생성형 AI 도입에 따른 업무 프로세스 변화와 생산성·경영혁신
생성형 AI의 문화예술기관 활용 사례는 기획·연구, 자료관리, 관객서비스 등 다양한 업무에서 나타나고 있다. 해외 문화예술기관은 생성형 AI를 활용하여 소장자료 검색과 정보 제공 방식을 개선하고, 관객에게 새로운 서비스를 제공하고 있다.
생성형 AI 도입의 효과는 단순히 기술을 사용했는지가 아니라 업무 처리방식이 실제로 어떻게 달라졌는지에 따라 판단해야 한다. 자료 조사와 문서 작성에 필요한 시간이 줄었는지, 정보의 정확성과 활용도가 높아졌는지, 관객서비스의 품질이 개선됐는지가 중요한 판단 기준이다.
이 글은 해외 문화예술기관의 실제 활용 사례를 중심으로 생성형 AI 도입에 따른 업무 과정과 담당자 역할의 변화를 분석한다. 또한 이러한 변화가 기관의 업무 효율과 운영방식에 미치는 영향을 살펴본다.
생성형 AI 도입에 따른 업무성과의 구체적인 평가기준과 방법은 별도 글인 「생성형 AI 업무성과, 문화예술기관은 어떻게 평가할 것인가」에서 다룬다.
목차
1. 문화예술기관의 업무와 생성형 AI
문화예술기관의 업무는 여러 단계로 이루어진다.
전시를 기획하려면 관련 자료와 작품을 조사하고, 유사 사례를 비교하고, 기획안을 작성한 뒤 내부 검토와 수정을 거쳐야 한다.
소장자료를 관리할 때도 원자료를 확인하고, 필요한 정보를 입력하고 분류하며, 오류를 검토한 뒤 데이터베이스에 저장한다. 관객의 문의에 답할 때는 질문을 확인하고 필요한 정보를 찾은 뒤 답변을 작성하고 내용을 검토해야 한다.
생성형 AI는 이 가운데 자료검색, 요약, 분류와 초안작성에 필요한 시간을 줄이는 데 활용할 수 있다.
기존에는 직원이 모든 내용을 처음부터 직접 작성했다면, 생성형 AI가 자료를 먼저 정리하거나 초안을 만들고 담당자가 필요한 부분을 확인하고 수정하는 방식으로 업무를 바꿀 수 있다.
이 변화의 의미는 단순히 처리속도가 빨라지는 데만 있지 않다. 반복적인 작업에 사용하는 시간이 줄어들면 직원은 사실확인, 비교와 판단처럼 사람이 직접 수행해야 하는 업무에 더 많은 시간을 사용할 수 있다.
따라서 생성형 AI 도입은 기존 업무를 그대로 두고 속도만 높이는 것이 아니라, 업무를 어떤 순서로 처리하고 사람과 AI가 각각 어떤 일을 담당할 것인지를 다시 정하는 과정으로 볼 수 있다.
2. 기획·연구·행정 업무의 변화
문화예술기관의 기획과 연구에는 많은 자료조사가 필요하다.
전시나 공연을 준비하려면 작품과 작가, 과거 프로그램, 예상 관객, 예산, 공간과 일정 등을 함께 검토해야 한다. 관련 연구자료와 내부 문서를 읽고 필요한 내용을 정리하는 데도 상당한 시간이 든다.
생성형 AI는 이 과정에서 자료를 요약하고, 여러 대안을 비교하며, 문서의 초안을 작성하는 데 활용할 수 있다.
기획자는 모든 자료를 처음부터 같은 깊이로 읽기보다 전체 내용을 먼저 파악한 뒤 중요한 자료를 다시 확인할 수 있다. 여러 대안을 같은 형식으로 정리하면 비교도 쉬워진다.
행정업무에서도 비슷한 변화가 나타난다. 회의자료 요약, 보고서 초안, 번역, 행사안내문과 홍보문안처럼 반복적으로 작성하는 문서에 생성형 AI를 활용하면 작성시간을 줄일 수 있다.
