This was the year of AI agents. Chatbots that simply answered questions are now evolving into autonomous agents that can carry out tasks on a user’s behalf, so enterprises continue to invest in agentic platforms as transformation evolves. Software vendors are investing in it as fast as they can, too.

According to a National Research Group survey of more than 3,000 senior leaders, more than half of executives say their organization is already using AI agents. Of the companies that spend no less than half their AI budget on AI agents, 88% say they’re already seeing ROI on at least one use case, with top areas being customer service and experience, marketing, cybersecurity, and software development.

On the software provider side, Gartner predicts 40% of enterprise software applications in 2026 will include agentic AI, up from less than 5% today. And agentic AI could drive approximately 30% of enterprise application software revenue by 2035, surpassing $450 billion, up from 2% in 2025. In fact, business users might not have to interact directly with the business applications at all since AI agent ecosystems will carry out user instructions across multiple applications and business functions. At that point, a third of user experiences will shift from native applications to agentic front ends, Gartner predicts.

It’s already starting. Most enterprise applications will have embedded assistants, a precursor to agentic AI, by the end of this year, adds Gartner.

IDC has similar predictions. By 2028, 45% of IT product and service interactions will use agents as the primary interface, the firm says. That’ll change not just how companies work, but how CIOs work as well.

Agents as employees

At financial services provider OneDigital, chief product officer Vinay Gidwaney is already working with AI agents, almost as if they were people.

“We decided to call them AI coworkers, and we set up an AI staffing team co-owned between my technology team and our chief people officer and her HR team,” he says. “That team is responsible for hiring AI coworkers and bringing them into the organization.” You heard that right: “hiring.”

The first step is to sit down with the business leader and write a job description, which is fed to the AI agent, and then it becomes known as an intern.

“We have a lot of interns we’re testing at the company,” says Gidwaney. “If they pass, they get promoted to apprentices and we give them our best practices, guardrails, a personality, and human supervisors responsible for training them, auditing what they do, and writing improvement plans.”

The next promotion is to a full-time coworker, and it becomes available to be used by anyone at the company.

“Anyone at our company can go on the corporate intranet, read the skill sets, and get ice breakers if they don’t know how to start,” he says. “You can pick a coworker off the shelf and start chatting with them.”

For example, there’s Ben, a benefits expert who’s trained on everything having to do with employee benefits.

“We have our employee benefits consultants sitting with clients every day,” Gidwaney says. “Ben will take all the information and help the consultants strategize how to lower costs, and how to negotiate with carriers. He’s the consultants’ thought partner.”

There are similar AI coworkers working on retirement planning, and on property and casualty as well. These were built in-house because they’re core to the company’s business. But there are also external AI agents who can provide additional functionality in specialized yet less core areas, like legal or marketing content creation. In software development, OneDigital uses third-party AI agents as coding assistants.

When choosing whether to sign up for these agents, Gidwaney says he doesn’t think of it the way he thinks about licensing software, but more to hiring a human consultant or contractor. For example, will the agent be a good cultural fit?

But in some cases, it’s worse than hiring humans since a bad human hire who turns out to be toxic will only interact with a small number of other employees. But an AI agent might interact with thousands of them.

“You have to apply the same level of scrutiny as how you hire real humans,” he says.

A vendor who looks like a technology company might also, in effect, be a staffing firm. “They look and feel like humans, and you have to treat them like that,” he adds.

Another way that AI agents are similar to human consultants is when they leave the company, they take their expertise with them, including what they gained along the way. Data can be downloaded, Gidwaney says, but not necessarily the fine-tuning or other improvements the agent received. Realistically, there might not be any practical way to extract that from a third-party agent, and that could lead to AI vendor lock-in.

Edward Tull, VP of technology and operations at JBGoodwin Realtors, says he, too, sees AI agents as something akin to people. “I see it more as a teammate,” he says. “As we implement more across departments, I can see these teammates talking to each other. It becomes almost like a person.”

Today, JBGoodwin uses two main platforms for its AI agents. Zapier lets the company build its own and HubSpot has its own AaaS, and they’re already pre-built. “There are lead enrichment agents and workflow agents,” says Tull.

And the company is open to using more. “In accounting, if someone builds an agent to work with this particular type of accounting software, we might hire that agent,” he says. “Or a marketing coordinator that we could hire that’s built and ready to go and connected to systems we already use.”

With agents, his job is becoming less about technology and more about management, he adds. “It’s less day-to-day building and more governance, and trying to position the company to be competitive in the world of AI,” he says.

He’s not the only one thinking of AI agents as more akin to human workers than to software.

“With agents, because the technology is evolving so far, it’s almost like you’re hiring employees,” says Sheldon Monteiro, chief product officer at Publicis Sapient. “You have to determine whom to hire, how to train them, make sure all the business units are getting value out of them, and figure when to fire them. It’s a continuous process, and this is very different from the past, where I make a commitment to a platform and stick with it because the solution works for the business.”

This changes how the technology solutions are managed, he adds. What companies will need now is a CHRO, but for agentic employees.

Managing outcomes, not persons

Vituity is one of the largest national, privately-held medical groups, with 600 hospitals, 13,800 employees, and nearly 14 million patients. The company is building its own AI agents, but is also using off-the-shelf ones, as AaaS. And AI agents aren’t people, says CIO Amith Nair. “The agent has no feelings,” he says. “AGI isn’t here yet.”

Instead, it all comes down to outcomes, he says. “If you define an outcome for a task, that’s the outcome you’re holding that agent to.” And that part isn’t different to holding employees accountable to an outcome. “But you don’t need to manage the agent,” he adds. “They’re not people.”

Instead, the agent is orchestrated and you can plug and play them. “It needs to understand our business model and our business context, so you ground the agent to get the job done,” he says.

For mission-critical functions, especially ones related to sensitive healthcare data, Vituity is building its own agents inside a HIPAA-certified LLM environment using the Workato agent development platform and the Microsoft agentic platform.

For other functions, especially ones having to do with public data, Vituity uses off-the-shelf agents, such as ones from Salesforce and Snowflake. The company is also using Claude with GitHub Copilot for coding. Nair can already see that agentic systems will change the way enterprise software works.

“Most of the enterprise applications should get up to speed with MCP, the integration layer for standardization,” he says. “If they don’t get to it, it’s going to become a challenge for them to keep selling their product.”

A company needs to be able to access its own data via an MCP connector, he says. “AI needs data, and if they don’t give you an MCP, you just start moving it all to a data warehouse,” he adds.

Sharp learning curve

In addition to providing a way to store and organize your data, enterprise software vendors also offer logic and functionality, and AI will soon be able to handle that as well.

“All you need is a good workflow engine where you can develop new business processes on the fly, so it can orchestrate with other agents,” Nair says. “I don’t think we’re too far away, but we’re not there yet. Until then, SaaS vendors are still relevant. The question is, can they charge that much money anymore.”

The costs of SaaS will eventually have to come down to the cost of inference, storage, and other infrastructure, but they can’t survive the way they’re charging now he says. So SaaS vendors are building agents to augment or replace their current interfaces. But that approach itself has its limits. Say, for example, instead of using Salesforce’s agent, a company can use its own agents to interact with the Salesforce environment.

“It’s already happening,” Nair adds. “My SOC agent is pulling in all the log files from Salesforce. They’re not providing me anything other than the security layer they need to protect the data that exists there.”

AI agents are set to change the dynamic between enterprises and software vendors in other ways, too. One major difference between software and agents is software is well-defined, operates in a particular way, and changes slowly, says Jinsook Han, chief of strategy, corporate development, and global agentic AI at Genpact.

“But we expect when the agent comes in, it’s going to get smarter every day,” she says. “The world will change dramatically because agents are continuously changing. And the expectations from the enterprises are also being reshaped.”

Another difference is agents can more easily work with data and systems where they are. Take for example a sales agent meeting with customers, says Anand Rao, AI professor at Carnegie Mellon University. Each salesperson has a calendar where all their meetings are scheduled, and they have emails, messages, and meeting recordings. An agent can simply access those emails when needed.

“Why put them all into Salesforce?” Rao asks. “If the idea is to do and monitor the sale, it doesn’t have to go into Salesforce, and the agents can go grab it.”

When Rao was a consultant having a conversation with a client, he’d log it into Salesforce with a note, for instance, saying the client needs a white paper from the partner in charge of quantum.

With an agent taking notes during the meeting, it can immediately identify the action items and follow up to get the white paper.

“Right now we’re blindly automating the existing workflow,” Rao says. “But why do we need to do that? There’ll be a fundamental shift of how we see value chains and systems. We’ll get rid of all the intermediate steps. That’s the biggest worry for the SAPs, Salesforces, and Workdays of the world.”

Another aspect of the agentic economy is instead of a human employee talking to a vendor’s AI agent, a company agent can handle the conversation on the employee’s behalf. And if a company wants to switch vendors, the experience will be seamless for employees, since they never had to deal directly with the vendor anyway.

“I think that’s something that’ll happen,” says Ricardo Baeza-Yates, co-chair of the  US technology policy committee at the Association for Computing Machinery. “And it makes the market more competitive, and makes integrating things much easier.”

In the short term, however, it might make more sense for companies to use the vendors’ agents instead of creating their own.

“I recommend people don’t overbuild because everything is moving,” says Bret Greenstein, CAIO at West Monroe Partners, a management consulting firm. “If you build a highly complicated system, you’re going to be building yourself some tech debt. If an agent exists in your application and it’s localized to the data in that application, use it.”

But over time, an agent that’s independent of the application can be more effective, he says, and there’s a lot of lock-in that goes into applications. “It’s going to be easier every day to build the agent you want without having to buy a giant license. “The effort to get effective agents is dropping rapidly, and the justification for getting expensive agents from your enterprise software vendors is getting less,” he says.

The future of software

According to IDC, pure seat-based pricing will be obsolete by 2028, forcing 70% of vendors to figure out new business models.

With technology evolving as quickly as it is, JBGoodwin Realtors has already started to change its approach to buying tech, says Tull. It used to prefer long-term contracts, for example but that’s not the case anymore “You save more if you go longer, but I’ll ask for an option to re-sign with a cap,” he says.

That doesn’t mean SaaS will die overnight. Companies have made significant investments in their current technology infrastructure, says Patrycja Sobera, SVP of digital workplace solutions at Unisys.

“They’re not scrapping their strategies around cloud and SaaS,” she says. “They’re not saying, ‘Let’s abandon this and go straight to agentic.’ I’m not seeing that at all.”

Ultimately, people are slow to change, and institutions are even slower. Many organizations are still running legacy systems. For example, the FAA has just come out with a bold plan to update its systems by getting rid of floppy disks and upgrading from Windows 95. They expect this to take four years.

But the center of gravity will move toward agents and, as it does, so will funding, innovation, green-field deployments, and the economics of the software industry.

“There are so many organizations and leaders who need to cross the chasm,” says Sobera. “You’re going to have organizations at different levels of maturity, and some will be stuck in SaaS mentality, but feeling more in control while some of our progressive clients will embrace the move. We’re also seeing those clients outperform their peers in revenue, innovation, and satisfaction.”

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.

MS는 코로나19 팬데믹 당시, 업무에 가상 현실과 몰입형 환경을 적용하는 데 관심이 높아지자 메시를 출시했다. 메시는 유니티 기반으로 3D 환경을 제작할 수 있는 플랫폼이자, 동료가 몰입형 공간에서 아바타로 만나 협업할 수 있는 전용 앱 형태로 제공돼 왔다.

그러나 시장 수요는 좀처럼 형성되지 않았다. MS는 지난 1일 메시 앱 제공을 중단한다고 밝혔다. 이에 따라 PC나 메타의 퀘스트 가상현실 헤드셋에서 메시 앱을 이용한 이벤트 참석이나 팀즈 회의 참여가 더 이상 불가능해졌으며, 웹사이트 역시 폐쇄될 예정이다.

이번 조치는 MS가 메타버스 관련 도구에서 손을 떼고 있음을 보여주는 또 하나의 신호다. 또한 MS는 혼합 현실 헤드셋 ‘홀로렌즈’와 관련해 미국 육군과 약 22억 달러 규모의 계약을 체결하기도 했지만 지난해 생산을 중단한 바 있다.

MS는 이날 팀즈 협업 앱에 적용해 온 메시 기반 3D 몰입형 경험에도 변경 사항을 적용한다고 밝혔다. 팀즈에서 소규모 그룹이 아바타로 만나 상호작용할 수 있었던 ‘몰입형 공간(3D)’ 기능을 애플리케이션에서 제거한다는 설명이다.

대신 팀즈 사용자가 교육 세션, 가상 전시회, 제품 소개 등 대규모 가상 모임을 주최하거나 참석할 수 있는 ‘팀즈 몰입형 이벤트’ 기능이 공개됐다. 행사는 아웃룩 또는 팀즈 캘린더에서 예약할 수 있으며, 기업 브랜드에 최적화된 환경이나 업로드한 3D 모델로 자유롭게 사전 구축할 수 있다.

몰입형 이벤트는 PC, 맥, 메타 퀘스트 기기에서 이용 가능하다. 이 기능을 주최하려면 팀즈 프리미엄 또는 적합한 팀즈 라이선스가 필요하지만, 공동 주최자와 참석자는 일반 팀즈 라이선스만으로 참여할 수 있다.

메타버스 개념이 시장 전반에서 큰 반향을 일으키지는 못했지만, 일부 기업은 여전히 가상 환경이 원격 협업을 강화할 가능성에 주목하고 있다.

메트리지(Metrigy)의 사장이자 수석 애널리스트인 어윈 라자는, 별도 앱이 아닌 팀즈 내부에서 기업이 직접 가상 이벤트를 개최할 수 있도록 한 MS의 이번 변화가 합리적이라고 평가했다. 다만 앞으로 가상 협업 환경에 대한 수요는 제한적인 범위에 그칠 것으로 전망했다.

메트리지 조사에 따르면 가상현실과 증강현실 도입은 ‘느리지만 꾸준한’ 증가세를 보이고 있으며, 2024년 말 조사한 약 400개 기업 가운데 16.5%가 올해 말까지 해당 기술에 투자할 계획이라고 답했다.

라자는 “사용례는 일반적인 회의보다 교육, 제품 시연, 엔지니어링과 디자인, 고객 참여처럼 목적이 뚜렷한 영역에 집중되는 경향이 있다. 성장은 느리지만 이어질 것으로 예상되지만, 이러한 가상현실 도구가 앞으로 주류 시장을 넘어서는 수준으로 확대될 것으로 보이지는 않는다”라고 말했다.
dl-ciokorea@foundryco.com

AI에 대한 기대와 과열된 관심이 그 어떤 기술 변화보다 커졌다고 평가된다. 이런 흐름에 맞춰 투자 규모도 덩달아 커졌다. 가트너는 2025년까지 전 세계 AI 투자 규모가 약 1조 5,000억 달러에 이를 것으로 추산했다. 거대한 투자 규모에도 불구하고 대부분 조직은 약속했던 가치와 실제로 실현된 가치 사이의 만성적인 격차에 여전히 시달리고 있다.

가장 널리 인용되는 근거는 올해 초 MIT 보고서에서 나왔다. 이 보고서는 생성형 AI 파일럿 프로젝트의 95%가 실패한다고 밝혔다. 맥킨지 조사에서도 거의 80%에 이르는 기업이 생성형 AI를 사용하고 있지만, 거의 같은 비율의 기업이 수익성에 의미 있는 효과를 얻지 못했다고 응답했다.

AI가 어느 정도 효과를 내고 있다는 근거도 있다. 2025년 시스코의 ‘AI 준비도 지표(AI Readiness Index)’에 따르면, 전체 기업의 13%는 AI에서 지속적으로 측정 가능한 수익을 얻고 있다고 답했다. 비록 소수이지만 선도 기업은 AI에서 가치를 끌어내기 시작했다는 의미다. 이런 가치의 출처는 점점 기술 자체가 아니라 리더십의 명확성, 전략적 정렬, 실행 역량에서 나오고 있다. 시스코의 AI 준비도 지표는 AI에서 가치를 실현한 기업의 99%가 변화 수용을 전제로 한 명확한 전략을 갖고 있고, 임직원이 새로운 기술에 익숙해지도록 지원하는 공식 프로그램을 운영하고 있다는 점을 확인했다.

오늘날 CEO와 CIO는 한 세대를 가르는 전환점에 서 있다. AI를 단순한 비용 절감 수단이 아니라 역량과 여력을 창출하고 혁신을 촉진하며 인간 중심의 결과를 이끄는 동력으로 재정의해야 하는 시기이다. 앞으로의 길은 업무를 잘게 쪼개고, 어디에 자동화를 적용해야 하는지 다시 평가하며, 인재가 성장과 변혁에 집중할 수 있도록 권한을 부여하는 리더십에 달려 있다.

