# AI 활용의 성과를 가른 현장의 실행력

> 2026-11-19 · Masters of Scale · 큐레이션 김태우
> https://challengekim.com/insights/ai-활용의-성과를-가른-현장의-실행력
> 원문: https://www.youtube.com/watch?v=lzhwkVwpe_w

## 핵심 요약

- 조시 티랭기얼은 AI 기업의 경쟁과 기술의 쓸모를 구분해야 한다고 봤다. 취재의 초점을 기업가치에서 교육·의료·행정 현장의 문제로 옮기자 다른 사례들이 보였다.
- 미국 국세청의 오래된 전산 시스템을 바꾸는 데도 AI가 쓰였다. 다만 기술적 가능성이 곧 서비스 개선으로 이어지지는 않았다. 예산과 조직 문화가 중요한 조건이었다.
- 이스트랜싱시는 쓰레기 수거 차량에 장착한 시각 AI와 주민 안내를 결합했다. 티랭기얼은 이 사업에서 재활용률이 약 40% 개선됐다고 전했다.
- 클리블랜드 클리닉은 환자 치료 결과를 개선한다는 목표 아래 패혈증 예측 시스템을 도입했다. 티랭기얼은 패혈증 사망률이 41% 줄었다고 밝혔다.

## AI 기업의 경쟁에서 현장의 문제로

애틀랜틱 기자이자 『AI for Good』의 저자인 조시 티랭기얼은 Masters of Scale 서밋 대담에서 진행자 제프 버먼과 AI의 실제 활용 사례를 논의했다. 대화 내내 AI를 둘러싼 거대한 약속과 불신 속에서 무엇이 사람들의 삶을 개선하는지 살폈다.

티랭기얼이 처음부터 현장 사례에 주목한 것은 아니다. 워싱턴포스트의 AI 칼럼을 맡아 실리콘밸리 인사들을 만났을 때 그가 들은 이야기는 주로 돈과 기업가치, 경쟁자 사이의 갈등이었다. 흥미로운 이야기였지만 기술이 어디에 쓰이는지는 충분히 설명하지 못했다.

전환점은 컴퓨터과학자 대니 힐리스와의 대화였다. 힐리스는 기술과 기술기업을 분리해서 보라고 조언했다. 이후 티랭기얼은 자신이 중요하게 여기는 교육, 의료, 정부 기관, 인간관계의 문제를 잘 아는 사람들을 찾아갔다. 기술 자체를 팔려는 사람보다 해결책을 찾다가 기술을 도입한 현장 전문가들에게 관심을 돌렸다.

그곳에서 발견한 AI는 만능 해결책이 아니었다. 적용하기 어렵고 완벽하지도 않았지만 **특정 문제에 제대로 배치하면 기존 방식보다 상당히 나은 결과를 내는 도구**였다.

## 불신을 풀려면 원치 않는 AI와 원하는 AI를 함께 말해야 한다

대담 초반에는 일론 머스크와 제프 베이조스의 우주 사업 경쟁을 다뤘다. 티랭기얼은 로켓 발사, 위성 통신, 장래의 우주 데이터센터, 지상의 AI 모델로 이어지는 수직계열화 구상을 설명했다. 이 가운데 우주나 달의 데이터센터는 아직 구상 단계라고 구분했다. 소수 개인이 국가에 버금가는 영향력을 갖게 되는 상황을 가장 우려했다.

그는 AI에 대한 대중의 반감에도 비슷한 배경이 있다고 봤다. 사람들은 자신이 요청하지 않은 기술이 등장하는데도 어떤 이익을 얻는지 충분한 설명을 듣지 못한다. 기업과 제도에 대한 신뢰가 낮은 데다 AI를 제공하는 기업 일부는 소셜미디어를 만들었던 기업과도 겹친다.

이때 필요한 대응은 두 가지다. 개인정보가 원치 않는 곳으로 넘어가는 AI처럼 받아들이지 않을 사용 방식을 정하고 AI가 의도한 목적에서 벗어나는 문제를 의무적으로 보고하게 하는 규칙을 논의해야 한다. 동시에 어떤 AI를 원하는지도 구체적으로 제시해야 한다. 티랭기얼은 유익한 제품이 나올 시장을 만들고 그런 활용을 장려하는 일도 그만큼 중요하다고 강조했다.

## 국세청의 병목은 기술만이 아니었다

미국 국세청은 티랭기얼이 발견한 실행력의 사례였다. 그는 국세청 최고기술책임자가 AI와 짝을 이뤄 코드를 작성하는 방식으로 오래된 개인 납세 기록 시스템의 이전을 추진했다고 전했다. 이 시스템에는 세금 신고서뿐 아니라 신고 내용이 바뀐 이력까지 담겨 있다.

