왜 AI 사업은 데이터에서 무너지는가 (01/08)

AI 시대의 데이터 발주 가이드 · Ep.01

모델은 준비됐다.
데이터가 오지 않았다.

왜 AI 사업은 데이터에서 무너지는가 · HFC Consulting

---

시범 사업 시연은 박수로 끝났다. AI 상담 지원 시스템은 질문에 막힘없이 답했고, 사업 예산은 이듬해 본사업으로 증액되었다. 열 달 뒤, 검수 회의실의 공기는 달랐다. 같은 모델, 같은 수행사였다. 답변의 절반이 낡은 규정을 인용하고 있었다. 원인은 모델이 아니었다. 학습에 쓸 전사 데이터를 모으는 데 일곱 달이 걸렸고, 모아 놓은 데이터의 상당수가 서로 다른 코드 체계를 쓰고 있었다.

이 연재는 그 일곱 달에 관한 이야기다. AI를 발주하기 전에, 발주자가 데이터라는 기반을 어떻게 진단하고 발주하고 검수해야 하는지를 여덟 편에 걸쳐 다룬다.

실패의 숫자는 모델을 가리키지 않는다

미국 랜드연구소(RAND)가 AI 전문가 65명을 인터뷰해 발표한 보고서는 AI 프로젝트의 80% 이상이 실패한다고 추정했다. 일반 IT 프로젝트 실패율의 두 배다. 주목할 것은 순위다. 실패의 근본 원인에서 리더십 문제 다음으로 많이 지목된 것이 데이터였다. 학습에 쓸 데이터의 품질과 양, 그것을 다룰 인력의 부족이다. 모델의 성능 한계는 목록의 아래쪽에 있었다.

가트너의 전망은 더 직접적이다. 2026년까지 AI 준비가 된 데이터의 뒷받침이 없는 AI 프로젝트의 60%가 중도에 폐기될 것이라고 했다. 같은 조사에서 조직의 63%는 AI에 맞는 데이터 관리 관행을 갖추지 못했거나, 갖췄는지조차 확신하지 못한다고 답했다. 계약을 정비하고 거버넌스를 세워도 원료가 준비되지 않으면 사업은 성립하지 않는다. 2기 1화에서 계약의 틀을, 3기 1화에서 거버넌스의 틀을 다뤘다면, 이번 연재는 그 두 틀이 딛고 서는 바닥을 다룬다.

PoC는 통과한다, 본사업이 무너진다

발주 현장에서 이 통계는 하나의 패턴으로 나타난다. 시범 사업은 성공하고 본사업이 무너지는 패턴이다. 이유는 단순하다. 두 사업은 다른 데이터를 먹는다.

구분	시범 사업(PoC)	본사업
데이터 범위	선별된 표본, 원천 한두 개	전사 원천 수십 개, 레거시 포함
품질 상태	수작업으로 정제된 상태	현행 그대로, 코드 체계 불일치
책임 구조	수행사의 시연 책임	검수기준에 따른 계약 책임

시범 사업의 성공은 모델의 능력을 증명할 뿐, 조직의 데이터가 준비되었음을 증명하지 않는다. 그런데 예산과 일정은 시범 사업의 성공을 근거로 편성된다. 본사업의 일곱 달짜리 데이터 정비가 계획에 없던 이유다.

데이터 발주라는 과업

해법은 데이터 준비를 선의나 운에 맡기지 않고, 발주의 언어로 번역하는 것이다. 현황 진단은 사전 과업이 되고, 정비의 범위는 과업범위가 되고, 품질은 수치화된 검수기준이 되고, 플랫폼 선택은 조달 조건이 되고, 관리 체계는 거버넌스 과업이 된다. 각 단계마다 계약서에 적을 문장이 있고, 적지 않았을 때 치르는 대가가 있다.

