AI로 성과를 내는 팀과 그렇지 못한 팀

이제는 익숙한 숫자들입니다. MIT의 Project NANDA에 따르면 기업 AI 파일럿의 약 95%는 손익에 측정 가능한 영향을 남기지 못했습니다. McKinsey는 AI로 실질적인 EBIT를 만들어 낸 기업이 약 6%에 그친다고 봤고, PwC의 2026년 1월 CEO 설문에서는 56%가 지난 1년간 AI로 매출 증가도 비용 절감도 경험하지 못했다고 답했습니다.

모두 같은 모델을 씁니다. 그러니 정말 궁금한 건 왜 대다수가 실패했는가가 아닙니다. 성공한 소수는 무엇을 다르게 했는가입니다.

여러 연구가 같은 답을 내놓고 있습니다. 다만 대부분의 기업이 그 답대로 움직이지 않을 뿐입니다.

이긴 팀은 일을 다시 짰고, 진 팀은 도구만 얹었습니다

McKinsey의 2025 State of AI 보고서는 이 지점을 단호하게 짚습니다. 기업이 AI에서 가치를 뽑아내는지 여부를 가장 강하게 예측하는 변수는 단 하나, AI를 중심으로 워크플로를 다시 설계했는지입니다. 기존 업무 방식 위에 AI를 얹은 쪽이 아닙니다. 고성과 기업으로 분류된 약 6%는 나머지 기업보다 워크플로를 재설계했을 가능성이 약 세 배 높았습니다.

MIT 연구도 실패의 반대편에서 같은 결론에 이릅니다. 대부분의 파일럿이 무너진 이유는 모델이 약해서가 아니라 "취약한 워크플로, 맥락 학습의 부재, 일상 업무와의 불일치" 때문이었습니다. 문제는 도구가 아니었습니다. 도구를 끼워 넣은 일하는 방식이 그대로였다는 게 문제였습니다.

2026년에 나온 팀 협업과 AI에 관한 한 분석은 이 원리를 한 문장으로 요약합니다. AI는 이미 있는 토대를 증폭시킬 뿐이라는 것. 프로세스가 명확하고 협업이 탄탄한 팀은 재작업을 줄이고 더 빠르게 결과를 냅니다. 토대가 약한 팀은 더 많은 소음과 뒷수습, 그리고 여전한 지연을 더 빠른 속도로 얻습니다.

결론은 단순합니다. AI는 곱셈기입니다. 토대를 만들어 주지는 않습니다. 이미 있는 토대를, 그것이 향한 방향 그대로 키울 뿐입니다.

'도구만 끼워 넣기'가 계속 실패하는 이유

대부분의 기업은 원래 하던 일을 더 빠르게 하려고 AI를 들여왔습니다. 카피를 더 빨리 쓰고, 이미지를 더 빨리 뽑고, 코드를 더 빨리 짜는 식이죠. 실패한 파일럿을 다룬 보스턴대 Questrom의 분석은, 이런 접근이 성과를 거의 바꾸지 못한다고 지적합니다. 어떤 단계의 속도를 높여도, 애초에 가치가 그 단계의 속도에 달려 있지 않다면 소용이 없기 때문입니다.

모두가 속도를 높인 곳은 '생산'이었습니다. 그런데 생산은 원래도 쉬운 부분이었습니다. 결과물의 질을 가르는 일은 그 앞뒤에서 벌어집니다. 무엇을 만들지 정하고, 여러 선택지를 비교하고, 어느 쪽이 맞는지 판단하고, 팀이 합의해 실행에 옮기는 일. 이 단계들은 빨라지지 않았습니다. 오히려 많은 기업에서 더 느려졌습니다. 그 앞에 처리해야 할 산출물이 쌓였기 때문입니다.

결국 병목이 아닌 곳에 돈이 몰렸고, 진짜 병목이었던 '생각하고 결정하는 일'은 예전처럼 여기저기 흩어진 도구들 사이에 그대로 방치됐습니다.

토대는 프로세스인데, 대부분의 도구는 그걸 버립니다

토대가 승부를 가른다면, 그 토대가 실제로 어디에 있는지 물어볼 만합니다.

완성된 산출물 안에는 없습니다. 산출물은 결과이고, 그걸 보는 시점에는 이미 생각이 끝난 뒤입니다. 토대는 그 결과를 만들어 낸 과정입니다. 러프한 아이디어, 그 과정에서 마주친 자료, 검토했던 선택지들, 하나를 고르고 나머지를 버린 이유, 피드백, 이견, 그리고 최종 결정.

