BCG Podcast
Me, Myself, and AI : 비즈니스 세계 속 AI에 관하여
Ep. 11 | 쿠퍼 스탠다드 CTO Chris Couch와의 대담
❝ 인재들에게 AI 혁신을 장려하고 동기를 부여할 수 있는 결정적인 방법은 끊임 없는 열정으로 현실화한 AI 혁신을 보여주는 것이다. ❞ ― Amit Shah
글로벌 자동차 부품 공급업체 쿠퍼 스탠다드(Cooper Standard) CTO인 Chris Couch는 AI 스타트업인 라이브라인 테크놀로지(Liveline Technologies)의 창립자 겸 CEO이기도 하다. 자칭 제조 중독자로서 일본 자동차 기업인 토요타(Toyota)를 비롯, 평생을 기계와 엔지니어링 관련 부문에서 일해왔다.
쿠퍼 스탠다드에서의 AI 활용
자동차 부품은 일반 소비자들 눈에 보이지는 않지만, 안전하고 믿을 수 있는 차를 만들어 소비자들의 주행 경험 개선에 기여한다. 한 예로 최근 엔진 소음 감소를 위한 새로운 폴리머를 개발했다. 전기차에서는 가솔린 엔진이 없는 대신 다른 소음원 특히 차량의 창문과 도어의 바람 소리가 더 크게 들릴 수 있는데 새로운 폴리머를 이용해 실링 패키지를 보강함으로써 방음 효과를 개선한 것이다. 특히 이 과정에서 AI를 활용해 시스템 연구 개발 반복 과정이 70~80% 감소했다.
오픈 혁신
분석기술과 AI는 대기업이 아닌 쿠퍼 스탠다드로서는 단독으로 해결하기 어려운 주제였다. 이를 위해 필요한 것이 오픈 혁신이었다. 오픈 혁신은 아이디어와 기술, 인재의 파이프라인을 구성하는 것이다. 대학, 스타트업, 각종 컨소시엄과 협력해 다양한 아이디어를 도출했다. 첫 번째 AI 프로젝트는 바로 이 오픈 혁신 파이프라인을 통해 이루어졌다.
이런 오픈 혁신은 연구 개발에 활력을 불어넣을 뿐 아니라, 많은 분야에서 회사의 발전에 큰 도움이 될 수 있다.
성공적 AI 도입의 비결
AI뿐 아니라 어떤 분야에서도 선택과 집중이 중요하다. 연구개발 투자금을 가장 효과적으로 관리하기 위해 스타트업처럼 생각하면서 가장 중요한 것이 무엇인지 자문하고 이에 집중적으로 투자했다. AI 프로젝트의 기본 원칙을 따른 것이다. 사실 AI 관련 프로젝트는 ROI 달성이 어려운 경우가 많다. 창의적인 아이디어가 있고 데이터를 활용해 흥미로운 작업들이 진행되곤 하지만 정작 수익으로 연결되지 않으면 설득력이 없을 수 있다.
물론 ROI에 지나치게 집중하다 보면 혁신을 달성하는 것이 어려울 수 있기 때문에 균형점을 찾아야 한다. 일반 프로젝트에 비해 AI에는 좀 더 과감한 아이디어를 시도해 볼 만한 여지가 좀 더 크다. 제조 엔지니어들이 AI 툴과 어플리케이션에 덜 익숙하기는 하지만 다행스럽게도 AI 파일럿은 추진비용이 매우 저렴해 새로운 지식 확보에 대한 비용이 거의 없거나 합리적인 수준이다.
실제 효과는 확장 후에야 오는데, 이를 비즈니스 프로세스에 반영하는 것은 결코 쉬운 일이 아니다. 일례로 라이브라인의 경우, 2년 전에 한 프로젝트의 프로토타이핑을 실행하고 데이터 과학을 다 이해했다고 생각했지만, 그것은 시작에 불과했고 겨우 얼마 전에 글로벌 확장을 실행했다. 현실적인 사용 사례를 선정해 수익 달성을 위해 머리를 맞대고 노력한 결과물이다.
