업데이트일: 2024년 9월 13일
기고자: Molly Hayes, Amanda Downie
AI 혁신은 기업이 혁신, 효율성 및 성장을 추진하기 위해 인공 지능(AI)을 운영, 제품 및 서비스에 도입하고 통합하는 전략적 이니셔티브입니다. AI 혁신은 다양한 AI 모델과 기타 기술을 활용해 조직의 워크플로를 최적화하고 지속적으로 진화하는 민첩한 비즈니스를 구축합니다.
AI 혁신은 머신 러닝 및 딥 러닝 모델(예: 컴퓨팅 비전, 자연어 처리(NLP), 생성형 AI)을 다른 기술과 함께 사용하여 다음을 실현할 수 있는 시스템을 구축하는 것입니다.
- 수동 작업과 반복적인 관리 작업을 자동화합니다.
- 코드 생성을 통해 앱과 IT를 현대화합니다.
- 고급 분석을 사용하여 데이터 기반 인사이트를 제공하고 의사 결정을 지원합니다.
- 데이터를 통해 "학습"하여 시간이 지날수록 정확도와 성능을 개선합니다.
- 개인화 및 챗봇으로 고객 경험을 개선합니다.
AI의 발전이 가속화됨에 따라 AI 혁신은 비즈니스의 장기적인 성공에 중요한 요소가 되었습니다. IBM 기업가치연구소(IBV)의 최근 보고서인 "자동화된 AI 기반 세계를 위한 역량 강화"에 따르면, AI를 혁신 여정에 통합한 조직은 경쟁사보다 더 뛰어난 성과를 거두는 경우가 많습니다.
일반적으로 AI 혁신은 기존 비즈니스 프로세스를 단순히 새로운 기술로 복제하는 차원을 넘어 훨씬 더 종합적인 노력을 수반합니다. 완전히 새로운 비즈니스 방식을 창출하고 생산성을 높이며 지속 가능한 성장을 촉진할 수 있어야 잘 짜인 AI 혁신 전략이라고 할 수 있습니다. AI 혁신 과정에서는 기술을 실현하고 확장하기 위해 종종 기업의 전략과 문화를 변화시켜야 합니다.
AI 혁신 전략에는 다양한 기술이 포함될 수 있으며, 광범위한 솔루션 툴킷이 필요한 경우가 많습니다. 배포되는 구체적인 AI 도구는 조직이 추구하는 비즈니스 목표에 따라 달라집니다. AI 혁신에 사용되는 가장 일반적인 기술 몇 가지는 다음과 같습니다.
NLP를 사용하면 컴퓨터가 텍스트 또는 오디오 형식의 인간 언어를 처리할 수 있습니다. 지능형 검색이 용이하며 소셜 미디어에서 소비자 감정을 분석하고 자료를 한 언어에서 다른 언어로 변환하고 콘텐츠를 요약하거나 대규모 데이터 세트에서 관련 정보를 추출할 수 있습니다.
컴퓨팅 비전은 시스템이 알고리즘 및 기타 기술을 사용하여 디지털 이미지 또는 동영상에서 의미 있는 정보를 수집할 수 있는 기술입니다. 이미지 분류, 이미지 기반 검색, 객체 감지 및 검색 등의 애플리케이션이 있습니다. 컴퓨팅 비전을 사용하는 예로 유지보수가 필요한 기계를 식별하거나 관련 메타데이터로 이미지에 자동으로 태그를 지정하는 것을 들 수 있습니다.
광학 문자 인식(OCR)은 인쇄된 텍스트나 손으로 쓴 텍스트를 인식하여 기계에서 읽을 수 있는 형식으로 변환하는 기술입니다. OCR은 다루기 힘든 문서 컬렉션을 더 간단하게 편집, 저장 및 검색할 수 있도록 만드는 디지털화 작업에 널리 사용됩니다. OCR로 변환된 데이터 세트는 AI 모델의 학습 및 조정을 지원할 수 있습니다.
