🔗 원문 전체 보기 → Venturesquare.net
![[김지현의 스케일업 노트] AI도 결국 전략이다…스케일업 성패 가르는 ‘문제 정의’](https://www.venturesquare.net/wp-content/uploads/2026/09/SCALEUP-NOTE-1536x806-1.jpg)
요약
기업의 AI 활용은 빠르게 늘고 있지만 개인의 생산성 향상이 기업 전체의 재무 성과로 이어지는 비율은 아직 제한적이다. AI 도입의 성패는 최신 기술이나 모델의 보유 여부보다 기업이 해결하려는 비즈니스 문제를 얼마나 명확히 정의했는지에 달려 있다. AI를 통해 줄이려는... The post [김지현의 스케일업 노트] AI도 결국 전략이다…스케일업 성패 가르는 ‘문제 정의’ appeared first on 벤처스퀘어.
본문
요즘 어디를 가도 AI 이야기가 빠지지 않는다. SNS와 미디어, 투자 발표자료는 물론 사적인 모임에서도 새로운 AI 도구와 활용법이 화제다. 기업들은 생산성과 업무 효율을 높이기 위해 AI를 도입하고, 시장에서는 이를 통해 더 짧은 시간에 더 큰 성과를 만들 수 있다는 전망이 이어진다. 동시에 매일 쏟아지는 AI 관련 메시지와 이메일, 광고를 접하며 변화에 뒤처질까 초조함을 느끼는 경영자도 적지 않다.
이런 상황에서 기업의 AI 도입 성과를 분석한 두 보고서가 눈길을 끌었다. MIT NANDA의 ‘2025 기업 AI 현황: 생성형 AI 격차(The GenAI Divide: State of AI in Business 2025)’와 맥킨지앤드컴퍼니의 ‘2026 AI 현황 글로벌 조사(The State of AI: Global Survey 2026)’다.
두 보고서가 바라본 지점은 조금 다르지만 결론은 선명하다. 기업의 AI 활용은 빠르게 늘고 있지만, 도입 자체가 기업 전체의 재무 성과로 곧바로 이어지지는 않는다는 것이다.
MIT NANDA 보고서는 조사한 기업용 생성형 AI 프로젝트 가운데 약 95%가 측정 가능한 손익 성과를 만들지 못한 것으로 분석했다. 맥킨지 조사에서는 응답자의 80%가 AI를 통해 개인 생산성이 향상됐다고 답했지만, AI가 기업의 영업이익(EBIT)에 기여했다고 응답한 비율은 37%에 그쳤다. 개인이 체감하는 업무 효율과 기업이 확인하는 실질적인 성과 사이에 여전히 간극이 있다는 의미다.
특히 MIT NANDA 보고서에서 주목할 부분은 투자 영역과 실제 성과가 발생한 영역이 달랐다는 점이다. 기업의 생성형 AI 예산은 주로 영업과 마케팅에 집중됐지만, 확인 가능한 비용 절감 효과는 행정과 재무, 조달, 문서 처리 등 지원 부서의 업무 자동화에서 더 많이 나타났다.
도입 방식에 따른 차이도 컸다. 전문기업의 상용 솔루션을 구매하거나 외부 파트너와 협력한 프로젝트의 성공률은 약 67%였지만, 기업이 자체적으로 개발한 프로젝트는 약 33%에 그쳤다. AI 모델을 보유했는지보다 실제 업무 흐름에 얼마나 빠르게 적용하고 수정할 수 있었는지가 성과를 좌우했다.
운영비 부담도 새로운 변수다. 맥킨지 조사에서는 기업 다섯 곳 중 한 곳가량이 AI 관련 운영비 증가로 사용에 제약을 받고 있다고 답했다. 실제 현장에서도 AI를 도입한 뒤 토큰 사용료가 예상보다 빠르게 증가해 연간 예산을 몇 달 만에 소진하거나, 구성원의 사용 범위를 제한하는 사례가 발생하고 있다. AI를 도입하고도 비용 문제로 충분히 활용하지 못하는 상황이다.
AI 도입의 성패는 얼마나 많은 기술을 활용하느냐보다 기업이 해결하려는 비즈니스 문제를 얼마나 명확히 정의했는지에 달려 있다. (출처: AI 생성형 이미지)
AI는 쉬지 않는다, 그래서 회사는 더 바빠졌다
얼마 전 만난 한 기업 대표는 AI를 도입한 뒤 회사가 오히려 더 바빠졌다고 말했다. AI가 24시간 검토할 자료와 판단할 사안을 만들어내면서 그동안 처리하지 못했던 업무까지 빠르게 진행할 수 있게 됐기 때문이다. 결원이 발생해도 곧바로 인력을 충원하지 않고 기존 조직으로 업무를 이어갈 수 있어 신규 채용도 크게 줄였다.
