OpenAI는 기업의 AI 도입이 단순한 질의응답을 넘어 위임된 다단계 작업으로 이동하고 있다고 말하지만, 자사 데이터는 그 진전이 매우 고르지 않음을 보여준다. 회사의 새로운 연구는 “프론티어” 기업과 일반적인 도입 기업 사이의 격차가 커지고 있음을 설명하며, 가장 활발한 조직일수록 에이전트, 기업 맥락, 연결된 도구를 훨씬 더 광범위하게 사용한다.

이 결과는 OpenAI의 두 연구에서 나왔다. 하나는 기업 고객 기반 전반의 에이전트형 AI를 살펴본 Enterprise Signals이고, 다른 하나는 작업 논문 How Organizations Use AI: Evidence from ChatGPT이다. OpenAI는 이 연구들이 1,000만 건이 넘는 메시지를 바탕으로 기업, 기능, 직급 수준 전반의 도입을 살펴봤다고 말한다.

Codex는 위임 작업으로의 전환을 시사한다

가장 뚜렷한 신호는 OpenAI의 코딩 및 소프트웨어 작업 에이전트인 Codex의 성장이다. OpenAI에 따르면 6월 기준 Codex는 기업 고객에서 Codex와 ChatGPT의 결합 출력 토큰의 64%를 생성했다. 회사는 에이전트형 워크플로가 짧은 대화형 요청보다 보통 더 많은 출력을 생성하기 때문에, 이 수치가 더 길고 더 실질적인 작업으로의 이동을 보여준다고 주장한다.

이 해석은 기업 구매자에게 중요하다. 보조 도구는 직원이 프레젠테이션이나 리서치 과제를 생각하도록 도울 수 있지만, 에이전트는 정보를 수집하고, 연결된 시스템을 사용하며, 파일을 만들고, 사람이 검토할 결과물을 준비할 수 있다. OpenAI는 ChatGPT Work와 Codex를 이 모델의 사례로 제시하지만, 제시된 데이터만으로는 보고된 출력 중 얼마나 많은 부분이 큰 인간 편집 없이 수용되었는지, 또는 얼마나 많은 작업이 성공적으로 완료되었는지는 확인할 수 없다.

Codex의 사용은 엔지니어링을 넘어 확산되고 있다. OpenAI는 2월 이후 주간 활성 기업 Codex 사용자가 법무에서 108배, 영업에서 41배, 채용에서 41배, 마케팅에서 26배 증가했다고 보고한다. 같은 기간 엔지니어링은 5배 증가했다. 이는 큰 상대 성장 수치이지만, OpenAI는 제공 자료에서 기본 사용자 수를 제시하지 않기 때문에, 비기술 팀의 배포가 이제 엔지니어링 팀보다 더 크다고 해석해서는 안 된다.

OpenAI는 Virgin Atlantic을 교차 기능적 사용의 예로 언급한다. 항공사는 엔지니어링 팀이 Codex를 사용해 레거시 코드를 2주가 아닌 30분 만에 리팩터링했고, 제품 팀은 경쟁사 조사를 위해 ChatGPT Work를 사용했다고 말한다. 이러한 진술은 OpenAI가 제공한 사례이며 회사의 연구 요약에서 독립적으로 검증된 것은 아니다.

프론티어 격차는 더 벌어지고 있다

OpenAI는 매달 활성 사용자당 출력 토큰 수로 기업 고객을 순위 매긴다. 회사는 상위 10%를 프론티어 기업으로, 45~55퍼센타일 부근을 일반 기업으로 정의한다. 6월에 프론티어 기업은 일반 기업보다 활성 사용자당 출력 토큰을 8.3배 더 많이 생성했으며, 1월의 차이는 2.6배였다.

회사는 출력 토큰을 사업 가치의 직접 측정치가 아니라 사용 깊이를 나타내는 대리 지표로 설명한다. 더 많은 텍스트나 코드 생성은 더 긴 워크플로를 반영할 수 있지만, 비효율적인 프롬프트, 반복 수정, 또는 상당한 검토가 필요한 작업의 결과일 수도 있다. 따라서 이 격차 확대는 사용 강도의 차이를 보여주지만, 생산성·품질·투자수익률에 대한 질문은 여전히 남긴다.

같은 패턴은 고급 기능 사용에서도 나타난다. OpenAI에 따르면 프론티어 기업의 주간 활성 사용자 중 21%가 Plugins를 사용했으며, 일반 기업에서는 9%였다. Skills 사용은 프론티어 기업 19%, 일반 기업 3%였다. OpenAI에 따르면 Plugins는 에이전트를 기업 데이터와 액션에 연결할 수 있고, Skills는 재사용 가능한 지침을 제공한다.

OpenAI는 또한 자사 직원의 95%가 매주 Plugins를 사용한다고 보고한다. OpenAI가 제품 공급자이자 이 내부 비교의 출처이므로, 이 수치는 시장 벤치마크보다는 공급자 보고식 도입 신호로 보는 것이 가장 적절하다.

증거는 유용하지만 공급자가 통제한다

이 연구는 기존 설문조사가 종종 놓치는 관점을 제공한다. 직원의 행동 설명이 아니라 업무 대화와 제품 텔레메트리의 실제 사용 패턴을 보여주기 때문이다. OpenAI는 자사 데이터가 초기 경력 직원이 임원보다 ChatGPT를 더 자주 사용한다는 점을 보여준다고 말한다. 도입 6개월 후, 초기 경력 근로자들은 임원보다 주당 13개의 메시지를 더 보냈다고 회사는 보고한다.

