인공지능(AI)은 시작부터 잘못되거나 기대에 비해 못 미치는 성과로 수 십 년을 보낸 후 마침내 주류로 부상했다. 기업들은 이제 AI를 다양한 종류의 기존 및 신규 프로세스, 상품, 서비스 등에 성공적으로 적용하고 있으며, 이런 성공은 아주 적절한 때에 이루어진 것이다. 디지털화와 빅데이터로 인해 눈덩이처럼 불어난 복잡성을 해결하기 위해 이제 AI는 비즈니스에 필수적인 요소이기 때문이다.
선견지명이 있는 경영진들은 전사적으로 AI를 실행하는 것의 잠재적인 가능성을 평가하기 시작했다. 예를 들어, BCG는 AI로 인해 상위 10대 은행이 연간 영업이익을 1500억 에서 2200억 달러 추가할 수 있을 것으로 예상한다.
모든 산업의 AI 선두기업들은 AI를 확장함으로써 이 긍정적인 보상을 확보하고자 노력하고 있지만, 소위’AI 역설’로 인해 고전하고 있다. AI 파일럿 프로젝트를 시작해 강력한 결과를 도출하는 것은 믿을 수 없을 만큼 쉽다. 하지만, ‘확장형AI(AI at scale)‘로 한 걸음 나아가는 것은 혹독할 만큼 어렵다. 상상할 수 있는 모든 문제가 불거져 나오면서, AI 혁신 초기에 얻었던 성과를 무산시킬 지경에 다다르게 된다.
AI 파일럿 프로젝트를 시작해 강력한 결과를 도출하는 것은 믿을 수 없을 만큼 쉽다.
이 역설은 설명하기는 쉽지만 해결하기는 어렵다. AI는 경영진들이 기술 인프라와 보다 전통적인 비즈니스 이슈를 동시에 해결하도록 한다. 핵심 과제는 점점 더 풀기 어려워지는 고르디우스의 매듭(Gordian knot)과 같다. 일반적인 IT 시스템은 데이터 입력, 툴, 데이터 출력으로 구성된다. 이 시스템은 모듈화하고, 압축하고 확장하는 것이 상대적으로 간단하다. 하지만, AI 시스템은 그렇게 간단하지가 않다. AI 알고리즘은 데이터를 분석하면서 학습하며, 이 트레이닝 데이터가 AI 툴과 전체 시스템에 필수요소이다. 이런 복잡성은 파일럿과 개별 사용 단계에서는 관리가 가능하지만 여러 AI 시스템들이 중첩되고 상호작용하게 되면 해결하는 것이 기하급수적으로 어려워진다.
단순한 기술 문제처럼 보이는 것들이 실제로는 여러 가지 측면으로 영향을 끼치고 다양한 문제점으로 연결된다. 예를 들어, 벤더관리가 더욱 전략적인 문제가 되고 더욱 복잡해진다. 머지 않은 미래에, 벤더들은 AI 인재를 대거 영입하고 얽힘(entanglement) 문제 해결까지도 약속하면서 AI 활용에서 큰 역할을 하게 될 것이다. 기업들은 데이터 보안문제를 건드리지 않고 장기적으로 의존하지는 않지만 경쟁력은 강화할 수 있는 방식으로 AI 벤더와 협업할 준비를 갖춰야 한다.
인력 문제도 확장형 AI 추진에 심각한 도전과제 중 하나이다. 기업들은 AI 데이터 과학자와 시스템 엔지니어의 부족문제에 직면해 있으며, 동시에 기존 직원들은 AI와의 상호작용, 나아가 AI로 인해 일자리를 잃게 될 것에 대해 우려하고 있다.
또한, AI에 대한 조직차원의 수요를 충족하기 위해서는 세가지 차원에서 세심하게 균형 잡힌 조치가 필요하다. 데이터 지배구조, 핵심 AI 전문지식, 시스템 관리는 중앙에서 관리되어야 한다. 사용사례, 학습, 트레이닝 개발은 사업 부문이나 부서 차원에서 추진되고 애자일한, 다기능 팀이 관리해야 한다. 마지막으로, AI 활동은 마켓플레이스, 공장 혹은 현장에서 분산되어 추진되어야 한다.