IoT 통합은 연결된 장치의 경도 및 위도 위치를 나타내는 지리적 위치를 포함합니다. 지리적 위치는 영역 기반 가격 책정 또는 타겟 마케팅과 같은 위치 기반 고객 상호 작용을 지원합니다. 운영 역량 측면에서는 센서가 장착되고 사물인터넷(IoT)에 연결된 자산 및 제품을 추적하여 AI 지원 경로 계획 또는 공급망 최적화를 촉진할 수 있습니다.
자동화는 기계가 인간의 개입이 거의 또는 전혀 없이 반복적인 작업과 프로세스를 수행하는 것입니다. 지능형 자동화 또는 AI 지원 자동화는 AIOps 및 복잡한 비즈니스 프로세스 관리를 포함하여 비즈니스 맥락에서 다양한 용도로 사용됩니다.
의사 결정 지원 시스템은 의사 결정자가 구조화되지 않은 문제를 해결하는 데 도움이 되는 반면, 전문가 시스템은 종종 어려운 특정 문제를 해결합니다. 둘 다 한 사람이 흡수하기 어려운 대규모 데이터 세트를 기반으로 하는 신속한 데이터 기반 인사이트를 조직에 제공합니다.
빅데이터 분석에서는 막대한 양의 데이터를 사용하며 의미 있는 정보와 가치를 추출하기 위해 머신 러닝, 데이터 마이닝과 같은 고급 분석 기술이 필요합니다. 빅데이터는 AI 모델을 학습시키는 데 사용되며, 일반적으로 데이터 레이크하우스에서 처리되어 수집, 정리, 분석됩니다.
비즈니스 프로세스를 디지털화하기보다 AI 우선 사고 방식을 수용하는 조직이 빠르게 변화하는 비즈니스 에코시스템에서 큰 경쟁 우위를 확보할 수 있습니다. AI 여정에 적합한 단 하나의 표준 플레이북이 있는 것은 아니지만, AI 혁신의 초기 계획 단계에서는 일반적으로 다음 사항을 고려해야 합니다.
- 전략과 가치: AI 혁신의 사용 사례와 목표는 무엇인가요? 어떤 워크플로를 지원하며 성공을 판단하기 위한 내부 메트릭은 무엇인가요?
- 기술 및 데이터: 조직의 전략에 가장 적합한 모델, 데이터 및 배포 전략은 무엇인가요?
- 경험 디자인: 내부 및 외부 사용자는 AI와 어떻게 상호 작용하나요?
- 운영 모델: 조직이 비즈니스 전반에 걸쳐 새로운 기술을 확장하는 방법은 무엇인가요?
- 인재와 문화: 조직에서 교육, 업스킬링, 채용을 통해 AI 문화를 어떻게 수용할 계획인가요?
AI 혁신은 역동적인 프로세스입니다. AI 사용 사례와 구현 방식은 기업마다 다릅니다. 그러나 전략의 효과를 보장하려면 AI를 학습시키고 배포하기 전에 일반적으로 다음과 같은 계획 프로세스를 따라야 합니다.
정보 수집: 이 단계에서 조직은 생성형 AI, 머신 러닝, 컴퓨팅 비전 및 기타 기술과 같은 도구를 이해하기 위해 조사를 수행합니다. 이해관계자가 AI로 해결할 수 있는 비즈니스 문제를 파악하고 실현 가능한 이점의 윤곽을 잡는 탐색 단계입니다.
현재 리소스 및 제한 사항 평가: 조직에서 포괄적인 계획을 수립하기 전에 일반적으로 기존 비즈니스를 감사하고 IT 부서의 역량 및 데이터 관행을 검토합니다.
목표 정의하기: 이 단계에서 조직은 해결하고자 하는 구체적인 문제와 구현 중에 성공을 측정할 방법을 파악합니다.
