인간과 AI의 협업: 협업이란 무엇이며 왜 중요한가?

이 협업의 중요성은 인간과 기계가 서로 다른 보완적 역량을 지니고 있다는 근본적인 사실에서 비롯됩니다. McKinsey의 최근 연구에 따르면 AI 기술은 이론적으로 미국에서 현재 수행되는 업무 시간의 절반 이상을 자동화할 수 있는 수준까지 발전했습니다.

그러나 이러한 가치를 포착하는 것은 인간이 이러한 기술을 얼마나 효과적으로 사용하는지, 그리고 이 기술이 중요한 워크플로에 얼마나 잘 통합되는지에 달려 있다고 조직은 주장합니다. 이 설문조사 결과는 고용주들이 향후 4년 동안 노동 시장에서 요구되는 핵심 기술의 39%가 변화할 것으로 예상한다는 점을 발견한 세계경제포럼의 연구 결과와도 일치합니다.

AI 시스템은 방대한 양의 데이터를 처리하고, 패턴을 식별하고, 반복적인 작업을 일관되게 수행하는 데 탁월합니다. 한편 인간은 창의적 사고, 직관, 맥락 고려, 감성 지능, 도덕적 추론, 공감 능력에 뛰어납니다. 조직 간의 협업 방식을 통해 조직은 복잡한 의사 결정에 필요한 인간의 판단력과 창의적인 문제 해결 능력을 유지하면서 생산성을 향상시킬 수 있습니다.

또한 반복적이고 단조로운 작업을 자동화하여 인간에게 더 의미 있는 업무를 만들어 줍니다. 또한 신중하게 설계된 인간-기계 관계는 지속적인 감독을 통해 AI 시스템이 책임성을 유지하고 인간의 가치와 일치하도록 보장합니다. 

인간-기계 시너지를 위한 교육은 AI 시스템 도입을 추진하는 조직에서 주요 우선순위가 되었습니다. IBM 기업가치연구소(IBV)에 따르면 최고 경영진은 AI와 자동화 도입으로 인해 전체 인력의 약 40%가 재교육(PDF)이 필요할 것으로 예상합니다. 

이 순간을 가장 잘 충족하기 위해 IBM의 최고 인사 책임자인 Nickle LaMoreaux는 최근에 신입 채용 관행을 재설계했습니다. 일부 사람들은 초급 직무가 곧 자동화될 것이라고 추측하지만, LaMoreaux는 IBM에서 하위 직급의 빈 자리 수를 3배로 늘렸습니다.

예를 들어 LaMoreaux는 뉴욕에서 열린 Charter Leading with AI 서밋에서 초급 개발자들이 코딩에 쓰는 시간은 줄어들고 내부 팀 및 고객과의 협업에 더 많은 시간을 쓰고 있다고 설명했습니다. LaMoreaux는 초급 직원들이 새로운 기술과 효과적으로 협업할 수 있도록 교육하고 인간 중심 역량을 조기에 개발함으로써 IBM이 미래에 성공할 인재를 육성할 수 있기를 기대하고 있습니다.

LaMoreaux는 “앞으로 3~5년 후 가장 성공적인 기업들은 초급 직무에 더욱 적극적으로 투자할 것”이라고 말했습니다. “비즈니스 성과는 어제 무엇을 달성했는지를 보여주는 것입니다. 그리고 기술은 앞으로 무엇을 해낼 수 있는지를 보여주는 것입니다.”

이처럼 광범위한 변화의 시기에 협업 시스템에 투자하는 비즈니스 리더들이 AI 기술이 약속하는 혜택을 가장 크게 얻을 가능성이 높습니다. 또한 비즈니스 운영 방식을 근본적으로 변화시키는 새로운 운영 모델을 통해 혁신을 이끌 가능성도 더 높습니다.

기술이 발전함에 따라 인간과 AI의 관계는 크게 변화했으며, 사람과 기계 간의 보다 정교한 협업 방식이 요구되고 있습니다. 초기 자동화 시스템이 단순한 규칙 기반 작업을 처리했다면, 오늘날의 AI는 더 복잡한 작업을 수행하거나 최소한의 인간 감독만으로도 작동합니다.

