3년후 AI 초격차 시대가 온다(책)
| 3년후 AI 초격차 시대가 온다(책)
| |
|---|---|
| 제목 | 3년후 AI 초격차 시대가 온다 - 3000퍼센트 가치 창출의 시작
|
| 원제 | |
| 저자 | 정두희
|
| 옮긴이 | |
| 그린이 | |
| 출판사 | 청림출판
|
| 출간일 | 2019.7.12
|
| 쪽수 | 308
|
| ISBN13 | 9788935212859
|
| ISBN | 8935212857
|
목차
1 책소개
AI 에 대한 책
2 책 읽은 이유
이번 년도 목표 중 하나는 AI 를 더 잘 이해하는 것이다. 이 목표를 달성하고자 교양수준의 책을 읽게 되었다.
3 기억하고 싶은 글귀
3.1 AI 기술의 취약점
모든 신기술에는 양면성이 있다. 특장점이 있지만 실제 활용하는 현장에서는 기술 본연의 한계에 직면한다. 인공지능도 만능 시스템처럼 인식되곤 하지만 그 나름대로 취약성이 있다. 인공지능에 대해 충분히 이해하려면 이 기술의 취약점도 직시해야 한다.
첫 번째는 데이터 의존도가 크다는 점이다. 인공지능 기술을 실제로 활용하려면 알고리즘을 학습시킬 수 있을 만큼 큰 데이터세트를 작성하거나 확보해야 하는데 그러기가 어려울 수 있다. 의료 분야의 경우, 환자의 진단 결과를 정확하게 예측하려면 방대한 데이터가 필요하다. 앞서 언급한 대로 수만 개의 유전자 정보, 수백 개의 의학저널 등의 지식뿐 아니라 방대한 양의 임상시험 데이터도 필요하다. 이러한 데이터를 확보하거나 데이터에 접근할 수 없다면 인공지능의 수혜를 입기 어렵다는 한계가 있다.
IBM 왓슨이 암 치료 분야에서 활약하고 있지만 한편으로는 추가적인 발전에 대해 회의론이 일고 있는 것도 사실이다. 의학전문매체(STAT)는 왓슨이 정확하지 않고 위험한 진단을 내린다고 폭로했고, 〈월스트리트 저널>도 왓슨이 실제 환자에게 미치는 영향이 제한적이라고 평했다. 이러한 평가의 배경에는 환자의 데이터 수집에 존재하는 한계가 있다. 왓슨은 의학 논문과 교과서 등 방대한 의료정보를 학습하고 있으나, 문헌자료와 연결할 실제 환자 데이터가 부족하다. 암환자를 진료하려면 개인 병력과 치료 결과, 과거 유사 환자 사례 등 다양한 데이터를 학습해야 하는데, 방대한 관련 데이터를 모으는 데는 현실적으로 어려움이 있다. 특히 희귀암이나 재발암 등에 대해서는 데이터 부족 때문에 의료적 성과를 내지 못하고 있다.
두 번째는 데이터의 편향성이다. 인공지능의 학습이 데이터로 진행되다 보니, 데이터 자체가 편향되어 있으면 인공지능의 판단 또한 편향될 수 있다. 아마존에서는 머신러닝을 기반으로 500대 컴퓨터를 동원해 구직자 지원서를 5만여 개 키워드로 분석하는 방식을 적용했다. 그런데 학습을 시작한 지 1년여가 지나자 이 시스템이 경력 10년 이상의 남성 지원자만 후보로 고르기 시작했다. 여성이라는 단어가 들어가면 감점을 하기도 했다. 그동안에는 IT 기업에 남성 지원자가 압도적으로 많았기 때문에, 이런 데이터를 기반으로 한 인공지능이 남성 편
향적으로 서류를 분류한 것이다.
이 문제를 해결하기 위한 방법으로 IBM은 AI 오픈스케일을 내놓았다. 편향된 데이터에 근거한 치우친 결과를 검증하고 바로잡을 수 있는 개방형 기술 플랫폼이다. 이 플랫폼은 인공지능이 적용된 시스템이나 운용 환경에 관계없이 AI가 도출한 의사결정 과정을 설명하고 투명하게 관리하며 AI 편향성을 탐지한다. 어쨌거나 데이터의 편향성 이슈는 모든 분야에서 고려될 수 있다. 인공지능이 사람보다 객관적인 판단을 내릴 수 있는지에 대해서는 조금 더 증명이 필요한 시점이다. 사람의 생명과 직결되는 자율주행에도 인공지능이 적용될 수 있기 때문에 이는 결코 사소한 과제가 아니다.
세 번째는 인공지능의 취지와 달리 인간의 노동이 아직 많이 필요하다는 점이다. 현재 시장에 있는 인공지능 서비스의 90%는 지도학습방식이다. 지도모드의 인공지능에는 인간이 데이터를 주입해주고 지도를 해주어야 한다. 사람이 데이터를 일일이 분류하고, 가공 작업까지 해야 한다. 물론 조직 내 여러 부서의 가용 데이터를 추출해서 통합해주는 인공지능 알고리즘도 존재한다. 그러나 일반적으로 아직까지는 알고리즘 지도를 위해 사람의 손과 시간이 많이 필요한 단계이다.
네 번째는 인공지능이 도출한 결과를 설명하기가 어렵다는 점이다. 딥러닝의 처리방식은 블랙박스다. 딥러닝이 수많은 데이터로 학습을 하고 정확하고 빠른 예측을 해내고 있지만, 어떠한 원리로 예측을 하는지는 과학자나 엔지니어도 알지 못한다. 과장해서 이야기하면, 그동안 보여준 성능을 믿고 맡기는 것이다. 가장 진보된 과학이지만, 상당히 과학적이지 않은 아이러니한 모습이다. 데이터 편향성이 나타나는 이유도 처리 과정이 이처럼 '깜깜이' 방식이기 때문이다. 개발자도 전후사정을 정확히 알지 못하기 때문에 잘못된 판단이나 윤리적인 문제에 봉착할 수도 있다.
다섯 번째는 간접학습의 어려움이다. 인공지능은 상당히 산업 특화적이다. 어느 특정 산업에서 성숙한 인공지능 머신은 다른 분야에서 똑같은 활약을 하지 못한다. 학습하는 배경과 데이터가 다르기 때문에 그대로 적용하지 못하는 것이다. IBM 왓슨이 진단 알고리즘을 개발해 헬스케어 시장을 개척하는 데 성공했지만, 같은 알고리즘을 금융시장에 활용하려면 데이터도 새로 확보해야 하고, 금융산업 전문가와 함께 학습을 새로 시작해야 한다. 알고리즘 적용방식이 거의 비슷하다 해도 환경이 바뀌면 재교육을 해야 한다는 점은 알고리즘의 확장성 측면에
서 한계점이라고 볼 수 있다.
간접학습의 어려움을 해결하기 위해 전이학습(Transfer Learning)이 연구되고 있다.
전이학습 관련하여 전이학습 쉽게 이해하기와 인공지능 전이학습과 응용 분야 동향 보고서를 읽으면 이해가 더 잘 된다.
3.2 인공지능 제품을 만든다는 것
인공지능 비즈니스의 3가지 요소
- 알고리즘(Algorithm)
- 데이터(Data)
- 비즈니스 모델(Business Model)
인공지능 기반의 비즈니스를 개발하는 데는 세 가지 핵심요소가 필요하다. 알고리즘, 데이터, 비즈니스 모델. 데이터가 풍부해야 인공지능 머신이 학습을 하여 사용자에게 맞는 서비스를 제공할 수 있다. 알고리즘이 있어야 데이터를 통해 사용자에게 제공할 결과물을 창출할 수 있다. 비즈니스 모델은 데이터나 알고리즘과 같은 기술적 자원을 토대로 사용자에게는 가치를, 기업에는 수익을 가져다주는 역할을 한다.