일부 직원의 업무량은 늘었지만 회사는 비용과 운영 효율 측면에서 분명한 성과를 확인했다. 화려한 매출 증가보다 반복 업무 처리와 인력 운용, 의사결정 속도에서 AI 도입 효과가 먼저 나타난 사례다. 앞선 보고서에서 지원 부서의 업무 자동화와 프로세스 개선이 실질적인 성과로 이어졌다는 분석과도 연결된다.
최근에는 여러 기업과 AI 의사결정 모델을 활용해 사업 성과를 측정하는 워크숍을 논의했다. 기업들의 반응은 크게 두 부류로 나뉘었다.
한쪽은 AI 모델 시연을 통해 활용 가능성을 확인한 뒤 빠르게 도입하고, 실제 결과를 측정하면서 수정·보완하기로 했다. 이들은 AI를 통해 해결하려는 비즈니스 문제가 명확했다. 워크숍에서도 구체적인 질문과 토론이 이어졌고 의사결정 속도도 빨랐다. 완벽한 답을 기다리기보다 먼저 적용하고 결과를 확인하며 자사에 맞는 모델을 만들어가려는 태도였다.
다른 기업들은 여러 차례 시연과 검토를 진행한 뒤에도 결정을 미뤘다. 자체 개발 중인 모델을 활용해야 한다는 의견이 있었고, 새로운 기술 도입을 두고 내부 구성원을 설득하거나 다시 보고해야 하는 부담도 컸다. 수십 건의 적용 사례가 있어도 기술 검토보다 내부 의사결정 과정의 피로감이 더 중요한 판단 기준으로 작용했다.
신중하게 검토하는 태도 자체가 문제일 수는 없다. 두 부류를 가른 것은 AI 기술에 대한 지식의 차이보다 회사가 풀어야 할 문제를 얼마나 분명하게 인식하고 있는지의 차이였다. 해결해야 할 과제가 명확한 기업은 AI가 그 문제에 적합한 수단인지 판단할 수 있었다. 반대로 문제 정의가 모호한 기업은 기능과 사례를 반복해서 살펴봐도 도입 여부를 결정하기 어려웠다.
AI 도입은 새로운 소프트웨어 하나를 추가하는 일이 아니다. 기업이 일하는 방식과 자원을 배분하는 방식, 의사결정의 속도를 바꾸는 경영의 선택이다. AI를 제품으로 개발하는 기업과 내부 업무에 활용하는 기업 모두 같은 질문에서 출발해야 한다. 어떤 비즈니스 문제를 해결하려는지, AI를 통해 시간과 비용을 얼마나 줄일 것인지, 그 성과를 어떤 기준으로 측정할 것인지 먼저 정해야 한다.
AI가 유행하기 때문에 도입하면 기대하는 성과도 모호해진다. 반면 해결하려는 문제가 분명하면 필요한 기술과 적용 범위, 투자 규모와 성과 지표를 구체적으로 설계할 수 있다. 자체 개발과 외부 솔루션 도입 가운데 어떤 방식이 적합한지도 같은 기준으로 판단할 수 있다.
앞으로 2~3년 동안 기업 간 AI 활용 격차는 더 커질 가능성이 높다. 그 차이를 만드는 요인은 얼마나 최신 기술을 먼저 도입했느냐보다 AI를 통해 무엇을 바꾸려 했고, 그 결과를 얼마나 빠르게 측정하고 개선했느냐가 될 것이다.
안 가본 길에 먼저 나설 용기와 의지가 있는가. AI를 통해 이루려는 목표가 분명한가. 아니면 다른 기업보다 뒤처지지 않기 위해 AI를 도입하려 하는가. 어느 쪽이든 회사의 선택이다. 다만 그 선택에 따라 앞으로 만들어질 비즈니스의 속도와 경쟁력은 크게 달라질 수 있다. 결국 AI도 성장과 스케일업을 위한 전략적 선택이다.
김지현 대표 JiHyun & Company 대표. Abbott, AstraZeneca, Gilead, Allergan 등 글로벌 제약사와 다국적 기업에서 30년 이상 마케팅과 영업, 한국 및 아시아 국가 대표, 아시아 커머셜 전략 리더십을 경험했다. 현재는 한국과 싱가포르를 중심으로 성장 단계 기업과 투자사 포트폴리오의 커머셜 전략이 실제 비즈니스 성과로 이어질 수 있도록 자문하고 있다.