지난 10년 동안 생성형 AI의 발전을 통해 자연어 처리, 머신 러닝, 콘텐츠 생성과 같은 더 복잡한 작업을 수행할 수 있는 고도화된 AI 기술이 등장했습니다. 이 기간 동안 협업 방식은 더욱 상호작용적으로 변화하여, AI 시스템이 제안을 제공하면 인간이 이를 수정하거나 거부할 수 있게 되었습니다.

가장 최근의 발전에는 인간-AI 협업의 근본적인 변화를 나타내는 에이전트 AI 기술이 포함됩니다. 에이전틱 AI 시스템은 더 높은 수준의 자율성과 적응성을 바탕으로 목표를 수행하며, 복잡한 작업을 하위 작업으로 나누고 외부 도구나 API를 활용합니다. 초기 AI 챗봇은 각 단계마다 사람의 입력이 필요했지만, 에이전트형 시스템은 인간의 감독과 지시 하에 작동하면서도 독립적으로 작동합니다.

예를 들어, 한 유틸리티 회사는 전체 고객에게 에이전트 대화형 AI를 배포했습니다. 이 시스템에는 고객을 인증하고, 통화 목적을 결정하고, 약속을 관리하고, 셀프 서비스 지원을 제공하는 특정 상담원이 포함되었습니다. 이러한 에이전트는 현재 통화의 약 40%를 처리하고 있으며, 80%는 사람의 개입 없이 해결합니다. 하지만 문제가 해결되지 않을 경우, 고객과 고객의 대화 내역은 상담원에게 인계됩니다.

에이전트적 접근법은 인간이 고차원 목표와 전략적 방향을 설정하는 동안 AI 에이전트가 실행과 일상적인 의사 결정을 처리하는 새로운 협업 형태를 가능하게 합니다. 하지만 이러한 보다 자율적인 AI 기반 시스템은 인간 근로자와 기술자 간의 관계에 세심한 주의를 기울여야 합니다.

McKinsey에 따르면 AI 기반 에이전트는 미국에서 매년 2.9조 달러의 경제적 가치를 창출할 수 있습니다. 그러나 이러한 가치를 창출하려면 단순히 새로운 기술을 도입하는 것이 아니라 조직의 워크플로를 근본적으로 재설계해야 합니다.

이러한 근본적인 변화의 일환으로 지난 2년 동안 AI 활용 역량에 대한 수요가 7배 증가했습니다.인간-AI 협업 시대에는 인간과 기계의 각기 다른 강점을 활용할 수 있도록 완전히 새로운 업무 방식을 구축하는 기업이 성공할 것입니다. 

가장 성공적인 인간-AI 시스템은 AI를 인간 능력의 단순한 대체 수단으로 보는 것이 아니라 서로 보완적인 강점을 중심으로 설계됩니다.

IBM 기업가치연구소(IBV)(PDF)에 따르면 기술 중심의 직무 변화를 수용할 수 있는 강력한 재교육 프로그램을 도입한 기업의 매출 성장률이 더 높은 것으로 나타났습니다. 단순히 새로운 기술을 수용하는 다른 기업과 비교했을 때, 이 기술을 도입한 기업의 매출 성장률은 15% 더 높습니다. AI를 사용하면 부가가치가 훨씬 더 커집니다. 동일한 경영진은 동종 업계보다 36% 더 높은 매출 성장률을 기록하고 있습니다.

이러한 수치를 종합하면, 업무를 전략적으로 재구성하고 근로자의 강점을 활용하는 것 이 매우 중요하다는 것을 시사합니다. 인간이 공감과 창의성을 제공하고, AI는 확장성과 처리 능력을 제공합니다. 

맥락적 이해와 뉘앙스: 인간은 의식이 있고 역동적인 개체로서 단순히 명시적인 정보를 처리하는 것이 아니라 뉘앙스를 파악하고 상황을 전체적으로 이해합니다. 예를 들어, 데이터 이상 현상이 장기적인 추세를 나타내는 것이 아니라 최근의 휴일로 인해 나타났을 수 있음을 인지하는 경우입니다. 이러한 인식을 통해 인간은 데이터 상황을 더 정확하게 해석하고 더 넓은 상황을 고려하는 방식으로 해석할 수 있습니다.

창의적 사고: AI는 기존 요소의 새로운 조합을 만들어낼 수 있지만 인간은 진정한 창의성과 비판적 사고에 강점을 보입니다. 서로 다른 개념을 연결하고 새로운 패러다임을 만들거나 기존 패턴을 깨는 방식으로 사고할 수 있습니다.

