2020.09.23

칼럼ㅣ선택의 여지 없다··· 'AI 퍼스트', 성공적으로 전환하려면?

Michael Bertha | CIO
고객 가치를 전달하고자 인력, 프로세스, 기술을 포지셔닝하는 방법을 정의하는 것이 운영모델이라면, ‘AI 퍼스트(AI-first)’ 운영 모델은 AI를 우선 사용해 제품, 프로세스, 경험에 인텔리전스와 자동화를 적용한다는 의미다. 

지난 7월 ‘메티스 스트래티지 디지털 심포지엄(Metis Strategy Digital Symposium)’에 참석한 전 세계 CIO 100여 명을 대상으로 실시한 설문조사에 따르면 ‘AI 퍼스트’ 운영 모델로 변화하는 추세가 뚜렷하게 나타나고 있다. 
 
ⓒGetty Images

설문조사에 참여한 CIO의 66%가 ▲ AI 활용 사례 파악, ▲ 파일럿 추진, ▲ 결과 개선 사례 확대에 주력하고 있다고 답했다. 지금 당장은 이를 위한 리소스가 없다고 말한 경우에도 약 60%의 CIO가 향후 계획을 하고 있다고 밝혔다. 

필자는 포춘 500대 기업과 협력하면서, ‘AI 퍼스트’로의 전환에 성공한 기업들이 공통으로 가지는 특징을 파악했다. 디지털 리더가 AI 전환을 시작하고, 가속화하며, 개선하기 위해 취할 수 있는 현명한 조치를 살펴본다. 

1. AI에 관한 이해를 표준화하라
미국의 식품업체 마즈(Mars)의 최고디지털책임자 샌디프 댄드라니는 ‘AI에 관한 이해’를 표준화하기 위해 전략적으로 접근하고 있다. 그는 “자신의 상황에 맞게 문제를 해결하면서 배울 수 있도록 돕는 비즈니스 중심적 접근방식을 위해 의도적으로 정규 AI 교육과정 개발을 늦췄다”라고 말했다. 

댄드라니에 따르면 팀들은 각 사업부 및 시장에서 먼저 해결해야 할 문제를 이해하는 것부터 시작했다. 그러고 나서 AI와 사용자 중심 개념을 적용해 문제를 해결했다. 

디지털 리더와의 브레인스토밍도 AI에 관한 이해를 높이는 데 도움이 될 수 있다. 수직축에는 AI 기술(예: 머신러닝 지도학습, 비지도학습, 자연어 처리 등)을, 그리고 수평축에는 비즈니스 문제를 배치한 간단한 매트릭스도 논의를 체계화하는 데 도움이 된다. 

그다음 퍼실리테이터(facilitator)가 각 기술의 가능성을 설명하고, 디지털 리더는 기존 비즈니스 문제를 다루기 위한 활용 사례를 브레인스토밍한다. 디지털 리더는 팀 내에서 이를 반복해 AI에 관한 이해가 전사적으로 퍼질 수 있도록 해야 한다.

2. AI가 어떻게 수많은 해결 방법을 만들어내는지 그리고 성과를 끌어내는지 정의하라 
간단하게 말하자면, 효과적인 전략은 ‘전략을 구사할 장소’와 ‘성과를 내는 방법’이라는 두 가지 질문에 답을 해준다. AI 퍼스트 기업은 AI를 활용해 성과를 도출할 수 있는 수많은 방법을 만들 수 있다. 

이를테면 개인화된 경험을 제공하거나 기하급수적으로 확장 가능한 기능을 만드는 것이다. 단 디지털 리더는 AI와 비즈니스 성과 간의 관계를 명확히 해야 한다. 이는 ‘바이-인(buy-in)’을 달성하는 데 필수적이기 때문이다. 

구체적으로 설명하자면, 기업은 AI 이니셔티브가 비즈니스 모델의 모든 측면에 미치는 영향을 정확하게 정의해야 한다. 고객 가치 제안(예: 고객이 구매하는 이유), 수익 창출 방법(예: 수익을 달성하는 방법), 핵심 리소스 및 프로세스(예: 가치를 만들고 전달하는 방법) 등이 여기에 포함된다. 

앞서 언급된 질문에 답하는 것 자체가 AI 이니셔티브에 자금을 조달하기 위한 전제조건인 경우가 많다. 그러나 경영진 혹은 현업의 공감을 얻을 수 있는 용어로 설명하지 못하는 리더들이 많다. 

