[BCG의 7가지 제언] 자동차 OEM, 성공적인 운영을 위해 조직 전반에 AI 솔루션을 도입해야 할 때

 

이제는 제조 기술뿐 아니라 ‘세일즈 및 마케팅’에도 AI를 도입해야 함

 

 

자동차 OEM들은 그동안 부품 제조 과정에서 AI 기술을 활용해 왔다. 그러나 이제는 AI를 세일즈 활동에 접목할 때다. BCG의 7가지 제언을 따른다면, 조직 전반에서 AI 솔루션을 확장할 수 있다.

자동차 제조사(OEM, original equipment manufacturer)들은 그동안 자율주행 기능 및 첨단 운전자 보조 시스템(ADAS, advanced driver assistance system) 개발 과정에 인공지능(AI) 기술을 활용 및 투자해 왔다. 하지만 상대적으로 필요성이 낮지만 창출할 수 있는 가치는 더 큰 세일즈 및 마케팅 분야에서의 AI 투자는 이제 막 걸음마를 뗀 수준이다.

세일즈 및 마케팅 활동에 AI를 접목하면 OEM들은 기업 재무를 획기적으로 개선할 수 있다. 제품 가격 및 리베이트 책정 과정을 AI가 지원할 경우, 수익성을 최대 5%까지 높일 수 있다. 또한 자동차 부품의 가격 책정 최적화를 가능하게 해 매출 증가율을 5% 끌어올릴 수 있고, 마이크로마켓(micromarket) 전략을 활성화해 3% 매출 성장을 이뤄낼 수 있다. 나아가 재고 예측 및 차량 구조 최적화 작업 등을 도와 차량 출고 후 판매까지 걸리는 시간을 최대 30% 감축할 수 있다. 최근 발간된 BCG 보고서에 따르면, 이와 같은 AI 활용을 통해 OEM들은 10%에서 25%까지의 수익 성장을 달성할 수 있다. 매출이 1,000억 달러인 OEM을 예로 들면, 최소 10억 달러의 추가 영업 이익이 발생하는 셈이다.

자동차 OEM들은 이 같은 성장세를 쫓기 위해 그동안 다양한 AI 활용 사례를 실험해왔다. 하지만 활용성이 좋은 사례를 확장하는 과정에서 수많은 실패를 거듭했으며, 결과적으로 투자를 통해 가치를 창출하는 데 실패했다. 기하급수적인 성장세에 함께 하기를 원하지만 많은 OEM이 상승 곡선을 그리지 못하고 중단하게 된다.

AI 솔루션 확장의 실패에는 여러 가지 요인이 있다. (보기 1 참조) 예를 들어, 자동차 OEM은 대체로 AI 기술에 통합적인 접근법을 취하지 않는다. 한 팀에는 프로젝트 구상을 맡기고, 다른 팀에는 개념 증명(proof of concept, POC) 업무나 최소기능제품(minimum viable product, MVP) 개발, 또 다른 팀에는 기능 확장 업무를 맡기는 식이 대표적이다. 자동차 OEM의 AI 개발 접근이 실패하는 또 하나의 이유는 알고리즘 개발을 용이하게 만들기 위해 해결해야 할 문제를 지나치게 단순화하려는 경향을 들 수 있다.

수많은 OEM이 최첨단 기술을 활용해 시장 확장을 꾀하는 이때, 기업이 AI 기술을 세일즈 및 마케팅 활동에 접목할 수 있어야 경쟁력을 유지할 수 있다. 기업은 AI 활용이 스마트하고 수익성까지 갖춘 세일즈 및 마케팅 프로세스 확립에 필수적인 요건이라는 점을 명확히 이해해야 한다.

