기업 AI 주권, 어디서부터 채워야 할까: 9가지 유형별 실행 가이드

기업 AI 주권 점수를 확인했다면, 이제 어디서부터 바꿀까요

기업 AI 주권 테스트 1편 ‘우리 회사는 AI를 쓰고 있을까, AI에 쓰이고 있을까’에서 10개 질문에 답해 보셨나요? 기업 AI 주권이 무엇인지, 그리고 소유·독립·통제·축적이라는 틀은 1편에서 소개했습니다. 이번 글은 그다음 이야기입니다. ‘아니오’가 나온 질문을 어떻게 ‘예’로 바꿀 수 있을까요?

기업 AI 주권(Enterprise AI Sovereignty)이란 기업이 어떤 AI를 쓰든 그 AI가 만든 지식과 결과를 소유하고, 기술을 선택하고, 사용을 통제할 수 있는 상태를 말합니다. 기업 AI 주권을 확보하려면 지식은 기업에 남고(소유), 모델과 실행 환경은 선택할 수 있으며(독립), AI의 행동은 기업이 결정하고 확인할 수 있고(통제), 그 경험이 다시 쌓이는(축적) 구조가 필요합니다. 이 글은 네 가지 축별로 기업 AI 주권을 채우는 실행 방법을 정리합니다.

기업 AI 주권 테스트 10문항 (텍스트로 보기)

영역	문항
소유	Q1. 직원들이 AI로 업무를 하며 쌓은 노하우(질문, 답, 수정 내용)가 회사 시스템에 남고, 다른 직원도 업무에 활용할 수 있습니까?
소유	Q2. 회사 데이터가 외부 AI 서비스의 모델 학습에 쓰이지 않도록 하는 설정이, 모든 계정에서 꺼져 있는지 확인했습니까?
소유	Q3. 지금 쓰는 AI 서비스 계약을 해지해도, 그동안 만들어 온 업무 규칙과 판단 기준은 회사 시스템에 그대로 남습니까?
독립	Q4. 지금 쓰는 AI 모델을 다른 모델로 바꿀 때, 데이터 연동·권한·업무 흐름은 그대로 두고 모델만 교체하고 검증하면 됩니까?
독립	Q5. 생산 이미지나 설계 도면처럼 외부로 나갈 수 없는 데이터를 다루는 업무에도, 공장 내부 환경에서 필요한 AI를 운영할 수 있습니까?
독립	Q6. 쓰던 AI 공급사가 가격을 두 배로 올리거나 서비스를 중단해도, 하던 AI 업무를 다른 상용 모델이나 자체·오픈소스 모델로 옮겨 계속할 수 있습니까?
통제	Q7. 인사 평가나 원가 정보를 AI에게 물었을 때, 권한이 없는 직원에게는 답하지 않도록 되어 있습니까?
통제	Q8. 어제 AI가 내린 품질 판정 하나를 골라, 누가 요청했고 어떤 데이터와 모델을 거쳐 어떤 조치로 이어졌는지 지금 바로 확인할 수 있습니까?
통제	Q9. 생산 계획 변경 같은 현장 업무를 AI에게 맡길 때, 실행 전에 영향을 검증하고 중요한 결정은 사람의 승인을 받습니까?
축적	Q10. 1년 전보다 회사의 AI가 나아졌다면, 그게 공급사의 모델이 좋아져서가 아니라 우리 데이터와 경험이 쌓인 덕분이라고 말할 수 있습니까?

그 전에 한 가지 짚고 가겠습니다. 같은 점수라도 출발점은 회사마다 다릅니다.

점수보다 중요한 것: 우리 회사는 어떤 기업 AI 주권 유형일까

1편의 결과를 축별로 다시 나눠 보세요. 소유(Q1~Q3), 독립(Q4~Q6), 통제(Q7~Q9) 각각에서 ‘예’가 2개 이상이면 확보, 1개 이하면 취약입니다. 세 축의 조합을 보면 우리 회사가 어떤 상태인지, 무엇부터 손대야 하는지가 보입니다.