참고 자료
MIT NANDA, The GenAI Divide: State of AI in Business 2025
McKinsey & Company, The State of AI: Global Survey 2026
Like this:
Like Loading...Related
[Kim Ji-hyun’s Scale-up Note] AI is Ultimately a Strategy… 'Problem Definition' That Determines Scale-up Success or Failure
These days, AI is a topic of conversation wherever you go. New AI tools and applications are hot topics not only on social media, in the media, and in investment presentations, but also in private gatherings. Companies are adopting AI to boost productivity and work efficiency, and the market predicts that this will enable greater results in a shorter amount of time. At the same time, many executives feel anxious about falling behind the changes as they are bombarded daily with AI-related messages, emails, and advertisements.
Under these circumstances, two reports analyzing the performance of AI adoption in companies have attracted attention. These are MIT NANDA's 'The GenAI Divide: State of AI in Business 2025' and McKinsey & Company's 'The State of AI: Global Survey 2026'.
Although the two reports take slightly different perspectives, their conclusions are clear. While corporate use of AI is rapidly increasing, adoption itself does not immediately translate into overall financial performance.
The MIT NANDA report analyzed that approximately 95% of the enterprise generative AI projects surveyed failed to generate measurable profit and loss results. In a McKinsey survey, while 80% of respondents stated that personal productivity improved through AI, only 37% responded that AI contributed to the company's operating profit (EBIT). This implies that there is still a gap between the work efficiency perceived by individuals and the actual results confirmed by companies.
A particularly noteworthy aspect of the MIT NANDA report is that the areas of investment differed from the areas where actual results were achieved. While companies' generative AI budgets were primarily concentrated on sales and marketing, tangible cost savings were more evident in the automation of tasks within support departments, such as administration, finance, procurement, and document processing.
There were also significant differences depending on the implementation method. The success rate of projects that purchased commercial solutions from specialized firms or collaborated with external partners was approximately 67%, whereas projects developed in-house by companies only reached about 33%. Performance was determined not by whether an AI model was possessed, but by how quickly it could be applied to and modified within the actual workflow.
The burden of operating costs is also a new variable. A McKinsey survey found that approximately one in five companies reported facing restrictions on usage due to rising AI-related operating expenses. In practice, there are instances where token usage fees have increased faster than expected after AI adoption, leading to the exhaustion of annual budgets within a few months or the restriction of usage scope for employees. This creates a situation where companies are unable to fully utilize AI due to cost issues, even after its implementation.
The success or failure of AI adoption depends more on how clearly a company defines the business problem it aims to solve than on how much technology is utilized. (Source: AI-generated image)
AI never rests, so companies have become busier.
A company CEO I met recently said that his company has actually become busier since adopting AI. This is because AI generates data to review and matters to decide 24 hours a day, enabling the rapid processing of tasks that were previously impossible to handle. Furthermore, new hiring has been significantly reduced as the existing organization can continue operations without immediately filling vacancies.
While the workload of some employees increased, the company confirmed clear results in terms of cost and operational efficiency. This is a case where the effects of AI adoption manifested first in the processing of repetitive tasks, workforce management, and decision-making speed, rather than through flashy revenue growth. This also aligns with the analysis in a previous report that task automation and process improvements in support departments led to tangible results.
Recently, I discussed workshops with several companies on measuring business performance using AI decision-making models. The responses from the companies were largely divided into two categories.
One side decided to confirm the feasibility of the AI model through demonstrations, quickly adopt it, and modify and refine it while measuring actual results. They had a clear understanding of the business problems they aimed to solve with AI. Specific questions and discussions continued during the workshop, and decision-making was rapid. Their attitude was to build a model tailored to their company by applying the technology first and verifying the results, rather than waiting for a perfect answer.
Other companies delayed their decisions even after conducting multiple demonstrations and reviews. There were suggestions to utilize models under internal development, and the burden of persuading internal members or reporting back regarding the adoption of new technology was significant. Even with dozens of application cases, the fatigue of the internal decision-making process acted as a more important criterion than technical review.
The attitude of careful consideration itself cannot be the problem. What distinguished the two groups was not a difference in knowledge of AI technology, but rather how clearly they recognized the problems they needed to solve. Companies with clear challenges were able to determine whether AI was the appropriate tool for those problems. Conversely, companies with ambiguous problem definitions found it difficult to decide whether to adopt it, even after repeatedly examining features and case studies.
Adopting AI is not merely the addition of a new piece of software. It is a management choice that transforms the way a company operates, allocates resources, and accelerates decision-making. Both companies developing AI as products and those utilizing it for internal operations must start with the same questions. They must first determine which business problem they intend to solve, how much time and cost they will reduce through AI, and by what criteria they will measure the results.
