요즘 인공지능(AI, Artificial Intelligence)은 흔하디 흔한 일반명사화 되어버려서 마치 '인터넷'과 같은 느낌으로 사용되고 있다. 90년대 초반, 아마존, 이베이와 같은 인터넷 전자상거래(E-Commerce) 기업이 기존의 전통적인 기업과 다른 가치와 효용으로 벤처캐피탈 업계의 각광을 받았듯이, 2010년 이후에는 'AI 기업'에 이들 VC 업계 자금이 몰리는 현상이 일어났다. 그러나 최근들어 'AI'라는 용어는 더이상 특정 기업의 전유물이 아니라, 데이터를 자산화(Asset)하려는 모든 기업에게 가장 중요한 요소기술이자, 조직의 변화를 야기하는 중요한 용어가 되고 있다. 모든 기업이 '인터넷 기업'화 되듯이, 'AI 기업'화 되고 있는 셈이다.
최근 가트너가 발표한 'Top 10 Strategic Technology Trends for 2018'을 살펴보면 거의 모든 요소기술들이 인공지능과 관련이 있다.
필자는 이 중 AI Foundations(인공지능 강화시스템)-Intelligent Apps and Analytics(지능형 앱과 분석도구) - Conversational Platform(대화형 플랫폼)-Event Driven(이벤트 지향적인 의사결정) 기술요소는 정확히 기업의 디지털 트랜스포메이션 전략이행 시 필요로 하는 핵심 기술요소와 일맥상통하다고 판단하고 있다. 중견그룹 이상 대기업이 기존 정보계 시스템을 빅데이터 기반 시스템으로 전환하는 데 있어서도 점점 더 이 4가지 기술요소가 중요해지고 있다.
기업의 디지털 트랜스포메이션 사다리모델과
빅데이터 기반 시스템으로의 전환
필자가 최근 2명의 공저자와 발행한 서적 '디지털 트랜스포메이션, 어떻게 할 것인가?(e비즈북스) 과 버티컬 플랫폼 컬럼에서 언급한 '디지털 트랜스포메이션 사다리모델(Digital Transformation Ladder)'에서 볼 수 있듯이, 기업의 디지털 트랜스포메이션은 적정 디지털 기술을 빠르게 적용하는 것을 뛰어넘어, 조직/문화의 변혁(새로운 학습조직(디지털 전담부서))을 전제로 기술적 변혁 > 비즈니스 모델 변혁으로 이행되는 것을 골자로 한다. 결론적으로 기업이 디지털 트랜스포메이션에 관심을 가지는 이유는 완전히 새로운 비즈니스 모델을 발굴함으로써 산업/시장을 재창조하거나, 기존 제품/서비스를 대체가능한 디지털 플랫폼을 확보하기 위해서라고 할 수 있다. '디지털 트랜스포메이션' 활동이 하나의 '혁신활동'으로서 점점 더 중요해지고 있는 것이다.
기업의 디지털 트랜스포메이션 이행과정을 상기 사다리모델을 활용하여 정리하면 다음과 같다.
- 조직/문화 변혁단계
-T0p-Down Approach(CEO/Owner의 전향적인 디지털 비전 발표)
-새로운 학습조직의 구축(CoE 조직구축-Center of Excellency)
-경쟁사 중심의 학습이 아닌, 다른 산업/시장의 혁신자와 혁신모델에 대한 연구시작 - 기술변혁 단계
-CoE 조직을 중심으로 다른 산업/시장의 혁신모델을 연구하면서 혁신기술요소에 대한 리스트업
-혁신조직인 '스타트업'과의 Open Innovation, Accelerating에 대한 참여 및 주도 > 내부 학습역량 배가
-혁신조직인 대한 전략적 투자, M&A를 통한 외부역량의 내재화 > 여러 개의 PoC Test, Pilot Project 발의
-데이터의 중요성이 전사적으로 전파, 타 계열사, 조직 내 데이터 자산의 통합 > 빅데이터 체계구축
-Bottom Up Approach(CoE 중심의 학습활동과 결과물이 위로 올라가고 보고됨) - 비즈니스 모델 변혁 단계
-빅데이터 체계구축의 진전과 함께 여러 개의 PoC Test 및 Pilot Project 중 한 두개가 성공적으로 새로운 시장/고객으로부터 긍정적 반응을 확보
-전사적으로 결과물이 공유되고, 변화관리위원회(또는 대기업의 경우 지주사의 최고경영위원회 등)를 통해 전 계열사/조직에 전파
-Top(CEO/Owner)의 전사적 자원투입 결정과 실행
-데이터의 중요성이 전사적으로 공유
-완전히 새로운 시장/산업의 발견과 고객가치 제안이 가능한 비즈니스 모델 구체화
가트너가 제시한 10대 기술 중 필자가 언급한 4가지 요소기술은 디지털 트랜스포메이션 사다리모델에서 기술적변혁 단계에서 가장 중요한 핵심요소기술로 활용될 수 있다.
최근 기업의 빅데이터 시스템으로의 전환시에도 이 핵심기술들은 중요한데, 각각의 요소기술은 하기와 같은 단계로 기업조직에 적용되고 있다. 이를 통해 기업은 인공지능 기술기반의 데이터 자산화 가능한 새로운 '디지털 거버넌스'의 확립과 타 기업조직과 차별화하는 '디지털 리더십'을 구축할 수 있다.
