일성아이에스는 이런 고민을 하고 있었어요
일성아이에스는 제약 분야의 중견기업으로, AI 도입에 대한 의지는 분명했어요. 다만 시작점이 막연했습니다. AI를 통해 무언가 바뀌어야 한다는 공감대는 있는데, 어디서부터 어떻게 손대야 할지가 보이지 않았던 거예요.
데이터가 여러 채널에 분산되어 있고 수작업이 반복됨
업무 방식이 담당자의 경험과 암묵지에 크게 의존
AX 도입과 실행의 명확한 기준이 없음
교육을 진행해도 현업 적용 여부를 확인할 방법이 없음
"AI 도입 의지는 있는데, 어디서부터 어떻게 시작해야 할지가 막연하다." 이 한 문장이 시작점에서 마주한 솔직한 고민이었어요. 보통 기업들은 AI를 도입할 때 곧장 대규모 SI 사업을 발주하곤 하는데, 일성아이에스는 그 대신 '우리 조직이 AX의 어느 단계에 서 있는지부터 점검해보자' 는 마음으로 첫 발을 떼었습니다.
AX 첫 단추를 끼울 때 흔히 마주치는 3가지 어려움
1) 도입 의지는 있는데 실행 방향이 안 보임
"AX를 하자"는 데는 모두 동의해도, 막상 첫 단추를 어디에 끼울지가 막연한 경우가 많아요. 우리 조직의 어느 부서, 어떤 업무가 AI 적용에 적합한지 파악할 기준이 없는 상태에서 출발하면, 시작 자체가 미뤄지기 쉽습니다.
2) 한 번에 모든 걸 풀려는 부담
AX를 한 번에 완성하려고 하면 부담이 클 수밖에 없어요. 임원이 공감대를 이루면 전사적으로 AX에 대한 니즈가 생기고, 그 니즈가 전사 AI 역량을 키우는 교육으로, 다시 부서별 과제 발굴과 실행으로 이어집니다. 이렇게 앞 단계가 다음 단계로 자연스럽게 흘러가도록 설계하면, 부담은 줄고 확장은 쉬워져요.
3) 과제는 도출했는데 실행으로 이어지지 않음
부서별 AI 과제를 잘 도출해도, PoC로 이어지지 않으면 산출물이 보고서로만 남아요. "과제 도출"과 "실제 실행" 사이를 연결해주는 후속 단계가 함께 설계되어야 도출된 아이디어가 실무에 자리 잡습니다.
일성아이에스의 고민, 이렇게 해결했어요
따라서 일성아이에스는 에이블 캠퍼스와 함께 세미나 → 교육 → 워크숍 → PoC 로 이어지는 단계별 로드맵을 설계했어요. 각 단계는 독립된 이벤트가 아니라, 앞 단계의 결과가 다음 단계의 출발점이 되는 구조로 연결되었습니다.
에이블 캠퍼스의 단계별 로드맵은 이런 점이 특별해요
1) 단계마다 결과가 다음 단계의 출발점이 되는 연결 구조
세미나에서 만든 공감대는 전사 교육 예산과 일정의 동력이 됐고, 전사 교육에서 키운 AI 리터러시는 워크숍에서 실무자가 자기 부서의 업무를 분석할 수 있는 기반이 됐어요. 워크숍의 산출물은 그대로 PoC 프로젝트의 요구 정의서로 이어져, "교육 따로, 워크숍 따로, PoC 따로" 상태에서 발생하기 쉬운 산출물의 단절을 막을 수 있었습니다.
2) 직무·직급별 맞춤 설계
C레벨 세미나부터 전 직원 리터러시 교육, 8개 본부 24명이 모이는 워크숍, PoC 수행까지 — 각 단계마다 참여자의 역할과 수준에 맞춘 콘텐츠를 별도 설계했어요.
3) 과제 도출에서 PoC 실행까지 한 번에 연결
워크숍에서 도출된 부서별 AI 과제가 보고서로 끝나지 않고, PoC 고도화 컨설팅과 솔루션 개발까지 이어졌어요.
단계별 AX 전환은 이렇게 진행됐어요
1) Phase 01 — AX 전략 세미나 (C레벨·경영진·팀장급)
업계 AX 전환 사례 공유
조직 AI 도입 현황 진단
AX 실행 우선순위 설정
→ AI 도입 공감대 형성
2) Phase 02 — 전사 AI 리터러시 교육 (전 직원, 직무·직급별)
전 임직원 AI 기초
업무 적용 프롬프트 설계
생성형 AI 업무 적용
→ AI 실무 역량 내재화
3) Phase 03 — AI 과제 발굴 워크숍 (8개 본부 24명, 2일)
업무 문제 정의
AI 솔루션 아이디에이션
조별 AI 솔루션 기획
AI 전문가 피드백·고도화
→ 8개 부서 AX 과제 도출
4) Phase 04 — PoC 수행
PoC 고도화 컨설팅
AI 솔루션 기획·개발
→ PoC 착수·솔루션 개발
워크숍에서 발견한 공통 인사이트
워크숍에는 영업·생산·마케팅·HR 등 다양한 부서가 참여했어요. 부서마다 업무를 분석한 결과, 영역은 서로 달라도 공통적으로 짚이는 문제들을 발굴할 수 있었습니다.
데이터 분산 및 수작업: 데이터가 여러 채널에 흩어져 있고, 취합이 수작업에 의존
데이터 정합성 부족: 검증 체계가 약해 데이터 신뢰도가 낮음
암묵지에 의존하는 업무 방식: 담당자의 경험에 기대다 보니 표준화가 어려움
이 문제들이 정리되지 않은 채 AI 솔루션부터 얹으면, 잘못된 데이터 위에서 오류가 더 빠르고 크게 번질 뿐이에요. 그래서 PoC 단계에서는 곧바로 AI 모델을 적용하기보다, 데이터 통합과 정합성 검증을 함께 진행하는 방식으로 설계했습니다.
워크숍 현장의 생생한 목소리
데이터 기반 의사결정 프로세스를 수립하는 것이 먼저 필요하다는 점을, 팀 차원에서 분명하게 인식할 수 있었습니다.
보고서 작성 의도가 잘 살아나지 않는 현장의 문제를, 어떻게 AI로 풀어볼 수 있을지 구체적으로 그릴 수 있었어요.
예측보다 정확성이 중요한 업무 특성상, 검토·검증 자동화의 방향성을 잡을 수 있었습니다.
교육 프로그램 결과
1) 부서별 AI 적용 시나리오 도출
영업·생산·HR 등 핵심 직무 전반에서 부서별 AI 적용 시나리오를 구체적으로 도출했어요.
2) PoC 착수 연계
워크숍 산출물이 보고서로 끝나지 않고, 그대로 PoC 프로젝트로 이어져 실행 단계에 진입했습니다.
