AI 시대, 작은 기업도 생산혁신의 주역이 될 수 있다

AI 시대, 작은 기업도 생산혁신의 주역이 될 수 있다 1 년여의 현장 경험을 일주일 만에 지식생산공장으로 연결한 전략집단이음의 AX 실험

석종득 | 전략집단이음 대표컨설턴트 · Arcadia OS 총괄 설계자

35년 동안 내가 집필한 책은 9권이었다. 조사와 연구, 전략기획과 컨설팅, 강의와 경영을 병행하면서 책 한 권

을 쓸 시간을 확보하기란 쉽지 않았다. 원고를 완성하면 외부 출판사에 맡겨 출간했다.

2026년 10월, 내가 운영하는 전략집단이음은 AI 기반 지식생산공장 ‘Arcadia Dark Factory’를 구축하고 도

서 9권의 제작부터 등록·유통까지 전 공정을 실증했다. 오는 11월 1일부터는 한국어판과 영문판을 합쳐 월

2,000권, 연간 24,000권을 목표로 본격적인 생산에 들어간다.

35년 동안 집필한 9권과 AI 생산공장으로 출간한 9권은 같은 숫자지만, 그 의미는 전혀 다르다. 앞의 9권이 한

사람의 시간과 노력으로 만들어낸 결과라면, 뒤의 9권은 사람의 전문성과 AI의 생산능력을 결합한 새로운 생

산체계의 결과다.

AI는 우리가 일하는 속도를 바꾸는 데서 나아가 사업의 구조까지 바꾸고 있다.

전략집단이음은 조사·연구, 전략기획, 컨설팅, 교육을 수행해 온 작은 전문서비스 기업이다. 나 역시 1989년부

터 마케팅 커뮤니케이션과 전략 분야에서 일해왔다. 현장에서 축적한 경험과 지식은 있었지만, 이를 새로운 상

품과 사업으로 전환하는 데는 늘 시간과 인력의 제약이 따랐다.

2025년 7월 AI를 본격적으로 활용하기 시작하면서 변화가 나타났다. 자료를 조사하고 분석하는 시간, 기획을

구체화하고 원고를 작성하는 시간이 줄었다. 기존 전문용역을 수행하는 방식도 달라졌다.

처음에는 같은 일을 더 빠르게 처리하는 데 집중했다. 경험이 쌓이자 그동안 시간과 인력이 부족해 시도하기 어

려웠던 일들이 새로운 사업의 선택지로 들어왔다. 축적한 지식을 출판물로 만들고, 고객의 경험과 자료를 지식

자산으로 전환했다. 나아가 그 지식이 생성형 AI에게 발견되고 이해되고 인용되도록 하는 GEO로 사업영역을

넓혔다.

이 변화는 기존 사업을 수행하는 과정에서 이루어졌다. 실제 과제를 해결하면서 AI의 쓰임을 익혔고, 효과가 확

인된 방식을 다음 업무에 적용했다. 시행착오를 거치면서 업무규칙과 품질기준, 오류를 해결하는 방법도 축적

됐다.

전략집단이음은 실제 사업을 수행하면서 AX를 구축했고, 그 생산능력을 기반으로 새로운 사업영역까지 확장

했다.

전환의 속도가 크게 달라진 시점은 2026년 10월이었다. 고성능 AI 모델과 API를 활용해 개별 출판공정을 하

나의 생산체계로 연결했다. 지식생산공장 ‘Arcadia Factory’를 구축하는 데 걸린 시간은 약 일주일이었다.

그 일주일을 가능하게 한 것은 앞선 1년여의 축적이었다. 업무마다 지켜야 할 규칙, 결과물을 평가하는 기준, 반

복되는 오류와 수정방법이 이미 쌓여 있었다. 새로운 AI의 능력이 이 자산과 결합하면서 개별 작업들이 하나의

생산공정으로 빠르게 연결됐다.

공장은 기획과 집필, 시각자료 제작, 검수와 조판 등 출판공정을 AI와 API로 연결하는 방식으로 설계했다. 각

공정에 어떤 자료를 넣고, 어떤 상태의 결과물을 내보내야 하는지 정했다. 오류가 발견되면 수정과 재검수를 거

치도록 했다.