윤리적 추론과 도덕적 판단: 상충하는 이해관계자들의 이익 균형을 맞추거나 복잡한 사회적 함의를 헤쳐나가는 데에는 인간의 책임감이 요구됩니다. 윤리적 의사 결정은 최적화나 패턴 매칭을 넘어 가치 기반 사고를 수반합니다.

감성 지능과 공감: 관계를 구축하거나 복잡한 사회적 역학을 탐색하는 능력은 특히 협업 환경에서 인간을 차별화합니다. 의료 종사자가 불안한 환자를 위로할 수도 있고, 교사가 학생에게 비판보다는 격려가 필요한 시점을 인식할 수도 있습니다. 이러한 정서적 조율은 인간이 상황에 적절히 대응하고 신뢰와 유대감을 형성하는 데 도움이 됩니다.

인간의 판단으로 모호성 처리: 비정상적인 상황이나 불완전한 정보에 직면했을 때 인간은 삶의 경험을 바탕으로 합리적인 판단을 내릴 수 있습니다. AI 도구는 이러한 수준의 직관을 쉽게 따라잡을 수 없습니다.

중단 없는 가용성: AI 시스템은 피로나 주의 산만함으로 인한 변동성 없이 하루 중 언제든지 동일한 작업을 동일한 방식으로 수행하는 경우가 많습니다. 이러한 중단 없는 가용성은 일상적인 모니터링이나 품질 관리에 이상적입니다.

데이터 처리 및 분석: AI의 계산 능력은 인간의 한계를 넘어서는 방대한 데이터 세트를 처리하고 분석할 수 있게 하며 인간이 단독으로 발견하기 어려운 패턴과 상관관계를 찾아냅니다. 이 과정에서 수백만 개의 데이터 포인트를 분석하여 인간 분석가에게는 보이지 않을 미묘한 관계와 추세를 찾아낼 수 있습니다.

최적화: AI 시스템은 수천 개의 가능한 해결책을 평가하여 복잡한 문제에 대한 최적의 접근 방식을 찾는 데 뛰어납니다. 예를 들어 배송 차량 경로 설정이나 제조 공정 일정 관리에서 활용됩니다. 이러한 최적화 능력은 자원 배분과 물류 계획에도 적용되어 수많은 가능성 중에서 최적의 해결책을 찾아낼 수 있습니다.

속도 및 실시간 처리: AI는 거의 실시간으로 계산을 수행하고 정보를 검색하며 특정 유형의 의사결정을 내릴 수 있습니다. 이러한 기능 덕분에 AI 기반 툴은 사람이 수동으로 처리하기 어려운 시간 민감형 작업을 수행할 수 있습니다. 

혁신은 인간이 빠르게 아이디어를 내고, 새로운 개념이나 프로토타입을 개발하며, 테스트할 수 있을 때 가속화됩니다. 인간의 창의성과 AI의 빠른 반복 능력이 결합되면 개념에서 구현까지 걸리는 시간이 단축됩니다. 

AI 시스템을 통해 조직은 현대의 고객이 즉각적이고 개인화된 지원을 받기를 원하는 기대치를 충족할 수 있습니다. 동시에 이러한 시스템과의 효과적인 인간 협업은 고객 경험을 더욱 만족스럽게 만드는 공감적 요소를 제공합니다. 조직은 인공지능의 확장가능한 일관성과 인간의 관계 구축 기술을 결합함으로써 효율적이고 만족스러운 고객 경험을 제공할 수 있습니다. 

고객 서비스 기능에 AI를 운영하고 최적화하여 적용한 조직, 즉 “성숙한” 도입 조직은 고객 만족도가 17% 더 높다고 보고합니다. 한편, 전미경제연구소(NBER)는 고객 지원 직원이 AI 에이전트에 접근할 수 있을 때 생산성이 약 14% 증가했다는 결과를 발표했습니다.

AI의 분석 역량으로 지원되는 인간의 판단은 다양한 산업에서 더 나은 의사결정을 가능하게 합니다. 예를 들어 경영진은 AI가 종합한 인사이트를 통해 더 정보에 기반한 전략적 의사결정을 내릴 수 있으며, 재무 자문가는 알고리즘 분석과 고객 요구에 대한 개인적 이해를 결합해 더 견고한 포트폴리오를 설계할 수 있습니다.

