사상 리더
AI를 비즈니스에 통합하는 5단계 – 예산을 부수지 않고

핵심 포인트AI 솔루션을 도입하기 전에 측정 가능한 결과를 가진 구체적인 비즈니스 문제를 정의하세요.
더 보기
- AI 솔루션을 도입하기 전에 측정 가능한 결과를 가진 구체적인 비즈니스 문제를 정의하세요.
- 맞춤형 모델 개발에 투자하기 전에 기존의 제3자 도구를 사용하여 AI 가설을 테스트하세요.
- 비용이 많이 드는 구현 실수와 전략 불일치를 피하기 위해 초기에 경험 많은 AI 전문가와 상담하세요.
인공지능은 계속 성장하고 있습니다. 모든 산업으로 확산된다면 우리의 생활방식도 완전히 바뀔 것입니다.
이에 따라 많은 창업자가 회사에 AI를 도입하는 일을 최우선 과제로 삼고 있습니다. 개인도 일상생활을 개선하기 위해 AI 활용 방법을 찾고 있습니다.
열기가 얼마나 뜨거운지, 권위 있는 언어 기관인 콜린스 사전은 인기가 급증한 AI를 올해의 단어로 선정했습니다.
그러나 대부분의 조직에서 AI 도입의 구상과 현실 사이에는 큰 간극이 있습니다. 도입 과정은 생각만큼 단순하지 않고, 필요한 자본 지출뿐 아니라 기대한 성과를 내지 못한 개발에 낭비하는 시간 때문에도 큰 비용이 발생합니다. 이로 인해 여러 기업이 어려움을 겪었습니다. CNET은 AI로 작성한 기사를 실험했지만 오류가 많았습니다. iTutor Group 같은 기업은 잘못된 AI 구현으로 대중의 조롱을 받았을 뿐 아니라 거액의 벌금도 부담했습니다.
이러한 사례는 기업이 AI 활용에서 많은 실수를 저지를 수 있음을 보여줍니다. 아마존 (AMZN ), 구글, 마이크로소프트 (MSFT ), 메타 같은 재정적 여력이 없다면 실패한 실험이 기업을 파산에 이르게 할 수도 있습니다.
창업자나 사업주라면 다음 다섯 단계를 참고하십시오. 돈과 시간이라는 자원을 신중히 사용하면서 AI를 도입하고 치명적인 오류의 가능성을 줄이는 방법입니다. 시간도 결국 비용입니다.
1. 해결하려는 문제를 명확히 정의하십시오
어떤 기업도 AI 실패에서 자유롭지 않습니다. 아마존이 무인 계산 매장 Amazon Go의 어려움을 통해 뼈아프게 경험했듯, 모든 사업 과제에 AI가 필요한 것은 아닙니다.
따라서 AI로 해결하려는 문제를 최대한 명확하게 정의해야 합니다.
고객 지원을 예로 들면, 콜센터 비용을 매월 일정 금액 줄이거나 고객 문의의 평균 해결 시간을 일정 시간 단축하는 식으로 구체적인 결과를 설정할 수 있습니다. 이렇게 하면 금액이나 시간이라는 측정 가능한 지표를 정하고 AI 도입이 목표 달성에 실제로 영향을 주는지 확인할 수 있습니다.
구현 방법은 다양합니다. 복잡한 챗봇 대신 고객의 질문에 FAQ 페이지로 답할 수 있는지 판단하는 서비스를 개발하거나 구매할 수 있습니다. 고객이 메시지를 보내면 모델이 상담원 연결이 필요한지 판단하거나 질문에 답하는 관련 페이지를 보여줍니다. 이런 모델은 복잡한 챗봇을 처음부터 만드는 것보다 빠르고 저렴하게 개발할 수 있습니다. 성공한다면 챗봇 개발에 비해 AI 관련 자본 지출을 효율화하면서 비용 절감 목표도 달성할 수 있습니다.
캘리포니아 법률사무소 Matten Law는 이 접근법을 선도한 사례입니다. AI 기반 도우미를 도입해 여러 업무를 자동화함으로써 변호사가 고객의 이야기를 듣고 사건의 핵심 쟁점을 검토하는 데 더 많은 시간을 쓰게 했습니다. 이는 보수적인 분야에서도 AI가 필요한 곳에 사람의 역할을 강화해 고객 경험을 개선할 수 있음을 보여줍니다.