필자는 핵심 이해당사자와의 일대일 미팅을 추천한다. 이를 통해 AI 투자가 어떻게 비즈니스 모델을 개선하고, 목표 성과를 이끌어낼 수 있는지 명확하게 설명할 수 있다. 

3. ‘AI 전환’을 방해하는 문제를 파악하라 
AI를 통해 비즈니스 성과를 낸다는 약속은 무척이나 매력적이지만 빠른 성과 창출과 전사적인 전환을 가로막는 장애물이 있다. 바로 기술적, 조직적 경직성(rigidities)이다. 

디지털 리더는 디지털 인프라를 강화하는 동시에 빠르게 성과를 달성할 수 있는 종합적인 로드맵을 수립해야 한다. 이를 원활하게 수립하도록 지원하는 몇 가지 권장 사항을 소개한다. 

‘부족(tribal)’을 중심으로 한 운영 모델 없애기
인정하든 인정하지 않든 대기업은 손익(P&L), 사업부(business units), 기능(functions)에 의해 규정되는 이른바 ‘부족(tribal)’으로 운영되는 경우가 많다. 특히 성과급이 이런 ‘부족’과 정렬돼 있기 때문에 전략 기획과 예산 할당이라는 측면에 있어 ‘우리 대 그들(us vs. them)’이라는 사고방식을 초래한다. 

그 결과, 특정 부족에 이익이 되는 결과를 유도하고자 서로 다른 데이터와 애플리케이션으로 구성된 기술 환경이 만들어진다. 바로 ‘사일로’다. AI 퍼스트 조직은 이러한 사일로를 넘어 표준화된 디지털 인프라로 기업을 재구성한다. 

예를 들면 마이크로소프트는 디지털 트랜스포메이션 전략을 추진하면서 IT 부문을 ‘코어 서비스(Core Services)’ 부문으로 리브랜딩했다. 사업부와 관계없이 전사적으로 운용되는 프로세스를 구축하는 데 사용할 구성요소를 제공하기 위해서다. 

데이터를 중앙 집중화 및 표준화하여 고객을 전체적으로 파악하기 
‘부족’ 구조의 결과로 조직 전체에 걸쳐 발생하는 서로 다른(그리고 호환되지 않는) 애플리케이션 및 데이터 소스는 여러 고객 접점을 연결하기 어렵게 만든다. 

많은 기업이 이런 문제점을 인정하고 있으며 이들은 모든 데이터 소스를 수집, 맥락화, 통합하며 고객에 관한 전방위적 관점을 개발하는 전사적인 데이터 플랫폼(또는 데이터 레이크)를 구축하는 프로그램을 추진하기 시작했다. 

이렇게 조직 프로세스를 아우르는 신뢰할 수 있는 데이터 소스를 활용해 기업은 지도학습 알고리즘에 바탕을 둔 AI 애플리케이션을 개발할 수 있다. 그리고 이를 통해 이탈 가능성이 있는 고객을 미리 파악하고 이들과 선제적으로 접촉할 수 있다. 

일회성 통합보다는 재사용성에 초점을 맞추기
기업은 전통적으로 특정 사업부나 기능을 대상으로 통합을 진행하거나 기능을 구축해왔다. 그러나 이로 인한 기능 중복, 유연성이 떨어지는 통합, 기술 자산의 복잡성 증가가 총 소유 비용을 늘리고 시장 출시 속도를 둔화시키는 문제를 초래했다. 

AI 퍼스트 기업은 재사용성(reusability)과 모듈화(modularity)를 활용해 소프트웨어 구성요소의 데이터와 라이브러리를 드러내는 중앙집중식 API 계층을 만들어 전사적으로 AI 애플리케이션을 신속하게 개발할 수 있도록 한다. 

이 모델에서 애플리케이션 개발은 처음부터 새로운 기능을 구축하는 것이 아니다. 기존의 기능을 보완하고 조율해 규모와 범위의 경제를 견인하는 것이 더 중요하다. 

이러한 문제들을 해결하기 위해서는 많은 돈과 시간이 필요하다. 그러나 이를 외면한다면 성공적인 전환 가능성을 해칠 수 있다. 시간을 투자해 이런 부분들을 평가하고 문제를 해결하기 위한 장기 로드맵을 마련해야 한다. 