기업 AI 주권 9가지 유형 (텍스트로 보기)

유형	조합	이런 상태입니다	먼저 볼 문항
AI 의존형	소유·독립·통제 모두 취약	지식도, 선택권도, 통제권도 아직 회사 밖에 있습니다. 지키고 고를 대상이 먼저 회사 안에 있어야 하므로, 소유부터 시작합니다.	Q1, Q2
관리 중심형	소유·독립 취약, 통제 확보	AI를 안전하게 쓰고는 있지만, 회사에 남는 것도, 기술을 고를 선택권도 없습니다.	Q1, Q4
도구 교체형	소유·통제 취약, 독립 확보	AI를 골라 쓸 수는 있지만, 결과가 남지 않고 AI의 행동도 관리되지 않습니다. 도구는 바뀌어도 역량은 쌓이지 않습니다.	Q1, Q7
자산 정체형	독립·통제 취약, 소유 확보	지식은 쌓이고 있지만, 다른 선택지로 옮기거나 AI에게 일을 맡기는 데까지 쓰이지 못합니다.	Q4, Q7
활용 제한형	통제 취약, 소유·독립 확보	자산과 선택권은 있지만, AI에게 중요한 일을 맡길 장치가 부족해 활용이 조회와 추천에 머뭅니다.	Q7, Q9
선택권 부족형	독립 취약, 소유·통제 확보	자산과 통제 체계는 갖췄지만, 모델·실행 환경·공급사를 실제로 바꾸기는 어렵습니다.	Q4, Q6
전환 반복형	소유 취약, 독립·통제 확보	바꿀 수는 있지만 남는 것이 없어, 바꿀 때마다 처음부터 다시 쌓습니다.	Q1, Q3
순환 단절형	세 축 모두 확보, 축적(Q10) 취약	권리는 갖췄지만, AI를 쓰며 생긴 경험이 다음 판단에 다시 쓰이는 순환이 없습니다.	Q10
주권 실현형	세 축 모두 확보, 축적(Q10) 확보	AI를 쓸수록 회사가 강해지고 있습니다. 이 순환을 핵심 업무 전반으로 넓히는 것이 다음 과제입니다.	—

유형을 확인했다면, 이제 영역별로 ‘아니오’를 ‘예’로 바꾸는 방법을 살펴보겠습니다. 가상의 제조기업 한 곳을 따라가 보죠. 이 회사는 공장 설비의 이상을 분석하는 AI를 운영하고 있습니다. 같은 장면을 네 가지 축으로 차례로 들여다보면, 각 영역에서 무엇을 바꿔야 하는지가 조금 더 분명해집니다.

1. 소유: 기업 AI 주권은 데이터보다 넓은 것을 남기는 데서 시작합니다

소유라고 하면 보통 데이터를 떠올립니다. 하지만 데이터는 이미 대부분 회사 안에 있습니다. 정말 물어야 할 것은 AI를 쓸수록 무엇이 기업 고유의 자산으로 남는가입니다.

흩어진 데이터는 어떻게 기업의 지식이 될까요?

설비 A에 대한 정보는 여러 시스템에 나뉘어 있습니다. 생산정보는 MES에, 정비이력은 설비관리 시스템에, 진동·온도 데이터는 센서 DB에, 정비 매뉴얼은 문서로, 부품 정보는 ERP에 있습니다.

AI가 필요할 때마다 이것들을 검색하는 것만으로는 부족합니다. 설비 A가 1번 라인에 속하고, 부품 B로 구성되며, 설비보전팀이 담당하고, 과거에 어떤 고장이 있었는지처럼 데이터가 업무의 의미와 관계로 연결될 때 비로소 AI와 사람이 함께 쓸 수 있는 기업의 지식이 됩니다.

