AX 좋은 사례 43가지 모음, 결국 바뀌는 건 사람의 자리다

AX 사례를 보다 보면 처음엔 숫자에 눈이 갑니다. 11분이 2분이 되고, 4일이 4분이 되고, 24일이 5일이 됩니다. 그런데 조금 더 오래 들여다보면 진짜 중요한 건 숫자보다 따로 보입니다.

before에는 사람이 처음부터 끝까지 다 하던 흐름이 있습니다.
after에는 AI가 초안 작성, 분류, 검색, 요약, 반복 응답을 맡고, 사람은 마지막 판단과 예외 처리 쪽으로 밀려납니다.

저는 이게 AX의 핵심이라고 생각합니다. AX는 단순히 더 빠른 도구를 붙이는 일이 아니라, 일의 자리를 다시 바꾸는 일입니다.

이 글은 그 장면을 한 번에 보기 쉽게 모은 글입니다. 어려운 영어는 바로 옆에서 풀어 적었습니다. GTM은 제품을 시장에 파는 과정이고, MTTR은 장애가 났을 때 다시 복구하는 데 걸리는 시간입니다. case deflection은 사람이 직접 받지 않아도 되는 문의가 늘어난 상태라고 이해하면 됩니다.

고객지원과 서비스 운영은 왜 제일 먼저 바뀌는가

고객지원은 원래 반복 질문이 많고, 기다리는 시간이 길고, 사람이 같은 말을 여러 번 하게 되는 영역입니다. 그래서 AX가 들어오면 가장 먼저 눈에 띄는 변화가 나타납니다.

Klarna – 고객지원 채팅
before: 고객문의 해결 평균 시간이 11분 수준이었습니다.
after: AI assistant 도입 후 평균 해결 시간이 2분으로 줄었고, 고객 서비스 채팅의 약 3분의 2를 처리했다고 밝혔습니다. 이후 회사는 연간 2,800만 건 대화, 81% 해결, 약 800명 상담원 규모에 해당하는 처리량이라고도 설명했습니다.

Wonolo – 상담 응대
before: 상담원이 채팅 응답을 수작업으로 작성하며 처리 시간이 더 길었습니다.
after: AI-generated replies(AI가 먼저 답변 초안을 만들어주는 방식) 도입 후 평균 handle time(한 건 처리 시간)이 20% 감소했습니다.

Algo – 서비스 콜센터
before: 상담원들이 수작업으로 케이스를 처리하며 해결 시간이 길었습니다.
after: Salesforce 사례 기준으로 서비스 콜 시간이 80% 단축됐습니다.

Simplyhealth – 이메일 고객지원
before: FAQ성 문의도 사람이 직접 이메일 초안을 작성해야 했습니다.
after: 생성형 AI 답변 작성으로 이메일 응답 시간이 최대 90% 단축됐습니다.

FairPrice Group – 고객지원
before: 문의가 상담원에게 직접 많이 유입되는 구조였습니다.
after: AI in Service 도입 후 80% case deflection, 응답 시간 감소, 티켓당 비용 10% 감소를 기록했다고 Salesforce가 소개했습니다.

Globe Business – 고객경험 운영
before: 고객응대 업무 부하가 더 컸습니다.
after: Salesforce 발표 기준으로 CX transformation(고객경험 운영 구조 재설계) 이후 업무량이 34% 감소했습니다.

Elcome – 고객 커뮤니케이션
before: 고객 응답 시간이 24시간 수준이었습니다.
after: Microsoft 365 Copilot 활용 후 8시간 수준으로 줄었다고 밝혔습니다.

이 장면을 아주 쉽게 말하면 이렇습니다. 예전에는 사람이 전화벨을 받을 때마다 직접 뛰어가야 했다면, 이제는 AI가 먼저 문 앞에 나가서 "이건 간단한 질문인지, 진짜 사람이 봐야 하는 질문인지"를 나눠주는 셈입니다.

