Data Readiness: 데이터가 준비된 기업일수록 AI 수익을 크게 본다는 1만 곳 조사
Dun & Bradstreet가 32개국 1만 곳을 조사했더니 데이터가 AI에 완전히 준비됐다는 기업은 8%였고, 이들의 81%가 넓거나 강한 AI ROI를 봤습니다. 일부만 준비된 기업은 12%에 그쳤습니다. use case별 준비도 채점표와 4주 진단안을 붙였습니다.
AI 수익을 가르는 것은 모델이나 예산보다 데이터 준비도입니다. Dun & Bradstreet 조사에서 데이터가 완전히 준비된 기업의 81%가 넓거나 강한 ROI를 봤고, 일부만 준비된 기업은 12%였습니다. 따라 하려면 AI 과제마다 읽는 데이터의 준비도를 같은 잣대로 채점하고, 그 점수와 ROI를 한 표에 놓고 예산을 나눠야 합니다.
요약
CIO Dive는 Dun & Bradstreet(D&B)의 분기 조사 AI Momentum survey 4분기 결과를 다뤘습니다. D&B는 2026년 10월 28일 32개국 기업 1만 곳의 응답을 공개했습니다. 핵심 질문은 전사 데이터가 AI를 규모 있게 돌릴 만큼 준비됐느냐였습니다. 완전히 준비됐다(fully ready)는 답은 8%로 3분기 6%보다 조금 늘었습니다. 대체로 준비됐다(mostly ready)는 33%로 3분기 36%에서 줄었고, 일부만 준비됐다(partially ready)는 44%였습니다. 같은 시기 응답 기업의 98%가 AI 과제를 진행 중이었고 65%는 앞으로 12개월 동안 AI 지출을 늘리겠다고 답했습니다. 쓰는 곳은 많은데 데이터를 갖춘 곳은 아직 소수라는 뜻입니다.
결과는 준비도에 따라 크게 갈렸습니다. 넓거나 강한 ROI(broad or strong ROI)를 봤다는 답은 전체로는 28%였고 3분기와 같았습니다. 완전히 준비된 기업에서는 이 비율이 81%로 올라갔고, 일부만 준비된 기업은 12%였습니다. 차이는 6.5배입니다. D&B의 최고데이터·분석책임자 Gary Kotovets는 “The models themselves are very capable.”라고 말했습니다. 파일럿과 손익 영향을 가르는 것은 AI가 검증된 비즈니스 맥락(verified business context) 위에서 일하느냐라는 설명입니다. 기사는 Collibra 조사도 함께 소개했습니다. 이 조사에서 데이터·AI 의사결정자의 72%는 AI가 기대에 못 미치는 원인이 결국 부실한 데이터 기반으로 거슬러 올라간다고 답했습니다. 아래에서는 두 조사의 숫자를 개념별로 풀고, 자기 회사의 준비도를 같은 방식으로 재는 방법을 덧붙였습니다.
핵심 메커니즘
Readiness Ladder: 데이터 준비도를 네 단계로 나눠 묻는 방식
D&B는 데이터 준비도를 fully, mostly, partially, low 또는 none의 단계로 물었습니다. 한 번 묻고 끝내지 않고 분기마다 같은 질문을 반복해 변화를 봅니다. 4분기에는 fully가 2%p 늘고 mostly가 3%p 줄었습니다. 같은 기간 파일럿을 운영으로 넓히는 기업은 34%에서 37%로 늘었습니다. 넓거나 강한 ROI 비율은 28%에서 움직이지 않았습니다. 이 방식은 회사 안에서도 쓸 수 있습니다. 부서나 AI 과제마다 같은 네 단계로 분기마다 재면 어디가 올라가고 어디가 멈췄는지 보입니다. 다만 자기 응답에 기댄 숫자라 판정 기준을 미리 정해 두지 않으면 부서마다 후하게 답하기 쉽습니다.