Adopting AI simply because it is a trend makes the expected outcomes vague. On the other hand, if the problem to be solved is clear, the necessary technology, scope of application, investment scale, and performance indicators can be specifically designed. The appropriate approach between in-house development and adopting external solutions can also be determined using the same criteria.
Over the next two to three years, the gap in AI adoption among companies is likely to widen further. The factors creating this difference will be not how early the latest technology was adopted, but rather what changes were intended to be made through AI and how quickly the results were measured and improved.
Do you have the courage and determination to be the first to venture down an untrodden path? Is your goal for achieving AI clear? Or are you adopting AI merely to avoid falling behind other companies? Either way, it is the company's choice. However, depending on that choice, the speed and competitiveness of the business that will be built in the future can vary significantly. Ultimately, AI is a strategic choice for growth and scaling up.
JiHyun Kim is the CEO of JiHyun & Company. With over 30 years of experience in marketing, sales, representing Korea and Asian countries, and leading Asian commercial strategies at global pharmaceutical companies and multinational corporations such as Abbott, AstraZeneca, Gilead, and Allergan, she currently advises growth-stage companies and portfolio firms based in Korea and Singapore to translate commercial strategies into tangible business results.
Reference materials
MIT NANDA, The GenAI Divide: State of AI in Business 2025
McKinsey & Company, The State of AI: Global Survey 2026
[キム・ジヒョンのスケールアップノート] AIも結局戦略だ…スケールアップ成敗を教える「問題の定義」
最近どこに行ってもAIの話が抜けない。 SNSとメディア、投資発表資料はもちろん、プライベートな集会でも新しいAIツールと活用法が話題だ。企業は生産性と業務効率を高めるためにAIを導入し、市場ではこれにより短時間でより大きな成果を作ることができるという見通しが続く。同時に、毎日注がれるAI関連のメッセージや電子メール、広告に触れ、変化に遅れるか焦っていることを感じる経営者も少なくない。
このような状況で企業のAI導入成果を分析した2つの報告書が注目を集めた。 MIT NANDAの「2025企業AI現況：生成型AI格差(The GenAI Divide: State of AI in Business 2025)」とマッキンジーアンドカンパニーの「2026 AI現況グローバル調査(The State of AI: Global Survey 2026)」だ。
2つの報告書が見たところは少し異なりますが、結論は鮮明です。企業のAI活用は急速に増えているが、導入自体が企業全体の財務成果にすぐにつながることはないということだ。
MIT NANDA報告書は、調査した企業向け生成型AIプロジェクトのうち、約95％が測定可能な損益成果を作ることができなかったと分析した。マッキンジ調査では、回答者の80％がAIを通じて個人生産性が向上したと答えたが、AIが企業の営業利益（EBIT）に寄与したと回答した割合は37％にとどまった。個人が体感する業務効率と企業が確認する実質的な成果との間に依然として隙間があるという意味だ。
