인공지능(AI)과 머신러닝(ML) 등 지능형 기술의 확산으로 자동화 될 수 있는 일은 모두 자동화를 향해 가는 세상. 사람과 AI가 협력할 방안은 없는 걸까? 인공지능과 머신러닝을 어디에 먼저 적용해야 하며, 정말 효과는 있는지 지금 바로 확인하세요.
AI와 일반적인 실수, 성공의 기준, 새로운 역량의 활용 방안 등을 확인하세요.
글쓴이: 마크 티얼링크(Marc Teerlink)
사회심리학자 쇼샤나 주보프(Shoshana Zuboff) 하버드 대학교 교수는 이런 말을 했죠. “자동화 될 수 있는 건 모두 자동화해야 한다.” 주보프 교수의 관점은 특히 “지식 근로자” 업무에 적용됩니다. 전문 인력과 지식 근로자의 업무는 보통 송장 대사, 무상보증 기간 연장, 재고율이 급락할 때 재고보충 수준 결정, 신규 고객 확보로 이어질 가능성이 높은 기회에 집중하는 등의 전술적 의사결정입니다.
“2024년까지 인공지능 같은 지능형 기술을 활용해 지난 20년 전부터 유지해 온 비즈니스 프로세스와 제품 내부의 업무를 80% 재발명하거나 디지털화, 제거할 전망입니다.”
이런 의사결정을 자동화할 방안을 생각해 보면 인공지능의 한 부분인 머신러닝(기계학습)을 인간의 의사결정과 병행하는 일이 딱 맞아 보입니다. 오늘날 의사결정과 그에 따라 발생하는 다양한 단계가 실시간 가용성, 데이터, 알고리즘을 기반으로 꾸준히 조정됩니다. 이들 지식 근로자를 위한 배경 정보는 데이터 포인트로부터 보다 즉시 제공되어 관련 프로세스를 지원하죠.
이처럼 새로운 데이터는 새로운 가치를 창출하는 디지털 (프로세스) 변혁의 원동력이 되는 지름길을 제시합니다. 인공지능(AI)은 데이터가 필요한 질문에 답하도록 돕습니다. AI가 머신러닝(ML)을 활용한다면 이는 소프트웨어를 계속해서 업데이트 하거나 다시 프로그래밍 할 필요가 없다는 뜻입니다. ML은 AI와 완벽한 조화를 이루며 업데이트 된 데이터 포인트에서 수집한 지속적인 학습을 토대로 변경사항을 적용합니다. 실제로 필수적으로 이해해야 할 내용은 데이터가 모든 것을, 특히 자동화를 바꾼다는 사실입니다.
비즈니스를 위해 구축된 AI로 민첩성과 예측력 강화 | SAP 뉴스센터 블로그
인공지능(AI)이 지금처럼 연일 헤드라인을 장식하며 흥미로운 때는 없었습니다. 그러나 많은 기업에 있어 AI를 비즈니스 효과로 전환하는 일은 어렵습니다. 내부 전문지식이 부족하기 때문이죠. 그래서 비즈니스를 위해 구축된 AI가 필요합니다.
이야기를 이어가기에 앞서 AI의 정의부터 공유하는 게 필수적이죠. 한 마디로 AI는 “한 가지” 기술이 아닙니다. 일종의 프로세스 지식이죠. 다시 말해 다양한 기법과 기술, 도구, 일련의 훈련 데이터를 조합한 개념입니다. ML과 블록체인, 데이터 인텔리전스, 빅데이터, 사물인터넷, 예측분석, 프로세스 자동화, 대화형 AI 흐름 등을 떠올려 보세요.
“인공지능은 한 가지 기술이 아니라 전문가나 지식 근로자의 업무를 완수하도록 증강(혹은 자동화)하기 위해 지식을 내장한 일련의 기술을 조율합니다.”
데이터 과학과 ML 기법을 적용한 AI를 활용하면 기계가 결정을 내리도록 하거나 조치에 필요한 강력한 제안을 제시할 수 있습니다. 이러한 이유로 향후 3년 이내에 업무 프로세스의 상당 부분(약 50%)이 완전 자동화 될 것이라고 자신있게 말할 수 있죠. 일단 기존 프로세스가 자동화 되면 신규 프로세스도 만들게 되며 프로세스 중심의 세상은 데이터 중심의 세상으로 이동합니다. 데이터에서 얻은 통찰을 토대로 기업은 새로운 프로세스를 만들고 기존 프로세스는 재정비하며 프로세스 경험을 디지털화 합니다.
예컨대 제품을 구입하는 고객을 떠올려 보세요. 예전에는 상당히 직선적인 프로세스였죠. 광고를 보고 점포에 가서 구입한다. 지금은 연구와 쇼핑이 구매 의사결정에 있어 완전히 별개일 수 있습니다. 소셜 콘텐츠가 확산되면서 우리의 쇼핑 방식을 바꾸고 구매 결정은 가격이 좌우하죠.
