# AI 광풍이 전 세계의 의사결정을 무너뜨리고 있음 > Clean Markdown view of GeekNews topic #31602. Use the original source for factual precision when an external source URL is present. ## Metadata - GeekNews HTML: [https://news.hada.io/topic?id=31602](https://news.hada.io/topic?id=31602) - GeekNews Markdown: [https://news.hada.io/topic/31602.md](https://news.hada.io/topic/31602.md) - Type: GN+ - Author: [neo](https://news.hada.io/@neo) - Published: 2026-07-20T09:58:57+09:00 - Updated: 2026-07-20T09:58:57+09:00 - Original source: [ludic.mataroa.blog](https://ludic.mataroa.blog/blog/ai-mania-is-eviscerating-global-decision-making/#fnref:3) - Points: 1 - Comments: 1 ## Topic Body - 지난 18개월간 관찰하거나 참여를 요청받은 AI 프로젝트의 성공률은 **0%** 였으며, 기술의 불확실성과 기존 소프트웨어 프로젝트의 부실한 운영이 겹쳐 투자가 성과로 이어지지 않았음 - 직원 500명 이상인 조직에서는 AI의 효용을 의심하는 것만으로 승진과 고용이 위태로워지고, 직원들은 **AI 세탁**과 토큰 사용량 조작으로 조직의 요구에 순응하고 있음 - 자연어 데이터 질의처럼 화려한 **AI 데모**는 정확도와 운영상 한계를 경고해도 구매 열기를 촉발하며, 판매자에게 평판·법적 위험까지 초래할 수 있음 - 고객과 이사회가 서로의 과장된 생산성 주장을 부정하지 못하는 **조정 문제** 때문에 회의적인 임원도 AI 투자를 공개적으로 지지하고, 비AI 사업에도 AI 요소를 억지로 붙이게 됨 - 조직을 바로잡으려면 **일대일 대화·익명 설문·현장 검증**이 필요하며, 내부 정치를 피하기 어려운 직원은 AI 생성 코드로 소진되기 전에 이직이나 계약직 전환을 준비해야 함 --- ### 18개월간 관찰된 AI 프로젝트의 실패 - 지난 1년간 회사의 영업과 대부분의 기술 업무를 맡아 전 세계 전문가와 약 **300회 대화**한 경험에서, 민간·공공 조직의 책임자들은 계획 없이 AI에 몰입하거나 침묵하고 있었음 - AI 프로젝트의 실제 성과를 확인하기 어려운 이유는 이사회·경영진·직원·판매사·컨설턴트 모두 실패를 공개할 유인이 없기 때문임 - 경영진은 실패를 인정하면 자리를 잃을 수 있음 - 직원은 해고나 구조조정 대상이 될 수 있음 - 일부 상장사는 Copilot 라이선스를 구매한 뒤 이를 **AI 생산성 향상**으로 발표함 - 관찰하거나 참여를 요청받은 프로젝트는 18개월 동안 모두 실패했으며, 팀은 AI 구현 업무를 전부 거절하고 OpenAI의 존속 여부에 직접 좌우되지 않는 계약만 유지했음 - AI 도구가 특정 작업을 빠르게 