저자丨Cheng Yanjing

편집자丨허민

최근 AI계 사람들과 이야기를 나누다 보면 한 가지 점이 공통적으로 언급됐다. 사람들은 효율성을 높이기 위해 AI를 수용했지만 기업은 아직 준비가 되어 있지 않습니다. (Leifeng.com Leifeng.com (공용 계정: Leifeng.com) Leifeng.com)

한편으로는 직원들이 이미 에이전트를 사용하여 업무를 수행하고 있으며 자체 소규모 시스템을 구축하기 시작했습니다. 반면에 회사의 KPI, 승인 체인, 보고 리듬은 3년 전과 마찬가지로 여전히 변화하고 있습니다.

Deloitte의 최근 설문조사에 따르면 미국 기업 임원 중 약 4분의 3이 향후 4년 내에 비즈니스 프로세스의 약 절반이 AI 에이전트를 중심으로 재설계될 것으로 예상하고 있습니다. 61%는 미래에는 대부분의 에이전트가 고도로 자율적이며 인간은 감독만 필요하다고 믿습니다.

AI가 모든 비즈니스를 장악할 것으로 보이지만, 자신의 회사가 이러한 변화를 수용할 준비가 되어 있는지 묻는 질문에 리더 중 5분의 1만이 긍정적인 대답을 했습니다.

오늘 바이두 월드 2026에서 바이두 창립자인 로빈 리도 이 모순에 대해 이야기했습니다. 그의 판단은 AI는 기술 혁명일 뿐만 아니라 조직 혁명이기도 하다. 인공지능의 다음 단계는 지능형 조직이다.

다음으로 기업은 직원이 사용하는 도구뿐만 아니라 조직 자체가 운영되는 방식도 바꿔야 합니다.

01

AI가 회사에 들어왔지만 완전히는 아니다

조직이 운영되는 방식을 재구성하려면 먼저 기존의 인식을 깨뜨려야 합니다.

기업 내 AI 집중도가 높다고 해서 AI 변혁이 이미 일어났다는 뜻은 아니다.

직원들은 Agent를 사용하여 코드를 작성하고 조사하고 솔루션을 생성합니다. 사업부에서는 여러 차례 파일럿을 실시하고, 경영진은 에이전트 수, 토큰 소비, 사용률 등을 보고서에 기록합니다. 기업의 지능이 전방위적으로 발전하고 있는 것 같습니다.

그러나 개인의 효율성이 조직의 생산성을 자동으로 증가시키는 것은 아닙니다.

예를 들어, 원래 완료하는 데 이틀이 걸렸던 제품 관리자의 수요 분석이 이제 반나절이 걸릴 수 있습니다. R&D에서는 Agent를 사용하여 첫 번째 코드 초안을 신속하게 작성하고 영업팀에서는 고객을 방문하기 전에 연구 보고서를 생성할 수도 있습니다.

그러나 요구 사항은 여전히 ​​검토, 승인 및 예약을 거쳐야 하며 부서 간 협업은 여전히 ​​회의 및 계층별 동기화에 의존하고 있으며 최종 결과는 원래 보고 주기까지 볼 수 없습니다. 빙글빙글 돌아다니면서 직원들의 개인 시간은 줄어들었지만 회사의 전반적인 조직력은 크게 향상되지 않았습니다.

이는 개별 기업의 문제가 아니다.

마이크로소프트의 '2026년 업무 동향 지수 연례 보고서'가 제시하는 것은 기업 AI 변혁의 역설이다. 직원들은 개인 효율성을 높이기 위해 AI를 사용하기 시작했고 팀도 새로운 도구를 시도하고 있지만 비즈니스 프로세스, 협업 방법, 평가 메커니즘은 여전히 ​​과거 모델을 사용하고 있다.

Boston Consulting Group(BCG)이 제공하는 조언은 더 간단합니다. AI를 원래 회사에 적용하기보다는 AI에 맞게 회사를 재설계하라는 것입니다.

연구에 언급된 한 유럽 에너지 회사는 다수의 AI 파일럿을 배치했지만 전체적인 이점을 달성하지 못했습니다. 기업이 개별 도구와 부분 시나리오에서 엔드투엔드 고객 프로세스 재구성으로 초점을 전환한 후에야 상당한 비즈니스 개선이 이루어졌습니다.

