AI 비즈니스 사례: 이해관계자들을 위한 가이드 및 사용 사례

기업은 이상 감지, 벡터 검색 등의 다양한 AI 기술을 이미 오랫동안 사용해 왔습니다. 그러나 대부분의 기업에게 있어 자연어로 컴퓨터와 대화하는 것, 예를 들어 컴퓨터에 비즈니스 성과에 대한 질문을 입력하고 성과의 근본 원인을 논의하는 것과 같은 작업이 가능해진 것은 불과 몇 년 전의 이야기입니다. 눈 깜짝할 사이에 데이터를 분석할 수 있는 컴퓨터가 귀사의 비즈니스에 어떤 도움을 줄 수 있을지 상상하는 것은 어렵지 않습니다. 그러나 AI를 활용해 실질적인 비즈니스 가치를 도출하기 위해서는 상당한 투자가 필요하고, 그만한 비용을 정당화할 수 있을지 여부도 늘 확실한 것은 아닙니다.

요컨대, AI가 비즈니스적으로 중요한 역할을 수행할 것이라는 점에는 광범위한 합의가 이루어졌지만, 확실한 ROI 계산에 기반한 강력한 비즈니스 사례를 구축하는 것은 여전히 도전 과제로 남아 있습니다. 본문을 통해 AI에 대한 투자를 정당화하는 방법을 더 자세히 살펴보겠습니다.

AI란 무엇인가요?

인공지능이란 일반적으로 사람의 지능이 필요한 작업을 수행하도록 설계된 컴퓨터 시스템을 말합니다. AI의 가장 진보된 형태인 대규모 언어 모델(LLM)은 인터넷 및 기타 소스로부터 수집한 대규모 데이터 세트를 학습합니다. 학습을 완료한 LLM은 언어 이해, 다양한 분야별 지원 제공, 광범위한 작업 완료를 위한 계획 수립 등에 탁월한 성능을 발휘합니다. 기업의 자체 데이터를 학습한 모델은 이같은 사용 사례에 특히 유용합니다.

핵심 요점

• AI는 많은 비즈니스 애플리케이션에 포함되어 있으며 데이터를 처리하여 새로운 인사이트를 확보하고 효율성을 개선하는 데 도움을 줍니다.
• AI 기능은 빠르게 발전하고 있습니다. AI 에이전트는 복잡한 작업을 계획 및 실행할 수 있고, 엔터프라이즈 데이터에 대한 안전한 액세스를 바탕으로 인간이 수행하는 많은 작업을 자동으로 수행할 수 있습니다.
• 오늘날의 기업들은 AI 도입을 계획하거나 그렇지 않을 경우 경쟁사에 뒤처질 위험을 감수해야만 합니다. 모든 훌륭한 비즈니스 전략과 마찬가지로 도입 과정의 각 단계는 이전 단계의 성공을 바탕으로 구축되어야 합니다.

AI 관련 9가지 비즈니스 사용 사례

2022년 출시된 ChatGPT는 학생들의, 또한 기업의 리더들의 큰 관심을 끌었습니다. ChatGPT는 출시 이래로 많은 학생들의 작문 과제를 도와 주었지만 광범위한 비즈니스적 활용을 위해서는 더 많은 기술적 발전이 필요했습니다.

현재 기업들은 개중에서도 특히 2가지 개선점을 통한 혜택을 얻고 있습니다. 첫 번째는 일반적으로 검색 증강 생성(RAG) 또는 모델 컨텍스트 프로토콜(MCP)로 불리는 기술을 통해 비즈니스 데이터에 접근할 수 있게 된 점입니다. RAG, MCP 및 그와 유사한 기술들이 관련 데이터를 제공하면 대규모 언어 모델(LLM)은 해당 맥락을 활용해 고객의 제품 상세 정보 요청이나 경영진의 매출 예측에 관한 'what if' 시나리오와 같은 비즈니스 관련 질문에 답변할 수 있습니다.

두 번째는 AI가 과거의 작업 수행 방식을 이해하고, 더 복잡한 작업을 완수하기 위한 도구 세트를 활용해 새로운 계획을 수립할 수 있는 능력을 갖추게 되었다는 점입니다. 이는 에이전틱 AI로 불리는 기술로서 MCP 활용이 확산됨에 따라 AI를 활용해 실질적인 비즈니스 가치를 창출하기 위한 핵심 요소로 자리잡고 있습니다. AI가 비즈니스에 활용될 것인지 여부를 논하는 것은 더 이상 의미가 없습니다. 언제, 어떻게 활용될지를 논하는 데 초점을 맞춰야 합니다.

다음은 현재 기업들이 AI를 성공적으로 활용하고 있는 9개 분야입니다.

1. 고객 서비스

대부분의 고객 서비스 상호 작용은 반복적입니다. 즉, 질문 이력, 해결 사례, 제품 문서에 접근할 수 있는 AI는 유능한 1차 고객 서비스 담당자 역할을 수행할 수 있으며, 새로운 도구를 활용해 1차 담당자 이상의 업무를 수행할 수도 있습니다. 예를 들어, 에이전틱 AI는 과거 상호 작용 데이터를 학습하고 고객과 대화를 주고받으며 통해 문제를 해결할 수 있습니다. 고객 서비스 비즈니스 사례는 완전하고 방대한 고객 서비스 데이터가 뒷받침될 때 가장 강해집니다. 다음은 5가지 핵심 활용법입니다.

