커니코리아

Executive summary

지난 10년간, 데이터 인사이트는 특정 전문가의 전유물이었던 ‘과학’ 중심의 활동에서 벗어나, 이제는 거의 모든 비즈니스 역할의 핵심 역량으로 자리 잡았다. 오늘날 기업의 구성원들은 실시간에 가까운 속도로 데이터를 분석하고 이를 일상적인 의사결정에 반영해야 하는 시대에 살고 있다.
이러한 변화에 따라 기업들은 운영 및 재무 성과 개선을 위해 고급 분석 역량(Advanced Analytics)을 구축하는 데 집중해왔으며, 최근에는 생성형 AI(GenAI)의 급부상으로 그 필요성이 더욱 커지고 있다. GenAI는 기업과 산업의 운영 방식을 근본적으로 바꾸는 잠재력을 가지고 있으며, AI가 인사이트에 접근하는 주요 관문 역할을 하게 되면서 데이터의 품질과 일관성 확보는 그 어느 때보다 중요해졌다.
기존 분석 체계에서는 수작업을 통한 오류 보정이 가능했지만, AI 시스템은 대규모 데이터를 자동으로 처리하기 때문에 입력 단계에서의 오류나 불일치는 곧바로 결과에 반영되어 잘못된 인사이트와 판단을 초래할 수 있다. 따라서, 실시간 의사결정 시스템에 AI가 깊이 통합되는 오늘날에는 데이터의 '출처에서의 정확성'과 '일관성'이 신뢰 가능한 결과 도출을 위한 필수 조건이 된다.
이러한 AI 도입의 흐름 속에서 많은 조직들은 여전히 ‘멋져 보이는 부분’에 집중하는 경향이 있다 — 즉, AI 유즈케이스를 구축하고 ‘가능성의 예술(Art of Possible)’을 실험하는 것이다.

대표적인 GenAI 활용 사례로는 다음과 같은 것들이 있다:

• 생산성 향상을 위한 포인트 솔루션
• 비전 수립을 위한 전략적 활용 
• 비즈니스 모델 혁신 기반의 신사업 창출

하지만 진짜 도전은 ‘어려운 부분(hard part)’에 있다 — AI 유즈케이스가 실제로 확장 가능하도록 만드는 기반을 구축하는 과정에서 기업들이 흔히 겪는 문제는 다음과 같다.

• 기능 간 정렬과 전문성 부족
• AI에 대한 명확한 이해 부족
• 리스크 및 컴플라이언스 이슈에 대한 인식 부족
• 체계적인 비용 관리 프레임워크 부재

전체 기업의 51%는 여전히 ‘미성숙한 AI 및 데이터 분석 역량’ 수준에 머물러 있다.

본 연구는 데이터 분석 역량이 성숙한 기업들이 ‘어려운 부분’을 어떻게 해결해 나가는지를 분석하며, 이를 통해 이들 기업이 동종업계 경쟁사보다 AI 도입에서 앞서고 있음을 보여준다. 그렇다면, 이러한 노력의 결과로 기업들은 현재 AI 도입 과정에서 어느 수준에 도달했을까? 그리고 AI 및 데이터 분석 역량이 부족한 기업들은 어떻게 따라잡을 수 있을까?
Kearney의 최신 연구에 따르면, 기업들이 AI 및 데이터 분석 역량을 발전시키는 데 있어 어느 정도 성과를 거두었지만, 여전히 갈 길이 멀다. 즉, AI와 데이터 분석을 통해 비즈니스에 혁신적인 영향을 미칠 수 있는 수준에 도달한 기업은 아직 많지 않다. 실제로, 이번 연구에 참여한 기업의 절반 이상(51%)이 여전히 미성숙한 역량을 보유한 것으로 평가되었다. AI 및 데이터 분석 전략을 수립하고 활용 사례를 정의하는 데는 성공했지만, 실행을 위한 필수 역량을 확보하고 이를 확장하는 데 어려움을 겪고 있으며, 지속 가능한 관리 체계를 정착시키지 못하고 있다. 이 그룹 중에서도 3%는 후발주자(Laggards, 지체형 기업)로 분류되었으며, AI 및 데이터 분석의 잠재력을 제대로 활용하지 못하고 있어 비즈니스 혁신에서 가장 뒤처진 상태에 있다. 또한 이들은 상대적으로 더 높은 AI 및 데이터 분석 역량을 갖춘 그룹(49%)과의 격차가 더욱 벌어질 위험이 있다. 
특히, 일부 기업(전체 응답 기업 중 4%)은 경쟁사들을 훨씬 앞서 나가고 있다. 리더(선도자) 그룹(Leaders)은 AI 및 데이터 분석 역량을 효과적으로 확보하고 확장하여, 실질적인 경쟁 우위를 가진 기업들이다. 또한, AI의 다음 단계 발전을 선제적으로 활용할 수 있는 최적의 위치를 선점하고 있다.
이번 연구에서는 산업별 AI 및 데이터 분석 성숙도 수준도 분석했다. 연구 결과에 따르면, 통신·미디어·기술 산업과 소비재·유통 산업이 가장 많은 성숙 기업을 보유하고 있으며, 각각 리더 그룹 비율이 7%와 5%로 나타났다. 반면, 에너지·프로세스 산업과 금융 서비스 산업은 각각 2%만이 리더 그룹으로 분류되어, 전체 산업 평균(4%)보다 낮은 수준을 기록하며 뒤처지고 있는 것으로 나타났다.
본 보고서에서는 전 세계 1,000개 이상의 기업을 대상으로 진행한 종합적인 설문조사 결과를 바탕으로, AI 및 데이터 분석 기술의 도입 현황을 분석한다. 기업들이 AI 및 데이터 분석 역량에 대해 어떻게 사고(Think)하고, 구현(Build)하며, 확산(Scale) 및 거버넌스(Govern)하는지에 대한 발전 과정과 주요 도전 과제를 살펴본다. 또한, 기업들이 AI 및 데이터 분석 이니셔티브에 어떻게 예산을 배정하는지 그리고 리더 그룹이 AI 및 데이터 분석 성숙도를 높이는 과정에서 확인된 주요 트렌드와 모범 사례를 분석한다.