로드맵 구축: 로드맵을 구축할 때 조직은 실질적인 필요에 따라 어떤 종류의 지원이 필요한지, 그리고 어떤 파트너 또는 공급업체가 AI 관련 전문성을 가지고 참여해야 하는지 결정하여 AI 프로젝트를 선택합니다.
이러한 전략적 계획 단계가 완료되면 AI 모델의 설계, 구축, 학습, 검증 및 조정을 시작할 수 있습니다. 책임감 있고 효과적인 AI 배포를 촉진하는 몇 가지 단계는 다음과 같습니다.
- 데이터 수집 및 관리
- 데이터를 정리하세요.
- AI 모델 구축, 학습 및 조정
- 워크플로 자동화 및 애플리케이션에 AI 추가
- 기업 전체에 AI 보급
AI 혁신의 첫 번째 단계는 AI를 학습시키고 조정하는 데 사용되는 원시 데이터를 파악하고 활용하는 것입니다. 사용할 수 있는 타사 데이터를 결정하는 것도 포함됩니다. 조직에서는 근본적인 재구성이 필요한 경직된 아키텍처와 데이터 사일로로 인해 제한을 받기도 합니다.
이 프로세스에는 다양한 부서 및 하위 부서에서 데이터를 가져오거나, 기존 기록을 디지털화하거나, 보다 강력한 데이터 관리 시스템을 구현하는 것이 포함될 수 있습니다. 이 프로세스에는 데이터 과학에 대한 유창함이 필요하므로 전문가를 고용하거나 사내 직원의 기술을 향상 시켜야 할 수 있습니다.
데이터 품질과 강력한 데이터 거버넌스 관행은 성공적인 AI 혁신의 근간입니다. 이 프로세스 동안 조직은 검색 가능성 및 관리 규칙과 함께 데이터 파이프라인의 정확성과 정제 상태 보장을 지원합니다. 여기에는 DataOps 도구로 일부 워크플로를 자동화하고, 데이터 웨어하우스 및 인프라를 최적화하고, 데이터 레이크하우스와 같은 데이터 관리 솔루션에 투자하는 것이 포함될 수 있습니다.
구성 단계에서 기업 리더는 데이터 소유자, 데이터 보안 조치, 데이터 사용 조건 등을 결정합니다. 이 프로세스를 통해 적절한 사용자가 적시에 데이터에 액세스할 수 있도록 하는 셀프 서비스 파이프라인을 만듭니다.
정제되고 체계화된 데이터를 사용하여 기업은 AI 모델을 구축하고 학습시키며 검증 및 조정할 수 있습니다. 내부 AI 엔지니어링 인력이 충분하다면 이 프로세스를 내부에서 완료할 수 있습니다. 많은 조직들은 성공 실적이 있는 타사 공급업체와 협력합니다.
이 단계에서 AI 모델은 대규모 데이터 세트를 통해 "학습"하고 더 작은 규모의 작업별 데이터 세트를 기반으로 미세 조정됩니다. 이 초기 개발 및 테스트 기간이 지난 후에는 검증 및 테스트 워크플로가 진행되어 모델이 학습을 계속하며 일관성을 높일 수 있습니다.
AI가 준비되면 기업 전체에서 이전에 식별된 워크플로 및 애플리케이션에 통합됩니다. 일반적으로 AI는 다른 기술 및 기법과 함께 사용되며, AI를 배포하려면 IT, 엔지니어링 및 인프라 팀과 다른 이해 관계자 간의 협업이 필요합니다. AI가 일상적인 비즈니스 프로세스를 강화하고 비즈니스의 일상적인 운영의 일부가 됨에 따라 조직 전체에서 역할이 이동함에 따라 강력한 변경 관리 전략이 필요할 수 있습니다.
강력한 자동화 및 지능형 애플리케이션 방식을 기반으로 조직은 AI를 비즈니스에 보다 심층적으로 구축하고 업무 방식을 혁신할 수 있습니다. 직원들이 일상적인 작업에 소비하는 시간이 줄어들기 때문에 보다 더 창의적이고 가치 있는 작업을 수행하도록 장려하기 위해 조직 전체의 변화가 필요할 수 있습니다. 또한 이 단계에서는 더 복잡한 워크플로를 AI 기반 도구의 조합으로 완전히 대체할 수 있습니다.
