최근 몇 년 간, 인공지능은 기계실을 벗어나 비즈니스의 세계에 본격적으로 들어서고 있다. BCG와 MIT 슬로안 경영 리뷰(Sloan Management Review) 가 실시한 조사에 따르면, 향후 5년 이내에, AI는 모든 산업에 중대한 영향을 끼칠 것이다. 1 이 연구조사에 의하면, 임원진의 70% 이상이 AI가 자신들의 회사에서 중요한 역할을 할 것이라고 보고 있다.

오늘날 AI의 알고리즘은 이미 매우 정확한 기계 시각, 청각, 언어 기능을 지원하고 있고, 전세계의 정보 저장고에 접근도 가능하다. AI 성능은 딥러닝(deep learning) 및 기타 선진 인공지능기술, 어마어마한 속도로 성장하는 데이터, 기본 프로세싱 능력의 지속적인 개선에 힘입어 계속해서 향상되고 있다.

이는 마치 시력의 발전이 세계적인 종의 다양성을 크게 증가시켰던 캄브리아기(Cambrian era)처럼,
AI를 활용한 비즈니스 응용사례의 폭발적인 증가로 이어졌다.

늘 그렇듯이, 이 새로운 시대에는 승자와 패자가 있을 것이다. 그런데, BCG와 MIT의 공동 조사한 바에 따르면, 현 추세가 계속될 경우, 승자와 패자 사이의 간극은 특히나 극적이고 돌이킬 수 없는 수준이 될 것으로 보인다. 데이터에 따르면 같은 산업 내에서도 AI의 이해수준 및 도입 정도에 큰 차이가 있었다. 예를 들어, 보험업의 경우, 중국의 평안그룹(Ping An Group)은 5년 전에 AI 개발을 시작해 현재 이 기술을 다양한 서비스에 접목시키고 있지만 다른 보험사들은 아주 간단한 응용의 시범적 사용을 시작하는 수준에 그치고 있다. 전반적으로, 많은 기업의 경영진들이 그들의 조직이 AI에 대한 기본적인 이해조차 하지 못하고 있다고 답했다.

이 보고서는, 우선 AI에 대한 직관적이고 실질적인 이해를 증진시키는 것을 그 목적으로 한다. (‘인공지능에 대해 관리자들이 알아야 하는 10가지’ 참조.) 한 단계 더 나아가, AI가 현재 그리고 앞으로 사용될 사례에 대해 논의하고 산업가치 풀, 미래의 일, 경쟁력 추구에 미치는 영향을 살펴본다. 마지막으로, 대규모 조직에서 어떻게 AI를 도입하고 확산할 지에 대한 실질적인 지침을 제시한다.

AI는 기성품 솔루션이 아니다

AI의 구성요소들을 시장에서
구할 수는 있다고 해도,
데이터, 프로세스 및 기술의
상호작용을 관리하는 고난이도 작업은
인하우스에서 이루어진다

AI는 전원을 연결하기만 하면 바로 작동하는 것이 아니다. 기업들은 단순히 ‘지능을 구입’ 해서 문제해결에 사용할 수 없다. AI의 구성요소들을 시장에서 구할 수는 있다고 해도, 데이터, 프로세스 및 기술의 상호작용을 관리하는 고난이도 작업은 인하우스에서 이루어진다.

AI를 업무에 적용하는 개념적인 틀은 상당히 직관적이다. (보기 1 참조.) 간단히 말해서, AI 알고리즘은 데이터를 흡수하고, 처리하고 행동을 도출한다. 이 프로세스는 여러 단계의 기술의 적절한 통합에 의해 좌우되는데, 기업들이 데이터에서 행동으로 가는 특정한 경로를 알아내는 것은 일반적으로 쉽지 않은 일이다.

보기 1. 의사의 AI 체계

AI 실행하기 1

데이터에서 행동으로

AI의 데이터 처리에 대한 필요성은 빅 데이터나 전통적인 데이터 분석기술의 경우와는 근본적으로 다르다.

데이터, 교육, 프로세싱. 기본 AI 알고리즘은 간단한 컴퓨터 코드에 지나지 않는다. 본래부터 지능이 있는 것이 아니기 때문에 지능을 개발하기 위해 센서의 주입과 피드백이 필요하다. 머지 않은 미래에, AI 교육을 위해 기업마다 다른 데이터와 노력이 요구될 것이다. 데이터 과학자들은 셀 수 없이 많은 상관관계와 연결고리를 적절히 평가해 궁극적으로 그 지적 능력이 특정 데이터 영역에 제한되는 알고리즘을 만들기 위해 수많은 데이터를 기계에 입력해야 한다. 학습에 대한 이 전형적인 귀납적 접근은 왜 종종 AI를 가리켜 데이터에 굶주려 있다고 표현하는지를 설명해 준다.

행동. 학습을 거친 알고리즘은 실시간 데이터를 받고 이를 행동에 옮길 수 있다. 예를 들어, 신용점수 산정 및 그 점수를 고객에게 자동전송, 의료영상기록에 따른 암 진단, 자율주행자동차의 비보호 좌회전 등이 그것이다. 데이터에서 행동으로 전환되는 이 프로세스는 표준 컴퓨터 프로그램의 작업과 다르지 않지만, AI 시스템은 자율 학습과 수정을 계속한다. 따라서, 이 데이터는 행동과 자율개선의 원천이 되며 사실에 기반해 결정을 내리고 이 사실을 이용해 앞으로의 결정을 미세 조정하는 경영진에게도 판단의 기준이 된다.

데이터에서 행동으로 전환되는 프로세스를 계획하는 것은 어려운 작업이다. 기업들은 사실상 이 프로세스를 시장에서 구입할 수 없고, 수고를 덜거나 쉬운 길을 찾으려고 시도하다가는 낙담하게 될 것이다. BCG가 공동 저술한 MIT 슬로안 경영 리뷰(Sloan Management Review)의 기고문에서, 한 제약회사 임원은 AI벤더가 제공한 상품과 서비스를 ‘아주 어린 아이들’이라고 표현했다. 그는, “벤더들은 우리에게 이 아이들이 학습할 수 있도록 어마어마한 정보를 제공하라고 한다.”고 말하며, 어려움을 토로했다. 또, “AI 기반 서비스가 17,18,21살 정도가 되도록 만들기 위해 필요한 노력은 아직은 그 보답을 받지 못하고 있다. 아직은 노력에 비해 만족할 만한 성과를 보지 못하고 있는 것 같다.” 라고 덧붙였다.

머지 않은 미래에, 대부분의 회사들은 내부 데이터 과학자에 의존해 데이터 출처를 찾고, 수집하고, 편집하고, 만들어 내고 기업별로 다른 AI 시스템을 개발하고 교육해야 할 것이다. 물론 이 전체 프로세스나 활동-인사업무 등-을 전체 데이터와 함께 서비스 업체에 아웃소싱할 수도 있다. 하지만, 이런 업무를 다양한 고객을 상대하는 업체에 아웃소싱하게 되면 자칫 경쟁우위를 차지할 수 있는 기회를 놓치게 될 수 있다.


인공지능에 대해 관리자들이 알아야 하는 10가지

급속도로 변화하는 인공지능이라는 분야를 제대로 이해하고 결정을 내리기 위해, 많은 관리자들이 AI에 대한 기본적인 지식을 갖춰야 한다. 여기 도움이 될만한 10가지 핵심사항이 있다.

1. AI는 귀납적이다. AI시스템은 입력된 데이터와 이전의 결정에 대한 피드백을 통해 학습한다. AI의 예측과 행동의 질은 이런 식으로 학습된 데이터에 좌우된다. AI시스템의 이런 특징은 전통적인 연역적 프로그래밍과 매우 다른 점이다. 전통적인 프로그램은 데이터를 처리하지만 이를 통해 학습하지는 않는다.