이러한 사례는 AI 파일럿의 성공과 기업 혁신의 성공 사이에 조직 설계 계층이 있음을 보여줍니다.

회사가 원래 위치에 도구만 추가하고 고정된 프로세스에 소수의 에이전트를 삽입한다면 AI가 부분을 최적화할 수는 있지만 전체를 변경하기는 어려울 것입니다.

이는 원래의 병목 현상을 더욱 분명하게 만들 것입니다. 콘텐츠는 점점 더 빠르게 생성되지만 의사 결정은 동시에 가속화되지 않습니다. 점점 더 많은 코드가 생성되지만 요구 사항 확인 및 전달 메커니즘은 동일하게 유지됩니다.

실행 역량이 급속도로 증폭되면서 조직이 업무를 할당하고, 지식을 공유하고, 의사결정을 내리는 방식이 새로운 제약이 되었습니다.

지난 몇 년간 AI 산업의 주요 경쟁은 기술 공급 측면에 집중됐다.

모델 매개변수, 교육 컴퓨팅 성능, 추론 비용 및 목록 순위에 따라 기업이 얻을 수 있는 인텔리전스의 종류가 결정됩니다.

AI '5층 케이크'는 에너지, 칩, 인프라부터 모델 및 애플리케이션까지 확장되어 지능형 생산에 필요한 전체 시스템을 강조하면서 한때 업계에서 인기를 끌었습니다. 에너지와 컴퓨팅 능력이 없으면 상위 계층 모델과 애플리케이션을 논할 수 없습니다.

모델 공급의 변화도 트레이딩 측면에 반영되기 시작했다. Ciyuan Institute가 출범한 지 한 달 만에 100개 이상의 공급 자원이 확정되었고 일일 평균 통화량이 5천만 건을 초과했으며 일일 평균 토큰 통화량이 7000억 건을 초과했습니다.

규모 자체보다 더 주목해야 할 점은 모델 거래가 기업과 제조업체 간의 민간 도킹에서 독립적인 산업 연결로 이동하고 있다는 점입니다. 이 링크가 형성됨에 따라 규칙 제공자는 점차 공공재의 속성을 갖게 됩니다.

그러나 기업 측면에서는 이러한 인텔리전스를 이미 구매, 호출 및 배포할 수 있을 때 궁극적으로 얼마나 많은 가치를 창출할 수 있는지 결정하는 것은 무엇일까요?

로빈 리는 하류로 시선을 돌렸습니다. 2026년 바이두 월드 컨퍼런스에서 로빈 리는 "AI 개발의 다음 단계는 지능적인 조직"이라고 제안했습니다.

그는 AI 기술의 업스트림은 에너지이고 다운스트림은 조직 역량이라고 제안했다. 전자는 인텔리전스가 생산되는 방식을 결정하고, 후자는 인텔리전스가 실제 비즈니스에 어떻게 적용되어 비즈니스 결과로 변환되는지를 결정합니다.

이 두 가지 판단은 모순되지 않지만 AI 산업 체인의 양쪽 끝에서 질문에 답합니다. 기업의 경우 업스트림이 제공하는 '파워'가 충분하더라도 내부 생산 시스템이 여전히 동일하다면 새로운 인텔리전스가 새로운 수익으로 전환되지 못할 수도 있습니다.

Robin Li는 AI를 새로운 모터에, 지능형 조직을 새로운 공장 건물에 비유했습니다.

그는 AI가 기대했던 경제적 이익을 창출하지 못했다고 판단했다. 중요한 이유는 회사가 모터만 교체했을 뿐 공장을 재설계하지는 않았다는 점입니다.

모델, 컴퓨팅 성능 및 에이전트는 더욱 강력한 실행 기능을 제공할 수 있습니다. 작업 할당, 지식 흐름 및 의사 결정 프로세스가 그에 따라 변경되는 경우에만 이 기능이 직원의 개인 데스크톱에서 기업의 전체 비즈니스 체인으로 이동할 수 있습니다.

이에 따라 AI 경쟁의 초점은 기술 공급에서 가치 실현으로 이동하기 시작했다.

기업이 대답해야 할 것은 더 이상 "어떤 모델을 사용했고 얼마나 많은 에이전트가 배포되었는가?"가 아닙니다. 그런데 이 대리인들이 회사를 바꾸었나요?