AI를 쓰며 새로 생기는 지식도 자산입니다

어느 날 AI가 설비 A의 진동 데이터를 보고 ‘베어링 교체가 필요하다’고 판단했습니다. 현장 엔지니어는 과거 경험을 근거로 ‘윤활 상태부터 점검하자’고 판단을 바꿨습니다.

이 과정에서 생긴 AI의 판단, 전문가의 수정과 그 이유도 회사의 자산입니다. 이것이 엔지니어 개인의 기억이나 외부 서비스의 대화 기록으로만 남는다면, 담당자가 바뀌는 순간 함께 사라집니다.

이렇게 시작하세요

• 누가 어떤 AI를 쓰는지부터 파악하기
  Q1. 직원들이 AI로 업무를 하며 쌓은 노하우(질문, 답, 수정 내용)가 회사 시스템에 남고, 다른 직원도 업무에 활용할 수 있습니까?
  부서별로 어떤 AI를 어떤 업무에 쓰고 있는지 확인하고, 핵심 업무부터 AI 활용 결과와 사람이 고친 내용을 회사 시스템에 남기는 기준을 정합니다.
  
• 데이터가 갈 수 있는 곳 정하기
  Q2. 회사 데이터가 외부 AI 서비스의 모델 학습에 쓰이지 않도록 하는 설정이, 모든 계정에서 꺼져 있는지 확인했습니까?
  AI 서비스별 학습 활용과 데이터 보관 설정을 확인할 담당자를 두고, 공개 자료·사내 문서·핵심 공정·기밀처럼 민감도에 따라 쓸 수 있는 AI와 처리 위치를 정합니다.
  
• 규칙과 기준을 서비스 밖으로 옮기기
  Q3. 지금 쓰는 AI 서비스 계약을 해지해도, 그동안 만들어 온 업무 규칙과 판단 기준은 회사 시스템에 그대로 남습니까?
  AI 업무에 쓰이는 규칙, 판단 기준, 지시문, 업무 흐름을 목록으로 정리해 회사가 관리하는 저장소로 옮깁니다.

세 가지가 가리키는 방향은 하나입니다. 기업의 지식은 모델 안이 아니라, 모델과 분리된 곳에 있어야 합니다.

2. 독립: 외부 기술을 쓰되, 떠날 수 있어야 합니다

독립은 외부 AI를 쓰지 않는 것이 아닙니다. 최신 모델과 클라우드를 활용하는 것은 비용과 속도 면에서 합리적인 선택일 수 있습니다. 독립은 지금 가장 적합한 것을 쓰면서도, 필요할 때 다른 선택으로 옮겨갈 수 있는 상태입니다.

AI 모델을 ‘지원’하는 것과 ‘바꿀 수 있는’ 것은 어떻게 다를까요?

1편에서 1년 뒤 같은 날 더 나은 모델로 바꾸는 두 회사를 이야기했습니다. 한 회사는 처음부터 다시 시작하고, 다른 회사는 모델만 바꿔 검증합니다. 그 차이는 어디서 생길까요? 설비 A의 이상을 분석하는 AI가 모델 A로 돌고 있는데, 제조 추론에 더 강하고 비용도 낮은 모델 B가 나왔다고 해보겠습니다.

그런데 모델을 바꾸려면 설비 데이터 연결부터 권한, 업무 흐름, 화면까지 다시 만들어야 한다면 어떨까요? 기술적으로는 선택지가 있어도, 실제로는 모델 A에 묶여 있는 상태입니다.

모델을 바꿀 때는 세 가지가 구분돼야 합니다.