그러나 자료를 정리하고 형식을 맞추는 시간이 줄어드는 것 자체가 기획의 질을 높이는 것은 아니다. 확보된 시간을 사업의 방향을 검토하고 자료의 정확성을 확인하며 대안을 비교하는 데 활용해야 한다.
따라서 생성형 AI의 효과는 기획안을 대신 만드는 데 있지 않다. 기획자가 자료를 더 빠르게 정리하고 비교하면서 판단에 필요한 시간과 정보를 확보하도록 돕는 데 있다.
3. 소장자료와 아카이브의 활용 변화
박물관과 미술관, 공연기관에는 오랜 기간 축적된 작품정보, 사진, 공연기록, 문서와 연구자료가 있다. 그러나 많은 자료를 보유하고 있다고 해서 모두 쉽게 활용할 수 있는 것은 아니다.
오래된 사진이나 문서에는 충분한 설명이 없는 경우가 많고, 디지털 자료도 분류방식이나 검색어가 일정하지 않으면 원하는 정보를 찾기 어렵다.
생성형 AI와 이미지 인식기술은 이러한 자료를 읽고 설명의 초안을 만들거나 검색에 필요한 정보를 정리하는 데 활용할 수 있다.
2026년 Humanities and Social Sciences Communications에 발표된 ArchiveGPT 연구는 이러한 가능성을 실제 아카이브 사진자료를 이용해 검토했다. 연구에서는 AI가 만든 설명과 전문가가 작성한 설명을 비교했다.
연구 결과 전문가가 작성한 설명이 정확성과 유용성에서 더 높은 평가를 받았다. AI가 만든 설명에는 문자 인식 오류와 사실과 다른 내용도 나타났다. 연구진은 전문 분야에서는 추가적인 사람의 검토가 필요하다고 설명했다.
이 결과는 AI가 전문가를 대신할 수 있다는 의미가 아니다. 오히려 많은 자료의 설명 초안을 먼저 만들고, 담당자가 오류가 있거나 추가 설명이 필요한 자료를 확인하는 방식으로 업무를 나눌 가능성을 보여준다.
따라서 소장자료 관리에서는 AI의 1차 처리와 사람의 검토를 결합하는 방식이 현실적인 활용방법이 될 수 있다.
4. 관객서비스와 기관 지식의 새로운 활용
기존 박물관과 미술관의 관객서비스는 기관이 미리 작성한 설명을 관객에게 제공하는 방식이 중심이었다. 전시 안내문과 오디오가이드는 정확하고 일관된 정보를 제공할 수 있지만, 관객마다 다른 질문과 관심을 모두 반영하기는 어렵다.
National Gallery Singapore는 2025년 Azure OpenAI를 이용한 AI 도슨트 G(ai)lle를 공개했다. 이 서비스는 관객이 작품에 대해 직접 질문하고 자신의 관심에 맞는 설명을 받을 수 있도록 설계됐다. 영어, 중국어, 말레이어, 타밀어를 지원하며 기관이 보유한 연구자료를 바탕으로 답변한다.
중요한 변화는 챗봇 하나가 추가되었다는 데 있지 않다. 기존에는 기관이 설명할 내용을 먼저 정했다면, 대화형 서비스에서는 관객의 질문이 정보 제공의 출발점이 된다.
기관 내부의 콘텐츠 제작방식도 달라질 수 있다. National Gallery Singapore는 일반 관객과 전문 관객 등 대상별로 콘텐츠를 다시 작성할 때 생성형 AI를 활용하고, AI가 만든 초안을 직원이 수정하는 방식으로 사용하고 있다. 이 방식은 형식과 초안 작성에 필요한 시간을 줄이고, 담당자가 내용의 정확성과 표현을 검토하는 데 더 많은 시간을 사용할 수 있게 한다.
