‘가장 집중된 비즈니스 모델도 새로운 IT 기술로 인해 산산조각이 날 수 있다.1‘ 현재 수많은 생성형 AI 사용 사례가 다양한 기능과 산업을 혁신하면서 이 예측이 그 어느 때보다 현실적으로 다가오고 있다. 생성형 AI를 이용해 무게와 항력이 약 40% 줄어든 항공기 부품을 설계하는 에어버스(Airbus)의 사례, 고객 서비스 비용을 약 30% 절감한 챗봇 비서, 제시된 거래 전략의 스트레스 검사에 이르기까지 기업들은 다양한 산업 전반에서 생성형 AI를 활용해 구체적인 시장 니즈를 해결하고 있다.2 최근 연구에 따르면 생성형 AI 시장은 2025년까지 전체 시장 규모 약 600억 달러에 달할 것으로 예상되며3 이는 전체 생성 데이터의 10%에 해당한다.4
하지만 전략적인 상향식 접근법을 통해 전체 매트릭스 전반에 생성형 AI를 도입한 기업은 거의 없다. 이를 위해서는 결과물과 사용 사례, 사용 사례를 가능하게 하는 기술과 데이터, 구현 및 실행에 필요한 인적 자원을 전체적으로 철저히 고려해야 한다. 또한 생성형 AI를 활용하고자 하는 기업은 생성형 AI를 통합적으로 도입하기 위해 파트너로 구성된 생태계를 활용해야 한다.
생성형 AI 활용을 위해 6개 주요 분야에서 파트너가 필요하다.
[1] 수직적 생태계 파트너
성공적 활용을 위해서는 기본 컴퓨팅/호스팅 기술, 가용한 학습 데이터, 특정 사용 사례에 맞게 생성형 AI가 학습되고 미세조정 및 구성된 파운데이션 모델, API나 프론트엔드를 통한 접근성 등 여러 레이어가 한데 모여야 한다. 성숙한 전략적 사용 사례에 AI를 활용하려는 조직은 기술, 데이터, 모델을 조율하는 내부 역량 구축을 고려해야 하지만, 조직의 성숙도와 특정 사용 사례에 따라 이 레이어를 조직 내에서 조율하는 것이 항상 가능하지는 않을 것이다. 엔드투엔드 패키지형 생성형 AI 솔루션을 제공하는 수직적 생태계 파트너와의 협업이 필요할 수 있다. 표준화된 사용 사례(근무 환경/협업, 조달, 결제, 고객서비스 등의 분야)는 수직적 생태계 파트너를 활용할 수 있는 전형적인 후보들이다. 즉, 금융, 조달, HR 등의 분야에서 생성형 AI 기반 서비스를 제공하는 기존 업체와 제휴를 맺거나 수직적으로 통합된 솔루션(재스퍼(Jasper), 깃허브 코파일럿(GitHub Copilot), 신세시아(Synthesia) 등)을 보유한 신생 생성형 AI 업체를 활용할 수 있다. 또한, 최근 인기를 끌고 있는 산업 특화 클라우드 솔루션처럼 산업 특화 생성형 AI 솔루션도 앞으로 주목받을 것으로 보인다.
[2] AI/ML 모델 파트너
보다 즉시 사용할 수 있는 솔루션을 찾는 고객에게는 모델 파트너가 작업의 부담과 결과 도출 시간을 줄여주는 데 큰 역할을 할 수 있다. 이 경우 ML 개발과 데이터 수집 및 교육 등 부담이 큰 작업은 이미 완료됐으므로 고객은 기업 고유 데이터로 모델을 미세 조정하는 데에만 집중하면 된다. 그 예로 오픈AI(Open AI), 구글(Google)의 LaMDA, 메타 AI(Meta AI)와 같은 거대한 파운데이션 모델, 스태빌리티AI(Stability.AI) 와 GPT-neoX와 같은 오픈소스 모델, 허깅페이스(Hugging Face)처럼 모델 허브를 통해 접속할 수 있는 모델 등이 있다. 모델 파트너를 선택하고 협업할 경우 공급업체/모델별 중립적 접근법의 장점과 위험을 반드시 비교해야 한다.