인공지능 혁신은 이 세 가지 요소를 기반으로 창조적인 응용을 하는 것이라고 볼 수 있다. 앞으로 머신러닝 기반의 AI 알고리즘은 수없이 쏟아져나올 것이다. 데이터의 양과 질도 기하급수적으로 향상될 것이다. 인공지능을 통한 비즈니스 혁신은 이전에 없던 새로운 가치를 만들어내는 일인데, 이러한 기술적 기반을 어떻게 가꾸느냐에 달렸다. 기술을 가장 먼저 개발하는 것 못지않게 기술에서 가치를 먼저 끌어내는 것도 중요하다. 애플은 아이팟, 아이튠즈, 아이폰 등을 선도적으로 내놓아 시장의 절대 강자로 발돋움했지만 관련 기술을 최초로 개발한 업체는 아니다. 최초로 기술을 개발하진 않았지만 관련 기술을 최초로 개발한 업체는 아니다. 최초로 기술을 개발하진 않았지만 참신한 방식으로 신기술을 활용해 수익성 높은 비즈니스 모델을 완성시킨 덕분에, 이 기술 분야에서 최고 강자가 될 수 있었다. 인공지능 기반의 비즈니스 혁신은 결국 기술의 창조적 응용이다.
(중략)
창조적 융합을 가장 잘 실천하고 있는 기업은 스타벅스다. 커피전문점과 인공지능의 조합이 왠지 어울리지 않아 보이지만 스타벅스는 이를 아주 자연스럽게 수행하고 있다. 이 회사는 최근 음성명령이나 채팅창을 통해서 주문할 수 있는 마이 스타벅스 바리스타' 서비스를 시작했다. 인공지능 챗봇 기술을 이용, 음성이나 채팅을 통해 마치 스타벅스 내 점원과 대화하듯이 주문을 하는 서비스다. 아마존의 가상비서 알렉사를 통해서도 스타벅스 커피를 주문할 수 있도록 했다. 스타벅스의 핵심은 고객과의 정서적 유대감을 형성하는 것인데, 인공지능 기술이 이를 더욱 강화해주리라 보고 다양한 AI 기술을 적극적으로 결합한 것이다. 스타벅스 창업자인 하워드 슐츠(Howard Schultz)는 "기술혁신은 브랜드를 강화하고 매장관리의 효율성을 개선하며 수익성을 높여주고 경쟁우위를 확대해 고객에게 스타벅스에서의 경험의 질을 높이는 기회를 만들 것"이라고 주장한다.
3.3 창조에 다가선다, 생성혁신
인공지능 생성기술은 다양한 영역에서 활용될 것이다. 정기적으로 나오는 잡지의 표지 디자인 영역에도 이 혁신기술이 적용될 수 있다. 스탠퍼드대학교 연구원인 로비 바렛(Robbie Barrat)은 머신러닝을 이용해 인공지능에 수천 점의 그림을 학습시켰다. 이후 생성적 적대 신경망(Generathe Adversarial Network, GAN) 기술을 적용해 직접 풍경화를 그리게 했다. GAN 기술은 인간의 개입이나 추가적인 학습 데이터 없이 인공지능 스스로 학습하게 하는 신경망 기법으로, 서로 대립되는 두 시스템이 상호경쟁을 통해 성능을 높이는 비지도학습법의 하나다. 가령 한 시스템은 위조지폐를 만드는 기능이고 다른 시스템은 지폐 위조 여부를 감지하는 기능일 경우, 두 시스템의 경쟁을 통해 성능을 향상시키는 것이다. 로비 바렛은 이 방식을 2주 정도에 걸쳐 적용해 완성도 높은 풍경화를 만들었고 이를 잡지 표지에 적용했다. 매주 새로운 디자인을 만들어내는 작업에는 이른바 창작의 고통이 따르고 만만치 않은 비용이 발생하지만, 인공지능을 통한 이러한 방식은 창작에 효율성을 가져다줄 것이다.
로고 디자인도 마찬가지다. 로고 디자인은 한 컷의 작은 이미지이지만 기업의 철학을 담아야하고 고객을 끌어들일 마케팅적 요소도 있어야 하기 때문에 고민도 많이 해야 하며, 따라서 수많은 재작업을 필요로 한다. 그런데 재작업의 상당수를 인공지능으로 해결할 수 있다면 로고 제작에 드는 시간과 노력을 단축할 수 있을 것이다. 인공지능을 이용해 자동으로 기업 로고를 디자인해주는 스타트업, 테일러 브랜드(Tailor Brands)는 이 부분을 공략했다. 고객이 웹사이트에 접속해서 회사에 대한 기본 정보를 입력하고 원하는 디자인 스타일을 선택하면 인공지능이 자동으로 다양한 브랜드 로고를 디자인해준다. 무료로 말이다. 2014년에 설립된 이 스타트업은 3년 동안 이미 4,500만 개의 로고를 만들어냈다.
3.4 AI 비즈니스의 목적은 고객경험 혁신이다
가령 커플 매칭 서비스는 오래전부터 존재했지만, 최근 인공지능 예측모델에 기반해 전방위적 상황을 고려한 매칭 분석을 추구하는 형태의 서비스가 등장했다. 데이팅 애플리케이션인 틴더(Tinder)는 DNA 분석업체인 페라모르(Pheramor)와 제휴해, 개개인이 선호하는 스타일이나 가정환경 같은 추구하는 삶의 방향뿐 아니라 DNA 테스트를 통한 생물학적 요소의 적정성까지, 다양한 맥락을 분석할 수 있게 되었다. 참고로 요즘 DNA 테스트는 매우 간소해졌다. DNA 키트를 구입해서 입속의 뺨에 살짝 긁으면 입 안의 세포가 묻어 나오는데 이를 업체에 보내면 3개월 이내에 DNA 분석을 해준다. 이 정보는 인공지능 예측모델과 결합되어 최적의 배우자를 보다 정확하게 찾을 수 있는 시너지를 창출한다.
(중략)
정리해보면, 기술에서 가치를 캐내는 일이 기술혁신의 본질이다. 엔지니어가 정교한 AI 알고리즘을 개발해도, 이를 토앻 수익 기회를 창출하는 비즈니스 모델을 만들어내지 못한다면 그저 빛 좋은 개살구일 뿐이다. 기술을 어떤 형태의 참신한 솔루션으로 만들어낼 것인가? 기술이 창출하는 기능을 누구에게 제공할 것인가? 경쟁사의 제품과 차별화가 되는 가치제안을 만들어낼 수 있는가? 이를 어떤 방식으로 고객들에게 전달할 것인가? 수익을 어떻게 낼 것인가? 우리는 인공지능 기술에 대한 이해를 바탕으로, 이러한 질문을 던지며 매력적이고 참신한 비즈니스 모델을 개발해야 한다.
3.5 AI 비즈니스의 실행지침, A.C.T.I.O.N
인공지능에 의한 변화는 선형적이지 않기 때문에 예측도 어렵다. 급변하는 환경에서 과거와 똑같은 길을 걷고 있다면 경쟁력을 잃기 쉽다. 실리콘밸리의 투자자인 피터 틸(Peter Thiel)은 "앞으로의 세상은 거듭제곱 법칙을 따를 것"이라고 말했다.
평균적인 성공을 거두는 기업들이 분포의 중앙에서 다수를 이루지 않는다. 오히려 한 분야에서 가장 성공한 소수의 기업이 그 분야 나머지 기업들의 성공을 모두 합친 것보다 더 큰 성공을 누리는 것이다. 시장에서 가장 큰 수익률은 언제나 희소한 자원을 가진 기업에 돌아간다. 인공지능은 기업에 무한한 성장의 기회를 가져다줄 중요한 기술자본이다.
