헤더 바로가기 메뉴 바로가기 푸터 바로가기
전략 & 혁신

인공지능 주도형 의사결정이란 무엇인가

매거진
2019. 9-10월호

INNOVATION

인공지능 주도형 의사결정이란 무엇인가

에릭 콜슨    

 

 

많은 기업이데이터 주도형data-driven경영 의사결정에 적응해 가고 있다. 데이터는 의사결정의 질을 향상시켜 줄 수 있지만 그러기 위해서는 데이터를 최대한 활용할 줄 아는 올바른 프로세서processor[1]가 필요하다. 프로세서라고 하면 사람일 거라 많이들 짐작한다. ‘데이터 주도형이라는 용어 자체도, 데이터 선별과 압축의 주체가 인간이며 그 과정들이 인간의 프로세싱을 전제로 수행된다는 의미를 포함하고 있기도 하다.

 

그렇지만, 데이터에 담겨있는 가치를 십분 활용하려면, 기업들이 인공지능을 업무흐름workflow에 도입할 필요가 있고, 때에 따라선 인간을 업무흐름에서 배제할 필요도 있다. 데이터 주도형에서 인공지능 주도형AI-driven업무흐름으로 진화해 나가야 한다.

 

데이터 주도형과 인공지능 주도형을 구분하는 일은 말처럼 쉬운 일이 아니다. 두 용어 각각은 다른 자산과 역량을 반영한다. 데이터 주도형은 데이터에 방점이 찍히지만, 인공지능 주도형은 프로세싱 능력이 핵심이다. 데이터란 더 나은 의사결정을 가능하게 하는 통찰을 말하는 반면, 프로세싱이란 통찰을 추출해 그 통찰로부터 의사결정이라는 결과물을 얻어내는 행위를 말한다. 인간과 인공지능은 둘 다 프로세서이지만 각기 다른 능력을 갖고 있다. 이 둘을 가장 잘 활용하는 방법을 이해하기 위해서는, 우리 인간이 어떻게 생물학적으로 진화해 왔는지 그리고 경영 의사결정이 산업 분야에서 어떻게 진화해 왔는지를 알아보는 시간을 갖는 것이 도움이 된다.

 

불과 50~75년 전만 해도, 인간의 판단력이 경영 의사결정 과정에서 핵심 프로세서 역할을 수행했다. 기업가들은 섬세하게 조련된 직관적 판단에 의존해 의사결정을 내렸다. 이런 직관적 판단력은 다년간의 풍부한 경험(과 소량의 데이터)을 통해 개발된 것이다. 예를 들어 어떤 광고 제작자가 이번 광고 프로젝트에 적절한지 선정하거나, 얼마의 재고량이 적정한지 결정하거나, 투자가 적절한지 승인하는 등의 결정을 내리는 과정에서 조련된다. 대체로 경험과 동물적 직감에만 의존해, 좋고 나쁨, 높고 낮음, 안전함과 위험함을 구별했다.

 

 

아마도 이러한 인간적 판단은너무도 인간적이었던 게 문제였던 듯싶다. 인간의 직감은 이상적인 의사결정 수단과는 사실 거리가 멀다. 인간의 두뇌는 인지적 편향들로 가득한데, 그 인지적 편향들이 매번 예측 가능할 정도로 유사한 경로를 통해 인간의 판단력을 좀 먹는다. 이는 수십만 년을 걸쳐 벌어진 인간 진화의 결과이기도 하다. 수렵채집 생활을 했던 초기 인류의 조상들은 지름길 찾기, 어림잡아 계산하기 등 단순하고 불완전한 경험적 지식에 의거해 사고했다. 이런 방식으로 사고하면 대량의 정보를 프로세싱해야 하는 대가를 치르지 않을 수 있었다. 그뿐만 아니라, 재빠르면서도 무의식에 가까운 직관적 판단이 가능해 우리 인간을 잠재적 위험에서 구해줄 수도 있었다. 하지만, 재빠르면서도 무의식에 가깝다는 말이 항상 최적 혹은 정확함을 의미하는 건 아니다.