Readiness-ROI Gradient: 준비도가 오를수록 ROI의 모양이 바뀌는 구조
준비도는 ROI가 나느냐 마느냐만 가르지 않고 ROI의 모양을 바꿉니다. 완전히 준비된 기업의 55%는 강한 ROI(strong ROI)를 봤습니다. 준비도가 낮거나 없는 기업에서는 2%였습니다. 일부만 준비된 기업의 57%는 몇몇 파일럿에서만 ROI(pockets of ROI)를 봤고, 완전히 준비된 기업에서 같은 답은 16%였습니다. D&B는 일부 준비 단계를 대부분의 기업이 막히는 곳으로 봤습니다. 파일럿 하나는 손으로 데이터를 다듬어 돌릴 수 있지만, 여러 업무로 넓히면 손질이 따라가지 못한다고 읽을 수 있습니다. 회사 안에서 성공한 파일럿이 몇 개 있는데 전사 확대가 멈춰 있다면 이 단계를 먼저 의심해 볼 만합니다.
Spend-Readiness Gap: 지출 의지와 데이터 준비도가 어긋나는 지역
지역별로 보면 지출과 성과가 따로 움직입니다. 앞으로 12개월 동안 AI 지출을 늘리겠다는 답은 모든 지역에서 60~68%였습니다. 미주와 서유럽이 약 68%로 가장 높았습니다. 그런데 미주의 넓거나 강한 ROI 비율은 23%로 다섯 지역 가운데 두 번째로 낮았습니다. 대체로 또는 완전히 준비됐다는 비율도 37%로 아프리카(33%) 다음으로 낮았습니다. 동유럽, 아시아태평양, 서유럽은 ROI가 30~31%였고 준비도는 41~43% 구간이었습니다. 돈을 가장 많이 늘리려는 곳이 데이터는 덜 갖춘 셈입니다. 같은 구도는 한 회사 안 부서 사이에서도 나타날 수 있습니다.
Verified Business Context: AI가 거래처의 정체부터 추론하지 않게 하는 기반
Kotovets는 차이를 만드는 요인으로 검증된 비즈니스 맥락을 들었습니다. 그는 D&B의 Commercial Graph를 예로 들었습니다. AI가 기업의 기본 정체와 기업 사이 연결을 스스로 알아내지 않고 검증된 정보에서 출발하게 한다는 설명입니다. 작동 순서는 이렇습니다. 시스템마다 흩어진 거래처 기록을 하나의 식별자로 묶고, 모회사와 자회사 같은 관계를 연결해 둡니다. AI는 그 위에서 신용 판단이나 공급사 평가 같은 본래 일에 집중합니다. Kotovets는 다음 단계의 AI 도입이 모델 접근성보다 검증된 식별, 연결된 데이터, 결정에 바로 쓸 맥락에 얼마나 투자하느냐로 갈린다고 봤습니다. 고객이나 거래처 마스터가 시스템마다 다른 회사라면 여기서부터 손대야 합니다.
Data Foundation as Root Cause: 실패 원인을 데이터 기반에서 찾는 시각
기사가 함께 다룬 Collibra 조사는 The Harris Poll이 2026년 8월 5~11일 미국의 데이터 관리, 개인정보, AI 의사결정자 306명에게 물은 것입니다. 모두 디렉터급 이상이고 오차 범위는 ±6.4%p입니다. 응답자의 72%는 AI가 기대에 못 미치는 근본 원인이 거의 늘 정렬되지 않았거나 부실한 데이터 기반이라고 답했습니다. 매출 1억 달러 이상 기업에서는 96%가 같은 답을 했습니다. 76%는 최근 12개월 동안 파일럿을 운영으로 옮기다 큰 장애를 겪었습니다. 87%는 에이전트가 쓰는 맥락이 정확하고 최신인지 정기적으로 다시 확인했습니다. 51%는 에이전트 출력을 내보내기 전에 사람이 검토하고 고치는 데 상당한 시간을 쓴다고 답했습니다. 데이터 기반이 약하면 그 비용이 검토 인력의 시간으로 옮겨 간다는 뜻입니다.
통념과 다른 주장
흔히 이렇게 봅니다더 좋은 모델을 고르고 AI 예산을 늘리면 성과가 따라온다.