4. AI 활용 사례를 파악하고 파일럿을 추진할 전담팀을 구성하라 
AI 활용 사례를 파악하는 데 집중할 전담팀을 구성해야 한다. 예를 들면 미국 보험사 올스테이트(Allstate)는 크로스펑셔널 팀(CFT)들이 모여 가치 흐름 맵핑과 디자인 띵킹을 결합해 AI를 활용할 기회를 파악하고 AI 기반 솔루션을 규정하는 AI 전담 전문가 그룹(CoE)를 만들었다. 

올스테이트 CTO 크리스 게이츠는 “이해당사자 간의 ‘교류’는 굉장히 유용하다. AI 아키텍트는 프로세스를 자세히 설명할 수 있고, 동시에 비즈니스 관련 지식을 넓힐 수 있다. 반면 프로세스 SME(subject matter experts)는 AI 활용 사례에 관해 더 많은 정보를 얻을 수 있다”라고 설명했다.

또한 AI 활용 사례를 파악할 때 AI가 제품, 프로세스, 경험을 더 지능적으로, 더 효율적으로 그리고 더 확장할 수 있도록 만드는 시나리오에 초점을 맞출 것을 권장한다. 

예를 들자면 헬스케어 시스템은 큐리AI(CurieAI)와 같은 AI 솔루션을 배포해 코로나19 환자의 호흡 패턴을 모니터링하는 프로세스에 ‘지능’을 통합할 수 있다. 이를 통해 증상이 악화되는 것을 사전에 파악할 수 있다. 효율성을 높이기 위한 목적으로 AI 챗봇을 배포할 수도 있다. 대기실 경험을 개선하는 데 도움을 주는 라이프링크(LifeLink) 같은 솔루션을 예로 들 수 있겠다.

AI를 통해 제품, 프로세스, 경험을 강화하는 것은 매우 흥미롭다. 기회가 무궁무진하기 때문이다. 그러나 자동화가 고객에게 미칠 수 있는 영향을 간과해서는 안 된다. 

테넷 헬스케어(Tenet Healthcare)의 CIO 파올라 아버는 “병원의 경우 환자 주변에 아무리 편리한 기술이 많다고 해도 사람과의 상호작용은 절대적으로 필요하다”라면서, “비즈니스 모델의 특정 요소는 반드시 유지돼야 한다”라고 강조했다. 병원이라면 환자와 의료진의 상호작용이 여기에 포함된다. 

파올라와 그의 팀은 적시에 적절한 데이터를 제공하는 방법으로 환자와 의료진의 상호작용을 강화하는 데 AI를 활용하고 있다. 흔히 ‘인간+머신(Human+Machine)’으로 지칭되는 이 공식은 최적의 경험을 전달하는 데 있어 사람 간의 상호작용이 중요한 많은 상황에 적용할 수 있다. 

또한 AI를 활용할 기회가 많아진다면 목표 비즈니스 성과를 달성할 확률과 실현 가능성이 가장 높은 기회를 대상으로 파일럿을 추진하라고 권장한다. 

우선, AI 전담팀이 이러한 평가 작업을 실시한 다음 디지털 운영위원회(혹은 유사한 전담 조직)의 검증을 받아 초기 자금을 확보하고 MVP(Minimum Viable Product) 개발을 추진해야 한다. 이후 디지털 운영위원회가 MVP 결과를 평가해 측정 가능한 가치가 포착됐는지, 이니셔티브를 확장할 타당성이 있는지를 결정한다. 

5. 결과를 개선하고 계속 학습해 나가는 ‘MVP’를 확대하라
가치를 포착하고 확장 가능성을 보여주는 MVP(Minimum Viable Product)가 형식을 갖춘 딜리버리 프로그램으로 확대돼야 한다. MVP를 더 많은 기능과 고객 세그먼트로 확장하면 더 많은 데이터가 수집될 것이다. 

또한 이는 알고리즘을 개선할 수 있는 수단이 늘어난다는 의미이기도 하다. 더 향상된 알고리즘은 더 나은 경험으로 이어지며, 궁극적으로는 사용량이 늘어난다(그리고 선순환이 시작된다). 

