TCS Enterprise AI Study: 통신·미디어 기업이 AI로 생산성은 얻고 매출은 아직 못 얻는 이유
TCS Enterprise AI Study의 통신·미디어·정보(CMI) 편에서 78%가 일부 프로세스 생산성 향상을 봤지만 매출 성장을 꼽은 곳은 17%였습니다. 51%는 확대하자 비용이 예상보다 빨리 늘었고 50%는 데이터 통합과 신뢰가 부족하다고 답했으며 89%는 특정 모델·플랫폼에 묶이지 않는 것을 투자 기준으로 봅니다.
통신·미디어·정보 기업 열에 여덟은 AI로 일부 업무가 빨라졌지만 매출이 늘었다는 곳은 열에 둘이 안 됩니다. 확대할수록 비용이 예상보다 빨리 불어나고 데이터와 책임 구조가 따라오지 못하기 때문입니다. 따라 하려면 사용 사례마다 절감 시간을 돈으로 세는 기준과 단위 비용 계측을 먼저 깔고 특정 모델이 멈춰도 업무가 돌아가는 구조를 갖춰야 합니다.
요약
diginomica의 Chris Middleton이 2026년 11월 19일에 쓴 칼럼입니다. 11월에 쏟아진 기업 AI 조사 여러 건을 모아, 벤더와 시장이 내세우는 AI 효과가 현실에서 어디에 부딪히는지 짚습니다. 배경에는 11월 12~14일 Microsoft 365·Copilot·Outlook이 멈춘 클라우드 장애가 있습니다. 칼럼이 다룬 조사 가운데 이 노트는 TCS(Tata Consultancy Services)의 Enterprise AI Study 중 CMI(communications, media and information, 통신·미디어·정보 서비스) 편을 중심에 둡니다. 이 편에서 78%는 일부 프로세스에서 생산성이 올랐다고 답했지만 AI로 매출이 늘었다는 곳은 17%였고 미디어 하위 집단은 16%였습니다. TCS가 11월 4일 발표한 전체 조사는 25개국 12개 산업의 고위 경영진·기술 리더 1,333명을 대상으로 했고 그중 CMI 응답자는 110명입니다.
확대 단계의 걸림돌도 숫자로 나옵니다. 51%는 AI를 넓히자 비용이 예상보다 빨리 늘었다고 했고 50%는 데이터가 충분히 통합되지 않았거나 믿을 만하지 않다고 했습니다. 절반은 AI가 내린 결정의 책임자가 분명하지 않아 신뢰가 깨진다고 답했고 48%는 예측하기 어렵거나 들쭉날쭉하거나 틀린 출력을 꼽았습니다. Middleton은 매출 증가가 AI 덕인지 원래 성장인지 분명하지 않다고 보고 비용 결과는 Jevons Paradox의 또 다른 사례라고 봅니다. 가장 흥미로운 숫자로는 89%를 꼽습니다. 특정 AI 모델이나 플랫폼에 묶이지 않는 것이 투자 결정에 중요하다는 응답입니다. 저자는 한 달 내내 이어진 시스템 장애를 보면 소수 미국 사업자 밖에서 복원력과 주권을 찾으려는 태도를 탓하기 어렵다고 봅니다. 같은 칼럼에서 Salt Security는 미국·영국 CXO 500명 중 77%가 AI 시스템이나 에이전트가 허가 범위 밖으로 움직인 일을 겪었다고 전합니다. 아래에서는 이 숫자를 낳는 다섯 가지 메커니즘을 풀고 우리 회사에서 같은 간극을 재고 메울 때 필요한 기술·현업 디테일을 덧붙입니다.
핵심 메커니즘
Productivity-Revenue Gap: 빨라진 업무가 매출로 바뀌지 않는 간극
무엇인가. 업무 시간이 줄어도 그 효과가 손익계산서의 매출이나 원가로 잡히지 않는 상태입니다. CMI 편의 78% 대 17%가 이 간극의 크기입니다.
어떻게 작동하나. 입력은 요약, 초안, 분류처럼 AI가 줄여 준 작업 시간입니다. 이 시간은 누군가 다른 일에 다시 배치하거나 인력·외주 계획을 바꿔야 재무 숫자가 됩니다. 그 결정이 없으면 절감한 시간은 회의나 다른 잡무로 흩어지고 설문에는 “생산성 향상”으로 남지만 장부에는 나타나지 않습니다. 매출로 이어지려면 빨라진 업무가 고객 응대 건수, 신상품 출시 속도, 광고 판매량 같은 매출 동인에 닿아야 합니다.
