Software management struggles that have pained enterprises for decades cause the same anguish to government agencies, and a bill making its way through the US House of Representatives to strengthen controls around government software management holds lessons for enterprises too.

The Strengthening Agency Management and Oversight of Software Assets (SAMOSA) bill, H.R. 5457, received unanimous approval from a key US House of Representative committee, the Committee on Oversight and Government Reform, on Tuesday.

SAMOSA is mostly focused on trying to fix “software asset management deficiencies” as well as requiring more “automation of software license management processes and incorporation of discovery tools,” issues that enterprises also have to deal with.

In addition, it requires anyone involved in software acquisition and development to be trained in the agency’s policies and, more usefully, in negotiation of contract terms, especially those that put restrictions on software deployment and use.

This training could also be quite useful for enterprise IT operations. It would teach “negotiating options” and specifically the “differences between acquiring commercial software products and services and acquiring or building custom software and determining the costs of different types of licenses and options for adjusting licenses to meet increasing or decreasing demand.”

The mandated training would also include tactics for measuring “actual software usage via analytics that can identify inefficiencies to assist in rationalizing software spending” along with methods to “support interoperable capabilities between software.”

Outlawing shadow IT

The bill also attempts to rein in shadow IT by “restricting the ability of a bureau, program, component, or operational entity within the agency to acquire, use, develop, or otherwise leverage any software entitlement without the approval of the Chief Information Officer of the agency.” But there are no details about how such a rule would be enforced.

It would require agencies “to provide an estimate of the costs to move toward more enterprise, open-source, or other licenses that do not restrict the use of software by the agency, and the projected cost savings, efficiency measures, and improvements to agency performance throughout the total software lifecycle.” But the hiccup is that benefits will only materialize if technology vendors change their ways, especially in terms of transparency.

However, analysts and consultants are skeptical that such changes are likely to happen.

CIOs could be punished

Yvette Schmitter, a former Price Waterhouse Coopers principal who is now CEO of IT consulting firm Fusion Collective, was especially pessimistic about what would happen if enterprises tried to follow the bill’s rules.

“If the bill were to become law, it would set enterprise CIOs up for failure,” she said. “The bill doubles down on the permission theater model, requiring CIO approval for every software acquisition while providing zero framework for the thousands of generative AI tools employees are already using without permission.”

She noted that although the bill mandates comprehensive assessments of “software paid for, in use, or deployed,” it neglects critical facets of today’s AI software landscape. “It never defines how you access an AI agent that writes its own code, a foundation model trained on proprietary data, or an API that charges per token instead of per seat,” she said. “Instead of oversight, the bill would unlock chaos, potentially creating a compliance framework where CIOs could be punished for buying too many seats for a software tool, but face zero accountability for safely, properly, and ethically deploying AI systems.”

Schmitter added: “The bill is currently written for the 2015 IT landscape and assumes that our current AI systems come with instruction manuals and compliance frameworks, which they obviously do not.”

She also pointed out that the government seems to be working at cross-purposes. “The H.R. 5457 bill is absurd,” she said. “Congress is essentially mandating 18-month software license inventories while the White House is simultaneously launching the Genesis Mission executive order for AI that will spin up foundation models across federal agencies in the next nine months. Both of these moves are treating software as a cost center and AI as a strategic weapon, without recognizing that AI systems are software.”

Scott Bickley, advisory fellow at Info-Tech Research Group, was also unimpressed with the bill. “It is a sad, sad day when the US Federal government requires a literal Act of Congress to mandate the Software Asset Management (SAM) behaviors that should be in place across every agency already,” Bickley said. “One can go review the [Office of Inspector General] reports for various government agencies, and it is clear to see that the bureaucracy has stifled all attempts, assuming there were attempts, at reining in the beast of software sprawl that exists today.”

Right goal, but toothless

Bickley said that the US government is in dire need of better software management, but that this bill, even if it was eventually signed into law, would be unlikely to deliver any meaningful reforms. 

“This also presumes the federal government actually negotiates good deals for its software. It unequivocally does not. Never has there been a larger customer that gets worse pricing and commercial terms than the [US] federal government,” Bickley said. “At best, in the short term, this bill will further enrich consultants, as the people running IT for these agencies do not have the expertise, tooling, or knowledge of software/subscription licensing and IP to make headway on their own.”

On the bright side, Bickley said the goal of the bill is the right one, but the fact that the legislation didn’t deliver or even call for more funding makes it toothless. “The bill is noble in its intent. But the fact that it requires a host of mandatory reporting, [Government Accountability Office] oversight, and actions related to inventory and overall [software bill of materials] rationalization with no new budget authorization is a pipe dream at best,” he said. 

Sanchit Vir Gogia, the chief analyst at Greyhound Research, was more optimistic, saying that the bill would change the law in a way that should have happened long ago.

“[It] corrects a long-standing oversight in federal technology management. Agencies are currently spending close to $33 billion every year on software. Yet most lack a basic understanding of what software they own, what is being used, or where overlap exists. This confusion has been confirmed by the Government Accountability Office, which reported that nine of the largest agencies cannot identify their most-used or highest-cost software,” Gogia said. “Audit reports from NASA and the Environmental Protection Agency found millions of dollars wasted on licenses that were never activated or tracked. This legislation is designed to stop such inefficiencies by requiring agencies to catalogue their software, review all contracts, and build plans to eliminate unused or duplicate tools.”

Lacks operational realism

Gogia also argued, “the added pressure of transparency may also lead software providers to rethink their pricing and make it easier for agencies to adjust contracts in response to actual usage.” If that happens, it would likely trickle into greater transparency for enterprise IT operations. 

Zahra Timsah, co-founder and CEO of i-GENTIC AI, applauded the intent of the bill, while raising logistical concerns about whether much would ultimately change even if it ultimately became law.

“The language finally forces agencies to quantify waste and technical fragmentation instead of talking about it in generalities. The section restricting bureaus from buying software without CIO approval is also a smart, direct hit on shadow IT. What’s missing is operational realism,” Timsah said. “The bill gives agencies a huge mandate with no funding, no capacity planning, and no clear methodology. You can’t ask for full-stack interoperability scoring and lifecycle TCO analysis without giving CIOs the tools or budget to produce it. My concern is that agencies default to oversized consulting reports that check the box without actually changing anything.”

Timsah said that the bill “is going to be very difficult to implement and to measure. How do you measure it is being followed?” She added that agencies will parrot the bill’s wording and then try to hire people to manage the process. “It’s just going to be for optic’s sake.”

For CIOs, the conversation around AI has moved from innovation to orchestration, and project management, long a domain of human coordination and control, is rapidly becoming the proving ground for how intelligent systems can reshape enterprise delivery and accelerate transformation.

In boardrooms across industries, CIOs face the same challenge of how to quantify AI’s promise in operational terms: shorter delivery cycles, reduced overhead, and greater portfolio transparency. A 2025 Georgia Institute of Technology-sponsored study of 217 project management professionals and C-level tech leaders revealed that 73% of organizations have adopted AI in some form of project management.

Yet amid the excitement, the question of how AI will redefine the role of the project manager (PM) remains, as does how will the future framework for the business transformation program be defined.

A shift in the PM’s role, not relevance

Across industries, project professionals are already seeing change. Early adopters in the study report project efficiency gains of up to 30%, but success depends less on tech and more on how leadership governs its use. The overwhelming majority found it highly effective in improving efficiency, predictive planning, and decision-making. But what does that mean for the associates running these projects?

Roughly one-third of respondents believed AI would allow PMs to focus more on strategic oversight, shifting from day-to-day coordination to guiding long-term outcomes. Another third predicted enhanced collaboration roles, where managers act as facilitators who interpret and integrate AI insights across teams. The rest envisioned PMs evolving into supervisors of AI systems themselves, ensuring that algorithms are ethical, accurate, and aligned with business goals.

These perspectives converge on a single point: AI will not replace PMs, but it will redefine their value. The PM of the next decade won’t simply manage tasks, they’ll manage intelligence and translate AI-driven insights into business outcomes.

Why PMOs can’t wait

For project management offices (PMOs), the challenge is no longer whether to adopt AI but how. AI adoption is accelerating, with most large enterprises experimenting with predictive scheduling, automated risk reporting, and gen AI for documentation. But the integration is uneven.

Many PMOs still treat AI as an add-on, a set of tools rather than its strategic capability. This misses the point since AI is about augmenting judgment and automation. The organizations gaining a real competitive advantage are those embedding AI into their project methodologies, governance frameworks, and performance metrics with this five-point approach in mind.

1. Begin with pilot projects

Think small, scale fast. The most successful AI integrations begin with targeted use cases that automate project status reports, predict schedule slippage, or identify resource bottlenecks. These pilot projects create proof points, generate enthusiasm, and expose integration challenges early.

2. Measure value, not just activity

One common pitfall is adopting AI without clear performance metrics. PMOs should set tangible KPIs such as reduction in manual reporting time, improved accuracy in risk forecasts, shorter project cycle times, and higher stakeholder satisfaction. Communicating these outcomes across the organization is just as important as achieving them. Success stories build momentum, foster buy-in, and demystify AI for skeptical teams.

3. Upskill PMs

AI will only be as valuable as the people who use it. Nearly half of the surveyed professionals cited lack of a skilled workforce as a barrier to AI integration. Project managers don’t need to become data scientists, but they must understand AI fundamentals, how algorithms work, where biases emerge, and what data quality means. In this evolving landscape, the most effective PMs will combine data literacy with human-centered leadership, including critical thinking, emotional intelligence, and communication.

4. Strengthen governance and ethics

Increasing AI raises pressing ethical questions, especially when algorithms influence project decisions. PMOs must take the lead in establishing AI governance frameworks that emphasize transparency, fairness, and human oversight. Embedding these principles into the PMO’s charter doesn’t just mitigate risk, it builds trust.

5. Evolve from PMO to BTO

The traditional PMO focuses on execution through scope, schedule, and cost. But AI-driven organizations are shifting toward business transformation offices (BTOs), which align projects directly with strategic value creation through process improvement in parallel. A PMO ensures projects are done right. A BTO ensures the right projects are done. A crucial element of this framework is the transition from a Waterfall to an Agile mindset. The evolution of project management has shifted from rigid plans to iterative, customer-centric, and collaborative methods, with hybrid methodologies becoming increasingly common. This Agile approach is vital for adapting to the rapid changes brought by AI and digital disruption.

The new PM career path

By 2030, AI could manage most routine project tasks, such as status updates, scheduling, and risk flagging, while human leaders focus on vision, collaboration, and ethics. This shift mirrors past revolutions in project management from the rise of Agile to digital transformation, but at an even faster pace. But as organizations adopt AI, the risk of losing the human element persists. Project management has always been about people and aligning interests, resolving conflicts, and inspiring teams. However, while AI can predict a delay, it can’t motivate a team to overcome it. The PM’s human ability to interpret nuance, build trust, and foster collaboration remains irreplaceable.

A call to action

AI represents the next frontier in enterprise project delivery, and the next decade will test how well PMOs, executives, and policymakers can navigate the evolution of transformation. To thrive, organizations must invest in people as much as in platforms, adopt ethical, transparent governance, foster continuous learning and experimentation, and measure success by outcomes rather than hype.

For CIOs, the mandate is clear: lead with vision, govern with integrity, and empower teams with intelligent tools. AI, after all, isn’t a threat to the project management profession. It’s a catalyst for its reinvention, and when executed responsibly, AI-driven project management will not only deliver operational gains but also build more adaptive, human-centered organizations ready for the challenges ahead. By embracing it thoughtfully, PMs can elevate their roles from administrators to architects of change.

I have spent most of my career accountable for the parts of technology nobody thinks about until something breaks. Service delivery, back-office workflows, knowledge decay, compliance friction and the invisible handoffs that quietly drain budgets. For years, I invested in automation as the answer to operational drag. We built rules, mapped flows and tried to automate the edge cases. But whenever reality changed, those automations snapped. It took me longer to realize I was automating drift.

Agentic AI changes the equation by introducing autonomy, adaptability and multi-step reasoning based on a deep understanding of context. It can escalate when confidence falls and apply policy dynamically. Over the past two years, I have deployed agentic capabilities across IT operations and talent acquisition. The cost savings were real, but the reduction in operational risk mattered more.

What concerns me most is how quickly interest is outpacing understanding. A recent enterprise AI maturity study found that many organizations are considering adopting agentic AI in the next 12 months, yet far fewer report being deeply familiar with AI technology. There is widening daylight between investment and comprehension, and leaders can feel it.

The hidden economics of back-office drag

Service delivery is accounted for as a cost center, but in practice, it behaves like a risk center. When incidents spike, I burn labor hours and credibility. When change freezes, innovation slows. When knowledge walks out the door, complexity compounds. Research from McKinsey estimates that major incident outages can cost more than $300,000 per hour when accounting for downtime, lost productivity and recovery labor. Outages erode trust as quickly as they drain budgets, and the longer the system stays down, the more stakeholders begin to question leadership’s judgment rather than the failure itself.

Agentic AI gave me ways to address root causes rather than symptoms. It accelerated the pace at which risk surfaced and reduced the dependence on human memory to carry operational knowledge.

IT service automation that actually bends cost curves

The first breakthrough came from reducing low-value, high-volume work. Password resets, access requests, policy clarification and device troubleshooting represented a disproportionate share of tickets. Conversational agents served as the first point of contact, recognizing intent, authenticating users, enforcing policy and triggering workflows. The response someone received at 4 p.m. on a weekday became indistinguishable from the one they received at 2 a.m.

As these agents matured, they evolved beyond conversation. Diagnostic agents pulled logs and compared them to historical incident signatures. Identity agents validated entitlements through policy. Remediation agents performed corrective actions autonomously when confidence thresholds were high enough. The agents could reason, plan and act instead of merely responding.

I also deployed agents that assisted human analysts. They summarized lengthy ticket histories, suggested relevant knowledge articles and drafted follow-up communication. They even generated new content as knowledge articles from closed incidents to expand self-service coverage. This type of coexistence shifted work away from repetition and toward judgment.

In parallel, autonomous agents operated inside infrastructure operations. They validated alerts, correlated telemetry and occasionally took action before anyone knew an issue existed. It was not about removing humans. It was about removing hours of manual investigation that added no value.

These moves consistently reduced incident resolution times. Industry benchmarks already show double-digit percentage decreases in resolution duration when agentic orchestration is applied to major incidents. I saw similar patterns. The improvement compounds because every minute saved in response time reduces the blast radius downstream.

Strengthening compliance and finance through continuous automation

Compliance workflows suffer when human memory carries the load. Before AI, teams stored rules in shared folders and hallway conversations. Today, compliance agents reconcile invoices, validate contract terms and flag anomalies proactively. They create explainable audit trails continuously rather than quarterly. NIST’s AI Risk Management Framework highlights traceability and explainability as foundational principles. Implementing those controls early reduced anxiety across audit teams and replaced after-the-fact cleanup with preventive action. This also reduced risk and elevated compliance reporting.

Finance experienced something similar. Reconciliation agents monitored variances and surfaced unusual patterns. What surprised me most was their reaction. They were not afraid of replacement. They were afraid of errors. When automation reduced manual variance, they became vocal advocates.

Finding use cases through process mapping

One of the most practical methods for identifying where agentic AI can help is process mapping. When I began visualizing workflows end-to-end, bottlenecks became obvious. Process mining tools uncovered rework loops, approval delays and exception handling that never made it onto formal documentation. Seeing work as a series of minor frictions makes it easier to understand where agents can step in.

The most compelling results emerged when agents were orchestrated together. A conversational agent collected symptoms and authenticated the user. A diagnostic agent pulled logs. A knowledge agent suggested resolutions based on pattern similarity. A remediation agent executed the corrective action. An orchestration layer coordinated all of it. That is where the returns accelerate.

Organizations that have leaned into this approach have reported dramatic improvements in self-submitted HR requests, faster employee onboarding and higher satisfaction due to real-time knowledge enrichment. This reinforces a simple truth: removing friction creates participation.

Workflow orchestration reduces cross-function friction

Most operational drag does not come from incidents. It comes from handoffs. Procurement requests that are bounced between finance, IT and security. Access approvals that depend on availability rather than policy. Tickets that accumulate because approvers are out of office or lack clarity. These interactions create delay and noise that nobody can see on a dashboard.

