같은 도구, 같은 모델, 같은 예산. 그런데 결과는 7.2배 차이.
PwC가 25개 산업, 1,217명 임원을 들여다봤더니 AI 경제적 가치의 74%를 단 20% 회사가 가져가고 있었어요. 차이는 도구가 아니라 한 가지 전략 선택에서 나왔어요.
PwC가 본 게 뭔데?
2026년 4월에 PwC가 발표한 글로벌 AI Performance Study예요. 25개 산업, director급 이상 임원 1,217명을 2025년 10~11월에 조사했고, 60가지 AI 관리·투자 관행을 'AI fitness index'로 점수화해 매출·효율 성과와 연결했어요.
결과가 좀 충격적이에요. AI 경제적 가치의 74%를 상위 20% 회사가 차지하고 있었어요. 그냥 잘하는 게 아니에요.
평균 경쟁사 대비 매출·효율 향상이 7.2배, 영업이익률은 4%포인트 더 높고, AI 사용 워크플로의 생산성 향상은 리더가 25~40%인데 중위값 회사는 3~7%에 그쳤어요.
PwC 글로벌 회장 Mohamed Kande는 이렇게 정리했어요. "2026년은 AI에 결정적인 해다. 일부 회사는 이미 AI를 측정 가능한 재무 성과로 바꾸고 있는데, 다른 많은 회사는 여전히 파일럿에서 벗어나지 못하고 있다".
도구는 같은데 왜 결과가 다른 건데?
흥미로운 점이 있어요. 차이가 AI 지출 규모나 도구의 정교함에서 오지 않았다는 거예요. 리더와 후발의 진짜 분기점은 AI를 어디에 쓰느냐였어요.
후발 회사들은 AI를 주로 비용 절감과 효율에 썼어요. 같은 일을 더 빨리, 더 적은 인원으로 처리하는 데 집중했죠. 반면 리더 회사들은 AI를 새 매출 창출과 사업 재발명에 썼어요. 특히 산업 융합(industry convergence)을 매출 기회로 잡는 데 AI를 활용하는 게 단일 최강 요인이었어요.
| 후발 회사 (다수) | AI 리더 (상위 20%) | |
|---|---|---|
| AI 사용 목적 | 생산성·비용 절감 위주 | 새 매출 창출·사업 재발명 |
| 산업 융합 기회 발굴에 AI 활용 | 드물게 | 2~3배 더 자주 |
| Responsible AI framework 보유 | 드물게 | 1.7배 더 자주 |
| cross-functional AI governance board | 드물게 | 1.5배 더 자주 |
| 직원의 AI 출력 신뢰도 | 낮음 | 2배 더 높음 |
| 인간 개입 없는 자동 의사결정 증가 | 적음 | 2.8배 더 많이 |
흥미롭게도 거버넌스가 강할수록 자동 의사결정이 더 많아진다는 게 PwC 분석의 핵심 통찰이에요. "trust 확보 → 자동화 확대 → 학습 가속"으로 이어지는 누적 구조죠.
왜 '성장'이 '생산성'보다 압도적이냐
생산성 향상은 결국 나눠 가지는 게임이에요. 우리만 효율적으로 만들어도 경쟁사가 따라오면서 마진은 평준화돼요. 반면 새 매출은 새로 만드는 게임이에요. 산업 경계를 넘어 새 시장을 열면 따라잡기 어려운 격차가 누적됩니다.
Mohamed Kande는 다보스에서 또 다른 PwC 조사 결과를 거론하며 이렇게 말했어요. "AI 도입에서 사람들이 잊고 있는 게 있다. 기술 도입은 기본기로 돌아가야 한다. 깨끗한 데이터, 견고한 비즈니스 프로세스, 거버넌스 말이다". 도구 자랑 말고 토대 말이에요.
핵심만 정리: 시작하는 법
- AI 사용 목적부터 다시 점검
지금 우리 AI 프로젝트 목록을 펴고, 각각이 '비용 절감용'인지 '새 매출 창출용'인지 분류해보세요. 후자 비율이 30% 미만이면 후발군에 가까운 신호예요. - '산업 경계 너머' 매출 기회 찾기
리더 회사들은 자기 산업 안에서만 효율을 찾지 않아요. 인접 산업의 고객 페인포인트를 AI로 해결할 수 있는 지점을 찾아 새 매출원으로 연결하는 식이에요. 핀테크가 보험 견적을, 헬스케어가 금융 행동 데이터를 결합하는 식의 시도가 시작점이에요. - Responsible AI framework + governance board 가볍게 만들기
거창할 필요 없어요. 1장짜리 AI 사용 원칙 문서와, 법무·기술·사업·HR 4개 팀에서 1명씩 들어간 가벼운 검토 위원회로 시작. 리더 회사들은 이걸 1.5~1.7배 더 자주 갖추고 있어요. - 직원이 AI 출력을 신뢰할 수 있게 만들기
모델이 왜 그렇게 답했는지 확인 가능한 인용·근거 표시, 사용자가 결과를 검증하고 수정하는 인터페이스가 필요해요. 신뢰 2배 격차가 곧 자동화 2.8배 격차로 이어집니다. - 분기마다 'AI fitness index' 자가 점검
PwC가 분석한 60개 항목을 다 평가할 필요는 없어요. AI 사용 영역(use)과 토대(foundations) 2개 차원에서 우리는 어디에 더 약한지를 분기마다 점검하고, 다음 분기 우선순위를 거기에 두는 거예요. 이게 학습 격차를 줄이는 가장 빠른 길이에요.