앞으로 3~5년 사이, 산업은 인공지능 기술에 의해 커다란 지각변동을 겪을 것이다. 이 시기의 시장에서 기업은 혁신을 주도하는 기업과 혁신에 따르는 기업 두 종류로 나뉠 것이다. 전자는 시장의 파괴를 주도할 것이고 후자는 파괴의 희생양이 될 것이다. 앞장에서 살펴봤듯 이미 시장에는 독창적이고 진취적인 마인드로 비즈니스를 혁신하는 기업이 많다. 앞으로 3년 후 시장은 이들에 의해서 파괴될 가능성이 크다. 이들은 인공지능에 의해 증폭된 역량을 활용해 월등한 제품을 배포, 확산시켜 시장을 장악할 것이다. 월등한 인공지능 기술을 보유한 기업에 더 많은 소비자가 몰릴 것이며, 인공지능 머신은 더 많은 소비자의 사용 데이터를 기반으로 더욱 강력하게 고도화될 것이다. 역량이 증폭된 소수가 시장을 독식하게 된다. 파괴자와 희생자, 무엇이 이러한 운명을 가를까? 결국은 '실행'이다. 실행력이 강한 기업이 시장의 파괴적 혁신을 주도할 것이다. 이번 장에서는 인공지능 비즈니스 혁신을 위해 구체적으로 어떻게 실행해야 하는지에 대해 이야기할 것이다. 그 실행지침은 'A.C.T.I.O.N'이다.
3.6 Agility, AI는 선점 게임이다
인공지능은 속도전이다. 일찍 도입하는 기업이 선점효과를 누릴 가능성이 높다. 선점이 중요한 몇 가지 이유가 있다. 인공지능은 앞서 소개했듯이 학습하는 기계다. 인간이 성장하듯 인공지능 시스템도 시간이 지날수록 성능이 좋아진다. 그 말은 일찍 도입하면 학습량이 많아서 더 우월해질 수 있다는 뜻이다.
아마존의 인공지능 비서 알렉사를 보자. 알렉사가 시장에 등장한 초기 2016년 1월에는 수행하는 기능(skill)이 뉴스 읽기, 음악 재생 등 30가지 정도에 불과했다. 12개월이 지나자 수행 기능이 5,000가지로 늘어났고, 3개월이 더 지난 2017년 2월에는 1만 가지로 늘어났다. 학습을 먼저 시작할수록 학습량이 많아진다. 인공지능의 학습은 데이터를 기반으로 하는데 데이터의 축적도 먼저 시작한 기업이 유리하다. 더 긴 기간 축적할 수 있기 때문이다.
또한 축적된 데이터로 더 월등한 성능을 창출할 수 있기 때문에 더 많은 사용자를 모을 수 있고, 이는 더욱 방대한 데이터를 확보할 수 있는 기반이 된다. 특히 플랫폼 기반의 비즈니스를 하는 기업이라면 증가하는 사용자를 통해 획득하는 고객활동 데이터의 양이 기하급수적으로 늘어난다. 일찍부터 인공지능으로 특화된 기업은 월등한 제품을 먼저 만들어낼 수 있는 것이다.
그동안 자본주의 시장에서 기회는 대기업에 집중되었다. 새로운 기회가 생길 때, 대기업이 막대한 자본을 투자하여 진입하면 규모가 작은 기업은 먼저 시장에 뛰어들었다 하더라도 경쟁을 할 수가 없었다. 그러나 인공지능 시대에는 회사의 규모가 중요하지 않다. 고객긔 규모가 중요하다. 작은 스타트업이라도 혁신적인 아이디어와 민첩성을 갖추고 있다면 빠른 속도로 고객을 확보할 수 있다.
민첨성의 의미는 다른 데 있지 않다. 실패를 빨리 해보라는 뜻이다. AI에 관심 있는 경영자는 많다. 그러나 뭔가 시도를 해본 경영자는 적다. 관심은 있는데 아직 시도를 안 하는 이유는 뭘까? 많은 리더가 기술 도입에 대해 철저히 분석하고 계획을 완벽히 수립한 후 AI 프로젝트를 시작하려고 한다. 그동안의 비즈니스 패러다임에서는 맞는 이야기다. 그러나 인공지능은 그 종류가 전혀 다른 신기술이다. 매뉴얼이나 가이드라인이 존재하지 않는다. 런앤건(Run and Gun)이다. 공을 먼저 던져놓고 달려야 한다. 시장은 아직 인공지능 기술에 맞추어 정비되어 있지 않다. 인공지능을 어떤 방식으로 적용할지에 대한 모범답안이 시장에 나와 있지 않다. 경쟁사보다 먼저 도입하고, 시행착오를 하면서 정답을 찾아가야 하는 게임이다. 시간이 지나 시장에 모범답안이 나오기 시작하는 시점이면 시장의 재편이 어느 정도 마무리된 단계일 것이다. 그땐 늦는다. 지금은 정답을 기다릴 때가 아니다.
(중략)
IT 기업 시스코(Cisco Systems)의 존 챔버스(John Chambers) 전 회장은 "IT 산업은 변화가 빠른데 변화할 때마다 그에 필요한 역량을 모두 갖출 수는 없다. 따라서 해당 역량을 가진 기업을 인수하는 방식으로 역량을 확보하는 게 가장 적합한 전략이다"라고 했다. 인공지능도 마찬가지다. 디지털 기술로 무장한 선도기업이라 해도 새로운 인공지능 기술을 다 확보하지는 못하기 때문에 신생 스타트업을 눈여겨본다. 미국의 시장 조사기관인 CB인사이트(CB Insights)에 따르면, 2017년 한 해에만 약 120개의 인공지능 스타트업이 설립됐는데 그중 115개가 인수되었다.
3.7 AI 도입 속도를 결정하는 요인
어느 기업은 빠르게 도입을 하고 있고, 어느 기업은 그렇지 않다. 그 차이는 어디서 오는 것일까? 다시 말해, 기업의 인공지능 도입을 결정하는 요인은 무엇일까?
첫째는 의사결정을 하는 경영진의 인공지능에 대한 이해와 의지다. 많은 전문가와 학자는 인공지능 기술 도입에 있어서 기술에 대한 경영자들의 이해가 중요한 역할을 한다는 점을 강조한다. 아는 만큼 보이는 법이다. 인공지능 기술이 자사 비즈니스에 어떠한 기여를 할지에 대한 기대는 인공지능 기술이 어떤 가치를 창출하는지에 대한 심도 있는 지식에 의해 만들어진다. 생소한 영역에 다가가기 어려운 것은 누구에게든 마찬가지다. 잘 모르면 도입을 결정하기 어려운 법이다.
(중략)
기술도입에 대한 경영진의 의지 또한 아주 중요하다. 경영진의 의지는 범위와 강도 측면으로 고려해볼 수 있다. 범위는 인공지능 기술을 자사 비즈니스의 어느 범위까지 적용할 것인가에 대한 의지다. 인공지능 기술을 특정 기능에 국한해 적용할지, 사업 전반에 종합적으로 적용할지에 대한 의지다. 강도는 기술 도입을 얼마나 강하게 밀어붙일지에 대한 것이다.이는 우선순위와 직결된다. 기존 사업과 상충되는 경우 카니발라이제이션(cannibalization, 자기잠식 효과)을 감수해서라도 신기술을 도입할지, 기존 사업을 유지하는 범위 내에서 가볍게 도입할지에 대한 의지다. 신기술 도입은 경영진의 의지만큼만 된다고 봐도 과언이 아니다.
둘째는 조직의 흡수력이다. 경영진의 의지가 중요하지만 이것이 모든 것을 결정하지는 않는다. 조직이 이를 받아줄 여력이 있는지도 인공지능 도입에 영향을 준다. 조직 전반적으로 인공지능 기술의 핑요성과 활용방법에 대해 충분히 이해하고 있어야 한다. 인공지능 기술이 제대로 쓰이려면 궁극적으로는 기업문화와 업무 프로세스에 통합되어야 하는데 그 전제조건이 조직의 이해와 흡수력이기 때문이다. 쉽게 말하면, 인공지능 기반 비즈니스에서는 영업사원의 판매방식도 달라져야 한다.