特にMIT NANDA報告書で注目すべき部分は、投資領域と実際の成果が発生した領域が異なっていたことだ。企業の生成型AI予算は主に営業とマーケティングに集中したが、確認可能なコスト削減効果は行政と財務、調達、文書処理など支援部門の業務自動化でより多く現れた。
導入方式による差も大きかった。専門企業の商用ソリューションを購入したり、外部パートナーと協力したプロジェクトの成功率は約67％だったが、企業が独自に開発したプロジェクトは約33％にとどまった。 AIモデルを保有していたよりも、実際の業務フローにどれだけ早く適用して修正できたかが成果を左右した。
運営費負担も新しい変数だ。マッキンジー調査では、企業の5カ所のうちの1カ所がAI関連の運営費の増加で使用に制約を受けていると答えた。実際の現場でもAIを導入した後、トークン使用料が予想より急速に増加し、年間予算を数ヶ月ぶりに使い果たしたり、メンバーの使用範囲を制限する事例が発生している。 AIを導入してもコスト問題で十分活用できない状況だ。
AI導入の成否は、どのように多くの技術を活用するかより、企業が解決しようとするビジネス問題をどれだけ明確に定義したかに依存している。 （出典：AI生成型画像）
AIは休まないので、会社はもっと忙しかった
先日会ったある企業代表は、AIを導入した後、会社がむしろもっと忙しくなったと話した。 AIが24時間検討する資料と判断する事案を作り出し、これまで処理できなかった業務まで迅速に進行できるようになったためだ。欠員が発生してもすぐに人材を充満せずに既存組織に業務を続けることができ、新規採用も大幅に減った。
一部の従業員の業務量は増えましたが、同社はコストと運用効率の面で明らかな成果を確認しました。派手な売上増加よりも繰り返し業務処理と人材運用、意思決定速度でAI導入効果が先に現れた事例だ。先の報告書では、支援部門の業務自動化とプロセス改善が実質的な成果につながったという分析にも繋がる。
最近では、いくつかの企業とAI意思決定モデルを活用して事業成果を測定するワークショップを議論した。企業の反応は大きく二つの部類に分かれた。
一方はAIモデルのデモンストレーションを通じて活用可能性を確認した後、迅速に導入し、実際の結果を測定しながら修正・補完することにした。彼らはAIを通じて解決しようとするビジネス問題が明確だった。ワークショップでも具体的な質問と討論が続き、意思決定速度も速かった。完璧な答えを待つ前に適用し、結果を確認し、自社に合ったモデルを作ろうという態度だった。
他の企業は何度もデモと検討を行った後も決定を下した。自社開発中のモデルを活用しなければならないという意見があり、新しい技術導入をめぐって内部メンバーを説得したり、また報告しなければならない負担も大きかった。数十件の適用事例があっても、技術検討より内部意思決定過程の疲労感がより重要な判断基準として作用した。
慎重に検討する態度自体が問題ではない。 2つのクラスを分けたのは、AI技術の知識の違いよりも、会社が解決すべき問題をどのくらい明確に認識しているかという違いだった。解決すべき課題が明確な企業は、AIがその問題に適した手段であると判断することができた。逆に問題定義が曖昧な企業は、機能や事例を繰り返し見ても導入の有無を決定することが難しかった。
AIの導入は新しいソフトウェアを追加することではない。企業が働く方法と資源を配分する方法、意思決定のスピードを変える経営の選択だ。 AIを製品として開発する企業と内部業務に活用する企業とも、同じ質問から出発しなければならない。どのビジネス問題を解決しようとしているのか、AIで時間とコストをどれだけ減らすのか、その成果をどのような基準で測定するのかをまず決めなければなりません。
AIが流行するため導入すると期待する成果もあいまいになる。一方、解決しようとする問題が明らかであれば、必要な技術と適用範囲、投資規模と成果指標を具体的に設計することができる。自社開発と外部ソリューションの導入の中で、どのような方式が適切なのかといった基準で判断できる。
今後2～3年間、企業間のAI活用格差はさらに大きくなる可能性が高い。その差をつくる要因は、どのくらい最新の技術を先に導入したのかより、AIを通じて何を変えようとしたのか、その結果をどれだけ早く測定して改善したのかということになるだろう。
行かなかった道に先に出る勇気と意志があるか。 AIを通じて成し遂げようとする目標が明らかなのか。それとも、他の企業より遅れないようにAIを導入しようとしているのか。どちらにしても会社の選択だ。ただし、その選択によって今後作られるビジネスのスピードと競争力は大きく変わることができる。結局、AIも成長とスケールアップのための戦略的選択だ。
キム・ジヒョン代表JiHyun＆Company代表。 Abbott、AstraZeneca、Gilead、Allerganなどのグローバル製薬会社や多国籍企業で30年以上のマーケティングと営業、韓国およびアジア諸国代表、アジアコマーシャル戦略リーダーシップを経験した。現在は韓国とシンガポールを中心に成長段階企業と投資会社ポートフォリオのコマーシャル戦略が実際のビジネス成果につながるように諮問している。
参考資料
MIT NANDA, The GenAI Divide: State of AI in Business 2025
McKinsey & Company, The State of AI: Global Survey 2026
【金智贤的规模化笔记】人工智能归根结底是一种策略……“问题定义”决定规模化成败。
如今，人工智能已成为人们热议的话题。新的人工智能工具和应用不仅在社交媒体、媒体和投资报告中备受关注，在私人聚会中也同样如此。企业纷纷采用人工智能来提高生产力和工作效率，市场预测这将带来更短时间内取得更大成果。与此同时，许多高管也担心自己会落后于时代，因为他们每天都会收到大量与人工智能相关的信息、电子邮件和广告。