연구 개요

빅데이터, AI, 데이터 분석 기술의 발전으로, 기업이 정보를 활용해 경제적 가치를 창출하고 전략, 문제 해결, 의사 결정, 혁신, 운영 방식이 근본적으로 변화할 것이라는 기대를 높이고 있다. 특히 사용하기 쉬운 AI 도구는 거의 모든 산업과 분야에서 새로운 성장 기회를 열어줄 잠재력을 지니고 있다. AI의 방대한 데이터 분석 역량을 활용함으로써, 조직은 전례 없는 수준의 인사이트를 확보하고, 혁신을 촉진할 수 있다.
그러나 기업들이 여전히 직면한 가장 큰 과제는 ‘이를 어떻게 실현할 것인가?’이다. 즉, AI 및 데이터 분석을 활용하여 데이터의 가치를 극대화하고 기업 성장에 실질적으로 기여할 수 있는 전략, 접근 방식, 필요 역량은 무엇인가 하는 문제다. 이에 대한 답을 찾기 위해, 본 연구는 Kearney의 사고(Think)–구현(Build)–확산(Scale)–거버넌스(Govern) 프레임워크(도표 1 참조)를 기반으로 진행되었다. 이 프레임워크를 토대로 전 세계 25개국 이상, 6개 주요 산업군에 속한 1,000개 이상의 기업 임원을 대상으로 대표성 있는 대규모 설문조사를 실시했다(도표 2 참조). 본 조사의 목적은 업계 선도 수준의 AI 및 분석 벤치마크를 확립하고, 기업들이 자사의 AI/분석  성숙도를 진단하고, 동종 업계 기업들과의 비교를 통해 앞으로 나아갈 방향을 모색할 수 있도록 돕기 위해 설계되었다. 

► 도표 1. Kearney의 사고(Think)–구현(Build)–확산(Scale)–거버넌스(Govern) 프레임워크는 AI 도입을 위한 실용적인 접근 방식을 제공한다.

► 도표 2. AIA 2024에는 전 세계 25개국 이상, 6개 산업군에서 1,000개 이상의 기업이 참여하였다.

리더 그룹의 모범 사례(Best Practice)

설문조사 응답 결과를 바탕으로, 커니는 각 기업의 AI 및 데이터 분석 성숙도를 사고(Think)–구현(Build)–확산(Scale)–거버넌스(Govern) 네 가지 영역에서 평가하고, 이를 종합하여 네 개의 성숙도 그룹으로 분류했다(도표 3 참조). 도표 3은 여섯 개의 주요 산업군별 AI 및 데이터 분석 성숙도를 제시한다.
우리는 리더 그룹과 탐색자 그룹을 ‘분석 역량이 성숙한 기업’으로, 추종자 그룹과 후발자 그룹을 ‘분석 역량이 부족한 기업’으로 분류했다. 특히 리더 그룹은 효과적인 실행 방안을 찾아 적용함으로써 높은 성과를 달성했다. AI 및 데이터 분석 성숙도를 높이고자 하는 기업은 리더 그룹의 우수 사례를 참고하여 실천 방안을 도입할 수 있다.

 
1) 전략과의 연계
리더 그룹의 94%는 명확한 AI 및 데이터 분석 목표를 설정하고 있으며, 71%는 이를 비즈니스 전략과 연계하고 있다.
 

2) 성과 추적
리더 그룹은 가치 창출과 비용 모니터링을 통해 ROI를 추적할 가능성이 후발자 그룹(Laggards)에 비해 5배나 더 높다.
  

3) 데이터, 분석, AI 예산
리더 그룹은 연간 매출의 약 6%를 데이터, 분석, AI 예산으로 배정하고 있으며, 향후 3년간 연평균 22% 증가를 목표로 하고 있다. 2027년까지 이 비율은 7.2%에 도달할 것으로 예상된다.
 

4) GenAI 예산
리더 그룹은 현재 데이터, 분석, AI 예산의 27%를 생성형 AI에 투자하고 있으며, 2027년까지 이 비중을 31%까지 확대할 예정이다.
 

5) 가치 창출
리더 그룹은 데이터 및 분석 전담 인력(FTE, Full-Time Equivalent) 1인당 약 65만 달러의 매출을 창출하고 있으며, 이는 추종자 그룹(Followers) 및 후발자 그룹(Laggards)보다 20% 높은 수치다. 이러한 차이는 명확한 전략, 적합한 인재 확보, 엄격한 거버넌스, 우수한 기술 인프라 구축이 조화를 이루고 있기 때문이다. 
 

6) 데이터 분석 활용 사례
리더 그룹은 처방적, 예측적, 설명적, 진단적 분석에 전체 분석 시간을 각각 약 25%의 시간을 할애한다. 하나의 유즈케이스를 완성하는데 평균 11개월이 소요되며, 이 중 70%는 솔루션 설계 및 실행에 사용된다.
 

7) 최고경영진의 지원
리더 그룹의 72%는 최고경영진의 지원을 기반으로 AI 및 데이터 분석 프로젝트를 추진한다. 이 중 68%는 실제로 최고경영진이 데이터 및 분석 분야에 대한 경험을 보유하고 있으며, ‘분석 역량이 성숙한 기업’의 경우  83%의 데이터 및 분석 리더가 최고경영진(C-suite) 급이다.

► 도표 3. Kearney는 참여 기업들의 AI 및 데이터 분석 성숙도를 분석하였다.

