부분은 ROI 밀도가 높은 세 가지 직무입니다.

00:07:05.900 --> 00:07:08.740
모델이 명확해지면 다음 질문은 어디서부터 시작해야 하는가입니다.

00:07:08.960 --> 00:07:11.540
모든 사람에게 또는 가장 목소리가 큰 부서부터 시작할 필요는 없습니다.

00:07:11.800 --> 00:07:15.980
반복적이고 문서 작업이 많으며 주변의 모든 것을 지연시키는 사소한 결정들로 가득 찬 업무부터 시작해야 합니다.

00:07:16.140 --> 00:07:18.600
바로 그런 곳에서 AI 역량 강화의 효과가 극대화됩니다.

00:07:18.600 --> 00:07:24.220
하나의 행동을 학습시키면 매주 수십 번씩 반복해서 사용되므로 인력 충원 없이도 효과가 누적됩니다.

00:07:24.400 --> 00:07:26.600
재무 분석가는 이러한 업무의 최상위에 있습니다.

00:07:26.960 --> 00:07:33.960
그들은 매주 정형화된 데이터, 반복적 인설명, 조정, 보고주기 등을 처리하는데 이러한 작업은 수작업으로는 효율적이지 않기 때문입니다.

00:07:34.140 --> 00:07:41.220
그들은 엑셀을 주로 사용하며 입력값을 정리하고 버전을 비교하고 변동사항을 설명하고 원시 데이터를 경영진이 실행할 수 있는 정보로 변환합니다.

00:07:41.380 --> 00:07:45.860
바로 이러한 업무에서 역할 기반 AI 역량은 업무 지연을 빠르게 줄여줄 수 있습니다.

00:07:45.860 --> 00:07:51.740
왜냐하면 마찰의 원인은 신도 있는 판단이 아니라 판단 전 단계, 즉 데이터 수집, 정리, 초안 작성, 검토, 수정 작업에서 발생하기 때문입니다.

00:07:51.880 --> 00:07:58.280
연구 결과에 따르면 재무팀은 매달 상당한 비용 절감을 보고하고 있으며, 일부 시범 프로젝트에서는 보고 작업의 긴 수작업 주기가 훨씬 빠른 초안 작성으로 단축되는 것을 보여주었습니다.

00:07:58.500 --> 00:08:00.860
이러한 패턴이 수치적인 수치보다 훨씬 중요합니다.

00:08:01.060 --> 00:08:05.960
분석가들이 분석가 역할을 그만두는 것이 아니라, 결과물의 초안을 만드는데 너무 많은 시간을 쏟지 않게 되는 것입니다.

00:08:06.180 --> 00:08:12.180
이러한 변화가 성공적으로 이루어지면, 목표 작업에서 30%에서 50%에 이르는 실질적인 역량 회복을 볼 수 있으며,

00:08:12.180 --> 00:08:15.500
완료된 사이클의 마지막 단계에서 발생하는 혼란이 줄어듭니다.

00:08:15.660 --> 00:08:20.000
프로젝트 관리자 역시 높은 투자 수익률, ROI을 기대할 수 있는 영역이지만, 그 이유는 다릅니다.

00:08:20.220 --> 00:08:27.480
프로젝트 관리자는 조정, 상태의 수집, 회의록 작성, 조치 추적, 위험 기록, 후속 조치, 이해 관계자 업데이트 등 수많은 업무에 파묻혀 있습니다.

00:08:27.480 --> 00:08:34.380
이러한 업무들은 결코 사소한 것이 아니면, 정보가 채팅, 프레젠테이션, 미완성된 메모에 머물러 의사결정으로 이어지지 못하고 지연을 초래합니다.

00:08:34.520 --> 00:08:40.640
따라서 프로젝트 관리자가 AI를 단순히 실험적인 차원이 아닌, 업무 흐름 내에서 활용하도록 교육받으면 업무 효율성이 크게 향상됩니다.

