왜 파일럿의 88%는 프로덕션에 못 가는가

시연은 완벽했다

회의실에서는 전부 잘 돌아갔습니다. 준비한 입력 열 건이 열 건 다 통과했고, 박수도 나왔습니다.

여섯 달 뒤 그 시스템은 꺼져 있었습니다.

데모는 되는데 왜 확산이 안 되는가

AX 이야기를 하면 거의 항상 이 질문이 따라옵니다. "그래서 실제로 성공한 데가 있나요?"

솔직한 답은 이렇습니다. 시도한 곳은 아주 많고, 확산까지 간 곳은 소수입니다. 그리고 그 격차의 원인이 AX를 준비하는 사람에게 가장 유용한 정보입니다.

숫자부터 보겠습니다

2026년 기준 여러 조사가 비슷한 그림을 그립니다.

• IDC·MIT 계열 조사 기준, 파일럿의 약 12%만 프로덕션에 도달했습니다.
• RAND의 2025년 분석에서는 AI 프로젝트의 80.3%가 의도한 사업 가치를 내지 못했습니다. 세부적으로는 33.8%가 프로덕션 전에 중단, 28.4%가 완료했지만 기대 이하, 18.1%가 가치는 냈지만 비용을 정당화하지 못했습니다.
• 에이전트로 좁히면 더 낮습니다. 2026년 3월 650개 기업 기술 리더 조사에서 **전사 확산에 성공한 곳은 14%**였습니다.

이 숫자를 실패담으로 읽으면 얻을 게 없습니다. 중요한 건 어디서 멈췄는가입니다.

멈추는 지점은 모델이 아니다

여러 조사가 공통적으로 지적하는 게 있습니다. 실패는 모델 품질에서 오지 않습니다.

IDC 조사는 실패가 거버넌스, 데이터 준비도, 관측 가능성에 몰려 있다고 봤습니다. 다른 분석은 확산 실패의 89%를 다섯 가지로 설명합니다.

1. 레거시 시스템과의 통합 복잡도
2. 물량이 늘었을 때의 출력 품질 편차
3. 모니터링 도구의 부재
4. 조직 내 책임 소재 불명확
5. 도메인 학습 데이터 부족

이 목록을 보면 한 항목도 "모델이 못해서"가 아닙니다. 앞선 글들에서 반복해서 다룬 주제 — 핸드오프 설계, 관측 구조, 담당자 권한 — 가 그대로 실패 원인 목록이 됩니다.

가장 압축적인 표현은 이겁니다. 팀은 데모를 만들었고, 그것을 시스템처럼 운영하려 했습니다.

비용이 예상을 3~5배 넘긴다

가장 자주 언급되는 구체적 문제는 비용입니다. 프로덕션 생성형 AI 배포는 초기 예상의 3~5배로 가는 경우가 흔하고, 그 시점에 ROI 논리가 무너집니다.

왜 그렇게 되는지는 앞선 90일 측정 글에서 다룬 항목들과 정확히 겹칩니다.

• 파일럿은 깨끗한 데이터로 돌고, 프로덕션은 실제 데이터로 돕니다
• 파일럿은 예외를 무시하고, 프로덕션은 예외가 절반입니다
• 파일럿에는 검수 비용이 없고, 프로덕션에는 있습니다
• 파일럿은 안 깨지고, 프로덕션은 깨지고 고쳐야 합니다

절감 계산에서 검수·예외·유지보수를 빼지 않으면 ROI는 항상 장밋빛으로 나옵니다. 그리고 그 계산으로 승인받은 프로젝트는 6개월 뒤 설명할 수 없는 상태가 됩니다.

조직이 흡수 속도를 못 따라간다

한 분석의 표현이 정확합니다. 파일럿 이후 실패하는 이유는 모델이 고장 나서가 아니라, 조직이 AI 의존을 자기 운영 체계가 감당할 수 있는 속도보다 빠르게 흡수하기 때문입니다.

구체적으로는 이런 모습입니다. 한 팀이 자동화를 만들어 잘 씁니다. 옆 팀이 보고 따라 만듭니다. 6개월 뒤 비슷한 흐름이 열두 개가 되고, 누가 무엇을 유지보수하는지 아무도 모릅니다. 만든 사람이 퇴사하면 그 흐름은 그대로 죽습니다.

이게 앞선 글에서 "자동화를 관리하는 것 자체가 일이 된다"고 한 지점입니다. 확산은 더 많이 만드는 것이 아니라, 만든 것을 감당할 수 있는 구조를 먼저 갖추는 것입니다.

그래서 무엇을 다르게 할 것인가

이 데이터가 실무자에게 주는 함의는 셋입니다.

88%라는 숫자는 무섭게 들리지만, 뒤집으면 실패 지점이 몇 군데로 몰려 있다는 뜻이기도 합니다.

모델을 더 좋은 것으로 바꿔서 넘어간 사례는 드뭅니다. 대부분은 예외를 다루는 방식과 비용을 세는 방식에서 갈렸습니다.

다음 편부터는 영역별로 그 갈림길이 어디에 있었는지 봅니다.