대부분의 AI 투자에서 성과가 부족하거나 실패하는 이유

사람들과 기업들은 AI의 잠재력을 열망하고 있지만, 80%의 AI 프로젝트는 실패할 것으로 예상되며, 이는 열망이나 열의가 부족해서가 아닙니다.

AI는 모든 산업과 부문에 침투하고 있지만, 문제는 기업들이 이 기술적인 변화에 대해 충분히 준비하지 못하고 있다는 것입니다.

보스턴 컨설팅 그룹에 따르면, 전 세계적으로 3분의 1의 기업이 AI에 2500만 달러 이상을 투자할 계획입니다. 따라서, 기업들이 기술적인 솔루션을 계획 없이 도입하면 수백만 달러가浪費될 것입니다.

그러나, 강력한 변화 관리와 새로운 혁신을 지원하는 시스템, 그리고 측정 가능한 KPI를 통해 기업들은 AI의 성공을 달성할 수 있습니다.

AI의 세 가지 주요 이유를 살펴보겠습니다.

기술을 먼저 그리고 비즈니스 두 번째로

수많은 보고서와 연구, 특히 생성적 AI에 대한 연구는 AI 알고리즘과 프로그램의 속도와 인텔리전트한 유연성을 보여줍니다.

AI에 대한 많은 혁신이 이루어졌으며, 기업들은 최신 프로토タイプ를 도입하여 투자하기를 원합니다. 그러나, 이러한 투자는 불분명한 비즈니스 목표 또는 측정할 수 없는 영향을 초래할 수 있습니다.

실제로, 가트너는 2025년 말까지 최소한 30%의 생성적 AI 프로젝트가 데이터 품질이 낮고, 위험 통제가 불충분하며, 비용이 증가하거나 비즈니스 가치가 불분명한 이유로 중단될 것으로 예상합니다.

데이터 품질이 낮은 것이 가장 큰 장애물입니다. 데이터가 분리되어 있기 때문에, AI 솔루션의 효율성과 효과성을 최대화하는 데 어려움이 있습니다. 데이터가 분리되어 있으면, 팀은 중요한 전략적 의사 결정에 필요한 정보를 찾는 데 시간을浪費할 수 있습니다.

또한, 도구도 약화될 수 있습니다. 기계 학습 모델은 데이터가 분리되어 있고 오류가 있는 경우 제대로 작동하지 않습니다.

투자에 대한 긍정적인 ROI를 보장하기 위해, 기술적인 작업을 시작하기 전에, 기업들은 AI 솔루션이 해결하도록 의도된 특정 비즈니스 문제를 식별해야 합니다. 이는 측정 가능한 KPI와 목표를 설정하는 것을 포함합니다.

비즈니스 전략이 먼저이고, 기술적인 구현이 그에 따라 따라야 합니다. 궁극적으로, 기술적인 솔루션은 비즈니스 결과를 달성하는 수단으로서 작용해야 합니다. 또한, 비즈니스 필요는 본질적으로 AI와 다른 기술적인 구현의 뼈대입니다.

예를 들어, 물류 회사에서 AI를 활용하고자 하는 경우, 수요 예측을 최적화하고 차량 관리를 개선하여 이익을 증가시키는 데 필요한 목표를 설정할 수 있습니다.

기업들은 효율성을 개선하는 데 AI가 실제로 작용하는지 그리고 그 영향이 측정 가능한지 확인하기 위해 측정 가능한 목표가 필요합니다.

과도한 AI 구현

AI는 모든 것을 혁신할 수 있는 잠재력을 가지고 있으며, 이는 종종 은탄환으로 오해됩니다. 이는 비즈니스 리더들에게 과도한 자신감을 주어, 새로운 AI 시스템을 도입하고 비즈니스 프로세스에 통합하는 데 자신감을 갖게 합니다.

그러나, 문제를 한 번에 해결하려고 하는 시도는 종종 실패로 이어집니다. 대신, 기업들은 작은 규모부터 시작하여 전략적으로 확장하여 더好的 결과를 얻을 수 있습니다.

예를 들어, 월마트는 기계 학습 알고리즘을 점진적으로 도입하여 재고 관리를 최적화했습니다. 결과는 재고 과잉이 30% 감소하고, 선상 가용성이 20% 증가했습니다.

이를 도와주기 위해, 기업들은 AI 구현을 위한 ‘승리 구역’ 프레임워크를 채택해야 합니다. 이는 팀이 현재 운영과 미래의 혁신 사이에서 균형을 잡아야 함을 이해하는 데 도움이 됩니다.