• 챗봇 및 음성 어시스턴트를 통한 자동 문의 처리: 과거 AI가 적용되지 않은 챗봇의 대화 품질은 매우 좋지 못했고 고객들은 곧바로 담당자와 대화하기를 원했습니다. AI가 적용된 챗봇과 음성 어시스턴트 또한 고객들에게 선택받기 위해서는 직관적이고 정확하고 신속해야 합니다.
• 설명서 검토 및 관련 응답을 비롯한 기본 Q&A: 고객이 챗봇의 도움을 수용하도록 유도하는 방법 중 하나는 AI만이 할 수 있는 독특한 방식으로 답변을 제공하는 것입니다. 예를 들어 Amazon의 Rufus는 설명서와 기존 구매자들의 코멘트를 결합해 제품 관련 인사이트와 기능 설명을 제공할 뿐만 아니라, 과거 구매자들이 해당 제품의 성능에 대해 어떻게 생각하는지도 이야기해 줍니다. 제품 지원의 경우, 챗봇은 지식 기반을 바탕으로 문제에 대한 가장 유력한 해결책을 신속하게 나열하거나 인간 지원 담당자는 쉽게 제공하기 어려운 인사이트를 제공할 수 있습니다.
• 감정 분석: 도움을 필요로 하는 고객은 자신의 문제를 차분히 설명하거나 가능한 해결책과 관련된 기초적인 질문을 잘 들을 수 있는 기분은 아닐 가능성이 높습니다. "전원 플러그가 꽂혀 있나요?" 같은 질문을 들으면 기분이 언짢아지기 쉬운 상태일 것입니다. 채팅이나 음성의 어조를 분석해 지원 담당자가 고객의 불만이나 분노를 식별하도록 도울 수 있는 AI의 능력은 갈수록 강화되고 있습니다. 이는 효과적인 지원에 매우 중요한 요소입니다.
• 지원 요청 티켓 분류 및 경로 지정: 지원 요청이 들어오면 각 티켓을 올바른 방향으로 전달해야 합니다. 최고의 서비스를 제공해야 하는 고부가가치 고객인가요? 문제가 발생한 제품은 무엇이며, 그와 관련된 문제를 가장 잘 해결할 수 있는 담당자는 누구인가요? AI는 이전 해결 사례를 추적하여 고객 지원 문제 해결 과정을 탁월하게 조절할 수 있습니다.
• 개인화된 지원: AI든 인간 담당자든 고객별 맞춤형 지원을 제공하기 위해서는 고객 지원 시스템으로부터 고품질의 데이터를 이용할 수 있어야 합니다. 고객 지원 시스템에 AI가 추가되면 AI 에이전트가 실시간으로 고객 관련 정보를 신속하게 찾아 제시하거나, 직접 대응 시 상호작용을 더욱 개인화하는 데 도움을 줍니다.

2. 마케팅 및 영업

데이터를 신속하게 분석하고 고객별로 맞춤형 마케팅 및 영업 전략을 수립할 수 있는 AI의 능력은 아주 매력적입니다. 현재 CRM 및 마케팅 자동화 시스템의 기능을 최대한 활용하는 기업일수록 AI 관련 투자 회수 기간이 단축됩니다. 데이터 품질이 우수할수록 AI를 도입했을 때 더 나은 결과를 얻을 수 있습니다. 귀사의 영업사원들은 고객과의 접촉 내용을 꼼꼼히 기록하고 있나요? 그럴 수도, 그렇지 않을 수도 있을 것입니다. 어느 쪽이든 AI가 도움을 줄 수 있지만, AI는 가용 데이터가 많을수록 더 우수한 결과물을 제공합니다.

