[컴퓨터월드]

AI에 현명하게 투자하는 방법

인공지능(AI)은 다양한 핵심 기술과 분야, 도구, 플랫폼, 사용 사례를 포괄한다. 애플리케이션 리더들은 이에 종종 압도감을 느끼며, 비즈니스 가치를 높이기 위해 어떻게 AI에 대한 투자를 진행해야 할지 고민에 빠진다.

이들 리더들은 가치 사슬(value chain) 개념을 사용해 AI들을 평가함으로써 다양한 옵션과 기회를 파악할 수 있다. 가치 사슬은 많은 비용, 전문성, 노력이 요구되는 원자재(raw materials)부터 구매자가 전원을 연결해 사용하는 완제품(finished products)에 이르는, 진화하는 시장 전반에 걸쳐 있다.

여기에서는 AI 가치 사슬 모델을 제안하고, 애플리케이션 리더들이 유사한 가치 사슬 모델을 활용해 체계적이며 일관적인 방식으로 AI 투자의 우선순위를 결정할 수 있도록 하는 방안을 제시한다. 애플리케이션 리더들은 다양한 가치 사슬 영역에 걸친 AI 투자 포트폴리오의 균형을 맞춰야 한다. 여기에서 제시한 모델을 활용하면 위험, 스킬, 시간, 노력, 전략적 이점의 차이를 평가하고 이를 기업의 현재 역량과 비교할 수 있다.

가치 사슬 방식을 활용한 AI 투자 결정

AI를 가치 사슬로 생각하면 AI 투자를 타기팅하고 기업의 AI 경험을 지속적으로 개선시킬 수 있는 간단하면서도 실용적인 방식이 만들어진다. 애플리케이션 리더들은 이 가치 사슬 접근방식을 활용해 핵심 AI 기술, 공통 솔루션 영역, 특정 애플리케이션, 구체적인 사용 사례 등을 구분하고 그룹화할 수 있다. 중요한 점은 이러한 작업이 비즈니스 목표 및 결과와도 연계된다는 점이다. 이러한 연계성이 없다면 AI 이니셔티브는 그저 IT 부서가 감독하는 기술 프로젝트로 전락해 버리거나 AI가 가진 혁신적인 잠재력을 허비하는 다른 대안과 혼재하는 상황이 발생할 수 있다.

가트너의 AI 가치 사슬에서 가치는 ▲차별화 ▲솔루션 개발 ▲다양한 방식으로의 솔루션 사용 및 적용 등의 세 가지 목적을 갖는다. 차별화 단계에 가까울수록 더욱 기본적인 역량을 다루며 차별화의 가능성도 높아진다. 기능이 가치 사슬을 따라 이동하는 과정에서 공급업체는 기본 기능에 가치를 더해 더욱 쉽게 적용될 수 있도록 한다. 이는 차별화 단계에서 솔루션 적용 단계로, 가치 창출에서 가치 소비로, 높은 리스크에서 낮은 리스크로 이동하는 연속성이 있다.
이 모델은 각각 광범위한 목적의 구성 요소를 세분화 해 투자할 만한 특정 영역을 식별한다. 차별화 단계에서 솔루션 개발 단계를 거처 전략적 애플리케이션 단계로 이동하면서, 위험은 점점 줄어들고 더욱 신속하게 ROI를 얻을 수 있다.

기업은 AI 기능을 포트폴리오 투자로 접근해야 한다. 이는 리소스 관리, 레벨 및 프로젝트 간 커뮤니케이션, 그리고 협업으로 비즈니스 우선순위와 목표에 연계된 다양한 프로젝트를 말한다. 이를 실행할 때에는 하나의 문제 영역에 기반해 전체 AI 전략을 수립하지 말 것을 권장한다. 대신 전략적 차별화를 지향하고 새로운 AI 기술에 기반한 비교적 위험한 프로젝트와, 보다 성숙한 접근 방식과 솔루션에 기반한 안정적인 프로젝트 간의 균형을 유지함으로써 지속가능한 포트폴리오 전략을 채택해야 한다.

차별화 - 전략적 차별화 요인으로 AI에 투자

AI 가치 사슬에서 차별화 단계는 복잡하고 어려운 프로젝트들이다. 이들은 상당한 전략적 차별화를 제공할 만한 잠재력을 가진 AI 솔루션으로, 이를 통해 경쟁 우위와 같은 다양한 주요 이점이 생겨날 수 있다. 하지만 이 목표를 달성하려면 기술(skills and technology)에 대한 대대적인 투자가 필요하다. 이는 리스크를 높이고 가치 창출에 소요되는 시간을 늘리며 시행착오와 개발 기간이 늘어나는 결과로 이어질 수 있다.

