인공지능이 인간을 넘어설지에 대하여 많은 논의가 진행되고 있습니다. 인공지능은 데이터를 바탕으로 지식을 추출하고 미래를 예측합니다. 반면에 인간은 창의적인 사고로 인류가 경험하지 못한 상황에서도 적절한 판단이 가능할 것입니다. 이러한 면에서 인공지능은 인간을 넘어서기 어려워 보입니다. 단, 데이터는 감정이 없습니다. 모든 상황에서 객관적인 평가를 할 수 있습니다. 반대로 인간은 감정에 치우치며 종종 일을 그르치곤 합니다. 인공지능과 공존하기 위해서 인간에게 필요한 것이 무엇인지 생각하게 됩니다.
- 김용대의 《데이터 과학자의 사고법》 중에서 -
* 시대가 변하고 있습니다. 이전과는 전혀 다른 세상이 열리고 있습니다. 인류가 경험하지 못했던, 한 번도 걸어보지 않은 길을 가고 있습니다. 인공지능이 사람 일을 대신하고 있고, 모든 것은 데이터로 남아 스스로 공부하며 진화하고 있습니다. 그러나 인공지능에는 온기가 없습니다. 사랑과 감사, 따뜻한 감성, 영적 정서적 교감이 없습니다. 인공지능은 인간이 사용하는 도구일 뿐 사람은 사람과 더불어야 삽니다.
과대 포장된 기술에 지쳤는가? 혁신과 위험 관리의 균형을 맞추고, 흔히 빠지는 함정을 피하고, 최신 기술을 전략적 도입하기 위한 단계별 원칙을 정리했다.
기술 업계에서 일하는 큰 장점 중 하나는 업계를 뒤흔드는 놀라운 발전들이다. 예를 들면 지금까지는 다음과 같은 것들이 있었다:
• 개인용 컴퓨터 • 인터넷 • 클라우드 • 블록체인 • 사물인터넷(IoT) • 생성형 AI(genAI)
하지만 기술 업계에서 종사하면서 따르는 단점 역시 업계를 뒤흔드는 놀라운 발전들이다. 왜 그럴까?
• 과대 광고가 현실을 빠르게 넘어선다. • 그것이 무엇이든 간에 인간의 일자리를 빼앗곤 한다. • 앞으로도 안전할 수 있는 방법이 없다. • 이를 먼저 활용하기 위한 경쟁이 치열하다. • 신기술의 정체와 실제 기능성을 누구도 알지 못하기 때문에 단기간에 전문가가 되어야 한다.
즉 조직의 IT 리더는 해당 신흥 기술이 무엇이고 어떤 기능을 하는지 자세히 이해하고, 이 기술을 활용하여 조직을 개선하는 방법에 대한 실제적 사용 사례를 파악해야 한다.
기존의 비즈니스 방식에 중대한 변화를 일으킴으로써 업계에 큰 충격을 줄 잠재력을 가진 첨단 기술들이 있다. 이에 대한 기업들의 일반적인 반응은 해당 기술이 무엇인지, 어떤 기능을 하는지, 비즈니스에 어떤 이점이 있는지, 어떻게 안전하고 안전하게 배포할 수 있는지 파악할 수 있을 때까지 사용을 금지하는 것이다.
하지만 그게 현명한 방법일까? 기업 고유의 비즈니스를 알지 못하는 외부의 사람과 조직이 활용법을 알아내서 서비스를 판매할 때까지 기다리는 것이 정말 이득일까? 새로운 기술에 먼저 정통해진 외부 다른 사람들로부터 기업이 충분한 수혜를 거둘 수 있을까?
안타깝게도 대부분의 기업에서 보이는 현실적 대답은 ‘그렇다’이다.
혁신이 SEC 10K에 제출한 전략 선언문의 글머리 기호에 불과한 일부 기업을 위해, 미지의 신흥 영역에 확실하게 대처할 수 있도록 하는 접근법을 정리했다.
The safest technology adoption path versus the danger zone. Jim Wilt
먼저 이 경우에 작용하는 두 가지 주요 요인이 있음을 기억할 필요가 있다.
기술은 성숙과 숨가쁜 변화를 반복한다. 기업 인력의 역량은 신기술을 습득하면서 성숙해간다. 이 두 가지 요소를 겸손하게 존중하는 것이 중요하다. 그럼 시작해 보겠다.
하지만 일단 감안해야 할 위험 영역 초기에 피해야 할 것들.
비즈니스 사용 사례를 명확히 제시하기. 왜 그럴까? 여기서 피해야 할 두 가지 함정이 있다:
• 새로운 기술의 한계를 아직 모른다. • 기술의 당초 의도와 동떨어진 과장된 약속을 할 위험성이 있다.