00:08:40.820 --> 00:08:48.120
기존에 6시간이 소요되던 주간 준비 작업이 요약, 조치 추출, 초안 업데이트 등이 기존에 사용하던 도구 내에서 이루어지면서 이 시간으로 단축될 수 있습니다.

00:08:48.120 --> 00:08:51.820
더 중요한 것은 결과물이 실행에 필요한 형태로 더욱 완성도 높게 제공된다는 점입니다.

00:08:51.980 --> 00:08:54.300
사람들은 회의 내용을 다시 재구성할 필요가 없어집니다.

00:08:54.480 --> 00:08:57.780
그들은 위험, 담당자, 마감일, 그리고 다음 단계를 모두 파악할 수 있습니다.

00:08:57.960 --> 00:09:01.780
이러한 환경에서 위사결정 주기가 25%에서 40%까지 빨라지는 이유가 바로 여기에 있습니다.

00:09:02.020 --> 00:09:06.520
속도가 빨라지는 것은 단순히 타이핑 속도가 빨라져서가 아니라 논의와 실행 사이의 시간 지연을 줄이기 때문입니다.

00:09:06.680 --> 00:09:10.520
다음으로 최전선 운영 및 지원팀은 처리량이 경제성의 대부분을 좌우합니다.

00:09:10.520 --> 00:09:17.120
이 팀은 반복적 인 질문, 반복적 인 소통, 지식 검색, 사례 요약, 그리고 시스템 간의 잦은 전환을 처리합니다.

00:09:17.260 --> 00:09:20.460
이러한 작업은 하루 종일 계속되기 때문에 작은 비용 절감도 중요합니다.

00:09:20.460 --> 00:09:29.680
지원 워크플로우 처리 시간이 12분에서 7분으로 단축된다면 그 차이는 수백 또는 수천 건의 상호작용에 걸쳐 반복되고 일반적인 해결책인 인력 충원 없이도 처리량이 급격히 증가합니다.

00:09:29.840 --> 00:09:32.340
또한 품질에 대한 압박이 커지는 곳이기도 합니다.

00:09:32.340 --> 00:09:37.520
팀은 단순히 속도를 높이는 것뿐만 아니라 목표 시간 내에 정확하고 안정적인 응답 품질을 유지해야 합니다.

00:09:37.640 --> 00:09:42.180
따라서 이러한 직무는 초기 단계부터 더욱 엄격한 프롬프트 패턴과 구체적인 사용 사례를 활용하는 것이 유리합니다.

00:09:42.340 --> 00:09:48.280
응답 초안을 작성하고 필요한 지식을 검색하고 사례를 요약하고 예외적인 경우는 담당자가 확인하도록 하는 것입니다.

00:09:48.280 --> 00:09:54.860
그러한 규율이 확립되면 20%에서 40% 범위의 처리량 증가는 과장된 것이 아니라 믿을 만한 것으로 보이기 시작합니다.

00:09:55.040 --> 00:09:56.720
따라서 선택 규칙은 간단합니다.

00:09:56.920 --> 00:10:00.340
조직 전체에 교육을 균등하게 분산시키는 것이 공평해 보인다고 해서 그렇게 하지 마십시오.

00:10:00.460 --> 00:10:01.160
AI 가방법

00:10:01.160 --> 00:10:04.640
문서화 및 의사결정 작업을 통해 생산성을 향상시키는 곳에 교육을 배치하십시오.

00:10:04.740 --> 00:10:07.680
재무부서는 분석 준비 시간을 단축하여 측정 가능한 성과를 제공합니다.

00:10:07.880 --> 00:10:10.800
프로젝트 관리 부서는 조정 작업을 통해 업무 진행 속도를 높여줍니다.

00:10:11.000 --> 00:10:14.200
운영 및 지원 부서는 명확한 서비스 지표를 통해 처리량 증가를 제공합니다.

00:10:14.200 --> 00:10:16.060
역할은 다르지만 패턴은 동일합니다.

00:10:16.260 --> 00:10:20.020
정보가 의사결정 준비 단계에 더 가까워지기 때문에 업무 진행에 마찰이 줄어듭니다.