[3] 데이터 파트너
생성형 AI 모델 학습의 주요 과제 중 하나는 사용 사례에 따라 라벨, 메타데이터, 조건 변수 등의 보조 데이터를 포함할 수도 있는 학습 데이터가 포함된 방대한 양의 양질의 데이터를 확보하는 것이다. 물론 사용할 수 있는 내부 데이터를 기반으로 모델을 학습함으로써 얻는 기회도 상당하지만, 외부 데이터를 확보하면 특정 사용 사례를 구현할 수 있다. 조직들은 더 광범위한 데이터를 확보하기 위해 캐글(Kaggle), AWS 데이터 마켓플레이스(AWS Data Marketplace), 구글 데이터세트 서치(Google Dataset Search) 등의 데이터 마켓플레이스에서 외부 데이터를 구매하거나, 필요로 하는 특정 데이터에 접근할 수 있는 조직과 전략적 파트너십을 구축함으로써 외부 데이터를 확보할 수 있다.
[4] 기술 파트너
기업들은 생성형 AI를 성공적으로 활용하기 위해 기술에 상당한 투자를 해야 한다. 생성형 AI 모델의 학습을 위해서는 뛰어난 처리 능력이 필요한데 이 분야에서는 클라우드 제공업체가 상당한 규모와 비용에서 우위가 있다. 또한 클라우드 파트너는 자체적으로 성숙한 생성형 AI 제품을 보유(구글, AWS)하고 있거나, 생성형 AI 제공업체와 밀접한 관계(마이크로소프트(Microsoft)의 오픈AI 지분 확보 등)를 맺고 있어, 기본 제품을 중심으로 부가 서비스를 제공(애저(Azure)의 API를 통한 프라이빗 GPT 환경 제공 등)할 수 있다. 방대한 양의 데이터를 수집하고 추출하는 데 필요한, 다양한 데이터 파이프라인을 구축하고 유지해 클라우드 인프라 내에 하드웨어와 소프트웨어를 적절히 배치하려면 관리형 서비스 제공업체나 소프트웨어 통합업체가 필요하다.
[5] 공동 혁신 파트너
IP를 공유하는 공동 혁신 파트너와 긴밀히 협력하면 가치 창출을 가속할 수 있다. 다각화된 싱크탱크는 새로운 기술에 대한 수많은 창의적 응용을 구현하는 데 도움이 될 것이다. 존디어(John Deere)는 스타트업 협력자(Startup Collaborator) 프로그램을 통해 여러 기업으로 구성된 생태계를 활용해 고부가가치 작물의 로봇 수확과 분석 등 스마트 농업 관련 신기술을 공동 혁신했다.5
[6] 규제당국
올해 다보스(Davos)에서 개최된 세계경제포럼(World Economic Forum)의 참가자들은 특히 AI 기준의 글로벌 표준이 될 것으로 예상되는 EU의 AI 법(AI Act)6의 관점에서 AI에 대한 규제의 필요성을 강조했다. EU 집행위원회(European Commission)의 EU AI 법안 영향평가에 따르면 AI 투자에 대한 기업의 간접비가 17% 증가할 것으로 전망되며, 법안을 준수하지 않을 경우 상당한 벌금이 예상된다. 7 책임 있는 AI 외에, 데이터 IP 및 ‘데이터 세탁‘과 관련한 이슈들도 관리돼야 한다. 기업들은 공정한 지배구조를 유지하면서 산업 전반의 인사이트와 선례를 제공하는 파트너 네트워크를 통해 곧 시행될 규제를 준수할 수 있는 적절한 메커니즘을 선제적으로 구축해야 한다. 예를 들어, SAP는 고위경영진으로 구성된 내부 AI 윤리조정위원회뿐 아니라 ‘전문 분야가 윤리와 기술, 특히 AI와 맞닿아 있는 학계, 정계, 재계의 전문가들‘로 구성된 외부 AI 자문패널을 위촉했다.8
생성형 AI의 효과적 도입을 위한 디지털 생태계 구축의 장벽
기업들은 생성형 AI의 진정한 도입에 필요한 생태계 구축이 필요하다. 이와 관련해 일반적으로 몇 가지 장애물에 직면한다.
