기업 AI 성과 전략: 도입과 확장을 판단하는 AI 밸류 게이트 – AI로 일은 빨라졌는데, 성과는 왜 그대로일까?
기업용 AI 도입의 ROI 한계를 극복하고 실질적인 비즈니스 성과를 창출하기 위해, 과제 발굴부터 운영 및 확산까지 단계별 가치를 검증하는 'AI 밸류 게이트' 프레임워크와 전략적 실행 가이드를 제시합니다.
삼성SDS 인사이트
기업최근 글
삼성SDS 인사이트기업
차세대 ERP, 신규 구축만이 정답은 아닙니다
System Conversion을 기준선으로 평가하고, Downtime·비용·조직의 준비 수준에 맞춰 전환 경로를 선택하는 방법을 살펴봅니다.
[GPU 똑똑하게 쓰기 (3)] 마지막 퍼즐, 남는 GPU를 만들고 채우다 – Bin Packing과 Batch Inference
System Conversion을 기준선으로 평가하고, Downtime·비용·조직의 준비 수준에 맞춰 전환 경로를 선택하는 방법을 살펴봅니다.
빠른 AI 도입, '환각세'도 고객 신뢰 상실도 피하려면?
기업들이 고객 대상 AI를 앞다퉈 도입하고 있지만, 그럴듯하게 틀린 답변 하나가 오랜 시간 쌓아온 신뢰를 순식간에 무너뜨릴 수 있습니다. 속도와 신뢰를 함께 확보하기 위한 테스트·감독·책임 체계와 새로운 성과 지표를 살펴봅니다.
에이전트가 로그인하는 순간, 그 계정은 누가 책임지나요?
AI 에이전트가 업무 시스템에 접속해 데이터를 조회하고 메일까지 보내는 시대, 사고가 나면 그 기록은 누구의 이름으로 남을까요? 이번 글에서는 에이전트의 신원과 권한, 생애주기를 운영에서 어떻게 관리할지 살펴봅니다.
AI는 똑똑해졌는데, 왜 우리 회사 일은 모를까?
기업 AI의 성패를 가르는 핵심 인프라, ‘컨텍스트 계층’을 통해 AI를 실질적인 업무 실행 체계로 구축하는 방법을 제시합니다.
어제의 SaaS가 오늘의 레거시가 되는 시대, 무엇을 현대화해야 하는가?
AI 도입과 함께 기업의 소프트웨어 투자 기준도 달라지고 있습니다. 최근 도입한 시스템도 업무를 지연시키면 현대화 대상이 될 수 있고, 오래된 시스템도 필요한 역할을 안정적으로 수행한다면 유지할 수 있습니다. 기업 사례를 바탕으로 SaaS와 자체 개발의 선택, 데이터 표준화, 단계적 전환과 기존 시스템 종료까지 현대화의 실행 기준을 살펴봅니다.
기업용 생성형 AI, 도입보다 운영이 어렵다
기업 AI의 경쟁력은 기술의 가능성을 실제 업무의 성과로 전환하고, 변화 속에서도 그 성과를 유지하며 확장하는 운영 역량에 달려 있습니다.
[GPU 똑똑하게 쓰기 (2)] 알아서 배치하고, 장애에도 이어간다 — Multi-Clustering과 GPU Failover
GPU가 늘어날수록 Cluster는 GPU 기종과 용도에 따라 나뉘고, 장애는 일상이 됩니다. 여러 클러스터를 하나의 자원 Pool처럼 운영하는 Multi-Clustering과 GPU 장애를 감지해 작업을 살려내는 이상 탐지 및 Failover 기술을 살펴봅니다.
에이전틱 AI는 평준화 되지만, 기업의 운영 역량은 평준화되지 않는다
2년 안에 95%의 기업이 AI 에이전트를 사용할 것으로 예상되지만, 같은 에이전트를 배포하는 것만으로는 차별화하기 어렵습니다. 기업 고유의 데이터와 지식, 업무 흐름을 연결하고 모델 선택·비용·거버넌스를 함께 운영하는 에이전틱 AI 전환의 조건을 살펴봅니다.
