인공지능의 진정한 이점은 업무 방식과 의사 결정 방식을 재설계하는 데서 비롯됩니다. 궁극적으로 성공은 사람과 기술이 뒷받침하는 운영 모델에 달려 있습니다.
| 본 자료는 글로벌 전략 컨설팅 업체 McKinsey & Company(맥킨지)가 2026년 7월 7일 맥킨지 웹사이트에 영어로 게재한 내용을 AI기계 번역한 후 Biz & Pro가 일부 보완한 것입니다. 따라서 본 번역은 맥킨지가 작성한 것이 아니며, 공식적인 번역이 아닙니다. 정확한 영어 원문 확인을 위해서는 아래 링크하는 원문 사이트를 참조하시기 바랍니다. |
이미지 출처 : McKinsey & Company 웹사이트
작성자: Christoph Schmitz, Dago Diedrich, Gianmarco Cilento, and Steffen Fuchs
인공지능(AI) 혁명이 도래하여 활발한 움직임을 보이고 있지만, 현재까지는 재무적 이익은 미미한 수준입니다. 거의 모든 주요 기업들이 챗봇, 분석 대시보드, AI 기반 도구를 사업의 특정 분야에 도입했지만, 전사적인 영향력을 의미 있게 실현한 기업은 드뭅니다. 마치 수많은 디지털 도구들이 제대로 출시되지 못했던 산업 4.0 시범 사업의 악몽이 되살아난 듯합니다. 하지만 이 경우 문제는 기술 자체나 기술 접근성이 아니라 조직에 있습니다. 대부분의 기업은 AI를 기존 활동의 속도 향상에만 활용하고, 거버넌스, 팀, 역량 등 기본적인 운영 모델은 거의 바꾸지 않고 있습니다. 의사 결정은 여전히 AI 도입 이전과 동일한 관리 계층, 승인 절차, 조정 구조를 거치고 있습니다. 더 심각한 것은 투자 자본 수익률(ROIC)을 추적하는 기업조차 드물다는 점입니다.
인공지능 기능이 보편화됨에 따라 이러한 실수는 더욱 심각한 결과를 초래하고 있습니다. 모델, 인프라, 그리고 기업용 도구들이 이제 여러 산업 분야에서 널리 사용 가능해졌기 때문입니다. 유사한 기술을 사용하는 기업들이 이미 매우 다른 결과를 내고 있다는 것은 경쟁 우위가 도구 자체에서 도구를 활용하는 조직으로 이동하고 있음을 시사합니다.
그러한 변화는 이해할 만합니다. AI를 포함한 생산성 향상은 중요하지만, 역사를 보면 생산성 향상만으로는 지속적인 경쟁 우위를 확보하기 어렵습니다. 실제로 AI가 확산됨에 따라 많은 효율성 향상은 당연한 결과로 이어질 가능성이 높습니다. 더 큰 기회는 조직 재편을 통해 AI를 지원하도록 특별히 설계된 운영 모델을 개발하는 데 있습니다. 이러한 모델은 혁신을 가속화하고, 새로운 제품이나 서비스를 창출하며, 새롭게 부상하는 수익 풀에서 상당한 점유율을 확보하는 데 기여합니다. 이러한 활동들이야말로 가장 큰 기회를 창출하는 핵심 요소입니다.
소프트웨어나 인프라와 달리 운영 모델은 단순히 구매하거나 단기간에 복제할 수 있는 것이 아닙니다. 운영 모델은 워크플로, 거버넌스, 인력 및 인재, 데이터, 의사 결정에 대한 조직의 누적된 선택을 통해 발전합니다. 그룹 간의 조정과 협력에 영향을 미치는 운영 모델은 조직의 경쟁 우위를 확보하는 데 있어 매우 중요한 원천이 될 수 있습니다. 최고의 운영 모델은 인공지능 기능이 보편화됨에 따라 기업들이 모방하기 어려운 경쟁 우위를 구축하고 확장할 수 있도록 해줄 것입니다.
