인공지능을 비롯한 신기술들은 비즈니스의 학습율을 그 어느 때보다 높은 수준으로 끌어올릴 수 있는 잠재력을 지니고 있다. 데이터의 규모와 속도는 폭발적으로 증가했으며, 알고리즘을 통해 복잡한 패턴과 인사이트가 전례 없이 빠른 속도로 쏟아져 나오고 있다. 상품주기가 단축되고 비즈니스 모델은 빠르게 변화하는 시대에서, 새로운 트렌드 혹은 새롭게 부상하는 니즈를 제일 먼저 파악하는 기업들에게 그 혜택을 누릴 수 있는 최고의 기회가 주어질 것이다.
하지만, 알고리즘의 속도로 학습하기 위해서는 알고리즘 그 자체 이상의 것이 필요하다. 새로운 기술은 개별 프로세스 단계의 학습을 가속화시킬 수는 있지만 조직차원에서 총체적인 학습을 실행하고 경쟁우위를 이끌어 내기 위해서는, 조직의 혁신이 반드시 수반되어야 한다. 뿐만 아니라, 사회, 정치, 경제적 요소로 인해 서서히 일어나는 환경의 변화가 급속도로 변화하는 기술만큼이나 비즈니스에 있어 중요해지고 있다. 따라서, 학습능력의 경쟁력을 확보하기 위해, 리더들은 조직을 재정비하고 인적 역량과 기술역량을 충분히 활용해 학습을 단기뿐 아니라 장기적인 기준으로도 확대할 수 있어야 한다.
학습 조직의 역사
세대 학습조직에서, 비즈니스는 기존 프로세스를 어떻게 보다 효율적으로 실행할 수 있는지를 배웠다. ‘경험곡선’이 그 좋은 예라고 할 수 있다. 브루스 헨더슨(Bruce Henderson)이 반 세기 전 분석한 것처럼, 기업들은 누적된 경험이 증가함에 따라 일정하고 예측가능한 비율로 비용을 감소한다. 예를 들어, 20세기 초 모델 T의 비용은 누적 상품 물량이 두 배가 될 때마다 25%씩 꾸준히 감소했다. (보기 1 참조.)
보기1. 전통적인 경험 곡선
이 모델에서, 학습은 한계 비용 절감을 목표로 하는 지속적인 개선 게임이었다. 학습 경쟁은 기본적으로 물량 즉, 경험을 경쟁업체들보다 빠르게 축적하는 것이다. 이를 통해 통계학적인 프로세스 제어, 카이젠(kaizen), 식스시그마(Six Sigma), 품질관리서클 등의 수단을 이용해 체계적으로 비용절감을 학습하고 추진하는 것의 예상가치를 가격 전략수립에 활용할 수 있었다.
최근 몇 년간, 2세대 학습개념이 등장하기 시작했다. 즉, 신상품을 어떻게 구상하고 만들 것인지를 배우는 것이다. 다시 말해, 기업들은 단순히 경험곡선을 따라 내려오는 것만이 아니라 한 곡선에서 아예 다른 곡선으로 ‘점프’하는 법도 배워야 한다. (보기 2 참조.)
보기 2. 경험 곡선 간 이동
이 같은 학습의 2번째 측면은 그 전에도 비즈니스에서 존재했었지만, 그 중요성이 더욱 커졌다. 기술혁신이 상품주기를 단축시키면서, 오래된 학습곡선이 완전히 끝나기도 전에 새로운 학습곡선이 나타나게 되었고, 기업들은 이 두 학습곡선을 동시에 균형 있게 취급할 수 있어야 한다. 예를 들어, 넷플릭스(Netflix)는DVD 렌탈 비즈니스에서 스트리밍 서비스, 그리고 인하우스 콘텐츠 제작으로 사업을 변화시키고 있으며, 10년이 채 안 되는 기간에 190개 국으로 사업영역을 확대하고 있다.
현재, 학습의 3번째 단계가 시작되고 있다. 센서, 디지털 플랫폼, AI 등의 첨단 기술이 정보의, 생성, 수집, 처리 속도를 급격히 가속화시키고 있는 것이다. 이제 기업들은 시장에 대해 초 단위 심지어는 천분의 1초 단위로 학습하고 대응하면서, 초인적인 속도로 비즈니스를 운영할 수 있게 될 것이다.
