AX 뜻부터 AX TF까지, 기업 AX 담당자가 반드시 알아야 할 용어 14가지

AX(AI Transformation)는 AI를 도구로 쓰는 단계를 넘어 업무 절차와 역할을 AI 기준으로 다시 짜는 일입니다. 생성형 AI 도입은 출발점입니다. AX의 핵심은 AX TF와 담당자가 부서별 반복 업무를 AI 에이전트에 맡기는 과정입니다.

경영진 회의에서 이런 대화가 오갑니다.

대표: '우리도 올해 AX를 해야 합니다.'

CIO: '작년에 생성형 AI 계정은 전 직원에게 배포했습니다.'

인사팀장: '그러면 AX는 이미 시작된 것 아닌가요?'

대표: '그건 도입이고, 제가 말하는 건 전환입니다.'

세 사람이 같은 단어를 다른 뜻으로 쓰고 있습니다.

AX 담당자로 지명된 사람이 가장 먼저 겪는 어려움이 여기에 있습니다. 기술을 몰라서가 아닙니다. 회의에 나오는 용어의 뜻이 사람마다 달라서 논의가 진전되지 않습니다. AX, DX, 생성형 AI, AI 에이전트가 한 회의에서 섞여 나오면 결정은 다음 회의로 미뤄집니다.

이 글은 기업 AX 담당자가 회의와 보고서에서 마주치는 용어 14개를 네 묶음으로 정리합니다. 정의 묶음, 기술 묶음, 기업 AI 도입 묶음, AI 확산 묶음입니다. 각 용어마다 뜻, 담당자가 그 말을 듣게 되는 장면, 흔한 오해를 적었습니다. 그리고 '용어를 정리한 다음에 무엇을 해야 하는가'라는 질문에 답합니다.

1. AX 뜻은 무엇이고 DX와 어디가 다른가

먼저 이 글에서 말하는 AX의 뜻부터 정리할 필요가 있습니다.

① AX (AI Transformation, AI 전환)

AX는 AI를 써서 업무를 보조하는 단계를 넘어, 업무 절차와 역할 분담을 AI를 기준으로 다시 설계하는 일입니다. 핵심은 '누가 무엇을 하는가'가 바뀐다는 점입니다. 사람이 하던 검토, 분류, 초안 작성, 문의 응대를 AI가 맡습니다. 사람의 역할은 판단과 예외 처리로 옮겨갑니다.

담당자가 이 말을 듣는 장면은 대개 경영진 보고입니다. 'AX 로드맵을 가져와 보라'는 지시가 내려옵니다. 이때 요구받는 것은 도구 도입 계획이 아니라 업무 재설계 계획입니다.

흔한 오해는 AX를 'AI 도구 구매'로 좁혀 보는 것입니다. 전 직원에게 생성형 AI 계정을 나눠준 회사는 많습니다. 그중 업무 절차가 바뀐 회사는 적습니다. McKinsey의 2025년 조사에서 응답 기업의 78%가 최소 한 개 업무 기능에 AI를 쓴다고 답했습니다.

같은 해 McKinsey의 다른 조사에서는 경영진의 1%만이 자사의 생성형 AI 활용이 성숙 단계에 이르렀다고 답했습니다.

도입률 78%와 성숙도 1% 사이의 간격을 메우는 일이 AX입니다.

DX와의 차이

DX(Digital Transformation, 디지털 전환)는 종이와 수작업으로 하던 일을 시스템과 데이터로 옮기는 일이었습니다. 전자결재, ERP, 인사 시스템 구축이 DX의 결과물입니다. AX는 그렇게 구축한 시스템과 데이터를 바탕으로 판단과 실행의 일부를 AI에 맡기는 단계입니다.

DX가 바꾼 것

종이 서류를 시스템에 입력하고, 사람이 시스템을 조회해 판단합니다.

AX가 바꾸는 것

AI가 시스템을 조회하고 초안을 만들며, 사람은 결과를 확인하고 예외를 결정합니다.