• 가망 고객 평가 및 육성: 귀사의 목표는 무엇인가요? 향후 2년 내 고객 기반을 두 배로 늘리고 싶으신가요, 아니면 10~20% 정도 증가시키는 것을 선호하시나요? 귀사의 영업팀은 경쟁사와 잠재 고객 풀을 충분히 파악하고 있나요? 영업팀이 체계적으로 운영되고 10~20% 성장률로도 만족하는 기업에게 영업 지원용 AI는 빠르게 성장 중인 기업이나 광범위한 고객 기반을 가진 기업만큼 중요하지 않을 수 있습니다. 그와 같은 기업에게 있어 AI 도입을 위한 비즈니스 사례를 만드는 것은 고객 서비스 분야보다 어려울 가능성이 높습니다. 신규 시장 진출이나 신제품 출시를 계획 중인 기업이라면 AI 도입의 비즈니스 사례를 구축하기 더 용이합니다. 예를 들어, 많은 가망 고객이 있지만 개중 일부만 타기팅할 수 있는 경우 AI는 유망한 가망 고객별로 점수를 부여할 수 있는 유용한 도구가 되어 줍니다.
• 잠재 고객 식별: 위에서 언급한 바와 같이, AI는 인구 통계, 온라인 행동, 소셜 미디어 활동, 과거 구매 내역 데이터 등을 분석해 인간이 놓칠 수 있는 패턴을 찾아내어 신제품이나 서비스에 대한 이상적인 고객 프로필(ICP)을 생성할 수 있습니다. 이후 AI는 ICP와 가망 고객 점수 부여 전략을 활용하여 마케팅 노력을 정확히 타기팅하는 데에도 도움을 줍니다.
• 캠페인 최적화: 캠페인을 통해 수천 또는 수만 건의 가망 고객과 같은 방대한 데이터가 생성된다면, AI는 캠페인을 실행하고 실제 비용이 발생하기에 앞서 가장 성과가 좋은 제안과 모델 캠페인이 무엇일지 파악하는 데 도움을 줄 수 있습니다. 또한 가망 고객을 최종 계약까지 추적하는 프로세스를 갖춘 기업의 경우 AI는 해당 데이터로부터 새로운 인사이트를 도출하고 향후 캠페인을 세밀하게 조정하는 데 기여할 수 있습니다.
• 고객 세분화: 방대한 데이터 세트 내 항목 간 유사점을 찾는 것은 AI가 매우 잘하는 분야입니다. 따라서 AI에게 최우수 고객과 유사한 잠재 고객을 찾아달라고 요청하는 것은 매우 매력적인 발상입니다. 데이터의 품질이 충분히 높다면 AI는 잠재적으로 수익성 높은 고객을 신속하게 발견할 수 있으며 많은 경우 그들이 왜 우수한 잠재 고객인지, 어떤 제품에 적합한지 설명할 수 있습니다. 관련 기능은 시스템이 더 많은 데이터를 흡수할수록 향상됩니다.
• 고객 커뮤니케이션(메시지 작성 및 반응 모니터링 포함): 이메일, LinkedIn 게시물, 기타 서신 및 각 채널별 성과 통계를 수집하면 AI는 개중 가장 효과적인 방식을 학습하여 가장 높은 효과를 기대할 수 있는 커뮤니케이션을 생성할 수 있습니다. 여기서도 데이터의 품질이 성패를 가릅니다. 또 하나 유의해야 할 점은 AI가 작성한 콘텐츠가 고객에게 바로 발송 가능한 상태일 것으로 기대해서는 안 됩니다. 적어도 현재로서는 고객 및 잠재 고객에게 전송하기 전 사람의 검토가 필요합니다.
• 동적 가격 책정 및 제: AI의 신속한 데이터 분석 및 예측 능력은 동적 가격 책정을 고려하는 모든 비즈니스에 유용합니다. 예를 들어, 귀하가 로스앤젤레스 Dodger Stadium의 매니저이고 New York Yankees 팀이 방문했다고 가정해 보겠습니다. 원래 좌석 가격이 100달러였어도 이 경기에서는 1,000달러, 혹은 그 이상에 팔 수 있습니다. 수익을 극대화하면서도 모든 좌석을 매진시키려면 가격을 얼마로 책정해야 할까요? 이러한 딜레마에 공감하는 상황이라면 AI를 활용한 동적 가격 책정이 적합할 수 있습니다. 반면 귀하가 샌디에이고의 Petco Park 매니저에 더 공감하는 상황이라면, 즉 Padres 팀의 경기 티켓은 좀처럼 매진되는 일이 없으므로 수요가 공급을 크게 초과하지 않는 상황이라면 동적 가격 책정은 적합하지 않을 수 있습니다.

3. 운영

인공지능(AI)은 예외 상황이 발생할 수 있는 반복적 프로세스를 자동화하는 데 특히 적합합니다. 특히 ERP를 핵심으로 한 호환 제품군을 활용해 운영을 관리하는 기업에서 그 효과가 두드러집니다. AI를 최대한 활용하려면 운영 및 재무 데이터에 적용할 수 있어야 합니다. 이는 ERP 중심 시스템 내에서, 또는 기업이 사용하는 운영 시스템에서 데이터를 추출하도록 연결된 데이터 웨어하우스를 활용해 구현할 수 있습니다.

공급망 관리 같은 포인트 제품에 내장된 AI의 가치가 떨어진다는 뜻은 아닙니다. 그러나 AI가 일상 업무를 포괄적으로 파악할수록 운영 효율성과 조직적 인사이트는 더욱 향상됩니다.

