AI Strategy: How to Choose What AI Product to Implement
이 논문은 기업이 각 아이디어의 잠재적 가치, 성공 가능성, 실행 비용을 별도로 평가하여 높은 잠재력을 가진 베팅들의 견고한 포트폴리오를 구축함으로써 AI 프로젝트 선정의 불확실성을 극복하도록 돕는 기대 ROI(eROI) 프레임워크를 소개한다.
원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기
당신이 거대한 우주선의 선장이라고 상상해 보십시오. 당신에게는 한정된 연료가 있고, 어떤 먼 행성들을 방문할지 결정해야 합니다. 어떤 행성들은 레이더상에서 반짝이고 유망해 보이는 반면, 어떤 행성들은 신비롭고 잠재적으로 위험해 보입니다. 비즈니스의 세계에서 이 '연료'는 돈과 시간이며, '행성'은 새로운 프로젝트입니다. 오랫동안 AI를 시도해 온 기업들은 그 행성이 실제로 착륙 가능한 곳인지, 혹은 그곳에 갈 가치가 있는지를 확인하기보다는 행성이 얼마나 멋져 보이는지에 기반해 방문할 행성을 추측하는 선장들과 같았습니다. 이 논문은 바로 그 문제, 즉 프로젝트가 100% 성공할 것이라고 확신할 수 없을 때 어떤 AI 프로젝트를 구축할지 어떻게 결정하는가에 대해 다룹니다. 저자들은 'eROI'(기대 투자 수익률)라는 새로운 사고방식을 소개합니다. 하나의 마법 같은 이익 숫자를 예측하려고 노력하는 대신, 결정을 세 가지 간단한 질문으로 나누는 것을 제안합니다. 그것이 성공한다면 얼마나 많은 돈을 벌 수 있는가? 그것이 실제로 성공할 가능성은 얼마나 높은가? 그리고 그것을 만드는 데 비용이 얼마나 드는가? 이것은 마치 출항하기 전에 지도와 일기 예보, 그리고 예산을 확인하는 것과 같습니다.
비즈니스와 데이터 과학 전문가인 저자들은 대부분의 기업이 AI에 실패하는 이유가 기술이 너무 어려워서가 아니라, 처음에 잘못된 프로젝트를 선택하기 때문이라고 주장합니다. 그들은 리더들이 수백 개의 아이디어를 걸러내고 승자를 선택할 수 있도록 돕는 eROI(기대 투자 수익률)라는 프레임워크를 제안합니다. 핵심 아이디어는 간단하지만 강력합니다. 모든 것을 하나의 혼란스러운 숫자로 뭉뚱그리지 말고, 결정을 세 가지 뚜렷한 기둥으로 분리하십시오.
첫째, **"그것이 성공한다면 얼마나 가치 있을 것인가?"**라고 물으십시오. 이것은 단순히 즉각적인 현금만을 의미하는 것이 아닙니다. 이 프로젝트가 회사의 큰 목표에 부합하는지, 미래를 위한 새로운 데이터 자산을 창출하는지, 혹은 팀에게 새로운 것을 가르쳐 주는지에 대한 것입니다.
둘째, **"성공할 가능성은 얼마나 높은가?"**라고 물으십시오. 이 부분이 까다로운 부분입니다. AI는 과학적 불확실성으로 가득 차 있습니다. 데이터를 가지고 있다고 해서 컴퓨터가 반드시 패턴을 찾아낼 수 있다는 뜻은 아닙니다. 저자들은 이를 네 가지 점검 사항으로 나눕니다. 고객이 그것을 사용할 것인가? 우리 엔지니어가 그것을 만들 수 있는가? 적절한 데이터를 보유하고 있는가? 그리고 가장 중요한 것은, 과학적으로 그것이 가능한가? 만약 이 중 어느 하나라도 답이 "아닐 수도 있다"라면, 프로젝트 전체가 위험해집니다.
셋째, **"비용이 얼마나 들 것인가?"**라고 물으십시오. 이것은 단순히 소프트웨어 가격만을 의미하지 않습니다. 팀이 소비하는 시간, 새로운 데이터를 구매하는 비용, 그리고 새로운 도구를 기존의 일상적인 업무 흐름에 맞추기 위해 들이는 고된 노력까지 포함됩니다.
이 방법론을 보여주기 위해 저자들은 부동산 회사인 컴패스(Compass)의 이야기를 들려줍니다. 그들은 회사가 고려하던 세 가지 서로 다른 AI 아이디어를 살펴보았습니다.
"판매 가능성 높은 고객" 도구: 이는 에이전트의 연락처 목록을 살펴보고 조만간 집을 내놓을 가능성이 가장 높은 사람들을 표시해 주는 시스템이었습니다.