DX 없이 AX는 어렵습니다. AI가 읽을 데이터가 없기 때문입니다. 반대로 DX가 끝났다고 AX가 저절로 시작되지도 않습니다. 시스템이 있어도 AI에게 그 시스템에 접근할 권한과 연결이 없으면 AI는 일반 지식으로만 답합니다.

AX는 도구를 바꾸는 일이 아니라 역할을 다시 나누는 일입니다.

2. 생성형 AI는 알겠는데 그 다음 용어들은 무엇인가

AX 회의에서 기술 용어는 대개 한 번에 쏟아집니다. 담당자가 기술을 직접 다룰 필요는 없지만, 어떤 용어가 어떤 수준의 개념인지는 구분해야 합니다. 그래야 솔루션 업체 제안서와 IT팀 설명을 같은 기준으로 비교할 수 있습니다.

여섯 용어는 가리키는 수준이 다릅니다. LLM은 엔진입니다. 생성형 AI는 그 엔진으로 만든 서비스입니다. RAG와 sLLM은 엔진을 회사 내부 자료와 환경에서 쓰기 위한 방법입니다. AI 에이전트는 엔진이 실제 업무를 실행하게 만든 형태이고, 프롬프트는 사람이 엔진에 지시하는 방식입니다.

실무에서 가장 자주 섞이는 말은 생성형 AI와 AI 에이전트입니다.

생성형 AI가 하는 일

직원이 묻습니다. '출산휴가 중 연차 정산 규정이 어떻게 되나요?' 생성형 AI는 일반적인 근로기준법 내용을 답합니다.

AI 에이전트가 하는 일

같은 질문에 AI 에이전트는 사내 취업규칙 제12조를 찾아 읽습니다. 그 직원의 입사일과 잔여 연차를 인사 시스템에서 조회해 숫자로 답합니다.

앞의 것은 지식을 말하고, 뒤의 것은 업무를 처리합니다. AX에서 말하는 전환은 뒤쪽에서 일어납니다.

담당자가 이 묶음에서 기억할 질문은 하나입니다. '이 도구는 우리 회사 데이터를 읽는가, 아니면 일반 지식으로 답하는가.' 이 질문 하나로 솔루션 업체 제안서의 절반이 걸러집니다.

생성형 AI는 말하고, AI 에이전트는 처리합니다.

3. 기업 AI 도입 단계에서 나오는 용어

기술 용어가 정리되면 다음은 도입 단계의 용어입니다. 기업 AI 도입은 개인이 AI 서비스를 구독하는 일과 다릅니다. 예산, 보안, 교육, 책임자 지정 문제가 한꺼번에 따라옵니다. 이 단계에서 담당자가 듣는 말은 세 가지입니다.

⑧ PoC와 파일럿

PoC(Proof of Concept, 개념 검증)는 '이 기술이 우리 업무에서 작동하는가'를 작은 범위에서 확인하는 일입니다. 파일럿은 PoC가 통과한 뒤 한 부서나 한 업무에 실제로 적용해 보는 단계입니다. 둘을 같은 뜻으로 쓰는 회사가 많지만, PoC는 기술 검증이고 파일럿은 운영 검증입니다.

담당자가 이 말을 듣는 장면은 예산 회의입니다. '일단 PoC부터 해보자'는 말은 예산을 작게 시작하겠다는 뜻입니다. 동시에 검증 기준을 먼저 정하지 않으면 PoC가 끝나도 결론이 나지 않습니다.

흔한 오해는 PoC가 성공하면 확산이 따라온다고 보는 것입니다. PoC는 기술이 작동하는지를 확인합니다. 확산은 사람이 실제로 쓰는지를 확인합니다. 두 질문은 다릅니다.

⑨ AI 리터러시

AI 리터러시는 AI가 할 수 있는 일과 못 하는 일을 알고, 업무에 맞게 지시하고, 결과를 검증하는 역량입니다. 프롬프트 작성법은 AI 리터러시의 일부이지 전부가 아닙니다. 결과를 의심하고 확인하는 습관이 더 큰 비중을 차지합니다.

