성과가 좋은 회사는 왜 AI를 늦게 배우는가?

“AI는 다음 달에 한 번 보죠.”

성과가 좋은 회사에서 이 말은 반대가 아니다. 동의의 다른 형태다.

매출은 크게 흔들리지 않고, 기존 고객도 아직 떠나지 않고, 보고서의 숫자도 대체로 괜찮다. AI는 회의 안건에는 자주 올라오지만, 누구의 실험 책임으로도 잘 내려오지 않는다.

“언젠가는 해야 한다”는 말은 많다. 그러나 이번 달 매출 회의, 납기 대응, 고객 요청, 기존 제품 개선보다 앞에 놓이기는 어렵다. 지금 방식으로도 결과가 나왔기 때문이다.

그때마다 판단은 틀리지 않은 것처럼 보인다. 오늘은 매출이 먼저이고, 이번 주는 고객 대응이 먼저이고, 이번 달은 기존 프로젝트 마감이 먼저다.

핵심은 각각의 연기가 합리적이라는 데 있다. 한 번의 연기는 판단이다. 그러나 그 판단이 반복되면 조직의 기본값이 된다.

이 상태를 이 글에서는 “찬성된 보류”라고 부르려 한다. 모두가 필요하다고 인정하지만 아무도 첫 실험을 맡지 않는 상태다.

성과가 좋은 회사의 AI 지연은 무능의 결과가 아니라, 합리적 연기의 누적일 수 있다.

여기서 지연은 단순한 일정 조정이 아니게 된다. AI 학습은 실패한 회사만의 회복 과제가 아니다. 성과가 괜찮을 때 미리 탐색해야 하는 미래 역량의 문제다. 그런데 좋은 성과는 바로 그 탐색을 뒤로 미루게 만들 수 있다.

찬성된 보류는 어떻게 생기는가

성과가 나쁠 때 새로운 도구는 필요가 된다.

고객이 떠나고, 비용이 늘고, 속도가 느리고, 경쟁사가 앞서가면 조직은 이유를 묻는다. 왜 늦어졌는가. 어디서 병목이 생겼는가. 어떤 방식이 더 나은가. 이때 AI는 문제 해결의 후보가 된다.

하지만 성과가 좋을 때 AI는 쉽게 옵션이 된다.

“쓰면 좋겠지만, 지금도 돌아간다.”

“조금 더 안정되면 해 보자.”

“일단 기존 방식으로 이번 분기만 넘기자.”

이 말들은 게으름의 표현만은 아니다. 어느 정도 합리적이다. 회사는 늘 제한된 시간과 주의를 배분해야 한다. 성과가 나는 활동을 멈추고 불확실한 학습에 시간을 쓰는 것은 쉬운 선택이 아니다.

다만 이 합리성이 반복되면 AI 학습은 계속 밀린다. 조직은 이미 성과를 내는 활용 활동에 시간을 쓰고, 아직 결과가 불확실한 탐색 활동을 뒤로 보낸다.

이때 AI는 반대되는 대상이 아니다. 오히려 모두가 찬성하는데 아무도 시간을 내지 않는 대상이 된다.

이런 상태에서 AI는 종종 “찬성된 보류”가 된다. 중요하다고 말하지만 정례회의의 질문이 되지 않고, 필요하다고 인정하지만 담당자의 책임으로 고정되지 않고, 언젠가는 해야 한다고 말하지만 첫 실험으로 내려오지 않는다.

이 보류가 쌓이면 학습 부채가 된다. 지금은 문제가 없어 보이지만, 나중에는 도구 사용법이 아니라 질문 방식, 판단 기준, 책임 구조를 한꺼번에 배워야 한다.

AI는 여기서 기술 도입 문제가 아니라 탐색 예산 문제가 된다.

AI 학습은 위기 대응이 아니라 탐색 활동이다

조직학습 연구에서 탐색(exploration)과 활용(exploitation)은 서로 다른 학습 방식이다. 탐색은 아직 검증되지 않은 가능성에 자원을 쓰는 학습이고, 활용은 이미 효과가 확인된 방식을 정련하고 반복하는 학습에 가깝다. [1]

성과가 좋은 회사는 활용에 강하다. 검증된 고객을 관리하고, 익숙한 제품을 개선하고, 이미 성과가 난 영업 방식을 반복한다. 이것은 회사에 꼭 필요하다. 활용이 있어야 품질이 안정되고, 현금이 생기고, 운영 능력이 쌓인다.

하지만 AI 학습은 대부분 탐색 쪽에 가깝다.

