어린 시절 공상과학처럼 여겨지던 인공지능이 수년전부터는 현실적으로 다가오기 시작했다. 관련 업계에서는 이미 인공지능이 우리 삶에 다양한 방식으로 영향을 끼치게 될 것이라는 예측하에 여러 연구와 투자를 진행해 오고 있었을테지만, 일반인들의 경우 알파고가 이세돌 9단을 꺾은 일 이후로 인공지능에 대해 많은 관심을 가지게 되었다.
이 책은 딜로이트 부회장인 김경준님과 알고리즘랩스라는 인공지능 실용화 플랫폼 스타트업 CEO인 손진호님이 같이 지은 책이다. 특히 김경준 부회장은 1년전 오프라인 세미나에서 뵌 적이 있어 더욱 관심이 가는 책이다. 당시 세미나에서 김경준 부회장은 코로나로 인한 변화와 대응과 관련하여 Deep-tact개념을 제시한 바 있다. 코로나로 인해 느리게나마 진행중에 있던 언택트 개념이 코로나로 인해 가속화되었지만, 단순한 언택트만으로 기업은 생존하기 어렵다는 것이다. 이를 위해서는 대면과 비대면, 오프라인과 온라인, 아날로그와 디지털을 아우르는 통합적 접촉으로 고객/수요자와의 의사소통과 스킨십을 깊고 강력하게 형성해야 한다는 것이다.
피보팅은 농구에서 공을 잡은 선수가 한 발을 그대로 두고 다른 발을 움직여서 방향을 전환하는 동작이다. 이 책에서 말하는 AI 피보팅은 AI를 활용하여 기업의 혁신을 이룩하자는 의미다. 그대로 두어야 할 한쪽 발은 업의 본질이고, 이리저리 움직이면서 다양한 방식으로 가치를 만들고 전달하는 것이 AI라는 다른 쪽 발이다. 즉, 비즈니스 혁신이 목적이고, AI는 수단일 뿐이다. AI가 다시 각광을 받기 시작할 무렵, 일반기업에서는 AI를 어떻게 바라보고 대응해야할 지 많은 고민을 했었다. 막연하게나마 'AI를 기업에 적용하기 위해 박사급의 데이터과학자가 필요하지는 않을 것이다. 어느 시점에 이르면 우리가 컴퓨터의 원리를 모르고도 컴퓨터를 활용하여 업무생산성을 향상시키듯이 AI 역시 초보자도 쉽게 접근할 수 있는 수준이 될 것이다.' 라고 조심스레 전망했었는데, 이런 전망이 현실화되어 가고 있다.
얼마전까지만 해도 비즈니스에서 AI적용은 해외 IT관련 기업에서나 이루어지는 것이라는 생각이 강했는데, 이제는 국내에서도 슬슬 AI를 활용해서 다양한 분야의 생산성, 효율성을 높이는 프로젝트가 이행되고 있다. 이 책의 4부에서 제시하는 디지털 전환과 AI도입사례를 읽다보면, 이제 정말 AI가 슬로건이 아니라 실제가 되고 있다는 것을 알 수 있다. 기업에서 디지털 트랜스포메이션, 디지털 익스체인지, AI 활용을 고민하는 실무진들은 꼭 한번 읽어봐야 할 책이다. 더 이상 AI는 무엇이든 만능으로 해결해주는 유토피아로 생각할 것도 아니고, AI가 인간의 모든 것을 대체하면서 인간을 쓸모없게 만드는 디스토피아로 생각할 것도 아니다. 자신의 비즈니스에서 아날로그적 요소와 디지털적 요소를 어떻게 접목해야 할지 현실적으로 고민하는 기업만이 살아남을 수 있을 것이다.
#AI피보팅, #AI, #피보팅, #AI디지털, #디지털피보팅, #김경준, #손진호, #기업, #업종, #디지털, #디지털기술, #아날로그, #DX시대, #알고리즘랩스, #딜로이트
* 본 리뷰는 출판사로부터 도서를 제공받아 자유롭고 주관적으로 작성한 서평입니다.