00:10:20.200 --> 00:10:22.500
이러한 관점을 유지하면서 사례를 살펴보겠습니다.

00:10:22.880 --> 00:10:27.420
누가 도구를 사용했는지 묻는 대신 어떤 워크플로우가 단축되었는지 물으면 그 효과가 더욱 강력해집니다.

00:10:27.560 --> 00:10:30.480
워크플로우에서 입증되는 구체적인 전후 사례 3가지를 제시하십시오.

00:10:30.620 --> 00:10:31.860
이제 구체적으로 살펴보겠습니다.

00:10:32.220 --> 00:10:35.980
이 지점에서 AI ROI가 입증 가능해지거나 이사회에서 모호한 사실로 남게 됩니다.

00:10:36.240 --> 00:10:37.900
먼저 재무부서를 예로 들어보겠습니다.

00:10:37.900 --> 00:10:42.920
맞춤형 역량 강화 교육이 도입되기 전에는 월간 보고 주기가 5일이나 걸릴 수 있습니다.

00:10:43.160 --> 00:10:53.220
분석 자체에 5일이 걸리는 것이 아니라 분석가들이 데이터를 취합하고 형식을 확인하고 설명을 작성하고 동일한 형식의 차이 설명문을 반복해서 쓰는데 너무 많은 시간을 소비하기 때문입니다.

00:10:53.400 --> 00:10:55.780
학습된 행동 패턴은 이러한 순서를 바꿉니다.

00:10:55.940 --> 00:11:03.700
분석가는 백지 상태에서 시작하는 대신 AI를 사용하여 설명문의 초안을 작성하고 범주별 변동사항을 요약하고 검토를 위한 설명구조를 구성합니다.

00:11:03.920 --> 00:11:06.920
마감 단계는 여전히 존재하지만 분석가는 여전히 데이터를 검증합니다.

00:11:06.920 --> 00:11:10.780
하지만 수동작업이 줄어들면서 보고 주기가 5일에서 2일로 단축될 수 있습니다.

00:11:11.000 --> 00:11:12.760
진정한 이점은 그 이후에 나타납니다.

00:11:12.980 --> 00:11:15.740
절약된 시간은 단순히 보기 좋은 보고서를 만드는데 사용되는 것이 아닙니다.

00:11:15.900 --> 00:11:19.500
시나리오 계획, 예외 검토, 위사 결정권자와의 신속한 후속 조치에 투자됩니다.

00:11:19.680 --> 00:11:21.100
이제 프로젝트 관리를 살펴보겠습니다.

00:11:21.480 --> 00:11:23.560
근본적인 문제는 대개 노력 부족이 아닙니다.

00:11:23.720 --> 00:11:24.600
바로 퍼편화입니다.

00:11:24.860 --> 00:11:28.920
메모는 한 곳에, 실행 계획은 다른 곳에 있고, 위험 요소는 아무도 다시 볼 시간이 없는 회의록에 묻혀 있습니다.

00:11:28.920 --> 00:11:33.080
프로젝트 관리자는 상태보고서를 활용 가능한 형태로 정리하는 데만 매주 6시간을 쉽게 소비할 수 있습니다.

00:11:33.240 --> 00:11:35.780
역할 기반 역량 강화 교육 후 워크플로우가 바뀝니다.

00:11:35.940 --> 00:11:40.260
회의록은 일관된 패턴으로 요약되고, 담당자와 마감일이 명시된 작업이 추출됩니다.

00:11:40.460 --> 00:11:44.860
PM24호에 수동으로 재구성하지 않아도 되므로 위험 요소와 장애 요인이 더 빨리 파악됩니다.

00:11:45.060 --> 00:11:49.020
준비 시간이 6시간에서 2시간으로 단축될 수 있으며, 더 큰 이점은 후속 조치에서 나타납니다.

00:11:49.220 --> 00:11:53.100
문제 발생 시 더 빨리 대응할 수 있고, 이에 관계자는 즉시 조치를 취할 수 있는 업데이트를 받게 됩니다.