(중략)
셋째는 조직의 디지털 체질이다. 조직의 디지털화 정도는 인공지능 도입의 속도를 결정짓는 중요한 요소다. 인공지능의 도입은 다시 말하면 디지털 혁명이다. 고도화된 디지털 기술을 도입하는 것이다. 디지털 기반이 잘 갖춰져 있는 조직일수록 인공지능 기술을 도입하는 데 유리할 수 밖에 없다. 인공지능의 탁월한 성능이 모든 기업에서 발휘되는 것은 아니다. 머신러닝을 포함한 대부분 인고지능 알고리즘은 빅데이터, 클라우드 시스템, 디지털 아키텍처를 필요로 한다.
(중략)
넷째는 외부적인 요인인 경쟁 환경이다. 파괴적 혁신 이론에 따르면 기술의 채택은 일반적으로 경쟁에 의해 주도된다. 조금 더 성능을 개량하기 위해 신기술을 경쟁적으로 도입할 때 기술의 발전 속도가 높아진다. 발전된 기술은 경쟁 환경에서 더욱 빠른 속도로 도입된다. 아마존, 애플, 구글, 페이스북, 마이크로소프트, IBM를 비롯한 디지털 기업들은 일찌감치 인공지능이 단지 기술적 진보만이 아니라 다양한 경제적 성장효과도 가져오리라 예상하고, 이 기술을 선점하기 위해 전투적으로 투자했다.
(중략)
앤드루 응 교수는 인고지능 기술을 도입할 때는 무리하지 말고 일단 소규모 프로젝트 팀으로 시작하라고 조언한다. 일단 조직이 AI에 익숙해져야 한다. 또한 초기에 작은 성공을 만들어내야 향후 AI 개발을 위한 모멘텀을 얻을 수 있다. 이를 위해 1년 이내의 단기간에 달성할 수 있는 명확한 목표를 수립하고 실질적인 아웃풋을 보일 수 있는 솔루션을 구축하라고 응 교수는 제안한다. 외부 전문가와 협업을 맺어 프로젝트를 추진할 필요도 있다. 프로젝트 그 자체에 매몰되지 않고 객관적인 시각에서 진행을 도와줄 수 있기 때문이다.
(중략)
응 교수는 2019년 2월에 쓴 <하버드 비즈니스 리뷰> 기고문에서 첫 프로젝트를 선정할 때에는 다음 다섯 가지 질문을 고려해야 한다고 제시했다.
- 조기 성공을 가져다줄 수 있는 프로젝트인가?
- 프로젝트가 지나치게 거대하거나 작지 않은가?
- 프로젝트가 나의 비즈니스에 맞는가?
- 신뢰할 수 있는 파트너와 함께 파일럿 프로젝트를 가속화할 수 있는가?
- 프로젝트가 실질적 가치를 창출하는가?
프로젝트를 진행하면서 AI에 대한 이해도는 더욱 높아질 것이다. 이 기술이 자사 비즈니스의 어느 영역에서 가장 큰 가치를 창출할지에 대해 파악하게 될 것이다. AI 기능을 통해 산업 내에서 경쟁우위를 확보할 수 있는 지점을 찾는 것은 매우 중요한 전략이다. AI 혁신의 성공은 이러한 최적 지점을 찾아내어 자원을 집중시키는 데 달렸다.
3.8 Collaboration, 인간-머신 협업체계를 구축하라
2014년 체스 선수권 대회가 열렸다. 인간뿐 아니라 인공지능, 그리고 인간과 인공지능이 팀을 이루어 참여할 수 있는 프리스타일 대회였다. 이 대회에서 인공지능만으로 구성된 팀은 42경기에서 승리했지만 인간과 인공지능이 한 팀을 이루는 켄타우로스(Centaur, 그리스 신화의 반인반마 종족)팀은 53경기를 승리했다. 오늘날 지구상 최고의 체스 선수는 인간도 인공지능도 아니다. 인간과 인공지능이 협업하는 켄타우로스팀이다. 켄타우로스팀은 인공지능 기술이 아무리 발전한다 해도 가장 똑똑한 건 인공지능도 인간도 아닌 둘의 조합이라는 것을 상징적으로 보여준다. 인간과 기계의 지능은 그 종류가 서로 다르고 상호보완적 관계가 될 것이다. 따라서 미래 조직의 가치창출 역량은 인간과 인공지능 머신 사이에 협력관계를 얼마나 잘 구축하느냐에 달렸다.
3.9 Talents, 인재확보가 우선이다
3.10 Integration, 기능통합이 AI 흡수를 촉진한다
인공지능 혁신은 단순히 비즈니스 프로세스나 제품의 일부에 인공지능 기술을 추가하는 것만이 아니다. 인공지능은 턴키(turnkey, 수정 없이 바로 가동되는 완성된 시스템)방식으로 들여와서 바로 쓸 수 있는 종류가 아니다. 인공지능 기술의 조직 내 도입을 물리적 결합 방식으로 추구해서는 안 된다. 평범한 축구팀에 최고 수준의 스트라이커를 영입한다고 해서 팀 전력이 그 즉시 획기적으로 상승할까? 그렇지 않다. 이탈리아 축구구단 유벤투스는 크리스티아누 호날두를 영입한 이후, 전력을 극대화하기 위해 진영에 변화를 주고 선수들 포지션도 재배치했다. 호날두가 팀에 적응해야 하고, 팀 역시 호날두에 적응해야 하기 때문이다. 심지어 유벤투스는 '호날두 효과'를 위해 노조나 스폰서 등 팀 외부영역의 조정작업도 진행했다.
3.11 On tap data, 데이터 경쟁력이 AI 경쟁력이다
많은 사람이 인공지능을 떠올릴 때 입건이 같은 알고리즘을 생각한다. 정교한 알고리즘을 도입하면 좋은 비즈니스 솔루션이 나올 것으로 기대하지만 이는 큰 오해다. 마이크로소프트의 기술책임자인 제이콥 스포엘스ㅡ라(Jacob Spoelstra)는 ‘’’“흔히 나타나는 실수는 정교한 예측 알고리즘을 개발해놓고도 거기에 필요한 데이터는 가지고 있지 않다는 점이다”’’’라고 이야기했다. 알고리즘의 정교한지 데이터의 부재를 구제해주지는 못한다. 알고리즘이 동작하려면 데이터가 필요하다.머신러닝은 라벨화되어 있는 데이터가 필요하고, 패턴이니 알고리즘이 작동하려고 다양한 이미지, 음성, 텍스트, 지문 등이 필요하다. AI 혁신은 데이터 확보 능력과 더불어 데이터에 대한 활용 및 관리 능력을 요구한다.
우리는 AI 비즈니스의 차별성이 어디서 나오는지를 정확히 이해해야 한다. 점점 인공지능 소프트웨어에 자유롭게 접근할 수 잇는 시대가 되고 있다.이러한 시대에 알고리즘 자체는 차별성을 만들어내지 못할 것이다. ‘’’솔루션의 성능을 더욱 고도화할 ‘데이터’가 중요해지는 것이다.’’’ 아마존이 애써 개발한 알렉사의 알고리즘을 개방한 이유는 무엇일까? 이는 인공지능의 진정한 가치는 정교한 알고리즘보다 데이터에 있다는 것을 시사한다. 수많은 디지털기기를 통해 수많은 사람이 알렉사를 이용한다면 고객 데이터가 기하급수적으로 쌓인다.데이터가 방대해질수록 아마존의 예측능력은 더욱 월등합니다.아마존은 인공지능 엔진은 공개했지만 데이터는 공개하지 않았다. 인공지능의 미래가 결국 데이터에 달려 있기 때문이다.