하더라도 현재의 투자 방식과 규모는 타당하지 않았음 - 일반 소프트웨어 프로젝트의 모든 실패 요인이 그대로 존재함 - 새로운 기술이라는 추가 위험 때문에 구현을 제대로 해도 실패할 수 있음 - 이 위험을 감당할 만큼 소프트웨어 제공 역량이 뛰어난 기업은 드묾 ### 내부·고객용 챗봇이 성과를 내지 못하는 이유 - **내부 챗봇**은 기업 문서의 품질이 낮아 충분한 답을 만들지 못하며, 실제 직원 사용률도 유의미하지 않았음 - 고객용 챗봇도 만족스러운 사례가 드물었고, 의료 진료 중 실시간 전사 정도가 예외였음 - 프로젝트 책임자들은 도구가 실제로 사용되는지 보여주는 기본 지표를 피하고, 쉽게 조작할 수 있는 지표를 선택함 - Mitsubishi의 자동차 고장 지원 음성 봇은 자연스러운 음성과 빠른 응답, 실제 운영 환경이라는 점에서 완성도가 높았지만 약속한 회신은 **6개월 동안 오지 않았음** - 요청이 사라졌는지, 사람의 개입 없이 해결된 것으로 집계됐는지 알 수 없었음 - 시스템상 오류가 보이지 않아도 고객은 Mitsubishi 차량을 다시 구매하지 않기로 결정했음 - 진행 중인 AI 프로젝트의 목표·사용자·성과를 묻는 것만으로도 책임 체계에 대한 공격으로 받아들여질 수 있어, 위기가 닥치기 전에는 개입하기 어려움 - 컨설팅은 상대가 요청할 때 사람에게 영향을 주는 일이라는 Gerry Weinberg의 원칙에 따라, 일반 데이터 전략에 관한 조언을 명시적으로 요청받지 않으면 프로젝트에 개입하지 않음 ### 의심을 허용하지 않는 조직 문화 - 직원 500명 이상인 모든 관찰 대상 기업에서는 승진과 고용을 유지하려면 **AI의 변혁적 힘을 반복해서 선언**해야 했음 - 기술적 활용안을 제안하는 수준이 아니라 종교적 신앙 고백에 가까웠으며, 주로 비기술 인력이 주도하고 일부 기술자도 호응함 - “AI가 모든 것을 바꾼다”고 말하면서도 실제 조직 내 LLM 활용 사례나 달라진 점을 하나도 제시하지 못하는 경우가 있었음 - 연 매출 **20억 달러 이상**인 조직의 AI 중심 기술 전략을 만든 임원이 ChatGPT를 포함한 AI 도구를 한 번도 사용하지 않은 사례도 있었음 - 단순한 홍보성 거짓말보다 기술 배경이 없는 책임자가 자신의 말을 실제로 믿는 경우가 더 위험했음 - 거짓말하는 사람과는 사익을 매개로 협상할 수 있지만, 진정한 신봉자는 자신의 이해관계에도 흔들리지 않음 - 한 조직은 LLM 없이 높은 성과를 냈다는 이유로 최고 성과자들을 해고함 - [“My AI Skeptic Friends Are All Nuts”](https://fly.io/blog/youre-all-nuts/)와 비판적 입장이 다르더라도, 경영진의 **LLM 사용 의무화는 나쁜 전략**이며 전문 직원에게 비정상적인 작업 제약을 준다는 점에서는 일치함 ### AI 세탁과 조작 가능한 평가 지표 - 관리자가 결과보다 AI 사용 여부를 중시하자 엔지니어들은 기존 방식으로 일한 뒤 Claude가 수행했다고 보고하는 **AI 세탁**을 시작함 - 일부 조직은 토큰 소비량이 많을수록 높은 평가를 주는 순위표를 운영함 - 시스템 최적화 역량으로 채용된 직원들은 LLM이 스스로 프롬프트를 반복하도록 설정함 - 출력물이 배포에 부적합해도 