2. AI 알고리즘은 단순하다. 핵심 학습 알고리즘은 몇 개에서 몇 백 개의 코드라인으로 구성된다. 기초적인 AI는 배우기가 어렵지 않다. 이는 최근에 이 분야가 급격히 발전할 수 있었던 이유이기도 하다. 컴퓨터 과학자가 아니어도 AI에 대해 직관적인 이해는 할 수 있다. 복잡한 부분은AI를 실생활에 적용하는 것이다.

3. AI 는 초인적인 속도와 규모로 작동한다. 전자신호는 뇌의 화학신호보다 약 백만 배 더 빨리 움직이기 때문에, AI는 많은 양의 데이터를 소화하고 신속하게 학습하고 행동할 수 있다. 전자 산업처럼, 백만 분의 1초가 중요한 경우에는, 관련업체와 규제당국 입장에서 AI가 유일한 현실적 대안일 수 있다.

4. 언어와 시각에 접근가능하다. 최근 이루어진 AI와 관련한 획기적 발전 중 하나는, 기계가 인간과의 상호작용을 통해 인간의 지식에 접근하고 물리적으로 실제 세상을 탐험할 수 있게 된 점이다. 비록 이 기술이 아직 불완전하기는 하지만, 이미 많은 경우에 유용하게 사용되고 있으며 빠른 속도로 발전하고 있다.

5. AI는 전통적인 복잡성 장벽을 극복한다. AI는 선형적인 문제들(근본적으로 직선의 일반화) 과 비선형적인 문제들(그 외 모든 문제들)을 둘 다 처리할 수 있다. 두 종류의 문제를 다룰 수 있는 이 능력은 물류, 생산, 에너지 효율성과 같은 분야에서 최적화 가능성을 몇 배로 높여준다.

6. 잠수함은 수영하지 않는다. 기계가 시행착오처럼 인간과 유사한 휴리스틱(heuristics)에 의존하기는 하지만, 인간과 기계는 다른 방식으로 문제를 해결한다. 비즈니스의 목적은 문제해결이지 특정작업을 수행하는 인간의 방식을 모방하는 로봇을 만드는 것이 아니다. 엔지니어들이 말이 끌던 방식으로 자동차를 설계하는 것이 아닌 것과 마찬가지로, 자율주행은 인간 운전자의 행동을 그대로 따라 해서는 안 된다.

7. AI는 내용을 추적하기가 어렵다. 어떤 기계가 특정결정을 내린 이유를 이해하기 위해서는, 그 기계의 의사결정프로세스를 추적할 수 있는 시스템을 설계해야 한다. 딥러닝 어플리케이션에서 사용하는 것과 같은 최첨단 알고리즘은 피해야 할 수도 있다. 이 같은 어플리케이션은 그 원천을 추적하기 어려운 직관적이고 창의적인 해답들을 도출할 수 있는 능력이 점점 커지고 있다.

8. 행동은 분산되지만, 학습은 중앙에 집중된다. AI 아키텍처는 중앙집중과 분산을 결합한다. 예를 들어, 자율주행 차량은 자율적으로 움직이지만, 데이터를 중앙 데이터 센터로 전송한다. 그러면, 이 시스템은 각 차량에서 수집한 데이터를 이용해 중앙시스템을 학습시키고 자동차들은 중앙시스템이 학습한 내용에 기반해 정기적으로 소프트웨어 업데이트를 받는다.

9. 비즈니스 가치는 데이터와 교육에서 비롯된다. 많은 기업들이AI의 성공에 있어 데이터와 교육의 중요성을 깨닫지 못하고 있다. 인간에게도 후천적인 교육이 타고난 본성보다 더 중요한 경우가 있는 것처럼 지능시스템을 개발하는 데 있어서 데이터의 질이 기본 알고리즘의 질보다 더 중요한 경우가 종종 있다.

10. 인간과 기계의 상호작용은 변화한다. 인간과 기계간의 상호작용을 최적화하려는 노력은 인간이 정적인 컴퓨터 프로그램의 사용법을 교육받는 수준을 뛰어넘어 계속 발전해왔다. AI를 이용해 인간의 기능을 강화시키는 것과 그 반대의 경우-알고리즘 문제해결 루프에 인간적인 요소를 가미하는 것-는 점점 더 흔하고 상호보완적인 일이 되고 있다.


AI의 토대

다행히도, 기업들이 AI기계를 전부 내부적으로 개발해야만 하는 것은 아니다. 보조 플랫폼과 서비스는 외부에서 구입가능하다. 기본 프로세싱 능력은 클라우드에서 빌릴 수도 있고, 여러 작업이 동시에 처리가능한 특정 하드웨어를 갖추고 사내에 배치할 수도 있다. – 심층신경망 등 AI 기술에 핵심적인 역량이 그런 경우이다. 또한 오픈소스코드를 기반으로 급속도로 발전하고 있는 AI데이터 아키텍처를 활용할 수도 있다. 대부분의 최첨단 AI 알고리즘은 공공 도메인에서 사용가능하고, 유수의 과학자들은 계속해서 이 알고리즘에 대한 그들의 작업을 발표하고 소스를 공개할 것을 약속하고 있다. 뿐만 아니라, 구글의 텐서플로(TensorFlow)와 같은 AI 플랫폼을 서비스로 사용할 수도 있다.

기업들은 소위 말하는 ‘AI 구성요소(building blocks)’에도 접근이 가능하다. 머신비전(machine vision)등의 이 구성요소들은 기본 알고리즘보다는 더 기능적이지만 그 자체로 독립적으로 운영할 수 있는 것은 아니다. AI의 사용은 모두 이 구성요소 하나 혹은 그 이상에 의해 좌우되며, 각각의 요소는 알고리즘의 집합, API, 사전학습 데이터에 의존하고 있다. BCG 연구조사와 경험을 토대로 10개의 구성요소를 규정했으며, 이 구성요소들은 모두 급격한 발전을 거듭하고 있다. (‘인공지능의 구성요소’ 참조.) 경영진들은 이 구성요소의 역량과 잠재가치를 이해해야 한다. 현재는 가능하긴 하지만 쉽진 않은 것이 몇 년 내로 쉬워질 수 있고, 현재 불가능한 것이 3-5년대로 가능해질 수도 있다.


인공지능의 구성요소(building blocks)

AI시스템을 설계하고 구성하는데 필수적인 10가지 구성요소들이 있다. 벤더들은 각각의 구성요소가 갖고 있는 기본 기능을 제공하고, 기업들은 이 구성요소를 입맛에 맞게 수정해 맞춤 어플리케이션을 만들어낸다. 단순한 AI 사용사례의 경우 단일 구성요소로 구성되기도 하지만 시간이 경과함에 따라, 두 개 혹은 그 이상의 구성요소를 조합하는 것으로 발전하는 경우가 많다. 아래 표에서는 데이터, 프로세싱, 행동 중 주로 어느 것과 관련 있느냐에 따라 구성요소를 구분했다.

머신비전은 시각, 엑스레이, 레이저 혹은 다른 신호를 바탕으로 실제 세계의 사물을 분류하고 추적하는 것이다. 광학문자판독(optical character recognition)은 머신비전의 조기 성공이라고 할 수 있지만 손 글씨를 해독하는 것은 여전히 진행중인 과제이다.

