Behavior Change First: Kraft Group이 AI 과제마다 바뀔 행동을 묻고 접근을 천천히 여는 법

Kraft Group은 AI의 성과를 생산성보다 '사람의 행동이 바뀌었나'로 봅니다. 그래서 과제마다 감지 결과를 누가 받아 무엇을 하는지부터 묻고, 도구는 승인한 것만, 사용자는 교육한 순서대로 엽니다. 따라 하려면 과제 카드에 행동 담당자와 비교 기준을 적게 하고, 모든 AI 호출을 하나의 관문으로 모아 사용량을 사람 단위로 보는 장치가 필요합니다.

요약

CIO Dive의 Paige Gross 기자는 2026년 10월 20일, Gartner IT Symposium/Xpo(올랜도)에서 나온 The Kraft Group CITO(최고정보기술책임자) Michael Israel의 발언을 정리했습니다. Kraft Group은 New England Patriots와 Gillette Stadium을 운영하는 스포츠·엔터테인먼트 사업에 더해 제조, 종이·포장재, 부동산 사업을 함께 가진 그룹입니다. AI는 경기장 매장의 POS(판매 시점 시스템), Patriots 경기의 필드 측정, 포장재·부동산 사업의 수요·공급 예측까지 사업마다 다르게 쓰입니다. Israel은 AI 여정이 약 3년 전에 시작됐다고 말합니다.

여러 사업에 걸친 AI 쓰임을 세 가지 운영 원칙이 묶는 구조

Israel이 강조한 것은 기술보다 운영 원칙입니다. 첫째, 내부 AI는 일을 효율적으로 다시 짜는 데도 쓰지만 주 목적은 생산성이나 비용 절감이 아니라 행동 변화를 찾아내는 것입니다. 그래서 새 과제는 결과를 어떻게 실행으로 옮기고 어떤 행동을 바꿀지 답해야 합니다. 둘째, Microsoft·OpenAI·Anthropic과 계약했지만 쓸 수 있는 agents(에이전트)와 도구는 방화벽 안에서 제한합니다. 셋째, 토큰 사용을 사람 단위로 지켜보고, 먼저 교육한 뒤 접근을 천천히 엽니다. 넷째, HR과 함께 직무 기술서를 다시 쓰고 평가 방식도 바꿉니다. 마지막으로 은퇴하는 직원의 머릿속 지식을 지식베이스로 옮기는 일을 다음 과제로 꼽았습니다. 아래에서는 이 다섯 원칙의 작동 방식을 풀고, 우리 조직에서 돌리는 데 필요한 장치와 일정을 덧붙입니다.

다섯 축마다 무엇을 먼저 두고 무엇을 뒤에 두는지 정리

핵심 메커니즘

Behavior Change Test: 과제마다 바뀔 행동을 먼저 묻는 관문

무엇인가. AI 과제를 승인하기 전에 두 가지를 묻는 관문입니다. 이 결과를 어떻게 실행에 옮기나, 그래서 어떤 행동이 바뀌나. Israel은 이 질문을 모든 새 과제에 던진다고 했습니다.

어떻게 작동하나. 과제 제안서가 ‘AI가 무엇을 감지·예측하는가’에서 멈추지 않고, 그 결과를 받아 움직일 사람과 행동까지 적어야 통과합니다. 공장의 안전장비 착용 감지라면 감지 결과를 받는 사람은 구역 담당자이고, 바뀌어야 할 행동은 작업자의 착용입니다. 경기장 화장실 대기 줄 알림이라면 받는 사람은 현장 직원이고, 바뀌는 행동은 직원의 즉시 대응입니다. 답이 비면 기술이 좋아도 보류합니다.

언제 쓰고 언제 안 쓰나. 감지·알림·예측처럼 결과가 사람의 다음 행동을 부르는 과제에 맞습니다. 문서 초안 작성처럼 개인 생산성이 목적인 도구에는 같은 질문을 그대로 쓰기 어렵고, 이때는 ‘무엇을 덜 하게 되나’로 바꿔 묻는 편이 낫습니다.