- 판결: 이것은 홈런이었습니다. 에이전트가 더 많은 판매를 올리는 데 직접적인 도움을 주었기에 매우 높은 가치를 가졌습니다. 데이터가 명확하고 과학적 원리가 단순했기에 높은 성공 가능성을 가졌습니다. 또한 이미 구축할 수 있는 도구를 갖추고 있었기에 중간 정도의 비용이 들었습니다.
- 결과: 회사는 이를 구축했고, 결과적으로 수억 달러의 추가 매출을 창출했습니다.
"시장 체류 시간" 도구: 이는 특정 가격에서 집이 시장에 정확히 얼마나 오래 머물 것인지를 예측하려는 화려한 계산기였습니다.
- 판결: 이것은 함정이었습니다. 서류상으로는 높은 가치를 지닌 것처럼 보였지만, 성공 가능성은 낮았습니다. 왜냐하면 그 배후의 과학적 원리가 깨져 있었기 때문입니다. 가격이 집을 더 빨리 팔리게 만드는 '원인'임을 예측하려면, 가격이 달랐다면 어떻게 되었을지에 대한 '만약에' 상황을 알아야 합니다. 하지만 현실 세계에서는 그 '만약에' 시나리오를 결코 볼 수 없습니다. 저자들은 이를 "인과 관계(causal)" 문제라고 부르며, 특별한 실험 없이는 AI가 이를 해결할 수 없다고 말합니다.
- 결과: 회사는 이 아이디어를 현명하게 보류했습니다. 과학적 근거가 아직 마련되지 않았기 때문에 이를 구축하는 것은 돈 낭비가 될 것이었습니다.
"리노베이션 시각화" 도구: 이는 낡은 주방 사진을 찍으면 리노베이션 후의 모습이 어떻게 변할지를 보여주는 생성형 AI 도구였습니다.
- 판결: 이것은 "글쎄요"였습니다. 이미 더 저렴한 방식(예: 가상 스테이징)이 존재했기에 가치는 낮음에서 중간 사이였습니다. AI가 구매자를 화나게 할 수 있는 이상한 실수를 할 수 있었기에 성공 가능성은 중간이었습니다. 비용은 중간이었습니다.
- 결과: 최신 "생성형 AI"라는 유행어를 사용하며 멋져 보였지만, 수학적 계산이 맞지 않았습니다. 회사는 버전을 구축하긴 했으나, 오류의 위험이 이익에 비해 너무 높았기 때문에 큰 반응을 얻지 못했습니다.
이 논문은 성공의 비결이 단지 훌륭한 아이디어나 가장 똑똑한 엔지니어를 보유하는 것이 아니라고 제안합니다. 그것은 바로 포트폴리오 형태의 베팅을 하는 것입니다. 당신은 단 하나의 "최고" 프로젝트에 모든 연료를 쏟아붓지 않습니다. 대신, 몇 가지 확실한 것들(Quick Wins), 몇 가지 거대한 위험한 꿈(Moonshots), 그리고 그 거대한 꿈이 정말 가능한지 확인하기 위한 연구 프로젝트들을 섞어서 운영합니다.
저자들은 이 방식을 사용하는 데 완벽한 수학이 필요하지 않다고 주의를 줍니다. 이익을 푼 단위까지 정확하게 계산할 필요는 없습니다. 세 가지 기둥 각각에 대해 "낮음", "중간", "높음", "매우 높음"과 같은 간단한 등급을 사용하기만 하면 됩니다. 이를 통해 팀은 프로젝트가 "좋다" 혹은 "나쁘다"를 두고 논쟁하는 대신, 왜 그것이 실패하거나 성공할 수 있는지에 대해 실질적인 대화를 나눌 수 있습니다.
결국, 이 논문은 AI 프로젝트를 선택하는 것이 마치 로드 트립을 계획하는 것과 같다는 교훈을 줍니다. 단순히 가장 예쁜 사진이 있는 목적지를 고르는 것이 아닙니다. 자동차가 그 길을 감당할 수 있는지(기술적 확실성), 연료가 충분한지(투자), 그리고 목적지가 정말 그만큼 달려갈 가치가 있는지(가치)를 확인해야 합니다. 이 질문들을 분리함으로써, 기업들은 겉보기에는 좋아 보이지만 구축이 불가능한 프로젝트에 돈을 낭비하는 것을 멈추고, 실제로 판도를 바꿀 수 있는 프로젝트에 자금을 지원할 수 있습니다.
연구 분야의 논문에 파묻히고 계신가요?
연구 키워드에 맞는 최신 논문의 일일 다이제스트를 받아보세요 — 기술 요약 포함, 당신의 언어로.