인공지능의 확장가능한 일관성과 인간의 감독이 결합되어 신뢰할 수 있고 적응력 있는 시스템을 구축할 수 있습니다. 전력망 관리와 같은 중요 애플리케이션은 AI의 지속적인 모니터링과 예외적인 상황에서의 인간의 판단이 결합될 때 이점을 얻습니다. 이러한 협력을 통해 일상적인 운영은 높은 수준을 유지하는 동시에 특수한 상황에 필요한 세심한 주의를 기울일 수 있어 전반적인 성능이 향상됩니다. 

AI 시스템은 장벽을 극복하여 기술 및 정보 접근성을 높이는 데 도움이 될 수 있습니다. 예를 들어, 번역 AI 기능은 글로벌 협업을 가능하게 하는 반면, AI 기반 도구는 전문 교육 없이도 사람들이 복잡한 시스템에 더 쉽게 액세스할 수 있도록 능력을 할 수 있습니다.

개인이 수행하기 어렵다고 느낄 수 있는 지루하고 반복적인 작업을 AI가 대신 맡으면 업무 만족도와 웰빙이 높아질 수 있습니다. 또한 업무의 창의적이고 대인 관계적인 측면에 더 많은 시간을 할애할 수 있어 더 매력적이고 의미 있는 업무에 집중할 수 있습니다.

의료 종사자는 서류 작업보다 환자 치료에 더 집중할 수 있고, 분석가는 데이터 처리보다 해석에 더 많은 시간을 사용할 수 있습니다. AI가 반복적이고 단조로운 업무를 처리함으로써 인간은 더 가치 있고 의미 있는 업무에 집중할 수 있습니다.

적절한 AI 활용을 포함해 신중하게 설계된 워크플로는 생산성을 획기적으로 높일 수 있습니다. 이 시나리오에서 AI는 시간이 많이 소요되는 일상적인 업무를 처리하면서 인간이 고가치 활동에 집중할 수 있도록 합니다. 

인간과 기계의 협업에 대한 연구는 오랜 역사를 가지고 있으며 연구자들은 AI 시스템과 인간 작업자가 상호 작용할 수 있는 새로운 방법을 지속적으로 찾고 있습니다. 최근 McKinsey는 수동적인 보조 도구에서 “가상 동료”로의 전환을 탐구한 보고서를 발표했으며, 미래의 업무 환경은 AI의 도움을 받는 사람, 에이전트, 로봇 간의 협업을 포함하게 될 것이라고 전망했습니다. 인간-AI 협업의 잠재력은 다음과 같은 AI의 역량 스펙트럼 전반에 걸쳐 존재합니다. 

• 자동화(예: 데이터 입력 또는 추출)
• 분류(예: 고객 세분화 또는 스팸 필터링)
• 생성(예: 콘텐츠 제작 또는 코드 작성)
• 상호작용(예: 챗봇 또는 어시스턴트)
• 예측(예: 수요 예측 또는 개인화)
• 추천(예: 소셜 미디어 뉴스피드 또는 알고리즘)
• 예측 분석과 같은 인식 기능

기술이 발전함에 따라 각 기능은 점점 더 복잡해지고 있습니다. 예를 들어 생성형 AI의 발전으로 콘텐츠 생성 기능은 요약과 컨텍스트화 같은 기능까지 확장되었습니다. 에이전틱 AI에서는 에이전트가 최소한의 개입으로 여러 단계를 수행하면서 자동화가 새로운 형태로 발전합니다.

인간과 기계의 협업은 역동적이고 끊임없이 확장되는 분야이지만, 이를 배포하는 가장 기본적인 방법은 다음과 같습니다.  

어드바이저 모델에서는 AI가 추천이나 인사이트를 제공하고 최종 결정은 인간이 내립니다. AI는 데이터를 분석하고 행동 방안을 제시할 수 있지만 최종 결과에 대한 권한은 인간이 유지합니다. 예를 들어 의료 환경에서는 AI가 잠재적 질환을 표시하고 의사가 치료 결정을 내립니다. 채용 과정에서는 AI가 이력서를 선별하고 인간이 면접을 진행하며 채용 제안을 합니다. 

