AI 상업에 대한 인프라 혁명이 필요하다

인공 지능의 상업적 적용은 놀라운 속도로 진행되고 있다. 소매 업계의 AI 투자는 급격히 증가하고 있으며, 2024年的 116억 달러에서 2030年까지 400억 달러 이상으로 증가할 것으로 예상된다.

새로운 모델이 빠른 속도로 출시되고 있으며, 벤더는 계속해서 기능을 확장하고 있으며, 소매 업체들은 이사회와 투자자로부터 AI를 운영에 tích극적으로 통합하고 있다는 것을 입증하도록 압력을 받고 있다.

표면적으로 이는 산업이 빠르고 결정적인 변화를 겪고 있는 것으로 보인다. 그러나 이러한 활동의 아래에는 대부분의 이니셔티브가 지원하지 못하는 시스템 위에层层적으로 쌓여 있다.

제한은 모델의 가용성이나 품질이 아니다. 그것은 모델 아래에 있는 인프라의 상태이다.

AI를 구현할 때 첫 번째 예산은 AI 자체에 투자되어서는 안 된다. 그것은 데이터 인프라라고 하는 “데이터 신뢰”에 투자되어야 한다. 이것은 시스템 간의 연결, 데이터 중복 제거, 실시간 업데이트를 포함한다.

이를 하지 않으면 왜 상업에서 AI가 실패하고, 왜 많은 노력이 초기에만 집중되는지 이해할 수 있다. AI를 성공적으로 구현하려면 인프라에서 시작해야 한다.

반면, 상업에서 대화 자체는 종종 모델을 선택하거나 높은 잠재력을 가진 사용 사례를 식별하는 것에 초점을 맞추기 때문에 한 단계 높은 수준에서 시작한다. 의미 있는 방식으로 이러한 결정들을 지원할 수 있는지 여부는 데이터 아키텍처에 거의 주목되지 않는다.

기반 데이터가 단편화되어 있다면, AI는 유해하거나 오도할 수 있는 출력만 생성할 것이다.

대규모 조직에서는 이 경향이 외부의 진행 상황을 표시해야 하는 필요성으로 강화된다. “AI를 사용하는 것”은 자체 목표가 되며, 모델을 도입하는 것이 가장 즉각적인 방법이 된다. 그러나 모델이 측정 가능한 가치를 생성하는지 여부는 고려되지 않는다.

이사회 수준에서 AI에 대한 기대는 개인화와 효율성 및 마진의 측정 가능한 개선의 형태로 가속화되고 있다. 그러나 시스템 수준에서 준비도는 이를 따라가지 못하고 있다. 이 격차가 지속될수록 이를 수정하는 데 더 많은 비용이 들게 된다. 기술의 계층이 바탕이 되는 기초 위에 추가된다. 이는 시스템이 작동하는 것을 지연시키고, 팀이 시스템을 구축하는 데 필요한 명확성을 얻는 것을 지연시킨다.

실제에서 “AI에 준비가 되지 않은” 모습

主要 문제는 시스템 간의 일관성이 결여된 것이다. 예를 들어, 단일 고객은 ERP 플랫폼, 전자 상거래 환경, 오프라인 또는忠誠度 시스템에서同时 존재할 수 있으며, 각 인스턴스는 서로 다른 기록과 가정들을 가지고 있다.

제품 데이터는 기술적으로 완전하지만, 모델이 이를 해석하거나 이유를 설명할 수 있는 contexto를 제공하는 데는 제한적이다. 데이터 품질이 나쁨으로 인한 비용은 조직당 거의 1,300만 달러로 추정되며, 이러한 제약이 얼마나 근본적인지 강조한다.

인간 팀은 시간이 지남에 따라 이러한 불일치를 극복하는 방법을 배운다. 시스템 간의 비공식적인 다리를 구축한다. 그러나 모델은 주어진 구조 내에서만 작동하며, 생성된 출력은 해당 구조에 의해 제한된다.

AI를 이 환경에 도입하면 출력이 부족한 것이 아니라 출력의 질이 점차 저하된다.

모델은 데이터를 처리하고 출력을 생성할 수 있지만, 시스템을 연결하지는 않는다.

실제로 이는 고객에게 실제 선호도나 의도와 일치하지 않는 방식으로 고객을 분류하는 개인화 엔진으로 나타날 수 있다.

AI 기반 시스템에서 고객 경험은 일반적으로 더 정밀하지만 관련성이 떨어진다.

이 일반적인 관련성에서 특정한 관련성이 떨어지는 방향의 전환은 보이는 것보다 더 해로울 수 있다. 이는 브랜드 자체를 고객이 어떻게 인식하는지 변경하기 때문이다. 최악의 경우, 이러한 시스템은 단순히 성과가 낮지 않다. 고객 경험을 능동적으로 저하한다.

대부분의 AI 파일럿이 왜 실패하는지, 그리고 무엇이 그 비용인지

이 동态는 상업에서 대부분의 AI 파일럿이 실험을 넘어서 진행하지 못하는 주요 이유 중 하나이다. 업계 데이터에 따르면, AI 이니셔티브 중 약 절반이 파일럿에서 생산 단계로 넘어간다. 이는 상당수 파일럿이 실험 단계에서 중단된다는 것을 의미한다.

