프롤로그
Chapter 01 기업이 AI 도입에 실패하는 이유
AI를 안 쓴다고 당장 망하지 않는다는 생각은 결국 실패한다
__AI 도입 실패의 주요 원인들
__[문제 해결 방안] 직원들이 왜 AI를 안 쓰는지부터 파악하라!
고립된 AI 조직으로 인해 실패한다
__AI 도입을 위한 9단계 업무 프로세스
__AI 도입을 위한 9단계 업무 프로세스의 단계별 역할
__AI 도입을 위한 9단계 업무 프로세스에서 알 수 있는 인사이트
__고립된 AI 조직의 문제점
__[문제 해결 방안] 개방된 AI 조직과 전사적인 협업만이 살길이다!
AI에 대한 생각이 서로 달라서 AI 프로젝트가 실패한다
__AI 프로젝트가 산으로 가는 이유
__[문제 해결 방안] 경영진은 실무자보다 AI 공부를 더 많이 해야 한다!
외부에서 영입한 AI 전문가에게 모든 것을 맡기면 실패한다
__외부 전문가 영입 전략의 함정
__내부 인재 육성의 전략적 가치
__[문제 해결 방안] 내부 인력을 중심으로 외부 전문가는 소수 채용한다!
실패 체크 리스트와 해결 방안
__전략 및 타이밍의 부재
__조직 문화 및 인식의 문제
__기술 및 도입 방식의 오해
__[CEO를 위한 비즈니스 인사이트] 6시그마 운동을 기억하십니까?

Chapter 02 돈 되는 AI 도입과 활용법
돈 되는 AI를 위한 문제 정의 방법
__문제 해결이 아닌 문제 정의부터: 4단계 필터링 가이드
__1단계: 문제를 좁고 예리하게 정의했는가?
__2단계: 데이터와 연관된 문제인가?
__3단계: AI로 풀 수 있는 유형인가?
__4단계: 그래서 돈이 되는가?(ROI 산출)
돈 되는 AI 분야를 선택하는 다섯 가지 원칙
__원칙1: 거창한 분야가 아닌 좁고 예리한 분야에 집중하라
__원칙2: 데이터가 아닌 비즈니스 목적에서 출발하라
__원칙3: 완벽히 새로운 것보다는 검증된 성공을 활용하라
__원칙4: AI를 특수 기술이 아닌 엑셀처럼 생각하라
__원칙5: 기존 시스템을 대체하거나 강화하는 곳을 공략하라
돈 되는 AI 프로젝트를 추진하는 방법
__AI 전문가 영입
__AI 프로젝트 외주
__하이브리드 모형: 전문가 영입 + AI 프로젝트 위주
__내부 직원 교육 후 자체 구현
돈 되는 AI 업무 4단계 로드맵: HR을 중심으로
__1단계: 업무 자동화로 반복 업무 줄이기
__2단계: 예측하여 미래 내다보기
__3단계: 시뮬레이션으로 다양한 "만약"의 결과 검토하기
__4단계: 업무 최적화로 최상의 해답 찾기
__[사례1] 최적화를 위한 아이디어 찾기: 세일즈포스닷컴
__[사례2] 최적화를 위한 아이디어 찾기: 팔란티어
돈 되는 AI 도입을 위한 ABCD 방법론
__ABCD 방법론이란
__ABCD 방법론은 왜 필요한가
__1단계: 분석 및 기회 발굴(Analysis)
__2단계: 문제 정의 및 설계(Blueprint)
__3단계: 구현 및 실행(Create)
__4단계: 성과 평가 및 발전(Develop)

