생성형(Generative) AI란?

바야흐로 ChatGPT와 함께 대두된 생성형AI의 시대라고 할 수 있을만큼 많은 사람들이 이 기술에 주목하고 있습니다. 생성형 AI가 무엇일까요? 저는 생성형 AI 챗봇 어플리케이션인 ChatGPT, Gemini, Claude에게 직접 생성형 AI가 무엇인지 150자 이내로 답해 달라고 물었고 아래와 같은 답변을 받았습니다 (답변의 마지막에 괄호로 글자 수와 저의 짤막한 느낌을 적어봤습니다).

– ChatGPT : 생성형 AI는 입력 데이터를 바탕으로 새로운 콘텐츠를 자동으로 생성하는 인공지능 기술입니다. 텍스트, 이미지, 음악 등 다양한 형태의 콘텐츠를 만들 수 있습니다. (90자; 깔끔한 설명)

– Gemini : 생성형 AI는 인공지능 모델이 텍스트, 이미지, 음악, 영상과 같은 새로운 콘텐츠를 스스로 만들어내는 기술입니다. 기존 데이터를 분석하는 것과 달리, 창의적인 아이디어를 기반으로 독창적인 결과물을 제시합니다. (116자; 충분한 설명 및 굵게 쓰기로 강조문구를 보여줌)

– Claude : 생성형 AI는 텍스트, 이미지, 오디오 등 새로운 콘텐츠를 생성할 수 있는 인공지능 기술입니다. 사전에 학습된 데이터를 바탕으로 사용자의 입력에 맞춰 창의적인 결과물을 만들어냅니다. 인간이 생성한 콘텐츠와 유사하면서도 새로운 아이디어를 제공할 수 있습니다. ( 143자; 글자를 맞추려는 노력이 엿보임, 충분한 설명)

ChatGPT, Gemini, Claude와 같은 생성형 AI 기술을 적용한 챗봇에게 150자 이내로 생성형 AI가 무엇인지 알려 달라고 하였다. 이렇듯 생성형AI는 텍스트, 이미지, 음악, 영상 등 콘텐츠를 높은 수준의 퀄리티로 생성해 낼 수 있다.

현 시점을 대표하는 인공지능 챗봇들이 참 말도 잘하고 똑똑합니다. 생성형 인공지능이 무엇인지 종합하여 제가 작성해 보겠습니다.

– 인간 저자 : 생성형 AI는 텍스트, 이미지, 음악, 영상 등 새로운 콘텐츠를 자동으로 생성하는 인공지능 기술입니다. 사전에 학습한 데이터를 바탕으로 사용자의 입력에 맞춰 독창적이고 창의적인 결과물을 만들어내며, 인간이 만든 것과 유사한 품질의 콘텐츠를 제공합니다. (140자; 종합적인 작성자의 의견)

현재의 생성형 AI기술은 인간 수준의 창작물을 만들 수 있을 정도로 진화하였습니다. 이번엔 텍스트를 입력하여 아래와 같은 그림을 만들어 보았습니다.

ChatGPT를 사용하여 만든 그림 – (왼쪽 그림 입력 텍스트) “인공지능을 대표할 수 있는 로봇이 그림을 그리고 글을 쓰는 그림이면 좋을것 같아”, (오늘쪽 그림 입력 텍스트) “오피스에서 엄청나게 많은 문서 작업을 처리하고 있는 로봇의 모습을 그려줘.”

생성형 AI가 무엇인지는 직접 결과물을 보는 것이 좋을것 같아 인공지능을 통해 텍스트와 글을 생성해 봤습니다. 이렇게 높은 수준의 텍스트와 이미지를 생성할 수 있다면 이를 활용하여 보고서, 발표자료, 기사 등도 만들 수 있을 것 입니다. 다음의 영상은 OpenAI에서 발표했던 GPT-4o의 소개 영상입니다.

Introducing GPT-4o

OpenAI Spring Update – streamed live on Monday, May 13, 2024. Introducing GPT-4o, updates to ChatGPT, and more.

영화 her의 포스터 (출처: 위키백과 ‘그녀’ 포스터

OpenAI 유투브 채널에서 위 영상을 포함한 23개의 GPT-4o 관련 데모영상을 살펴보실 수 있습니다. 여기에는 GPT-4o를 이용하여 시각장애인이 택시를 호출하는 장면, 미팅하는 장면, 실시간 통역을 해주는 장면 등이 나와 많은 사람들을 놀라게 하였습니다. 데모 영상은 영화 ‘Her’에서 등장한 AGI(Artificial General Intelligence) 운영체제를 떠오르게 합니다. 영화에서는 인간이 인공지능과 사랑에 빠지게 되고 심지어 인공지능 운영체제를 질투하는 상황을 그립니다. GPT-4o의 능력을 보게 되면 이런 순간은 이미 우리 곁에 있음을 느끼게 됩니다.