기술만으로는 충분하지 않은 이유
투자 규모는 AI 기능이 점점 더 접근하기 쉬워지는 이유를 설명하는 데 도움이 됩니다. 2023년 이후 하이퍼스케일 기업들은 AI 관련 자본 지출에 약 1조 3천억 달러에서 1조 6천억 달러를 투자했으며, 이 중 약 4분의 3이 AI 전용 인프라에 투입되었습니다.1 현재 전 세계적으로 AI 도구를 사용하는 사용자는 약 10억 명에서 15억 명에 달하는 것으로 추산됩니다.2 이러한 성장세 덕분에 인공지능은 불과 몇 년 만에 첨단 기술에서 주류 비즈니스 도구로 탈바꿈했습니다. 하지만 역사는 새로운 기술이 창출하는 가치가 항상 그 기술을 개발한 사람이나 심지어 가장 먼저 도입한 사람에게만 돌아가는 것은 아니라는 점을 보여줍니다. 오히려 가장 큰 승자는 새로운 기술이 제공하는 기회를 중심으로 운영 모델, 제품, 서비스, 그리고 사업 방식을 근본적으로 재편하는 기업들입니다.
1860년대부터 1890년대까지 이어진 미국의 철도 붐은 인공지능(AI) 시대와 몇 가지 유사점을 가지고 있습니다. AI와 마찬가지로, 철도 인프라는 수요를 앞서 막대한 비용을 들여 건설되었고, 궁극적으로 상품, 사람, 정보의 이동 비용을 획기적으로 절감함으로써 경제를 혁신했습니다. 경제적 파급 효과는 엄청났지만, 철도 회사 자체나 단순히 철도를 이용해 더 빠르고 저렴하게 물품을 운송한 외부 기업에 돌아간 이익은 극히 일부에 불과했습니다. 오히려 가장 큰 수혜자는 완전히 새로운 운영 모델을 창출하고, 산업 경제 구조를 재편하며, 철도가 없었다면 존재할 수 없었을 가치 창출 영역을 확보한 기업들이었습니다.3 소매업체 시어스는 카탈로그 판매 방식을 도입했는데, 이는 소비자에게 직접 판매하는 모델로 전성기에는 미국 경제의 약 1%를 차지했던 것으로 추정됩니다.4 미국의 육류 회사 스위프트는 냉장 철도 차량을 중심으로 육류 가공 방식을 재편하여 업계 전체를 혁신했습니다.
이제 인공지능(AI)을 생각해 봅시다. 대부분의 조직은 이 기술을 기존 프로세스의 속도를 높이는 데만 사용하고 있습니다. 기존 워크플로에 보조 작업자를 추가하거나, 변경되지 않은 조직 구조에 챗봇을 삽입하거나, 동일한 승인 프로세스에 분석 엔진을 적용하는 식입니다. 그 결과, 업무 속도는 빨라지지만 성과를 저해하는 조직적 제약은 여전히 남아 있습니다. 이러한 문제는 널리 퍼져 있으며, 최근 맥킨지 조사에 따르면 기업의 21%만이 AI를 중심으로 운영 모델을 근본적으로 재설계한 것으로 나타났습니다.5
인공지능(AI)을 통해 가치를 창출하는 기업들 사이에는 몇 가지 공통적인 패턴이 나타납니다. 가장 성공적인 기업들은 단순히 생산성을 향상시키는 데 그치지 않고, AI 도입이 확산됨에 따라 더 빠르게 혁신하고 지속적인 경쟁 우위를 확보할 수 있도록 워크플로와 운영 모델을 재설계합니다. 실제로 맥킨지 조사에 따르면, 최고 성과 기업(EBIT(Earnings Before Interest and Taxes. 영업이익과 유사 개념 – 편집자 주)의 5% 이상을 AI에 귀속시키는 기업)은 AI 도구를 선택하기 전에 광범위한 운영 모델 재설계를 추진할 가능성이 3배 더 높았고, 워크플로를 재설계할 가능성은 2배 더 높았습니다.
최근 경제 데이터는 일부 기업들이 인공지능(AI)으로부터 이익을 얻고 있다는 견해를 뒷받침합니다. 미국의 생산성 증가율은 2025년에 약 2.7%로 가속화될 것으로 예상되는데, 이는 지난 10년간 평균인 1.4%의 거의 두 배에 달하는 수치입니다. 이러한 상황에서 일자리 증가는 20만 개 미만에 그쳤고, 국내총생산(GDP) 성장률은 3.7%를 기록했습니다.6 한 분석에 따르면, 비교적 소수의 AI 파워 유저들이 AI를 중심으로 워크플로우를 재설계함으로써 이러한 개선의 상당 부분을 주도하고 있다고 합니다.7
하지만 대부분의 기업은 새로운 도구를 도입하는 것보다 업무 방식을 바꾸는 것이 훨씬 어렵다는 사실을 깨닫습니다. 그 이유는 대기업이 규모를 확장하면서 누적되는 복잡성과 이를 해결하려는 조직 내부의 소극적인 태도 때문입니다. 어쩌면 가장 어려운 변화는 사람, 특히 그들의 사고방식과 역량과 관련된 것일지도 모릅니다.