담당자가 이 말을 듣는 장면은 교육 기획입니다. '전 직원 AI 교육을 하자'는 지시가 오면, 담당자는 교육 대상을 세 집단으로 나눠야 합니다. 모든 직원에게 필요한 기본 활용, 부서 담당자에게 필요한 업무 적용, AX TF에 필요한 설계 역량입니다. 한 과정으로 세 집단을 모두 가르치려 하면 어느 집단도 만족하지 못합니다.

⑩ AI 거버넌스

AI 거버넌스는 회사 안에서 AI를 누가, 어떤 데이터로, 어떤 범위까지 쓸 수 있는지 정한 규칙과 관리 체계입니다. 보안 정책, 데이터 접근 권한, 결과물 책임 소재, 사용 내역 기록이 여기에 포함됩니다. AI 기본법 시행 이후 기업의 AI 사용 가이드라인 수립이 늘면서 이 용어도 자주 쓰입니다.

담당자가 이 말을 듣는 장면은 보안팀과의 첫 회의입니다.

보안팀: '직원들이 AI에 고객 정보를 넣으면 어떻게 합니까?'

AX 담당자: '입력 가능한 데이터 범위를 등급으로 나누고, 사내 데이터는 접근 권한이 있는 범위에서만 조회하는 구조로 만들겠습니다.'

이 대화가 가능하려면 담당자가 거버넌스를 '금지 목록'이 아니라 '허용 범위 설계'로 이해하고 있어야 합니다. 금지만 늘어나면 직원은 개인 계정으로 몰래 쓰고, 회사는 사용 내역을 파악할 수 없게 됩니다.

기업 AI 도입은 기술 검증, 역량, 규칙을 함께 갖춰야 다음 단계로 넘어갑니다.

4. AI 확산 단계에서 부딪히는 용어

도입이 끝난 회사가 부딪히는 다음 질문은 '왜 쓰는 사람만 쓰는가'입니다. AI 확산은 일부 직원의 개인 활용을 부서 단위의 업무 절차로 옮기는 일입니다. 이 단계를 맡는 조직이 AX TF이고, AX 담당자가 하는 일의 대부분이 이 단계에 해당합니다.

확산을 시작하면 도입 단계에서는 들어본 적 없는 용어 네 개가 나옵니다. 모두 '쓰기 시작한 뒤에 생기는 문제'를 가리키는 말입니다.

⑪ 섀도 AI (Shadow AI)

섀도 AI는 회사가 허용하지 않은 AI 도구를 직원이 개인 계정으로 업무에 쓰는 상태입니다. 회사 도구가 불편하거나 금지 목록이 길수록 늘어납니다. 회사는 어떤 데이터가 어디로 나갔는지 알 수 없고, 직원이 만든 결과물은 회사에 남지 않습니다.

담당자가 이 말을 듣는 장면은 보안 점검입니다. 저희 팀에서도 고객사와 현황 진단을 해보면 회사가 배포한 도구보다 개인 계정으로 쓰는 도구가 먼저 발견됩니다.

흔한 오해는 금지 공지로 해결된다고 보는 것입니다. 섀도 AI는 회사 도구를 쓰는 편이 더 편해질 때 사라집니다. 사내 데이터를 읽는 에이전트가 있으면 개인 계정의 일반 AI보다 회사 도구가 더 나은 답을 주기 때문입니다.

⑫ 휴먼 인 더 루프 (Human-in-the-loop)

휴먼 인 더 루프는 AI가 만든 결과를 사람이 확인하고 승인한 뒤에 실행되는 구조입니다. 어느 단계에 사람을 둘지 정하는 일이 확산 설계의 핵심입니다. 모든 단계에 사람을 두면 AI를 쓰는 의미가 없고, 아무 단계에도 두지 않으면 보안팀과 현업이 반대합니다.

담당자가 이 말을 듣는 장면은 적용 범위를 정하는 회의입니다.

인사팀: '연차 승인까지 AI가 처리하면 안 되나요?'

AX TF: '조회와 초안은 AI가 하고, 승인은 팀장이 합니다. 처음 3개월 기록을 보고 승인 범위를 넓힙니다.'

