독점 데이터가 가장 가치 있는 AI 방벽이 될 수 있다

인공지능은 기업이 접근하기 쉬워지고 있습니다. 주요 모델은 클라우드 플랫폼을 통해 라이선스를 받을 수 있고, 오픈소스 시스템은 맞춤화할 수 있으며, AI 어시스턴트가 일반 비즈니스 소프트웨어에 등장하고 있습니다. 이러한 확대되는 접근성은 투자자에게 중요한 질문을 제기합니다: 경쟁자가 유사한 모델에 접근할 수 있다면, 지속적인 AI 경쟁우위는 어디서 비롯될까요?

Research Policy에 발표된 새로운 연구¹에 따르면, 답은 기업이 인공지능을 독점 데이터, 조직 지식, 인간 전문성과 얼마나 효과적으로 결합하느냐에 달려 있을 수 있습니다. 핵심 주장은 AI를 더 이상 기존 소프트웨어 도구로 취급해서는 안 된다는 것입니다. AI는 조직 내 또 다른 학습 에이전트가 되고 있습니다.

이 구분은 중요합니다. AI를 구매한다고 해서 기업이 학습 능력이 자동으로 향상되는 것은 아니기 때문입니다. 기업은 여전히 관련 데이터, 운영 환경을 이해하는 직원, 모델을 구성할 수 있는 기술 팀, 그리고 AI가 생성한 인사이트를 실행으로 전환하는 프로세스가 필요합니다. 이러한 역량을 조기에 갖춘 기업은 점점 재현하기 어려워지는 경쟁우위를 확보할 수 있습니다.

AI가 기업의 지식 흡수 방식을 변화시키다

경영 연구자들은 기업이 외부의 가치 있는 지식을 인식하고, 이해하며, 상업적으로 적용하는 능력을 ‘흡수 역량’이라고 부릅니다. 전통적으로 이 과정은 연구, 커뮤니케이션, 교육, 경험으로 지원되는 인간 활동으로 여겨졌습니다.

새 논문은 이 프레임워크가 더 이상 충분하지 않다고 주장합니다. 최신 AI 시스템은 정보를 스캔하고, 패턴을 감지하며, 관련 없는 분야의 데이터를 결합하고, 가능한 설명이나 해결책을 생성할 수 있습니다. 단순히 직원이 검색하도록 정보를 저장하는 것이 아니라, AI는 조직이 무엇을 검색하고 찾은 것을 어떻게 해석할지를 영향을 미칠 수 있습니다.

이로 인해 연구자가 ‘이중 학습 구조’라고 부르는 것이 만들어집니다. 인간 학습은 경험, 맥락, 연관성, 판단에 의해 안내됩니다. 머신러닝은 데이터 전반에 걸친 통계적 관계를 통해 작동합니다. 각각은 서로 다른 강점과 약점을 가지고 있으며, 어느 하나만으로는 충분하지 않습니다.

이는 경제 전반에 떠오르는 더 넓은 교훈을 뒷받침합니다: 조직이 정보를 해석하고 행동으로 옮기기 전까지는 가치가 창출되지 않습니다. 최근 Securities.io가 AI가 소규모 기업에게 새로운 기회를 열어주고 있다는 보도에서도 AI 역량과 기업가 역량이 상호 보완적이며 교환 가능한 것이 아니라는 점을 발견했습니다.

데이터 유산이 복합적인 기업 자산이 될 수 있다

논문에서 가장 유용한 개념 중 하나는 데이터 유산입니다. 이는 기업이 축적한 데이터의 양, 다양성, 품질 및 역사를 의미합니다.

전통적인 데이터베이스는 대부분 수동적입니다. 사람이나 미리 정의된 프로그램이 정보를 검색하고 분석할 때까지 정보를 보존합니다. AI는 새로운 정보가 시스템이 패턴을 식별하고 미래 지식을 생성하는 방식을 바꿀 수 있기 때문에 축적된 데이터를 보다 능동적으로 만듭니다.

예를 들어 제조업체는 수년간의 유지보수 기록, 생산 측정치, 결함 보고서, 장비 로그, 기술자 관찰 데이터를 보유하고 있을 수 있습니다. 경쟁자는 유사한 AI 소프트웨어를 구매할 수 있지만, 그 운영 역사를 즉시 재현할 수는 없습니다. 기존 기업의 데이터는 모델이 고장을 진단하고, 생산을 최적화하며, 기록이 작성될 당시에는 드러나지 않았던 관계를 식별하는 데 도움을 줄 수 있습니다.