00:11:53.100 --> 00:11:57.460
후속 조치가 늦거나 불안전하거나 불명확하여 위사결정이 지연되는 경우가 줄어듭니다.

00:11:57.600 --> 00:12:01.840
바뀐 것은 PM이라는 직책이 아니라 정보가 활용 가능한 상태로 전환되는 속도입니다.

00:12:02.060 --> 00:12:05.360
지원 및 운영 분야에서는 그 효과가 매우 빠르게 나타납니다.

00:12:05.580 --> 00:12:07.200
일반적인 사례를 예로 들어보겠습니다.

00:12:07.620 --> 00:12:15.900
평균 처리 시간은 12분인데, 이는 담당자가 정답을 찾고, 처음부터 답변을 작성하고, 사례를 요약한 다음, 이미 밀려있는 다음 사례로 넘어가기 때문입니다.

00:12:16.060 --> 00:12:19.540
집중적인 역량 강화 교육 후에는 상담원이 AI를 활용하여 초안 답변을 작성하고,

00:12:19.540 --> 00:12:24.640
승인된 지식에서 더 빠르게 정보를 검색하고, 반복적인 검색을 줄이는 구조화된 사례 요약을 사용할 수 있게 됩니다.

00:12:24.820 --> 00:12:27.500
처리 시간이 12분에서 7분으로 단축될 수 있습니다.

00:12:27.820 --> 00:12:30.980
이것만으로도 중요하지만, 더 중요한 것은 다른 안정성입니다.

00:12:31.220 --> 00:12:38.060
목표 시간 내에 해결되는 사례가 더 많아지고, 답변이 급하게 수동으로 작성하는 대신 탄탄한 초안에서 시작되기 때문에 첫 응답 품질이 향상됩니다.

00:12:38.220 --> 00:12:40.540
또한 인력 충원 없이 팀의 여유가 생깁니다.

00:12:40.760 --> 00:12:43.500
이 세 가지 사례 모두에서 구조는 동일하게 유지됩니다.

00:12:43.720 --> 00:12:47.620
기본 작업으로 시작하여 해당 작업 내에서 동작을 학습시키고 워크플로우를 단축합니다.

00:12:47.620 --> 00:12:50.240
그러면 확보된 시간은 다른 유용한 곳에 활용됩니다.

00:12:50.420 --> 00:12:53.580
이러한 반복 가능한 구조는 비즈니스 사례의 타당성을 확보하는 데 중요합니다.

00:12:53.740 --> 00:12:58.600
마법을 부리는 것이 아니라, 시간이 어디에 쓰였는지, 무엇이 바뀌었는지, 그리고 팀이 얻은 이 점을 어떻게 활용했는지 보여주는 것입니다.

00:12:58.740 --> 00:13:02.780
외부 벤치마크 연구 결과는 내부 증거를 대체하지 않고도 이러한 패턴을 뒷받침합니다.

00:13:02.980 --> 00:13:06.340
마이크로소프트 코파일럿 연구에서 사용자들은 월평균 시간 절약을 보고했으며,

00:13:06.740 --> 00:13:09.740
상당수가 더 빠른 시간 내에 양질의 초안을 작성할 수 있었다고 보고했습니다.

00:13:09.740 --> 00:13:13.420
실제 배포 사례에서는 AI가 일반적인 도우미로만 사용되는 것이 아니라,

00:13:13.640 --> 00:13:18.240
실제 워크플로우에 통합될 때 인사이트 도출 시간과 위사 결정 속도가 향상되었다고 보고했습니다.

00:13:18.520 --> 00:13:21.400
벤치마크 신호는 내부 결과가 고립된 것이 아님을 보여주기 때문에 유용하지만,

00:13:21.780 --> 00:13:24.220
그 자체로 결론을 내리는 것이 아니라 뒷받침하는 역할을 해야 합니다.

00:13:24.400 --> 00:13:26.220
이것이 바로 리더에게 필요한 자질입니다.