성공을 위한 준비 : AI의 약속과 현실

많은 CIO에게 가장 큰 과제는 최고 경영진과 이사회가 “AI가 필요하다”는 사실은 알고 있지만, 정작 무엇을 위해 AI가 필요한지 명확하게 알지 못한다는 점이다. 이 때문에 AI가 모든 문제를 해결하고 생산성을 급등시켜 줄 만능 해결책이라는 비현실적인 기대가 생긴다. 처음부터 목표가 비현실적이면 프로젝트를 성공적으로 완료하고도 실패로 간주하는 상황이 발생한다. 여러 사업 부문이 사업 성과를 측정할 KPI를 갖추지 못한 점도 이런 문제를 부추긴다.

대표적인 예가 컨택센터다. 컨택센터에서는 상담사 코칭, 가상 상담사, 근무 스케줄링, 통화 스코어링, 콜 노트 작성 등 다양한 영역에 AI 에이전트를 활용할 수 있다. 하지만 이런 활동의 가치를 측정하기가 어렵기 때문에 많은 기업이 단순히 상담사 수를 줄여 비용 절감에 초점을 맞추는 방식으로 대응해 왔다. 이런 접근은 신중하게 실행하지 않으면 쉽게 역효과를 낸다. 예를 들어, 금융 서비스 회사 클라르나(Klarna)는 상담사 약 700명을 감축한 뒤 고객 서비스 점수가 급락하자 인력을 다시 채용해야 했다. 이 사례는 기술 문제가 아니라 경영진이 영향도를 제대로 파악하고 계획을 세우지 못한 리더십 문제였다.

문제 진단 : 기술적 한계인가, 리더십의 공백인가

AI와 자동화 기술에서 ROI를 얻지 못하는 문제를 진단하는 과정에서 실제 원인을 혼동하는 경우가 많다. 복잡한 데이터를 통합하고 자동화를 확장하는 기술적 준비가 부족한 것은 여전히 해결해야 할 과제이다. 하지만 실제로 개선 조치를 취해야 할 지점은 기술 그 자체가 아니라 기술 투자를 어떻게 지휘하고 이끌어 가는지에 더 가까운 경우가 많다. 이런 상황은 AI를 성공적으로 도입하는 데 방해가 되는 장애물이 코드나 클라우드 환경 설정이 아니라 이사회와 경영진에 더 가깝다는 사실을 시사한다. 많은 실패가 시장의 과열과 유행에 밀려 신속함을 우선하는 경영진의 선택에서 비롯되고, 진정한 비즈니스 변화를 고민하지 않은 채 추진하기 때문에 발생한다.

AI 프로젝트를 시작하기 전에 무엇을 측정하고, 어떤 지표로 투자수익률을 계산할지에 대해 비즈니스와 명확히 정렬하는 과정도 중요하다. 전략적 우선순위와 연계된 명확한 비즈니스 케이스 없이 고립된 기술 실험 형태로 출발한 프로젝트는 가치가 모호해 효과를 측정하기 어렵고, 예산 조정 시 우선적으로 잘려 나가기 쉽다.

리더십의 전환점 : 비용 절감을 넘어

비즈니스 세계는 리더십 전환점에 서 있다. 인력 혁신이 처음으로 ‘인간만의 문제’가 아닌 지점이다. AI와 자율 에이전트가 빠르게 확산되면서 경영진은 조직 안에서 가치를 어떻게 만들어내고 유지할지에 대해 훨씬 더 복잡한 결정을 내려야 한다. 이 변화는 비용을 줄이는 차원을 넘어, 인간의 역량과 AI 기술 역량 사이의 관계를 다시 설계하고, 조직 문화와 프로세스가 이런 하이브리드 인력 환경에 적응할 수 있도록 만드는 작업을 요구한다.

기업 인텔리전스 전문 업체 알포텐셜(r.Potential)의 CEO 그렉 슈메이커는 “많은 기업이 더 많은 AI 모델과 컴퓨트, 에이전트를 구축하는 데 경쟁하고 있지만, 엔터프라이즈 AI 도입의 실제 병목은 공급 측이 아니라 기업이 어디에 어떻게 AI를 활용해 실제 일을 처리할지 모른다는 점에 있다”라고 말했다. 슈메이커는 “누가 어떤 일을 해야 하는지에 대한 실제 수요를 포착하고, 사람과 AI 역량을 현실적으로 조합한 구성안을 만들며, 이를 실제 비즈니스 성과와 연계하는 인간-디지털 업무 조정 계층이 빠져 있다고 본다. 이 문제를 풀지 못하면 다음 자동화 물결은 기업을 재편하는 수준을 넘어, 일 자체를 불안정하게 만들 것”이라고 경고했다.

슈메이커의 지적은 많은 경영진이 간과하는 지점을 잘 보여준다. AI의 잠재력은 단순한 기술 혹은 운영 과제가 아니라 리더십의 본질을 묻는 문제라는 점이다. 인간이 해야 할 업무와 기계로 자동화할 업무 사이 경계가 흐려지는 상황에서 IT와 비즈니스 리더는 사람, 기술, 문화의 깊은 통합을 통해 가치 창출을 극대화하는 데 집중해야 한다.

그렇기 때문에 최고 경영진은 투자 타임라인을 다시 고민하고, 기술 및 시장 변화에 맞춰 조직의 역량을 확장하는 방식을 재설계해야 한다. 이런 인적 자원 관리의 변화는 미래 인력 구조를 예측하고, 사람과 기계 기반 지능을 연계해 인력을 배치하는 능력을 필요로 한다. 혁신은 현재 성과를 조금 보태는 차원이 아니라, 조직이 관련 인프라와 체계를 갖추고 스스로를 재창조할 준비가 되어 있는지 여부를 중심에 둬야 한다.

업무와 가치 창출의 분해

AI에서 이해 가능한 ROI를 도출하려면 업무를 구성하는 핵심 요소를 정확히 이해해야 한다. 어떤 수익이든 기술 도입뿐 아니라 프로세스 변화를 함께 고려해야 한다. 목표는 반복 작업에만 쓰이는 영역이 아니라 인간의 판단, 공감, 창의성이 필요한 영역에서 인간의 노력을 증폭시키는 방식으로 AI를 활용하고, 사람을 보다 높은 가치의 감독 및 대외 커뮤니케이션 역할에 배치해 생산성과 기여도를 극대화하는 데 있다.

성공의 핵심은 AI를 통해 인재가 매출 성장과 혁신을 주도할 수 있도록 돕는 방향으로 초점을 재조정하는 것이다. 목표는 어떤 직무에서든 80%에 달하는 자동화 가능 업무를 AI에 맡기고, 고숙련 인력이 나머지 20%에 집중하도록 만드는 것이다. 이 마지막 20%가 새로운 매출 성장, 고객 충성도, 혁신적 돌파구를 이끄는 영역이기 때문이다.

AI 시대에는 모든 산업이 재편될 것이며, CIO와 CEO가 함께 진화하지 않으면 AI 투자는 허공에 사라지는 비용이 된다. AI에서 실질적 가치를 얻기 위한 열쇠는 리더십이 미래 지향적 사고를 갖추고, 새로운 기술과 변화를 기꺼이 수용하느냐에 달려 있다. 중요한 것은 가장 뛰어난 코더가 되는 것이 아니라, 올바른 리더십 구조를 설계하는 일이다. AI를 사람 중심의 목표를 확장하는 도구로 활용하고, 단순히 운영 지표와 스프레드시트를 AI 데이터로 채우는 수단으로 쓰지 않는 리더십이 필요하다. 이를 위해서는 모든 의사결정 과정에 엄격한 윤리와 거버넌스를 심고, 각 AI 프로젝트가 조직에 어떤 목적을 수행하는지에 대해 비즈니스 측면에서 확실히 합의해 두어야 한다.
dl-ciokorea@foundryco.com

The increasing hype around AI has exceeded any other technology shift, perhaps ever. This has been met with a corresponding amount of investment. Gartner estimates worldwide spending on AI through 2025 will be nearly $1.5 trillion. Despite the staggering amount, most organizations continue to grapple with a chronic gap between promise and realized value.

The most widely recognized data point to support this comes from an MIT report from earlier this year that reveals 95% of gen AI pilots fail. A McKinsey study also found that nearly 80% of companies use gen AI, yet almost as many report no significant impact to the bottom line.

But there’s proof AI is working, if modestly. The 2025 Cisco AI Readiness Index shows 13% of all companies get consistently measurable returns from AI. So while this is a minority, leading organizations are starting to see value. But the origins of that value increasingly stem from leadership clarity, strategic alignment, and execution, not the technology itself. The Cisco AI Readiness Index measured this and found 99% of companies that have realized value from AI have a well-defined strategy that embraces change, and includes formal programs to help employees get comfortable with the new technology.

Today’s CEOs and CIOs face a generational inflection point. They must redefine success for AI not as a means of cost-cutting, but as a driver for capacity creation, innovation, and human-centric outcomes. The path forward requires breaking down work, reassessing where automation helps, and empowering talent to focus on growth and transformation.

Setting the stage: AI promise vs. reality

Among many CIOs, the biggest challenge is the C-Suite and board know they need AI but aren’t sure what for. This creates unrealistic expectations that AI will be a panacea to all problems and send productivity skyrocketing. When the outcomes are unrealistic, a successful project may be deemed unsuccessful because the initial goals were incorrect. A contributing factor to this problem is that many business units don’t have the KPIs to create the business metrics to measure.

An example of this is with contact centers where AI agents could be used for agent coaching, virtual agents, scheduling, scoring calls, note taking and more. Measuring the value of these can be difficult, so many businesses have defaulted to cutting costs by reducing agents. This can backfire if not done in a measured way. Klarna, for instance, eliminated about 700 agents, saw customer service scores tank, and then hired people back. This wasn’t a technology problem but rather leadership didn’t put the right plan in place to understand the impact.

Diagnosing the problem: Tech limitations or leadership gaps?

Issues with achieving ROI on AI and automation technology efforts are often confused with the diagnosis of the issue at hand. A lack of tech readiness concerning integrating complex data and scaling automation remains a challenge. More often than not, however, the issue that gets acted upon may be less with the technology itself and more with the way technology efforts are governed and led. This would indicate the obstacles that exist to technology’s successful implementation lie more with the board than the code and cloud setup. Failures happen because business leaders prioritize expediency driven by market hype instead of thinking about genuine business transformation.

It’s also important that prior to AI projects being kicked off, there’s clear business alignment and an understanding of the metrics being measured to calculate ROI. Projects launched as isolated technology experiments without a well-defined business case tied to a strategic priority are hard to measure and often vague in value, leading to projects that are easy to cut.

The leadership inflection point: Beyond cost cutting

The business world sits at a leadership inflection point where for the first time, workforce transformation will be more than just human. With the rapid adoption of AI and autonomous agents, leaders now face complex decisions about how value is derived and maintained within their organizations. This shift requires cutting costs but also reimagining the relationship between human skills and the technical capabilities of AI, which ensures organizational cultures and processes can adapt to this new era of hybrid workforces.

“Everyone’s been racing to build more AI models, compute, and agents, but the real bottleneck to enterprise AI adoption isn’t supply, it’s that enterprises don’t know where or how to use AI to do real work,” says Greg Shewmaker, CEO of enterprise intelligence company r.Potential. “We believe the missing piece is the coordination layer between human and digital work, where you can capture actual workforce demand, generate realistic and deployable configurations of human and AI capabilities, and tie them to real business outcomes. If we don’t get this right, the next wave of automation won’t just reshape companies, it’ll destabilize work itself.” 

His point underscores what many executives miss: AI’s promise isn’t just a technological or operational challenge, it’s an existential leadership one. As the boundaries blur between tasks suited for humans and those automated by machines, IT and business leaders will need to focus on maximizing value creation through deep integration of people, technology, and culture.​

So it becomes critical for the C-suite to reconsider timelines related to investments and expand capacity in accordance with tech and market needs. This shift in human capital management involves being able to forecast the future workforce and deploy human resources in sync with machine-based intelligence. Innovation should take precedence that’s less about adding to current performance and more about ensuring organizations can remain agile and ready to facilitate innovation in terms of related infrastructure and preparedness to reinvent themselves.

Breaking down work and value creation

Understanding the key components of work is essential to developing understandable ROI from AI. Any returns must consider the adoption of technology and the transformation of processes. The goal should be to leverage AI to amplify human effort in areas that require human judgment, empathy, and creativity rather than in areas where there’s only repetition of tasks, thereby assigning human resources to higher-value supervisory and human roles where they can be most productive and valuable.

The key to success is to refocus on enabling talent to drive revenue growth and innovation through AI. So the goal is to apply AI strategically to liberate highly-skilled people from working on the 80% of any job that can, should, and must be automated so they can focus on the last 20%, which drives new revenue growth, customer loyalty, and innovation breakthroughs.

The AI era will reshape every industry, and if CIOs and CEOs aren’t evolving, the AI investment will be wasted. The key to realizing real value in AI is to ensure leadership is future-ready and embraces new skills and change. It’s not about being the best coder in the room but instilling the right leadership structure. This involves a leadership mentality that uses AI to further human-centric goals and not simply fill an operational spreadsheet with AI data. This requires strict ethics and governance modeled in every aspect of decision-making, and firm alignment on the business side where every AI project has a defined purpose for the organization.

In a previous feature about enterprise architects, gen AI had emerged, but its impact on enterprise technology hadn’t been felt. Today, gen AI has spawned a plethora of agentic AI solutions from the major SaaS providers, and enterprise architecture and the role of enterprise architect is being redrawn. So what do CIOs and their architects need to know?

Organizations, especially their CEOs, have been vocal of the need for AI to improve productivity and bring back growth, and analysts have backed the trend. Gartner, for example, forecasts that 75% of IT work will be completed by human employees using AI over the next five years, which will demand, it says, a proactive approach to identifying new value-creating IT work, like expanding into new markets, creating additional products and services, or adding features that boost margins.

If this radical change in productivity takes place, organizations will need a new plan for business processes and the tech that operates those processes. Recent history shows if organizations don’t adopt new operating models, the benefits of tech investments can’t be achieved.

As a result of agentic AI, processes will change, as well as the software used by the enterprise, and the development and implementation of the technology. Enterprise architects, therefore, are at the forefront of planning and changing the way software is developed, customized, and implemented.

In some quarters of the tech industry, gen AI is seen as a radical change to enterprise software, and to its large, well-known vendors. “To say AI unleashed will destroy the software industry is absurd, as it would require an AI perfection that even the most optimistic couldn’t agree to,” says Diego Lo Giudice, principal analyst at Forrester. Speaking at the One Conference in the fall, Lo Giudice reminded 4,000 business technology leaders that change is taking place, but it’s built on the foundations of recent successes.

“Agile has given better alignment, and DevOps has torn down the wall between developers and operations,” he said. “They’re all trying to do the same thing, reduce the gap between an idea and implementation.” He’s not denying AI will change the development of enterprise software, but like Agile and DevOps, AI will improve the lifecycle of software development and, therefore, the enterprise architecture. The difference is the speed of change. “In the history of development, there’s never been anything like this,” adds Phil Whittaker, AI staff engineer at content management software provider Umbraco.

Complexity and process change

As the software development and customization cycle changes, and agentic applications become commonplace, enterprise architects will need to plan for increased complexity and new business processes. Existing business processes can’t continue if agentic AI is taking on tasks currently done manually by staff.

Again, Lo Giudice adds some levity to a debate that can often become heated, especially in the wake of major redundancies by AI leaders such as AWS. “The view that everyone will get a bot that helps them do their job is naïve,” he said at the One Conference. “Organizations will need to carry out a thorough analysis of roles and business processes to ensure they spend money and resources on deploying the right agents to the right tasks. Failure to do so will lead to agentic technology being deployed that’s not needed, can’t cope with complex tasks, and increases the cloud costs of the business.

“It’s easy to build an agent that has access to really important information,” says Tiago Azevedo, CIO for AI-powered low-code platform provider OutSystems. “You need segregation of data. When you publish an agent, you need to be able to control it, and there’ll be many agents, so costs will grow.”

The big difference, though, is deterministic and non-deterministic, says Whittaker. So non-deterministic requires guardrails of deterministic agents that produce the same output every time over the more random outcomes of non-deterministic agents. Defining business outcomes by deterministic and non-deterministic is a clear role for enterprise architecture. He adds that this is where AI can help organizations fill in gaps. Whittaker, who’s been an enterprise architect, says it’ll be vital for organizations to experiment with AI to see how it can benefit their architecture and, ultimately, business outcomes.

“The path to greatness lies not in chasing hype or dismissing AI’s potential, but in finding the golden middle ground where value is truly captured,” write Gartner analysts Daryl Plummer and Alicia Mullery. “AI’s promise is undeniable, but realizing its full value is far from guaranteed. Our research reveals the sobering odds that only one in five AI initiatives achieve ROI, and just one in 50 deliver true transformation.” Further research also finds just 32% of employees trust the organization’s leadership to drive transformation. “Agents bring an additional component of complexity to architecture that makes the role so relevant,” Azevedo adds.