처음에는 정확한 ROI가 보이지 않는다. 어느 업무에 쓸 수 있는지 확인해야 하고, 직원별 사용 수준도 다르며, 결과물의 품질을 평가하는 기준도 새로 만들어야 한다. 무엇보다 AI가 만든 산출물을 다음 회의, 다음 판단, 다음 실행으로 어떻게 연결할지 조직이 배워야 한다.

이 과정은 단순한 사용법 교육이 아니다. 조직이 질문하는 방식, 정보를 모으는 방식, 판단을 나누는 방식, 책임을 기록하는 방식을 조금씩 바꾸는 일이다.

성과가 좋은 회사가 AI를 늦게 배우는 이유는 기술 혐오가 아닐 수 있다. 더 자주 나타나는 이유는 현재 활용이 충분히 잘 작동하기 때문에 탐색의 필요가 약하게 느껴지는 것이다. [4]

좋은 숫자는 신호를 작게 만든다

성과피드백 관점에서 조직은 성과를 어떤 기준과 비교하느냐에 따라 탐색과 변화를 다르게 선택한다. [2] 성과가 기준보다 낮으면 문제를 찾고, 대안을 검토하고, 기존 방식을 바꾸려는 압력이 커진다. 반대로 성과가 기준보다 높으면 현재 방식은 더 정당해진다.

AI 도입도 이 틀로 보면 다르게 보인다.

성과가 낮은 회사는 AI를 “무엇을 고칠 수 있는가”의 질문으로 만날 수 있다. 성과가 좋은 회사는 AI를 “굳이 지금 해야 하는가”의 질문으로 만날 가능성이 크다.

이 차이는 작아 보이지만 중요하다. 전자는 문제탐색을 시작하게 하고, 후자는 학습을 연기하게 만든다. [3]

물론 좋은 성과가 항상 학습을 막는 것은 아니다. 좋은 성과는 실험할 여유를 만들 수도 있다. 실패했을 때 감당할 자원도 있고, 새 기술을 테스트할 사람도 배정할 수 있다. 좋은 성과 자체가 문제는 아니다.

좋은 성과가 질문으로 번역되지 않을 때 지연은 커진다.

성과를 해석하는 조직은 왜 잘됐는지, 어떤 조건에서 반복 가능한지, AI가 바꿀 고객 기대와 업무 속도는 무엇인지 따진다. 반대로 성과를 안심으로만 받아들이는 조직은 그 질문을 다음 분기, 다음 반기, 다음 해로 보낸다.

성과가 질문으로 이어지면 좋은 실적은 탐색 자원이 된다. 그러나 성과가 안심으로만 남으면 AI 학습은 계속 밀린다.

좋은 숫자는 이때 일종의 성과 방패가 된다. 방패는 조직을 보호하지만, 동시에 바깥에서 날아오는 작은 신호를 가릴 수도 있다. 고객의 기대가 조금씩 바뀌고, 직원들의 업무 방식이 비공식적으로 바뀌고, 경쟁사의 응답 속도가 달라져도 숫자가 괜찮으면 그 변화는 아직 중요한 사건으로 번역되지 않는다.

AI 학습 지연은 바로 이 번역 실패에서 생긴다. 변화가 없는 것이 아니라, 변화를 보아야 할 이유가 아직 성과표에 충분히 크게 찍히지 않은 것이다.

개인은 쓰는데 조직은 배우지 못할 수 있다

성과가 좋은 회사에서도 개인들은 이미 AI를 쓰기 시작할 수 있다. 누군가는 보고서 초안을 만들고, 누군가는 고객 메일을 다듬고, 누군가는 회의 내용을 요약한다. 겉으로 보면 회사가 AI를 배우고 있는 것처럼 보인다.

하지만 개인 사용과 조직 학습은 다르다.

개인이 AI로 시간을 줄였다는 사실만으로 조직의 능력이 생기지는 않는다. 산출물이 어디에 저장되는지, 누가 검토하는지, 어떤 회의에서 쓰이는지, 다음 행동으로 어떻게 바뀌는지, 실패한 사용 경험이 어떻게 공유되는지가 정해져야 한다.

AI 산출물이 조직 루틴으로 넘어가려면 질문, 판단 기준, 책임자, 기록 위치가 함께 있어야 한다. [5]

반복되는 질문이 없으면 학습은 개인의 손끝에 머문다. 판단 기준이 없으면 AI가 만든 답을 채택할지 버릴지 매번 흔들린다. 책임자가 없으면 산출물은 실행 과제로 바뀌지 않는다. 기록 위치가 없으면 좋은 프롬프트도 다음 의사결정의 기준으로 남지 않는다.