D&B 조사는 이렇게 봅니다모델은 이미 충분히 유능하고, 성과를 가르는 것은 데이터 준비도와 검증된 비즈니스 맥락이다.
근거완전히 준비된 기업의 81%가 넓거나 강한 ROI를 봤지만 일부 준비 기업은 12%였습니다. 지출 확대 의지가 가장 높은 미주는 ROI와 준비도가 모두 두 번째로 낮았습니다.
원문에 나온 조사
| 조사 | 대상 | 결과 | 이 노트의 개념 |
|---|---|---|---|
| D&B AI Momentum 4분기 | 32개국 1만 곳 | fully 8%, mostly 33%, partially 44% | Readiness Ladder |
| D&B 준비도별 ROI | 같은 표본 | broad·strong ROI fully 81%, partially 12% | Readiness-ROI Gradient |
| D&B 지역별 | 다섯 지역 | 미주 지출 확대 약 68%, ROI 23%, 준비도 37% | Spend-Readiness Gap |
| Collibra·The Harris Poll | 미국 디렉터급 이상 306명 | 72%가 데이터 기반을 근본 원인으로 지목 | Data Foundation as Root Cause |
기술 디테일: 우리 회사 준비도를 재려면
아래 필드, 지표, 기준값은 실행 제안이며 D&B나 Collibra가 밝힌 방법이 아닙니다.
Readiness Ladder를 회사 안에서 돌리려면 자기 평가 대신 측정값으로 단계를 매깁니다. AI 과제(use case)마다 읽는 테이블과 문서를 목록으로 만들고, 다섯 지표를 자동으로 계산합니다. 핵심 키 빈값 비율, 시스템 사이 식별자 일치율, 마지막 갱신 뒤 지난 시간, 데이터 계보(lineage) 기록 여부, 과제 담당자에게 실제로 열린 접근 권한입니다. 지표마다 0·3·5점을 주고 평균으로 네 단계를 정합니다. 4.5점 이상은 fully, 3.5점 이상은 mostly, 2점 이상은 partially, 그 아래는 low로 둡니다. 단계 이름을 D&B와 같게 두면 외부 조사와 나란히 놓고 볼 수 있습니다. 측정은 SQL과 데이터 카탈로그로 하고, LLM은 테이블 설명이 없을 때 컬럼 뜻을 추정하는 보조로만 씁니다. 추정한 설명에는 inferred: true를 달아 사람이 확인할 때까지 점수에 넣지 않습니다.
| 지표 | 0점 | 3점 | 5점 |
|---|---|---|---|
| 핵심 키 빈값 비율 | 10% 초과 | 2~10% | 2% 미만 |
| 시스템 간 식별자 일치율 | 70% 미만 | 70~95% | 95% 이상 |
| 갱신 지연 | 1주 초과 | 1일~1주 | 1일 이내 |
| 계보 기록 | 없음 | 일부 테이블 | 전 테이블 |
| 접근 권한 | 요청 전 | 일부 허용 | 전부 허용 |
과제 하나의 채점 결과는 아래처럼 남기면 분기마다 같은 필드로 비교할 수 있습니다.
{
"use_case_id": "AP-INVOICE-MATCH",
"owner": "재무운영팀",
"assets": ["erp.vendor_master", "ap.invoice_header"],
"null_key_rate": 0.031,
"id_match_rate": 0.88,
"freshness_hours": 26,
"lineage_coverage": 0.5,
"access_granted": true,
"score": 3.2,
"readiness": "partially",
"roi_band": "pockets",
"measured_at": "2026-11-12",
"scorer_version": "readiness-v0.3"
}Verified Business Context를 만들려면 거래처와 고객 마스터부터 하나의 식별자로 묶습니다(entity resolution). 회사명, 주소, 사업자등록번호 같은 공적 식별자를 기준으로 시스템마다 다른 레코드를 짝짓고, 짝마다 일치 근거와 신뢰도를 남깁니다. 신뢰도 0.9 이상은 자동으로 묶고 0.7~0.9는 데이터 스튜어드가 확인하며, 그 아래는 묶지 않습니다. 모회사와 자회사, 공급사와 2차 공급사 같은 관계는 그래프로 연결해 둡니다. 에이전트는 이 식별자로 조회한 결과만 근거로 쓰게 하고, 응답에 참조한 식별자와 조회 시각을 함께 남기게 합니다. 이렇게 하면 에이전트가 이름이 비슷한 다른 회사를 같은 회사로 착각하는 일을 줄일 수 있습니다.