(중략)
모든 조직은 비즈니스에 가장 적합한 데이터를 확보하기 위해 다각적인 접근을 취할 필요가 있다. 전략적으로 데이터 확보 채널을 마련해야 한다. 커피숍 같은 서비스 업체는 디지털 데이터가 만들어지지 않는 비즈니스이지요, 스타벅스는 디지털 플라이휠(Digital Flywheel)이라는 새로운 디지털 서비스를 선보이면서 데이터 확보를 위한 활로를 열었다. 스타벅스의 디지털 플라이휠은 리워드, 개인 맞춤, 결제, 주문 등의 서비스를 모바일 앱으로 간편하게 제공함으로써 스타벅스 이용률과 편리성을 키우는 전략이다. 사이렌 오더(Siren Order)은밀히 모바일로 주문할 수 있는 서비스다. 매장에서 줄을 서서 기다릴 필요 없이, 가는 도중에 앱으로 커피를 주문하고 매장에 도착하면 커피를 바로 찾아갈 수 있다. 게다가 앱으로 주문 승인, 커피 제조, 제조 완료 등 진행 상태를 확인할 수 있고, 음료가 완성되면 진동벨처럼 알림 메시지를 받을 수 있다.또 모바일 오더 & 페이는 초간편 결제 시스템이다. 앱에서 주문한 커피는 신용카드나 현금이 아닌 스타벅스 카드로 결제하면 된다.
이러한 디지털 세계에서의 고객행동은 데이터로 수집된다.사람들이 어느 스타벅스에서 어떤 커피를 몇 잔 마셨는지, 결제는 어떤 방식으로 하는지 등의 정보가 인공지능을 학습시킬 귀중한 데이터라는 것이다. 고객에게 감성적인 경험을 선사하는 스타벅스는 이렇게 디지털 기술을 융합해 서비스 역량을 높이고 데이터 기반의 고도화된 인공지능 서비스를 통해 커다란 시너지를 만들어내고 있다.
데이터는 AI 시스템의 핵심 자신이기 때문에 데이터를 어떻게 확보할지에 대한 전략이 수립되어야 한다. 데이터는 하나의 채널을 통해 수집할 수도, 다양한 채널을 통해 전방위적으로 수집할 수도 있다. 구글은 검색포털뿐 아니라 음성에서, 네스트(Nest, 실내 온도 조절장치를 제조하는 스타트업으로 구글이 2014년 인수함) 같은 기기 등을 통해 전방위적으로 사용자 데이터를 수집한다. 양질의 데이터를 얻기 위해서는 정교한 전략을 수립해야 한다. 또한 이를 통합 데이터 웨어하우스(data warehouse)를 통해 집중화하여 관리해야 한다.
‘’’중요한 점은 데이터 확보가 IT 부서 등 조직 내 특정 부서의 전유 업무가 아니라는 점이다.’’’ 모든 조직에서 데이터 확보에 관여하지 않는다면 AI 경쟁력은 극대화하기 어렵다. ‘’’데이터 확보 업무를 IT 부서등 기존의 관련 부서의 일로만 여긴다면 AI 기술의강점을 키우는 데 한계를 지닐 수밖에 없다.’’’ 의식하든 그렇지 않든, 마케팅, 회계, 운영, 영업 등 거의 모든 부서가 각종 데이터를 접하고 있다. 협력 및 제휴 회사의 채널과 합치면 데이터 소스는 무궁무진합니다. 이를 회사의 AI 경쟁력을 위해 얼마나 유연하고 효과적으로 활용하는가 중요하다.
(중략)
이 모든 것이 고객경험을 높이는 데 중요한 일이지만, 큰 조직에서는 여러 부서에서 서로 다른 데이터를 사용하다 보니 데이터가 단편화되는 경향이 있다. 이는 인공지능 알고리즘의 성능을 향상시키는 데 커다란 걸림돌잇다. 그때그때 필요할 때마다 데이터를 단편적으로 확보하는 게 아니라, 인공지능 솔루션에 대한 커다란 방향을 그린 후 그에 맞추어 일관된 데이터 확보 전략을 취해야 하고, 서로 다른 출처의 데이터를 어떻게 일관된 세트로 결합할지에 대한 분명한 전략을 세워야 한다.
데이터가 특정 영역에 격리되거나 여러 부서의 데이터가 분산되어 통합을 이루지 못하면 인공지능은 제대로 활용될 수 없다.
(중략)
데이터의 개인정보 보호는 조직 내 강력한 데이터 거버넌스 제도가 명확히 자리잡혀 있는지 여부가 결정한다. 2019년 <MIT 슬론매니지먼트리뷰>에 따르면 실제 데이터에 익숙한 조직은 데이터 거버넌스에 대한 정책이 잘 수립되어 있다고 한다. 데이터 기반의 인공지능 비즈니스를 일찍 도입한 혁신기업은 데이터 관리방식도 우수할 확률이 높다. 뒤늦게 서둘러 기술을 도입하는 기업은 조직의 데이터 관리 시스템을 제대로 정비해놓지 못할 가능성이 크다. 이렇듯 AI도입에뒤쳐진 기업에서 데이터 관리 수준의 격차가 또 하나의 진입장벽으로 작용할 것이다.
‘’’정리하면 인공지능 솔루션에 데이터는 가장 중요한 원동력이다. 사업에 최적화된 기능을 발휘하려면, 관련 데이터가 충분히 뒷받침되어야 한다.’’’ 이에 앞으로는 데이터의 중요성이 더욱 커질 것이다. ‘’’누구나 인공지능 소프트웨어를 사용할 수 있는 시대가 될 것이고, 결국 양질의 데이터에서 차별성이 창출된다.’’’ 조직 내 데이터 접근 및 활용 능력을 잘 갖추고, 개인정보 등 데이터 관리에 대한 견고한 체계를 마련하는 것이 중요하다. 또한 데이터를 활용해 플랫폼 및 제휴기업과 시너지를 내는 것 또한 정교한 검토를 통해 접근해야 한다. 데이터의 확보, 사용, 관리 면에서 성숙한 조직이다.
3.12 Network, 네트워크 효과로 역량을 증폭하라
인공지능 서비스에서 플랫폼이 중요한 이유는 뭘까? 인공지능이 플랫폼화되면 인공지능의 고차원적인 기능을 일반 사람도 클라우드 같은 플랫폼을 통해 쉽게 이용할 수 있다. 마이크로소프트가 PC 운영체제 시장을 90% 넘게 독점했던 것처럼, 인공지능 시대에도 플랫폼을 장악하는 기업이 많은 이점을 거머쥐게 될 것이다.
‘’’플랫폼의 가장 큰 장점은 독보적 성벽을 쌓을 수 있다는 것이다.’’’ 왜냐하면 플랫폼 내에서는 경쟁자가 따라오기 어려운 선순환 구조가 생기기 때문이다. ‘’’플랫폼 기업은 방대한 데이터를 축적함으로써 제품및 서비스의 AI 기능을 향상시킬 수 있다.’’’ 제품과 서비스가 질적으로 향상되면 더 많은 사람이 모이게 된다. 더 많은 사람이 모이면 수집되는 데이터의 양이 더 늘어나고 이는 또다시 제품과 서비스의 질적 향상으로 이어진다. 플랫폼 구축은 이러한 선순환 고리를 설계하는 것이라고 볼 수 있다.
그럼 어떻게 해야 플랫폼을 장악할 수 있을까? MIT의 마이클 쿠수마노 교수는 플랫폼을 구축하는 세 가지 원칙을 제시했다. ‘’’첫 번째 원칙은 개방성이다. 개방형 정책을 통해 타 기업이나 전문가가 자사 제품과 서비스에 이를 접목할 수 있게 해야 한다.’’’ 구글은 2016년 8월 데이터 분석과 머신러닝이 적용된 서비스인 ‘구글 클라우드 플랫폼(Google Cloud Platform, GCP)’을 내놨다. 기업용 클라우드 서비스 시장을 공략하기 위해서다. 구글은 과거에도 안드로이드를 모두에게 개방해 누구나 좋은 애플리케이션을 개발해 안드로이드 기반 스마트폰에서 구동할 수 있게 했다. 이를 더 잘할수 있도록 아예 IT 기업 입장에서는 영업 비밀에 해당할 법한 안드로이드 알고리즘 자체를 공개했다. 구글은 이에 그치지 않고 딥러닝이나 자율주행차에 적용된 머신러닝과 딥러닝 알고리즘도 오픈소스로 공개하는 정책을 펼치고 있다. 개발자들은 이제 구글의 인공지능 알고리즘을 접할 수 있게 됐다. 이러한 정책은 전 세계적으로 구글 플랫폼에 맞는 다양한 인공지능 애플리케이션이 개발되는 데 기폭제 역할을 할 것이다.