02

근로자가 AI를 사용하여 효율성을 향상한다면 기업은 어떨까요?

Microsoft CEO는 이전에 종종 다음과 같이 말했습니다. AI는 기술이 아니라 기업의 미래 형태입니다.

이 문장을 이해하면 실제로 로빈 리가 제안한 '지능형 조직'을 이해할 수 있다.

솔직히 말하면, 단어만 읽어도 사람과 에이전트로 구성된 새로운 형태의 기업, 혹은 'AI 토종 기업'을 다른 말로 표현하면 쉽게 이해될 수 있다.

하지만 로빈 리가 논의하고 싶은 것은 각 직위에 AI 비서를 배치하는 것이 아니라 회사가 일하는 방식, 즉 누가 업무를 완료하는지, 어떻게 경험이 축적되는지, 결과에 따라 프로세스가 어떻게 지속적으로 조정되는지를 재설계하는 것입니다.

세 가지 수준으로 해석할 수 있습니다.

첫 번째는 직위의 경계를 허무는 것입니다.

전통적인 기업은 전문적인 분업에 의존하여 운영됩니다. 완전한 작업을 수행하려면 제품, 디자인, R&D, 운영 등의 여러 직책을 연속해서 완료해야 하는 경우가 많습니다.

AI 시대에는 지능형 에이전트가 특정 실행 작업을 맡기 시작하고 인간은 목표 설정, 리소스 예약 및 주요 결정을 담당합니다.

조직은 더 이상 고정된 위치에만 작업을 할당하지 않고 작업 요구 사항에 따라 인력과 에이전트를 유연하게 결합할 수 있습니다.

Baidu의 Tazi 팀의 관행이 좋은 예입니다. 원래 양자컴퓨팅 연구 경력이 있던 멤버는 바이두에 합류한 뒤 거의 처음부터 제품과 기업 현장에 뛰어들 뻔했다. Baidu 파트너의 도움으로 그는 제품, R&D 및 프로젝트 관리 업무도 맡았습니다. 문제 분석과 계획 수립부터 실행 촉진, 결과 검증까지, 그는 더 이상 고정된 자리에 머물지 않는다.

신제품 개발자는 Taozi를 사용하여 요구 사항부터 프로토타입까지 전체 프로세스를 신속하게 실행할 수 있습니다. 팀은 반년 동안 160회 이상 반복 작업을 수행했으며, 코드의 90%와 커뮤니케이션 자료의 50% 이상이 Taozi를 통해 완성되었습니다.

이 경우 실제로 깨진 것은 "누가 무엇을 해야 하는가"라는 규칙이 아니라 지식과 경험의 흐름에 대한 제한이기도 합니다.

Baidu의 디지털 인력 팀은 제품, R&D, 디자인 및 테스트 역할을 빌더(Builder)로 전환하는 것을 촉진합니다. 이는 동일한 논리의 확장이기도 합니다.

무조건 모든 사람이 더 많은 일을 맡게 하는 것이 아니라, 서로 다른 역할 간에 반복되는 업무 이양을 줄여 목표를 정의할 수 있는 사람도 AI를 활용해 최종 결과에 도달할 수 있는 기회를 갖도록 하는 것입니다.

그러나 업무 수행 방식만 변화한다면 지능형 조직은 반쯤 완성된 조직으로 간주될 수 있습니다. 나머지 절반은 조직이 이를 어떻게 수행하느냐에 달려 있습니다.

둘째, 암묵적 지식을 축적하는 것이다.

기업의 정말 귀중한 지식은 직원들의 실무 경험입니다. 예를 들어 베테랑 직원의 실패 처리 판단 방법, 고객 요구 사항을 파악하는 영업 경험, 디자이너의 미학과 규범에 대한 이해 등이 있습니다.

이러한 지식은 표준화된 문서에 기록하기 어렵고 인력 흐름에 따라 쉽게 손실됩니다.

그러나 AI는 전문가 경험, 비즈니스 규칙 및 운영 방법을 지능형 에이전트가 호출할 수 있는 지식 기반, 기술 및 기능으로 변환하는 새로운 방법을 제공합니다.

