생성형 AI가 우리를 인공지능의 전환점으로 이끌었다

생성형 AI(GenAI)의 접근성 덕분에 인공지능(AI)이 대중적으로 인기를 얻기 전에는 머신러닝과 관련된 데이터 통합과 준비가 유행하는 비즈니스 우선순위 중 하나였다. 과거 기업과 컨설턴트는 특정 활용 사례를 위한 일회성 AI/ML 프로젝트를 만들었지만, 결과에 대한 신뢰가 제한적이어서 이러한 프로젝트는 거의 전적으로 IT 팀 안에서만 진행되었다. 초기 AI 활용에는 전담 데이터 과학자 팀과 결과를 얻기 위한 많은 시간과 노력이 필요했다. 투명성도 부족했으며 대부분의 프로젝트는 성공하지 못했다.

개발자들이 기술에 익숙해지고 자신감을 얻으면서 AI와 머신러닝(ML)은 더 자주 활용되기 시작했다. 그러나 모델 구축, 데이터 정제와 입력, 결과 검증의 복잡성 때문에 여전히 주로 IT 팀이 사용했다. 오늘날 생성형 AI는 전 세계의 업무와 일상에서 피할 수 없는 기술이 되었고, AI 기술은 대중에게도 접근 가능해졌다. 우리는 이제 AI의 전환점에 서 있다. 어떻게 여기까지 왔으며, 왜 생성형 AI가 광범위한 도입을 이끌었을까?

인공지능에 대한 진실

“OpenAI”와 “ChatGPT”가 널리 알려진 이름이 되면서, GenAI에 대한 대화는 모든 곳에서 발생하며, 종종 피할 수 없다. 비즈니스 사용 사례인 챗봇, 데이터 분석, 보고서 요약부터 개인 사용 사례인 여행 계획 및 콘텐츠 생성까지, GenAI는 빠르게 가장 많이 논의되는 기술이 되고 있으며, 그 발전 속도는 다른 기술 혁신보다 빠르다.

대부분의 사람들이 인공지능에 대해 알고 있으며, 일부는 그것이 어떻게 작동하고 구현될 수 있는지 알고 있지만, 공공 및 민간 부문 조직은 기술의 모든 이점을 실현하는 데 아직도 뒤처지고 있다. Alphasense의 데이터에 따르면, 실적 발표 콘퍼런스콜의 40%에서 인공지능의 이점과 흥분을 강조했지만, 6개 중 1개(16%)의 S&P 500 회사만이 분기별 규제 보고서에서 인공지능을 언급했다. 이것은 인공지능의 재정적 영향은 무엇이며, 얼마나 많은 회사들이 정말 인공지능의 채택에 투자하고 있는지 질문을 제기한다.

단지 유행이라는 이유만으로 인공지능 도입에 뛰어들기보다는, 기업은 인공지능이 내부적으로 및 고객에게 가치를 제공할 수 있는지, 사용자에게 어떤 문제를 해결할 수 있는지 생각해야 한다. AI 프로젝트는 일반적으로 비싸며, 회사가 사용 사례와 ROI를 제대로 평가하지 않고 인공지능을 사용하기 시작하면, 시간과 자금의 낭비가 될 수 있다. 고객 대상 비공개 사전 체험은 제품 시장 적합성을 확인하고 특정 사용 사례의 관련 ROI를 검증하여 AI 솔루션의 가치 제안을 시장에 출시하기 전에 검증하는 제어된 방법을 제공한다.

인공지능에 투자하기 전에 공급업체가 알아야 할 사항

인공지능에 투자할 것인가, 하지 않을 것인가? 이것은 SaaS 공급업체가 AI 솔루션 개발에 전적으로 투자하기 전에 고려해야 할 중요한 질문이다. 옵션을 저울질할 때, 가치, 속도, 신뢰, 규모를 생각해야 한다.

가치를 속도와 균형시킨다. 단순히 AI 솔루션을 언급하는 것만으로 고객이 감동할 가능성은 낮다. 대신, 측정 가능한 가치를 원할 것이다. SaaS 제품 팀은 실제 비즈니스 필요나 문제가 있는지, 그리고 AI가 적절한 솔루션인지 묻기 시작해야 한다. 네모난 말뚝(AI)을 둥근 구멍(현재 제공하는 기술 제품)에 억지로 끼워 넣으려 하지 말자. AI가 최종 사용자에게 가치를 추가하는 방법을 모르는 경우, 해당 기능에 대해 누군가가 지불할 것이라는 보장은 없다.