- 아마존 경쟁력의 핵심은 고객별로 제안하는 역동적인 가격 책정 알고리즘이다. 경쟁자와의 격차를 확대하기 위해 알고리즘의 적용 범위를 더욱 확장 하고 있다. 2014년 10월 아마존은 정원 용품을 식별하고 추천하는 기술 특허를 취득했다. 소비자들이 정원의 사진을 찍어서 보내면 이를 분석해서 적절한 재배식물을 제안하는 서비스이 다. 제안한 식물 재배에 필요한 도구의 추천이 곁들여진다. 또 수확한 농작물 사진을 보내면 이를 분석해서 관련된 요리 조리 법을 알려준다. 추가로 구매할 식재료와 양념, 조리 도구의 구 입 제안이 뒤따른다. 제품 가격, 소비자 행동 분석, 라이프 분석 등으로 확장되는 이러한 알고리즘의 집합이 아마존 경쟁력의 핵심이다.
그뿐만이 아니다. 또한 글로벌 콘텐츠 유통시장의 변화를 주 도하고 있는 넷플릭스의 경쟁력도 고객의 시청 습관 데이터를 분석해 선호하는 콘텐츠를 제안하는 알고리즘에 기반한다. 최근 급부상하고 있는 스타트업들의 경쟁력도 주력 사업의 영역에서 확보한 알고리즘 덕분에 우위에 있는 경우가 많다.
- 맥라렌 팀은 매년 2대의 차량을 만들어 20여 회의 그랑프리에 참가한다. 1년 주기로 신차를 설계하고 완성품을 만든다는 점에서 자동차 제조업이 본질이다. 일반적인 대형 자동차 회사가 3~5년을 주기로 진행하는 작업을 맥라렌은 매년 수행한다. 포뮬러 원 그랑프리가 개막되어 신차가 경주에 나서는 3월부터 다음 해의 차량 설계가 시작된다. 경기장에서 운행되는 차량에서 산출되는 데이터를 분석해 즉각 설계에 반영한다. 매년 1만 6천여 개의 부품을 재설계하는 설계팀의 CAD는 10분마다 새로운 도면이 나오는 속도로 급속하게 진행되는 과정이다. 8월 에 있는 2주간의 경기 중단 기간 동안에 데이터를 심층적으로 재점검한 뒤 엔지니어링이 본격적으로 시작된다. 시험용 부품 을 발주하고 수령한 부품의 성능을 시험하면서 설계의 완성도를 높인다. 12월에는 신차의 부품 설계가 완료되고 1월 말에는 시 제품이 만들어진다. 2월에는 신차의 테스트 주행을 실시해 문제 점을 점검하고 필요한 보완을 거치는 과정이 3월의 그랑프리 개 막 직전까지 진행된다. 사실상 완전히 새로운 경주용 차량이 설계 - 제작 - 시험 - 완성되는 과정이 매년 반복된다. 이처럼 제조 사이클을 단축시킬 수 있는 이유는 완제품 출시와 동시에 개선점을 파악하고 설계에 반영해 부품 발주와 시제품 생산이 함께 이루어지는 프로세스 통합을 빅데이터 기반으로 진행하기 때문이다. 또한 최종 생산품이 2대뿐이기 때문에 설계 과정에서 시험용으로 생산되는 부품들은 6개 내외의 소량이다. 차량의 모든 부품들이 끊임없이 재설계되고 시험되는 과정에서 필요한 우수한 품질의 부품들을 신속하게 조달 - 시험 - 보완하 기 위해서 신소재, 3D프린팅, 데이터 분석 등 첨단 기술을 이해 하고 적용하는 역량이 필수다.
- 마차 제조 기업들은 마부들의 생존권을 내세운 격렬한 시위를 적극적으로 지지했지만 윌리엄 듀런트(William Durant, 1861~1947) 는 달랐다. 그는 1886년 25세에 마차제조회사(Flint Road Cart Company)를 설립해 미국 1위 기업으로 성장시킨 기업가였다. 시 위가 일어나기 전까지 자동차는 심한 매연에 시끄럽고 위험하다고 생각해 아이들을 자동차에 태우지도 않았고 산업 자체의 전 망에도 회의적이었다. 하지만 시위를 목격한 후 듀런트는 자동 차 산업의 미래 가능성을 감지하고 행동에 나섰다. 1904년 초창기 자동차 회사였던 뷰익(Buick)을 인수해 경영하면서 산업을 이해한 후 1908년 GM(General Motors)을 설립했다.