Orchestration agents change that dynamic. They trigger conditional workflows, collect missing information, validate approvals against policy and route requests without human intervention. Approval agents enforce thresholds. Inventory agents check asset life cycle status. Risk agents flag questionable suppliers. Tasks that previously took days now close in hours. And reducing interruptions had the same effect on productivity as adding headcount.

Why I do not build foundation models from scratch

At one point, I considered building a model internally. The idea was tempting. Owning the entire stack felt like a strategic advantage. But foundation models require massive compute, specialized research talent and years of iteration. Instead, I licensed access to best-in-class models and built the agentic layer on top. We used retrieval-augmented generation to feed proprietary documents and policy rules into the model, then layered business logic that governed behavior in context. We designed this with a strong emphasis on data governance, access control and privacy protection to ensure data was handled responsibly and in compliance with regulations.

This hybrid buy-and-enhance approach delivered faster time-to-value, reduced technical risk and allowed us to retain control of proprietary data and logic.

When I would build instead of buy

There are scenarios where owning the full stack makes sense. If AI is central to strategic product differentiation, if data cannot leave owned infrastructure, if regulatory constraints demand full control or if internal AI engineering maturity is high, then building becomes rational rather than romantic. MIT Sloan has explored the productivity paradox of AI, noting that capability without maturity can increase cost rather than reduce it. That matched my experience.

It is also important to recognize that both data and process maturity must be at a high bar before considering custom agentic development. Automating a broken or incomplete process does not eliminate chaos; it multiplies it. Inadequate governance, missing metadata, inconsistent runbooks or contradictory policies will produce unpredictable outcomes at machine speed. AI does not fix drift. It amplifies whatever it touches. When the substrate is clean, autonomy accelerates value. When it is not, it collapses into noise.

Agentic AI in talent acquisition was the unexpected hero

The biggest lift I saw came from HR. Application backlogs caused candidates to drop off. Interview scheduling created friction across time zones. Compensation exceptions slowed approvals. Agentic AI addressed all three. Conversational agents guide candidates through application steps. Scheduling agents reconciled calendars, set up interviews and sent confirmations. Qualification agents screened resumes against policy. Sentiment agents summarized tone and engagement from written and verbal communication, providing summaries of conversations to all parties.

Time-to-fill decreased and candidate satisfaction improved simply by eliminating the waiting. The SHRM Candidate Application Abandonment Study notes that delayed response time is one of the top drivers of candidate abandonment. Agents save time. And when you compress cycle time in recruiting, you increase talent density, which later reduces operational drag across the enterprise.

Cost is shifting from labor to compute

When human workload decreases, inference cost rises. Finance teams are not yet fluent in ROC (return on compute), but this metric will become as common as ROI. Without guardrails, cloud cost drift can quietly consume the savings that automation promised. I track ROC as closely as I track cost per ticket because unmonitored inference is the new runaway labor. Compute cycles do not call in sick or take a vacation and they scale without asking permission.

This is where leaders can get fooled. If compute spend rises faster than human workload declines, autonomy without financial guardrails can turn cloud cost into the new labor balloon — just harder to see, harder to attribute and harder to challenge. The danger is that it hides in budgets where executives are not trained to look. Leaders know how to question headcount, overtime and contractor spend, but they rarely scrutinize the compute charges buried in cloud bills. AI costs grow in technical corners of the budget, where they can expand quietly and avoid the financial scrutiny applied to labor.

In the same way cloud transformed capital expense into operating expense overnight, agentic AI will force us to treat compute as a strategic cost center rather than a utility. If we do not build that discipline now, autonomy will become the most elegant form of overspending we have ever engineered.

What success looks like

In mature environments, I saw fewer escalations, shorter outages, improved hiring velocity and predictable change cycles. Operational friction decreased and innovation increased. Teams felt less interrupted and more trusted. That cultural shift was as valuable as the financial one.

Predictability is the real outcome. When service delivery becomes stable and repeatable, IT stops acting like an internal repair shop and starts behaving like an engine of growth. Reliable delivery creates the headroom to build new products, partner with the business on revenue initiatives and invest in automations that compound value instead of compensating for failure. As the operational noise floor drops, capacity shifts from firefighting to forward motion.

Agentic AI is not just about doing the same work cheaper. It is about creating the conditions where IT can participate in strategy, influence the customer experience and build digital capabilities that generate revenue rather than support it. When systems stop surprising us, we can finally focus on the work that moves the company forward.

Final thought

Agentic AI is not about replacing judgment. It is about protecting it. When machines remove drag, humans spend more time on the decisions that matter. The organizations that treat back-office operations as a resilience discipline, not a cost bucket, will bend cost curves and compress risk where it quietly accumulates.

This article is published as part of the Foundry Expert Contributor Network.
Want to join?

パンデミック後のモビリティ市場と投資環境の変化

まず押さえておきたいのは、「モビリティそのものの市場は拡大を続けている」が、「スタートアップへのマネーの付き方はがらりと変わった」という点である。

モビリティ・アズ・ア・サービス（MaaS）市場は、世界レベルで見ると2024年時点で約2,000億ドル規模と推計されており、2030年代前半にかけて数倍規模への成長が予測されている。都市化、スマートフォン普及、脱炭素圧力といった追い風は依然として強く、米国でもライドシェア、カーシェア、サブスクリプション型の車両利用サービスまで含めた「所有から利用へ」のトレンドは定着したと言ってよい。

しかし、2021年前後の「マネー余り」の時期と比べると、2023〜2025年のベンチャー投資家の態度は明らかに慎重になっている。象徴的なのが、電動キックボードなどのマイクロモビリティ分野で、2024年の世界の投資額は前年の約4分の1程度にまで落ち込んだとされるレポートもある。

興味深いのは、「需要」はむしろ伸びていることだ。北米全体で見ると、シェア型のマイクロモビリティ（シェア自転車やシェアスクーター）の利用回数は2024年に2億2,500万回に達し、前年から約3割増加したと報告されている。つまり、ユーザーの行動としてはモビリティサービスを使う方向に動いている一方で、投資家は「赤字を垂れ流すグロースストーリー」から、「収益性と規制対応を前提にしたビジネスモデル」へと評価軸を切り替えたということになる。

結果として、米国のモビリティスタートアップは、次のような圧力にさらされている。ひとつは、都市や州政府とのパートナーシップを前提にした、より「インフラ寄り」のビジネスへ舵を切ること。もうひとつは、ソフトウェアやデータサービスを通じて既存プレーヤー（自動車メーカー、交通事業者、エネルギー企業）を支える「B2B／B2Gプラットフォーム」として生き残りを図ることだ。派手なユニコーンよりも、地味だがキャッシュフローを生み続ける事業に資金が集まる構図が強まっている。

---

自動運転スタートアップの再編――ロボタクシーの夢と現実

モビリティの象徴として注目を集めてきたのが、自動運転ロボタクシーである。かつては「数年でドライバーはいなくなる」と語られたが、その期待はここ数年で大きく揺さぶられている。

とりわけインパクトが大きかったのが、GM（ゼネラル・モーターズ）による自動運転子会社Cruiseへの投資停止と、ロボタクシー事業からの撤退決定だ。GMは2024年末にCruiseへの資金拠出をやめ、ロボタクシーの商業化ではなく、自社車両向けの高度運転支援機能（Super Cruiseなど）にリソースを振り向ける戦略転換を発表した。Cruiseは2016年以降、100億ドル超の投資を受けてきたが、2023年の事故をきっかけに規制当局からの厳しい目にさらされ、事業継続の正当性が問われる形となった。

一方で、自動運転そのものが頓挫したわけではない。カリフォルニア州の走行データを見ると、WaymoやZooxといった企業は2023〜2024年もテスト走行距離を伸ばしており、特にZooxは有人試験（安全ドライバー同乗）でCruiseを上回る走行距離を記録するなど、技術開発は着実に前進している。つまり、「完全自動運転タクシーを全米で一気に展開する」というシナリオが非現実的だったのであって、限定エリアや用途を絞った形での自動運転活用は引き続き模索されている。

宅配向けの自動運転スタートアップも同様だ。路上を走る小型配送ロボットで知られるNuroは、2022年以降、複数回にわたって大規模なレイオフと事業再編に踏み切り、派手な商業展開からいったん距離を置いて研究開発にフォーカスする戦略へと移行した。これは、自動運転ハードウェアのコスト、センサー価格、保険・法規制対応などを考えると、短期的に黒字化するビジネスモデルを組み立てるのが難しいという冷厳な現実の表れでもある。

こうした状況を受け、米国の自動運転スタートアップの多くは、いくつかの方向に分岐しつつある。ひとつは、WaymoやZooxのように、巨額のバック（Google親会社AlphabetやAmazonなど）を得て、時間をかけて「技術と規制の両方を前提にした都市交通インフラ」を目指す路線。もうひとつは、自動運転そのものを前面に出すのではなく、ADAS（先進運転支援システム）やフリート管理、シミュレーションなど、「自動運転関連のソフトウェア・ツール群」として既存メーカーに技術を提供する路線である。

いずれにしても、「ロボタクシーで人間ドライバーを一気に置き換える」というストーリーは後景に退き、「人とAIが共存するかたちで移動の安全性・効率性を高める」という、より地に足のついたテーマに再定義されつつあると言えるだろう。

---

EV・マイクロモビリティインフラに向かうスタートアップのフロンティア

他方で、この数年で最も「熱い」領域のひとつがEV充電インフラ関連のスタートアップである。

Crunchbaseのデータによれば、2023〜2024年にかけてEV充電に特化したスタートアップ65社だけで、累計49億ドル以上のエクイティ資金（VC投資や助成金を含む）を調達している。ここには、急速充電器のハードウェアを開発する企業だけでなく、充電ネットワークの運営、課金・会員管理プラットフォーム、フリート向けエネルギーマネジメントソフトなど、多様なプレーヤーが含まれている。

アメリカ政府側の後押しも大きい。連邦政府や運輸省は、数十億ドル規模の補助金スキームを通じて高速充電ネットワーク整備を支援しており、民間の充電事業者やスタートアップは、これらの公的資金とVCマネーの両方をレバレッジして事業拡大を図っている。

具体的なスタートアップの例としては、ニューヨーク発の「It’s Electric」が分かりやすい。ブルックリンを拠点とする同社は、路上駐車が多く自宅ガレージを持たない住民が多いという都市構造に着目し、住宅や店舗の前の歩道に小型のEV充電器を設置するモデルを展開している。電気代は建物のオーナーが供給し、その代わりに年間数千ドル単位の収入を得られる仕組みを構築し、Uberなどからも出資を受けている。「充電器をどこに置くのか」というインフラの空白を、スタートアップが不動産オーナーとのマッチングを通じて埋めていく典型例と言える。

グローバルに見ると、EV充電インフラのスタートアップは米国、インド、欧州を中心に1000社以上が活動しており、その中でもニューヨークやサンフランシスコは主要ハブとして位置づけられているとの分析もある。米国発のスタートアップは、大規模インフラというより、「ソフトウェアとデータで既存インフラの稼働率を最大化する」方向に強みを持つケースが目立つ。具体的には、充電ステーションのダイナミックプライシング、フリート車両の充電スケジューリング、電力グリッドと連動した需給調整（バーチャルパワープラント）などだ。

一方、マイクロモビリティでは「投資縮小・需要増加」というギャップが続くなかで、スタートアップはよりニッチでB2B寄りの領域へとシフトしている。シェアスクーターのフリート運営から、企業キャンパス内・工場内移動や観光施設内の足としてのマイクロモビリティ提供へと軸足を移したり、デリバリー事業者向けに電動バイク＋バッテリースワップステーションをまとめて提供する「モビリティ・アズ・ア・サービス for 事業者」のようなモデルが登場している。

総じて言えば、アメリカのモビリティスタートアップの最前線は、「人を乗せて走るサービス」そのものよりも、それを支えるインフラとソフトウェア、そして行政・大企業とのパートナーシップ構築へと重心を移している。

---

「交通のスタートアップ」から「インフラのスタートアップ」へ

ここまで見てきたように、アメリカのモビリティスタートアップは、かつてのような「アプリ一つで交通革命を起こす」というフェーズを抜け、「規制」「安全」「インフラ投資」「収益性」といった現実の制約条件と真正面から向き合う段階に入っている。

自動運転ロボタクシーのように、一時は象徴的な存在だったビジネスモデルが後退する一方で、EV充電やマイクロモビリティインフラ、データプラットフォームなど、より目立たないが着実に価値を生む領域に起業家と資本が流れ込みつつある。モビリティをめぐるイノベーションは、車両そのものから、インフラ・ソフトウェア・ガバナンスを含む「エコシステム全体の再設計」へとスケールアップしたとも言えるだろう。

日本からこの動きを眺めると、単にアプリや車両のコピーを目指すのではなく、「都市のインフラ投資」「電力システム」「規制との対話」を含めた総合戦略としてモビリティビジネスを構想することの重要性が見えてくる。アメリカのモビリティスタートアップの現在地は、今後の日本のモビリティ政策・ビジネスモデルを考えるうえでも多くの示唆を与えてくれるはずである。

コロナ禍で一気に拡大した日本のフードデリバリー市場

日本のフードデリバリー市場は、もともと寿司やピザ、仕出し弁当など「電話で注文する出前文化」をベースに成長してきました。ところが2010年代後半から、アプリ経由で注文できるオンライン型のサービスが登場し、構造が大きく変わりました。Uber Eatsが日本でサービスを始めたのは2016年で、当初は東京の都心部が中心でしたが、その後数年で主要都市に広がり、「アプリで頼む出前」という新しい利用スタイルが定着していきました。

転機になったのは新型コロナウイルス感染症の流行です。外食市場全体が2019年比でマイナスとなる一方、デリバリーは大きく伸び、2022年のフードデリバリー市場規模は約7754億円と、2019年比で八割以上増加したとされています。その後も成長は続き、調査会社NPDジャパンのレポートによれば、2023年のデリバリー市場は約8600億円規模と、前年からさらに約一割伸びました。別の民間調査でも、2023年時点のフードデリバリー市場規模は約8620億円とされており、2019年の2倍以上の水準に達していることが示されています。

ここでいう「デリバリー市場」には、アプリ型のフードデリバリーだけでなく、寿司・ピザの出前、ケータリング、ゴーストレストランなども含まれますが、伸びをけん引したのはやはりアプリ型サービスです。背景には、外出自粛や営業時間短縮で飲食店側が新たな販路を求めたこと、テレワークや在宅時間の増加で自宅にいながら食事を済ませたいという需要が高まったことがあります。

コロナが落ち着いた現在でも、「外食は外食、デリバリーはデリバリー」という住み分けが進み、市場は高い水準を維持しています。今後についても、オンラインフードデリバリー市場は2025年度時点で約70億ドル（約1兆円弱）規模から、2033年度にかけて年平均約6％程度の成長が見込まれているとの予測もあり、短期的に「ブームが完全に終わる」というよりは、緩やかな成長フェーズに入ったと見るのが妥当です。

Uber Eats、出前館、Wolt、menu――主要プレーヤーの競争構造

アプリ型フードデリバリーの競争環境を見ると、日本では現在、Uber Eats、出前館、Wolt、menuの四つが主なプレーヤーになっています。2022年時点の分析では、売上ベースの市場シェアはUber Eatsが6割超、出前館が3割強を占めており、この二社が「二強」として市場をリードしてきました。その後もUber Eats優位の構図は続いており、2024年時点でも月間アクティブユーザーのシェアで見ると、Uber Eatsがほぼ半分を占める最大手とされています。

ただし、勢力図は少しずつ変化しています。2024年のモバイルアプリ分析によると、Uber Eatsや出前館は依然として大きな存在感を持ちながらも、Woltやmenuなどの競合にユーザーシェアを一部奪われている状況が報告されています。さらにさかのぼると、2022年にはFoodpanda、DiDi Food、DoorDashといった海外勢が相次いで日本市場から撤退しており、現在は少数のプラットフォームに集約された状態です。

各社の戦略やポジションにも違いがあります。Uber Eatsはほぼ全国の都道府県にサービスを広げたうえで、「Eatsパス」という月額制の配送料定額プランを強化し、ヘビーユーザーの囲い込みを進めています。また、ゴーストレストランやバーチャルブランドの支援にも力を入れ、飲食店が店内営業とは別にデリバリー専用メニューで売上を立てやすいエコシステムを構築しようとしています。

