2024년은 생성형 AI(Gen AI)가 기업 운영에 급격히 활용되며 많은 주목을 받았다. 하지만 모든 기업이 같은 속도로 발전하는 것은 아니었다. 선도 기업들은 후발 주자들과의 격차를 더욱 벌리며, 이를 통해 지속 가능한 경쟁 우위를 확보하고 있다. 선도 기업들이 AI에서 높은 성과를 달성하는 비결을 네 가지 요소로 나누어 살펴볼 수 있다.
"강력한 경영진의 후원 (Executive Sponsorship)"
AI 프로젝트의 성공은 강력한 경영진의 후원이 있을 때 비로소 가능하다. 조사에 따르면 AI 리더로 분류된 기업의 75% 이상이 CEO 또는 이사회 차원에서 프로젝트를 지원받고 있다. 이는 단순히 프로젝트를 승인하는 것을 넘어, 장기적인 비전을 가지고 실행 가능한 방향성을 제시하는 리더십이 뒷받침되고 있음을 의미한다.
AI 프로젝트는 ROI(투자 대비 수익)가 명확하지 않을 때가 많다. 예를 들어, AI가 가져올 비용 절감 효과는 당장 눈에 띄지 않을 수 있고, 직원들이 더 가치 있는 작업에 시간을 할애할 수 있게 해주는 간접적인 효과는 숫자로 계량하기 어렵다. 이런 상황에서 경영진은 명확한 수익 예측이 없는 상태에서도 프로젝트를 밀어붙일 수 있는 결단력을 보여야 한다.
산업 제조업체 쿠퍼 스탠다드의 사례가 이를 잘 보여준다. 초기 AI 프로젝트에서 외부 파트너와의 협력이 실패로 끝났지만, 고위급 리더가 직접 개입해 연구를 주도하며 AI 기반 공정 제어 시스템을 개발했다. 이 시스템은 단순히 내부적으로만 사용된 것이 아니라, 별도의 사업 부문으로 발전하며 새로운 수익 창출 모델로 자리 잡았다. 이처럼 강력한 경영진의 후원은 AI 프로젝트가 초기의 실패를 극복하고 성공적으로 정착하는 데 필수적이다.
"폭넓은 파트너 네트워크 (A Network of Partners)"
AI 기술을 성공적으로 도입하려면 내부 역량뿐만 아니라 외부 파트너와의 협력이 필수적이다. 조사 결과, AI 리더로 분류된 기업의 90%가 내부 팀을 통해 솔루션을 개발하고 있지만, 66%는 외부 파트너와의 협력을 통해 성과를 극대화하고 있다. 외부 파트너는 전문성을 보완하고 개발 속도를 높이는 데 중요한 역할을 한다.
흥미로운 점은 파트너십의 양상이 변화하고 있다는 것이다. 2021년 조사에서는 학계와 스타트업이 가장 흔한 파트너로 꼽혔지만, 2023년에는 컨설턴트, 벤더, 산업 파트너와의 협력이 더욱 중요해졌다. 이는 AI 기술이 실질적인 문제를 해결하는 데 필요한 수준으로 성숙해졌다는 것을 보여준다.
예를 들어, 채굴 기업 프리포트 맥모란은 AI를 도입하기 전에 제약 산업의 AI 활용 사례를 연구했다. 제약 산업이 분자 구조를 매핑하는 방식에서 아이디어를 얻어, 화학 조성 매핑 작업에 이를 적용했다. 이러한 협력과 학습은 AI 기술의 성공적인 도입을 가속화하고, 초기 투자 대비 수익성을 높이는 데 기여한다.
또한, 선도 기업들은 산업 간 협력을 통해 혁신을 가속화하고 있다. 다양한 산업의 성공 사례를 벤치마킹하며, 이를 자사의 운영에 적합하게 변형하여 적용하는 것은 성공적인 AI 도입의 중요한 요소 중 하나다.
"부서 간 원활한 소통 (Cross-Department Communication)"
AI 프로젝트가 성공적으로 실행되려면 IT 부서와 운영 부서 간의 협업이 원활해야 한다. 이를 위해 많은 기업이 ‘센터 오브 엑설런스(CoE)’를 설립하고 있다. CoE는 데이터 과학 기술을 보유한 직원들로 구성된 내부 조직으로, AI 프로젝트가 효율적으로 구현되도록 돕는 역할을 한다.
CoE는 표준화된 프로세스를 구축하고, 신규 채용과 역량 강화를 통해 인재 파이프라인을 유지한다. 이를 통해 더 큰 팀워크와 다양한 경험을 활용할 수 있다. 조사에 따르면 AI 리더 기업의 약 60%가 CoE를 기업 수준 또는 사업 부문 수준에서 운영하고 있다.
예를 들어, 타겟(Target)의 CoE는 6개월 만에 매장 내 생성형 AI 챗봇을 개발했다. 이 챗봇은 2,000개 이상의 매장에서 직원들이 필요로 하는 정보를 즉시 제공해, 교육 시간과 내부 전문가의 수요를 줄였다. 이는 직원 만족도를 높이고, 이직률 감소에도 긍정적인 영향을 미쳤다.
한편, CoE 외에도 특정 사업 부문 내에 데이터 과학자와 운영 전문가로 구성된 전담 팀을 두는 방법도 있다. 이 팀은 현장에 상주하며, 사업 부문별로 우선순위가 높은 과제를 해결하는 데 집중한다. 이러한 접근 방식은 표준화보다는 맞춤형 솔루션에 중점을 두어, 사업 부문별 고유한 문제를 해결하는 데 적합하다.
"체계적인 데이터 관리 (Data Management)"
AI 기술의 효과를 극대화하려면 정확하고 체계적인 데이터 관리가 필요하다. 하지만 많은 기업은 필요한 정보를 제대로 수집하지 않거나, 수집된 데이터가 부정확하거나 관리가 미흡해 실질적으로 활용하기 어렵다.
선도 기업들은 데이터를 수집하고 관리하는 데 필요한 시스템과 프로세스에 적극적으로 투자하고 있다. 조사에 따르면, AI 리더 기업의 58%가 IoT 센서를 통해 장비 데이터를 기록하고 저장하며, 이는 후발 주자들의 26%와 비교된다. 이러한 데이터는 클라우드 기반으로 저장되며, 기업이 효율성과 혁신을 강화할 수 있는 정보를 제공한다.
브뤼셀에 본사를 둔 타이탄 시멘트는 데이터 관리를 통해 큰 성과를 거둔 사례다. 수천 개의 센서를 설치하고, 모든 공장을 연결해 데이터를 중앙에서 관리하며, 이를 통해 에너지 사용과 생산성을 대폭 개선했다. 또한, 데이터를 기반으로 독자적인 알고리즘을 개발해 생산을 최적화하고, 물류를 간소화했다. 이러한 노력은 ROI 500%라는 놀라운 결과를 가져왔다.
특히, 생성형 AI의 발전으로 비정형 텍스트 데이터의 활용이 용이해지면서 데이터 관리의 중요성이 더욱 커지고 있다. 파나소닉 에너지 북미법인은 유지보수 데이터를 활용해 프런트라인 기술자들에게 구체적인 수리 권장 사항을 제공하는 AI 기반 유지보수 도우미를 개발했다. 이를 통해 장비 가동 중단 시간을 줄이고, 생산성을 높이는 데 성공했다.
Source: Bruce Lawler, Vijay D’Silva and Vivek Arora (Jan 9, 2025), "What Companies Succeeding with AI Do Differently", HBR Blog. (ChatGPT 활용 정리)
댓글 없음:
댓글 쓰기