 

수렵채집으로 살아가는 인류의 조상들이 모닥불 주위에 모여있는데, 주변 수풀이 부스럭거리는 상황을 상정해 보자. 이를 놓고재빠르면서도 무의식에 가까운판단으로 부스럭거림이 무시무시한 야생동물이 내는 소리라며 도망가기로 결론 내리는 부류가 있을 수 있다. 반면 같은 소리를 듣고 토끼 같은 영양가가 풍부한 먹잇감일 수도 있다는 생각에 이를 확인하기 위해 정보를 더 확보하기로 결론 내린 부류도 있을 수 있다. 더 충동적인, 즉 도망가기로 결정한 부류가 정보를 캐묻는 부류보다 살아남을 확률이 높다. 도망가기로 해 토끼 잡을 기회를 날려버리는 건 아주 큰 손실이 아니지만, 그 자리에 남아 포식자에게 잡아 먹히는 건 엄청난 손실이다. 결과가 사뭇 다른 이런 상황들을 겪어 나가면서, 진화는 정확성을 희생하더라도 대가가 적은 방편의 손을 들어줬다. 그런 이유로, 프로세싱되는 정보의 양은 적지만 의사결정은 충동적으로 내리는 성향이 대대손손 널리 퍼져나가게 된다.

 

현대에 이르면서, 생존을 위한 경험적 지식, 이른바 휴리스틱은 수많은 인지적 편향으로 변모하게 되고, 이런 편향들은 인간 두뇌에 내장되기 시작한다. 이런 편향들이 인간의 판단과 의사결정에 영향을 미치게 되면서 이성적 객관성은 사라진다. 그래서 인간은 강렬하면서도 생생한 현재와 멀지 않은 최근 사건들을 보다 중시하게 되는 것이다. 인간은 선입견으로 사안들을 마구잡이로 분류하는데, 선입견은 이것과 저것을 구분해주는 근거를 충분히 설명해 주지는 않는다. 인간은 예전에 겪은 경험에 뿌리 깊게 의존한다. 그 경험이 완전히 무관한 것일 때도 그렇다. 불규칙하게 울리는 잡음에 지나지 않는 사안에 대해서도 인간은 그럴듯한 설명을 생각해 내는 경향이 있다. 인지적 편향이 인간의 판단력을 갉아먹는 방식과 관련해 방금 얘기한 사항들은 그 일부일 뿐이며, 그 외에도 많다. 이런 인지적 편향을 핵심 프로세서로 활용해, 우리 인간은 지난 수십 년 동안 경영 의사결정을 내려왔다. 여러분은 이제 알았을 것이다. 인간의 직관에만 의존한 의사결정은 비효율적이고 예측 불가능하고 불완전하고 무능하며 조직의 역량까지도 저해한다는 사실을.

 

데이터 기반의 의사결정

 

데이터에 감사하자. 네트워크로 연결된 IT 기기들과 시스템은 오늘날 상상을 초월하는 어마어마한 양의 데이터를 잡아낸다. 모든 거래, 모든 고객의 행동, 모든 미시·거시 경제지표와 같이 더 바람직한 결정을 도와주는 수많은 정보를 잡아낸다. 이런 데이터 풍요의 신세계에 발맞춰, 우리 인간은 업무흐름을 개선해 왔다. IT 부서는 데이터베이스나 분산파일 시스템 같은 IT 시스템을 활용해, 정보의 흐름이 원활하게 이뤄질 수 있도록 지원 역할을 제공하면서, 수많은 정보를 우리가 소화할 수 있는 수준으로 압축해 준다. 압축 처리는 데이터 분석용 응용 프로그램(이를테면 스프레드 시트, 대시 보드)과 같은 도구를 활용하는 인간이 맡는다. 결국, 엄격한 프로세싱 과정을 거쳐 관리하기 수월해진 소량의 압축 데이터가 의사결정을 위해 제공된다. 이것이 바로데이터 주도형의사결정이다. 인간의 판단이 여전히 핵심 프로세싱 역할을 수행하긴 하지만, 압축된 정보를 활용해 의사결정을 내린다.

 

 

인간이 핵심 프로세서 역할을 수행하는 데이터 기반 의사결정 모형은, 직관에만 의존해 의사결정하는 경우보다 더 바람직하기는 하지만 여기에도 몇 가지 한계가 존재한다.

