“대기업 AI 파일럿의 95%는 실패한다.” MIT 연구가 내놓은 이 수치는 빠르게 퍼졌습니다. 그런데 실리콘밸리 최대 벤처캐피털 a16z는 자신들의 포트폴리오 내부 데이터를 보며 고개를 갸웃했습니다.

a16z가 기업 임원들과의 대화와 내부 데이터를 종합해 기업 AI 도입 현황을 정리한 분석을 발표했습니다. 핵심은 이렇습니다. Fortune 500 기업 중 29%, Global 2000 기업 중 19%가 이미 AI 스타트업의 실 결제 고객으로 전환됐다는 것. 단순한 파일럿이나 실험이 아니라, 계약을 맺고 제품을 실제로 운영 중인 기업들입니다.

출처: Where Enterprises are Actually Adopting AI – a16z

코딩이 압도적 1위인 이유

사용 사례별로 보면 격차가 뚜렷합니다. 코딩은 2위와 비교 자체가 무의미할 정도로 독주하고 있습니다. Cursor, Claude Code, Codex 같은 도구들의 폭발적인 성장이 이를 뒷받침하죠.

왜 코딩인가? a16z는 구조적 이유를 제시합니다.

1. 학습 데이터가 풍부하다 — 온라인에 고품질 코드가 방대하게 존재합니다.
2. 정확하고 검증 가능하다 — 코드는 실행해보면 바로 답이 나옵니다. AI에게 이상적인 피드백 루프입니다.
3. 혼자 쓸 수 있다 — 엔지니어는 협의나 결재 없이 개인 단위로 최선의 도구를 선택하고 바로 씁니다.
4. 100% 완성이 아니어도 가치 있다 — 버그 탐지나 보일러플레이트 생성만으로도 즉각적인 시간 절약이 됩니다.

a16z 포트폴리오사들에 따르면 우수한 엔지니어의 생산성이 AI 코딩 도구로 10~20배 향상됐다는 보고가 일관되게 나오고 있습니다. 채용이 어렵고 비싼 엔지니어의 생산성이 이 수준으로 뛰면, 경영진이 도입을 결정하는 데 긴 시간이 필요하지 않습니다.

고객지원과 검색이 뒤를 잇는 이유

고객지원은 코딩과 완전히 다른 이유로 AI 도입이 빠릅니다.

지원 업무는 목적이 명확합니다. “환불 처리”, “계정 잠금 해제”처럼 의도가 한정돼 있어 AI가 다룰 문제의 범위가 좁습니다. 무엇보다 표준운영절차(SOP)가 이미 문서화돼 있어 AI가 그 규칙을 그대로 학습할 수 있습니다. 대부분의 기업 업무가 모호하고 다수의 이해관계자를 포함하는 것과 대조적이죠.

ROI도 측정하기 쉽습니다. 처리 티켓 수, 고객 만족도(CSAT), 해결률 — 모두 숫자로 떨어집니다. 그리고 AI가 해결하지 못한 케이스는 인간 상담사에게 자연스럽게 에스컬레이션되기 때문에, 100% 정확도가 없어도 도입 리스크가 낮습니다.

검색 역시 기업 내부의 오래된 고통을 건드립니다. 여러 시스템에 흩어진 정보를 찾고 추출하는 작업은 직원 생산성을 크게 떨어뜨리는 대표적인 낭비였습니다. Glean 같은 기업용 AI 검색 도구가 빠르게 자리잡은 이유입니다.

업종별로는 테크·법률·헬스케어가 선도

산업별 도입 속도도 흥미롭습니다. 테크 업계가 선두를 달리는 건 예상대로지만, 법률과 헬스케어가 초기부터 적극적으로 움직였다는 점은 주목할 만합니다.

법률은 전통적으로 소프트웨어 도입이 느린 시장이었습니다. 기존 워크플로우 도구가 변호사의 비정형적이고 복잡한 업무에 별다른 가치를 주지 못했기 때문입니다. AI는 달랐습니다. 방대한 텍스트를 읽고, 추론하고, 요약하고, 초안을 작성하는 것 — 변호사가 매일 하는 일이 AI의 강점과 정확히 일치합니다. Harvey는 창업 3년 만에 연간 반복 매출(ARR) 약 2억 달러를 기록했습니다.

헬스케어도 비슷한 흐름입니다. AI가 의료 기록 작성, 의학 정보 검색, 복잡한 보험 행정 처리 등 기존 시스템을 교체하지 않고도 처리할 수 있는 영역부터 파고들었습니다. 기존 전자의무기록(EHR) 시스템과 충돌하지 않으면서 빠르게 스케일업하고 있는 것이죠.

AI 도입이 빠른 영역의 공통점

a16z는 도입이 빠른 영역에서 반복되는 특성을 정리합니다. 텍스트 기반 업무, 반복적이고 정형화된 작업, 결과 검증이 가능한 구조(코드 실행, 티켓 해결), 자연스러운 휴먼 인더루프 구조가 갖춰진 곳들입니다.

반면 물리 세계를 다루거나, 대인 관계에 의존하거나, 다수 이해관계자 조율이 필요하거나, 규제가 강한 영역은 아직 속도가 느립니다. 그럼에도 GDPval 벤치마크 기준으로 모델 능력은 빠르게 올라오고 있습니다. 회계·감사 분야는 지난 4개월 사이 약 20%포인트, 경찰·수사 분야는 약 30%포인트 개선됐다고 합니다.

원문에는 사용 사례별·업종별 수익 모멘텀 차트와 GDPval 기준 모델 능력 비교표가 상세히 담겨 있습니다. 어느 영역에서 아직 ‘역량은 있는데 시장은 덜 만들어진’ 기회가 남아 있는지 보고 싶다면, 원문 차트가 훨씬 직관적입니다.

참고자료:

• ChatGPT Usage and Adoption Patterns at Work – OpenAI