인공지능(AI) 기술은 더 이상 공상 과학소설 속 제재가 아닌 기업이 마주한 현실이 되었습니다. 오늘날 기업들은 머신러닝, 알고리즘, 스마트형 커넥티드 제품 등 다양한 AI 기술을 새롭고 흥미로운 방식으로 비즈니스에 적용하고 있습니다. 딜로이트(Deloitte)에서 이러한 인지기술(cognitive technologies)을 적극적으로 도입하는 기업들을 대상으로 진행한 최근 설문조사에 따르면, 응답자 중 76%가 AI를 비롯한 인지기술이 3년 이내에 기업을 “실질적으로 변화시킬 것”이라 답했습니다.
인공지능의 무한한 잠재력과 가능성을 생각한다면 이러한 열기는 어쩌면 당연해 보이는데요. 하지만 기업의 이러한 열망과 현실 사이에는 여전히 큰 간극이 존재합니다. 가트너(Gartner)의 분석가 Nick Heudecker는 현실적으로 빅데이터 프로젝트 중 약 85%가 실패한다고 평가했습니다. 그렇다면 기업이 인공지능 전략을 통해 성공적인 비즈니스 결과를 얻기 위해서는 어떻게 해야 할까요?
명확한 목표 설정과 비전 공유
첫째, 인공지능 도입의 목적을 명확히 설정해야 합니다. AI는 진공 상태에 존재하는 것이 아니라 기업의 비즈니스 모델, 프로세스 및 문화의 맥락 속에서 존재합니다. 새로운 직원을 채용할 때 회사에 적합한 인재인지 판단해야 하는 것처럼, AI 기술 적용이 실제 비즈니스 결과에 어떤 영향을 미칠 것인지 신중하게 판단해야 합니다.
빅데이터 분석기업 GoodData의 CEO Roman Stanek에 따르면 가장 먼저 고민해야 할 질문은 ‘기업이 어떤 비즈니스 성과를 추구하고 있는가’입니다. AI 프로젝트는 일반적으로 특정한 기술을 구현하는 것에서부터 시작하기 때문에, 해당 기술을 통해 달성하고자 하는 비즈니스 목표에 대한 비전이 공유되지 않는다면 일선의 관리자와 직원들은 그 유용성을 이해하지 못하는 경우가 많습니다. 결과적으로 해당 프로젝트는 ROI 창출로 이어질 수 없겠지요.
변화의 필요성을 외치는 건 위에서부터 시작했더라도, 변화의 실행은 항상 아래에서부터 시작됩니다. 따라서 조직 내 목표 의식을 명확히 공유하는 것이 중요합니다. 인공지능이 업무 수행에 도움이 된다는 점을 이해한다면, 일선의 관리자와 직원들 역시 프로젝트 성공을 위해 AI 도입에 적극적으로 개입할 것입니다.
무엇을 자동화할 것 인가
둘째, 자동화할 대상을 신중하게 선택해야 합니다. 많은 사람들이 인공지능과 같은 인지기술로 인해 사람의 일자리가 사라질 것을 걱정하고 있습니다. 그렇지만 MIT 경제학자 David Autor은 다르게 보고 있습니다. 일자리가 사라지는 것이 아니라, 단지 ‘일상적 또는 반복적 작업(routine works)’과 그렇지 않은 작업(non-routine works) 사이에 구분이 생기는 것을 의미합니다. 산업혁명 당시 기계가 인간의 물리적인 노동을 자동화한 것처럼, 인공지능은 우리가 ‘일상 작업’으로 구분한 인지 프로세스들을 빠르게 자동화할 뿐입니다.
애플(Apple) 스토어에 가보면 이러한 변화를 쉽게 이해할 수 있습니다. 애플은 자동화 프로세스에 대해 완벽히 이해하고 있는 기업입니다. 그렇지만 애플 매장을 방문했을 때 우리를 맞이하는 것은 인공지능이 아닌, 직원들의 따뜻한 환영과 응대입니다. 이는 곧 애플이 자동화한 작업은 일차적 응대 이후에 이루어지는 백그라운드 작업이며, 고객과의 상호작용은 여전히 사람의 영역임을 보여줍니다.
데이터에 대한 이해와 책임
셋째, 데이터를 충분히 이해하고 선택해야 합니다. 꽤 오랜 시간 데이터는 많을수록 좋다는 인식이 존재해왔습니다. 그렇기 때문에 기업들은 되도록 많은 데이터를 수집하고, 이를 정교한 알고리즘에 투입하여 정확도가 높은 예측 모델을 만들기 위해 노력해왔습니다. 하지만 이제 무분별한 데이터 수집은 결코 좋은 방법이 아니라는 것이 분명해졌습니다. 작가 Cathy O’Neil이 자신의 저서 "대량살상 수학무기(Weapons of Math Destruction)"에서 설명했듯이, 기업들이 데이터에 대해 충분히 이해하지 못한 채 시스템에 입력할 경우, 데이터 편향성(data bias) 문제가 심각하게 발생할 수 있습니다. 또 다른 문제점은 *과적합(overfitting)입니다. 어떤 모델의 예측 정확성이 99%라면 정말 대단하겠지요. 그러나 아무리 정확성이 높은 모델이라도 변화하는 조건에 적용할 수 없다면, 정확도가 70% 정도로 낮더라도 단순한 모델이 더 나을 것입니다.