관객이 실제로 어떤 질문을 하는지 축적되면 이 정보는 향후 전시와 교육, 관객서비스를 개선하는 자료로 활용할 수도 있다. 다만 이러한 활용은 실제 운영자료가 축적되고 분석되어야 확인할 수 있으므로 향후 활용 가능성으로 보는 것이 적절하다.
이 사례가 보여주는 핵심은 생성형 AI가 새로운 정보를 만들어내는 데만 있는 것이 아니다. 기관이 이미 보유한 연구자료와 지식을 관객이 더 쉽게 찾고 활용할 수 있도록 연결하는 방식도 달라질 수 있다.
5. 문화예술기관의 생성형 AI 활용 사례
앞의 사례를 비교하면 생성형 AI가 기관의 업무를 어떻게 바꾸는지 더 쉽게 볼 수 있다.
| 사례 | 기존 방식 | 생성형 AI 활용 후 | 주요 변화 |
|---|---|---|---|
| National Gallery Singapore | 정해진 설명 제공 | 관객 질문에 맞춘 대화형 설명 | 관객서비스 방식 확대 |
| Carnegie Hall | 전문적인 검색방법 필요 | 자연어로 공연기록 검색 | 자료 접근방식 개선 |
| ArchiveGPT | 개별 자료의 설명 직접 작성 | AI 설명 초안 후 전문가 검토 | 대량 자료 처리 가능성 |
| VoucherVision | 표본 라벨정보 직접 입력 | AI 구조화 후 사람이 확인 | 시간당 처리량 약 25% 증가 |
이 사례들의 공통점은 사람이 하던 업무 전체를 AI가 대신한 것이 아니라 자료를 찾고, 정리하고, 초안을 만들고, 확인하는 과정의 일부가 달라졌다는 점이다.
Carnegie Hall
Carnegie Hall의 Stardog Voicebox는 약 6만 3천 건의 공연기록을 자연어로 검색할 수 있도록 만든 서비스다.
이용자가 평소 사용하는 문장으로 질문하면 시스템이 이를 SPARQL 질의로 바꾸고 Carnegie Hall의 지식그래프에서 관련 정보를 찾는다. 대규모 언어모델이 공연이력을 직접 작성하는 방식은 아니다.
Voicebox는 외부 인터넷에서 답을 찾는 것이 아니라 기관이 보유한 공연이력 데이터에서 답을 찾도록 설계됐다. 따라서 이 사례의 핵심은 오류가 없는 AI를 만들었다는 데 있지 않다. 기관이 보유한 검증된 자료에 이용자가 더 쉽게 접근하도록 검색방식을 바꿨다는 점이 중요하다.
생성성 향상 참고 사례
University of Michigan Herbarium의 VoucherVision 사례는 대규모 소장자료와 유사한 업무에서 AI가 생산성에 어떤 영향을 줄 수 있는지를 보여준다.
기존에는 직원이 표본 라벨을 직접 읽고 정보를 입력했다. VoucherVision을 사용한 뒤에는 AI가 라벨정보를 먼저 구조화하고, 직원이 오류를 확인한 뒤 데이터베이스에 올리는 방식으로 업무가 바뀌었다. 연구진은 이 방식으로 시간당 처리되는 기록의 수가 약 25% 증가했다고 보고했다.
다만 이 수치를 문화예술기관의 일반적인 생산성 증가율로 받아들여서는 안 된다. 대규모 소장자료를 처리하는 유사 업무에서 AI의 1차 처리와 사람의 검토를 결합하면 처리량을 높일 수 있음을 보여주는 참고 사례로 보는 것이 적절하다.
6. 업무 프로세스 개선과 생산성 변화
생성형 AI를 도입하면 자료검색, 요약, 분류와 문서작성에 필요한 시간을 줄일 수 있다. 그러나 업무가 빨라졌다는 사실만으로 생산성이 높아졌다고 판단할 수는 없다.