• 공급망 최적화: AI가 공급망 관리(SCM) 시스템에 통합되면 공급업체 성과 변화 감지, 조달 프로세스 재조정을 통한 다중 공급업체 확보 등의 영역을 지원할 수 있습니다. 그러나 SCM 시스템의 효과적 운영을 위해서는 많은 기반 작업이 필요하므로 가장 효과적인 비즈니스 사례를 제공하는 AI 기능은 귀사의 SCM 공급업체로부터 제공될 가능성이 높습니다. AI가 귀사의 공급망 세부 사항을 분석하고 판매 예측 및 운영 성과를 활용할 수 있게 되면 인사이트 품질이 향상됩니다. 시스템이 잠재적인 공급망 문제를 조기에 발견하는 데 도움이 되기 때문입니다.
• 재고 예측: 재고 예측 비즈니스 사례는 AI 없이 팀원들이 직접 수행하는 것보다 더 빠르고 상세한 예측을 수행할 수 있는 AI의 능력에 기반합니다. AI 기반 재고 예측은 상세한 판매 데이터와 연계될 때 가장 최적의 재고 배치를 지원할 수 있습니다. 에이전틱 AI는 신규 주문 계획 수립 또는 제안, 재고 배치 추가 정교화 등을 통해 거기서 한 단계 더 나아갈 수 있습니다.
• 로봇 프로세스 자동화(RPA): 로봇 프로세스 자동화는 반복적인 프로세스를 자동화하는 기술입니다. 과거에는 RPA에 AI를 활용하지 않았지만 현재는 변화하고 있습니다. 예를 들어 애플리케이션에 새 계정을 추가하기 위해서는 언제나 5개의 단계를 거쳐야 한다고 가정해 보겠습니다. 해당 단계를 자동으로 수행하는 로봇 프로세스를 구축하면 신규 직원에게 애플리케이션 접근 권한이 필요할 때 시간을 절약할 수 있습니다. 이는 이상적인 경우이지만, 실무에서는 RPA 설정 작업의 복잡성이 그로 인한 효율성 향상으로 상쇄되지 않는 경우도 있습니다. 한 달 동안 10~20명의 사용자만을 추가하는 경우 RPA 설정에 그만한 가치가 없을 수 있습니다. 그러나 단기간에 수백 명을 추가해야 하는 경우 자동화가 유리할 것입니다. AI 비전 및 데이터 캡처 기능을 추가하면 매출채권 및 매입채권 관리와 같은 다양한 데이터 입력 작업을 처리하는 데에도 RPA를 활용할 수 있습니다. AI 에이전트가 RPA를 활용해 할당된 작업을 수행할 수 있게 되면 RPA의 이점은 더욱 커집니다. 이에 대해서는 하단의 재무 섹션에서 자세히 설명하겠습니다.
• 예측 유지보수: 조립 라인이 가동 중단된 상태에서 기계 수리를 서두르는 것보다 사전 유지보수를 수행하는 편이 훨씬 낫습니다. 그러나 유지보수를 지나치게 자주 수행하면 그만큼 리소스가 낭비될 수 있으므로 기계 상태를 모니터링하고 데이터를 AI에 제공하여 기계가 정상 범위를 벗어날 때 알려주는 방식의 이점은 명백합니다. 문제는 기존 기계에 사물인터넷(IoT) 센서를 설치하는 데 비용이 너무 많이 든다는 점입니다. 따라서 많은 제조업체가 기계 교체 시점까지 기다리기로 선택합니다. 그러나 대부분의 제조용 기계의 수명은 수십 년 단위로 계산됩니다. 기업이 IoT를 더 적극적으로 도입하면, AI는 방대한 데이터를 분석해 이상 징후를 포착할 수 있습니다. 이는 센서가 장착된 기계가 가져다주는 큰 이점이며 의료 분야에서 흔히 볼 수 있는 사례입니다.

4. 재무

재무팀에는 종종 인력이 부족해 보입니다. AI는 많은 리소스를 소모하는 수많은 일상적인 업무를 대신 처리함으로써 재무팀을 도울 수 있습니다. 문서 캡처, 이해, 분류용 AI는 재무 분야에서 수동 데이터 입력을 크게 줄이는 데 기여할 수 있습니다. 미수금과 관련해서는 AI가 지급 내역을 장부에 정확히 입력하고 필요한 총계정원장 기록을 생성할 수 있습니다. 또한 AI는 구매 주문서와 입고 내역 및 청구서를 매칭하여 주문한 물품을 제대로 수령했는지, 적절한 금액이 청구되었는지 확인할 수 있습니다.

• 경비 처리: 이미 오래전부터 직원들은 스마트폰 앱을 통해 경비가 발생할 때마다 즉시 기록할 수 있었습니다. 이제 관련 앱에 AI를 추가하면 정확도를 높일 수 있을 뿐만 아니라 청구된 경비가 회사 규정 범위 내에서 사용된 것인지 확인하여 승인 및 환급 절차를 간소화, 가속화할 수 있습니다.
• 사기 감지: 사기 감지는 AI를 활용하여 거래 내역 중에서 불법적인 활동을 암시할 수 있는 이례적인 패턴을 찾아냅니다. AI는 이상 징후를 포착하는 데 매우 뛰어나므로 신용카드 발급사, 기타 금융 기업 및 보험사에서 사기 감지에 널리 활용되고 있습니다. AI 기반 이상 감지 시스템은 극히 신속하게 작동하므로 사기성 거래로 의심되는 경우 추가 확인이 이루어질 때까지 거래를 일시 중지할 수 있습니다.
• 재무 예측: 충분한 데이터가 주어진 AI는 과거 정보와 아직 실현되지 않은 판매 데이터를 기반으로 예측을 수행하는 데 탁월한 능력을 보입니다. AI는 새로운 가정이 주어지는 대로 새로운 예측을 신속히 생성할 수 있으므로 시나리오 계획 수립에 특히 유용합니다. 예측 근거를 설명할 수 있는 시스템이 이상적이고, 더 긴 논의를 진행하고 결과를 개선할 수 있는 방법을 제시할 수 있는 시스템이라면 더욱 좋습니다. 다른 모든 경우와 마찬가지로 AI의 정확성은 사용하는 데이터의 품질에 좌우됩니다. 예측하기 어려운 분야일수록 AI 지원 도구의 비즈니스 사례는 더 강력해집니다. 재무 및 운영 관리를 위해 통합 제품군을 사용하는 기업은 분석 시작 전에 데이터를 통합하고 정규화해야 하는 기업보다 더 빠른 투자 회수 효과를 얻을 수 있습니다.
• 신용 위험 평가: AI는 대출 신청자의 신용도를 분석할 수 있지만 관련 법률 준수 여부를 평가하기 위해서는 여전히 사람의 검토가 필요합니다. 연방 및 주 법률에는 대출 공정성에 대한 요건이 규정되어 있으므로 관련 업체는 신용 평가가 어떻게 수행되었는지 파악하고 그 결과가 공정하게 도출되었음을 입증할 수 있어야 합니다.