Chapter 03 AI 이해를 통한 비즈니스 인사이트
AI를 이해하기 전에 알아두어야 할 세 가지
최소한의 AI 역사
__AI 겨울의 근본 원인
__[CEO를 위한 비즈니스 인사이트] 왜 AI 전문가들의 과도한 약속을 믿고 막대한 연구비를 지불했을까
인공지능의 학습과 추론
__학습: 최적의 공식을 찾아내는 고된 과정
__추론: 공식을 사용하여 답을 계산하는 과정
__[CEO를 위한 비즈니스 인사이트] 학습과 추론
컴퓨터는 어떻게 인간의 언어를 이해하게 되었는가
__벡터 혁명 이야기
__임베딩 과정
__[CEO를 위한 비즈니스 인사이트] 우리 기업에서 벡터화할 수 있는 자산에는 무엇이 있는가
LLM 시대를 연 혁명적 모델: 트랜스포머
__RNN
__LSTM
__트랜스포머의 등장
__트랜스포머의 아키텍처
__오픈AI는 왜 디코더만으로 GPT를 만들었을까?
AI를 더 똑똑하게 만드는 방법: 제1의 스케일링 법칙
__트랜스포머의 분화: 디코더 계열, 인코더 계열, 디코더-인코더 계열
__LLM 스케일링 법칙의 탄생
__프롬프트 엔지니어링의 시작
__[CEO를 위한 비즈니스 인사이트] 더 큰 모델, 더 많은 데이터, 더 많은 GPU 필요, 즉 쩐의 전쟁
GPT-3를 만들고 보니
__똑똑한 추론 능력
__상식이 없는 GPT-3의 답변
AI를 더 똑똑하게 만드는 방법: 제2의 스케일링 법칙
__GPT-3 이후 오픈AI의 고민
__[CEO를 위한 비즈니스 인사이트] 실패의 연속, 대화형 AI 서비스 비즈니스
__ChatGPT의 탄생을 위한 준비: 세계 최초 대화형 AI 서비스
__드디어 ChatGPT를 출시하다
__제2의 스케일링 법칙: RLHF
__[CEO를 위한 비즈니스 인사이트] 세상의 모든 지식을 보유한 AI vs 사용자가 원하는 답을 주는 AI
AI를 더 똑똑하게 만드는 방법: 제3의 스케일링 법칙
__테스트-시간 계산
__깊은 사고의 시작, O1의 출현
__현대 AI의 3단계 패러다임: 학습, 추론, 그리고 사고
딥시크의 등장
__딥시크에 관한 세 가지 핵심 질문
__딥시크의 두 번째 충격
__딥시크의 완전한 공개가 가져온 파급 효과
__ 딥시크가 준 영향
__젠슨 황의 테스트 타임 스케일링 법칙 발표가 주는 의미
__왜 얀 르쿤은 현재의 LLM으로 AGI를 달성할 수 없다고 하는가?
__[CEO를 위한 비즈니스 인사이트] 테스트 타임 스케일링 법칙이 한국 AI칩 벤처에 던지는 의미

Chapter 04 AI 시대의 시스템 사고
시스템1 사고: 빠른 직관
__시스템1 사고의 특성
시스템2 사고: 신중한 논리와 분석
__시스템2 사고의 특성
__대니얼 카너먼의 생각과 이론의 영향력
시스템1 사고는 AI의 추론 모델, 시스템2 사고는 AI의 사고 모델
__시스템1, 시스템2 사고와 AI 모델의 매핑
__시스템2 사고의 한계와 AI 사고 모델의 잠재력
__기업 환경에서 AI가 시스템2 사고를 대체할 때 벌어질 일들
__[문제 해결 방안: 기업 측면] 직원은 Ai 도구의 노예가 아닌, 도구의 지휘자가 되어야 한다
__[문제 해결 방안: CEO 측면] CEO는 조직 전체의 사고력을 앞장서서 이끌어야 한다
__[CEO를 위한 비즈니스 인사이트] AI 시대 고부가가치 업무란 무엇인가

Chapter 05 기업이 선택한 AI 활용 방법, RAG
기업이 RAG를 활용해야 하는 이유
__RAG란
__RAG의 장점
기업의 RAG 프로세스
__데이터 준비 과정: AI의 지식 창고(벡터DB) 구축하기
__질의 응답 파이프라인: 지능적으로 답변 생성하기
RAG에서 오픈 소스 LLM과 클로즈드 소스 LLM의 비교
__오픈 소스 LLM의 사용 방법
__오픈 소스 LLM vs 클로즈드 소스 LLM 기반 RAG 구현 비교 분석
RAG에서 고려해야 할 점
__임베딩 모델의 신중한 선택과 관리
__문서 처리의 복잡성
__검색의 정확도를 높이는 심화 기술
__지능형 RAG 구축
Ragas란 무엇인가?
__Ragas의 핵심 평가 지표
__검증 프로세스
__결과 분석 및 개선
RAG의 주요 활용 방안
__산업별 활용 방안
__RAG의 업무별 활용 방안