In the past, enterprise architects were focused on frameworks. Whittaker points out that new technology models will need to be understood and deployed by architects to manage an enterprise that comprises employees, applications, databases, and agentic AI. He cites MCP as one as it provides a standard way to connect AI models to data sources, and simplifies the current tangle of bespoke integrations and RAG implementations. AI will also help architects with this new complexity. “There are tools for planning, requirements, creating epics, user stories, code generation, documenting code, and translating it,” added Lo Giudice.

New responsibilities

Agentic AI is now a core feature of every major EA tool, says Stéphane Vanrechem, senior analyst at Forrester. “These agents automate data validation, capability mapping, and artifact creation, freeing architects to focus on strategy and transformation.” He cites the technology of Celonis, SAP Signavio, and ServiceNow for their agentic integrations. Whittaker adds that the enterprise architect has become an important human in the loop to protect the organization and be responsible for the decisions and outcomes that agentic AI delivers.

Although some enterprise architects will see this as a collapse of their specialization, Whittaker thinks it broadens the scope of the role and makes them more T-shaped. “I can go deep in different areas,” he says. “Pigeon-holing people is never a great thing to do.”

Traditionally, architecture has suggested that something is planned, built, and then exists. The rise of agentic AI in the enterprise means the role of the enterprise architect is becoming more fluid as they continue to design and oversee construction. But the role will also involve continual monitoring and adjustment to the plan. Some call this orchestration, or perhaps it’s akin to map reading. An enterprise architect may plan a route, but other factors will alter the course. And just like weather or a fallen tree, which can lead to a route deviation, so too will enterprise architects plan and then lead when business conditions change.

Again, this new way of being an enterprise architect will be impacted by technology. Lo Guidice believes there’ll be increased automation, and Azevedo sides with the orchestration view, saying agents are built and a catalogue of them is created across the organization, which is an opportunity for enterprise architects and CIOs to be orchestrators.

Whatever the job title, Whittaker says enterprise architecture is more important than ever. “More people will become enterprise architects as more software is written by AI,” he says. “Then it’s an architectural role to coordinate and conduct the agents in front of you.” He argues that as technologists allow agents and AI to do the development work for them, the responsibility of architecting how agents and processes function broadens and becomes the responsibility of many more technologists.

“AI can create code for you, but it’s your responsibility to make sure it’s secure,” he adds. Rather than developing the code, technology teams will become architecture teams, checking and accepting the technology that AI has developed, and then managing its deployment into the business processes.

With shadow AI already embedded in organizations, Whittaker’s view shows the need for a team of enterprise architects that can help business align with the AI agents they’ve deployed, and at the same time protect customer data and cybersecurity posture.

AI agents are redrawing the enterprise, and at the same time replanning the role of enterprise architects.

이번 신제품은 삼성전자가 첫 폴더블 스마트폰 출시 이후 축적해 온 하드웨어 설계와 제조 기술을 바탕으로 완성한 차세대 제품으로, 화면을 두 번에 걸쳐 접고 펼치는 구조를 통해 스마트폰과 태블릿 사이의 경계를 한층 더 유연하게 했다.

‘갤럭시 Z 트라이폴드’는 완전히 펼치면 10인치급 대화면으로 전환돼 문서 작업, 멀티태스킹, 콘텐츠 감상 등 태블릿 수준의 활용이 가능하고, 접었을 때는 바형 스마트폰 크기로 줄어 휴대성을 확보한다. 접었을 때 12.9mm, 펼쳤을 때 가장 얇은 쪽의 두께가 3.9mm로 역대 갤럭시 Z 폴드 시리즈 중 가장 슬림한 디자인을 갖췄다.

제품 설계는 ‘인폴딩’ 기반의 3단 접힘 구조를 채택했으며, 접히는 과정에서 이상 징후가 감지될 경우 알림과 진동으로 사용자에게 안내하는 자동 알람 기능도 탑재했다. 배터리는 폴더블 시리즈 중 최대 수준인 5,600mAh 용량을 담았고, 3개의 패널 각각에 셀을 고르게 배치하는 방식으로 전력 공급의 균형을 맞췄다. 초고속 충전 지원으로 대화면 사용 환경에서도 충전 편의성을 유지했다.

성능과 사용성 역시 대화면 폴더블에 맞춰 강화됐다. ‘갤럭시용 스냅드래곤 8 엘리트’ 모바일 프로세서를 탑재해 고해상도 멀티태스킹과 AI 기능 구동에 필요한 처리 능력을 확보했으며, 2억 화소 광각 카메라를 적용해 폴더블에서도 고품질 촬영 경험을 제공한다.

또한 사용자는 멀티 윈도우 기능을 통해 최대 3개의 앱을 나란히 실행할 수 있다. 가령 웹 콘텐츠를 보면서 요약·번역 결과를 함께 확인하거나 건강 데이터를 한눈에 정리해 보는 등 다양한 앱을 대화면에 최적화된 방식으로 활용할 수 있다. 또한 화면으로 보고 있는 정보나 카메라 영상을 AI와 실시간으로 공유해 질문하고 답변을 받는 멀티모달 AI 경험도 지원한다.

특히 이번 제품은 스마트폰 최초로 태블릿 버전의 삼성 덱스를 지원해, 외부 모니터 없이도 데스크톱에 가까운 작업 환경을 구현한다. 여러 개의 가상 작업 공간을 오가며 각 공간에 여러 앱을 동시에 배치할 수 있어, 이동 중에도 PC 수준의 멀티태스킹을 구현한다.

삼성전자는 ‘갤럭시 Z 트라이폴드’를 국내에 먼저 출시한 뒤 주요 해외 시장으로 순차 확대할 계획이다. 국내는 12일부터 삼성닷컴과 주요 오프라인 매장에서 판매하며, 출시 전 체험 공간을 운영해 제품 경험 기회를 제공한다. 제품은 단일 색상과 16GB 메모리, 512GB 스토리지 구성으로 출시되고, 구매 고객을 대상으로 AI 서비스 구독권, 콘텐츠 구독 혜택, 보호필름 서비스, 수리비 할인 등 폴더블 프리미엄 프로그램을 함께 제공할 예정이다.

노태문 삼성전자 대표이사 사장은 “갤럭시 Z 트라이폴드’는 새로운 폼팩터 분야에서 쌓아온 삼성전자의 리더십을 바탕으로 생산성과 휴대성의 균형을 실현한 제품이며 업무∙창의성∙연결성 등 모바일 전반의 경험을 한층 확장할 것”이라고 설명했다.
dl-ciokorea@foundryco.com

しかし、その到来を待つことなく、世界のセキュリティコミュニティはすでに不可逆な転換点を超えている。2020年代前半、米国標準技術局（NIST）によるPost-Quantum Cryptography（PQC：耐量子計算機暗号）の標準化プロセスが最終段階を迎え、新たな連邦標準（FIPS）として結実しようとしているからだ。これは単なる技術仕様の改定ではない。インターネットの黎明期から現代に至るまで、デジタルの信頼を根底で支えてきたRSA暗号や楕円曲線暗号といった「現代暗号の終焉」と、それに代わる「次世代暗号への移行」という、数十年単位の巨大な地殻変動が始まったことを意味している。GoogleやCloudflareといったテクノロジーの巨人はすでにブラウザやネットワークレベルでの実装実験を繰り返しており、大手クラウドベンダーも水面下で対応を進めている。本稿では、まだ見ぬ脅威であるはずの量子計算機対策が、なぜ今、企業の喫緊の課題として浮上しているのか、そしてPQCへの移行が企業ITの長期戦略にどのような変革を迫るのかを、技術的背景と経営的リスクの両面から詳説する。

「Harvest Now, Decrypt Later」の脅威と標準化の加速

一般に、量子コンピュータによる暗号解読の話題が出ると、多くの経営者やIT責任者は「まだ実用化には時間がかかる」「自分が現役の間は関係ない」と捉えがちである。確かに、Shorのアルゴリズムを用いて現在の公開鍵暗号を現実的な時間で破るために必要な、大規模かつ誤り訂正機能を備えた量子コンピュータの実現は、依然として技術的なハードルが高い。しかし、企業が直面しているリスクの実体は、将来の解読能力そのものではなく、現在のデータが未来の時点で危険に晒されるという時間軸のズレにある。 セキュリティ業界で「Harvest Now, Decrypt Later（今収集し、後で解読する）」と呼ばれる攻撃手法への懸念が、各国の標準化を急がせる最大の要因となっている。攻撃者は、たとえ現時点では暗号を解読できなくとも、ターゲットとする企業の通信データや暗号化されたファイルを今のうちに大量に収集・保存しておくことが可能である。そして、将来的に十分な性能を持つ量子コンピュータが登場した瞬間に、過去に蓄積したデータを一気に解読にかけるのだ。このシナリオにおいて、暗号化通信の安全性は「通信している瞬間」だけでは完結しない。その情報が持つ機密性の保持期間と、暗号技術が破られるまでの期間の競走となる。

たとえば、国家機密に関わる外交文書、知的財産となる新薬の研究データ、あるいは個人の遺伝子情報や長期の金融資産記録などは、10年から数十年という極めて長い期間にわたって機密性を維持する必要がある。もし2030年代あるいは2040年代に量子計算機が実用化されると仮定すれば、今日送信されている長期保存データの多くは、すでに危険水域に入っていると言えるだろう。NISTが選定したCRYSTALS-Kyber（鍵共有方式、標準化名称：ML-KEM）やCRYSTALS-Dilithium（署名方式、標準化名称：ML-DSA）といった新しいアルゴリズムは、こうした「未来の脅威による現在のリスク」を封じ込めるための防波堤である。これらは従来の素因数分解や離散対数問題とは異なる、格子暗号などの数学的難問を安全性の根拠としており、量子計算機による攻撃に耐えうると考えられている。すでにこれらのアルゴリズムはFIPS（連邦情報処理標準）として文書化が進み、TLS（Transport Layer Security）やVPN、電子署名といった社会インフラの深層への組み込みが前提となりつつある。つまり、PQCは遠い未来の技術ではなく、すでに実装フェーズに入った「現代の技術」なのである。

アルゴリズムの「リプレース」を超えたシステム基盤への衝撃

PQCへの移行が企業ITにとって極めて厄介なのは、それが単なるソフトウェアのアップデートや、設定ファイルの書き換え程度では済まない可能性が高いという点にある。かつてDESからAESへ、あるいはSHA-1からSHA-2へと暗号アルゴリズムが移行した際も相応の労力を要したが、今回のPQC移行はそれらとは比較にならないほどシステム基盤への物理的・論理的なインパクトが大きい。 その最大の要因は、鍵サイズと署名データサイズの肥大化である。たとえば、鍵共有メカニズムであるML-KEMは、現在主流の楕円曲線暗号（ECDHなど）と比較して、鍵長や暗号文のサイズが桁違いに大きくなる傾向がある。同様に、電子署名に用いられるML-DSAも、従来のRSAやECDSAに比べて署名サイズが増大する。最新の高性能サーバーや太い帯域を持つバックボーン回線であれば、この程度のオーバーヘッドは許容範囲かもしれない。しかし、リソースが厳しく制限された環境においては、この「重さ」が致命的なボトルネックとなり得る。

具体的に影響が懸念されるのは、IoT（Internet of Things）やOT（Operational Technology）の領域である。工場内のセンサー、自動車の制御ユニット、スマートメーター、あるいは医療用埋め込みデバイスなどは、極めて限られたメモリと計算能力で動作しており、通信帯域も狭い場合が多い。ここにサイズの大きなPQCをそのまま導入しようとすれば、パケット分割による遅延の増大、メモリ不足による動作不安定、あるいはハンドシェイク処理によるバッテリー消費の激増といった問題が顕在化する恐れがある。 さらに、既存のプロトコルやデータフォーマットが、これほど大きな鍵や署名を格納することを想定していないケースも多々ある。X.509証明書にPQCの公開鍵や署名を埋め込んだ結果、証明書のサイズが肥大化し、従来のUDPベースの通信でパケットサイズ制限に抵触したり、古いミドルウェアがバッファオーバーフローを起こしたりするリスクも指摘されている。

また、移行期特有の複雑さとして「ハイブリッド暗号」の運用が挙げられる。PQCのアルゴリズムは比較的新しいため、将来的に未知の脆弱性が見つかる可能性を完全には否定できない。そのため、移行期間中は、長年の実績がある従来の楕円曲線暗号と、新しいPQCアルゴリズムを組み合わせて二重に鍵共有を行う「ハイブリッド方式」が推奨されている。これは安全性における保険としては合理的だが、システム運用側から見れば、管理すべき鍵の種類が増え、処理負荷が増大し、トラブルシューティングが複雑化することを意味する。既存のRSAやECDSAのみに対応したレガシー機器と、PQC対応の最新機器が混在する環境を、セキュリティポリシーの一貫性を保ちながらどう統合管理していくのか。企業は、ネットワーク機器の買い替えサイクルやアプリケーションの改修計画を含めた、長期的なロードマップの策定を迫られることになる。

暗号ライフサイクル管理（CLM）と「クリプト・アジリティ」の確立

このような技術的・運用的な課題を前にして、企業はどのような戦略を持つべきなのか。最も重要な視点は、PQC対応を単なる「20XX年問題」のような期限付きの対処療法として捉えるのではなく、組織全体の「暗号の管理能力（クリプト・アジリティ）」を抜本的に強化する機会と捉えることである。 クリプト・アジリティとは、使用している暗号アルゴリズムに危殆化（安全性が損なわれること）や脆弱性が発見された際に、システム全体への影響を最小限に抑えつつ、迅速かつスムーズに新しい安全なアルゴリズムへ切り替える能力を指す。これまで多くの企業システムでは、暗号アルゴリズムは一度実装されれば、システムが廃棄されるまで塩漬けにされることが一般的であった。アプリケーションのコードの中にハードコードされていたり、ハードウェアチップに焼き付けられていたりして、容易に変更できない構造になっていることが多かったのである。PQCへの移行は、こうした硬直的な構造を打破し、暗号部品をいつでも交換可能な「部品」として疎結合化するアーキテクチャへの転換を促すものである。

具体的な第一歩として求められるのは、自社のシステム資産における暗号依存関係の完全な棚卸しである。これを近年では「CBOM（Cryptography Bill of Materials：暗号部品表）」と呼ぶ動きもある。どのサーバーのどのライブラリで、どのバージョンのOpenSSLが動いているのか。独自開発のアプリケーション内で、どのような暗号関数が呼び出されているのか。外部と接続するVPN装置や、クラウドサービスとのAPI連携において、どの暗号スイートが使われているのか。そして何より、それぞれのシステムで扱われているデータの保存期間はどれくらいなのか。これらを網羅的に可視化しない限り、どこから手をつけるべきかの優先順位すら決めることができない。 特に、情報の「寿命」と暗号の「寿命」のギャップが大きい領域こそが、最優先で対策を講じるべきホットスポットとなる。たとえば、法定保存期間が長い文書管理システムや、製品寿命が20年に及ぶインフラ設備の制御システムなどは、汎用的なIT機器よりもはるかに早い段階でPQC対応、あるいはハイブリッド構成への移行計画を立てる必要があるだろう。逆に、数時間で価値を失う一時的なログデータや、短期間で破棄されるキャッシュデータであれば、直ちにコストをかけてPQCを導入する必要性は低いかもしれない。

結局のところ、Post-Quantum時代におけるセキュリティ戦略とは、来るべき量子コンピュータの脅威に怯えることではなく、自社が守るべき情報の価値と時間軸を再定義し、それを守るための技術基盤を「更新可能な状態」に保ち続けるプロセスそのものであると言える。量子技術の進展速度は、一企業のコントロールを超えた外部要因である。しかし、自社のシステムが古い暗号技術と心中するのか、それとも新しい技術を柔軟に受け入れられる体質に変わるのかは、経営の意思決定にかかっている。PQC標準化という波は、暗号という「見えないインフラ」を経営アジェンダへと押し上げ、静的だったセキュリティ運用を動的でしなやかなものへと進化させるための、強力な触媒として機能しているのである。

As employees experiment with gen AI tools on their own, CIOs are facing a familiar challenge with shadow AI. Although it’s often well-intentioned innovation, it can create serious risks around data privacy, compliance, and security.

According to 1Password’s 2025 annual report, The Access-Trust Gap, shadow AI increases an organization’s risk as 43% of employees use AI apps to do work on personal devices, while 25% use unapproved AI apps at work.

Despite these risks, experts say shadow AI isn’t something to do away with completely. Rather, it’s something to understand, guide, and manage. Here are six strategies that can help CIOs encourage responsible experimentation while keeping sensitive data safe.

1. Establish clear guardrails with room to experiment

Managing shadow AI begins with getting clear on what’s allowed and what isn’t. Danny Fisher, chief technology officer at West Shore Home, recommends that CIOs classify AI tools into three simple categories: approved, restricted, and forbidden.

“Approved tools are vetted and supported,” he says. “Restricted tools can be used in a controlled space with clear limits, like only using dummy data. Forbidden tools, which are typically public or unencrypted AI systems, should be blocked at the network or API level.”

Matching each type of AI use with a safe testing space, such as an internal OpenAI workspace or a secure API proxy, lets teams experiment freely without risking company data, he adds.