[1] 초기 단계
생성형 AI 생태계는 아직 개발 초기 단계이며 참여자들의 환경이 빠르게 진화하고 있다. 구글과 마이크로소프트 같은 대형업체들은 발 빠른 움직임을 보이고 있지만, 생성형 AI가 광범위하게 도입되려면 생태계에 훨씬 더 많은 투자가 필요하다.
기업들은 생성형 AI 도입을 위한 막대한 규모의 투자를 실행하기 전에 최적의 생태계 파트너를 선택하고자 한다. 동시에 생태계 참여자들은 제품개발에 투자하기 전에 수요를 확인하고 싶어 하는 경우가 많다. 이처럼 ‘닭이 먼저냐 달걀이 먼저냐‘의 상황에서 생태계 개발을 통한 가치 창출은 더딜 수밖에 없다.
[2] 모듈성
기업들은 핵심 파트너에 대한 지나친 의존을 피하고, 다중 파트너십 설정을 통한 중복성을 확보하기 위해 생성형 AI에 모듈성을 구축하고자 한다. 하지만 모듈성 구축은 핵심 파트너의 고유한 솔루션 제공, 계약기간 및 독점성 관련 구속력 있는 약정 사항, 혹은 높은 통합 비용 등으로 인해 항상 가능한 것은 아니다. 클라우드 파트너 선정을 위해 각 기능에 따라 공급업체별 접근방식이 필요했던 몇 년 전과는 달리 현재는 하이퍼스케일러(hyperscaler) 간의 공통성과 통합성으로 일괄적 접근방식을 적용하는 방향으로 변화하고 있다.
[3] 가치 창출 대 가치 공유
데이터 공유와 공동 혁신과 같은 생태계 기능은 엄청난 가치를 창출할 수 있지만, 그 가치를 파트너 간에 어떻게 배분하느냐는 여전히 백만 달러짜리 질문이다. 참여자들을 하나로 모은 생태계 조율자가 가치 공유 조건을 정의하는 경우가 많다. 하지만 고유한 가치가 있는 참여자와 조력자라면 자신이 기여한 가치에 대해 가격을 별도로 책정할 수 있다. 예를 들어 마이크로소프트는 오픈AI 모델을 소비자 및 기업 제품 전반에 배포하는 안정된 생태계 조율자이지만 오픈AI는 핵심적인 생성형 AI 기능을 제공하기 때문에 마이크로소프트에게 상당한 투자를 요구할 수 있다.
[4] 데이터 공유, 보호, 조달
데이터는 생성형 AI 도구 학습에 있어 매우 중요한 요인이다. 하지만 가치 있는 데이터를 보유하고 있는 기업들은 종종 파트너가 공유 데이터를 어떻게 사용할지 확신하지 못하거나 명확한 가치평가 방법론이 없는 상황에서 이 값진 데이터를 넘기는 것에 대해 우려하고 있다. 데이터에 대한 가치 기반 가격책정이 본질적으로 어려운 이유는 기업이 파트너가 그들의 데이터를 활용해 어떻게 가치를 생성하는지에 대해 가시성이 부족한 경우가 많기 때문이다.
학습이나 프롬프팅을 위해 모델에 입력되는 기업 독점 데이터의 보호에 대해서도 심각한 우려가 지속되고 있다. 데이터 소유자 입장에서는 데이터가 ‘통제된‘ 환경에서 관리되고 모델 교육이나 프롬프팅 이외의 목적으로 사용되지 않을 것이라는 확신이 필요하다.