구독형 식료품 배달 앱을 예로 들어보자. 이 앱에서 처음 의도한 결과는 고객들이 더 많은 제품을 장바구니에 담도록 유도하는 것이었다. 사용자가 제품을 장바구니에 담으면 알고리즘이 유사한 장바구니를 가진 고객들이 과거 주문했던 물건들을 파악, 화면에서 이를 추천한다. 해당 고객은 이 추천 제품을 주문하거나 거부할 수 있다. 

이를 통해 표본 크기가 커지고 더 많은 고객 데이터(예: 인구통계, 주문 내역, 행동 등)를 분석하게 되면서 알고리즘이 개선됐고, 더 나은 추천을 할 수 있게 됐다. 

다시 말해, 고객의 쇼핑 경험을 개선했으며 앱 사용량이 늘어나는 결과를 낳았다. 또 이것이 선순환돼 더 많은 고객 데이터를 수집하게 됨으로써 알고리즘을 한층 더 향상시킬 수 있었다. 

디지털 리더를 위한 변곡점
의심할 여지 없이, 인공지능은 비즈니스 환경을 변화시켰으며 모든 규모의 디지털 네이티브 기업 혹은 디지털 전환을 이뤄낸 기업들에게 성공을 일궈낼 수 있는 새로운 방법들을 제공하고 있다. 

디지털 리더는 ‘데이터 드리븐(data-driven)’이라는 새로운 환경에서 성공할 수 있도록 사람, 프로세스, 기술 전반에 걸쳐 비즈니스를 장단기적으로 포지셔닝하고 있는지 자문해야 한다.

CRM 솔루션 업체 시벨 시스템(Siebel System)의 창업자이자 기업용 AI 소프트웨어 업체 C3.ai의 CEO인 톰 시벨은 앞으로 한 세기 동안 ‘기업 대멸종(corporate mass extinction)’이 있으리라 경고했다. 변화하는 환경을 받아들이지 못하는 기업은 2000년 이후 포춘 500대 기업에서 밀려난 52%의 기업과 같은 운명을 맞이하게 된다는 것이다. 

그렇다. 선택의 여지는 없다. 반드시 ‘AI-퍼스트’를 추진해야 한다는 이야기다.

* Michael Bertha는 전략 및 경영 컨설팅 회사 메티스 스트래티지의 전무이사다. ciokr@idg.co.kr
 



2020.09.23

칼럼ㅣ선택의 여지 없다··· 'AI 퍼스트', 성공적으로 전환하려면?

Michael Bertha | CIO
고객 가치를 전달하고자 인력, 프로세스, 기술을 포지셔닝하는 방법을 정의하는 것이 운영모델이라면, ‘AI 퍼스트(AI-first)’ 운영 모델은 AI를 우선 사용해 제품, 프로세스, 경험에 인텔리전스와 자동화를 적용한다는 의미다. 

지난 7월 ‘메티스 스트래티지 디지털 심포지엄(Metis Strategy Digital Symposium)’에 참석한 전 세계 CIO 100여 명을 대상으로 실시한 설문조사에 따르면 ‘AI 퍼스트’ 운영 모델로 변화하는 추세가 뚜렷하게 나타나고 있다. 
 
ⓒGetty Images

설문조사에 참여한 CIO의 66%가 ▲ AI 활용 사례 파악, ▲ 파일럿 추진, ▲ 결과 개선 사례 확대에 주력하고 있다고 답했다. 지금 당장은 이를 위한 리소스가 없다고 말한 경우에도 약 60%의 CIO가 향후 계획을 하고 있다고 밝혔다. 

필자는 포춘 500대 기업과 협력하면서, ‘AI 퍼스트’로의 전환에 성공한 기업들이 공통으로 가지는 특징을 파악했다. 디지털 리더가 AI 전환을 시작하고, 가속화하며, 개선하기 위해 취할 수 있는 현명한 조치를 살펴본다. 

1. AI에 관한 이해를 표준화하라
미국의 식품업체 마즈(Mars)의 최고디지털책임자 샌디프 댄드라니는 ‘AI에 관한 이해’를 표준화하기 위해 전략적으로 접근하고 있다. 그는 “자신의 상황에 맞게 문제를 해결하면서 배울 수 있도록 돕는 비즈니스 중심적 접근방식을 위해 의도적으로 정규 AI 교육과정 개발을 늦췄다”라고 말했다. 

댄드라니에 따르면 팀들은 각 사업부 및 시장에서 먼저 해결해야 할 문제를 이해하는 것부터 시작했다. 그러고 나서 AI와 사용자 중심 개념을 적용해 문제를 해결했다. 