이와 동시에, 사회, 정치, 경제적인 변화로 인해 비즈니스 맥락이 점차 변화하면서, 기업들은 보다 긴 기간도 고려할 수 있도록 학습능력을 확대해야 한다. 대부분의 기업들은 시간의 압박이라는 현실은 자각했지만, 이는 전체 그림의 절반에 불과하다. 단기뿐만 아니라 장기적인 학습도 고려대상이 되어야 한다. 3세대 학습조직은 이 새로운 현실을 감당할 수 있어야 한다. 짧은 주기의 알고리즘 원리를 적용하는 동시에 장기간 적용되는 비즈니스 외적인 요소들에도 적응해야 한다.
이를 가능하게 하기 위해서, 기업들은 기술적인 진보에만 의존할 수는 없다. 이미 정립된 기존 패턴을 반복하는 동시에, 조직 모델이 진화해야 새로운 기술의 잠재력을 실현시킬 수 있다. 기존의 경험곡선은 새로운 공장 레이아웃, 근로자들의 역할 정리(조립공정 등에서) 및 품질관리 서클과 칸반(Kanban) 과 같은 새로운 관리방법 등의 조직 혁신을 통해 새로운 산업기술이 보완될 때에만 필요하다. 같은 방식으로 3세대 학습조직을 구성하기 위해, 리더들은 반드시 조직을 재설계해 신기술의 잠재력을 발휘하는 동시에 인간과 기술이 갖고 있는 학습역량과 학습기간에 대한 강점을 조합해 시너지 효과를 창출해야 한다. 즉, 효과적인 ‘인간 + 기계’ 기계를 만들어 내야 한다.
조직을 “자율화”시켜 알고리즘 주기에 맞게 학습
최근 있었던 학습이론의 진전은 대부분 신기술로 인한 것이다. 디지털 플랫폼과 IoT센서는 어마어마한 고유 데이터를 실시간을 수집할 수 있게 해 주어 차별화된 인사이트를 도출할 수 있게 해 준다. AI 알고리즘은 인간이 해독할 수 없는 복잡한 패턴을 인간으로서는 불가능한 속도로 분석할 수 있다.
하지만, 이 기술의 학습 잠재력을 완전히 실현하기 위해서는, 리더들은 기업의 운영방식을 재고해야 한다. 전통적인 조직의 계층구조는 반응속도가 느리고 의사결정의 폭이 제한된다. 당신이 모든 고객들에 대해 매초마다 최적의 상품 조합, 마케팅 전략, 가격정책을 안다고 해도, 당신의 현재 조직이 그 정보를 실제로 활용할 수 있을 것인가?
이를 위해서는 기업과는 다른 모델, 즉 계층구조와 경영진 중심 의사결정보다는 자율화에 입각한 모델이 필요하다. 앞서가는 학습조직은 인적 개입을 최소한으로 제한하는 통합된 방식으로 데이터, AI 알고리즘, 자율화 실행을 통해 이를 달성한다. 이 ‘폐쇄 루프 알고리즘 학습’ 프로세스는 선순환으로 이어진다. 데이터가 많을수록 알고리즘은 더욱 강력해지고, 의사결정을 통해 그 기업의 상품 선택이나 서비스 실행을 개선되며, 이를 통해 물량이 증가해 결국 더 많은 데이터를 확보하게 된다. (보기 3 참조.)
또한, 이 시스템이 사람의 의사결정에만 의존하는 것이 아니기 때문에, 계층구조의 속도보다는 데이터의 속도에 따라 움직이고 학습할 수 있다. 예를 들어, 아마존(Amazon)은 완전히 통합된 웹에서 수십 개의 데이터 프로세싱 및 번역시스템을 구성해, 비즈니스의 어떤 영역(예를 들어, 전자상거래 플랫폼 상 특정 상품의 매출증가)에서 수집한 새로운 정보가 자동으로 다른 영역(재고 예측, 가격 최적화 등)으로 연결된다. 이런 식의 ‘자동화(hands off the wheel)’ 접근법을 통해 아마존은 실시간으로 새로운 시장정보를 이해 하고 활용할 수 있다.
자율학습은 전통적으로 기업을 정의했던 기업의 계층구조를 통하지 않고 이루어진다. 그 대신, 적절한 설계를 통해, 기업들은 시장의 변화를 즉각 감지하고 알고리즘 주기에 맞게 대응하는 소위 ‘자율-조정(self-tuning)’을 하게 된다. 이는 경영진의 의사결정이 지배적이었던 시대에 익숙한 경영진들에게는 불편할 수도 있다. 하지만, 오늘날 첨단기술의 위력을 생각하면, 리더들은 기계가 가장 잘 할 수 있는 일을 하게 하고 특별히 인적 역량이 필요한 중요한 이슈에 집중해야 한다.