법무와 계약 검토는 왜 days에서 minutes로 줄어드는가

법무는 느린 영역처럼 보이지만, 사실 느린 이유의 절반은 읽고 정리하고 비교하는 데 시간이 많이 들기 때문입니다. 그래서 AI가 먼저 읽고 표시해주기 시작하면 속도 차이가 크게 납니다.

Wordsmith / Claude – 법무 워크플로우
before: 일반 법무 요청 처리에 최대 4일이 걸렸습니다.
after: Claude 기반 워크플로우로 4일 → 4분 수준까지 줄였다고 소개합니다.

Unifi – 계약 처리
before: 계약 처리와 분석이 days 단위였습니다.
after: Copilot Studio 기반 시스템으로 계약 처리가 days → minutes로 줄었다고 Microsoft가 밝혔습니다.

Hebbia – 법률/금융 계약 검토
before: 신용약정 검토와 실사 작업에 사람이 많은 시간을 투입했습니다.
after: OpenAI 사례 기준으로 법률팀은 credit agreement review time 75% 감소, 사모펀드팀은 딜당 20시간에서 30시간 수준을 절감했고, 투자은행은 딜당 30시간에서 40시간 수준을 절감했습니다.

Newfront – 계약 검토와 복지 문의
before: 계약 검토와 직원 문의가 이메일 왕복 중심으로 흘렀습니다.
after: 즉시 인사이트 제공과 셀프서비스형 문의 응대로 전환됐다고 Anthropic이 소개했습니다. 정량 수치보다 대기열 감소형 변화가 핵심입니다.

DWF – 법무/전문서비스
before: 신규 서비스 제안이나 문서 작업 일부가 7일 걸렸습니다.
after: Copilot 활용 후 7일 → 7시간으로 단축된 사례를 Microsoft가 소개했습니다.

Burke – 리서치/정보 가공
before: 정보 분석·정리·합성에 days가 걸렸습니다.
after: Copilot으로 많은 업무가 days → few hours or less로 줄었다고 밝혔습니다.

이 사례들의 핵심은 "법무가 AI로 대체됐다"가 아닙니다. 오히려 사람이 처음부터 다 읽는 대신, AI가 먼저 읽고 사람은 위험한 조항과 예외만 깊게 보는 구조로 바뀐 데 있습니다.

보안과 IT 운영은 속도보다 대기열이 먼저 줄어든다

보안과 IT 운영은 한 건 한 건이 긴장감을 요구합니다. 그래서 여기서는 단순 시간 단축보다 기다리는 줄이 짧아지는 효과가 더 큽니다.

EY – 글로벌 서비스데스크
before: 연간 백만 건이 넘는 티켓을 21개 언어, 30개 서비스데스크에서 처리했습니다.
after: ServiceNow AI agent 도입 후 티켓 볼륨 75% 감소, 연간 160,000시간 절감, 연간 가치 US$5.7M 절감 효과를 공개했습니다.

EY – resolution notes 작성
before: 서비스데스크 상담원이 해결 노트를 직접 작성해야 했습니다.
after: AI agent가 생성한 노트 중 70%가 수정 없이 채택됐고, 연간 66,000시간 절감 효과가 있었다고 ServiceNow가 소개했습니다.

Trellix – 보안 경보 처리
before: 보안 alert(경보) 처리와 대응 코드 개발에 많은 시간이 들었습니다.
after: Anthropic 사례 기준으로 100 alerts당 8시간 절감, 중요 코드 개발 시간 40시간 → 5분 미만, 개발 시간 99.8% 감소를 기록했습니다.

Tines – 보안 자동화
before: 사람 손으로 설계한 120단계 워크플로우가 필요했습니다.
after: 이를 1-step agent로 줄이고 100배 빠른 time-to-value(가치를 체감하기까지 걸리는 시간)를 달성했다고 Anthropic이 소개했습니다.

One New Zealand – IT 프로비저닝/온보딩
before: 기기 프로비저닝에 4~6시간, 콜센터 직원 온보딩에 더 긴 시간이 걸렸습니다.
after: 기기 준비 시간이 30분, 사용자 할당이 15초 미만, 콜센터 온보딩 시간이 거의 95% 감소, 프로비저닝 관련 티켓 80% 감소를 기록했습니다.