이 정도로 똑똑해진 생성형 AI를 활용한다면 우리의 업무 방식과 생활 패턴을 크게 바꿔놓을 수 있을 것 같습니다. 이제부터 우리 앞에 큰 충격으로 다가온 생성형 AI 기술과 관련된 비즈니스 생태계와 비즈니스 활용 전략에 대해서 알아보도록 하겠습니다.

생성형 AI 시장 생태계 및 비즈니스

생성형 AI 비즈니스 생태계 구조 (출처 : “생성형 AI를 활용한 비즈니스의 현주소”, 삼일 PwC 경영연구소)

위 그림은 생성형 AI 비즈니스 생태계 구조를 공급자 중심으로 도식화한 것 입니다. 비즈니스 생태계의 가장 하단에는 인공지능 연산을 위한 컴퓨팅 하드웨어가 존재하고, 그 위로 Microsoft, Amazon, Google과 같은 클라우드 기업들이 있습니다. 그리고 클라우드 위에서 동작하게 될 AI모델을 직접 학습하고 배포하는 AI 모델 부분이 존재합니다. 마지막으로 이 AI 모델을 활용하여 시장에서 가치를 만들어내는 AI 서비스 영역이 있습니다. 비즈니스 생태계에서 구축 비용이 많이드는 부분은 컴퓨팅 하드웨어, 클라우드 그리고 AI 모델 부분이라고 볼 수 있습니다.

생성형 AI 기술은 인터넷과 전기처럼 범용적으로 활용 가능한 기술로 어떤 비즈니스에도 적용 가능합니다. 생성형 AI가 일반적으로 수행할 수 있는 기능을 1)콘텐츠 생성, 2)데이터분석 및 인사이트 도출, 3)사용자 경험 개선, 4)디자인 및 엔지니어링, 5)자동화 및 최적화 로 분류한 후 각 산업에서 어떻게 활용 가능지 분류해 보았습니다.

1) 콘텐츠 생성

· 마케팅 및 광고 : AI를 사용해 광고 카피, 블로그 글, 소셜 미디어 콘텐츠를 생성. 예를들어, copy.ai는 사용자가 입력한 간단한 키워드를 바탕으로 다양한 마케팅 콘텐츠를 자동으로 생성합니다.
· 미디어 및 엔터테인먼트: 스토리보드, 시나리오, 음악, 예술 작품 등을 창작. OpenAI의 DALL-E 는 텍스트 설명을 바탕으로 이미지를 생성하는 데 활용되며, AudioCraft는 AI를 이용해 사용자 맞춤형 음악을 작곡할 수 있습니다.

2) 데이터 분석 및 인사이트 도출

· 금융: 금융 데이터 분석을 통해 투자 전략 수립, 리스크 관리, 사기 탐지. 예를 들어, Kensho 는 AI를 이용해 금융 시장의 변동을 예측하고, 투자 결정을 돕습니다.
· 헬스케어: 환자 데이터 분석을 통해 진단 보조, 치료 계획 최적화. Tempus와 같은 기업은 환자의 의료 데이터를 분석하여 맞춤형 치료법을 제공합니다.

3) 사용자 경험개선

· 고객 서비스: AI 챗봇을 통해 실시간 고객 지원, 문제 해결. Zendesk의 AI 챗봇 은 고객의 질문에 실시간으로 답변하며 문제를 해결합니다.
· 맞춤형 추천: 사용자 행동 분석을 통해 개인화된 제품 및 서비스 추천. 예를들면 우리가 잘 알고 있는 Netflix의 추천 시스템은 사용자의 시청 기록을 분석해 맞춤형 콘텐츠를 추천합니다.

4) 디자인 및 엔지니어링

· 제품 디자인: 최적화된 제품 설계, 시뮬레이션을 통한 신제품 개발. 예를 들어, SolidWorks 는 다양한 설계 옵션을 자동으로 생성해줍니다.
· 건축 및 인테리어: AI 기반 설계 도구를 통한 효율적인 공간 계획. Forma는 AI를 이용해 최적의 건축 설계를 제안합니다.