OpenAI는 또한 작업 논문에서 조사한 미국 상장기업들 가운데, 기업 도입 기업이 비도입 기업보다 자산, 직원 수, R&D 투자 규모가 더 컸다고 말한다. 이는 상관관계일 뿐, AI 도입이 더 나은 재무 성과를 만들었다는 증거는 아니다. 더 큰 기업은 단지 AI 시스템을 구매·배포·거버넌스할 자원이 더 많을 수도 있다.

핵심 주장들은 여전히 공급자 보고에 의존한다. 제공된 증거에는 독립적인 방법론 검토, 고객 전반의 비용 데이터, 오류율, 작업 완료율, 또는 OpenAI 외 시스템과의 비교가 포함되어 있지 않다. 따라서 구매자는 이 보고서를 엔터프라이즈 AI 시장의 중립적인 측정치로 보기보다, 배포 패턴에 대한 가설을 세우는 데 활용해야 한다.

이 결과가 AI 빌더와 기업에 의미하는 것

제품 팀에게 이 연구는 설계의 단위가 바뀌고 있음을 시사한다. 가치 있는 제품은 범용 챗봇이 아니라 지침, 권한, 비즈니스 데이터, 액션을 결합한 워크플로일 수 있다. 예를 들어 영업용 Plugins는 회사의 플레이북과 CRM 접근, 과거 제안서를 결합한 뒤 검토용 응답을 생성할 수 있다.

이 아키텍처는 단순한 보조보다 덜 중요했던 운영 요구사항을 만들어낸다. 팀은 권한 경계, 감사 로그, 데이터 접근 제어, 승인 단계, 그리고 에이전트가 잘못된 맥락을 사용하거나 부적절한 행동을 했을 때 복구할 방법이 필요하다. 고객, 법무 업무, 재무 의사결정, 생산 시스템에 영향을 미치는 경우에는 인간 검토가 특히 중요하다.

도입 격차는 또한 AI 모델 접근권을 구매하는 것과 사용을 확장하는 것은 같지 않다는 점을 시사한다. OpenAI의 결론은 기업이 지속적인 직원 학습, 공유 워크플로, 데이터 인프라, 거버넌스가 필요하다는 것이다. 기업 리더에게 실용적인 출발점은 효과적인 개인 워크플로를 식별하고, 어디서 시간을 절약하거나 품질을 개선하는지 측정한 다음, 비공식적인 프롬프트 기술에 의존하기보다 이를 반복 가능한 프로세스로 전환하는 것이다.

경쟁사와 빌더에게는 AI 에이전트가 법무, 영업, 채용, 마케팅으로 확산되면서 통합의 중요성이 커지고 있다. 현재의 비즈니스 맥락을 안전하게 불러오고 한정된 작업을 완료할 수 있는 시스템은, 세련된 텍스트만 생성하는 시스템보다 더 유용해질 수 있다. 하지만 이 연구는 OpenAI 제품이 신뢰성, 총비용, 보안 측면에서 대안보다 우수한지는 보여주지 않는다.

다음에 주목할 점

다음 신호는 작업 완료율, 검토율, 측정 가능한 비즈니스 성과에 대한 더 상세한 증거가 될 것이다. OpenAI의 보고서는 8.3배 출력 격차가 산업과 기능에 따라 어떻게 달라지는지, 그리고 높은 토큰 사용이 운영 비용 절감이나 더 빠른 납기로 이어지는지도 명확히 해줄 수 있다.

기업 구매자는 ChatGPT Work, Codex, Plugins에서 에이전트 권한, 워크플로 템플릿, 감사 통제가 더 넓게 제공되는지 지켜봐야 한다. 또한 사용 증가만이 아니라, 실패한 실행, 인간 개입, 배포 비용을 보고하는 독립적인 고객 평가도 살펴봐야 한다.

또 하나의 시험대는 에이전트가 민감한 기업 시스템에 연결된 이후에도 엔지니어링 밖에서 도입이 계속되는지 여부다. 법무, 영업, 채용, 마케팅의 성장은 주목할 만하지만, 지속적인 사용은 데이터 품질, 컴플라이언스 검토, 그리고 에이전트가 신뢰를 얻을 만큼 안정적으로 일을 완료할 수 있는지에 달려 있다.

Creati.ai 관점

OpenAI의 발표는 기업이 에이전트형 AI를 이미 해결했다는 주장이라기보다, 그에 얼마나 고르지 않게 접근하고 있는지를 측정한 것에 가깝다. 보고된 프론티어 격차는 경쟁 우위가 모델 접근만큼이나 조직 역량—워크플로 설계, 데이터 접근, 거버넌스—에서 나올 수 있음을 시사한다.

따라서 빌더에게 중요한 질문은 단순히 얼마나 많은 직원이 AI 도구를 쓰는지가 아니다. 시스템이 정의된 작업을 완료하고, 무엇을 했는지 보여주며, 권한 범위 안에 머물고, 사람들이 검증할 수 있는 출력을 내놓을 수 있는가이다. OpenAI의 데이터는 그 전환을 가시화하지만, 공급자가 통제하는 방법론 때문에 시장은 여전히 품질과 경제성에 대한 독립적인 증거를 필요로 한다.