사람이 확인하는 단계를 처음에는 넓게 잡고, 기록이 쌓이면 줄여 가는 순서가 일반적입니다.

⑬ 오케스트레이션 (Orchestration)

오케스트레이션은 여러 AI 에이전트와 사내 시스템을 하나의 업무 흐름으로 연결하고 실행 순서를 조율하는 일입니다. 에이전트가 하나일 때는 필요 없습니다. 두 번째, 세 번째 에이전트가 생기면 서로 결과를 주고받아야 하고, 그때부터 이 말이 나옵니다.

에이전트가 늘기만 한 회사

인사팀 에이전트, 총무팀 에이전트, 영업팀 에이전트가 각각 따로 돌아갑니다. 입사자 한 명이 들어오면 세 부서가 각자 에이전트에 같은 정보를 입력합니다.

오케스트레이션이 된 회사

입사 확정 한 번에 계정 생성, 자리 배정, 교육 일정 등록이 순서대로 실행됩니다. 사람은 마지막에 결과를 확인합니다.

흔한 오해는 에이전트 수가 늘면 확산이 된 것으로 보는 것입니다. 서로 연결되지 않은 에이전트는 부서마다 따로 떨어진 섬이 됩니다.

⑭ 토큰과 종량제 (Token, Pay-as-you-go)

토큰은 AI가 글을 읽고 쓰는 양을 세는 단위입니다. 한국어 한 글자가 대략 토큰 하나에서 둘 사이입니다. 종량제는 사용자 수가 아니라 토큰 사용량만큼 요금을 내는 과금 방식입니다. 확산이 진행되면 비용이 사람 수가 아니라 실제로 쓰는 양을 따라갑니다.

담당자가 이 말을 듣는 장면은 재무팀과의 예산 회의입니다.

재무팀: '쓰는 사람은 10명인데 왜 100명분 요금을 내고 있습니까?'

AX 담당자: '사용자당 요금제라서 그렇습니다. 토큰 종량제로 바꾸면 쓰는 만큼만 냅니다.'

흔한 오해는 사용자당 요금이 예측 가능해서 안전하다고 보는 것입니다. 쓰지 않는 사용자의 요금이 확산 예산을 줄입니다. 종량제로 바꾸면 월 비용은 변동하지만, 어느 부서가 얼마나 쓰는지가 보이기 때문에 다음 부서를 설득할 근거가 생깁니다.

AI 확산 단계의 용어는 전부 쓰기 시작한 뒤의 문제를 가리킵니다. 이 네 가지에 답이 있어야 두 번째 부서로 넘어갑니다.

5. 자주 묻는 질문

AX와 기업 AI 도입은 같은 말인가요?

다릅니다. 기업 AI 도입은 AI 도구와 계정을 회사에 들여오는 일이고, AX는 그 도구로 업무 절차와 역할을 다시 짜는 일입니다. 도입은 AX의 첫 단계이고, 도입만으로 끝나면 생성형 AI 계정이 있는 회사일 뿐 AX가 진행된 회사는 아닙니다.

생성형 AI만 전사에 배포해도 AX라고 할 수 있나요?

출발점입니다. 배포 이후 어떤 부서의 어떤 업무 절차가 바뀌었는지 말할 수 있어야 AX라고 부를 수 있습니다. 로그인 수와 사용량은 도입 지표이고, 바뀐 업무 절차의 수가 AX 지표입니다.

AX TF는 몇 명이 적당한가요?

전담 1~2명에 부서별 겸임 담당자를 더하는 구성이 가장 많습니다. 300명 규모 기업이면 전담 1명, 부서 담당자 5~6명 정도입니다. 인원보다 중요한 것은 TF 안에 실제로 그 업무를 하는 사람이 있는가입니다.

AI 에이전트를 쓰려면 반드시 사내 서버가 필요한가요?