Jason Taylor, principal enterprise architect at LeanIX, an SAP company, says clear rules are essential in today’s fast-moving AI world.

“Be clear which tools and platforms are approved and which ones aren’t,” he says. “Also be clear which scenarios and use cases are approved versus not, and how employees are allowed to work with company data and information when using AI like, for example, one-time upload as opposed to cut-and-paste or deeper integration.”

Taylor adds that companies should also create a clear list that explains which types of data are or aren’t safe to use, and in what situations. A modern data loss prevention tool can help by automatically finding and labeling data, and enforcing least-privilege or zero-trust rules on who can access what.

Patty Patria, CIO at Babson College, notes it’s also important for CIOs to establish specific guardrails for no-code/low-code AI tools and vibe-coding platforms.

“These tools empower employees to quickly prototype ideas and experiment with AI-driven solutions, but they also introduce unique risks when connecting to proprietary or sensitive data,” she says.

To deal with this, Patria says companies should set up security layers that let people experiment safely on their own but require extra review and approval whenever someone wants to connect an AI tool to sensitive systems.

“For example, we’ve recently developed clear internal guidance for employees outlining when to involve the security team for application review and when these tools can be used autonomously, ensuring both innovation and data protection are prioritized,” she says. “We also maintain a list of AI tools we support, and which we don’t recommend if they’re too risky.”

2. Maintain continuous visibility and inventory tracking

CIOs can’t manage what they can’t see. Experts say maintaining an accurate, up-to-date inventory of AI tools is one of the most important defenses against shadow AI.

“The most important thing is creating a culture where employees feel comfortable sharing what they use rather than hiding it,” says Fisher. His team combines quarterly surveys with a self-service registry where employees log the AI tools they use. IT then validates those entries through network scans and API monitoring.

Ari Harrison, VP of IT at branding manufacturer Bamko, says his team takes a layered approach to maintaining visibility.

“We maintain a living registry of connected applications by pulling from Google Workspace’s connected-apps view and piping those events into our SIEM [security information and event management system],” he says. “Microsoft 365 offers similar telemetry, and cloud access security broker tools can supplement visibility where needed.”

That layered approach gives Bamko a clear map of which AI tools are touching corporate data, who authorized them, and what permissions they have.

Mani Gill, SVP of product at cloud-based iPaaS Boomi, argues that manual audits are no longer enough.

“Effective inventory management requires moving beyond periodic audits to continuous, automated visibility across the entire data ecosystem,” he says, adding that good governance policies ensure all AI agents, whether approved or built into other tools, send their data in and out through one central platform. This gives organizations instant, real-time visibility into what each agent is doing, how much data it’s using, and whether it’s following the rules.

Tanium chief security advisor Tim Morris agrees that continuous discovery across every device and application is key. “AI tools can pop up overnight,” he says. “If a new AI app or browser plugin appears in your environment, you should know about it immediately.”

3. Strengthen data protection and access controls

When it comes to securing data from shadow AI exposure, experts point to the same foundation: data loss prevention (DLP), encryption, and least privilege.

“Use DLP rules to block uploads of personal information, contracts, or source code to unapproved domains,” Fisher says. He also recommends masking sensitive data before it leaves the organization, and turning on logging and audit trails to track every prompt and response in approved AI tools.

Harrison echoes that approach, noting that Bamko focuses on the security controls that matter most in practice: Outbound DLP and content inspection to prevent sensitive data from leaving; OAuth governance to keep third-party permissions to least privilege; and access limits that restrict uploads of confidential data to only approved AI connectors within its productivity suite.

In addition, the company treats broad permissions, such as read and write access to documents or email, as high-risk and requires explicit approval, while narrow, read-only permissions can move faster, Harrison adds.

“The goal is to allow safe day-to-day creativity while reducing the chance of a single click granting an AI tool more power than intended,” he says.

Taylor adds that security must be consistent across environments. “Encrypt all sensitive data at rest, in use, and in motion, employ least-privilege and zero-trust policies for data access permissions, and ensure DLP systems can scan for, tag, and protect sensitive data.”

He notes that companies should ensure these controls work the same on desktop, mobile, and web, and keep checking and updating them as new situations come up.

4. Clearly define and communicate risk tolerance

Defining risk tolerance is as much about communication as it is about control. Fisher advises CIOs to tie risk tolerance to data classification instead of opinion. His team uses a simple color-coded system: green for low-risk activities, such as marketing content; yellow for internal documents that must use approved tools; and red for customer or financial data that can’t be used with AI systems.

“Risk tolerance should be grounded in business value and regulatory obligation,” says Morris. Like Fisher, Morris recommends classifying AI use into clear categories, what’s permitted, what needs approval, and what’s prohibited, and communicating that framework through leadership briefings, onboarding, and internal portals.

Patria says Babson’s AI Governance Committee plays a key role in this process. “When potential risks emerge, we bring them to the committee for discussion and collaboratively develop mitigation strategies,” she says. “In some cases, we’ve decided to block tools for staff but permit them for classroom use. That balance helps manage risk without stifling innovation.”

5. Foster transparency and a culture of trust

Transparency is the key to managing shadow AI well. Employees need to know what’s being monitored and why.

“Transparency means employees always know what’s allowed, what’s being monitored, and why,” Fisher says. “Publish your governance approach on the company intranet and include real examples of both good and risky AI use. It’s not about catching people. You’re building confidence that utilizing AI is safe and fair.”

Taylor recommends publishing a list of officially sanctioned AI offerings and keeping it updated. “Be clear about the roadmap for delivering capabilities that aren’t yet available,” he says, and provide a process to request exceptions or new tools. That openness shows governance exists to support innovation, not hinder it.

Patria says in addition to technical controls and clear policies, establishing dedicated governance groups, like the AI Governance Committee, can greatly enhance an organization’s ability to manage shadow AI risks.

“When potential risks emerge, such as concerns about tools like DeepSeek and Fireflies.AI, we collaboratively develop mitigation strategies,” she says.

This governance group not only looks at and handles risks, but explains its decisions and the reasons behind them, helping create transparency and shared responsibility, Patria adds.

Morris agrees. “Transparency means there are no surprises. Employees should know which AI tools are approved, how decisions are made, and where to go with questions or new ideas,” he says.

6. Build continuous, role-based AI training

Training is one of the most effective ways to prevent accidental misuse of AI tools. The key is be succinct, relevant, and recurring.

“Keep training short, visual, and role-specific,” says Fisher. “Avoid long slide decks and use stories, quick demos, and clear examples instead.”

Patria says Babson integrates AI risk awareness into annual information security training, and sends periodic newsletters about new tools and emerging risks.

“Routine training sessions are offered to ensure employees understand approved AI tools and emerging risks, while departmental AI champions are encouraged to facilitate dialogue and share practical experiences, highlighting both the benefits and potential pitfalls of AI adoption,” she adds.

Taylor recommends embedding training in-browser, so employees learn best practices directly in the tools they’re using. “Cutting and pasting into a web browser or dragging and dropping a presentation seems innocuous until your sensitive data has left your ecosystem,” he says.

Gill notes that training should connect responsible use with performance outcomes.

“Employees need to understand that compliance and productivity work together,” he says. “Approved tools deliver faster results, better data accuracy, and fewer security incidents compared with shadow AI. Role-based, ongoing training can demonstrate how guardrails and governance protect both data and efficiency, ensuring that AI accelerates workflows rather than creating risk.”

Responsible AI use is good business

Ultimately, managing shadow AI isn’t just about reducing risk, it’s about supporting responsible innovation. CIOs who focus on trust, communication, and transparency can turn a potential problem into a competitive advantage.

“People generally don’t try and buck the system when the system is giving them what they’re looking for, especially when there’s more friction for the user in taking the shadow AI approach,” says Taylor.

Morris concurs. “The goal isn’t to scare people but to make them think before they act,” he says. “If they know the approved path is easy and safe, they’ll take it.”

That’s the future CIOs should work toward: a place where people can innovate safely, feel trusted to experiment, and keep data protected because responsible AI use isn’t just compliance, it’s good business.

생성형 AI가 기업의 AI 전략 재편을 이끌면서 IT 기술 인력 시장도 재편되고 있다. 기업은 AI 역량을 갖춘 지원자와 재직자에게 우선순위를 두고 있다. 인디드의 ‘2025 테크 인재 보고서(Tech Talent Report)’에 따르면 AI 관련 조직 재편의 영향을 가장 크게 받은 상위 4개 역할은 소프트웨어 엔지니어·개발자, QA 엔지니어, 프로덕트 매니저, 프로젝트 매니저였다. 현재 기업은 사이버보안, 데이터 분석·데이터 애널리틱스, AI팀 구축·관리 역량을 보유한 전문가에 예산과 노력을 집중하고 있다.

IT 역할의 우선순위가 바뀌면서 구직자가 이력서에 담아야 할 IT 기술 역량도 달라졌다. 기업은 이제 초급 IT 직무라도 최소한 기본적인 프롬프트 엔지니어링 역량을 갖추기를 기대한다. 그보다 높은 수준에서는 AI 도구와 전략을 감독하고, 도입하고, 보안 수준을 확보하고, 운영까지 책임질 수 있는 IT 전문가를 찾고 있다.

인디드 데이터에 따르면 2024년과 2025년 사이 채용 공고에 요구 조건으로 포함된 횟수를 기준으로 다음 10가지 IT 기술 역량의 선호도가 가장 크게 높아졌다.

AI

AI 역량 수요가 가장 큰 폭으로 늘어난 것은 전혀 놀라운 일이 아니다. 여러 산업과 직무에서 AI 도입 경쟁이 벌어지면서 기업은 AI를 어떻게든 활용하려 분주하게 움직이고 있다. 2024년에는 AI 역량을 요구한 채용 공고가 500만 건을 웃돌았고, 2025년에는 1년 새 400만 건 이상 늘어났다. 이제 기술 분야 밖에서 일하는 지원자라도 프롬프트 엔지니어링, 자연어 처리, 프로그래밍·코딩용 AI 활용 등 일정 수준의 AI 역량을 갖춰야 하는 상황이다.

파이썬

파이썬은 데이터 분석, 웹 개발, 소프트웨어 개발, 과학 컴퓨팅, AI·머신러닝(ML) 모델 구축 등 여러 분야에서 활용되는 프로그래밍 언어이다. 소프트웨어 개발자, 웹 개발자, 데이터 사이언티스트, 데이터 애널리스트, ML 엔지니어, 사이버보안 분석가, 클라우드 엔지니어 등 다양한 IT 직무가 폭넓게 사용하는 다목적 언어이다. 기업 환경에서의 활용 폭이 넓기 때문에 꾸준히 수요 상위권을 유지하는 기술 역량이다. 2024년에는 파이썬 역량을 요구한 채용 공고가 1,500만 건을 조금 넘었고, 2025년에는 1,800만 건에 약간 못 미치는 수준까지 늘어났다. 더 많은 조직이 코딩에 AI를 활용하고 있지만, 여전히 복잡한 코드를 직접 작성하고, AI가 생성한 코드의 프롬프트를 다듬고 품질을 검증할 수 있는 숙련 개발자 역량이 필요하다.

알고리즘

많은 기업이 코딩과 프로그래밍 효율화를 위해 AI를 도입하면서, 이런 과정을 이끌고 제어하는 기준이 되는 알고리즘에 대한 의존도도 높아졌다. 알고리즘 중심의 사고에는 데이터베이스와 프로그래밍에 대한 깊은 이해, 고차원 비판적 사고, 문제 해결 능력이 필요하다. 알고리즘 역량을 요구한 채용 공고는 2024년에는 약 18만 건에 불과했지만, 2025년에는 200만 건이 넘었다. AI가 초급 업무 상당 부분을 넘겨받으면서, 기업은 AI 시스템을 설계·지도하고 효율적인 알고리즘을 구축할 수 있는 고급 인력을 찾고 있다.

CI/CD

CI/CD 역량은 AI 도입 이후 소프트웨어 개발 라이프사이클을 효율화하는 데 필수 기술로 떠올랐다. CI/CD 역량을 갖춘 전문가는 자동화·스크립팅 도구를 구축하고, 컨테이너화, 클라우드 통합, 자동화 테스트 같은 개념을 이해하고 활용할 수 있다. 2024년에는 CI/CD 역량을 요구한 채용 공고가 700만 건에 조금 못 미쳤고, 2025년에는 900만 건을 넘는 수준까지 증가했다.

구글 클라우드

구글 클라우드는 기업의 IT 솔루션을 구축·배포·관리하기 위해 널리 사용하는 클라우드 플랫폼으로, 구글은 구글 클라우드 역량과 지식을 인증하는 여러 자격증을 제공한다. 최근 몇 년 동안 많은 조직이 업무 도구, 서비스, 데이터 저장소를 구글 클라우드 기반 서비스로 이전해 왔다. 특히 대규모 데이터를 저장하고 처리해야 하는 AI 개발 환경에서 클라우드 도구는 필수 인프라로 자리 잡았다. 2024년에는 구글 클라우드 역량을 요구한 채용 공고가 약 350만 건이었지만, 2025년에는 530만 건을 웃도는 수준까지 늘어났다.

AWS

AWS는 현재 가장 널리 쓰이는 클라우드 플랫폼이다. 여러 산업에서 클라우드 전략의 핵심 축을 담당하는 만큼, 플랫폼이 제공하는 방대한 서비스를 제대로 활용하기 위한 AWS 역량 수요도 크다. 클라우드 엔지니어, 데브옵스 엔지니어, 솔루션 아키텍트, 데이터 엔지니어, 사이버보안 분석가, 소프트웨어 개발자, 네트워크 관리자 등 수많은 IT 직무에서 공통으로 요구되는 역량이다. 2024년에도 AWS 역량은 높은 인기를 유지하며 1,200만 건이 조금 넘는 채용 공고에 요구사항으로 포함됐고, 2025년에는 1,370만 건을 넘었다.

분석 역량

AI가 초급·반복 업무 상당 부분을 대체하면서 IT 전문가에게는 더 높은 수준의 분석적 사고 역량이 요구되고 있다. AI가 내리는 판단이나 생성 결과가 항상 완벽하지 않기 때문에, 특히 숫자와 데이터 영역에서는 AI 환각과 오류를 가려낼 수 있는 인간의 시선과 분석 능력이 필요하다. 분석 역량은 이미 오래전부터 조직에 핵심으로 자리한 능력이다. 2024년에는 분석 역량을 요구한 채용 공고가 1,900만 건을 조금 넘었고, 2025년에는 2,100만 건을 웃도는 수준으로 늘어났다.

사이버 보안

AI 의존도가 높아지면서 기업의 보안 취약 지점도 함께 늘어나고 있다. 더 많은 제품과 서비스를 온라인으로 전환하고 AI를 통합하는 과정에서 공격자가 노릴 수 있는 지점이 많아진다는 의미이다. 사이버보안 역량을 요구한 채용 공고는 2024년 약 240만 건이었다가 2025년에는 400만 건을 넘는 수준까지 증가했다. AI를 보안 솔루션에 통합하든, AI를 악용한 새로운 고도화 공격을 막든, 보안은 AI 도입을 추진하는 조직이 최우선으로 고려하는 분야이다.

소프트웨어 문제 해결 역량

더 많은 조직이 기본적인 코드와 스크립트 작성에는 AI를 활용하고 있지만, 최종 결과물에서 결함, 보안 문제, 이상 징후를 찾아내는 일은 여전히 인간 IT 전문가의 몫이다. 소프트웨어 트러블슈팅 역량을 요구한 채용 공고는 2024년 900만 건이 조금 넘었고, 2025년에는 1,100만 건에 조금 못 미치는 수준까지 증가했다. 이 분야에는 소프트웨어 문제를 파악하고 고객·사용자의 문제를 해결하기 위한 커뮤니케이션 능력, 문제 해결 능력, 비판적 사고, 기술 역량이 모두 필요하다.

머신러닝

머신러닝은 AI 개발의 핵심 기술로, AI뿐만 아니라 자연어처리에 대한 높은 수준의 전문성이 요구된다. 기업은 AI 도입과 향후 확산을 뒷받침할 수 있는 ML 역량 보유 전문가를 확보하는 데 주력하고 있다. 머신러닝 역량을 요구한 채용 공고는 2024년 약 370만 건에서 2025년에는 500만 건을 넘었다. 기업이 AI 프로세스를 적극 도입하고, AI 시스템을 지원·유지할 인재를 찾는 흐름이 이어지는 한 머신러닝 역량을 갖춘 IT 전문가는 계속 높은 수요를 유지할 것으로 보인다.
dl-ciokorea@foundryco.com

구글은 자사의 첫 증강현실 시도였던 구글 글래스를 공식적으로 중단했다. 다만, 대중적으로는 실패한 제품으로 여겨졌음에도, 두 해 전까지만 해도 여전히 기업용 모델로 판매되고 있었다.

마이크로소프트도 마찬가지로 홀로렌즈를 기업 중심으로 방향 전환했다가 결국은 완전히 취소했다.