토큰 사용량만 채운 뒤 다른 일을 함 - 한 소프트웨어 엔지니어는 Go 저장소의 사본을 AI에 주고 전체를 Zig로 재작성하게 한 뒤 결과를 버리는 방식으로 사용량 할당량을 채움 - 실제 해고 대상은 AI 전략에 눈에 띄는 의문을 제기한 사람들이었고, 직원들은 경영진의 AI 비전을 칭찬하는 것이 안전하다고 학습함 - 병원이나 토목 기업의 비전문 경영자가 현장 전문가의 동의 없이 구체적인 절차를 강제하지 않듯, 비기술 경영진이 소프트웨어 전문가에게 특정 도구를 의무화하는 것도 부적절함 ### Snowflake Cortex 데모가 촉발한 구매 열풍 - Snowflake는 사용량 기반으로 과금되며 일반적인 기업 데이터는 하루 1분가량 처리할 수 있어 분석용 데이터베이스로 활용됐지만, AI 챗봇 계층인 **Cortex**는 사용하지 않았음 - Cortex는 데이터 열의 의미 같은 메타데이터를 바탕으로 “지난주 매출은 얼마인가?” 같은 자연어 질문을 데이터베이스 질의로 변환함 - Snowflake 직원의 발표에서 최적 설정의 정확도는 약 **92%** 였으며, 대기업 데이터에서는 숫자 10개 중 약 1개가 틀릴 수 있고 배포 관리에도 심각한 문제가 있었음 - 운영 환경에 적합하지 않다는 경고와 함께 데모를 보여줬지만, 미온적이던 모든 잠재 고객이 즉시 구매를 원했음 - 비AI 방식으로 수백만 달러의 가치를 만들 수 있다는 제안도 관심에서 밀려남 - 합리적 판단의 공백을 이용하는 것이 무책임하다고 보고 판매를 중단하고 Cortex를 데모 목록에서 제거함 - 팀이 두 시간 만에 만든 낮은 품질의 데모조차 잠재 고객이 이전에 본 결과물보다 나았음 - 이미 AI 활용을 홍보하던 **ASX 상장사**조차 기존 투자에서 보여줄 결과물이 없었음 - AI에 일시적 호기심 이상을 보인 잠재 고객은 판매 과정에서 비합리적인 행동과 숭배에 가까운 관리 환경을 드러냈고, 계약이 평판·법적 위험을 만들 수 있어 모두 거래를 포기함 ### 임원들이 과장을 멈추지 못하는 조정 문제 - 연간 반복 매출 **10억 달러 이상** 기업의 일부 AI 책임자는 자신의 직책이 실질적으로 허위라고 생각하면서도, 조직 내 유일한 승진 경로여서 맡았다고 밝힘 - 한 Fortune 500 기업의 기술 역량 있는 임원도 회사의 “생산성 100배” 같은 공개 발언을 개인적으로 방어하지 못했음 - 과장의 핵심 동력은 판매 문구보다 **고객 임원의 체면과 계약 관계**였음 - 판매사 임원이 고객의 생산성 100배 주장을 부정하면 고객 임원의 신뢰를 훼손하는 공격으로 받아들여질 수 있음 - 그 결과 대형 기업 계약이 취소되면 해당 판매사 임원도 해고될 수 있음 - 기업이 서로 고객이자 공급자인 관계에서는 어느 임원도 먼저 사실을 말하기 어려움 - 모두 과장에 협조하면 자리를 유지할 수 있음 - 한 명이 이탈하면 동료를 거짓말쟁이·겁쟁이·무능력자로 만든 셈이 되어 해고될 수 있음 - 모두가 동시에 인정하면 상황을 바꿀 수 있지만 이를 조정할 방법이 없음 - S&P 500 기업 이사회 구성원들도 AI 투자의 위험을 의심하면서, 자신의 자리를 지키려면 투자를 요구해야 한다고 느꼈음 - 한 이사는 “이렇게 일찍 투자하는 것은 상승 여력 없이 위험만 떠안는 것 