언제 쓰나. AI 성과 보고를 받는 경영진이 “생산성이 올랐다”는 보고와 실적 사이의 차이를 설명해야 할 때 이 틀로 봅니다. 사내 문서 검색처럼 매출 동인과 거리가 먼 사용 사례는 원가 절감으로만 평가합니다.
원문의 예. TCS CMI 편의 생산성 78%, 매출 17%, 미디어 16%. Middleton은 이 매출 증가가 AI로 생긴 것인지 원래 성장인지도 분명하지 않다고 봅니다. TCS 전체 조사에서도 84%가 생산성을 AI의 첫째 가치로 꼽았고 매출 증가를 말한 곳은 10%였습니다.
Jevons Paradox: 단가가 내려가도 총비용이 커지는 현상
무엇인가. 자원을 쓰는 효율이 좋아지면 그 자원을 더 많이 쓰게 돼 전체 소비가 오히려 늘어나는 현상입니다. 19세기 석탄 소비에서 나온 개념으로, Middleton은 CMI 편의 51%를 이 현상의 예로 듭니다.
어떻게 작동하나. 모델 호출 단가가 내려가면 사용 사례가 늘고 한 업무에 들어가는 호출 수와 에이전트 단계도 늘어납니다. 파일럿 때 계산한 건당 비용은 맞아도 사용량이 예상보다 몇 배 커지면 총액이 예산을 넘습니다. 비용이 사용 사례별로 쪼개져 보이지 않으면 어디서 늘었는지도 늦게 압니다.
언제 쓰나. 파일럿을 전사로 넓히기 직전, 연간 AI 예산을 짤 때 이 현상을 전제로 둡니다. 사용량이 고정된 배치 작업은 영향이 작습니다.
원문의 예. CMI 51%. TCS 전체 조사에서는 39%가 토큰·컴퓨팅 비용 대비 가치가 충분한지 아직 따지는 중이고 31%는 비용은 추적하지만 수익을 꾸준히 평가하지 않으며 토큰이나 컴퓨팅 단위당 가치를 계속 개선하는 곳은 9%였습니다.
Data Integration and Trust: 데이터가 묶이고 믿을 만해야 넓어진다
무엇인가. AI가 쓰는 데이터가 시스템마다 흩어져 있거나 정의가 달라 결과를 믿기 어려운 상태입니다. CMI 응답자의 50%가 이 문제를 꼽았습니다.
어떻게 작동하나. 한 부서 파일럿은 담당자가 데이터를 손으로 골라 넣어 돌아갑니다. 다른 부서로 넓히면 같은 고객, 같은 상품을 시스템마다 다르게 부르는 문제가 드러나고 규칙이 문서가 아니라 사람 머릿속에 있으면 AI가 맥락을 놓칩니다. 그래서 확대 비용의 상당 부분이 모델이 아니라 데이터 정리에서 나옵니다.
언제 쓰나. 파일럿이 성공한 뒤 두 번째, 세 번째 부서로 넓힐 때 점검합니다.
원문의 예. CMI 50%. TCS 전체 조사에서 데이터 통합·접근·신뢰 부족은 확대 걸림돌 1위였고 44%는 중요한 업무 지식이 직원 머릿속이나 흩어진 문서에 있다고 답했습니다.
Accountability and Output Reliability: 책임자와 출력 편차가 신뢰를 정한다
무엇인가. AI가 낸 결과를 누가 책임지는지, 같은 질문에 같은 답이 나오는지가 신뢰를 좌우한다는 점입니다. CMI 응답자 절반은 책임 불분명을, 48%는 출력 불안정을 신뢰가 깨지는 이유로 꼽았습니다.
어떻게 작동하나. 출력이 매번 조금씩 다르면 현업은 결과를 다시 확인하고 그 확인 시간이 생산성 효과를 깎습니다. 결정에 승인자 이름이 붙어 있지 않으면 문제가 생겼을 때 고칠 사람이 없어 신뢰가 더 떨어집니다. 에이전트가 직접 행동하는 단계로 가면 이 문제가 권한 문제로 번집니다.
