Integrating Artificial Intelligence into SAP ERP: Opportunities, Challenges, and Implementation Paths
이 논문은 SAP ERP 시스템에 AI를 통합하는 데 따른 기회와 구조적 과제를 분석하며, 데이터 준비도와 지속 가능한 거버넌스 프레임워크를 통해 핵심 안정성과 적응형 지능 사이의 균형을 맞추는 이중 트랙 구현 전략을 옹호한다.
원본 논문은 CC BY 4.0 (https://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
현대 비즈니스의 거대하고 활기찬 인프라 속에는 전사적 자원 관리(ERP) 시스템이라 불리는 디지털 신경계가 존재합니다. 이를 기업이 공장 문에 도착한 원자재부터 고객에게 발송된 최종 송장에 이르기까지 모든 거래를 기록하는 중앙 장부라고 생각하십시오. 수십 년 동안 이 시스템들은 재무, 공급망, 인사 부서가 모두 동일한 언어를 사용하도록 보장하며 조직의 신뢰할 수 있고 화려하지는 않지만 든든한 중추 역할을 해왔습니다. 최근 이 지형에 새로운 힘인 인공지능(AI)이 등장했습니다. 전통적인 소프트웨어의 경직되고 규칙 기반적인 논리와 달리, AI는 패턴으로부터 학습하고 미래의 사건을 예측하며 심지어 스스로 제안을 할 수도 있습니다. 세계 최대의 비즈니스 소프트웨어 제공업체인 SAP와 이에 의존하는 수천 개의 기업이 직면한 과제는, 이 적응형 학습 지능을 절대적인 안정성과 예측 가능성을 위해 설계된 시스템 속에 어떻게 엮어 넣느냐 하는 것입니다. 만약 AI가 너무 거칠면 시스템을 망가뜨릴 수 있고, 너무 조심스러우면 새로운 것을 전혀 제시하지 못할 수 있습니다.
연구자 짐 도시(Jim Dorsey)의 최근 연구는 이 정확한 긴장 관계를 탐구하며, 기업이 어떻게 혼란을 야기하지 않고 SAP 시스템에 AI를 통합할 수 있는지 조사합니다. 이 연구는 알고리즘 뒤에 숨겨진 복잡한 수학에 집중하는 것이 아니라, 이 두 가지 매우 다른 기술이 어떻게 공존하는지에 대한 실질적인 현실에 초점을 맞춥니다. 논문은 앞으로 나아갈 길이 가장 정교한 AI 모델을 찾는 것이 아니라, 안정적이고 변하지 않는 핵심 시스템에 대한 필요성과 AI가 적응하고 학습해야 하는 필요성 사이에서 지속 가능한 균형을 찾는 것이라고 제안합니다. 연구 결과에 따르면 성공 여부는 기술적 탁월함보다는 조직의 규율, 특히 데이터가 어떻게 관리되고 시스템의 변경 사항이 어떻게 처리되는지에 달려 있습니다.
이 통합의 지형은 "클린 코어(Clean Core)"라고 알려진 개념에 의해 정의됩니다. SAP의 세계에서 이 원칙은 중앙 소프트웨어가 가능한 한 원래의 표준 형태에 가깝게 유지되어야 함을 규정합니다. 기업들은 마치 집 주인이 새 방을 만들기 위해 하중을 견디는 벽을 허무는 것을 피하는 것과 마찬가지로, 핵심 코드에 깊고 영구적인 변경을 가하는 것을 피하도록 권장됩니다. 대신, 외부에서 확장 기능을 구축해야 합니다. 이러한 접근 방식은 소프트웨어 벤더가 업데이트를 출시할 때 시스템이 깨지지 않도록 보장합니다. 그러나 AI는 종종 그 반대를 요구합니다. 진정으로 유용해지기 위해서 AI는 기업 운영의 구체적이고 고유한 세부 사항, 즉 고객의 습관, 특정 공급망의 특이점, 그리고 독점적인 데이터를 보아야 합니다. 이는 구조적 충돌을 일으킵니다. AI는 깊숙이 파고들어 커스터마이징하기를 원하는 반면, 시스템은 표면에 머물며 표준을 유지할 것을 요구합니다.
이 연구는 이러한 갈등이 단순한 기술적 장애물이 아니라 근본적인 조직적 과제임을 밝혀냅니다. 기업들이 준비되지 않은 시스템에 AI를 강제로 주입하려고 할 때, 논문에서 "유령 기술(ghost technology)"이라고 부르는 상황을 초래할 위험이 있습니다. 이는 기술적으로는 실행되고 출력을 생성하고 있지만, 비즈니스의 구체적인 맥락이 결여되어 있어 이를 필요로 하는 사람들에게 무시되는 시스템을 말합니다. 예를 들어, 수요 예측 도구가 일반적인 산업 트렌드를 바탕으로 판매를 예측할 수는 있지만, 만약 해당 기업의 고유한 마케팅 캠페인이나 특정 공급업체 계약을 볼 수 없다면 그 조언은 쓸모가 없게 됩니다. 연구는 벤더가 제공하는 일반적인 AI와 비즈니스의 구체적인 현실 사이의 간극가 많은 구현 사례가 가치를 전달하는 데 실패하는 주요 원인이라고 강조합니다.