AI가 인간 작업자를 보강하면 실시간으로 인간의 능력이 향상됩니다. AI는 개별적인 권장 사항을 제시하는 대신, 인간과 협력하여 인간의 성능을 향상시킵니다. 개선의 한 예로는 다국어 커뮤니케이션이 보다 자연스럽게 이루어지도록 돕는 번역 도구나, 직원들이 작업 내용을 더 잘 다듬을 수 있도록 지원하는 글쓰기 보조 도구를 들 수 있습니다. 고객 서비스 환경에서는 고객 데이터를 실시간으로 표시하고 컨택 센터 직원을 위한 행동 방침을 제안하는 데 AI가 점점 더 많이 사용되고 있습니다. 

위임은 인간이 AI 시스템에 특정 작업을 할당하고, AI 시스템이 정의된 매개 변수 내에서 자율적으로 작업하는 워크플로를 나타냅니다. 인간은 목표와 제약 조건을 설정하지만 모든 행동을 감독하지는 않습니다. 현대의 에이전트 AI 시스템은 연구 수행, 장비 유지 관리 일정 최적화 또는 일상적인 고객 문의 관리와 같은 복잡한 다단계 작업을 처리하여 이러한 패턴에서 탁월합니다.

앞서 살펴본 바와 같이 AI '동료'는 산업과 직무에 따라 다양한 형태로 존재합니다. 오늘날 AI 도구가 팀 구성원 역할을 하는 가장 일반적인 방법은 다음과 같습니다. 

AI는 대량의 데이터를 처리 및 합성하고 인간의 의사 결정에 정보를 제공하기 위해 인사이트를 표면화하는 분석가의 역할을 합니다. 이러한 유형의 상호 작용에서 인간은 중요한 질문을 정의하고 인사이트를 행동으로 전환합니다. 중요한 것은 AI가 인간의 분석적 사고를 대체하는 것이 아니라 오히려 이를 향상시킨다는 점입니다. 금융 분석가는 AI를 사용하여 수백만 개의 데이터 포인트에서 패턴을 스캔한 다음, 인간의 이해를 적용하여 해당 패턴이 실행 가능한지 평가할 수 있습니다. 

인간과 AI의 협업에서 가장 눈에 띄는 역할 중 하나는 초안, 코드, 콘텐츠 또는 디자인을 제작하는 것과 같이 AI가 크리에이티브 생성자 역할을 하는 것입니다. 그런 다음 인간은 AI의 결과물을 개선, 지시 및 평가합니다. 이러한 유형의 상호 작용에서 인간은 크리에이티브 디렉터 및 품질 보증 기술자 역할을 하고 AI는 방대한 양의 기본 재료를 생산하는 역할을 합니다.

예를 들어, 마케팅 디렉터는 AI에게 50개의 변형된 광고 카피를 생성하도록 프롬프트하거나 소프트웨어 엔지니어는 AI에게 특정 작업에 대한 코드를 생성하도록 요청할 수 있습니다.  

AI는 산업과 직무를 걸쳐 연구를 혁신하여 강력한 협력자로서 활동합니다. 기존 연구에서는 연구원들이 오랜 기간에 걸쳐 수동으로 소스를 읽고 합쳐야 했던 반면, AI는 방대한 양의 정보를 거의 실시간으로 처리합니다. 요약하고 패턴을 식별하며 모든 정보의 연관성을 강조 표시하여 연구자의 시간을 절약할 수 있습니다.

점점 더 많은 AI 시스템이 과거 데이터를 분석하는 데 그치지 않고 미래 시나리오를 모델링하고 전략적 선택지를 평가합니다. 이러한 역할에서 AI 시스템은 시장 확장 전략이나 의료 개입과 같은 다양한 전략 시나리오를 빠르게 평가합니다.

이러한 AI 도구는 인간 전략가에게는 명확하지 않을 수 있는 위험이나 종속성을 드러낼 수 있습니다. 따라서 신약 개발과 같이 한 사람이 데이터를 수집하는 것이 불가능할 수 있는 상황에서 유용하게 사용될 수 있습니다. AI는 스스로 가치나 우선순위를 추정할 수 없기 때문에 이러한 협업에서 인간의 역할은 여전히 중요합니다. 현실 세계의 역학 관계 및 윤리적 고려 사항과 관련된 인간의 판단이 여전히 핵심입니다. 