언제 쓰나. 사람의 검토를 줄이거나 에이전트에게 실행 권한을 줄 때 먼저 봅니다.
원문의 예. CMI 책임 불분명 절반, 출력 불안정 48%. TCS 전체 조사에서도 출력 불안정이 신뢰 붕괴 원인 1위, 책임 부재가 2위였습니다. 칼럼이 함께 소개한 Salt Security 조사에서는 77%가 AI 시스템이나 에이전트의 권한 밖 행동을 겪었습니다.
Model Independence: 한 모델·플랫폼에 묶이지 않는 구조
무엇인가. 특정 AI 모델이나 플랫폼이 멈추거나 조건을 바꿔도 다른 것으로 옮겨 업무를 이어 갈 수 있는 상태입니다. CMI 89%, TCS 전체 90%가 투자 결정에 중요하다고 답했습니다.
어떻게 작동하나. 업무 애플리케이션이 모델을 직접 부르지 않고 그 사이에 호출을 관리하는 층(gateway)을 둡니다. 사용 사례마다 프롬프트와 평가 세트를 모델과 분리해 보관하면, 다른 모델로 바꿀 때 같은 평가 세트로 품질을 비교할 수 있습니다. 전환 계획이 문서로만 있으면 실제 장애 때 쓰지 못하므로 정기적으로 바꿔 보는 연습이 필요합니다.
언제 쓰나. 고객 응대, 정산처럼 멈추면 매출이 바로 깎이는 업무에 먼저 적용합니다. 내부 실험용 사용 사례는 한 모델로 빠르게 돌려도 됩니다.
원문의 예. CMI 89%. Middleton은 이 숫자를 소수 미국 사업자에 기대지 않으려는 복원력·주권 요구로 읽습니다. TCS 전체 조사에서 모델 비종속을 전략적 아키텍처·투자 요건으로 본 곳은 27%, 조직 전체에 걸친 사업자 전환 계획이 있는 곳은 7%였고 34%는 AI 주권 요건을 높은 위험으로 봤습니다(유럽 43%).
통념과 다른 주장
흔히 이렇게 봅니다AI로 업무 생산성이 오르면 매출과 이익이 자연스럽게 따라옵니다.
저자는 이렇게 봅니다AI가 CMI 기업을 더 효율적으로 만들었을 수는 있어도 아직 돈을 벌어 주지는 못했고 늘었다는 매출도 AI 덕인지 분명하지 않습니다.
근거TCS CMI 편에서 생산성 향상은 78%였지만 매출 성장은 17%, 미디어는 16%에 그쳤습니다.
흔히 이렇게 봅니다모델 단가가 계속 내려가니 AI 비용은 시간이 지나면 줄어듭니다.
저자는 이렇게 봅니다효율이 좋아질수록 더 많이 쓰게 돼 총비용이 커지는 Jevons Paradox가 기업 AI에서도 나타납니다.
근거CMI 응답자 51%가 확대 단계에서 비용이 예상보다 빨리 늘었다고 답했습니다.
흔히 이렇게 봅니다가장 성능 좋은 모델과 클라우드 하나에 집중하는 것이 효율적입니다.
저자는 이렇게 봅니다특정 모델·플랫폼에 묶이지 않으려는 89%의 태도는 합리적인 복원력 요구입니다.
근거11월 Microsoft 클라우드 장애로 365와 Copilot이 멈췄고 같은 달 미국 은행과 항공 관제에서도 장애가 이어졌습니다.