이런 분야의 좋은 AX는 사람을 없애기보다, 사람이 꼭 봐야 할 사건만 남겨줍니다. 쉽게 말하면 운동장 전체를 다 뛰게 하는 대신, 정말 공이 온 자리로만 뛰게 해주는 식입니다.

개발팀 사례를 보면 AX가 왜 워크플로우 재설계인지 더 잘 보인다

개발팀은 원래 속도를 숫자로 보기 쉬운 곳이라 AX 효과가 더 선명하게 드러납니다. 하지만 여기서도 핵심은 코드를 더 빨리 쓰는 것만이 아닙니다.

Rakuten – 코드 개발
before: 신규 기능 출시가 24일 걸렸습니다.
after: Claude Code 활용 후 24일 → 5일, 즉 79% 단축을 기록했다고 Anthropic이 공개했습니다.

Palo Alto Networks – 개발자 온보딩
before: 신입 개발자 온보딩이 months 단위였습니다.
after: Claude on Vertex AI 도입 후 온보딩이 months → weeks로 줄고, 기능 개발 속도는 20~30% 증가했다고 밝혔습니다.

Phoenix Group – 개발 환경 온보딩
before: 개발자 온보딩에 1개월이 걸렸습니다.
after: Microsoft Dev Box 도입 후 1일로 줄었고, 효율은 90% 증가했다고 소개했습니다.

Syntek Information Systems – 코드 작성/디버깅
before: 코드 작성과 디버깅에 수작업 시간이 많이 들었습니다.
after: GitHub Copilot 활용으로 코드 작성 및 디버깅 시간이 약 50~70% 감소했다고 Microsoft가 소개했습니다.

Lumen Technologies – 개발 생산성
before: 새로운 스크립트 언어 학습과 장애 대응이 더 느렸습니다.
after: GitHub Copilot으로 개발자가 새 스크립트 언어를 더 빨리 익히고, MTTR 감소가 보고됐습니다. Microsoft는 정성적 개선을 강조했습니다.

Salesforce – Agentforce for Flow
before: 메타데이터 해석 기반 실행에 10분 정도가 걸렸습니다.
after: 최적화 후 10초로 줄어, 실행 시간이 99% 감소했다고 Salesforce Engineering이 밝혔습니다.

Salesforce – AI model onboarding
before: GPU/모델 온보딩 지연이 심했습니다.
after: Amazon Bedrock 기반 재설계로 온보딩 시간이 75% 감소했다고 Salesforce Engineering이 소개했습니다.

CareSource – 개발 및 문서화
before: 핵심 문서 프로세스 하나가 2개월 걸렸습니다.
after: Azure OpenAI 도입 후 2주로 줄었고, GitHub Copilot 사용 개발자는 20~30% 생산성 향상을 보고했습니다.

Amazon 내부 개발 워크플로우
before: 익숙하지 않은 언어·시스템에 진입하는 초기 투자 시간이 컸습니다.
after: AWS DevOps 블로그는 생성형 AI가 개발자의 초기 시간 투자를 크게 줄여 unfamiliar systems(낯선 시스템) 진입을 더 쉽게 만들었다고 설명합니다. 정량 수치보다는 workflow friction(작업 마찰) 감소에 초점이 있습니다.

개발 사례를 보면 다들 "모델이 좋아졌다"고만 말하지 않습니다. 온보딩을 압축하고, 문서화를 줄이고, 낯선 시스템 진입 장벽을 낮추고, 반복 실행을 줄이는 식으로 흐름 자체를 다시 설계합니다. 이게 중요합니다.

영업과 마케팅은 AI가 대신 팔아주는 게 아니라, 준비 시간을 없애준다

영업과 마케팅에서는 직접 매출 숫자보다 먼저 준비 시간, 승인 시간, 캠페인 실행 시간이 줄어드는 장면이 자주 보입니다.