데이터 민감도에 따라 다릅니다. 외부 공개 정보만 다루는 업무는 클라우드로 충분합니다. 인사, 급여, 고객 정보처럼 사내 데이터를 읽는 업무는 다릅니다. 온프레미스(회사 내부 서버에 설치해 운영하는 방식)나 VPC처럼 데이터가 회사의 통제 범위를 벗어나지 않는 구성을 보안팀이 요구하는 경우가 많습니다.

AI 리터러시 교육은 누구부터 해야 하나요?

AX 담당자부터입니다. 담당자가 먼저 익혀야 자기 부서에서 AI에 맡길 업무를 고를 수 있습니다. 그 업무가 정해져야 전 직원 교육의 내용이 정해집니다. 전 직원 교육을 먼저 하면 '배웠는데 쓸 데가 없다'는 반응이 돌아옵니다.

6. 우리 회사는 이 용어를 같은 뜻으로 쓰고 있을까

용어 14개를 정리했으니 회사 안의 상태를 점검해 볼 차례입니다.

☐ 경영진, IT팀, HR팀이 AX의 뜻을 같은 문장으로 설명할 수 있는가?

☐ 지금 쓰는 AI 도구가 사내 데이터를 읽는지, 일반 지식으로만 답하는지 구분하고 있는가?

☐ PoC의 성공 기준이 시작 전에 문서로 정해져 있는가?

☐ AI 사용 가이드라인이 금지 목록이 아니라 허용 범위로 쓰여 있는가?

☐ AX TF에 IT 외 부서에서 실제 업무를 하는 사람이 들어가 있는가?

☐ 개인 계정으로 쓰는 AI 도구가 얼마나 되는지 파악하고 있는가?

이 질문 중 절반 이상에 답하기 어렵다면, 도구가 부족한 것이 아니라 용어와 역할이 정리되지 않은 상태입니다.

그래서 AX 담당자가 먼저 물어야 할 질문은 '어떤 AI를 도입할까'가 아닙니다.

우리 회사에서 AX는 어떤 업무가 바뀌는 일을 말하는가.

그 업무를 아는 사람이 AX TF에 들어와 있는가.

AI가 처리하는 단계와 사람이 승인하는 단계가 나뉘어 있는가.

이 세 질문에 답이 나오면 도구 선택은 뒤따라옵니다.

CLAP Nexus에서는

용어가 정리된 다음 담당자가 부딪히는 문제는 두 가지입니다. 사내 데이터를 읽는 AI 에이전트를 보안팀이 허용할 구조로 어떻게 만들지, 그리고 확산 이후 비용을 어떻게 쓰는 만큼만 내게 할지입니다.

CLAP Nexus는 맞춤형 에이전트 구축부터 전사 AI 활용 및 관리까지 통제할 수 있는 AX 플랫폼입니다. 직원은 자신에게 접근 권한이 있는 자료만 답으로 받고, HR팀은 급여나 평가 데이터가 다른 부서에 보일 걱정을 덜게 됩니다. 배포는 온프레미스, VPC, 클라우드 중 회사의 보안 기준에 맞춰 고릅니다.

확산 순서는 이 글의 용어 순서와 같습니다. 고객사 안에 AX 담당자를 먼저 세우고, 과거 AI 도입이 왜 정체됐는지 진단한 뒤, 담당자가 AI 활용을 확산할 부서와 첫 적용 업무를 함께 정합니다. 담당자는 화면 녹화로 자기 업무를 가르쳐 Agent를 직접 만듭니다. 사내 시스템과의 연계가 필요한 업무는 CLAP이 맞춤 제작합니다. 그렇게 만든 Agent와 활용 기록은 회사에 남아 다음 부서가 다시 씁니다. 요금은 사용자 수가 아니라 토큰 사용량 기준이라 쓰지 않는 사람의 비용이 생기지 않습니다.

[ CLAP Nexus 더 알아보기 ]

참고 자료

• McKinsey, 「The state of AI」, 2025, https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-state-of-ai
• McKinsey, 「Superagency in the workplace」, 2025, https://www.mckinsey.com/capabilities/mckinsey-digital/our-insights/superagency-in-the-workplace-empowering-people-to-unlock-ais-full-potential-at-work