머신비전의 품질은 많은 양의 참고용 이미지를 인간이 어떻게 규정하느냐에 달려 있다. 기계가 학습을 시작하는 가장 단순한 방식은 이 규정된 데이터에 접근하는 것이다. 향후 5년내로, 동영상기반 컴퓨터 비전이 –예를 들어, 감시 시스템 등의- 행동을 인식하고 동작을 예측할 것이다.

AI 구성요소

AI 실행하기 2

음성 인식은 음성신호를 텍스트로 변형하는 것을 포함한다. 상대적으로 조용한 환경이라면, 시리(Siri)와 알렉사(Alexa) 같은 어플리케이션은 일반전인 어휘에 속하는 대부분의 단어를 구별할 수 있다. 어휘가 더 구체적이 되면, 뉘앙스(Nuance)의 파워 스크라이브(PowerScribe)와 같은 맞춤형 프로그램이 필수적이다. 물론 여러 사람들이 동시에 이야기하는 소란스러운 환경에서 정확한 메모를 할 수 있는 가상 비서를 만들려면 아직도 몇 년은 기다려야 한다.

자연언어 프로세싱은 텍스트를 분석하고 의미를 번역하는 것이다. 이 능력은 스팸, 가짜 뉴스, 심지어는 행복, 슬픔, 공격성 등의 감정까지도 인지한다. 현재, 자연언어 프로세싱은 텍스트를 기본적으로 요약하고 어떤 경우에는 의도를 유추해내기도 한다. 예를 들어 챗봇(chatbot)은 일명 화자의 의도를 추측해 화자를 구별하려는 시도를 한다. 자연언어 프로세싱은 향후 몇 년간 상당히 발전할 것으로 보이지만 복잡한 텍스트에 대한 완전한 이해는 여전히 인공지능의 성배 중 하나로 남아있다.

정보처리에는 검색, 지식추출, 비정형 텍스트 처리 등 질문에 답변하기 위한 모든 방법이 포함된다. 정보처리는 자연언어 프로세싱과 밀접하게 연결된 구성요소로 수십억 개의 문서를 검색하고 텍스트의 관계를 파악하는 기본적인 지식그래프를 만드는 등의 작업도 포함된다. (앙겔라 메르켈(Angela Merkel)을 위키피디아(Wikipedia)에 입력하면 나오는 데이터를 이용해, 이 그래프는 메르켈을 여성이며, 독일의 총리이자, 도널드 트럼프(Donald Trump)와 만난 적이 있는 사람이라고 분석할 것이다.) 또 의미론적인 추론-예를 들어, ‘트럼프는 미국의 메르켈이다.’ 라는 문장에서, 트럼프가 미국의 대통령이라고 판단하는 것-도 할 수 있다. 정보 데이터가 급속도로 성장하고 있기는 하지만, 논리적 추론을 바탕으로 하는 이런 유형의 학습은 향후 몇 년 동안은 계속 기초적인 단계에 머물 것으로 보인다.

데이터를 통한 학습은 기본적으로 머신러닝(machine learning)-과거 데이터를 기준으로 가치를 예측하고 정보를 분류하는 능력-이다. 머신러닝은 머신 비전과 자연언어 프로세싱 등 다른 구성요소의 한 요소인 동시에, 그 자체로도 구성요소이다. 넷플릭스(Netflix)의 영화추천 기능, 이상탐지를 이용하는 사이버 보안 프로그램, 과거 이탈데이터를 참고해 고객 이탈을 예측하는 표준회귀모델 등의 시스템의 토대가 된다.

이를 비즈니스로 응용하는 것에 있어 한 가지 과제라면 데이터에서 인적 편견을 제거하는 작업이다. 예를 들어, 사기를 적발하거나, 범죄를 예측하거나 신용점수를 계산하기 위해 고안된 시스템은 에이전트, 경찰, 은행 관계자에 대해 내재된 편견을 코드화한다. 데이터를 정제하는 것은 녹록하지 않은 작업일 것이다.

마지막으로, 현재의 많은 머신러닝 모델들은 태생적으로 블랙박스이다. 데이터 과학자들은 그렇게 함으로써 성능에는 어느 정도의 부정적인 영향이 있다 해도, 이 시스템에, 특히 규제 환경에서, 투명성을 부가해야 할 것이다. 이 분야에서 계속되고 있는 강력한 연구 덕분에 향후 5년간 투명성은 더욱 개선될 것으로 기대된다.

계획 및 탐색 에이전트는 목표달성을 위한 가장 적합한 행동을 알려준다. 자율주행차량의 네비게이션 기능은 이 구성요소에 상당히 의존하고 있다. 새로운 에이전트와 행동이 고려대상에 추가됨에 따라, 최적의 행동조합을 찾아내는 것은 점점 더 어려워진다. 빠르게 발전하고 있는 하위분야인 강화학습(reinforcement learning)은 직접적인 지시보다 상황에 따른 조언이나 보상 제공을 더 강조한다. 강화학습은 구글 딥마인드(Google DeepMind)의 바둑경기 성공에 결정적인 역할을 했으며, 인간의 두뇌가 시행착오를 통해 학습하는 방식과 매우 밀접하게 연관되어 있다.

이미지생성(image generation)은 머신비전의 반대로, 모델을 기초로 이미지를 만들어 낸다. 이 구성요소는 아직 발전초기에 있기는 하지만, 배경이 없는 이미지에 배경을 넣어 완성할 수도 있고, 빈센트 반 고흐(Vincent van Gogh)의 스타일로 사진을 변형할 수도 있다. 이미지 생성기술은 스냅챗(Snapchat)의 마스크처럼 가상-그리고 증강-현실 도구들의 엔진이 된다. 현재 대규모 기술기업들이 노리는 인기 있는 M&A 대상이기도 하다.

음성생성(speech generation)은 데이터 기반 텍스트 생성과 텍스트기반 음성합성을 모두 포함한다. 알렉사는 현재 텍스트 음성 변환 기능의 좋은 사례이다. 이 구성요소로 인해 언론사는 경기 요약이나 금융뉴스 보도 등 기본적인 스포츠나 실적보고서 작성을 자동화할 수 있다. 향후 5년대로, 리듬, 강약, 억양을 조합해 더욱 자연스럽게 들리는 음성을 만들어 낼 수 있을 것이다. 음악 생성도 머지 않아 더욱 개인맞춤화 될 것으로 전망된다.

핸들링과 통제는 현실 세계 사물과의 상호작용을 말한다. 예를 들어, 로봇은 공장작업현장에 대해서는 인간을 통해 이미 배웠지만, 빵을 자르거나 노인들의 식사를 보조하는 것과 같은 새롭거나 섬세한 작업에서는 어려움을 겪는다. 전세계의 기업들이 이 분야에 투자를 확대하고 있는 가운데, 로봇은 점점 더 창고에서 새로운 물건을 잘 집어낼 수 있을 것이고 인간처럼 부드러운 동작을 구사하며 유연하게 움직일 수 있을 것이다.

네비게이션 및 동작은 로봇이 주어진 물리적 환경을 통해 움직이는 방식을 말한다. 자율주행자량과 드론은 바퀴와 회전날개를 이용해 꽤 잘 작동하지만, 다리로 걷는 것-특히 두 다리로 걷는 것-은 훨씬 더 어려운 과제이다. 부드럽게 계단을 오르거나 문을 여는 로봇은 몇 년 내로는 볼 수 없을 것이다. 하지만, 발이 네 개 달린 로봇은 균형잡기가 좀 더 쉬워서 기존모델들도 이미 바퀴달린 차량으로는 접근 불가능한 환경을 탐색할 수 있다.