같다”고 평가함 - 약 2년 뒤 해당 수십억 달러 규모 조직은 스스로를 **AI-native**라고 홍보하게 됨 ### 모든 사업을 AI로 포장하는 순도 검사 - 조직 내 정치가 개입되는 모든 제안은 실제 가치가 불명확해도 **AI 정렬**을 포함해야 승인받을 수 있음 - 상당수 AI 프로젝트는 기존 비AI 프로젝트에 사후적으로 AI 요소를 붙여 순도 검사를 통과한 형태였음 - Oracle에서 Snowflake로 데이터베이스를 이전한 사례에서는 판매사가 Oracle SQL을 Snowflake SQL로 바꾸는 작업을 LLM으로 자동화하는 단계를 추가함 - 권한 부족으로 자동화가 실패하자 사람이 직접 변환함 - 일부 SQL이 AI로 번역됐다는 이유만으로 전체 프로젝트를 AI 기반 성공으로 보고함 - 실제 구매 대상은 라이선스 갱신 전 기존 시스템을 폐기하기 위한 일반적인 **데이터베이스 마이그레이션**이었음 - LLM이 유일한 핵심 메커니즘이고 구체적인 수치로 성공 여부를 판단할 수 있는 진정한 AI 프로젝트는 드물었음 - 주로 스타트업에서 나타났지만, 판매 과정 말미에 이미 완성됐다고 홍보한 제품을 대신 만들어 달라는 요구가 반복돼 거래를 중단함 - AI를 붙이기 어려운 사업은 자금 요청이 거절되거나, “충분히 AI다운” 제안이 될 때까지 커뮤니케이션이 지연됨 - 추가 인력을 요청할 때 먼저 AI를 사용해봤음을 입증하도록 요구하는 기업도 있음 - AI를 사용했는데도 인력이 필요하다고 말하면 “AI를 잘못 쓰는 사람”으로 분류돼 해고될 수 있음 - AI가 최우선 과제와 실제로 일치하는 극소수 기업을 제외하면, 대형 조직은 적절한 소프트웨어 구매·인재 채용·정직한 프로젝트 보고·합리적인 신규 사업 추진에 집중하기 어려워짐 ### 특정 프로젝트를 바로잡아야 할 때 - AI 프로젝트의 문제는 집단 회의보다 **일대일 대화**에서 다루는 편이 효과적임 - 공개된 자리에서는 각 참석자가 동료에게 회의론자로 보일 것을 두려워함 - 의견을 다른 곳에 전달할 때 신원을 숨기겠다고 약속해야 함 - 직접 인용처럼 출처를 추정할 수 있는 방식은 피해야 함 - 6명 중 1명 정도만 문제를 말한다면 개선 가능성이 더 높은 조직으로 옮기는 편이 나을 수 있음 - 진행 중인 프로젝트에는 [Secrets of Consulting](https://en.wikipedia.org/wiki/The_Secrets_of_Consulting)에서 얻은 **익명 설문** 방식을 활용할 수 있음 - 성공 가능성을 1~10점으로 평가하게 하면 일부는 3점, 일부는 8점인 양극 분포가 나타날 수 있음 - 이미 3년 늦은 프로젝트에서도 이런 격차가 나타났으며, CEO에게 중요한 정보가 숨겨지고 있음을 보여줄 수 있음 - 프로젝트의 실제 성공 여부는 매일 도구를 사용하는 **현장 직원**에게 확인해야 함 - 이들이 존중받는 환경에서 의견을 말하도록 해야 함 - 한 고객사에서는 직원들이 자신에게 AI 도구 라이선스가 지급됐다는 사실조차 몰라 생산성 향상 주장의 기반이 흔들렸음 - 특정 문제를 해결하려는 상황이라면 “AI가 모든 것을 바꾼다” 같은 포괄적 명제는 반박하지 않는 편이 나음 - 조직의 현실관 자체에 도전하려면 최고 책임자의 신뢰를 먼저 얻어야 