Baidu와 중국남방전력망 간의 협력에는 이러한 과정이 포함됩니다. 배전망 결함 분석 및 판단에 있어 기존의 수동 분석은 한 번에 60분 이상이 소요되며 전문가 경험에 크게 의존합니다.

Baidu Tazi는 남부 총위원회에 상륙한 후 수만 개의 과거 오류 처리 데이터를 학습하고 고위 전문가의 경험을 재사용 가능한 전문 지식으로 축적한 다음 오류 기록, 스위치 신호 및 회선 토폴로지를 직렬로 연결하여 완전한 증거 체인을 형성했습니다. 현재 결함 분석 정확도는 70% 이상에 달합니다.

Baidu MEG 디자인 팀은 지식 축적의 또 다른 방법을 시연했습니다.

팀은 선배 디자이너의 미적 경험과 디자인 사양을 재사용 가능한 AI 스킬로 전환하여 AI가 지시에 따라 그림을 생성할 뿐만 아니라 팀이 축적한 디자인 방법을 활용하여 콘텐츠 제작에 참여할 수 있도록 했습니다. 현재 AI 도구가 콘텐츠 공급의 50% 이상을 차지하고 팀 효율성이 100%에서 200%로 향상되었습니다.

정전부터 디자인 콘텐츠 제작에 이르기까지 두 시나리오의 논리는 매우 유사합니다. 원래는 개인 경험에 의존했던 작업 방식을 조직이 반복적으로 요청할 수 있는 기능으로 전환하는 것입니다.

물론, 비즈니스 상황이 변화함에 따라 경험이 시대에 뒤떨어지게 될 수도 있습니다. 따라서 작업 결과를 프로세스로 다시 가져와야 합니다.

이것이 마지막으로 언급된 설계 프로세스 폐쇄 루프입니다.

기존 프로세스는 일반적으로 사람이 미리 설계하고 실행 중에 문제가 발생하면 검토하고 수정합니다.

각 작업이 완료된 후 시스템은 미리 설정된 목표에 따라 결과를 측정하고 실행 문제를 식별한 후 피드백을 사용하여 다음 작업 라운드를 조정할 수 있습니다. 이러한 방식으로 프로세스는 더 이상 고정된 운영 사양이 아니라 비즈니스가 운영됨에 따라 지속적으로 수정될 수 있는 시스템입니다.

Robin Li는 이를 "측정 가능 + Lopping = 지속적인 진화"로 요약했습니다.

"측정 가능"은 작업 결과에 명확한 평가 기준이 있어야 함을 의미하고, Lopping은 실행, 피드백 및 최적화가 지속적인 주기를 형성해야 함을 의미합니다.

점점 더 많은 작업이 이러한 폐쇄 루프를 완료할 수 있게 되면 조직은 더 이상 관리자에게 의존하여 이를 촉진하지 않고 지속적으로 경험을 축적하고 일상 업무에서 프로세스를 수정할 수 있게 됩니다.

이러한 폐쇄 루프를 지원하려면 모델 API만으로는 충분하지 않습니다.

에이전트는 기업의 비즈니스 목표를 이해하고, 다양한 시스템의 데이터, 지식 및 도구를 요청하고, 장기 작업의 피드백을 기반으로 지속적으로 실행, 평가 및 조정할 수 있어야 합니다. 이로 인해 기본 인프라에 대한 새로운 요구가 발생합니다.

이는 Shen Dou가 2026 Baidu World Conference에서 강조한 AI Cloud 및 Agent Infra의 중요성이기도 합니다.

Baidu의 아이디어에 따르면, 하위 계층 Baige AI Infra는 컴퓨팅 성능 지원을 제공하고 상위 계층 Qianfan Agent Infra는 장기 컨텍스트 관리, 영구 메모리, 도구 호출, 하위 에이전트 스케줄링, 평가 피드백 및 운영 환경을 제공하여 대규모 장기 작업이 실제로 폐쇄 루프를 완료할 수 있도록 합니다.

"코어-클라우드-모듈-본체"의 전체 스택 구조에서 이 지원 관계는 더 명확해집니다. 칩은 컴퓨팅 성능 기반을 제공하고, 클라우드는 에이전트 운영 및 예약을 위한 인프라를 제공하고, 모델은 이해, 추론 및 생성 기능을 제공하고, 에이전트는 특정 작업 및 비즈니스 시나리오에 들어갑니다.

