기술이 성과를 내는 것은 기술이 뛰어나기 때문만은 아니다. 아무리 훌륭한 기술이라도 도입 과정이 잘못되면 효과를 낼 수 없다. 인공지능은 프로세스 혁신뿐만 아니라 비즈니스 모델까지도 바꿀 수 있는 기술이다. 인공지능의 도입 과정에서 놓치기 쉬운 두가지 고려 사항을 살펴 본다.

인공지능의 데이터 고픔

데이터 폭발이 기계 학습을 가능하게 했다. 데이터가 없으면 인공지능도 없다. 흔히 범하는 오류는 데이터는 충분히 갖고 있거나 확보할 수 있다고 가정하는 것이다. 실제로는 인공지능 알고리즘을 개발하는 것보다 데이터를 준비하는 것이 훨씬 더 어렵다. 데이터를 갖추지 못하면 인공지능 프로젝트는 시작할 수가 없다.

 
[그림 1] The Virtuous cycle of AI Products
자료원: https://www.eriktrautman.com/posts/the-virtuous-cycle-of-ai-products

▶ 데이터가 부족하다
인공지능을 학습시키기 위해서는 데이터가 필요하다. 자체에서 보유하고 있는 데이터는 양도 부족하고 품질도 만족스럽지 않다. 현장에서 발생할 수 있는 모든 경우를 포괄할 수 있을 정도로 충분한 데이터를 확보하고 있는 기업은 극소수이다. 외부 데이터를 확보하는 것도 쉽지 않다. 기업들은 데이터를 경쟁 무기로 생각하고 자신의 데이터를 외부와 공유하는 것에 부정적이다. 또한 개인정보 보호와 관련된 법규들은 데이터의 자유로운 유통을 금지하고 있다.

▶ 데이터 사일로를 해결해야 한다
기업 내부의 데이터들은 데이터 정의, 데이터 형식, 데이터 원천, 데이터 표준 등이 상이하다. 또한 서로 다른 데이터를 하나의 통합된 데이터 세트로 만드는 것도 쉽지 않다. 데이터는 이용하는 조직 또는 데이터를 처리하는 시스템 별로 독자적으로 정의하고 있기 때문이다. 데이터가 사일로 형태로 존재하고 있는 것이다. 인공지능에 데이터를 학습시키기 위해서는 방대한 데이터 전처리 작업을 수행해야만 한다.

▶ 지속적으로 확보해야 한다
내부 데이터를 정비하고 외부 데이터를 조달하여 학습용 데이터를 인공지능에 적용하여 알고리즘을 만들어냈다고 해도 문제가 해결되는 것은 아니다. 시간이 지나면 학습용 데이터는 더 이상 맞지 않는다. 기업의 상품과 서비스가 바뀐다. 고객이 사용하는 언어도 달라진다. 시장 상황도 수시로 변화가 발생한다. 과거의 데이터로 구축된 알고리즘은 미래의 환경에서는 적합한 판단을 내리지 못할 가능성이 크다. 해결 방법은 현재 시점의 환경을 커버할 수 있는 데이터를 상시 확보하고 있어야 한다.

▶ 방안: 데이터 협업이 필요하다
인공지능은 항상 데이터가 고프다. 인공지능이 필요로 하는 규모의 데이터를 확보하는 것은 불가능할 수도 있다. 대안으로는 같은 니즈를 가진 기업들이 협업하여 공동으로 사용할 수 있는 학습용 데이터 공급체계를 갖추는 것이다. 지방에 기반을 둔 은행의 콜센터 데이터는 다른 지역 고객의 대화 데이터를 갖고 있지 않다. 다른 지역의 은행과 데이터 협업을 해야 하는 이유이다. 다른 방법으로는 이미 데이터를 충분히 갖고 있는 벤더에게 의존하는 것이다. 다수의 은행을 지원하는 벤더는 학습용 데이터를 충분히 확보하고 있을 가능성이 크다.

소로우 패러독스(Solow Paradox)

파일롯 프로젝트에서 효과가 있었다고 해서 실제 업무에서도 효과를 내는 것은 아니다. 동 업종의 다른 회사들이 효과를 보고 있다고 해서 우리 업무에서도 효과를 낼 것이라는 보장은 없다.

또 한가지 중요한 점은 효과를 확실히 낼 수 있다고 해도, 언제 효과를 낼 수 있을 지는 명확하지 않다. 효과가 명확하지 않은 상태에서 과감한 투자를 하기는 쉽지 않다.