이 프레임워크는 비즈니스 활동을 4개의 구역으로 나눕니다. 성과, 생산성, 부화, 그리고 변革 구역입니다. AI는 모든 것을一度에 혼란시키지 않으며, 부화 구역은 AI 기술을 실험하기 위한 전용 공간을 제공합니다.

예를 들어,冷藏 물류 회사에서 AI를 구현하는 경우, 다음과 같이 ‘승리 구역’ 프레임워크를 적용할 수 있습니다:

• 성과 구역: 회사 의 핵심 비즈니스 운영, 즉 창고 스케줄링과 상품 배포는 수익을 창출하는 데 핵심입니다. 창고 효율성을 개선하여滯留 시간을 줄이고, 배달을 증가시키는 데 대한 KPI가 우선순위입니다.
• 생산성 구역: 내부 프로세스를 개선하여 효율성을 높이고 비용을 절감하는 데 도움이 됩니다. 예를 들어, 예측 분석과 실시간 분석 도구를 통합하여 감금료를 줄일 수 있습니다.
• 부화 구역: 회사에서 특정 창고에서 데이터 주도 도구를 시험하여, 미래의 수익 흐름이 될 수 있는 혁신을 결정할 수 있습니다.
• 변革 구역: 회사에서 디지털 변화를 조직 전체에 확대하여, 비즈니스 결과를 반복적으로 창출하는 데 필요한 디지털 인프라를 구축합니다.

이 프레임워크는 리더십이 현재 운영과 미래의 AI 주도적인 기능之间의 자원 할당에 대한 의사 결정을 내리는데 도움이 됩니다. 이는 AI 투자가 너무 많은 부서와 프로세스에 걸쳐져서 실패할 가능성이 있는 문제를 피하는 데 도움이 됩니다.

사용자 채택의 부족

기업들은 AI와 기계 학습의 모든ประโยชน을 활용하려고 하지만, 사용자들이 이를 사용하는 것을 고려하지 않고 있습니다. 가장 복잡한 AI 솔루션도 사용자들이 기술을 이해하지 못하면 실패할 수 있습니다. 이는 신뢰와 포괄적인 교육에 달려 있습니다.

AI를 통합하는 데 중요한 요인은 작동화입니다. 즉, AI 도구가 워크플로에 연결되고 비즈니스 프로세스에 주류화되는 것을 의미합니다.

他の 도구, 예를 들어 CRM은 전체 프로세스를 최적화하고 제어합니다. 이는 교육을 쉽게 만들어줍니다. 그러나, 생성적 AI는 전체 프로세스를 지원하는 대신, 더 세부적인 ‘작업 수준’에서 작용합니다. 이는 사용자들이 각기 다른 작업에 대해 AI를 조금씩 다르게 적용할 수 있습니다.

루스 스벤슨, KPMG UK의 파트너는 포브스에 “생성적 AI는 프로세스 수준이 아닌 작업 수준에서 작용하기 때문에, 교육 격차를 쉽게 볼 수 없습니다”라고 말했습니다. 따라서, 직원들은 AI 도구를 사용하지만, 비즈니스 목표에 어떻게 기여하는지 이해하지 못할 수 있습니다.

변화 관리는 사용자 채택에 중요합니다. 변화 관리를 통해, 직원들이 새로운 기술을 채택하는 데だけでなく, 작업과 비즈니스 프로세스에 대한 전체적인 영향도 이해할 수 있습니다.

적절한 변화 관리 없이, 기업들은 AI 도구의 사용자 채택에 실패할 수 있으며, 기술 격차를 악화시키고, 비효율성과 오류를 증가시킬 수 있습니다.

변화 관리를 위해, 기업들은 자격을 갖춘 리더십 팀을 지정하여 이 운동을 주도해야 합니다. 리더들은 작업 수준에서 교육 격차를 식별하고, 직원들에게 특정 작업에 대한 맞춤형 교육을 제공하거나 조직해야 합니다.

목표는 직원들이 새로운 시스템에 대한 이해와 자신감을 갖도록 하는 것입니다. 그러면, 이해와 수용이 따라오고, 기업들은 기술의 广泛한 채택과 더好的 적용을 누릴 수 있습니다.

이번 십년의 정의하는 기술인 AI는, 작동화 없이는 影響을 계속浪費할 것입니다. 그러나, 변화 관리를 강화하고, AI 구현을 천천히 진행하며, 측정 가능한 KPI를 사용하면, 기업들은 AI에 صرف하는 돈이 아니라, 이익을 얻을 수 있습니다.