 

 

성공적인 AI 도입을 위한 필수 요소

 

세일즈 및 마케팅 활동에서 AI의 이점을 최대로 끌어내기 위한 전제 조건은 무엇일까? BCG GAMMA와 BCG 헨더슨 연구소(BCG Henderson Institute), MIT 슬론 매니지먼트 리뷰(MIT Sloan Management Review) 등이 참여한 최근 연구 보고에 따르면, 조직 학습을 구상하는 데 있어 AI 기술을 접목한 조직은 73% 확률로 AI 투자에 대해 긍정적인 재정 효과를 봤다. 하지만 AI를 통한 학습 활동을 시행하기 전에, 자동차 OEM은 주요한 과제인 AI 기술 확장을 먼저 이루어야 한다. BCG와 아마존 웹 서비스(Amazon Web Services, AWS)는 글로벌 기업이 AI 솔루션을 성공적으로 도입할 수 있는 7가지 제언을 제시한다.

 

[1] 팀 간 경계를 허물고, 개발 초기 단계부터 사업ㆍ개발ㆍ경영 체제를 채택하라

 

대체로 기업은 팀 간 경계를 허물고, 협업을 장려할 수 있는 팀을 구성하는 데 어려움을 겪는다. 대부분의 경우 사업팀이 기업 운영에 겪는 어려움을 해결하기 위해 개발팀에 AI 솔루션을 만들어 달라고 요청하면서 개발 프로젝트가 시작된다. 그럼 개발팀은 사업팀의 충분한 참여 없이 성급하게 POC 및 MVP 개발에 돌입하게 된다. 이때 대부분의 개발팀이 미래의 기능 확장이나 운영성에 대해 깊은 고민 없이 작업한다. 이후 개발된 솔루션은 경영팀이 받게 되는데, 개발 단계에서 제외되었기 때문에 결정 사항에 대해 포괄적인 이해가 부족하다는 문제에 봉착하게 된다. 나아가 팀 간 인수인계 시 중요한 정보가 손실되어 AI 솔루션의 운영성과 안정성에 대한 문제까지 발생한다. 종국에는 각 팀이 서로를 비난하면서, 솔루션 개발을 중단하는 사태로 다다를 수 있다.

AI 개발 프로젝트의 성공률을 제고하기 위해서는 프로젝트 초기부터 사업팀, 개발팀, 경영팀 등 각 팀의 역할과 부서 책임자를 명확히 해야 한다. (보기 3 참조) 이처럼 성공적으로 팀을 구성했다면 정기적으로 전체 미팅을 열고, 팀 간 소통을 높이는 스크럼 팀(scrum team) 프로세스를 도입하는 것이 도움이 될 수 있다. 이런 접근법을 통해 개발팀과 사업팀은 긴밀한 관계를 지속할 수 있고, 경영팀은 솔루션 개발 과정에 있어 어떤 결정이 이루어졌는지 이해할 수 있다. 나아가 프로젝트 인계 시 발생하는 핵심 정보 손실도 방지할 수 있다. 또한 이러한 접근법은 안정적인 팀을 만드는 데 중점을 두기 때문에 프로젝트 기간 중에 새로운 역량을 보유한 인력을 확충할 때에도 마찰을 방지할 수 있다.

[2] 데이터에 숨겨진 비즈니스 맥락을 이해하라

 

모든 AI 솔루션의 기반이 되는 데이터는 불완전하고 직관적이지 않다. 데이터 품질이 떨어진다면, 수집 방식에 문제가 있을 수 있다. 일부 비즈니스에서는 운영의 특수성으로 인해 중요한 데이터 패턴이 포착될 수 있다.

개발팀은 데이터 생성에 관여하는 비즈니스 전문가들과 긴밀히 협력해야 한다.

안타깝게도 AI 솔루션이 개발될 때, 사업팀과 개발팀 간의 소통이 충분히 이루어지지 않는 경우가 있다. 많은 경우 개발팀이 사업팀에 자문을 구하기보다는. 탐색적 분석을 통해 변수를 피상적으로만 이해한 후 곧바로 데이터를 AI 모델에 학습시켜버리고 만다. 그러나 후에, 개발팀은 결국 시스템이나 프로세스의 변경으로 데이터 품질과 논리성에 영향을 받아 AI 모델이 부정확한 데이터나 예측 결과를 도출한다는 것을 알게 된다.