5. HR

AI는 직원이나 신입 사원이 기록 시스템, 정책, 복리후생 정책 등을 파악하고 직무 기술서 및 채용 공고를 작성하는 데 도움을 줄 수 있습니다.

• 지원자 매칭: AI는 기업 내 공석과 적합한 지원자를 매칭할 수 있습니다. AI가 특정 직무 자격 요건에 맞춰 매칭하도록 제한하고, 법적으로 보호되는 영역을 침범하거나 잠재적인 차별 문제를 일으키지 않도록 반드시 주의해야 합니다. AI가 금지된 방식으로 작동할 경우 문제를 포착하고 수정할 수 있도록 사람이 계속 관여해야 합니다.
• 면접 일정 관리 봇: AI를 직원 캘린더와 연동하면 면접 일정 관리를 자동화할 수 있습니다. 앰비언트 AI 시스템을 활용해 면접 내용과 관련된 메모를 자동으로 작성하여 평가 자료로 활용할 수도 있습니다.
• 신입사원 온보딩 어시스턴트: IT 장비 및 애플리케이션의 주문 및 설정부터 신입사원의 오리엔테이션 및 문서화 지원까지 AI는 유용한 온보딩 도구로 사용됩니다. 온보딩 과정 중에도 그 이후에도 AI는 직원들의 기업 정책 및 복리후생 관련 질문에 대한 답변을 제공합니다.
• 인력 분석: 기업 전체의 근무 시간, 출근 기록, 업무 완료 데이터에 접근할 수 있는 AI는 인력 수요와 관련된 공백을 식별할 수 있습니다.

6. 제품 개발

제품 개발을 위한 AI 기반 도구는 실제 프로토타입 제작 전 설계, 코딩, 테스트, 시뮬레이션을 지원하는 에이전트 형태로 제공되는 경우가 많습니다. 개중 몇 가지 예시는 다음과 같습니다.

• 사용자 피드백 분석을 통한 기능 우선 순위 지정: 고객들이 원하는 다음 기능을 파악하기 위해 여러 날 동안 주요 제품에 대한 수천 개의 댓글을 살펴보기란 어려운 일입니다. AI가 몇 분 만에 모든 댓글을 읽도록 한 뒤 분석 결과를 바탕으로 AI에게 질문해 보세요.
• 자동화된 테스트 및 QA: 방대한 데이터 포인트를 생성하는 테스트 프로세스는 AI를 사용하기에 매우 적합합니다. 이상 감지 시스템은 여러 해 동안 사용되어 왔으며 다른 분석 방법으로는 놓칠 수 있는 미묘한 문제점을 발견할 수 있습니다. 또한 AI는 여러 비전 시스템에도 내장되어 결함을 신속하게 탐지할 수 있습니다.
• 제품 사용 인사이트: 상세한 로그를 유지하는 SaaS 제품의 경우 AI는 각각의 기능 수준까지 세분화된 사용 패턴을 파악할 수 있습니다. LLM은 파악한 결과를 요약하여 축적된 데이터로부터 신속하고 효율적으로 인사이트를 도출할 수 있습니다.
• 생성형 AI를 용한 프로토타이핑: 디지털 트윈 기술은 실제 기기 및 활동을 시뮬레이션하기 위한 컴퓨터 모델을 생성합니다. 이는 오래전부터 존재해 온 기술로서 현재는 LLM이 결합되어 디지털 트윈 생성 속도가 더욱 빨라졌습니다. Nirvana는 두 기술을 결합하여 프로토타이핑을 위한 디지털 트윈 생성 및 테스트 도구를 개발할 계획입니다. 현재 대부분의 디지털 트윈은 제조 현장이나 도시 같은 실제 시스템을 모방하는 데 사용됩니다. LLM은 센서 및 로그 파일 데이터를 수집해 특정 입력(예: 특정 지역의 폭염이나 공장 현장의 신규 기계)에 대한 결과를 예측할 수 있습니다. 새로운 설계를 안정적으로 프로토타이핑하려면 유사한 대규모 데이터 세트가 필요합니다. 그러한 데이터가 없는 경우 AI 기반 디지털 트윈 기술에 대한 투자 정당성을 입증하기 어려울 수 있습니다.

7. 데이터 분석

역사적으로 데이터 분석은 전문 기술과 고가의 도구를 갖춘 전담 팀이 필요한 작업이었습니다. 의사 결정자들은 분석 팀이 어떤 사실을 도출해내길 원하는지 전략적으로 접근해야 했습니다. 그러나 이제 AI가 분석을 변화시키고 있습니다. 이제 분석은 자연어 프롬프트와 보고 기능을 통해 비즈니스 사용자가 직접 질문을 구성할 수 있는 셀프 서비스 활동으로 진화 중입니다. 핵심 요소는 광범위한 비즈니스 데이터에 대한 접근성입니다. 이를 통해 AI는 판매 파이프라인을 기반으로 수요를 평가하거나 재고 데이터를 바탕으로 배송 일정 관리를 예측하는 등의 작업을 수행할 수 있습니다. AI와 데이터 분석이 클라우드에서 만나는 사례가 갈수록 증가하고 있습니다.