디지털 리더와의 브레인스토밍도 AI에 관한 이해를 높이는 데 도움이 될 수 있다. 수직축에는 AI 기술(예: 머신러닝 지도학습, 비지도학습, 자연어 처리 등)을, 그리고 수평축에는 비즈니스 문제를 배치한 간단한 매트릭스도 논의를 체계화하는 데 도움이 된다. 

그다음 퍼실리테이터(facilitator)가 각 기술의 가능성을 설명하고, 디지털 리더는 기존 비즈니스 문제를 다루기 위한 활용 사례를 브레인스토밍한다. 디지털 리더는 팀 내에서 이를 반복해 AI에 관한 이해가 전사적으로 퍼질 수 있도록 해야 한다.

2. AI가 어떻게 수많은 해결 방법을 만들어내는지 그리고 성과를 끌어내는지 정의하라 
간단하게 말하자면, 효과적인 전략은 ‘전략을 구사할 장소’와 ‘성과를 내는 방법’이라는 두 가지 질문에 답을 해준다. AI 퍼스트 기업은 AI를 활용해 성과를 도출할 수 있는 수많은 방법을 만들 수 있다. 

이를테면 개인화된 경험을 제공하거나 기하급수적으로 확장 가능한 기능을 만드는 것이다. 단 디지털 리더는 AI와 비즈니스 성과 간의 관계를 명확히 해야 한다. 이는 ‘바이-인(buy-in)’을 달성하는 데 필수적이기 때문이다. 

구체적으로 설명하자면, 기업은 AI 이니셔티브가 비즈니스 모델의 모든 측면에 미치는 영향을 정확하게 정의해야 한다. 고객 가치 제안(예: 고객이 구매하는 이유), 수익 창출 방법(예: 수익을 달성하는 방법), 핵심 리소스 및 프로세스(예: 가치를 만들고 전달하는 방법) 등이 여기에 포함된다. 

앞서 언급된 질문에 답하는 것 자체가 AI 이니셔티브에 자금을 조달하기 위한 전제조건인 경우가 많다. 그러나 경영진 혹은 현업의 공감을 얻을 수 있는 용어로 설명하지 못하는 리더들이 많다. 

필자는 핵심 이해당사자와의 일대일 미팅을 추천한다. 이를 통해 AI 투자가 어떻게 비즈니스 모델을 개선하고, 목표 성과를 이끌어낼 수 있는지 명확하게 설명할 수 있다. 

3. ‘AI 전환’을 방해하는 문제를 파악하라 
AI를 통해 비즈니스 성과를 낸다는 약속은 무척이나 매력적이지만 빠른 성과 창출과 전사적인 전환을 가로막는 장애물이 있다. 바로 기술적, 조직적 경직성(rigidities)이다. 

디지털 리더는 디지털 인프라를 강화하는 동시에 빠르게 성과를 달성할 수 있는 종합적인 로드맵을 수립해야 한다. 이를 원활하게 수립하도록 지원하는 몇 가지 권장 사항을 소개한다. 

‘부족(tribal)’을 중심으로 한 운영 모델 없애기
인정하든 인정하지 않든 대기업은 손익(P&L), 사업부(business units), 기능(functions)에 의해 규정되는 이른바 ‘부족(tribal)’으로 운영되는 경우가 많다. 특히 성과급이 이런 ‘부족’과 정렬돼 있기 때문에 전략 기획과 예산 할당이라는 측면에 있어 ‘우리 대 그들(us vs. them)’이라는 사고방식을 초래한다. 

그 결과, 특정 부족에 이익이 되는 결과를 유도하고자 서로 다른 데이터와 애플리케이션으로 구성된 기술 환경이 만들어진다. 바로 ‘사일로’다. AI 퍼스트 조직은 이러한 사일로를 넘어 표준화된 디지털 인프라로 기업을 재구성한다. 

예를 들면 마이크로소프트는 디지털 트랜스포메이션 전략을 추진하면서 IT 부문을 ‘코어 서비스(Core Services)’ 부문으로 리브랜딩했다. 사업부와 관계없이 전사적으로 운용되는 프로세스를 구축하는 데 사용할 구성요소를 제공하기 위해서다. 