2번째 단계인 기술적변혁 단계에서 최근 디지털 트랜스포메이션에 성공한 주요 기업의 공통점은 CoE와 함께 데이터 분석조직을 함께 두고(Chief Data Officer가 새로운 직책으로 부상), 데이터를 자산화하기 위한 노력의 일환으로 기존 정보계 시스템을 빅데이터 시스템으로 전환하고 있다는 점이다. 주로 하기와 같은 Approach로 접근되고 있다.
- 고객접점-옴니채널화
-Conversional Platform과 Intelligent App & Analytics 요소의 부상
-특히 대화형 플랫폼은 새로운 고객접점 채널로 부상(AI Speaker가 대표적) > Voice가 서비스/제품과 만나는 새로운 고객접점 - 고객데이터 학습 및 모델링
-머신러닝 기반 체재 구축(AI Foundations)
-대화형 플랫폼과 지능형 앱을 통해 수집된 고객 데이터에 대한 학습과 의미 있는 결과(분류-추천-회귀-랭킹 등) 추출을 위한 모델링
-기존 정보계 시스템의 빅데이터 시스템으로의 전환(데이터 수집 > 저장 > 분석에 대한 새로운 시각견지)
-Chief Data Officer의 영입과 데이터 분석조직 강화(기존 학습조직인 CoE와 Collabo, 비즈니스 분석가와 데이터 분석가 양성) - 이벤트 중심조직 체계 구축
-데이터의 100% 자산화 > 강화학습(딥러닝)을 위한 많은 량의 의미있는 데이터 수집체계 구축
-고객이 어떤 채널에 있건 간에 Seamless한 제품/서비스 Experience를 제공할 수 있도록 모든 고객 Event에 대응가능한 Event-Driven Data 분석체계 구축
-고도의 추천 알고리즘 확보 및 구매전환률 극대화
아마존이 무서운 이유
아마전은 얼마전 에코-커넥트(Echo-Connect)라는 제품을 발표했다. 기존 댁내 유선 전화선을 에코 커넥트에 연결하고, 전용앱을 이용하여 전화부와 동기화한후, 기존 아마존 에코(알렉사) 시리즈와 연동만 하면 음성전화-화상통화 등을 아주 간단히 '음성인식' 기능을 활용하여 전개할 수 있다.
에코 커넥트 발표와 함께 거의 동일한 시기에 아마존은 시애틀에 AmazonGo 1호 매장을 정식 오픈했다. 임직원들 대상의 시범테스트가 아닌 상용화에 들어간 것이다.
아마존 에코 커넥트 발표 및 아마존고 매장 상용화가 거의 동일시기에 진행된 점도 예사롭지 않게 느껴지는 대목이다.
아마존을 더 이상 'e-Commerce'기업으로 규정할 수 있을까? 아마존고와 홀푸즈 인수를 통해 상품을 온라인에만 진열해두고 판매하지도 않으니, Pure E-Commerce 사업자라고 부르기도 애매하게 되었다. 필자가 보기에 아마존은 '데이터를 100% 자산화하여, 이를 기반으로 고객에게 고도의 추천-맞춤형 상품을 지속적으로 제공하는 데이터 분석-학습 기업'이다. 한마디로 데이터를 이용하여 돈을 버는 기업인 셈이다. 그것이 꼭 e-Commerce의 형태로 Marketplace 형 모델일 필요도 없고, 그저 고객이 있는 곳이라면 모든 고객과 관련된 데이터를 수집하여 돈이 되게끔 하는 데 철저히 조직의 모든 미션이 맞춰져 있는 기업이라고 할 수 있다.
아마존이 무서운 이유는 아마도 이런 이유이기 때문일 것이며, 최근 주가가 1300달러를 넘어선 이유도 미래에 가장 높은, 그리고 빠른 성장을 구가할 기업으로 시장에서도 생각하기 때문일 것이다.
하여간 이제 'AI'는 '머신러닝' 또는 '딥러닝'이라는 이름으로 좀 더 세분화 되어 각 기업이 보유한 또는 보유할 데이터의 속성에 따라 어떤 인공지능 기반기술을 좀 더 확보해야 하는지 빠르게 논의되고 있다. 가장 중요한 것은 현재 보유한 데이터가 어떤 데이터이며, 이 데이터를 머신러닝이던 딥러닝이던 유의미한 결과로 전환될 만한 수준의 학습이 가능한 가 일 것이다. 데이터가 많다고 성급히 딥러닝을 도입해서 그것이 자산(Asset)이라고 할 수 있을 정도로 의미 있게 추출될 것이라고 기대하는 것은 어리석은 일이다.
어쩌면 많은 기업들이 당면한 현실 중 하나는 기존 정보계 시스템에 쌓여 있는 데이터가 정제했을 때 정말 고객의 행동과 동선을 예측하여 ROA(Return On Asset)를 높일 만한 '데이터 자산'인지 아닌지(정말 정제했을 때 쓸만한 데이터인지 아닌지)도 분별 하지 못하는 상황이다.
데이터가 자산화된다는 것의 의미를 다시한 번 음미하면서 기업의 디지털 트랜스포메이션을 준비해야 할 시기다.
