콕스 리드 정확도 18%→97%, 진짜인가

HN이 흔드는 지점 — 승인 피로와 숨은 인건비

Hacker News에서 4만 회 넘게 플레이된 'AI 에이전트 권한 승인 게임' 결과, 참가자들은 위험한 명령 셋 중 하나를 놓쳤다("1 in 3 threats were missed"). 경고문을 미리 보여줘도 마찬가지였다는 게 제작자의 설명이다. 이 결과는 콕스처럼 '2,500명이 Claude Code를 쓴다'는 식의 확산 숫자를 볼 때 함께 봐야 한다. 사용자가 늘수록 승인 피로도 함께 늘고, 사람이 놓치는 위험도 늘어난다는 뜻이기 때문이다. 같은 시기 Hacker News에는 SAP가 AI 비용 급증을 이유로 출장·채용을 대부분 중단했다는 소식도 올라왔다. AI 전환이 비용을 줄이는 동시에 다른 비용(도입·검수·인프라)을 새로 만든다는 얘기다. 콕스 사례에서도 "개발은 25%, 나머지 75%는 데이터 정비"라는 액센츄어의 발언이 이 반론과 정확히 겹친다.

한국 기업이라면 어디서 막히나

콕스는 리드 정확도를 13%에서 끌어올리기 전에 세일즈포스 데이터부터 다시 정비했고, 이 작업에 액센츄어라는 대형 SI 파트너를 붙였다. 한국 기업 다수는 CRM 데이터가 부서별로 파편화돼 있고, 이를 통째로 정비해줄 파트너 비용과 클로드·GPT API 사용료를 동시에 감당해야 한다. NTT데이터의 '30분' 사례도 사내에 별도 조직(OpenAI Excellence Center)을 두고 9,000명 규모로 확산시킨 뒤에야 나온 숫자다. 파일럿 한두 팀에서 나온 결과를 전사 숫자인 것처럼 옮기면, HN이 지적하는 '승인 피로'와 '숨은 정비 비용'을 그대로 재현하게 된다.

이 지면이 반복해서 확인하는 것은 결국 하나다. 벤더가 내놓는 배율(7배, 10배, 86%)은 대개 가장 잘 맞아떨어진 워크플로 하나를 골라 낸 결과이고, 그 워크플로까지 가는 데 든 데이터 정비·검수·권한 관리 비용은 숫자 밖에 있다. 도입을 검토하는 쪽이 물어야 할 질문은 "몇 배 줄었나"가 아니라 "그 숫자, 어느 업무 하나에서 나온 것이고 나머지 75%는 얼마나 들었나"다.

---

분석 근거: Anthropic 고객사례, OpenAI 고객사례, Hacker News 토론. 공개 자료에 근거한 분석입니다.