데이터 분석과 맞춤형 제안도 AI가 도울 수 있는 과제입니다. 스포티파이는 지능형 음악 추천 시스템에 AI를 성공적으로 활용한 사례이며, 사용자가 특정 장르를 듣는 시간대까지 고려합니다.
두 사례 모두 AI가 고객 경험을 개선합니다. 성공의 이유는 AI에 맡길 부분을 명확히 정했다는 데 있습니다.
2. 분석에 필요한 데이터를 결정하십시오
핵심 문제를 정의했다면 시스템에 어떤 데이터를 제공할지 고려해야 합니다. AI는 제공된 데이터를 분석하고 그에 맞춰 조정되는 알고리즘이라는 점을 기억하십시오. 데이터 수집의 기본 절차는 다음과 같습니다.
- AI 구현에 필요한 데이터를 파악합니다.
- 회사에 그 데이터가 있는지 확인합니다.
- 있다면 활용할 수 있습니다.
- 없다면 적절한 수집 절차를 사내에서 시작할 수 있는지 검토합니다. 아직 저장하지 않는 데이터라면 개발자에게 필요한 데이터를 저장하도록 요청할 수도 있습니다.
예를 들어 커피숍 방문 고객 수에 관한 데이터가 필요하다고 합시다. 고객이 구매할 때 제시하는 개인별 멤버십 카드를 도입하면 누가 언제 방문했는지, 무엇을 얼마나 구매했는지 알 수 있습니다. 이 데이터를 확보한 뒤 AI 구현에 사용할 수 있습니다. 다만 수집 비용이 매우 높을 때도 있습니다. 이 경우에도 AI가 도움이 될 수 있습니다. 보안 목적으로 설치한 카메라가 있다면 방문 고객의 데이터를 수집하는 데 활용할 수 있습니다. 그러나 실행 전에 GDPR 등 개인정보 관련 법규에 대해 자문을 구해야 합니다. 모든 국가에서 허용되는 방법은 아니기 때문입니다. 허용되는 관할 지역에서는 필요한 정보를 수집하고 AI로 분석·처리하는 편리한 방법이 될 수 있습니다.
개인화된 멤버십 프로그램은 스타벅스가 성공적으로 활용한 방식입니다 (SBUX ). 스타벅스의 리워드 프로그램은 고객이 선호하는 매장을 방문하거나 좋아하는 음료를 주문할 때 개인화된 혜택을 제공하기도 했습니다.
3. 가설을 정의하십시오
어떤 업무를 AI로 최적화할 수 있는지 또는 최적화해야 하는지 확신하기 어려울 수 있습니다.
그럴 때는 전체 업무를 단계별로 나누고 성과가 부족한 부분을 찾으십시오. 어느 부분에서 돈을 너무 많이 쓰고 있습니까? 무엇이 평소보다 오래 걸립니까? 이런 질문에 답하면 개선이 필요한 핵심 영역을 파악하고 AI가 도움이 될지 판단할 수 있습니다.
기존 방식이 더 효과적인 경우도 있습니다. 고객에게 어떤 상품을 보여줄지 고민한다면, 온라인 시장의 추천 시스템에서는 사용자 행동을 예측하려는 시도보다 인기 상품을 추천하는 방식이 더 효과적일 때가 많습니다. 먼저 그 방법을 시험하십시오. 결과가 긍정적이든 부정적이든 확인한 뒤 AI를 시험할 가설을 세울 수 있습니다. 그렇지 않으면 범위가 너무 모호해 시간과 돈을 낭비할 수 있습니다.
4. 기존 솔루션을 활용하십시오
많은 기업이 곧바로 자체 머신러닝 알고리즘을 설계하려 합니다. 그러나 대규모 데이터셋으로 오랜 기간 훈련할 계획이 없다면 그렇게 하지 않는 편이 좋습니다. 비용과 시간이 많이 들기 때문입니다.
대신 이미 제공되는 솔루션에 집중하십시오. 아마존, 구글, 마이크로소프트 등은 다양한 목표 달성에 도움이 되는 AI 도구를 제공합니다. 이후 필요에 따라 공급업체와 계약하고 사내 개발자를 채용해 필요한 API 요청을 적절히 설정할 수 있습니다.