본 연구는 기업들이 AI 및 데이터 분석 역량과 운영 방식에 대해 스스로를 어떻게 평가하는지에 대한 기준을 제시한다. 사고(Think)–구현(Build)–확산(Scale)–거버넌스(Govern) 네 가지 프레임워크를 기반으로 조사 결과를 살펴보면, ‘분석 역량이 성숙한 기업’과 ‘부족한 기업’ 간의 차이가 분명하게 드러난다. 일부 영역에서는 단순한 차이를 넘어 극명한 격차가 존재하기도 한다. 앞서 소개한 우수 사례들은 탐색자 그룹, 추종자 그룹, 후발자 그룹이 자사의 성장을 점검하고, 리더 그룹을 향해 나아가고 있는지 아니면 더 멀어지고 있는지를 평가하는 기준이 될 수 있다. 본 조사는 매년 진행되며, 연도별 AI 및 데이터 분석 성숙도 분포 변화를 비교 분석하여 변화의 양상과 그 원인을 파악할 예정이다.

사고(Think): 과감한 AI 비전 및 전략 수립, 효과적 활용 사례 발굴

선도적인 조직들은 AI에 대한 과감한 비전을 설정하고, 이 기술이 비즈니스 모델에 미칠 파괴적 영향을 깊이 고민한다. 그러나 단순히 비전을 세우는 것만으로는 충분하지 않다. 명확한 AI 및 데이터 분석 실행 로드맵을 구축하는 것이 필수적이다. 이를 위해서는 주요 마일스톤을 설정하고, AI 도입이 비즈니스에 미치는 영향을 추적하며, 솔루션 비용을 지속적으로 모니터링하는 체계적인 접근이 필요하다. 많은 AI 활용 사례가 투자 대비 효과가 미미한 애물단지가 될 위험이 있다. 따라서 활용 사례를 선정할 때는 반드시 실질적인 가치를 창출할 수 있는지에 초점을 맞춰야 한다. AI 도입을 통한 가치 창출은 단순히 내부 프로세스의 효율성과 생산성을 높이는 것을 넘어, 고객에게 제공하는 부가 가치를 확대하는 방향으로 이루어져야 한다. 

명확한 실행 로드맵과 함께, AI 비전과 전략을 수립하라. 

• 올바른 전략과 계획은 탄탄한 AI 및 데이터 분석 역량을 구축하는 핵심 기반이다. 리더 그룹과 탐색자 그룹의 78%가 명확한 AI 및 데이터 분석 목표를 설정한 반면, 추종자 그룹과 후발자 그룹에서는 이 비율이 48%에 그친다. 추종자 그룹과 후발자 그룹이 뒤처지는 가장 큰 이유는 자신들이 실제로 달성하고자 하는 목표가 불분명하기 때문이다.
• 리더 그룹과 후발자 그룹을 비교해 보면, 리더 그룹은 AI 및 데이터 분석 목표와 방향성을 명확하게 설정할 가능성이 후발자 그룹보다 9배 더 높다. 그리고 이를 전체 비즈니스 전략과 정렬할 가능성도 2.6배 더 높다(도표 4, 5 참조). 리더 그룹은 AI 및 데이터 분석을 도입하는 이유와 비즈니스에 미치는 영향을 명확하게 공유할 가능성이 후발자 그룹보다 8배 더 높다. 이를 통해 조직 전반에서 AI 및 데이터 분석의 도입과 활용을 더욱 효과적으로 촉진하고 있다.

AI 및 데이터 분석 목표 달성을 위해 충분한 예산을 확보하라.

• AI 및 데이터 분석 목표를 성공적으로 달성하려면 충분한 예산이 뒷받침되어야 하며, 리더 그룹은 이를 잘 인식하고 있다. 리더 그룹의 68%가 AI 및 데이터 분석 목표에 충분한 예산이 배정되었다고 응답한 반면, 후발자 그룹에서는 이 비율이 17%에 불과하다(도표 6 참조). 실제로 리더 그룹은 AI 및 데이터 분석에 후발자 그룹보다 연간 매출 대비 43% 더 많은 예산을 투자하고 있다. 향후 3년 동안 예산 증가율도 리더 그룹(연 22%)이 후발자 그룹(연 16%)보다 더 높을 것으로 예상된다(도표 7 참조). 이러한 투자 확대는 AI 및 데이터 분석 목표가 지속적으로 재정적 지원을 받을 수 있도록 보장하는 핵심 요소다.

► 도표 4. 리더 그룹은 AI 및 데이터 분석 목표와 방향성을 후발자 그룹보다 9배 더 명확하게 설정하고 있다.

► 도표 5. 리더 그룹은 AI 및 데이터 분석 목표를 전체 비즈니스 전략과 정렬하는 비율이 후발자 그룹보다 거의 3배 높다.

► 도표 6. 리더 그룹은 AI 및 데이터 분석 목표를 위한 예산을 후발자 그룹보다 거의 3배 더 충분히 확보하고 있다.

► 도표 7. 리더 그룹은 후발자 그룹보다 AI 및 데이터 분석 예산을 더 빠르게 증가시키고 있다.

프로젝트 실행 프레임워크를 구축하여 효과적인 실행을 보장하라. 

• 과감한 AI 비전과 전략이 실질적인 비즈니스 성과로 이어지려면 강력한 실행력이 필수적이다. 리더 그룹과 후발자 그룹 간의 차이는 프로젝트 실행 관리에서 더욱 두드러진다. 리더 그룹의 68%가 프로젝트 시작 시 명확한 마일스톤과 일정을 설정하는 반면, 후발자 그룹에서는 이 비율이 7%에 불과하다. 리더 그룹의 58%는 마일스톤과 일정을 정기적으로 모니터링하여 프로젝트를 기한 내에 완료되도록 관리하지만, 후발자 그룹에서는 8%만이 이를 수행하고 있다. 리더 그룹의 62%는 도입된 AI 및 데이터 분석 솔루션의 비용을 추적하고 ROI를 평가하는 반면, 후발자 그룹에서는 이 비율이 13%에 그친다.

생성형 AI의 중요성에 대한 인식이 도입 확산을 이끈다.