AWS 내부 세일즈
before: 영업 준비와 고객 대응이 수작업 중심이었습니다.
after: Amazon Bedrock 기반 솔루션으로 판매 lifecycle(영업 전체 흐름) 전반에서 반복 업무를 줄이고 고부가 상호작용에 시간을 쓰도록 재설계했다고 AWS가 설명합니다.

NAGA – 캠페인 운영
before: 캠페인 launch가 days 단위였습니다.
after: Dynamics 365 Customer Insights 활용 후 days → hours로 단축됐습니다.

HYGH – 내부 개발/캠페인 실행
before: 작은 내부 툴도 회의와 의존성 때문에 느렸습니다.
after: ChatGPT Business 사용 후 직원 1인당 주당 5.5시간 절감, "한 사람이 아이디어를 빠르게 usable product(실제로 쓸 수 있는 결과물)로 전환"하는 흐름이 가능해졌다고 OpenAI가 소개했습니다.

Trade Ledger / 은행 승인 프로세스
before: receivables finance(매출채권 금융) 고객 승인에 42일이 걸렸습니다.
after: 플랫폼 도입 후 48시간으로 줄었다고 Microsoft 사례가 소개합니다.

Rogo – 투자은행/사모펀드 리서치
before: 미팅 준비, 회사 프로파일링, 시장조사에 많은 analyst 시간이 들었습니다.
after: OpenAI 사례 기준으로 analyst들이 주당 10시간 이상 절감했습니다.

이런 분야에서 AI의 가치는 "대신 영업해준다"보다 "사람이 진짜 사람답게 만나고 설명할 시간을 되돌려준다"에 더 가깝습니다.

채용, HR, 행정은 조용하지만 가장 넓게 바뀌는 곳이다

백오피스는 눈에 잘 띄지 않지만, 조직 전체의 시간 누수를 가장 많이 잡을 수 있는 영역이기도 합니다.

Deriv – 채용/온보딩/마케팅
before: 신규 입사자 온보딩, 채용 태스크, 캠페인 관리가 더 오래 걸렸습니다.
after: Amazon Q Business 도입 후 온보딩 시간 45% 감소, recruiting task time 50% 감소를 기록했습니다.

Capita – 전사 생산성
before: 업무 방식이 더 수작업 중심이었습니다.
after: Microsoft에 따르면 한 달에만 직원들이 9,000시간 절감했습니다.

Capita – 채용 운영
before: time-to-hire(채용 완료까지 걸리는 시간)가 months 수준이었습니다.
after: Agentforce로 24시간 수준까지 줄일 수 있다고 Salesforce가 소개했습니다.

Temasek Polytechnic – 행정/운영 자동화
before: 행정 효율과 프로세스 개선이 IT 의존적이었습니다.
after: Power Platform과 Copilot Studio 도입 후 연간 20,000+ man-hours(사람 시간) 절감 효과를 공개했습니다.

CRESCO – 사무업무 전반
before: 일반 업무 처리에 더 많은 시간이 들었습니다.
after: Copilot trial 결과 평균 사용자당 월 10시간 절감이 확인돼 전사 확대를 결정했다고 Microsoft가 소개했습니다.

Allegis Group – 전사 AI 운영
before: 운영과 번역, 테스트 사이클에 수작업이 많았습니다.
after: Microsoft 사례 기준 18,000 active users가 150,000시간 절감, 번역 비용 $1.5M 절감, 테스트 사이클도 빨라졌습니다.

Parlan – 아동 정신건강 행정업무
before: 상담 준비와 문서 작업이 직접 돌봄 시간을 잠식했습니다.
after: Copilot으로 행정 업무를 더 효율적으로 처리해 직접 client care(돌봄) 에 더 많은 시간을 쓸 수 있게 됐다고 Microsoft가 소개했습니다. 정량보다는 care time 재배치 사례입니다.

SchoolAI – 교사 업무
before: 교사들이 수업 외 업무에 많은 시간을 썼습니다.
after: OpenAI 사례에서 교사들이 주당 10시간 이상 절감했다고 전합니다.