이런 사태를 방지하기 위해, 기업은 개발팀이 데이터 생성에 관여하는 비즈니스 전문가들과 긴밀히 협업하도록 체계를 구축해야 한다. 기업은 반드시 데이터 히스토리, 데이터 입력 시 행동, 관행, 이전과 향후 계획된 변경 사항을 포함한 포괄적인 지침을 제공해야 하며, 이 모든 일은 솔루션 개발이 시작되기 전에 이루어져야 한다. 기업의 AI 활용 여정에서 이 과정은 모든 시장 및 제품 데이터에 반복되어야 하기에, 특히 기능 확장의 측면에서는 다소 까다로울 수 있다. 그러나 데이터 이해를 돕는 올바른 프로세스는 충분히 표준화되고 개발 과정에 통합될 수 있으며, 과정이 반복될 때마다 점차 더 원활하게 실행될 수 있다.

 

[3] 지나친 단순화를 지양하고, 복잡성을 극복해 가치를 창출하라

 

너무나 당연하게도 AI 솔루션은 문제를 해결하기 위해 개발된다. 다수의 AI 솔루션이 실패하는 이유는 해결하려는 문제의 복잡성을 지나치게 단순화하려는 시도에 있다. AI 솔루션을 개발하기에 앞서 먼저 시장 및 제품별 비즈니스 요구사항을 완벽하게 목록화하고, 적정한 사내 전문가의 자문을 구해 문제 해결 방식을 결정하는 것이 중요하다.

기업은 개발팀이 각 제품, 고객, 시장의 차이점을 잘 이해하고 있도록 요구해야 한다.

인프라 구축이나 데이터 파이프라인과 같은 AI 솔루션의 핵심 구성 요소들은 다른 시장이나 제품에도 재사용이 가능하지만, 보편적인 상황을 위해 설계된 표준 분석 모델을 다른 제품과 시장에 적용하면 문제가 발생할 수 있다. AI 솔루션이 각 분야의 특성이나 요구사항을 제대로 인식하지 못해 결괏값의 품질과 관련성이 저하될 우려가 있기 때문이다. 게다가 경영팀에 인계 시, AI 솔루션 결과가 관련 프로세스나 사용자 요구사항에 호환되지 않는 것이 밝혀진다면 프로젝트 자체가 무산될 위기에 처할 수 있다.

이런 사태를 방지하기 위해, 기업은 개발팀이 표준 솔루션에 방해가 될 만한 각 제품, 고객, 시장의 차이점을 잘 이해하고 있도록 요구해야 한다. 이러한 차이점을 파악하기 위해서는 제품 담당 및 마케팅팀과의 긴밀한 협력이 필요하다. 또한 개발팀 내부에서도 왜 보편적인 표준 AI 솔루션이 모든 문제를 해결할 수는 없는지 자체적으로 고민해봐야 한다.

 

[4] 적정 인프라를 빠르게 구축하고. 선제 투자로 확장 가능한 기반을 구축하라

 

개념 증명(PoC, proof of concept)을 개발할 때 적정한 클라우드 인프라를 구축하면, 미래에 규모 확장의 가능성이 커지게 된다. 그러나 많은 기업이 최첨단 클라우드 인프라 도입의 중요성을 간과하고 우선순위로 여기지 않는다.

자동차 세일즈 및 마케팅에서 AI 솔루션을 운영할 때는 영업, 재무, 생산, 공급망까지 수많은 경로를 통해 데이터가 생성되기 때문에 클라우드 기반 접근법이 필수적이다. 흩어져 있는 데이터를 안전하면서도 확장 가능한 방식으로 한데 모으는 일은 오프라인 환경에서는 불가능에 가깝다. 특히 개인정보 보호법 및 경쟁 규제 정책에 따른 데이터 익명화 처리를 위해서라도 클라우드 기반 솔루션을 도입할 필요가 있다.