하지만, 앞서 나가고 싶은 기업들에게, 시장이 항상 최고의 옵션을 제시하는 것은 아닐 수도 있다. 평안(Ping An)보험이 안면인식 소프트웨어를 이용하려 했을 때, 시장에서 가용한 상품들의 성능은 불만족스러운 수준이었고, 평안은 자체 제작을 추진했다. 그 결과 자체 제작된 시스템은 중국인들의 안면윤곽과 특징을 기존 상품들보다 더 잘 인식했고 이 툴은 이미 다양한 용도로 3억개 이상의 얼굴을 인식하고 있다. 이 시스템은 평안의 다른 인식시스템-음성 및 이미지인식 시스템 등-을 보완하는 역할을 한다. 이 회사의 경험은 경쟁우위를 확보하기 위해서는 모든 회사들이AI 구성요소의 자체적인 사용능력을 평가해야 함을 시사한다.

실행중인 인공지능기술

AI를 비즈니스에 대대적으로 활용하는 것은 아직 미미한 수준이다. BCG가 MIT와 공동실시한 서베이에 따르면 20개 기업 중 겨우 1개 기업만 광범위하게 AI를 도입했다. 그럼에도 불구하고, 모든 산업에는 남들보다 앞서는 기업들이 있다. 비록 모든 기능에 대해 AI를 완벽하게 실행하고 있는 기업은 하나도 없을지 모르지만, 많은 기업들이 AI를 활용해 상당한 비즈니스 가치를 창출하고 있다. 몇몇 산업 및 다양한 조직의 기능과 프로세스에서 선별한 다음의 사례들은 AI가 이미 많은 곳에 적용되고 있으며, 적절하게 활용된다면 얼마나 효과적인가를 여실히 보여준다.


첨단 디지털 기술과 고유한 데이터를 통합해
개인맞춤 경험을 만들어 내는 브랜드는
매출을 6%에서 10%까지
상승시킬 수 있을 것이다.

마케팅과 영업

AI는 기업들이 고객들에게 개인맞춤 서비스, 광고, 상호작용을 제공할 수 있는 기회를 제공한다. 그 영향력은 상당하다. 첨단 디지털 기술과 고유한 데이터를 통합해 개인맞춤 경험을 만들어 내는 브랜드는 매출을 6%에서 10%까지 상승시킬 수 있을 것이다. – 이는 그렇게 하지 못하는 브랜드에 비해 두 세배 높은 비율이다. (2017년 5월 BCG 기고문, ‘Profiting from Personalization’ 참조.) BCG 추산에 따르면, 소매업, 헬스케어, 금융서비스만 해도, 매출 8억달러가 향후 5년간 개인맞춤화 추진 기업 중 상위 15%로 이동할 것이다.

성공적인 개인맞춤화의 베스트 프랙티스 중 상당수는 빠르게 움직이는 소매업에서 찾아볼 수 있다. 예를 들어, 한 글로벌 소매업체는 고객들의 한 주간의 행동양식에 대해 깊이 있게 이해하기 위해 로열티 앱의 스마트 폰 데이터-위치, 하루 중 시간, 구매 빈도-를 활용했다. 수백만 건의 개인 데이터 포인트를 일반적인 소비자 트렌드와 결합해, 이 회사는 일주일마다 50만 건의 맞춤제안을 하는 실시간 마케팅 시스템을 만들어냈다.

일부 영업-마케팅 조직에서는, AI가 프로세스를 자동화시킨다기보다는 강화시키는 역할을 한다. 예를 들어, 한 종합보험회사는 이 회사의 영업사원들에게 ‘최적상품제안(next best offers)’- 고객의 니즈와 보험사의 목적의 교차점에 위치한 제안-을 추천하기 위해, 머신러닝을 이용해 고객계층을 세분화했다. 이를 위해, 이 보험사는 인생의 다양한 단계를 지나고 있는 고객들의 보험 니즈에 대한 모델을 수립했다. 이 모델은 인구통계학적 요소, 보험계약, 영업사원의 재직기간, 과거 영업 데이터 등 천 개 이상의 정적이고 동적인 변수들을 반영한 복잡한 알고리즘을 기반으로 했다. 결과적으로, 이 보험사는 특정 보험계약을 특정 그룹의 개별 고객들과 연결시킬 수 있었다. 이 시스템은 교차판매를 30% 증가시킬 수 있다. 또한, 이 보험사는 영업 최적화 노력을 강화하기 위해 머신러닝 시스템을 이용해 지리, 경쟁, 영업사원 실적 데이터를 처리할 수도 있다.

이런 사례들은 소매업이나 금융서비스 영업 등 맥락이 있는 구체적인 고객데이터를 풍부하게 제공받을 수 있는 분산된 환경에서 AI가 얼마나 효과적인지 잘 보여준다. 제대로 구성된 파일럿 프로젝트를 통해 보통 4에서 6주내로 특정 개념이 얼마나 효과적인지 입증할 수 있으며, 본격적인 시행에 필요한 데이터 인프라와 역량을 결정할 수 있다.

연구 개발

AI 연구개발은 마케팅과 영업에 비해 아직 덜 성숙한 분야이다. R&D는 대규모 소매기업 체인에 비해 데이터가 훨씬 더 빈약하고 종종 이 데이터를 제대로 디지털화하지 못한다. 뿐만 아니라, 많은 연구개발문제는 복잡하고 고도로 기술적이며 어려운 과학적 제한요소에 얽매여 있다. 그렇지만, 사실 AI는 이 연구개발분야에서 매우 큰 성장가능성이 있다. 예를 들어, R&D를 주요한 수익동인으로 하고 있는 바이오제약 업계에서, 높아지는 비용과 길어지는 개발기간 이라는 지금의 추세를 AI를 활용해 뒤집을 수 있을 것이다.

상품 개발을 촉진하기 위해 설계된 AI 플랫폼인 시트린 인포머틱스(Citrine Informatics)는 제한된 데이터라는 약점을 극복하기 위한 한 가지 방법을 제시한다. 공표된 연구조사의 대부분은 성공적인 실험에 집중되어 있고, 자금을 지원하는 조직의 이익에 유리한 쪽으로 치우치는 경향이 있기 마련이다. 시트린은 연구조사기관의 광범위한 네트워크를 활용해 공식발표되지 않은 데이터를 수집함으로써 이러한 한계점을 극복한다. “부정적인 결과는 거의 발표되지 않는다. 하지만 이 부정적인 결과들은 편향되지 않은 데이터베이스를 구성하는 데에 필수적이다.” 라고 시트린의 공동설립자이자 최고 과학책임자(chief science officer)인 브라이스 메레디그(Bryce Meredig) 은 말했다. 이처럼 종합적인 접근을 통해 이 회사는 구체적인 응용에 소요되는 시간을 절반으로 줄여, 연구개발기간을 단축시킬 수 있었다.

산업재 부문에서는, 선도 제조업체들이 AI, 엔지니어링 소프트웨어, 운영데이터-수리 빈도 등-를 조합해 설계를 최적화한다. AI는 3D 프린팅이라고도 하는 적측가공 디자인 개발에 특히 유용하다. 알고리즘을 바탕으로 하는 프로세스가 엔지니어링의 전형적인 관행에 얽매이지 않기 때문이다.

공격적으로 데이터를 수집하는 것이 AI 연구개발 파일럿 설계의 핵심요소가 되어야 한다. 대학과의 협업, 오래된 기록의 디지털화, 혹은 완전히 새로운 데이터의 생성이 필요할 수도 있다. 연구개발 추진에 필요한 지식과 전문성을 고려할 때, 손쉽게 활용할 수 있는 턴키(turnkey) AI솔루션을 찾기는 거의 힘들 것이다. 그보다 과학자들은 체계적인 실험들을 거듭하면서, 미래의 AI응용에 필요한 데이터 목록을 구성하는 지침으로 삼아야 할 것이다.