모델 교체 시 구분할 세 가지 (텍스트로 보기)

구분	내용
그대로 남는 것	설비 지식, 업무 규칙, 정비 절차, 업무 흐름, 과거 실행 경험
바뀌는 것	원인을 추론하고 답을 만드는 모델 (A → B)
다시 확인할 것	지시문 적합성, 결과 품질, 업무별 성능

모델마다 특성이 다르니 아무것도 손대지 않고 바꿀 수는 없습니다. 중요한 것은 모델 하나를 바꾸기 위해 업무 체계 전체를 다시 만들지 않는 것입니다. 모델은 기업 AI의 중심이 아니라, 업무에 따라 고르고 교체하는 부품에 가까워야 합니다.

실행 환경도 마찬가지입니다. 클라우드에서 잘 돌던 품질 검사 AI도, 보안 정책이 바뀌어 생산 이미지를 공장 밖으로 보낼 수 없게 되면 멈춥니다. 기존 AI 업무 체계를 최대한 유지하면서 공장 내부나 폐쇄망에서도 운영할 수 있어야 기술이 기업의 조건에 맞춰집니다.

이렇게 시작하세요

• 모델 교체 범위 나눠 보기
  Q4. 지금 쓰는 AI 모델을 다른 모델로 바꿀 때, 데이터 연동·권한·업무 흐름은 그대로 두고 모델만 교체하고 검증하면 됩니까?
  주요 AI 업무 하나를 골라 위의 표처럼 남는 것, 바뀌는 것, 다시 확인할 것을 나눠 봅니다. 업무별 평가 기준을 만들어 두면 새 모델이 나왔을 때 같은 기준으로 비교할 수 있습니다.
  
• 업무별 실행 환경 정하기
  Q5. 생산 이미지나 설계 도면처럼 외부로 나갈 수 없는 데이터를 다루는 업무에도, 공장 내부 환경에서 필요한 AI를 운영할 수 있습니까?
  업무마다 필요한 실행 환경을 클라우드, 사내 서버, 외부와 분리된 폐쇄망으로 나누고, 보안 때문에 보류된 AI 과제를 내부에서 운영할 방법을 검토합니다.
  
• 공급사 의존도 점검하기
  Q6. 쓰던 AI 공급사가 가격을 두 배로 올리거나 서비스를 중단해도, 하던 AI 업무를 다른 상용 모델이나 자체·오픈소스 모델로 옮겨 계속할 수 있습니까?
  어떤 업무가 어떤 공급사의 고유 기능에 묶여 있는지 파악하고, 핵심 업무마다 옮겨갈 수 있는 모델 후보(상용, 오픈소스, 자체 모델)와 옮겼을 때의 영향을 미리 점검합니다.

Q4가 기술 변화에 대한 선택권이라면, Q6은 공급사의 조건 변화에 대한 선택권입니다. 대안이 있다는 것 자체가 협상력입니다.

3. 통제: AI를 막기 위한 것이 아니라, 더 많이 맡기기 위한 것입니다

AI가 질문에 답하는 수준을 넘어 실제 업무를 처리하기 시작하면 상황이 달라집니다. 정비 요청을 만들고, 생산 계획을 바꾸고, 설비에 영향을 주는 판단까지 내리게 됩니다.

이때 통제 장치가 없으면 기업은 두 가지 중 하나를 골라야 합니다. AI를 현장 업무에서 아예 빼든지, 위험을 그대로 감수하든지요. 실제로 많은 기업이 앞의 길을 택하고, AI는 추천까지만 하는 도구로 남습니다.

통제는 AI의 사용을 제한하는 장치가 아닙니다. 기업이 통제권을 유지하면서 AI에게 맡길 수 있는 일을 넓혀가는 기반입니다.

통제는 세 단계로 이어집니다. 무엇을 할 수 있는지 정하고, 실제로 무엇을 했는지 확인하고, 영향이 큰 일은 실행 전에 거르는 것입니다.

정한다: 볼 수 있는 것과 할 수 있는 것을 나눕니다

설비 정보를 조회할 수 있다고 해서 설비 설정을 바꿀 권한까지 있는 것은 아닙니다. 같은 설비 A 분석 AI라도 현장 작업자는 조회까지, 정비 담당자는 정비 요청까지처럼 누가 쓰느냐에 따라 허용 범위가 달라져야 합니다.