이 과정은 대부분의 도구가 담지 못하는 바로 그 부분입니다. 채팅은 한 줄로 흐르니 논의가 스레드 안으로 흘러가 사라집니다. 문서는 결론은 남지만 결론에 이른 경로는 남기지 않습니다. 태스크 보드는 무엇을 할지는 적어도 왜 하는지는 적지 않습니다. 그래서 프로세스는 증발하고 결과만 남습니다. 연구가 승부를 가른다고 말하는 그 '토대'가, 정작 기업이 가장 붙잡아 두지 못하는 것이 되어 버리는 셈입니다.

여기에는 전략적인 비용이 따릅니다. Mercer의 2026년 AI 보고서는 조직 역량이 "계획이 아니라 실행을 통해", 실제 일이 어떻게 굴러가는지를 관찰하고 그 위에 쌓아가며 자란다고 말합니다. 프로세스가 매번 사라지면 팀에는 아무것도 축적되지 않습니다. 프로젝트마다 처음부터 다시 시작해야 합니다. 잘된 결과물이 어떻게 만들어졌는지 아무도 배우지 못합니다. 매끈하게 다듬어진 마지막 장면만 보였기 때문입니다.

ALLO가 놓이는 자리

바로 이 문제를 풀려고 ALLO를 만들었습니다. ALLO는 결과가 아니라 과정을 담습니다.

캔버스 위에 러프한 메모가 놓이고, 그 옆으로 자료가 붙습니다. 여러 안이 나란히 생성되어 팀은 스크롤로 흘려보내는 대신 실제로 비교할 수 있게 됩니다. 피드백은 그 대상이 되는 자리에 그대로 붙고, 결정은 그 결정을 만들어 낸 작업 옆에 남습니다. 아이디어는 구석에서 작게 시작해 자료와 다른 사람의 의견에 부딪히며 자라고, 팀이 내보낼 무언가로 좁혀집니다. 그 전 과정이 눈에 보인 채로 남습니다.

이건 조금 더 나은 화이트보드가 아닙니다. 여러 연구가 반복해서 가리키는 그 '토대', 즉 프로세스와 생각, 결정의 근거가 스크롤에 밀려 사라지지 않고 머무르며 쌓이는 자리입니다. 지금 쓰는 도구는 그대로 쓰면 됩니다. ALLO가 더하는 건 이긴 팀은 가지고 있고 나머지는 잃어버리는 층입니다. 일이 실제로 어떻게 사고되었는지에 대한, 눈에 보이고 함께 볼 수 있는 기록.

MIT, McKinsey를 비롯한 연구들은 같은 방향을 가리킵니다. AI는 강한 토대를 가진 팀에게 보상을 주고, 그렇지 않은 팀에게는 벌을 줍니다. 하는 일이라곤 이미 있는 것을 곱하는 것뿐이기 때문입니다. 도구는 이제 흔합니다. 승부는 토대에서 갈립니다. 결국 남는 질문은 하나입니다. 우리 팀에는 그 토대를 쌓을 자리가 있는가.

FAQ

AI로 성공하는 팀과 실패하는 팀을 가르는 건 무엇인가요? 워크플로 재설계입니다. McKinsey에 따르면, AI로 실질적인 가치를 뽑아내는 약 6%의 기업은 기존 프로세스에 AI를 얹는 대신 일하는 방식을 AI 중심으로 다시 짰을 가능성이 약 세 배 높았습니다. AI는 팀이 이미 갖춘 토대를 증폭시킬 뿐입니다.

왜 대부분의 AI 파일럿은 실패하나요? MIT의 Project NANDA는 약 95%가 손익에 측정 가능한 영향을 남기지 못했다고 밝혔습니다. 원인은 대체로 모델의 성능이 아니라 취약한 워크플로와 일상 업무와의 불일치였습니다. 도구가 문제인 경우는 오히려 드물었습니다.

생산 속도를 높여도 왜 성과가 나아지지 않나요? 생산은 원래도 쉬운 부분이었기 때문입니다. 가치는 무엇을 만들지 정하고, 선택지를 비교하고, 올바른 답을 고르는 데서 나옵니다. 생성 속도를 높여도 이 단계들에는 도움이 되지 않고, 오히려 앞에 산출물이 쌓여 부담만 커지는 경우가 많습니다.

AI가 곱셈기라는 말은 무슨 뜻인가요? AI는 이미 있는 토대를 확대할 뿐입니다. 탄탄한 프로세스와 협업은 더 빠르고 깔끔한 결과로 증폭되고, 약한 토대는 더 많은 소음과 재작업으로 증폭됩니다. AI가 스스로 토대를 만들어 주지는 않습니다.

ALLO는 AI 시대에 팀에 어떤 도움이 되나요? ALLO는 완성된 결과물이 아니라 과정을 담습니다. 아이디어, 자료, 선택지, 피드백, 결정이 하나의 캔버스 위에 함께 남아 팀의 사고 과정이 계속 보이고 시간이 갈수록 쌓입니다. 연구가 승자와 나머지를 가른다고 말하는 바로 그 토대입니다.