AI 트랜스포메이션에는 소비자 행동에 대한 인사이트 제공 또는 고급 Forecasting을 통해 엔터프라이즈 수준의 비즈니스 관행에 대한 AI 지원 분석도 포함될 수 있습니다. AI가 비즈니스에 완전히 통합됨에 따라 조직은 AI 라이프사이클을 자동화하여 실험 속도를 높이고 목적별 모델을 더 빠르게 구축할 수 있습니다.
AI 혁신은 비즈니스의 모든 측면에서 성과를 개선할 수 있습니다. 이러한 혁신의 도입으로 조직은 관리 작업을 자동화하고 고도로 개인화된 고객 경험을 촉진하고 자동 코드 생성으로 IT 프로세스를 현대화할 수 있습니다.
몇 가지 사용 사례는 다음과 같습니다.
- IT 현대화
- 고객 서비스 워크플로
- 공급망
- HR 및 인재 관리
- 영업 및 마케팅
- 핵심 사업 운영
AI 모델은 IT 프로세스 및 운영에서 다양한 애플리케이션에 이용될 수 있습니다. AI는 IT 민첩성을 빠르게 높이고 앱 현대화 및 플랫폼 엔지니어링과 같은 복잡한 프로세스를 처리할 수 있습니다.
예를 들어, 생성형 AI는 코드를 생성하고 코드를 한 언어에서 다른 언어로 변환하고 코드를 리버스 엔지니어링하고 혁신 계획을 추진할 수 있습니다.
또한 이러한 도구는 개발자를 위해 강화된 사이트 신뢰성 엔지니어링을 제공하고 테스트 프로세스를 자동화하여, 궁극적으로 IT 프로세스를 간소화하며 직원들이 보다 창의적이고 인간 중심적인 작업에 집중할 수 있도록 합니다.
생성형 AI로 고객 경험 제공 방식을 혁신하여 기업을 차별화하고 경쟁 우위를 확보할 수 있습니다. AI 도구는 맞춤형 추천을 제공하고 하루 중 언제든지 고객 지원을 처리하며 소셜 미디어 게시물, 개인화된 메시지, 웹사이트 카피와 같은 개인화된 콘텐츠를 원활하게 생성할 수 있습니다.
AI는 대량의 데이터를 분석하고 감정을 분석함으로써 패턴을 파악하여 향후 소비자 행동을 예측할 수 있습니다. 예를 들어, 은행은 개인화되고 자동화된 포트폴리오 관리 서비스를 제공할 수 있으며 정부는 공문을 여러 언어로 자동 변환할 수 있습니다.
기업은 AI를 사용하여 소싱-결제 프로세스를 자동화하고 리소스 요구 사항을 관리하여 비효율성과 낭비를 줄일 수 있습니다. 예를 들어, AI 도구로 배송을 분류하여 가장 비용 효율적이고 환경적으로 지속 가능한 주문 처리 방법을 선택하거나 과거 데이터를 분석하여 수요를 예측할 수 있습니다.
AI 기반 주문 인텔리전스 시스템은 주문 관리에 대한 신속한 통찰력을 제공할 수 있는 기능을 갖추고 있어 비즈니스 리더가 잠재적인 중단을 식별하거나 문제가 발생하기 전에 식별할 수 있습니다. AI는 실제 프로세스나 장비를 재현하는 디지털 트윈과 결합되면 유지 관리 및 일정 관리와 같은 프로세스를 최적화하여 효율성을 높일 수 있습니다.