평가 자료나 원가 정보도 마찬가지입니다. 사람에게 적용하던 권한 체계가 AI에도 그대로 적용돼야 합니다. 문서를 AI에 통째로 연결하면, 기존 권한 체계를 우회하는 길이 생길 수 있습니다.

확인한다: AI의 판단 과정을 어떻게 되짚을 수 있을까요?

AI가 ‘베어링 이상 가능성이 높다’고 판단하고 정비 요청을 만들었다고 해보겠습니다. 며칠 뒤 그 판단이 틀렸다는 것이 밝혀졌습니다.

누가 요청했는지, 어떤 센서 데이터와 정비 이력을 참고했는지, 어떤 모델이 판단했는지, 그것이 어떤 조치로 이어졌는지를 하나의 흐름으로 볼 수 있어야 원인을 찾을 수 있습니다. “담당자한테 물어보면 알 겁니다”는 답이 나온다면, 기록이 없거나 시스템마다 흩어져 있다는 뜻입니다.

모든 처리 과정을 기록하자는 것이 아닙니다. 문제가 생겼을 때 원인을 되짚을 수 있을 만큼이면 충분합니다.

거른다: 영향이 큰 일은 실행 전에 확인합니다

잘못 만든 정비 요청은 취소하면 됩니다. 하지만 AI의 판단으로 생산라인이 이미 멈췄다면, 그 손실은 이미 발생한 뒤입니다.

그래서 제조 현장에서는 실행 전 통제가 무엇보다 중요합니다. 모든 행동에 승인을 받으면 AI를 쓰는 의미가 없고, 모든 행동을 AI에게 맡기면 위험이 큽니다. 답은 그 사이에 있습니다.

1. 분석과 조회는 AI가 바로 수행합니다.
2. 정비 요청처럼 영향이 제한적인 일은 정해진 조건 안에서 AI가 수행합니다.
3. 생산 계획 변경이나 설비 제어처럼 영향이 큰 일은 실행 전에 영향을 미리 따져보고, 사람의 승인을 거칩니다.

핵심은 AI의 자율성을 줄이는 것이 아니라, 기업이 감당할 수 있는 범위 안에서 AI가 더 많은 일을 하도록 만드는 것입니다.

이렇게 시작하세요

• AI의 권한을 사람과 같은 기준으로 맞추기
  Q7. 인사 평가나 원가 정보를 AI에게 물었을 때, 권한이 없는 직원에게는 답하지 않도록 되어 있습니까?
  AI에 연결된 데이터와 시스템을 정리하고, 직원별 권한과 조회·요청·변경·실행 같은 행동 단위의 허용 범위를 AI에도 똑같이 적용합니다.
  
• 판단 하나를 거꾸로 따라가 보기
  Q8. 어제 AI가 내린 품질 판정 하나를 골라, 누가 요청했고 어떤 데이터와 모델을 거쳐 어떤 조치로 이어졌는지 지금 바로 확인할 수 있습니까?
  최근 AI가 내린 판단 하나를 골라 실제로 역추적해 보세요. 기록이 끊기는 지점이 바로 보입니다. 그다음 중요한 업무부터 요청자, 모델, 데이터, 결과, 조치를 연결해 남기는 기준을 만듭니다.
  
• 행동을 영향의 크기로 나누기
  Q9. 생산 계획 변경 같은 현장 업무를 AI에게 맡길 때, 실행 전에 영향을 검증하고 중요한 결정은 사람의 승인을 받습니까?
  위의 세 단계처럼 AI의 행동을 나누고, 영향이 큰 작업에는 실행 전 검증과 승인 절차를 둡니다.

