새로운 기술에 투자하고 채택할 시점에 대해 정보에 입각한 결정을 내리려는 기업은 기술 발전 패턴이 늘 고른 것만은 아님을 이해해야 한다.
20세기 초 라이트 형제의 첫 비행은 단 12초밖에 되지 않았다. 하지만 수십 년 만에 비행기는 전 세계 여행에 혁명을 일으켰고 이전에는 상상할 수 없었던 방식으로 세계를 연결했다. 오늘날 인공지능은 틈새 혁신에서 전 세계 산업을 재편하는 유비쿼터스 도구로 전환하면서 비슷한 패턴이 전개되고 있다. 이런 기술 혁명은 “S 커브”라는 프레임워크를 사용하여 시각화하고 이해할 수 있다. ⓒ Getty Images Bank
S 커브는 시간이 지남에 따라 기술이 어떻게 성숙해 가는지를 그래픽으로 표현한 것이다. 얼리 어답터, 특수한 사용례, 기술 전문가를 중심으로 천천히 시작된다. 기술이 그 가치를 입증함에 따라 채택이 가속화되고 다양한 산업과 애플리케이션에 더 널리 통합되는 빠른 성장 단계에 접어든다.
그러나 기술이 더 저렴하고 빠르고, 더 효율적으로 발전함에 따라 필연적으로 어떤 논리적 한계(종종 물리 법칙에 기반한 실질적인 물리적 한계로 정의됨)에 도달하고 자연스럽게 S 커브의 '상단'에 안착하게 된다. 기술이 한계에 도달하면 상대적으로 발전 속도가 느려지고 일반적으로 복잡성이 크게 증가한다. 예를 들어 지난 20년간 내연 기관의 효율성 향상을 살펴보라. 시간이 지남에 따라 새로운 기술이 등장하는데, 일반적으로 기존 기술보다 낮은 성능 수준에서 시작하지만 이전 기술을 추월할 수 있는 잠재력을 가진 새로운 S커브가 형성된다.
현재와 미래의 신기술에 투자하고 채택할 시점에 대해 정보에 입각한 결정을 내리고자 하는 기업은 이러한 기술 발전의 고르지 못한 패턴을 이해하는 것이 필수적이다. 특히 AI 기반 또는 지원 기술의 경우 더욱 그렇다.
AI S 커브의 속도를 높이는 요인은?
AI는 진공 상태로 존재하는 것이 아니라 사용례를 가능하게 하는 광범위한 기술 생태계의 일부다. AI(또는 모든 기술)의 도입 궤적을 제대로 이해하려면 다른 기술 간의 시너지를 살펴보는 것이 중요하다. 예를 들어, 신경망 아키텍처의 일종인 트랜스포머는 AI 모델이 인간의 언어를 처리하고 생성하는 방식에 혁신을 가져왔으며, 대형 언어 모델(LLM)도 마찬가지다. 하지만 트랜스포머만이 GPT-3와 같은 LLM에 대한 관심을 불러일으키는 유일한 기술은 아니다. 오히려 LLM에 적용된 트랜스포머와 다른 여러 가지 지원 기술이 AI의 새로운 가능성을 열어주고 있다.
무어의 법칙으로 설명되는 컴퓨팅 성능의 기하급수적인 성장은 AI 기술 S커브의 근본적인 원동력이었으며, 앞으로도 계속될 것이다. 컴퓨팅 용량이 계속 증가함에 따라 AI 모델은 점점 더 큰 데이터를 처리하고, 더 복잡한 알고리즘을 담당하며, 이전에는 다루기 힘든 것으로 여겨졌던 문제에 대한 해결책을 찾을 수 있게 되었다. 요점은 기업이 클라우드 컴퓨팅 및 빅 데이터 분석, 무어의 법칙, 오픈소스 소프트웨어 운동과 같은 지원 기술을 고려하고 AI 분야 자체의 연구와 시너지 효과를 내야 AI 혁신과 도입 속도를 더욱 가속화할 수 있다는 것이다.
혁신은 비선형적이며 핵심 분야 외부에서더 발생할 수 있다. 우리는 완전히 새로운 형태의 컴퓨팅이 주도하는 차세대 AI의 물결을 보게 될지도 모른다. 예를 들어, 인메모리 처리 기능을 갖춘 뉴로모픽 컴퓨터는 비 폰 노이만 시스템으로, 완성된다면 행렬 수학을 수행하는 데 필요한 컴퓨팅 파워를 크게 줄여 AI 모델 실행에 엄청난 이점을 제공할 것이다.
노이즈에서 신호 분리하기
오늘날의 AI 환경은 잭슨 폴락의 그림과 매우 흡사하다. 다양한 가능성과 실험이 혼재되어 있다. 하지만 폴록의 그림이 프랙탈에 기반한 것으로 밝혀진 것처럼, AI 분야에서도 발전의 근간에는 패턴이 있다. AI가 발전하면서 우리는 더욱 쉽게 과대광고에 휩쓸리고 직면하는 모든 문제에 AI를 적용해 버린다.