맥락 재검증과 검토 시간을 관리하려면 Collibra 조사에서 나온 두 부담, 곧 맥락 재확인과 수작업 검토를 숫자로 잽니다. 에이전트가 읽는 맥락 항목마다 verified_at과 유효 기간을 두고, 기간이 지난 항목을 쓰면 출력에 경고를 붙입니다. 검토자는 출력 하나를 확인하는 데 걸린 분과 고친 줄 수를 기록합니다. 준비도 점수가 오르는데 검토 시간이 줄지 않으면 지표가 실제 병목을 못 잡고 있다는 신호입니다.
| 막히는 경우 | 증상 | 대응 |
|---|---|---|
| 부서별 자기 평가 | 모두 mostly 이상으로 답함 | 측정값으로만 단계 판정 |
| 식별자 과다 병합 | 다른 회사가 하나로 묶임 | 0.7~0.9 구간은 사람 확인 |
| 갱신 지연 | 에이전트가 옛 정보로 답함 | 유효 기간 지난 맥락에 경고 |
| ROI 정의 불일치 | 부서마다 수익 계산이 다름 | 재무팀이 ROI 구간 정의 고정 |
| 지표만 개선 | 검토 시간이 그대로 | 검토 분·정정 줄 수를 함께 추적 |
현업 실행 디테일: 누가, 언제, 무엇을
| 역할 | 맡는 일 |
|---|---|
| CIO·CDO | 진단 범위 승인, 예산 재배분 결정 |
| AX 추진 조직 | use case 목록 관리, 주간 진행 보고 |
| 데이터 스튜어드 | 지표 계산, 식별자 병합 확인 |
| use case 담당 현업 리더 | 읽는 데이터 확인, 검토 시간 기록 |
| 재무 컨트롤러 | ROI 구간 정의, 실적 대조 |
| 데이터 엔지니어 | 측정 쿼리, 채점 결과 저장 |
준비물. 진행 중이거나 계획한 AI 과제 목록, 과제별 담당자와 쓰는 시스템, 데이터 카탈로그나 테이블 목록, 과제별 지금까지 들인 비용과 재무팀이 인정한 효과 금액이 필요합니다. 고객·거래처 마스터가 몇 개 시스템에 나뉘어 있는지도 미리 셉니다.
| 기간 | 할 일 | 산출물 |
|---|---|---|
| 1주 | AI 과제 목록과 과제별 읽는 데이터 정리 | use case·데이터 자산 대응표 |
| 2주 | 다섯 지표 자동 측정, 0·3·5점 채점 | 과제별 준비도 단계 |
| 3주 | 재무팀과 과제별 ROI 구간(없음·일부·넓음·강함) 대조 | 준비도×ROI 표 |
| 4주 | 예산 조정안 작성, 보강 과제 선정 | 다음 분기 예산안, 데이터 보강 목록 |
현업에 물을 것.
- 이 AI 과제가 읽는 데이터는 어느 시스템에서 오고, 누가 고치나요?
- 같은 거래처나 고객이 시스템마다 다른 코드로 있나요? 몇 개 시스템인가요?
- AI 출력을 내보내기 전에 사람이 확인하는 데 건당 몇 분이 걸리나요?
- 파일럿에서 데이터를 손으로 다듬은 단계가 있었나요? 운영에서도 그 손질을 계속할 수 있나요?
- 재무팀이 이 과제의 효과를 금액으로 인정한 적이 있나요?
