사상 리더

어떻게 그리고 언제 해결하기: 비즈니스 전략을 AI 채택에 주입하기

Boobesh Ramadurai
Unite.AI를 Google의 선호 소스에 추가
AI Business Applications
핵심 포인트기업은 데이터 품질이 AI 성능에 막대한 영향을 미치기 때문에, 무엇보다도 견고한 데이터 생태계 구축을 최우선으로 해야 합니다.
더 보기
  • 기업은 데이터 품질이 AI 성능에 막대한 영향을 미치기 때문에, 무엇보다도 견고한 데이터 생태계 구축을 최우선으로 해야 합니다.
  • 일반적인 AI 도입 트렌드를 좇기보다는, AI가 해결할 구체적인 비즈니스 문제를 식별해야 합니다.
  • 오픈소스 LLM은 통제력과 유연성을 제공하지만, 보안 위험 관리와 팀 역량 강화가 필요합니다.

인공지능(AI)은 이사회 논의가 효과에 대한 논쟁에서 도입 가속화로 옮겨가는 전환점에 도달했다. 변화의 속도가 앞으로 다시는 지금만큼 느리지 않을 것이라는 점을 생각하면 흥미로운 시기다. BCG에 따르면 세계 경제의 불확실성에도 불구하고 2023년 혁신은 기업의 최우선 과제 중 하나로 떠올랐으며, 기업의 79%가 혁신을 상위 세 가지 목표에 포함했다.

그러나 혁신 자체만을 위한 혁신은 건전한 사업 전략이 아니다. AI 열풍에 휩쓸린 조직은 장기적인 가치를 창출하는 해결책 대신 과장된 기대에 투자할 위험이 있다. 이 차이를 이해하려면 현재의 역량을 면밀히 살피고 단기적인 유행보다 지속 가능한 성장을 우선하는 인내가 필요하다.

골디락스 구간: 적절한 균형 찾기

기업의 역사에는 중요한 순간의 전략적 결정이 존속을 좌우한 사례가 많다. 예를 들어 아마존은 닷컴 붕괴에서 살아남았다. (AMZN ) 다른 기업들이 내일이 없는 것처럼 현금을 소진할 때 아마존은 회계 전략을 조정하고 준비 자금을 늘리는 일이 중요하다는 점을 인식했다. 대중적인 열기가 높을수록 건전한 사업 판단은 더욱 중요하며, 미래를 계획하려면 가능한 모든 시나리오를 면밀하게 검토해야 한다.

경영진 사이에는 AI의 기회를 놓칠지 모른다는 두려움, 즉 FOMO가 널리 퍼져 있다. 동시에 아무것도 하지 않는 것, 다시 말해 지나친 분석 때문에 행동하지 못하는 것 역시 실제 위협이라는 사실이 상황을 복잡하게 만든다. 코닥의 사례를 생각해 보라. 다음은 너무 빠르거나 느리게 투자하지 않고 지속 가능한 혁신의 적정 지점을 찾으려는 기업이 고려할 세 가지 사항이다.

1. 먼저 데이터의 성장에 집중하라

어떤 기계든 가치가 어디에서 나오는지 알려면 내부 작동 방식을 이해해야 한다. AI는 완성된 제품이 아니다. 대규모 언어 모델(LLM)은 패턴과 맥락, 언어의 미묘한 차이를 학습하기 위해 방대한 양의 다양한 데이터에 의존한다. LLM의 규모와 복잡성을 고려하면 여러 분야와 작업에서 효과적으로 작동하기 위해 광범위한 학습 데이터가 필요하다. 데이터의 품질과 양은 LLM의 성능에 큰 영향을 미치며, 나아가 기업의 AI 도구 전반에도 영향을 준다.

따라서 AI 전환을 계획하는 기업에는 더 견고한 데이터 생태계를 구축하는 것이 현명한 첫 투자다. 이 데이터는 LLM이 성장하고 발전하는 토대가 된다. 이 과정에서 고품질 데이터는 더욱 중요해진다. 적은 데이터로도 LLM이 역량을 발휘할 수 있다는 연구 결과가 있지만, 전문가들은 이제 “데이터의 품질과 다양성이 목표와의 정렬뿐 아니라 LLM 학습의 다른 영역인 사전 학습, 미세 조정, 행동을 원하는 방향으로 유도하는 능력 등에 미치는 영향은 실로 막대하다”고 말한다.