 

1. 모든 데이터가 활용되지는 않는다는 점이다. 데이터를 요약한다는 말은 원본 빅데이터에는 포함된 의미, 관계, 패턴들을 불명확하게 만든다는 뜻이다. 인간이 데이터 프로세서이므로 인간이 프로세싱할 수 있는 수준으로 그 양을 압축하는 것이 필요하다. 힘들이지 않고 방대한 양의 데이터를 프로세싱할 수 있게 되면서 비즈니스 환경을 이해해 내는 데 능숙해지기는 했지만, 만일 압축 데이터가 수백만, 수십억 개의 의미, 관계, 패턴을 내포하고 있다면 우리 인간은 여전히 이를 다루는 데 현저한 한계를 드러낸다. 우리 인간은 지역별로 집계된 매출액 데이터나 평균 판매가격 데이터처럼 단순한 내용을 담고 있는 데이터는 능숙하게 다룬다. 하지만 압축된 데이터에는 사라지고 없지만 의사결정에는 여전히 중요할 수 있는 데이터의 구성요소들, 즉 데이터가 담고 있는 가치의 전체적 분포라든지, 혹은 정보 간에 어떤 관계가 있는지 등을 생각하기 시작하면 우리 인간은 허우적거리거나 아예 두뇌의 스위치를 꺼버린다.(그렇다고 데이터 압축이 쓸모가 없다는 말이 아니다. 압축 데이터가 비즈니스 환경을 조금이나마 바라볼 수 있게 해준다는 점은 분명하다. 하지만 압축 데이터를 의사결정에 활용하기에는 그 의미가 크지 않다. 압축되는 과정에서 너무 많은 부분이 날아가 버리기 때문이다.) 어떤 경우에는, 압축 데이터가 명백한 오해를 불러일으키기도 한다. 상충관계를 보이는 요인들이 공존하는 데이터를 잘못 압축할 경우, 실제로는 정반대이지만 양의 상관관계가 있는 것처럼 보이게 만들 수도 있다는 뜻이다. 그리고 데이터가 통합되면, 통제실험을 통해 기여요인이 무엇인지를 찾아내는 게 불가능하다.(기여요인을 찾아낼 수 있는 가장 좋은 방법은 A/B테스트 같은 무작위 통제실험이다. 만약 이런 방법이 없었다면, 인공지능조차도 상충요인을 적절하게 통제하지 못할 수도 있다.) 요컨대, 인간이 핵심 프로세서 역할을 수행하는 데이터 기반의 의사결정 모형을 활용하면, 인간이 직접 데이터 프로세싱을 하는 과정에 들어가는 막대한 비용은 피해갈 수 있어도 정확성은 희생해야 한다.

 

2. 데이터로는 인지적 편향을 차단하기에 충분치 않다는 점이다. 데이터 요약 혹은 압축은 인간이 설정한 방향에 따라 이뤄지므로 이런 인지적 편향에서 자유롭지 못하다. 데이터 압축 방향은 방향을 설정하고 지시하고 이행하는 주체인 우리 인간이 직관적으로 인식할 수 있는 범위 내에서 이뤄진다. 객관적인 기준이 아니라, 우리 인간이 보기에 전형적인 형태로 보이는 기준으로 데이터가 통합되도록 방향을 잡게 된다. 하지만 인간에게는 이것과 저것을 구분해 주는 근거를 충분히 설명해 주지 않는 선입견으로 사안들을 마구잡이로 분류하는 경향이 존재한다. 예를 들어, 두 지역 간에 명확한 차이가 없는데도 지리적 특성에 따라 데이터가 분류돼 요약될 수도 있다는 말이다. 압축 데이터는덜 다듬어진 알갱이상태의 데이터라 할 수 있다. , 덜 다듬어진 매우 개략적인 근사치에 가까운 데이터다. 지리정보와 같은 특성은 지역 수준에서는 보존돼야 할 필요가 있지만, 상대적으로 그 중요성이 많이 떨어진다. 이보다 더 세밀한 것들이 중요성을 띤다. 예컨대, 미국 전역의 데이터를 분류할 경우동부인지서부인지로 분류하는 것보다는 주소에 나오는 도시명, 우편번호, 번지수 같은 지역정보 데이터가 더 중요하다. 이런 세밀한 데이터는 통합하기도 어렵고, 인간이 프로세싱하기 쉽게 압축하기도 어렵다. 또한, 우리 인간은 구성요소 간 상관관계가 단순한 걸 좋아한다. 상관관계가 선형(線形)적일 거라고 생각하는 경향이 크다. 그래야 인간이 프로세싱하기 쉽기 때문이다. 가격과 매출, 보급률과 전환율[2], 신용위험과 소득 등 두 변수 간의 상관관계가 모두 선형적일 거라 생각한다. 데이터가 그렇지 않다는 점을 암시한다고 해도 그렇게 생각한다. 자연적인 무작위 변동으로 설명될 수 있는 경우에도 우리 인간은 데이터상의 추세나 변동에 관해 자세한 설명을 생각해 내는 것을 좋아한다.