생산 중 발견한 문제는 다음 생산을 개선하는 자료가 됐다. 개별 책의 오류를 고치는 데서 한 걸음 더 나아가 해

결방법을 검증하고 공통 규칙에 반영했다. 한 번 해결한 문제가 다른 책에서 되풀이되는 일을 줄이기 위해서였

다.

생산경험이 규칙으로 남고, 그 규칙이 다음 결과물의 품질을 높이는 구조였다.

공정을 연결하고 나자 새로운 과제가 드러났다. 생산설비가 자동으로 작동해도 공장을 운영하는 일에는 사람의

손이 계속 필요했다. 작업을 배정하고, 순서를 조정하고, 결과물을 옮기고, 중단된 작업을 확인해야 했다. 완성

된 책의 등록과 유통을 처리하는 일도 남아 있었다.

생산능력은 커졌지만, 그 능력을 얼마나 오래 활용할 수 있는지는 여전히 사람의 근무시간에 달려 있었다.

이 문제를 해결하기 위해 자율형 AI 에이전트를 공장 운영에 적용했다. 생산계획을 확인하고, 작업을 배정하고,

진행상태를 점검하며, 다음 공정으로 결과물을 인계하는 역할을 AI에 맡기는 방식이었다.

별도의 AI 작업환경을 구성하고 공장장, 생산책임자, 검수책임자, 등록담당자 등의 역할을 나누었다. 기존 자동

화 생산설비와 공통 백엔드를 기반으로 생산과 운영을 연결했다.

이것이 ‘Arcadia Dark Factory’로의 전환이다.

다크팩토리(Dark Factory)는 사람이 상주하지 않아 조명을 켜지 않고도 생산할 수 있는 무인공장을 뜻한다.

제조업에서 발전한 이 개념을 지식생산에 적용한 것이다.

기존의 AI 활용이 사람이 지시할 때마다 개별 작업을 수행하는 방식이었다면, 다크팩토리는 사람이 자리를 비

운 동안에도 정해진 생산계획과 규칙에 따라 작업을 이어가는 구조다.

AI가 책을 만드는 공장을 넘어, AI가 공장 운영까지 맡는 체계를 구축한 셈이다.

제조업에 비유하면 자동화 생산라인에 지능형 작업자와 관리자를 배치한 것과 같다. AI로 생산공정을 자동화

하고, AI 에이전트로 작업관리와 공정운영까지 확장했다. 업무의 AX가 공정의 AX로, 다시 운영의 AX로 이어

졌다.

이 전환에서 중요하게 본 것은 운영시간과 활동 범위였다.

우선 사람이 자리를 비운 동안에도 정해진 생산목록에 따라 작업을 이어갈 수 있도록 했다. 한 작업의 완료상태

를 확인하고 다음 작업으로 넘어가는 운영을 AI에 맡기면서, 공장 가동을 사람의 근무시간 너머로 확장하고자

했다.

생산과 외부 업무도 연결했다. 출판은 원고와 파일을 완성하는 것으로 끝나지 않는다. ISBN을 확인하고 신청

하며, 서점별 서지정보를 입력하고, 반려사항을 수정하고, 납본과 유통을 처리해야 한다.

이번 실증에서는 이러한 후속 업무까지 생산공정과 연결했다. 도서 9권의 제작뿐 아니라 출판등록과 유통까지

완료함으로써, AI 기반 지식생산공장이 실제 출판사업의 전 과정을 수행할 수 있음을 확인했다.

공정 사이에는 결과물을 보관하고 인계하는 ‘부품통’을 두었다. 생산과 검수, 사람의 승인과 등록은 서로 다른

속도로 진행된다. 검수를 기다리는 동안에도 생산된 파일을 안전하게 보관하고, 다음 담당자가 준비됐을 때 이

어받도록 했다.

동시에 대기 물량과 공정별 처리속도를 확인해 어느 공정의 능력을 보강해야 하는지 판단할 수 있도록 했다. 개

별 작업의 속도보다 공장 전체의 흐름을 관리하기 위한 장치였다.

우리가 지향하는 365일·24시간 생산은 이처럼 생산공정과 운영체계를 함께 설계하는 일이다. 생산이 이어지는

동안에도 품질기준과 사람의 승인 책임이 작동해야 한다.

사람은 방향 설정과 기준 수립, 주요 판단과 최종 검수에 집중하고, AI는 정해진 역할에 따라 생산과 반복 업무

를 수행하도록 했다.