영업 및 마케팅 분야에서 AI는 대규모 개인화를 제공하고 구매 내역 및 기타 데이터를 기반으로 제품 추천과 소비자 커뮤니케이션을 자동으로 생성할 수 있습니다. 이 기술로 미래의 트렌드와 고객 행동을 예측하여 마케팅팀은 콘텐츠 공급망 전반에 걸쳐 리소스를 보다 효율적으로 할당하고 전반적인 고객 경험을 향상할 수 있습니다. 이러한 도구를 사용하면 영업 전문가가 더 가치 있는 업무에 시간을 할애하여 의사 결정을 개선하고 생산성을 높일 수 있습니다.
기업 수준에서 AI를 도입하면 기업의 핵심 운영을 간소화하고 증강할 수 있습니다. AI는 제품 개발을 도울 수 있습니다.
예를 들어, 의료 기업은 분자 구조를 추론하도록 학습된 AI 모델의 도움으로 신약 개발을 가속화할 수 있습니다.
제품팀은 AI를 사용하여 라이프사이클 전반에 걸쳐 제품을 테스트하고 최적화할 수 있습니다. 이 기술은 위협 관리 및 의사 결정 지원에도 적용될 수 있습니다. 이러한 기능으로 인시던트 대응 시간을 단축하고 비즈니스 리더는 미래의 위험을 사전에 계획하고 관리할 수 있습니다.
정교한 방법론을 갖춘 강력하고 책임감 있는 AI 프로젝트를 통해 성과를 개선하고 비즈니스에 상당한 경쟁 우위를 확보할 수 있습니다. 그러나 모든 디지털 혁신이 그렇듯이 성공적인 도입과 실질적인 비즈니스 영향이 늘 보장되지는 않습니다.
McKinsey에 따르면, 설문조사에 참여한 기업의 90%가 어떤 형태로든 디지털 혁신을 시작했습니다. 그러나 예상 매출 효과의 1/3만 실현되었습니다.1 AI의 긍정적인 영향을 완전히 실현하려면 조직은 다음과 같은 몇 가지 일반적인 과제를 극복해야 합니다.
비즈니스 전반으로 AI를 확장하는 것은 어려운 과제이며, 이를 위해 의사 결정권자와 이해관계자는 기술이 조직에 통합되는 방법의 틀을 잡기 위해 상당한 시간과 에너지를 투자해야 합니다. AI 혁신의 일환으로 기업은 대량의 데이터를 관리해야 하며 목표를 달성하기 위해 상당한 컴퓨팅 성능이 필요합니다.
성공적인 구현을 위해서는 조직에 적합한 AI 모델을 찾기 위한 광범위한 연구와 AI 솔루션을 구동할 인프라에 대한 상당한 투자가 필요합니다. 점점 더 많은 기업이 광범위한 도입 및 배포를 지원하기 위해 하이브리드 클라우드 모델을 고려하고 있습니다.
탁월한 데이터 거버넌스를 위해서는 AI 학습에 사용되는 데이터가 명확하고 일관되며 안전해야 합니다. 즉, AI를 도입하려는 조직은 데이터 기업이 되어야 합니다. 예를 들어 대규모 언어 모델(LLM)을 학습시키는 데 사용되는 인풋은 적절하게 구성 및 저장되어야 하며 편향되거나 독점적인 데이터를 사용하지 않는 방식으로 소싱되어야 합니다.
우수한 데이터 거버넌스를 구축하면 모델 아웃풋의 관측과 설명이 가능합니다. 성공적인 AI 혁신에 참여하는 조직은 일반적으로 데이터 활동을 모니터링하고 사이버 보안 관행을 지속적으로 감사합니다. 또한 현지 규정에 따라 민감한 데이터를 암호화합니다. 이 단계에는 온프레미스, 클라우드 및 서비스형 소프트웨어(SaaS) 앱에서 데이터 보안을 강화하기 위한 여러 프로세스가 포함될 수 있습니다.