작가, 예술가, 디자이너들은 점점 더 AI를 협력자로 활용하며, 이 기술을 브레인스토밍 파트너나 초기 아이디어 생성을 위해 활용하고 있습니다. 그 후 인간 창작자는 창의성과 판단력을 발휘해 AI가 생성한 콘텐츠를 진정성 있는 것으로 다듬습니다. 디자인 분야에서 아티스트들은 창의적인 비전에 완전히 몰입하기 전에 디자인 개념의 모형과 변형을 생성하는 AI 도구를 사용합니다.

마케팅 팀은 AI와의 협업으로 더 효과적인 캠페인을 만들고 청중에게 더 효과적으로 다가갑니다. AI 시스템은 소비자 행동 데이터를 분석하고 복잡한 인구 통계 데이터를 기반으로 고객을 식별합니다. 그런 다음 마케터는 이러한 인사이트를 활용하여 전략을 개발하고 캠페인 방향에 대한 창의적인 결정을 내립니다. AI는 광고 문구나 소셜 미디어 게시물의 여러 가지 변형을 생성할 수 있으며, 인간 마케터는 이를 브랜드 톤과 캠페인 목표에 맞게 다듬습니다.

지능형 고객 서비스 운영은 AI 에이전트, AI 어시스턴트, 인간 상담원 간의 정교한 협업 형태로 발전했습니다. 자율형 AI 에이전트는 반복적인 문의를 처리하고 일반적인 질문에 즉각적인 답변을 제공합니다. 직원용 AI 어시스턴트는 고객 상담 과정에서 상담원을 지원하며 관련 데이터를 제공하고 문제 해결 방법을 제안할 수 있습니다. 이러한 협업을 통해 인간 상담원은 복잡하거나 감정적으로 민감한 문제에 집중할 수 있습니다.

이상적으로 이러한 협업은 고객의 관점에서 원활하게 진행됩니다. AI가 초기 문의를 처리하고, 관련 정보를 수집하고, 간단한 문제를 해결할 수 있습니다. 사람의 판단이 필요한 상황에서는 AI가 인간 상담원에게 원활하게 대화 내용을 전달하여 대화 기록과 관련 컨텍스트를 제공하므로 고객이 반복해서 말할 필요가 없습니다. 

의료 센터가 인간과 기계의 협업을 수용함에 따라 의료 서비스는 기술의 가장 유망한 사용 사례 중 일부를 입증하게 되었습니다. 대표적인 사례로, Mayo Clinic은 영상의학과 전반에 AI를 도입해 분석을 지원하기 위해 수백 개의 AI 모델을 추가했으며, 2016년 이후 인력을 절반 이상 확대했습니다. 해당 병원에서는 AI가 신장 용적 측정과 같은 일상적인 업무를 방사선 전문의가 수행할 수 있도록 돕거나, 의사가 결과를 해석하는 동안 비정상적인 스캔을 분석합니다.

신약 개발에서 AI 시스템은 분자 구조를 분석하고 어떤 화합물이 특정 질병을 효과적으로 표적으로 삼을 수 있는지 예측하는데, 이 과정은 인간 연구자에게는 수년이 걸릴 수 있는 과정입니다. 연구자들은 그 다음 과학적 전문 지식을 적용하여 유망한 후보를 검증하고 임상 실험을 설계합니다.

AI 기반 진단 지원 시스템 은 증상을 분석하고 고려할 수 있는 상태를 제안하여 의사를 도와줍니다. IBM 기업가치연구소(IBV)에 따르면, 10명 중 4명의 의료 기관 경영진은 이미 입원 환자 모니터링과 조기 경고 신호 제공을 위해 AI를 사용하고 있습니다. 의사들은 이러한 제안을 임상 검사 및 환자의 건강 상황에 대한 전체적인 이해와 통합하여 궁극적으로 인간만이 제공할 수 있는 공감적이고 섬세한 치료를 제공합니다. 

기술 부문 자체는 인간과 AI의 협업을 위한 주요 분야입니다. AI는 소프트웨어가 작성되는 방식과 기존 시스템을 현대화하는 방식을 근본적으로 변화시키고 있습니다. AI와 인간의 협업을 통해 엔지니어는 더 야심찬 프로젝트를 더 빠르게 처리하고 솔루션을 더 효율적으로 제공할 수 있습니다.