一方、出前館はLINEとの連携を活かし、地方都市や郊外でのシェア拡大に軸足を移しつつあります。都市部ではUber EatsやWoltとの競争が激しいため、地場の飲食店や中小都市の需要を取り込み、「地域密着」の方向に舵を切っているのが特徴です。配達員への報酬体系も、固定報酬から距離に応じた変動型に見直すなど、収益改善とサービス維持のバランスを探っている段階です。

収益面では、外資系と国内企業の明暗も見えます。Uber Eatsは2023年度から2024年度にかけて二ケタ成長を続け、2期連続で黒字を達成したと報じられています。一方の出前館は長らく赤字が続いており、直近では赤字幅を縮小しつつも、本格的な黒字化はこれからという状況です。高額なキャンペーンやクーポンに頼った顧客獲得は、利用者にとってはありがたい半面、事業者の収益を圧迫しやすく、どのように「値引き頼み」から持続的なビジネスモデルに移行するかが大きなテーマになっています。

Woltやmenuは、都市部でのブランド力や特定エリアへの強みを生かしながら、差別化された店舗ラインアップやUIの使いやすさで支持を集めています。加えて、近年はレストランだけでなく、スーパーやドラッグストア、コンビニの商品を届ける「クイックコマース」の機能を取り込む動きも強まっており、「ご飯を運ぶアプリ」から「街のさまざまな商品を運ぶインフラ」へと役割を広げつつあります。

配達員の働き方、飲食店の負担、地方とのギャップ――市場が直面する課題と展望

成長を続ける日本のフードデリバリー市場ですが、便利さの裏側にはいくつかの構造的な課題が横たわっています。その一つが、配達員の働き方をめぐる問題です。フードデリバリーの配達員は多くの場合、企業に雇用された「従業員」ではなく、業務委託契約を結ぶ個人事業主として扱われています。Uber Eats配達パートナーの労働組合との団体交渉をめぐっては、「労働組合法上の労働者といえるか」が争点となった事例もあり、プラットフォームワーカーの法的な位置づけを巡る議論は続いています。

こうした問題意識を背景に、日本では2024年11月から、いわゆる「フリーランス新法」（特定受託事業者に係る取引の適正化等に関する法律）が施行されました。この法律は、フードデリバリー配達員のようなギグワーカーを含むフリーランスへの報酬支払期日の明確化やハラスメント防止など、取引上の保護を強化する内容になっており、プラットフォーム企業側には対応が求められています。しかし、社会保険や労災補償をどこまでカバーするべきかなど、一般の正社員と同じレベルの保護をどう実現するかについては、依然として議論の途中です。

もう一つの大きな論点は、飲食店側の負担です。プラットフォームに支払う手数料は、注文額の二〜三割程度に達するケースもあり、原材料費や人件費が高騰するなかで利益を圧迫しやすい構造になっています。そのため、デリバリー専用の価格を店内飲食より高く設定したり、デリバリー用メニューを絞って原価率を調整したりといった工夫が各店で行われています。消費者としても、「お店で食べるより高い」と感じる場面が増えており、どこまで価格転嫁を受け入れてもらえるかは、今後の利用頻度にも影響しかねません。

地域別にみると、都市部と地方の格差も課題です。人口密度が高く、短距離で多くの配達ができる都市部では、一定のスケールメリットが働きやすい一方、地方や郊外では注文密度が低く、配達効率を確保するのが難しくなります。そのため、Uber Eatsなどは大都市圏を中心に高頻度利用を狙いつつ、出前館はLINEとの連携を通じて地方の常連顧客を取り込むような「棲み分け」が見られます。一方で、地方の中小飲食店がデジタル販路を持つことは、観光需要の取り込みや高齢化した地域での食のインフラ確保にもつながるため、自治体や商工会が支援策を講じるケースも増えています。

今後の展望としては、いくつかの方向性が考えられます。一つは、飲食以外の領域との連携強化です。スーパーやドラッグストア、コンビニの商品を短時間で届けるクイックコマースは、共働き世帯や子育て家庭、高齢者にとって大きな利便性を持ちます。また、日用品と食事を同時に届けることで、一回あたりの客単価を引き上げることも可能です。もう一つは、データとAI活用による効率化で、天候やイベント、エリアごとの需要予測をもとに配達員のシフトやインセンティブを最適化し、待ち時間の短縮と収益性の向上を同時に狙う動きが加速するでしょう。

規模の面では、短期的な急成長期はすでに終わり、今後は「生活インフラとしてどれだけ社会に根付くか」という段階に入っています。配達員の安全と生活の安定、飲食店や小売店が納得できる収益配分、利用者が「高すぎる」と感じない価格水準――これら三つのバランスをどう取るかが、日本のフードデリバリー市場の持続的な成長を左右していきます。便利さの影で見落とされがちな論点にも目を向けながら、この新しいインフラをどう育てていくかが、これからの大きなテーマだと言えるでしょう。

Across enterprise deployments, the decisive variable isn’t only the specific LLM; it’s the infrastructure strategy as well —how organizations provision, govern, and scale GPU capacity. Projects stall not because teams lack ideas, but because we pick the wrong way to power them. We still treat GPUs like a procurement item when they are closer to an operating strategy. If your strategy is still forming—as it is for many sensible companies—the pragmatic default is to borrow first: Start by prototyping on GPU-as-a-Service—run multiple models on top of rented GPUs; validate ROI with live benchmarks before you decide what to build or buy.

Picture a Tuesday budget review. One team wants an on-prem cluster “so we’re not at the mercy of the cloud.” Another wants to keep everything with a hyperscaler because “we can’t wait twelve weeks.” Finance is staring at a graph that looks more like a mountain range than a plan. None of them are wrong. Owning capacity is compelling when you fine-tune frequently, need hard latency guarantees, or must keep data in a strict boundary. You control interconnects and schedulers, and unit costs look attractive—if utilization stays high. But racks and cards are the easy part. The less glamorous reality is drivers, firmware, cooling, observability, security, and an ops team that runs this like a product. Private clusters idling at “respectable” 35% are not cheap; they are expensive in time.

Buying from a managed platform is the opposite energy: idea on Monday, demo on Friday. You borrow the provider’s maturity—tooling, accelerators, global reach—and pay for that privilege. The risks are familiar: multi-tenant guardrails, the creep of lock-in if you don’t standardize interfaces, and egress that bites. But for many programs, speed is the difference between a pilot that ships and a pilot that fades into a wiki.

This is why I nudge uncertain teams toward borrowing—GPU-as-a-Service—first. Treat it as an option, not a crutch. It absorbs spikes, enables honest bake-offs across model families and hardware generations, and turns capital debates into measured operating experiments. After a few cycles, your own data starts to talk back: what you spend per 1,000 tokens, which workloads are spiky theatre and which are boring baseload, where latency really matters (as in users notice) and where it doesn’t. Only then decide what to own, what to reserve, and what to keep elastic.

All of this only works if the architecture is portable by design. Containerize training and inference. Use open interfaces—ONNX for models, KServe/KFServing for serving—and keep a neutral registry so versions don’t vanish into ticket threads. Keep data flows honest about gravity. Retrieval-augmented generation is a good test: embeddings and sources should live where latency and policy demand, not where a provider’s defaults land them. If shifting a workload from borrowed to reserved capacity requires a rewrite, you don’t have an architecture—you have a dependency with good intentions.

Governance can’t wait for “phase two.” Trust is not a slide; it is evaluation harnesses that run every day. Keep a small, boring set of tests—factuality, safety, toxicity, fairness—and run them across environments. Log prompts and decisions. Track lineage from data source to output so auditors, and your future self, can explain why a model said what it said. Apply the same discipline to money. Treat inference like a product with service levels for latency, availability, and cost per request. Then squeeze it: smaller specialist models where they fit; distillation and quantization where they don’t. In the real world, serving—not training—often dominates the bill.

If you want a straightforward way to start, admit uncertainty. Stand up GPU-as-a-Service and run two benchmark rounds: first across model families, then across hardware. Keep the scoring plain—end-to-end latency people feel, accuracy the business accepts, and a cost you can explain to finance without footnotes. Over a quarter, you’ll see a curve of “known work.” Move that steady baseload to owned or reserved capacity—whichever the math favors. Leave seasonality, experiments, migrations, and cross-generation tests on the borrowed tier. Push the lowest-latency inference to the edge where decisions actually happen—shops, plants, fleets—and keep the rest near your data lakes. Most important, operate with one fabric for observability and policy across all three modes so you’re not running three AI programs that merely share a name.

You’ll notice I haven’t said “never build” or “always buy.” The truth is less dramatic. Owning pays when utilization is real and sovereignty is non-negotiable. Buying pays when speed compounds and you need to move a portfolio of ideas across the finish line. Borrowing pays when you’re honest about not knowing the mix yet—and you want the learning to be cheap and fast. That isn’t fence-sitting; it’s how you stop arguing about ideology and start arguing about facts.

My bias is clear: if your strategy is still forming, start with GPU-as-a-Service. It buys time without buying regret and keeps options open while you learn your own economics. When you’re ready, land your baseload where it belongs—owned or reserved—and keep the rest elastic. Do that, and the conversation with your board shifts from “Can we trust this?” to “Where else can we apply it, and what’s the payback?” Compute stops being a bottleneck and starts behaving like what it really is in 2025: an instrument of strategy.

La campaña de Navidad ha sido el tradicional motor económico para muchos sectores, que veían cómo se concentraba en ese período el grueso de sus ventas. Ahora, la Navidad sigue siendo altamente relevante, pero el período de ventas arranca antes y se ha hecho más complejo. Si hace un par de décadas nadie celebraba en España (y en Europa en general) el Black Friday, ahora es uno de los momentos candentes del año. Es uno de los grandes días de consumo.

Un estudio de Ipsos para Amazon concluye que el 72% de la población española adelantará sus compras navideñas al Black Friday y otro de la OCU que el 78% de la ciudadanía acabará haciéndose con algún producto. El gasto medio oscila, tomando los baremos que dan las diferentes estimaciones, en una horquilla que va de los 201 a los 230 euros. Se comprará mucho y se someterá a los sistemas a mucho estrés, de ahí que el Black Friday no solo importe a los departamentos de marketing y ventas. También lo hace para el CIO.

Las compañías lo tienen cada vez más en cuenta. “La concienciación ha aumentado mucho”, explica Stefan Kühn, especialista en documentación informática de FNT Software. “Cada año vemos en las noticias interrupciones del servicio muy sonadas y las empresas comprenden el daño financiero y reputacional que estos incidentes pueden causar”, suma. Y, “aunque hay margen de mejora”, las empresas se preparan antes y con más conciencia de lo que se les viene encima. “La resiliencia del Black Friday no se construye en noviembre”, advierte Kühn. Lo ven quienes lo observan desde fuera, como las empresas que les dan servicios, pero también los CIO que lo trabajan desde dentro.

Un trabajo de meses

“Cada preparación de Black Friday subes un peldaño”, sintetiza Kiko León Barroso, CIO de IskayPet. “Casi empiezas a prepararlo al día siguiente de haber terminado el año anterior, cuando haces un análisis posmortem con los aprendizajes”, indica. El trabajo supone meses de ajustes, mejoras y refuerzos. En Amazon, revisan y analizan en verano, intensifican pruebas en otoño y se ponen en máximos las semanas previas, “endurecemos la seguridad, congelamos cambios de alto riesgo e implementamos las mejoras que han superado todos los controles”, apunta Merce Mariño, directora de Tecnología de AWS España.

Los sistemas TI deben afrontar una avalancha. “Black Friday es, junto con Prime Day, uno de los mayores picos del año”, confirma Mariño, que habla de “millones de sesiones, realización de pedidos y publicación de ofertas, además de las operaciones de inventario y logística”.  Es, además, el pistoletazo de salida para unas semanas muy intensas. ¿Se puede esperar un momento de descanso tras el viernes de compra? “En la práctica, no. Las campañas se encadenan y la continuidad operativa es permanente: Black Friday, Cyber Monday y la campaña navideña”, explica Sergio Peinado, CIO-director de Transformación Digital y Tecnología en Ontime. “La mayor transformación no ha sido solo tecnológica, también cultural. El ‘pico’ ya no es una excepción, sino parte del modelo”, suma.

“El ‘pico’ ya no es una excepción, sino parte del modelo”, reconoce el CIO de Ontime, Sergio Peinado

Los grandes retos del Black Friday

Todo esto convierte a la campaña de Black Friday en un momento de elevada exigencia, en la que se juegan demasiadas papeletas para afrontar una sobrecarga técnica.

 “Lo que suele fallar primero no es un servidor o una base de datos específicos. Es la falta de visibilidad sobre cómo está todo conectado”, indica Kühn. Ese el talón de Aquiles de las empresas, ya que lleva a que el personal TI tenga “dificultades para comprender de dónde proviene el cuello de botella, cómo dependen los componentes entre sí o qué efectos secundarios podría tener un cambio rápido”. “Según mi experiencia, el verdadero punto débil no es la tecnología en sí, sino la ausencia de una visión clara y unificada de toda la infraestructura”, señala.

Peinado suma que “lo más difícil no es la tecnología, sino la gestión de la incertidumbre”. “Es una combinación de volumen, incertidumbre y criticidad”, explica.

Por tanto, la estrategia más eficiente pasa por prevenir antes que curar, testear mucho y dejar todo bien atado antes de que llegue el momento de enfrentarse al frenesí de compras. Mariño explica que hacen pruebas de carga y simulaciones de estrés con las que analizan el estado de sus rutas críticas. “Si algo no alcanza el objetivo, se refuerza”, indica. “Además, contamos con planes de ‘degradación elegante’: si un componente ‘no esencial’ sufre, la plataforma prioriza la disponibilidad y el checkout para mantener el flujo de compra”, suma.

Al final, la tecnología debe conseguir obrar casi algo digno de magia, que en el momento en el que los sistemas afrontan una avalancha de consumidores todo funcione sin problemas. “Lo más complejo es lograr que, aun con un tráfico muy superior al habitual, la experiencia ‘se sienta normal’”, señala Mariño. “El objetivo es que, aunque por detrás haya diez veces más actividad, el cliente navegue, añada al carrito y pague con la misma fluidez de un día cualquiera”, añade. Ellos usan una “arquitectura elástica y distribuida”. “Aquí entran en juego el CDN para contenido estático y dinámico (Amazon CloudFront), el balanceo inteligente de carga (Elastic Load Balancing) y el autoescalado en compute (Amazon EC2 Auto Scaling, AWS Fargate sobre ECS o EKS para contenedores)”, indica, reforzando también la respuesta de sus bases de datos para que sobrevivan a los picos.

“La tecnología debe conseguir obrar casi algo digno de magia, que en el momento en el que los sistemas afrontan una avalancha de consumidores todo funcione sin problemas”, Merce Mariño, directora de Tecnología de AWS

La presión se nota en el canal online, pero también en las tiendas físicas. Allí el personal de tienda debe gestionar ese aumento de ventas, pero para ello necesitan que la tecnología les dé respuesta. León Barroso explica que, más allá de lo que el cliente directo ve, está todo lo que cubre lo que no se ve, desde el cloud a los sistemas de envíos de mensajes de marketing pasando por la logística que permitirá sincronizar ventas en los diferentes canales y llevar los productos al comprador final. Predecir a qué se va a enfrentar su almacén ayuda a que luego pueda “funcionar con su productividad habitual”.

“Las herramientas clave no son las más sofisticadas, sino las que dan visibilidad, control y capacidad de reacción: observabilidad avanzada, cloud-native y automatización de extremo a extremo”, resume Peinado.

El papel de la IA  

¿Y qué papel ocupa en todo esto la inteligencia artificial? La IA se ha integrado ya en las campañas de marketing y en el análisis de patrones. Así, por ejemplo, desde The Valley recomiendan sacarle provecho como guía que anticipa comportamientos y herramienta que optimiza campañas, escogiendo los mensajes más relevantes y posicionando mejor a la marca.