AI 시스템을 기존 IT 인프라, 워크플로 및 비즈니스 프로세스와 통합하는 것은 복잡하고 시간이 많이 소요될 수 있습니다. 또한 AI를 도입하려면 상당한 조직 변화와 문화적 변화가 수반됩니다. 기업은 변화 관리 이니셔티브에 투자하고 이해관계자와 긴밀히 협력하고 신뢰할 수 있는 타사와 파트너십을 맺어 역량 강화 및 교육을 위한 문화를 조성할 수 있습니다.
AI 프로젝트에는 데이터 엔지니어, 데이터 과학자 및 데이터 분석가를 포함해 고도로 숙련된 다양한 전문가가 참여할 수 있습니다. 어떤 조직은 기존 직원의 능력을 개선하기도 하지만, 어떤 조직은 원활하고 책임감 있는 AI 혁신을 보장하기 위해 중요한 인재를 새로 채용해야 할 수 있습니다. 여기에는 인적 자원 부서의 작업이나 신중하게 관리되는 전환 프로그램이 포함될 수 있습니다.
IBM의 AI 컨설팅 서비스는 AI 기술과 함께 심층적인 산업 경험을 결합하여 팀을 대체하는 것이 아니라 보강합니다. 비즈니스 혁신에서 AI 개발 및 클라우드 기술의 영향력을 강화하고, 개방형 파트너 에코시스템에서 협력하여 어떠한 클라우드에서든 AI 모델을 제공합니다.
IBM watsonx.ai는 AI 빌더가 AI 모델을 학습시키고 검증, 조정 및 배포할 수 있는 차세대 엔터프라이즈 스튜디오입니다. 짧은 시간 내에 AI 애플리케이션을 구축하고 개선할 수 있는 편리한 도구를 사용하여 요구 사항에 맞게 엔터프라이즈 데이터로 모델을 조정하고 안내할 수 있습니다.
IBM은 비즈니스의 미래를 설계하는 데 도움이 되는 AI 솔루션을 제공합니다. IBM watsonx를 비롯한 데이터 및 AI 플랫폼에는 AI 어시스턴트가 함께 제공됩니다. IBM Research의 심층적인 과학적 전문 지식과 전문 컨설턴트팀은 기업 전반에서 책임감 있는 AI를 확장할 수 있도록 지원할 준비가 되어 있습니다.
IBM은 AI 기반 서비스 플랫폼인 IBM Consulting Advantage를 사용하여 목적에 맞게 특화된 생성형 AI 에이전트, 어시스턴트 및 자산으로 전문성을 강화함으로써 규모에 맞는 솔루션을 제공하고 고객의 가치 창출 시간을 단축합니다.
생성형 AI 도입 방법은 CEO가 결정해야 할 어려운 문제 중 하나일 것입니다. 리더가 위험과 보상의 균형을 맞춰 비즈니스 효과를 극대화할 수 있는 방법을 알아보세요.
IBM과 Adobe가 콘텐츠 공급망, 고객 경험 오케스트레이션, 지능형 상거래를 결합하여 이상적인 고객 경험을 구축한 방법을 알아보세요.
IBM Consulting은 시장 변화를 주도하는 AI 기술을 사용하여 미래의 기업이 필요로 하는 속도로 가치를 제공할 수 있습니다. 목표에 특화된 AI 자산 및 모델과 역할 기반 생성형 AI 어시스턴트를 지원하는 AI 서비스 플랫폼을 살펴보세요.
단독 모델과의 채팅을 통해 watsonx.ai에서 생성형 AI를 활용하는 경험을 살펴보세요.
IBM AI 아카데미는 비즈니스용 AI에 대한 새로운 플래그십 교육 환경을 제공합니다. 바쁜 일정에 맞춰 이용할 수 있도록 설계된 커리큘럼을 살펴보세요.
Bouygues Telecom이 IBM Consulting과 협력하여 모든 비즈니스 및 IT 부서가 자체 클라우드 네이티브 AI 앱을 생성, 개발 및 배치할 수 있도록 지원한 방법을 살펴보세요.
각주
1 "Rewired to outcompete"(ibm.com 외부 링크), McKinsey Digital.