이 과정은 자체 강화될 수 있습니다. 더 좋은 데이터는 AI 시스템이 추가로 어떤 정보가 가치 있을지를 식별하도록 돕습니다. 기업은 그 후 더 나은 정보를 수집하여 이후 분석을 개선하고 추가 수집을 안내합니다. 논문은 데이터 소싱, 정제, 통합 및 관리에 대한 이러한 의도적인 투자를 ‘데이터 흡수 노력’이라고 설명합니다.

그 결과 얻어지는 경쟁우위는 단순히 데이터가 많아지는 것이 아닙니다. 구조가 부실하거나, 관련성이 없거나, 편향된 데이터는 시스템을 약화시킬 수 있습니다. 방벽은 다음 요소들의 결합에서 비롯됩니다:

• 독점적이며 관련성 있는 정보
• 신뢰할 수 있는 수집 및 거버넌스 프로세스
• 운영 맥락을 이해하는 직원
• AI를 적용할 수 있는 기술 전문성

이는 독점 기업 정보를 더 큰 외부 데이터셋과 결합하는 하이브리드 데이터 전략으로의 광범위한 전환과 일치합니다. 강력한 모델에 대한 접근은 일반화될 수 있지만, 적절한 내부 맥락에 대한 접근은 여전히 불균형하게 남을 것입니다.

AI가 조직 지식을 보존할 수 있는 방법

연구는 또한 지식 가상화라는 개념을 소개합니다. 직원들은 종종 서면으로 기록하기 어려운 전문성을 축적합니다. 숙련된 기술자는 비정상적인 진동을 통해 기계적 문제를 감지할 수 있고, 위험 분석가는 판단을 단순 규칙으로 축소할 수 없지만 의심스러운 신청을 인식할 수 있습니다.

기업은 전통적으로 교육, 멘토링, 일상 업무, 공유 경험을 통해 이러한 암묵적 지식을 보존합니다. 이러한 방법은 가치가 있지만 비용이 많이 들고, 규모 확장이 느리며, 직원 이직에 취약합니다.

AI는 또 다른 가능한 경로를 제공합니다. 의사결정, 결과, 문서, 센서 판독값 및 과거 사례를 기반으로 학습된 모델은 경험적 지식의 일부를 수학적 표현으로 인코딩할 수 있습니다. 이는 모델이 숙련된 직원이 아는 모든 것을 문자 그대로 이해한다는 의미는 아닙니다. 이는 조직이 해당 전문성에서 파생된 패턴을 보존하고 재활용할 수 있음을 의미합니다.

이는 이전에 특정 직원이나 팀에만 연관되던 지식을 재사용 가능한 기업 자산으로 전환할 수 있습니다. 새로운 인력은 조직의 과거 의사결정 일부를 반영하는 AI 시스템과 상호작용할 수 있으며, 숙련된 직원은 AI 출력물을 활용해 간과된 증거를 식별할 수 있습니다.

하지만 전략적 긴장이 존재합니다. 암묵적 지식은 경쟁자가 쉽게 복제할 수 없기 때문에 가치가 있습니다. 해당 지식을 가상화하면 내부적으로 확장성이 높아지지만, 보안, 거버넌스 및 소유권 문제도 발생합니다. 민감한 교육 데이터, 모델 가중치 또는 워크플로가 노출될 경우, 기업은 운영상의 경쟁우위 일부를 무심코 이전할 수 있습니다.

인간과 기계 판단은 연결된 상태를 유지해야 한다

논문은 도메인 지식과 AI 지식의 효과적인 조정을 ‘인지 이중성’이라고 부릅니다. 이 역량은 데이터 과학자를 경험 많은 관리자와 함께 고용하는 것 이상을 요구합니다. 두 그룹은 서로를 이해하고 도전할 수 있어야 합니다.

도메인 전문가들은 모델이 신뢰할 수 없거나 훈련 환경을 벗어나 있거나 상관관계와 인과관계를 혼동할 때 이를 인식할 수 있을 정도의 AI 이해도가 필요합니다. 기술 팀은 어떤 결과가 중요한지, 데이터만으로는 추론할 수 없는 제약이 무엇인지 이해할 만큼 충분한 도메인 친숙도가 필요합니다.

그 다리 없이 기업은 두 가지 상반된 위험에 직면합니다. 직원들이 AI 권고를 지나치게 신뢰하면 오류나 과거 편향이 대규모로 퍼질 수 있습니다. 반대로 시스템의 논리가 낯설거나 충분히 설명되지 않아 유용한 발견을 거부할 수도 있습니다.

이는 기업이 유사한 기반 모델을 사용하더라도 AI 프로젝트가 매우 다른 결과를 낼 수 있는 이유를 설명합니다. 성과는 주변 학습 시스템에 달려 있습니다. 세계경제포럼 역시 AI 준비 데이터, 직원 역량, 적절한 모델, 책임 있는 거버넌스를 기업 전반에 AI를 확장하기 위한 연계된 요구사항으로 확인했습니다.

