AI 붐이 결정적인 중년기를 맞이했다: 기업이 알아야 할 것

중학교 시절은 누구에게나 최고의 시기였던 적이 없다. 그러나 우리는 모두 성장의 고통을 겪으면서 더 나은, 더 성숙한 버전의 자신이 되기 위해 그것을 통해 지나가야 했다.

현재의 AI 붐은 자신의 험난한 청소년기를 맞이하고 있다. 이는 전문가들이 “중년기”라고 부르는 실험과 성숙 사이의 기간이다. 초기의 호기심은 사라졌고, 이제 기업들은 AI를真正로 운영 가능하게 만들기 위해 집중하고 있다. 그러나 AI는 어려운 시기에 성장하고 있다. 예측은 모두 다르며, 비즈니스와 소비자 모두가 회의적이고, AI 버블이 확대되는 것에 대한 논의로 기업 리더들은 경각심을 가지고 있다.

이 결정적인 순간에, 기업들은 실험에서 실제 적용으로, 또는 실제 적용에서 운영의 普遍性으로 노력의 방향을 전환해야 한다. 이것은 기업들이 제어할 수 있는 구체적인 요소들, 즉 인프라와 데이터 준비도에 집중하고, 결과를 측정하고, 확장의 기초를 마련하는 것을 필요로 한다.

인프라 우선 접근법

진정한 AI 준비도는 지속 가능한 AI 워크로드 배포를 지원하는 적절한 인프라를 필요로 한다. 자연스럽게, AI는 클라우드 서비스 수요를 높여왔다. 클라우드 지출은 올해 40% 증가할 것으로 예상되며, 인프라는 예산에서 가장 비싼 항목이 될 것이다. 또한 새로운 데이터 센터는 모든 대륙에서 등장하여 증가하는 AI 컴퓨팅 수요를 충족하기 위해 노력하고 있다. 이 AI 전환점에서 인프라 선택은 존재에 관한 것이다. 인프라는 무엇이 안전한지, 무엇이 가능한지, 그리고 무엇이 실제로 비즈니스에ประโยชน을 줄 것인지 정의한다.

지속 가능한 인프라는 비용과 총 컴퓨팅 파워만으로 정의되지 않는다. 기업들은 AI 워크로드를 호스팅하기 위해 어디서, 어떻게 할 것인지 결정할 때, 자원 효율성, 보안, 가시성 및 전체 가격 대 성능을 고려해야 한다. AI 인프라는一度적인 투자가 아니라, 각 프로젝트의 요구에 따라 진화할 수 있는 과정이어야 한다.

이것은 역사적인 클라우드 지출 접근법과는 현저한 차이를 보인다. 현재의 AI 붐 이전에, 기업들은 종종 단일 클라우드 서비스 제공업체, 즉 하이퍼스케일러에 의존하여 클라우드 기반 운영을 호스팅했다. 그러나現在, AI 워크로드의 복잡성과 다양성은 이 모델을 도전하고 있으며, 특히 기업들이 더 실제적인 사용 사례로 이동하고, 대체 클라우드가 수요를 충족하기 위해 등장할 때 더욱 그렇다.

현代적인 AI 이니셔티브는大量의 컴퓨팅 파워를 필요로 한다. 빅 3은 이를 제공하기에 적절하다. 그러나 모든 것이 너무 많아질 때, 문제가 발생한다. 하이퍼스케일러 계약은 비용이 많이 들고, 불필요한 추가 기능으로 부풀려질 수 있으며, 민감한 프로젝트에 필요한 데이터 보안 및 거주지를 제공하지 않을 수 있다.

기업들은 단일 벤더에 의존하지 않고, 대신 다양한 제공업체, GPU 유형 및 공용/사용자 정의 클라우드 설정을 통해 자신의 스택을 구성할 수 있다. 이렇게 하면 기업들은 필요하지 않은 기능에 대한 비용을 지불하지 않으면서도 필요한 기능에 대한 비용을 지불할 수 있다.

인프라 우선 접근법은 확장성을 위한 안정적인 기초를 만들기 위한 것으로, 효율성과 유틸리티를 최대한화하면서 동시에 파워를 희생하지 않는다.

실험에서 적용으로

과거 몇 년 동안, 전 세계의 비즈니스들은 AI를 자신의 운영에 어떻게 적합하게 할 수 있는지 실험해 왔다. 호기심과 어느 정도의 호재에 의해 추진되어, 그들은 혁신의 경계를 넓히고, 효율성의 새로운 가능성을 열어주고, 수많은 오픈 소스 도구와 모델의 잠재력을 높였다. 그러나 그들은 또한 현실과 부딪혔고, 실리콘 밸리의 “빨리 움직이고 깨지기” 철학이 항상 최선의 방법은 아니라는 것을 알게 되었다. 특히 강력한 기술인 AI의 경우에는 더욱 그렇다.