Sin embargo, sería un error limitar la IA solo a lo que puede hacer a nivel marketing y comunicación. Desde el área de tecnología también se emplea para predecir demanda de producto, identificar potenciales fallos, personalizar experiencias o reforzar la seguridad.  “La IA está muy presente y actúa en varias capas”, confirma Mariño. Aunque, eso sí, Peinado recuerda que “no hay que olvidar que la IA es tan buena como la calidad del dato”. No todos los sectores tienen los datos óptimos para sacarle todo ese buen partido.

“La resiliencia del Black Friday no se construye en noviembre”, advierte Stefan Kühn

Momento candente de amenazas

Sobrevivir a los picos de consumo es fundamental para llegar con bien al final de la campaña de Black Friday, pero ese no es el único punto caliente en una temporada que está repleta de retos. Uno de ellos es la ciberseguridad. “La seguridad no puede ser una cuestión secundaria”, recuerda Kühn, que habla de que “el Black Friday es un objetivo perfecto para los ciberdelincuentes”.

Las estadísticas lo confirman. Según investigaciones de NordVPN, las tiendas falsas crecieron en un 250% en estos días previos a la campaña y el phishing y otras estafas que llegan a los usuarios finales alcanza cifras “sin precedentes”. Al fin y al cabo, esto no es más que una extensión de la tónica del resto del año. Según Signicat, una de cada cinco altas de clientes es fraudulenta, el 59% de las empresas se ha enfrentado a intentos de fraude de identidad exitosos y el 22% de los ingresos anuales se va ya a prevenirlos. La Navidad y el Black Friday son puntos calientes para el fraude en pagos, por algo tan básico como el propio flujo de compras se dispara.

Pero todo esto es algo que tienen muy presente los CIO, que listan las amenazas a las que se enfrentan estos días. “En campañas así aumentan los intentos de ataques tipo DDoS, scraping automatizado, de inyección y fraude online”, apunta Mariño. Amazon refuerza su estructura con una larga serie de soluciones propias. “Todo esto se acompaña de simulacros operativos y runbooks claros, con equipos de respuesta 24/7, de modo que cualquier incidente se detecte y mitigue en minutos”, indica la experta.

Aun así, y por mucho que este sea un momento caliente, no es único. “Realmente puede pasar en cualquier momento”, recuerda León Barroso, “y tienes que estar siempre prevenido y preparado. Es la prioridad cero”.

“Esos días buscas tener planes B, C y D para casi todo”, reconoce Kiko León Barroso, CIO de IskayPet

Sobrevivir al Black Friday pasa por el día después

Si durante el resto del año los consumidores no suelen tomarse muy bien que sus compras lleguen tarde o que se extravíen, las cosas se vuelven todavía más complejas durante el Black Friday y la campaña de Navidad. Lo que se compra es, por así decirlo, más sensible, ya que se aprovecha para hacerse con regalos o productos necesarios para las fiestas, y la tolerancia a los errores se desploma. Al tiempo, la cantidad de paquetes y gestiones que deben asumir las empresas se dispara. Que todo fluya es fundamental y, ahí también, los CIO tienen un papel crucial.

Se necesita afinar muy bien para que todo funcione. León Barroso señala que hay que adelantarse a los cuellos de botella, para que no se acaben pasando al transportista. Postergarlos al día después aplazaría el problema, que seguiría estando ahí. Se necesita ser capaz de flexibilizar, de buscar soluciones. “Esos días buscas tener planes B, C y D para casi todo”, apunta. Lo que para los compradores resulta simple tiene, en realidad, mucha infraestructura detrás. “Queremos que lo que se ve parezca sencillo, aunque por detrás haya una operación tecnológica y de datos a gran escala”, apunta Mariño. “Todo está orquestado por software y datos: desde que el usuario hace clic y hasta que recibe el paquete”, explica. “La idea es que la tienda no se caiga, las ofertas sean claras y la logística responda a tiempo”, resume.

La prueba de estrés de estas fechas es también un aviso a navegantes. “El día después es un indicador estratégico del nivel de madurez digital”, señala Peinado, uno que cuenta en qué nivel está la transformación digital de la compañía. Si las cosas fallan, está avisando de que se necesita todavía hacer ajustes y mejoras. “El Black Friday no es la excepción, es un recordatorio. Nuestro sistema debe soportar cualquier escenario, no uno puntual. El objetivo real es operar con elasticidad y resiliencia continua los 365 días”, advierte.

주요 엔터프라이즈 소프트웨어 벤더가 사용자당 요금제 책정 방식을 포기하고 사용량 또는 에이전트 상호작용 기반 요금제로 옮겨가면서, CIO는 라이선스 협상 전반과 AI 활용관리 방식을 사실상 다시 설계해야 하는 상황에 놓였다.

이 같은 요금제 전환 흐름은 부인할 수 없다. IDC는 최근 보고서에서 “AI 에이전트가 반복적인 수작업을 디지털 노동으로 빠르게 대체하면서, 2028년까지 순수 사용자당 가격 책정 모델은 사라질 것이며, 전체 벤더의 70%가 새로운 모델로 가치 제안을 재정비하게 될 것”이라고 분석했다.

비용 변동에 대비해야 할 시점

세일즈포스와 워크데이 경영진은 최근 투자자 대상 콜에서 요금제 변경 가능성을 직접 언급했다. 워크데이 CEO 칼 에셴바흐는 실적 발표 자리에서 “우리는 기존 고객 기반을 중심에 두고 있으며, 단순히 사용자 수가 아니라 사용자당 매출에 집중하고 있다”라고 말했다.

어퍼엣지(UpperEdge)의 자문 실무 책임자인 애덤 맨스필드는 “기업은 내년에 상당한 비용 변동에 대비해야 한다”라고 지적했다. 그는 “사전 보호 장치가 없다면 예기치 않은 중도 가격 인상이 발생할 수 있고, AI 제품이 사용량 기반 라이선스로 전환되면서 예상보다 많은 비용을 부담할 가능성도 크다. 세일즈포스가 에이전트포스(Agentforce)를 통해 사용자 수 기반 모델에서 사용량 기반 모델로 이동하는 사례가 대표적”이라고 설명했다.

맨스필드는 일부 기업이 AI 대화 사용량을 예상보다 훨씬 빠르게 소진하고 있다고 언급했다. 그는 “무엇이 ‘대화’로 정의되는지, 어떤 방식으로 사용량이 산정되는지 명확히 규정하지 않은 채 주문서를 작성해 문제를 겪는 기업도 상당수를 차지한다. 이런 경우 기업은 자신도 모르게 사용량 한도를 초과하게 되고, 그 결과 상당한 추가 비용을 지불하게 된다. 사전에 적절히 협상했다면 피할 수 있었을 상황”이라고 지적했다.

위험을 고객에게 전가하는 구조

그레이하운드 리서치의 수석 애널리스트 산치트 비르 고기아도 같은 의견을 내놨다. 고기아는 “기업용 소프트웨어 요금제가 구조적 재편 단계에 들어섰다. SaaS 계약의 기반이었던 사용자당 요금제는 AI로 인한 인력 축소 흐름 앞에서 점차 힘을 잃고 있다. 비즈니스 가치가 인력 규모에서 자동화 중심으로 이동하고 있다”라고 분석했다. 이어 그는 “이 변화는 작은 조정 수준이 아니라 계약 구조를 근본적으로 뒤흔드는 전략적 전환에 가깝다. 벤더가 단순히 오래된 가격 모델을 없애는 차원이 아니다”라고 지적했다.

고기아는 소프트웨어 업체가 거의 모든 위험을 고객에게 떠넘기고 있다는 점이 핵심이라고 강조했다.

그는 “벤더는 AI 연산 비용 변동성을 고객에게 전가하는 한편, 고객 측 생산성 향상분을 마진으로 흡수하고 있다. 이 같은 위험 전가 구조는 이제 사용량 기반 가격 모델에 깊이 내재돼 있다”라고 설명했다. 또한 “예측 가능했던 기존 라이선스 모델은 크레딧, 인터랙션, 이벤트 등 모호한 단위로 대체되고 있으며, 이는 가치 교환을 흐리도록 설계된 경우가 많다”라고 지적했다. 많은 상황에서 이러한 단위가 투명성이나 사전 정의된 상한 없이 측정되고 있다는 설명이다.

이어 그는 “결과적으로 벤더는 안정적인 마진을 확보하는 반면, 고객은 초과 사용 위험을 떠안게 되는 구조적 비대칭이 고착된다. 효과적인 협상을 위해서는 조달 부서가 AI 메커니즘, 시스템 텔레메트리, 지출을 유발하는 행동 신호를 이해하는 역량을 갖춰야 한다. 그렇지 못하면 계약이 통제 범위를 벗어나 예산이 빠르게 무너질 수 있다”라고 경고했다.

CIO에게 필요한 전략

이런 변화는 기업이 AI 사용량을 출장 경비 예산처럼 엄격하게 배분하고 관리하도록 요구한다. 현재 AI 도입 방식과 비교하면 향후 벤더 협상 전략도 크게 달라질 수 있다.

마켓프루븐AI(Market-Proven AI)의 CEO 애런 퍼킨스는 주요 소프트웨어 벤더를 교체할 때 발생하는 전환 비용이 매우 크기 때문에, 기업이 “다른 곳으로 옮기겠다”라고 압박하는 전략은 실효성이 떨어진다고 지적했다. 더욱이 모든 벤더가 사용자 수 기반 요금제를 포기하게 되면, 애초에 옮겨갈 선택지도 사라진다.

분석가들은 벤더가 새로운 요금제로의 전환을 요구할 때, 협상에서 모든 용어를 명확하게 정의하는 것이 가장 먼저 해야 할 일이라고 입을 모았다.

퍼킨스는 “사용량 기반 모델은 서로 다르게 해석될 수 있다. 사용자가 로그인한 시간만을 의미하는지, 아니면 퇴근 후 자동으로 이뤄지는 백업까지 포함하는지 분명히 따져야 한다”리고 말했다. 그는 “어려운 질문을 해야 한다. ‘사용량이 무엇을 의미하는지 구체적으로 설명하라’고 요구해야 한다”라고 강조했다.

또 다른 전략은 계약 사용량의 상한선을 엄격하게 명시하고, 이를 초과하기 전에 반드시 벤더가 서면으로 승인을 요청하도록 책임을 부여하는 방법이다. 벤더가 승인 없이 초과 사용을 발생시킨다면, 해당 비용은 벤더가 부담하도록 하는 구조다.

퍼킨스는 특히 에이전트 기반 상호작용, 그중에서도 완전 자율형 에이전트의 활동이 가장 까다로운 가격 변수라고 지적했다. 벤더가 에이전트의 행동을 통제하고 양측이 사용량 기반 모델에 합의한 경우, 사용량이 늘어날수록 수익이 증가하기 때문에 벤더는 더 많은 활동을 유도할 가능성이 있다.

무어 인사이츠 앤 스트래티지의 수석 애널리스트 제이슨 앤더슨은 새로운 가격 모델이 적용되기 전에 유예 기간을 요구하는 것이 CIO가 제시할 수 있는 현실적인 출발점이라고 조언했다.

앤더슨은 “1년 정도의 유예를 요구하는 전략이 널리 활용될 것”이라고 말했다. CIO는 이 시간을 통해 현재 사용량을 정확하게 파악하고, 가격 전환 이후를 대비한 모델을 마련할 수 있다. 앤더슨은 이를 위해 핀옵스(FinOps) 관련 역량 강화와 더 정교한 관측·계량 도구 투자가 필요하다면서, “이제 에이전트 사용량을 계량하는 소프트웨어도 어느 정도 수준에 도달하고 있다”라고 조언했다.

앤더슨은 “벤더의 대응 방식도 예측 가능하다. 벤더는 ‘X달러에 10억 개의 토큰을 제공하겠다’는 식으로 제안할 것이다. 토큰이든 요청이든 이제 둘은 거의 같은 의미로 쓰이고 있다”라고 설명했다. 초기에는 대량 선구매 형태이기 때문에 토큰 단가가 낮게 책정되지만, 문제는 기업이 최초 제공량을 초과할 때 발생한다. 그는 “초기에는 대부분의 기업이 한도를 넘기게 될 것이다. 이 경우 벤더는 ‘초과 사용 시 더 높은 요율로 비용을 청구하겠다’고 할 것이고, CIO는 그 비용을 결국 사업 부서에 다시 전가해야 한다”라고 말했다.

자율형 에이전트의 사용량을 통제하려면, 모니터링 시스템에 임계값을 설정해 사용량이 특정 수준에 도달하면 경보가 울리도록 할 수 있다. 앤더슨은 “에이전트 자체에 ‘X개의 토큰 이상 사용하지 않는다’는 정책을 직접 적용하는 방식도 가능하다”라고 말했다.

하지만 위험도 존재한다. DDoS 공격이 호스팅 비용을 급증시키듯, 사용량 기반 계량 체계는 경쟁사나 악의적 행위자가 비용을 의도적으로 끌어올리기 위해 악용할 취약점이 될 수 있다.

앤더슨은 “예를 들어 고객 서비스 에이전트를 공격하기 위해 대량의 봇으로 사용량을 폭증시키면 상당한 비용이 발생할 수 있다”라고 경고했다. 그는 이를 방지하기 위해 계약서에 사기 방지 조항을 포함해야 한다면서, “공격을 입증할 수 있다면 비용을 부담하지 않도록 해야 한다. 이를 위해 적절한 ‘회로 차단기’ 장치를 계약에 내장해야 한다”라고 조언했다.
dl-ciokorea@foundryco.com

CIOs are being forced to rethink almost all elements of licensing negotiations, as well as managing how AI will be used, as major enterprise software vendors look to abandon per-seat pricing and shift to pricing based on consumption and/or agent interactions.

The evidence of such pricing shifts is now all but undeniable. “By 2028, pure seat-based pricing will be obsolete as AI agents rapidly replace manual repetitive tasks with digital labor, forcing 70% of vendors to refactor their value proposition into new models,” said a recent report from IDC. 

Brace for ‘meaningful’ price shifts

Executives from Salesforce and Workday have spoken about such likely pricing changes at recent investor calls. “We are selling back into our base and we’re focused not on just seats, but actually revenue per seat,” Workday CEO Carl Eschenbach told analysts during a recent earnings call. 

That means, said Adam Mansfield, UpperEdge advisory practice leader, “enterprises should brace for meaningful price shifts next year, both through unexpected in-term increases where proper protections aren’t in place and through higher-than-anticipated costs tied to AI products transitioning to consumption-based licensing. Salesforce’s move from per-seat or per-user pricing toward usage-based pricing with Agentforce is a prime example.”

Mansfield said that some enterprises are discovering that they were consuming AI conversations and surpassing the established volume of available conversations far faster than expected. Additionally, “in many cases, they never fully clarified what constitutes a ‘conversation’ or how usage would be counted for their specific use cases, and their order forms are void of the necessary detail. The unfortunate result is that customers inadvertently exceed their volume thresholds and suddenly owe Salesforce more money and, in some cases, it’s a significant amount that could have been avoided with proper up-front negotiation.”

Shifting the risk to customers

Sanchit Vir Gogia, the chief analyst at Greyhound Research, agreed. “Enterprise software pricing is undergoing a systemic reset,” he said. “The per-seat model, long the foundation of SaaS contracts, is collapsing under the force of AI-led workforce contraction, shifting business value away from headcount and toward automation. This is not a marginal evolution. It is a strategic rupture. Vendors are not just retiring outdated pricing logic.”

But, he noted, the critical change is that software companies are trying to shift almost all of the risks to their enterprise customers. 

“Vendors are transferring the cost volatility of AI compute to customers while monetizing customer-side productivity gains as margin. This risk displacement is now embedded in the architecture of consumption pricing,” Gogia said. “What was once a predictable licensing model is being replaced by vague units: credits, interactions, events, deliberately designed to obscure value exchange. In many cases, these units are metered without transparency or pre-defined ceilings. The result is a structural asymmetry: vendors preserve their margin floor while customers absorb the risk of overconsumption. To negotiate effectively, procurement must now develop fluency in AI mechanics, system telemetry, and the behavioral signals that trigger spend. Without this, contracts will outpace control and budgets will unravel fast.”

Tactics for CIOs

This change will force companies to strictly allocate AI usage and manage it, not unlike how T&E budgets are handled. That would mean a sharp change in how AI strategies are deployed, compared with today’s AI efforts. 