在这种情况下，两份分析企业人工智能应用情况的报告引起了关注。它们分别是麻省理工学院NANDA的《人工智能世代鸿沟：2025年人工智能在商业领域的现状》和麦肯锡公司的《人工智能现状：2026年全球调查》。
尽管两份报告的视角略有不同，但结论却很明确：虽然企业对人工智能的应用正在迅速增长，但应用本身并不能立即转化为整体财务业绩的提升。
麻省理工学院NANDA的报告分析显示，约95%的企业生成式人工智能项目未能产生可衡量的损益结果。麦肯锡的一项调查显示，虽然80%的受访者表示人工智能提高了个人工作效率，但只有37%的受访者认为人工智能对公司的营业利润（EBIT）有所贡献。这意味着个人感知到的工作效率与公司确认的实际结果之间仍然存在差距。
麻省理工学院NANDA报告的一个显著特点是，投资领域与实际取得成果的领域存在差异。尽管企业在人工智能生成方面的预算主要集中在销售和市场营销领域，但切实的成本节约更多地体现在支持部门（例如行政、财务、采购和文档处理）任务的自动化上。
实施方法的不同也导致了显著差异。从专业公司购买商业解决方案或与外部合作伙伴合作的项目成功率约为 67%，而公司内部开发的项目成功率仅为 33% 左右。绩效的决定因素并非是否拥有人工智能模型，而是模型能够多快地应用于实际工作流程并进行修改。
运营成本负担也是一个新的变量。麦肯锡的一项调查发现，约五分之一的公司表示，由于人工智能相关运营费用不断上涨，其使用受到限制。实际上，人工智能应用后，代币使用费的增长速度往往超出预期，导致年度预算在几个月内耗尽，或者员工的使用范围受到限制。这就造成了一种局面：即使人工智能已经部署完毕，企业仍然会因为成本问题而无法充分利用人工智能。
人工智能应用的成败，更多地取决于企业对自身旨在解决的业务问题的定义是否清晰，而非技术应用的程度。（来源：人工智能生成的图像）
人工智能永不停歇，因此企业也变得更加忙碌。
我最近遇到的一位公司CEO说，自从采用人工智能后，他的公司反而变得更加繁忙了。这是因为人工智能全天候生成数据供审核和决策，从而能够快速处理以前根本无法完成的任务。此外，由于现有组织无需立即填补空缺即可继续运营，新员工的招聘需求也大幅减少。
尽管部分员工的工作量有所增加，但该公司证实，在成本和运营效率方面取得了显著成效。这表明，人工智能的应用效果首先体现在重复性任务的处理、员工管理和决策速度的提升上，而非营收的显著增长。这与之前一份报告中的分析相符，该报告指出，支持部门的任务自动化和流程改进带来了切实可见的成果。
最近，我们与几家公司举办了关于利用人工智能决策模型衡量业务绩效的研讨会。这些公司的反馈大致分为两类。
一方决定通过演示验证人工智能模型的可行性，迅速采用，并在评估实际结果的同时进行修改和完善。他们对希望利用人工智能解决的业务问题有着清晰的认识。研讨会期间，双方持续提出具体问题并展开讨论，决策过程也十分迅速。他们的态度是先应用技术并验证结果，从而构建一个适合自身公司的模型，而不是等待完美的答案。
其他公司即便在进行了多次演示和评估后，仍然迟迟不愿做出决定。有人建议采用内部开发的模型，但说服内部成员或汇报新技术应用情况的工作量巨大。即便有数十个应用案例，内部决策过程的疲劳程度也比技术评估本身更为重要。
认真思考的态度本身并非问题所在。两组企业的区别不在于对人工智能技术的了解程度，而在于它们对自身需要解决的问题的认知清晰度。面临明确挑战的企业能够判断人工智能是否是解决这些问题的合适工具。相反，那些对问题定义模糊的企业，即便反复研究了人工智能的功能和案例，也难以决定是否采用这项技术。
采用人工智能并非仅仅是添加一款新软件，而是一项管理决策，它将彻底改变公司的运营方式、资源分配方式并加快决策速度。无论是开发人工智能产品的公司，还是将其应用于内部运营的公司，都必须从相同的问题入手。他们首先必须确定要解决的业务问题、通过人工智能可以节省多少时间和成本，以及将以哪些标准来衡量结果。
仅仅因为人工智能是一种趋势就盲目采用，会导致预期结果模糊不清。另一方面，如果待解决的问题很明确，就可以专门设计所需的技术、应用范围、投资规模和绩效指标。同样，也可以运用这些标准来确定自主研发和采用外部解决方案之间的适当方式。
未来两到三年，企业间人工智能应用的差距可能会进一步扩大。造成这种差距的因素并非最新技术被采用的早晚，而是企业希望通过人工智能实现哪些变革，以及衡量和改进这些变革成果的速度。
你是否有勇气和决心率先踏上未知的道路？你实现人工智能的目标是否清晰？或者你采用人工智能仅仅是为了避免落后于其他公司？无论如何，这都是公司的选择。然而，根据这一选择，未来业务的发展速度和竞争力可能会大相径庭。归根结底，人工智能是企业实现增长和规模扩张的战略选择。
JiHyun Kim是JiHyun & Company的首席执行官。她在市场营销、销售、代表韩国和亚洲国家以及领导全球制药公司和跨国公司（如雅培、阿斯利康、吉利德和艾尔建）的亚洲商业战略方面拥有超过30年的经验。目前，她为总部位于韩国和新加坡的成长型公司和投资组合公司提供咨询服务，帮助他们将商业战略转化为切实可见的业务成果。
参考资料
麻省理工学院NANDA，《人工智能世代鸿沟：2025年商业人工智能现状》
麦肯锡公司，《人工智能现状：2026年全球调查》
[Note de Kim Ji-hyun sur la mise à l'échelle] L'IA est avant tout une stratégie… une « définition du problème » qui détermine le succès ou l'échec de la mise à l'échelle.