생산성은 같은 인력과 시간으로 업무를 얼마나 효율적으로 처리했는지를 확인해야 한다. 문화예술기관에서는 처리속도뿐 아니라 처리량, 결과의 정확성과 서비스 수준도 함께 살펴볼 필요가 있다.
앞에서 살펴본 사례에서도 서로 다른 변화가 나타났다. Carnegie Hall은 전문적인 검색방법을 알지 못해도 자연어로 공연기록에 접근할 수 있도록 검색과정을 바꿨다. ArchiveGPT 연구는 많은 아카이브 자료의 설명을 AI가 먼저 작성하고 사람이 필요한 내용을 검토하는 방식의 가능성과 한계를 보여줬다. VoucherVision 연구에서는 AI를 이용한 자료처리 방식으로 시간당 처리량이 약 25% 증가했다.
이러한 변화를 평가할 때는 다음 네 가지 항목을 함께 살펴볼 수 있다.
| 평가 항목 | 확인할 내용 | 예시 |
|---|---|---|
| 처리시간 | 같은 업무를 끝내는 시간이 줄었는가 | 문서 초안 작성시간, 자료검색시간 |
| 처리량 | 같은 시간과 인력으로 더 많은 업무를 처리하는가 | 시간당 자료 처리건수 |
| 정확성 | 속도가 빨라지면서 오류가 늘지 않았는가 | 사실오류, 분류오류, 수정률 |
| 서비스 수준 | 이용자가 정보를 더 쉽게 찾고 이용할 수 있는가 | 검색 편의성, 질문 대응범위 |
처리시간과 처리량만 좋아지고 오류가 증가한다면 실질적인 업무 개선으로 보기 어렵다. ArchiveGPT 연구에서 AI가 작성한 설명에 문자 인식 오류와 사실과 다른 내용이 나타났다는 점은 정확성 검토가 생산성 평가에서 빠져서는 안 되는 이유를 보여준다.
서비스 업무도 마찬가지다. 기관이 필요한 정보를 더 쉽게 찾고 전달할 수 있게 되었는지, 관객의 정보 접근과 이용이 실제로 편리해졌는지를 함께 확인해야 한다.
따라서 문화예술기관의 AI 활용 성과는 단순히 문서를 빨리 만들거나 처리건수를 늘리는 것으로 평가해서는 안 된다. 처리시간과 처리량의 개선이 정확성과 서비스 수준을 유지하면서 나타나는지를 함께 확인해야 한다.
7. AI가 포함된 업무의 관리와 책임
업무과정에 생성형 AI가 들어오면 업무를 관리하는 방식도 달라져야 한다.
AI가 자료를 정리하고 문서의 초안을 작성하더라도 업무의 기준을 정하고 결과를 확인하며 최종적으로 사용하는 책임은 기관과 담당자에게 있다. 특히 소장자료나 연구자료처럼 정확성이 중요한 정보는 AI가 만든 결과를 그대로 사용하기보다 확인과 검토과정을 두어야 한다.
이때 중요한 것은 AI 자체를 관리하는 것보다 AI가 포함된 전체 업무과정을 관리하는 것이다.
예를 들어 소장자료 관리에 AI를 사용한다면 어떤 자료를 입력할 수 있는지, AI가 만든 결과 가운데 무엇을 확인해야 하는지, 누가 최종적으로 승인하고 등록할 것인지를 정해야 한다.
관객용 AI 서비스에서도 마찬가지다. 어떤 자료를 근거로 답변할 것인지, 잘못된 정보가 발견되면 어떻게 수정할 것인지, 서비스의 정확성과 품질을 누가 확인할 것인지가 명확해야 한다.
경영학에서는 특정 업무과정의 성과와 개선을 관리하는 책임을 **프로세스 오너(Process Owner)**라는 개념으로 설명한다. Danilova의 체계적 문헌고찰에서도 프로세스 오너는 비즈니스 프로세스 관리와 프로세스 거버넌스에서 업무과정의 성과와 개선을 관리하는 역할로 다뤄진다.
