DX와 AX는 무엇이 다른가｜챗봇을 붙여도 회사가 바뀌지 않는 이유
회사에 생성형 AI 계정을 배포하고 챗봇을 붙였는데도 결재 시간, 고객 응답, 원가가 그대로라면 이상한 일이 아니다. 도구 도입과 업무 전환은 다르기 때문이다. DX는 종이와 단절된 시스템을 디지털로 바꾸고 데이터가 흐를 기반을 만드는 일에 가깝다. AX는 그 기반 위에서 AI가 분석·추천·실행에 참여하도록 업무 순서, 사람의 역할, 승인 책임까지 다시 설계하는 일이다.
- DX는 디지털 기반과 연결을 만들고, AX는 그 위의 의사결정과 실행 흐름을 재설계한다.
- AI 사용률은 AX 성공률이 아니다. 전사 확장, 손익 영향, 검증 체계를 따로 봐야 한다.
- 기업 성과 수치는 회사 발표 기준이며 목표와 운영 실적을 구분해야 한다.
끈으로 연결된 세 개의 단색 도자기 블록으로 DX와 AX의 차이를 설명하는 이미지. ※ 생성형 AI로 만든 이해용 이미지이며, 실제 기업·기관 현장 기록 사진이 아닙니다.
※ 생성형 AI로 만든 이해용 이미지이며, 실제 기업·기관 현장 기록 사진이 아닙니다.
DX와 AX를 가르는 실무 기준
DX의 질문은 “정보를 디지털로 남기고 시스템끼리 연결했는가”다. 전자결재, ERP, CRM, 클라우드 이전, 데이터 표준화가 여기에 들어간다. AX의 질문은 “AI의 판단이 업무 결과에 반영되며, 그 결과를 누가 검토하고 책임지는가”다. 예컨대 상담 기록을 저장하는 것은 DX이고, 기록을 분석해 다음 조치를 추천하되 고위험 건은 사람에게 넘기고 결과를 다시 학습 데이터로 남기는 폐루프를 만드는 것은 AX에 가깝다.
파란 플러그와 회색 플러그 두 개가 서로 떨어져 놓인 모습으로 DX와 AX의 차이를 설명하는 이미지. ※ 생성형 AI로 만든 이해용 이미지이며, 실제 기업·기관 현장 기록 사진이 아닙니다.
두 전환은 순차 시험처럼 딱 잘라 나뉘지 않는다. 데이터 표준화가 덜 된 기업은 DX와 AX를 동시에 진행할 수 있다. 다만 기초 데이터가 없는데 모델부터 사면 답변은 그럴듯해도 실행 품질을 측정하기 어렵다. 제품 구매 목록이 아니라 입력 데이터, 판단 규칙, 실행 시스템, 예외 처리, 책임자의 연결 여부를 점검해야 한다.
2025년 기업 사례가 보여 준 차이
LG CNS는 2025년 AX Fair에서 자사 서비스로 고객 리뷰 1,000건 분류 시간이 2일에서 약 40초로 줄고, 인사 특화 서비스의 업무 생산성이 약 26% 개선됐다고 발표했다. 이는 회사 발표 기준 수치이며 금융 고객 중심의 PoC가 포함돼 있다. 모든 기업의 전사 상용 운영 성과로 일반화할 수 없고, 표본·비용·비교 기간도 함께 확인해야 한다.
색깔 튜브로 이어진 빈 금속 트레이 세 개로 DX와 AX의 차이를 설명하는 이미지. ※ 생성형 AI로 만든 이해용 이미지이며, 실제 기업·기관 현장 기록 사진이 아닙니다.
SK AX도 조직·문화·시스템·프로세스를 AI 중심으로 재설계한다는 방향을 제시했다. 회사 발표 기준으로 기술 특화 에이전트 생산성 약 35% 향상, 1만 건 서류심사 4시간 처리, 성과관리 평가 시간 80% 이상 단축을 공개했다. 그러나 2030년까지 전체 업무를 AI Workforce로 전환해 생산성을 50% 이상 높인다는 수치는 현재 실적이 아니라 목표다.
케이블 세 가닥이 연결된 닫힌 금속 접속함으로 DX와 AX의 차이를 설명하는 이미지. ※ 생성형 AI로 만든 이해용 이미지이며, 실제 기업·기관 현장 기록 사진이 아닙니다.