과제마다 감지 결과를 누가 받아 어떤 행동으로 바꾸는지 먼저 답하게 하는 관문

감지 결과가 사람의 행동으로 이어질 때만 가치가 생기는 구조

Common Base와 Firewalled Tools: 같은 기반 위에 승인 도구만 연다

무엇인가. 그룹의 모든 사업에 같은 네트워크 인프라, 같은 기본 노트북, 같은 기본 빌드를 깔고, 그 위에서 쓸 수 있는 agents와 도구를 방화벽으로 제한하는 구조입니다. 사업마다 AI 쓰임은 다르지만 출발점은 하나입니다.

어떻게 작동하나. 벤더는 Microsoft, OpenAI, Anthropic 세 곳과 계약해 선택지를 넓혀 두고, 실제로 직원 손에 닿는 범위는 방화벽 허용 목록으로 좁힙니다. 공통 빌드가 있으니 허용 목록을 한 번 바꾸면 모든 사업에 같이 적용되고, 어느 사업에서 무엇을 쓰는지 한곳에서 볼 수 있습니다. Israel은 무엇을 쓰는지에 아주 신중하다고 말했습니다.

언제 쓰나. 사업이 여러 개이고 IT가 그룹 단위로 묶인 조직에 맞습니다. 사업마다 IT가 따로 있으면 먼저 기본 빌드와 허용 목록부터 하나로 맞춰야 이 구조가 섭니다.

사업마다 AI 쓰임은 달라도 기반과 허용 목록은 하나로 관리

Educate, Then Open Slowly: 교육 먼저, 사용량을 보며 천천히

무엇인가. 도구를 한꺼번에 풀지 않고, 환경과 사람을 먼저 교육한 뒤 접근을 조금씩 여는 확산 방식입니다. 연 뒤에는 토큰 사용을 지켜봅니다.

어떻게 작동하나. Israel은 토큰을 관리하고 있다며, 지난달 수만 토큰을 쓴 사람이 누구인지 묻는 장면을 예로 들었습니다. 사용량이 튀는 사람을 찾는 것은 처벌보다 ‘무엇에 쓰고 있나’를 확인하는 출발점입니다. 원문은 사용량 상한이나 제재를 따로 밝히지 않습니다. 교육에 대해서는 새 앱만 건네고 끝내지 않고 훈련을 함께 주겠다는 방향을 밝혔습니다.

기반을 같게 맞추고, 승인 도구만 열고, 교육한 뒤 사용량을 보며 넓히는 순서

Role Redesign with HR: 도구가 바뀌면 직무 기술서도 바꾼다

무엇인가. 내부 도구와 방문객용 기술이 바뀌면서 직원의 직무 기술서가 바뀌고 있으니, 기술팀이 HR과 만나 직무 정의를 새 도구에 맞추는 일입니다.

어떻게 작동하나. 직무 기술서에 새 도구로 하는 일을 넣고, 평가도 그에 맞게 바꿉니다. Israel은 사람들을 예전과 다르게 측정해야 할 수 있다고 했습니다. 도구를 주고 끝내지 않고 교육을 함께 주는 것도 같은 맥락입니다. 그는 도입 과정에서 직원의 말을 듣는 일도 강조했습니다. 젊은 개발자는 새 기술에 밝고, 오래 일한 직원은 업무 프로세스를 압니다. 두 쪽을 함께 들어야 직무를 현실에 맞게 다시 쓸 수 있습니다.

도구가 바뀌면 직무 기술서와 평가 기준도 함께 바꾼다

Knowledge Capture: 은퇴자 지식을 결정 지원의 재료로

무엇인가. 은퇴를 앞둔 직원이 머릿속에 가진 지식을 지식베이스로 옮겨, 결정을 돕는 모델의 재료로 쓰는 계획입니다. Israel은 이를 팀의 다음 과제라고 불렀습니다.