조정 과제
대기업을 이끄는 모든 CEO는 다음과 같은 패턴을 인지하고 있습니다. 50억 달러 규모에서는 빠르게 움직이던 회사가 200억 달러 규모에서는 속도가 느려지고, 500억 달러 규모에 이르면 어려움을 겪는 경우가 많습니다. 조직이 성장함에 따라 의사 결정에는 더 많은 사람, 팀, 그리고 상호 의존 관계가 얽히게 됩니다. 5인 팀은 소통 경로가 10개에 불과하지만, 50인 팀은 1,225개에 달합니다. 이러한 복잡성을 관리하기 위해 기업은 거버넌스 프로세스, 매트릭스 구조, 그리고 여러 계층의 관리 체계를 도입합니다.
복잡성 가위
기업이 성숙해짐에 따라 경제적 영향이 점점 더 분명해집니다. 매출 성장은 일반적으로 S자 곡선을 따르는데, 초기에는 완만한 성장세를 보이다가 급격히 가속화된 후 시장이 성숙해짐에 따라 다시 둔화됩니다. 그러나 검토 위원회, 경영진, 부서 간 위원회 등을 포함한 조정 비용은 계속해서 증가합니다. 그 결과 매출과 조정 비용 간의 격차가 점점 더 커집니다. 이를 시각적으로 나타내면 두 곡선은 마치 펼쳐진 가위의 날처럼 벌어집니다(도표 참조). 맥킨지의 조직 건전성 연구는 이러한 결과를 반영합니다. 대기업 중 10년 이상 자본 비용 이상의 수익률을 유지하는 기업은 10곳도 채 되지 않습니다.8
도표
인공지능(AI)은 이러한 경제 구조를 변화시킬 수 있는 길을 제시합니다. 사람 간의 상호작용이 점점 늘어나는 기존 방식 대신, AI 시스템은 명확하고 정치적 편향이 없으며 투자수익률(ROIC) 중심의 요소 또는 거버넌스 기준에 따라 중앙 집중식 오케스트레이션 계층을 통해 정보, 의사 결정 및 워크플로를 처리할 수 있습니다. 불필요한 회의나 상호작용을 없애면 의사 결정 속도를 높이고 편향 가능성을 제거할 수 있습니다. 예를 들어, 대형 제약 회사의 경우 일반적으로 1,000건 이상의 양자 연결이 필요했던 네트워크도 훨씬 간소화된 허브 앤 스포크(Hub & Spoke) 구조를 통해 운영될 수 있습니다. 많은 경우, 기업은 의사 결정 책임 및 기타 관리 업무를 AI 에이전트에 위임할 수 있습니다.
이러한 특징이 인공지능을 이전의 기술 혁신들과 구별 짓는 핵심입니다. 비즈니스 프로세스 재설계, 전사적 자원 관리(ERP), 디지털 전환은 모두 조직을 더욱 수평적이고 빠르게 만들겠다고 약속했지만, 결국 대부분의 근본적인 조정 구조는 그대로 유지되었고, 인력과 역량 또한 기존과 크게 다르지 않았습니다. 인공지능은 이러한 조정 구조 자체를 목표로 한다는 점에서 다릅니다. 단순히 개별 작업을 자동화하는 것이 아니라, 인공지능 시스템은 정보를 종합하고, 우선순위를 정하고, 결과를 예측하고, 의사결정을 내리고, 팀 간 워크플로를 조정할 수 있습니다. 이는 기존 프로세스를 단순히 가속화하는 것을 넘어 워크플로를 재설계할 수 있는 가능성을 열어줍니다.
왜 부가적인 AI 솔루션은 실패하는가?
대부분의 조직은 AI를 기존 구조와 프로세스에 덧붙여 생산성 향상을 자동으로 가져올 것이라고 기대합니다. 그러나 이러한 접근 방식은 다음과 같은 세 가지 이유로 인해 실질적인 가치를 거의 창출하지 못하는 경우가 많습니다.