운영

운영 방식과 프로세스는 원래부터 AI에 적합한 분야이다. 보통 비슷한 루틴(routine)과 단계들로 구성되고, 많은 양의 데이터를 생성하며 측정가능한 결과물을 도출한다. 한 산업에서 통하는 AI 개념의 상당부분이 다른 산업에서도 통한다. 현재 널리 사용되는 AI 에는 예측유지보수와 비선형 생산최적화 등이 있다. 비선형 생산최적화는 생산환경의 요소들을 순서대로나 독립적으로가 아니라 집합적으로 분석하는 것을 말한다.

한 정유공장의 사례를 살펴보자. 정유과정에서 파생되는 잔여물을 전기발생에 사용되는 합성가스로 변형시키는 가스화기(gasifier)의 고장을 예측하고 방지하는 것이 문제였다. 가스화기가 예상치 못하게 고장이 날 경우 전기생산이 한달 간 중단되어 큰 비용손실로 이어진다. 이 정유공장은 현재 운영에 대해 많은 데이터를 축적해놓았지만, 정확히 어떤 요인으로 가스화기가 고장이 나는지를 완전히 파악하지는 못했다. 전형적인 엔지니어링 모델로는 고장을 일으킬 수 있는 천 가지 이상의 변수들 간에 존재하는 복잡한 상호연관성을 완벽하게 분석할 수가 없었다.

이 정유공장의 엔지니어들은 데이터 과학자와의 긴밀하게 협업하면서, 고장의 원인을 분석하기 위해 인공지능에 눈을 돌렸고, 머신러닝 알고리즘에 6년간의 운영데이터와 유지보수 정보를 입력했다. 이 AI 모델은 모든 핵심요소들(공급원료 종류, 생산물 품질, 온도 등)이 전체 성능에 미치는 영향을 정량화하는데 성공했다. 그리고 나서 엔지니어들은 이 가스화기가 계획한 유지보수 기간 동안 계속해서 가동될 수 있을지를 판단할 수 있었다.

머신러닝 알고리즘이 만들어 낸 인사이트에 의존해, 엔지니어들은 투명한, 규칙에 기반한 시스템을 설계했다. 이 가스화기가 계획한 유지보수 기간 동안 가동할 수 있도록 증기, 산소와 같은 변수들의 핵심 운영설정을 조정하는 시스템이었다. 이 시스템은 예상치 못한 가동중단 리스크를 최소화하고 유지보수 일정 동안 단기 변경 횟수를 줄여 상당한 경제적인 이익을 이끌어낼 수 있다.

예측 유지보수 솔루션은 인간에게도 통한다. 메디케어(Medicare)에서 고정금액을 받는 미국의 한 보험사는 AI를 이용해 메디케어 환자들의 불필요한 병원진료를 줄이고 싶었다. 이 보험사는 약품의 부작용 등과 같은 과거 의료기록 데이터와 보험 담당자가 정리한 내용을 머신러닝 시스템에 입력했다. 이 시스템은 고객에 대한 지능적인 계층세분화를 실시해 예방조치에 대한 유용한 인사이트를 제공했다. 예를 들어, 배우자와 최근에 사별한 경우 의료기관을 방문할 확률이 매우 높고 그에 따라 사전관리가 필요한 것으로 드러났다. 이러한 인사이트는 보험사가 프로그램을 재설계에 연간 약 6억5000만 달러를 절감할 수 있도록 해줬다.

유지보수 외에도, 한 제련소는 AI와 비선형 최적화를 이용해 수 년 동안 엔지니어들이 매달렸던 구리의 순도개선에 성공했다. 엔지니어들은 데이터 과학자 팀과 함께 일하면서, 과거 5년간의 데이터를 중립 네트워크에 입력했다. 이 시스템이 제안한 생산 변경사항을 반영한 결과 순도가 2% 개선되었으며 이는 이 제련소의 이익마진의 두 배에 달하는 개선이었다. 이 노력은 6주만에 이루어졌으며 추가적인 자본이나 운영지출도 필요 없었다.


현재 기계들은
현실세계 최고의 포커플레이어를
이길 수 있지만,
아직까지 기업 구매에서 벤더들을 능가하는 능력을
–적어도 공개적으로는-
보여주지 못했다.

조달 및 공급사슬 관리

조달분야에서, AI의 발전가능성은 상당하지만-정형 데이터와 반복거래가 흔하기 때문에-대부분 실현되지 못했다. 현재 기계들은 현실세계 최고의 포커플레이어를 이길 수 있고, 주식거래를 할 수 있지만 아직까지 기업 구매에서 벤더들을 능가하는 능력을 –적어도 공개적으로는- 보여주지 못했다. (기업들은 AI 를 활용한 조달시스템을 사용하면서도, 경쟁우위를 유지하기 위해 그 사실을 그들의 공급업체를 비롯해 외부에 공개하지는 않고 있을 수도 있다.) 조달과 관련해 알려진 AI 사례는 주로 챗봇, 반자동화 계약설계 및 검토, 뉴스, 기상, 소셜 미디어, 수요의 분석을 바탕으로 한 소싱 제안 등이다. 소싱 강화, 심지어 소싱 자동화조차도 이제 겨우 시작단계에 불과하다.

공급사슬 관리 및 물류는 전혀 다른 이야기이다. 과거의 데이터는 이미 언제든 사용 가능해, 머신러닝에 자연스러운 대상이 된다. 한 글로벌 금속기업은 수요예측과 가격 설정뿐 아니라 전체 공급사슬 관리를 위해 최근 일련의 머신 러닝 엔진을 만들었다. 이 회사는 40개의 이상의 데이터 웨어하우스, ERP 시스템 및 기타 보고 시스템을 하나의 데이터 레이크(lake)로 통합했다. 이 같은 변경의 결과, 이 시스템을 통해 이제 복잡하고 이해하기 어려운 수요패턴이 공급사슬 전반에 걸쳐 퍼져 나가는 방식을 파악하고 예측할 수 있게 됐다. 예를 들어, 겨우 일주일의 미국 옥수수 수확의 변화가 옥수수 포장재인 알루미늄의 공급사슬에 전 세계적인 파급효과가 있다. 이 이니셔티브 덕분에 이 회사의 고객서비스 수준은 30%에서 50%로 상승했다. 또한 3년 내로 수익마진의 2%-4% 상승, 2년 내로 4-10일의 재고기간 감소가 예상된다.

이 사례는 데이터, 데이터 준비, 데이터 통합이 AI 실행에 얼마나 중요한지를 다시 한번 강조한다. 머신 러닝 모델을 만드는 것보다 데이터 수집 및 데이터 인프라 형성에 훨씬 더 오랜 시간이 걸린다.

지원부서

기업들은 종종 지원부서를 부분적으로 아웃소싱하곤 한다. 보통 지원부서들은 조직들간에 큰 차이가 없기 때문이다. 하지만 조만간, 이 프로세스에 AI 활용솔루션 도입이 가능할 것으로 보인다. IBM, 엑센츄어(Accenture), 인도의 빅4 기업(HCL, 인포시스(Infosys), 와이프로(Wipro), 타타(Tata))과 같은 거대 아웃소싱 기업들에서 대대적인 AI 개발이 활발히 진행 중이다. 인건비 절감과 규모축소에 주력하던 이 기업들은 최근 고부가가치 서비스 제공을 위한 지능형 및 자동화 플랫폼 개발에 집중하는 것으로 포커스를 전환하고 있다.