일상적인 소프트웨어 개발에서 AI 코딩 도우미는 많은 개발자에게 필수적인 협업 파트너가 되었습니다. 이러한 AI 동료는 기존의 "페어 엔지니어" 시나리오와 유사하게 상당한 이점을 창출할 수 있습니다. 엔지니어들은 코드를 하나하나 수동으로 작성하는 대신, 필요한 사항을 설명하면 AI가 기능적인 코드를 생성하고, 사람이 이를 검토하고 개선합니다.

최근 Gartner는 2028년까지 기업 소프트웨어 엔지니어의 75%가 이러한 AI 코드 어시스턴트를 사용할 것으로 예상했습니다. 컨설팅 회사가 이전에 언급했듯이, 이러한 방식은 "개발자가 백엔드 및 프런트엔드 구성 요소와 통합의 검증자 및 조정자 역할을 하는" 상황을 만들어낼 것입니다. 이러한 협력은 개발 속도를 크게 높이는 동시에, 개발자의 역할은 여전히 핵심적인 위치를 차지합니다.

IBM Consulting의 파트너인 Gerry Leitão는 "생성형 AI가 모든 코드를 구축하지는 않습니다."라고 말합니다. “인간과 함께 사용할 때 힘이 배가될 것입니다.” 예를 들어, IBM은 Ansible 플레이북 개발 엔지니어를 위해 AI가 생성한 권장 사항을 구현한 후 초기 빌드 생산성이 최대 45% 향상되는 것을 확인했습니다.

많은 현대 제조 공장이 인간과 AI의 협업을 수용하게 되었습니다. AI 시스템은 생산 라인을 실시간으로 모니터링하여 에너지 소비를 최적화하고 장비 고장이 발생하기 전에 예측합니다(PDF). 한편, 인간 운영자와 엔지니어는 복잡한 문제를 해결하고 프로세스 개선을 구현하는 데 집중합니다.

공급망 관리에서 AI 시스템은 공급업체 성능 및 날씨 패턴을 포함한 방대한 양의 데이터를 처리하여 수요를 예측하고 재고 수준을 최적화하며 배송 경로를 효율적으로 관리합니다. AI 시스템은 규정 준수 및 기록 보관의 부담도 줄여줍니다.

최근 글로벌 제조 기업인 Channell은 기획자가 각 프로젝트에 대한 자재 명세서 보고서를 자동으로 생성할 수 있는 도구를 구현하여 사람의 의사 결정 시간을 며칠에서 몇 시간으로 단축했습니다. 일상적인 수작업이 점점 더 효율적이고 오류 없이 수행되면서, 인간 공급망 관리자는 보다 전략적인 방향을 제시하고 창의적인 문제 해결이 필요한 혼란 상황에 대응할 수 있습니다.

효과적인 현실 세계의 인간-기계 협업을 유지하려면 조직이 AI 툴에 대한 이해와 신뢰를 구축하는 데 투자해야 합니다 이러한 신뢰를 구축하려면 AI의 역량과 의사결정 과정에 대한 투명성이 필요하며 사용자가 언제 AI를 신뢰하고 언제 더 면밀히 검토해야 하는지 이해할 수 있도록 피드백 메커니즘을 마련해야 합니다. 일반적으로 이러한 이해는 조직 상층부에서부터 구축되며 경영진은 AI 시스템이 잘하는 영역과 어려움을 겪는 영역을 명확히 전달해야 합니다.

또한 인간-AI 협업은 AI 모델의 품질 교육 데이터에 의존하므로 데이터 거버넌스가 필수적입니다. 조직은 AI 시스템이 액세스할 수 있는 데이터, 데이터 수집 및 저장 방법, AI 협업을 통해 생성된 데이터의 소유자에 대한 명확한 정책을 수립해야 합니다.

부실한 데이터 거버넌스는 AI 시스템이 불완전하거나 오래된 데이터를 기반으로 의사결정을 하게 만들 수 있습니다. 또한 기업은 AI 시스템이 데이터를 적절하게 사용하도록 보장하고 명확하고 신뢰할 수 있으며 설명 가능한 AI 모델을 제공할 수 있는 체계를 갖춰야 합니다.