이 조건이 없으면 회사 안의 AI 사용량은 늘어도 조직은 늦게 배운다. 직원들은 각자 빨라지지만, 회사의 회의와 책임과 학습은 그대로 남는다.

“우리 회사도 AI를 쓰고 있다”는 말은 두 가지로 나누어 들어야 한다. 개인이 도구를 쓰고 있다는 말인지, 조직이 새로운 판단 루틴을 배우고 있다는 말인지 구분해야 한다. 전자는 사용률의 문제이고, 후자는 학습의 문제다.

찬성된 보류가 학습 부채가 되는 순간

보류 자체가 곧 실패는 아니다. 한두 번 미루는 일은 어떤 회사에도 있다. 그러나 보류가 반복되면 조직은 도구 사용법만 늦게 배우는 것이 아니라, 그 도구를 둘러싼 질문과 책임과 기준을 함께 늦게 배운다.

AI가 조직 변화가 되려면 사용이 제도화되어야 한다. 제도화란 거창한 규정집을 만든다는 뜻이 아니다. 반복되는 회의, 책임, 표준, 점검 안에 들어간다는 뜻이다.

성과가 좋지 않은 회사는 제도화의 압력을 비교적 빨리 받는다. 기존 방식으로는 버티기 어렵기 때문이다. 반대로 성과가 좋은 회사는 제도화의 압력이 약하다. 개인이 알아서 쓰는 정도로도 충분히 새로워 보이고, 기존 방식으로도 숫자가 나오기 때문이다.

이때 AI는 조직의 핵심 루틴이 아니라 주변부 실험으로 남는다.

자료 조사에는 쓰지만 전략 회의에는 들어오지 않는다.

보고서 초안에는 쓰지만 의사결정 기준을 바꾸지는 않는다.

개인 업무 속도는 높이지만 책임 구조를 바꾸지는 않는다.

고객 대응 문구는 개선하지만 고객이 왜 다른 기대를 갖게 되었는지는 묻지 않는다.

이런 상태가 오래가면 회사는 “AI를 쓰고 있다”고 말할 수는 있지만, “AI를 통해 배우고 있다”고 말하기는 어렵다.

여기서 늦어지는 것은 도입 결정만이 아니다. 조직 안에서 무엇을 질문으로 삼을지, 어떤 산출물을 믿을지, 누가 최종 판단을 가질지, 어떤 기록을 다음 실행의 기준으로 삼을지가 함께 늦어진다.

늦게 배우면 기준을 늦게 배운다

AI 학습이 늦어진다는 말은 단순히 도구 사용이 늦다는 뜻이 아니다.

더 큰 지연은 조직이 새로운 비교 기준을 늦게 배운다는 데 있다.

최근 SME 맥락의 AI 연구도 AI 도입을 단순한 생산성 도구 사용보다 동적역량, 혁신성과, 경쟁력과 연결된 조직 역량 형성 문제로 다룬다. [6]

AI를 일찍 조직 루틴 안에 넣는 회사는 업무 속도만 빨라지는 것이 아니다. 어떤 정보가 의사결정 전에 필요해지는지, 어떤 질문이 회의 전에 준비되어야 하는지, 어떤 반복 업무가 사람의 판단을 기다릴 필요가 없는지, 어떤 책임은 오히려 더 명확해져야 하는지를 배운다.

반대로 AI 학습이 늦은 회사는 기술 도입만 늦는 것이 아니다. 질문의 기준, 업무의 기준, 고객 응답의 기준, 의사결정 속도의 기준을 늦게 배운다.

성과가 좋은 회사에는 이 지연이 잘 보이지 않는다. 현재 숫자가 방패가 되기 때문이다. 그러나 시장의 기준은 회사 내부의 안심 속도에 맞춰 움직이지 않는다.

AI를 배우는 속도는 단지 내부 교육 일정의 문제가 아니다. 조직이 외부 변화의 기준을 얼마나 빨리 자기 루틴 안으로 들여오는가의 문제다.

좋은 성과는 학습 예산이 될 수도 있다

여기서 중요한 경계조건이 있다. 성과가 좋은 회사가 반드시 AI를 늦게 배우는 것은 아니다.

오히려 좋은 성과는 AI 학습에 유리한 조건일 수 있다. 여유 자원이 있고, 실험 실패를 감당할 수 있고, 당장의 생존 압박 없이 장기 역량을 만들 수 있기 때문이다.