데이터를 중앙 집중화 및 표준화하여 고객을 전체적으로 파악하기 
‘부족’ 구조의 결과로 조직 전체에 걸쳐 발생하는 서로 다른(그리고 호환되지 않는) 애플리케이션 및 데이터 소스는 여러 고객 접점을 연결하기 어렵게 만든다. 

많은 기업이 이런 문제점을 인정하고 있으며 이들은 모든 데이터 소스를 수집, 맥락화, 통합하며 고객에 관한 전방위적 관점을 개발하는 전사적인 데이터 플랫폼(또는 데이터 레이크)를 구축하는 프로그램을 추진하기 시작했다. 

이렇게 조직 프로세스를 아우르는 신뢰할 수 있는 데이터 소스를 활용해 기업은 지도학습 알고리즘에 바탕을 둔 AI 애플리케이션을 개발할 수 있다. 그리고 이를 통해 이탈 가능성이 있는 고객을 미리 파악하고 이들과 선제적으로 접촉할 수 있다. 

일회성 통합보다는 재사용성에 초점을 맞추기
기업은 전통적으로 특정 사업부나 기능을 대상으로 통합을 진행하거나 기능을 구축해왔다. 그러나 이로 인한 기능 중복, 유연성이 떨어지는 통합, 기술 자산의 복잡성 증가가 총 소유 비용을 늘리고 시장 출시 속도를 둔화시키는 문제를 초래했다. 

AI 퍼스트 기업은 재사용성(reusability)과 모듈화(modularity)를 활용해 소프트웨어 구성요소의 데이터와 라이브러리를 드러내는 중앙집중식 API 계층을 만들어 전사적으로 AI 애플리케이션을 신속하게 개발할 수 있도록 한다. 

이 모델에서 애플리케이션 개발은 처음부터 새로운 기능을 구축하는 것이 아니다. 기존의 기능을 보완하고 조율해 규모와 범위의 경제를 견인하는 것이 더 중요하다. 

이러한 문제들을 해결하기 위해서는 많은 돈과 시간이 필요하다. 그러나 이를 외면한다면 성공적인 전환 가능성을 해칠 수 있다. 시간을 투자해 이런 부분들을 평가하고 문제를 해결하기 위한 장기 로드맵을 마련해야 한다. 

4. AI 활용 사례를 파악하고 파일럿을 추진할 전담팀을 구성하라 
AI 활용 사례를 파악하는 데 집중할 전담팀을 구성해야 한다. 예를 들면 미국 보험사 올스테이트(Allstate)는 크로스펑셔널 팀(CFT)들이 모여 가치 흐름 맵핑과 디자인 띵킹을 결합해 AI를 활용할 기회를 파악하고 AI 기반 솔루션을 규정하는 AI 전담 전문가 그룹(CoE)를 만들었다. 

올스테이트 CTO 크리스 게이츠는 “이해당사자 간의 ‘교류’는 굉장히 유용하다. AI 아키텍트는 프로세스를 자세히 설명할 수 있고, 동시에 비즈니스 관련 지식을 넓힐 수 있다. 반면 프로세스 SME(subject matter experts)는 AI 활용 사례에 관해 더 많은 정보를 얻을 수 있다”라고 설명했다.

또한 AI 활용 사례를 파악할 때 AI가 제품, 프로세스, 경험을 더 지능적으로, 더 효율적으로 그리고 더 확장할 수 있도록 만드는 시나리오에 초점을 맞출 것을 권장한다. 

예를 들자면 헬스케어 시스템은 큐리AI(CurieAI)와 같은 AI 솔루션을 배포해 코로나19 환자의 호흡 패턴을 모니터링하는 프로세스에 ‘지능’을 통합할 수 있다. 이를 통해 증상이 악화되는 것을 사전에 파악할 수 있다. 효율성을 높이기 위한 목적으로 AI 챗봇을 배포할 수도 있다. 대기실 경험을 개선하는 데 도움을 주는 라이프링크(LifeLink) 같은 솔루션을 예로 들 수 있겠다.

AI를 통해 제품, 프로세스, 경험을 강화하는 것은 매우 흥미롭다. 기회가 무궁무진하기 때문이다. 그러나 자동화가 고객에게 미칠 수 있는 영향을 간과해서는 안 된다. 