다음에서는, AI 역설을 체계적으로 해결하기 위한 로드맵을 제시한다. 확장형 AI 프로그램은 새로운 운영모델로의 완전한 전환이다.
확장형 AI로의 체계적 접근
전략과 AI 사용사례는 이 보고서의 주요 논의사항은 아니지만, 확장형 AI 전환에 필수적인 요소이므로, 여기에서부터 시작하고자 한다. (보기 1 참조.)
확장형 AI를 위한 전략
파괴적 혁신의 시대에서 전략 수립은 쉽지 않은 과제이며, AI는 그 파괴적 혁신의 대표적인 본보기이다. 따라서, 기업 입장에서 AI 전략을 기존 비즈니스 모델 내에서 혹은 기존 모델과 유사하게 시작하는 것도 타당하지만, 다른 경쟁업체들이 AI를 도입함에 따라 보다 광범위한 가치 풀의 진화를 반드시 염두에 두어야 한다.
이 프로세스의 첫 단계에는 내부 프로세스와 외부적으로 상품서비스 제안에 적용할 수 있는 AI 사용사례의 가능성과 전반적인 효과에 대한 검토가 포함된다. 전세계 상위 10대 은행을 대상으로 이와 같은 분석을 실시한 결과, (앞서 언급한 것처럼) AI로 인해 연간 영업이익이 최대 2200억 달러 추가 발생할 것으로 추정했다. (‘AI는 어떻게 매출을 증대시키는가‘ 참조.)
AI는 어떻게 매출을 증대시키는가AI는 어마어마한 가치창출의 원동력이 될 수 있다. 우리는 세계 10대 은행에서의 영업매출 증대와 영업비용 감소를 통해 AI가 매출에 미치는 영향을 추정하면서 그 잠재력을 분석했다. AI는 또한, 국가별 규제에 따라 그 영향력이 다르기는 하지만, 리스크 관리도 개선할 수 있다. 또한, 금융외 산업에서 AI는 자본지출 최적화에 도움이 될 수 있다. 아래의 표는 기업 금융 및 소매 금융에서 AI가 창출할 수 있는 매출상승 및 비용절감 효과를 보여준다. AI는 신규고객을 유치하고 고객지갑 점유율을 증대하고, 가격을 최적화해 매출을 개선시킬 수 있다. 매출을 증대해주는 AI 어플리케이션 중에는 마이크로타겟팅, 개인맞춤형 상품제안, 챗봇 및 로보어드바이저, 포트폴리오 기반 리스크 경고, 대출 손실 예측, 지불용의 평가, 선급금 제도 실행 등이 있다. 이런 수단들을 통해 매출(은행업에서는 영업이익)이 세계 10대 은행의 경우 1200억 달러에서 1800억 달러가량 상승할 수 있다. 10대 은행에서 매출대비 비용비율(은행용어로는 이익경비율)을 50%라고 가정하면, 결국 영업기준으로 600억에서 900억 달러의 매출증대 효과가 있는 셈이다. AI는 영업 및 서비스, 리스크관리, 계좌 생성, 거래 프로세싱, 운영 및 지원 기능 등 다양한 프론트오피스 활동 및 백오피스 활동의 자동화에 기여해 비용을 절감할 수 있다. 자금세탁 및 사기적발, 인력관리, 지출 감사 등을 취급하는 어플리케이션들이 주로 많이 사용되는 비용 절감 AI 사용사례이다. AI로 인해 가능한 절감분은 10대 은행에서 900억 달러에서 1300억 달러에 이를 것이다. 매출상승과 비용절감을 합해 연간 영업수익이 1500억에서 2200억 달러 상승할 수 있다. 물론, 은행업은 유동적인 산업이기 때문에 기존 시장 환경을 기준으로 한 예측이 반드시 실현되지는 않을 수도 있다. |
두 번째 단계로 가치 풀의 진화를 이해하는 것 역시 마찬가지로 중요하다. 다른 경쟁자들이 이러한 기회가 실현되는 것을 그저 지켜보면서 가만히 있지만은 않을 것이다. 해당 기업이 속한 산업 내외에서 다른 기업들이 어떻게 AI를 이용해 가치 풀을 공략할 수 있을지 집중적으로 연구하고 있다.