00:13:26.440 --> 00:13:28.800
AI가 프로세스에 어떤 영향을 미쳤는지 묻지 말고,

00:13:29.240 --> 00:13:33.900
프로세스가 지연 없이, 재작업 없이, 숙련된 인력을 더 효율적으로 활용할 수 있게 되었는지 물어야 합니다.

00:13:34.120 --> 00:13:36.720
이러한 모든 경우에서 AI는 역할을 없애지 않았습니다.

00:13:36.720 --> 00:13:39.820
정보가 도착하는 시점과 실행이 시작되는 시점 사이에 시간적 격차를 줄인 것입니다.

00:13:39.960 --> 00:13:41.500
이것이 바로 AI 위 장점입니다.

00:13:41.680 --> 00:13:44.560
하지만 이러한 장점은 주변 시스템이 제대로 관리될 때만 유지됩니다.

00:13:44.740 --> 00:13:47.120
결과물이 왜곡되거나, 데이터 소스가 혼란스러워지거나,

00:13:47.480 --> 00:13:50.240
위험도가 높은 워크플로우에서 사람들이 즉흥적으로 작업하기 시작하면,

00:13:50.640 --> 00:13:53.200
겉으로 드러나는 이점은 숨겨진 수정 작업으로 인해 사라질 수 있습니다.

00:13:53.640 --> 00:13:56.360
ROI를 보호하는 강력한 거버넌스가 필요합니다.

00:13:56.580 --> 00:14:01.340
생산성 형상만큼 흥미롭지 않다는 이유로 많은 AI 관련 콘텐츠에서 간과되는 부분이 바로 거버넌스입니다.

00:14:01.340 --> 00:14:09.520
하지만 거버넌스를 소홀히 하면 잘못된 결과물이 숨겨진 검토 작업, 부실한 의사 결정, 그리고 아무도 예상하지 못했던 위험을 초래하기 때문에 ROI 모델이 빠르게 약화됩니다.

00:14:09.680 --> 00:14:11.380
데이터 경계부터 시작해야 합니다.

00:14:11.640 --> 00:14:17.520
AI는 승인된 데이터 소스에서만 작동해야 하며, 명확한 접근 규칙과 신뢰할 수 있는 입력 값을 사용해야 합니다.

00:14:17.700 --> 00:14:23.840
원본 데이터가 오래되었거나, 정리가 안 되어 있거나, 잘못된 곳에서 가져온 경우, 결과물은 그럴듯 해보일지 몰라도 팀을 잘못된 방향으로 이끌 수 있습니다.

00:14:24.020 --> 00:14:25.480
이는 막대한 비용으로 이어집니다.

00:14:25.480 --> 00:14:30.240
눈에 띄게 드러나지 않더라도, 재검토, 수정 작업, 승인 지연, 그리고 신뢰도 하락으로 이어질 수 있습니다.

00:14:30.380 --> 00:14:32.120
따라서 운영 규칙은 단순해야 합니다.

00:14:32.300 --> 00:14:35.340
통제된 데이터를 입력하고, 검토 가능한 결과물을 도출해야 합니다.

00:14:35.540 --> 00:14:38.500
그리고 실질적인 책임이 있는 부분에는 항상 사람이 참여해야 합니다.

00:14:38.700 --> 00:14:45.100
AI는 초안을 작성하고, 요약하고, 패턴을 제한할 수 있지만, 승인, 예외 처리, 최종 결정은 여전히 사람의 목입니다.

00:14:45.300 --> 00:14:49.980
이는 단순히 신중함을 추구하는 것이 아니라, 속도를 유지하면서도 위사 결정의 질을 보호하기 위한 것입니다.

00:14:49.980 --> 00:14:56.720
특히 재무, 프로젝트 위험 관리, 고객 사례, 또는 규제와 관련된 모든 사안에서는 단순히 제안만 하는 것이 아니라 판단을 내리는 사람이 반드시 필요합니다.

00:14:56.840 --> 00:14:59.060
바로 이 부분에서 사용 사례 별 분할이 도움이 됩니다.

00:14:59.260 --> 00:15:01.180
위험도가 낮은 작업부터 먼저 확장합니다.