많은 서비스 기업들이 AI와 RPA(robotic processing automation: 로보틱 프로세스 자동화)를 통합함으로써 얻을 수 있는 장점을 인식하기 시작하고 있다. 룰기반(rule-based) 소프트웨어 봇을 이용해 인간의 업무활동을 대체하고 AI를 통해 유연성, 지능, 학습능력을 추가하는 것이다. 이는 RPA의 즉각적인 결과를 발전된 AI의 기능과 결합하는 접근법이다. (2017년 6월 BCG 기고문, ‘Powering the Service Economy with RPA and AI’ 참조.)

인간의 업무를 대체하기 위해, 한 아시아 은행은 RPA 및 즉시 학습하는 AI 시스템을 설치했다. 이 시스템이 자체적으로 처리방법이 불확실한 경우에만 인간 동료에게 업무를 할당함으로써, 이 은행은 비용을 20% 절감하고 특정 프로세스에 전담하는 시간을 일 단위에서 분 단위로 단축할 수 있었다.

상품 및 서비스 제안 관련 AI

이전 사례들과는 달리, 선진 상품 및 서비스 제안과 관련한 AI 응용-디지털 개인 비서, 자율주행 차량, 투자 로보어드바이저, 등-은 이미 많은 주목을 받고 있다. AI 활용 서비스를 제공하는 기업들은 앞다투어 대중들에게 새로운 상품과 서비스의 뛰어난 성능과 특징을 보여주고 있다.

상품과 서비스 어쩌면 전체 비즈니스 모델이 걸린 일이기 때문에, 기업들은 강력한 내부 AI 팀을 구성해야 한다. 바로 이런 이유로 기술업체, 자동차 제조업체, 및 공급업체들 사이에서 AI 관련 인재를 영입하기 위한 치열한 경쟁이 벌어지고 있다. 한 예로, 자동차 업계에서 보쉬(Bosch)는 향후 5년간 3억 유로를 투자해 독일, 인도, 미국에 AI 공장 건립을 추진 중이다. “지금부터 10년이면, 인공지능이 반영되지 않은 보쉬 제품은 상상할 수 없게 될 것이다. 자체적으로 인공지능을 갖추고 있거나, AI가 개발과 제조에 핵심역할을 하게 될 것이다.” 라고 보쉬의 CEO인 폴크마 덴너(Volkmar Denner) 는 말했다.

동시에, 자동화는 새로운 비즈니스 모델을 만들어 내고 있다. 그 예로, 보험사와 제조업체들은 AI를 이용해 리스크를 더 정확히 예측함으로써 사용, 관리, 마모를 기준으로 하는 가격설정을 가능하게 해줄 것이다. (한 산업의 전체가치사슬에 걸친 AI의 사용사례를 살펴 보기 위해, ‘보험 정확히 이해하기’ 참조.)


기업을 넘어서: 산업 가치 풀의 변화

사용사례와 시나리오가 함께, 산업구조전체에 영향을 끼칠 수 있다. 예를 들어, 자율주행 차는 자동차 제조업체뿐만 아니라, 운전자, 대규모차량 구입업체(fleet owner), 도시의 교통흐름에 영향을 미칠 것이다. 보스톤(Boston) 시는 자율주행 자동차가 주행 차량의 수와 평균 주행시간을 30% 줄일 수 있을 것이라고 분석했다. 주차 수요는 반으로 줄고, 배기가스 배출도 3분의 2로 줄어들 것이다. (2016년 7월 BCG 보고서, ‘Self-Driving Vehicles, Robo-Taxis, and the Urban Mobility Revolution’ 참고.)

헬스케어 산업에서는 또 다른 극적인 사례가 있다. 헬스케어 산업에는 의료기술, 바이오제약, 의료지불자(payer), 의료서비스 주체(provider) 등 다양한 부문들이 각기 서로 다르고 종종 상충하는 이해관계를 갖고 있다. 이 산업에는 다양한 AI 실험이 가치사슬 전반, 특히 연구개발, 진단, 케어 실행, 케어 관리, 환자행동교정, 질병예방 등의 분야에서 이루어지고 있다.

보기 2는 전반적인 헬스케어 가치 풀이AI의 도입 확대와 함께 어떻게 움직일 수 있는지에 대한 시나리오이다. 물론 각 부문 내의 개별당사자 별로 가치 변동양상이 상이하게 나타나겠지만 각 부문마다 승자와 패자가 있을 것임은 분명하다. 초반에는 대부분의 기업들이 내부 운영 프로세스에 AI를 도입함으로써 혜택을 누릴 것이다. (보기 2의 1번 화살표) 바이오 제약기업들과 의료지불자들은 연구개발 효율성, 개인맞춤 마케팅, 간소화된 지원기능으로 인해 가장 큰 혜택을 누릴 것으로 예상된다.

보기 2. 헬스 케어 산업에서 가치가 어떻게 이동할 것인가

AI 실행하기 3

 

보험 정확히 이해하기

한 산업 내에서 실행중인 인공지능의 사례를 살펴보기 위해, 보기 1에서 제시한 일반적인 체계를 보험분야에 적용할 수 있다. (아래 표 참조.)

이 표가 보여 보여주듯이, 구체적인 사용사례는 센서, 추적 장치에 의해 조정되는 자동차보험에서부터 사이버보안 리스크를 보장하는 보험계약에 이르기까지 다양하다. 이 새로운 보험상품을 만들어내기 위해, 보험사들은 ‘인공지능의 구성요소’에서 제시한 모듈을 사용가능한 데이터와 함께 적절히 조합해야 한다. 예를 들어, 보험사들은 머신비전과 위성데이터를 함께 뒤섞어 손해보험 견적을 자동화할 수 있다.

핵심 프로세스를 처리할 때에는, 영업과 가격책정 등 개별 프로세스를 세분화해 구체적인 사용사례를 파악하는 것이 도움이 된다. 한 고객에게 가장 적합한 보험을 선택하기 위해, 보험사는 머신러닝과 과거 고객 데이터 및 영업사원데이터를 조합해 최적상품제안을 할 수 있다. 보험사기 조사 분야에서, 일부 스타트업들은 이미 사진과 머신비전을 사용해 발생 가능성 있는 리스크를 포착하기 시작하고 있다. 마지막으로, 보험사들은 센서가 모니터한 주행습관 등 고객 데이터를 머신러닝 엔진에 입력해 리스크관리를 개선할 수 있다.

많은 지원(혹은 백오피스) 프로세스가 산업을 막론하고 유사하고 벤더들은 챗봇과 같은 고객응대 솔루션마저 제공한다. 이 분야에서, 벤더들은 보통 경험이 더 풍부하며, 정제된 고객테이터를 분석함으로써 규모가 주는 장점을 누릴 수 있다. 이 프로세스를 확립하면서, 기업들은 다른 부문들의 상황을 정확히 인식해야 한다. 예를 들어, 골드만 삭스(Goldman Sachs)는 한 스타트업의 AI 활용 동영상 기술을 이용해 일차 직원 면접을 실시한다. 사이클란스(Cyclance)의 IT 사이버보안 솔루션은 최근의 워너크라이(WannaCry) 랜섬웨어와 같은 멀웨어(malware)를 백만분의 1초 단위로 감지해 낸다.

보험은 정형 데이터에 많이 의존하고 있다. 따라서, 소위 ‘데이터를 통한 학습’이라고 하는 구성요소를 이용한 AI개발업체의 사용사례가 많은 것도 당연한 일이다. 하지만, 시간이 경과함에 따라, 머신비전, 음성인식, 자연언어프로세스의 구성요소가 비정형데이터를 이해하는데 더욱 유용하게 쓰일 것이며 음성인식은 일반적인 텍스트 커뮤니케이션에 도움이 될 것이다.