이전 보고서에서, 우리는 바이오 제약 기업, 보험사, 의료서비스 제공업체, 의료기술 기업, 신규진입 기술기업, 소비자들 등 헬스 케어 산업에서 일어날 수 있는 가치전환에 대해 상세히 살펴본 바 있다. (2017년 9월 BCG 보고서,‘Putting Artificial Intelligence to Work‘ 참조.) 이런 가치전환의 전조증상이 2018년 1월 나타났는데, 아마존(Amazon), 제이피모건체이스(JPMorgan Chase), 버크셔해서웨이(Berkshire Hathaway)가 헬스케어 분야 진출을 선언해, 주요 소매 제약회사 및 보험사들의 주가가 S&P 500 대비 최대 5%까지 하락했던 것이다. 모빌리티 및 물류는 물론이고 금융서비스, 언론, 소매부문 역시 AI가 촉발하는 파괴적 혁신에 취약한 산업들이다.
전략을 수립하는 기업들은 AI 사용의 잠재력과 현재의 가치 풀이 변화될 경우의 리스크를 모두 고려할 필요가 있다.
전략 수립 시에는 두 가지 경고를 기억해야 한다.
데이터를 축적하는 것만이 전부가 아니다. 내부 데이터는 AI 성공을 위한 필수요소이기는 하지만, 최종적인 목표(Holy Grail)는 아니다. 우선, 기업들이 공급업체, 협력사, 고객 등의
외부 데이터에 접속하기 위한 협상을 할 필요성이 더욱 커질 것이다. 또한, 방대한 데이터를 수집해야 하는 필요성을 피하기 위해 새로운 접근법이 부상하고 있다. 예를 들어, GAN(generative adversarial networks)은 알고리즘이 가짜 얼굴사진을 만들어 내고 구별해 내는 등의 문제해결을 위해 서로 훈련하는 가상학습환경이다. 또한, ‘디지털 트윈(digital twins)’ 은 알고리즘이 학습을 통해, 예를 들어 전통적인 AI와 동일한 실제세계 데이터 요건 없이, 엔드투엔드 운영을 최적화할 수 있도록 하는 물리적 자산의 가상 복제품이다.
내부 데이터는 AI 성공을 위한 필수요소이기는 하지만, 최종적인 목표(Holy Grail)는 아니다.
애자일(agile)하고 빠른 것만으로도 충분하지 않다. 유연성과 속도는 물론 중요하지만 AI 정글에 아무렇게나 걸어 들어가는 변명이 될 수는 없다. 경쟁 우위를 달성하기 위해, 기업들은 구체적인 방향을 향해 나아가야 한다. BCG가 MIT슬로안경영리뷰(MIT Sloan Management Review)와 함께 실시한 연구조사에 따르면, AI의 변혁 잠재력을 믿고 있는 기업들과 실제로 AI 전략을 마련하는 기업들 사이의 격차는 놀랄 만한 것이었다.
AI 사용사례를 찾아내고, 우선순위를 정하고, 활용하라
AI 사용 사례를 성공적으로 시험했던 기업들은 확장형AI를 추진하는 것이 그렇게 어렵지는 않다는 생각에 빠질 수 있다. 물론 사용사례들은 실적 향상의 강력한 수단이 될 수 있다. 또한, 기업들이 시험을 통해 학습하는 애자일한 방법을 도입하고 투명성과 사이버보안 대책을 AI 시스템에 적용하며, 내부 요건 및 규제 요건을 충족할 수 있도록 해준다.
하지만 개별적인 사용사례들은 AI 역설을 해결해 나가야 하는 과제에 있어서는 충분한 지침이 되지 못한다. 기업들이 운영모델을 변화시키지 않는 한 사용사례들은 확장된 규모로 상호작용할 때 삐걱거리다 결국은 서서히 멈추게 될 것이다.
결과적으로, 기업들은 성공가능성이 가장 높은 경우를 위주로 초기에 사용사례의 수를 다듬어야 한다. (‘AI 사용사례 관리방법‘ 참조.) AI 사용사례와 파일럿을 확장할 때 그 숫자를 늘리는 것에는 위험성-안전성이 아니라-이 수반된다.
