Claude in 45 Days: Brown & Brown이 6,000명 배포와 1년 단위 예산으로 AI 회수를 재는 법

Brown & Brown은 Claude를 45일 만에 직원 6,000명 넘게 배포했고 90% 이상이 실제로 씁니다. 회사는 AI 예산을 여러 해짜리 큰 약정으로 묶지 않습니다. 측정한 수익에 맞춰 1년씩 나눠 집행합니다. 따라 하려면 배포 첫날부터 사용 로그와 과제별 기준선을 함께 쌓아야 합니다. 그래야 다음 해 예산을 그 숫자로 정할 수 있습니다.

요약

AIM Media House의 Deployed 섹션에서 Sachin Mohan 기자는 미국 보험중개사 Brown & Brown의 2026년 3분기 실적 콜(10월 27일)을 바탕으로 이 회사의 AI 도입을 정리했습니다. 발언의 중심은 Powell Brown CEO입니다. Jefferies의 Andrew Andersen은 2027년 기술 지출을, BofA의 Josh Shanker는 판매 물량과 오가닉 성장(인수 효과를 뺀 자체 성장)을 물었습니다. 3분기 매출은 17억 달러로 전년보다 7.4% 늘었습니다. 오가닉 성장률은 1.2%였고 오가닉 contingent(실적 연동 수수료)를 넣으면 1.5%였습니다. 조정 EBITDAC 마진은 34.6%로 200bp 내렸고 조정 EPS는 1.07달러로 1.9% 올랐습니다. 부문별 오가닉 성장은 Retail이 2.6%, Specialty Distribution이 -0.8%였습니다.

AI 쪽 숫자는 배포 속도입니다. 회사는 지난 1년 동안 전 직원에게 Copilot을 열어 줬고 이어 Claude를 45일 만에 6,000명 넘는 직원(teammate)에게 배포했습니다. 그중 90% 이상이 실제로 쓰고 있고 다음 그룹이 온보딩 중입니다. 콜 약 90일 전에는 McKinsey & Company, Accenture와 함께 Brown & Brown, Anthropic이 참여하는 전략 파트너십을 발표했습니다. AI는 보험 중개(placement) 업무 대부분에 들어갑니다. 영업 발굴, 청약 서류(submission), 청구 분석, 데이터 분석, 데이터 추출이 대상입니다. 돈을 쓰는 방식이 눈에 띕니다. 회사는 여러 해에 걸친 수억 달러짜리 프로그램을 발표하지 않습니다. 대신 측정 가능한 수익에 묶은 1년 단위 트랜치(tranche, 나눠 집행하는 예산 묶음)로 집행합니다. 2027년 지출 계획과 기대 효과는 1월에 내놓습니다. 아래에서는 이 구조를 다섯 가지 메커니즘으로 풀었습니다. 같은 방식을 따라 할 때 필요한 로그, 등록부, 일정도 붙였습니다.

핵심 메커니즘

Wave Rollout: 범용 도구를 먼저 깔고 다음 도구를 그룹별로 넓히기

Wave rollout은 전 직원을 한 번에 바꾸지 않고 그룹 단위로 차례차례 도구를 여는 방식입니다. Brown & Brown은 먼저 Copilot을 전 직원에게 1년 동안 제공했습니다. 그다음 Claude를 45일 동안 6,000명 넘게 배포했고 활성 사용률은 90%를 넘었습니다. 지금은 다음 그룹을 받고 있습니다. 첫 도구로 AI 사용 습관이 생긴 조직에서는 두 번째 도구가 빨리 퍼집니다. 이 방식은 직원 수가 많고 업무가 문서 중심인 조직에 맞습니다. 현장 장비나 고객 시스템에 바로 붙어야 하는 AI라면 그룹별 배포보다 업무 단위 시범이 먼저입니다.

COMPASS: AI와 자체 데이터를 묶은 Retail 리스크 관리 생태계

COMPASS는 Brown & Brown이 Retail 부문에서 운영하는 AI 기반 리스크 관리 생태계(ecosystem)입니다. 범용 대화형 도구와 달리 회사가 가진 자체 데이터를 AI와 함께 씁니다. 회사는 연말까지 직원 수천 명이 COMPASS를 쓰게 하고 2027년까지 솔루션을 더 내놓을 계획입니다. 범용 도구가 직원 개인의 생산성을 올린다면 COMPASS는 고객에게 내놓는 분석의 질을 올립니다. 아래 사례에서 보듯 결과도 고객사의 비용 지표로 나옵니다. 자체 데이터가 적거나 흩어져 있는 회사는 이 단계 전에 데이터부터 모아야 합니다.