발주 전 자가 점검 다섯 가지 — 데이터 자산 목록의 존재 / 품질 지표의 수치화 여부 / 원천 시스템 수의 명문화 / 플랫폼 전환 비용 조항 / 데이터 관리 체계의 운영 이관 계획

예상되는 반론

반론. 데이터 정비는 수행사가 알아서 할 일 아닌가. AI 사업을 발주하면 그 안에서 해결되는 것 아닌가.

대응. 데이터는 발주기관의 자산이다. 수행사는 어느 시스템에 어떤 데이터가 있는지, 그 코드 체계가 몇 번 바뀌었는지, 어느 부서가 원장을 관리하는지 알지 못한 채 착수한다. 이 상태에서 데이터 준비를 AI 사업의 과업 속에 뭉뚱그리면 두 가지가 일어난다. 첫째, 정비 공수가 견적에 없었으므로 과업범위 분쟁이 된다. 둘째, 정비의 품질 기준이 없었으므로 검수 분쟁이 된다. 데이터 준비를 별도의 과업으로 정의하고 대가를 산정하는 것은 수행사를 위한 배려가 아니라, 발주자가 자기 사업의 리스크를 계약 안으로 끌어들이는 일이다.

반론. 우리는 데이터가 많다. 십수 년 치가 쌓여 있다.

대응. 양은 준비의 증거가 아니다. 가트너 조사에서 자기 조직의 데이터 관리 관행을 확신하지 못한 63%도 데이터가 없어서 그런 것이 아니다. 쌓인 데이터의 계보와 품질과 접근 권한이 정리되어 있는가가 기준이며, 그것을 재는 방법이 다음 편의 주제다.

이 연재의 지도

여덟 편은 발주의 시간 순서를 따른다. 진단에서 시작해 거버넌스로 끝난다.

회차	제목
Ep.01	왜 AI 사업은 데이터에서 무너지는가 (본편)
Ep.02	발주 전에 우리 데이터부터 - 현황 진단의 기술
Ep.03	데이터 정비 사업의 과업범위 - 범위는 왜 항상 넘치는가
Ep.04	데이터 품질을 검수기준으로 바꾸는 법
Ep.05	AI에 먹일 수 있는 데이터의 조건 - 학습·RAG 데이터 발주
Ep.06	데이터 플랫폼 조달 - 종속 없이 사는 법
Ep.07	사업이 끝나도 데이터가 살아 있게 - 데이터 거버넌스 발주
Ep.08	데이터 준비가 곧 AI 준비다 (완결)

모델은 수도꼭지다. 수도꼭지를 바꾸는 일로 무너지는 집은 드물다. 무너지는 것은 상수원이 말라 있는 집이다. 다음 편에서는 상수원의 수위를 재는 법, 즉 발주 전에 조직의 데이터 현황을 진단하는 기술부터 시작한다.

📎 더 읽을거리
· RAND, The Root Causes of Failure for Artificial Intelligence Projects - 전문가 65명 인터뷰로 정리한 AI 프로젝트 실패의 근본 원인 5가지
· Gartner, Lack of AI-Ready Data Puts AI Projects at Risk - AI 준비 데이터 없는 프로젝트의 60%가 2026년까지 폐기된다는 전망

본 글은 일반적인 정보 제공을 목적으로 하며 법률 자문이 아닙니다. 계약·조달 관련 구체적 사안은 법률 전문가의 검토를 받으시기 바랍니다.

AI 사업을 앞두고 데이터가 준비되어 있는지 확신이 없으십니까

HFC컨설팅은 데이터 현황 진단부터 플랫폼 구축·거버넌스 설계까지, AI의 기반이 되는 데이터 사업의 발주와 사업관리를 지원합니다.

changks@hfcconsulting.co.kr

1영업일 이내 답변 · 주식회사 에이치에프씨 컨설팅 · 대표이사 장기석

---

📚 AI 시대의 데이터 발주 가이드
다음 편 ▶ 발주 전에 우리 데이터부터 - 현황 진단의 기술
연재 전체 보기 →