공급망 AI: 실제 성과를 내기 위한 6대 장벽 극복하기

인공지능은 거의 모든 것을 더 나은 방향으로 근본적으로 바꿀 잠재력을 가지고 있습니다. 그 영향력은 우리의 삶을 풍요롭게 했던 전기와 기타 범용 기술과 맞먹을 것입니다. 자율주행 선박, 항공기, 자동차 등의 테스트 케이스에서 그 영향의 초기 징후가 이미 나타나고 있으며, 그 혜택은 인력 감축을 훨씬 넘어섭니다.

예를 들어, 해상 사고의 최대 90%가 인적 오류에 기인하는데, AI는 이러한 사례를 크게 줄일 수 있습니다. 차량 간 통신(V2V)에 의해 구현되어, 차량들은 위치, 속도, 방향 같은 중요한 데이터를 공유할 수 있습니다. 이 정보는 운전자와 자율 시스템에 시야 밖의 잠재적 위협과 충돌을 경고하는 데 사용될 수 있습니다. 또한 도로 위의 오토바이와 자전거 같이 잘 보이지 않는 차량에 대해서도 운전자에게 경고할 수 있습니다. V2V와 AI의 결합은 다른 차량과의 예상되는 문제와 충돌, 기타 교통 위험을 운전자, 조종사, 선장에게 선제적으로 경고함으로써 충돌과 혼잡을 줄일 수 있습니다.

생산성, 혁신, 글로벌 경제 성장에 대한 AI의 이점도 마찬가지로 중요합니다. 맥킨지 앤 컴퍼니(McKinsey & Company)는 AI 도입이 "2030년까지 약 13조 달러의 추가적인 글로벌 경제 활동을 창출할 잠재력이 있으며, 이는 오늘날 대비 약 16% 높은 누적 GDP에 해당한다. 이는 연간 1.2%의 추가 GDP 성장에 달한다."고 추정합니다. PwC의 추정치는 15조 달러를 초과하는 것으로 더 높습니다.

이러한 잠재력을 고려할 때, AI에 휩쓸려 기업들이 이를 도입하고 효과적으로 사용하는 데 직면한 주요 문제들을 무시하기 쉽습니다. 다음은 몇 가지 과제와 가능한 해결책입니다.

1. 방대하고 깨끗한 데이터의 부족

모든 계산 프로세스는 좋은 데이터가 필요하며, 인공지능도 예외는 아닙니다. 특히 머신러닝(ML)은 알고리즘을 훈련하고 예측 모델을 개발하기 위해 엄청난 양의 정확한 데이터를 필요로 합니다. 그러나 대부분의 기업은 이를 달성할 만큼의 데이터 품질과 양을 갖추지 못하고 있습니다.

기업들은 효과적인 마스터 데이터 관리를 통해 데이터 품질을 개선하고, 가능한 한 실시간 데이터를 프로세스와 시스템에 통합해야 합니다. 실시간 다자간 디지털 비즈니스 네트워크는 외부 시스템을 지속적으로 동기화하면서 '단일 버전의 진실'을 유지하여, 기업들이 가능한 가장 완전하고 최신 정보로 운영되도록 보장합니다.

조직들은 또한 유사한 시나리오와 기업들로부터 대량의 데이터를 활용하는 사전 훈련된 ML 기반 알고리즘을 갖춘 솔루션 사용을 고려해야 합니다. 엄청난 거래량 덕분에, 디지털 비즈니스 네트워크는 잘 훈련된 알고리즘과 지능형 에이전트를 빠르게 연마할 수 있으며, 네트워크의 새로운 구성원들이 이를 활용할 수 있습니다.

2. 칸막이화된 AI는 비지능적인 AI다

공급망은 본질적으로 교차 기능적이고 교차 기업적이며, 이를 운영하는 데 필요한 데이터는 내부 및 외부 파트너들 사이에 흩어져 있습니다. 기업들이 큰 그림을 무시한 채 단편적인 방식으로 AI를 구현하려 하면, 좋지 않은 결과를 얻게 됩니다. 모든 관련 데이터에 접근하지 못하면, 알고리즘은 지속적으로 사각지대를 가지며 최적화와 실행의 기회를 놓치게 됩니다.

기업들은 가능한 한 많은 관련 시스템, 운영, 거래 파트너들을 포함시켜 데이터의 정확성, 맥락, 완전성을 강화해야 합니다. 목표는 소스부터 최종 고객까지 전체 공급망을 실시간 네트워크로 연결하는 것입니다. 오직 공급망 전체 솔루션만이 수요와 공급의 전체 그림을 모니터링함으로써 재고 수준과 물류 관리 같은 중요한 운영을 완전히 최적화할 수 있습니다.

3. 블랙박스 대 설명 가능한 AI

점수표와 의사결정 트리 같은 특정 ML 기법들은 이해하기 쉽습니다. 하지만 신경망은 더 복잡하고 신비롭습니다. 그것이 어떻게 그런 결정에 도달했는지 모른다면, 우리는 이 데이터에 따라 행동하거나 시스템이 자율적으로 행동하도록 허용해야 할까요?