AI 차별화 유형의 프로젝트의 경우, 기업이 핵심 AI 연구와 숙련된 데이터 사이언티스트에 많은 비용을 투자하고 경우에 따라서는 맞춤형 하드웨어에도 많은 돈을 투자하는 프로젝트이기 때문에 위험성이 매우 높다. 그러나 경쟁 우위와 고객 경험, 인사이트 등에 AI가 미치는 혁신적 영향력을 감안하면 이렇게 높은 수준의 투자와 위험성은 납득할 수 있다. 상당한 보상이나 발전 가능성으로 리스크가 상쇄되는 결과가 나오기도 한다.

솔루션 개발 - 개발 프로젝트로 AI에 투자

이 단계에서 애플리케이션 리더는 가치 사슬의 중간 단계로 이동한다. 이 카테고리의 초점은 개발자들이 더욱 쉽게 활용할 수 있도록 핵심 AI 기술을 패키지로 만드는 데에 있다. 솔루션 개발은 로봇, 가상 비서, 범용 머신 러닝 및 데이터 사이언스 플랫폼에 사용되는 API, 툴, AI 개발 플랫폼 등 기존 및 신규 AI 구성 요소를 활용한다. 이들은 애플리케이션 리더들이 특정 비즈니스 문제를 해결하는 AI 기반 비즈니스 솔루션을 개발하기 위해 사용할 수 있는 중간 제품(product)이다. 현재 애플리케이션 리더들은 AI와 관련한 세 가지 주요 솔루션 영역인 인사이트, 사용자 경험, 프로세스 향상에 집중하고 있다. 세 가지 영역 모두 툴과 플랫폼에서 AI 기능을 활용해 핵심 비즈니스 결과를 개선할 수 있다.

이 가치 사슬 링크는 차별화를 위한 투자에 비해 리스크가 적다. 그러나 기억할 점은 리스크는 상대적이며 연속선상에 있다는 점이다. AI 솔루션 구축에는 기존 이니셔티브에 필요한 모든 IT·비즈니스 분야 및 모범 사례가 필요하다. 동시에 기업은 애플리케이션 리더들이 유연성을 가질 수 있도록 AI를 활용해 새로운 영역을 개척하고 있다. AI는 개발 과정의 일환으로 실험과 실패를 요구한다.

전략적 애플리케이션 - 위험을 낮추기 위해 목표한 AI 솔루션에 투자

AI는 빠르게 진화하고 있으며, 이에 따라 솔루션 제공업체들은 이 새로운 기능을 자사 제품에 직접 통합시키고 있다. 이는 애플리케이션 리더들이 직접 개발 작업을 수행하는 수고롭고 위험·비용 부담이 큰 과정을 거치기보다, 한층 쉽고 비용 효율적이며 위험성도 낮은 방식으로 AI 발전과 기능을 활용할 수 있도록 해준다.

AI 가치 사슬의 전략적 애플리케이션 단계에는 제한적인 리스크를 가진 AI 기반 애플리케이션과 솔루션이 있다. AI 기반 비즈니스 애플리케이션에서 우리는 AI 모듈에 사전 통합된 애플리케이션을 볼 수 있지만, 따로 애드온(add-on)으로 구매해야 하는 경우도 있다. 이러한 솔루션 유형의 AI는 보다 효과적인 사용을 위해 보다 숙련된 비즈니스 사용자를 필요로 하는 경우가 많다.

‘에브리데이 AI’ 솔루션 유형은 기존 애플리케이션 내 정상 작업 흐름에 적용되는 AI 서비스를 말한다. 에브리데이 AI는 맞춤형 서비스, 추천, 알림, 검색 등 개선된 기능이나 작업의 형태로 나타난다. 이는 주로 머신러닝과 자연어 처리, 대화형 인터페이스를 적용한 결과다. 에브리데이 AI는 완전히 새로운 업무 방식을 만든다기보다는 직원들의 기존 업무 방식을 보강하는 것이다. 예를 들어 마이크로소프트 워드의 맞춤법 검사와 단어 제안에 사용된 자연어 처리는 매우 흔하고 많이 사용되는 오래된 기능이라, 이를 AI라고 생각하는 사람은 거의 없다.