고객/구성원에게 기술을 너무 일찍 노출하기. 왜 그럴까? 몇몇 실수의 여지가 있다.
• 기술 자체 또는 기술의 오용이 대중의 평판을 손상시킬 수 있다. • 유의할 만한 가치가 없는 기술 과대광고에 휘말릴 위험이 있다.
새로운 기술을 비슷한 영역을 담당하는 팀에 맡기기. 왜 그럴까? 몇 가지 이유가 있다:
• 기술의 특성이 기존 경험과 정반대일 수 있다(많은 조직이 IaaS에 초점을 맞추느라 클라우드 네이티브의 가치를 놓쳤다. 생성형 AI는 기본적으로 기존 예측 AI와 크게 다르다). • 한 가지 패러다임에 기득권을 가진 팀은 종종 새로운 기술을 위협으로 간주한다.
단일 공급업체/플랫폼 제휴를 구독하기. 왜 그럴까? 신흥 기술 분야의 경우 리더가 끊임없이 바뀐다:
• 초기에는 여러 공급업체가 서로서로를 추월할 것이며, 어떤 업체는 살아남지 못한다. • 초기 릴리스에서는 API나 계약, 페이로드 등이 정기적으로 변경된다. (예: 오픈AI 2에서 3으로, 다시 4로 이동할 때 상당한 API 변경이 있었다.) 버전 종속을 초래할 수 있다.
이러한 여러 함정에 자주 빠지면 조직이 포기하고 시도를 멈추는 끔찍한 결과로 이어지기도 한다. ‘시도해봤지만 효과가 없었다’는 표현은 안이한 인식을 드러낼 뿐이다. 최첨단 기술의 채택은 현재 상태가 아니라 그 잠재력을 감안하는 행위이기 때문이다.
현명하면서도 안전한 접근 방식 갈의 법칙(Gall’s La)이 유용하다. “작동하는 복잡한 시스템은 항상 작동하는 단순한 시스템에서 진화한 것이다”라는 법칙이다. 작게 시작하라. 간단하게 시작하라. 그리고 진화하라.
학습 단계 두 가지 핵심 기반이 필요하다:
미션 크리티컬하지 않은 워크로드 및 (공용) 데이터 내부/비공개(폐쇄형) 노출 이들 기반은 기업 정보나 시스템이 위험에 노출되지 않도록 해준다.
성공을 향해 노력할 열정적인 소규모 가상 팀을 구성한다. 이 팀의 역할은 새로운 기술이 조직에 도움되는 방법을 탐색하는 것이다.
• 설령 완전히 실패하더라도 억지로 움직인 사람들이 아닌, 성공을 위해 열심히 노력한 사람들로부터 관련 지식을 확보할 수 있다. • 팀에게 권한을 부여해 기술을 마음껏 활용할 수 있도록 하라. • 여러 버전과 공급업체의 기술을 사용해 본다. 까다로운 조언처럼 들릴 수 있겠지만, 예상보다 훨씬 쉬울 것이다. 어떤 기술을 언제 사용해야 하는지 깨닫는 경험이 될 수도 있다.
미션 크리티컬하지 않고 내부 전용이기 때문에 일단은 제한을 설정할 필요가 없다. 제한은 나중에 적용하면 된다.
사용/활용 목적에 따라 기술을 배우고 적용한다. 모든 영광을 만끽하라(논다는 것은 최고의 학습 형태 중 하나다). 이를 통해 팀은 기술이 제공하는 ‘좋은 점’을 진정으로 파악할 수 있게 된다.
이제 한계에 도전한다. 기술의 작동 한계를 벗어났을 때 어떻게 실패하는지 파악한다. 가능한 한 많은 실패 시나리오를 확인해 실패와 관련된 파급 효과를 실제로 파악한다.
연습을 통해 새로운 기술이 공개 데이터에 미치는 보안 영향을 파악하고 해당 기술이 제공하는 보호 기능을 테스트한다. 공개 데이터에 대한 보호 조치를 위반해 볼 수도 있다.
비용, 성능, 품질을 늘 모니터링한다.
이 단계가 끝나면 해당 기술이 할 수 있는 일과 할 수 없는 일, 그리고 현재 상태에서의 보안 경계를 확실히 이해하게 될 것이다. 비즈니스 사례와 관련하여 약간의 토론을 진행할 수 있지만, 그 길을 본격적으로 밟기에는 다소 이르다.
성장 단계 이 시점에서 가상 팀은 기본을 넘어섰다. 이제 실험을 본격화할 단계다.
