행사장 입구에서 명찰을 받아 들고 올라가던 그 아침을 나는 꽤 또렷하게 기억한다. 건물 유리창 너머로 관악의 녹음이 반짝였고, 강연장 내부는 숨이 찰 만큼 빽빽했다. 앞줄에는 연구자들과 개발자들이 랩탑을 펴 놓고 있었고, 중간과 뒤쪽에는 자잘한 기업 로고가 박힌 점퍼와 셔츠가 줄지어 앉아 있었다. 쉬는 시간에 어깨를 스치며 들리는 대화는 대체로 비슷했다. “우리가 이걸로 실제 매출을 만들 수 있을까?” “우리 데이터를 바깥 모델에 어떻게 먹여야 하지?” “다 좋은데, 보안이랑 비용이 문제야.” ‘SNU × 오픈AI’라는 거창한 이름 때문에 학술제 같은 분위기를 상상했다면 반쯤은 빗나갔을 것이다. 그날의 온도는 논문이 아니라 일감이었다. 그리고 그 일감은 한국 B2B 시장, 더 좁히면 동네의 크고 작은 거래로 흘러 들어갈 준비를 마친 듯 보였다. 무대에 오른 연사는 에이전트 AI, 멀티모달, 책임과 안전을 말했다. 말끝마다 실무 감각이 있는 청중들 눈동자가 반짝였다.
텍스트뿐 아니라 이미지, 음성, 표, 설비 로그까지 한 번에 다룰 수 있다는 건, 회사 밖의 화려한 데모를 넘어 공장의 잡음, 콜센터의 억양, 영수증의 구겨짐까지 모델이 받아들일 수 있다는 뜻이었다. 나는 그 순간, 구로동의 소형 금속 부품 업체 대표가 떠올랐다. 그에게 AI는 늘 ‘우리랑은 상관없는 먼 것’이었는데, 현장에서 진동과 온도를 기록한 로그 파일을 모델이 이해하고 고장 징후를 예측해 준다면, 이건 표지판이 아니라 신호등이었다. 멈출지, 더 밟을지, 초보 운전자에게도 알려주는 신호등. 그러나 여기까지는 어디서나 들을 수 있는 요약일지 모른다. 지금 중요한 건 이 장면을 오늘의 거래로 끌고 들어오는 일이다. 나는 행사장을 나온 뒤, 연무장 근처에서 작은 카페를 운영하는 지인을 만났다. 납품도 하고, 기업 행사 케이터링도 뛰는 곳이라 B2B 비중이 절반 가까이 된다. “잘됐네.
너희도 AI 써야지.” 내가 농담처럼 꺼내자 그는 손사래부터 쳤다. “우리는 기술자도 아니고, 돈도 넉넉지 않아. 배달앱 수수료 내기도 빠듯한데 뭘.” 벽에 기대 선 메뉴판을 스캔하며 나는 차근차근 말을 꺼냈다. “대단한 걸 하자는 게 아니야. 너희가 반복해서 하는, 하지만 실수하면 바로 클레임으로 돌아오는 일 하나만 골라 보자.” 그가 곰곰이 생각하더니 말했다. “기업 고객 견적서.” 바로 그거였다. 커피 원두, 장비 렌털, 행사 인원, 동선, 알레르기 체크, 회의실 전원 콘센트 수, 심지어 비 오는 날 대체 동선까지. 이 모든 걸 전화와 메일로 왔다 갔다 하던 그가, 지난 프로젝트 50건의 견적서와 피드백을 AI에게 읽히게 하고, 새 문의가 오면 ‘빠진 게 없는지’ 체크리스트를 자동으로 만들어 주고, 예산 범위에서 가능한 옵션을 몇 가지로 정리해 주기만 해도, 그는 한 달에 이틀을 벌 수 있었다. 멀티모달.
행사장 도면 PDF와 사진을 함께 넣어 좌석 배치와 이동 동선을 제안받으면 된다. 책임과 안전. 개인정보가 들어가는 부분은 모델이 아니라 내부 템플릿으로 처리하고, 외부에 내보낼 때는 자동으로 민감 항목을 가리는 룰을 붙이면 된다. 이런 것들은 엄청난 ‘AI 전략’이 아니라 오늘 점심 이후에도 충분히 시도할 수 있는 ‘작업’이다. 서울대 연구진이 공공과 교육에서 꺼내 놓은 사례도 그런 식의 힌트를 던졌다. 교사 한 명이 동시에 30명의 소리를 듣는 건 불가능하지만, 모델은 그럴 수 있다. 그렇다면 중소 제조사의 품질 관리자는 하루 200개의 측정값을 다 읽지 못하지만, 모델은 가능하다. B2B에서 중요한 건 정확한 약속과 빠른 피드백이다. 모델을 ‘새로운 뇌’로 대접하기보다, 약속과 피드백을 지키는 ‘새로운 손’으로 쓰면 된다.
