인공지능(AI)은 학습과 문제 해결에 사용되는 컴퓨터 프로그램으로, 다양한 분야에서 활용된다. 분석형 AI와 생성형 AI로 나뉘며, 분석형 AI는 패턴 분석과 판정에, 생성형 AI는 새로운 콘텐츠 생성에 사용된다. AI는 전문가의 결정 과정을 모방하여 만들어진다. 이를 위해 지식 기반 방법이 사용된다. 하지만 지식 기반 방법은 지식 베이스의 크기, 일관성 부재, 암묵적인 지식 등의 한계가 있다. 데이터 기반 방법은 머신러닝을 통해 데이터에서 패턴을 학습하여 예측하는 AI를 만드는 방법이다. 딥러닝 알고리즘인 DNN, CNN, Transformer, BERT, GPT, LLaMA 등을 사용하여 이미지나 자연어 처리 분야에서 높은 성능을 보인다. 스팸 필터링, 이미지 인식, 음성 인식 등 다양한 분야에서 활용되고 있으며, 빅데이터와 IoT의 발전으로 인해 주목받고 있다. 그러나 데이터가 없으면 AI를 만들 수 없고, 다른 정보를 활용하지 못하며 세상이 바뀌면 재학습이 필요하다는 한계가 있다.
AI를 어떤 비즈니스 분야에 적용할 수 있을까? 결론부터 말하자면, 적용 비즈니스 분야는 기업에서 하는 일 전부 다라고 할 수 있다. 제품/서비스 기획부터 시작하여, 제품/서비스 설계, 구매/유통/공급망, 제조/품질, 마케팅/프로모션/광고, 영업/CRM/AS, 재무/회계/투자, R&DHRD 등이 포함된다. 이러한 영역에서 AI를 활용하여 소비자 파악, 설계오류 분류, 원자재가격 예측, 품질/불량예측, 제품 컨셉 디자인, 1-1 프로모션, 수요 예측, 기술동향 파악, 인사평가 등의 작업을 수행할 수 있다. AI를 적용하기 위해서는 4단계로 진행해야 한다. 먼저, 기획 단계에서 어떤 일에 AI를 적용할지 판단하고 자체 개발할지 외부 AI를 사용할지 결정해야 한다. 다음으로, AI를 구매하거나 개발하고 학습 데이터를 확보하는 단계다. 그리고 AI의 적용 가능성과 효과를 평가하고 실제 적용 후 효과를 평가하는 단계다. 이 모든 단계에서 현업 의사결정자들의 역할이 중요하며, AI 교육이 필요하다. AI를 이해하고 활용하는 능력을 갖춘 현업 의사결정자들이 있어야 비즈니스 가치를 창출할 수 있다.
범용 인공지능(GPT)과 SaaS 형태의 인공지능이 비즈니스 사용에 부적합한 경우가 있다. 첫째, 범용 인공지능은 특정 분야에 대한 전문 지식이 부족하다. 이러한 경우, 해당 분야의 전문 지식을 가진 문서나 데이터를 추가하여 GPT 모델을 미세 조정하거나 프롬프트 학습을 수행하여 성능을 향상시킬 수 있지만, 기밀 유출과 같은 문제가 발생할 수 있다. 특히, 민간 기업이나 국가 기관에서는 자사의 제조 노하우나 기밀 정보가 타사나 외부 기관에 노출되는 것을 원치 않기 때문에 이러한 방법은 적합하지 않다. 따라서, 해당 분야의 전문 지식을 학습한 사내 전문 AI 개발이 필요하다. 이러한 AI 모델은 일반 대화형 AI 모델보다 더 높은 수준의 전문성을 가지고 있으며, 특정 분야에서 뛰어난 성능을 발휘할 수 있다. 이를 위해서는, 사전 학습된 오픈소스 상업 사용 가능 거대 언어 모델과 자사의 전문 지식을 포함한 학습 데이터가 필요하다. 아직은 구축 비용이 높지만, 기술 발전 속도를 고려하면 1-2년 내로 구축 비용이 낮아질 것으로 예상된다.
대부분의 기업에서는 지난 10년 간 우리에게 온 빅데이터 기반의 분석 AI도 제대로 이해하고 활용하고 있지 못한 상황에서, 생성 AI 가 본격적으로 등장했다. 이 분야의 발전 속도는 정말 대단하다. 한 두 달이 멀다 하고 새로운 혁신적인 AI가 도처에서 출현한다. 이 분야 전문가들도 어지러워하고 있지만, 반대로 보면 훨씬 저가에 더 빨리 학습하면서도 성능이 좋아진 AI가 한 달이 멀다 하고 개발 출시된다는 뜻이다. 이건 모두에게 큰 기회가 된다. 누가 먼저 이 기회를 깨우치고 적극적으로 도입하느냐가 디지털 변환에서 살아남느냐를 결정할 것이다. 얼마나 빨리 해야 하느냐는 데는 이견이 있을 수 있으나, 언젠가는 해야 한다는 데는 모두 동의하고 있다.