2. 사업상 활용 사례를 정하라

AI는 폭넓은 외부 활용 가능성을 지니지만, 대부분의 기업은 내부 프로세스를 최적화하는 데 더 집중한다. 여기서 핵심은 ‘최적화’다. AI 소프트웨어를 설치하기만 하면 마법처럼 결과가 개선될 것이라고 기대해서는 안 된다. 성공적인 활용 사례에는 데이터를 분석해 고객 행동, 시장 동향, 잠재적 위험에 관한 가치 있는 통찰을 얻는 일이 포함된다. 수작업을 자동화해 직원들이 더 높은 수준의 업무에 시간을 쓸 수 있도록 하는 등 내부 활동을 효율화하는 데도 효과가 입증됐다.

즉, 어떤 AI 모델을 사용할지 고민하느라 시간을 낭비하기보다 AI로 해결해야 할 구체적인 문제에 집중해야 한다. 먼저 개선하려는 결과를 정하고 영향을 주려는 핵심성과지표(KPI)를 설정한 다음, 거꾸로 어떤 AI 도구가 그 목표를 달성할 수 있는지 판단하는 것이다. MIT의 글로벌 경영진 AI 설문조사에 따르면 AI로 새로운 KPI를 만드는 응답자의 90%가 KPI가 개선됐다고 말했다. “AI가 제공하는 정보를 반영한 이러한 KPI는 사업상 이점을 제공하고 새로운 역량을 보여 준다. 효율성과 재무적 이익을 높이는 경우가 많으며, 더 상세하고 시간적 요구를 반영하며 조직의 목표와도 부합한다.”

3. 오픈 소스 LLM으로 맞춤형 AI 도구를 구축하라

직접 만들 것인가, 구매할 것인가? 맞춤형 AI 솔루션을 만드는 일이 어렵게 느껴질 수 있어 많은 기업은 독점 LLM을 제공하는 외부 업체에서 라이선스를 구매한다. 그러나 라이선스는 LLM의 사용 방식을 제한할 수 있고 비용도 시간이 지날수록 매우 커질 수 있다. 반면 오픈 소스 LLM은 무료이며, 개발자가 기본 아키텍처에 접근해 기업의 구체적인 필요에 맞게 구축하고 수정할 수 있다.

기업들이 민감한 정보를 자체 네트워크에 보관하고 데이터에 대한 통제력을 유지하려 하면서 오픈 소스 모델 생태계의 인기가 높아졌다. 오픈 소스 LLM은 이러한 투명성과 유연성을 제공하며 지연 문제를 줄이고 성능을 높이는 이점도 있다. IBM과 NASA는 최근 기후 변화에 대응하는 과학자들을 돕기 위해 지리공간 데이터로 학습한 오픈 소스 LLM을 공동 개발했다. 이는 접근성과 포용성을 높이고 협력을 강화하는 과학 공동체를 만들기 위한 NASA의 10년간의 오픈 사이언스 이니셔티브의 일환이다.

다른 오픈 소스 기술처럼 오픈 소스 LLM에도 위험이 있다. 보안 정보 유출과 침해, 부정확하거나 결함이 있는 정보로 인한 환각과 편향, 악의적인 행위자의 의도적인 데이터 조작 등이 이에 해당한다. 그러나 오픈 소스 모델은 점점 더 똑똑하고 안전해지고 있다. 이에 일부 전문가는 오픈 소스 LLM이 곧 최고의 폐쇄형 LLM 수준에 도달할 것으로 보고 있으며, 조기 도입과 팀의 역량 향상에 시간과 자원을 투자할 근거가 된다고 생각한다.

AI 도입은 마라톤 속 여러 차례의 빠른 단거리 달리기다

최근 수치에 따르면 미국에는 약 1만 5,000개의 AI 기업이 있으며, 이는 2017년의 두 배가 넘는다. 전 세계적으로는 그 수가 거의 네 배로 늘었다. 이렇게 많은 공급업체와 주목받는 신생 기업들이 서비스를 홍보하니 기업들이 어디에 시간과 돈을 투자해야 할지 결정하기 어려운 것도 당연하다. 그러나 자신의 필요와 혁신의 위험 및 보상을 신중하게 평가하면, 경영진은 기업을 지속 가능한 성장의 미래로 이끌 적절한 AI 조합을 찾을 수 있다.

LatentView Analytics의 기술 사업 부문 책임자인 Boobesh는 분석, 데이터 과학, 디지털 마케팅, 데이터 시각화 분야에서 실무 경험을 갖춘 리더입니다. 실행 가능한 인사이트를 제공하는 혁신적인 솔루션을 만드는 고성과 팀을 구축하여 기술 분야 고객의 성장을 이끄는 데 집중하고 있습니다.