문화예술기관에서 반드시 별도의 ‘프로세스 오너’라는 직책을 만들 필요는 없다. 중요한 것은 AI가 포함된 업무과정의 기준과 결과를 책임질 담당자가 분명해야 한다는 점이다.
따라서 생성형 AI를 업무에 도입할 때는 최소한 다음 사항을 정할 필요가 있다.
- AI를 사용할 수 있는 업무와 자료의 범위
- AI가 만든 결과의 확인·수정 기준
- 최종 승인과 등록의 책임자
- 오류가 발견됐을 때 수정하는 절차
- 관객에게 제공되는 정보와 서비스의 품질관리
생성형 AI가 업무의 일부를 수행하더라도 업무 전체의 결과와 품질에 대한 책임까지 AI로 넘어가는 것은 아니다. AI 활용이 확대될수록 사람의 역할은 직접 작성하는 일에서 기준을 정하고, 결과를 검토하고, 최종 판단을 내리는 방향으로 달라진다.
8. 프로세스 혁신에서 경영혁신으로
생성형 AI를 사용해 문서작성 시간이 줄었다고 해서 바로 경영혁신이 이루어지는 것은 아니다.
업무 효율 개선은 개별 업무의 시간과 처리량이 개선되는 변화다. 반면 프로세스 혁신은 여러 업무의 처리순서와 방법, 자료 활용방식이 달라지는 변화다. 이러한 변화가 기관의 공식 업무절차와 서비스 운영, 의사결정에 반영될 때 경영혁신으로 이어질 수 있다.
문화예술기관에서는 이러한 변화가 몇 가지 형태로 나타날 수 있다.
먼저 AI 활용이 개인의 도구에서 기관의 업무방식으로 바뀌는 변화다.
직원이 필요할 때 각자 생성형 AI를 사용하는 것과 기관이 어떤 업무에 AI를 사용할지 정하고, 사용할 수 있는 자료와 검토기준을 마련하는 것은 다르다. 후자의 경우 AI 활용은 개인의 선택이 아니라 기관의 업무방식 일부가 된다.
다음은 기관이 보유한 자료의 활용범위가 넓어지는 변화다.
Carnegie Hall은 오랫동안 축적한 공연기록을 일반 이용자가 자연어로 검색할 수 있도록 했다. National Gallery Singapore도 기관이 보유한 미술자료를 대화형 관객서비스에 활용하고 있다. 이는 생성형 AI가 새로운 자료를 만드는 데 그치지 않고 기관이 이미 보유한 지식과 기록을 새로운 방식으로 활용할 수 있게 한다는 점을 보여준다.
또 하나는 업무과정에서 얻은 정보가 다음 의사결정에 활용되는 변화다.
관객이 어떤 작품에 대해 자주 질문하는지, 어떤 자료가 많이 검색되는지, 어떤 업무에서 오류가 반복되는지를 확인할 수 있다면 그 정보는 이후 전시·교육·관객서비스와 업무개선에 활용할 수 있다. 다만 이러한 효과는 실제 운영자료가 축적되고 분석될 때 확인할 수 있다.
Gene 미래전략연구소 분석
문화예술기관의 생성형 AI 활용은 다음 세 단계로 구분해 볼 수 있다.
업무 효율 개선은 자료검색, 정리, 초안작성 등에 필요한 시간과 업무량을 줄이는 단계다.
프로세스 혁신은 AI 활용을 계기로 업무의 처리순서와 방법, 검토과정과 자료 활용방식까지 달라지는 단계다.
경영혁신은 이러한 변화가 기관의 표준업무, 서비스 운영과 의사결정에 반영되어 기관 차원의 업무방식으로 정착하는 단계다.
업무 효율 개선 → 프로세스 혁신 → 경영혁신
다만 세 단계가 자동으로 이어지는 것은 아니다. AI를 많이 사용한다고 경영혁신이 이루어지는 것도 아니다. AI 도입 이후 기관의 업무절차와 자료 활용, 서비스 운영과 의사결정이 실제로 달라졌는지를 확인해야 한다.