“그럼 우리는 뭘 먼저 해야 하지?” 카페 사장이 물었다. 나는 세 가지를 종이에 적어 건넸다. 첫째, 기록을 남겨라. 이메일, 견적서, 현장 사진, 체크리스트, 고객 불만과 해결 내역. 산처럼 쌓아만 두지 말고 폴더 구조와 파일명 규칙을 세워라. 둘째, 작은 자동화를 붙여라. 새 문의가 오면 기본 정보를 추출해 템플릿에 채우고, 누락 항목을 질문 리스트로 뽑아라. 셋째, 인간의 최종 확인을 절대 포기하지 마라. 모델은 초안과 제안을 만든다. 결정과 서명은 사람이 한다. 이 원칙만 잡으면, 기술용어가 아무리 바뀌어도 방향은 흔들리지 않는다. 문제는 늘 그다음이다. 한국 B2B의 현장은 다양한 거래 관행과 은근한 신뢰로 엮여 있다. 미묘한 목소리의 떨림, 오래된 납품 관계의 ‘알아서 해 드릴게요’, 묵은 외상과 이번 선결제의 균형. AI가 여기에 들어오면 균열이 생길까. 아니면 윤활유가 되어 더 매끈해질까. 나는 한 물류 스타트업의 사례를 떠올렸다. 작은 화주와 드라이버를 연결하는 이 회사는 접수 전화가 몰리는 월요일 오전마다 문제가 터졌다.
주소 오기입, 분류 실수, 배차 지연. 그들은 먼저 접수 과정을 음성 인식과 문서 인식으로 반쯤 자동화했다. 고객이 전화를 하면 상담원이 말하는 동시에 모델이 메모를 정리하고, 주소 포맷을 표준화하고, 과거 동일한 수취인 기록을 찾아 자동 완성해 준다. 그리고 배차 시스템은 실시간 교통과 기사별 휴식 시간을 고려해 최적의 루트를 제안한다. 도입 첫 달에는 오히려 혼란이 컸다. 모델이 자동으로 추천한 루트가 기사들의 ‘현장 감각’과 달라 충돌이 생겼다. 그들은 회의를 열어 현장의 지혜를 규칙으로 추출했다. 예컨대 비 오는 날 특정 골목은 1톤 트럭 진입이 어렵다, 오전 10시 이전엔 그 빌딩 하역장이 닫혀 있다, 같은 ‘살아 있는 규칙들’을 모델 위에 덧댔다. 그제야 일이 풀렸다. 이 경험은 한 가지를 말해 준다. B2B의 AI는 ‘알고리즘이 현장을 이긴다’가 아니라 ‘현장을 알고리즘으로 옮긴다’의 과정이다. 시간을 들여 묻고 적고 합의해야 한다. 그게 귀찮다면, 당신의 경쟁사는 그 귀찮음을 견딜 것이고, 당신은 뒤처질 것이다. 물론 불안은 정당하다. 대형 모델 종속에 대한 우려, 데이터 주권의 문제, 비용의 가파른 곡선. 하지만 이 불안을 무력화하는 방법은 ‘모 아니면 도’가 아니다. 작은 사업자에게 필요한 건 선택의 층위를 만드는 일이다. 첫째 층위는 경량화와 사내 추론이다.
사내 검색, 사내 텍스트 요약, 반복 업무 체크 같은 민감도가 낮은 작업은 오픈 소스 경량 모델과 내부 서버, 혹은 국내 클라우드를 써도 충분하다. 둘째 층위는 하이브리드다. 고난도의 멀티모달 분석이나 대화형 지원이 필요할 때만 외부의 강력한 모델을 ‘호출’한다. 이때 민감 데이터는 호출 전에 비식별화하고, 필요한 맥락만 최소로 붙인다. 셋째 층위는 계약의 언어다. SLA, 데이터 보관 기간, 재학습 범위, 로그 접근권, 사고 대응 프로세스까지 계약서에 명문화한다. 기술이 빠를수록 계약은 느긋하고 꼼꼼해야 한다. 기술의 속도를 계약의 두께로 보정하는 것, 이것이 작은 기업이 할 수 있는 현실적인 방어다. 이쯤에서 한 가지 오해도 풀자. AI는 자동화의 다른 이름이 아니다. 자동화는 ‘정해진 일을 빨리’ 하는 능력이고, AI는 ‘정해지지 않은 일을 가늠하고 제안’하는 능력이다. 둘은 겹치지만 같지 않다. B2B에서는 특히 이 차이가 중요하다. 예를 들어 지역 병원의 보험 심사팀은 정해진 서류 검증을 자동화할 필요가 있지만, 환자 설명서의 어투와 순서는 상황에 따라 달라져야 한다. 모델은 환자의 이해도, 보호자의 불안, 진료 기록의 맥락을 바탕으로 초안을 제안할 수 있다. 그러나 최종 문구는 의료진이 고친다. 여기서 가치는 ‘시간 절약’보다 ‘질의 기복을 줄이는 것’에서 나온다. 오늘은 잘했는데 내일은 놓치는, 현장의 피로가 만든 편차를 모델이 상쇄해 준다.