보험에서 AI 실행하기

AI 실행하기 4

향후 5년간, AI가 질병 진단 영역에서 상당한 발전을 보일 것으로 전망된다. 비주얼 AI 에이전트는 이미 일부 특정 형태의 암을 진단하는 것에는 최고의 방사선 전문의를 능가하고 있으며, 많은 스타트업과 기술 대기업들이 보다 더 조기에 암을 진단하고 보다 예후를 정확히 예측하기 위해 AI 활용 방법을 연구 중에 있다. 1차의료환경에서, AI는 의사진료 중 일부를 개선시키거나 대체할 수 있다. 한편, 원거리 진단을 통해 일부 건강상태에 대한 환자의 병원 방문횟수를 줄이거나 아예 방문할 필요가 없게 할 수도 있다. 이러한 변화는 주로 의료기술 기업에게 도움이 될 것이다. (화살2) 동시에 개선된 조기 진단과 예방법이 치료에 대한 수요를 줄임에 따라, 아마도 바이오 제약 기업들(화살3)에게는 부정적인 영향을, 의료서비스 주체(화살4)에게도 어느 정도 부정적인 영향을 미칠 것이다.

고유 성능 지표와 함께, 인공지능은 가치기반 헬스케어를 중요시하는 트렌드-물량보다는 결과물에 따라 대가를 지불하는 관행-를 강화시킬 것이다. 이같은 트렌드는 지불자들이 절감분을 전가하고 의료서비스 주체와 바이오제약업체(화살 5)들이 가격 조정하게 만들어 소비자들에게 도움이 된다. 마지막으로 대부분의 기업들은 적어도 AI솔루션의 일부는 헬스케어 분야에 진출한 전통적인 기술기업 등 기술 벤더들(화살6)에게서 구매할 것이다.

이 예상 시나리오-헬스케어 수요가 점점 증가함에 따라 발생 가능성이 있는-에서는 헬스케어의 결과물은 개선되지만, 바이오 제약업체들은 압박감을 느낄 수 있다. 혹은 바이오 제약회사들이 진단분야에서 과감하게 개인맞춤형 약품을 출시해 새로운 수익 풀을 만들어 낼 수도 있다. 나아가, 의료서비스 주체들이 AI를 환자 치료 프로토콜에 반영하기 시작하고, 지불자들은 자체적으로 원격 진단기술을 개발시킬 수 있다. 거의 모든 시나리오에서, 의료기술 및 기술 벤더들은 이익을 누릴 것으로 보인다.

 

AI기회를 이용해 성공하기

AI 발전을 둘러싼 불확실성이 큰 만큼, 대부분의 회사가 취할 수 있는 가장 현명한 조치는 기존 트렌드를 기초로 단기대책에 대한 포트폴리오를 구성하고 역량 및 데이터 인프라를 형성해 앞으로 있을 기회에 대비하는 것이다. 이처럼 일반적인 접근은 디지털 전략에서 사용한 것과 약간 유사하지만 AI의 경우에는 중요한 몇 가지 미묘한 차이가 있다. (2015년 10월 BCG 기고문, ‘The Double Game of Digital Strategy’ 참조.)

어떻게 시작할 것인가

임원진은 AI 여정을 아이디어 도출 및 테스트, 파일럿의 우선순위설정과 추진, 확장의 세 단계로 구분해야 한다. (보기 3 참조.)

보기 3. AI 전략 및 로드맵 수립

AI 실행하기 5

아이디어 도출 및 테스트. 이 단계에서 기업들은 네 가지 렌즈-고개 니즈, 기술 발전(특히 AI구성요소 관련), 데이터 출처, 프로세스 해체(혹은 체계적 세분화)-에 의존해 가장 유망한 사용사례를 선별해 낸다. (2017년 1월 BCG 기고문, ‘Competing in the Age of Artificial Intelligence’ 참조.) 고객 니즈는 가치 있는 AI 용례를 찾아내는데 중요한 지침이 된다. 고객들은 외부고객일 수도 있고 지원기능 같은 경우에는 내부고객일 수도 있다. AI 구성요소에 대한 깊이 있는 이해는 기술발전을 체계적으로 반영하는 데 있어 매우 중요하다. 풍부한 데이터 풀, 특히 새로운 데이터 풀은 AI의 높은 데이터 의존도를 고려할 때 또 하나의 중요한 렌즈이다. 마지막으로, 프로세스를 상대적으로 루틴하고 독립된 요소로 세분화함으로써, 기업들은 AI가 자동화할 수 있는 영역을 찾아낼 수 있을 것이다. 고객 니즈를 제외하고는, 이 렌즈들은 기업들이 디지털 기회를 포착하기 위해 반드시 사용해야 하는 렌즈들과 매우 다르다.

AI 경험이 제한적인 기업들에게는, 가치창출 가능성이 있고 제대로 정의되고 복잡성은 적당한 수준인 사용사례를 바탕으로 하는 부차적인 평행 테스트의 실시를 강력히 추천한다. 이 테스트를 통해 이 조직은 AI에 대해 익숙해지고 데이터 혹은 데이터 통합의 니즈 및 조직과 역량의 장애물-다음 단계로 나아가기 위한 중요한 인풋-에 집중할 수 있을 것이다.

파일럿의 우선순위설정과 추진. 임원진들은 각 파일럿의 잠재가치와 달성속도를 기초로 파일럿의 우선순위를 결정해야 한다. 첫 번째 단계에서 실시한 테스트는 프로그램에 필요한 시간과 복잡성에 대한 인사이트를 제공할 것이다.

일단 한 조직이 최종 파일럿 군을 선택하면, 이를 에자일(agile) 소프트웨어 개발을 통해 시험을 통한 학습(test-and learn) 단기 추진 프로그램으로 추진해야 한다. 대부분의 파일럿이 아직 정제되지 않은 데이터 통합과 프로세싱을 다루기 때문에, 불완전한 상태일 것이다. 하지만 이 파일럿들은 데이터 통합 이니셔티브의 범위를 정의하고 우선순위를 제대로 결정하는 데 도움이 되고, 온전한 AI 운영 프로세스에 필요한 역량과 규모를 파악할 수 있게 해 줄 것이다. 모든 단기 추진 프로그램은 구체적인 고객가치를 실현하는 동시에 필요한 인프라와 통합 아키텍처를 규정해야 한다.

확장. 마지막 단계는 파일럿 프로그램을 확실한 운영시간 프로세스와 상품 및 서비스 제안으로의 확장하고, 역량, 프로세스, 조직, IT 및 데이터 인프라의 구축이다. 비록 이 단계가 12-18개월이 소요될 수 있지만, 지속적인 에자일한 단기 추진프로그램을 통해 가치는 극대화되고, 예상치 못한 중대한 궤도수정은 최소화될 것이다.

이 운영 프로그램을 추진하는 동안, 인공지능을 실행에 옮기는 작업을 대비해 스스로와 조직을 준비하기 위해 임원진들은 다음과 같은 일련의 활동을 실시해야 한다.

AI 이해하기. 임원들은 AI의 기본적인 지식을 갖추고 무엇이 가능한지에 대한 직관적인 이해를 할 필요가 있다. 단순히 놀라운 신기술에 대한 기사를 읽어서 아는 것이 아니라, 텐서플로 플레이그라운드(Tensorflow Playground)를 실험사용하기 시작하거나 업무에 도움이 되는 온라인 학습코스를 수강할 수도 있다. 사실, 핵심 알고리즘 자체는 단순하다. 알아듣기 어려운 전문용어를 제외하고는, 상당히 접근성이 높은 분야이다. 따라서, 임원진들은 이 주제에 대해 기능적인 이해력을 키울 수 있어야 한다.