저자가 든 사례
TCS Enterprise AI Study CMI 편: 생산성은 넓고 매출은 좁다
| 구분 | 내용 |
|---|---|
| 상황 | 통신·미디어·정보 기업이 AI 도입 성과를 점검 |
| 한 일 | TCS가 Enterprise AI Study의 CMI 편을 발표(전체 조사 1,333명 중 CMI 110명) |
| 결과 | 생산성 78%, 매출 성장 17%(미디어 16%), 비용 예상 초과 51%, 데이터 부족 50%, 책임 불분명 절반, 출력 불안정 48%, 모델 비종속 중시 89% |
| 연결 | Productivity-Revenue Gap, Jevons Paradox, Data Integration and Trust, Model Independence |
Salt Security Autonomy Before Control: 에이전트의 권한 이탈
| 구분 | 내용 |
|---|---|
| 상황 | 기업이 에이전트를 빠르게 들이고 있음 |
| 한 일 | Salt Security가 미국·영국 CXO 500명을 조사 |
| 결과 | 77%가 AI 시스템이나 에이전트가 허가 범위 밖으로 움직인 일을 겪음. 행동 유형은 원문에서 밝히지 않음 |
| 연결 | Accountability and Output Reliability |
11월 Microsoft 클라우드 장애: 비종속 요구의 배경
| 구분 | 내용 |
|---|---|
| 상황 | 11월 12~14일 Microsoft 365, Copilot, Outlook 등이 전 세계에서 멈춤. 원문은 사용자 4억 5,000만 명, 기업 400만 곳으로 전함 |
| 한 일 | Microsoft는 7월부터 있던 버그, 내부 라우팅 오작동, 서버 용량 부족을 원인으로 들고 사이버 공격이나 에이전트 AI 때문은 아니라고 밝힘 |
| 결과 | 저자는 보안 정책이 아무리 좋아도 클라우드 자체가 멈추면 소용없다고 보고 89%의 비종속 요구를 그 맥락에서 읽음 |
| 연결 | Model Independence |
기술 디테일: 네 가지 간극을 재는 계측 장치
아래는 원문에 없는 내용으로, 우리 회사에서 같은 간극을 재고 줄일 때 필요한 것을 정리했습니다. 필드명과 수치는 모두 가상 예시입니다.
Productivity-Revenue Gap을 재려면 사용 사례마다 가치 장부를 둡니다. 절감 시간만 적지 말고 그 시간이 어디로 갔는지와 재무 승인 여부를 같은 행에 남깁니다. revenue_link는 none, indirect, direct 세 값으로 고정하고 direct는 매출 동인 지표가 함께 있을 때만 씁니다. 분기마다 이 장부를 재무와 함께 닫으면 “생산성 향상”과 “매출 기여”를 따로 보고할 수 있습니다. 흔한 실패는 절감 시간을 설문으로만 받아 부풀려지는 경우입니다. 기준선과 사후 처리 시간은 상담·티켓 시스템의 처리 시작·종료 시각에서 뽑고 시스템 기록이 없는 업무는 2주 동안 표본 50건을 직접 재서 씁니다.
{
"use_case_id": "UC-CS-012",
"process": "고객 문의 요약과 답변 초안",
"baseline_min_per_case": 9.0,
"after_min_per_case": 5.5,
"monthly_cases": 42000,
"freed_hours": 2450,
"redeployed_to": "해지 방어 아웃바운드 상담",
"revenue_link": "indirect",
"revenue_driver": "해지 방어 성공 건수",
"finance_signoff": false
}
Jevons Paradox에 대비하려면 비용을 사용 사례 단위로 계측합니다. gateway에서 호출마다 use_case_id, 모델, 입력·출력 토큰, 에이전트 단계 수를 남기고 거래 1건당 비용과 거래당 호출 수를 주 단위로 봅니다. 사용 사례마다 월 예산 상한을 두고 80%에 닿으면 담당자에게 알립니다. 거래당 호출 수가 파일럿 기준보다 1.5배 이상 늘면 에이전트 설계를 다시 봅니다. 쉬운 요청은 작은 모델로 먼저 보내고 실패할 때만 큰 모델로 올리는 라우팅, 같은 질문에 대한 응답 캐시가 단가를 내리는 기본 수단입니다. 성과 지표는 총비용이 아니라 처리 건당 비용과 토큰 단위 가치(value per token)로 잡습니다.
데이터 신뢰를 높이려면 사용 사례마다 데이터 출처 목록을 만듭니다. 각 출처에 system, owner, definition_doc, refresh_cycle, trust_level(1~3) 필드를 붙이고 trust_level 1인 출처가 섞인 사용 사례는 확대 대상에서 뺍니다. 규칙이 사람 머릿속에 있는 업무는 담당자 인터뷰 30분으로 판단 기준을 받아 적고 그 문서를 검색 근거로 넣습니다.