 

이처럼 우리 인간은 데이터를 프로세싱할 때도 편향을 버리지 못하고 있다.

 

인공지능을 업무흐름에 도입하기

 

우리는 인공지능을 핵심 데이터 프로세서로 활용하는 방향으로 더 진보해 나갈 필요가 있다. 체계화된 데이터에만 의존하는 일상적 의사결정을 내릴 때도 의사결정을 인공지능에 위임하는 게 더 바람직하다. 인공지능은 인간의 인지적 편향에 덜 취약하기 때문이다.(인공지능이라고 해서 인지적 편향에서 완전히 자유로운 것은 아니다. 편향된 데이터를 사용해 인공지능이 무의미한 상관관계를 그럴듯한 상관관계로 포장하게 만들 수 있는 경우가 있다. 이렇게 된다면 매우 위험한 일이 아닐 수 없다. 그러므로 데이터가 어떻게 사용되는지뿐 아니라 데이터가 어떻게 생성되는지까지도 이해해야 한다.) 미세한 변동을 가장 잘 설명할 수 있는 요인을 인간의 인식으로는 찾아내기 쉽지 않지만, 인공지능은 찾아낼 수 있도록 훈련될 수 있다. 인공지능은 데이터를 수천 개, 심지어 수백만 개의 그룹으로 나누더라도 이를 다루는 데 문제가 없다. 그리고 인공지능은 기하급수, 멱법칙[3], 등비급수, 이항분포 등과 같은 비선형(非線型) 관계를 다루는 데도 불편함이 없다.

 

 

인공지능을 활용하는 업무흐름을 따른다면, 데이터에 포함된 정보를 더 잘 활용할 수 있기 때문에 의사결정의 일관성과 객관성이 커진다. 어느 광고제작자가 가장 효과적인지, 어느 정도 수준의 재고가 적정한지, 어떤 투자상품에 투자해야 하는지 등을 결정할 때도 인공지능을 활용하면 더 나은 의사결정을 내릴 수 있다.

 

업무흐름에 인간이 배제돼 있다고 해서 다가 아니다. 의사결정을 자동화하는 것만이 인공지능 주도형 업무흐름의 최종목표가 아니다. 자동화를 통해 비용은 줄겠지만, 이는 부수적 효과에 지나지 않는다. 인공지능의 가치는 인간이 혼자 할 때보다 더 나은 의사결정을 내리게 하는 데 있다. 인공지능의 가치를 제대로 살리면, 효율성을 대폭 향상시키는한편 새로운 역량도 창출해 낼 수 있다.

 

인공지능과 인간 모두 활용하기

 

인간이 체계화된 데이터를 프로세싱하는 데만 관여하고 업무흐름에서 배제됐다고 해서 인간이 퇴물이라는 건 아니다. 체계화된 데이터 그 이상에 의존하는 경영 의사결정이 많다. 기업의 비전 선포문, 전략, 기업 가치, 시장의 역학관계 등은 모두 무형적 가치를 갖는 것들로, 문화와 같은 비디지털적인 의사소통 수단을 통해 전달되는 정보의 본보기다. 이런 정보는 인공지능의 접근은 불가하지만, 경영 의사결정에는 중대한 영향을 미친다.

 

예를 들어, 인공지능은 이윤 극대화의 차원에서 적정한 재고수준이 얼마인지 객관적으로 결정해 줄 수 있다. 하지만 경쟁이 치열한 환경에서, 이윤을 희생하더라도 더 나은 경험을 고객에게 제공할 목적으로 그보다 더 많은 재고를 확보하기로 기업은 결정할 수도 있다. 또 다른 예로는, 인공지능은 마케팅에 더 많은 돈을 투자할 경우 ROI[4]가 가장 높을 거라는 결정을 내릴 수 있지만, 회사는 품질 수준을 높이기 위해 투자를 연기하고 성장을 완화하기로 결정할 수도 있다. 전략, 가치, 시장상황 같은 정보를 인간이 얻을 수 있다면 인공지능의합리적 판단에서 물러나는 결정을 할 수도 있다는 말이다. 이 같은 경우에, 인간의 선택을 요하는 여러 가능성을 생성해 내는 데는 인공지능을 활용하고, 인간이 접근 가능한 추가 정보를 고려해 그 가능성들 중에서 최선의 대안이 무엇인지 선택하는 데는 인간을 활용할 수 있다. 인공지능을 활용한 업무흐름을 실행하는 목적은 사례별로 다르다. 인간의 업무부담을 덜어주는 게 인공지능의 최우선적 목표일 경우도 있다. 아니면 인간의 판단을 선행시키고 그 결과를 가지고 인공지능이 데이터 프로세싱을 하게 할 수도 있다. 그것도 아니면, 인간과 인공지능을 번갈아 활용할 수도 있다.