AI 실태파악하기. 임원들은 기술인프라, 조직 스킬, 준비정도, 융통성 측면에서 그들의 출발선을 정확히 알아야 한다. 뿐만 아니라, 내부 및 외부 데이터에 대한 접근 수준도 파악해야 한다.

직원 관점 포함하기. AI는 직원들에게 파괴적인 영향을 미칠 수 있다. 물론 직원들이 당장 일자리를 잃게 될 것이라는 우려는 종종 실제 상황보다 부풀려진 경우가 많지만, AI의 도입이 정신적인 스트레스와 대대적인 재교육의 필요성을 낳을 것은 분명하다. 공장 근로자는 로봇과 함께 일하고, 조달 매니저는 앱을 통해 인풋을 제공받으며, 콜센터 직원은 챗봇에게서 고객응대내용을 전달받게 될 것이다. 직장에서의 커뮤니케이션, 교육, 훈련은 초기 파일럿 프로그램에서부터 설계에 반드시 포함되어야 한다.

 

내일을 넘어 미래 내다보기

AI의 미래-가치창출의 급격한 변화가 얼마나 가능성이 있는 것인지를 포함해-는 여전히 매우 불확실하다. 이 불확실성을 타개할 수 있는 가장 좋은 방법은 여러 가지 시나리오를 짜고 테스트하고 개별 이니셔티브들을 통합할 수 있는 로드맵을 도출하는 것이다. 이 같은 노력을 통해 기업들은 본래 계획을 상황에 맞게 수정하고, 그 사항이 데이터, 스킬, 조직, 미래의 일에 미치는 영향력을 가늠할 수 있을 것이다.

데이터. AI의 획기적인 발전은 새롭고, 고유하고, 풍부한 데이터 자산에의 접근할 수 있느냐에 따라 크게 좌우된다. 다행히, 최소한 몇몇 분야에서, 머신 러닝 모델들은 시작은 초기 데이터 세트로 하고, 이후 데이터를 추가하면서 개선이 가능하다. 하지만 가용한 데이터의 양이 2년마다 두배로 증가하면서, 과거 데이터를 바탕으로 하는 경쟁우위는 오래가지 못할 것이다. – 미래 데이터에 대한 독점적 권한이 중요하다.

MIT와의 합동 연구 프로젝트는 데이터 오너십이 산업전체적으로도 산업 내부적으로도 골칫거리임을 보여준다. 예를 들어, 서베이 응답자들은 고유데이터, 공공 혹은 기업소유 데이터, 공유 데이터 중 어느 것이 해당 업계에서 가장 일반적인지를 묻는 질문에 대한 각기 다른 답변을 했다. 중요한 것은, 독점적 정보의 양이 경쟁우위를 결정하는 경우가 종종 있다는 점이다. 임원들이 해당 산업과 회사 내에서 데이터 출처의 가치와 중요성을 깊이 있게 이해하는 것이 얼마나 중요한지를 다시 한번 강조할 수 밖에 없다.

스킬. MIT와의 연구조사에 따르면, 극소수의 기업들만이 미래의 AI가 필요로 하는 지식과 스킬을 이해하고 있다. 그리고, 상당히 발전한 AI 역량을 갖춘 기업들은 AI에 능통한 데이터 과학자를 영입하고 유지하는 것에 어려움을 겪고 있다. 이 당장의 필요성은 대학들과 온라인 교육기관들이 AI 관련 분야를 확대함에 따라 시간이 지나면 줄어들 것으로 보인다. 장기적인 관점에서, 더 가치있는 스킬은 데이터 과학자와 경영진으로 이루어진 팀들을 잘 관리하고 AI 인사이트와 역량을 기존 프로세스, 상품 및 서비스에 반영하는 능력일 것이다.

조직. MIT와의 연구조사를 보면, 중앙집권적, 분권화, 융합 조직 모델 중 어느 것이 AI에 가장 적합한 접근법인지에 대한 기업들의 의견은 각기 다르다. 더 중요한 이슈는 한 조직의 직원들과 기계들이 서로 더욱 밀접하게 협업함에 따라 AI와 경영진간의 조직적인 유연성과 다양한 팀간의 팀웍이다.

전체 조직의 설계와는 별도로, 점점 더 확실한 것은 기술로써의 AI는 행동은 분산되고 학습은 중앙집중적인 형태를 강조하는 구조에서 제일 성공적이라는 점이다. 이는 자율주행자동차, 실시간 마케팅, 예측유지보수, 글로벌 기업에서의 지원 부서 등 어떤 응용에도 해당된다. 중앙에서는 분산된 에이전트를 통해 데이터를 수집하고 처리해 학습을 강화시키고 그 후 통합된 데이터 풀을 통해 중앙에서 정리된 학습내용을 바탕으로 이를 새로운 모델에 적용하고 에이전트를 수정한다.

미래의 일. AI는 의심할 여지없이 미래의 일에 영향을 미칠 것이다. 하지만 AI가 당장 대규모 실업사태를 불러일으킬 것이라는 우려와는 달리 MIT와의 연구조사는 가까운 미래에는 그 영향이 제한될 것이라고 보고 있다. 대부분의 응답자들은 AI가 향후 5년 내로 그들의 회사에서 일자리 감소를 야기시킬 것이라고 예상하지는 않았다. 서베이 참가자의 3분의 2 이상은 AI가 그들의 업무를 자동화 할 것이라고 걱정하기보다는 오히려 현재 그들이 하고 있는 성가신 업무를 AI가 대신해 줄 것이라는 기대를 하고 있었다. 동시에, 거의 모든 응답자들이 AI로 인해 직원들이, 자동차 수리공이 스킬을 계속 확장해야 하는 것처럼, 새로운 스킬을 배워야 함을 인식하고 있었다. 차이점이라면, 적응기간이 수십 년이 아니기 때문에, 새로운 교육 기회와 AI 를 활용해 재교육 프로세스를 하루 빨리 진행해야 한다는 점이다. 조직들은 탄력적이어야 하며, 직원들과 임원들도 마찬가지다. 장기적인 성공을 위한 최고의 대비책은 변화할 수 있는 역량을 키우는 것이다.

AI는 비즈니스를 송두리째 바꿔놓을 것이다. 성공하기 위한 최고의 대안은 확실하지 않은 추측에 휩쓸리지 않고 할 일을 하는 것이다. 행동하는 것 외에는 선택의 여지가 없다.

참조.
1. 이 연구조사는 전 세계 다양한 산업의 3000명 이상의 임원, 매니저, 애널리스트를 대상으로 하며 39명 이상의 기술 전문가와 경영진과의 심화 인터뷰를 바탕으로 한다. 2017년 9월 6일, MIT Sloan Management Review의 ‘Reshaping Business with Artificial Intelligence: Closing the Gap Between Ambition and Action’ 를 참조한다.

Previous article디지털 혁신을 주도하는 CEO를 위한 가이드
Next article총 사회적 영향 – 전략의 새로운 렌즈
BCG
보스턴컨설팅그룹은 전세계 비즈니스와 사회 리더들과 파트너쉽을 맺고 가장 중요한 도전과제를 해결하고 최고의 기회를 잡기 위해 노력하고 있습니다. BCG는 경영전략의 개척자 역할을 하며 1963년 설립되었습니다. 오늘날, BCG는 클라이언트가 복잡한 변화를 추진하거나, 조직이 성장하거나, 경쟁력을 갖추거나, 최종결과의 임팩트를 주는 등 완전한 변신을 할 수 있도록 돕습니다.