직위에서 작업으로, 개인 경험에서 조직 인텔리전스, 프로세스의 지속적인 반복에 이르기까지 지능형 조직이 변화시키는 것은 특정 직위의 업무 효율성이 아니라 기업 생산 및 협업의 기본 논리입니다.

다음으로 살펴보아야 할 것은 이러한 원칙이 어떻게 실제로 비즈니스 프로세스에 참여하고 실제 문제를 해결하는지입니다.

03

지능형 조직은 기업 내에서 어떻게 발전합니까?

기업이 AI 네이티브 조직에 진입했는지 판단하려면 AI가 실제로 내부 운영 전체를 바꾸고 있는지에 달려 있다.

Baidu 디지털 인간 혁신 사업부를 예로 들어 보겠습니다.

팀은 제품, R&D, 디자인, 테스트 간의 업무 경계를 허물고 모든 직원의 빌더(Builder)로의 전환을 촉진하며, 자체 개발한 BiuBiuAgent를 기반으로 전체 프로세스에서 일부 요구 사항을 한 사람이 전달할 수 있습니다.

3분기에만 팀은 564회의 생산 및 연구 반복을 완료하고 130개의 기술과 729개의 조직 자산을 축적했습니다.

Loops가 계속 운영됨에 따라 1인당 생산 및 연구 처리량은 125.3% 증가했으며 납품 주기는 28.8% 단축되었습니다. 학교의 신입생은 AI를 사용하여 이전에는 5가지 역할과 최소 10일이 소요되었던 요구 사항을 단 하루 만에 완료했습니다.

빠르게 증가하는 숫자 뒤에는 기업 조직 사이에서 AI의 진정한 "변환"이 있습니다.

이를 통해 직원들은 목표 판단과 프로세스 구성에 더욱 집중할 수 있습니다. 실행 과정에서 팀이 형성한 기술과 조직 자산은 반복적으로 호출될 수 있으며, 작업이 종료되어도 더 이상 한 사람의 경험이 사라지지 않습니다.

또 다른 예는 도도입니다. 바이두 내 10명 이상의 인력으로 구성된 팀이 구축한 이 AI 도우미는 출시 후 7개월 만에 정규 직원의 99%를 담당했으며, 300개 이상의 엔터프라이즈 플랫폼의 AI 친화적인 전환 완료를 촉진했습니다.

이는 또한 쉽게 간과되는 조직 인텔리전스의 측면을 드러냅니다. 기업은 직원들에게 AI 사용법을 배우도록 요구할 뿐만 아니라 기존 시스템, 데이터 및 프로세스가 AI와 협력할 수 있도록 해야 합니다.

그렇지 않으면 에이전트가 특정 링크의 작업을 완료하더라도 비즈니스 체인을 실제로 열기가 어려울 것입니다.

지난해 Baidu 내 일일 활성 에이전트 수는 약 5,000명에서 37,000명으로 증가했으며, 주당 효과적으로 완료되는 작업 수도 84,000명에서 100만 명 이상으로 늘어났습니다.

규모 확장 외에도 지식 축적도 동시에 이루어지고 있습니다. Baidu는 4,300개 이상의 작업 공간을 구축하고 20,000개 이상의 회사 수준 일반 기술을 축적하여 원래 개인과 팀에 분산되어 있던 경험을 점차 재사용 가능한 조직 역량으로 전환했습니다.

바이두의 사례가 조직 협업 방식의 변화를 보여준다면 다음 사례는 AI가 실제 비즈니스에 진입할 수 있는지 테스트한다.

중국 남부 전력망에서는 Baidu Tiezi가 남부 전력망에 구현되어 배전망 결함 분석 및 진단을 위한 "Tianxuan 파트너"를 형성했습니다.

광시 전력망은 2025년에 8,215개의 영구 결함을 경험할 것입니다. 전통적인 수동 조사 및 판단은 매번 60분 이상이 소요되며 전문가 경험에 크게 의존합니다.

Tianxuan 파트너는 수만 개의 과거 오류 처리 데이터를 연구하고 고위 전문가의 판단 경험을 재사용 가능한 지식으로 축적한 다음 오류 기록, 스위치 신호 및 라인 토폴로지를 증거 체인에 연결하여 오류 분석 완료를 지원했습니다.