함 - 공개석상에서 망신을 주기보다 사적인 식사 자리에서 불안을 낮춰야 함 - 회의 참석자가 과거에 어떤 공개 발언을 했는지 알 수 없으므로, “LLM이 사람의 검토 없이 코드를 배포해서는 안 된다” 같은 상식도 초기 신뢰 형성을 무너뜨릴 수 있음 - 다른 공익적 목표를 달성해야 하고 정직한 접근이 불가능하다면, 프로젝트에 **1만 달러짜리 AI 챗봇**을 붙여 그 부분만 강조하는 방식까지 현실적인 선택지로 봄 ### 조직을 바꾸기보다 살아남아야 할 때 - AI에 대한 집단적 집착은 기술 자체보다 **역기능적 기업 문화**의 문제여서 개인이 의미 있게 저항하기 어려움 - 정규직 대신 계약직으로 전환하면 더 많은 보수를 받고 내부 정치에서 벗어날 수 있으며, 견디기 어려운 환경에도 명확한 종료일이 생김 - AI 뉴스는 필요한 만큼만 소비하고 Hacker News·Reddit처럼 지속적으로 관련 소식을 공급하는 채널을 피하는 편이 정신적 부담을 줄임 - 친구에게 불만을 말할 때도 왜 이 대화가 필요한지 밝히고 적정 수준에서 멈춰야 함 - 주변 사람이 위험하지 않은 용도로 부적절하게 AI를 사용한다면 논쟁하지 않고 넘어가며, 프로그래머로서 의견을 요청받으면 “과장된 면이 있다”고 짧게 답한 뒤 주제를 바꾸는 방식을 권함 - **2,000줄짜리 AI 생성 PR**을 계속 검토해야 한다면 소진과 해고를 전제로, 에너지가 남아 있을 때 구직을 시작해야 함 - 생성자를 설득해 대량의 저품질 코드를 멈추게 하기는 어려움 - 업무 속도 저하와 관리자의 불만은 지금 구직 때문에 생기거나 나중에 소진 때문에 생길 뿐 피하기 어려움 - 관리자가 명백한 AI 생성 문장으로 답한다면 AI로 응답해 에너지를 아끼면서 새 직장을 찾아야 함 - 토큰 사용량을 최대치로 채우라는 요구를 받는 경우에도 현실 감각을 잃기 전에 이직을 준비해야 함 - 이런 회사는 채용 플랫폼에 잘 나타나지 않는 소규모 조직에 존재할 수 있음 - 찾는 데 수개월이 걸릴 수 있으므로 일찍 시작해야 함 ## Comments ### Comment 62065 - Author: neo - Created: 2026-07-20T09:58:58+09:00 - Points: 1 ###### [Hacker News 의견들](https://news.ycombinator.com/item?id=48964185) - 우리 대부분은 AI가 사회를 완전히 혁신하고 **특이점**을 가져올 거라고 어느 정도 확신했지만, 현실은 그렇지 않았음. 잘못을 인정하고 재평가하는 대신 AI를 모든 틈새에 억지로 끼워 넣으며 발전이라고 외치는 미래 역할극을 하고 있음 Nintendo Power Glove를 끼면 해커가 된다고 믿는 1990년대 아이와 비슷하며, 이것은 특이점이 아님. 이 열풍이 끝나고 모두가 다음 만능 해결책을 기다리는 시기로 돌아가길 바람 - 어떻게 **LLM 이전의 세계**로 돌아갈 거라고 생각할 수 있는지 이해하기 어려움. Opus 4.5 이후로 써보지 않은 것인지 궁금함 소프트웨어 업계를 떠나 매주 40시간씩 코딩할 수 없는 내게 에이전트형 AI는 검색 엔진, 전자 게시판, 컴파일러에 맞먹는 기술적 도약임. Claude Code에 홈랩 SMTP 설정, 2017년 Android 앱 현대화와 서명, 여러 운영체제·아키텍처용 GitHub Actions 실행기 구성을 시키면 설거지하는 동안 결과를 만들어냄 이를 대수롭지 않다고 부정하는 쪽이 오히려 **AI 정신증에 대한 정신증**에 빠져 있음. 