이미 알고 있겠지만, 아마존은 2016년부터 인공지능 비서 알고리즘 알렉사를 외부 기업이 이용할 수 있도록 ‘알렉사 파트너 프로그램’을 펼치고 있다. AWS 파트너 기업들이 알렉사를 자사 제품에 탑재하거나 혹은 응용개발을 할 수 있게 한 것이다. 알렉사가 수행할 수 있는 일은 3만 개에 육박한다. 이 알렉사 알고리즘을 일반 기업이 자사 제품과 서비스에 녹여내는 것을 아마존이 허용한 것이다.
(아래 사진으로 대체)
두 번째 원칙은 차별적 가치 제공이다. 아마존은 오래전부터 추천 서비스를 개발해왔다. 이 서비스는 AWS 위에서 아마존 머신러닝 서비스로 진화했다.
(아래 사진으로 대체)
정리하면, 인공지능 비즈니스 혁신에 성공하려면 ‘당장’ 움직이는 조직이 되어야 한다. 또한 조직 내 인간과 인공지능 머신의 ‘협업’체계를 구축해야 한다. 인공지능에 대한 기술적 지식뿐 아니라 비즈니스 및 산업 지식을 동시에 보유한 ‘인재’를 확보해야 한다. 또한 인공지능 도입은 IT 관련 부서만의 일이 아니며, AI와의 시너지가 극대화될 수 있도록 조직 전반적인 기능의 ‘통합’이 이뤄져야 한다. 인공지능 알고리즘의 성장 기반은 풍부한 ‘데이터’이기 때문에 데이터의 확보 및 관리가 수월하도록 정비해야 한다. 끝으로 기하급수적 성장을 이끌 수 있는 플랫폼 형태의 비즈니스를 통해 ‘네트워크’ 효과를 창추랳야 한다. 존 챔버스가 이야기했듯 끝까지 생존하는 물고기는 큰 물고기가 아니라 빠른 물고기다. 부단히 움직여라.
3.13 기술에 대한 비전을 세워라
‘’’구글 CEO인 선다 피차이는 2017년 ‘AI 퍼스트’를 선언하며 구글의 모든 사업은 인공지능 중심이 될 것이라고 발표했다.’’’ 지메일이나 검색 뿐 아니라 구글 홈, 구글 어시스턴트, 기업용 클라우드 서비스에 이르기까지 모든 서비스를 인공지능 기반으로 개발한다는 골자다. 그는 ‘’’앞으로 구글 비즈니스의 핵심은 머신러닝 등 AI에 대한 장기적인 투자라고 강조했다.’’’ 주주들에게도 인공지능은 사람들의 일하는 방식을 개선할 수 있는 기회라고 강조했다. 이 시점에 구글은 거금을 들여 17개의 기술 보유 스타트업을 인수했다.
피차이는 ‘AI 퍼스트’에서 2018년 ‘모두를 위한 AI(AI For Everyone)’로 확장된 개념을 다시 발표했다. 앞으로도 인공지능을 중심에 두고 관련 기술의 개발과 서비스 발전을 위해 다양한 시도를 펼치겠다는 의지를 전 조직과 고객에게 밝힌 것이다. 이를 통해 구글의 전 조직은 인공지능 기술과 서비스가 사람들 곁에서 구현되도록 힘을 모으고 있다. 이 메일을 보낼 때 인공지능이 적절한 문장을 예측해 제시해주고, 전화로 식당과 미용실을 예약해주는 등 일상생활에 구글의 인공지능이 스며들 수 있도록 기술을 개발하고 있다.
인공지능 비즈니스를 성공적으로 추진하기 위해서는 기술에 대한 경영자의 비전이 중요하다. 인공지능 기술 도입은 경영자의 의지와 비전만큼 이뤄질 것이다. 불확실성이 크고 생소한 영역이기 때문에 경영자의 결정 없이 조직 스스로 움직이기란 사실상 불가능하다. 앞서 인공지능 기술 도입 속도를 결정하는 변수 중 첫째가 경영자의 의지라고 밝혔다. 경영자가 인공지능을 어느 정도 강하게 도입하려 하는가. 혹은 얼마나 광범위하게 적용하려 하는가는 실제 비즈니스에서 인공지능 기술이 차지하는 비중을 결정할 것이다. 스타트업도 마찬가지다. 기술에 대한 창업자의 믿음과 자신감만큼 기술개발에 대한 투자가 이뤄진다.
나는 전작 <<기술지능>>에서 ‘’’기술혁명 시대에 필요한 것은 ‘불가능한 목표(Impossible purposes)’‘’’라고 강조한 바 있다. 인간은 대부분 과거 지향적이다. 과거 지식에 비추어 상식적이고 당연시되는 것을 추구한다. 그런데 그렇게 기존 궤도에서 가능한 것만 추구하다 보면 같은 자리에만 머물게 된다. ‘’’혁신이란 이전에 없던 새로운 궤도를 만들어내는 것이기 때문에 지금의 익숙한 궤도에서 벗어나야 하고, 익숙하지 않은 생각, 조금 무리한 상상력이 필요하다. ‘가능한 미래’는 어제의 목표이고, 새로운 혁신은 ‘불가능한 미래’에서 시작된다.’’’
(그림으로 대체)
구글의 공동창업자 래리 페이지(Larry Page) : “우리가 구글을 통해 만들어낸 많은 것들이 처음에는 미친 생각처럼 보였다.” 하지만 지금 그러한 ‘미친 생각’들이 모든 산업의 판도를 바꾸고 우리는 ‘미친 사람들’이 만들어놓은 새로운 시장 속에서 살아가고 있다. 앞으로 인공지능은 수많은 ‘미친 상황’을 만들어낼 것이다.
3년 후부터는 AI에 기반해 역량을 증폭시켜 시장을 파괴하는 기업이 많아질 것이다. 이런 시대에 시장을 파괴하는 기업은 바로 지금 불가능한 목표를 위해 한 걸음씩 전진하는 기업일 것이다. ‘’’미래학자 토머스 프레이는 현재가 미래를 만드는 것이 아니라, 미래의 비전이 현재를 만든다고 했다. 불가능하게 느껴질 정도의 대담한 비전은 시야를 넓혀준다. 시대의 흐름을 읽는 눈이 밝아질 것이고, 변화의 본질을 해석하는 눈이 생길 것이다. 경영자의 담대한 비전이 조직의 미래를 구할 것이다.’’’
(중략)
앤드르 웅이 구글 브레인팀을 이끌 때 조직 내부에서 딥러닝 기술에 대한 회의론이 일었다. 응은 구글 서비스에 AI를 적ㅇㅇ하는 데 있어서 작은 프로젝트의 성공으로 추진력을 얻고 이를 통해 점차 AI 적용 범위를 확대해나가겠다는 전략을 세웠다. 그 시작이 바로 음성인식을 통한 웹 검색 서비스 개발이었다. 구글에 직접적인 수익을 가져다주지는 않지만 이는 조직 내에서 의미 있는 프로젝트로 자리잡았고, 이 프로젝트가 성공하자 AI기술개발에 대한 추진력이 생겼다. 이를 통해 인력과 자원을 모을 수 있게 되었고 AI 도입을 구글맵 등 다른 영역으로 확대하는 데 성공했다. 이처럼 AI 이노베이션 추진에는 경영자의 전략이 필요하다.
