AI에 성공하는 13%의 기업은 무엇이 다를까?··· 8가지 비밀

인공지능이 CIO를 모든 임원의 의제로 부상했다. 하지만 변혁적인 비즈니스 가치를 이끌어내고 위해서는 감안해야 할 것들이 많다. 

AI의 잠재력은 실로 크다. 동시에 과제도 만만치 않다. 지난 여름 공개된 딜로이트(Deloitte)의 조사에 따르면 기업 중 61%는 AI가 향후 3년 동안 산업을 혁신할 것으로 기대하고 있다. 매킨지는 지난 11월 조차에서 효과적인 리더, AI 프로젝트에 대한 높은 집중도, 명확한 AI 비전과 전략을 갖춘 기업들이 이 변화를 통해 가장 큰 혜택을 입을 수 있을 것으로 전망했다.

특히 중요한 차별점이 있다. AI를 대규모로 배치할 수 있는 능력이다. 경쟁 우위에 서게 될 기업들은 다양한 AI 애플리케이션을 여러 팀들을 거쳐 배치할 수 있는 기업들이다. 캡제미니(Capgemini)의 2020년 AI 실태 보고서에 따르면 현재까지 조직 중 13%만이 그렇게 할 수 있었다.

이미 AI로부터 실질적인 혜택을 누리고 있는 전문가들이 인공지능 프로젝트를 비즈니스 가치로 전환하는 팁을 공유했다.
 

비즈니스 혁신에 집중하라

3년 전, GE가 AI 여정을 시작하던 초기에는 최소한의 실행 가능한 프로젝트로 시작해야 했다. 지금은 비즈니스 자체의 혁신의 일환으로 AI를 활용하는 것이 더 중요하다.

“작은 사일로에서 절감되는 재고분의 양을 최적화하며 200~300만 달러를 절약할 수 있지만 회사 전반에 걸쳐 가치가 창출되지는 않는다”라고 GE의 CTO 수석 부사장 콜린 파리스는 말했다. 다음 단계는 GE가 배운 것을 바탕으로 고객들에게 같은 서비스를 제공하는 것이었다.

하지만 AI를 활용하여 비용을 절감하던 것에서 AI를 활용하여 비즈니스를 성장시키는 쪽으로 방향을 전환하려면 전략을 근본적으로 바꿔 비즈니스 혁신에 집중해야 한다. GE에서는 AI를 활용하여 린(Lean) 제조 원칙을 활용하는 것을 의미한다. AI와 린을 활용하면 변화에 대한 내부적인 저항이 감소한다.

파리스가 “우리는 오랫동안 제조업에 린을 적용했다. 이제 직원들은 자신의 일자리가 사라지지 않을 것이라는 사실을 알고 있다”라고 말했다.

AI의 한계를 파악하라
AI 프로젝트가 확장되고 회사의 핵심이 되면서 관련된 위험도 함께 증가한다. 특정 문제에 대해 훈련을 받은 AI 시스템이 약간 다른 문제에 적용되면 결과가 최적이 아니거나 심지어 위험할 수 있다.

파리스는 “우리는 이것을 겸손한 AI(humble AI)라 부른다. 상황이 바뀌면 그 AI 모델을 사용하지 않는다. 이전의 모델로 돌아간다. 겸손함이란 떠나야 할 때를 아는 것이다. 이를 통해 비즈니스 위험이 제한된다. 그리고 도입률이 증가한다”라고 말했다.

GE의 ‘겸손한 AI’ 접근방식의 또 다른 측면은 AI가 근거를 설명하도록 하는 것이다. 예를 들어, 기술자가 풍력 터빈에서 데이터를 얻으면 전통적으로 매뉴얼의 타워 진동과 비교하여 풍속을 살펴보며, 매뉴얼을 참고한다. 하지만 AI 시스템은 해당 데이터를 가져다 곡선을 구성하고 기술자에게 터빈에 피치 베어링 문제가 발생했다고 알려준다. 설명 가능한 AI는 이 곡선을 기술자에게 보여주고 매뉴얼에서 관련된 정보가 있는 페이지를 가져온다.

파리스는 “AI가 설명하고 있다. 그리고 기술자는 이것을 보고 ‘조금 다른데’ 또는 ‘그렇네, 이렇게 해볼까’라고 이야기할 수 있다”라고 말했다.

즉 AI는 기술자가 더 신속하게 해결책을 찾고 이것이 실제로 효과가 있다고 생각하도록 돕는다. 파리스는 “증강 지능, 지원 지능이 중요하다. 사람을 대체하는 것이 아니라 돕는 것이다”라고 말했다. 이를 통해 AI를 대규모로 도입할 수 있게 된다고 그는 덧붙였다.

이해관계자와 고객의 말에 귀를 기울이라
어떤 기업들은 AI 시스템의 유용한 결과를 제공하도록 하기 위해 핵심 AI 팀 외에 다른 도움이 필요하다. 여느 프로젝트와 마찬가지로 데이터, 결과, 모델에 대한 요건 수집부터 시작된다.

헬씨 네바다 프로젝트(Healthy Nevada Project)의 수석 데이터 사이언티스트 짐 멧칼프는 “모든 이해관계자가 오후 내내 세부사항을 검토하고 쿼리(Query) 요건을 문서화하는 화이트보드 회의부터 시작한다”라고 말했다. 그의 팀은 심장병 환자들을 대하는 프로토콜을 개발하면서 이런 교훈을 얻었다.