게다가 오프라인 AI 솔루션은 데이터를 업데이트하거나 관련 정보를 최신 상태로 유지하기 어렵다. 이는 개발팀이 각 제품 및 시장에 연관성 있는 학습 내용을 적용하기 어렵게 만든다. 궁극적으로 오프라인 코드를 클라우드로 전환하기 위해서는 상당한 추가 작업이 필요하다.

더 나은 전략은 프로젝트 착수 시 ‘데이터 호수(Data Lake)’라고 불리는 전용 클라우드 데이터 플랫폼을 구축하는 것이다. 다양한 경로로 들어온 필요 데이터를 데이터 호수에 통합하는 방식으로, 솔루션 실행 중 필요한 수동 작업량을 최소한으로 만들 수 있기에 시간을 투자해 개발할 가치가 있다.

또한 최신 클라우드 인프라는 AI 활용성을 증대할 수 있다. 개발팀은 엄격한 데이터 보안 및 익명화 요건을 충족하고, 조직 전반에 걸친 데이터 통합을 꾀할 수 있다. 클라우드 기술을 활용하면 컴퓨팅 성능을 실시간으로 조율하고 데이터 용량을 무제한으로 설정할 수 있어 AI 기능을 무한대로 확장할 수 있다. 나아가 해당 솔루션에서 연관 있는 부분을 다른 제품이나 시장으로 충돌 없이 전환하거나 재사용할 수 있다.

 

[5] 과감한 마인드셋을 가지고 시작하라

 

기업은 AI 솔루션 개발 사업을 진행하기 위해 모든 수단을 동원해야 한다. 동시에 프로젝트 진행팀과 지원 부서는 언제든지 사업을 중단할 수 있다는 마인드셋을 장착해야 한다. AI 솔루션 개발이 투자한 만큼의 가치를 창출할 것이라는 확고한 확신을 가지고 접근해야 하지만, 만일 개발 과정 중에 불투명한 결과가 예측되면 과감하게 포기할 줄도 알아야 한다.

성장하고자 하는 마인드셋이나 AI 솔루션 확장에 대한 확신이 없는 상태로 접근한다면, 초기에는 MVP 개발에 대한 예산만 승인받을 확률이 높다. 하지만 솔루션의 기능 확장을 위해서는 개발팀에 새로운 예산 확보가 필요하다. 통상적으로 6개월 이상이 소요되는 예산 승인 절차를 기다리는 동안 솔루션 개발 의지는 약화되고 사업팀과 개발팀의 관심 역시 다른 프로젝트로 이동하는 경우가 많다. 새로운 예산이 편성되면 기업은 MVP 개발에 참여하지 않았던 인력 위주로 새로운 팀을 꾸릴 것이고, 솔루션을 처음부터 다시 개발해야 하는 사태가 발생할 수도 있다.

이런 사태를 방지하기 위해, 기업은 공격적이고 포괄적인 접근을 통해 솔루션 개발이 성공적이라는 인상을 심어주어야 한다. 프로젝트 지원 부서에 피칭 시에는 MVP 개발에 필요한 시간과 비용을 강조하고, 솔루션 확장의 잠재 가치와 이후 투입될 추가 비용도 부각해야 한다. 이를 통해 개발 과정에 생길 수 있는 지연이나 추가 예산 편성 요청에 대한 우려를 잠재울 수 있다.

 

[6] 리더십과 실행을 위한 주인의식을 갖춘 적임자를 영입하라

 

AI 솔루션 개발을 진행하기에 앞서, 먼저 프로젝트의 잠재력에 매료된 2명의 적임자를 찾아야 한다. 한 명은 강한 리더십으로 프로젝트의 사업성 검토, 예산 변경 등의 상황을 슬기롭게 헤쳐 나갈 수 있어야 하고, 다른 한 명은 발명가와 사업가 자질을 겸비하여 프로젝트 주체로서 실행자의 역할을 해야 한다.

AI 프로젝트를 진행할 때는 적임자를 신중하게 선정하고, 지원을 아껴서는 안 된다.