3.14 기술의 본질을 통찰하라
인공지능에 의한 변화는 단절적이고, 불규칙적이며, 불확실할 것이다.
(중략)
‘’’첫 번째로 문제를 통찰해야 한다.’’’ 과거 변화가 크지 않고 프로세스가 대체로 정형화된 시기에는, 풀어야 할 문제 자체가 어느 정도 정해져 있었꼬, 이를 ‘어떻게 해결할 것인지(how to solve)’가 중요했다. 그러나 기술혁명으로 인해 산업의 변화가 큰 지금은 해결해야 할 문제가 무엇인지조차 알기 어렵다. ‘무엇을 해결할 것인가(what to solve)’에 대한 통찰이 중요한 시기다.
(중략)
인공지능을 도입하기 위해서는 자기 조직에 대한 솔직한 이해가 필요하다. 많은 조직이 인공지능 기술을 도입하지만 모두가 효과를 보지는 못한다. 선도적인 이미지로 포장하기 위해 무늬만 인공지능을 도입하는 기업도 많다. ‘’’내가 가진 약점을 분명히 알아야 문제를 해결할 실마리를 찾을 수 있고, 그런 상태에서 인공지능을 도입해야 기술이 작동한다.’’’ 자신에 대한 이해가 결여된 상태에서 인공지능으 롣입하면 실질적으로 창출되는 가치가 별로 없다. 인공지능은 조직의 호환을 요구하는 기술이다. 그렇기에 조직에 대한 솔직한 이해가 있어야 조직을 움직이고 AI를 받아들일 수 있다. 앞서 살펴봣듯 인공지능 도입은 조직의 대대적 변화를 수반할 수 있기 때문에, 이러한 변화를 감당할 수 있는 역량이 있고, 준비가 되었는지 냉철히 따져봐야 한다. 조직에 대한 이해가 결여된 상태에서는 ‘모든 것이 실현 가능할’ 것처럼 보인다. 그러나 현실에 부딪히면 그게 아니었다는 것을 뒤늦게 깨닫는다.
‘’’두 번째로 통찰해야 할 것은 기술의 잠재성(potential)이다. 사실 기술 자체는 현상이고, 기술 이면에 숨어 있는 본질적 가치를 읽어내야 한다.‘’’
(중략)
인공지능 기술은 잠재성이 많지만 실제 이 기술이 적용된 제품이나 서비스는 아직 파일럿 수준인 경우가 많기 때문에 성능 면에서 열등한 경우가 대부분이다...(중략)... 이 시점에서 경영자가 봐야 할것은 단순의 기술의 현재 사양이 아니라, ’’’이 기술이 장차 만들 시장의 크기, 가치의 크기다.’’’ 산업을 선도한 기업들은 대부분 아무도 주목하지 않은 미래 잠재성을 보고 조기에 도입해 시장 선점에 성공했다는 점을 기억해야 한다.
한편, 이농지능이 가져올 소비문화의 변화 또한 경영자가 통찰해야 할 중요한 부분이다. 인공지능으로 인해 서비스가 고도화될수록 소비자들은 AI 기반서비스에 의존하게 될 것이다. 내가 일일이 찾아보며 구매하는 것보다 나를 잘 아는 AI가 추천해주는 구매 대안이 더 탁월하다는 것을 점차 깨닫게 될 것이기 때문에, 사람ㄷ믈은 주체적으로 소비 의사결정을 하기보다는 인공지능 서비스에 의사결정을 맡기게 될 것이다. 이러한 변화 속에서 어떤 현상이 나타날까? ‘’’바로 브랜드 영향력이 약해지고, 인공지능 서비스의 영향력이 커진다’’’는 것이다. 지금까지는 제품에 대한 정보를 완전하게 파악하지 못했기 때문에 브랜드가 절반 정도는 제품에 대한 설명을 해주었다. 좋은 브랜드는 좋은 상품을 팔 것이라는 기대가 있었다.
그러나 AI가 시장에 있는 모든 상품군을 비교 분석해 사용자에게 가장 잘 맞는 대안을 추천해주는 상황에서는 브랜드가 의미 없다. 이런 상황에서는 브랜드의 힘에 의지하기보다는 인공지능 알고리즘이 추천하는 포트폴리오 안에 드는 것이 더 중요해진다. AI 플랫폼이 소비자에게 다가가는 제품의 필터링 역할을 하다 보니, 제품을 파는 기업 입장에서는 공략해야 할 대상이 소비자가 아닌 AI로 바뀌게 되는 것이다.
(중략)
‘’’마지막은 수익성(profit)을 통찰해야 한다. 인공지능을 도입하는 목적은 기업의 궁극적인 목적과 연결되어야 한다.’’’ (중략) 따라서 무엇보다 경영자는 인공지능 기술 도입을 통해 새로운 가치가 얼마나 창출될 수 있는지를 냉철하게 따져봐야 한다. 인공지능으로 새롭게 탄생한 제품과 서비스가 경쟁사에 비해 어떤 차별점을 갖는지에 대한 가치제안을 정확히 파악해야 하고, 타킷 고객이 느낄 가치의 크기는 어느 정도일지 객관적으로 평가해야 한다. 또한 이러한 가치를 어떤 방식으로 고객에게 제공하고, 구체적으로 어느 부분에서 현금흐름을 창출할 거싱ㄴ지 꿰뚫어 봐야 한다.
(중략)
‘’’나는 <<기술지능>>에서 통찰의 기반은 풍부한 지식이라고 강조했다.’’’ 인간은 역량 한계, 의사결정의 복잡성, 불완전한 정보 같은 문제 때문에 의사결정을 완벽하게 하지 못하며, 이런 상황에서 합리적인 의사결정은 지식의 기반에 좌우된다...(중략)...각자 보유하고 있는 지식의 양에 따라 대상을 해석하는 양상은 달라진다. 딥러닝에 대한 아무런 지식이 없다면 이걸로 뭘 할 수 있을지에 대한 통찰은 나오기 어렵다. 그러나 기술에 대한 풍부한 지식이 있고, 기술을 이용한 다양한 사례를 접해본 사람은 기술의 잠재성을 수월하게 해석해낼 수 있을 것이다.
‘’’오랜 기간 지식을 쌓으면 자기만의 지식기반이 생기고, 이는 곧 통찰력의 근간이 된다.’’’ 기술적 통찰력은 단순히 기술의 규칙, 절차, 도표 등 표면적 지식을 아는 데 머무르지 않는다. 기술을 시장에 선보일 때 일이 어떻게 돌아갈지, 어디서 잘못될 수 있을지 꿰뚫어 본다.
(중략)
‘’’인공지능 시대에 경영자가 기술에 대한 통찰력을 갖기 위해서는 AI에 숙달해야 한다.’’’ 앞으로는 인공지능에 기반하지 않은 사업이 거의 없을 것이다. 대부분 비즈니스가 인공지능에 의해 고도화될 것이다...(중략)...’’’AI에 숙달한다는 것은 인공지능으로 인해 나타나는 변화와 리스크를 이해하는 것이다. 인공지능의 한계점은 무엇인지, 무엇이 잘못될 수 있는지를 통찰해야 한다.’’’
3.15 기능적 고착에서 벗어나라
혁신을 막는 가장 큰 인지적 장벽은 기능적 고착(functional fixedness)이다. 기능적 고착은 어떤 대상을 그것의 전통적 쓰임새로만 보게 만드는 심리적 편향이다. 토니 맥카프라(Tony McCaffrey)는 어떤 대상을 보면 그 물건을 사용하는 데 중요하지 않은 기능들을 머릿속에서 자동적으로 없애 버리기 때문에 기능적 고착이 생겨난다고 설명했다.
AI에 의한 비즈니스 혁신을 이루는 데 있어서 이러한 인지 장벽을 극복하는 것은 매우 중요하다. 어떻게 극복할 수 있을까?