반면, 애플은 고가의 비전 프로 헤드셋으로 처음부터 기업 시장을 공략해 왔다. 첫 공개 이후 열린 WWDC에서는 비전 운영체제 전용 세션을 마련했고, 플랫폼의 첫 번째 주요 업데이트에서는 모바일 기기 관리 기능도 도입했다.

이러한 전략은 당연한 수순으로 볼 수 있다. 확장현실 기기는 가격과 활용 방식 모두에서 기업 시장에 적합하다고 여겨지고 있으며, 가상현실 시장은 성공을 좌우하는 핵심 요소로 인식되고 있다.

다만, 3,499달러에 달하는 애플 비전 프로는 모든 기업에 적합하지 않을 수도 있다. 필요하더라도 모든 직원을 대상으로 한 제품은 아니다. 그러나 제품 설계, 시제품 제작, 데이터 시각화, 교육, 산업 현장 활용, 의료 시술, 특정 고객 응대 분야 등에서 실질적인 효과를 낼 수 있는 영역은 분명 존재한다.

이러한 가치를 실현하려면, 일반적인 기술 도입보다 기업 정보기술 부서가 더 세밀하게 접근해야 하는데, 불가능한 과제는 아니다. 비전 프로를 기업용 기기로 고려할 때의 접근 방식과 도입 전 검토해야 할 요소를 살펴보자.

비전 프로, 단순 전시용 기기 아냐

가장 먼저 넘어야 할 큰 과제는 공간 컴퓨팅 기술을 업무용으로 인식하게 만드는 것이다. 여기에는 사용자가 얼굴에 장착한 컴퓨터에 익숙해지는 것뿐 아니라, 사무실에서 누군가 해당 기기를 착용한 모습을 자연스럽게 받아들이는 것까지 포함된다. 더 중요한 것은 비전 프로를 단순한 고가 전자 기기가 아닌 업무 도구로 인식하는 것이다. 그러려면 비전 프로가 실질적으로 회사에 기여하는 가치를 입증해야 하며, 사용자도 그 가치를 이해해야 한다.

따라서 비전 프로를 정보기술 도구로 도입하려면, 왜 이 장비가 최적의 해결책인지 사용자에게 충분히 설명해야 한다.

명확한 목표와 기대 성과 설정

비전 운영체제 기반 애플리케이션과 워크플로를 구축할 때는 명확한 전략이 필요하다. 따라서 비전 프로를 직원용으로 도입하려는 기업은 구체적인 목표와 성과 측정 방식을 사전에 설정해야 한다.

산업군과 기업 특성에 따라 방식은 다양하다. 예를 들어, 지역이 다른 디자인 팀이 가상 워크숍에서 실시간으로 협업하는 환경을 구현하거나, 원격 공장 장비 조작 교육을 진행하거나, 데이터 분석을 위한 시각화 환경을 제공하거나, 의료 전문가가 원격으로 진료를 지원하는 형태 등이 있다.

어떤 사례에 해당하든, 기업은 기존 컴퓨팅 도구보다 공간 컴퓨팅이 어떤 이점을 제공하는지를 명확히 해야 한다. 특히 고가의 하드웨어가 수반되는 만큼 그 필요성은 더 강조되어야 한다.

사용자와 긴밀히 협력하라

비전 프로의 성공적인 정착은 기기를 직접 사용하는 직원, 팀 리더, 관리자와의 협력에 달려 있다. 기술을 먼저 요구한 쪽이 직원이든, 정보책임자든 상관없이, 모든 이해관계자가 자신의 업무가 무엇이며 이 플랫폼이 어떻게 이를 지원할 수 있는지를 함께 논의해야 한다.

특히 도입 초기 단계에는 정기적인 점검 일정을 마련하고, 피드백 수집 방식(소프트웨어나 대면 보고 포함)도 명확히 해야 한다. 무엇보다 중요한 것은 사용자 피드백을 반영해 실제 개선 조치로 연결하는 것이다.

브라우저도 대안

어떤 기기든 핵심 가치는 하드웨어 자체보다 실행되는 소프트웨어에서 나온다. 애플리케이션은 공개 앱이 될 수도 있고, 기업 전용 내부 앱일 수도 있다. 일반적으로는 이 둘을 혼합해 사용하는 경우가 많다.

자체 개발 앱은 사용자의 필요나 워크플로에 맞춰 정밀하게 구현할 수 있는 장점이 있지만, 많은 개발 시간과 리소스가 소요된다. 일부 특수 목적에는 이 방법이 유일한 선택일 수 있다.

그러나 기존 솔루션이 있는지 먼저 확인하는 것이 더 빠르고 비용도 절감될 수 있다. 기업용 디바이스와 마찬가지로, 정보기술 부서는 현재 사용 중인 모바일 기기 관리 시스템을 활용해 퍼블릭 앱과 기업 내부 앱을 큐레이션할 수 있어야 한다.

사용자로부터 앱 대안 제안이 들어오는 경우도 있으므로, 각 제안이 더 나은 해법이 될 수 있는지 검토하는 과정이 반드시 필요하다.

또한, 전체 기능을 갖춘 앱이 반드시 필요한 것은 아니다. 비전 운영체제의 사파리 웹 브라우저는 몰입형 콘텐츠 제공이 가능하며, 단순한 브라우저 기반 도구나 위젯도 유효한 솔루션이 될 수 있다.

공동 작업 기능 활용

셰어플레이는 비전 운영체제에서 가장 강력한 협업 기능 중 하나로, 제품 개발이나 엔지니어링 부서의 원격 협업 플랫폼으로 매우 유용하다.

여러 사용자가 동일한 가상 공간에서 하나의 워크플로·업무·앱을 실시간으로 함께 사용하며 콘텐츠를 보고 수정할 수 있다. 이러한 기능은 현장 또는 원격 협업을 모두 가능하게 한다.

이 기능은 다른 애플 기기와도 연동되어, 비전 프로를 사용하지 않는 직원도 비몰입형 콘텐츠에 접근할 수 있다. 몰입형 협업이 필요한 직원은 해당 기능을 활용하고, 일부 사양이나 데이터만 필요한 동료는 맥, 아이패드, 아이폰을 통해 참여할 수 있다.

단, 비전 운영체제는 특정 작업 공간에서 콘텐츠 공유를 제한하는 기능도 포함하고 있다. 이는 프라이버시 보호, 지역 규제, 기업 내부 데이터 보안 정책 등과 관련된 조치다.

도입 절차는 단계적으로

비전 운영체제는 전혀 새로운 사용자 경험을 제공하는 플랫폼이기 때문에, 초기 도입 시에는 오리엔테이션과 교육을 대면으로 진행하는 것이 가장 효과적이다. 시선 추적을 통한 선택, 실제 공간에 콘텐츠 배치, 가상 콘텐츠 조작 등은 익숙하지 않은 사용자에게 진입 장벽이 될 수 있다.

전담 지원 인력 배치

지원 인력 일부를 비전 운영체제 전담으로 지정하는 것이 바람직하다. 지원 인력도 직접 기기를 사용해볼 수 있어야 하며, 실제로 기기를 경험하지 않고는 사용자 문제를 제대로 파악하거나 해결하기 어렵다.

비용이 부담된다면 팀당 한 대의 기기만 배정해도 충분하다. 직접 기기를 사용해본 지원 담당자는 문제를 빠르게 재현하고 해결할 수 있는 역량이 높아진다.

끊임없는 변화에 대비하라

혼합현실 기술은 인공지능 다음으로 변화 속도가 빠른 기술 분야다. 메타, 안드로이드 기반 확장현실 생태계도 비전 프로와 경쟁하기 위해 적극적으로 움직이고 있다. 시장은 여전히 유동적이며, 애플과 직접 관련 없는 뉴스라도 비전 운영체제의 향후 기획에 참고가 될 수 있다.
dl-ciokorea@foundryco.com

Gen AI has reshaped the IT skills market as companies restructure for AI strategies, and prioritize candidates and employees with AI skills. Data from Indeed’s 2025 Tech Talent Report show that the top four roles affected by AI-related restructuring include software engineers and developers, QA engineers, product managers, and project managers. Companies are now focusing their efforts and hiring budgets on professionals with skills in cybersecurity, data analytics and analysis, and building or managing AI teams.

This reprioritization of IT roles has also created a shift in the most in-demand IT skills that jobseekers will want to have on their résumés. Organizations now expect candidates to have basic prompt engineering skills at minimum, even for entry-level IT roles. And beyond that, they’re looking for IT professionals who can help oversee, implement, secure, and manage AI tools and strategies.

Data from Indeed reveal these are the 10 IT skills that grew the most desirable between 2024 and 2025, based on how many times they appeared as a requirement in a job posting year over year.

AI

It’s no surprise that AI is at the top of the list for one of the most in-demand skills based on growth in tech job postings listed since 2024. Companies are scrambling to adopt AI as it rapidly finds its way into every industry and career path. In 2024, there were just over 5 million job postings that required AI skills, and in 2025, that number grew by more than 4 million. So candidates, even for those working outside of tech, are now expected to have some level of AI skills, whether it’s prompt engineering, natural language processing, or using AI for programming and coding.

Python

Python is a programming language used in several fields, including data analysis, web development, software programming, scientific computing, and for building AI and ML models. It’s a versatile language used by a wide range of IT professionals such as software developers, web developers, data scientists, data analysts, ML engineers, cybersecurity analysts, cloud engineers, and more. Its widespread use in the enterprise makes it a steady entry on any in-demand skill list. In 2024, there were just over 15 million job listings requiring Python skills, and that grew to just under 18 million in 2025. Although more organizations are relying on AI for coding, they still need skilled professionals who understand key programming languages to write more complex code, and to help with prompt and QA code written by AI.

Algorithms

As more companies embrace AI and its ability to streamline coding and programming, organizations are also becoming more reliant on algorithms to help guide and dictate those processes. Algorithmic thinking requires a complex understanding of databases and programming, high-value critical thinking, and problem solving. Algorithm skills were listed as a requirement on around 180,000 job postings in 2024, which jumped to over 2 million in 2025. AI has taken over more of the entry-level work, leaving organizations looking for higher-skilled professionals who can help build and guide AI systems, and who understand how to build efficient algorithms.

CI/CD

Continuous integration and continuous delivery or deployment skills have grown in demand in the wake of AI implementation to help streamline the software development lifecycle. Professionals with CI/CD skills can handle tasks such as building tools used for automation and scripting, and have a strong understanding of concepts such as containerization, cloud integration, and automated testing. In 2024, there were just under 7 million job listings that looked for CI/CD skills and that number jumped to just over 9 million in 2025.

Google Cloud

Google Cloud is a popular platform to build, deploy, and manage IT solutions for an organization, with several certifications offered by Google to certify your professional skills with, and knowledge of, Google Cloud. Organizations have adopted the cloud in recent years, moving tools, services, and data storage to solutions hosted by Google’s cloud services. Cloud tools are critical for AI development, allowing for more versatile and agile storage solutions to host the large data sets required to train and run AI tools. Google Cloud skills were a requirement for around 3.5 million job listings in 2024, but that rose to just over 5.3 million in 2025.

AWS

Amazon Web Services is the most widely used cloud platform today. Central to cloud strategies across nearly every industry, AWS skills are in high demand as organizations look to make the most of the platform’s wide range of offerings. It’s a common skill for cloud engineers, DevOps engineers, solutions architects, data engineers, cybersecurity analysts, software developers, network administrators, and many more IT roles. In 2024, AWS skills were still popular and were listed as a requirement on just over 12 million job listings, which jumped to over 13.7 million in 2025.

Analysis Skills

AI has taken a lot of entry-level and rote work off the table for IT professionals, which has created more room for higher-level skills such as analytical thinking. Since AI still doesn’t create perfect outputs with every prompt, companies need a human eye and analytical mind to catch AI hallucinations and errors, especially when it comes to numbers and data. Analysis skills have been critical for organizations for a while now; in 2024, just over 19 million job listings required analysis skills, a number that number jumped to just over 21 million in 2025.

Cybersecurity

An increased reliance on AI has created more vulnerabilities for organizations. As they take more products and services online and integrate AI, more opportunities are created for security attacks. Cybersecurity skills were a requirement on around 2.4 million job listings in 2024, which grew to just over 4 million in 2025. Whether organizations look to integrate AI into cybersecurity solutions or help prevent new sophisticated attacks that use AI to breach systems, security is a top priority for organizations as they move forward with AI.

Software troubleshooting

Although organizations are increasingly using AI to write basic codes and scripts to build software tools, organizations still need human IT professionals to identify flaws, security issues, and other potential anomalies in the final product. Software troubleshooting skills were listed as a requirement on just over 9 million job listings in 2024, but this year, that number grew to just under 11 million. It’s an area of IT that requires communication, problem-solving, critical thinking, and technical skills to identify software issues and troubleshoot problems for clients and customers.

Machine Learning

ML is fundamental to AI development and requires a strong expertise of not only AI but also natural language processing. Organizations are seeking professionals with ML skills to support AI initiatives, and the future of AI adoption in the enterprise. In 2024, there were around 3.7 million job listings that looked for ML skills, while that jumped to over 5 million in 2025. IT professionals with ML skills will continue to be in demand as companies embrace AI processes and look for professionals to help support and maintain AI systems.

올해 초 MIT는 “조직의 95%가 AI 투자에서 아무런 수익을 얻지 못하고 있다”는 조사 결과를 발표했다. 미국 내 생성형 AI 관련 내부 프로젝트에만 300억 달러 이상이 투입된 상황이었다. 왜 이렇게 많은 AI 프로젝트가 기대만큼의 ROI를 내지 못할까? IT 컨설팅 회사 코그니전트(Cognizant)의 글로벌 CIO 닐 라마사미는 “AI가 비즈니스 가치와 명확히 연결되지 않기 때문”이라며, “기술적으로 인상적이지만 실제 문제 해결이나 실질적 성과로 이어지지 않는 경우가 많다”라고 지적했다.

IT 책임자는 종종 유행에 휩쓸려 비즈니스 성과를 고려하지 않은 채 AI 실험에 뛰어든다. 아사나(Asana)의 CIO 사켓 스리바스타바는 “많은 기업이 비즈니스 결과보다 모델이나 파일럿 프로젝트부터 시작한다. 팀이 워크플로우를 다시 설계하거나 손익 책임자를 지정하지 않은 채 고립된 시연만 진행하는 경우가 많다”라고 설명했다.

제품 중심 사고의 부재, 부실한 데이터 관리, 부재한 거버넌스, 그리고 AI 활용을 장려하지 않는 조직 문화가 겹치면 부정적인 결과로 이어진다. 스리바스타바는 “프로세스를 바꾸지 않으면 AI는 현재의 비효율을 더 빠르게 반복할 뿐”이라고 경고했다.

조직이 부정적인 AI ROI를 피하기 위해서는 효과적인 변화 관리가 핵심이다. 다음은 CIO가 바로 실천할 수 있는 다섯 가지 변화 관리 지침이다. 이 지침을 지킨다면, 따르면 조직은 안티 패턴에서 교훈을 얻고, 성공적인 AI 프로젝트를 입증할 수 있는 측정 지표를 발견할 수 있을 것이다.

1. 비즈니스 목표를 명확히 하고 리더십 정렬을 통해 AI 프로젝트를 이끈다

AI 프로젝트는 최고경영진의 후원과 명확한 비전 없이는 성공하기 어렵다. CMIT 솔루션의 사장 겸 수석 vCIO 애덤 로페즈는 “강력한 리더십은 AI 투자를 실질적 결과로 전환하는 데 필수이다. CEO나 이사회 차원의 후원과 감독이 있을수록 ROI가 높다”라고 말했다.

예를 들어 IT 컨설팅 기업 제비아(Xebia)는 글로벌 CIO 스미트 샹커가 주재하는 ‘AI 추진위원회’를 운영하고 있다. 위원회에는 글로벌 CFO, AI 및 자동화 책임자, IT 인프라·보안 책임자, 비즈니스 운영 책임자가 포함돼 있다. 스리바스타바는 “AI 프로젝트마다 목표에 기반한 책임 리더를 지정해야 한다. 조직 전반의 프로젝트 관리 실을 세워 주요 사용례를 정의하고 성공 지표와 가드레일을 설정하며 진행 상황을 정기적으로 공유하라”라고 조언했다.

하지만 리더십이 확립돼도 직원 대부분은 일상 업무에서 AI를 어떻게 활용해야 할지 모른다. 스킬소프트의 CIO 올라 데일리는 “도구를 제공받더라도 대부분 직원은 어디서부터 시작해야 할지 모른다. 조직 내 AI 활용을 선도할 ‘챔피언’을 지정해 실질적 사용례와 팁을 공유해야 한다. 특히 코파일럿 같은 도구의 효율적인 사용법을 전파하는 것이 중요하다”라고 설명했다.

라마사미는 “리더는 데이터 중심 문화를 조성하고 AI가 실제 비즈니스 문제를 해결하는 비전을 제시해야 한다”라고 강조했다. 또, 이를 위해 경영진, 데이터 과학자, IT 부서 간 긴밀한 협력이 필요하며, 파일럿 프로젝트의 실행과 성과 측정을 거쳐야 한다고 덧붙였다.