• 자연어 쿼리 인터페이스: 이제 Oracle Database 23ai와 같은 데이터베이스를 사용하면 SQL 문이 아닌 자연어로 데이터를 쿼리할 수 있습니다. 데이터베이스는 기존의 보안 및 액세스 제어를 그대로 유지하므로 AI 분석의 활용도를 넓히는 과정에서 부담을 줄일 수 있습니다.
• 이상 감지: 이상 분석은 오랫동안 머신러닝을 사용해 수행했던 작업이었습니다. LLM은 관련 기술을 개선하여 훈련 데이터 세트의 전처리 필요성을 줄였습니다. 이상 감지는 사기 감지부터 예측 유지보수에 이르기까지 분석 분야에서 다양한 용도로 활용됩니다.
• 보고서 생성: SQL 문과 같은 데이터 쿼리는 데이터 또는 데이터 테이블을 반환할 뿐 그 외에는 별다른 기능을 제공하지 않습니다. 반면 LLM은 반환된 데이터에 대한 설명을 생성하고 대규모 테이블로 발견한 결과를 요약할 수 있습니다. 또한 LLM의 데이터 시각화 생성 능력도 점차 향상되고 있습니다. 이는 그간 전문 도구 및 전문가가 필요하고 많은 시간이 소요되는 과정이었습니다. 그러나 이제는 인사이트가 담긴 그래픽이 포함된 보고서를 몇 분 만에 생성할 수 있게 되었습니다.
• 데이터 정 및 보강: 기업은 데이터를 분석에 활용하기에 앞서 데이터 중복을 제거하고 정규화해야 합니다. 다양한 공급업체의 백오피스 애플리케이션을 사용하는 기업의 경우 더욱 그렇습니다. 또한 두 개 이상의 시스템이 추적하는 이벤트를 서로 연관시킴으로써 데이터를 보강하여 분석에 더욱 유용하게 활용할 수 있습니다. AI는 일반적으로 수동적이고 시간이 많이 소요되며 인적 오류가 발생하기 쉬운 프로세스를 자동화함으로써 데이터 정제와 보강 모두를 지원합니다. 예를 들어, 정제 과정에서 AI 알고리즘은 'Jen Smith, 123 Main St.'와 'J. Smith, 123 Main Street'처럼 정확히 일치하지 않는 데이터라도 서로 다른 필드의 유사성을 분석하고 점수를 매겨 중복되는 기록을 식별하고 병합할 수 있습니다. AI는 또한 데이터를 정규화하고 오타, 잘못된 형식, 누락된 값과 같은 일반적인 오류를 찾아 수정할 수 있습니다. 데이터 보강과 관련해 AI는 여러 시스템의 기록을 자동으로 연계하고, 예측적 인사이트를 지원하고, 소셜 미디어의 게시물과 같은 비정형 데이터에서 구조를 추출하고 추가할 수 있습니다.

8. 보안 및 IT

AI는 데이터 보안 및 IT 운영을 향상시킬 수 있는 중요한 기회를 제공합니다. 이상 감지 기술은 활동을 실시간으로 모니터링하여 기업이 위협을 식별하고 완화할 수 있도록 지원합니다. 그러나 공격자들 역시 AI를 사용하므로 기업은 지속적으로 앞서 나가야 한다는 도전 과제에 직면하게 됩니다. 긍정적인 측면은 AI가 복잡한 기업 애플리케이션의 관리 시스템에 통합되고 있다는 점입니다. Oracle은 2018년부터 일부 데이터 관리 제품에 자율 관리 기능을 도입하기 시작했으며 2023년에는 Autonomous Database를 발표했습니다. 해당 시스템에 내장된 AI는 자체 구성, 자체 패치, 자체 튜닝 작업을 수행함으로써 DBA의 업무 부담을 줄여주고 데이터로부터 가치를 창출하는 작업에 집중할 수 있도록 만들어 줍니다.

• 위협 감지 및 인시던트 대응: 위에서 언급한 바와 같이 이상 감지 기술을 상호 보완적인 기술과 함께 사용해 공격자가 공격을 시작하면 그 공격을 차단할 수 있습니다. AI 에이전트들도 공격에 대응할 수 있는 능력을 점차 갖추고 있습니다. 대응 방식은 공격 경로를 차단하는 것을 넘어 인시던트 내역을 문서화하고 보안팀에 알리는 것까지 확장되는 중입니다.
• 로그 분석: 로그 분석 도구는 오랫동안 사용되어 왔습니다. 로그 분석 도구는 AI 없이도 사용 내역에 대한 질문에 답하고 누가, 어떤 작업을, 언제 수행했는지 파악하는 데 도움을 줍니다. 거기에 LLM을 추가하면 요약 기능이 향상되고 위협 감지 시스템의 일부로도 사용될 수 있습니다.
• 헬프 데스크 자동화: 과거 IT 헬프 데스크 시스템은 사용자들에게 좌절감을 안겨 주곤 했습니다. 헬프 데스크의 문제 해결 기록에 접근할 수 있는 AI를 추가하면 생성형 AI의 의미 기반 검색 기능을 활용해 유사한 문제들에 대한 설명과 해결책을 찾고 이전 세대보다 훨씬 우수한 시스템의 기반을 마련할 수 있습니다. 그러나 AI 헬프 데스크의 품질은 관련 기록의 품질과 완전성에 크게 좌우될 것입니다.

9. 법률 및 규제 준수

변호사 및 법률 보조원이 수행하는 많은 반복적인 업무들을 AI 어시스턴트가 더 빠르고 정확하게 처리할 수 있게 됨에 따라 다른 분야들과 마찬가지로 법률 분야도 5년도 채 되지 않아 완전히 달라질 것으로 예상됩니다. AI가 도움이 될 수 있는 몇 가지 분야는 다음과 같습니다.