어떻게 작동하나. 인력이 나이 들면서 사라지는 조직 지식을 AI로 메우는 것이 목표입니다. 정보를 붙잡아 두고, 종합하고, 행동으로 잇는 쪽에서 AI의 가능성을 본다고 했습니다. 구체적인 방법과 일정은 원문에 나오지 않으므로, 아래 기술 디테일에서 실제로 돌릴 때 필요한 구조를 덧붙입니다.

사람에게만 있던 판단 지식을 모델이 참조할 수 있게 옮기는 다음 과제

통념과 다른 주장

흔히 이렇게 봅니다기업 AI의 가치는 생산성 향상과 비용 절감으로 잰다.

Israel은 이렇게 봅니다효율화도 하지만 주 목적은 행동 변화를 찾아내는 것이고, 행동으로 이어지지 않는 과제는 시작하지 않는다.

근거대표 사례로 든 안전장비 착용 감지와 화장실 대기 줄 알림은 시간 절감이 아니라 작업자와 직원의 행동을 바꾸는 쓰임입니다.

같은 AI라도 무엇을 성과로 보느냐에 따라 과제 선정이 달라진다

흔히 이렇게 봅니다AI 도구는 넓게 열어 줘야 빨리 퍼지고, 쓰는 사람이 알아서 익힌다.

Israel은 이렇게 봅니다환경을 먼저 교육하고 접근은 천천히 연다. 쓸 수 있는 agents와 도구도 제한한다.

근거세 벤더와 계약하고도 방화벽으로 범위를 좁혔고, 토큰을 많이 쓴 사람을 따로 확인합니다.

열기 전에 가르치고, 연 뒤에는 사용량을 본다

저자가 든 사례

제조 현장의 안전장비 착용 감지

상황: 제조 공장 작업자가 정해진 안전장비를 제대로 착용하는지 확인해야 합니다. 한 일: AI 감지로 착용 여부를 확인합니다. 결과: 원문에서 수치는 밝히지 않음. 연결: Behavior Change Test의 대표 사례로, 감지의 가치가 착용 행동으로 이어질 때 생긴다는 원칙을 보여 줍니다.

안전장비 착용 감지: 감지 결과가 착용 행동으로 이어지는지가 기준

콘서트 중 화장실 대기 줄 알림

상황: 경기장 콘서트에서 화장실 줄이 길어지면 손님 불편이 커집니다. 한 일: 줄이 길어지면 직원에게 알려 대응하게 합니다. 결과: 원문에서 수치는 밝히지 않음. 연결: 감지 → 담당자 알림 → 현장 행동으로 이어지는 흐름의 사례입니다.

대기 줄 알림: 손님의 불편을 직원의 즉시 대응으로 바꾸는 구조

공장 이상의 사전 알림

상황: 공장에 문제가 생기면 근무 시간 밖에도 현장 관리자를 불러야 합니다. 한 일: 알고리즘이 문제를 먼저 감지해, 관리자를 부르기 전에 누군가에게 알리는 쓰임을 가능성으로 들었습니다. 결과: 원문에서 운영 결과는 밝히지 않음. 연결: 정보를 붙잡고 행동으로 잇는다는 Knowledge Capture의 방향과 같은 축입니다.

현장 관리자를 밤에 부르기 전에 문제를 먼저 알리는 쓰임

얼굴 인식: 직원 먼저, 방문객은 동의한 사람부터

상황: 경기장 업무 흐름을 끊김 없이 유지해야 합니다. 한 일: 직원에게는 이미 얼굴 인식을 쓰고, 방문객에게는 2027년에 opt-in(본인이 동의한 사람만) 방식으로 엽니다. 결과: 원문은 이런 기술이 전국 경기장·공연장에 퍼지고 있다고 덧붙입니다. 연결: 내부에서 먼저 쓰고 바깥은 천천히 여는 Educate, Then Open Slowly의 순서입니다.