연구가 AI 기반 학습에 대해 발견한 내용

연구는 개념적 검토와 이탈리아의 8개 중소 규모 AI 중심 기업을 대상으로 진행된 40건의 인터뷰를 결합했습니다. 참가자들은 의료, 금융, 창작 콘텐츠, 데이터 관리, 예측 및 위험 분석 분야에서 기술 및 관리 직책을 맡고 있었습니다.

이 프레임워크는 가치가 있지만, 그 한계도 중요합니다. 이는 이러한 역량이 이익이나 주주 수익을 증가시킨다는 정량적 증거라기보다 이론 구축을 위한 질적 연구입니다. 참여 기업 중 250명 이상 직원이 있는 기업은 없으며, 모두 한 국가에 기반을 두고 있습니다. 대기업, 저기술 산업 및 다양한 경제 환경에서 모델을 검증하기 위해 추가 연구가 필요합니다.

ServiceNow가 기업 AI 워크플로에 대한 노출을 제공한다

이 변화를 노리는 투자자에게 ServiceNow는 적절한 사례를 제공합니다. 이 플랫폼은 기업 데이터, 워크플로, 직원, 그리고 점점 자율화되는 AI 에이전트를 연결합니다. 이러한 포지셔닝은 AI의 가치는 모델 자체가 아니라 조직 프로세스와의 통합에서 비롯된다는 논문의 주장과 밀접하게 일치합니다.

ServiceNow는 워크플로 데이터 패브릭, AI 컨트롤 타워, 자율 분석 기능을 확대하고 있습니다. 이 회사는 AI 시스템에 거버넌스가 적용된 운영 맥락을 제공하는 방법으로 실시간 기업 데이터 기반을 설명합니다. Securities.io는 또한 UiPath와 에이전트 자동화 시장에 대한 보도를 통해 인접 기회를 검토했습니다.

투자 사례가 위험이 없는 것은 아닙니다. 엔터프라이즈 소프트웨어 경쟁이 치열하고, AI 기능이 번들화된 상품이 될 수 있으며, 고객은 광범위한 플랫폼 도입의 비용이나 복잡성을 꺼릴 수 있습니다. ServiceNow는 AI 제품이 단순히 제품 라인을 확대하는 것이 아니라 측정 가능한 고객 가치를 창출한다는 점을 입증해야 합니다.

그럼에도 불구하고, 이 위치는 논문의 핵심 투자 통찰을 보여줍니다. 기본 모델이 보다 접근 가능해짐에 따라, 지속 가능한 가치는 워크플로 맥락, 거버넌스된 데이터 접근, 인간과 기계의 결정이 실행 행동으로 전환되는 시스템을 제어하는 기업으로 이동할 수 있습니다.

실제 AI 격차는 시간이 지남에 따라 확대될 수 있다

새롭게 떠오르는 격차는 AI를 사용하는 기업과 사용하지 않는 기업 사이가 아닐 수 있습니다. 이는 AI를 독립된 도구로만 다루는 기업과 AI를 중심으로 조직 학습 시스템을 구축하는 기업 사이의 차이일 수 있습니다.

독점 데이터, 축적된 전문성, 모델 거버넌스, 그리고 부서 간 협업은 모두 경로 의존적입니다. 반복적인 사용을 통해 개발하고 개선하는 데 시간이 걸립니다. 조기에 이를 구축하기 시작한 기업은 누적된 경쟁우위를 얻을 수 있지만, 늦게 도입하는 기업이 최신 모델을 구매한다고 해서 반드시 격차를 메울 수 있는 것은 아닙니다.

투자자에게는 AI 준비성을 평가하는 방식이 바뀝니다. 소프트웨어와 컴퓨팅 인프라에 대한 지출은 중요하지만, 기업이 AI를 방어 가능한 가치로 전환할 수 있는지는 거의 드러내지 못합니다. 더 중요한 질문은 기업이 어떤 독점 정보를 보유하고 있는지, 직원 전문성을 보존할 수 있는지, 기술 팀이 도메인 전문가와 얼마나 긴밀히 협업하는지, AI 인사이트가 실제 워크플로에 도달할 수 있는지 여부입니다.

따라서 차세대 AI 승자는 누가 인텔리전스에 접근하느냐보다 누가 그것을 흡수하는 방법을 아느냐에 따라 정의될 가능성이 높습니다.

참고문헌:

¹ Pedota, M. (2026). 마음과 기계: 인공지능 시대의 흡수 역량 재고. Research Policy, 55, 105600. https://doi.org/10.1016/j.respol.2026.105600