아마존(Amazon)이 AI를 인재 채용에 사용하는 실험은, 연구자들이 시스템이 남성 채용에 강한 편향을 가지고 있음을 발견했을 때 잘못되었습니다. 이는 알고리즘이 주로 남성 데이터로 훈련되었기 때문입니다. AI는 결과적으로 두 여대 출신 지원자들을 낮게 평가했고, 순전히 성별에 기반해 다른 부적절한 결정들을 내렸습니다.

AI는 입력, 프로세스, 결정에서 투명해야 합니다. 기업들은 알고리즘이 어떻게 작동하는지, 어떻게 결정에 이르는지, 어떻게 가치를 창출하고 분배하는지를 적어도 본질적인 측면에서 알아야 합니다. 이상적으로 시스템은 결정 뒤의 이유를 명시적으로 제시하여, 사용자가 자율 에이전트의 결정을 보고, 승인하고, 재정의할 수 있게 해야 합니다. 기업들은 또한 알고리즘을 자신들의 특정 니즈에 맞게 조정할 수 있어야 합니다.

4. 근시안적 최적화

모든 프로세스와 변화에는 비용이 수반됩니다. 이것이 의사결정에 반영되지 않으면, 결과는 아무것도 하지 않았을 때보다 더 나쁠 수 있습니다. 많은 파트너와 시스템으로 구성된 공급망에서는, 행동의 장기적 결과를 놓치기 쉽습니다. 많은 솔루션들은 전체 공급망을 재계획함으로써 시스템에 '신경질적' 반응을 일으키고, 사소하거나 더 국소적인 변화로 충분할 때 주요하고 불필요한 변화와 비용을 초래하는 이 함정에 빠집니다.

이 문제를 피하려면, 최적화는 지속적이어야 하며, 네트워크에 대한 혼란을 최소화하기 위해 최소한의 엔티티에 영향을 미치도록 제약되어야 합니다. 자동조종 장치로 비행하는 항공기의 경우처럼, 방향에 대한 지속적인 미세 조정은 조건 변화에 보상하면서 비행기를 정확히 항로에 유지할 수 있습니다. 대안은 여정 말미에 비행기가 크게 궤도를 벗어났을 때 한 번의 주요 재경로 설정을 하는 것입니다. 이러한 지속적인 조정은 공급망 전체에 충격파를 일으키지 않으면서 큰 개선을 합산합니다.

5. 과도하게 열정적인 AI 벤더

많은 소프트웨어 벤더들이 AI 밴드왜건에 올라탔습니다. 어떤 면에서 이는 이해할 수 있습니다. 그 정의의 모호성과 불명확하고 광범위한 도메인을 고려할 때 말입니다. '머신러닝'은 더 잘 정의된 용어이며, 사람들이 '인공지능'이라는 용어를 사용할 때 종종 의미하는 바입니다.

그럼에도 불구하고, 벤더들은 '인공지능', '머신러닝', '신경망', '딥러닝' 같은 용어를 사용할 때 무엇을 의미하는지 명확히 설명해야 합니다. 가장 중요한 것은, 그들의 AI가 전통적인 휴리스틱 알고리즘보다 어떻게 더 많은 비즈니스 가치를 제공하는지 보여주어야 합니다. 어떻게 작동하는가? 전체 네트워크와 그 모든 조건과 제약을 아우르기 위해 시스템과 기업을 넘나드는가? 아니면 몇 개의 기능이나 도메인으로 제한되는가? 누가 사용하고 있으며, 어떤 결과를 달성했는가?

6. AI 기술 격차

많은 기업들이 AI의 급속한 진화와 성장하는 생존 가능성에 발목을 잡히고 있습니다. 이는 AI가 새로운 언어, 프레임워크, 사고 방식을 포함할 수 있는 현대적 기술을 요구하기 때문입니다. 소수의 기업만이 이 전환을 다루고 빠르게 발전하는 이 분야를 완전히 활용할 준비가 되어 있습니다. 2018년 오라일리(O'Reilly) 설문조사에 따르면, AI 기술 격차가 AI 도입의 가장 큰 장벽입니다.

장기적으로 시장은 기술 격차를 해소할 것이지만, 그때까지 기업들은 자신들의 니즈와 잠재적 신규 채용을 파악하기 시작해야 합니다. 또한 기존 직원 교육을 살펴보고, ML과 AI 기술로의 전환을 지원하기 위해 인센티브와 새로운 커리어 경로를 제공해야 합니다.

또 다른 옵션은 네트워크, 리소스, 전문성을 갖춰 AI 솔루션이나 AI 지원 플랫폼을 자문, 구현, 유지보수할 수 있는 기술 기업과 파트너십을 맺는 것입니다. 후자는 기업들이 더 빠르게 시작하고, 이득을 실현할 수 있게 합니다.

나이젤 덕워스(Nigel Duckworth)는 AI 지원 비즈니스 네트워크 제공업체인 원 네트워크 엔터프라이즈(One Network Enterprises)의 수석 전략가입니다.