• 계약 분석 및 요약: 변호사들은 직접 계약서를 읽는 것을 선호하겠지만 LLM이 수행할 수 있는 역할도 있습니다. 협상 중인 계약서의 새로운 수정본이 도착하면 AI는 변경 사항을 강조 표시하고 요약함으로써 변호사들에게 상당한 시간을 절약해 줄 수 있습니다.
• 규제 모니터링: 규제 모니터링 서비스는 새로운 규정이 승인되는 대로 법률팀에 해당 사실을 알릴 수 있습니다. AI는 계약서 및 기타 문서를 검토하여 신규 규정이 적용될 수 있는 부분을 찾아내고 경우에 따라 해당 규정을 준수하기 위한 전략을 제안할 수도 있습니다.
• 준법 감사: 특정 기업이 반드시 준수해야 하는 규정들의 목록을 파악하는 것이 첫 번째 단계입니다. 이는 많은 경우에, 특히 여러 관할권에 걸쳐 운영되는 기업에게 있어 가장 어려운 부분입니다. AI는 규정 파악을 완료한 뒤 계약서와 준법 확인서를 검토하여 문서 중 부족한 부분이 어디인지, 그 이유는 무엇인지 알려줄 수 있습니다.
• 법률 연구 어시스턴: AI의 유사성 검색은 관련 판례를 찾는 데 탁월한 능력을 발휘합니다.

AI 관련 비즈니스 사례를 수립하는 방법

AI 관련 비즈니스 사례를 개발하는 것은 요구 사항을 파악하고 관련 솔루션에 대한 비용을 지불하는 것으로 끝나는 간단한 일이 아닙니다. AI는 기업의 대부분의 조직에 영향을 미칠 잠재력을 지니고 있기 때문입니다. 1970년대부터 1980년대까지 기업들은 막대한 비용을 초래하는 포인트 솔루션 방식에 의존했습니다. 필요할 때마다 고성능 포인트 솔루션을 구매했고 서로 다른 제품을 통합하여 종합적인 비즈니스 관리 시스템을 구축하는 데 어려움을 겪었습니다.

고성능 솔루션들은 그만큼 비용도 비쌌고, 다양한 솔루션을 연결하기 위한 여러 미들웨어들을 사용해야 했으며 수많은 시스템 통합 업체들이 난립했습니다. 그러나 더 큰 문제는 수십 개의 서로 다른 제품들로부터 데이터를 수집하고, 이를 분석 가능한 형태로 변환하여 비즈니스 전체의 성과를 더 잘 이해하고 미래 성과를 예측하는 과정이 매우 어려웠다는 점입니다.

뚜렷한 전략 없이 AI를 도입하면 비슷한 고통을 반복하고 경쟁 우위를 잃게 될 가능성이 높습니다. AI 비즈니스 사례 수립에 도움이 될 만한 단계는 다음과 같습니다.

1. AI 전문가 조직(CoE) 위원회 만들기
AI에 관심을 보이는 각 부서 및 IT 부서별 리더들을 모아 각자의 AI 관련 목표와 관심사를 파악합니다. 이 그룹은 AI 도입 시작점, 실행 계획 수립, 성과 추적 등을 담당합니다.

2. 공급업체들의 AI 로드맵 파악하기
귀사의 현 공급업체들은 이미 AI 서비스를 제공하고 있으며 더 많은 기능을 추가할 계획일 것입니다. 귀사에서 보다 포괄적인 전략을 수립하는 동안 기존 애플리케이션에 추가된 AI 기능들을 테스트해 보는 것은 효율성 향상을 위한 좋은 출발점이 됩니다.

직원들이 AI를 받아들이도록 만드는 최선의 방법은 워크플로에 직접 통합하는 것입니다. 접근하기 어려운 AI는 활용도가 낮습니다. 주요 공급업체의 AI 로드맵이 부족하거나, 공급업체가 너무 많고 시스템 간 연동이 간단히 이루어지지 않는다면 다른 업체로의 변경을 고려해 보아야 합니다. 특히 레거시 온프레미스 애플리케이션의 경우 더욱 그렇습니다. 경쟁사들은 이미 AI를 활용하고 있으며, AI를 도입하는 방법을 모색하지 않을 경우 뒤처지게 될 것이라고 생각하고 움직여야 합니다. 일반적으로 클라우드 기반 애플리케이션은 AI 기능을 더 빠르게 제공합니다.

3. 데이터 전략 개발하
'좋은 AI는 좋은 데이터로부터 만들어진다'는 표현은 진부하지만 사실입니다. AI 에이전트가 미수금 및 미지급금을 자동화하기를 원한다면 최소한 재무, 영업, 재고 관리 시스템과 연결되어야 합니다. 시나리오 계획 수립에 AI를 활용하고 싶으신가요? AI가 데이터를 추출하기 위한 데이터 웨어하우스나 데이터 레이크가 필요할 수 있습니다. 적절한 데이터 연결을 용이하게 구축할 수 있을수록 AI의 효과는 더 뛰어나고 더 빠르게 나타납니다.

4. AI 도입 로드맵 수립하기
AI는 비즈니스 전반에 도움을 줄 수 있으므로 그 영향력과 장기적 ROI가 가장 큰 프로젝트를 우선시하며 바로 시작하고자 하는 유혹을 받을 수도 있습니다. 대규모 프로젝트를 염두에 두고 소규모 프로젝트들로 그 기반을 마련하는 것은 좋은 생각이지만, ROI가 명백하고 즉시 측정 가능하며 빠른 성과를 내는 작업부터 시작해야 합니다. 작업 자동화는 많은 경우 좋은 시작점입니다.

