효율성 극대화: 자동화로 비즈니스 프로세스 혁신하기

기업은 감히 도전하고 꿈꾸며, 직관하고 위험을 감수하며, 무엇보다 파국으로 치닫고 있음을 알아차리는 독특한 능력을 가진, 불완전한 존재인 인적 자본이 담고 있는 부를 무시할 수 없습니다.

지난여름 인공지능 역사상 암울한 이정표가 세워졌습니다. 자율주행 차량에 의한 첫 사망 사고입니다. 테슬라 모델 S가 완전 자동조종으로 플로리다 고속도로에서 트럭 후미를 들이받아 인간 '운전자'가 사망했습니다.

회사 블로그에 따르면, 이 비극적 사고의 원인은 AI가 '밝게 빛나는 하늘을 배경으로 한 트랙터 트레일러의 흰색 옆면'을 식별하지 못한 것이었습니다. 테슬라가 지적하듯, 이는 자동조종으로 1억 3천만 마일 이상 주행한 첫 사망 사고로, 인간 운전자의 전 세계 비율인 6천만 마일당 1명 사망의 절반에도 미치지 않습니다.

테슬라와 다른 자율주행차 제조사들이 이 비율을 낮게 유지할 수 있다면, 분명히 주요 안전 개선을 의미할 것입니다. 그러나 인간 운전자라면 거의 확실히 피했을 이번 사고의 성격은, 인간이 기계에 얼마나 많은 주체성을 양도해야 하는지에 대한 심각한 질문을 제기합니다.

기술이 더 지능화됨에 따라

기술이 더 지능화됨에 따라, 필연적으로 사람의 죽음을 초래하는 결정을 내려야 할 것입니다. 자율주행 자동차와 트럭은 윤리학자들을 수년간 당혹게 했던 '트롤리 문제'에 즉각 답하는 등 도덕적 결정을 내리도록 프로그래밍되어야 할 것입니다.

AI와 자동화에 대한 모든 질문이 생사 문제인 것은 아니지만, 이 기술들이 우리 삶을 증진할지 감소시킬지 확신하기 전에 답해야 할 중요한 실용적, 윤리적 질문들이 있습니다.

이는 기업들 자신도 점점 더 인식하는 사실입니다. 인포시스(Infosys) 연구에 따르면 응답자의 절반 이상(53%)이 윤리적 질문이 AI의 효과를 저해한다고 느끼는 반면, 3분의 1(36%)만이 이러한 신기술의 윤리적 함의를 충분히 고려했다고 답했습니다.

이러한 우려는 직원 및 고객 프라이버시에 대한 기술의 영향부터 고용에 미치는 영향(예: 인간 노동력의 큰 부분을 불필요하게 만드는 것)까지 다양합니다. 또한 위 테슬라 사례가 극명하게 보여주듯, 인공지능이 인간 조작자를 어디까지 대체할 수 있는지에 대한 질문도 있습니다.

기술의 약속된 힘에 매혹되기 쉬운 만큼, 인간 두뇌의 독특한 능력을 낭만적으로 보는 것도 쉽습니다. 기업이 이 두 가지 매우 다른 지능을 조화시키지 못하면, 인간과 기술이 서로 보완함으로써 얻을 수 있는 온전한 혜택을 풀어내기 어려울 것입니다.

인간과 기술의 조화

인류가 직면한 핵심 과제 중 하나는 기계에 얼마나 많은 자율성을 부여할지, 그리고 어떤 상황에서 인공지능이 인간 정신보다 더 잘 적용되는지 결정하는 것입니다.

언뜻 보기에는 기술이 엄청난 데이터 세트를 처리하고 자연어 처리를 활용해 고객과 현실적인 상호작용을 제공하는 능력이, 느리고 비싸며 오류를 잘 내는 인간을 완벽히 대체할 것처럼 보입니다.

하지만 그건 기술 고유의 타고난 결함들을 무시하는 것입니다. 인종차별을 빠르게 학습한 마이크로소프트의 테이(Tay) 챗봇부터, 하늘과 20톤의 빠르게 움직이는 금속 덩어리를 구별하지 못하는 자율주행차까지.

사실은 기계는 우리에게 통찰력만 제공할 수 있으며, 주어진 비즈니스나 개인적 맥락에 적절하게 이 통찰력을 적용하는 지혜를 가진 건 오직 인간뿐이라는 것입니다. 만약 사람들의 삶이 항상 합리적이고 경험적 고려사항에 의해 지배된다면, 기계가 가능한 곳마다 인간을 대체해야 한다는 주장이 있을지도 모릅니다.

우리 모두 알다시피, 이는 단순히 사실이 아닙니다. 인포시스는 매일 이러한 질문과 마주치는 회사입니다. 많은 기업의 머신러닝 이니셔티브를 돕고 있으며, 우리에게 빠르게 명확해진 것은 맥락화의 중요성입니다.

대부분의 경우, 숫자를 처리하는 것만으로는 충분하지 않습니다. 효과적이려면 회사의 문화와 비즈니스 모델, 고유한 과제와 데이터/보고 구조에 대한 철저한 이해가 동반되어야 합니다.

인간은 올바른 질문을 던지고, 데이터를 심문하고 해석하고 적용하며, 기계를 위한 올바른 가설을 세우는 데 계속 중요한 역할을 할 것입니다.

기술 전도사들은 종종 어떤 머신러닝 알고리즘의 정확도도 첫 패스에서는 일반적으로 60-70%이며, 이는 미세 조정과 추가 작업을 거쳐야 한다고 말하지 않습니다.

지금까지는 단순히 더 많은 데이터 과학자를 고용해야 한다는 주장처럼 들릴 수 있습니다. 하지만 위에서 언급한 기술의 한계를 보고, 이것이 조직의 다른 영역에 어떻게 적용되는지 보는 데는 큰 상상력의 도약이 필요하지 않습니다.

이는 최고 경영진부터 가장 말단 직원에 이르기까지 다양합니다. 성공한 사업가에게 물어보면 계산된 위험 감수의 중요성, 복잡한 비즈니스 문제를 해결하는 측면적 사고의 중요성, 완전히 예상치 못한 사고 패턴에서 최고의 아이디어와 영감이 촉발된다는 이야기를 들을 수 있을 것입니다.

HR 담당자에게 데이터는 개인의 성과와 생산성에 대한 중요한 통찰을 주지만, 왜 성과가 저조한지, 그 근로자가 어떻게 개선할 수 있는지에 대해 가장 공감하고 효과적인 방식으로 대화하는 방법을 알려주지는 않을 것입니다.

마찬가지로 고객 서비스 담당자는 불만 조사를 위해 필요한 모든 데이터에 접근하는 것의 혜택을 누리겠지만, 여전히 고객을 만족스럽게 만드는 방식으로 문제를 해결하려면 훈련, 직관, 인간성이 필요합니다.

진실은 데이터가 단지 사람들이 자신의 일을 더 잘하기 위해 사용할 수 있는 도구일 뿐이라는 것입니다. 헤지펀드 설정부터 불만 고객 응대까지 어떤 일이든 말입니다.

기업은 인적 자본이 담고 있는 부를 무시할 수 없습니다. 감히 도전하고 꿈꾸며, 직관하고 위험을 감수하며, 무엇보다 파국으로 치닫고 있음을 알아차리는 독특한 능력을 가진, 불완전한 존재들 말입니다.

출처: 인포시스 컨설팅(Infosys Consulting) 파괴적 기술 부문 책임자 조나단 엡스워스(Jonathan Ebsworth)