관리자는 AI 채택을 중요하게 생각합니까?
물론입니다! Gartner에 따르면 AI 프로젝트의 실패율은 놀라운 정도입니다. 하지만 이것은 운명이 아니고, 관리자로서 많은 것을 실행하여 이 통계를 깰 수 있습니다. 지난 12년 동안 전 인텔 IT의 인공 지능 그룹에서 다양한 리더십 역할을 수행하는 영광을 가졌습니다. 이 팀에서는 수천 개의 AI 알고리즘을 제작 및 제품화했으며, 제가 공유하려는 AI 성공의 가능성을 높이는 견고한 방법을 실현했습니다.
그중 하나는 바로 인텔의 "AI Everywhere" 프로그램으로, 다양한 비즈니스 문제를 해결하기 위해 회사 내 AI를 적용할 때의 성공률과 가치를 높이는 것을 목표로 지난해 시작되었습니다. 풍부한 컨설턴트 및 교육 세션 포트폴리오, 셀프 서비스 AI 도구, 엔드투엔드 주문형 AI 기능 생성을 제공하고, AI 실무자와 마니아로 구성된 대규모 내부 커뮤니티를 육성하고 있습니다.
올해 저는 AI를 활용하는 여정으로 회사 내 여러 개인, 팀 그리고 리더와 대화 및 협의할 수 있는 특권을 가졌습니다. 일부는 이제 시작이지만, 꽤 진행 중인 것들도 있습니다. 일부 도전 과제와 솔루션이 특정 영역에 한정된 것이라고 해도, 다양한 팀 사이에는 명확한 공통점이 있습니다. 제가 확인한 한 가지 확실한 점은 조직의 관리자와 리더가 조직의 AI 채택 과정에 관여하는 수준과 스타일에 따라 결과가 크게 달라진다는 겁니다. 이것이 AI 채택 속도의 유일한 이유는 결코 아니지만, 관리자로서 속도를 높이는 데 도움을 줄 수 있습니다. 사실 큰 도움이 됩니다. 아니면 적어도 AI "권리"를 채택하기 위한 현실적인 실현 가능한 계획을 세울 수 있습니다. 이 글의 나머지 부분에서는 AI 채택과 주요 활동에서의 관리자 또는 리더 역할을 설명하겠습니다. 전 더 빠르고 성공적으로 AI 채택할 수 있도록 이들이 관여해야 한다고 생각합니다.
AI 후원자, 추진자 및 실행자 - 관리자와 리더가 맡아야 할 역할
인텔에서는 조직이 두 가지 방식으로 AI 여정을 시작했습니다. 우선 "상향식"은 직원이나 소규모 직원 그룹이 AI 계획을 갖고 시작한 다음 가치를 증명하여 관리 승인을 받습니다. 또는 관리자가 잠재력을 파악하고 AI 채택을 발전시킬 결정을 내리기도 합니다. (여기서 행동까지 취하길 바랍니다.) 이것은 "하향식"입니다. 제 경험에 따르면, AI 계획의 시작 방법이 그 속도나 성공 가능성을 가장 잘 예측할 수 있는 근거가 되지는 않습니다. 큰 영향을 주는 것은 바로 (처음부터 참여했든지 나중에 합류했든지와는 무관하게) 해당 관리자의 올바른 역할 수행 여부입니다. 즉, AI 후원자, 추진자 및 실행자의 역할을 의미합니다. 따라서 관리자는 해당 프로세스에 적합한 리소스, 목표, 조치 및 행동을 투자해야 합니다. 다음은 AI 기술의 적용이라는 조직의 여정에 박차를 가하고 싶은 관리자에게 가장 중요하다고 생각되는 7가지 주요 활동입니다.
1. 조직 내 AI 사용 범위와 방법에 대한 명확한 전략과 목표를 세웁니다
팀이 이제 막 AI를 시작할 때, 특히 첫 시작이 상향식이라면, "AI 전략"을 정의하는 것이 당장 필요하지는 않습니다. 대신 실질적인 비즈니스 결과를 얻는 게 더 중요합니다. 그러나 조직의 관리자가 투자 및 AI 채택 속도를 높이고 싶어 한다면, 곧바로 AI 전략과 목표를 정의하기 시작해야 합니다.
그런 경우 과정 속에서 여러 가지가 바뀌고 전략 조정이 필요하게 되지만, 아무것도 시작하지 않는 것보다는 나을 것입니다.