이를 헤쳐 나가기 위해 논문은 대부분의 기업이 현재 두 세계에 동시에 살고 있다는 점을 인정하며 "듀얼 트랙(dual-track)" 전략을 제안합니다. 많은 조직이 여전히 2027년까지 단계적으로 폐지될 예정인 구형 시스템인 ECC를 운영하는 동시에, 새로운 클라우드 기반 S/4HANA 시스템으로의 이동을 준비하고 있습니다. 연구는 기업들이 완전한 이전을 시작할 때까지 AI 사용을 기다리지 말라고 조언합니다. 대신 두 개의 평행한 경로를 실행할 수 있습니다. 구형 시스템에서는 메인 시스템 외부에 위치하여 안전하고 표준적인 채널을 통해 통신하는 "사이드카(sidecar)" AI를 사용할 수 있습니다. 이를 통해 기업은 핵심의 안정성을 위협하지 않으면서 AI를 실험할 수 있습니다. 새로운 클라우드 시스템에서는 이러한 역량을 지원하는 현대적 아키텍처를 활용하여 소프트웨어에 내장된 AI 기능들을 점진적으로 활성화할 수 있습니다.
연구의 결정적인 발견은 데이터의 준비 상태가 진정한 문지기라는 점입니다. 아무리 발전된 AI라 할지라도, 그것이 먹고 자라는 정보가 엉망이거나 불완전하거나 일관성이 없다면 제대로 작동할 수 없습니다. 논문은 많은 조직이 AI를 도입하기 전에 데이터를 정제하고 정리하는 데 필요한 작업을 과소평가한다고 강조합니다. 데이터가 형편없다면 AI도 형편없는 결과를 낼 것이며, 이는 흔히 "쓰레기를 넣으면 쓰레기가 나온다(garbage in, garbage out)"는 역학 관계로 요약됩니다. 연구는 데이터 품질에 투자하는 것이 단순한 기술적 단계가 아니라 AI 성공을 위한 전제 조건이라고 주장합니다. 이러한 토대 없이는 가장 잘 설계된 AI 전략이라 할지라도 발판을 찾기 어려울 것입니다.
또한 연구는 기업들이 단순하고 위험이 낮은 애플리케이션에서부터 더 복잡하고 자율적인 시스템으로 나아가는 단계별 로드맵을 제시합니다. 첫 번째 단계는 데이터를 준비하고 자동화된 송장 매칭이나 긴 문서 요약과 같이 AI가 즉각적인 도움을 줄 수 있는 작고 명확하게 정의된 문제를 식별하는 것입니다. 두 번째 단계는 클라우드로 이동하여 더 고급 기능을 활성화하는 것이며, 세 번째 단계는 AI 에이전트가 최소한의 인간 개입으로 전체 워크플로우를 관리하는 미래를 바라보는 것입니다. 이 여정 전반에 걸쳐 논문은 거버넌스의 중요성을 강조합니다. 이는 AI에 대한 책임이 누구에게 있는지, AI의 결정이 어떻게 모니터링되는지, 그리고 편향성과 프라이버시 같은 윤리적 문제가 어떻게 다뤄지는지에 대한 명확한 규칙을 갖는 것을 의미합니다. 연구는 이러한 가드레일 없이는 기업이 AI 시스템의 힘을 안전하게 확장할 수 없다고 제안합니다.
결론적으로, 이 논문은 SAP ERP에 AI를 통합하는 것은 최신 기술을 채택하기 위한 경주가 아니라, 정렬을 위한 훈련된 과정이라고 결론짓습니다. 가장 정교한 AI 모델이라도 잘못된 데이터 위에 배치되거나 핵심 시스템의 안정성을 방해한다면 실패할 것입니다. 반대로, 상대적으로 단순한 AI 도구라도 깨끗한 데이터와 명확한 조직적 전략이라는 토대 위에 구축된다면 상당한 가치를 전달할 수 있습니다. 연구는 성공하는 기업은 AI를 일회성 프로젝트가 아니라, 안정적이고 신뢰할 수 있는 핵심을 존중하면서도 시스템이 할 수 있는 범위를 점진적으로 확장해 나가는, 비즈니스와 함께 진화하는 지속적인 역량으로 취급하는 기업이 될 것이라고 시사합니다.
연구 분야의 논문에 파묻히고 계신가요?
연구 키워드에 맞는 최신 논문의 일일 다이제스트를 받아보세요 — 기술 요약 포함, 당신의 언어로.