이 과정에서 비용을 판단하는 기준도 달라졌다. AI 모델의 사용료와 API 비용, 여러 작업환경의 운영비를 비교

할 필요는 있다. 그러나 개별 도구의 가격만으로 생산체계의 가치를 판단하기는 어렵다.

사용료가 낮아도 사람이 계속 작업을 배정하고 파일을 옮기며 오류를 수습해야 한다면 그만큼 운영노동이 필요

하다. 반대로 이용료가 더 들더라도 사람의 개입을 줄이고, 가동시간을 늘리고, 생산에서 등록·유통까지 연결할

수 있다면 사업 전체의 효율은 높아질 수 있다.

우리는 개별 도구의 가격보다 공장 전체의 처리능력과 품질, 운영 안정성을 기준으로 선택했다. 생산관리 역시

사람이 며칠 일했는지와 함께 AI 작업자원이 얼마나 가동됐고, 얼마나 많은 결과물이 검수를 통과했는지 살피

는 방향으로 확장되고 있다.

이번 도서 9권의 출간과 유통 실증은 이러한 구조가 실제로 작동할 수 있음을 확인한 첫 성과다. 다만 9권의 실

증 완료가 곧 대량생산의 안정성까지 검증했다는 뜻은 아니다.

11월 1일부터는 본격적인 생산을 시작하면서 생산량과 검수 통과율, 공정별 처리속도, 운영 안정성, 경제성을

함께 확인할 계획이다. 한국어판과 영문판을 합쳐 월 2,000권, 연간 24,000권은 현재 설정한 생산목표이며, 이

미 달성한 실적과는 분명히 구분한다.

중요한 것은 과거에는 사업계획으로 세우기조차 어려웠던 규모를 실제 운영목표로 설정하고, 이를 시험할 생산

체계를 갖추게 됐다는 사실이다.

이번 경험이 작은 기업에 주는 의미는 여기에 있다.

우리는 AI 모델을 직접 개발하지 않았다. 대규모 개발조직이나 막대한 초기 투자 없이, 기존 사업에서 쌓은 전

문성과 업무규칙을 바탕으로 생산체계를 만들었다. 새로운 AI가 등장할 때마다 그 능력을 어느 공정과 역할에

적용할지 판단했다.

그 과정에서 기존 시스템은 다음 혁신의 기반이 됐다. 먼저 생산공정을 통합했기에 이후 AI 에이전트에 운영을

맡기는 시도도 빠르게 진행할 수 있었다. 경험과 규칙이 축적될수록 새로운 기술을 사업에 적용하는 속도도 빨

라졌다.

작은 기업이 주목할 것은 ‘일주일’이라는 기간보다 그 기간에 무엇을 연결할 수 있었는가다. 자신의 업무를 알

고, 품질을 판단할 기준이 있으며, 시행착오를 규칙으로 남겨왔다면 AI의 발전을 활용할 중요한 자산을 이미 갖

고 있는 셈이다.

산업과 기업마다 적용 속도와 방식은 다를 것이다. 지식생산공장의 경험을 모든 산업에 그대로 적용할 수도 없

다. 그러나 전문성과 경험을 규칙으로 만들고, 그 규칙을 AI와 연결해 새로운 생산능력으로 전환한다는 원리는

다른 분야에도 적용할 수 있다.

나는 오랫동안 “전략은 구조다”라고 이야기해 왔다. 이번 AX에서도 그 원칙은 같았다.

AI의 기능을 파악하는 데서 출발해, 그 능력을 어디에 배치해야 기존의 제약을 풀 수 있는지 판단했다. 생산할

대상과 연결할 공정을 정하고, 사람의 판단이 필요한 지점을 남겼다. 새로운 AI에는 그 능력에 적합한 역할을

부여했다.

기술 자체보다 중요한 것은 그 기술을 어떤 구조에 배치하느냐였다.

같은 AI를 사용하더라도 기업이 축적한 전문성과 이를 연결하는 구조에 따라 결과는 달라진다. 작은 기업의 오

랜 현장 경험도 AI와 결합하면 새로운 생산능력으로 전환될 수 있다.

우리는 AI를 개발하지 않았다. AI의 발전을 우리의 생산혁신으로 바꿨다.

AI 시대의 혁신은 기술을 만드는 기업만의 몫이 아니다. 그 기술로 새로운 구조를 만드는 기업에도 기회가 있

다.