모델 지능이 지금 한계에 부딪혀도 이미 판도를 바꿀 기술임 - 어떤 혁명도 계획하거나 과장한 방식 그대로 진행되지 않으며, 시작된 뒤에는 인간 행동의 결과이되 인간이 설계하지 않은 형태로 전개됨 개인은 업무에서 LLM을 적절히 활용하면서도 자기 업무와 타인이 원하는 결과를 제대로 이해하지 못해 많은 실수를 할 것임. 이메일·문자·전화 외에는 기술을 거의 쓰지 않는 경영진은 기술을 이해하지 못한 채 계속 떠들 것임 최종 결과는 아무도 모르지만, **Claude를 5분만 써봐도** 모든 사무직 업무가 과거와 똑같이 유지되리라 상상하기 어려움 - 십 대 때도 특이점은 납득되지 않았음. 인간이 설계한 하드웨어와 소프트웨어에서 실행되는 AI의 능력이 왜 갑자기 천문학적으로 향상된다는 것인지 의문임 인간 두뇌와 동등해져도 인간 사회 전체의 생산량을 따라잡으려면 효율을 몇 자릿수나 더 높여야 하고, 그래야 인간의 발전 속도를 앞설 수 있음. **AI 특이점**이 가능하더라도 가속에는 평생이 걸릴 수 있음 - 특이점은 몇몇 저명인사가 제안한 여러 가능성 중 하나일 뿐임. AI가 발전할 경로는 매우 다양하며, 우리가 예상하지 못한 방향도 많을 것임 - 변화 속도를 지나치게 빠르게 예상하는 듯함. **산업혁명**도 1712년 Newcomen 증기기관에서 대량생산 자동차까지 수백 년이 걸렸음 AI 역시 1950년 Turing 검사가 제안된 뒤 통과한 듯한 시스템이 나오기까지 약 75년이 걸렸으니 시간을 더 줘야 함 - “끔찍한 AI 코드가 담긴 2,000줄짜리 PR을 대량 검토하라는 조직은 결국 당신을 소진시키고 해고할 테니, 이미 해고된 것처럼 새 직장을 찾으라”는 대목에 공감함. **에이전트형 개발**이 널리 도입될수록 이런 일이 더 자주 생길 것으로 봄 - 엔지니어링 책임자라면 교육, 절차 개선, 자동 품질 검사, 더 나은 계획으로 직접 해결해야 함. 귀를 막고 거부하는 방식은 지속 가능하지 않음 처리량을 두세 배로 높일 조건을 찾아 조직하고, **병목과 가장 어려운 부분**에 집중해야 함. 실제로 이를 수행해본 입장에서 하는 말임 - “1년 반 동안 관찰한 모든 AI 프로젝트가 실패해 성공률이 0%”라는 표현은 과장이라 신뢰를 떨어뜨림. AI라고 하면 전문가 시스템부터 LLM, 트랜스포머, 확산 모델까지 광범위하게 포함됨 의미 검색이나 확산 모델의 콘텐츠 생성, 심지어 감독학습 맥락의 선형 회귀에서도 생산성 향상이 나타남. 최근 관심을 되살린 트랜스포머 LLM으로 한정해도 단순하고 지루한 업무를 자동화하는 소규모 프로젝트는 대체로 성공했음 모델 능력 이상을 요구하는 야심 찬 프로젝트는 실패하기 쉽고 대부분 미리 예측 가능하지만, 가능성의 경계에 있는 일부는 정당한 **연구개발 프로젝트**임 - 각주를 보면 이들이 검토 요청을 받은 AI 프로젝트를 **100% 거절했다**고 밝힘. 