GM과 함께 20세기 자동차 산업을 주도한 포드 자동차도 1903년에 설립되었다. 헨리 포드(Henry Ford, 1863~1947)가 천재 엔지니어로서 마차가 지배하는 기존 질서에 도전했다면 듀런트는 기득권의 대표 주자였다. 그럼에도 듀런트는 현재의 거리를 달리는 마차에 함몰되지 않고 미래의 자동차로 시야를 확장했다.
- 100여 년 전은 운송 산업의 주력이 마차에서 자동차로 이동하는 격변기였다. 마차 관련 산업에 종사하던 수많은 기존 사업자들이 서든 데스(Sudden Death), 갑작스러운 파국을 겪었고 동시에 자동차 분야의 신생 기업들이 새로운 흐름을 만들어나갔다. 요즘 표현으로 단기간에 급속한 변화가 진행되는 특이점(Singularity)의 시대였다.
시장과 고객의 본질을 통찰한 시어도어 레빗(Theodore Levitt, 1925~2006)은 「마케팅 근시안(Marketing Myopia)」에서 마차와 자동 차가 상징하는 격변을 언급했다.
“자사의 특정 제품에만 관심이 제한되어 제품의 진부화를 보지 못한다. 마차용 채찍 산업이 전형적 사례이다. 자동차가 보급되면서 제품 개량에 아무리 노력해도 사양산업이 된다. 그러나 만약 자신의 사업을 채찍 제조업이 아닌 운송 관련업으로 규정했다면 생존 가능하다. 항상 필요한 것은 변화이다. 만약 사업을 이동 에너지에 자극이나 촉매를 제공하는 산업으로 정의했다면 자동차의 팬 벨트나 공기필터 제조업으로 변모했을지도 모른다.”
- 산업구조 변화의 관점에서 2020년은 아날로그 질서가 디지털 패러다임으로 전환되는 변곡점이었다. 21세기 초반부터 마른 땅에 물이 스미듯이 진행되던 디지털 전환은 2019년 말 중국에서 발원한 코로나19를 촉매제로 가속도가 붙었다. 방역을 위해 도입된 비대면, 언택트가 일상생활 전반으로 확산되면서 교육, 의료, 공공 부문 등 그나마 기존 아날로그 질서가 지배하던 영역들도 급속한 변화를 겪기 시작했다. 이러한 흐름의 연장선 에서 2021년부터는 아날로그와 디지털이라는 서로 다른 세계 가 교차하는 확장된 경계선에서 에너지가 분출되는 격변이 본격적으로 진행될 전망이다.
흔히 디지털 전환의 과정을 아날로그 산업의 쇠퇴와 디지털 산업의 약진이라는 단순한 구도로 접근하지만 실제로는 일방향 이 아니라 쌍방향으로 다채롭게 진행된다. 디지털 전환에서 소 위 구글, 아마존, 페이스북 등 기술 기업의 급성장은 1단계에서 가장 두드러지는 현상이다. 그러나 2단계에서는 기존 아날로그 질서에 소속되었던 전통적 산업과 기업들이 디지털 기술과 접 목되어 사업 모델을 재정립하는 흐름이 확산된다.
현재 우리나라에서도 생활 밀착형 전통적 아날로그 서비스 산 업인 세탁, 식당, 음식 배달, 주차장, 정육점 등 다양한 영역에서 디지털 기술을 활용해 고객 가치를 높이면서 사업을 확장시키는 사례는 비일비재하게 찾아볼 수 있다. 나아가 기존 아날로그 기업들이 보유한 유·무형의 자산을 활용한 디지털 혁신으로 신생 기술 기업들의 도전을 극복하고 재도약에 성공하는 사례도 속출할 예상이다.
기술과 제품의 수명 주기가 길고 기존 개념이 연장되는 시기 의 산업은 고체처럼 존재한다. 그러나 신기술의 등장으로 패러 다임이 변화하는 시기에는 산업이 액체처럼 유동화된다. 기술과 제품, 고객과 시장의 경계선에서 에너지가 분출되고 융합되면서 역동성이 높아진다.