• 이것 또한 리더&탐색자 그룹이 추종자&후발자 그룹과 차이를 보이는 핵심 요인이다. 리더&탐색자 그룹은 생성형 AI를 핵심 비즈니스 요소로 인식할 가능성이 2.4배 더 높다. 반면, 추종자&후발자 그룹은 생성형 AI를 특정 활용 사례에만 제한적으로 적용할 가능성이 2배 더 높다. 이러한 차이는 생성형 AI의 확장성과 영향력을 제한하는 요인으로 작용할 수 있다. 이러한 인식 차이는 실제 도입 속도에서도 나타난다. 리더&탐색자 그룹의 66%가 이미 생성형 AI를 도입한 반면, 추종자&후발자 그룹에서는 이 비율이 42%에 그친다. 리더 그룹은 생성형 AI 이니셔티브에 후발자 그룹보다 69% 더 많은 예산을 투자하고 있으며, 향후 3년 동안 격차는 120%까지 확대될 것으로 예상된다.

내부 생산성 향상과 고객 가치 증대에 초점을 맞춰라. 

• 이 부분에서는 리더&탐색자 그룹 뿐만 아니라 추종자&후발자 그룹도 공통된 방향성을 보인다. 모든 그룹이 세일즈 및 마케팅, 인사, IT 등의 지원 기능에서 활용해 내부 생산성을 높이고 동시에, 고객 서비스 강화를 통해 고객 가치를 증대하는 데 주력하고 있다. 

경영진을 위한 주요 시사점

• AI를 단순히 기술 도입 자체의 목적으로 활용하는 것은 실패할 가능성이 크다. AI를 도입하는 이유를 명확히 하려면 비즈니스 목표, 전략, 비전과 연계해야 한다.
• 성공적인 AI 및 데이터 분석 전략은 반드시 비즈니스 성과와 연결되어야 한다. 원하는 결과를 정의하고, 지속적으로 성과를 측정할 수 있는 지표를 설정해야 실질적인 투자 효과를 거둘 수 있다.
• AI 및 데이터 분석에는 상당한 비용이 수반되므로, 장기적인 총소유비용(TCO, Total Cost of Ownership) 관점에서 접근하는 것이 중요하다. 초기 투자 비용이 지나치게 많이 들면, 이후 충분한 성과를 내지 못할 위험이 있다.
• AI는 단순히 업무 자동화와 효율성을 높이는 것에서 그치지 않는다. AI를 혁신, 성장, 창의성을 촉진하는 도구로 활용할 때 더 큰 기회를 창출할 수 있다.

구현(Build): 기술적 기반 마련

AI 및 데이터 분석 목표와 로드맵을 수립한 후, 선도적인 조직들은 이를 실행할 수 있는 적절한 인프라와 역량을 구축한다. 여기에는 IT 인프라 설계하고 구축하는 것뿐만 아니라, 데이터 가치를 극대화할 수 있는 아키텍처, 플랫폼, 파트너십을 마련하는 과정이 포함된다.
기술적 기반과 역량을 설계하고 구축할 때는 단기적인 개별 솔루션이 아닌, 장기적이고 부서 간 연계된 통합적인 기술 환경을 구축하는 것이 필수적이다. 이러한 접근 방식은 기술 인프라를 더욱 강력하고 확장 가능하게 만들 뿐만 아니라, 기존 시스템 및 애플리케이션과도 유기적으로 연계될 수 있도록 한다. 또한, 현재 조직의 기술 환경을 고려하여 구축 전략을 수립하면, 조직 전반에서 더욱더 효과적이고 지속적인 가치를 창출할 수 있다.
AI 활용 사례를 개발하고 확장하려면 견고한 데이터 기반이 필수적이다. 데이터 및 기술 아키텍처는 지속적으로 발전하고 있으며, AI를 안전하고 책임감 있게 확장하기 위해서는 새로운 구성 요소가 필요하다. 단순히 기존 프로세스에 AI를 추가하는 것만으로는 기대만큼의 효과를 얻기 어렵다. 따라서 조직은 AI를 최대한 활용할 수 있도록 업무 흐름을 재설계하고, 원활한 통합을 통해 효과를 극대화해야 한다.
상호 운용성(Interoperability) 확보, 기술 파트너십 구축, 데이터 품질 및 접근성 개선은 AI의 장기적 성공을 위한 핵심 요소이다. AI가 포함된 소프트웨어를 도입할 때는 AI 법안과 같은 규정을 준수하는 것이 중요하며, 기술 파트너와 조직 모두 이에 대한 공동 책임을 져야 한다. 이러한 공동 책임 체계는 AI 기술에 대한 신뢰를 높이고, 보다 책임감 있는 AI 활용을 보장한다. 
AI 도입 과정에서는 변화 관리 및 AI 활용이 미치는 영향을 고려해야 한다. 이를 위해 기업은 직원들이 AI를 효과적으로 활용할 수 있도록 역량 강화 교육을 제공해야 하며, AI 기반 업무 방식을 지원할 수 있는 새로운 프로세스를 도입해야 한다.

강력한 AI 및 데이터 분석 역량을 구축하여 데이터의 가치를 극대화하라. 

• 리더 그룹과 탐색자 그룹은 데이터 관리 가치 사슬 전반에 걸쳐 강력한 역량을 보유하고 있으며, 이는 추종자 그룹과 후발자 그룹에 비해 훨씬 높은 수준이다(도표 8~10). 이들은 데이터 수집 및 분석, 데이터 품질 관리, 거버넌스 및 보안, 미래 지향적 역량(AI/ML을 활용한 실시간 분석 등)을 포함한 다양한 영역에서 높은 성과를 내고 있다.

► 도표 8. 리더 그룹은 후발자 그룹보다 데이터 관리 및 데이터 품질 역량이 뛰어나다.

► 도표 9. 리더 그룹은 후발자 그룹보다 데이터 거버넌스 및 보안 역량이 우수하다.

► 도표 10. 리더 그룹은 후발자 그룹보다 미래 지향적 역량에 더 많은 투자를 하고 있다.

비즈니스 부서와 IT 간 협업을 강화하라. 