일부 AI 애플리케이션은 새로운 것처럼 보이지만 실제로는 새로운 문제를 해결하는 것이 아니라 이미 다른 해결 방법을 알고 있는 작업에 AI를 적용하는 것일 뿐이라는 점을 인식하는 것이 중요한다. “망치만 있으면 모든 것이 못처럼 보인다"는 속담처럼 말이다.
진정한 과제(그리고 가치)는 신호와 노이즈를 구분하여 AI가 진정으로 영향력을 발휘하고 복잡한 문제에 대한 새로운 솔루션을 제공할 수 있는 영역을 식별하는 것이다.
AI 시대의 위험과 보상의 균형 맞추기
AI와 같은 새로운 기술이 등장하고 발전함에 따라 기업은 경쟁력을 유지해야 할 필요성과 초기 도입과 관련된 잠재적 위험 및 불확실성 사이에서 균형을 유지해야 한다.
이러한 도전은 새로운 것이 아니다. 클레이튼 크리스텐슨은 ‘혁신가의 딜레마'라는 저서에서 기업이 기존의 수익성 있는 비즈니스 모델을 유지하는 것과 잠재적으로 파괴적인 새로운 기술에 투자하는 것이라는 두 가지 어려운 선택을 설명한다. 그렇다면 기업은 어떻게 이런 결정을 내릴 수 있을까?
한 가지 접근 방식은 분기별 또는 연간 보고의 압박에서 벗어나 장기간에 걸쳐 운영되는 전담 부서를 두는 것이다. 심층 기술과 새로운 비즈니스 모델에 중점을 두고 긴 주기로 운영되는 전담 부서를 두면 기업은 파괴적인 변화와 트렌드에 대한 '조기 경보 레이더'를 만들 수 있다. 이 부서의 임무는 지평을 스캔하고, 잠재적인 혼란을 식별하고, 이를 검증하고, 이러한 문제를 기업의 고위층에 제기하여 종합하는 것이다. 이들은 다음과 같은 질문에 집중한다.
이 새로운 기술이 우리 비즈니스에 어떤 의미가 있는가?
잠재적인 혼란인가, 기회인가, 아니면 둘 다인가?
이에 대응하여 우리의 전략과 역량을 어떻게 조정해야 하는가?
때로는 현재 기술이 S커브의 정점에 도달하고 있으며, 파괴적인 기술이 기존 기술보다 성능이 떨어지더라도 동일한 접근 방식을 통해 얻을 수 있는 추가 이득이 점진적인 투자 가치가 없을 수 있음을 설명해야 한다.
AI 기반 성장의 세 가지 지평
리소스가 제한된 기업의 경우 다른 접근 방식이 필요하다. 먼저 어떤 모드로 운영되고 있는지 파악하는 것이 중요한다. 기술의 기본 원리를 이해하고자 하는 과학적 모드에 속해 있는가? 아니면 특정 문제를 해결하기 위해 기술을 적용하는 데 집중하는 엔지니어링 모드에 있는가?
이러한 모드를 구분할 수 있는 리소스가 없다면 세 가지 지평에 시간과 주의를 기울이는 것이 중요하다.
첫 번째 지평은 현재이다. 현재 어떤 일이 일어나고 있으며, 현재 운영을 어떻게 최적화할 수 있을까?
두 번째 지평은 가까운 미래이다. 앞으로 어떤 일이 일어날 것이며, 이러한 기회를 활용하기 위해 어떻게 포지셔닝할 수 있을까?
세 번째 지평은 먼 미래이다. 먼 지평선에는 무엇이 있으며, 장기적으로 우리 산업을 어떻게 변화시킬 수 있을까?
이러한 지평 전반에 걸친 업데이트와 트렌드를 모니터링함으로써 기업은 신흥 기술의 비선형적 발전에 발맞추고 비즈니스에 전략적 돌발 변수가 발생할 가능성을 제한할 수 있다. 이를 위해 반드시 독립적인 부서가 필요한 것은 아니지만, 일상에서 한 발짝 물러나 더 큰 그림을 고려하는 의도적인 노력이 필요하다.
예측의 기술
빠르게 진화하는 AI 환경을 탐색할 때 우리는 경이로운 시선과 경계심을 동시에 가지고 접근해야 한다. S커브는 앞으로의 여정이 선형적인 경로가 아니라 역동적이고 반복적인 과정이라는 것을 상기시킨다. AI S 커브의 역동성과 채택에 영향을 미치는 요인을 파악하면 기업은 성공을 위한 전략적 포지셔닝을 할 수 있다. editor@itworld.co.kr