핵심은 머신러닝 전문가가 아닌 업무용 소프트웨어 개발자도 이런 도구를 통합할 수 있다는 점입니다. 그러면 AI가 기대한 효과를 내는지 빠르게 검증할 수 있습니다. 효과가 없다면 도구를 중단하면 됩니다. 가설 검증 비용은 서비스 연동에 투입한 개발 시간과 도구 사용료로 제한됩니다. 자체 모델을 개발한다면 머신러닝 전문가의 개발 기간에 해당하는 급여와 인프라 비용까지 부담해야 합니다. 기대한 효과가 없을 때 개발 인력과 모델을 어떻게 할지도 불분명합니다.
가설이 입증되고 AI 도구가 기대한 효과를 내면 새로운 가설을 세울 수 있습니다. 향후 도구 사용료가 크게 늘어날 것으로 예상된다면 자체 모델 개발을 검토해 비용을 더 줄일 수도 있습니다. 다만 개발 비용이 전문 공급업체의 도구 사용료보다 실제로 적은지 먼저 평가해야 합니다.
제 조언은 기존 도구로 AI 활용의 좋은 결과를 얻고, AI가 장기적으로 문제 해결에 적합하다고 확신한 뒤에만 자체 머신러닝 제품 개발을 검토하라는 것입니다. 그렇지 않으면 프로젝트가 원하는 가치를 제공하지 못할 수 있습니다. 하버드 비즈니스 리뷰의 글에서 지적했듯, AI 열풍은 본래의 목표에서 주의를 돌릴 뿐일 수 있으며 그 목표에는 AI가 필요하지 않을 수도 있습니다.
5. AI 전문가와 상담하십시오
창업자와 사업주가 흔히 하는 또 다른 실수는 모든 일을 사내에서 해결하려는 것입니다. AI 수석 엔지니어나 연구자를 고용한 뒤 최첨단 제품을 만들 팀을 꾸립니다. 그러나 도입 전략이 제대로 정의되지 않았다면 그 기술은 회사의 목적에 도움이 되지 않습니다. 경험 많은 전문가보다 비용이 적게 든다는 이유로 주니어 머신러닝 엔지니어를 채용하는 경우도 위험합니다. 경험이 부족하면 시스템 설계·개발의 미묘한 문제를 놓쳐 초보적인 실수를 할 수 있습니다. 회사가 그 대가로 치르는 비용은 경험 있는 전문가 한 명을 고용하는 비용을 넘어서는 경우가 많습니다.
먼저 컨설턴트와 같은 AI 전문가 한 명을 확보해 도입 과정을 안내받고 평가받는 것을 권합니다. 전문가의 지식을 활용해 해결하려는 문제가 실제로 AI를 필요로 하는지, 가설을 입증하도록 기술을 효과적으로 확장할 수 있는지 확인하십시오.
초기 스타트업으로 자금이 걱정된다면 구체적인 질문을 정리해 LinkedIn의 AI 엔지니어에게 문의하는 방법도 있습니다. 머신러닝과 AI 전문가 중에는 해당 주제에 관심이 많고, 성공적으로 도운 사례를 컨설팅 포트폴리오에 활용할 수도 있어 도움을 주려는 사람이 많습니다.
마무리
AI 열풍 속에서 회사에 AI를 도입하고 한 단계 도약할 솔루션을 개발하고 싶은 마음은 자연스럽습니다. 그러나 모두가 AI를 이야기한다고 해서 자신의 회사에도 AI가 필요한 것은 아닙니다. 많은 기업이 명확한 목표 없이 서둘러 도입했다가 큰돈과 시간을 낭비합니다. 초기 기업이라면 존립을 위협할 수도 있습니다. 문제를 명확히 정의하고, 관련 데이터를 확보하고, 가설을 시험하며, 전문가의 도움으로 기존 도구를 활용하면 회사의 자금을 고갈시키지 않고 AI를 도입할 수 있습니다. 솔루션이 효과를 내면 점진적으로 확대하고 효율성이나 수익성을 높이는 영역에 AI를 적용하십시오.