AI 시대의 클라우드, 운영체계로 다시 설계하다 – 엔터프라이즈 클라우드의 새로운 역할과 운영 전략
AI 시대의 엔터프라이즈 클라우드는 단순한 인프라 제공을 넘어 표준 운영, 워크로드 최적화, 보안 내재화, 운영 자동화를 통합한 '기업용 운영체계'로 재설계되어야 합니다.
로그인 이후는, 정말 안전할까요?
탈취된 계정 하나로 어디까지 접근할 수 있을까요? 실제 침해사고를 통해 SSO·MFA의 역할과 계정·권한 관리의 필요성을 살펴봅니다. 인증 예외 점검부터 계정 회수, 접속·활동 기록 확인까지 기업이 먼저 정비해야 할 항목을 짚어봅니다.
[Multi AI 시대의 소버린 AI 전략] ② 무엇을 소유하고 무엇을 맡길 것인가? - '선택적 AI 주권' 실행 전략
AI 주권, 전부 직접 소유해야 할까요? 꼭 쥐어야 할 것과 맡겨도 되는 것을 가르고, 필요할 때 갈아탈 수 있게 설계하는 '선택적 주권' 전략을 살펴봅니다.
[GPU 똑똑하게 쓰기 (1)] 모델 학습은 더 쉽게, GPU 활용은 더 효율적으로 - Managed Training과 Mixed Workload
모델이 커지면서 분산학습은 필수가 되었지만, 인프라·분산 소프트웨어·운영에 걸친 준비 부담과 항상 부족한 GPU 공급이 학습의 시작을 가로막습니다. Managed Training 서비스로 진입 장벽을 낮추고, 서빙 GPU의 유휴 시간을 활용하는 Mixed Workload 기술을 살펴봅니다.
AI 시대, 기업의 투자 의사결정을 돕는 PPM
프로젝트는 늘어나지만 예산과 인력은 한정되어 있습니다. PPM이 전략·자원·리스크·제품 개발 데이터를 연결해 어떤 프로젝트를 먼저 추진할지 판단하는 방법과 AI 활용 조건을 살펴봅니다.
책임자는 있는데 책임은 없다? AI 책임 체계를 확보하는 6가지 방법
AI가 조언자를 넘어 실제 업무를 수행하는 실행자가 되면서, 문서에 적힌 책임 분장만으로는 사고에 대응하기 어려워졌습니다. 모델·데이터·권한·API·업무 시스템을 하나의 실행 흐름으로 연결해 누가 승인하고, 무엇을 근거로 실행하며, 언제 멈출지를 설계하는 AI 책임 체계의 핵심 조건을 살펴봅니다.
AI 시대, 기업 데이터의 재발견: 버려지던 데이터가 원유가 되다
기업 데이터가 단순한 기록에서 AI 에이전트 훈련을 위한 전략적 자산으로 변하는 이유와, 규제 환경 속에서 데이터 활용 능력을 증명하는 데이터 거버넌스 전략을 분석합니다.
GPU 메모리 병목을 해결하는 세 가지 방법 – KV Cache Offload, Sleep/Wake, NPU
GPU 사용률은 절반도 되지 않는데 더 이상 요청을 받지 못하는 순간이 옵니다. 연산이 부족한 것이 아니라면 무엇이 막고 있는 걸까요? 추론 서비스의 실질적 한계선을 결정하는 GPU 메모리 문제와, 이를 공간·시간·하드웨어 세 방향에서 해결하는 기술을 삼성SDS 추론 서비스의 실제 적용 결과와 함께 살펴봅니다.