現在, 기업들이 실험 단계에서 벗어나고 있다. 실패는 선택이 아니다. 정확성은 중요하다. 성능은 지연될 수 없다. 기업들이 핵심 비즈니스 기능을 AI 프레임워크로 재구성하려면, 그들은 “지루한” 부분에 더 집중해야 한다. 즉, AI를 창의적인 실험에서 성과를 내는 힘으로 만드는 부분에 더 집중해야 한다. 이러한 부분에는 다음이 포함된다:

• 데이터 보안 및 개인 정보 보호: 많은 AI 모델은 효과적으로 작동하기 위해 민감한 개인 및 비즈니스 데이터를 사용한다. 기업들은 자신의 데이터가 안전하게 호스팅되고, 무단 복제 또는 “dark AI” 노출의 위험이 없다는 것을 확신해야 한다.
• 모델 수명 주기 관리: 모델은 정확하고 최신 상태이며, 정기적으로 재학습되어야 한다. 이를 통해 비즈니스 기능을 지원할 수 있다.
• 성능 일관성: 모델을 내부 사용이나 고객용 운영에 배포하는 경우, 일관된 성능은 효율성과 사용 편의성에 중요하다. 많은 일반적인 성능 문제는 인프라 수준에서 해결된다.

현재, 37%의 기업만이 새로운 생성 모델을 매월, 매주 또는 매일 배포하고 있다. 더 많은 기업들이 적용 단계로 이동함에 따라, 이 비율은 크게 증가할 것이며, 이는 컴퓨팅 파워에 대한 수요를 증가시키지만, 또한 특정 모델에 맞춘 인프라를 필요로 한다. “가벼운” 모델은 하이퍼스케일러 수준의基础를 필요로 하지 않지만, 민감한 정보를 사용하는 경우에는 그 정도의 보안이 필요할 수 있다. 이것이 커스텀 클라우드가 필요한 이유이며, 또한 인프라가 기업의 AI 전환에서 주요 고려 사항이어야 하는 이유이다.

적용에서 확장으로

비즈니스들이 더 성숙한 단계에 있다면, AI의 실제 적용은 이미 그들의 일상적인 부분이다. 이제, 그들은 이러한 적용을 확장하여 더 큰 가치를 창출하고 기업을 완전히 발전시키고자 한다.

압박이 가해지고 있으며, 이점은 명확하다. 81%의 기업이 AI 성숙도最高 수준에 도달한 경우, 지난 1년 동안 더 나은 재무 실적을 보였다. 이것은 AI 적용이 가장 큰 스트레스 테스트를 받는 단계이다. 그들은 제한된 환경에서 통과할 수 있지만, 더 많은 데이터를 처리할 수 있는가? 새로운 지역에서 작동할 수 있는가? 그리고 가장 중요한 질문은, 의미 있는 결과를 驅動할 수 있는가?

확장은 더 크게 성장하는 것을 의미하지만, 어떤 경우에는 적은 것이 더 낫다. 이 단계의 비즈니스들은 특정 도메인에 집중된 작은 언어 모델(SLM)이 더 일반적인 다목적 대형 언어 모델(LLM)보다 더 잘 작동할 수 있는지 고려해야 한다. AI 이니셔티브는 실제 비즈니스 문제에 연결되고 측정 가능한 결과를 驅動할 때 가장 성공적이다.

AI 에이전트의 적용과 확장에서도 유사한 패턴이 발생한다. 특정 도메인에 대한 작업을 수행하는 에이전트들은 집중적으로 유지 관리되는 데이터셋으로 정보를 제공받아 실제 영향을 미친다. 그러나 이러한 에이전트들은仍然大量의 컴퓨팅 파워를 필요로 한다. 초기에 모든 것을 할 수 있는 에이전트보다 적은 파워가 필요할 수 있다. 초기에 인프라를 우선적으로 고려하면, 기업들은 클라우드 예산을 불안정하게 만들지 않고 실제 ROI를 얻을 수 있다.

영향력 있는 혁신

AI “경주”는 경주보다 재건이다. 만약 우리가 기업을 재건하고 있다면, 우리는 그것을 견고한基础 위에 재건하고 싶다. 그렇지 않으면, 벽은 결국 무너질 것이다. 기업들은 인프라에 대해 신중하게 생각하고, 데이터 보호를 보장하고, 모델 수명 주기를密接하게 관리하고, 성능을 모니터링하며, 통찰력을 수집하고 조정을 해야 한다.忍耐力과 지속성이 실제로 작동하고, 안전하고, 일관되게 수행되는 솔루션을 만들기 위한 핵심이다.

AI의 호재는 사라지고 있지만, 기업들은 그들이 가장 중요하게 여기는 것, 즉 결과에 의해 팀을 활성화함으로써 AI의 험난한 중년기를 극복할 수 있다.