Governance Protocols: 사용 사례와 에이전트가 따르는 규약

회사는 사용 사례(use case)와 에이전트가 정해진 규약 안에서 돌도록 거버넌스와 사이버보안 체계를 만들었다고 밝혔습니다. 6,000명이 같은 도구를 쓰면 누가 어떤 데이터로 무엇을 자동화하는지 한곳에서 보여야 합니다. 그래야 청약 서류나 청구 기록 같은 민감한 정보가 정해진 경로로만 움직입니다. 에이전트처럼 스스로 작업을 이어 가는 AI가 늘수록 이 규약의 무게가 커집니다.

Value Management Office: AI 과제마다 수익을 재는 전담 조직

Value management office(VMO, 가치 관리 조직)는 AI 과제 하나하나의 수익을 재는 곳입니다. 과제마다 들인 돈과 돌아온 효과를 같은 잣대로 보므로 경영진은 어느 과제를 키우고 어느 과제를 멈출지 숫자로 정할 수 있습니다. 거버넌스가 ‘안전하게 쓰는가’를 본다면 VMO는 ‘돈값을 하는가’를 봅니다. 둘이 함께 있어야 배포 속도를 올려도 통제가 유지됩니다.

One-Year Measurable Tranches: 1년씩 측정해 다음 해 예산을 정하기

Brown & Brown은 AI 예산을 측정 가능한 1년 단위 트랜치로 나눕니다. 한 해 예산을 쓰고 그해 수익을 확인한 뒤 다음 해 금액을 정하는 구조입니다. 2027년 지출 계획과 기대 효과를 1월에 발표하겠다고 한 것도 이 주기와 맞물립니다. VMO가 잰 과제별 수익이 다음 트랜치의 근거가 됩니다. AI 기술과 가격이 빠르게 바뀌는 시기에는 여러 해치를 미리 약정하기보다 1년씩 다시 고르는 편이 덜 묶입니다.

통념과 다른 주장

저자가 든 사례

45일 만의 전사 Claude 배포

• 상황: 전 직원이 이미 1년 동안 Copilot을 쓰고 있었습니다.
• 한 일: Claude를 45일 동안 6,000명 넘는 직원에게 배포하고 다음 그룹 온보딩을 이어 갔습니다.
• 결과: 90% 이상이 실제로 쓰고 있습니다.
• 연결: Wave Rollout.

COMPASS Health Plan Intelligence

• 상황: 회사가 밝힌 업계의 5년 평균 비용 추세는 약 7~9%입니다.
• 한 일: COMPASS의 Health Plan Intelligence로 고객사 보험 비용을 관리했습니다(10월 22일 발표).
• 결과: 회사 측 설명으로는 고객의 5년 평균 비용 추세를 4% 미만으로 유지했습니다.
• 연결: COMPASS.

Fortune 50 고객의 보험료 지출

• 상황: Fortune 50에 드는 대기업 고객.
• 한 일: COMPASS 분석을 적용했습니다.
• 결과: 회사 측 설명으로는 보험료 지출을 65% 줄이는 데 도움이 됐습니다. 기간과 금액은 원문에서 밝히지 않았습니다.
• 연결: COMPASS.

기술 디테일: 같은 구조를 직접 만든다면

아래 필드, 설정값, 기준, JSON 안의 숫자는 실행 제안이자 가상 예시이며 Brown & Brown이 밝힌 구현이 아닙니다.

Wave Rollout의 “90% 이상 활성”을 재려면 먼저 활성의 정의를 정합니다. 예를 들어 ‘최근 7일 안에 업무 대화를 1회 이상 한 사람’을 활성으로 봅니다. 관리 콘솔이나 API 사용 로그에서 사용자 ID, 날짜, 부서, 배포 wave를 하루 단위로 내려받아 집계합니다. 대화 내용은 모으지 않고 횟수와 업무 유형 태그만 남기면 개인정보 부담이 줄어듭니다. 업무 유형은 영업 발굴, 청약 서류, 청구 분석, 데이터 추출처럼 원문에 나온 분류를 그대로 씁니다. 그래야 VMO가 나중에 과제별 수익과 사용량을 한 표로 묶을 수 있습니다.