Aujourd'hui, l'IA est sur toutes les lèvres. Les nouveaux outils et applications d'IA font fureur non seulement sur les réseaux sociaux, dans les médias et lors des présentations aux investisseurs, mais aussi lors de réunions privées. Les entreprises adoptent l'IA pour accroître leur productivité et leur efficacité, et le marché prévoit que cela permettra d'obtenir de meilleurs résultats plus rapidement. Parallèlement, de nombreux dirigeants s'inquiètent de ne pas être à la traîne, car ils sont quotidiennement bombardés de messages, d'e-mails et de publicités liés à l'IA.
Dans ce contexte, deux rapports analysant la performance de l'adoption de l'IA dans les entreprises ont retenu l'attention : « The GenAI Divide: State of AI in Business 2025 » du MIT NANDA et « The State of AI: Global Survey 2026 » de McKinsey & Company.
Bien que les deux rapports adoptent des perspectives légèrement différentes, leurs conclusions sont claires : si l’utilisation de l’IA par les entreprises progresse rapidement, son adoption ne se traduit pas immédiatement par une amélioration des performances financières globales.
Le rapport NANDA du MIT a analysé qu'environ 95 % des projets d'IA générative en entreprise étudiés n'ont pas généré de résultats financiers mesurables. Dans une enquête McKinsey, si 80 % des répondants ont déclaré que leur productivité personnelle s'était améliorée grâce à l'IA, seuls 37 % ont indiqué que l'IA avait contribué au résultat d'exploitation (EBIT) de l'entreprise. Cela signifie qu'il existe encore un écart entre l'efficacité au travail perçue par les individus et les résultats concrets constatés par les entreprises.
Un aspect particulièrement remarquable du rapport MIT NANDA est que les domaines d'investissement différaient de ceux où des résultats concrets ont été obtenus. Alors que les budgets des entreprises consacrés à l'IA générative étaient principalement axés sur les ventes et le marketing, les économies tangibles étaient plus évidentes dans l'automatisation des tâches au sein des services de soutien, tels que l'administration, la finance, les achats et le traitement documentaire.
Des différences significatives ont également été observées selon la méthode de mise en œuvre. Le taux de réussite des projets ayant acquis des solutions commerciales auprès d'entreprises spécialisées ou ayant collaboré avec des partenaires externes s'élevait à environ 67 %, tandis que celui des projets développés en interne par les entreprises n'atteignait que 33 %. La performance était déterminée non pas par la possession d'un modèle d'IA, mais par la rapidité avec laquelle celui-ci pouvait être appliqué et modifié au sein du flux de travail.
Le poids des coûts opérationnels constitue également une nouvelle variable. Une étude McKinsey a révélé qu'environ une entreprise sur cinq déclare être confrontée à des restrictions d'utilisation en raison de la hausse des dépenses opérationnelles liées à l'IA. Dans la pratique, il arrive que les frais d'utilisation des jetons augmentent plus rapidement que prévu après l'adoption de l'IA, entraînant l'épuisement des budgets annuels en quelques mois ou la restriction du champ d'application de l'IA pour les employés. De ce fait, les entreprises ne peuvent exploiter pleinement l'IA en raison de problèmes de coûts, même après sa mise en œuvre.
Le succès ou l'échec de l'adoption de l'IA dépend davantage de la clarté avec laquelle une entreprise définit le problème commercial qu'elle vise à résoudre que de la quantité de technologie utilisée. (Source : image générée par IA)
L'IA ne s'arrête jamais, les entreprises sont donc devenues plus occupées.
Un PDG que j'ai rencontré récemment m'a confié que son entreprise était devenue plus active depuis l'adoption de l'IA. En effet, l'IA génère des données à analyser et des décisions à prendre 24 heures sur 24, permettant ainsi le traitement rapide de tâches auparavant impossibles à gérer. De plus, les embauches ont été considérablement réduites, car l'équipe en place peut poursuivre ses activités sans avoir à pourvoir immédiatement les postes vacants.