보기 3. 자율 학습 순환구조
중요한 이슈와 장기적인 계획에 인적 역량을 집중
현재 리더들은 변화가 급속히 이루어지고 제품주기가 단축되는 것을 잘 알고 있다. 하지만, 더 긴 기준의 중요성 역시 커지고 있음은 인식하지 못할지도 모른다. 기업의 수명이 단축되면서 기업들의 전성기는 그 어느 때보다 짧아지고 있다. 실적이 악화되고 있다는 신호가 보일 때쯤이면, 이미 급속한 하락을 피하기는 너무 늦다. 따라서, 다개년 계획이 점점 더 중요하고, 기업들은 단기뿐 아니라 장기계획에도 적응해야 한다.
비즈니스를 재편하는 장기적인 요소들은 종종 비즈니스 이외의 영역에서 기인한다.
• 정치적인 요소들을 예측하기가 더욱 어려워지며 그 파괴력은 더욱 커지고 있다.
• 국제 기구들의 불안정성이 커지고 있다.
• 사회적 불평등이 국가 내에서 계속해서 커지고 있다.
• 가치관의 세대차가 소비의 본질을 재정의하고 있다.
• 비즈니스에 대한 사회적인 반발이 더욱 빈번하고 규모도 커지고 있다.
• 기술로 인해 근로자들에게 요구되는 기술과 일의 본질이 변화하고 있다.
더 안정적인 시기였다면, 비즈니스는 천천히 변화하는 요소들에 집중하지 않고 이것들을 오히려 제한요소로 볼 수도 있었을 것이다. 하지만, 최근의 움직임을 보면 알 수 있듯이, 비경쟁적 이슈들을 예측하는 것이 더욱 어려워지고 장기적인 기업실적과의 관련성은 더욱 커지면서, 그에 걸맞은 주의를 기울일 필요가 있다.
천분의 일초에서 수십 년에 이르는, 모든 주기를 동시에 집중적으로 관리함으로써, 회사는 생존과 번영의 가능성을 최대화할 수 있다. 로렌스 슬로보드킨(Lawrence Slobodkin)은 이를 다양한 종들이 진화에 적응하는 생태계의 ‘최적 진화전략’ 이라고 표현한다. 간단히 뒤집을 수 있는 신속한 적용(개별 유기체가 행동을 변화시키는 것 등)에서부터 보다 느리지만 영구적인 변화(생리학적 조정을 통해 결국엔 유전자 코드로 이어지는 진화상 변화 등) 에 이르기까지 다른 시간 주기에 대해 각각 다른 수단을 사용하는 것이다. 이와 마찬가지로 비즈니스도 다양한 일정에 맞춰 학습하고 대응할 필요가 있다. 시장에서 새로운 상품제안이 인기가 높아지면, 알고리즘 속도에 맞게 이를 유연하게 적용해야 한다. 하지만, 일정 트렌드가 지속되거나 심각한 단절이 있을 경우에는, 기업의 근본적인 DNA를 수정해 새로운 목적을 달성해야 할 수도 있다. 10년 주기 일정의 학습목표는 결국 비즈니스 환경을 재구성하는 서서히 변화하는 트렌드를 이해하고 그에 대처하는 것이다.
장기적인 기간에 대해 학습하기 위해서는 매우 다른 접근이 필요하다. 심지어 현재의 가장 앞선 기술도 서서히 움직이는 외부 요인을 간단히 분석할 수는 없다. 스카이넷(Skynet)이나 HAL 9000등 대중문화에 등장하는 AI들은 종종 인간과 똑 같은 논리적 사고를 하는 것으로 그려지지만, 실제로 현재 사용되는 AI 어플리케이션들은 이것보다 훨씬 구체적이고 제한적인 능력만을 갖고 있다. 물론 상관관계를 파악하는 능력이 매우 뛰어나고 인간보다 훨씬 빠르게 훨씬 복잡한 내용을 해결할 수 있다. 하지만 이를 위해서는 많은 양의 관련 데이터가 필요하다. 역사는 반복되는 패턴이 아니라, 하나의 고유한 여정이기 때문이다.
높은 수준의 논리적 사고는 장기적인 트렌드를 해석하고 구성하기 위해 필수적이다. 높은 수준이라 함은 인과관계의 추론(시스템을 적용하면 어떤 일이 일어나는가)와 상상력(만약 시스템이 분석한 것과 상당히 다르다면 어떤 일이 일어날 것인가)을 말한다. 딥 러닝 등 현재 가장 흔한 AI 기법은 이런 수준의 논리적 추론은 할 수 없고, 지금으로서는 인간만이 할 수 있는 영역으로 남겨져 있다.