작은 회사일수록 이런 편차가 치명적이다. 사람 한두 명의 컨디션이 회사 전체의 품질로 연결되기 때문이다. 에이전트 AI라는 말도 어렵게 들릴 수 있다. 하지만 현업의 언어로 바꾸면 이렇다. “나 대신 까먹지 말고, 다음 단계를 먼저 준비해 줘.” 고객에게 견적을 보냈다면, 이틀 뒤 자동으로 팔로업 메일의 초안을 만들어 주고, 수신 확인이 없으면 전화 스크립트를 띄워 주고, 통화가 끝나면 CRM에 통화 요약과 다음 약속을 기록한다. 창고에 반입이 찍히면, 품목별 QC 샘플링을 예약하고, 과거 불량률이 높았던 라인의 항목은 체크리스트를 더 촘촘히 만든다. 이런 에이전트는 당신을 대신해 ‘미리’ 움직이는 동료다. 이 동료에게 권한을 줄수록 성과도 커지지만, 동시에 사고의 위험도 커진다. 그래서 초기에는 ‘추천 모드’로 두고, KPI는 ‘정확도’가 아니라 ‘시간 절약’과 ‘누락 감소’로 잡아라. 어느 정도 신뢰가 쌓이면 일부 반복 업무를 ‘수행 모드’로 넘겨도 된다. 단계와 권한을 나누는 이 설계가 바로 안전이다. 안전은 금지의 다른 말이 아니라, 수위를 조절하는 기술이다. 돈 얘기를 하자. 다들 ‘AI는 비싸다’고 한다. 맞다. 그런데 비싼 건 기술이 아니라 실패다. 일주일짜리 파일럿을 세 달짜리 프로젝트로 만드는 우회와 회의, 불명확한 목표와 범위를 방치하는 일, 내부 반발을 진압하지 못해 흐지부지되는 결말. 비싼 건 그 시간이다.
그래서 나는 작은 기업에게 세 가지 숫자를 묻는다. 한 달에 이 일을 몇 번 하나, 한 번 할 때 몇 분이 드나, 못했을 때 얼마의 손실이 생기나. 이 세 숫자를 곱하면 파일럿의 상한선이 나온다. 예컨대 견적 누락으로 한 달에 두 번 클레임이 생기고, 건당 30만 원을 손해 본다면, 이 문제를 줄이는 실험에 쓰는 돈은 월 60만 원을 넘으면 안 된다. 여기에 시간을 더한다. 담당자가 주당 2시간 이상 잡아먹는 실험은 실패 확률이 급증한다. 그러니, 예산 60만, 주당 2시간. 이 두 개의 울타리 안에서만 움직여라. 놀랍게도 많은 시도가 이 원칙을 어기고 시작한다. ‘제대로 하려면’이라는 말로, 처음부터 큰 시스템을 꿈꾼다. 그러나 B2B에서는 작은 일의 정확한 개선이 곧 큰 신뢰다. 그리고 신뢰는 단가와 재계약으로 변한다. 나는 지방의 한 인쇄소를 방문한 적이 있다. 이 회사의 주고객은 지역 대학과 소상공인, 그리고 연말이면 기업 브로슈어가 몰린다. 이들은 매년 같은 실수를 반복했다. 이미지 해상도 낮음, 색상 프로파일 미설정, 인쇄 가능 영역을 넘는 디자인. 인쇄소는 매번 고객에게 수정 요청을 보내느라 시간을 낭비했다. 그들은 AI에게 세 가지를 맡겼다.