전략과 목표를 정의할 때 고려해야 할 몇 가지 질문이 있습니다.
- AI를 팀원이 담당합니까 아니면 다른 팀이나 공급업체에 아웃소싱합니까?
- AI 혁신 센터를 만들거나 조직에 AI 작업을 배포하겠다는 목표가 있습니까? (일부 또는 모든 작업을 아웃소싱하더라도)
- 초기 범위 계획: 작고 간단하게 시작하겠습니까(예: 기존의 도구를 사용하고 밑에 달린 과일 노리기) 아니면 큰 목표로 훌륭한 기능을 만들겠습니까?
- AI 채택의 성공은 어떻게 측정합니까? ROI? 제품화 능력 수치? 그 외 다른 것?
- 채택 속도 - 확신 후 투자를 크게 늘립니까 아니면 점진적으로 늘립니까?
AI 전략 정의의 직접적인 영향 중 하나는 조직 내 AI 지식 성장과 관련된 명확한 계획을 세워야 한다는 것입니다.
2. 조직 내 AI 기술 "피라미드"와 AI 지식 성장 계획을 정의합니다
AI는 가정생활의 모든 측면에서 핵심 기술이 되고 있으며, 결국 업무에서도 그렇게 될 것입니다. 이를 고려하면, 모든 직원이 AI 지식과 기술을 키워나가야 한다고 확신합니다. 직원을 AI 실무자로 만드는 게 목표가 아닙니다. 전 이것을 피라미드라고 생각합니다. 바닥에는 모든 직원이 알아야 할 AI 지식이 있고, 위로 올라가면서 각 조직은 각각의 AI 전략과 목표에 따라 서로 다른 "AI 페르소나"를 정의할 수 있고 정의해야 합니다. 조직의 "AI 지식 피라미드"는 AI 채택 계획이 얼마나 적극적인지 그리고 외부 파트너와의 작업과 비교해 내부적으로 성장 AI 역량이 어떤지 반영해야 합니다.
아래의 예(도표 1)에서 3가지 주요 AI 페르소나, "모두", "AI 챔피언", "AI 전문가"를 확인할 수 있습니다.
여기에 적용되는 가정(인텔의 많은 조직에 적용)은 각 직원이 기본 AI 개념을 이해해야 한다는 것입니다. 이를 통해 두려움과 반대를 근절하고 기회를 식별하는 데 도움을 얻습니다. 특히 시작되면, AI를 수용하기 위한 업무 방식 변경에 더 열린 태도를 갖게 될 것입니다. 적어도 어느 정도까지는 그렇습니다.
아래 피라미드에서 다음 2개 층의 구체적인 정의는 팀마다 다르며, 다른 팀과는 다르게 일부 팀은 더 세분화할 수 있습니다.
결론을 내리자면, 누가 어떤 기술을 배우고 어떻게 그 목표를 이룰지 명확해야 합니다. 야심 차게 "빅뱅" AI 업스킬링 계획을 세우는 조직이 있는 한편, 어떤 조직은 더 느리고 유기적인 속도의 업스킬링을 선택하기도 합니다. AI 업스킬링 방법은 조직의 AI 전략과 목표를 준수하는 한 모두 유효합니다.
3. 기존 데이터를 활용하고 개선에 현명하게 투자하십시오
데이터는 아마도 AI의 가장 중요한 조력자일 것입니다. 하지만 조직 내 모든 데이터를 완성할 때까지 AI를 적용할 수 없다는 뜻은 아닙니다. 실제로 제 경험에 따르면, 조직이 데이터를 통해 명확한 비즈니스 가치를 끌어내는 작업은 하지 않으면서 길고 비싼 "데이터 기반 프로젝트"만 진행하게 되면, 보통 데이터 기반 작업은 중단되고 참가자 모두 좌절하고 맙니다. 보유한 데이터나 상대적으로 쉽게 구할 수 있는 데이터로 시작해서 할 수 있는 가장 높은 가치의 AI 기능을 만들고 성공을 쌓아가면, 점차 더 많은 데이터 채굴에 투자를 늘릴 수 있습니다. 절대 "데이터 진화"의 모든 단계가 "데이터 호더"가 되어서는 안 됩니다. 대신 수집 방법과 용도를 알 수 있는 데이터를 수집하고, 늘어나는 데이터 세트로 지속적인 비즈니스 가치 성장이 가능한지 확인해야 합니다. 데이터 가치에서 더 많은 증명점과 확신을 가질수록, 현재 어떤 시스템에서도 가능하지 않은 데이터 수집, 도구의 엄청난 변화 구현, 데이터 수집 방법 작업, 심지어 새로운 데이터 플랫폼 생성까지 더 명확한 목표를 세울 수 있습니다.