따라서 문화예술기관에서 생성형 AI의 경영적 가치는 AI를 얼마나 많이 사용하는가보다 AI를 활용하면서 기관의 업무방식이 어떻게 달라졌는가를 기준으로 판단하는 것이 적절하다.
9. 결론
생성형 AI 활용은 문화예술기관의 기획·연구, 소장자료 관리, 관객서비스와 정보검색의 업무방식을 바꾸고 있다.
앞에서 살펴본 사례의 적용 분야는 서로 다르지만 공통적인 변화가 있다. 기존 업무를 그대로 두고 일부 작업만 자동화하는 것이 아니라, 자료를 찾고 정리하고 검토하고 이용하는 방식이 달라지고 있다는 점이다. 많은 자료를 먼저 처리한 뒤 필요한 부분을 사람이 확인하거나, 전문적인 검색방법이 필요했던 자료를 자연어로 찾을 수 있게 되는 변화가 대표적이다.
그러나 처리속도가 빨라졌다고 해서 모든 업무가 개선됐다고 판단할 수는 없다. AI가 만든 결과에는 오류가 포함될 수 있으며, 전문적인 자료일수록 정확성과 검토가 중요하다. 따라서 생성형 AI의 성과는 처리시간과 처리량뿐 아니라 정보의 정확성, 서비스 수준과 실제 이용 정도를 함께 확인해야 한다.
문화예술기관에서는 기관이 오랫동안 축적해 온 작품정보, 공연기록과 연구자료의 활용방식도 달라질 수 있다. 기존 자료가 자연어 검색이나 대화형 관객서비스와 연결되면 기관의 지식과 기록을 더 쉽게 찾고 활용할 수 있다. 생성형 AI의 가치는 새로운 콘텐츠를 만드는 능력뿐 아니라 기관이 이미 보유한 지식과 자료를 더 쉽게 찾고, 더 넓게 활용하며, 새로운 서비스로 연결하는 데에도 있다.
또한 개인 직원이 필요할 때 AI를 사용하는 것과 기관의 업무방식이 바뀌는 것은 구분해야 한다. AI 활용방법과 검토기준이 공식 업무절차에 포함되고, 축적된 자료가 서비스와 의사결정에 활용될 때 변화는 개인의 업무 효율을 넘어 기관 차원으로 확대된다.
결국 문화예술기관에서 생성형 AI의 성과를 판단하는 핵심은 어떤 AI를 사용했는가가 아니라, AI 도입 이후 업무가 실제로 어떻게 달라졌는가에 있다. 처리시간이 줄었는지, 같은 자원으로 더 많은 업무를 수행할 수 있게 됐는지, 정보의 정확성이 유지됐는지, 기관의 지식과 자료가 더 쉽게 활용됐는지, 관객서비스가 실제로 개선됐는지를 확인해야 한다.
이러한 변화가 지속되고 기관의 표준업무와 서비스 운영에 반영될 때, 생성형 AI 활용은 개별 업무의 효율 개선을 넘어 프로세스 혁신과 경영혁신으로 이어질 수 있다.
함께 읽을 글
Abele, L. et al. (2026), ArchiveGPT: A human-centered evaluation of using a vision language model for image cataloguing, Humanities and Social Sciences Communications, 13, 1241. Nature
Carnegie Hall Data Lab (2025), Introducing Stardog Voicebox. 카네기 홀 데이터 랩
National Gallery Singapore / Microsoft (2025), National Gallery Singapore’s new virtual guide lets visitors engage with art in new ways, powered by Azure OpenAI. Microsoft
Weaver, W. N. et al. (2023), Herbarium specimen label transcription reimagined with large language models: Capabilities, productivity, and risks, American Journal of Botany. Botanical Society of America
Danilova, K. B. (2018/2019), Process owners in business process management: a systematic literature review, Business Process Management Journal, 25(6), 1377–1412. ScienceDirect