이 프로젝트를 위해서는 환자들이 퇴원 시 처방받은 약에 대한 정보를 수집해야 했다. 하지만 스타틴(Statin) 등의 일부 의약품은 환자가 처음 입원했을 때 처방받고 환자가 퇴원할 때도 계속 처방된다. 이로 인해 시스템은 이런 의약품이 심근 경색 입원과 관련된 새로운 의약품이 아니라 환자가 이미 복용하고 있는 지속적인 처방약이라고 가정했다. 이 문제는 의약품의 수가 예상보다 적다는 것이 발견된 후에야 이 문제가 발견됐다.

멧칼프는 “팀은 처음부터 관련된 모든 당사자들과 더욱 상세하게 논의할 수 있었다면 이 문제를 훨씬 일찍 해결할 수 있었을 것이다. 우리의 데이터 사이언스 팀은 아무것도 가정하면 안 된다는 것을 배웠다. 우리는 누군가 키보드를 만지기 훨씬 전부터 쿼리 요건을 꼼꼼하게 조사하고 논의하며 문서화한다”라고 말했다.

기업 지출 관리 플랫폼 제공 기업 쿠파(Coupa)의 경우 고객을 통해 사기를 감지하는 새로운 방법을 발굴하고 있다. 쿠파의 제품 전략 및 혁신 부사장 도나 윌첵은 “우리 업계의 접근방식은 지출 사기를 개별적으로 살펴보는 것이었다”라고 말했다.

하지만 한 영역에서 속이는 직원은 다른 영역에서도 속일 가능성이 높다. 조달 전문가 및 재무 감사자와의 대화를 통해 그녀는 사기 감지의 비밀이 요주의 인물들을 살펴보는 것이라는 사실을 발견했다. 쿠파는 현재 기업들이 보고하는 사기 행동의 예를 수집한 후 이런 실질적인 예를 AI 시스템에 추가하고 있다.

더 이상의 개념 증명은 없다
기술이 새로울 때는 개념 증명(POC)이 필요했다. 하지만 지금은 AI 여정을 실험으로 시작할 필요성이 감소했다고 글로반트(Globant)의 데이터 및 AI 기술 책임자 JJ 로페즈 머피가 말했다.

그는 “각 실험은 돈, 시간, 정치적 영향력 측면에서 비용이 높다. 4개의 POC로 아무런 성과를 얻지 못하면 사람들은 AI를 더 이상 신뢰하지 않는다”라고 말했다.

대신에 기업들은 성과가 있는 프로젝트를 진해해야 한다고 그가 말했다. “생산에 적용되지 않았으며 사용되고 있지 않다면 가치가 없는 것”이라는 설명이다.

가트너의 분석가 위트 앤드류스는 이에 동의하면서 기업들이 대신에 최소한의 성공 가능성이 있는 제품을 만들어야 한다고 제안했다. 그는 “위험이 조금 더 높다. 하지만 이를 통해 계속 진행할 수 있다. 용량과 기능만 추가하면 된다”라고 말했다.

가트너의 2020년 조사에 따르면 AI로 성공한 기업들은 평균 4.1건의 시범 프로젝트를 진행하는 것으로 나타났다. 성공하지 못한 기업들은 5.2건의 POC를 진행한다. 그는 “우리는 ‘벽에 던져서 무엇이 달라붙는지 보자’는 단계는 지나갔다”라고 말했다.

복합적인 팀
가트너의 보고서에 따르면 AI 프로젝트에서 ‘상당한 가치’를 얻은 조직들의 경우 AI팀에 프로젝트 관리자, 전략가, 다양한 배경과 관점을 가진 사람들을 포함하여 14%나 많은 역할을 포함시키고 있는 것으로 나타났다.

앤드류스는 “성공한 기업들의 가장 보편적인 습관은 잘 결합된 팀을 활용하는 것이다”라고 말했다.
 

테크 데이터(Tech Data)는 바다오리의 개체 수를 세는 AI 프로젝트하고 있으며, 이를 위해 하드웨어 전문가를 영입했다. 테크 데이터의 글로벌 데이터 및 IoT 솔루션 부사장 클레이 데이비스는 “내셔널 지오그래픽 프로그램을 보면 바다오리 수천 마리가 서로 가까이 붙어있다. 우리는 바다오리의 개체 수를 세는 일을 해야 했다”라고 말했다.

테크 데이터에는 데이터 사이언티스트팀이 바다오리 개체 수를 셀 수 있는 모델을 개발하고 있었으며, 카메라와 컴퓨팅 장비를 선택하는 별도의 하드웨어 전문가팀도 있었다.

그는 “먼 곳에서 이미지를 촬영하는 카메라 같은 물리적인 하드웨어가 있으면 현장에서 연산을 하는 것이 더 효과적일 때도 있고 그렇지 않을 때도 있다. 그리고 현장에서 연산을 하면 사용하고 있는 하드웨어가 데이터 사이언티스트들과 구축한 모델을 처리하기에 충분해야 한다”라고 말했다.

3개월 후, 선택한 하드웨어가 데이터 사이언티스트들이 만든 모델을 구동할 수 없는 것으로 드러났다. 그는 “이제 다시 시작해야 한다. 새 하드웨어를 구매하거나 데이터 사이언티스트들에게 더욱 효율적인 모델을 만들도록 요청해야 한다. 양쪽 사람들이 처음부터 프로젝트에 참여했어야 했다”라고 전했다.