- 전 세계의 정보기관들은 인간을 통한 휴민트(HUMINT, Human Intelligence), 기술을 활용한 테킨트(TECHINT, Technology Intelligence), 공개 정보를 취합하는 오신트(OSINT, Open Source Intelligence)의 3가지 채널로 정보를 수집한다. 정보 요원들이 활약하는 전통적 방식인 휴민트는 생생하고 직접적이지만 품질 차이가 크다. 정찰위성 등 첨단 장비로 영상 정보, 신호 정보, 계측 정보 를 수집하는 테킨트는 상대적으로 안전하지만 인프라 구축이 필 요하다. 공개된 정보에 기반하는 오신트는 인터넷이 보급되면 서 각광받고 있다. 사이버 세계에 산재된 방대한 데이터를 분석 하면 유의미한 정보가 생산되기 때문이다. 미국의 제임스 울시 CIA 국장은 “모든 정보의 95%는 공개된 출처에서, 나머지 5% 만이 비밀 출처에서 나온다.”라고 평가했다. | 이러한 정보 획득 경로를 기업의 고객 이해 측면에서 접근해 도 시사점을 준다. 휴민트는 영업 직원, 고객 평가단, 설문 조사 등에 기반한 전통적 방법이다. 테킨트는 위치, 이동, 검색, 구매 등 다양한 데이터를 디지털 기술을 활용해 분석한다. 오신트는 고객 후기, 파워 블로거, 인플루언서 등 공개된 정보에 기반한 다. 아날로그 시대에는 휴민트를 주축으로 테킨트가 보완했고 오신트는 제한적이었다. 그러나 온라인 비중이 커지는 디지털 시대에는 휴민트의 중요성이 떨어지고 테킨트와 오신트가 부각 된다. 인터넷 사용자들이 방문하는 홈페이지, 포털, SNS, 온라인 쇼핑몰 등에 남기는 디지털 흔적을 정밀하게 추적해 개개인의 특성과 취향까지 분석할 수 있기 때문이다.
디지털 전환의 맥락에서 고객을 이해하는 새로운 접근은 '휴민트-테킨트-오신트'의 구조를 재정립하고 연결해 통합하는 방 식이다. 아날로그 시대에는 개별 기업 단위가 테킨트 오신트 방 식으로 고객 정보를 수집하려면 인프라 구축에 큰 비용이 들기 에 한계가 있었다. 따라서 휴민트 정보를 위주로 고객에 대한 가 설적 추론을 할 수밖에 없었다. 그러나 디지털 시대에는 일상생 활에 보급된 다양한 디바이스와 오픈 플랫폼을 통해서 정확한 데이터의 수집이 가능하다.
- 콜센터에 전화하면 챗봇이 응대하고, 아마존의 인공지능 스피 커인 에코도 인공지능 챗봇이 기반이다. 투자펀드는 투자봇이 운영하며, 재무 분석가는 분석봇의 도움으로 작업한다. 입출금 확인, 계약서 검토, 규정 준수 모니터링 등 정형적이고 반복적으로 발생하는 업무는 사무봇인 RPA (Robotic Process Automation)가 처리하고 있다. 현실에서 인공지능(AI)은 지능확장(IA)의 형태 로 먼저 진화하고 있다. 4차 산업혁명의 전개로 AI에 대한 관심의 상승에 비례해 오해 도 많아진다. '인공지능이 인간의 일자리를 뺏어간다'에서 '인공 지능에게 인간이 지배당하는 암울한 세상'에 이르는 다양한 스펙트럼은 대체와 위협'이라는 공통점을 가진다. 미래 세계에서 인간은 인공지능에 대체되리라는 전망은 기실 18세기 산업혁명 시절 기계 도입을 반대했던 러다이트 운동의 데자뷔다. 단어만 자동 기계에서 인공지능으로 바뀌었을 뿐이다. 하지만 산업혁 명 이후의 발전 과정은 인공지능도 인간의 삶을 풍요롭게 하는 도구라는 점을 알려준다.