이런 상황에 어떻게 대처할까요? AI 기술 스택 내에서 머신러닝이 가장 강력한 출발점일 수 있습니다. 뒤를 이어 대화형 봇과 지능형 로봇 프로세스 자동화(iRPA)가 있는데 특히 밀레니얼 시장을 공략하고자 한다면 중요합니다. 여러 연구 결과 밀레니얼 세대의 참여를 유도하는 최상의 방안은 잘 조율된 채팅과 소셜, 메시징 등이라고 합니다. (최악은 계속 전화하는 거죠.)
그렇다면 신기술 확산에 따른 모든 근본적인 변화와 마찬가지로 질문이 떠오르네요. “인공지능과 머신러닝을 어디에 먼저 적용해야 하며, 정말 효과는 있는 걸까?”
빨리 도입한 기업이 앞서 나가
머신러닝(ML)은 인공지능을 실현하는 기반 기술 중 하나라서 SAP와 이코노미스트 인텔리전스 유닛(EIU)은 ML에 관한 최초의 실질적인 보고서를 내놓았습니다. 좋은 소식은 AI와 ML을 적용하면 기업의 매출과 수익이 늘고 경쟁우위도 확보한다는 사실이죠. “머신러닝 제대로 활용하기: 빨리 배운 기업들의 5가지 교훈“이라는 보고서에서 보고서 집필진은 얼리 어답터(조기 도입 기업)를 패스트 러너(빠른 학습 기업)로 명명하고, 이들 기업이 더 나은 사업 성과를 달성하고 있다고 밝힙니다.
- 48%가 ML 적용에 따른 최고의 효과로 수익성 제고(6% 매출 신장)를 꼽아
- 36%는 ML을 컨택 센터와 마케팅, 데이터 처리 및 분석, 연구개발 등 고객 대면 및 제품 개발 업무에 구현 중
- 41%는 ML이 고객 만족 증대로 이어진다고 밝혀
분명히 이처럼 확실한 숫자를 기반으로 ML은 얼리 어답터에게 효과를 주고 있으며 이들 기업은 ML이 롱테일 효과도 제공한다고 봅니다. 이번 조사에 참가한 클리프 저스티스(Cliff Justice) KPMG 혁신 및 기업용 솔루션 책임자는 심지어 “AI와 머신러닝은 우리 평생 목격한 그 어떤 파괴적 혁신보다 훨씬 더 중대한 방식으로 비즈니스 모델에 영향을 준다”고 전합니다.
생성 AI, 본격적인 도약을 위해서는 6G가 필수 | SAP 뉴스센터 블로그
챗GPT(ChatGPT) 열풍으로 세간의 큰 관심을 끌고 있는 생성 AI. 기업이 AI 모델을 보다 효율적이고 책임 있게 관리하려면 대규모 글로벌 데이터를 실시간으로 수집하고 연결하는 6세대(6G) 브로드밴드 인터넷 및 모바일 기술이 필수입니다. 미래에 대비할 방안을 확인하세요.
성공에 필요한 건 뭐? 전략적 명확성
- 머신러닝에는 많은 양의 고품질 데이터가 필요합니다. 대다수 조직에서 이런 데이터는 재무, 물류, 영업 등 기존 비즈니스 애플리케이션에 담겨 있죠. 이들 시스템의 데이터는 이미 오랜 동안 수집, 정제, 보관해 오고 있습니다. 따라서 의미 있고 유용한 예측 모델을 만드는 데 필요한 풍부한 데이터가 있죠.
- 머신러닝은 소수의 변수를 적용하며 오류를 명확히 파악해 빨리 수정할 수 있어서 알고리즘을 추가 개선할 수 있는, 촘촘하게 정의된 의사결정을 하루에도 수천 번 내려야 하는 경우 가장 효과적입니다.
- 새로운 프로세스나 문화 개편이 요구되는 문샷보다는 기존 업무 프로세스의 일환으로 유기적인 자동화가 가능한 의사결정이 바로 머신러닝을 가장 쉽게 구현할 수 있는 경우입니다.
변화관리저널의 2011년 기사에 따르면 변화관리가 실패하는 중요한 이유는 변화를 통해 얻고자 하는 가치체계와 변화를 겪는 조직 구성원의 가치체계의 불일치입니다. 전략적 명확성이 성패를 좌우하는 것으로 보입니다. 조직 변화관리 활동의 가장 주목할 만한 (그래서 더욱 실망스러운) 측면은 낮은 성공률입니다. 모든 범주의 변화관리 프로젝트의 70%가 실패한다는 상당한 증거가 있습니다.