• AI 및 데이터 분석 역량을 효과적으로 구축하려면 이를 활용할 부서의 적극적인 참여가 필수적이다. 다시 말해, 데이터 기반 인사이트를 활용해 의사 결정을 내리는 IT 외 부서들이 AI 및 데이터 분석 구축 과정에 직접 참여해야 한다는 것이다. 리더 그룹과 탐색자 그룹은 구현 과정에서 사업 개발, 영업 및 마케팅, 운영, 재무 부서를 적극적으로 참여시키고 있다(도표 11 참조). 리더 그룹과 후발자 그룹의 차이는 다음과 같다.
• 리더 그룹의 94%가 사업 개발팀을 참여시키며, 이는 후발자 그룹보다 1.9배 높은 수치다.
• 리더 그룹의 76%가 영업 및 마케팅팀을 참여시키며, 이는 후발자 그룹보다 2.8배 높은 수치다.
• 리더 그룹의 74%가 운영팀을 참여시키며, 이는 후발자 그룹보다 1.5배 높은 수치다.
• 리더 그룹의 53%가 재무팀을 참여시키며, 이는 후발자 그룹보다 2.3배 높은 수치다.
• AI 및 데이터 분석을 직접 활용하는 비즈니스 부서를 구축 과정에 적극적으로 참여시키는 것은 조직 내 AI 확산을 촉진하고, 기술 수용도를 높이는 데 필수적이다. 이를 통해 AI 및 데이터 분석에 대한 관심과 활용도를 높이고, 조직 전반에서 성공적으로 정착시킬 수 있다.

경영진을 위한 주요 시사점

• AI 시스템과 플랫폼을 구축하려면 적절한 역량이 필요하다. 필요한 인재를 확보하는 것이 중요하며, 내부에 적절한 인재가 없다면 외부에서 적극적으로 영입해야 한다.
• 비즈니스 부서와의 협업은 원하는 솔루션을 정하고 구축하는 초기 단계에서 큰 가치를 제공할 수 있다. AI 경쟁력을 강화하려면 초기부터 비즈니스 부서의 전문성을 적극적으로 활용해야 한다.

► 도표 11. 데이터 분석 역량이 성숙한 기업일수록 IT 부서 뿐만 아니라 다양한 부서에서도 데이터 분석 구현에 적극적으로 참여하고 있다.

확산(Scale): 효과적인 AI 및 데이터 분석 모델로의 전환

많은 기업이 개별 사업 단위에서 AI 및 데이터 분석 역량을 구축하는 데 성공했지만, 진정한 성공은 이를 조직 전체로 확산하여 영향력을 극대화하고 ROI를 높이는 데 있다. 확산이란 AI 및 데이터 분석을 기반으로 한 비즈니스 및 운영 모델을 실제로 적용하는 과정을 의미한다. 이를 위해서는 적절한 역량, 사고방식, 기술 인프라가 필수적이다. 이러한 요건을 갖춘 리더 그룹과 탐색자 그룹은 이미 AI 및 데이터 분석을 조직 차원에서 운영 모델에 효과적으로 내재화하였으며, 성공적으로 확산시키고 있다.

AI 및 데이터 분석 기반 혁신을 성공적으로 이루기 위해서는 탄탄한 역량을 갖춘 인재 확보가 필수적이다.

• 기술 자체가 아니라 사람과 기술이 조화를 이루며 협력할 때, 조직은 데이터의 가치를 효과적으로 활용할 수 있다. 리더 그룹의 데이터 분석팀의 평균 근속 연수는 9.1년으로, 후발자 그룹의 4.3년보다 두 배 이상 길다. 이러한 차이는 AI 및 데이터 분석 이니셔티브를 더욱 효과적으로 수행할 수 있는 팀을 만드는 데 도움이 된다(도표 12 참조). 또한, 리더 그룹과 탐색자 그룹의 71%가 자사 데이터 분석팀이 AI 및 분석 프로젝트를 수행할 역량을 충분히 갖추고 있다고 응답한 반면, 추종자 그룹과 후발자 그룹에서는 이 비율이 40%에 그쳤다. 리더 그룹의 데이터 분석팀은 성과 기반 보상 체계를 도입할 가능성이 훨씬 높으며(86% vs. 51%), 이들의 보상은 AI 및 분석 프로젝트의 KPI와 연계된다. 이는 팀원들에게 프로젝트 성공에 대한 책임감을 부여하는 동시에, 성과에 따른 추가적인 금전적 보상을 제공하는 역할을 한다. 또한, 리더 그룹은 후발자 그룹보다 조직 내 모든 직무를 대상으로 한 AI 및 데이터 분석 교육과 역량 개발 프로그램에 투자할 가능성이 두 배 가량 높다(47% vs. 24%). 이러한 투자는 AI 및 데이터 분석이 조직 전반에 빠르게 정착되고 활용될 수 있도록 돕는다.

최고경영진의 강력한 지원이 AI 및 데이터 분석 기반 혁신을 성공으로 이끈다. 

• 리더 그룹에서는 AI 및 데이터 분석 이니셔티브의 72%가 최고경영진의 적극적인 지원을 받고 있다. 그리고 이들은 AI와 데이터 분석이 지속적인 재무 성과를 창출할 수 있다고 여긴다. 반면, 후발자 그룹에서 이러한 지원을 받는 비율은 44%에 불과하다(도표 13 참조). 특히, 리더 그룹의 57%는 데이터 및 분석 기능을 담당하는 최고경영진(CXO)을 두고 있으며, 68%의 CXO가 데이터 및 분석 분야에서 높은 전문성을 보유하고 있다(도표 14 참조). 리더 그룹의 최고경영진은 AI 및 데이터 분석이 지속적인 재무 성과를 창출할 수 있다고 생각하는 것에서 나아가, 데이터 분석팀의 성과를 조직 내 다른 부서에 공유하고 장려하는 역할도 수행하고 있다.

► 도표 12. 리더 그룹의 데이터 분석팀은 후발자 그룹보다 평균 근속 연수가 더 길다. 