{
  "date": "2026-11-04",
  "user_id": "u-10482",
  "department": "Retail",
  "wave": 2,
  "sessions": 6,
  "task_tags": ["submission", "data_extraction"],
  "active_7d": true
}

청약 서류와 데이터 추출을 돌리려면 자유 서술 대신 구조화 출력(JSON schema)을 씁니다. 필드는 피보험자명, 업종 코드, 보험 기간, 손해 이력 건수처럼 업무 시스템이 받는 형태로 고정합니다. 모델에는 필드마다 원문 페이지와 문장 위치를 함께 돌려 달라고 요구합니다. 위치가 없는 값은 비워 두게 해야 지어낸 값이 들어오지 않습니다. temperature는 0으로 두고 같은 문서를 2회 돌려 값이 다른 필드만 담당자 화면에 표시합니다. 담당자가 고친 값은 정답으로 저장해 월 1회 평가 세트에 넣습니다. 호출 단위는 서류 1건입니다. 50쪽을 넘는 서류는 섹션별로 나눠 호출하고 결과를 합칩니다. 평가는 필드별 정확도로 합니다. 정답 200건 세트에서 필드 정확도가 95% 미만인 필드는 자동 입력하지 않고 초안으로만 보여 줍니다. 2회 실행 불일치율이 10%를 넘는 필드는 프롬프트의 필드 정의를 다시 씁니다.

{
  "doc_id": "sub-2026-11-0381",
  "fields": {
    "insured_name": {"value": "ABC Logistics", "page": 1, "quote_span": [112, 126]},
    "industry_code": {"value": "4841", "page": 2, "quote_span": [40, 44]},
    "policy_period": {"value": "2027-01-01/2027-12-31", "page": 1, "quote_span": [300, 322]},
    "loss_count_5y": {"value": null, "page": null, "quote_span": null}
  },
  "run_agreement": 0.92,
  "needs_review": ["loss_count_5y"],
  "model": "model-id-pinned",
  "prompt_version": "submission-extract-v3"
}

Governance Protocols를 돌리려면 use case 등록부부터 만듭니다. 항목은 과제 ID, 책임자, 쓰는 모델과 도구, 읽는 데이터 등급, 에이전트가 할 수 있는 동작(읽기만, 초안 작성, 외부 발송), 사람 승인 지점, 로그 보관 기간입니다. 외부 발송이나 계약 조건 변경처럼 되돌리기 어려운 동작은 반드시 사람 승인을 거치게 합니다. 등록부에 없는 에이전트는 운영 데이터에 접근하지 못하게 막습니다. 접근 차단은 API 게이트웨이에서 use_case_id 헤더가 없거나 등록부 상태가 approved가 아닌 호출을 거절하는 방식이 가장 단순합니다. 호출마다 use_case_id, 사용자, 데이터 등급, 동작 종류를 로그로 남기면 VMO의 비용 집계도 같은 로그로 할 수 있습니다.

{
  "use_case_id": "UC-RET-014",
  "owner": "Retail 부문 청구 분석 팀장",
  "model": "model-id-pinned",
  "tools": ["doc_search", "claims_db_read"],
  "data_class": "confidential",
  "agent_actions": ["read", "draft"],
  "human_approval": ["external_send", "contract_change"],
  "log_retention_days": 365,
  "status": "approved",
  "review_due": "2027-04-30"
}

COMPASS처럼 자체 데이터를 붙이려면 범용 도구와 분리된 검색 계층을 둡니다. 고객사 계약, 청구 이력, 비용 추세 같은 자체 데이터를 고객사 단위로 권한을 나눠 색인합니다. 답에는 근거 문서와 데이터 기준일을 함께 표시합니다. 비용 추세처럼 숫자를 내는 분석은 LLM이 계산하지 않게 합니다. 계산은 SQL이나 분석 코드로 하고 LLM은 해석과 설명만 맡깁니다. 검색 단계에서는 사용자 권한의 client_id 목록으로 먼저 거른 뒤 상위 8~10개 근거를 넘깁니다. 근거 문서의 기준일이 12개월을 넘으면 답에 ‘오래된 자료’ 표시를 붙입니다. 출시 전 평가는 담당자가 낸 실제 질문 100개로 합니다. 근거 문서가 맞는지(0·1)와 숫자가 SQL 결과와 같은지(0·1)를 따로 채점하고, 숫자 일치율이 100%가 아니면 출시하지 않습니다.