AI 도입에 대한 우려 극복
기본적으로 머신러닝을 이용해 복잡하고 비용이 많이 드는 프로세스를 자동화하는 등 AI의 응용 잠재력에 대한 기대는 크다. 동시에 일자리를 잃을 수 있다는 우려로 AI를 위협으로 여기는 부정적인 시각도 있다.
AI 도입에 대한 부정적인 인식을 불식하기 위해 정보의 민주화가 중요하다. 작업자들에게 데이터 스트림을 실시간으로 확인할 수 있게 해주고, 시스템 의사 결정 과정에 대해 가시성을 보장한다. 필요한 경우 시스템을 멈출 수 있는 작동 중단 버튼도 있으며, 작업자의 판단으로 기계를 조절(bias)할 수 있도록 해 준다. 인간과 AI의 상호작용에 있어 핵심은 이처럼 블랙박스를 없애는 것이다. 블랙박스를 개방하면 직원들을 설득하고 이해시킬 수 있을 뿐 아니라 데이터 스트림을 관찰한 사람들을 통해 유용한 피드백과 통찰력 있는 아이디어도 얻을 수 있었다.
그 예로, 라이브라인에서 일명 자동 모드 관련 파일럿 프로그램을 추진한 사례가 있다. 최종 글로벌 출시를 앞두고 마지막 테스트를 진행했는데, 4시간은 자동 모드 시스템을 켜고, 4시간은 끈 상태로 평소와 똑같이 공장을 가동하면서 일정 기간이 흐른 후 불량률, 품질, 예기치 않은 라인 중단 등의 모든 통계치를 측정해 비교하는 것이었다. 몇 주 후 비교 자료를 검토하려고 했을 때, 놀랍게도 자동 모드를 끈 데이터는 충분히 수집되지도 못했는데, 자동 모드를 킨 상태의 효과가 너무 커서 어떤 작업자도 그 모드를 끄려고 하지 않았기 때문이다. 같은 반응이 다른 지역 공장에서도 발견됐다.
이처럼 사람들에게 일어나는 상황을 투명하게 보여주고 문제가 있으면 해결하고 개선하는 과정에 적극적으로 참여하게 함으로써 사람들은 프로젝트에 애착을 갖고 진심을 다하게 된다.
한편, 즉각적인 피드백 외에도 새로운 태그나 데이터에 대한 제안이 이루어진 사례도 있다. 일 년여 전, 머신러닝 전문가가 아닌 프로세스 엔지니어가 머신러닝을 통해 만든 시스템을 구현해 그 결과물을 검토했는데 예측과 결괏값이 많이 다른 경우가 있었다. 이 엔지니어는 원자재 중 하나가 온도와 습도에 예상보다 더 취약하다고 판단하고, 데이터 로깅 디바이스를 팔레트에 부착하고 전국을 돌면서 그 시간과 온도 기록을 분석 내용에 포함해 예측력을 개선할 것을 제안했다. 이는 실제로 큰 도움이 됐다. 전문가가 아니라 AI 코드를 작성할 수는 없지만, 인간의 직관과 판단력으로 프로세스 개선에 기여할 수 있었던 사례이다.
조직 문화의 변화
인재들에게 혁신을 장려하고 동기를 부여할 수 있는 결정적 방법은 혁신에 대한 끊임 없는 열정을 보여주고, 현실화한 혁신을 보여주는 것이다.
결국 조직 문화가 변해야 한다. 경영진에서 중간 관리자, 현장에 이르기까지 모두 새로운 문화를 지원하고 믿음으로써 일시적인 유행이 아님을 몸소 입증해야 한다. 이는 하루아침에 달성할 수 없는 장기 과제일 것이다.