4. 변경 관리: 하향식과 상향식
더 나은 데이터를 제작하기 위해서든 AI 채택을 장려하기 위해서든 종종 반대에 직면하게 됩니다. 어떤 반대는 두려움이나 보수성에 기인한 걸 수도 있지만, AI 채택 과정이 적절하게 관리된다면 많은 반대를 제거할 수 있습니다. 저의 경험상, "하향식" 변화를 관리하는 것만으로는 부족합니다. 하향식은 예를 들어, 명확한 전략과 목표를 정의하고, 직원에게 전달하고, 새로운 AI 기능을 구현하면 모든 게 원활하게 진행될 것이라 생각하는 것입니다. 제가 본 가장 가치가 큰 AI 기능에는 인간 전문가와 AI 간 어느 정도의 협력이 필요합니다. 그 예로 전문가가 결과물을 개선하기 위해 AI 권장 사항을 활용하거나, 단지 AI를 성공시키기 위해 피드백 또는 향상된 데이터를 제공해야 하거나, 단순히 처음으로 가진 기회인 AI 기능을 끄지 않도록 요청받은 경우가 있습니다. 어떤 경우든 최종 사용자가 과정에 참여하지 않고, 그들의 최고 관심사에 AI를 활용하도록 교육/권한/보장을 받지 않으면, 구현은 실패할 확률이 높습니다. 따라서 최종 사용자와 전문가는 초기, 특정 기능 단계부터 그리고 조직이 지향하는 전반적인 방향에서 함께 움직여야 합니다. 그러면 반대가 크게 감소하면서 성공 가능성도 높아지게 되고, 이들은 훌륭한 아이디어를 내놓으면서 프로세스 속도도 상당히 향상시킬 것입니다.
5. 명확한 ROI와 비즈니스 목표를 갖춘 적절한 사용 사례 선택
제 경험상 사용 사례 선택 단계에서 충분한 에너지와 철저한 조사가 있었다면, 대부분은 아니더라도 많은 AI 실패를 막을 수 있었습니다. 제가 관리자에게 기대하는 부분은 특히 의사 결정자뿐만 아니라 팀이 AI 아이디어가 가진 타당성(도표 2 참조), 위험, 잠재적 가치를 제대로 이해하게 하는 것입니다. 관리자는 놓친 잠재적 문제라고도 할 수 있는 특정 AI 아이디어나 전반적인 기술을 향한 편견을 막는 문지기라고 생각합니다. 어떤 AI 아이디어를 진행하게 될지 성실히 파악한다고 해서 향후 AI 프로젝트에서 마주하게 될 모든 장애물과 어려움을 막을 수 있는 것은 아니지만, 적어도 위험은 인식하게 됩니다. 그리고 더 중요한 것은 마주하게 될 문제를 견디고 극복할 정도로 충분한 비즈니스 가치를 달성할 수 있는지와 관련해 자신과 팀에게 어려운 질문을 던지게 될 것이라는 점입니다.
6. 작업의 중요도와 복잡성을 기반으로 적절한 인력을 배정합니다
이제 제가 모든 AI 아이디어를 똑같이 생각하지 않는다는 걸 모두 눈치채셨을 겁니다. 따라서 필요한 기술 세트도 똑같을 수 없습니다. 하지만 제가 목격하는 일반적인 시나리오는 관리자가 아이디어 작업을 데이터 과학자에게만 일임하는 모습입니다. 알고리즘 측면을 처리하고 싶을 때는 데이터 과학자가 적절한 경우가 종종 있지만, 보통 이들로는 부족합니다. 특히 더 복잡하고 통합적이고 혁신적인 AI 프로젝트를 진행하는 경우에 그렇습니다. 더 복잡한 AI 아이디어가 제품으로 이어지고 큰 비즈니스 영향을 가져오는 가능성을 높이기 위해, 다음의 주요 페르소나를 추천합니다.
- 데이터 과학자: 정의된 범위와 목표를 고려한 문제를 해결하기 위해 최고의 알고리즘을 만드는 작업의 주된 책임자입니다.