도입률과 성과 사이의 간극
McKinsey의 2025년 자기보고식 조사에서는 최소 한 업무에서 AI를 정기 사용한다는 응답이 88%였지만, 전사 확장 단계는 약 3분의 1이었다. 전사 EBIT 효과를 보고했다는 응답도 39%였다. 88%를 AX 성공률로 읽으면 안 되는 이유다. OECD가 발표한 2025년 조사 가능 국가 기업의 AI 이용률은 20.2%였고 대기업 52.0%, 소기업 17.4%로 규모 차이도 컸다. 두 조사는 모집단과 정의가 다르므로 숫자를 직접 비교해 우열을 결론 내릴 수 없다.
맞물린 금속 기어와 나무 블록 세 개로 DX와 AX의 차이를 설명하는 이미지. ※ 생성형 AI로 만든 이해용 이미지이며, 실제 기업·기관 현장 기록 사진이 아닙니다.
성과를 보려면 로그인 수나 프롬프트 수보다 처리시간, 오류율, 재작업률, 고객 이탈, 비용과 매출 같은 결과 지표가 필요하다. 동시에 AI 외의 공정 표준화, 교육, 시스템 교체 효과를 분리해야 한다. 실증 결과, 상용 운영, 독립 검증은 서로 다른 증거 단계다.
챗봇을 AX로 바꾸는 업무 재설계
첫째, 한 업무의 시작과 끝을 그린다. 둘째, AI가 읽을 데이터와 접근 권한을 정한다. 셋째, 추천만 할지 자동 실행할지 위험도별로 나눈다. 넷째, 오류가 나면 사람이 되돌리고 중단할 경로를 둔다. 다섯째, 도입 전 기준값을 저장한 뒤 같은 방식으로 성과를 측정한다. 이 과정이 없으면 챗봇은 기존 업무 위에 새로운 창 하나를 더하는 데 그친다.
닫힌 알루미늄 장비함과 말아 둔 파란 끈으로 DX와 AX의 차이를 설명하는 이미지. ※ 생성형 AI로 만든 이해용 이미지이며, 실제 기업·기관 현장 기록 사진이 아닙니다.
도입 전 체크리스트
- 대상 업무의 기준 처리시간과 오류율을 기록했는가?
- AI가 사용할 데이터의 소유자와 품질 책임자가 정해졌는가?
- 추천, 승인, 자동 실행의 경계를 위험도별로 나눴는가?
- 예외 상황을 사람에게 이관하고 즉시 중단할 수 있는가?
- 모델·프롬프트·데이터 변경 이력을 감사할 수 있는가?
- 실증 목표와 상용 운영 지표를 별도로 관리하는가?
중앙 금속 연결부를 둘러싼 무문자 도자기 타일 네 장으로 DX와 AX의 차이를 설명하는 이미지. ※ 생성형 AI로 만든 이해용 이미지이며, 실제 기업·기관 현장 기록 사진이 아닙니다.
자주 묻는 질문(FAQ)
Q1. 생성형 AI를 전 직원에게 주면 AX인가?
A. 아니다. 데이터 연결, 업무 재설계, 실행과 책임 체계, 결과 측정이 함께 있어야 전환으로 볼 수 있다.
Q2. DX를 끝낸 뒤에만 AX를 시작할 수 있나?
A. 꼭 그렇지는 않다. 다만 필요한 데이터의 표준화와 시스템 연결은 대상 업무 범위 안에서 먼저 확보해야 한다.
Q3. PoC의 시간 단축 수치를 믿어도 되나?
A. 가능성을 보여 주지만 상용 성과와 같지 않다. 표본, 비교 기간, 비용, 재작업과 예외 비율을 함께 확인해야 한다.
Q4. AX의 첫 대상 업무는 어떻게 고르나?
A. 반복량이 많고 기준 답이 있으며 실패 피해가 제한적이고, 도입 전후 지표를 구할 수 있는 업무가 적합하다.
세 갈래 금속 채널이 하나로 모이는 작업대로 DX와 AX의 차이를 설명하는 이미지. ※ 생성형 AI로 만든 이해용 이미지이며, 실제 기업·기관 현장 기록 사진이 아닙니다.