- 복잡성은 여전히 상당 부분 그대로 유지됩니다. 조직들은 흔히 AI에 대응하여 검토 계층, 거버넌스 프로세스 및 감독 체계를 추가합니다. 맥킨지 연구에 따르면, AI에 맞춰 재설계되지 않은 워크플로 내에서 에이전트 시스템이 작동할 경우 오류가 기계적인 속도로 조직 전체에 확산될 수 있습니다.9 더욱이, AI가 업무 방식을 변화시켰음에도 불구하고 팀 구성과 역할은 그대로 유지됩니다.
- 가치는 여전히 작업 수준에 갇혀 있습니다. 개별 활동은 빨라지지만, 더 넓은 범위의 워크플로는 그렇지 않습니다. 정보는 여전히 동일한 병목 현상을 거치면서 기업 전체에 미치는 영향력이 제한됩니다. 예를 들어, 신제품이 반드시 더 빨리 시장에 출시되는 것은 아닙니다.
- 조직들은 잘못된 지표를 사용합니다. 그들은 흔히 의사결정 주기 단축, 조정 비용 절감, 재무 성과 개선과 같은 비즈니스 성과보다는 AI 관련 라이선스, 시범 프로젝트, 배포 건수로 성공을 측정합니다. 또한 투자 수익률(ROIC)을 간과하거나 과소평가하는 경향이 있습니다.
기존 시스템에 AI를 추가하는 방식을 택하는 기업들은 일반적으로 AI를 운영 모델의 혁신보다는 기술 조달 과제로 여깁니다. 경영진은 워크플로와 의사결정 시스템을 재설계하기보다는 플랫폼과 공급업체를 선정하는 데 장기간의 의사결정 과정을 거치는 경우가 많습니다. 이러한 전략은 자멸적이며, 현재 특정 플랫폼을 차별화하는 기능들이 몇 달 안에 표준 기능이 되는 경우가 많기 때문에 실질적인 이점을 거의 제공하지 못합니다. 더욱이, 연구에 따르면 AI의 가치는 알고리즘, 기술 또는 데이터 인프라가 아닌 사람과 프로세스의 혁신에서 비롯되는 경우가 대부분입니다.
이러한 이점은 특히 물리적 제품을 설계, 엔지니어링, 제조 및 유통하는 산업에서 두드러지게 나타날 수 있습니다. 예를 들어, 에미레이츠 글로벌 알루미늄(Emirates Global Aluminium)은 제련 공정에 AI를 도입하기 전에 전용 디지털 아카데미를 통해 수천 명의 직원을 교육했습니다.10 수년간의 노력 끝에 이 회사는 궁극적으로 1억 2천만 달러 이상의 경제적 효과를 입증했으며, 여기에는 170%의 투자 수익률(ROI)과 처리량 및 노동 생산성의 두 자릿수 향상이 포함됩니다. 광업 회사인 프리포트-맥모란(Freeport-McMoRan) 또한 AI의 속도에 맞춰 계획 주기를 재설계함으로써 큰 성과를 거두었습니다.
이러한 사례들이 중요한 이유는 단순히 창출된 가치뿐만 아니라, 그 과정에서 형성된 사고방식과 역량 때문입니다. 각각의 혁신은 워크플로 재설계, AI 기반 의사결정 관리, 인재 배치, 변화 관리 등에 대한 조직적 지식을 생성합니다. 이러한 교훈은 시간이 지남에 따라 축적되어 미래의 혁신을 더욱 신속하고 비용 효율적으로, 그리고 성공 가능성 높게 만들어 줍니다.
그 결과는 전략적 해자(垓子/垓字, moat. 성곽이나 고분 등의 둘레를 파서 만든 도랑으로, 외부 침입을 막는 방어 시설에서 유래한 구조물 – 편집자 주) 그 자체가 아니라 역량 해자, 즉 기업이 여러 전략적 해자를 구축하고 확장할 수 있도록 하는 조직적 강점입니다. 경쟁사들은 유사한 AI 도구를 도입할 수 있지만, 수년간 축적된 조직 학습, 실험, 워크플로 재설계 및 운영 경험을 쉽게 복제할 수는 없습니다. 시간이 지남에 따라 이러한 역량은 기업이 독자적인 데이터 선순환 구조, 고객 워크플로 내재화, 빠른 학습 주기, 새로운 비즈니스 모델과 같이 모방하기 어려운 경쟁 우위를 창출하는 데 도움이 됩니다. 성공적인 AI 이니셔티브로 시작된 것은 그 자체로 더 광범위한 변혁 역량으로 발전할 수 있으며, 이는 도입될 때마다 더욱 가치가 높아지고 경쟁사가 따라잡기 더욱 어려워집니다.