조직에 AI 협력을 도입하려면 기술 교육을 넘어 사려 깊은 변화 관리가 필요합니다. 직원들은 변화하는 자신의 역할에 대한 명확한 이해와 AI가 자신의 업무에 어떤 영향을 미칠지에 대한 분명한 커뮤니케이션이 필요하며, 동시에 이니셔티브의 성공을 측정할 수 있는 관련성 있고 실행 가능한 지표도 필요합니다.

효과적인 변화 관리에는 팀 내에서 성공적인 AI 협업을 모델링할 수 있는 역할을 만들고 지속적인 피드백 채널을 구축하는 것이 포함됩니다. 리더는 AI 협업이 어떻게 인간 사용자의 업무를 줄이는 것이 아니라 향상시키는지에 대한 설득력 있는 비전을 제시해야 합니다. 

AI의 기능이 확장됨에 따라 효과적인 협업을 위한 기술이 지속적으로 발전하여 지속적인 업스킬링이 필수적입니다. 작업자는 프롬프트 엔지니어링 및 AI 아웃풋 평가와 같은 영역에서 새로운 역량을 개발해야 할 수도 있습니다. 업스킬링 이니셔티브는 일회성 이벤트가 아니라 지속적이어야 하며, AI 기능이 계속 발전할 것이라는 점을 인식해야 합니다. 조직이 학습을 지속적인 프로세스처럼 여기는 경우 기술이 발전함에 따라 적응하는 민첩한 인력을 창출합니다. 

점점 더 효과적인 인간-AI 협업의 핵심은 기술 도입뿐 아니라 조직의 운영 모델에도 달려 있습니다. 일부 프로세스만 자동화하는 것만으로는 생산성의 큰 향상이나 AI가 가능하게 하는 광범위한 비즈니스 혁신을 달성하기 어렵습니다.

IBM 기업가치연구소(IBV)(PDF)에 따르면, 운영 모델을 기업 혁신의 궁극적인 동인으로 보는 조직은 수익성, 매출 성장, 혁신, 직원 유지 측면에서 더 나은 성과를 거두었습니다. 이러한 경쟁 우위는 에코시스템 전반의 대규모 협업을 가능하게 하는 인프라 및 플랫폼에 투자함으로써 주도되는 경우가 많습니다.

최근 Open Machine의 CEO인 Allie K. Miller는 IBM의 David Levy와의 인터뷰에서 AI를 인간의 행동을 복제하는 단순한 생산성 도구로 보는 것에 반대한다고 주장했습니다. "여전히 효율성과 생산성에 대해 거의 생각하지 않는다면 이메일을 더 빠르게 작성하거나 SQL 쿼리를 더 빠르게 작성하는 것만 생각한다면 여전히 이메일만 작성하고 SQL 쿼리만 작성하게 됩니다."

"아마도," 그녀가 덧붙였다, "애초에 그 이메일을 쓰지 말아야 할 세상이 올 것입니다. 애초에 그 SQL 쿼리를 작성하지 말아야 합니다."

진정한 가치를 포착하려면 비즈니스 조직과 운영 방식에 근본적인 변화가 필요합니다. 순전히 인간 워크플로를 중심으로 설계된 기존의 운영 모델은 조직이 AI 협업을 통합하려고 할 때 장애물이 되는 경우가 많습니다. 이러한 상황에서는 비즈니스 리더가 워크플로와 의사 결정 프로세스를 재설계하여 AI 시스템이 일상적인 의사 결정을 자율적으로 처리하는 동시에 중요한 선택에 대한 적절한 인간 감독을 보장할 수 있도록 해야 합니다.

AI가 이전에 인간이 수행하던 작업을 수행함에 따라 팀과 역할의 구조 조정이 필요할 수 있습니다. 그러나 선도적인 조직들은 직무를 없애기보다는 인간만이 할 수 있는 고유한 기여를 강조하는 방향으로 역할을 재정의할 것입니다.

이러한 과제를 해결하려면 무엇보다도 리더가 실험과 학습의 문화를 조성해야 합니다. 혁신의 분위기를 조성하고 결과에 집중함으로써 기업은 장기적으로 인간과 AI의 협업에서 가치를 창출할 수 있는 입지를 다질 수 있습니다.

또는 Miller가 IBM의 AI 사용 사례 팟캐스트에서 "말을 더 빠르게 움직이는 데만 집중하면 자동차를 놓치게 됩니다."라고 표현한 것처럼 말입니다.