- 컴퓨터과학자인 앤드류 응(Andrew Ng) 스탠퍼드대 교수는 “처음 몇 개의 AI 프로젝트가 성공하는 것이 가장 가치 있는 AI 프로젝트들이 성공하는 것보다 중요하다.”라고 말했다. 실제로 진행했던 프로젝트의 경험을 비추어봤을 때 AI 내재 화 과정에서 응 교수의 주장이 매우 타당하다는 점을 실감한다. 하지만 대부분의 기업은 파일럿 프로젝트를 추진할 수 있는 인 력이 존재하지 않는다고 상황을 진단한다. 이는 잘못된 생각이다. AI를 쉽게 활용할 수 있는 툴(예를 들어 마이크로소프트의 Azure Machine Learning Studio, Rapidminer, 삼성SDS의 Brightics AI 등)을 활용하면 코딩에 대한 지식이 전무한 경영 관리자들, 심지어 철학이나 예술을 전공한 사람들도 약 30시간 정도의 교육만으로도 얼마든지 가설을 세우고 데이터를 모아 AI PoC 모델을 개발할 수 있다. 이런 역할을 할 수 있는 사람이 바로 AI 매니지먼트 인력이다. 이 인력들은 AI 관점에서 기업에 큰 의미를 주는 파일럿 프로젝 트를 수행할 수 있는 역량을 갖추고 있으며 데이터 수집, 수행, 운영, 관리 등의 과정을 총괄할 수 있다. AI 매니지먼트 역할을 수행하기 위한 필수 역량은 코딩이 아니라 산업과 직무에 대한 이해도다. 산업이나 직무에 대한 높은 이해도는 현업에서 일어나는 여러 가지 사안의 인과관계를 인지하고 있으며 정량화된 데이터를 바탕으로 비즈니스적인 인사이트를 도출할 수 있음을 의미하기 때문이다.
AI 매니지먼트 인력은 AI 알고리즘 개발이 주요한 목표가 아니다. 이미 개발된 AI 기술을 산업에 활용하는 것이 주요 목표다. 현업에 바쁜 경영 관리자들에게 굳이 과도한 시간과 비용이 수반되는 파이선 (Python) 등의 코딩을 가르칠 필요가 없다.
- 하지만 AI 기술은 보편적으로 누구나 사용할 수 있는 방향으로 급속히 발전하고 있다. 구글, 마이크로소프트, 아마존 등 AI 선두 기업들은 이를 위한 기술혁신을 이어가고 있다. 이에 따라 AI는 소수의 전문가만이 활용할 수 있는 기술이 아니라 일반 인들도 비교적 짧은 시간 안에 핵심 기술을 활용해 사업을 혁 신할 수 있는 대중화, 보편화의 길이 열리고 있다. 따라서 기업들은 AI 전문가를 채용하는 방법 외에 내부 직원 육성을 통한 AI 활용이란 대안을 모색할 수 있다. 실제 업계를 선도하는 기업들은 AI 보편화라는 트렌드에 부 합하는 최적화된 교육과 정책을 통해 AI 역량을 기업에 내재화 하기 위한 다양한 시도를 펼치고 있다. 특히 공학적 배경이 전무한 전략이나 인사, 마케팅, 재무회계 분야 등의 전문가도 AI 를 쉽게 활용할 수 있도록 유도해 사업 혁신을 이루어내는 기업 들이 등장하고 있다. 기업이 AI를 활용해 성과를 내는 과정에서 AI 기술에 대한 이해보다 더욱 중요한 요소가 있다. 바로 산업에 대한 인사이트다. 다시 말하지만 AI는 소수의 전문가 집단만을 위한 분야가 아 니다. 철학이나 문학, 예술을 전공한 사람들도 30시간 정도의 교육만 받으면 얼마든지 AI를 활용해 기업 활동을 혁신하고 경쟁력을 높일 수 있다.
- 1980년대 이래 컴퓨터, 이메일, BPR, ERP 등이 기업 경영 에 도입되었다. 모두가 처음에는 생소하고 어색해 거부감도 있었다. 기업에서 인간의 역할과 입지가 줄어드리라는 불안감과 두려움도 존재했다. 그러나 실제로는 기업의 규모가 커지고 효율성도 높아지면서 인간들은 단순 반복 업무를 벗어나 보다 창의적인 업무를 하게 되었다. 우리나라를 대표하는 기업들은 1990년대 인력의 대부분이 생산 현장에 있었으나 지금은 연구 개발, 마케팅 등의 부문에서 일하고 있다. AI도 동일한 맥락임을 이해시켜야 한다. 인간들은 실체를 이해하면 수긍하게 되기 마련이다.
