업종으로 물으면 일반론, 기업명으로 물어야 사례입니다

들어가며 — “우리 업종 AI 사례 좀 찾아줘”

요즘 많은 분이 AI에게 이런 일을 시킵니다. “우리 업종에서 AI를 어떻게 쓰고 있는지 사례 좀 정리해줘.” 보고서에 넣을 도입 근거가 필요하니까요. 그런데 돌아온 답을 보면 맥이 빠집니다. “AI가 산업 전반의 생산성을 높이고 있으며, 도입이 중요합니다”… 정책 동향, 업계 트렌드, 원론적인 이야기뿐이고, 정작 어느 회사가 무엇을 어떻게 했는지는 없습니다. 그러면 결론이 이렇게 납니다 — “AI가 아직 사례 찾는 건 별로네.”

저는 교육 자료의 사례를 최신 버전으로 갈아끼울 때 이 지점을 늘 지나갑니다. 한 제조 기업의 영업 교육 자료를 손보면서 그 업종의 2026년 AI 활용 사례를 찾을 때도, 업종 키워드로 던지면 어김없이 일반론이 돌아오죠. 하지만 거기서 멈추지는 않습니다. 그건 AI가 무능하다는 뜻이 아니라 질문이 아직 넓다는 신호일 뿐이거든요. 질문의 해상도를 한 칸 올리면, 빈손이던 검색이 갑자기 알맹이를 물어옵니다.

1. 업종으로 물으면, AI는 ‘평균’을 답한다

먼저 왜 일반론만 오는지부터 봅시다. 업종 키워드는 너무 넓습니다. “○○업 AI 사례”라고 물으면, AI는 그 넓은 범위 안에서 가장 흔하고 평균적인 내용으로 답을 채웁니다. 어느 산업에 갖다 붙여도 맞는 말 — 정책 예산이 늘고 있다, 생산성이 중요하다, 도입을 서둘러야 한다 — 같은 것들이죠. 알맹이(어떤 회사가 구체적으로 무엇을 했는지)는 그 평균값에 묻혀버립니다.

이건 새삼스러운 이야기가 아닙니다. 전에 좋은 답은 좋은 질문에서 나온다고 쓰면서, 증상을 던지면 범용 답이 오고 문제를 좁혀 정의하면 날카로운 답이 온다고 했습니다. 검색도 똑같아요. “○○업 AI 사례”는 증상에 가까운 넓은 질문이고, 넓은 질문에는 넓은(=평균적인) 답이 돌아옵니다. AI는 거짓말을 한 게 아니라, 내가 던진 그 넓이만큼 정직하게 평균을 답한 겁니다.

2. 한 칸 더 좁히면, 일반론이 사례가 된다

그러니 해법도 같은 자리에서 나옵니다. 답이 넓은 이유가 질문이 넓어서라면, 질문을 좁히면 됩니다. 업종어로 묻기를 멈추고 그 업종의 대표 기업 이름, 그리고 그 회사가 쓴다고 알려진 제품·플랫폼 이름까지 내려가 묻는 거예요. 질문이 한 칸 구체적으로 좁아지면, 답도 한 칸 구체적으로 내려옵니다 — 그 회사가 사내에 어떤 AI를 두고 어떤 업무에 썼는지, 무엇을 자동화했고 무엇이 아직 과제로 남았는지. 업종어 앞에서는 평균에 묻혀 보이지 않던 알맹이가, 고유명사 앞에서는 또렷하게 드러납니다.

여기서 일하는 방식 하나를 건질 수 있습니다. 검색의 첫 결과가 일반론이면, 그건 끝이 아니라 신호입니다 — “한 칸 더 좁혀라.” 넓은 업종 키워드에서 → 대표 기업 이름으로 → 그 회사의 제품·사건 이름으로. 해상도를 한 단계 올릴 때마다 답은 평균에서 멀어지고 알맹이에 가까워집니다. 같은 웹, 같은 AI인데 갈리는 건 딱 하나, 질문을 얼마나 좁혔느냐예요.

AI가 무능해서 일반론이 온 게 아닙니다. 질문이 넓었을 뿐이에요. 한 칸 더 좁히면, 같은 AI가 알맹이를 가져옵니다.

3. 좁혀서 찾은 사례도, 숫자는 못 박은 것만 쓴다

그런데 한 칸 더 좁혀 좋은 사례를 찾고 나면, 또 다른 함정이 기다립니다. AI가 그 사례에 그럴듯한 정량 성과를 붙여줄 때가 있어요. “이 도입으로 처리 시간 40% 단축” 같은 숫자를요. 깔끔하게 떨어지는 수치라 보고서에 바로 넣고 싶어집니다. 그런데 출처를 따라가 보면, 그런 숫자가 어디에도 없는 경우가 적지 않습니다. 사례 정리의 진짜 위험은 사례를 못 찾는 게 아니라, 찾은 사례에 가짜 숫자가 슬쩍 얹히는 것입니다.

그래서 저는 규칙을 단순하게 둡니다. 정성적인 사실(무엇을 어디에 썼다)은 출처가 확인되면 쓰되, 정량 숫자는 1차 출처로 못 박은 것만 적습니다. 못 찾으면 비워두고 “확인 필요”로 표시하죠. 검증할 수 있는 만큼만 가져오는 겁니다 — 전에 검증할 수 있는 만큼만 맡길 수 있다고 한 것과 같은 원칙이에요. 좁혀서 알맹이를 찾는 일과, 그 알맹이가 진짜인지 못 박는 일은 한 쌍으로 움직입니다. 좁히기만 하고 검증을 빼면, 더 그럴듯해서 더 위험한 가짜를 보고서에 싣게 되니까요.

4. 바뀐 건 검색 실력이 아니라, 질문의 해상도

정리하면 이렇습니다. AI에게 사례나 리서치를 시켰는데 빈손이라면, AI가 무능해서가 아니라 질문이 넓어서일 가능성이 큽니다. 그리고 좁힌다는 건 검색어를 더 많이 외우는 테크닉이 아니에요. 무엇을 찾는지 내가 먼저 아는 일입니다 — 그 업종에 어떤 기업이 후보인지, 무슨 제품이나 사건을 찾고 있는지, 그 윤곽을 내가 쥐고 있어야 AI에게 좁혀서 시킬 수 있습니다.

그래서 AI 검색을 잘 쓰는 사람은 그럴듯한 검색어를 잘 떠올리는 사람이 아닙니다. 대상의 윤곽을 쥐고 한 칸씩 좁혀 들어가는 사람이에요. 넓게 한 번 던져 일반론이 오면, “AI가 별로네” 하고 덮는 대신 “아직 너무 넓었구나” 하고 한 칸 좁히는 사람. 그게 같은 도구로 빈손과 알맹이를 가르는 차이입니다.

이건 특별한 검색 기술이 아니라 일하는 방식의 문제입니다. 넓게 물어 평균을 받을지, 좁혀 물어 알맹이를 받을지 — AI가 결정하는 게 아니라, 질문을 쥔 사람이 결정합니다.

본문의 작업 사례는 실무에서 흔히 겪는 유형을 일반화·익명화한 것이며, 특정 기업·산업을 가리키지 않습니다. 해석과 현장 관점은 박상훈의 견해입니다.