티랭기얼에 따르면 이 작업은 새로운 소프트웨어나 AI 제품과 연동할 수 있는 기반을 만드는 데까지 진전됐다. 그렇다고 납세자에게 당장 새로운 서비스가 제공되는 것은 아니었다. 그는 국세청이 데이터를 바탕으로 빠르게 개선할 역량은 있지만 적절한 재정 지원이 필요하다고 말했다.

더 큰 마찰은 사람과 조직에서 생겼다. 왜 현대화하는지, 일자리가 곧바로 위협받는 것은 아닌지, 나중에 위협받는다면 어떻게 대응할지 설명해야 했다. 예산을 둘러싼 갈등과 외부의 비판이 끊이지 않는 정부 기관에서는 이 과정이 특히 어려웠다.

**기술적으로 할 수 있는 일과 조직이 실제로 해내는 일 사이에는 간격이 있다.** 티랭기얼이 주목한 것은 그 간격을 메우며 작업을 이어가는 사람들이었다.

## 8,000달러 재활용 실험의 성과

이스트랜싱시의 환경 담당자 클리프 월스는 부임 직후 재활용 개선 시범사업을 제안받았다. 약 8,000달러 규모의 사업이었다. 캐나다 서스캐처원에서 쓰레기 처리장 근무 경험이 있는 두 사람이 만든 회사가 시각 AI를 제공했다. 사진 속 대상을 식별하는 이 기술은 재활용품과 잘못 섞인 물건의 사진을 대량으로 학습한 뒤 수거 차량에 장착됐다.

사업은 물건을 식별하는 데서 끝나지 않았다. 위치정보로 해당 가구를 연결하고 주민에게 보내는 엽서도 두 종류로 나눠 효과를 비교했다. 한쪽은 잘못 배출한 사실을 알리며 앱을 내려받으라고 안내했다. 다른 쪽은 실제로 잘못 버린 물건의 사진을 보여주며 다음 배출 때 고치도록 알렸다.

티랭기얼은 재활용률이 약 40% 개선됐으며 자신의 기억으로 약 1만2,000회 시험에서 민원은 두 건이었다고 전했다. 월스는 사업을 천천히 도입했고 모든 문제를 해결하겠다고 약속하지 않았다. AI라는 이름을 앞세우지도 않고 새로운 방식을 시험한다고 설명했다.

티랭기얼은 이 사례에서 사람들이 원하는 것이 무엇인지 알 수 있었다고 봤다. AI인지 아닌지보다 실제로 작동하는지가 중요했다. 여기서 성과를 만든 것은 인식 기술뿐 아니라 주민에게 정보를 전달하는 방식과 도입 속도였다.

## 병원의 성과를 가른 것은 목표와 도입 과정이었다

클리블랜드 클리닉에서도 출발점은 기술의 명성이 아니었다. 심장외과 의사인 병원 책임자는 티랭기얼에게 목표를 두 가지로 설명했다. 환자 치료 결과를 개선하고 비용을 줄여 그 돈을 다시 치료 결과를 개선하는 데 쓰는 것이었다. 의료계의 마이크로소프트가 되려는 목표와는 선을 그었다.

조직 규모가 크다고 실행할 사람이 많은 것도 아니었다. 티랭기얼에 따르면 새로 합류한 최고기술책임자는 약 8만 명의 조직에서 프로젝트를 운영하고 사람들을 설득하며 기술을 받아들이도록 이끌 수 있는 사람이 여덟 명에서 열 명 정도라고 말했다. 그 소수의 인력이 변화를 추진했다.

대표 사례는 감염에 대한 신체 반응인 패혈증을 예측하는 시스템이었다. 병원은 외부 업체를 참여시키고 약 1년 반 동안 시스템을 다듬었다. 시험과 새로운 방식의 도입은 어려웠고 조직 안에서 모두가 결과를 반긴 것도 아니었다. 티랭기얼은 그 과정 끝에 패혈증 사망률이 41% 줄었다고 전했다.

그가 강조한 것은 완벽한 시스템의 등장이 아니었다. 조직 문화를 바꾸는 어려움을 감수하면서도 도움이 되는 지점을 찾아 실제 업무에 적용한 결과였다.

대담에서는 기업가치나 경쟁 구도를 다룰 때보다 구체적인 업무를 살필 때 AI의 쓸모가 선명해졌다. 문제를 아는 사람, 분명한 목표, 도입을 뒷받침할 예산과 설득이 함께 있을 때 기술이 성과로 이어졌다. 티랭기얼이 주목한 AI는 완벽해서가 아니라 지금의 방식보다 나은 결과를 만들고 있어서 의미가 있었다.

---

원문을 바탕으로 AI 가 한국어로 요약·재구성한 글입니다. 인용·수치는 원문 링크에서 확인해 주세요. [원문 링크](https://www.youtube.com/watch?v=lzhwkVwpe_w)