AI 사용사례 관리방법아직 많은 기업들이 사용사례를 찾아내고 우선순위를 정하는 데에 입증된 기술을 사용하지 않고 있다. 그보다는, 체계적이지 않은 방식으로 많은 파일럿과 테스트를 실시한 후, AI 역설을 극복해야 하는 힘겨운 도전과제에 직면, 예전 작업을 다시 확인하고 재구성하곤 한다. 한 글로벌 자동차 제조업체는 다양한 옵션을 신중하게 검토하고 가장 중요한 혜택을 얻기 위해 필요한 가장 핵심적인 기능과 사용사례들의 우선순위를 설정함으로써 이 문제를 초기에 해결했다. 그 후 이 회사는 2단계 접근을 취했다. 2020년까지 마일스톤의 중간목표를 달성하고 2025년 까지 최종 잠재력을 실현하는 것이다. 아래 표는 실행 속도와 잠재가치 실현 속도의 정도에 따라 사용사례를 분류하는 방법을 보여준다. 이지윈(easy win)은 단기간에 높은 가치를 실현할 수 있으면서도 흔치 않기 때문에 우선순위가 되어야 한다. 유니콘(unicorn) 카테고리는 잠재력은 제일 크지만, 실행에는 가장 긴 시간이 필요하다. 작은 규모의 이니셔티브들 (소위 “인큐베이션 영역“)은 지식과 경험을 쌓으며 여정을 시작하는 것이라는 점에서 결국 유니콘이 될 수 있다고 보는 것이 타당하다. 모든 다른 사용사례들은 핵심에서 벗어나는 방해요소로 실행을 피하거나 즉시 중단해야 한다. |
확장형 AI 준비하기
전략, 우선순위 설정, 파일럿 실행을 기본으로 하고, 기업들이 어떻게 성공적인 확장형 AI 변혁을 계획할 수 있는지 살펴보자.
탄탄한 AI 아키텍처 구축하기
IT는 종종 비즈니스 리더들이 이미 결정한 사항을 실행하기 위해 필요한 별도의 기능으로 취급 받는다. 이런 접근법은 AI에는 통하지 않는다. 경영진이 기계 지능을 이용해 핵심적인 비즈니스 문제를 해결하고자 한다면, 그들은 기계 아키텍처를 ‘인간 아키텍처‘ 혹은 전통적인 조직이슈와 동등한 기준으로 우선시해야 할 것이다. 그렇지 않으면, 앞서 설명한 얽힘 우려로 인해 계획이 와해될 것이다.
기업들이 파일럿 단계를 넘어서면, AI 알고리즘들은 앞서 설명한대로 서로 체계적으로 상호작용한다. 구글(Google)의 연구자들에 의해 수 년 전에 얽힘 이슈가 제기된 후, 많은 훌륭한 AI 사용자들이 포괄적인 머신 러닝 아키텍쳐를 개발하게 됐다. 예를 들어, 우버(Uber)의 미켈란젤로(Michelangelo)는 우버 측의 표현을 빌자면, ‘전사적으로 사용자가 쉽게 확장형 머신러닝 시스템을 구축하고 운영할 수 있도록 해 주는 엔드투엔드 시스템‘ 이다. (보기 2 참조.) 마찬가지로, 한 유명 유럽 온라인 패션 소매업체는 개별 AI 시스템들이 함께 운영되면서 구성요소를 재사용하게 해 주는 AI 플랫폼을 구축했다.
아마존(Amazon), 구글, IBM, 마이크로소프트(Microsoft)와 같은 벤더들은 현재 모두 AI 사용자들을 위한 플랫폼 제안을 시작했거나 발표했다. 조직들이 이처럼 새롭게 등장한 플랫폼 중에 하나를 벤더를 통해 구입하건 자체 제작을 하건 간에, AI 사용을 확장하고자 하는 기업들은 데이터 입력에서 최종실행에 이르기까지 작업흐름을 관리, 문서화, 모니터하는 견고하고 일관된 체계와 시스템이 필요하다. 예를 들어, 얽힘과 재사용성 등의 이슈를 해결하는 것과 더불어, 기업들은 이 시스템의 보안뿐 아니라 AI를 통해 만들어진 자동화된 행동들의 완전성과 합법성을 모니터 해야 한다.