홈페이지에서는 어려움에 빠진 프로젝트를 회복시키는 컨설팅을 판매하며, 2000년 이전 책에서 배운 “고대 기법”도 강점으로 내세움 내부 전문성이 없어 실패 중인 회사만 대상으로 광고한 뒤 자신들이 본 프로젝트는 모두 실패했다고 쓰는 **선택 편향**임. 지원까지 거절하니 성공 사례로 전환될 가능성도 차단됨 - 글쓴이는 원래 과장을 많이 사용함. 이전 글 제목도 “I Will Fucking Dropkick You If You Use That Spreadsheet”([https://ludic.mataroa.blog/blog/i-will-fucking-dropkick-you-...]()), “I Will Fucking Piledrive You If You Mention AI Again”([https://ludic.mataroa.blog/blog/i-will-fucking-piledrive-you...]()) 같은 식임 정중한 기업식 화법을 좋아하지 않는 듯하지만, 이 문체가 마음에 들고 업계의 관행을 거스르는 **통찰력 있는 관점**도 자주 제시함 - **생산성 향상**을 주장하려면 매우 신중해야 함. 작업 흐름 일부가 빨라져도 다른 부분을 늦출 수 있으며, 전체적인 향상은 아직 실증적으로 측정·검증되지 않았음 코드 줄 수, 단위 테스트, 문서, PR 속도 같은 지표는 늘었지만 실제 사업 성과는 불명확함. PR 증가는 기능 출시를 앞당길 수도 있지만 검토를 늦추거나 버그로 사용자 경험을 망칠 수도 있음. 더 많은 코드가 실제 매출로 어떻게 연결되는지는 회사들이 말하지 않음 - 직원 개인이 Claude Code나 Codex로 생산성을 높이는 것과, 회사가 LLM 위에 맞춤형 소프트웨어를 구축하는 **AI 프로젝트**는 크게 다름 전자는 기술을 적극적으로 거부하지만 않는다면 소프트웨어 엔지니어가 유용한 결과를 얻기 쉬움. 후자는 LLM이라는 특이한 기반 위에 구축해야 해서 매우 어렵고, 사내 챗봇 같은 뻔한 프로젝트는 과잉 약속과 기대 이하의 결과로 이어지기 쉬움 - 지구 반대편에 있는 전혀 다른 두 회사에서 경영진이 법적·재정적 파장이 큰 외부 문서를 LLM으로 작성하려는 모습을 봤음. 항상 전문가가 발송 전에 읽고 사실 확인을 한다고 하지만, **편집과 사실 확인**이 전문이 아닌 사람은 처음부터 정확히 작성하는 것보다 검수할 때 훨씬 허술해지는 경향이 강함 - “다른 일을 하는 동안 Go 저장소 사본 전체를 Zig로 재작성하게 해야 일자리를 지킬 수 있다”거나, 고객사 경영진이 **생산성 100배**를 주장하니 공급업체 임원이 현실성이 없다고 말할 경우 고객 임원의 신뢰를 훼손해 기업 계약이 취소될 수 있다는 일화들이 훌륭함 - “관찰한 모든 AI 프로젝트의 성공률이 0%”라고 하지만 **AI 프로젝트의 정의**가 없음. 소프트웨어를 처음부터 작성하는 것인지, 비개발자가 내부·외부에서 LLM 챗봇을 쓰는 것인지, 다른 무엇인지 구체적인 예가 필요함 - 이 회사가 데이터 프로젝트를 수행한다는 점과 문맥을 보면 내부 업무 절차 자동화와 대화형 인터페이스를 가리키는 듯함 업무 자동화에 관한 **벌거벗은 임금님** 비판에는 전적으로 공감하지만, 많은 이에게 긍정적인 AI 보조 엔지니어링을 다루지 않은 점은 의외임. 챗봇도 문제 범위를 좁혀 적절히 선택하면 성공할 수 있음. 