5) 자동화 및 최적화

· 제조업: 생산 공정 자동화, 예측 유지보수. Siemens의 MindSphere 는 산업 IoT 플랫폼으로, 예측 유지보수를 통해 장비의 가동 시간을 극대화합니다.
· 물류 및 공급망: 재고 관리 최적화, 물류 경로 계획. Optoro 는 AI를 활용해 반품 처리와 재고 관리를 최적화합니다.

이처럼 생성형 AI 기술은 다양한 산업 분야에서 혁신적인 변화를 이끌어내고 있습니다. 앞으로도 이러한 기술 발전은 우리의 비즈니스와 일상생활에 더욱 큰 영향을 미칠 것입니다. 이제, 생성형 AI 기술을 활용한 비즈니스 성공전략을 살펴 보도록 하겠습니다.

생성형 AI 비즈니스 성공전략

생성형 AI 비즈니스는 데이터에 기반한 인공지능 모델의 학습을 포함합니다. 인공지능 프로젝트는 성공 관점에서 일반적인 소프트웨어 개발 프로젝트 보다 더 큰 불확실성을 포함하고 있습니다. 많은 주목을 받고 있으며 빠르게 변하는 생성형 AI 기술을 비즈니스에 적용하는 것은 쉬운 일이 아니며 고려해야 할 점이 많습니다. 생성형 AI 비즈니스를 시작할 때 알면 도움이 될 몇 가지 성공 전략을 알아보겠습니다.

1. 인공지능으로 잘 할 수 있으면서 비즈니스적으로 가치 있는 것을 찾으세요

프로젝트를 시작할 때 고려해야 할 점은 인공지능으로 잘 할 수 있는 것과 비즈니스적으로 가치있는 것을 찾는 것이다.

인공지능 프로젝트는 실험실에서 모델을 학습할 때부터 성능에 대한 불확실성을 가지고 시작합니다. 또한, 실험실에서 올바르게 작동되는 모델을 고객에게 배포해보면 실험실에서 생각하지 못했던 다양한 이슈들을 만나게 됩니다. 예를 들어, 실험실에서 수행했던 5% 정확도 향상을 위한 엄청난 노력을 고객이 전혀 느낄 수 없을 수 있습니다.
실험실에서 사용한 데이터와 고객이 입력하는 데이터가 상이한 경우는 인공지능 프로젝트에서 흔히 발생하는 일입니다. 이를 위해 제품 배포 후에도 지속적인 모델 학습 작업이 필요하게 되어 서비스를 유지하는 데 많은 비용이 초래됩니다. 따라서 큰 프로젝트를 시작하기 전에 실제로 비즈니스적 가치 있는 프로젝트인지, 인공지능 모델이 성공적으로 동작할 수 있는 환경인지 확인해 볼 수 있는 파일럿 프로젝트를 먼저 진행하는 것이 좋습니다.
일반적으로 인공지능 모델이 좋은 성능을 보일 수 있는 작업은 1)단순한 개념을 학습 하는 것을 목표로 2)많은 데이터를 확보하고 있는 작업입니다. 이런 작업 중에서 인공지능으로 문제가 해결될 경우 비즈니스적으로 큰 가치를 갖고 있는 작업을 선택하여 인공지능 프로젝트를 시작해 보세요. 성공할 가능성이 높을 뿐만 아니라 비즈니스적으로 큰 임팩트를 만들어 낼 수 있을 겁니다.

인공지능으로 잘 해결 될 수 있는 작업은 단순한 개념을 학습하면서 많은 데이터를 가지고 있는 작업입니다. 이 작업 중 비즈니스적으로 가치 있는 작업을 찾아서 이 부분에서 프로젝트를 시작하세요.

2. 직업을 자동화하지말고 작업을 자동화하는 데 초점을 맞추세요

직별업 AI노출 지수 (출처 : 연합뉴스 – 한국은행 “의사·회계사·변호사, AI로 대체될 위험 크다”)

