PHOTOGRAPHERGreg White 작품에 대해 | 사진작가 그레그 화이트는 ‘기본 양Base Quantities’ 시리즈에서 카메라 기법을 활용해 물리학의 원리를 유쾌하게 기록한다.
실험하는 체계적 접근법 위험을 줄이고 전략을 개선하며 대규모 도입을 최적화하려면 조직 차원의 테스트를 더 많이 하라
내용 요약
문제점 생성형 AI 기술에 대한 투자와 그 활용을 통한 가치 창출 사이에는 상당한 격차가 존재한다.
배경 생성형 AI는 혁신적인 잠재력을 지니고 있지만 이를 효과적으로 도입하려면 조직은 프로세스, 역량, 전략에 상당한 변화를 가져와야 하며 이는 많은 기업이 여전히 직면하고 있는 과제다.
해결 방안 조직은 생성형 AI를 확대 적용하기 전에 체계적인 실험을 통해 시급한 고객 문제를 해결하는 데 집중하고 학습해야 한다. 이런 접근방식은 혁신을 촉진하고 위험을 줄이며 조직 전체에 성공적으로 생성형 AI를 도입할 수 있도록 지원한다.
소프트웨어 산업을 강타한 생성형 AI는 이제 제조업을 포함한 다양한 산업으로 확산되며 예측 불가능성을 관리하고 실시간 의사결정을 지원하고 있다. 생성형 AI가 조직의 전문성을 체계화하고 자동화하며 분배하는 능력은 결국 현장 작업자부터 최고경영진의 업무 구조까지 재편할 수 있다. 이미 일부 기업은 공장에서 생성되는 방대한 정보를 분석하고 문제를 예측하며, 복잡한 시나리오를 시뮬레이션하고, 실시간으로 프로세스를 최적화하는 데 이를 활용하고 있다. 유지보수 매뉴얼과 기계 자동화 코드부터 복잡한 다이어그램, 3D 도면, 공정 데이터 등 다양한 제조업 데이터를 처리하는 생성형 AI는 사람과 기계가 협력하는 새로운 방식을 구축할 잠재력을 지니고 있다.
이런 변화의 수혜자는 누구이며 그 속도는 어느 정도일까? 이는 단순한 질문이 아니다. 전기, 인쇄기와 마찬가지로 생성형 AI는 범용 기술이다. 역사적으로 볼 때 이런 기술의 도입은 거의 직선적이지 않았다. 경영진은 종종 신기술의 진정한 경제적 잠재력을 인식하지 못하고, 이를 수용하기 위해 업무, 기술, 워크플로를 재구성하는 데 어려움을 겪는다. 그 결과, 성과는 일반적으로 기술 확산 속도를 따라가지 못하며 이른바 ‘생산성 J 곡선’ 현상이 발생한다. 조직이 신기술에 적응하는 과정에서 생산성이 일시적으로 하락한 후 보완적 투자가 효과를 발휘하면 지속적인 증가세를 보이는 흐름이다. 생성형 AI에 대한 최근 데이터도 이 패턴과 일치한다. 예를 들어 2025년 맥킨지 설문조사에 따르면 많은 기업이 생성형 AI를 빠르게 도입했음에도 응답자의 80% 이상이 아직 수익에 큰 영향이 나타나지 않았다고 답했다.
생성형 AI를 어떻게 도입할지 불분명한 탓에 경영진은 전략적 딜레마에 직면한다. 명확해질 때까지 기다리다 뒤처질 위험을 감수할 것인가? 아니면 너무 일찍 행동해 성과를 내지 못하는 애플리케이션에 투자할 것인가?
아티클을 끝까지 보시려면 유료 멤버십에 가입하세요. 첫 달은 무료입니다!
Copyright Ⓒ 하버드비즈니스리뷰 코리아. All rights reserved. 무단 전재, 재배포 및 AI학습 이용 금지