- 현업의 AI 적용에서 흔히 데이터의 한계를 애로사항으로 지목한다. 실제로 지금까지 기업이 축적한 데이터는 AI 분석의 구조로 사용하기는 어려운 경우가 많다. 그리고 기존 데이터를 정비하는 데이터 전처리(Data preprocessing) 과정도 많은 시간과 비 용이 드는 작업이다. 대용량의 데이터도 전처리를 거치지 못하 면 오류 덩어리가 되기에 이 과정을 거쳐서 AI에 입력되는 데이터의 품질을 확보한다. 데이터 전처리는 기계적 데이터 전처리(Mechanical data preprocessing)와 의미적 데이터 전처리(Semantic data preprocessing)의 2가지로 구분된다. 기계적 전처리는 데이터의 오류나 잡음을 제거하는 기술적 과정으로 비교적 단순하다. 반면 의미적 전처리는 도메인 지식을 기반으로 데이터를 정리하고 재구성하는 상대적으로 창의적인 과정이다. 스몰데이터로도 의미적 전처리 과정을 잘 진행하면 빅데이터에 비견되는 품질을 확보할 수 있다. AI 도입의 전제 조건은 데이터의 확보다. 데이터를 통해 AI 를 학습시키고 알고리즘을 구성한다. 이 과정에서 빅데이터의 확보는 바람직하지만 필수조건은 아니다. 빅데이터라도 데이터 전처리가 되지 않으면 의미 없는 기호 뭉치와 다름없다. 스몰데 이터로도 데이터 전처리, 특히 의미적 데이터 전처리를 잘 진 행하면 기대 효과를 얻을 수 있다. 데이터가 100개로도 유의미 한 AI가 만들어진다. 100만 개라면 더욱 좋다. 그러나 빅데이터 확보가 AI의 선결조건이라는 입장은 오해다.
- AI를 다루는 데이터 전문가에게 가장 필요한 역량은 수학적 지식이나 코딩이 아니라 도메인 지식이다. AI 기술 분야의 전문 가보다는 AI 기본 기술을 단시간 내에 효율적으로 습득한 도메 인 전문가가 기업이 원하는 최적의 솔루션을 내놓는 데 더 적합 할 수 있다. 알고리즘이 이 도메인에 대한 지식만큼은 따라잡기 어렵기 때문이다. 이런 관점에서 기업들도 내부 실무 인재들에게 AI를 교육하고 이미 나와 있는 기술에 대한 활용 능력을 배양하는 방향으로 내부 인력 정책을 수립해야 한다. 기업 입장에서 알고리즘의 정확도를 90%에서 90.1%로 끌어올리는 일보다 실무 인재들이 AI 가 아직 도입되지 않는 업무 영역을 발굴해 이 90%로 검증된 알고리즘을 적용하도록 교육하는 일이 의미가 있다.
- AI 프로젝트도 초기에 작은 성공을 통해 조직 내 신뢰감을 높이고 점차 큰 성공으로 나아가는 방향이 바람직하다. 실제로 AI 를 가장 잘 활용하는 기업 중 하나인 구글조차 AI 초기 도입에 어려움을 겪었다고 한다. 구글 내부의 AI에 대한 회의론이 심각 해, 민감도가 높은 검색이나 광고 사업이 아닌 음성인식 영역에 서 첫 번째 AI를 도입했고 음성인식율을 성공적으로 향상시켰 다. 이를 바탕으로 내부의 AI에 대한 회의론을 줄여나갔으며, 이 모멘텀을 토대로 조직에 AI가 확산되는 계기를 마련할 수 있었 다. 구글 브레인을 총괄했던 앤드류 응 스탠포드대 교수는 도입 초기에 시작한 소수의 AI 프로젝트가 가장 가치 있는 AI 프로젝트보다 중요하다고 강조했다. 첫 번째 시도가 있어야만 그게 완벽하지 않더라도 유의미한 성과로서 기업 내에 공유되고 가장 가치 있는 프로젝트를 낳는 초석이 될 수 있기 때문이다. 반드시 성공할 수 있는 AI 프로젝트는 존재하지 않는다. 아직 AI 도입은 초기 단계로서 성공 사례도 많지 않다. 하지만 AI를 성공적으로 도입한 기업들은 초기의 위험을 일정 수준 감수하고 시작했다. 실패해도 되는 적정 규모의 프로젝트를 선택하는 것 도 능력이다. 실패를 거듭해야만 부족한 영역이 채워진다. 가장 의미 있는 첫 AI 프로젝트의 성공을 이루어나가기 위해 서 아래의 전략을 참고할 필요가 있다.