생성형 AI가 만드는 결과물의 수준이 인간의 수준에 다다르면서 많은 사람들이 직업 대체 가능성에 대해 불안감을 가지고 있습니다. 한국은행은 ‘AI와 노동시장 변화’ 보고서에서 직업별 AI 노출 지수를 만들어 AI에 대체 가능성이 큰 직업부터 작은 직업까지 분류해 두기도 하였습니다. 이에 따르면 의사, 전문의, 회계사와 같은 전문직들이 인공지능에 의해 대체될 가능성이 높은 직업으로 분류되었습니다.
이와 반대로 성직자, 대학교수, 가수/경호원의 직업이 대체 가능성이 적은 직업으로 분류되었습니다. 의학 지식, 판례, 논문 정보와 같은 지식 기반의 정보들은 저장될 때부터 잘 분류되고 서로 참고할 수 있도록 인덱스화 되어 있습니다. 또한, 오랜 시간 인간의 삶과 함께해온 직업이기 때문에 방대한 데이터베이스를 보유하고 있습니다. 이런 자료들은 인공지능이 학습하기 좋은 데이터입니다.
그렇다면 양질의 데이터를 많이 보유하고 있는 직업은 인공지능에 의해 대체될까요? 물론 그럴 가능성도 있지만, 실제로 직업을 대체하기는 아직 많은 시간이 걸릴 것으로 예상합니다. 대체될 가능성이 높다고 한 의사 직업 중 가정의학과 선생님(Family Medicine Physicians)의 업무를 O*NET을 통해 살펴보면, 실제로 우리가 상상하는 것 이상으로 다양한 업무를 진행하고 있는 것을 알 수 있습니다. 아래 그림에서 일반적인 가정의학과 선생님의 업무 리스트를 볼 수 있습니다. 이 작업 리스트를 모두 처리할 수 있는 인공지능을 개발하기는 오랜 시간이 걸리는 쉬운 작업이 아님을 알 수 있습니다.

O*NET에서 Family Medicine Physicians, 즉 가정의학과 선생님을 입력하였을 때 나오는 업무들. 단순한 하나의 업무가 아니다.

따라서 인공지능 비즈니스 모델을 개발 할때 ‘직업’을 대체한다는 생각이 아닌 ‘작업’을 대체할 수 있을지 살펴야 합니다. 하나의 직업엔 다수의 작업들이 포함되어 있기 때문입니다.
생성형 AI를 성공적으로 적용하기 위해 직업이 갖고 있는 작업을 목록화한 후 작업별로 생성형 AI를 적용했을 때의 효과를 기입하세요. 앞선 설명처럼 단순한 개념과 많은 데이터로를 보유하고 있어 기술적 적용 가능성이 높은지와 자동화되었을 때 비즈니스적으로 높은 가치를 갖는지를 함께 고려해야 합니다. 아래 그림의 예시는 ChatGPT와 같은 대화형 챗봇의 등장으로 사라질지도 모른다는 ‘고객센터 직원들’의 업무 내용입니다. ‘Generative AI Potential’ 열에서 High로 표기된 부분을 중심으로 비즈니스 기회를 찾으면 좋은 생성형 AI 프로젝트 기획의 시작점이 될 것입니다.

‘고객센터 직원’의 업무 예시. Generative AI potential 부분을 표기하여 그 부분을 자동화하는 것에 초점을 두는 것이 좋다 (출처 : GenAI for everyone, lecturenote (coursera), Andrew Ng.).

3. 점진적으로 생성형 AI모델을 자동화하라

생성형 AI를 활용하여 어떤 작업을 바로 자동화하기엔 리스크가 큰 부분이 있습니다. 실제로 있었던 사건인데요, 바로 에어캐나다에서 활용하는 챗봇이 환불이 불가한 항목에 대해서 고객에게 환불 안내를 하였고 어쩔 수 없이 에어캐나다가 고객에게 환불을 해줘야 하는 상황이 발생했습니다. 이런 경우 고객센터에 생성형 AI를 도입할 때 아래의 그림처럼 점진적으로 접근했어야 했습니다.

고객센터에서의 점진적인 인공지능 챗봇 개발과정. 점진적으로 자동화하여 리스크를 줄일 수 있다 (출처 : GenAI for everyone, lecturenote (coursera), Andrew Ng.).

즉, 처음엔 human-in-the-loop 개념을 적용하여 챗봇이 고객을 직접 대면하는 것이 아닌 고객센터 직원을 돕는 역할을 할 수 있도록 해야 했습니다. 내부에서 그 유용성이 입증될 때까지 지속적으로 학습하고 피드백을 받아 더 나은 모델이 개발될 수 있도록 해야 합니다. 챗봇이 더 발전하게 되면 내부 직원용이 아닌 직접 고객의 응답을 받을 수 있을 것 입니다. 그러나 중요한 결정을 내릴 때는 사람이 개입하는 형태로 개발해야 합니다. 챗봇을 직접 고객과 만나게 할 경우 다양한 고객의 소리를 수집할 수 있고 실제 어떤 문제가 있는지 파악하기 유용 해집니다. 챗봇은 환불과 같은 리스크가 큰 결정 시 고객센터 직원을 호출하여 확인을 받는 구조로 개발되어야 합니다. 향후 리스크가 큰 결정에도 어느 정도 안정성이 확보된다면 오로지 챗봇이 고객 대면을 담당하는 형태로 변경 할 수 있습니다.

