AI는 SKU가 아니며 이것이 비즈니스에 미치는 영향
나쁜 소식만큼 독자의 관심을 끄는 것은 없습니다. 예를 들어, 전 세계의 기술 리더들은 최근 MIT 연구에 세심한 주의를 기울였습니다. 이 연구에서는 거의 모든 생성 AI 파일럿이 실제 재정적 결과(정확히 말하면 95%)를 달성하지 못하는 것으로 나타났습니다.
RAND 연구 역시 마찬가지로 암울했으며, AI 프로젝트 5개 중 4개가 중단된 것으로 나타났습니다. 그리고 S&P Global은 조직들이 전년도에 비해 두 배나 빠른 속도로 AI 이니셔티브를 포기하고 있다는 사실을 발견했습니다.
MongoDB의 AI 현장 CTO입니다.
우리 모두는 약한 모델, 미성숙한 도구, 내부 경험과 역량 부족으로 인해 이러한 실패가 발생한다고 진단하는 의견을 읽었습니다. 그러나 진실은 더 단순하고 어쩌면 훨씬 더 불편할 수도 있습니다.
현실은 대부분의 AI 프로젝트가 기술 때문이 아니라 그 뒤에 숨은 전략(또는 전략의 부족) 때문에 실패한다는 것입니다.
문제: AI를 살 수 있는 제품으로 취급하는 것
엔터프라이즈 소프트웨어 컨퍼런스 현장을 걷는 사람이라면 누구나 기성 “AI 솔루션”을 제공하는 수많은 공급업체의 환영을 받을 것입니다. 암묵적으로 그들이 보내는 메시지는 AI가 누군가가 구매하고 연결한 다음 효율성 향상을 확인할 수 있는 제품이라는 것입니다.
그리고 AI를 카탈로그에서 주문할 수 있는 재고 단위(SKU)처럼 취급하는 고도로 상업화된 AI 관점으로 인해 AI 프로젝트가 구매 직후 개발됩니다.
AI는 사용 사례를 검색할 때 즉시 사용 가능한 응답이 아니기 때문입니다. 대신, 이는 잘 정의된 특정 비즈니스 문제에 적용될 때만 가치를 창출하는 일련의 기술입니다. 따라서 처음부터 ROI에 대한 명확한 경로가 없으면 AI 프로젝트는 실패할 가능성이 높습니다.
조직이 이것을 망각하면 많은 리더들이 때때로 “과학 실험” 함정이라고 부르는 함정에 빠지게 됩니다. 두 가지 일반적인 형태로 나타납니다. 처음에는 새로운 모델이나 도구에 대한 내부 열정을 볼 수 있으며, 파일럿은 고위 경영진으로부터 넉넉한 자금을 지원받은 후 인상적인 시연을 볼 수도 있습니다.
그러나 몇 달이 지나면 누구도 이를 측정 가능한 결과에 연결할 수 없기 때문에 사라질 것입니다.
MIT 연구에 따르면 구매한 AI 도구는 67%의 성공률을 보인 반면, 자체 빌드의 성공률은 3분의 1에 그쳤습니다. 그 이유는 공급업체 솔루션에 특정 비즈니스 결과와 관련된 보다 명확한 사용 사례와 성공 지표가 포함되어 있기 때문입니다.
두 번째 버전은 맨 위에서 시작됩니다. 리더십이 “AI 전략”을 요구하고 조직이 서둘러 행동을 보여주기 위해 서류상으로는 인상적으로 보이는 하드웨어나 소프트웨어를 구입하는 경우입니다.
그것이 도착하고 나서야 팀은 그것을 명확하게 사용할 수 없거나 AI가 그것을 이해하지 못한다는 것을 깨닫습니다. 두 경우 모두 동일한 내용을 볼 수 있습니다. 즉, 비즈니스 문제가 마지막에 발생하면 가치를 위한 여지가 없다는 것입니다.
비즈니스 현실을 중심으로 AI 재구성
좋은 소식은 AI 투자를 평가하고 우선순위를 정하는 더 나은 방법이 있다는 것입니다. 핵심은 팀과 리더가 추구할 가치가 있는 AI 아이디어와 그렇지 않은 아이디어를 어떻게 구별하는지에 관한 것입니다.
출발점은 조직이 직면한 가장 큰 과제와 핵심 성과에 중요한 것이 무엇인지 파악하는 것입니다. 대부분의 경우 이는 매출 성장, 효율성, 고객 만족도, 위험 노출 또는 생산성이 될 것입니다. 대화는 기술적 호기심이 아닌 비즈니스 요구 사항에서 시작되어야 합니다.
다음 단계는 이러한 과제를 해결하는 데 필요한 데이터를 평가하는 것입니다. 많은 조직에서 데이터는 여러 소스에 분산 및 복제되거나 레거시 시스템에 갇혀 있습니다.
이 데이터가 통합되고 정리될 때까지 이를 효과적으로 사용할 수 있는 모델은 지구상에 없습니다. 데이터 상태를 정리하는 작업이 완료되면 이 문제를 해결할 수 있는 AI의 잠재력이 가시화됩니다.
그런 다음 측정 가능성을 고려하고 조직이 수익 성장, 효율성 또는 고객 만족도와 같은 사항을 이미 측정하는 방법을 고려하는 것이 중요합니다. 이 기준선을 마련한다는 것은 모든 AI 개선 사항을 명확하게 입증할 수 있음을 의미합니다.
주기 시간, 정확성, 거래당 비용, 고객 평가 등의 지표를 통해 영향력을 보여줄 수 있습니다.
AI가 기업에서 자리를 잡도록 허용
이러한 고려 사항을 적용하면 잠재적인 AI 프로젝트 수가 줄어들 가능성이 높습니다. 나머지 프로젝트는 바로 비즈니스 가치에 부합하고 목적에 맞는 데이터로 지원되기 때문에 이는 좋습니다. 그러면 팀은 모든 사람이 이해하고 시간이 지남에 따라 측정할 수 있는 성공 기준을 설정할 수 있습니다.
결과적으로 이 접근 방식은 AI를 값비싼 실험에서 실질적인 가치를 추가하는 수준으로 전환할 수 있습니다. 이론적으로 흥미로운 것보다 현재 해결 가능한 것에 투자를 집중하세요. 그리고 가장 중요한 것은 AI가 혁신적인 약속을 실제로 실현할 수 있게 해준다는 것입니다.
최고의 AI 웹사이트 빌더를 소개합니다.
이 기사는 TechRadarPro의 Expert Insights 채널의 일부로 제작되었으며, 오늘날 기술 업계에서 가장 뛰어난 인재들을 소개합니다. 여기에 표현된 견해는 저자의 견해이며 반드시 TechRadarPro 또는 Future plc의 견해는 아닙니다. 협업에 관심이 있다면 여기에서 자세히 알아보세요.