고객 피드백에 따르면 결함 분석 효율성이 12배 증가하고 분석 정확도가 80% 이상에 도달했으며 전문가 경험이 재사용되었습니다. 광시성 14개 시, 112개 현에서 추진됩니다.

이러한 유형의 애플리케이션의 가치는 오류 분석을 더 빠르게 할 뿐만 아니라 원래 소수의 전문가가 경험했던 경험을 시스템에서 지속적으로 사용할 수 있는 전문적인 기능으로 변환하는 것입니다.

Higo Laser의 관행을 통해 제조 현장의 더욱 복잡한 의사 결정 프로세스에 AI가 도입되었습니다.

생산 라인에서는 동일한 공작물의 절단 및 처리를 완료하기 위해 여러 개의 6축 로봇 팔이 함께 작동해야 합니다. 과거에는 장인들이 주로 경험에 의존하여 궤적 블록을 할당하고 실행 순서를 결정했습니다. 그러나 로봇 팔의 수, 처리 작업 및 프로세스 제약이 증가하면 로컬 배치가 전체 효율성에 쉽게 영향을 미칠 수 있습니다.

Baidu Valou는 동작 시간이 많이 소요되는 예측, 다중 기계 충돌 방지 및 작업 할당 스케줄링과 관련된 알고리즘을 지속적으로 최적화합니다. 로봇 팔 접근성, 프로세스 종속성, 충돌 없음 등의 제약 조건을 충족한다는 전제 하에 공작물 프로그래밍 시간을 8시간에서 10분으로 단축하여 업계의 병목 현상 문제를 해결할 수 있습니다.

전력망 결함 분석에서 로봇 팔 협업 스케줄링에 이르기까지 두 사례는 동일한 변화를 가리킵니다. AI가 업계에 진입하려면 업계 지식을 이해하고 비즈니스 제약 조건에 적응하며 실제 작업에서 결과 테스트를 수용해야 합니다.

물론, 지능적인 조직이 조직 내의 사람들이 중요하지 않다는 것을 의미하지는 않습니다.

컨퍼런스에서 디지털 인물 Xi Jiajia와 Robin의 대화가 우연히 이 문제를 다루었습니다.

Xijajia가 CEO가 될 수 있는지 물었을 때 Robin의 대답은 '아니오'였습니다.

그의 관점에서 CEO는 회사의 사명과 비전을 이해해야 합니다. AI는 CEO의 사고 파트너가 되어 효율성을 높이고 영감을 줄 수 있지만, 서둘러 CEO를 교체할 필요는 없습니다.

"AI가 조직 구석구석까지 침투한다면 조직의 핵심은 무엇일까?"라는 주제로 주제가 바뀌었습니다. 로빈의 대답은 사람이었습니다.

우리는 흔히 AI가 인간을 대체할 수 없다고 말하지만 실제 적용에서는 여전히 대체에 대한 우려가 있습니다. 이번 대화를 통해 AI의 실행력과 조직적 방향성을 차별화했다.

AI는 계속해서 특정 업무를 수행하고, 분석에 참여하고, 제안할 수 있지만, 기업의 존재가치와 미래 방향에 대한 최종 의사결정은 여전히 ​​'사람'에게 있습니다.

이는 애플이 초기에 제안한 'DRI(Directly Responsible Individual)' 개념과 다소 비슷하다.

Apple에서는 누가 무엇에 책임이 있는지 명확하지 않습니다. 간단히 말해서 AI는 의사 결정을 내리는 데 도움을 줄 수 있지만 최종 결과와 가치 판단에 대한 책임은 누군가에게 있어야 합니다.

즉, 지능형 조직은 프로세스에서 사람을 제거하는 것이 아니라 사람과 에이전트의 책임을 재분배합니다.

미래에 기업 간의 실질적인 격차는 누가 비즈니스 흐름에 AI를 내장하고, 조직 자산에 경험을 축적하며, 지속적으로 운영하고 발전할 수 있는 조직 시스템을 형성할 수 있는지에 달려 있습니다.

Leifeng.com의 원본 기사, 무단 복제는 금지되어 있습니다. 자세한 내용은 재인쇄 지침을 참조하세요.

편집하다

이메일 재전송 이메일 수정