5. 부서별 도입 속도를 존중하되 필요 시 촉진하기
개발팀은 이미 코딩을 지원하는 AI를 활용 중일 수 있습니다. 반면 영업팀의 도입 속도는 더 느릴 수 있습니다. 인사팀은 직원들이 복리후생 및 정책을 이해하도록 돕는 챗봇을 활용해 명확한 성과를 얻을 수 있습니다. 재무팀은 AI를 활용해 AR/AP 업무 부담을 줄이고 월말 결산 속도를 높일 수도 있습니다. 빠른 성과를 도출한 팀의 소문이 퍼질수록 더 많은 직원들이 AI 도입에 동참할 것입니다. 특정 팀이 여전히 AI 도입을 주저하는 경우 경영진의 독려가 필요할 수도 있습니다.

6. 성과 공유하기
기업의 모든 구성원이 AI로 업무를 자동화하고 데이터를 분석한다는 아이디어를 환영하지는 않을 것입니다. 소규모 프로젝트의 성과는 AI 도입을 주저하는 직원들에게 위협적이지 않은 방식으로 그 가치를 입증할 수 있습니다. 또한 소규모 프로젝트를 통해 IT 부서가 데이터를 안전하게 보호할 계획을 가지고 있으며 자동화된 작업이 일관적이고 정확하게 수행됨을 보여줄 수도 있습니다.

지금 바로 Oracle AI 활용하기

Oracle은 귀사가 어디에, 어떤 방식으로 AI를 배포하든 가장 잘 활용할 수 있도록 지원합니다. Oracle Applications에는 추가 비용 없이 사용 가능한 수백 가지 AI 기능이 포함되어 있으며, 유용한 AI 에이전트도 지속적으로 추가되고 있습니다. Oracle Cloud Infrastructure(OCI)는 AI 모델 사용자 및 개발자 모두를 위한 탁월한 가성비를 제공합니다. 또한 다양한 AI 서비스와 파운데이션 모델을 인기 있는 오픈소스 도구 및 프레임워크와 결합해 사용할 수 있는 플랫폼입니다. 물론 Oracle 데이터베이스를 AI와 연결하여 데이터 분석 및 기타 다양한 용도로 사용할 수 있는 최고의 플랫폼이기도 합니다.

비즈니스에 AI를 통합하는 것은 계획과 데이터 준비가 필요한 다단계 프로세스입니다. 그러나 직원들에게는 흥미로운 경험이 될 수도 있습니다. 연구에 따르면 AI 도입을 주도하는 것은 주로 IT, 마케팅, 영업, 고객 서비스 부서지만 인사, 재무, 운영, 현장 관리 및 다른 팀들도 AI의 혜택을 누릴 수 있습니다. 또한 대기업이 중소기업보다 AI를 더 빠르게 도입했지만, 중소기업도 빠르게 따라잡고 있다는 연구 결과도 있습니다.

AI를 활용해 확보한 시간으로 직원들이 얼마나 더 창의적이고 고객들에게 도움이 될 만한 업무를 수행할 수 있을지 기대되지 않으시나요?

AI 관련 비즈니스 사례 FAQ

AI를 비즈니스에 통합하는 방법은 무엇인가요?

기업의 AI 통합은 4가지 핵심 단계로 이루어진 전략적 프로세스입니다. 먼저 재무팀의 효율성 향상, 1차 고객 지원 역할 수행 등 AI가 명확한 투자 효용을 제공할 수 있는 도전 과제나 기회를 파악합니다. 다음으로 AI 모델에게 고품질의 접근이 용이한 데이터를 제공하기 위한 데이터 인프라를 준비합니다.

사용 사례 및 데이터 소스를 확보한 뒤 사용할 도구를 선택합니다. 대부분의 기업은 AI 기능이 내장된 기존 소프트웨어를 사용하거나 클라우드 공급업체 파트너를 찾습니다. 특수한 요구 사항을 충족하기 위한 커스텀 솔루션 개발도 가능하지만 비용이 많이 듭니다. 마지막으로 AI 솔루션을 워크플로에 통합하고, 직원들에게 사용법을 교육하고, 성과와 ROI를 추적해 다음 프로젝트에 활용합니다.

기업의 AI 사용 사례로는 어떤 것들이 있나요?

리테일 업체는 AI 기반 추천 엔진을 활용해 고객의 탐색 및 구매 이력, 선호도, 유사 구매자 행동 등을 분석합니다. AI는 실시간으로 관련 제품을 제안함으로써 매출 증대와 쇼핑 경험 개인화를 지원합니다.

생성형 AI의 유효한 비즈니스 사용 사례로는 어떤 것들이 있나요?

많은 기업들이 창의적 업무 및 생산적 업무에 AI를 활용하고 있습니다. 마케팅팀이 AI를 활용하는 대표적인 방법으로는 보도 자료, 블로그 게시물, 제품 설명, 소셜 미디어 업데이트 작성 등이 있습니다. 개발자들은 코드 작성, 문서화, 디버깅 작업에 LLM을 활용하고 있으며, 많은 기업들이 복잡한 고객 및 직원 문의를 직접 처리하고 과거 지원 사례를 요약해 담당자들을 지원할 수 있는 고급 챗봇을 배포하고 있습니다.