Aaron Perkins, CEO at Market-Proven AI, argued that the very high switching costs that enterprises would face if changing major software suppliers would make the threat to go elsewhere less effective. But more importantly, if all vendors abandon per-seat pricing, there won’t be anywhere else to go.

Analysts agree that the first area of negotiation when an vendor pushes a different payment model is to precisely define all terms. 

“A usage model means multiple things to multiple people. Are we talking just when a user is logged in or are we talking about backups that happen after they log off for the evening?” Perkins asked. “Ask the hard questions. ‘Explain to me what constitutes usage.’”

Another tactic is to negotiate strict ceilings on how much usage is being purchased and put the onus on the vendor to reach out to you in writing and ask for permission to go beyond that. If they don’t get that permission, then they have to eat any overage costs.

Perkins stressed that agentic interactions, especially fully autonomous interactions, pose an especially challenging pricing situation. If the vendor controls what the agent does and both parties have agreed to a consumption model, the vendor has an incentive to generate more activity so that it can charge more money.

Jason Andersen, principal analyst for Moor Insights & Strategy, recommends that CIOs start by insisting on a delay before the new pricing model goes into effect. 

“Asking for a one year stay of execution is a tactic people will follow,” Andersen said. This gives the CIO time to track current usage and to prepare pricing models for when the change happens. That means investing more in FinOps and purchasing better observability tools, he observed, noting, “we are starting to see decent software to meter these agents.”

“The vendors are going to respond ‘I am going to give you a billion tokens for X dollars. Tokens or requests, the terms are becoming interchangeable,” Andersen said. That will deliver a lower per-token cost initially because it will be a large upfront purchase. The catch is that if the enterprise goes beyond that initial number, and in the beginning, almost all enterprises will, then there will be a penalty or overuse charge. “The vendor will say ‘If you go over, I am going to keep taking your money but at a higher rate.’ You’ll then have to pass [the cost] along to the line of business,” he pointed out.

To manage consumption by autonomous agents, monitoring systems can be coded to set off an alarm when usage hits a threshold. “You can put policies on the agents themselves that ‘You shall not use more than X tokens,’” he said.

But there are risks. Just as a DDoS attack can force an enterprise to pay far more for hosting, usage metering can expose the enterprise to attacks from a rival company or a cyberthief looking to punish the enterprise. 

“If you have a customer service agent and they launch a series of bots to drive up usage,” that can cost a lot, Andersen said. He therefore recommends adding contract provisions to prevent this: “some sort of fraud protection. If I can prove that I am being attacked, I don’t have to pay for it. But you need to have the right circuit-breakers built into it,” he said.

현재 높은 수요를 보이는 대표적인 역량에는 핀옵스(FinOps)가 있다.

기업은 AI 도입이 클라우드 비용을 급격히 증가시킬 수 있다는 우려를 갖고 있다. 따라서 클라우드 환경을 재정적으로 효율적으로 운영할 능력을 갖춘 IT 인재가 최근 높은 관심을 받고 있다.

하지만 IT 채용·아웃소싱 서비스 기업 하비 내쉬(Harvey Nash)의 CIO 앙쿠르 아난드는 AI와 자동화가 핀옵스 업무를 더 안정적으로 수행하는 수준에 빠르게 도달 중인 만큼, 해당 역량이 향후 1~2년 뒤에도 지금만큼 각광받을지 의문이라고 지적했다.

아난드는 역량 수요가 빠르게 상승했다가 곧바로 하락하는 현상이 핀옵스만의 문제가 아니라, 오늘날 다양한 IT 역량 전반에서 나타나는 흐름이라고 설명했다.

그는 “1970~80년대만 해도 IT 역량의 수명은 10년 이상이었다. 지금은 2년도 되지 않는 경우가 많다”라고 말했다.

아난드의 주장은 예외적인 관점이 아니다. 세계경제포럼(WEF)을 비롯한 여러 글로벌 분석기관은 과거 수십 년 동안 유지되던 직무 역량의 ‘반감기(half-life)’가 이제 약 7년 수준으로 줄어들었다고 봤다. 2023년 IBM 조사에서도 경영진은 향후 3년 동안 AI와 자동화 도입의 영향으로 전체 직원의 약 40%가 재교육을 받아야 할 것으로 예상했다. 또한 2025년 WEF 보고서는 2025년부터 2030년 사이 기존 역량의 약 39%가 변화하거나 더 이상 유효하지 않게 될 것이라고 전망했다.

IT 분야에서는 이러한 변화가 더 극적으로 나타나고 있다. 연구자들은 최근 주목받는 IT 역량이 불과 2년, 혹은 몇 달 만에 구식이 될 수 있다고 분석했다.

이런 변화는 IT 조직 전반에 상당한 압박을 주고 있다. 아난드는 “기술 발전 속도가 기술 인재의 역량 개발 속도보다 빠르다”라고 언급했다.

IT 기술 시장의 급격한 변화는 개인의 경력 계획만 흔드는 것이 아니다. IT 기능 전체와 조직 운영 방식 전반에도 영향을 미치고 있으며, 이로 인해 CIO와 HR 리더, 경영진은 직원이 빠르게 재학습하고 발전할 수 있는 환경을 만들 전략을 고민해야 하는 상황이다.

인포테크 리서치 그룹(Info-Tech Research Group) CIO 실무 연구 책임자인 헤더 라이어-머리는 “IT 분야는 거의 18개월마다 변화를 겪고, 이에 따라 필요한 역량도 달라진다. 기존 역량이 완전히 사라진다는 의미는 아니지만, 이는 IT 인재가 얼마나 유연하게 움직일 수 있어야 하는지를 보여준다”라고 말했다.

관련성 높은 IT 역량의 변화

인포테크 리서치 그룹은 ‘IT 인재 트렌드 2025’ 보고서에서, “기술 관점에서 기능적 역량은 평균 2.5년마다 구식이 된다”라고 분석했다. 보고서는 또한 “성숙한 조직일수록 전반적인 역량을 변경해야 한다는 필요성을 인식할 가능성이 높으며, 이러한 조직은 AI·ML 역량을 핵심 역량으로 볼 가능성이 2.5배나 높았다. 이들 조직은 미래의 요구와 목표를 충족할 준비가 가장 잘 되어 있을 것”이라고 진단했다.

또한 인포테크는 보고서 조사에 참여한 IT 전문가의 95%가 2030년까지 적어도 일부 역량에 변화가 필요하다고 답했다. 응답자의 28%는 대부분의 역량이 바뀌어야 한다고 했으며, 17%는 모든 역량이 변화해야 한다고 판단했다.

IT 교육·자격 인증 기관 컴티아(CompTIA)의 최고 기술 에반젤리스트인 제임스 스탱어는 수십 년에 걸쳐 가속된 기술 혁신 속도가 IT 역량의 빠른 교체 주기를 주도하는 핵심 요인이라고 설명했다.

스탱어는 “예를 들어 헬스케어 분야에서 클라우드 전용 솔루션을 개발하는 전문가들의 경우, 주요 벤더 도구가 평균 한 달 주기로 바뀌는 상황을 목격하고 있다”라고 말했다.

IT 리더들은 어떤 IT 역량이 필요해지고, 어떤 역량이 낡아지는지를 결정하는 데 AI와 자동화가 큰 영향을 미친다고 봤다. 1~2년 전만 해도 숙련된 인재가 직접 수행하던 반복 업무 상당수가 이제 AI와 자동화에 의해 처리되고 있다. 앞으로는 더 많은 전문적 업무까지 자동화되면서, 요구되는 IT 역량의 유형은 더욱 빠르게 변화하고 불필요해지는 역량도 늘어날 전망이다.

서비스나우(ServiceNow)의 최고 디지털정보 책임자 켈리 로맥은 “과거에는 수작업 기반 서비스 데스크 운영, 인프라 관리, ERP 심층 설정 등이 3~6년 뒤까지도 안정적으로 유지될 핵심 역량이었다. 하지만 자동화와 AI가 워낙 빠르게 발전하면서, 이런 역량은 앞으로 1~3년 정도만 의미를 갖고 그 이후에는 완전히 재편될 수 있다”라고 진단했다.

유연하고 민첩하며 적응력 있는 인재 필요

로맥을 포함한 IT 리더들은 IT 직무 자체가 사라지는 것이 아니라고 강조했다. 개발자, 엔지니어, 아키텍트, 보안 전문가 등은 앞으로도 지속적으로 필요할 전망이다. 다만 이들이 일상 업무에서 활용하는 기능의 변화 속도가 어느 때보다 빨라졌다는 점이 문제라는 지적이다.

일부 CIO와 IT 자문가는 역량의 수명이 짧아지는 현상이 모든 조직에 동일하게 나타나는 것도 아니라고 설명했다. 여전히 기존 기술을 운영하는 기업에서는 특정 역량이 오래 유지되는 경우도 있기 때문이다.

테크 전문 채용 플랫폼 다이스(Dice)의 ‘2025 기술 연봉 보고서’는 이 같은 이중적 현실을 보여준다. 보고서에 따르면 최근 가장 빠르게 연봉이 상승한 역량은 AI, 데이터, 클라우드 엔지니어링이었지만, 여기에는 수십 년 전 처음 등장한 기술도 포함됐다. 그 중에서 자연어 처리(NLP)와 문서 데이터베이스는 각각 1위와 2위를 차지했고, 코볼(COBOL)은 7위, 루비(Ruby)는 10위에 올랐다.

IT 리더들은 오늘날 각광받는 역량 중 어떤 것이 루비(1993년 개발)나 코볼(1959년 개발)처럼 장기적인 생명력을 가질지 예측할 수 없다고 진단했다. 기술 발전과 혁신 속도로 인해 몇 달 만에 사라질 역량이 무엇인지도 단정할 수 없다는 것이다.

대신 IT 리더들은 세계경제포럼(WEF)이 ‘역량 불안정성’이라고 부르는 환경 속에서 어떻게 적응하고 성장할지 학습해야 한다고 조언했다.

컴티아의 스탱어는 과거처럼 IT 인재가 파이썬 프로그래밍 언어와 같은 특정 역량 하나만으로 장기적인 경력을 보장받던 시대는 지났다고 지적했다. 그는 “어떤 역량은 매우 빠르게 부상했다가 또 빠르게 사라진다. 따라서 이제는 새로운 역량을 얼마나 신속하게 습득할 수 있는지가 기준이 돼야 한다”라고 말했다.

라이어-머리는 CIO가 직원들이 역량을 개발할 수 있도록 시간을 확보해 주고, 현대적 IT 조직의 업무 요구를 따라갈 수 있도록 팀원들에게 더 많은 코칭을 제공해야 한다고 말했다. 그는 CIO에게 성장 마인드셋을 갖춘 인재를 채용하거나, 기존 직원이 이런 태도를 키우도록 지원할 것을 조언하고 있다.

피닉스대학교(University of Phoenix) IT 부서의 애자일 피플 리더인 타이 존스는 이러한 방향성을 실제로 실행하고 있다고 언급했다. 애자일 피플 리더는 CIO 제이미 스미스가 미래 업무 환경에 대비하기 위해 최근 신설한 직책이다.

존스는 “일하는 방식이 계속해서 재정의되고 있다”라고 말하면서, 일부 IT와 HR 리더들이 9월에 IT·데이터 직군이 빠르게 변하는 환경에서 성공하기 위해 갖춰야 할 역량 목록을 공개했다고 설명했다. 이 목록에는 창의적 문제 해결, 리더십, AI 윤리 활용, 적응력, 호기심, 끈기, 커뮤니케이션, 기술적 유창성, 미래 트렌드 이해, 주도성, 혁신 등이 포함됐다.

존스는 대학 IT 리더십이 코칭을 통해 이러한 역량을 개발하도록 지원하고 있으며, 직원들이 새로운 역량을 익힐 수 있도록 업무 시간 중 일정 부분을 학습에 할당하고 있다고 전했다.

존스는 “엔지니어와 기술 조직은 새롭게 등장하는 어떤 역량이든 즉시 받아들일 준비가 되어 있어야 한다. 계속해서 자신을 재정비해야 한다. 피닉스대학교 IT 조직은 조정하고 유연하게 움직이는 능력을 강조하고 있다. 호기심이 있고 배울 수 있는 사람이 필요하다”라고 설명했다.
dl-ciokorea@foundryco.com

자동차를 구매할 때는 창문 스티커에 적힌 공인 연비를 먼저 보기 마련이다. 1리터로 18km를 달린다는 수치를 보면 기대가 커지지만, 막상 차를 집까지 몰고 오면 실주행 연비는 그보다 훨씬 낮게 나온다는 점을 깨닫는다. 제조사가 평지나 내리막길, 최적의 조건만 가정해 측정한 결과가 아닌가 하는 생각이 들 때가 많다.

AI 생산성을 둘러싼 논의도 이와 크게 다르지 않다. 글로벌 컨설팅사의 보고서든, 최신 AI 플랫폼을 앞세운 벤더의 설명이든, 혹은 CEO가 요청한 ROI 전망이든 대부분의 예측은 지나치게 낙관적이다. 문서로만 보면 그럴듯해 보이지만 실제 업무 환경에서는 기대치에 미치지 못하는 경우가 많다. 과장된 전망을 전제로 전략을 세우면, 조직은 목표에서 벗어나기 쉬운 기반을 스스로 만들게 된다.

디지털 전략 컨설턴트로 일하면서, 잠재력이 주는 기대감과 실제 실행 과정의 현실성을 균형 있게 반영하는 새로운 기준이 필요하다는 점을 여러 차례 확인해 왔다. 흥미로운 점은 이런 접근법의 출발점이 기술이 아니라 금융 분야에서 나왔다는 사실이다.

‘할인율’을 적용할 필요성

금융 분야의 기초 재무 과정에서 가르치는 현금흐름 할인법(DCF)을 참조할 만하다. 이는 투자를 평가할 때 미래에 발생할 현금흐름을 모두 합산하는 대신, 시간과 위험을 고려해 그 가치를 할인하는 방식이다. 내일 받을 1달러는 오늘의 1달러보다 가치가 낮고, 그 1달러가 실제로 들어올지 불확실하다면 가치는 더 떨어진다.

AI 생산성을 평가할 때도 이와 같은 사고방식이 도움이 된다. “코파일럿이 개발자 생산성을 2배로 높인다”와 같은 표면적 수치는 잠재력을 최대치로 가정한 값일 뿐이다. 실제 계획에 활용할 수 있는 현실적인 수치를 얻으려면 3가지 요소를 감안해 ‘할인’해야 한다. 이는 목표에 도달하기 위해 사람이 투입해야 하는 노력, 조직이 AI를 받아들이는 데 걸리는 시간, 그리고 AI의 불완전성에서 비롯되는 위험을 의미한다.

사람의 노력: 사람과 기계가 맞물리는 현실

생성형 AI는 일을 대신해주는 ‘자동 조종 장치’가 아니라 속도를 높여주는 ‘가속기’에 가깝다. 문제를 정의하고, 모델이 올바르게 작동하도록 안내하며, 최종 결과를 검증하는 과정은 여전히 사람이 맡아야 한다. 예를 들어 소프트웨어 엔지니어링에서는 깃허브 코파일럿(GitHub Copilot) 같은 도구가 즉시 실행 가능한 코드를 만들어주지만, 그 코드 상당수는 여전히 디버깅과 테스트, 수정이 필요하다.

한 고객사의 파일럿 프로젝트에서 엔지니어들은 업무 시간의 약 4분의 1을 AI가 생성한 코드를 검토하거나 다시 작성하는 데 사용했다. 생산성은 분명 의미 있는 수준으로 올랐지만, 벤더가 흔히 주장하는 ‘생산성 2배’와는 거리가 있었다. 실제 수치는 약 40% 향상에 가까웠고, 이는 훨씬 현실적이면서도 지속 가능한 수준이었다. 결론은 명확했다. AI는 역량을 증폭시키지만 사람의 판단을 대신하지는 못한다. 이를 생산성 전망에 반영해야 모델은 더 신뢰할 수 있고 계획은 더 현실적이 된다.

도입 속도와 확산 곡선

또 다른 중요한 요소는 기술 도입 속도다. AI로 인한 생산성 향상은 한꺼번에 나타나지 않는다. 다른 엔터프라이즈 기술과 마찬가지로, 도입 과정은 학습과 실험, 확산을 거치며 점진적인 곡선을 그린다.