- 어떻게 당신의 회사를 인공지능 시대로 이끌 것인가 : 파일럿 프로젝트를 통해 추진력 얻기
* 새로운 혹은 외부의 AI (회사의 비즈니스에 대한 깊은 도메인 지식은 없을 수 도 있음)이 깊은 도메인 지식을 갖고 있는 내부 팀과 파트너 관계를 맺 고 6개월에서 12개월 내에 견인력을 보이기 시작하는 AI 솔루션을 구축하는 것이 이상적이다.
* 기술적으로 가능한 프로젝트를 해야 한다. 오늘날 AI 기술을 사용해 불가능한 프로젝트를 시작한 기업들이 너무 많다. AI 엔지니어가 킥오프 전에 프로젝트에 대한 실사를 수행하는 것이 프로젝트 실현 가
능성을 높일 것이다.
* 비즈니스 가치를 창출하는 목표를 정의 가능하고 측정 가능한 형태 로 명확하게 세워야 한다.
- 스티치 픽스의 별명은 패션계의 넷플릭스다. 홈 비디오 시장이 오프라인 대여에서 온라인 스트리밍으로 넘어가면서 급부상 한 넷플릭스의 성공 요인은 시청자의 선호도 데이터에 기반한 추천 알고리즘이었다. 스티치 픽스는 넷플릭스의 핵심 인력이 었던 에릭 콜슨을 2012년 영입해 정교한 알고리즘을 개발했다. 다만 넷플릭스는 철저히 기계적 알고리즘을 기반으로 콘텐츠를 추천하는 반면, 스티치 픽스는 AI가 선별한 후보군에서 패션 전 문가가 최종 판단하는 차이가 있다. 정교한 데이터 분석 결과를 숙련된 인간의 감각으로 보완하는 협력 구조다. 스티치 픽스는 의류를 제조하지 않는다. 기존의 의류, 액세 서리 회사의 제품으로 고객에게 맞춤형 스타일을 제안해 구매를 유도하는 유통 사업이다. 핵심 경쟁력은 데이터 기반으로 AI 와 전문가의 협업을 통한 큐레이션의 정확도에 있어 패션 회사 로 위장한 데이터 회사라고 평가받는다. 패션은 극심한 경쟁의 레드 오션 업종이지만 스티치 픽스는 디지털 AI 기술을 접목해 성장 사업으로 전환시켰다. 2011년 창업해 2017년 상장했고, 2020년 매출은 17억 달러, 활성 고객(Active Client) 370만 명에 1인당 486달러를 구매했다.