Value Management Office가 과제별 수익을 재려면 과제마다 같은 모양의 측정 기록을 분기 단위로 남깁니다. 비용은 라이선스, 모델 호출 비용(위 호출 로그의 use_case_id별 합계), 구축 인력 시간으로 나눕니다. 효과는 건당 처리 시간 절감, 처리 건수, 오류율 변화처럼 과제 시작 전에 정한 지표만 씁니다. 처리 시간은 작업 시스템의 시작·완료 타임스탬프로 재고 설문으로 추정하지 않습니다.

{
  "use_case_id": "UC-RET-014",
  "tranche_year": 2027,
  "quarter": "Q1",
  "baseline": {"minutes_per_case": 42, "error_rate": 0.06},
  "actual": {"minutes_per_case": 30, "error_rate": 0.04, "cases": 5200},
  "cost_usd": {"license": 12000, "model_calls": 3400},
  "build_hours": 160,
  "target_met": true,
  "decision": "continue"
}

막히는 경우	증상	대응
활성 정의가 느슨함	로그인만 해도 활성으로 잡힘	업무 대화 1회 이상 기준, wave별로 따로 집계
추출 값이 원문과 다름	손해 이력 건수 오기	원문 위치 없는 값은 비움, 2회 실행 불일치만 검토
등록 안 된 에이전트	데이터 경로를 아무도 모름	등록부 미등록 시 운영 데이터 접근 차단
수익을 사후에 추정	다음 트랜치 근거가 약함	과제 시작 전 기준선 실측, 분기마다 VMO 측정
모델 교체 뒤 품질 변화	같은 서류에서 값이 달라짐	모델 ID·프롬프트 버전 고정, 교체 전 평가 세트 재실행
검색 근거가 다른 고객사 자료	권한 밖 정보 노출	client_id 권한 필터를 검색 전에 적용, 답변마다 근거 ID 로그

현업 실행 디테일: 누가, 언제, 무엇을

역할	맡는 일
CEO·경영위원회	1년 트랜치 승인, 연말 계속·확대·중단 결정
CFO·VMO	과제별 기준선과 수익 측정, 분기 보고
AX 추진 조직	배포 wave 설계, 챔피언 운영, 활성률 관리
IT·보안	계정·권한, use case 등록부, 에이전트 승인
부문장(Retail 등)	부문 과제 선정, 자체 데이터 제공
현업 챔피언	팀별 활용 사례 공유, 질문 응대

준비물. 전 직원 조직도와 부서별 인원, 이미 쓰는 AI 도구의 사용 로그, 업무 유형 목록(영업 발굴, 청약 서류, 청구 분석, 데이터 추출), 데이터 등급 기준, 과제별 기준선(건당 처리 시간, 오류율, 매출 기여)이 필요합니다.

기간	할 일	산출물
1~7일	use case 등록부와 사용 정책 확정, 활성 정의 합의	등록부 v1, 정책 문서, 활성 지표 정의
8~21일	1차 wave: 부서별 챔피언 300명에게 먼저 배포	챔피언 활용 사례 30건, 질문 목록
22~38일	2~3차 wave: 부서 단위로 넓힘, 주간 활성률 공유	wave·부서별 활성률 표
39~45일	활성률 판정, VMO가 1년 트랜치 과제 목록 확정	판정 보고서, 다음 wave 명단

현업에 물을 것.

1. 이미 전 직원이 쓰는 AI 도구가 있나요? 있다면 지난 분기 활성률은 얼마인가요?
2. 업무 시간이 가장 많이 드는 문서 작업은 무엇이고 건당 몇 분이 드나요?
3. 고객에게 내놓는 분석 중 자체 데이터가 있어야만 가능한 것은 무엇인가요?
4. 에이전트가 외부로 보내거나 바꿀 수 있는 것은 무엇이고 누가 승인하나요?
5. 과제 하나를 1년 뒤 계속할지 정할 숫자는 무엇인가요?

진행 판정 기준(예시). 45일 시점에 활성률이 80% 이상이면 다음 wave로 넘어갑니다. 60~80%인 부서는 챔피언 사례를 보강한 뒤 2주를 더 보고, 60% 미만이면 업무 유형 태그로 쓰임새가 없는 이유를 먼저 찾습니다. 1년 트랜치 과제는 기준선 대비 목표를 시작 전에 숫자로 적은 것만 승인합니다. 연말에 목표의 절반도 못 채운 과제는 다음 트랜치에서 뺍니다.