반면에, 생성형 AI는 데이터 공유 장벽에 해결책을 제시할 수 있다. 독점 데이터를 파트너와 공유하는 것을 망설이는 기업들은 데이터를 이용해 파운데이션 모델을 학습시키거나 미세조정하고, 그 후 이 학습된 모델만 공유함으로써 실질적으로 독점데이터를 공유하지 않고도 상용화할 수 있다.
[5] 정확도와 위험 공유
생성형 AI는 효율성을 대폭 향상할 수 있는 강력한 기술이지만, 어떤 경우에는 결과 도출에 실패하고, 심할 경우 잘못되거나 편향된 결론을 도출할 수도 있다. 이는 기업이나 최종사용자에게 매우 치명적일 수 있다. 예를 들어 아마존(Amazon)이 개발한 채용 도구는 그 기초 모델이 역사적으로 남성에 치우쳐졌던 지난 10년간의 채용 패턴을 분석해 지원자들을 심사하도록 학습됐기 때문에 문제가 됐다.9 학습 데이터를 어떻게 확보할 것인지, 그리고 이 데이터를 상업 목적으로 합법적으로 사용할 수 있는지에 대한 우려 역시 제기될 수 있다.10
이 경우, 궁극적인 책임소재에 대한 질문이 제기된다. 중요 기능에 생성형 AI를 활용한 기업, 파운데이션 모델을 개발한 조직(일반적으로 ‘공정 사용 정책‘에 따라 학습 데이터를 수집한 비영리 단체), 이 모델을 상용화한 기술기업(오픈AI 혹은 구글 등) 중 누구에게 책임이 있는가?
평판 리스크는 일반적으로 생성형 AI를 최종적으로 사용한 기업이 부담하는 반면, 기술 및 모델 기업은 IP 및 저작권 리스크를 보호해야 할 것으로 예상된다.
생성형 AI 파트너 생태계의 성공적 활용을 위한 권고사항
- 생성형 AI의 전체 사용 사례 범위를 계획하는 것에서 시작해, 각 사용 사례의 영향을 정량화하고, 핵심 종속 요인과 필요 자원을 파악하며, 영향 및 투자수익에 기반해 사용 사례의 우선순위를 결정하라. 생성형 AI 여정에 착수하기에 앞서 기술, 자원, 규제의 부족한 부분을 파악하라. 생성형 AI 도입을 통해 확보한 가치를 재투자함으로써 단계별로 ‘여정의 재원’으로 활용하라.
- 생성형 AI 환경이 새로운 기회와 과제들로 나날이 진화하는 상황에서, 장기적으로 파트너십을 통한 발생하는 장점과 위험 모두를 기꺼이 공유할 수 있는 파트너를 선택하라. 기술 파트너와의 협력을 통해 기존 LLM의 미세조정과 맞춤형 모델 학습 중 전략적인 선택하라. 전반적으로 관심사가 일치하는 공동 혁신 파트너를 선택하면 IP를 투명하게 생성하고 공유함으로써 학습을 가속할 수 있다.
- 특히 가치 측정이 복잡한 공동 혁신과 데이터 파트너와의 초기 파트너십에서는 가치 창출에 집중하라. 가치 창출을 증명하고 정량화하기 위해 파일럿 프로그램과과 개념 증명에서 시작해, 가치 측정 방법론을 조율하고, 가치 공유 원칙에 합의한 후 가치 공유 협상을 위한 광범위한 노력을 추진하라.
- 모듈성과 공급업체 독립성을 구축함으로써 급격히 변화하는 생성형 AI 환경에서 민첩하게 반응할 수 있도록 하고 특정 파트너에 대한 지나친 의존을 줄여라. 이를 통해 파트너와의 향후 협상에서 가격 폭리를 완화할 수 있다. 기술 아키텍처와 상업 목적 계약은 모두 이런 모듈성을 뒷받침할 수 있도록 구성돼야 한다.