 

 

인간이 데이터를 직접 다루지는 않지만, 인공지능의 데이터 프로세싱을 통해 생성된 여러 가능성들은 인간이 직접 다룬다는 사실이 중요하다. 가치, 전략, 문화는, 우리가 내린 결정과 객관적인 합리성 사이의 간극을 메워주는 역할을 한다. 완벽하게 정보가 제공됐을 때 이 역할은 가장 큰 효과를 낸다. 인공지능과 인간 모두를 활용할 때 둘 중 하나만을 활용할 때보다 더 나은 의사결정을 내릴 수 있다.

 

진화의 다음 단계

 

데이터 주도형에서 인공지능 주도형으로의 이행이 진화의 다음 단계다. 업무흐름에 인공지능을 도입하면 체계화된 데이터를 더 바람직한 방향으로 프로세싱할 수 있게 되고 인간에게는 보완적인 역할의 수행을 통해 기여하게 할 수 있다.

 

자연 선택에 의한 진화가 개별 개체 내에서 발생하지 않듯이, 개별 조직 내에서는 진화가 발생하기 어렵다. 자연 선택으로 인한 진화는 전체 집단 차원에서 일어난다. 좀 더 효과적인 기업이 덜 효과적인 기업보다 살아남을 확률이 높다. 성숙 단계에 접어든 기업집단은 환경변화에 적응하기 어려운 점이 있기 때문에 시작부터 아예 인공지능과 인간이 함께 기여할 수 있는 업무흐름 모형을 도입하는 신종 기업집단이 출현할 수도 있지 않을까 하고 조심스럽게 점쳐본다.

 

번역 이종호 에디팅 고승연

 

에릭 콜슨(Eric Colson)은 스티치 픽스[5]에서 알고리즘 총괄임원으로 재직 중이다. 이전에는 넷플릭스에서 데이터공학 담당 임원을 지냈다.

 

 

[1]프로세서라고 하면 CPU 같은 시스템 반도체를 떠올리기 쉬우나 여기서는 데이터 처리 행위 (processing)를 하는 주체를 말한다. 구체적으로 이 아티클에서는 인간 혹은 인공지능을 지칭한다.

[2]인터넷 마케팅 분야에서 웹사이트를 방문한 사람 중, 소정의 유도된 행위를 한 방문자의 비율

[3]한 수()가 다른 수의 거듭제곱으로 표현되는 두 수의 함수적 관계

[4]‘Return On Investment’의 준말로 수익성 지표이며, 순이익을 전체 투자액으로 나눈 값이다.

[5]Stitch Fix, 미국의 온라인 개인스타일링 서비스 업체

아티클을 끝까지 보시려면
유료 멤버십에 가입하세요.
첫 달은 무료입니다!

관련 매거진

아티클이 실린 매거진

하버드비즈니스리뷰코리아 2019.9-10월호 성과를 갉아먹는 성과지표? 25,000원 22,500원

아티클 PDF

하버드비즈니스리뷰코리아 2019.9-10월호 인공지능 주도형 의사결정이란 무엇인가 5,000원
  • ※ 아티클 PDF 구매는 월별 제공되는 PDF 다운로드 권한을 모두 사용하신 1년 또는 월 자동결제 서비스 구독자에 한해 제공되는 서비스입니다.
  • ※ 아티클 PDF 다운로드가 필요하신 분께서는 HBR Korea 서비스 구독을 신청하세요!
(03187) 서울시 종로구 청계천로 1 동아일보사빌딩 (주)동아일보사
대표자: 김재호 | 등록번호: 종로라00434 | 등록일자: 2014.01.16 | 사업자 등록번호: 102-81-03525
(03737) 서울시 서대문구 충정로 29 동아일보사빌딩 15층 (주)동아미디어엔(온라인비즈니스)
대표이사: 김승환 | 통신판매신고번호: 제 서대문 1,096호 | 사업자 등록번호: 110-81-47558