포춘 500대 제조 기업의 한 사례를 살펴볼 만하다. 이 회사는 코드 개발용 코파일럿 도입을 추진하면서 이러한 도입 곡선을 직접 모델링했다. 첫해에는 전체 개발자의 약 4분의 1만 활발히 도구를 사용했다. 시간이 지나면서 도입률은 꾸준히 증가했고, 비용과 효과도 일상적인 개발 흐름 속에서 자연스럽게 확대될 것으로 예상됐다. 이들은 4년에 걸친 도입 기간을 기준으로 ROI를 산정해 조직이 변화에 적응할 수 있는 속도와 맞는 예측치를 제시할 수 있었다. 결과적으로 가파르고 비현실적인 상승 곡선이 아닌, 신뢰할 수 있는 전망을 확보했다.

강력한 비즈니스 사례가 있어도 생산성은 저절로 발생하지 않는다. 도입에는 시간, 교육, 그리고 반복적인 사용 경험이 필요하다. 이런 현실적 조건을 추정치에 포함해야 계획은 방어 가능하면서도 실제 실행으로 이어질 수 있다.

위험 조정: AI 환각을 반영

모든 생산성 모델은 위험 요소도 고려돼야 한다. 가장 성능이 뛰어난 시스템도 오류를 낼 수 있으며, 그로 인한 운영·평판 측면의 비용은 상당할 수 있다.

이런 사례는 뉴스에서도 어렵지 않게 볼 수 있다. 올해 한 글로벌 기술 기업은 AI 이미지 생성기가 부적절한 결과를 만들어내자 마케팅 캠페인을 전면 철회했다. 문제는 관리 부재가 아니라 위험을 과소평가한 것이었다. 기업은 문제를 해결하고 공지·조율 작업을 진행하며 신뢰를 회복하는 데 수 주를 투입해야 했다. 이 회복 기간 동안 투입된 시간과 자원은 본래 생산 업무에 사용될 수 있었다.

CIO가 생산성을 추정할 때는 이런 불가피한 시행착오를 감안해야 한다. 결과물 검증, 오류 수정, 후속 조치에 필요한 시간과 노력이 분석에 포함돼야 한다. 투자자가 위험이 큰 자산에 더 높은 수익률을 요구하는 것처럼, 기술 리더도 위험성이 높은 AI 활용에 대해서는 생산성 기대치를 조정해야 한다.

개념에서 실천으로

‘할인된 생산성’ 개념은 실제 현장에 적용할 때 비로소 힘을 발휘한다. 예를 들어 한 소프트웨어 엔지니어가 코파일럿을 사용한다고 가정해보면, 이론상 생산성은 2배까지 늘어날 수 있다. 하지만 사람 검증 과정, 점진적인 도입 속도, 위험 요소를 반영하면 현실적인 생산성 증가는 30~40% 수준에 가까워진다.

이를 시각화하면 폭포수(waterfall) 차트 형태가 된다. 전체 AI 기회 규모를 출발점으로 두고, 사람의 노력, 도입 속도, 위험 요인을 고려해 하나씩 차감해 나간다. 그렇게 남는 수치가 실제로 달성 가능한 생산성 향상이며, 팀의 실제 업무 방식을 반영한 값이기 때문에 CFO나 CEO에게도 자신 있게 제시할 수 있다. 경험이 쌓이면 이 수치를 넘어설 가능성도 충분히 있다.

서로 다른 AI의 ‘연비’

AI는 업무 방식을 빠르게 바꾸고 있다. 하지만 새 차의 공인 연비가 실제 주행 환경에 따라 달라지듯, AI 성과 역시 조직의 환경, 구성원의 활용 방식, 실행력에 따라 크게 달라진다. 생산성에 ‘할인율’을 적용해 바라보는 관점은 CIO와 기술 리더가 AI 기술의 잠재력과 실제 성과 사이의 간극을 좁히고, 신뢰할 수 있고 방어 가능하며 실현 가능한 기대치를 세우도록 돕는다.

AI 역시 운전과 마찬가지로, ‘연비’는 상황에 따라 달라질 수밖에 없다.
dl-ciokorea@foundryco.com

컨설팅 기업의 시니어 전문가로 리테일 대기업의 DX 프로젝트에 합류했을 때, 첫 회의는 예상대로 흘러갔다. 회의 내용이 ‘더 많은 도구가 필요하다’는 데 집중된 것이었다. 효율성을 논의할 때마다 대화는 또 다른 벤더 데모나 플랫폼 제안으로 이어졌고, 워크플로우용 SaaS부터 고객 서비스를 위한 챗봇, 분석 업무를 위한 AI 대시보드까지 끊임없이 도구 목록이 늘어났다.

이는 많은 조직이 습관적으로 보이는 반응이다. DX의 의미가 새로운 도구를 도입하는 것으로 여겨지고, 경영진은 구매한 기술의 개수로 성과를 판단하는 경우가 많다. 그러나 회의 참여자들이 ‘현재 부족한 시스템’을 열정적으로 나열하는 모습을 보며 문득 의문이 떠올랐다. 과연 우리는 비즈니스를 전환하고 있는 것일까, 아니면 그저 도구 상자만 더 키우고 있는 것일까? 하는 질문이었다.

이런 패턴을 이미 여러 차례 목격해 왔다. 좋은 의도로 플랫폼을 계속 추가했지만, 결국 더해지는 건 역량이 아니라 복잡성이었다. 그래서 당시 기준으로는 다소 역행하는 제안을 꺼냈다. 더 추가하기 전에, 먼저 무엇을 뺄 수 있는지 살펴보자는 것이었다.

이 제안에 회의실은 잠시 조용해졌고 몇몇은 놀란 표정을 지었지만, 그 대화는 지금까지 참여했던 프로젝트 가운데 가장 효과적인 DX 프로그램으로 이어지는 계기가 됐다.

과도한 도구 사용의 숨은 비용

오늘날 기업에서 ‘도구 확산(tool sprawl)’은 눈에 잘 드러나지 않지만 막대한 비용을 초래하는 요인이다. 여러 산업에서 조직은 통합 속도를 따라가지 못할 만큼 중복 소프트웨어를 빠르게 쌓아 올리고 있고, 이로 인해 혼란이 발생하고 데이터가 중복되며 구독 비용이 증가하고 있다.

해당 리테일 기업도 예외는 아니었다. 각 업무 부서가 선호하는 도구를 제각각 들여오면서, 프로젝트 관리 보드, 고객 피드백 수집 도구뿐만 아니라 협업 앱만 해도 6개가 넘었다.

프로젝트에 참여한 첫 달에 해당 기업의 디지털 생태계를 전면 조사했는데, 결과는 예상을 훨씬 뛰어넘었다. 조직 전체에서 실제 사용 중인 애플리케이션이 142개에 달했고, 협업용 도구만 해도 12개가 넘었다. 일부 부서는 동일한 프로세스를 처리하기 위해 3가지 도구를 동시에 사용해 기록이 중복되고, 책임 소재가 불분명해지는 경우도 나타났다.

워크숍에서 한 팀장은 “적절한 파일을 찾는 게 새 직원을 찾는 것보다 어렵다”라고 농담처럼 말했다. 가볍게 한 말이었지만, 업무에서 겪는 좌절감이 정확하게 드러났다. 생산성을 끌어올려야 할 기술이 오히려 사람들의 속도를 늦추고 있었던 것이다.

이런 혼란을 해결하기 위해 많은 리더가 새로운 소프트웨어를 덧붙이는 방식으로 대응한다. 그러나 하버드비즈니스리뷰가 지적하듯, 도구가 많아진다고 생산성이 자동으로 높아지는 것은 아니며, 오히려 혼란만 가중시킬 수 있다.

추가보다 감축을 선택

문제 해결을 위해 2가지 간단한 질문에서 시작했다.

1. 사람들이 실제로 매일 사용하는 도구는 무엇인가?
2. 각 도구가 제공하는, 측정 가능한 가치는 무엇인가?

이 두 질문이 대화를 완전히 바꿔 놓았다. ‘빠져 있는 것은 무엇인가’에서 ‘실제로 잘 작동하는 것은 무엇인가’를 묻기 시작했다.

이후 직원을 대상으로, 사용 중인 도구의 유용성과 도입 용이성을 익명으로 평가하는 세션을 여러 차례 진행했다. 결과는 예상보다 더 명확했다. 전체 도구의 약 40%는 활성 사용자가 15%에도 미치지 못했다. 일부는 파일럿용으로만 도입돼 확장하지 못한 도구였고, 또 일부는 이미 엔터프라이즈 시스템에서 제공하는 기능과 그대로 중복됐다.

예를 들어, 3개 부서가 각각 별도의 설문 조사 도구를 유료로 사용하고 있었지만, 사실 CRM만으로도 피드백 수집 기능을 충분히 처리할 수 있었다. 또 다른 분석 플랫폼은 재무팀이 내부적으로 이미 만들고 있는 보고서와 거의 동일한 결과를 내고 있었다.

이 내용을 공유하자 한 임원이 “그렇다면 우리 소프트웨어의 3분의 1을 줄여도 아무도 눈치채지 못한다는 건가요?”라고 물었다. 이에 “눈치채긴 할 겁니다. 좋은 방향으로요”라고 답했다.

이 대화가 첫 통합 파일럿 프로젝트로 이어졌다. 주요 대상은 부서별 파편화가 심했던 협업 도구와 분석 시스템이었다. 다만 기존 시스템에 익숙하던 일반 사용자들이 반발하고 나섰다. 이에 사용자 경험을 중심으로 대응해, 도구 간소화가 로그인 횟수를 줄이고, 데이터를 일관되게 하며, 응답 속도를 높인다는 점을 구체적으로 보여줬다. 그렇게 조금씩 공감대가 형성되기 시작했다.

기술 스택 간소화

가장 먼저 착수한 일은 협업 환경의 표준화였다. 13개에 달하던 커뮤니케이션 플랫폼을 4개로 줄이고, 단일 로그인 체계를 도입했으며, 승인된 도구들을 사내 인트라넷과 연동했다. 이제 팀은 필요한 정보를 찾기 위해 여러 채팅 창, 업무 추적 도구, 문서 포털 사이를 오갈 필요가 없어졌다.

다음으로는 분석과 보고 체계를 정비했다. 여러 BI 도구에 흩어져 있던 대시보드를 남기는 대신, 핵심 지표를 하나의 통합 화면으로 모았다. 또 데이터 거버넌스 체크리스트를 마련하고, 보고서 스케줄링을 자동화해 수작업으로 일일이 맞춰보는 과정을 없앴다.

이 작업에는 약 5개월이 걸렸지만, 효과는 즉각적이었고 수치로도 명확하게 드러났다.

• 첫 해 소프트웨어 라이선스 비용 25% 절감
• 남은 도구의 활성 사용률 38% 증가
• 벤더 연동 수를 절반으로 줄이며 보안 구조 간소화
• 시스템 간 이동이 줄어든 덕분에 직원 만족도 향상, 특히 매장 관리자들의 평가가 뚜렷하게 개선

몇 달 후, 한 부서장이 “이제 필요한 정보를 찾으려고 세 사람에게 전화할 필요가 없어졌다”라고 말했을 때가 가장 인상적인 순간이었다. 그 말을 듣는 순간, 도구 간소화 전략이 확실히 효과를 냈다는 걸 알 수 있었다.

이 경험은 연구 결과와도 일치한다. 리워크드 조사에 따르면, 여러 협업 도구를 동시에 사용해야 하는 직원은 하루에 최대 한 시간의 생산성을 잃고 있다. 실제로 확인한 데이터도 이 추정치와 거의 정확히 맞아떨어졌다.

도구 간소화 전략에서 얻은 교훈

돌이켜보면 특히 놀라운 점은 비용을 얼마나 절감했는지가 아니라, 조직의 시야가 얼마나 선명해졌느냐였다. 도구 간소화는 자연스럽게 조직 시스템을 일관되게 만들었다. 중복된 도구가 사라지자 팀들은 소프트웨어가 아니라 실제 협업을 통해 더 많이 소통하기 시작했다. 모두가 동일한 데이터와 시스템을 사용하자 의사결정 속도도 훨씬 빨라졌다.

한 임원은 “안개가 걷힌 느낌”이라고도 표현했다. 단순히 도구가 줄어든 것이 아니라, 일하는 목적이 다시 또렷해졌다는 의미였다.

이 프로젝트에서 어려웠던 부분은 기술적 실행이 아니었다. DX가 곧 ‘도구를 추가하는 일’이라는 인식을 바꾸는 과정이었다. 오랫동안 조직은 도입한 기술의 개수로 디지털 성숙도를 판단해왔다. 그러나 하버드비즈니스리뷰는 생산성을 만들어내는 것이 도구 자체가 아니라 사람과 프로세스라고 지적한 바 있다. 필자의 경험 역시 이 주장과 거의 유사했다.

해당 프로젝트를 통해 얻은 주요 교훈은 다음과 같다.

• 간소화는 혁신을 가능하게 한다. 기반이 불안정하면 혁신은 일어나지 않는다. 통합은 운영뿐만 아니라 정신적인 여유도 확보해 준다.
• 도구 거버넌스는 필수다. 새로운 플랫폼은 반드시 존재 이유를 설명할 수 있어야 하며, 기존 시스템 대비 어떤 가치를 추가하는지 분명해야 한다.
• 문화가 변화를 받아들이는 힘을 결정한다. 도구를 없애는 결정이 왜 필요한지 이해하지 못하면, 직원은 이를 위협으로 느낄 수 있다. 투명하게 소통하고 이해시키는 것이 결정적인 차이를 만든다.

DX는 더 많은 기술을 빠르게 도입하는 경쟁이 아니다. 올바른 기술이 조직에 지속적인 가치를 제공하도록 만드는 일에 가깝다.

장기적인 기반 구축

도구 통합 단계를 마친 뒤, 해당 리테일 기업의 IT 로드맵은 완전히 달라졌다. 서로 단절된 수십 개의 플랫폼을 유지하는 대신, 통합 최적화와 직원 교육, 분석 역량 강화에 더 투자하기 시작했다. 시스템 기반을 안정적으로 다져놓자, 이후에는 AI 기반 수요 예측, 고도화된 개인화, 프로세스 자동화 같은 신기술을 도입하더라도 확신을 갖고 추진할 수 있었다.

많은 조직이 이 변화를 간과한다. 새로운 도구를 좇는 일이 언제나 매력적으로 보이지만, 실제 전환은 사람과 프로세스가 함께 작동하는 방식을 개선하는 데서 시작된다.

1년 뒤, 해당 기업의 CIO와 다시 만난 자리에서 그는 “새 AI 도구 도입이 아니라 불필요한 요소를 제거한 것이 가장 잘한 결정이었다”라고 말했다. 이 말은 혁신의 역설을 정확히 보여준다. 진전은 때로 무언가를 더하는 것이 아니라 덜어내는 데서 시작된다.

* Pawan Deep Singh는 딜로이트 소속 컨설턴트다. 그러나 본 글은 딜로이트 및 특정 고객사의 입장이 아니다. dl-ciokorea@foundryco.com

AI가 처음으로 강력한 역할을 발휘한 분야는 AI를 만들어낸 컴퓨팅 시스템 내부였다. 컴퓨터 시스템은 하드코딩된 수치로 구성돼 데이터 기반 머신러닝 알고리즘을 적용하기에 최적의 구조이다. 자율주행차는 안개, 보행자, 비 같은 변수에 신경 써야 한다. 반면 기계 내부는 정확한 값으로 구성돼 선명한 결정을 내린다. 항상 단순하지는 않지만 눈보라 속에 차량을 운전하는 일보다 훨씬 쉽다.

AI가 가장 큰 기회를 제공하는 분야는 데이터가 풍부한 백오피스 실무인 데브옵스 영역이다. 운영 담당 조직은 AIOps라는 이름으로 제공되는 다양한 자동화·효율화 도구와 플랫폼을 활용해 최신 AI 알고리즘을 기반으로 IT 인프라를 유지한다.