솔루션 개발 및 확장 과정에서 기업은 일정 지연이나 내부 우선순위의 변동, 혹은 참여 인원의 직책 변화 등으로 프로젝트 책임자를 교체해야 할 상황을 마주할 수 있다. 그렇기에 AI 프로젝트를 진행할 때는 적임자를 신중하게 선정하고, 지원을 아껴서는 안 된다. 여기서 적임자란, 개발되는 솔루션의 가치에 대한 확고한 믿음을 바탕으로 프로젝트를 시행 단계부터 마무리까지 어떻게든 고수해낼 의지가 있는 인재를 뜻하며, 기업은 이렇게 선정된 책임자를 믿고 지원해야 한다. 이는 프로젝트의 연속성을 보장하며, 솔루션 개발에서 핵심 성공 요인으로 작용할 것이다. AI 솔루션 확장을 획기적으로 성공시킨 사례에는, 탁월하고 지치지 않는 리더가 존재한다는 사실을 잊어서는 안 된다.

 

[7] 파트너십 체결과 인재 영입으로 초일류의 기술적 역량과 전문성을 확보하라

 

AI 프로젝트를 런칭하고자 하는 기업은 내부 인재를 활용함과 동시에 외부 파트너십을 체결하여, 각 영역에서 최상의 기술적 역량과 전문성을 확보하고 이를 적재적소에 배치할 수 있어야 한다. 프로젝트의 성공을 위해 모든 참여 인원이 명확한 역할로 상호 보완적인 관계를 이루어야 하고, 장기적으로 함께 일할 수 있는 책임 의식을 갖추어야 한다.

대개 기업들은 내부 인재를 선발할 때나 외부 파트너십을 체결할 때, 개별 역량이나 역할의 중복성을 크게 고려하지 않는 경향이 있다. 그러나 이는 혼란과 마찰을 불러일으키기 쉽고, 더 나아가 협업을 저해하는 사내 정치 및 해로운 권력 다툼으로 이어질 가능성이 높다. 따라서 기업은 오히려 효과적으로 협력할 수 있는 통합형 팀을 만드는 데 주력해야 한다.

 

 

미래를 위한 AI 솔루션 구축

 

20세기에는 자동차 산업에서 세일즈 및 마케팅 분야의 혁신이 점진적인 프로세스 개선으로 이루어졌다. 오늘날, OEM 홈페이지 및 제삼자 웹사이트가 자동차에 대한 풍부한 정보를 제공하고 있으며, 수많은 포털 사이트에서 소비자와 자동차 OEM을 연결해주고 있다. 하지만 디지털 마케팅을 제외하면, 대부분의 OEM은 여전히 전통적인 방식으로 판매와 홍보 활동을 전개하고 있다.

AI 솔루션을 접목한 세일즈와 마케팅은 과거의 프로세스 개선과는 성격이 다른 완전히 새로운 가치 창출 수단이다. 현재 자동차 OEM들은 이 새로운 수단에 대한 경험 부족으로 기대만큼의 가치를 얻지 못하고, 확장 불가능한 프로젝트만을 쫓고 있다.

기업이 AI 개발 투자를 통해 최고의 수익성을 내기 위해서는 통합적인 접근법을 갖추어야 한다. 위에 언급한 7가지 제언을 개별적으로 실천한다면 성공을 보장할 수 없지만, 각각의 내용을 종합적으로 숙고하여 실행한다면 프로젝트 성공률은 획기적으로 상승할 것이다.

세일즈 및 마케팅 최적화를 위한 AI 솔루션 개발 및 도입에 있어, 취약한 접근법을 택한 OEM들은 날이 갈수록 경쟁이 치열해지는 시장에서 결국 불리한 입지에 놓이게 될 것이다. 혁신적인 신생 기업과 전통적인 경쟁사들은 AI 기술을 활용해 판매를 촉진하고 수익성을 높여 도태된 기업을 따돌릴 것이기 때문이다.