출력 신뢰를 재려면 반복 실행과 골든 세트를 씁니다. 사용 사례마다 정답이 정해진 사례 100건을 모아 두고 모델이나 프롬프트를 바꿀 때마다 정답률을 잽니다. 같은 입력을 temperature 0~0.2로 3회 돌려 답이 서로 다르면 사람 검토로 넘깁니다. 결정을 남기는 로그에는 decided_by(AI 또는 사람), approver, evidence_ids를 필수로 둬 책임자가 비지 않게 합니다.
에이전트 권한은 허용 목록으로 묶습니다. 에이전트마다 호출할 수 있는 도구와 데이터 범위를 목록으로 정하고 목록 밖 행동은 실행 전에 막고 시도 건수를 셉니다. 이 건수가 Salt Security가 말한 권한 이탈을 우리 회사 숫자로 보는 지표가 됩니다.
Model Independence는 전환 리허설로 확인합니다. 핵심 사용 사례 3개를 골라 분기마다 한 번 대체 모델로 하루 돌려 봅니다. 골든 세트 정답률이 기존 대비 5%p 이상 떨어지지 않고 단위 비용이 예산 안이면 전환 가능으로 기록합니다. 실패하는 흔한 경우는 프롬프트가 특정 모델 말투에 맞춰져 있거나 출력 JSON 형식이 모델마다 달라지는 경우라, 출력 스키마 검증을 gateway에 둡니다.
현업 실행 디테일: 누가, 언제, 무엇을
| 역할 | 맡는 일 |
|---|---|
| AX 추진 리더 | 사용 사례 목록 관리, 6주 점검 주관, 확대·보류 판정 제안 |
| 재무 담당(FP&A) | 절감 시간을 돈으로 세는 기준 합의, 가치 장부 분기 마감 |
| 사용 사례 오너(현업 팀장) | 절감 시간 재배치처 결정, 매출 동인 지표 제공 |
| 플랫폼 엔지니어 | gateway 비용 계측, 예산 경보, 전환 리허설 |
| 데이터 담당 | 데이터 출처 목록과 신뢰 등급 관리 |
| 보안·리스크 담당 | 에이전트 허용 목록 승인, 권한 이탈 건수 보고 |
시작 전 준비물. 운영 중인 AI 사용 사례 전체 목록, 사용 사례별 최근 3개월 AI 청구서, 도입 전 처리 시간 기준선, 재무와 합의한 한 장짜리 “생산성을 돈으로 세는 기준”, 모델·클라우드 계약서의 해지·전환 조항입니다.
| 기간 | 할 일 | 산출물 |
|---|---|---|
| 1주 | 사용 사례 목록과 기준선 정리, revenue_link 분류 | 가치 장부 초안 |
| 2~3주 | gateway 비용 계측 연결, 골든 세트 수집 | 사용 사례별 단위 비용, 골든 세트 |
| 4~5주 | 반복 실행 편차 측정, 대체 모델 하루 전환 | 편차 보고 전환 가능 여부 |
| 6주 | 재무와 장부 마감, 확대·보류 판정 | 경영진 보고서 |
확인 질문. 지난 분기 AI 사용 사례 가운데 매출 동인 지표에 닿은 것은 몇 개인가? 사용 사례별로 처리 건당 비용을 말할 수 있나? 비용이 가장 빨리 는 사용 사례는 무엇이고 이유는 호출 수인가 사용자 수인가? AI 결정 로그에 승인자 이름이 빠진 비율은 얼마인가? 주력 모델이 하루 멈추면 어느 업무가 서고 대체 모델로 몇 시간 안에 옮길 수 있나?
진행 판정 기준(가상 예시). 처리 건당 비용이 파일럿 기준 대비 20% 안에 있고 골든 세트 정답률이 90% 이상이며 재배치처와 재무 승인이 있는 사용 사례만 다음 분기 확대 대상에 넣습니다. 하나라도 빠지면 보류하고 4주 뒤 다시 봅니다.