AX 적용 제언. 직원 수천 명 규모의 금융·보험·서비스 기업이라면 순서를 이렇게 잡는 편이 낫습니다. 먼저 범용 도구로 사용 습관을 만들고 활성률을 숫자로 관리합니다. 그다음 자체 데이터가 들어가는 COMPASS형 솔루션을 한 부문에서 시작합니다. 예산 보고는 ‘몇 년에 얼마’가 아니라 ‘올해 이 과제에 얼마, 회수 기준은 이것’으로 바꿉니다. 그러면 CFO와 현업 스폰서가 같은 표를 보고 판단할 수 있습니다. VMO를 따로 두기 어려운 회사는 재무팀 안에 AI 과제 측정 담당 1~2명을 두는 것부터 시작해도 됩니다.

원문 사례

항목	내용
기사	AIM Media House Deployed, Sachin Mohan 기자, 2026.10.28 게재
근거 행사	Brown & Brown 2026년 3분기 실적 콜(2026.10.27), 발언자 Powell Brown CEO
질문한 애널리스트	Andrew Andersen(Jefferies, 2027년 기술 지출), Josh Shanker(BofA, 판매 물량·오가닉 성장)
배포	Copilot 전 직원 제공(지난 1년), Claude 45일 만에 6,000명 이상, 90% 이상 활성, 다음 그룹 온보딩 중
파트너십	McKinsey & Company, Accenture와 Brown & Brown, Anthropic의 전략 파트너십(콜 약 90일 전 발표)
AI 적용 업무	영업 발굴, 청약 서류, 청구 분석, 데이터 분석, 데이터 추출
COMPASS	Retail 부문 AI 리스크 관리 생태계, 연말까지 직원 수천 명, 2027년까지 솔루션 추가
통제	거버넌스·사이버보안 체계, 과제별 수익을 재는 value management office
예산	다년 대형 프로그램 대신 1년 단위 측정 가능 트랜치, 2027년 계획은 1월 발표
고객 성과(회사 측)	Health Plan Intelligence 5년 평균 비용 추세 4% 미만(업계 약 7~9%), Fortune 50 고객 보험료 지출 65% 감소
3분기 실적	매출 17억 달러(+7.4%), 오가닉 1.2%(contingent 포함 1.5%), 조정 EBITDAC 마진 34.6%(-200bp), 조정 EPS 1.07달러(+1.9%), Retail 오가닉 +2.6%, Specialty Distribution -0.8%
기타 발언	AI·프런티어 투자를 빼면 GDP가 최소 100~150bp 낮아질 것이라는 Powell Brown의 개인적 이해(회사 데이터 아님)

핵심 개념

organic growth

인수한 회사의 매출을 빼고 기존 사업만으로 늘어난 매출 증가율입니다.

contingent commission

보험사가 중개사에 실적에 따라 추가로 주는 수수료. 오가닉 성장률을 이 수수료를 넣고 뺀 두 가지로 발표합니다.

EBITDAC

보험중개사가 수익성을 보여 줄 때 쓰는 EBITDA 계열 지표. 기사는 조정치 기준 마진을 썼습니다.

placement

중개사가 고객의 위험에 맞는 보험사와 조건을 찾아 계약을 성사시키는 일입니다.

submission

보험 인수 심사를 받으려고 보험사에 내는 청약 서류 묶음입니다.

teammate

Brown & Brown이 직원을 부르는 말입니다.

내 메모

TODO: 내 생각 추가

원문은 AIM Media House Deployed 섹션에 실린 Sachin Mohan 기자의 「Brown & Brown Gave Claude to 6,000 Staff in 45 Days」(2026.10.28 게재)이며, 2026년 10월 27일 Brown & Brown 3분기 실적 콜을 바탕으로 합니다. 요약, 핵심 메커니즘의 기사 내용, 통념과 다른 주장, 사례, 원문 사례 표는 기사에 실린 회사 측 설명을 AX Review가 다시 정리했습니다. COMPASS 성과 수치는 회사 측 발표입니다. 기술·현업 실행 디테일, JSON 예시, 막히는 경우 표, 일정과 판정 기준, 인포그래픽은 원문에 없는 내용으로 새로 작성했고 그 안의 필드명과 숫자는 가상 예시입니다. 기사 전문은 원문 페이지에서 볼 수 있습니다.