이 사례들은 숫자보다 방향이 중요합니다. 사람이 컴퓨터 앞에서 붙잡히는 시간을 줄이고, 원래 더 중요했던 일로 다시 보내는 구조가 보입니다.

금융과 자산관리 영역은 검색보다 판단 보조가 중요해진다

금융에서는 문서를 빨리 찾는 것만으로는 부족합니다. 너무 많은 자료 속에서 지금 중요한 걸 꺼내줘야 합니다.

Morgan Stanley – 자문사 정보 탐색
before: 자문사들이 문서를 찾고 요약하느라 많은 시간을 썼고, 필요한 문서 접근률도 낮았습니다.
after: OpenAI 자료에 따르면 98%의 advisors가 매일 사용하고, 문서 접근 범위가 20% → 80%로 넓어졌으며 검색 시간이 크게 줄었습니다.

Hebbia – 금융 딜 워크플로우
before: 스크리닝, 실사, expert network research가 deal team 시간을 크게 잡아먹었습니다.
after: 사모펀드팀은 딜당 20시간에서 30시간 수준을 절감했고, 투자은행은 딜당 30시간에서 40시간 수준을 절감했다고 OpenAI가 소개했습니다.

Clearwater Analytics – 투자운용 운영
before: 서비스 티켓과 업무 확장이 더 많은 인력을 요구했습니다.
after: AWS는 Amazon Bedrock/SageMaker 기반 시스템 덕분에 서비스 티켓 감소, 응답 속도 향상, 인원 추가 없이 20% 성장이 가능했다고 설명합니다.

이 분야의 after는 단순 자동화보다 "복잡한 문서 바다 속에서 길을 먼저 찾아주는 일"에 더 가깝습니다.

이 43개 사례를 한 줄로 묶으면 결국 같은 얘기다

이 사례들을 오래 보고 있으면 공통 패턴이 몇 개로 정리됩니다.

첫째, days가 hours나 minutes로 줄어드는 곳은 대부분 문서 읽기, 계약 검토, 승인, 답변 초안 작성, 캠페인 준비처럼 생각보다 반복적인 지식노동입니다.

둘째, 좋은 사례는 거의 다 대기열을 줄입니다. 고객지원이든 서비스데스크든 법무 요청이든, 사람 앞에 줄 서 있는 일을 먼저 잘라냅니다.

셋째, 사람의 역할은 사라지기보다 뒤로 이동합니다. 사람이 맨 앞에서 모든 걸 직접 만들던 구조에서, AI가 초안과 분류를 맡고 사람은 예외 처리와 최종 판단을 맡는 구조로 바뀝니다.

넷째, 거의 모든 성공 사례는 "좋은 모델 하나 붙였다"보다 워크플로우 재설계가 먼저 보입니다. 셀프서비스를 열어주고, 사전 분류를 넣고, 승인 단계를 줄이고, 온보딩을 압축하고, 검색을 문맥형으로 바꾸는 식입니다.

결국 before와 after 사이에 들어 있는 진짜 차이는 모델 이름이 아닙니다. 일을 다시 나눈 방식입니다.

저는 AX 사례를 볼 때 숫자보다 자리를 봅니다.
누가 먼저 하던 일을, 이제는 누가 나중에 하게 됐는지.
누가 처음부터 끝까지 다 하던 일을, 이제는 어디까지만 하게 됐는지.

그걸 보고 있으면 AX의 본질이 조금 선명해집니다.

좋은 AX는 사람을 밀어내는 게 아닙니다.
사람을 더 중요한 자리로 옮겨놓는 일에 가깝습니다.

그래서 after가 진짜 좋아 보이는 사례는 늘 비슷합니다.
사람이 덜 바빠 보여서가 아니라, 더 중요한 판단에 집중하게 되었기 때문입니다.

그리고 아마 이게, AX 사례를 숫자 모음집으로만 보면 놓치게 되는 가장 중요한 장면일 겁니다.

출처

anthropic.com/customers

https://www.salesforce.com/customer-stories

https://www.microsoft.com/en/customers

https://aws.amazon.com/ai/generative-ai/customers