2. 인재 프레임워크를 재편하고 업스킬링(역량 강화)에 투자한다

AI ROI를 높이기 위해 CIO는 인재 전략을 새롭게 설계해야 한다. 라마사미는 “CIO는 인재 및 관리 전략을 조정해 AI 채택과 ROI를 극대화해야 한다”며 “데이터 과학자, 프롬프트 엔지니어 같은 새로운 역할을 만들고 기존 직원을 재교육하는 접근이 필요하다”라고 말했다.

로페즈는 “인재는 모든 AI 전략의 핵심이다. 교육, 커뮤니케이션, 전문 인력 확보에 투자해야 직원이 AI를 받아들이고 성과를 낼 수 있다”라고 강조헸다. 또, 해커톤이나 사내 교육이 직원의 기술과 자신감을 높이는 효과가 크다고 덧붙였다.

스리바스타바는 “모든 직원에게는 기본적인 프롬프트 이해력과 안전 교육이 필요하고, 파워 유저에게는 워크플로우 설계와 AI 에이전트 구축 능력이 필요하다. 우리는 전사 설문을 통해 역량 수준을 파악하고 교육 목표를 설정해 성숙도가 제대로 향상됐는지 재측정했다”라고 밝혔다.

아스페리타스 컨설팅(Asperitas Consulting)의 클라우드 사업 책임자 스콧 휠러는 “AI 도입은 인적 역량뿐 아니라 업무 프로세스 자체를 다시 점검해야 한다”고 말했다. 즉, 어떤 업무를 누가 수행해야 하는지를 재정의해야 한다는 뜻이다.

스킬소프트의 데일리는 “현대의 인재 전략은 4B(Build, Buy, Borrow, Bot) 전략으로 균형을 맞춰야 한다”라며, “조직을 고정된 직무가 아니라 ‘역량의 집합체’로 보고, 내부 인력·소프트웨어·파트너·자동화 기술을 상황에 맞게 조합해야 한다”라고 설명했다.

스킬소프트의 팀은 깃허브 코파일럿을 활용해 고객용 학습 포털을 빠르게 구축했다. 이 경험을 통해 AI 도우미와 인간 개발자가 협업할 때 생산성이 비약적으로 높아진다는 점을 확인했다.

라마사미는 “직원이 AI 때문에 일자리를 잃을 것이라는 불안을 해소하려면, 왜 AI를 도입하는지 명확히 설명해야 한다”라고 지적했다. 스리바스타바 역시 “핵심은 신뢰다. AI가 반복 업무를 줄이고 임팩트를 높인다는 점을 보여주면 자연스럽게 채택이 뒤따른다”라고 말했다.

3. AI의 가치를 온전히 확보하기 위해 조직 프로세스를 재설계한다

인재 프레임워크를 바꾸는 것만으로는 충분하지 않다. 로페즈는 “AI의 잠재력을 완전히 발휘하려면 조직의 운영 방식 자체를 재구성해야 한다”고 조언했다. AI를 단순한 ‘부가 기능’이 아니라 핵심 운영 프로세스에 통합해야 한다는 의미다.

스리바스타바는 “AI 기반 워크플로우를 제품처럼 관리해야 한다. 요청, 우선순위, 로드맵을 체계적으로 운영하고, 문제 정의와 가치 가설을 명확히 설정해야 한다”라고 강조했다.

제비아는 AI 프로젝트마다 세 단계 검증 절차를 거친다. ‘가치 평가→비즈니스 승인→IT 이관 및 모니터링’의 구조다. 샹커는 “이 과정을 통해 부서 간 프로세스가 단순화되고 사일로가 줄어든다”라고 설명했다.

라마사미는 “대부분 기업이 필요한 변화 관리의 범위를 과소평가한다. 사일로형 의사결정에서 데이터 중심 방식으로 전환해야 한다”라며, “AI가 생성한 결과를 업무 프로세스에 자연스럽게 통합하고, 직원이 데이터 기반 통찰로 의사결정을 내릴 수 있어야 한다”라고 지적했다.

데일리는 “AI가 효율화할 수 있는 업무를 찾기 위해서는 현재의 워크플로우를 정확히 파악해야 한다. 업무 전문가가 프로세스를 검토해 최적화할 영역을 찾아야 하며, 각 부서에 AI를 어떻게 녹여낼지 질문을 던지는 인물을 지정해야 한다”라고 말했다.

스킬소프트는 AI 사용례를 체계화하기 위해 ‘에이전트 레지스트리’를 구축했다. AI 에이전트의 기능, 가드레일, 데이터 관리 방식을 문서화해 표준화하고 있으며, 이를 기반으로 윤리와 거버넌스를 포함한 기업 AI 관리 체계를 정립 중이다.

아스페리타스의 휠러는 “AI 채택을 가속화하려면 ‘AI 스왓팀(SWAT team)’을 운영해 초기 장애를 해결하고 사용자 지원을 강화하는 것이 효과적”이라고 조언했다.

4. 성과를 측정해 AI 투자 수익을 검증한다

ROI를 평가하려면 CIO는 AI 도입 이전의 기준선을 설정하고, 초기에 명확한 벤치마크를 세워야 한다. 많은 IT 리더가 가치 실현까지 걸리는 시간, 비용 절감, 시간 절감, 사람 직원이 처리하는 업무량, AI로 새로 창출된 매출 기회 같은 지표에 책임자를 지정할 것을 권고한다.

아스페리타스의 휠러는 “AI 프로젝트를 시작하기 전에 기준 측정값을 반드시 설정해야 한다”라며, 각 사업 부문의 예측 지표를 경영진의 정기 성과 리뷰에 포함시키라고 조언했다. 휠러는 많은 조직이 모델 정확도, 지연 시간, 정밀도 같은 기술 지표만 측정하고, 이 수치를 비용 절감, 매출 증가, 리스크 감소 같은 비즈니스 성과와 연결하지 못하는 실수를 저지른다고 지적했다.

그래서 다음 단계는 실질적 가치를 입증할 수 있는 명확하고 측정 가능한 목표를 세우는 것이다. CMIT 솔루션의 로페즈는 “프로젝트 초기 단계부터 측정 항목을 설계해야 한다”라고 말했다. 로페즈는 CIO가 각 AI 프로젝트마다 ‘처리 속도 20% 개선’, ‘고객 만족도 15% 상승’처럼 구체적인 KPI를 정의해야 한다고 조언했다. 또, 빠르고 정량화 가능한 결과를 낼 수 있는 소규모 파일럿부터 시작하라고 덧붙였다.

한 가지 명확한 측정 지표는 시간 절감이다. 소프트웨어 기반 서비스 회사 레몬그래스(Lemongrass)의 CTO 에이먼 오닐은 고객사가 SAP 개발 문서를 수작업으로 작성하는 장면을 여러 번 봤는데, 이 작업은 엄청난 시간이 소요되는 과정이다. 오닐은 “문서 작성을 생성형 AI로 처리하면 사람의 투입 시간을 분명하게 줄일 수 있고, 이 절감 효과를 매우 간단하게 달러 기준 ROI로 환산할 수 있다”라고 말했다.

업무당 투입되는 노동력의 감소도 중요한 신호다. 풀스택 기술 서비스 회사 TEK시스템즈(TEKsystems)의 CTO 램 팔라니아판은 “목표가 상담원이 처리하는 콜센터 문의 건수를 줄이는 것이라면, 이 수치를 명확한 지표로 정하고 실시간으로 추적해야 한다”라며, AI 도입 과정에서 새로운 매출 기회가 생길 가능성도 크다고 덧붙였다.

일부 CIO는 개별 사용례 별로 세분화된 KPI를 모니터링하며, 결과에 따라 전략을 조정한다. 예를 들어 아사나의 스리바스타바는 개발 효율성을 모니터링할 때 사이클 타임, 처리량, 품질, 트랜잭션당 비용, 리스크 이벤트 발생 건수를 추적한다. 또 에이전트 지원 실행 비율, 활성 사용자, 휴먼 인 더 루프 승인 비율, 예외 상황 에스컬레이션 비율도 함께 본다. 스리바스타바는 이런 데이터를 검토하면 프롬프트와 가드레일을 실시간으로 조정하는 데 도움이 된다고 설명했다.

핵심은 초기부터 측정 지표를 설정하고, 신호나 성과를 추적하지 않는 안티 패턴에 빠지지 않는 것이다. 스리바스타바는 “측정은 종종 프로젝트 후반에 뒤늦게 붙는 바람에 리더가 가치를 입증하지 못하고, 어떤 것을 확장해야 하는지도 결정하지 못한다”라고 설명했다. 또, “처음부터 명확한 핵심 미션 지표를 정하고 기준선을 세운 다음, AI를 업무 흐름 속에 직접 녹여 넣어야 직원이 더 중요한 판단이 필요한 일에 집중할 수 있다”라고 덧붙였다.

5. AI 문화를 거버넌스로 관리해 보안 사고와 불안정을 막는다

생성형 AI 도구는 이제 업무 현장에서 흔하게 쓰이지만, 여전히 상당수 직원은 이를 안전하게 사용하는 방법을 모른다. 스몰PDF(SmallPDF)의 2025년 조사에 따르면, 미국 기반 직원의 거의 1/5는 AI 도구에 로그인 자격 증명을 입력한 경험이 있었다. 로페즈는 “좋은 리더십은 거버넌스와 가드레일을 세우는 것에서 시작된다”라고 말했다. 여기에는 챗GPT 같은 도구에 민감한 비밀 레시피 데이터가 입력되지 않도록 하는 정책 수립도 포함된다.

AI를 많이 쓸수록 기업의 공격 표면도 넓어진다. 경영진은 AI 기반 브라우저의 보안 취약점, 섀도우 AI 사용, LLM의 환각 문제를 진지하게 고려해야 한다. 에이전트형 AI가 비즈니스 핵심 프로세스에 깊이 관여할수록, 제대로 된 권한 관리와 접근 제어 없이는 민감 데이터 노출이나 IT 시스템에 대한 악의적 침투 위험이 커진다.

소프트웨어 개발 관점에서 보면, AI 코딩 에이전트를 통해 비밀번호나 키, 토큰이 유출될 가능성도 매우 크다. 개발자는 외부 데이터나 도구, API에 접근하도록 MCP 서버를 사용해 AI 코딩 에이전트를 강화해 왔다. 그러나 월람(Wallarm) 조사에 따르면, 2025년 2~3분기 MCP 관련 취약점이 270% 증가했고, 동시에 API 취약점도 급증했다.

스리바스타바는 기업이 AI를 도입할 때 에이전트 ID, 권한, 감사 이력을 소홀히 하는 경우가 많다고 지적하며, “에이전트 ID 및 접근 관리를 도입해, 에이전트가 사람과 동일한 권한과 감사 가능성을 갖도록 해야 한다”라고 조언했다. 여기에는 로그 기록과 승인 절차도 포함된다.

위험이 이렇게 큰데도 관리 체계는 여전히 허술한 곳이 많다. 오딧보드(AuditBoard)의 보고서에 따르면, AI를 도입 중인 조직 비중은 82%에 이르지만, 거버넌스 프로그램을 완전히 구현한 곳은 25%에 불과하다. IBM 분석에 따르면, 데이터 유출 1건당 평균 피해액은 거의 450만 달러에 이르며, IDC는 ‘신뢰할 수 있는 AI’를 구축한 조직이 그렇지 않은 조직보다 AI 프로젝트 ROI가 2배 이상 높을 가능성이 60% 더 크다고 밝혔다. AI 거버넌스에 투자해야 하는 비즈니스 논리는 더할 나위 없이 분명하다.

스리바스타바는 “높은 목표 의식에 강력한 가드레일을 짝지어야 한다”라며 “데이터 수명 주기와 접근 제어를 명확히 하고, 평가와 레드팀, 그리고 위험이 큰 구간에는 휴먼 인 더 루프 검증 절차를 두어야 한다”라고 말했다. 또 “보안과 프라이버시, 데이터 거버넌스를 소프트웨어 개발 라이프사이클에 녹여 배포와 보안을 동시에 추진해야 한다. 데이터 계보나 모델 동작을 알 수 없는 블랙박스를 허용해서는 안 된다”라고 덧붙였다.

AI는 마법이 아니다

BCG에 따르면, 기업 가운데 22%만이 AI를 개념 증명 단계 이상으로 진척시켰고, 4%만이 상당한 가치를 창출하고 있다. 이런 냉정한 통계를 감안하면, CIO는 AI 투자 수익에 대해 비현실적인 기대를 세워서는 안 된다.

AI에서 의미 있는 ROI를 얻으려면 상당한 초기 노력이 필요하며, 조직 프로세스를 근본적으로 바꾸는 작업이 뒤따라야 한다. 마스터카드의 운영 CTO 조지 마달로니는 런타임(Runtime)과의 최근 인터뷰에서 생성형 AI 애플리케이션 도입은 본질적으로 변화 관리와 채택의 문제라고 밝혔다.

AI에는 함정이 끝없이 많고, 조직이 가치를 따지기보다 유행을 좇는 경우도 흔하다. 데이터 전략 없이 성급히 프로젝트를 시작하거나 너무 빨리 확장하거나 보안을 사후에 붙이는 경우도 많다. 많은 AI 프로그램이 목표한 수준에 도달하지 못하는 이유는 최고 경영진의 후원이나 거버넌스가 부족하기 때문이다. 반대로, 솔루션 업체의 홍보를 곧이곧대로 믿고 과도하게 지출하거나 AI 플랫폼을 기존 레거시 인프라와 통합하는 난이도를 과소평가하는 경우도 많다.

앞으로 AI의 비즈니스 영향을 극대화하려면, 확장을 뒷받침할 데이터 인프라와 플랫폼 역량에 투자하고, 사람의 반복 작업을 줄이고 매출이나 효율을 분명하게 끌어올릴 수 있는 소수의 핵심 사용례에 집중해야 한다.

AI 열기를 핵심 원칙에 다시 연결하고, 조직이 추구하는 비즈니스 전략을 명확히 이해하는 작업이 있어야만 ROI에 한 걸음씩 다가갈 수 있다. 탄탄한 리더십과 분명한 목표 없이 AI에만 기대면, AI는 손에 잡힐 듯 잡히지 않는 보상을 약속하는 흥미로운 기술에 그칠 뿐이다.
dl-ciokorea@foundryco.com

Earlier this year, MIT made headlines with a report that found 95% of organizations are getting no return from AI — and this despite a groundbreaking $30 billion investment, or more, into US-based internal gen AI initiatives. So why do so many AI initiatives fail to deliver positive ROI? Because they often lack a clear connection to business value, says Neal Ramasamy, global CIO at Cognizant, an IT consulting firm. “This leads to projects that are technically impressive but don’t solve a real need or create a tangible benefit,” he says.

Technologists often follow the hype, diving headfirst into AI tests without considering business results. “Many start with models and pilots rather than business outcomes,” says Saket Srivastava, CIO of Asana, the project management application. “Teams run demos in isolation, without redesigning the underlying workflow or assigning a profit and loss owner.”

A combination of a lack of upfront product thinking, poor underlying data practices, nonexistent governance, and minimal cultural incentives to adopt AI can produce negative results. So to avoid poor outcomes, many of the techniques boil down to better change management. “Without process change, AI speeds today’s inefficiencies,” adds Srivastava.

Here, we review five tips to manage change within an organization that CIOs can put into practice today. By following this checklist, enterprises should start to turn the tide on negative AI ROI, learn from anti-patterns, and discover which sort of metrics validate successful company-wide AI ventures.

1. Align leadership upfront by communicating business goals and stewarding the AI initiative

AI initiatives require executive sponsorship and a clear vision for how they improve the business. “Strong leadership is essential to translate AI investments into results,” says Adam Lopez, president and lead vCIO at managed IT support provider CMIT Solutions. “Executive sponsorship and oversight of AI programs, ideally at the CEO or board level, correlates with higher ROI.”

For example, at IT services and consulting company Xebia, a subgroup of executives steers its internal AI efforts. Chaired by global CIO Smit Shanker, the team includes the global CFO, head of AI and automation, head of IT infrastructure and security, and head of business operations.

Once upper leadership is assembled, accountability becomes critical. “Start by assigning business ownership,” advises Srivastava. “Every AI use case needs an accountable leader with a target tied to objectives and key results.” He recommends standing up a cross-functional PMO to define lighthouse use cases, set success targets, enforce guardrails, and regularly communicate progress.

Still, even with leadership in place, many employees will need hands-on guidance to apply AI in their daily work. “For most individuals, even if you give them the tools in the morning, they don’t know where to start,” says Orla Daly, CIO of Skillsoft, a learning management system. She recommends identifying champions across the organization who can surface meaningful use cases and share practical tips, such as how to get more out of tools like Copilot. Those with a curiosity and a willingness to learn will make the most headway, she says.