AI 경쟁 우위 확보: CEO를 위한 교훈
아직 AI를 중심으로 조직을 재편하지 않은 리더들에게는 어디서부터 시작해야 할지가 어려운 과제인 경우가 많습니다. 세 가지 질문을 순차적으로 던져 변화의 방향을 설정하면 나아갈 길을 명확히 하는 데 도움이 될 수 있습니다.
AI를 통해 전략적 차별화를 어떻게 창출할 수 있을까요?
맥킨지 연구에 따르면 성공하는 기업들은 AI 투자를 한두 개의 고부가가치 비즈니스 영역에 집중하는 것으로 나타났습니다.11 “땅콩버터”처럼 여러 그룹에 인공지능을 얇게 펴 바르는 방식은 점진적인 개선은 이룰 수 있지만 전략적인 차별화는 이룰 수 없습니다.
가장 유망한 분야는 일반적으로 세 가지 특징을 공유합니다.
- 수익성 개선, 성장 가속화, 새로운 수익원 창출 및 경쟁력 강화를 위한 충분한 경제적 레버리지
- 사용할수록 가치가 높아지는 독점 데이터 자산
- 워크플로의 복잡성은 조정 중심 운영 모델의 한계를 드러냅니다.
따라서 기업은 경쟁업체가 쉽게 모방할 수 없는 경쟁 우위를 창출하면서 동시에 최고의 경제적 수익을 가져올 수 있는 운영 모델 재설계 영역에 우선순위를 두어야 합니다. 많은 산업에서 가장 큰 기회는 단순히 비용 절감에 있는 것이 아니라 수익 풀을 확대하는 새로운 제품, 서비스, 고객 경험 및 비즈니스 모델을 구현하는 데 있을 수 있습니다.
맥킨지가 주요 AI 전환 기업들을 분석한 결과, 이러한 접근 방식의 이점이 확인되었습니다. 우선 순위 영역에서 EBITDA(Earnings Before Interest, Taxes, Depreciation and Amortization / 이자, 세금, 감가상각비, 무형자산상각비 차감 전 이익(상각전영업이익) – 편집자 주)를 20% 이상 개선하고자 했던 기업들은 투자금 1달러당 약 3달러의 추가 EBITDA를 달성했으며, 1~2년 내에 손익분기점을 넘었습니다.12
기업들은 영역을 선택할 때 기술 평가보다는 역량 구축과 자원 배분에 집중해야 합니다. 핵심 질문은 기업이 경쟁 우위를 창출할 수 있는 영역이며, 이를 위해서는 IT 부서가 아닌 사업 및 손익 관리 책임자가 주요 의사 결정권자가 되어야 합니다. 맥킨지 연구에 따르면, 기술 프로그램으로 시작된 AI 혁신은 80% 이상의 높은 실패율을 보였는데, 이는 기업의 운영 방식을 재설계하여 근본적으로 바꾸는 대신 단순히 도구를 최적화하는 데 그쳤기 때문입니다. 이상적으로는, 경영진은 조직 재편을 통해 전략적 해자를 구축할 수 있는 영역, 예를 들어 핵심 데이터, 고객 워크플로, 네트워크 효과, 고객 신뢰 또는 새로운 비즈니스 모델에 집중해야 합니다.
워크플로우를 어떻게 재구성하나요?
기업이 우선순위 영역을 선정한 후에는 AI 기반 협업을 중심으로 워크플로우를 재설계할 수 있습니다. 이 과정은 기존 워크플로우를 개별 작업으로 분해하고 어떤 활동을 AI로 전환하고 어떤 활동을 인간의 통제하에 둘지 결정하는 것에서 시작됩니다. 대부분의 기업(약 79%)은 이 단계를 건너뛰지만, 맥킨지 연구에 따르면 워크플로우 재설계는 기업의 영업이익(EBIT)에 가장 큰 영향을 미치는 요인으로 나타났습니다.
구체적인 내용은 산업 및 사용 사례에 따라 다르지만, 순서는 동일합니다. 먼저 워크플로를 재설계하고, 그다음 지원 인재 모델을 구축하고, 마지막으로 기술을 선택합니다.