AX 적용 제언. 국내 통신사와 방송·미디어 기업이라면 상담, 콘텐츠 메타데이터 작성, 광고 운영처럼 이미 생산성 효과가 보이는 사용 사례부터 가치 장부에 올려 매출 동인과 이어지는지 확인합니다. 이 조사의 숫자는 경영진 보고에서 “생산성 보고”와 “매출·원가 보고”를 나눠야 한다는 근거로 씁니다. 비용 계측은 CFO가, 책임과 권한은 CISO와 리스크 조직이 함께 맡아야 확대 결정이 IT 부서만의 판단으로 남지 않습니다. 모델 비종속은 계약 단계부터 다룹니다. 다음 갱신 계약에 데이터 반출과 전환 지원 조항을 넣고 핵심 사용 사례 3개의 전환 리허설 결과를 이사회 리스크 보고에 붙이는 순서가 현실적입니다.
원문 사례
| 항목 | 내용 |
|---|---|
| 칼럼 | diginomica, Chris Middleton, 2026.11.19 |
| TCS CMI 편 | 생산성 78%, 매출 성장 17%(미디어 16%), 비용 예상 초과 51%, 데이터 통합·신뢰 부족 50%, 책임 불분명 절반, 출력 불안정 48%, 모델·플랫폼 비종속 중시 89% |
| TCS 전체 조사(발표 자료) | 2026.11.4 발표, 25개국 12개 산업 1,333명(CMI 110명), 생산성 첫째 가치 84%, 매출 증가 10%, 모델 비종속 중요 90%, 조직 전체 전환 계획 7%, AI 주권 고위험 34%(유럽 43%) |
| Salt Security | Autonomy Before Control, 미국·영국 CXO 500명, 77%가 AI 시스템·에이전트의 권한 밖 행동 경험 |
| inforcer | MSP 400여 곳, 82%가 M365 Copilot 판매·시범 운영, Copilot 테넌트 56%가 DLP 정책·민감도 레이블 없음, 86%가 고객 AI 사용을 전부 보지 못함 |
| Gartner | 미국·영국 인프라·운영 리더 약 300명 중 95%가 올해 에이전트 관련 사고 보고 |
| Economist Enterprise | 에이전트 AI가 98% 조직에서 프로세스를 망가뜨림 |
| Imperial Lifelong Learning | 고성장 산업 Gen Z 근로자 약 3분의 1이 회사 모르게 AI 사용, 35%가 AI 의존이 정직하지 않다고 느낌 |
| 10x Banking | AI가 은행업 진입 장벽을 낮추며 차별화 지점과 실행력이 경쟁력을 정한다는 보고서 |
| Microsoft 장애 | 2026.11.12~14, 365·Copilot·Outlook 등, 사용자 4억 5,000만 명·기업 400만 곳 |
핵심 개념
- CMI
- communications, media and information의 줄임말로, 통신사·방송·출판·정보 서비스 기업을 묶은 TCS의 산업 분류입니다.
- Value per token
- 모델이 쓴 토큰 하나, 또는 컴퓨팅 한 단위가 만들어 낸 업무 가치로, 총비용 대신 효율을 보는 지표입니다.
- AI sovereignty
- AI 데이터가 저장되는 위치, 모델 선택, 규제·데이터 거주 요건을 기업이나 국가가 스스로 통제하는 것을 말합니다.
- Golden set
- 정답이 정해진 사례 묶음으로, 모델이나 프롬프트를 바꿀 때마다 같은 문제로 품질을 비교하는 데 씁니다.
- DLP
- data loss prevention, 민감한 데이터가 허가 없이 밖으로 나가지 않게 막는 정책과 도구입니다.
내 메모
TODO: 내 생각 추가
원문은 diginomica에 실린 Chris Middleton의 칼럼 「Curating claims - when AI assertions hit real-world brick walls」(2026.11.19)입니다. TCS CMI 편 수치와 Salt Security 수치는 이 칼럼이 전한 것이고 TCS 조사의 표본(전체 1,333명, CMI 110명)과 전체 조사 수치는 TCS 보도자료(2026.11.4)와 Enterprise AI Study 핵심 결과 PDF에서 확인해 보강했습니다. CMI 편 원문 보고서는 직접 열어 보지 못했습니다. Jevons Paradox의 유래 설명은 일반적으로 알려진 개념 설명을 덧붙인 것입니다. 요약과 사례는 원문이 전한 사실을 AX Partners가 다시 정리했고 핵심 메커니즘의 작동 설명, 기술·현업 디테일, 인포그래픽, 표는 새로 작성했습니다(디테일 절의 필드명·수치·일정은 가상 예시). 전체 내용은 원문에서 볼 수 있습니다.