차이는 성과를 어떻게 해석하느냐에서 생긴다.

성과를 “지금 방식이 맞다”는 증거로만 해석하면 AI 학습은 뒤로 밀린다.

성과를 “아직 여유가 있을 때 다음 방식을 배울 기회”로 해석하면 AI 학습은 앞당겨진다.

성과가 좋은 회사에 필요한 것은 위기감 조장이 아니다. 좋은 성과를 학습 예산으로 바꾸는 루틴이다.

좋은 성과를 학습 예산으로 쓰려면 이번 성과의 원인을 분해하고, AI가 바꿀 고객 기대와 업무 속도를 하나 고르고, 개인이 이미 쓰는 산출물 중 조직 루틴에 남길 것을 정해야 한다.

AI는 정보 탐색 비용을 낮출 수 있다. 그러나 판단, 책임, 조율의 비용은 사라지지 않는다. 좋은 성과가 있을 때 이 남은 비용을 미리 배워야 한다.

이런 루틴이 생기면 좋은 성과는 AI 학습을 미루는 이유가 아니라 AI 학습을 시작할 자원이 된다.

결론: 보류하지 않을 학습을 정해야 한다

성과가 좋은 회사는 AI를 몰라서 늦게 배우는 것이 아닐 수 있다. 지금 방식이 아직 작동하기 때문에, AI 학습이 절박한 문제로 번역되지 않는 것이다.

하지만 AI는 위기가 온 뒤에만 배울 도구가 아니다. 위기가 오기 전에 조직이 질문의 기준을 넓히고, 정보 처리 방식을 바꾸고, 판단과 책임의 루틴을 다시 설계하게 만드는 학습 장치다.

좋은 숫자는 과거 선택을 설명해 줄 수 있다. 그러나 앞으로 무엇을 배워야 하는지는 숫자만으로 정해지지 않는다. 성과가 좋을수록 조직은 오히려 학습 과제를 의도적으로 남겨야 한다.

성과가 좋은 회사가 AI를 빨리 배우려면 “우리도 AI를 써야 한다”는 선언보다 먼저 해야 할 일이 있다. AI를 어느 부서에 도입할지보다, 어떤 학습을 더는 보류하지 않을지 정해야 한다.

구체적으로는 이번 달 회의에서 AI가 바꿀 질문 하나를 고르고, 그 질문을 실험할 사람과 판단할 기준과 기록할 위치를 정해야 한다.

성과가 좋은 지금 보류하지 않을 학습을 정하는 것.

그때 AI는 도입 과제가 아니라 조직이 미래를 미리 배우는 방식이 된다.

참고문헌과 주석

1. James G. March, “Exploration and Exploitation in Organizational Learning,” Organization Science 2, no. 1 (1991): 71-87. 조직학습에서 탐색과 활용의 긴장을 설명한 대표 논문이다.

2. Henrich R. Greve, Organizational Learning from Performance Feedback: A Behavioral Perspective on Innovation and Change, Cambridge University Press, 2003. 조직이 성과를 기준과 비교하고 그 결과에 따라 탐색과 변화를 조정한다는 관점을 제시한다.

3. Richard M. Cyert and James G. March, A Behavioral Theory of the Firm, Prentice-Hall, 1963. 조직이 성과와 열망 수준의 차이에 반응하여 문제탐색을 수행한다는 행동이론의 토대다.

4. Daniel A. Levinthal and James G. March, “The Myopia of Learning,” Strategic Management Journal 14, no. S2 (1993): 95-112. 조직학습이 단기 경험과 성공한 방식에 갇힐 수 있는 위험을 설명한 논문이다.

5. F. Shahzad and J. J. Ferreira, “Artificial intelligence driven dynamic capabilities: unpacking micro-foundational mechanisms,” Management Decision, 2026. SME 맥락에서 AI 기반 동적역량이 전략적 리더십 프레이밍, 비공식 팀 학습 루틴, 인간-AI 상호작용 규범을 통해 형성된다는 논의를 제공한다.

6. Alexander Sanchez-Rodriguez et al., “Navigating Uncertainty Through AI Adoption: Dynamic Capabilities, Strategic Innovation Performance, and Competitiveness in Ecuadorian SMEs,” Administrative Sciences 15, no. 12 (2025): 468. 에콰도르 SME 385개사를 대상으로 AI 도입, 동적역량, 혁신성과, 경쟁력의 구조 경로를 분석한 연구다.