AIOps 플랫폼이 수행하는 역할

AIOps의 기본 기능 가운데 일부는 클라우드 인스턴스에 소프트웨어를 더 빠르게 배포하도록 속도를 높이는 작업이다. 데브옵스 조직이 수행하는 모든 업무는 부하를 감시하고 수요를 예측하며 요청이 급증하면 인스턴스를 자동으로 확장하는 더 똑똑한 자동화 기능으로 강화됐다.

AIOps 도구는 머신 부하를 예측하고 실제 수치가 예상과 달라지는지 지속적으로 감시했다. 이상 징후는 이메일, 슬랙 메시지, 그리고 편차가 충분히 크면 호출기 알림으로 이어지는 경보로 전환됐다. AIOps 스택의 상당 부분은 경보를 관리해 사소한 문제로 회의나 밤시간을 방해하지 않도록 조정하는 기능에 사용됐다.

이런 비정상 활동 탐지 기능은 보안 강화에도 활용되며, 더 복잡한 영역인 만큼 AIOps 도구가 보안 조직과 데브옵스 조직 양쪽에서 사용됐다.

고급 AIOps 도구는 근본 원인 분석 기능을 제공해 현대적인 기업용 애플리케이션에서 문제가 여러 시스템을 어떻게 연쇄적으로 흔드는지 흐름도를 자동 생성했다. 과부하가 걸린 데이터베이스는 API 게이트웨이를 느리게 하고, 이로 인해 웹 서비스까지 멈춘다. 이렇게 자동 생성된 워크플로우 카탈로그는 문제의 연결 고리를 문서화해 근본 원인을 더 빠르게 찾는 데 도움이 됐다.

최근에는 완전한 자동 운영을 목표로 하는 자가 치유 시스템에 대한 논의가 확대됐다. 일부 관리자는 AIOps에 지나친 권한을 부여하는 데 불안감을 느끼고, 또 다른 관리자는 시스템이 더 많은 IT 티켓을 스스로 해결하는 능력에 관심을 보였다.

생성형 AI : 진화하는 AIOps 인터페이스

일부 AIOps 플랫폼은 생성형 AI를 통합해 운영 인력이 자연어 기반 대화형 방식으로 도구와 상호작용하도록 지원했다. 대화 내용은 여전히 인프라 구조에 대한 매우 기술적인 세부 사항을 포함하지만, SQL 같은 형식 언어가 아니라 사람의 언어로 이루어진다.

이 변화에 대한 반응은 엇갈렸다. 일부 사용자는 이를 통해 충분한 교육을 받지 않은 인력도 IT 환경을 관리할 수 있다고 보았다. 반면 배포 구조의 세부 기술 논의가 중심이 되는 만큼 자연어 인터페이스가 제공되어도 본질적으로 크게 달라지지 않을 것이라고 보는 의견도 있다. 그럼에도 생성형 AI에 회의적인 사용자조차 자연어 기반 대화 기능 자체의 매력은 인정하는 분위기이다.

AIOps 플랫폼 선택 시 고려사항

이번 조사에 포함된 상당수 도구는 오랜 역사를 가진 모니터링 시스템을 기반으로 구축됐다. 초기에는 복잡한 기업 스택에서 발생하는 이벤트를 추적하는 도구였고 이후 AI 기능이 추가됐다. 일부 도구는 AI 연구에서 출발해 외연을 확대한 경우도 있다. 어떤 출발점을 가졌든 AIOps 플랫폼을 평가하는 조직이 가장 먼저 확인해야 할 요소는 데이터를 수집하는 커넥터의 범위이다.

AIOps 플랫폼의 통합 수준은 도구마다 차이가 크다. 대부분 기본적인 데이터 수집 경로는 제공하지만, 일부 커넥터는 다른 도구보다 더 뛰어난 연결성을 제공한다. AIOps 도입을 검토하는 조직은 각 플랫폼이 기업 내부 데이터베이스와 서비스와 얼마나 잘 연동되는지 반드시 확인해야 한다.

현재 사용 가능한 주요 AIOps 플랫폼

기업 IT 인프라를 원활하게 유지하는 작업을 단순화하는 대표 AIOps 도구 14종을 소개한다.

빅판다(BigPanda)

빅판다는 비정상 행동을 탐지하고 문제 해결에 배정된 조직의 업무를 조율하는 데 초점을 맞춘다. 빅판다 플랫폼은 주요 클라우드 서비스 업체와 통합되는 근본 원인 분석과 사전 이벤트 탐지 기능을 제공한다. L1 오토메이션 기능은 문제가 발생한 이후 수행해야 하는 작업 일부를 자동화해 AI 기반 자동화가 더 빠르고 똑똑한 결정을 내리도록 지원한다. 빅판다는 지라나 서비스나우 같은 시스템에 티켓을 생성하고, 경보를 전송하며, 근본 원인을 겨냥한 롤백 전략을 포함한 워크플로우 계획을 제공해 IT 업무 흐름을 단순화한다. 목표는 확장되는 기업 스택을 이해하는 스마트 지식 그래프를 구축하고 안정적 운영을 위한 지능형 계획을 제공하는 것이다.

BMC 헬릭스(BMC Helix)

ITSM 전문가는 종종 문제 해결과 스택 진화를 관리하기 위해 BMC 헬릭스 플랫폼을 활용한다. BMC의 AI 기반 솔루션은 근본 원인 분석과 더불어 팀 구성원 누구나 문제를 진단하고 해결하도록 돕는 대화형 인터페이스에 중점을 둔다. BMC 헬릭스 플랫폼은 AIOps나 백엔드 워크플로우에만 집중하지 않고, 고객 서비스 관리나 보안 운영(SecOps)처럼 외부 대응을 지원하는 통합 제품도 함께 제공한다.

데이터독(Datadog)

데이터독은 워치독이나 비츠 같은 AI 도구를 성능 관리 제품군에 추가해 성능 저하가 시작될 때 데브옵스 조직이 더 지능적인 경고를 받도록 지원한다. 이 도구에는 계절성과 시간대에 따라 조정된 기록 데이터를 기반으로 성능을 예측하는 머신러닝 기반 옵션이 포함된다. 지연시간, RAM 사용량, 네트워크 대역폭 같은 지표가 기준에서 벗어나면 경보가 발생한다. 데이터독은 사람이 개입할 필요성을 줄이기 위해 도구가 자율적으로 행동하는 에이전트형 서비스를 확대하고 있다. 또한 오류를 제거하기 위해 코드를 분석하고 심지어 재작성하는 기능도 미리보기 형태로 제공한다. 이 도구는 데이터독 보안 탐지 시스템과 통합돼 있으며, 가상머신, 클라우드 인스턴스, 서버리스 환경에서도 작동한다.

디지테이트 이그니오(Digitate ignio)

디지테이트의 이그니오 AIOps 플랫폼은 폐쇄 루프 자동화에 중점을 두어 IT 및 비즈니스 운영에 민첩성과 복원력을 제공한다. 이 플랫폼은 내부 및 외부 비즈니스 상태를 모두 모니터링하며, 특히 클라우드 환경에서 비용 최적화에 집중한다. 디지테이트는 이 자동화 도구 모음이 전체 문제의 40%를 사전에 처리하고 일반 구성에서 수작업을 60% 줄일 수 있다고 주장한다. 수백 개의 통합 기능을 지원하며, 다른 기능을 추가하기 위한 로우코드 도구도 제공한다. 디지테이트는 ERPOps나 조달 과정에서 워크로드를 관리하고 문제를 추적·해결하는 기능을 갖춘 제품도 제공한다.

다이나트레이스(Dynatrace)

다이나트레이스의 핵심 전략 기술은 분석, AI, 자동화이다. 머신러닝과 LLM은 클라우드 기반 VM, 컨테이너, 기타 서버리스 환경을 추적하는 포괄적 모니터링 도구에 포함된다. 로그 파일, 이벤트 보고서, 기타 트리거가 입력되고, 다이나트레이스는 이를 정확한 AI 기반 결과라고 부른다. 핵심에는 특정 이벤트 또는 이벤트 묶음을 감시하도록 구성할 수 있는 에이전트 모음이 포함된다. 중심에 있는 AI인 데이비스(Davis)는 결정론적 AI로, 흐름도와 트리를 구성해 이상이나 장애의 근본 원인을 정확하게 찾아낸다. 데이비스는 텔레메트리를 저장하는 데이터 레이크하우스 그레일, 엔터프라이즈 토폴로지를 맵핑하는 스마트스케이프, 수집된 정보를 통합하는 오토메이션엔진과 함께 작동한다. 적절히 구성하면 인스턴스 재부팅 같은 수정 작업을 스스로 트리거해 사람의 개입을 기다리지 않고 문제의 원인을 해결할 수 있다.

깃허브 코파일럿(GitHub Copilot)

대부분 AIOps 도구는 이미 실행 중인 소프트웨어를 지원하도록 설계됐다. 깃허브 코파일럿은 더 이른 단계에서 시작해 코드가 작성될 때 도움을 준다. 깃허브는 “에디터를 가장 강력한 가속기로 만들라”라고 홍보한다. 이 도구는 프로그래머가 입력하는 내용을 지켜보며 완성된 코드를 제안한다. 방대한 양의 오픈소스 코드로 학습한 코파일럿의 제안은 일정 수준의 현실을 기반으로 한다. 새 코드의 최종 저자가 누구인지, AI를 신뢰할 수 있는지, 수많은 오픈소스 개발자에게 어떤 방식의 공로나 인정이 필요한지는 여전히 논쟁거리다. 답은 “그럴 수도 있다” 정도로 모호하다. 더 큰 질문은 코파일럿이 사용자의 코드를 얼마나 잘 이해하며 자동완성보다 실제로 얼마나 더 나은가이다. 이에 대한 답은 대부분의 경우 코파일럿이 더 잘 안다고 할 수 있다.

IBM 왓슨 클라우드 팩(IBM Watson Cloud Pak for AIOps)

IBM은 왓슨 브랜드 AI와 클라우드 제품군을 통합해 AIOps용 왓슨 클라우드 팩을 출시했다. 이 도구는 클라우드 모니터링 소프트웨어가 수집한 데이터를 대상으로 자동 근본 원인 분석 기능을 제공한다. IBM은 AI가 사건 대응을 혼란스러운 책임 공방이 아니라 통합적이고 정보 기반의 해결 과정으로 바꿔준다고 설명한다. 왓슨은 이벤트 스트림을 지속적으로 감시하고, 사전에 설정한 심각도 수준에 도달하면 기본 경보나 자동화된 대응을 수행하도록 구성할 수 있다. IBM은 이 기능을 네트워크, 비즈니스, RPA 등 다른 클라우드 팩 제품군과 통합했다.

로직모니터(LogicMonitor)

로직모니터는 데이터베이스와 데이터 레이크에서부터 네트워크와 가상머신에 이르기까지 기업 스택 전반에서 텔레메트리를 수집하는 하이브리드 확장 플랫폼이다. 이 플랫폼은 클라우드 서비스 전체와 온프레미스 장비 깊숙한 곳까지 도달한다. 3,000개 이상의 통합된 수집기로 확보한 데이터는 표준 규칙과 에이전트형 AI 모음으로 분류·분석·모니터링되어 이상 징후를 탐지한다. 플랫폼에는 근본 원인 분석 기능과 과거 데이터를 기반으로 동적으로 조정되는 임계값에 따라 경보를 생성하는 시스템이 포함된다. 초기 경보 기능은 과거 데이터를 확장해 지연시간, 대역폭 등 지표의 임계값을 계산하는 예측 모듈에 기반한다. 로직모니터는 조직이 실제 이상 행동에 집중하도록 ‘경보 피로’와 ‘경보 폭주*를 최소화하는 데 중점을 둔다.

무그소프트(Moogsoft)

델 테크놀로지스에 인수된 무그소프트는 뉴렐릭, 데이터독, AWS 클라우드와치, 앱다이내믹스 같은 주요 성능 모니터링 도구와 통합되는 전문 AIOps 솔루션이다. 무스소프트는 이벤트의 중복을 제거하고, 다른 소스의 컨텍스트 데이터를 결합해 강화한 뒤, 상관 분석을 거쳐 경보를 생성하는 파이프라인을 제공한다. AI 엔진은 설명 기능을 위해 생성형 AI를 적용하고, 새로운 경보를 과거 행동과 비교해 배치하기 위해 다양한 통계 및 클러스터링 알고리즘을 사용한다. 목표는 사람이 경보를 이해하는 데 겪는 어려움을 줄이기 위한 ‘노이즈 감소’이다.

뉴렐릭(New Relic)

뉴렐릭은 문제가 발생하면 스플렁크, 그라파나, AWS 클라우드와치 같은 여러 클라우드 추적 도구로부터 수집한 성능 데이터를 AI 엔진으로 분석한다. 다양한 잠재적 심각도의 이벤트에 대해 민감도 수준을 유연하게 설정할 수 있다. 예를 들어, 저우선순위 오류는 15분 동안 여러 번 발생할 때만 경보를 울리도록 구성할 수 있다. 반면 서버 장애 같은 고우선순위 이벤트는 즉시 호출기 알림을 보낸다. 이슈 로그는 모든 이벤트를 추적하며, AI가 경보를 생성하는 과정에서 취한 논리적 단계를 정리한 상관관계 결정 보고서를 포함한다. 고객은 분석과 조회를 위해 과거 데이터를 저장하는 방식을 폭넓게 커스터마이즈할 수 있다. 목표는 평균 탐지 시간(MTTD)을 최소화하고, 이어서 평균 조사 시간(MTTI)과 평균 해결 시간(MTTR)을 줄이는 데 필요한 지원을 제공하는 것이다.

페이저듀티(PagerDuty)

이름만 보면 페이저듀티는 사람을 깨워 IT 문제를 해결하게 하는 도구처럼 보인다. 이는 과거 이야기이다. 페이저듀티는 이제 사람을 호출하기 전에 일부 결정을 자동화하는 AI 기반 서비스다. 이 시스템은 내부 문제든 고객 지원 포털을 통해 제기된 문제든 대부분의 인시던트 대응 절차를 자동화하는 데 집중한다.

서비스나우(ServiceNow)

서비스나우가 구축한 플랫폼은 기업 내 모든 업무를 처리할 AI 에이전트 컬렉션 제공에 집중하며, 그중 일부는 AIOps 범주에 속한다. 예를 들어 IT 운영 관리(ITOM) 제품군은 머신러닝과 워크플로우 자동화를 결합해 과거 지식을 기반으로 면밀히 감시하고 신속하게 대응한다. AI 컨트롤 타워는 모든 에이전트를 중앙 허브와 연결해 클라우드 안정성 같은 기본 질문부터 거버넌스와 관리 같은 더 복잡한 질문까지 처리하도록 지원한다. 목표는 기업 스택 전반에 걸쳐 사실상 모든 영역을 포괄적으로 제어하는 것이다.

사이언스로직(ScienceLogic)

사이언스로직의 스카이러 원(Skylar One) 플랫폼은 지능형 감시자 모음을 제공해 엔터프라이즈 클라우드를 감시하고 필요할 경우 개입하도록 설계됐다. 이 제품은 복잡한 하이브리드 환경을 대상으로 완전한 모델을 구축해 AI와 관리자에게 어떤 기능이 작동하고, 어떤 기능이 작동하지 않는지 이해하는 데 필요한 컨텍스트를 제공한다. 플랫폼에는 전통 방식으로 워크플로우를 자동화하기 위한 로우코드 도구와 문제 해결 조언을 제공하는 AI 기반 도구 스카이러 어드바이저(Skylar Advisor)가 포함된다. 스카이러 애널리틱스(Skylar Analytics)를 사용하는 실시간 대시보드는 관리자에게 상황을 빠르게 파악할 수 있는 시각적 지표를 제공한다.