‘’’첫 번째는 본질적 용도의 부정이다.’’’ 모든 사물은 용도가 정해져 있는 것 같지만 달리 생각해보면, 그 무엇이든 본래의 용도를 무력화할 수 있다.
(중략)
‘’’두 번째는 이질적 결합이다. 스티브 잡스는 “창조란 그냥 여러 가지 요소를 하나로 연결하는 것”이라고 했다.’’’ 창조적인 사람에게 어떻게 그렇게 창조적으로 일할 수 있느냐고 물으면 그들은 죄책감을 느낄 것이라고도 했다. 왜냐하면 그들은 실제로 엄청나게 새로운 것을 만들어 낸 것이 아니라 단지 이미 있는 것들을 연결하기만 했을 뿐이기 때문이다.
(중략)
닛산자동차는 자율주행 기술을 회의실 의자에 접목했다. 보통 회의가 끝나면 의자가 너저분하게 어질러지는 경우가 많다. 그런데 박수 한버너 치면 모든 의자들이 자율주행 기능에 의해 원래 자리로 돌아간다. 이 의자의 이름도 이를 설명하듯이 ‘주차하는 의자(parking chair)’다. 각국 및 각 도시의 제도적 장벽 때문에 자율주행차가 도로를 다니지는 못하지만, 이 기술을 회의실과 연결해서 새로운 혁신의 제품을 탄생시킨 것이다.
‘’’세 번째는 포괄적 개념화다.‘’’ 토니 맥카프리와 짐 피어슨(Jim Pearson)은 <하버드 비즈니스 리뷰>에서 특정 대상에 대해 일반화하여 표현해보는 포괄적 기술로 기능적 고착 문제를 극복할 수 있다고 소개했다...(중략, 타이타닉호 침몰의 원인이었던 빙산의 평평한 곳으로 승객을 실어날랐따면 수 많은 생명을 구할 수 있었을 거라고 함)...’’’대상을 특정 용도에 국한하지 말고, 용도를 보다 포괄적으로 확장해 다른 차원의 용도를 떠올려볼필요가 있다.’’’
‘’’문제를 혁신적으로 해결해야 하는 상황에서 유연한 사고를 하려면 주어진 자원과 지향하는 목표를 포괄적으로 넓히는 게 중요하다. 그래야 가능한 목표와 가용 자원을 연결하기가 수월해지기 때문이다.’’’
3.16 균형감각을 유지하라
경영자는 인공지능을 도입하면 그 즉시 사업의 성과가 극적으로 좋아진다거나, 문제들이 저절로 해결되는 것으로 오해해선 안 된다. 잠재성과 실제를 구분해야 한다. 인공지능이 산업ㅇ르 크게 변화시킬 기술임에는 의심의 여지가 없다. 그러나 인공지능 도입 시점에서 이 기술을 기업에 극단적 변화를 가져올 마법상자로 보는 것은 그릇된 일이다. 미숙한 시스템에 갑자기 성숙해 영리해지고 신세계가 열리는 것이 아니다.
(중략)
또한, 기술은 사회적 메커니즘에 속해 있다는 것도 함께 고려해야 한다. 기술의 발전은 사회적 수용 없이는 이뤄지지 않는다. 아무리 뛰어난 기술이라 해도 대중이 거부하면 발전이 지속되지 않는다.
3.17 시대의 흐름에 베팅하라
‘’’변화의 시대에는 시장의 근본적 흐름을 읽고 다가오는 기회에 과감히 베팅하는 능력이 가장 필요하다.’’’ 변화가 극심할 때는 현재 자신의 위치가 위태로워질 수도 있고, 반대로 ‘’’이전에 경험해보지 못한 거대한 기회를 얻을 수도 있다.’’’
(예: 인텔은 메모리 칩이 아니라 마이크로프로세서에 베팅을 하여 PC 시대의 공룡이 될 수 있었음)
지금은 인공지능이 새로운 변화를 주도하고 있다.이 시점에 우리는 어떠한 자세를 가져야 할까? 나는 <<기술지능>>에서 세 가지 베팅의 법칙을 소개했다. 무엇보다, ‘’’모든 베팅은 변화를 일으킨다. 땅에 씨앗을 심으면 어쨌든 싹이 자라난다. 변화의 시기에 심는 씨앗은 거대한 기회를 가져올 수 있다.’’’ 앤드루 S. 그로브는 마이크로프로세서라는 씨앗을 심었고, 이를 위해 사업의 방향을 전면적으로 바꿨다. 이 씨앗은 훗날 인텔을 IT 업계 최강자로 발돋움하게 만들어주었다. 현재 시장을 주무르고 있는 거대기업의 과거를 되돌아보면 변화의 흐름을 간파해숨겨진 기회에 배팅하는 데 주저하지 않았다는 것을 알 수 있다. 제프 베조스(Jeff Bezos)는 전자상거래가 유행하기 전부터 효율적인 온라인 쇼핑몰을 구축했고, 모바일기기, 드론 등 각종 신기술을 동원해 사업의 기반을 넓혀왔다. 지금은 인공지능 기반 가상비서를 출시해 이전에 없던 새로운 시장을 창조했다. 빌 게이츠는 PC의 일반화가 진행될 것이라는 시장의 변화를 간파했고, PC 안에 들어갈 운영체제를 장악할 수 있는 기회를 만들어내기 위해 모든 역량과 자원을 투자했다. 게이츠는 이 베팅을 통해 거대 소프트웨어 왕국을 만들었다. 베팅은 크건 작건 변화를 일으킨다. 인공지능은 중대한 위협이자 거대한 기회다. 베팅은 기회에 다가서게 할 것이다.
또한, ‘’’베팅을 하지 않으면 아무 일도 일어나지 않는다. 씨앗을 심지 않으면 아무 싹도 나지 않는다. 오해해선 안 된다. 아무 일도 안 일어난다는 게 현재 상태의 존속을 의미하지 않는다. 파괴적 혁신의 시대에 가만히 있는 것은 막강한 경쟁자에 의해 도태되는 것을 의미한다.’’’
(중략)
‘’’끝으로 모든 베팅에는 희생이 다른다. 세상에 공짜는 없다는 진리는 비즈니스에 가장 잘 적용된다. 열매를 얻고 싶다면 씨앗을 심어야 하고 씨앗을 심은 이후부터는 작물을 잘 가꾸기 위해 시간과 비용을 들여야 한다.’’’
(중략)
‘’’인공지능 베팅을 위해서는 기존 사업을 잠식할 수 있는 카니발라이제이션을 감수’’’해야 한다. 이러한 희생을 감수하지 못한다면 기회를 얻기 어렵다. ‘’’코닥이 디지털 카메라 기술을 가장 먼저 개발해놓고도 디지털화에 늦은 이유는 기존 필름사업의 잠식을 우려했기 때문이라는 점을 생각해봐야 한다.’’’
‘’’인공지능에 대한 베팅은 기술의 특성상 장기적이고 지속적이어야 한다. 인공지능 알고리즘 자체가 지속적인 학습을 통해 성능을 고도화하는 속성을 지녔고, 참신한 애플리케이션을 개발하기 위해서는 끊임없는 연구개발도 이뤄져야 한다. 조직 전반적으로 AI 효과를 극대화하기 위해 교육 및 채용이 계속적으로 필요할 것이다.’’’ 구글, IBM, 마이크로소프트, 애플 등 세계적 IT 기업들은 일찌감치 AI 기술을 도입하는 데 큰 베팅을 했고, 매년 새로운 기술을 가진 스타트업을 인수하는 데 막대한 자금을 쓰고 있다. 그에 비해 국내 시장은 이러한 선도기업들과 약 2~5년 정도의 기술격차를 보이고 있다. 인공지능의 경우 선도기업의 기술 발전 속도는 후발자에 비해 빠르기 때문에 점점 따라가기 어려워질 것이다.