Chapter 06 AI 에이전트
AI 에이전트란?
__일반 프로그램과 AI 에이전트의 차이
__AI 에이전트의 구조
__AI 에이전트의 장점과 한계
AI 에이전트를 구현하는 방법
__AI 에이전트 구현을 위한 주요 개발 도구 종류
__기업에서 개발 도구 선택이 왜 중요한가?
에이전트 패키지
__랭체인: AI 에이전트 개발의 표준 프레임워크
__랭그래프: 복잡한 AI 에이전트를 위한 플로우 엔지니어링
__오픈 딥 리서치
__오픈AI Agents SDK
__CrewAI: 협업ㅎㄹ라는 에이전트 세계
바이브 코딩
__커서: 비주얼 스튜디오 코드 기반의 대표적인 바이브 코딩 도구
__클로드 코드: 앤트로픽의 코딩 전문 AI
__제미나이 CLI: 구글 AI 기반의 커맨드라인 도우미
노코드 도구
__마이크로소프트 코파일럿 스튜디오: AI 챗봇과 에이전트를 만드는 데 최적화
__구글 에이전트 빌더: 데이터 검색 기반 AI 에이전트 개발 플랫폼
__AWS 베드락 에이전트 코어: 7개 모듈로 구성된 종합 AI 에이전트 플랫폼
__n8n: 1000개 이상 앱을 연결하는 노코드 워크플로 자동화 도구
__디파이: LLM 기반 애플리케이션 개발을 위한 올인원 노코드 플랫폼
__어시웍스: 한국 기업 실무에 특화된 노코드 AI 에이전트 플랫폼
기존 시스템과의 AI 에이전트 통합
__단순 정보 조회: AI 단독으로도 가능한 영역
__최적화: 시스템 통합 없이는 불가능한 영역
__왜 통합이 최적화의 핵심인가
__AI 에이전트 통합으로 얻는 혁신적인 이득
AI 에이전트 vs 에이전틱 AI
__AI 에이전트와 에이전틱 AI의 개념 비교
__에이전틱 AI의 사례
__에이전틱 AI의 오케스트레이션 기능
__Skywork와 Genspark의 비교
__오픈AI의 ChatGPT 에이전트
AI 에이전트의 문제점
__AI 에이전트의 주요 문제점들
__AI 에이전트의 문제점을 해결하는 방안들
AI 에이전트 시대의 앱 스토어, MCP
__MCP 서버와 연동된 AI 에이전트의 작동 방식
__MCP 서버와 smithery.ai
__MCP의 아키텍처
__MCP의 핵심 가치
__MCP의 단점
__MCP 서버 추천
AI 에이전트의 활용 방안
__AI 에이전트의 산업별 활용 방안
__AI 에이전트의 업무별 활용 방안

Chapter 07 기업에서 AI를 도입하는 다양한 방안
국내 기업의 망분리 현황
__망분리 의무 대상 상세 분석
__망분리가 기업의 AI 활용에 어떤 제약을 주는가
데이터 보안과 아키텍처의 선택
__데이터 보안: 데이터를 지키는 방법(How)
__데이터 프라이버시: 데이터를 다루는 규칙(What & Why)
__전략적 절충과 하이브리드의 필요성

AI 도입을 위한 다양한 아키텍처
__A타입: 클로즈드 소스 LLM
__A-1타입: 오픈AI의 Assistant API 사용
__B타입: 오픈 소스 LLM 사용
__B-1타입: 오픈 소스 LLM + 클라우드 사용
__C타입: A타입 + B타입 하이브리드
__D타입: 오픈AI의 기업형 ChatGPT
__D-1타입: 오픈AI의 Team with GPTs

에필로그