뿐만 아니라, 기업들은 충분한 저장, 전산, 대역폭 역량을 갖추고 여러 개의 AI 엔진을 관리하고 이 엔진들이 적기에 움직일 수 있도록 해야 한다. 클라우드는 그 유연성 덕분에 이런 필요성을 충족시키기 위해 자주 선호되는 옵션이다. 하지만, 산업 자동화와 사물인터넷 (Internet of Things) 네트워크에서는, 지연(latency)과 대역폭 제한으로 인해 클라우드가 완벽한 해결책이 되지 못할 수도 있다. 이런 환경으로 인해 에지 컴퓨팅(edge computing)과 같은 새로운 구조가 필요하다. 에지 컴퓨팅은 처리 용량의 일부를 주변부 활동에서 처리하는 것을 말한다.
궁극적으로, 이 지능 알고리즘은 전체 시스템의 핵심부에서 차지하는 부분이 상대적으로 작다. 따라서, AI 운영을 확대하는 많은 기업들이 필요로 하는 데이터 과학자와 AI 전문가는 소수에 불과하며 파이프라인과 주변시스템의 성능 및 회복력을 보장하기 위해 많이 필요한 것은 AI 경험이 있는 데이터 및 시스템 엔지니어들이다. 그 예로, 한 유수의 석유가스 기업은 경험 많은 데이터 엔지니어와 아키텍트들을 영입해, 자체 통합 운영 센터를 건설했고, AI를 이용해 예측 유지보수를 가능하게 하고 생산을 최적화시켰다. 이로 인해 예상되는 효율성 향상가치는 향후 몇 년에 걸쳐 수십억 달러에 달할 것으로 보인다.
생태계 구성하기
문제는 기업들이 벤더 및 협력사와 협업할 것이냐 아니냐가 아니라 어떻게 협업할 것인가 이다. 적어도 단기적으로, 그것이 반드시 필요한 AI 인재와 역량에 접근할 수 있는 유일한 수단이기 때문이다. 강력한 AI 배경이 있는 기업들조차도 어느 정도는 벤더에게 의존할 수 밖에 없다.
하지만, AI로 인해 이 관계가 기업의 경쟁 우위의 핵심 원천을 위태롭게 할 수도 있다. 벤더들은 민감한 고객데이터를 사용하는 등의 방법으로 AI 툴을 단련해야 한다.
기업들은 전체프로세스를 아웃소싱하는 것에서부터 일부 서비스를 선택적으로 인수하거나 인하우스 솔루션 개발에 도움을 받거나, 내부 직원 교육에 이르기까지 AI 벤더와 다양한 방식으로 일할 수 있다. 경영진들은 두 가지 관점에서 이 옵션들을 검토해야 한다.
- 이 프로세스나 상품제안이 미래의 성공에 얼마나 큰 가치가 있는가?
- AI 벤더에 비해 높은 품질의 고유한 데이터에 대한 우리의 소유권, 통제, 접근권이 상대적으로 얼마나 강력한가?
AI 현황을 이런 방식으로 분석하면, 기업들은 그들의 AI 추진노력이 각기 다른 전략을 요구하는 다음 4가지 중 하나에 속함을 알 수 있을 것이다.
- 상품 (Commodities) (잠재가치 낮음, 차별화된 데이터 접근권한 낮음). 지원 부서 및 기타 영역에서 비용을 절감하고 실적을 개선하기 위해 벤더 관계를 관리
- 위험지대 (Danger Zones) (잠재가치 높음, 차별화된 데이터 접근권한 낮음). 위험 지대를 금광으로 만들기 위해 경쟁력 있는 데이터 출처를 개발하거나 인수
- 숨겨진 기회(Hidden Opportunities) (잠재가치 낮음, 차별화된 데이터 접근권한 높음). 빠른 혜택과 인사이트를 얻기 위해 벤더의 전문기술력을 활용
- 금광(Gold Mines) (잠재가치 높음, 차별화된 데이터 접근권한 높음). 전략적 관련 분야에서의 우월한 데이터 접근권한을 활용해 AI를 독립적으로 개발
신뢰와 비밀유지라는 중요한 이슈 외에도, 벤더의 전반적인 상업적 제안은-신규 출시한 플랫폼을 포함해-역량, 통합능력, 사용편의성 등에서 천차만별이다. 따라서 기업들은 이 관계를 선택하고 관리할 만큼 충분히 강력한 AI 역량이 필요하다. 많은 비즈니스 리더들이 결국 이 트레이드오프를 평가하기 위해 외부 고문을 고용하고, 동시에 작업을 사내에서 해결할 수 있도록 내부 역량을 확충한다.