이전 회사는 벡터 데이터베이스용 대화형 인터페이스로 좋은 결과를 냈지만, 실제 핵심은 벡터 데이터베이스였고 전통적 UI가 더 빠르고 정확했을 수도 있음 전반적으로 글의 방향은 대체로 맞으며, 특히 최고경영진을 휩쓴 **AI 광풍과 비현실적 기대**에 관한 부분이 타당함 - 이들은 “Hermit Tech”라는 컨설팅 회사를 운영하며 홈페이지에서 2000년 이전 책의 “고대 기법”을 자랑함. 이런 성향이라면 AI와 관련된 모든 것을 싫어하는 것도 당연해 보이며, 진지한 회사가 AI 프로젝트 지원을 맡길 가능성도 낮아 보임 - 유용한 AI 응용은 소리 없이 기존 작업 흐름에 통합되는 반면, 비기술자를 위해 만든 무리한 대형 계획만 **AI 프로젝트**나 “AI 이니셔티브”라는 이름을 달고 실패하는 듯함 - Claude로 고급 SQL과 Python 코드를 작성한 내 경험은 글의 주장과 맞지 않음. 자연어로 데이터를 질의하는 만족스러운 챗봇은 직접 보지 못했지만, 매우 복잡한 질의를 자연어로 작성하면 **80~90% 수준**까지 접근할 수 있었음 AI로 경쟁사보다 앞서가는 회사들은 크게 홍보하지 않고 조용히 활용할 가능성이 큼. 글이 겨냥한 대상은 관리자가 넘치는 대기업인데, 이런 조직은 AI 이전에도 데이터 과학·분석이나 블록체인으로 똑같이 행동했음 - 대기업에서는 LLM으로 가치를 만드는 사람보다 파괴하는 사람이 더 많을 수도 있음. 예전에는 한 사람의 시간만 낭비하던 Bob이 이제는 **조직 전체의 시간**을 낭비할 수 있음 누구나 LLM을 이용해 나쁜 아이디어를 그럴듯하게 포장할 수 있어, 평범한 부사장의 잘못된 아이디어를 조직 전체가 따라가며 엄청난 생산성 손실이 발생할 수 있음 - 글의 과장에는 동의하지 않지만 큰 방향은 맞음. AI는 한 시간 걸리던 복잡한 질의를 몇 초 만에 작성하는 등 **작은 작업과 일상 업무**에서 뛰어남 기능 개발은 여전히 비슷한 시간이 걸리거나 생산성 향상이 제한적임. 대부분의 조직이 소프트웨어 구축 자체를 고질적으로 못하기 때문인 듯함 - 지난주 서로 다른 두 곳에서 업무에 AI를 어떻게 쓰는지 묻는 설문을 받았는데, 둘 다 복수 선택 문항이면서 **0개 선택은 허용하지 않았고** 필수 질문으로 설정돼 있었음 - 기업의 AI 도입으로 막대한 생산성 향상이 실제 발생하는지는 몰라도, **삽 판매자**인 Nvidia와 Anthropic에는 완벽하게 이치에 맞음 - 임금님이 벌거벗었다고 밝혀도 광풍을 멈추지는 못함. 17세기 튤립 광풍뿐 아니라 애자일 절차, 작업 시간표, 코드 줄 수 기반 생산성 측정도 비슷하며, 기업은 시대마다 새로운 **집단적 광풍**을 반복함 컨설팅 전문가의 절차론, 보안 담당자의 과도한 통제, 뒤처질지 모른다는 공포, AI 기반 현대 기업처럼 보이려는 발표 목표가 이를 촉발함. 고객·기업·공급망·정부·사상가 모두 이 세계적 춤에 참여하며, 음악은 언젠가 바뀌고 춤도 달라질 것임 - 이런 광풍은 **군집 행동**이나 군중심리라고도 부를 수 있음. 군중의 지혜보다 군중의 어리석음과 광기가 훨씬 흔함 비즈니스와 정치는 주로 이에 좌우되고, 기술 업계도 유행과 과장, 훗날 명백해 보이는 수십 년짜리 실수에 반복해서 빠짐 - 올바른 질문은 다른 사람의 **광풍을 이용해 어떻게 돈을 벌 것인가**임