미션 크리티컬 워크로드 및 (비공개) 데이터 내부/비공개(폐쇄형)의 노출 실제 데이터와 시스템을 사용하기에 이제부터는 모든 단계에서 보안 정책 및 관행에 큰 주의를 기울여야 한다(이제 놀이 시간은 끝났다).
측정 가능한 명시적 결과를 산출하기 쉬운 내부 효율성 향상과 최적화에 집중한다. 비즈니스 사용 사례에 대해서는 (아직) 걱정할 필요 없다. 내부 사용 사례를 통해서도 팀은 긍정적인 영향을 충분히 확인할 수 있다. 예를 들어, 처음에는 생성형 AI는 초기 콘텐츠 생성을 위해 등장했지만, 일부 얼리어답터들이 코드 생성에 이를 활용하면서 개발 품질과 시간을 개선할 수 있음을 확인했다.
재사용성이 아닌 교체가능성. 이상하게 들릴 수 있겠다. 하지만 언제든 대체할 수 있도록 코드를 설계하고 작성하는 것이 중요하다. 신기술은 안정화 단계에 이르지 못했기에 코드를 즉시 변경해야 할 수 있다.
• 기술 영역의 API 및 계약 변경에 쉽게 대응할 수 있게 한다. 인터페이스와 통합에 대한 주요 변경 사항을 쉽게 수용할 수 있도록 솔루션을 설계하면 기술 변화로 인한 피해를 막을 수 있다. • 기술 공급업체/플랫폼을 전환할 수 있어야 한다. 성숙 과정에서 쓸모가 사라질 수 있기에 다양한 기술에 익숙해져야 할 필요성을 강조해야 한다. 또한 각 기술 플랫폼의 활용성과 비용효율성이 높은 시기를 파악해야 한다.
성숙에 따른 보안성 확보. 새로운 기술과 팀의 역량이 모두 성숙해지고 새로운 모범 사례가 발전함에 따라 활용을 늘린다. 예를 들어, 생성형 Al 학습 단계에서 공개 데이터를 검색 증강 생성(RAG) 에 업로드하여 맞춤화를 실험했을 수 있다. 이제 팀이 성장 단계에 있으므로 플랫폼에 데이터를 업로드하지 않는 에이전틱 RAG를 구축하는 것이 더 안전한 접근 방식일 수 있다.
고비용 접근 방식이 필요한 경우와 저비용 접근 방식이 허용되는 경우를 파악한다. 이러한 지식을 아키텍처와 설계에 활용한다.
배치 단계 가상 팀은 새로운 신기술로 높은 수준의 성과를 달성했을 것이다. 이제 더 나아갈 준비가 됐다:
미션 크리티컬 워크로드 및 (비공개) 데이터 외부/공개(개방형) 노출 기술과 역량이 모두 안정화되고 있으므로 자신 있게 이 작업을 수행할 수 있다. 이제 아키텍처 패턴과 모범 사례를 공개하고 현명한 도입을 장려할 시점이다.
고객 가치 흐름에 직접적인 영향을 미치는 의미 있는 비즈니스 사용 사례를 파악하고 소개한다. 거듭 강조한다: 작게 시작하라. 간단하게 시작하라. 그리고 진화하라.
새로운 기술이 조직의 나머지 부분에 가치를 더할 때 이를 공유하고 홍보함으로써 다양한 사용 사례를 발전시키는 데 집중한다. ‘새롭고 멋진 도구 신드롬’과 실제 적용 가치를 구분한다.
고객의 반응을 테스트한다. 새롭고 멋진 제품을 세상에 공유하기 전에 고객 포커스 그룹과 얼리어답터들을 대상으로 테스트해 본다. 이들의 피드백을 활용하여 사각지대를 파악하고 오해를 미리 완화한다.
그리고 항상 비용, 성능 및 품질을 모니터링한다.
잠깐, 더 있다… 패턴, 레퍼런스 아키텍처/구현 및 모범 사례의 99.999%는 지속적으로 진화해야 한다. 왜 그럴까?
• 아직은 기술이 너무 초기 단계이기에 고정짓기 어렵다. • 플랫폼들이 앞으로도 발전함으로써 팀이 구축했던 많은 커스텀 및 통합 작업을 품어낼 것이다(앞서 언급한 재사용성이 아닌 교체가능성을 기억하도록 한다). • 보안 분야가 지속적으로 변화할 것이기에 업데이트가 필요할 것이다. • 더 탁월한 기능을 제공하는 솔루션도 등장할 것이다(예: 랭체인과 오토젠이 생성형 Al 분야에서 해낸 일을 떠올려보라).