Malgré une augmentation de la charge de travail de certains employés, l'entreprise a constaté des résultats probants en termes de coûts et d'efficacité opérationnelle. Dans ce cas précis, les effets de l'adoption de l'IA se sont d'abord manifestés dans le traitement des tâches répétitives, la gestion des effectifs et la rapidité de prise de décision, plutôt que par une croissance spectaculaire du chiffre d'affaires. Ceci corrobore également l'analyse d'un rapport précédent, selon laquelle l'automatisation des tâches et l'amélioration des processus dans les services de support ont produit des résultats concrets.
J'ai récemment animé des ateliers avec plusieurs entreprises sur la mesure de la performance commerciale à l'aide de modèles de prise de décision basés sur l'IA. Les réponses des entreprises se répartissaient principalement en deux catégories.
Une des parties a décidé de confirmer la faisabilité du modèle d'IA par des démonstrations, de l'adopter rapidement, puis de le modifier et de l'affiner en mesurant les résultats concrets. Elle avait une vision claire des problèmes métiers qu'elle souhaitait résoudre grâce à l'IA. Des questions et des discussions spécifiques se sont poursuivies durant l'atelier, et la prise de décision a été rapide. Leur approche consistait à construire un modèle adapté à leur entreprise en appliquant d'abord la technologie et en vérifiant les résultats, plutôt que d'attendre une solution parfaite.
D'autres entreprises ont tardé à prendre leurs décisions, même après avoir organisé de multiples démonstrations et évaluations. Il a été suggéré d'utiliser des modèles en développement interne, et la charge de convaincre les collaborateurs ou de rendre compte de l'adoption de la nouvelle technologie était considérable. Malgré des dizaines d'études de cas, la complexité du processus décisionnel interne s'est avérée un critère plus déterminant que l'évaluation technique.
L'attitude de réflexion approfondie ne saurait être le problème en soi. Ce qui distinguait les deux groupes ne résidait pas dans leur connaissance de l'IA, mais plutôt dans leur capacité à identifier clairement les problèmes à résoudre. Les entreprises confrontées à des défis précis ont pu déterminer si l'IA était l'outil approprié. À l'inverse, celles dont les problèmes étaient mal définis ont éprouvé des difficultés à se décider, même après avoir examiné à plusieurs reprises ses fonctionnalités et des études de cas.
L'adoption de l'IA ne se résume pas à l'ajout d'un nouveau logiciel. C'est un choix de gestion qui transforme le fonctionnement d'une entreprise, l'allocation de ses ressources et l'accélération de la prise de décision. Les entreprises qui développent des produits d'IA et celles qui l'utilisent en interne doivent toutes deux se poser les mêmes questions. Elles doivent d'abord déterminer le problème métier qu'elles souhaitent résoudre, les gains de temps et de coûts qu'elles réaliseront grâce à l'IA, et les critères d'évaluation des résultats.
Adopter l'IA simplement parce qu'elle est à la mode rend les résultats attendus flous. En revanche, si le problème à résoudre est clairement défini, la technologie nécessaire, le champ d'application, l'échelle d'investissement et les indicateurs de performance peuvent être précisément conçus. L'approche la plus appropriée entre développement interne et recours à des solutions externes peut également être déterminée selon ces mêmes critères.
Au cours des deux à trois prochaines années, l'écart d'adoption de l'IA entre les entreprises devrait se creuser davantage. Cet écart ne sera pas tant la précocité de l'adoption des dernières technologies que la nature des changements escomptés grâce à l'IA et la rapidité avec laquelle les résultats ont été mesurés et améliorés.
Avez-vous le courage et la détermination d'être le premier à explorer des voies inexplorées ? Votre objectif en matière d'IA est-il clairement défini ? Ou adoptez-vous l'IA simplement pour ne pas prendre de retard sur vos concurrents ? Quoi qu'il en soit, le choix appartient à l'entreprise. Cependant, selon ce choix, la rapidité et la compétitivité de l'activité future peuvent varier considérablement. En définitive, l'IA est un choix stratégique pour la croissance et le développement.
JiHyun Kim est la PDG de JiHyun & Company. Forte de plus de 30 ans d'expérience en marketing, en ventes, en représentation de la Corée et des pays asiatiques, et en pilotage de stratégies commerciales asiatiques au sein de sociétés pharmaceutiques internationales et de multinationales telles qu'Abbott, AstraZeneca, Gilead et Allergan, elle conseille actuellement des entreprises en phase de croissance et des sociétés de portefeuille basées en Corée et à Singapour afin de traduire leurs stratégies commerciales en résultats concrets.
Documents de référence
MIT NANDA, La fracture de l'IA en entreprise : État des lieux de l'IA en 2025
McKinsey & Company, L'état de l'IA : enquête mondiale 2026