► 도표 13. 리더 그룹에서는 AI 및 데이터 분석 이니셔티브가 최고경영진의 지원을 받을 가능성이 더 높다.

► 도표 14. 리더 그룹에는 데이터 및 분석 분야에서 경험을 보유한 최고경영진이 더 많이 포진해 있다.

조직 전체에 AI 및 데이터 분석을 효과적으로 확장할 수 있는 운영 모델을 구현하라. 

• AI 및 데이터 분석을 조직 전체로 확장하려면 전통적인 부서별 사일로 구조에서 벗어나는 것이 필수적이다. 이를 위해, 리더 그룹과 탐색자 그룹은 중앙 집중형 모델 또는 하이브리드 모델을 적극적으로 활용한다. 중앙 집중형 모델에서는 중앙에 위치한 팀이 AI 및 데이터 분석 역량을 전담하며, 이를 서비스 형태로 각 부서에 제공한다. 하이브리드 모델에서는 중앙에 위치한 팀이 AI 및 데이터 분석 전략을 수립하고, 부서 간 협업을 촉진한다(도표 15 참조). 반면, 추종자 그룹과 후발자 그룹은 이러한 모델을 덜 활용하며, 완전히 분산된 모델을 선택할 가능성이 두 배 더 높다. 분산형 모델에서는 각 부서가 자체적으로 AI 및 데이터 분석 역량을 개발한다. 이는 부서 간 단절을 심화하고 동일한 기능이 여러 부서에서 중복되는 식의 비효율이 발생할 위험이 있다.

AI 및 데이터 분석 과제를 파악하고 대응 전략을 마련하라. 

• 이번 연구에 참여한 모든 기업은 AI 및 데이터 분석에 투자하면서 기대한 가치를 실현하는 데 다양한 어려움을 겪고 있다. 이러한 문제는 기업 유형과 관계없이 거의 비슷한 비율로 나타났다. 주요 과제로는 기존 레거시 시스템, 책임 소재가 불분명한 의사 결정 구조, 투자 우선순위를 결정할 인센티브 부족, 혁신에 대한 관심 부족, 복잡한 승인 절차,  불분명하거나 부족한 비즈니스 사례 등이 포함된다. 그러나 리더 그룹과 탐색자 그룹은 이러한 문제를 극복하기 위해 포괄적인 변화 관리 계획과 대응 전략을 개발하여 실행하고 있다.

► 도표 15. 데이터 분석 역량이 성숙한 기업에서는 하이브리드 및 중앙 집중형 운영 모델이 더 일반적이다.

경영진을 위한 주요 시사점

• AI 및 생성형 AI에 대한 실험 과정에서는 빠르게, 적은 비용으로 실패하고, 실패를 통해 성장하는 문화가 필요하다. AI 및 데이터 분석 분야에서 반드시 선두주자가 될 필요는 없지만, 지속적으로 학습하고 비즈니스 가치를 창출하는 문화를 만드는 것이 중요하다.
• 데이터는 AI 및 데이터 분석 기반 혁신의 성패를 결정짓는 핵심 자산이다. 데이터의 가치를 극대화하려면, 누구나 활용할 수 있도록 정확하고 체계적으로 정리 및 관리되어야 한다.
• AI 중심의 비즈니스 환경에서는 기존과 완전히 다른 운영 모델이 요구된다. AI는 인간과 협력하여 작동하는 기술이다. 따라서 조직은 데이터를 활용해 인사이트를 도출하고, 더 나은 의사 결정을 내리며, 새로운 제품과 서비스를 개발하고, 비즈니스를 확장할 수 있도록 적절한 교육과 학습 지원을 제공하는 것이 필수적이다.
• AI 및 데이터 분석의 잠재력을 극대화하려면 사람의 역할이 무엇보다 중요하다. 우수한 인재를 확보하고, 성과 기반 보상 체계를 도입하며, 경력 개발을 적극적으로 지원해야 인재 이탈을 최소화할 수 있다.
• AI는 인간을 완전히 대체하지는 못하겠지만, 업무 수행 방식은 근본적으로 변화시킬 것이다. 나아가 더 큰 변화는 AI를 활용하는 사람이 그렇지 않은 사람을 대체하게 된다는 것이다.

거버넌스(Govern): 성숙도 유지 및 향상을 위한 실천

AI 및 데이터 분석 역량이 기업 전반에 걸쳐 구현된 후, 리더들은 지속적인 유지 및 관리를 통해 성과를 극대화하는 데 집중해야 한다. 이를 위해 조직 전체의 데이터 관리 수준을 지속적으로 높여야 한다. 아울러, AI 및 데이터 분석이 책임감 있고 윤리적으로 활용될 수 있도록 정기적인 교육을 실시하고, AI에 특화된 거버넌스와 관리 체계를 도입해야 한다.
조직은 실용적인 거버넌스를 구현해야 한다. 그리고 윤리적이고 책임감 있게 규정을 준수하면서 비즈니스 가치를 창출할 수 있도록 명확한 원칙과 가이드라인을 설정해야 한다. 또한, 거버넌스의 효과성을 보장하기 위해 이를 정기적으로 평가하고 개선해야 한다. 집중해야 할 주요 분야는 다음과 같다.
 

• 모든 직원이 법과 규정을 준수할 수 있도록 명확한 규칙과 기준을 수립한다.
• AI 관련 리스크를 식별하고 모니터링하며 관리한다.
• 기술을 활용해 의사 결정의 투명성을 확보한다. 그리고 AI의 운영 방식이 윤리 및 규제 기준에 부합하도록 조정하여 책임 있는 AI 거버넌스를 실현한다.
• AI를 활용해 다른 AI 시스템을 지속적으로 모니터링하여 사전에 정의된 윤리 지침과 법적 기준을 준수하도록 한다. 또한, 조직 내에서 AI가 올바르게 발전할 수 있도록 관리한다.