따라서, 3세대 학습조직은 ‘인간 + 기계’ 기계로 인공지능과 인간지능이 각각의 강점에 집중하는 형태이다. (보기 4 참조.)
기계가 빠른 속도로 데이터를 수집하고 패턴을 파악하는 반면, 인간은 보다 수준 높은 목표에 집중한다. 장기적인 기간에 대해 학습하는 것 외에도, 다음 사항들이 가능하다.
• 인간 + 기계 시스템의 최종 목적을 정의하고 결과가 확실히 보장되도록 내용을 재구성.
• 기계를 정비하고 보호책을 마련. 현재 머신러닝 모델의 결과물은 이해가 쉽지 않기 때문에, 검증, 스트레스 테스트, 조정 등의 간접적인 접근이 필요하다.
• 새로운 상품이나 비즈니스 모델 등 새로운 가능성을 그려보기 위해 상상력을 활용.
• 통합된 ‘인간+ 기계’ 기계를 설계하고, 성공할 수 있게 설정하고, 새로운 역량의 등장에 따라 이를 발전시킴.
보기 4. 학습은 다양한 장단기 기준으로 확대되어야 한다.
학습률 경쟁방법
이상의 과제들을 고려했을 때, 리더들은 어떻게 전략적으로 행동해 학습을 통해 경쟁우위를 얻고, 새로운 기술의 잠재력을 완전히 실현시킬 수 있을 것인가?
자율 학습 시스템에 투자. AI 알고리즘은 매우 복잡한 패턴을 빠른 속도로 찾아낼 수 있기 때문에, 엄청난 양의 고유한 데이터를 생성하는 생태계에 연결된다면 훨씬 더 강력한 힘을 발휘할 수 있다. 전통적인 경험곡선에 따라, 기업들이 투자 및 가격정책에 있어 물량을 우선시하는 것처럼, 오늘날 기업들은 데이터 확보를 위한 투자를 서둘러야 한다. 고유한 생태계를 만들어 냄으로써(디지털 플랫폼이나 사물인터넷 솔루션을 통하는 등의 방법으로), 시장에 대해 더 빨리 학습하고 그 정보를 활용해 상품서비스 제안을 개선할 수 있을 것이다.
예를 들어, 우버(Uber)와 리프트(Lyft)는 운전자와 승객을 연결해 주는 플랫폼에 적극적으로 투자해, 모든 거래에 대해 고유한 데이터를 수집했다. 이 데이터를 첨단 알고리즘으로 분석함으로써, 서비스(예를 들어, 경로 찾기 효율성이나 공급과 수요 연결 등)를 개선하고 상품 품질을 개선(예를 들어, 새로운 서비스 모델을 도입하거나 새로운 지역으로 효과적으로 확대하는 등)할 수 있다. 이러한 경쟁우위는 이후 더 많은 거래로 이어지고, 더 많은 거래는 더 많은 데이터 수집으로 이어져, 선순환을 이루게 된다.
효과적인 인간-기계 인터페이스 설계. 비반복적 작업 혹은 공감능력이나 높은 수준의 추론을 요하는 작업들처럼 여전히 인간이 우위를 갖고 있는 업무들이 많이 있다. 따라서, 적어도 당분간은, 인간과 AI가 매끄럽게 통합되어야 한다. ‘블랙박스’ AI 모델은 그 자체만으로는 꼭 생산적이라고 할 수 없다. 인간이 그 모델의 산출물을 이해하고 신뢰할 수가 없고, 또한 복잡성과 용량이라는 차원에서 인간이 함께 소통할 수 있는 적절한 형태가 아닐 수도 있기 때문이다.
예를 들어, 건강이라는 요소의 감정적인 측면 때문에, 환자들은 기계 보다는 의사에게서 직접 진단내용을 듣고 싶어한다. AI는 엑스레이(x-rays) 혹은 기타 이미지를 기초로 잠재적인 질병을 분류하는 등, AI가 더 효과적이고 신속하게 일할 수 있는 부분에서 인사이트를 제공한다. 하지만, 진단 및 치료는 의사에 의해서 이루어지며, 의사는 검토를 한 단계 더하고 그 결과를 환자에게 세심하게 전달한다.
기업 전반에 자율 학습 구조 정착. 자율 의사결정 순환구조는 이미 디지털 시장에서 폭넓게 활용 중이지만, 기업 자체의 관리 시스템-기획, 정보시스템, 자원관리 등-에 내재될 경우 그 효과가 더욱 강력할 것이다.