Finally, executives must invest in infrastructure, talent, and training. “Leaders must champion a data-driven culture and promote a clear vision for how AI will solve business problems,” says Cognizant’s Ramasamy. This requires close collaboration between business leaders, data scientists, and IT to execute and measure pilot projects before scaling.

2. Evolve by shifting the talent framework and investing in upskilling

Organizations must be open to shift their talent framework and redesign roles. “CIOs should adapt their talent and management strategies to ensure successful AI adoption and ROI for the organization,” says Ramasamy. “This could involve creating new roles and career paths for AI-focused professionals, such as data scientists and prompt engineers, while upskilling existing employees.”

CIOs should also view talent as a cornerstone of any AI strategy, adds CMIT’s Lopez. “By investing in people through training, communication, and new specialist roles, CIOs can be assured that employees will embrace AI tools and drive success.” He adds that internal hackathons and training sessions often yield noticeable boosts in skills and confidence.

Upskilling, for instance, should meet employees where they are, so Asana’s Srivastava recommends tiered paths: all staff need basic prompt literacy and safety training, while power users require deeper workflow design and agent-building knowledge. “We took the approach of surveying the workforce, targeting enablement, and remeasuring to confirm that maturity moved in the right direction,” he says.

But assessing today’s talent framework goes beyond human skillsets. It also means reassessing your work to be done, and who or what performs what tasks. “It’s essential to review business processes for opportunities to refactor them, given the new capabilities that AI brings,” says Scott Wheeler, cloud practice lead at cloud consulting firm Asperitas Consulting.

For Skillsoft’s Daly, today’s AI age necessitates a modern talent management framework that artfully balances the four Bs: build, buy, borrow, and bots. In other words, leaders should view their organization as a collection of skills rather than fixed roles, and apply the right mix of in-house staff, software, partners, or automation as needed. “It’s requiring us to break things down into jobs or tasks to be done, and looking at your work in a more fragmented way,” says Daly.

For instance, her team used GitHub Copilot to quickly code a learning portal for a certain customer. The project highlighted how pairing human developers with AI assistants can dramatically accelerate delivery, raising new questions about what skills other developers need to be equally productive and efficient.

But as AI agents take over more routine work, leaders must dispel fears that AI will replace jobs outright. “Communicating the why behind AI initiatives can alleviate fears and demonstrate how these tools can augment human roles,” says Ramasamy. Srivastava agrees. “The throughline is trust,” he says, “Show people how AI removes toil and increases impact; keep humans in the decision loop and adoption will follow.”

3. Adapt organizational processes to fully capture AI benefits 

Shifting the talent framework is only the beginning. Organizations must also reengineer core processes. “Fully unlocking AI’s value often requires reengineering how the organization works,” says CMIT’s Lopez, who urges embedding AI into day-to-day operations and supporting it with continual experimentation rather than treating it as a static add-on.

To this end, one necessary adaptation is toward treating internal AI-driven workflows like products and codifying patterns across the organization, says Srivastava. “Establish product‑management rigor for intake, prioritization, and roadmapping of AI use cases, with clear owners, problem statements, and value hypotheses,” he says.

At Xebia, a governance board oversees this rigor through a three-stage tollgate process of identifying and assessing value, securing business acceptance, and then handing off to IT for monitoring and support. “A core group is responsible for organizational and functional simplification with each use case,” says Shanker. “That encourages cross-functional processes and helps break down silos.”

Similarly for Ramasamy, the biggest hurdle is organizational resistance. “Many companies underestimate the change management required for successful adoption,” he says. “The most critical shift is moving from siloed decision-making to a data-centric approach. Business processes should integrate AI outputs seamlessly, automating tasks and empowering employees with data-driven insights.”

Identifying the right areas to automate also depends on visibility. “This is where most companies fall down because they don’t have good, documented processes,” says Skillsoft’s Daly. She recommends enlisting subject-matter experts across business lines to examine workflows for optimization. “It’s important to nominate individuals within the business to ask how to drive AI into your flow of work,” she says.

Once you identify units of work common across functions that AI can streamline, the next step is to make them visible and standardize their application. Skillsoft is doing this through an agent registry that documents agentic capabilities, guardrails, and data management processes. “We’re formalizing an enterprise AI framework in which ethics and governance are part of how we manage the portfolio of use cases,” she adds.

Organizations should then anticipate roadblocks and create support structures to help users. “One strategy to achieve this is to have AI SWAT teams whose purpose is to facilitate adoption and remove obstacles,” says Asperitas’ Wheeler.

4. Measure progress to validate your return   

To evaluate ROI, CIOs must establish a pre-AI baseline and set benchmarks upfront. Leaders recommend assigning ownership around metrics such as time to value, cost savings, time savings, work handled by human agents, and new revenue opportunities generated.

“Baseline measurements should be established before initiating AI projects,” says Wheeler, who advises integrating predictive indicators from individual business units into leadership’s regular performance reviews. A common fault, he says, is only measuring technical KPIs like model accuracy, latency, or precision, and failing to link these to business outcomes, such as savings, revenue, or risk reduction.

Therefore, the next step is to define clear, measurable goals that demonstrate tangible value. “Build measurement into projects from day one,” says CMIT’s Lopez. “CIOs should define a set of relevant KPIs for each AI initiative. For example, 20% faster processing time or a 15% boost in customer satisfaction.” Start with small pilots that yield quick, quantifiable results, he adds.

One clear measurement is time savings. For instance, Eamonn O’Neill, CTO at Lemongrass, a software-enabled services provider, shares how he’s witnessed clients documenting SAP development manually, which can be an extremely time-intensive process. “Leveraging generative AI to create this documentation provides a clear reduction in human effort, which can be measured and translated to a dollar ROI quite simply,” he says.

Reduction of human labor per task is another key signal. “If the goal is to reduce the number of support desk calls handled by human agents, leaders should establish a clear metric and track it in real time,” says Ram Palaniappan, CTO at full-stack tech services provider TEKsystems. He adds that new revenue opportunities may also surface through AI adoption.

Some CIOs are monitoring multiple granular KPIs across individual use cases and adjusting strategies based on results. Asana’s Srivastava, for instance, tracks engineering efficiency by monitoring cycle time, throughput, quality, cost per transaction, and risk events. He also measures the percentage of agent-assisted runs, active users, human-in-the-loop acceptance, and exception escalations. Reviewing this data, he says, helps tune prompts and guardrails in real time.

The resounding point is to set metrics early on, and not fall into the anti-patterns of not tracking signals or value gained. “Measurement is often bolted on late, so leaders can’t prove value or decide what to scale,” says Srivastava. “The remedy is to begin with a specific mission metric, baseline it, and embed AI directly in the flow of work so people can focus on higher-value judgment.”

5. Govern your AI culture to avoid breaches and instability

Gen AI tools are now commonplace, yet many employees still lack training to use them safely. For instance, nearly one in five US-based employees has entered login credentials into AI tools, according to a 2025 study from SmallPDF. “Good leadership involves establishing governance and guardrails,” says Lopez. That includes setting policies to prevent sensitive secret sauce data from being fed into tools like ChatGPT.

Heavy AI use also widens the enterprise attack surface. Leadership must now seriously consider things like security vulnerabilities in AI-driven browsers, shadow AI use, and LLM hallucinations. As agentic AI gets more involved in business-critical processes, proper authorization and access controls are essential to prevent exposure of sensitive data or malicious entry into IT systems.

From a software development standpoint, the potential for leaking passwords, keys, and tokens through AI coding agents is very real. Engineers have jumped at MCP servers to empower AI coding agents with access to external data, tools, and APIs, yet research from Wallarm found a 270% rise in MCP-related vulnerabilities from Q2 to Q3 2025, alongside surging API vulnerabilities.

Neglecting agent identity, permissions, and audit trails is a common trap that CIOs often stumble into with enterprise AI, says Srivastava. “Introduce agent identity and access management so agents inherit the same permissions and auditability as humans, including logging and approvals,” he says.

Despite the risks, oversight remains weak. An AuditBoard report found that while 82% of organizations are deploying AI, only 25% have fully implemented governance programs. With data breaches now averaging nearly $4.5 million each, according to IBM, and IDC reporting organizations that build trustworthy AI are 60% more likely to double the ROI of AI projects, the business case for AI governance is crystal clear.

“Pair ambition with strong guardrails: clear data lifecycle and access controls, evaluation and red‑teaming, and human‑in‑the‑loop checkpoints where stakes are high,” says Srivastava. “Bake security, privacy, and data governance into the SDLC so ship and secure move together — no black boxes for data lineage or model behavior.”

It’s not magic

According to BCG, only 22% of companies have advanced their AI beyond the POC stage, and just 4% are creating substantial value. With these sobering statistics in mind, CIOs shouldn’t set unrealistic expectations for getting a return.

Finding ROI from AI will require significant upfront effort, and necessitate fundamental changes to organizational processes. As Mastercard’s CTO for operations George Maddaloni said in a recent interview with Runtime, he thinks gen AI app adoption is largely about change management and adoption.

The pitfalls with AI are nearly endless and it’s common for organizations to chase hype rather than value, launch without a clear data strategy, scale too quickly, and implement security as an afterthought. Many AI programs simply don’t have the executive sponsorship or governance to get where they need to be, either. Alternatively, it’s easy to buy into vendor hype on productivity gains and overspend, or underestimate the difficulty of integrating AI platforms with legacy IT infrastructure.

Looking ahead, to better maximize AI’s business impact, leaders recommend investing in the data infrastructure and platform capabilities needed to scale, and hone on one or two high-impact use cases that can remove human toil and clearly drive revenue or efficiency.

Grounding AI fervor in core tenets and understanding the business strategy you’re aiming for is necessary to inch toward ROI. Because, without sound leadership and clear objectives, AI is only a fascinating technology with a reward that’s just always out of reach.

가트너는 전 세계 AI 지출이 올해 1조 5,000억 달러에서 2026년에 2조 달러에 이를 것으로 전망했다. 경영 컨설팅 회사 웨스트 먼로가 대기업 임원 300명 이상을 대상으로 진행한 설문에서도 응답자의 85%가 내년에 IT 예산을 늘릴 계획이라고 답했으며, 이 가운데 상당 부분이 AI에 투입될 예정이라고 밝혔다. 응답 임원의 42%는 AI와 데이터 역량 확장을 기술 투자 최우선 과제로 꼽았고, 91%는 AI가 기술 지출 증가를 유발하고 있다고 답했다. 약 3/4은 AI 도입으로 외부 계약 비용도 늘릴 계획이라고 밝혔다.

웨스트 먼로의 최고 AI 책임자 브렛 그린스타인은 지난 몇 년 동안 많은 기업이 AI가 무엇을 할 수 있는지 파악하기 위한 개념검증 작업을 진행하고 있었지만, 최근 분위기는 달라졌다고 설명했다. 그린스타인은 “이제는 사용례나 개념검증을 이야기하는 경우가 크게 줄고, 1단계 또는 2단계 프로젝트 논의가 많아졌다”고 말했다.

그린스타인은 AI가 무엇을 할 수 있는지 판단하는 일이 이제는 어렵지 않다며, “어떤 과제를 보면 AI로 충분히 해결할 수 있는지 바로 판단할 수 있다”라고 말했다. 하지만 CIO가 원하는 만큼 마음대로 예산을 쓸 수 있다는 의미는 아니라고 덧붙였다.

글로벌 투자·보험사 프린시펄 파이낸셜 그룹의 최고 데이터 및 애널리틱스 책임자 라제시 아로라는 현재 회사의 초점은 측정 가능한 비즈니스 가치를 제공하는 데 맞춰져 있다고 말했다.

프린시펄 파이낸셜 그룹은 확장 가능한 플랫폼과 고가치 사용례를 중심으로 예산을 재배분하고 있으며, 엄격한 ROI 추적과 비용 거버넌스도 도입하고 있다. 아로라는 이제 실험적 파일럿 단계를 넘어섰으며, 확장 가능한 플랫폼뿐 아니라 라이프사이클 관리 도구, 데이터 기반, 운영 AI 역량도 함께 검토하고 있다고 설명했다.

아로라는 “프로세스를 자동화하고 고객 경험을 개선하고, 새로운 역량을 구축하고 리스크 관리 체계를 강화하는 솔루션을 찾고 있다”라며, “모든 비용을 최대한 효율적으로 사용하는 것이 목표다. 예산이 유한한 만큼 우선순위 조정도 불가피하다”라고 강조했다.

예를 들어 프린시펄 파이낸셜 그룹은 가치가 낮은 투자 항목을 중단하고, 고가치 사용례에 집중하고 있다. 계약 관리도 강화하고 조건 재협상도 진행 중이다. 또 자동화 측면에서는 LLM 운영 비용 경보 기능과 주요 사항 버전 관리 기능을 구축해 이상 징후를 식별하고 초과 비용을 방지하고 있다.

LLM은 동일한 입력에 다른 결과를 생성할 수 있고 모델 버전에 따라서도 성능과 비용이 크게 달라질 수 있다. 버전 관리 기능은 소프트웨어 변경뿐 아니라 모델, 데이터, 프롬프트 사용 이력을 추적한다. 아로나는 “결국 비용 통제를 위해 AI를 전략적 관리 대상으로 삼는다는 의미”라고 말했다.

아로라의 경험은 드문 사례가 아니다. 다양한 규모와 업종의 기업이 개념검증 단계를 넘어 본격적인 대규모 도입 단계로 이동하면서 AI 지출 관리라는 새로운 과제에 직면하고 있다. ROI 요구 증가, 레거시 예산의 AI 전환, 기술 부채 관리 등이 대표적인 과제다.

성과 증명에 대한 압박

프린시펄 파이낸셜 그룹은 AI 투자가 가치가 있음을 입증하기 위해 효율성 향상, 리스크 감소, 고객 만족도 개선, 직원 경험 개선을 추적하고 있다. 이는 AI가 창출하는 가치를 전체적으로 파악하는 데도 도움이 된다.

아로라는 “균형 잡힌 포트폴리오를 유지하는 접근 방식을 취하고 있다. 이는 단기 성과로 동력을 얻는 동시에 전략적 우위와 성장을 위한 장기 혁신에 투자한다는 의미이다”라며, “AI 역량이 성숙해지면서 성공 기준을 더욱 명확하게 설정하고 장기적 지속 가능성을 보장하는 일이 중요해졌다”라고 덧붙였다.

규모가 작은 기업의 기술 책임자도 AI 프로젝트의 결과를 입증해야 하는 상황이다. 미국 오스틴과 샌안토니오에 4개 사무소를 보유한 JB굿윈 리얼터스는 800명 규모의 에이전트, 파트너, 직원이 근무하는데, 모두가 AI를 적극적으로 활용하고 있다.

JB굿윈 리얼터스의 부사장 에드워드 툴은 “CEO도 매일 AI를 사용한다. 모든 에이전트도 AI를 활용하고 있고, 추가 지출 승인도 받았다. 하지만 ROI는 직접 증명해야 한다”라고 강조했다. 툴은 “소규모로 지출하고 사용례를 입증하면, 예산을 조금 더 받고 다시 조금 더 지출하는 방식이다”라고 설명했다. 예를 들어 효율성이 개선되었는지 보여주기 위해 기존 방식과 AI 방식 두 가지 프로세스를 병행해 비교하기도 한다.

가트너 애널리스트 멜러니 프리즈는 비용 절감 효과가 있는 AI 프로젝트에 집중하는 것이 성과를 보여주고 동력을 확보하는 좋은 방식이라고 평가했다. 프리즈는 “비용 외에도 장기적 가치로 이어지는 다양한 효과를 얻을 수 있다”고 설명했다. 예를 들어 인프라와 운영에서는 클라우드 비용 관리, IT 서비스 지원, 전반적 직원 생산성이 대표적 성과이다.

프리즈는 “비용 최적화뿐 아니라 혁신, 효율성, 인재 관리 최적화 같은 다양한 가치를 함께 확보할 수 있다”라고 덧붙였다.

투자 우선순위의 변화

아직 명확한 ROI가 없는 실험적 AI 프로젝트 비용을 충당하는 또 하나의 방법은 다른 예산 항목에서 자금을 이전하는 것이다. 툴은 그런 방식을 실제로 사용한다며, “AI 지출을 상쇄하기 위해 다른 비용을 줄인다”라고 말했다.

웨스트 먼로의 브렛 그린스타인은 모든 기업이 AI 중심 또는 AI 네이티브 조직이 되고 싶어 하지만, “회사 생존에 직결되는 경우가 아니라면 추가 예산이 따로 있는 곳은 없다”라고 지적했다. 그래서 레거시 프로젝트 예산을 AI로 전환하는 전략이 널리 쓰인다는 것.

그린스타인은 “기업 내부 우선순위가 이동하고 있다”라고 강조했다. 기업은 기존 투자가 AI 때문에 불필요해졌는지, 또는 AI로 대체 가능한지를 검토하고 있으며, 솔루션 업체에도 비용 절감을 강하게 요구하고 있다.