애플리케이션 리더는 소비자와 비즈니스 제품 사이에 어느 정도 중복이 있을 거란 예상을 해야 한다. 물량이 많고 사용 수요가 높은 소비자 제품이 AI 분야를 주도할 것으로 보이며, 소비자 시장에서 터득한 교훈이 비즈니스 제품에 빠르게 적용될 것이다. 한층 복잡한 AI 기술, 특히 머신러닝과 관련해 주로 간과되는 한 가지 문제는 개발된 모델에서 생산 솔루션을 만들기가 어렵다는 점이다. 사용자들은 사전 통합된 전략적 AI 솔루션을 사용해 완전하고 투명한 모델이 갖춰진 AI 솔루션을 활용할 수 있다.

AI 프로젝트 시작점 찾기

AI 가치 사슬은 애플리케이션 리더들을 다양한 AI 투자 유형에 따른 비용, 리스크, 기회로 안내한다. 하지만 어디서부터 투자를 시작해야 할까? 이러한 투자의 우선순위를 어떻게 따져야 할까?

첫째, 애플리케이션 리더들은 더 간단한 방법으로 목표를 달성할 수 있는지 확인하는 작업부터 시작해야 한다. 솔루션 개발의 복잡한 방식을 사용하는 것은 더 간단한 방법을 사용할 수 없을 때만 고려하는 것이 좋다. 또한 가치 사슬 상 차별화 단계에 해당하는 접근법은 주의하여 선택해야 한다.

둘째, 애플리케이션 리더들은 프로젝트 평가 시 조직의 전략적 목표와 리스크 내성, 조직 성숙도에 맞는 시작점을 찾기 위해 두 가지 질문을 던져볼 수 있다. 사용할 준비가 된 충분한 양의 순수한 데이터나 좋은 정보가 있는가? 즉시 사용할 수 있는 솔루션이나 툴키트가 있는가? 이는 놀라울 정도로 간단한 질문이지만, 애플리케이션 리더들이 비즈니스 가치를 성공적으로 제공하리라는 기대치가 있는 합리적인 AI 프로젝트에 착수할 수 있도록 한다.

머신러닝 환경은 대량의 순수 데이터를 필요로 한다. 조직은 적절한 수준에서 사용 가능한 AI 솔루션을 활용해 우선적 사용 사례에서 AI 가치를 상대적으로 빠르게 실현하면서 리스크를 최소화 할 수 있다. 애플리케이션 리더는 데이터 품질, 가용성, 즉시 사용 가능한 기능에 대한 현실적인 평가를 통해 리스크가 더 높은 프로젝트와 비교해 어떤 프로젝트가 가장 안전한지 결정할 수 있다.

가트너는 고객들에게 교육에 필요한 최소한의 순수 데이터가 포함된 데이터 사이언스 샌드박스를 구축할 것을 권한다. 데이터는 개인정보보호와 규정 준수 문제 차원에서 적절히 검증되어야 할 것이다. 이를 통해 데이터 사이언티스트들은 외부 데이터를 다룰 때 상당한 거버넌스 제한으로부터 자유로울 수 있다. 그 다음 초점은 새로운 기술을 활용하고 AI 기반 시스템을 구축하기 위해 데이터 사이언스 영역 내에서 지식과 전문성을 구축하는 작업으로 이동한다.

양질의 데이터가 없으면 대대적인 데이터 정제 과정을 구현해야 한다. 예를 들어 시장에는 데이터 품질을 개선하고 표준화된 데이터 포맷을 만드는 도구와 제품이 있다. 어떤 도구들은 비정형 데이터를 정형 데이터로 바꿀 수 있다. 그러나 이 모두는 프로젝트의 복잡성과 비용을 증가시킨다.

또 다른 옵션은 사전 훈련된 시스템이나 애플리케이션을 사용해 교육 데이터의 필요성을 최소화하거나 없애는 것이다. AI 솔루션 제공업체들은 자연어나 다양한 유형의 시각 이미지를 인식할 수 있는 사전 교육된 시스템을 제공하는 경우가 많다. 사전 교육된 의도나 모델 형태인 경우도 있고, 모델을 교육시키기 위해 수정되거나 보완, 사용될 수 있는 인증된 데이터세트도 있다.

애플리케이션 리더들은 데이터 요구사항과 솔루션 기능의 가용성 간 균형을 맞춤으로써 비용이 많이 드는 핵심 AI 투자는 건너뛰고 애플리케이션 자체에 초점을 맞춰 실질적인 가치를 신속히 제공할 수 있다.