접수된 파일을 자동으로 열어 다운샘플링과 색상 프로파일 미설정 같은 ‘위험 신호’를 표시해 요약하고, 표지와 내지의 여백을 자동 측정해 경고하고, 과거 유사 작업의 수정 이력을 참조해 ‘고객에게 보낼 설명’을 초안한다. 그리고 모델이 제안한 ‘수정 전후 비교 이미지’를 만들어 메일에 첨부한다. 결과. 납기 지연률이 20% 줄었다. 더 중요한 건 클레임이 줄며 말의 톤이 바뀌었다. “지난번처럼 다시 해 주세요”가 “이번엔 표지 색을 조금 더 따뜻하게 갈 수 있을까요?”가 됐다. 의사소통의 질이 바뀌면, 단가는 조금씩 올라간다. 시간과 감정의 낭비가 가격에 반영되기 때문이다. 데이터 주권의 문제도 돌려 말하지 않겠다. 한국의 많은 거래는 법과 관행이 촘촘히 엮여 있고, 금융과 의료, 공공에선 국경을 넘어가는 데이터의 경계가 까다롭다. 그러나 이것은 ‘못 한다’의 이유가 아니라 ‘어떻게’의 질문이다. 바깥 모델에 보낼 맥락은 가능한 한 ‘가공된 형태’로 만든다. 예를 들어 환자 이름 대신 해시된 키, 상세 주소 대신 지역과 건물 유형, 생체 정보 대신 위험도 레벨. 그리고 내부 시스템에는 원본이 남아 서로 연결되는 키만 쥔다. 이렇게 하면 외부 모델은 당신의 문제를 풀기 위한 최소한의 정보만 본다. 계약서에는 ‘모델 재학습에 이 데이터 사용 금지’, ‘요청 로그의 저장 기간과 접근권 축소’, ‘사고 발생 시 통지 타임라인’을 넣는다. 이건 기술이 아니라 문장이고, 변호사의 일이지만, 결국 사업자의 준비다.
나중에 문제가 터졌을 때의 당신의 목소리는 그 준비에서 나온다. 서울대와 오픈AI의 만남은 상징이었다. ‘세계적인’과 ‘국내 최고의’가 만났다는 기사가 중요해서가 아니라, 공개된 자리에서 기술의 윤리와 안전, 그리고 산업 적용이 같은 문장 안에 들어갔다는 점이 중요했다. 한국의 기업들이 오랫동안 가져온 강점은 빠른 모방과 깔끔한 품질이었다. 이제 필요한 강점은 빠른 실험과 진득한 운영이다. AI를 모른다고 손을 놓을 시간은 이미 지났다. 하지만 알고 있다고 과장할 시간도 아니다. 축구에서 전술판에 대각선 화살표를 아무리 많이 그려도, 그날 잔디 상태와 선수 컨디션이 나쁘면 의미가 없다. AI 도입은 전술판이 아니라 잔디를 고르는 일이다. 파일명을 정하고, 폴더 구조를 정하고, 민감도에 따라 데이터의 흐름을 가르고, 작은 실험의 성공과 실패를 기록하는 일. 이런 신발끈 같은 준비가 결국 당신의 모델을 ‘회사 사람’으로 만든다. 마지막으로, 과감해지되 ‘우리는 아직 작다’는 사실을 잊지 말자. 작다는 건 느리다는 뜻이 아니라, 가벼운 방향 전환이 가능하다는 뜻이다. 대기업이 세 달 걸릴 합의를, 당신은 일주일이면 할 수 있다. 대기업이 두꺼운 보고서를 만들 때, 당신은 현장 사진 다섯 장과 음성 메모 두 개로 결정을 내릴 수 있다. 그리고 그 결정에 AI를 참여시키면, 당신의 결정은 다음 번에 더 빨라진다. 이것이 반복되면, 작은 회사의 시간은 점점 넓어진다.
넓어진 시간은 결국 고객과의 대화에 쓰인다. B2B의 본질이 거기에 있으니까. 사람과 사람 사이에서 약속을 지키고, 다음 거래를 준비하는 시간. AI는 그 시간을 되돌려 주는 도구여야 한다. 행사장을 나설 때, 나는 첫 문장을 마음속으로 적었다. “한국의 AI는 이제부터가 진짜다.” 이유는 단순하다. 우리에게는 함께 고민할 대학이 있고, 기술을 내놓는 글로벌 파트너가 있으며, 무엇보다 그 기술을 일로 바꾸는 현장이 있기 때문이다. 현장은 늘 무겁고, 예산은 늘 빠듯하며, 사람들은 바쁘다. 그러나 이런 조건이야말로 AI가 들어갈 틈이다. 오늘 이 글을 읽는 당신이 작은 파일럿을 하나 시작한다면, 예컨대 지난 한 달치 고객 문의 메일에서 누락된 필드를 자동으로 찾아내는 스크립트라도 돌려 본다면, 다음 달의 당신은 조금 다른 표정을 하고 있을 것이다. 그 표정은 ‘불확실한 미래를 붙들고 있는 사람’의 얼굴이다. 그리고 나는 그런 얼굴이 한국 B2B의 새로운 상이라고 믿는다. 이번 주에 그 실험을 하나만 해 보자. 다음 주의 숫자가, 다음 분기의 관계가, 내년의 제품이, 아주 조금은 달라질 것이다. 그렇게 우리는 AI를 소문이 아니라 습관으로 만들 수 있다. 그 습관이 쌓이면, 세계는 어느새 ‘한국은 AI를 잘 쓰는 나라’라고 말할 것이다. 그리고 그 말 속에는 당신 회사의 이름이 아주 작은 글씨로라도 들어갈 것이다.