테넷 헬스케어(Tenet Healthcare)의 CIO 파올라 아버는 “병원의 경우 환자 주변에 아무리 편리한 기술이 많다고 해도 사람과의 상호작용은 절대적으로 필요하다”라면서, “비즈니스 모델의 특정 요소는 반드시 유지돼야 한다”라고 강조했다. 병원이라면 환자와 의료진의 상호작용이 여기에 포함된다. 

파올라와 그의 팀은 적시에 적절한 데이터를 제공하는 방법으로 환자와 의료진의 상호작용을 강화하는 데 AI를 활용하고 있다. 흔히 ‘인간+머신(Human+Machine)’으로 지칭되는 이 공식은 최적의 경험을 전달하는 데 있어 사람 간의 상호작용이 중요한 많은 상황에 적용할 수 있다. 

또한 AI를 활용할 기회가 많아진다면 목표 비즈니스 성과를 달성할 확률과 실현 가능성이 가장 높은 기회를 대상으로 파일럿을 추진하라고 권장한다. 

우선, AI 전담팀이 이러한 평가 작업을 실시한 다음 디지털 운영위원회(혹은 유사한 전담 조직)의 검증을 받아 초기 자금을 확보하고 MVP(Minimum Viable Product) 개발을 추진해야 한다. 이후 디지털 운영위원회가 MVP 결과를 평가해 측정 가능한 가치가 포착됐는지, 이니셔티브를 확장할 타당성이 있는지를 결정한다. 

5. 결과를 개선하고 계속 학습해 나가는 ‘MVP’를 확대하라
가치를 포착하고 확장 가능성을 보여주는 MVP(Minimum Viable Product)가 형식을 갖춘 딜리버리 프로그램으로 확대돼야 한다. MVP를 더 많은 기능과 고객 세그먼트로 확장하면 더 많은 데이터가 수집될 것이다. 

또한 이는 알고리즘을 개선할 수 있는 수단이 늘어난다는 의미이기도 하다. 더 향상된 알고리즘은 더 나은 경험으로 이어지며, 궁극적으로는 사용량이 늘어난다(그리고 선순환이 시작된다). 

구독형 식료품 배달 앱을 예로 들어보자. 이 앱에서 처음 의도한 결과는 고객들이 더 많은 제품을 장바구니에 담도록 유도하는 것이었다. 사용자가 제품을 장바구니에 담으면 알고리즘이 유사한 장바구니를 가진 고객들이 과거 주문했던 물건들을 파악, 화면에서 이를 추천한다. 해당 고객은 이 추천 제품을 주문하거나 거부할 수 있다. 

이를 통해 표본 크기가 커지고 더 많은 고객 데이터(예: 인구통계, 주문 내역, 행동 등)를 분석하게 되면서 알고리즘이 개선됐고, 더 나은 추천을 할 수 있게 됐다. 

다시 말해, 고객의 쇼핑 경험을 개선했으며 앱 사용량이 늘어나는 결과를 낳았다. 또 이것이 선순환돼 더 많은 고객 데이터를 수집하게 됨으로써 알고리즘을 한층 더 향상시킬 수 있었다. 

디지털 리더를 위한 변곡점
의심할 여지 없이, 인공지능은 비즈니스 환경을 변화시켰으며 모든 규모의 디지털 네이티브 기업 혹은 디지털 전환을 이뤄낸 기업들에게 성공을 일궈낼 수 있는 새로운 방법들을 제공하고 있다. 

디지털 리더는 ‘데이터 드리븐(data-driven)’이라는 새로운 환경에서 성공할 수 있도록 사람, 프로세스, 기술 전반에 걸쳐 비즈니스를 장단기적으로 포지셔닝하고 있는지 자문해야 한다.

CRM 솔루션 업체 시벨 시스템(Siebel System)의 창업자이자 기업용 AI 소프트웨어 업체 C3.ai의 CEO인 톰 시벨은 앞으로 한 세기 동안 ‘기업 대멸종(corporate mass extinction)’이 있으리라 경고했다. 변화하는 환경을 받아들이지 못하는 기업은 2000년 이후 포춘 500대 기업에서 밀려난 52%의 기업과 같은 운명을 맞이하게 된다는 것이다. 

그렇다. 선택의 여지는 없다. 반드시 ‘AI-퍼스트’를 추진해야 한다는 이야기다.

* Michael Bertha는 전략 및 경영 컨설팅 회사 메티스 스트래티지의 전무이사다. ciokr@idg.co.kr
 

X