4. 축적: 저장되는 것과 쌓이는 것은 다릅니다

1편의 마지막 질문을 다시 떠올려 보겠습니다. 1년 전보다 회사 AI가 나아졌다면, 그것은 모델이 좋아져서일까요, 우리 경험이 쌓여서일까요?

모델이 좋아져서라면, 경쟁사도 똑같이 누리는 변화입니다. 우리 회사만의 경험이 쌓여서 좋아진 것이어야 경쟁력입니다.

AI의 판단은 어떻게 다음에 더 나아질까요?

앞서 AI는 설비 A에 대해 ‘베어링 교체’를 권고했고, 현장 엔지니어는 ‘윤활 상태 점검’으로 판단을 바꿨습니다. 점검 결과 실제로 윤활 문제였고, 조치 후 진동은 정상 범위로 돌아왔습니다.

이 과정이 대화 기록과 정비 이력으로 각각 따로 저장되면, 다음에 비슷한 이상이 생겨도 AI는 또 베어링 교체를 권할 것입니다. 반대로 AI의 판단, 전문가의 수정과 이유, 실제 조치와 결과가 설비 A와 그 이상 유형에 연결된 지식으로 쌓이면, 다음 AI는 이 회사에서 실제로 있었던 일을 참고해 판단합니다.

같은 사례가 반복된다면 점검 순서나 작업 표준 자체를 고치는 근거가 되기도 합니다. 이것이 ‘AI 사용 이력이 쌓이는 것’과 ‘기업의 경쟁력이 쌓이는 것’의 차이입니다.

그리고 이 순환은 앞의 세 권리 위에서만 돌아갑니다. 판단과 수정이 회사에 남아야(소유), 모델이 바뀌어도 그 지식을 계속 쓸 수 있고(독립), AI의 판단이 어떤 결과로 이어졌는지 확인할 수 있어야(통제) 쌓일 것이 생깁니다.

이렇게 시작하세요

• 수정이 잦은 업무 하나부터
  Q10. 1년 전보다 회사의 AI가 나아졌다면, 그게 공급사의 모델이 좋아져서가 아니라 우리 데이터와 경험이 쌓인 덕분이라고 말할 수 있습니까?
  사람이 AI 결과를 자주 고치는 업무를 하나 골라, 그 수정 내용과 근거가 관련 설비·업무·사례와 연결되어 남는지, 다음 AI 판단에 실제로 쓰이는지 확인합니다. 연결이 끊겨 있다면 그 지점부터 이어 주는 것이 축적의 첫걸음입니다.

기업 AI 주권은 네 가지가 하나의 구조로 이어질 때 완성됩니다

지금까지의 내용을 한 문장으로 줄이면 이렇습니다.

지식은 기업에 남고, 모델과 실행 환경은 선택할 수 있으며, AI의 행동은 기업이 결정하고 확인할 수 있고, 그 경험이 다시 축적되는 구조.

이 구조는 AI 도구를 하나씩 더해서는 만들어지지 않습니다. 도구마다 지식이 따로 쌓이고, 권한을 따로 설정하고, 기록을 따로 모아야 한다면 AI를 도입할수록 관리해야 할 것만 늘어납니다. 데이터와 지식, 모델, 애플리케이션, 권한과 기록이 하나의 기반 위에서 연결될 때 비로소 가능합니다.

그리고 그 기반 위에서, 각 기업의 설비와 시스템, 업무 방식에 맞춘 구현이 더해져야 합니다. 어떤 데이터를 어디까지 내보낼지, 어떤 행동에 승인이 필요한지는 기업마다 다르기 때문입니다.

마키나락스의 AI OS Runway는 이 구조를 받치는 공통 기반을 지향합니다. 그 위에 산업 현장에서 쌓아온 구축 경험을 더해, 기업이 자사 환경에서 기업 AI 주권을 갖출 수 있도록 돕습니다.

우리 회사의 유형과 ‘아니오’가 나온 영역을 확인했다면, 어디서부터 시작하면 좋을지 함께 이야기해 보세요.