인력, 스킬, 프로세스 개발하기
확장형 AI로 나아가려는 기업들은 이 전환이 스킬 부족을 야기하거나 일자리를 없애는 등의 방식을 통해 인력에 미치는 영향을 신중히 고려해야 한다. 이런 복잡한 주제를 다루기 위해서는 인간과 기계가 함께하는 세상을 받아들이기 위해 철두철미한 전략적 인력 계획, 재교육, 프로세스 재편이 필요하다.
가장 급선무는 핵심 기술역량이다. 많은 기업들이 데이터 과학자들의 영입에 주력하는 가운데, 앞서 설명한 대로, 시스템 및 데이터 엔지니어는 고사하고 비즈니스 스킬을 갖추고 있으면서AI 에 대한 이해도가 높은 인력도 턱없이 부족한 상황이다.
장기적으로, 기업들은 인간과 기계가 함께 일하면서 발생하는 직장에서의 근본적이고 미묘한 전환을 이해할 필요가 있다. (보기 3 참조.) AI가 직원들의 기존업무를 강화(augmentation)하는 데 집중한다면 인력과 프로세스에 일어나는 변화는 그다지 심각하지는 않을 것이다. 실제로 많은 내부 프로세스와 서비스 기능이 강화되면, 직원들의 경험은 개선되는 경우가 많다. 예를 들어, 금융업에서, AI의 사용은 많은 프로세스의 질을 개선시켜주는 동시에 업무부담을 경감시킨다.
이런 변화는 진정한 인간과 기계의 협동을 위해 프로세스가 재구성되기 시작하면서 더욱 극심해진다. 방사선학에서 의사와 병원들은 이미 규제당국이 진단과 과련 기계를 2차 소견-그리고 궁극적으로 1차 소견-으로 인정하고 인간은 잠재적 오류를 수정하기 위한 역할을 하게 될 때를 대비해 프로세스와 비즈니스 모델을 준비하기 시작했다.
마지막으로, 소위 ‘하이퍼러닝(hyperlearning)‘를 통해, 기계들은 인간의 개입이 거의 없거나 아예 없는 상황에서 실제 세계에서의 방대한 데이터 입력 없이도 가상의 환경에서 스스로를 교육할 수 있다. 앞서 언급했던 GAN 과 디지털 쌍둥이가 그런 환경이다. 머지 않은 미래에 알고리즘은 이런 환경에서 인간의 교육, 심지어는 실제세계의 데이터를 아예 필요로 하지 않을 것이라는 추측도 가능하다. 이런 진화는 상대적으로 제한된 체스라는 환경에서는 이미 시작됐으며, 드론의 비행중 시뮬레이터와 엔드투엔드 공급사슬 최적화 등에도 적용된다.
기업들이 계속해서 이런 식으로 움직이면서, 새롭고 독창적인 변화관리 및 재교육 수요를 해결해야 할 필요가 있다. 르노(Renault)는 이미 디지털 변혁에 착수하고, 디지털 상품, 교육, 혁신 개발을 전담으로 하는 대형 센터, 디지털 허브를 설립하는 등 그 여정에 돌입했다.
지배구조와 조직 구조 설계하기
모든 주요 변혁의 지배구조와 조직구성은 환경과 목표에 따라 크게 좌우된다. 하지만, 모든 확장형 AI 변혁에는 일반적으로 도입부에 언급했던 세 가지 차원의 구조가 필요하다. (보기 4 참조.)
기업 센터. 일정 유형의 전문기술과 지배구조는 중앙관리되어야 한다. 이를 위해 전문센터가 필요하며, 여기서 많은 (수평적인) AI 구성요소들- 머신 비전, 자연언어 프로세싱, 및 머신 러닝 관련 최신 주요주제들-의 전문가들이 모여 AI 이니셔티브 및 벤더 평가를 전사적으로 지원한다.