즉, 비즈니스를 순수 디지털 시스템과 동일한 알고리즘 원칙을 구현하는 지능적인, 적응력 있는 기계로 재정의해야 한다. 조직구조는 실행하고, 실험하고, 학습할 수 있는 자율권이 있는 작은 단위들로 분산되어야 한다. 임원진으로부터 상명하달식으로 내용이 전달되기보다는 조직 내에서 자유롭게 의견이 제기될 수 있어야 학습 촉진에 도움이 될 것이다. 또한, 자원분배는 학습 순환구조에 자연스럽게 통합되는 연속적인 프로세스가 되어야 한다. 실행으로 이어지는 과정에서의 병목현상을 제거하고 ‘조직의 알고리즘’을 받아들임으로써, 기업은 스스로 더욱 효과적이고, 통합적인 모습으로 발전할 수 있을 것이다.
예를 들어, 알리바바(Alibaba)는 유연한 조직구조를 갖춰 각 세부조직이 새로운 기회를 포착할 경우 자율적으로 행동하는 것을 장려한다. 이 회사에서는 모든 것이 시장 요소에 의해 좌우되고 그에 따른 적절한 대응을 한다. 심지어 기업의 비전처럼 전통적으로 고정된 요소도 알리바바는 상황변화에 따라 여러 번 재설정했다. 그 결과 끊임없이 실험하고, 학습하며, 시장과 주위 환경에 적응하는 ‘자율 조정 기업’으로 자리매김할 수 있었다.
장단기 기준에 대해 비즈니스 평가 및 관리. 조직의 학습역량이 향상됨에 따라, 확대된 장단기 기준에 적응할 수 있도록 기존의 지표와 역할이 확장되어야 한다. 분기 매출, 비용, 수익 등 익숙한 비즈니스 지표들은 여전히 중요하지만, 이 지표들은 더 짧은 기간에도 적용될 수 있어야 하고 학습 지표들로 인해 보완되어야 한다. 예를 들어, 디지털 마켓플레이스의 운영자는 한 상호작용의 ‘주기’(고개 데이터를 얼마나 빨리 수집하고, 처리해, 고객맞춤 상품제안을 할 수 있는지)를 측정하거나, 의사결정 자동화의 경제성이 개선되고 있는지(판매가능성, 가격, 실행시간, 새로운 데이터의 가치 등을 고려해) 등을 평가할 수 있어야 한다.
지배구조 또한, 전통적인 관리 방법을 적용하는 것이 어려울 수도 있기 때문에 더 짧은 주기에 맞게 강화되어야 한다. 자율행동으로 인해 바람직하지 않은 응급상황이 발생하지 않도록, 실행 전에 기계들은 반드시 극단적인 상황을 고려한 철저한 스트레스 테스트를 거쳐야 한다. 알고리즘은 가능하다면, 설명하기 쉽게 만들어져, 그 작업내용을 효과적으로 확인할 수 있고 사람들이 기계의 결정을 신뢰할 수 있도록 해야 한다. 그리고 장기적으로, 연구원들은 인과관계 알고리즘 개발에 매진해 새로운 역량을 실현하고 변화하는 환경에 더욱 잘 대응해야 한다. 예를 들어, 미 국방부(US Department of Defense)는
인간의 능력을 모방해 ‘상식’을 가진 AI를 만들어내기 위한 프로젝트를 준비 중이다.
장기적인 계획에 대해서는 다른 접근법이 필요하다. 회사의 장기적인 건전성을 파악하기 위해, 전통적인 과거실적 기준 지표들은 미래 지향적인 지표들로 보완되어야 한다. 예를 들어, 앞서 살펴봤듯이 한 회사의 활력, 미래성장 및 재건 능력을 평가하는 것이 가능하다. 또한, 리더들은 다양한 내부 및 외부 시나리오를 기준으로 장기계획을 스트레스 테스트하고 상상력의 힘을 동원해 어떤 환경이 비즈니스에 위협이 되거나 혹은 기회가 되는지에 대한 인식을 제고해야 할 것이다.
3세대 학습조직은 무궁무진한 기회를 제시한다. 기업들은 빠른 학습이라는 기술의 장점과 장기적인 분석에 대한 인간의 창의성이라는 저력을 모두 활용할 수 있다. 물론 이를 위해서는 우선 리더들이 조직과 그 조직의 관리 방식을 새롭게 재정의해야 할 것이다.