신뢰를 구축하고 확장한다. 시스템을 변경하는 데 많은 신뢰가 필요하다. 공급업체는 AI 솔루션의 규모를 확장하기 전에 먼저 신뢰 구축을 우선해야 한다. 투명성과 데이터 모델 및 결과에 대한 가시성은 마찰을 해결할 수 있다. 사용자가 모델 소스를 클릭하여 솔루션의 통찰력이 어떻게 파생되는지 볼 수 있도록 하자. 대부분의 유명한 공급업체는 또한 AI 채택을 위한 모범 사례를 공유하여 잠재적인 어려움을 완화하는 데 도움이 될 수 있다.

기술 공급업체를 위한 일반적인 장애물: AI 에디션

AI 여정을 시작할 준비가 된 조직을 위해, 최적의 영향을 보장하기 위해 피해야 할 몇 가지 함정이 있다. 집단적 사고를 피하고, 어디로 가는지 모르는 채로 군중을 따르지 마라. AI 채택에 대한 명확한 전략을 가지고 있으므로 최종 목표를 반영하고 전략이 조직의 사명과 고객 가치와 일치하는지 확인할 수 있다.

AI 제품을 시장에 출시하는 것은 쉬운 일이 아니며, 실패가 성공보다 많다. 보안, 경제, 인재 리스크가 많다.

보안 문제만 고려하면, AI 모델은 종종 민감한 자료와 데이터를 보유하고 있으므로, SaaS 조직은 이를 관리할 수 있는 능력을 갖추어야 한다. 고려해야 할 사항은 다음과 같다:

• 민감한 자료 처리: 일반적인 목적의 대규모 언어 모델(LLM)과 민감한 자료를 공유하면 다른 사용자에게 민감한 자료가 의도치 않게 유출될 위험이 있다. 회사에서는 내부 및 외부 사용자를 위한 민감한 자료 보호를 위한 모범 사례를 정의해야 한다.
• 데이터 저장 및 개인 정보 보호 영향: 공유 문제 외에도, AI 시스템 내에서 민감한 자료를 저장하면 데이터가 침해되거나 무단 접근될 수 있다. 사용자는 데이터를 안전한 위치에 저장하고 데이터 침해를 방지하기 위한 보호 장치를 마련해야 한다.
• 부정확한 정보 완화: AI 모델은 대량의 데이터를 수집하고 종합하며, 부정확한 정보가 쉽게 퍼질 수 있다. 올바르고 정확한 정보가 공유되도록 모니터링, 감독, 인간의 검증이 필요하다. 비판적 사고와 분석은 잘못된 정보를 피하는 데 중요하다.

보안 영향 외에도, AI 프로그램은 상당한 자원과 예산이 필요하다. 효율적이고 효과적인 AI 개발에 필요한 에너지와 인프라의 양을 고려하라. 이것은 고객에게 명확한 가치 제안을 가지기 위해 중요하다. 그렇지 않으면, 제품 개발에 투입된 시간과 자원은 낭비된다. 조직이 AI를 시작하는 데 필요한 기반을 가지고 있는지, 그렇지 않다면 뒤처진 부분을 보완하는 데 필요한 예산을 파악해야 한다.

마지막으로, 인재와 기술 수준의 리스크를 무시해서는 안 된다. 일반적인 AI 개발에는 전담 데이터 과학자, 개발자, 데이터 엔지니어 팀뿐 아니라 업무 분석가와 제품 관리 인력가 필요하다. 그러나, 생성적 인공지능을 사용할 때, 이전에 언급된 보안 리스크로 인해 추가적인 보안 및 규제 감독이 필요하다. AI가 장기적인 비즈니스 목표가 아니라면, 인재를 모집하고 재교육하는 비용은 불필요하게 높을 것이며, 좋은 ROI를 가져다주지 않을 것이다.

결론

인공지능은 앞으로도 계속 사용될 것이다. 그러나, 전략적으로 생각하지 않고 흐름에 편승해 AI 프로젝트에 자금을 투입한다면, 조직에 이익보다 해가 더 클 수 있다. 이 새로운 AI 시대는 이제 시작되었으며, 많은 위험은 아직 알려지지 않았다. 조직에서 AI 개발을 평가할 때, 내부 및 외부 고객에게 인공지능의 가치를 명확히 하고, AI 모델에 대한 신뢰를 구축하며, 위험을 이해해야 한다.