에이전틱 AI 전환, IT 운영을 다시 설계하다
기업의 75%가 에이전틱 AI를 도입하고 있지만, 운영 환경에서 성과를 거둔 기업은 소수에 그칩니다. 글로벌 IT 리더들의 사례를 통해 데이터·거버넌스·조직을 어떻게 다시 설계해야 하는지 살펴봅니다.
[Multi AI 시대의 소버린 AI 전략] ① 우리 회사의 AI는 누구 것인가?- 모델이 늘어날수록 커지는 AI 주권의 문제
국산 모델을 쓰고 데이터를 국내에 저장하면 정말 기업이 통제하는 AI일까요? AI가 비즈니스의 기반이 된 시대, 모델 하나로는 확보할 수 없는 소버린 AI와 AI Full Stack의 필요성을 짚어봅니다.
AI 서비스 품질 평가, 무엇을 어떻게 볼 것인가
AI가 업무를 수행할수록, 무엇을 믿고 맡길지 판단하는 기준이 필요합니다. 모델 성능을 넘어 가치·원칙·서비스 품질·기술 측정의 세 계층으로 AI 서비스의 도입 가능성을 확인합니다.
AI 모델 변경 관리와 통제 – 성능보다 중요한 운영 기준
기업 AX의 핵심은 최고 성능의 모델을 찾는 것이 아니라, 업무 목적과 환경에 맞춰 모델을 유연하게 교체하고 안정적으로 통제할 수 있는 체계를 구축하는 것입니다.
기업 AI 교육의 재설계: 업무 성과로 이어지는 5가지 조건
AI 교육의 성과는 배운 내용을 업무에 적용할 때 드러납니다. 경영진의 참여부터 직무별 실습, 결과 검증과 현업 지원까지, 기업의 AI 활용 역량을 높이는 교육 설계법을 살펴봅니다.
AI 추론 서비스의 새로운 관문, Inference Gateway
LLM 추론 요청을 토큰 사용량과 프롬프트 안전성에 따라 통제하고, 서버 상태에 맞춰 분배하는 Inference Gateway의 구조와 역할을 살펴봅니다.
Multi-AI로 충분한가? – Company Brain으로 연결하는 Enterprise AI
Multi-AI 시대의 진짜 핵심은 AI의 숫자가 아니라, 모든 AI가 공유하는 'Shared Context'에 있습니다.
AI 기능이 많아질수록 고객 경험도 좋아질까요?
소프트웨어 기업의 절반이 새로 탑재한 AI 기능의 고객 활용률이 25%에도 미치지 못한다고 답했습니다. '배포 격차'의 원인과 AI를 업무 흐름 속에 안착시키기 위한 조건을 살펴봅니다.
[고객이 세우는 기준 ②] Human Touch, 무엇을 사람의 몫으로 남길 것인가
AI가 만든 결과물이 흔해지면서, 고객은 완성도뿐 아니라 누가 어떻게 만들었는지도 묻기 시작해요. 무엇을 AI로 만들지 않을지에 따라 브랜드의 정체성이 달라지는 이유를 다룹니다.
[고객이 세우는 기준 ①] Trust Anchor, 고객의 마음에 닻을 내리는 법
누구에게나 같은 화면을 보여주던 전제가 흔들리고, 고객의 목적에 따라 화면이 새롭게 조립되는 변화를 살펴봅니다.
2026 국내 기업용 클라우드 서비스 현황 보고서 - AI 시대, CSP 선택의 기준이 달라지다
국내 기업·공공기관 재직자 1,200명 조사를 바탕으로 클라우드 도입 현황과 CSP 선택 기준의 변화를 분석합니다. AI 시대 달라지는 클라우드 활용 목적과 DR·하이브리드 클라우드 전략을 살펴봅니다.
AI 에이전트, 잘 작동하는지 어떻게 확인할까? 평가·벤치마킹 도구 13종
실행 추적부터 회귀 테스트, 시뮬레이션, RAG·보안 검증까지 AI 에이전트의 신뢰성을 확인하는 13가지 도구를 네 가지 영역으로 살펴봅니다.