- 일본의 현장 능력을 강점으로 살릴 시대의 도래에 주목해야 한다. 첨단 디지털 기술 자체는 강점이 되지 않는다. 디지털 기술을 어디에 어떻게 쓰면 가치가 생겨나는지가 중요한 포인트가 된다. 디지털화해야 하는 포인트와 프로세스를 발견하는 힘이 있는 것은 현장의 인재다. 디지털 변혁의 주 싸움터는 가상의 현장이 아니라 산업의 리얼한 현장에 있다. 리얼한 현장의 디지털 전환(DX)은 현장에 축적된 노하우와 기술이 강력한 무기다. 아날로그적인 숙련 기술을 디지털화해 조직 내에 이식하는, 혹은 피지컬한(물리적인) 요소와 디지털을 융합한 시스템에서 고객에 새로운 가치를 낳게 하는 틀은 강한 현장력을 가지지 않은 해외 기업들은 흉내낼 수 없다. 이런 DX 추진이 일본의 승산이라고 생각한다 (마스다 다카시, 도레이 경영연구소 수석이코노미스트)
- 2007년 번 슈미트(Bernd Schmitt)는 『빅 씽크 전략(Big Think Strategy)에서 큰 변화를 큰 생각으로 이해하고 큰 전략으로 접 근해야 한다고 설파했다. 트로이 목마 하나로 오랜 전쟁을 단숨 에 끝낸 오디세우스처럼 시장(市場)을 단숨에 뒤집는 창조적이고 대담한 아이디어가 21세기 기업 전략의 핵심이라는 입장이다. 빅 씽크 아이디어를 도출하기 위해서 다양하고 이질적인 현상들 을 연결시켜보고, 외부 사례를 벤치마킹한다. 다음으로 조직에 깔려 있는 고정관념에 도전하고 시간의 틀에서 벗어나 현재 상태를 미래와 과거의 시나리오와 연결해보라고 조언한다. 빅 씽크의 접근 방식은 AI 디지털 전환에서도 유효하다. 앞서 소개한 성공 사례의 공통점은 이질적 요소의 연결, 고정관념 에 도전, 시간의 틀에서 탈피에 있다. 고객 경험과 배달 피자의 연결, AI를 적용한 개별 패션 제안, 미각과 데이터 연결에서 출 발해 기존 사업 모델의 고정관념에 도전해 미래의 시나리오를 창조했다. 센서와 데이터는 디지털 시대의 기반이다. 속도, 온도, 행동 등 다양한 변수를 감지하는 막대한 숫자의 센서가 다양한 위치에 장착되어 빅데이터를 산출하고 있다. 또한 AI 컴퓨팅 능력의 비약적 발전은 빅데이터를 해석하고 메시지를 도출해 의사 결정 을 지원한다. 소위 빅데이터로 나무를 세세하게 살펴보는 동시 에 인간의 통찰에서 비롯되는 빅 씽크의 시야로 숲을 조망할 수 있는 시대다. 아날로그 기업의 디지털 피보팅은 빅데이터에 기 반해 세부를 파악하면서 빅 씽크의 큰 생각으로 전체 미래 모습 을 그리는 방식으로 접근해야 한다.
- 아날로그 사업 방식을 유지해서는 미래가 없다. 추락하는 속도의 차이가 있을 뿐이지 결말은 동일하다. 오늘날 위스키 상표 로 유명한 커티삭의 역사가 19세기 해상운송에서 일어났던 패 러다임 변화를 잘 나타내고 있다. 문명 시대 이후 해상무역은 바 람을 이용하는 범선이 주도했다. 15세기 후반 대항해 시대가 개 막되고 동서양을 오가는 장거리 해상무역이 등장하면서 범선의 위상은 더욱 중요해졌다. 해마다 물동량이 늘어나면서 범선은 커졌고 속도도 빨라졌다. 대형 범선의 전성기는 19세기 중반이었다. 중국에서 수확철에 선적되어 영국으로 신속하게 운송되는 햇차가 높은 가격에 팔렸기 때문이다. 당시 최초로 도착한 햇차는 운송선까지 전국적 관심사였을 정도로 인기였다. 이런 배경에서 1869년 영국에 서 당대의 선박 제조 기술을 총동원한 대형 쾌속 범선 커티삭 (Cutty Sack)'이 진수되었다. 커티삭은 중국과의 차 무역에서 활약 했고, 1884년에는 오스트레일리아~영국 양모 운반 항로를 순항 속도 17노트로 67일 만에 주파하는 기록도 세웠다. 당시 증기선은 철로 제작해 무거운 데다 연료인 석탄도 싣기에 화물 적재량이 적었고 속도도 10노트 정도로 느린 고비용 저 효율 운송 수단이었다. 이후 증기선 기술이 발전하면서 범선도 다양한 신기술이 개발되었으나 대세는 막지 못했다. 결국 19세 기 말엽부터 범선은 대양 무역로에서 자취를 감추기 시작했다.
'경영' 카테고리의 다른 글
| 긱 마인드 (0) | 2021.07.06 |
|---|---|
| 빅 컨버세이션 (0) | 2021.07.06 |
| 리더는 결정으로 말한다 (0) | 2021.06.29 |
| 사장을 위한 권력학 (0) | 2021.06.29 |
| 배달장사의 진짜 부자들 (1) | 2021.06.26 |