문제는 투자나 의지의 부족이 아니다. 제약은 이러한 시스템의 출력이 확장할 수 있는 정당성을 제공하지 못할 때 발생한다.

그 시점에서 조직은 최적화를 계속 투자하거나 이니셔티브를 완전히 포기하는 선택을 해야 한다. 많은 경우, 환경이 일관된 결과를 지원할 수 없기 때문에 후자를 선택한다.

전체 산업에서 동일한 인프라 격차가 반복된다. 고객 데이터는 통합되지 않고 단편화되어 있다. 제품 정보는 존재하지만, 해석에 필요한 깊이는 없다. 시스템은 단일한 정보 흐름으로 작동하는 대신 병렬로 작동한다. 모델을 이 환경에 도입하면 이러한 문제를 확대한다.

이 접근 방식의 비용은 직접적인 비용을 넘어선다. 이는 추천이 전환되지 않음, 개인화가 일관적이지 않음, 자동화가 기존 오류를 증폭하는 시스템 전체적인 누적으로 나타난다.

시간이 지남에 따라 이는 조직 내에서 신뢰의 미묘하지만 중요한 침식을 tạo한다. 팀은 시스템의 신뢰성을 의심하기 시작하며, 기술의 추가적인 계층을 도입하여 보충하려고 한다. 결과는 작동하는 시스템을 구축하는 데 필요한 명확성을 얻는 것을 지연시킨다.

많은 회사들이 AI 파일럿을 구축하지만 넘어가지 않는 이유는 약한 기초 위에 구축하기 때문이다. 이는 나쁨 재료로 요리하는 것과 같다. 고든 램지의 레시피와 훌륭한 장비를 가지고 있더라도, 재료가 좋지 않으면 결과는 여전히 부정적일 것이다.

스타트업과 대규모 기업의 차이

중형 조직, 특히 중형 시장의 조직은 종종 AI를 효과적으로 구현하는 능력이 더 있다. 이는 그들의 시스템이 단편화되어 있지 않으며, 의사 결정 과정도 더 직접적이기 때문이다.

대규모 조직에서는 구조 자체가 잠재적인 장애물로 작용한다. 이니셔티브는 종종 외부의 기대에 대응해야 하는 필요성에 의해 주도된다. AI는 주의깊게 통합되는 기능이 아닌, 해결해야 하는 범주가 된다.

“AI를 구현하고 싶다”고 말하는 것은 공장을照明하기 위해 전기를 도입하는 것과 같다. 그러나 기계가 없으면 생산은 개선되지 않는다. 기술을 투자했지만, 실제로 무엇을 할지 모르는 것이다.

모델에서 인프라로의 전환

대안 접근 방식이 형성되고 있다. AI 모델에 초기 예산을 할당하는 대신, 데이터를 일관적이고 연결되며 지속적으로 업데이트되는 기반을 생성하는 데 투자한다. 목표는 의미 있는 결정들을 지원할 수 있는 데이터를 보장하는 것이다.

데이터 준비는 기계 학습 프로젝트에서 사용하는 시간의 최대 80%를 차지할 수 있다. 이는 모델 자체보다 데이터 계층에 얼마나 많은 작업이 있는지 강조한다.

이 프로세스는 일반적으로 기존 시스템의詳細한 매핑과 데이터 흐름 및 무결성의 격차를 식별하는 것으로 시작된다. 첫 30~60일은 조직 전체에서 정보가 어떻게 이동하거나 이동하지 않는지 이해하는 데 할애된다. 이는 데이터를 정리하고 중복을 제거하고 플랫폼 전체에서 정렬하는 통합 및 표준화 기간에 따른다.

다음 3~6개월 동안, 회사는 신뢰할 수 있는 데이터 파이프라인을 구축하고, 실제 사용 사례를 지원하는 고가치 시스템을 연결하는 데 중점을 둔다. 이 基盤이 구축된 후에야 AI를 일관된 결과를 생성할 수 있는 워크플로에 도입할 수 있다.

6~9개월 이내에, 이 접근 방식을 따르는 조직은 일반적으로 AI 기반 프로세스의 형태로 의미 있는 결과를 시작한다. 이러한 프로세스는 전환, 유지, 마진 개선과 같은 지표에 영향을 미친다. 이 시점에서 모델은 실험이 아닌 운영의 일부가 된다. 그들의 성능은 안정되고, 출력은 조직이 의존할 수 있을 만큼 작용할 수 있다.

상업에서 AI 투자의 가속화는 근시일 내에 느려지지 않을 것으로 보인다. 그러나 인프라 준비가 이를 지원할 수 있는지 여부는まだ 불확실하다. 기대와 시스템이 지원할 수 있는 것 사이의 격차는 이미 생산에 도달하지 못하는 파일럿의 증가하는 수에서 볼 수 있다. 이 격차를 해결하려면 이 중요한 인프라를 구축하는 데焦点을 맞추는 전환이 필요하다.

모델에서 인프라로의 대화는 동일한 즉각성이나 가시성을 갖지 않는다. 그러나 현재의 많은 제약이 존재하는 곳이다. 그리고 여기에서 AI 기반 상업의 다음 단계의 의미 있는 진행이 나타날 가능성이 있다.