내부 직원에게 먼저 쓰고, 방문객에게는 동의한 사람부터 넓히는 순서

은퇴자 지식의 지식베이스화

상황: 은퇴를 앞둔 직원들이 많은 지식을 머릿속에만 가지고 있습니다. 한 일: 그 지식을 지식베이스로 옮겨 결정을 돕는 모델을 학습시키는 계획을 세웠습니다. 결과: 다음 과제로 지목된 단계로, 결과는 아직 원문에 없음. 연결: Knowledge Capture 메커니즘의 사례입니다.

은퇴로 사라질 지식을 결정 지원 모델의 재료로 옮기는 계획

기술 디테일: 이 운영 원칙을 시스템으로 돌리려면

Behavior Change Test를 기계적으로 돌리려면 과제 제안을 자유 서술이 아니라 카드 한 장의 고정 필드로 받습니다. 감지·예측 필드와 행동 필드를 같은 카드에 두고, 행동 필드가 비면 검토 회의에 올리지 않습니다. 아래는 안전장비 감지를 예로 든 가상 예시입니다. behavior_metric과 baseline이 있어야 도입 전후를 비교할 수 있습니다. 감지 모델의 confidence 임계값은 처음엔 높게(예: 0.85) 잡아 오탐을 줄이고, 2주 동안 담당자가 알림마다 ‘맞음/틀림’을 눌러 정밀도를 잰 뒤 조정합니다.

{
  "use_case_id": "MFG-PPE-01",
  "business_unit": "packaging_plant_A",
  "detector": "vision_ppe",
  "signal": "helmet_missing",
  "threshold": 0.85,
  "action_owner": "zone_supervisor",
  "action_sla_min": 5,
  "behavior_metric": "ppe_compliance_rate",
  "baseline": "2주 수기 점검으로 측정",
  "privacy_review": "required"
}

카드 하나에 감지·행동·판정 필드를 함께 적어 관문을 기계적으로 돌린다 (가상 예시)

현장 감지 알림(안전장비·대기 줄·설비 이상)을 만들려면 오탐을 줄이는 규칙을 모델 밖에 둡니다. 카메라 프레임을 1~2초마다 샘플링하고, 정해진 구역(ROI)만 봅니다. 한 프레임의 판정으로 알리지 않고 ‘3프레임 연속 미착용’처럼 연속 조건을 둡니다. 대기 줄이라면 ‘사람 수 N명 이상이 5분 지속’처럼 시간 조건을 붙입니다. 알림에는 alert_id, opened_at, acknowledged_by, closed_at, outcome을 남겨, 알림이 실제 행동으로 닫혔는지와 걸린 시간을 잴 수 있게 합니다. 이 기록이 없으면 행동 변화를 증명할 수 없습니다. 얼굴처럼 개인을 식별하는 데이터는 동의 기록(consent_id, 동의 일자, 철회 여부)과 보관 기간을 따로 두고, 착용 감지처럼 개인 식별이 필요 없는 과제는 얼굴을 흐리게 처리한 뒤 저장합니다.

오탐을 줄이려 연속 프레임 규칙을 두고, 알림은 닫힌 기록까지 남긴다 (가상 예시)

승인 도구만 쓰게 하고 토큰을 사람 단위로 보려면 모든 모델·에이전트 호출을 하나의 AI 게이트웨이(프록시)로 모읍니다. 게이트웨이는 요청마다 사용자가 교육을 마쳤는지, 요청한 agent·tool이 허용 목록에 있는지 확인합니다. 로그 필드는 user_id, business_unit, vendor, model, agent_or_tool, tokens_in, tokens_out, timestamp 정도면 충분합니다. 월별로 부서 중앙값의 5배를 넘는 사용자를 뽑아 담당 팀장이 용도를 확인하게 합니다(배수는 가상 예시). 목적은 제재가 아니라 잘 쓰는 사례를 찾고, 허용 밖 용도나 반복 낭비를 잡는 것입니다. 벤더가 여럿이면 벤더별 단가를 곱해 비용으로도 환산합니다.