데이터는 AI의 원자재이지만, 회사의 가장 민감한 정보를 담고 있기도 하다. 경쟁우위를 확보하고 법규를 준수하기 위해 AI 세계에서는 조직 전체의 데이터 허가구조를 설정하는 세계 최상급의 지배구조 팀이 반드시 필요하다.
마지막으로, 벤더뿐 아니라 산업화 구조와 플랫폼 등의 글로벌 주제를 다루는 데이터 아키텍트들은 사이버보안 전문가들과 함께 중앙에서 관리되어야 한다.
사업 부문 및 부서. 일반적으로, 다기능 애자일 팀이 사업 부문 및 및 부서에 배치되어, AI 활용 프로세스, 상품, 서비스의 개발을 담당해야 한다. 이 팀에는 AI 전문가와 주제별 스페셜리스트가 모두 포함된다. 또한, 인사 전문가와 변화관리 스페셜리스트로 구성된 이동 SWAT 팀이 구성되어 AI사용사례에 영향을 받는 다양하게 분산된 부서들이 실행, 트레이닝 및 기타 이슈를 해결하는 것을 지원할 수 있어야 한다.
현장 차원. AI로 인해 변경되는 프로세스와 활동의 관리를 담당하는 직원들 역시 물론 분산되어 시장, 공장, 혹은 현장 가까이에 위치해야 한다. 이 팀들은 새로운 툴과 그 툴이 프로세스와 스킬 요건에 어떻게 영향을 미치는 지를 이해하고, 변화의 주된 부담을 감당해야 한다. SWAT 팀은 이들이 새로운 기술의 활용법을 신속하게 익히고, 그 전환을 도울 수 있도록 지원해야 할 것이다.
변혁 프로그램 통합하기
확장형 AI 변혁은 하향식(top-down) 및 상향식(bottom-up) 대책들을 통해 이루어져 전체적인 지지, 승인, 후속조치를 이끌어내야 한다. 이는 기업들과 그 기업들의 가치사슬 전체에 걸친 AI의 성공적인 산업화로 이어진다.
- AI 목표 및 성숙도 평가. 이 하향식 단계에서는 변혁의 전반적인 맥락을 확립함으로써 기업이AI 파일럿 프로그램을 연결성 없이 추진하지 않도록 해 준다. 성숙도 평가는 일반적으로 설문조사와 인터뷰를 종합해 이루어진다.
- AI 이니셔티브와 운영 모델 평가. 이 상향식 단계는 기존 AI 이니셔티브에 기준을 제시한다. 목표, 사업성, 책임소재, 작업 흐름, 마일스톤 등이 포함되며, 데이터 관리, 알고리즘, 실적지표, 사이버보안에 대한 분석 역시 해당된다. 기존 AI 운영모델에 대한 검토 역시 이 단계에서 이루어져야 한다.
- 우선순위 설정 및 갭 분석. 그 다음 하향식 단계는 이지윈과 유니콘을 중심으로 AI이니셔티브의 우선순위를 정하는 것이다. 이 단계는 또한 운영모델에 어떤 변화가 필요한 지를 찾아내는 단계이다.
- 확장형 AI 변혁의 윤곽. 이 하향식 단계는 추진예정인 이니셔티브의 순서 등 변혁 로드맵과 변혁을 관장하는 PMO 설치 등을 모두 포함한다.
- 확장형 AI 프로그램의 상세한 실행. 마지막 단계는 실행에 대한 것으로, 상세한 작업 흐름, 책임소재, 목표, 마일스톤, 자원 등을 다룬다.
이상의 단계들을 체계적으로 실행한다면, 확장형 AI변혁은 더욱 신속하고 확실하게 실행될 수 있을 것이다. 물론, 기업들은 변혁이 전체 조직의 복잡도에 따라, 1-3년 정도 걸릴 수 있음을 명심해야 한다.
AI는 잠재력이 무한한 매력적인 기술이다. 많은 기업들이 파일럿을 통해 초기 성공의 기쁨을 누렸지만, 곧 AI 역설의 희생양이 되고 말았다. 확장형 AI 프로그램을 통해 기업들은 완전한 변혁의 다양한 차원을 방법론적으로 해결해 무궁무진한 혜택을 거둘 수 있을 것이다.