기술 선도 기업조차 이런 조정이 필요할 수 있다. 포춘 500대 보험회사 한 곳의 수석 기술 임원은 “AI를 위해 완전히 새로운 예산 항목을 만든 것은 아니다. AI 예산 책정 방식은 아직도 조율 중이다”라고 말했다.

해당 기업은 대신 다른 영역에서 자금을 떼어 AI에 투입하고 있다. 이 기술 임원은 “현재 AI는 자체 조달 모델로 운영되고 있다. 레거시 기술에 투입하던 투자를 AI로 이동하는 방식이다”라고 설명했다. 예를 들어 이전에 특정 기술에 연간 100만 달러를 사용하던 비용을 자동화를 통해 90만 달러로 줄였다면, 절감한 10만 달러를 AI에 투입하는 식이다.

일부 기업은 솔루션 업체가 기존 제품에 AI 기능이나 에이전트 기능을 추가하면서 회사가 새로운 AI 기능을 무료로 얻기도 한다. 하지만 어떤 플랫폼은 새 기능에 대해 추가 비용을 청구한다. 이런 구조는 2026~2027년에 새로운 자금 모델로 발전할 가능성이 있으며, 기업의 AI 활용이 성숙해질수록 자금 모델도 함께 진화할 것으로 보인다.

이 기술 임원은 “높은 비즈니스 가치를 창출하거나 효율성을 높이는 역량을 입증하면 변화가 나타날 것이다. 그러면 속도를 높이기 위한 추가 투자로 전환할 것”이라고 말했다.

예상치 못한 상황을 대비한 계획

IT 프로젝트 예산 수립은 원래도 쉽지 않았지만, AI는 여기에 새로운 난제를 더하고 있다. 전례 없는 변화 속도가 대표적인 과제다.

퍼블리시스 사피엥트의 최고 제품 책임자 셸던 몬테이로는 “지금 세우는 어떤 모델도 6개월 뒤에는 유효하지 않다”라고 지적했다. 물론 이런 변화가 항상 나쁜 것만은 아니다. 몬테이로는 지난 2년간 일부 모델의 토큰당 비용이 급격히 떨어진 것을 예로 들었다. 하지만 반대로 더 새롭고 뛰어난 모델이 계속 등장하고, 사용량이 증가하면서 성능도 예측하기 어렵다.

몬테이로는 “전통 소프트웨어 경제학에서는 개발, 엔지니어링, 인프라 같은 선행 비용이 들어가지만, 일단 고정 비용이 확정되면 운영 비용은 비교적 예측 가능하고 관리 가능하다. 하지만 AI는 추론 비용이 변동적이고, 안전성 검증과 컴플라이언스 점검에도 추가 비용이 발생할 수 있다”라고 지적했다. 확장도 선형적이지 않고 기술 자체가 계속 변한다는 점도 문제다.

몬테이로는 “탄력적으로 대응할 수 있어야 한다. 지금은 어떤 기술이 승자나 패자가 될지 판단하기조차 어렵다”라고 강조했다.

AI가 사람, 시스템, 데이터에 요구하는 부담도 예산 수립의 또 다른 난제다. 프린시펄 파이낸셜 그룹의 라제시 아로라는 AI 비용 관리에서 가장 큰 과제가 인재 확보라고 말했다. 아로라는 “기술 역량 격차와 부서 간 의존성 때문에 작업이 지연되고 비용이 증가한다”고 설명했다.

규제 변화도 문제다. 규제가 계속 바뀌는 만큼 거버넌스 체계를 지속적으로 조정해야 한다. 또 기업은 AI에 필요한 데이터와 기반 시스템을 정비하는 데 실제로 얼마만큼의 비용이 드는지 과소평가하는 경우가 많다. 직원 교육 비용도 마찬가지다.

아로라는 “레거시 환경은 복잡성과 비용을 증가시킨다. 이런 초기 비용은 부담이 크지만 장기적 비효율을 막기 위해 필수적이다”라고 설명했다.

또한 AI 기술이 개념검증 단계를 지나 실제 운영 환경으로 이전되면, 기업이 기대한 것과 전혀 다른 결과가 나오는 경우도 많다.

터프츠대학교 공대 대학원 학장 겸 IEEE 펠로우인 카렌 패네타는 “지금은 불확실한 요소가 너무 많다”라고 지적했다. 패네타는 많은 조직이 AI를 사람의 대체재로 생각하지만 현실은 그렇지 않으며, 이전에는 신경 쓰지 않아도 됐던 새로운 문제가 생기기 시작했다고 설명했다.

겉으로 보면 매우 매력적인 선택지처럼 보인다. 지금은 직원 10명이 고객 전화를 받고 있고, AI가 그 10명의 일을 대신할 수 있을 것처럼 느껴진다. 하지만 패네타는 모델을 정상 흐름 기준으로 설계한 경우가 많아 예외 상황을 처리하지 못한다고 지적했다. 이 때문에 고객 불만이 생기거나 시스템이 중단되는 문제가 발생할 수 있고, 보안 측면에서도 이전에는 사람이 감지하던 위험을 놓칠 수도 있다고 설명했다.

패네타는 CIO가 AI로 무엇을, 왜 하려는지 면밀하게 고민해야 한다고 강조했다.

많은 CIO는 이미 비용과 리스크 관리에서 탈피해 데이터 관리와 인사이트 창출 역할로 이동했고, 비즈니스 조직과 더 가까운 위치에 서고 있다. 이제 CIO는 안전하고 비용 효율적인 방식으로 AI를 지원하는 역할로 발전하고 있다.

웨스트 먼로의 브렛 그린스타인은 “AI 도구가 출시되는 즉시 모든 접근을 차단하고 방화벽을 걸어버린 CIO도 있었다. 이는 조직의 AI 도입 자체를 막는 결과를 낳았다”라고 설명했다. 반면 진보적 CIO는 신중하고 체계적으로 접근해 거버넌스를 구축하고, 새로운 AI 중심 엔터프라이즈 아키텍처를 만들고 있다. 그린스타인은 이런 CIO가 미래 기업을 가능하게 만드는 역할을 하게 될 것이라고 강조했다.
dl-ciokorea@foundryco.com

Gartner predicts global AI spending will hit $2 trillion in 2026, up from $1.5 trillion this year. And In a survey of over 300 executives at large companies by management consulting firm West Monroe Partners, 85% said they plan to increase IT budgets next year, with a big chunk going to AI. For 42% of executives, scaling AI and data capabilities is the top priority for technology investment, and 91% said AI is causing their tech spend to increase while nearly three quarters plan to spend more on contractors as a result of AI.

In the previous couple of years, many companies were doing POCs, just figuring out what AI can do, says Bret Greenstein, CAIO at West Monroe. But that’s all changing now. “I see a lot less discussion of use cases and POCs, and more about phase one, phase two projects,” he says.

It’s not as hard to assess whether or not AI can do something anymore, he adds. “I can look at something and say this is highly addressable by AI.” But that doesn’t mean CIOs get carte blanche to spend all they want.

At the Principal Financial Group, a global investment and insurance company, the focus is now on delivering measurable business value, says Rajesh Arora, the company’s chief data and analytics officer.

“We’re reallocating budgets toward scalable platforms and high-impact use cases,” he says. Plus, the firm is implementing rigorous ROI tracking and cost governance. That’s because the firm is moving past experimental pilots, he says. In addition to looking for platforms that can scale, the company is also looking at lifecycle management tools, data foundations, and operational AI capabilities.

“These are solutions that’ll automate processes, enhance customer experience, build new capabilities, and strengthen risk management,” he says. “Our goal is to make every dollar work harder.” And that means some things have to go.

The company is pausing low-impact investments, for example, in favor of high-value use cases. And they’re tightening up their contract governance and renegotiating terms. There’s also automation. “We’re deploying cost-alerting for LLM ops and feature story versioning to flag anomalies and prevent overruns,” he says.

LLMs can produce different results for the same output, and different versions of the model can have very different performance metrics and costs. And feature story versioning tracks software changes, as well as the model, data, and prompts used. So it all comes down to AI becoming a strategic focus to manage costs.

Arora’s experience isn’t unique. Enterprises of all sizes and in all verticals are grappling with their AI spending as they move on from POCs to actual deployment at scale, which often means facing new demands for ROI, shifting money from legacy to AI projects, and struggling to get a handle on technical debt.

The push for proof

To prove its AI investments are worth the dough, Principal tracks efficiency gains, reductions in risk, improved customer satisfaction, and better employee experience. This creates a holistic view of the value that AI creates, says Arora.

“Our approach is to maintain a balanced portfolio,” he says. That means both short-term wins that build momentum, and long-term innovation to drive strategic advantage and growth. “As AI capabilities mature, we must be more intentional about how we define success and ensure long-term sustainability,” he adds.

Tech executives at smaller companies are also having to show results from their AI projects. JBGoodwin Realtors, with four offices in Austin and San Antonio, has 800 agents, partners, and employees, and everyone is all-in on AI, says Edward Tull, the company’s VP of technology and operations.

“The CEO uses it every day,” he says. “All the agents use it, too, and we have approval to spend more.” But he has to show ROI. “I have to prove it,” he adds. “I spend a little, prove the use case, and then I get a little more and spend a little more.” So for example, AI might result in better efficiency so to demonstrate this, he might run two processes in parallel, one the old-fashioned way, and the other with AI.

Focusing on AI projects that result in cost savings is a good way to show results and build momentum, agrees Gartner analyst Melanie Freeze. “We know that can lead to other non-cost considerations and long-term value.” For example, in infrastructure and operations, likely wins include cloud cost management, IT service support, and general employee productivity, she says.

“You can get cost optimization, but also all that other value like innovation, efficiency, optimizing talent management,” she says.

A shift in priorities

Another way to pay for AI projects, especially experimental ones that don’t yet have clear ROI, is to take money from other areas. JBGoodwin’s Tull says he does that. “I’ll get rid of other things we spend on, to offset what I spend on AI,” he says.

Everyone wants to become AI-centric or AI-native, says West Monroe’s Greenstein. “But nobody has extra buckets of money to do this unless it’s existential to their company,” he says. So moving money from legacy projects to AI is a popular strategy.

“It’s a shift of priorities within companies,” he says. “They look at their investments and ask how many are no longer needed because of AI, or how many can be done with AI. Plus, they’re putting pressure on vendors to drive down costs. They’re definitely squeezing existing suppliers.”

Even large, tech-forward companies might have to do this kind of juggling.

“We didn’t create a whole new allocation for AI,” says one senior tech executive at a Fortune 500 insurance company. “We’re still working through the mechanics of budgeting for AI.”

Instead, the firm is carving out funds from other areas.

“AI is in a self-funding model at the moment,” he says. “We’re shifting investment from legacy technologies to AI.” For example, he says, if the company was spending a million dollars on a particular technology and used automation to get it down to $900,000 a year, the $100,000 savings could go toward AI.

And sometimes the company can get new AI for free, he says, as vendors add AI functionality or agentic capabilities to existing products. But other platforms charge extra for the new features. “Some of it is inherent in the solution, though, and doesn’t really change the cost,” he says. That might evolve to new funding in 2026 to 2027, he adds. But as the company’s use of AI continues to mature, the funding model will evolve as well, he says.

“We’ll see that change as we demonstrate capabilities that either deliver high business value or efficiency gains,” he says. “Then we’ll shift to additional infusions of investment to accelerate things.”

Planning for the unexpected

Budgeting for IT projects has never been simple, but AI adds its own challenges. The unprecedented pace of change is one of them.

“Whatever modeling I do now is not going to be valid in six months,” says Sheldon Monteiro, chief product officer at Publicis Sapient. This isn’t always a bad thing. For example, the per token prices of some models have dropped dramatically over the past two years, he says. But on the flipside, there are always newer and better models, growing usage, and unpredictable performance.

“With traditional software economics, you have upfront costs like development, engineering, or infrastructure, but once you have those fixed costs, operating costs are relatively predictable and manageable,” he says. With AI, though, the inference costs are variable, and the guardrail and compliance checks might have additional costs, he says. Scaling is also non-linear and the tech itself is in constant flux.

“You need to be able to flex,” says Monteiro, “And to recognize that now, winners and losers are hard to call.”

Another challenge to budgeting is the demands that AI places on people, systems, and data. One of the most significant challenges to managing AI costs is talent, says Principal’s Arora. “Skill gaps and cross-team dependencies can slow deliveries and drive up costs,” he says.

Then there’s the problem of evolving regulations, and the need to continuously adapt governance frameworks to stay resilient in the face of these changes. Organizations also often underestimate how much money will be needed to train employees, and to bring data and other foundational systems in line with what’s needed for AI.

“Legacy environments add complexity and expense,” he adds. “These one-time costs are heavy but essential to avoid long-term inefficiencies.”

Finally, when AI technology is actually moved out of POCs into production, it often turns out very different to what companies expected.

“There are so many unknowns right now,” says Karen Panetta, IEEE fellow and dean of graduate engineering at Tufts University. “People think of it as a replacement for a human, and it’s not. And you get new areas you haven’t had to worry about before.” For example, many companies look to use AI agents to replace customer service or support teams.

“It’s really appealing,” she says. “You’ve got 10 people answering phone calls now, and it feels like AI is going to do the job of those ten people. But I’ve designed it for normal process flows, so what about all the exceptions? Now you have angry customers, or it breaks and is unavailable. And what about security? Before, we had humans to detect these things.”

CIOs have to be thoughtful about what they’re doing with the AI and why, she says.

Many CIOs have already transitioned from managing costs and risks, to managing data and becoming enablers of insight, and getting closer to the business units. Now they’re in a position to become enablers of AI, while doing it safely and at cost.

“There are some CIOs that blocked and firewalled every AI tool the day it came out,” says West Monroe’s Greenstein. “That blocked companies from adoption. The ones who are progressive are being thoughtful, deliberate, are building governance models, and creating a new enterprise architecture around AI. The CIOs who are embracing that are enabling the enterprises of tomorrow.”

Salesforce today unveiled new Agentforce 360 observability tools to give teams visibility into why AI agents behave the way they do, and which reasoning paths they follow to reach decisions.

Salesforce is providing the new tools as its agentic AI customers increasingly shift focus from building agents to maintaining them in production.

“We’ve had thousands of customers use the platform,” says Madhav Thattai, SVP and COO of Agentforce at Salesforce. “In the first 12 months, the focus has been, ‘How do we build good agents? How do we connect the right data? How do we control the agent behavior?’ It’s really been about build and design of the agents.”

But Thattai adds that an internal Salesforce survey now shows a three-fold increase in implementations that customers are now moving to production.

“Thousands of customers are now live with agents in production,” he says. “As customers move up the maturity curve, the problems shift from how to build a good agent to how to manage an agent at scale. That’s really what the observability tool stack is about.”

The new tools, he says, help customers understand whether agents deliver value, how they perform in interactions, and how to improve their performance.

Triple threat

The tools span three areas: Agent Analytics, Agent Optimization, and Agent Health Monitoring.

Agent Analytics is intended to help organizations continuously refine their AI agents by providing visibility into agent performance. Teams can use Agent Analytics to track agent usage and effectiveness metrics to understand how agents perform in real customer interactions. The tool surfaces KPI trends over time and highlights ineffective topics, actions, or flows.

Agent Optimization traces session flows to reveal how agents make decisions and help teams diagnose issues that arise. Teams can use the tool to see how agents respond, step-by-step, across complex reasoning chains. The tool groups similar requests into clusters to uncover patterns, friction points and quality trends. It scores agent responses using intent, topic, and quality metrics, and teams can also use the tool to identify configuration issues that affect performance and pinpoint the need for tuning, retraining, or guardrails.

Finally, Agent Health Monitoring focuses on uptime, reliability, and responsiveness, and tracks key health metrics in near real-time. It also provides alerts on critical errors, latency spikes, and escalations so teams can detect, investigate, and resolve problems while minimizing downtime.

Case in point

1-800Accountant, a virtual accounting firm for small businesses, has been a beta customer of the new observability tools. Because of the nature of its business, the small firm is busiest February through April. Ryan Teeples, the company’s chief strategy officer, explains that automation and agentic AI have been essential to help it service customers in that period. It already has more than 20 agents in production. These agents work together to address some of 1-800Accountant’s biggest pain points.

For instance, when one of the company’s salespeople meets with a new lead for the first time, they take the lead through an assessment to understand specific needs. That process is supported by a slate of agents that records and transcribes the conversation, analyzes it, summarizes it, and then dynamically generates an agenda, based on data from the conversation, for a potential follow-up onboarding appointment if the lead opts to become a client.

“Observability allows us to have much faster throughput,” Teeples says, adding that the tools allow his team to iterate and improve agents at a much faster pace. “Now you have tools that allow you to monitor the interactions, get feedback, and get better prompting and better data to the agent. It accelerates the process of the agent and gives us more time on the development side to focus on better client experience, rather than on monitoring and ensuring the AI agents aren’t going off the rails.”

Agent Analytics and Agent Optimization are both part of Agentforce Studio and are available today; regional rollout for APAC customers will happen on Friday. Agent Health Monitoring will be generally available in spring 2026.

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.