모든 호출을 한 관문으로 모아 허용·교육·사용량을 함께 본다 (가상 예시)

은퇴자 지식을 결정 지원에 쓰려면 처음부터 모델을 학습시키기보다 검색 근거형(RAG) 구조로 시작하는 편이 안전합니다. 전문가 1명당 60~~90분 인터뷰를 3~~4회 녹음하고, 일반론 대신 최근 1년의 실제 사례를 묻습니다. 녹취를 LLM으로 구조화해 지식 단위마다 expert, process, situation, decision_rule, exceptions, evidence, valid_until 필드를 채웁니다. 구조화 결과는 본인과 동료 1명이 확인해야 지식베이스에 들어갑니다. 답변에는 근거 지식 단위의 ID를 붙이고, 근거가 없으면 ‘모름’을 답하게 합니다. 같은 질문 20개를 3회씩 돌려 답이 근거와 맞는지 전문가가 채점하고, 맞힌 비율이 낮은 공정은 인터뷰를 더 합니다.

인터뷰를 구조화된 지식 단위로 바꾸고, 답에는 근거를 붙인다 (가상 예시)

현업 실행 디테일: 누가, 언제, 무엇을

역할	담당	4주 동안 하는 일
스폰서	CIO·CITO	관문 기준과 허용 목록 최종 승인
AX 추진	AX 리더 1명	과제 카드 양식, 기존 과제 재분류
사업 대표	사업부별 현업 리더 1명씩	과제마다 행동 담당자와 기준 지정
보안·IT	보안 담당 1명, 인프라 1명	게이트웨이, 허용 목록, 토큰 로그
HR	HRBP 1명	영향 직무 목록, 직무 기술서·평가 수정안
교육	L&D 담당 1명	도구별 이수 과정과 이수 기록

시작 전 준비물: 진행 중이거나 제안된 AI 과제 목록, 계약한 AI 벤더와 실제로 쓰이는 도구 목록, 현재 기본 빌드와 방화벽 정책, 부서별 AI 사용량 로그(있다면), 영향을 받을 직무의 현재 직무 기술서, 5년 안에 은퇴 예정인 핵심 인력 명단.

주차	할 일	산출물
1주	과제 카드 양식과 관문 질문 확정, 허용 도구 목록 정리	카드 양식, 허용 목록 v1
2주	기존 과제 전부를 카드로 다시 써서 진행·보완·보류로 분류	과제 분류표
3주	이수 과정 개설, 이수자에게만 게이트웨이 접근 부여, 토큰 로그 시작	이수 기록, 사용량 대시보드
4주	HR과 영향 직무 정리, 은퇴 인력 인터뷰 대상 선정, 판정 회의	직무 수정안, 지식 보존 계획

관문을 정하고, 기존 과제를 다시 분류하고, 교육과 허용을 묶은 뒤 직무와 판정으로 마무리 (예시)

과제 담당자 질문: 이 AI가 알려 주면 누가 받습니까? 받은 사람은 몇 분 안에 무엇을 합니까? 그 행동이 바뀌었는지 무엇으로 셉니까? 지금 그 숫자는 얼마입니까? 알림이 틀리면 누가 어떻게 표시합니까?

은퇴 예정자 질문: 최근 1년에 남이 대신하기 어려웠던 판단 세 가지는 무엇입니까? 그때 무엇을 보고 결정했습니까? 매뉴얼과 다르게 처리한 예외는 무엇입니까? 후임이 가장 자주 묻는 것은 무엇입니까?

진행 판정 기준(예시): 행동 담당자와 처리 시간(SLA)이 정해지고 도입 전 기준값이 측정된 과제는 진행합니다. 담당자는 있지만 기준값이 없으면 2주 측정 뒤 다시 봅니다. 행동 담당자가 없거나 바뀔 행동을 한 문장으로 적지 못하면 보류합니다. 3주차부터는 교육 이수율 80% 이상인 부서부터 다음 도구를 엽니다.