[그림 2] Information Technology and the Productivity Cycle
자료원:https://finance.yahoo.com/news/heard-productivity-paradox-allow-goldman-125653669.html

▶ 효과와 시간 갭이 크다
장기적으로 인공지능 효과는 매우 크다. 하지만 단기적으로는 그렇지 않다. 이를 ‘소로우 패러독스(Solow Computer Paradox)’ 또는 ‘생산성 패러독스(productivity paradox)’라고 한다. 소로우 패러독스는 20세기에 이미 나타난 현상이다. IT를 도입하여 업무를 자동화했음에도 기업 전체 관점에서 생산성 향상은 미미했다. Nicholas G. Carr는 하바드 비즈니스 리뷰 2003년 5월호에 ‘IT doesn’t matter’라는 글을 발표했다. 결과적으로 많은 비판을 받았지만, 큰 공감을 얻은 것도 사실이다. 미국의 경우, IT를 도입한 시점과 실제 생산성 향상 시점과는 5년 정도 시차가 있다는 연구결과도 있다. 인공지능 도입의 경우도 비슷한 현상을 보일 것이다.

▶ 업무와 인프라를 바꿔야 한다
기존 환경을 바꾸지 않고 인공지능을 도입하는 것은 기대하는 효과를 실현시킬 수 없다. ‘프로세스를 자동화하지 말고 새로 만들어라’라는 마이클 해머의 BPR 이론은 인공지능 도입에도 그대로 적용될 수 있다. 인공지능이 도입될 경우, 프로세스거버넌스는 새로운 과제가 된다. 사람을 통제하는 것은 성과지표와 의사소통으로 가능하지만, 인공지능 적용 프로세스는 그렇지 않기 때문이다. 도입한 인공지능이 작동되고 진화하기 위해서는 데이터를 공급하고 과정을 모니터링하며 결과를 분석하여 피드백할 수 있는 인프라도 갖추어야 한다. 그렇지 않으면 도입된 인공지능은 시간이 지나면 효과가 사라지거나, 새로운 업무를 적용하는데 걸림돌이 될 수 있다.

▶ 전환 비용을 고려해야 한다
인공지능 관련 장비를 구매하고, 프로젝트를 추진하는 비용보다 전환비용이 더 클 수 있다. 간단한 예로 인공지능 도입으로 인력이 절감된다고 하면, 이를 현실화하기 위해서는 인력 구조를 조정해야 하는 비용이 발생하게 된다. 프로세스 방식의 변화로 필요 없게 되는 장비의 잔존 자산 가치도 고려해야 한다. 인공지능으로 새로운 비즈니스를 개발하는 경우가 아니라면 기존 인력과 자원의 가치가 소멸하거나 또는 대체하는 비용을 충분히 감안해야 한다. 인공지능 전문인력을 보유하고 있지 않다면, 이들 인력을 채용하는데 드는 비용과 기존 인력의 역량을 키우기 위한 교육 및 컨설팅 비용도 산정해야 한다. 전환이 불가능한 경우에는 인공지능 도입 자체를 재검토 하거나 시기를 조정할 필요도 있다.

▶ 방안: 전략 선택이 필요하다
두 가지 요소에 따라 전략을 선택한다. 첫째는 전략적 가치이다. 동종 업체와 우위를 차지해야 하는 업무인가를 검토하여 경쟁 수단인지 단순히 구색 맞추기인지를 판단한다. 둘째는 준비 수준이다. 특히 데이터가 준비되어 있는가와 인력, 프로세스, 인프라 등을 확인한다.

- 준비가 되어 있고, 경쟁 수단이라면, 즉시 시작한다. 투자 효과를 따져보는 것은 그다지 중요하지 않다.
- 준비가 되어 있지만, 구색 수단이라면, 동종 업체에서 적용하고 있는 수준으로 도입한다. 먼저 구축할 필요는 없다. 선도 업체의 사례를 확인하고 도입해도 늦지 않다.
- 준비가 되어 있지 않은데, 경쟁 수단이라면 본격적으로 시작하기 보다는 파일롯 프로젝트 등을 통해서 먼저 환경을 갖추도록 한다.
- 준비가 되어 있지 않은데, 구색 수단이라면 외부 서비스를 이용하는 정도로 도입하는 것이 바람직하다.
   
 
[그림 3] 인공지능 도입 전략
자료원: 투이컨설팅

- 끝 -