강력한 데이터 거버넌스 체계를 구축하고 이를 명확히 공유하라. 
데이터 관리 측면에서 리더 그룹은 후발자 그룹에 비해 압도적으로 우수한 성과를 보인다. 반면 후발자 그룹은 네 가지 핵심 요소 중 세 가지에서 거의 성과를 내지 못하고 있다. 도표 16~19에서 볼 수 있듯이, 리더 그룹(일부 탐색자 그룹 포함)의 상당수가 데이터 품질, 접근 권한, 규정 준수에 대한 명확한 책임과 역할을 가지고 있으며, 신뢰할 수 있는 데이터 관리 프로세스를 보유하고 있다고 응답했다. 반면, 동일한 수준을 갖추고 있다고 답한 후발자 그룹은 4%에 불과하다. 또한, 리더 그룹의 절반 이상이 정기적으로 데이터 품질 대시보드를 점검하는 반면, 후발자 그룹에서는 이 비율이 8%에 불과하다. 아울러, 리더 그룹의 절반 이상이 조직 전체에 공유되는 명확한 거버넌스 정책을 수립하고 있는 반면, 후발자 그룹에서는 21%만이 이를 시행하고 있다. 리더 그룹과 탐색자 그룹의 79%는 기존 데이터 거버넌스 도구와 AI에 특화된 관리 도구를 함께 활용하지만, 추종자 그룹과 후발자 그룹에서는 이 비율이 42%에 그친다.

► 도표 16. 리더 그룹은 후발자 그룹보다 데이터 품질, 접근 권한, 준수 사항에 대한 책임과 역할이 훨씬 더 명확하게 규정되어 있다. 

► 도표 17. 리더 그룹은 데이터 품질 대시보드를 정기적으로 점검한다.

► 도표 18. 리더 그룹은 후발자 그룹보다 더 신뢰할 수 있는 데이터 관리 프로세스를 보유하고 있다.

► 도표 19. 리더 그룹은 후발자 그룹보다 데이터 거버넌스 정책이 더욱 명확하게 정립되어 있다.

정기적인 컴플라이언스 교육을 실시하고 데이터 관리 방식을 개선하여 데이터에 대한 신뢰도를 높여라. 

• 리더 그룹과 탐색자 그룹에서는 조직의 다양한 기능에 맞춘 맞춤형 컴플라이언스 교육과 인증 과정이 제공되는 경우가 많다(51%). 이는 모든 직원에게 동일하게 일반적인 교육을 제공하거나 단순히 AI 개요만을 소개하는 방식과는 차이가 있다. 후자의 방식은 주로 추종자 그룹과 후발자 그룹(41%)에서 주로 활용된다(도표 20 참조). 
• 데이터 관리 체계의 성숙도는 조직 전반의 데이터 신뢰도를 결정짓는 핵심 요인이다. 실제로, 리더 그룹의 74%는 조직 전체에서 데이터를 신뢰한다고 응답한 반면, 후발자 그룹에서는 이 비율이 단 3%에 불과했다. 데이터에 대한 신뢰가 높아지면 분석 결과에 대한 신뢰도도 함께 향상되며, 이는 AI와 분석 도구의 활용도를 더욱 높이고 궁극적으로 조직에 더 큰 가치를 창출한다(도표 21 참조).

경영진을 위한 주요 시사점

• 디지털 안전과 리스크 관리가 기본이다. 효과적인 거버넌스, 정책, 리스크 관리 체계를 구축하는 것이 가장 중요하며, AI를 안전하고 책임감 있게 운영할 수 있도록 원칙을 적용해야 한다.
• 고품질 데이터는 신뢰성과 관련성이 높을 뿐만 아니라, 통계적으로도 대표성을 가져야 한다. AI와 분석 도구가 고품질 데이터를 활용하려면 체계적인 데이터 관리가 필수적이다.

► 도표 20. 분석 역량이 높은 기업일수록 부서별 맞춤형 AI 및 데이터 분석 관련 컴플라이언스 교육과 인증 과정을 보다 체계적으로 운영하고 있다.

► 도표 21. 리더 그룹은 후발자 그룹보다 조직 전반에서 데이터에 대한 신뢰도가 훨씬 높다.

산업별 분석

통신, 미디어, 기술 산업

• 통신, 미디어, 기술 산업은 AI 및 데이터 분석 성숙도가 높은 산업이다. 통신, 미디어, 기술 산업의 7%가 리더 그룹이다. 통신, 미디어, 기술 산업은 AI 비전, 전략, 활용 사례 개발하는 사고(Think), 데이터 및 기술 기반을 마련하는 구현(Build), AI 윤리 및 데이터 거버넌스를 강화하는 확산(Scale)의 세 가지 영역에서 높은 성숙도를 보인다. 최고경영진 중 57%가 데이터 및 분석 분야에 대한 전문성을 보유하고 있으며, 이는 타 산업 대비 가장 높은 비율이다. 이러한 전문성 덕분에, AI 및 데이터 분석 이니셔티브의 62%를 효과적으로 추진할 수 있었다. 2021~2024년 동안에는 연간 매출의 5.5%만을 데이터 및 분석에 투자하였다. 이는 타 산업 대비 가장 낮은 수준이다. 하지만 2024~2027년에는 6.4%로 증가할 것으로 예상된다.
• 전망: 통신, 미디어, 기술 산업은 생성형 AI 투자에 집중할 것으로 보인다. 2021~2024년 동안 데이터 및 분석 예산의 29%를 할당했으나, 2024~2027년에는 34%로 확대할 예정이다. 이는 다른 산업들과 비교했을 때 가장 높은 비율이다.