- 파트너 간 데이터 공유와 관련해 개인 정보 및 데이터 보호 이슈가 발생할 경우, 생성형 AI 모델을 비즈니스에 배포하기 전에 파트너 데이터로 학습시킬 수 있다. 이를 통해 실제 데이터 공유에 대한 복잡한 문제를 어느 정도 극복하는 동시에 데이터 공유의 혜택도 상당히 누릴 수 있다.
- 생성형 AI의 규제 환경이 발전하는 상황에서, 생성형 AI의 사용에 대한 윤리 이슈뿐 아니라 데이터 공유 및 ‘데이터 세탁‘에 관한 이슈들에 대해 자체적으로 규제하고 뒤처지지 않도록 하라. 기업이 AI 관련 위험을 완화하고 더 큰 책임을 지려면 CEO는 책임 있는 AI 어젠다를 적극 지지하고 이를 회사의 사명 및 핵심 가치와 일치시켜야 한다. BCG의 RAI(Responsible AI) 접근법은 기업 리더들이 조직 전반에 걸쳐 AI 사용의 지배구조, 전략, 문화에 대해 적절한 조치를 취하는 데 도움이 되도록 고안됐다.11
[참조]
1. Evans, P. and Wurster, T.S. (2000). Blown to bits: how the new economics of information transforms strategy. Boston, Mass.:Harvard Business School Press, C.
2. www.autodesk.de. (n.d.). Generatives Design bei Airbus | Kundenprojekte | Autodesk. [online] Available at: https://www.autodesk.de/customer-stories/airbus [Accessed 2 Mar. 2023]. www.ibm.com. (n.d.). IBM Watson Assistant – Customer Service Chatbot. [online] Available at: https://www.ibm.com/products/watson-assistant/ customer-service [Accessed 2 Mar. 2023].
3. Generative AI (2023) BCG Global. Available at: https://www.bcg.com/x/artificial-intelligence/generative-ai (Accessed: March 17, 2023).
4. Nguyen, T., Casey, D., Goodness, E. and Woodward, A. (n.d.). Emerging Technologies and Trends Impact Radar: 2022 Research Excerpt. [online] Available at: https://artillry.co/wp-content/uploads/2022/02/Emerging-Techand-Trends-2022.pdf [Accessed 2 Mar. 2023]. www.deere.com. (n.d.). Deere adds seven companies to its 2022
5. www.deere.com. (n.d.). Deere adds seven companies to its 2022 Startup Collaborator program. [online] Available at: https://www.deere.com/en/news/all-news/2022-startup-collaborator-program/.
6. World Economic Forum. (n.d.). These were the biggest AI developments in 2022. Now we must decide how to use them. [online] Available at: https://www.weforum.org/agenda/2023/01/davos23-biggest-ai-developmentshow-to-use-them/ [Accessed 2 Mar. 2023].
7. Mueller, B. (2021). How Much Will The Artificial Intelligence Act Cost Europe? [online] datainnovation.org. Center for Data Innovation. Available at: https://www2.datainnovation.org/2021-aia-costs.pdf.
8. SAP News Center. (2018). SAP’s Guiding Principles for Artificial Intelligence. [online] Available at: https:// news.sap.com/2018/09/sap-guiding-principles-for-artificial-intelligence/.
9. Dastin, J. (2018). Insight – Amazon scraps secret AI recruiting tool that showed bias against women. Reuters. [online] 11 Oct. Available at: https://www.reuters.com/article/amazon-com-jobs-automation/insight-amazonscraps-secret-ai-recruiting-tool-that-showed-bias-against-women-idINKCN1MK0AH?edition-redirect=in.
10. Brittain, B. (2023), OpenAI, Microsoft want court to toss lawsuit accusing them of abusing open-source code. [online] Available at: https://www.reuters.com/legal/litigation/openai-microsoft-want-court-toss-lawsuitaccusing-them-abusing-open-source-code-2023-01-27/
11. Mills, S. et al. (n.d) Deliver Powerful Business Results with Responsible AI, BCG. Available at: https://www.bcg. com/beyond-consulting/bcg-gamma/responsible-ai (Accessed: March 17, 2023).