- 주제별 전문가: 해결해야 할 문제에 대한 깊은 비즈니스 감각을 보유하며, 비즈니스 결과(예: 어떤 데이터를 어떻게 처리할지, 해결해야 할 문제를 어떻게 적절히 정의할지, 비즈니스 절차의 일환으로 AI 솔루션을 어떻게 통합 및 구현할지)를 극대화하는 결정을 내릴 수 있습니다.
- ML 엔지니어/AI 플랫폼 엔지니어: 비즈니스 문제 및 데이터 과학자가 생성한 알고리즘에 최적화된 엔드투엔드 AI 솔루션의 아키텍처 및 실행의 주된 책임자입니다. 최신 AI SW 및 MLOP 사례에 능통해야 합니다.
- AI 제품/프로젝트 관리자: AI 기술뿐 아니라 제품/프로젝트 관리에 깊은 숙련도를 갖춘 사람입니다. 제품화에 이르기까지 AI 아이디어의 정의 및 실행을 통해 여러 분야의 팀을 주도하고, 시간이 지날수록 지속적인 비즈니스 영향을 극대화하는 경험이 필요합니다.
- 통합자: 가능한 경우, AI 기능을 기존 프로세스에 통합하고 필요한 변경 사항을 적용하여 최대한 원활하게 AI 통합을 진행할 수 있는 개인 및 팀과 긴밀히 협력하면 매우 유용합니다.
- AI 후원자: AI 아이디어 작업 과정에서 영향을 주고 장애물을 제거하는 데 도움이 되는 리더십 위치에 있는 사람입니다. 리소스를 할당하고, POR 결정을 내리고, 성공을 극대화하도록 올바른 수준의 결정을 내리는 등의 업무를 포함해 여러 업무를 맡습니다. 관리자는 전반적인 AI 채택 여정에 속도를 낼 수 있으므로, 가장 중요한 역할인 경우가 많습니다.
7. 기대와 인내 설정: 혁신은 시간과 투자가 필요합니다
이 마지막 내용은 특히 관리자와 리더에게 제가 전해주고 싶은 가장 중요한 조언일 것입니다. 여러분이 여기까지 읽었다면, 조직 내 AI 작업 구축에 이미 상당한 투자를 했거나 투자를 진지하게 숙고 중이라는 뜻일 겁니다. 따라서 ROI가 충분한지 알고 싶으실 겁니다. 또한 소요되는 시간도 궁금할 겁니다. 그러나 제 경험으로는 "충분한 ROI" 지점에 도달하는 것은 대부분의 사람이 예상하는 것보다 더 길고 복잡한 과정입니다. 그 이유는 여러 가지입니다. AI는 여전히 새롭고, 종종 비침입적이기도 한 기술입니다. 제대로 수행하지 않으면 비즈니스에 영향을 주는 인지 위험과 실제 위험을 갖게 됩니다. 또한 성공적인 POC부터 제품화까지의 길은 항상 예상보다 더 깁니다. 마지막으로 이 완전한 잠재력이 발휘되면, AI는 비즈니스 운영 방식의 진정한 혁신을 향해 맞춰집니다. 그리고 혁신에는 시간과 투자, 인내심이 필요합니다. 아래의 도표 3은 AI 채택의 각 단계와 특성, 전형적인 기간에 따른 일반적인 AI 성숙도 그래프입니다. 이것은 좌절감을 일으키려는 것이 아니라, 결과와 예상 시간에 대해 더 현실적인 기대치를 설정하기 위해 보여주는 것입니다.
여기서 어디로 가야 합니까?
지금 여러분의 머리에는 이런 질문이 남아있을 겁니다. "이걸 읽고 7단계를 모두 따르면, 분명히 속도를 낼 수 있을까?" 음, 답은 "아마도"입니다. 앞서 언급했듯이 모두 잘 수행하더라도 AI 채택은 종종 초기 예상보다 더 길고 더 리소스 집약적인 과정이 됩니다. 하지만 제대로 완료한다면 여러분이 조직의 AI 후원자, 추진자 및 실행자 또는 모든 역할을 맡기로 선택한 것과 무관하게, 얻게 될 예상 비즈니스 영향뿐 아니라 성공 가능성이 크게 높아질 것입니다. 그리고 이것은 훌륭한 동기가 됩니다.