대기업 500명이 클로드 코드 실전 웨비나에서 던진 질문 TOP 10 — AX의 진짜 현실

지난 4월 16일, 클라이원트는 "클로드 코드로 실현하는 대기업 AX 실전 전략"이라는 주제로 온라인 웨비나를 진행했다. 사전 신청자가 500명을 넘었고, 반응은 우리 예상보다 훨씬 뜨거웠다. 한 시간 반 동안 참가자들이 실시간으로 던진 질문이 73개에 달했고, 사전 등록 시 미리 제출된 질문까지 더하면 100개를 훌쩍 넘겼다.

이만큼 많은 질문이 쏟아졌다는 것은 곧, 한국 대기업·중견기업이 AI 전환(AX) 앞에서 얼마나 많은 고민을 안고 있는지를 보여준다. 본문에서는 그중 가장 반복적으로 나온 열 가지 질문과, 클라이원트가 현장에서 답한 핵심을 정리한다.

누가 질문했는가: 참가자 프로필

신청자들의 업무 현황을 살펴보면, 대기업 AX의 현실이 선명히 드러난다.

매니저·팀장·책임·과장·이사급 중간관리자와 임원이 전체의 80% 이상이었다. 그리고 AI 도구 활용 수준을 묻는 항목에서 "특정 업무 프로세스에 정식 도입해 운영 중"이라고 답한 비율이 34%, "일부 팀원이 개인적으로 활용 중"이 51%에 달했다. 다시 말해, 신청자 85%는 이미 어떤 형태로든 AI를 업무에 쓰고 있는 사람들이었다.

그럼에도 이들이 시간을 내 웨비나를 신청한 이유는 분명하다. "쓰고는 있지만, 제대로 쓰는지 확신이 없다"는 것. 그리고 "개인이 쓰는 것과 조직이 쓰는 것은 전혀 다른 문제"라는 것.

Q1. 보안은 어떻게 통제하나? (가장 많이 나온 질문)

73개 실시간 질문 중 거의 3분의 1이 보안 이슈였다. "사내망과 분리 운영 중인데 도입이 가능한가", "API 연동 시 데이터 유출을 어떻게 막나", "ISMS-P 인증 기업은 어디부터 건드려야 하나" 같은 질문이 반복해서 올라왔다.

클라이원트의 답은 항상 같은 순서다.

• 첫째, 모든 Claude 호출을 사내 AI Gateway 한 곳으로 집중시켜 마스킹과 감사 로그, 차단을 중앙 통제한다.
• 둘째, 마스킹된 데이터로 구성된 샌드박스에서 먼저 레드팀 테스트를 거친다.
• 셋째, IT·보안·법무·현업이 함께 참여하는 AI 거버넌스 위원회를 정례화한다.

무엇보다 중요한 것은 보안팀을 AX의 반대편이 아니라 파일럿 초기부터 공동 설계자로 끌어들이는 구조다. 이 구조만 갖춰두면 "보안 검토 통과 못 해 6개월 지연"되는 전형적 실패를 구조적으로 피할 수 있다. AWS Bedrock을 사용하면 트래픽이 VPC 내부에서만 흘러 아키텍처가 더 단순해지고, ZDR(Zero Data Retention) 옵션을 결합하면 계약상 데이터 보존 자체가 차단된다.

Q2. 비용과 토큰은 어떻게 관리하나?

"한 명이 팀 전체 토큰을 다 쓰면 어떡하나", "엔터프라이즈 규모에서 토큰 사용량은 어떻게 추적하나", "시연해주신 자동화, 한 번 돌릴 때 얼마가 나오나" 같은 질문이 많았다.

Team/Enterprise 플랜은 Admin Console에서 사용자별 spend limit을 설정할 수 있다. 실무에서는 "평균 사용량의 3배"를 상한선으로 두고, 그 이상 쓰는 헤비 유저에게만 예외 승인을 주는 방식이 안정적이다. 그런데 상한선보다 더 효과적인 것은 투명성이다. 주간 대시보드로 "누가 얼마나 쓰는지"를 공유하는 문화가 자리 잡으면, 동료 눈을 의식한 자연스러운 절제가 생긴다.