행동을 맡을 사람과 비교 기준이 있는지로 과제를 세 갈래로 나눈다 (예시)

AX 적용 제언. 이 방식은 사업이 여러 개인 그룹사, 현장 인력이 많은 제조·유통·시설 운영 조직에 잘 맞습니다. 순서는 과제 관문 → 공통 게이트웨이 → 교육 연동 접근 → 직무·평가 수정 → 지식 보존이 무난합니다. 관문을 먼저 두면 이미 돌고 있는 PoC 가운데 행동 담당자가 없는 과제가 드러나 예산을 다시 배분할 근거가 생깁니다. 게이트웨이는 벤더를 여럿 쓸수록 가치가 커집니다. 직무 수정은 IT가 아니라 HR이 주도하게 하고, 지식 보존은 은퇴 일정이 가장 가까운 공정 하나에서 시작합니다.

원문 사례

항목	내용
출처	CIO Dive(2026.10.20), Paige Gross. Gartner IT Symposium/Xpo(올랜도) 발언 정리
화자	Michael Israel, The Kraft Group CITO
사업 범위	스포츠·엔터테인먼트(Patriots, Gillette Stadium), 제조, 종이·포장재, 부동산
AI 쓰임	경기장 POS, Patriots 경기 필드 측정, 포장재·부동산 수요·공급 예측
과제 기준	실행으로 어떻게 옮기고 어떤 행동이 바뀌나. 생산성·비용은 주 목적이 아님
행동 사례	제조 안전장비 착용 감지, 콘서트 중 화장실 대기 줄 알림, 공장 이상 사전 알림(가능성)
얼굴 인식	직원 대상 사용 중, 방문객은 2027년 opt-in
기반·벤더	같은 네트워크·기본 노트북·기본 빌드. Microsoft·OpenAI·Anthropic 계약, 방화벽으로 agents·tools 제한
확산	토큰 관리(한 달 수만 토큰 사용자 확인), 교육 먼저, 천천히 개방
조직	기술팀이 HR과 직무 기술서 재정의, 측정 방식 변경, 교육 제공
다음 과제	은퇴 인력의 지식을 지식베이스로 옮겨 결정 지원 모델에 활용
기타	AI 여정 약 3년, 젊은 개발자와 장기 근속자 모두의 의견 청취, AI의 영향을 클라우드·인터넷에 비유

핵심 개념

CITO: Chief Information and Technology Officer. 정보 시스템과 기술 전반을 함께 맡는 최고 책임자.
Gartner IT Symposium/Xpo: Gartner가 매년 여는 CIO 대상 행사. 기업 IT 리더의 발언이 많이 나오는 자리.
token(토큰): 생성형 AI가 글을 읽고 쓰는 단위. 사용량과 요금을 재는 기준이 된다.
opt-in: 본인이 명시적으로 동의한 사람에게만 기능을 적용하는 방식.
AI 게이트웨이: 여러 모델·에이전트 호출을 한곳으로 모아 권한 확인과 사용량 기록을 하는 중간 계층.
RAG: Retrieval-Augmented Generation. 답하기 전에 지식베이스에서 근거를 찾아 함께 넣는 방식.

내 메모

TODO: 내 생각 추가

원문: Paige Gross, “How The Kraft Group uses AI for behavior management”(CIO Dive, 2026.10.20). 요약·메커니즘·통념과 다른 주장·사례·원문 사례 표는 기사에 실린 Michael Israel의 발언을 AX Review가 다시 정리했습니다. 기술·현업 디테일, JSON 예시, 게이트웨이 로그 필드, 감지 규칙, 일정·판정 기준, 인포그래픽은 새로 작성했으며 숫자는 가상 예시입니다. 원문 전체는 CIO Dive에서 볼 수 있습니다.