스플렁크 앱다이내믹스(Splunk AppDynamics)

스플렁크 옵저버빌리티 포트폴리오는 기업 스택을 감시하고 성능을 평가하며 해당 성능이 다양한 비즈니스 지표에 어떤 영향을 미치는지 분석하도록 설계됐다. 앱다이내믹스는 복잡한 스택을 모니터링하고 근본 원인을 추적하며 가장 중요한 문제를 가능한 한 빠르게 해결하는 방법을 제안한다. 온프레미스, 클라우드, 하이브리드 환경에서 커스텀 및 상용 소프트웨어 모두에서 작동한다. 스플렁크 AI 어시스턴트는 머신러닝을 활용해 행동 분석 등에서 수집한 과거 기준값과 다른 지표를 추적하는 대화형 인터페이스를 제공한다. 이 시스템은 이벤트가 시스템 장애로 이어지는 연쇄 과정을 학습해 흐름도를 생성하고 근본 원인을 파악한다. 커스텀 머신러닝으로 구축한 에이전트형 아키텍처는 MCP(Model Control Protocol) 같은 개방형 표준과 연동할 수 있다. 앱다이내믹스는 판매 실적처럼 측정 가능한 비즈니스 성과와 지표의 상관관계를 강화하고, 개방형 표준 기반 자동화 링크를 통해 반복적인 문제 해결을 지원하는 자가 치유 방식을 강조한다.
dl-ciokorea@foundryco.com

Artificial intelligence’s first great application is in the belly of the beast that birthed it. Computer systems are filled with the hard-coded numbers that make them perfect for applying data-driven machine learning algorithms. Autonomous cars need to fret over fog, wayward pedestrians, and rain. The machines themselves, however, are filled with precise values that lead to crisp decisions. They may not always be simple, but they’re easier than guiding a car through a snowstorm.

Nowhere is the opportunity for AI more evident than in the world of DevOps, a data-rich, back-office practice that presents a perfect sandbox for exploring the power of artificial intelligence. The teams in charge of operations now have a burgeoning collection of labor-saving and efficiency-boosting tools and platforms on offer under the acronym AIOps, all of which promise to apply the best artificial intelligence algorithms to the work of maintaining IT infrastructure.

What AIOps platforms do

Some of the simplest tasks for AIOps involve speeding up the way software is deployed to cloud instances. All the work that DevOps teams do can be enhanced with smarter automation capable of watching loads, predicting demand, and even starting up new instances when requests spike.

Clever AIOps tools generate predictions about machine loads and watch to see whether anything deviates from their estimates. Anomalies might be turned into alerts that generate emails, Slack messages, or, if the deviation is large enough, pager calls. A good part of the AIOps stack is devoted to managing alerts and ensuring that only the most significant problems turn into something that interrupts a meeting or a good night’s sleep.

These methods for watching for unusual levels or activity are sometimes deployed to bolster security, a more challenging task, making some AIOps tools the purview of both security staff and the DevOps team.

Sophisticated AIOps tools also offer “root cause analysis,” which creates flowcharts to track how problems ripple through the various machines in a modern enterprise application. A database that’s overloaded will slow down an API gateway that, in turn, freezes a web service. These automated catalogs of the workflow can help teams spot the underlying problem faster by documenting and tracking the chains of troublemaking. 
Lately there’s more talk of “self-healing” systems that run autonomously. Some managers find it unnerving to give AIOps systems too much leeway. Others are captivated that the machines can clear more IT tickets by themselves. 


Gen AI: The AIOps interface evolves

Some AIOps platforms are integrating more generative AI tools that allow human staff to interact more conversationally with the tools using natural language. The discussion still involves very technical details about the underlying stack, but the conversation happens in a human language, not something like SQL.

There are also mixed feelings about this evolution. Some AIOps tool users believe it will democratize the work to enable people who may not have as much training to oversee the IT estate. Others feel that if the discussion is all about the nuts and bolts of deployment, it won’t make much difference if it’s a bit easier to interface with AIOps platforms in natural language. The conversation will still be very technical at its heart. But even if some aren’t so sure about the need for generative AI, the conversational interface is hard to resist.

What to look for in an AIOps platform

Many of the tools in this survey are built on top of monitoring systems with a long history. They began as tools that tracked events in complex enterprise stacks and have now been extended with artificial intelligence. A few of the tools began in AI labs and grew outwards. In either case, anyone evaluating these platforms will want to look at the range of connectors that gather data.

Some AIOps platforms will better integrate with your stack than others. All offer a basic set of pathways to collect raw data, but some connectors are better than others. Anyone considering adopting an AIOps platform will want to evaluate how well each AIOps offering integrates with your particular databases and services.

Top AIOps platforms available today

Here are 14 of the leading AIOps tools simplifying the job of keeping enterprise IT infrastructure humming.

BigPanda

BigPanda focuses on detecting strange behavior and orchestrating the teams assigned to solve it. Its eponymous platform offers root cause analysis and proactive event detection that integrates with the major cloud providers. Its L1 Automation takes over more of the workload that comes after a problem appears, allowing AI-driven automation to speed smarter decisions. BigPanda simplifies IT’s workflow by creating tickets for systems such as Jira or ServiceNow, sending out alerts, and providing workflow plans with rollback strategies that target root causes. The goal is to create a smart knowledge graph that knows the burgeoning enterprise stack and to provide intelligent plans for keeping it humming.

BMC Helix

IT service management (ITSM) professionals often turn to the BMC Helix platform for managing problems and stack evolution. BMC’s AI-powered solution focuses on both root cause analysis and providing a conversational interface that helps all levels of the team diagnose and fix problems. The BMC Helix platform doesn’t just focus on AIOps and backend workflows; there are also well-integrated products for customer service management and SecOps for supporting outward-facing action.

Datadog

Datadog has been adding AI tools such as Watchdog or Bits to its performance management suite so that DevOps teams get smarter warnings when performance begins to fail. The tools include a collection of ML-based options for building performance forecasts based on historical records adjusted for season and time of day. Changes in metrics such as latency, RAM consumption, or network bandwidth can trigger alerts if they depart from norms. Datadog is adding more agentic services so the tools can act autonomously, reducing the need for human intervention. The company is also offering preview access for options that can analyze code and even rewrite it to eliminate an error. The tool is integrated with Datadog’s security detection system, and it can work with virtual machines, cloud instances, and serverless functions.

Digitate ignio

The ignio AIOps platform from Digitate focuses on closed-loop automation, delivering agility and resiliency to IT and business operations. The focus is monitoring the inward- and outward-facing business health while also optimizing costs, especially in clouds. The company estimates its autonomous collection of tools can handle 40% of issues proactively and reduce manual effort by 60% in typical configurations. There are hundreds of integrations and a low-code tool for adding others. The company’s other products include similar efforts for managing workloads and tracking and solving issues in ERPOps and procurement.

Dynatrace

The three major strategic technologies at the core of Dynatrace are Analytics, AI, and Automation. The machine learning and LLMs are part of a broad, full-featured monitoring tool for tracking cloud-based VMs, containers, and other serverless solutions. In go log files, event reports, and other triggers, and out come what the company calls “precise, AI-powered answers.” The core includes a collection of agents that can be programmed to watch for specific events or collections of events. The AI at the center is called Davis, a deterministic AI that constructs flowcharts and trees so that it can pinpoint the root cause of any anomaly or failure. Davis works in concert with Grail, a data lakehouse filled with telemetry; SmartScape, a tool for mapping the topology of the enterprise; and AutomationEngine, a tool for integrating the gathered intelligence. Properly configured, it can run autonomously by triggering changes, such as rebooting an instance, that should fix the cause without waiting for a human to get in the loop.

GitHub Copilot

Most AIOps tools are designed to help software that’s already up and running. GitHub Copilot starts earlier in the process, helping when code is written. As the company’s ad copy says, “Make your editor your most powerful accelerator.” The tool watches what a programmer types, making completion suggestions. Trained on a gazillion lines of open-source code, Copilot’s ideas are grounded in some form of reality. There are still questions about who is the ultimate author of the new code, whether the AI can be trusted, and whether the millions of open-source coders deserve some credit or hat tip for assistance. The answer may be “perhaps.” A bigger question? How much better does Copilot understand your code, and does it really do much better than autocomplete? That answer: Most of the time Copilot knows.

IBM Watson Cloud Pak for AIOps

IBM created the Watson Cloud Pak for AIOps by integrating its general Watson brand AI with its larger cloud presence. The tool brings automated root cause analysis to data collected from cloud monitoring software. They like to say AI can turn incident response from a crazed search for blame into a unified, information-driven solution-fest. Watson watches constantly over the stream of events until they reach a configurable level of severity. Then Watson responds with a programmable collection of basic alerts or automated responses. IBM has integrated the results with its other Cloud Paks, including Network, Business, and Robotic Process Automation.

LogicMonitor

LogicMonitor is a hybrid extensible platform that gathers telemetry from all corners of an enterprise stack, from the databases and data lakes to the networks and virtual machines. It reaches across cloud services and deep into the on-prem machines. All this data from 3,000-plus integrated collectors is sorted, analyzed, and monitored for anomalies using standard rules and a collection of agentic AIs. The platform bundles a root cause detector with an alert system based on dynamic thresholds adjusted from historical data. Its early warning system depends on a forecasting module that extends this historical data to compute thresholds on latency, bandwidth, and other metrics. LogicMonitor prioritizes reducing “alert fatigue” to avoid the overwhelming “alert storms” to help teams focus their efforts on truly anomalous behavior.

Moogsoft

Moogsoft, now part of Dell Technologies, is a specialized AIOps solution that integrates with major performance monitoring tools such as New Relic, Datadog, AWS Cloudwatch, and AppDynamics. The product moves the data through a pipeline that deduplicates events, enriches them with contextual data from other sources, and correlates the data before raising an alarm. The AI engine deploys generative AI for explanation and various statistical and clustering algorithms to place new alarms in the context of historical behavior. The goal is “noise reduction” to reduce challenges humans face in making sense of the alarms.

New Relic

When problems appear, New Relic uses an AI engine to analyze performance data collected from a range of cloud tracking tools such as Splunk, Grafana, and AWS’s CloudWatch. The tool can be configured with flexible levels of sensitivity for a variety of events of potential severity. You can tell New Relic that, for instance, a low-priority error should raise an alarm only if it occurs several times over 15 minutes. But a high-priority event like a crashed server will generate a pager alert immediately. The issue log tracks all events and includes a Correlation Decision report that lays out the logical steps taken by the AI en route to raising an alarm. Customers have a wide range of ways to customize how the historical data is stored for analysis and retrieval. The goal is to minimize the metrics that measure the mean time to detection (MTTD) and then support the human enough to reduce the mean time to investigate (MTTI) and mean time to resolve (MTTR).

PagerDuty

The name suggests PagerDuty is all about waking up a human to resolve an IT issue. That’s in the past. PagerDuty today proclaims it’s “powered by AI” to make some of the decisions before calling a human. The system focuses heavily on automating much of the incident response whether it’s an internal problem or one that’s raised by customers through its customer support portal. 

ServiceNow

The platform built by ServiceNow is devoted to delivering an army of AI agents to handle any enterprise chore, some of which fall under the same umbrella as AIOps. The IT Operations Management (ITOM) suite, for example, combines machine learning with workflow automations to watch carefully and respond quickly based on past knowledge. The AI Control Tower connects all the agents to a central hub that can answer basic questions about cloud stability and more complex questions about governance and management. ServiceNow’s goal is all encompassing control over practically every corner of the enterprise stack.

ScienceLogic

The Skylar One platform from ScienceLogic aims to deliver a collection of smart observers that watch over and perhaps intercede on behalf of the enterprise cloud. The product is aimed at complex, hybrid environments by building a complete model to give any AI and supervising humans the necessary context for understanding what’s working and, when needed, what’s not. Notable tools inside the tent include a low-code tool for automating workflows the old-fashioned way, and Skylar Advisor, an AI-driven tool that offers advice on how to fix issues. A real-time dashboard using Skylar Analytics gives humans fast visual cues to what’s happening.

Splunk AppDynamics

The Splunk Observability portfolio is designed to watch an enterprise stack, grade its performance, and analyze how that performance affects various business metrics.  AppDynamics, a division of Cisco that has been folded into the Splunk portfolio, can watch over complex stacks, ferret out root causes, and make suggestions for fixing the most crucial parts as quickly as possible. It works with all types of custom and licensed software, on premises, in the cloud, or both. The Splunk AI Assistant offers a conversational interface that uses machine learning to track metrics that diverge from historical baselines gathered from data such as behavior analytics. The system can build a flowchart and learn how events cascade until system failure, thereby helping identify root causes. Agentic architectures built with custom machine learning can be linked with open standards such as Model Control Protocol (MCP). AppDynamics pushes correlating these metrics with hard “business outcomes” such as sales numbers and a “self-healing mentality” for its platform by providing links that can automate the resolution of common failures with a mixture of open standards.

In 2016, 7-Eleven began a digital transformation aimed at redefining convenience. The starting point was loyalty. “Step one was to build a product discipline, bring the technology in house, and reduce reliance on third parties,” says Scott Albert, VP and head of store and enterprise products.

Two years later, the Texas-based retailer reapplied the product playbook, now powering store systems across more than 13,000 US and Canadian locations. “We moved from projects — start date, end date — to product: continuous improvement and iteration,” Albert says. “From outputs to outcomes, co-owned with design and engineering.”

Albert knows the terrain. A company veteran who cut his teeth in operations, he led product for loyalty and now oversees digital product for store systems, fuel, restaurant concepts, and merchandising, evidence of how far the model has scaled.

Setting the foundation

The idea was straightforward but the shift wasn’t. “It was tough early on because it meant change,” Albert says. “The business was used to saying, ‘I need X.’ Often that wasn’t the real problem. Our job was to get underneath, understand the problem, design a solution for now and the future, and then iterate.”

It takes several ingredients to solve big problems, like customer research, business process knowledge, data, and technology, so it’s natural that product teams are cross-functional. But that structure can also create competing priorities if not managed correctly. While the setting is convenience retail, the lesson applies to any CIO shifting from project-based delivery to product-driven transformation. “Success depends not on org charts, but on cross-functional trust, buy-in, and commitment,” he says.

That structure set the foundation, and the real breakthroughs came from applying product thinking to their daily work.

Product thinking in action

“For me and my team, the customer is the store associate,” Albert says. That focus shaped priorities to remove low-value tasks, surface just-in-time insights, and let systems work for people, not the other way around.

The team learned this firsthand on midnight store walks. In one New York City visit, they noticed a new associate glued to her phone. “We thought she was distracted,” Albert says. “Turns out she’d recorded her trainer so she could remember.” That single observation sparked a redesign of training to move job aids and how-to videos from a back-room PCs to mobile devices on the floor, embedded in the flow of work.

The same product instinct of watching users, identifying friction, and iterating has carried into 7-Eleven’s AI initiatives. AI-assisted ordering, for example, reduced what was once up to 30 hours a week of manual work to under an hour a day, freeing up associates to focus on customers. At scale, those savings add up to more than 13 million hours reclaimed annually, and test-and-learn pilots tying the changes to about $340 million in incremental sales.

The back office has been transformed as well. After migrating store systems to the cloud with its 7-BOSS platform, 7-Eleven layered in “quick cards” that surface AI-generated insights and let associates act in three clicks or less. A clustering model identifies lookalike stores by sales mix, location type, even seasonality, and pushes tailored assortment recommendations. “With three clicks, you can add an item, forecasting kicks in, and delivery happens in days,” Albert says.

Together, these stories trace a clear pattern of observing the customer (in this case the store personnel), solving for their pain points, then amplifying the solution with data and AI. It’s product thinking at work.

Operating like a product company

Behind the scenes, the mechanics mirror digital natives. Teams run in pods with product, engineering, and design as a three-legged stool. Quarterly planning sets direction, but roadmaps flex. “Tell me everything you’ll do next year — that was the old model,” Albert says. “Now we focus on quarters, but sometimes that’s too long. We plan, then adapt.”

Release cadence has accelerated as well, from two or three big bangs a year to monthly releases.

The cultural shift is ongoing funding for work that never ends. “There’s no such thing as done in product,” he says. “We’re on the fifth iteration of our forecasting model. We’ll keep improving.”

Start small, measure hard

Albert’s advice to other tech executives: start small. “Find a problem that matters, build a cross-functional team, measure success, and validate results,” he says. “Then add a second team, a third, and you’re off.”

And above all, measure. “Pick metrics backed by data so no one can debate the results,” he adds.

Nearly 10 years after its first loyalty decision, 7-Eleven’s product mindset now extends far beyond consumer apps. The store itself has become a living product, updated monthly, informed by data, and built around the associate.

For Albert, the real measure of success is to make the system work for the associate, so they can delight customers. “It’s the same product discipline, now applied to every corner of the store, and it’s redefining what convenience looks like at scale,” he says.