00:15:01.380 --> 00:15:04.460
요약, 이메일 초안, 회의 조치, 1차 의견 제시 등이 그 예입니다.

00:15:04.640 --> 00:15:09.060
이러한 작업들은 긍정적인 효과를 쉽게 확인할 수 있고, 부정적인 결과를 쉽게 파악할 수 있기 때문에 습관을 들이기에 좋은 영역입니다.

00:15:09.220 --> 00:15:14.440
그 다음으로는 AI가 사고 구조를 잡아주지만, 모든 과정을 혼자 마무리하지는 않는 모니터링 분석 지원 단계로 넘어갑니다.

00:15:14.440 --> 00:15:16.880
고위험 자동화는 염격하게 통제되어야 합니다.

00:15:17.020 --> 00:15:22.180
워크플로우의 재정적, 법적 또는 서비스 위험이 수반되면 잘못된 결과물로 인한 비용이 급격히 증가하기 때문입니다.

00:15:22.320 --> 00:15:25.280
이러한 경계 설정이 없다면 기업들은 모든 것을 뒤섞어 버리게 됩니다.

00:15:25.460 --> 00:15:28.720
회의 요약과 민감한 의사 결정 과정을 동일한 위험으로 취급하는 것입니다.

00:15:28.920 --> 00:15:30.360
하지만 실제로는 그렇지 않습니다.

00:15:30.560 --> 00:15:33.960
경계가 명확하지 않으면 사람들은 도구를 지나치게 신뢰하거나 아예 사용하지 않게 됩니다.

00:15:34.160 --> 00:15:35.300
둘 다 가치를 저해합니다.

00:15:35.520 --> 00:15:36.580
표준 또한 중요합니다.

00:15:36.820 --> 00:15:39.120
무작위적인 프롬프트는 무작위적인 결과물을 낳습니다.

00:15:39.120 --> 00:15:48.000
모든 직원이 요약, 초안, 분석을 요청하는 방식을 제각각으로 만든다면 품질이 들쭉날쭉해지고 관리자는 비즈니스 가치 대신 스타일 차이만 검토하게 됩니다.

00:15:48.200 --> 00:15:52.160
공유된 프롬프트 패턴, 역할 가이드, 간단한 예시는 이러한 편차를 줄여줍니다.

00:15:52.340 --> 00:15:56.180
프롬프트 자체가 전략이어서가 아니라 반복 가능한 행동이 재작업을 줄이기 때문입니다.

00:15:56.340 --> 00:15:58.460
또한 도입 후에도 측정은 계속되어야 합니다.

00:15:58.660 --> 00:16:03.420
절약된 시간, 도입률, 예외 발생률, 재작업, 결과물 품질 저하 등을 실시간으로 파악해야 합니다.

00:16:03.600 --> 00:16:05.800
그렇지 않으면 초기 성과가 후기 하락세를 가릴 수 있습니다.

00:16:05.800 --> 00:16:09.460
팀이 서류상으로는 더 빠르게 움직이는 것처럼 보일 수 있지만 수정작업이 다른 곳에서 쌓여갈 수 있습니다.

00:16:09.600 --> 00:16:11.200
이는 투자 수익률, roi, 이 아닙니다.

00:16:11.340 --> 00:16:13.280
시스템의 다른 부분으로 비용이 점가되는 것일 뿐입니다.

00:16:13.440 --> 00:16:15.300
그리고 이것이 바로 경영진이 주목해야 할 점입니다.

00:16:15.460 --> 00:16:18.480
거버넌스는 가치 창출을 늦추는 것이 아니라 가치가 과대평가되는 것을 방지합니다.

00:16:18.640 --> 00:16:24.020
리더는 단순히 그럴듯해 보이는 것에 투자하는 것이 아니라 결과에 대한 의문이 제기될 때 감사, 비교, 방어가 가능한 것에 투자합니다.

00:16:24.020 --> 00:16:32.940
따라서 ai 프로그램이 깨끗한 입력, 명확한 소유권, 합리적인 계층 구조, 측정 가능한 결과를 보여줄 수 있다면 실험처럼 보이지 않고 운영 규율처럼 보이기 시작합니다.