진행 판정 기준(예시). partially 이하인 과제는 모델이나 기능 예산을 늘리지 않고 데이터 보강 과제를 먼저 붙입니다. mostly 이상이면서 재무팀이 인정한 효과가 있는 과제만 다음 분기 확대 대상으로 올립니다. 확대한 과제는 분기마다 다시 채점해 단계가 내려가면 확대를 멈춥니다.
AX 적용 제언. AI 예산을 짜는 회사라면 과제별 예산표 옆에 데이터 준비도 열을 하나 더 두는 데서 시작하면 됩니다. 미주 기업들처럼 지출 의지가 준비도를 앞서는 부서가 보이면, 그 부서의 다음 분기 예산 일부를 고객·거래처 마스터 정비와 식별자 통합으로 돌립니다. 성공한 파일럿이 여러 개인데 확대가 막혀 있다면 일부 준비 단계에 머문 것으로 보고 손으로 다듬던 데이터 작업을 파이프라인으로 옮기는 일부터 합니다. 경영 보고에는 준비도 단계와 ROI 구간을 같은 표에 올려야 투자와 보강의 우선순위를 함께 정할 수 있습니다.
원문 사례
| 항목 | 내용 |
|---|---|
| 기사 | CIO Dive, Makenzie Holland 기자 |
| 1차 조사 | D&B AI Momentum survey 4분기, 32개국 1만 곳, 2026.10.28 공개 |
| 준비도 | fully 8%(3분기 6%), mostly 33%(3분기 36%), partially 44% |
| 도입·지출 | AI 과제 진행 98%, 12개월 내 지출 확대 65%, 파일럿→운영 확대 37%(3분기 34%) |
| ROI | broad·strong 28%(3분기와 같음), fully 81% 대 partially 12%, strong ROI fully 55% 대 low·none 2% |
| 지역 | 지출 확대 60~68%, 미주 ROI 23%·준비도 37%, 아프리카 ROI 21%·준비도 33% |
| 발언 | Gary Kotovets(D&B 최고데이터·분석책임자), 검증된 비즈니스 맥락과 Commercial Graph |
| 2차 조사 | Collibra·The Harris Poll, 미국 디렉터급 이상 306명, 2026.8.5~11, 오차 ±6.4%p |
| Collibra 결과 | 72% 데이터 기반이 근본 원인, 76% 운영 전환 장애, 87% 맥락 재검증, 51% 수작업 검토 부담 |
핵심 개념
- AI Momentum survey
- D&B가 분기마다 같은 질문으로 AI 도입, 투자, 배포, 성과를 묻는 조사입니다.
- pockets of ROI
- 몇몇 파일럿에서만 수익이 난 상태. 전사로 넓어지지 않은 성과를 가리킵니다.
- broad or strong ROI
- 여러 업무에 걸쳐 넓게, 또는 크게 수익이 난 상태입니다.
- entity resolution
- 시스템마다 다르게 적힌 같은 회사나 사람의 기록을 하나로 묶는 작업입니다.
- Commercial Graph
- D&B가 기업의 식별 정보와 기업 사이 연결을 담아 AI에 제공한다고 설명한 데이터 기반입니다.
- lineage
- 데이터가 어디서 와서 어떤 변환을 거쳤는지 남긴 기록입니다.
내 메모
TODO: 내 생각 추가
원문은 CIO Dive에 실린 Makenzie Holland 기자의 기사이며, Dun & Bradstreet의 AI Momentum survey 4분기 결과와 Collibra·The Harris Poll 조사를 다룹니다. 노트의 수치와 발언은 D&B 보도자료(2026.10.28)와 Collibra 보도자료(2026.9.16)에서 확인했습니다. 요약, 핵심 메커니즘의 조사 내용, 통념과 다른 주장, 원문 사례 표는 조사 결과를 AX Review가 다시 정리한 것입니다. 기술·현업 실행 디테일, 채점 기준표, JSON 예시, 일정과 판정 기준, 인포그래픽은 원문에 없는 내용으로 새로 작성했고 그 안의 필드명과 숫자는 가상 예시입니다. 기사 전문은 원문 페이지에서 볼 수 있습니다.