4. AI프로젝트의 선순환 구조로 진입장벽을 만들어라

실제 서비스를 통해 고객으로부터 데이터를 수집하고 더 나은 인공지능 모델을 학습하여 선순환 구조를 만들수 있다.

생성형 AI 모델을 리스크가 적은 형태로 시장에 내놓게 될 경우 이를 사용하는 고객의 정보를 점점 더 많이 모을 수 있게 됩니다. 예를 들면 ChatGPT를 무료로 사용하게 될 경우 우리가 ChatGPT에 입력하는 프롬프트를 OpenAI가 수집하고 모델 학습에 활용할 수 있습니다. TESLA도 고객이 전달하는 학습데이터를 이용하여 자율주행 자동차를 개발하는 데 활용하고 있습니다. 거대 인공지능 기업들이 무료로 제품을 사용하게 할 때 많은 경우 이들의 목적은 고객 데이터 확보입니다.
더 많은 고객 데이터를 이용하여 생성형 AI를 학습시킬 경우 일반적으로 더 나은 생성 결과물을 만들어낼 수 있습니다. 더 나은 결과물을 만들어내는 생성형 AI 서비스에는 더 많은 사람들이 모일 것이고, 더 많은 사람들의 정보가 학습에 활용될 수 있게 됩니다. 이 선순환 구조는 반복되어 시간이 갈수록 다른 경쟁 기업이 침범하기 어려운 기술적 진입장벽을 만들게 됩니다.

빠른 변화속에서 기회를 만들 수 있길

생성형 AI 기술로 큰 변화를 겪고 있는 비즈니스 영역은 소프트웨어 개발 프로세스라고 생각합니다. 거대 기업들이 만들어 놓은 인공지능 모델을 API 호출로 활용할 수 있게 됨에 따라 인공지능 프로젝트를 개발하는 데 걸리는 시간을 놀랄 정도로 단축할 수 있게 되었습니다.
예를 들어 고객들이 남긴 리뷰가 긍정인지 부정인지 자동으로 레이블을 만드는 인공지능 서비스를 개발한다고 가정 해보겠습니다. 아마도 리뷰 데이터 수집에 한달, 모델을 만들고 학습한 후 검증하는데 3달, 이 서비스를 배포하는데 3달 정도 걸릴 수 있을 겁니다. 그러나 GPT와 같은 API를 호출하여 리뷰에 레이블을 부여한다면 정확한 프롬프트를 만드는데 1시간, 모델을 배포하는데 하루 정도 걸릴 수 있습니다.

생성형 AI 서비스의 API를 호출하는 방식이라면 단 두줄의 코드로 리뷰 평가를 만들어 낼 수 있다.

1시간에 LLM App 만들기 부트캠프

변화가 있는 곳에 기회가 있기 마련입니다. 과거엔 좋은 인공지능 비즈니스 아이디어를 갖고 있어도 이를 구현하는 데는 고급 인력이 필요했고, 데이터를 모으는 것도 쉽지 않았습니다. 그러나 이제는 프롬프트를 잘 설계하는 것으로 인공지능 서비스를 만들어 낼 수 있게 됐습니다. 심지어 1시간에 LLM(Large Language Model) 어플리케이션 개발하기와 같은 부트캠프 강연도 많이 존재합니다.
개발 시간과 비용이 단축된다는 것은 좀 더 서비스의 본질을 파고드는 데 집중할 수 있음을 의미합니다. 이때 진정 고객이 원하는 것과 사회적으로 무엇이 올바른 것인지 판단할 수 있는 능력이 필요할 것입니다. 이를 위해 특정 서비스에 오랜 경험이 있는 도메인 전문가가 다시금 우대받는 상황이 오지 않을까 생각합니다.
인공지능 기술의 대중화로 인해 기술에 매몰되지 않고 진정 고객이 원하는 것에 초점을 둘 수 있는 이 시기!

AI 비즈니스를 시작하고자 하는 분들이 많은 기회를 만드실 수 있으면 좋겠습니다.

감사합니다