소비재 및 유통 산업

• 소비재 및 유통 산업은 AI 및 데이터 분석 성숙도가 높은 산업이다. 소비재 및 유통 산업의 5%가 리더 그룹으로, 특히 구상(Think) 영역에서 가장 높은 성숙도를 보인다. 소비재 및 유통 산업의 55%가 생성형 AI가 사업의 핵심 요소가 될 것으로 전망하며, 38%는 이미 AI 특화 거버넌스 및 관리 도구를 도입하였다. 2021~2024년 동안 연간 매출의 6.5%를 데이터 및 분석에 투자하였으며, 타 산업 대비 가장 높은 비율을 기록했다.
• 전망: 소비재 및 유통 산업은 2024~2027년 동안 데이터 및 분석 예산을 매출의 7.7%까지 확대할 계획이다. 이 중 32%는 생성형 AI 이니셔티브에 집중적으로 투자할 예정이다.

에너지 및 공정 산업

• 에너지 및 공정 산업은 AI 및 데이터 분석 성숙도가 가장 낮은 산업이다. 에너지 및 공정 산업에서 리더 그룹은 2%에 불과하다. 에너지 및 공정 산업의 67%가 AI 및 데이터 분석 목표가 명확하게 정의되어 있다고 보고 있지만, 생성형 AI가 비즈니스의 핵심이 될 것이라고 보는 기업은 3분의 1에 그친다.
• 전망: 생성형 AI의 역할이 아직 불확실함에도 불구하고, 에너지 및 공정 산업은 2024~2027년 동안 데이터 및 분석 예산의 약 33%를 생성형 AI에 할당할 계획이다. 이는 산업 전체와 비교했을 때 최상위 수준이다.

금융 서비스 산업

• 금융 서비스 산업은 AI 및 데이터 분석 성숙도가 낮은 산업이다. 금융 서비스 산업에서 리더 그룹은 2%에 불과하다. 특히, 구현(Build) 영역에서 뒤처지고 있다. 금융 서비스 산업 내 C-레벨 임원 중 약 절반이 데이터 및 분석 분야에 대한 전문성을 보유하고 있음에도 불구하고, 해당 분야에 대한 예산 비율은 가장 낮은 수준이다. 2021~2024년 동안 연간 매출의 5.7%만이 데이터 및 분석에 투자되었다.
• 전망: 금융 서비스 산업은 2024~2027년 동안 데이터 및 분석 예산을 26% 증가시킬 계획이며, 이는 산업 전체에서 가장 큰 증가 폭이다. 또한, 생성형 AI에 대한 예산 할당 비율도 33%로 계획되어 있으며, 이는 타 산업과 비교했을 때 높은 수준이다.

헬스케어 산업

• 헬스케어 산업은 AI 및 데이터 분석 성숙도가 낮은 산업이다. 특히 확산(Scale)과 거버넌스(Govern) 분야에서 뒤처지고 있다. 하지만 헬스케어 산업의 65%가 이미 생성형 AI를 도입하여, 실행력 측면에서는 선도적인 위치를 차지하고 있다. 그러나 2024~2027년 동안 데이터 및 분석 예산을 5% 감축할 계획이다.
• 전망: 헬스케어 산업은 2024~2027년 동안 데이터 및 분석 예산을 연간 매출의 5.8%로 책정할 예정이며, 이 중 30%를 생성형 AI에 할당할 계획이다. 이 두 수치는 산업 전체에서 가장 낮은 수준이다.

모빌리티, 방위, 첨단 산업 

• 모빌리티, 방위, 첨단 산업은 AI 및 데이터 분석 성숙도가 중간 수준이다. 모빌리티, 방위, 첨단 산업에서 리더 그룹은 3%에 불과하다. 특히 구현(Build) 영역에서 성숙도가 낮은 편이다. 모빌리티, 방위, 첨단 산업은 AI 및 데이터 분석 이니셔티브의 61%가 최고경영진의 지원을 받고 있으며, 이는 다른 산업과 비교했을 때 가장 높은 수준이다. 또한, 2021~2024년 동안 매출의 6.3%를 데이터 및 분석에 투자하였으며 이는 타 산업 대비 높은 수준이다. 
• 전망: 2024~2027년 동안 데이터 및 분석 예산을 증액할 계획이 없으며, 이는 다른 산업과 상반된 움직임이다. 다만, 생성형 AI 예산은 데이터 및 분석 예산의 31%로 책정될 예정이며, 이는 글로벌 평균과 유사한 수준이다.

결론
전 세계적으로 데이터 중심 기업으로의 전환이 경영진의 최우선 과제로 떠오르고 있다. 기업들은 AI와 데이터 분석을 통해 더 빠르고 정확한 의사 결정을 내리고, 급변하는 비즈니스 환경에서 최적의 결과를 도출하는 것을 목표로 한다. 생성형 AI가 AI의 활용 범위를 더욱 넓히면서, 기업들은 데이터를 활용해 혁신하고 성장하며 경쟁력을 강화할 기회를 극대화할 수 있게 되었다. 지금, 기업들이 고민해야 할 핵심 질문은 "어떻게 할 것인가?"이다.
지난 10년 동안 기업들이 AI 및 데이터 분석 역량을 발전시키기 위해 많은 성과를 거두었지만, 아직 가야 할 길이 멀다. 실제로 조사에 참여한 기업의 절반 이상이 사고(Think) – 구현(Build) – 확산(Scale) – 거버넌스(Govern) 프레임워크에서 여전히 중간 수준의 성숙도에 머물러 있는 것으로 나타났다.
반면 나머지 절반의 기업들은 데이터 분석 역량이 성숙한 기업들에 속하며, 이 기업들은 AI 및 데이터 분석 역량을 탄탄히 구축하고 있다. 특히, 리더 그룹은 데이터 활용을 극대화할 수 있는 전략, 인프라, 리더십, 인재, 운영 모델을 갖추고 있다. 이러한 기반은 생성형 AI를 본격적으로 도입하는 시점에서 더욱 중요한 역할을 한다. AI 및 데이터 분석 역량이 뛰어난 리더 그룹과 탐색자 그룹은 이제 비즈니스 혁신을 선도하며 경쟁의 흐름을 재편하고 있다. 다른 기업들도 이들을 벤치마킹해 속도를 높여야 한다. 그렇지 않으면, 경쟁에서 밀려나고 말 것이다.