또 하나, 모델 선택으로 비용을 크게 줄일 수 있다. 모든 요청을 Opus로 받을 필요는 없다. 단순 분류·추출은 Haiku, 중간 복잡도는 Sonnet, 복잡한 추론이 필요한 일만 Opus. 이 라우팅만 제대로 해도 토큰 비용이 절반 이하로 떨어지는 경우가 많다.

Q3. 비개발자도 클로드 코드로 업무 자동화를 할 수 있나?

"저는 인사 담당자인데 가능할까요", "기획·총무·ESG 부서에서도 성공 사례가 있나요", "개발자가 아닌데 어디서부터 시작해야 할까요" 같은 질문이 계속 나왔다.

답은 "가능하다, 다만 순서가 중요하다"이다. 비개발자가 클로드 코드를 잘 쓰는 세 가지 조건이 있다.

• 첫째, 명령어 한 줄이 아니라 "작업 전체"를 자연어로 설계하는 습관. "엑셀 정리해줘"보다 "sales.xlsx에서 매출 100만 원 이상 행만 새 시트로 복사하고, 부서별 합계 그래프를 추가해줘"가 훨씬 정확한 결과를 준다.
• 둘째, CLAUDE.md 파일로 자신의 업무 맥락(자주 쓰는 파일 구조, 회사 톤, 금지 사항)을 한 번 정리해두는 것.
• 셋째, "계획 모드(Shift+Tab 두 번)"를 기본으로 쓰는 습관. 실행 전에 클로드가 계획을 먼저 보여주기 때문에 실수 복구 비용이 급감한다.

실제로 웨비나에서 시연된 에이전트 팀(전략리서치·투자분석·전략기획·영업실행 4개 에이전트가 협업해 투자 기회를 찾아 PPT 초안까지 만드는 시나리오)은 코드를 한 줄도 쓰지 않고 구성된 결과물이었다.

Q4. 할루시네이션은 어떻게 통제하나?

"PoC에서는 잘 되는데 운영에 올리면 엉뚱한 답이 나온다"는 고민이 많았다. 특히 숫자가 들어가는 업무에서 더 민감했다.

현실적인 방법은 3중 방어다.

• 첫째, 시스템 프롬프트에 "근거 없으면 답하지 말고, 모르면 모른다고 말하라"를 명시하고 RAG나 MCP로 실제 데이터에 연결한다.
• 둘째, 숫자·링크·인용처럼 검증 가능한 요소는 규칙 기반 자동 체크를 건다.
• 셋째, 별도의 "리뷰어 에이전트"가 결과를 재검토한다.

이 중 가장 효과적인 원칙은 역할 분리다. 클로드는 해석과 요약만 담당하고, 숫자는 반드시 계산기나 DB에서 가져오게 한다. 완전한 제거는 불가능하므로, 고위험 분기에는 반드시 사람의 최종 승인을 끼워 넣는 설계가 필수다.

Q5. 경영진을 어떻게 설득하고, 전사로 어떻게 확산하는가?

"개인적으로는 써봤는데, 조직에 도입시키려면 어디서부터 시작해야 하나요", "경영진이 ROI 숫자를 요구하는데 어떻게 답해야 하나요" 같은 질문이 후반부에 집중됐다.

맥킨지·MIT 등 주요 기관의 보고서를 보면, AX 프로젝트 중 명확한 성과를 낸 비율은 5% 미만이다. 나머지 95%가 실패하는 이유는 기술이 부족해서가 아니라, 조직이 준비되지 않아서다. 성공하는 5%의 공통점은 세 가지다.

• 첫째, "전사 도입"이 아닌 "한 팀의 성공 사례"로 시작한다. 영업팀이면 영업팀, 법무팀이면 법무팀 하나를 골라 3개월 안에 측정 가능한 결과를 만든다.
• 둘째, KPI를 도입 시점이 아니라 "도입 3개월 후"에 잡는다. "AI 도입했다"가 KPI가 되면 숫자를 만들기 위한 도입이 되고, 그 순간 쓰이지 않는 시스템이 된다.
• 셋째, 변화 관리에 기술 도입과 같은 수준의 시간을 쓴다. 교육·역할 재정의·평가 체계 수정이 없으면 아무리 좋은 도구도 반년 안에 조직에서 밀려난다.