00:16:33.120 --> 00:16:40.180
이러한 통제 장치가 모델에 구축되면 ai 사용 확장은 열정에 기반한 투자가 아니라 관리된 비즈니스 선택으로 보이게 됩니다.

00:16:40.420 --> 00:16:44.940
낭비 없이 확장하는 방법, 즉 파일럿 단계에서 운영 모델로 확장하는 방법이 중요해집니다.

00:16:44.940 --> 00:16:48.000
그 다음으로 흔히 저지르는 실수는 너무 일찍 확장하는 것입니다.

00:16:48.140 --> 00:16:55.000
파일럿 단계에서 가능성을 보여주면 경영진이 흥분하고 실제로 결과를 만들어낸 패턴을 확정하기도 전에 라이선스가 회사 전체로 퍼져나갑니다.

00:16:55.160 --> 00:16:56.720
바로 여기서 자금이 새어나갑니다.

00:16:56.900 --> 00:17:00.920
도구가 작동을 멈췄기 때문이 아니라 그 도구를 중심으로 한 운영 모델이 제대로 구축되지 않았기 때문입니다.

00:17:01.080 --> 00:17:03.460
더 나은 방법은 작고 구체적인 것부터 시작하는 것입니다.

00:17:03.660 --> 00:17:06.160
각 목표 역할에 대해 3에서 5개의 워크플로우를 선택하세요.

00:17:06.160 --> 00:17:11.960
10개씩이나 모든 가능한 사용 사례가 아니라 반복적인 작업이 많고 눈에 띄는 문제점이 있으며 비즈니스 관련성이 명확한 워크플로우만 선택하세요.

00:17:12.100 --> 00:17:13.960
변경하기 전에 기준선을 확보하세요.

00:17:14.200 --> 00:17:17.860
그런 다음 일반적인 기능 소개가 아닌 실제 작업 자체에 대한 교육을 실시하세요.

00:17:18.060 --> 00:17:27.920
재무 분석가에게 AI 위의 가능성에 대한 포발적인 교육이 먼저 필요한 것이 아니라 주석 작성 시간을 단축하는 방법, 반복되는 스프레드 시트를 더 빠르게 정리하는 방법, 그리고 의견 교환을 줄여 차이 분석을 구성하는 방법을 알려줘야 합니다.

00:17:28.100 --> 00:17:30.840
그런 다음 엄격한 성공 기준을 설정하여 짧은 파일럿 주기를 운영하세요.

00:17:30.840 --> 00:17:38.160
시간 절약 효과가 나타났나요? 주기 시간이 단축되었나요? 품질은 안정적으로 유지되었나요? 교육받은 사용자가 첫 주 이후에도 해당 패턴을 계속 사용했나요?

00:17:38.260 --> 00:17:39.640
이러한 지표들이 중요합니다.

00:17:39.840 --> 00:17:43.080
실제 사용량이 감소하거나 재작업이 증가하면 확장을 미루세요.

00:17:43.280 --> 00:17:45.980
워크플로우, 지침 또는 지원을 먼저 개선해야 합니다.

00:17:46.180 --> 00:17:48.940
이러한 체계적인 접근 없이 확장하면 혼란만 가중될 뿐입니다.

00:17:49.140 --> 00:17:52.960
여기서 도움이 되는 것은 각 이해관계자의 언어로 작성된 검증자료를 만드는 것입니다.

00:17:53.180 --> 00:17:56.360
CFO는 회수된 인건비와 낭비방지에 대한 비용 분석을 원합니다.

00:17:56.360 --> 00:18:00.320
CFO는 사이클 시간, 처리량, 서비스 신뢰성의 변화를 기대합니다.

00:18:00.480 --> 00:18:05.620
현장 관리자는 팀이 더 많은 업무를 처리할 수 있는지, 더 빠르게 대응할 수 있는지, 수동 관리 작업을 줄일 수 있는지 알고 싶어합니다.