*과적합(overfitting): 과거 데이터에 대한 지나친 학습으로 인해 새로운 데이터 또는 향후 발생할 데이터를 제대로 예측하지 못해 발생하는 오류
추가로 덧붙이자면, 최근 유럽에서 개인정보보호법(GDPR) 시행과 함께 다른 국가에서도 유사한 법률적 움직임이 나타나면서 이제 데이터는 자산인 동시에 책임이 필요한 영역이 되고 있습니다. 따라서 기업은 사용하려는 데이터 소스를 충분히 인지하고, 사람이 이해하고 설명할 수 있는 모델을 만들어야 할 것입니다.
노동력의 가치
마지막으로 사람의 노동력을 보다 가치 있는 사회적 과업으로 인식하고 변화시켜야 합니다. 어떤 작업을 자동화한다는 것은 그 업무에 투입되던 노동력을 다른 영역에 활용할 수 있다는 것을 의미합니다. 이 점을 인지하지 못하고, 단순히 인간의 노동력을 대체하고 비용을 줄이기 위해 인공지능을 사용하는 것은 결코 최선의 결과로 이어질 수 없겠지요.
테슬라(Tesla)의 CEO 일론 머스크(Elon Musk) 역시 “에일리언 드레드노트(Alien Dreadnought)”라는 값비싼 대가를 통해 이러한 교훈을 얻을 수 있었습니다. AI 기반 로봇을 이용하여 완전 자동화 시스템의 미래형 공장을 목표로 했던 테슬라의 Model 3 제조 시설은 결국 주문량을 감당하지 못하고 생산을 중단할 수밖에 없었습니다. 머스크는 그의 트위터를 통해 다음과 같이 밝혔습니다. “맞습니다. 테슬라의 지나친 자동화가 실수였습니다. 정확히 말하자면, 인간을 과소평가한 저의 실수였습니다.”
테슬라가 찾아낸 문제점은 자동화 시스템이 모든 것을 해결해주지 못한다는 사실이었습니다. ‘에일리언 드레드노트’의 해결책은 일자리의 확대였습니다. 테슬라는 생산 공정 개조 및 로봇 훈련, 교체 작업 등을 담당할 수백 명의 근로자를 고용했습니다. 이들은 업무는 단순한 장비 유지보수를 넘어, 분석 기능을 활용하고 그 결과에 따라 로봇 엔지니어링 기술을 보유해야 합니다. 마치 인터넷 시대에 웹 디자이너, 검색 엔지니어와 같은 새로운 일자리가 만들어졌듯, AI 시대에도 완전히 새로운 유형의 일자리가 창출되는 것입니다.
테슬라 외에도 지나친 자동화의 함정에서 교훈을 얻은 업체들이 존재합니다. AI 시스템 구현의 최전선에 있는 1,000곳 이상의 기업들을 대상으로 실시한 글로벌 조사 결과, 인간과 기계가 함께 작업했을 때의 성과가 기계가 모든 것을 대체했을 때보다 월등히 높다는 사실이 밝혀졌습니다. 이러한 협업 관계를 통해 사람은 기계의 성능을 더 발전시키고, 기계는 사람이 한 차원 더 높은 성과를 달성할 수 있도록 지원할 수 있습니다.
인공지능 기반의 스마트 공장에도 사람이 필요한 이유를 증명한 테슬라의 사례를 비롯하여, 자율주행차와 공급망(supply chain) 등 다양한 산업의 인공지능 도입 현황과 앞으로의 전망을 무료 다운로드 백서에서 확인해보세요.”
기업의 AI 적용과 시장 전망
Believe in Humans
머신러닝 기술의 발달로 우리는 인간적인 방식으로 보고 듣고 말할 수 있는 컴퓨터를 개발하게 되었습니다. 실제로 컴퓨터는 인간이 입력한 정보를 바탕으로 세상을 학습하고 이해하며 평가할 수 있었지요. 이제 기계는 데이터에서 스스로 패턴과 이상을 찾아내어 학습할 수 있는 인공지능으로 진화했습니다. 하지만 목표를 설정하고 이를 달성하기 위한 전략적인 차원에서 인사이트를 찾아내고 역할을 결정하는 것은 결국 사람의 몫입니다.
이런 사실은 인지기술을 효과적으로 구현하는 방법을 이해하는 데 매우 중요합니다. 인공지능은 사람의 일자리를 빼앗는 것이 아니라, 도와주는 것입니다. 이제 우리는 인지기술에서 ‘협업(collaborate)’과 같은 사회적 기술(social skills)로 우리의 가치를 옮겨갈 수 있을 것입니다. 인공지능의 미래는 정말 인간적이네요.😊
“인공지능이 갖춰야 할 기능 및 비즈니스 목적, 향후 과제 등 성공적인 비즈니스를 위한 인공지능 전략의 자세한 내용이 더 궁금하시다면 아래 백서 다운로드를 통해 확인해보세요.”