도요타의 글로벌 자원 배분 프로세스는 이러한 변화를 잘 보여줍니다. 공급업체, 공장, 유통 채널 전반에 걸쳐 고객 수요에 맞춰 생산 능력을 조정하는 작업은 수십 개의 스프레드시트, 대규모 계획팀, 그리고 수 주간의 노력이 필요한 복잡한 워크플로로 발전해 왔습니다. 계획 담당자들은 수동으로 수요 신호를 취합하고, 시스템 전반에 걸친 공급 제약을 조정하며, 여러 승인 단계를 거쳐 권장 사항을 제시했습니다. 도요타는 이러한 프로세스를 AI 기반 워크플로로 대체했습니다. 이 워크플로는 수요 데이터를 수집하고, 공급 제약을 평가하며, 계획 담당자들이 몇 분 만에 다양한 시나리오를 검토할 수 있도록 지원합니다. 계획팀 규모는 해고가 아닌, 비판적 사고가 필요한 고부가가치 업무로 재배치함으로써 80% 이상 축소되었으며, 데이터와 의사 결정 간의 조정 단계는 획기적으로 간소화되었습니다.
사업을 계속 운영하면서 운영 모델을 어떻게 재구성해야 할까요?
이 질문은 많은 혁신이 규모를 확장하기 전에 중단시키는 원인이 됩니다. 맥킨지의 리와이어드(Rewired) 프레임워크는 이중 운영 모델을 통해 이러한 문제를 해결합니다.13 핵심 사업은 이전과 거의 동일하게 운영되지만, 기업은 특정 전환 영역 내에서 민첩한 팀을 구성합니다.공유하다사이드바
이러한 소규모 팀(pod)들은 종종 조직 전체와는 다른 의사 결정 권한, 성과 지표, 인재 모델을 가지고 운영됩니다. 이들의 목적은 단순히 실험하는 것이 아니라, 의무적인 명령이 아닌 성과를 통해 운영 지원을 구축하는 측정 가능한 결과를 입증하는 것입니다. 처음 12~18개월 안에 거둔 초기 성공은 신뢰를 구축하고, 자체적인 운영 데이터를 생성하며, 더 광범위한 도입 노력을 위한 자금 조달에 도움이 될 수 있습니다. 시간이 지남에 따라, 기반 역량, 데이터 인프라 및 거버넌스 프레임워크가 이미 구축되어 있기 때문에 후속적인 변화 과정이 가속화됩니다.
초기 AI 선도 기업들로부터 얻는 교훈은 점점 더 명확해지고 있습니다. 막대한 가치를 창출하는 기업들은 단순히 업무를 자동화하는 데 그치지 않고, 더 빠르게 학습하고, 더 효과적으로 혁신하며, 경쟁사들이 모방하기 어려운 경쟁 우위를 구축하기 위해 기업 운영 방식을 재설계하고 있습니다. 조직 재편 자체는 가치 창출의 원천이 아닙니다. 이는 기업들이 새로운 제품을 개발하고, 고객 관계를 강화하며, 독자적인 데이터 자산을 구축하고, AI가 경쟁 구도를 재편하는 가운데 새롭게 부상하는 수익원을 확보할 수 있도록 하는 메커니즘입니다. 조직 재편을 통해 기업은 과거 대기업의 성장을 저해해왔던 계층 구조, 마찰, 그리고 조정 오버헤드를 줄일 수 있습니다. AI 접근성이 높아짐에 따라, 경쟁사보다 더 빠르고 효과적으로 기업을 재편할 수 있는 기업이 점점 더 유리한 위치를 차지하게 될 것입니다. 기업 리더들 에게 있어 전략적 결정은 AI 인프라 비용이 하락하고 선발 주자로서의 이점을 누릴 수 있는 지금, 운영 모델 재설계를 시작할 것인지 여부입니다.
저자 소개
크리스토프 슈미츠는 맥킨지 프랑크푸르트 사무소의 선임 파트너이고, 다고 디드리히는 뒤셀도르프 사무소의 선임 파트너이며, 지안마르코 칠렌토는 마이애미 사무소의 파트너이고, 스테펜 푹스는 댈러스 사무소의 선임 파트너입니다.
이 기사는 보스턴 지사의 편집장인 에일린 해니건이 편집했습니다.