패스트 러너를 이해하려고 할 때 분명한 사실은 이들 기업이 소수의 변수를 적용하며 오류를 명확히 파악해 빨리 수정할 수 있어서 알고리즘을 추가 개선할 수 있는, 촘촘하게 정의된 의사결정을 하루에도 수천 번 내려야 하는 경우 AI와 ML은 가장 효과적이라는 사실을 조기에 깨달았다는 점입니다.
이번 ML 조사의 배경이 되는 연구를 살펴 보면 패스터 러너와 나머지 기업 간의 격차가 흥미롭습니다. 눈에 띄는 차이는 10점 차이를 보인 “전략의 명확성 결여” 부분입니다. 높은 수준의 전략적 명확성을 보인 기업일수록 정보력이 높고 기술의 가능성과 한계에 관해 보다 현실적인 기대를 하는 것으로 보입니다.
패스트 러너의 신념 체계를 더욱 깊이 파고들면 이들 기업은 여정 초반에 촘촘하게 정의된 의사결정 항목이 있고 하루에도 수천 번 결정을 해야 하며 변수가 얼마 안되고 잘못된 결정을 분명히 파악할 수 있어 빨리 수정해 알고리즘을 추가로 개선할 수 있을 때 머신러닝이 가장 효과적이라는 사실을 깨달았습니다. 예컨대 “이 인보이스와 관련된 은행 지급결제 내역은?” 같은 질문이 “장기적인 폐암 생존률을 높일 방안은?”과 같은 질문보다 ML을 적용해 구현하기 훨씬 쉽습니다. 반복되는 작은 문제를 해결할 때 큰 성과로 이어질 수 있습니다.
기업이 지금 AI와 ML을 구현하는 기본 방식
- 비정형 송장, 서식, 이메일 등에서 (제품명, 금액, 통화 단위, 수취인, 주소 등) 관련 지급결제나 주문 데이터 추출
- 세무 규정 준수를 위해 거래 분류
- 사용량을 토대로 계약 갱신 시기 예측
- 이동 중 재고의 입고 지연을 예측하고 필요한 조치 수행
- 자동화 시스템이 제대로 작동하도록 보장하기 위해 재고실사 최적 기간 산출
- 고객 서비스 요청을 가장 적임자 팀에 전달
- 새로운 규정 문서를 프로세스나 제품 설명과 비교해 속성, 변경사항, 영향 등을 분류, 하이라이트
- 두 건 이상의 계약서를 비교하거나 빨간 줄로 표시해 계약 조건의 상충이나 차이 파악
패스터 러너인가, 전략적 명확성인가?
AI가 경제를 자동화하고 일자리를 없앨 것이라는 흔한 오해가 퍼져 있습니다. 오히려 AI 증강으로 직원이 실제로 서비스 프로세스에서 보다 인간적인 일을 하고 자신의 재능을 활용해 창의적인 가치를 창조할 수 있습니다. 일자리 감소에 대해 심각한 경고를 하는 이들은 AI를 자동화로 착각한 나머지 AI의 가장 큰 효과를 놓치고 맙니다. AI 증강, 다시 말해 인간과 AI가 상호 보완하며 일하는 방식이 효과적이죠.
패스트 러너는 머신러닝이 대체한 업무가 생기면 조직 내에서 보다 고부가가치 업무에 집중하도록 직원 재교육을 실시합니다. 인공지능이 진가를 발휘하는 경우는 완전히 새로운 프로세스나 급격한 문화 개편이 요구되는 문샷보다는 기존 업무 프로세스를 지원하도록 의사결정을 유기적으로 자동화나 증강할 수 있는 경우입니다.
“인간의 일자리를 뺏는 새로운 기계를 만들 재능이 인간에게 있다면 다시 인간에게 일자리를 제공할 재능도 있다고 우리는 믿습니다.” — 존 F. 케네디
대화형 AI를 적용하면서 프런트 데스크 팀을 멍하게 만들던 매일 반복되는 “와이파이 비밀번호가 뭐예요?” 같은 질문에서 해방되자 이 호텔 회장은 이렇게 말했습니다. “AI는 사람을 더욱 사람답게 만듭니다. AI는 비즈니스의 인간다움을 회복합니다.”
결론적으로 AI는 인간의 일을 전부 대신하지 못하고 업무의 일부를 증강합니다. 어쩌다 한 두 가지 업무를 자동화할 수는 있죠. AI가 언제 어떤 일을 할지는 사람이 정해야 합니다. 인간이라는 요소, AI의 증강, AI를 적용할 경우 중요한 전략적 명확성 등이 확보되어야 사람과 AI는 유기적으로 함께 일하며 부가가치를 창출합니다.
어디서부터 시작할까요? AI가 대체하는 업무에 종사하던 직원을 재교육해 조직 내에서 더 고부가가치 업무를 수행할 수 있도록 하는 데 집중하세요. 로봇은 일처리를, 사람은 생각하게 합시다!
- 원문 – Marc Teerlink, The Quick Guide to Artificial Intelligence and Machine Learning, SAP Innovation Spotlight, Medium