00:18:05.800 --> 00:18:09.000
따라서 다음 단계로 넘어가기 위해 공급업체의 포괄적인 주장만 제시하지 마세요.

00:18:09.160 --> 00:18:12.560
한 번에 하나의 워크플로우와 연결된 자체 환경의 역할별 데이터를 보여주세요.

00:18:12.800 --> 00:18:14.140
예산 배분도 바뀌어야 합니다.

00:18:14.400 --> 00:18:19.640
여전히 너무 많은 AI 예산이 체계적으로 보이지만 효과가 없는 일회성 교육 및 일반적인 인증에 낭비되고 있습니다.

00:18:19.640 --> 00:18:25.140
더 효과적인 모델은 워크플로우에 내장된 코칭, 공유 프롬프트 라이브러리, 관리자 주도 강화에 투자하는 것입니다.

00:18:25.280 --> 00:18:29.040
이러한 메커니즘이 유용한 데모를 반복적 인행동으로 전환시키기 때문입니다.

00:18:29.220 --> 00:18:31.860
참고자료 조사 결과도 이러한 방향을 시사합니다.

00:18:32.140 --> 00:18:38.340
성과가 높은 조직은 외부 인증보다는 내부 프로그램 설계 및 관리자 지원에 더 많은 투자를 합니다.

00:18:38.640 --> 00:18:41.700
확장은 역할 그룹과 사용 사례 계층을 따라야 합니다.

00:18:41.940 --> 00:18:46.920
한 재무팀이 보고 및 조정 지원에서 가치를 입증하면 인접한 재무 워크플로우로 확장하세요.

00:18:46.920 --> 00:18:51.680
PM 들이 상태 보고 및 조치 추적에서 성과를 보인다면 관련 조정 패턴으로 전환하세요.

00:18:51.880 --> 00:18:53.540
이런 방식의 확장은 효과적입니다.

00:18:53.760 --> 00:18:57.540
포괄적인 라이선스는 사용 속도가 기능 향상 속도보다 빠르기 때문에 확장성이 떨어집니다.

00:18:57.700 --> 00:19:00.220
모든 도입 결정 전에 항상 다음 질문을 염두에 두세요.

00:19:00.420 --> 00:19:02.440
이것이 업무 진행 방식에 변화를 가져왔는가?

00:19:02.580 --> 00:19:04.560
답이 아니오라면 잠시 멈추세요.

00:19:04.720 --> 00:19:06.740
수익은 AI 접근 권한을 추가하는 것에서 오는 것이 아니라

00:19:06.740 --> 00:19:10.540
비즈니스에서 측정 가능한 방식으로 입력에서 실행으로 이어지는 경로를 바꾸는 데서 오기 때문입니다.

00:19:10.680 --> 00:19:12.020
따라서 변화는 간단합니다.

00:19:12.020 --> 00:19:14.000
ROI는 교육량에서 오는 것이 아니라

00:19:14.000 --> 00:19:19.660
사람들이 이미 하고 있는 업무 내에서 더 짧은 작업, 더 빠른 의사 결정, 더 깔끔한 실행에서 옵니다.

00:19:19.860 --> 00:19:23.860
이번 주의 재무, 프로젝트 관리 또는 지원 분야에서 워크플로 하나를 선택하여

00:19:23.860 --> 00:19:26.940
맞춤형 교육 후 AI 지원 버전과 수동 버전을 비교하고

00:19:26.940 --> 00:19:29.440
확보된 역량이 어디에 활용되는지 살펴보세요.

00:19:29.680 --> 00:19:32.340
이 글을 통해 마이크로소프트 AI에 대한 생각이 바뀌었다면

00:19:32.340 --> 00:19:35.500
M365 FM 팟캐스트를 구독하고 리뷰를 남겨주시고

00:19:35.500 --> 00:19:38.280
링크딘에서 저, 미르코 피터스와 연결해주시고

00:19:38.280 --> 00:19:40.980
다음으로 해결하고 싶은 워크플로 병목 현상을 알려주세요.