Q6. 클로드 코드는 ChatGPT Codex, Gemini, Copilot과 뭐가 다른가?

"한 회사에 두세 개의 AI를 동시에 결제하기는 부담스럽다", "왜 클로드를 선택해야 하나"라는 질문도 반복됐다.

클로드 코드가 대기업 AX 맥락에서 가진 차이점은 세 가지다.

• 첫째, 긴 컨텍스트 처리 능력이다. 수십 개 파일에 흩어진 사내 문서나 수천 줄짜리 레거시 코드를 한 번에 물고 추론하는 능력은 현재 시점에서 클로드가 강세를 보이는 영역이다.
• 둘째, 에이전트 팀 기능(/agents)을 통해 여러 에이전트가 역할을 나눠 협업하는 구조를 공식 지원한다. 경쟁 도구들도 비슷한 흐름을 따라오고 있지만, 2026년 4월 기준 터미널 버전에서 가장 안정적으로 돌아가는 것은 클로드다.
• 셋째, MCP(Model Context Protocol)를 통한 외부 시스템 연결이다. GitHub, Slack, 사내 DB까지 직접 묶을 수 있는 생태계가 가장 넓다.

그럼에도 회사의 주력 스택이 이미 Copilot 기반이거나, GPT 생태계에 깊이 들어가 있다면 굳이 전환할 필요는 없다. 현실적으로는 "개발·복잡 추론·에이전트 팀 작업에는 클로드, 이미지 생성이나 특정 도메인 툴은 다른 AI" 식으로 섞어 쓰는 기업이 많다. 핵심은 도구 하나에 모든 것을 몰아넣기보다, 업무별 최적 조합을 설계하는 관점이다.

Q7. 사내망 분리 환경, 레거시 시스템에 어떻게 붙이나?

"우리는 인터넷이 끊긴 내부망에서만 일한다", "20년 된 ERP가 API를 안 열어준다", "온프레미스 환경인데 가능한가" 같은 질문이 특히 보수적인 산업군에서 많이 나왔다.

접근은 두 갈래로 나뉜다. 완전한 내부망 환경이라면 AWS Bedrock 같은 VPC 내부 배포 옵션을 쓰거나, 온프레미스 LLM(예: Llama 계열)과 클로드를 병행 설계한다. 민감도가 낮은 해석·요약 업무는 클로드 API로, 민감도가 높은 데이터 처리는 온프레미스 모델로 분리한다. 개인정보나 기밀이 섞이지 않는 일반 리서치·문서 업무부터 시작하면 도입 허들이 크게 낮아진다.

레거시 시스템이 API를 열지 않는 경우는 두 가지 우회로가 있다.

• 첫째, Claude for Chrome이나 브라우저 자동화로 웹 UI 자체를 조작하는 방식.
• 둘째, 중간에 얇은 브리지(예: RPA + Python 스크립트)를 두고 클로드는 "해석·판단"만 담당하게 하는 구조. 20년 된 시스템을 건드리지 않고도 그 위에 AI 레이어를 얹는 방식이 현실에서 가장 자주 쓰인다.

Q8. 하네스 엔지니어링이 뭐고, 왜 중요한가?

시연 중 여러 번 언급된 "하네스 엔지니어링(harness engineering)"에 대한 질문도 많았다. "개인 단에서만 쓰는 스킬 아닌가", "대기업에서 전사 적용이 가능한가"라는 회의적 시각도 함께였다.

하네스 엔지니어링은 프롬프트 엔지니어링의 한 단계 위 개념이다. 단일 프롬프트를 잘 쓰는 기술이 아니라, 에이전트의 역할·목표·다른 에이전트와의 관계를 "시스템 레벨"에서 정의하는 작업이다. 시연된 "전략리서치·투자분석·전략기획·영업실행 4개 에이전트" 구조는 각 에이전트 정의 파일(.md)을 사내 표준으로 저장해두고, 비슷한 과제가 들어올 때마다 재사용한다. 이 방식이 전사 확산의 핵심인 이유는, 한 번 잘 설계된 에이전트 팀이 다른 부서에서도 그대로 돌아가기 때문이다.

개인이 만든 하네스를 전사로 올리려면 공유 공간(사내 Git, Confluence, 또는 전용 에이전트 라이브러리)이 필요하다. 클라이원트는 이를 "에이전트 카탈로그"라 부르며, 고객사마다 10~30개의 재사용 가능한 에이전트 정의를 표준화해 넘긴다. 이 카탈로그가 곧 조직의 AX 자산이 된다.

Q9. 클로드 코드로 만든 자동화를 어떻게 유지보수하나?

"PoC 단계는 재미있는데, 6개월 후 누가 이 코드를 볼 것인가"라는 현실적 질문도 있었다. 클로드가 만든 코드는 빠르게 쌓이는데, 그 속도를 조직이 감당할 수 있느냐의 문제다.

유지보수 전략의 핵심은 세 가지다.

• 첫째, 모든 자동화 프로젝트를 Git 기반으로 관리하고 커밋 메시지를 클로드가 자동으로 쓰게 한다. 인간이 6개월 후 읽어도 맥락을 복원할 수 있다.
• 둘째, CLAUDE.md 파일에 프로젝트의 목표·금지 사항·코딩 스타일을 미리 기록해두어, 새 클로드 세션이 컨텍스트를 즉시 복원할 수 있게 한다.
• 셋째, 주기적으로 "리팩토링 에이전트"를 돌려 누적된 코드를 정리한다.

"클로드가 만든 코드를 클로드가 유지보수한다"는 구조로 가야 지속 가능하다. 사람이 AI 코드를 일일이 읽는 모델은 수명이 짧고, AI가 만든 자산을 AI가 관리하되 중요한 결정만 사람이 리뷰하는 구조가 표준이 되고 있다.

Q10. RPA와 AI 자동화는 경쟁 관계인가, 보완 관계인가?

"이미 RPA를 돌리고 있다", "AI와 RPA 중 어느 쪽이 더 나은가"라는 질문도 꽤 있었다.

두 기술은 경쟁이 아니라 역할이 다르다. RPA는 규칙이 명확하고 반복적인 작업(엑셀 A 열을 B 파일 C 열에 복사하기, 웹 폼 입력 자동화 등)에 강하다. AI는 비정형 데이터 해석, 문맥 판단, 예외 상황 대응에 강하다. 실제 현장에서 가장 효과적인 설계는 둘을 결합하는 것이다. RPA가 데이터를 수집하고 정형화한 뒤, AI가 그 결과를 해석하고 판단하는 구조가 대표적이다.

기존에 RPA에 투자한 기업은 그 자산을 버릴 필요가 없다. 오히려 AI를 "RPA가 수집한 데이터의 두뇌"로 얹는 방식이 투자 대비 가장 빠른 성과를 낸다. 반대로 RPA 구축 비용이 부담스러운 기업은 처음부터 클로드 코드 + 브라우저 자동화로 같은 효과를 내는 경로도 열려 있다.

웨비나가 끝나도 질문은 끝나지 않았다

한 시간 반짜리 웨비나에서 다룰 수 있는 주제는 한정적이다. 하지만 500명이 넘는 신청과 100개 이상의 질문이 말해준 것은 분명하다. 한국의 대기업·중견기업은 이미 AI를 쓰고 있고, 다음 단계로 가기 위한 구체적 답을 찾고 있다.

클라이원트는 이 질문에 답하기 위해 만들어진 회사다. AI로 기업의 입찰·제안·수주 전 과정을 자동화하는 제품을 운영하면서, 동시에 국내외 대기업의 AX 여정을 파일럿 설계부터 거버넌스 수립, 전사 확산까지 함께해 왔다. 이번 웨비나에서 소개된 프레임워크는 실제 고객사 프로젝트에서 검증된 방식이다.

"우리 회사 환경에서 어디서부터 시작해야 할지 모르겠다"는 생각이 든다면, 단 30분의 상담만으로 방향이 잡히는 경우가 많다. 아래 폼으로 문의를 남기면, 클라이원트 AX 팀이 회사 상황에 맞춘 시작점을 함께 설계한다.