Deloitte Insights
데이터 경쟁: 생성형AI로 글로벌 비즈니스 서비스의 경쟁 우위 확보
(The Data Race: Global Business Services’ Advantageous Positioning with Generative AI)
2024-09-11
들어가며
AI는 글로벌비즈니스서비스(Global Business Service, GBS)의 발전을 가속화하고 조직 내 GBS의 역할을 강화할 것으로 전망된다. 그 이유는 다음과 같다. 첫째, AI는 초개인화된 서비스를 통해 직원과 소비자에게 맞춤형 경험을 제공할 것이다. 둘째, AI는 많은 비즈니스 프로세스의 실행과 관리에 필요한 인사이트와 전문 지식을 더 많은 사람들이 쉽게 활용할 수 있게 하여, 적은 경험을 가진 사람들도 비즈니스 프로세스를 수행할 수 있게 될 것이다. 마지막으로, AI를 통해 과거에는 프로세스 표준화의 부족으로 인해 자동화에 한계가 있었던 조직에서 더 큰 규모의 자동화를 실현할 수 있을 것으로 예상된다.
이러한 발전의 열쇠는 바로 데이터에 있다. 대규모 언어 모델의 출력 품질은 학습과 미세 조정에 사용되는 데이터와 직접적으로 관련이 있기 때문이다. GBS 조직은 고객, 운영, 트랜스액션(Transaction), 재무 데이터를 포함한 전사적인 데이터에 액세스할 수 있어, 생성형AI를 활용할 수 있는 독보적인 위치에 있다. 조직이 생성형AI에 대비하기 시작하면서 업무 환경은 처리 중심에서 데이터 기반 인사이트 향상 중심으로 진화하고 있다. 기업의 리더들은 조직의 비즈니스 여정을 이끌 수 있는 위치에 있지만, 그 여정을 어디서 시작해야 할지 고민이 매우 크다.
본 보고서는 AI의 영향력을 강조하면서 GBS와 조직 전체의 발전을 위한 데이터의 중요성을 부각시킨다. 기업 리더들은 데이터의 힘을 최대한 활용하여 AI 도입을 가속화하고 조직의 미래를 재설계할 수 있다.
생성형AI와 로봇프로세스자동화(Robotic Process Automation, RPA): 무엇이 다른가?
생성형AI는 독창적이고 창의적이며 인간이 만든 콘텐츠와 구별할 수 없는 새로운 콘텐츠를 생성하도록 설계된 AI의 한 범주다. 이러한 멀티모달(Multi-modal) 거대 언어 모델(LLM)은 페타바이트 규모의 텍스트, 이미지, 오디오 데이터를 기반으로, 다양한 패턴을 흡수하도록 훈련된다. 이러한 모델은 수집된 데이터에서 패턴을 평가하고 학습한 내용을 바탕으로 새로운 콘텐츠를 생성하게 된다.
반면, 로봇 프로세스 자동화(RPA)는 사전 정의된 규칙에 의존하기 때문에 훨씬 적은 데이터를 필요로 한다. RPA는 일반적으로 의사 결정이 덜 필요하여 유연성이 떨어지는 것이 특징이긴 하지만, 일상적인 규칙 기반 작업에서 뛰어난 성능을 발휘한다. 생성형AI는 모호한 상황에서 인사이트를 창출하는 데 탁월한 반면, RPA는 반복적이고 규칙적인 작업에서 그 진가를 발휘하곤 한다.
GBS에서의 생성형AI 활용 전략
① 센터오피스 모델 적용으로 고객 경험 개선하기
센터 오피스 모델*에서 GBS는 소비자 경험을 총괄하고 트랜스액션 데이터와 직원 상호작용을 연결하는 중요한 역할을 한다. 두 데이터 세트를 결합함으로써 GBS 리더는 내부 고객(임직원, 사업부 파트너, 지원부서 등)과 외부 고객(시장 파트너, 공급업체, 소비자 등)을 위한 초개인화된 경험을 창출할 수 있다.
예를 들어, 조달 데이터, 서비스 데스크 문의, HRIS(HR 정보시스템) 등 직원 상호 작용의 전체 생애 주기를 아우르는 데이터를 활용하여 이를 거대 언어 모델(LLM)로 수집하고 학습시키면, 고객 지원 모델을 혁신하는 데 독보적인 위치를 점할 수 있다. LLM은 대화형 AI를 통해 음성 및 텍스트 챗봇과 결합하여 중앙 집중식 기업 헬프데스크를 통해 맞춤형 직원 경험을 제공할 수도 있다.
기존 데이터의 힘을 통해 모델은 이전 질문을 이해하고, 직원의 정서까지 파악하여 특정 문의를 해결하고 전반적으로 긍정적인 경험을 제공할 수 있게 된다. 또한, 데이터의 패턴을 평가하여 향후 요청이나 질문을 예측하고, 선제적인 지원 조치를 취함으로써 기업의 소비자 지원 기능을 더욱 효율적으로 운영할 수 있다. 더 중요한 것은 이러한 과정이 전반적으로 맞춤형 직원 경험을 제공하는 데 기여한다는 점이다.
센터오피스모델: 부서 간 데이터와 인재를 활용하여 서비스 활동의 엔드투엔드(End-to-end) 통합과 자동화 및 분석과 같은 기능을 ‘서비스형’으로 제공할 수 있는 모델을 일컬음
② 부가가치 창출을 위한 기능 확대
GBS 리더는 생성형AI 지원 데이터 모델을 통해 도출된 인사이트를 활용함으로써 가치 사슬의 더 많은 기능을 중앙 집중화할 수 있는 확실한 기회를 얻게 된다. 이 기술을 통해 기존 인재는 향상된 인사이트에 접근하여 가치 사슬의 더 높은 기능을 활용할 수 있다. AI 도입 이전의 GBS 인재 모델은 트랜스액션과 프로세스 기반의 1차 업무에 집중하며 천천히 기능적 가치 사슬을 향상시켰다. AI 시대에는 동일한 인재가 트랜스액션 업무를 자동화하면서 더 깊은 인사이트를 얻고, 비즈니스와 더욱 긴밀하게 협력할 수 있다.
이러한 업무를 중앙 집중화함으로써 GBS 리더는 엔드투엔드(End-to-end) 프로세스 지원을 확장하는 이점을 얻을 뿐만 아니라, 매우 효율적인 솔루션을 대규모로 비즈니스에 제공할 수 있는 능력을 확보하게 된다. 예를 들어, 과거에는 제품 디자인 및 R&D 업무가 로컬 비즈니스와 밀접한 관계를 유지해 왔다. 그러나 오늘날에는 각 제품 팀마다 분산된 R&D 팀이 특정 제품 사일로(Silo)에서 독립적으로 운영될 수 있게 되었다. 앞으로 생성형AI를 활용한다고 해서 이러한 업무 방식이 완전히 사라지지는 않겠지만, 현지 팀이 디자인, 기능 브레인스토밍, 테스트에 생성형AI를 활용하도록 지원할 수 있다. 이는 생성형AI로 업무가 효율화되면서 나타나는 진정한 창의적 프로세스라 할 수 있다.
③ 머신 아비트리지(Machine Arbitrage)*로 비용 효율성 극대화
최근 전망에 따르면, 향후 10년 이내에 생성형AI가 약 3억 개의 일자리에 영향을 미치거나 업무 기능을 변화시킬 것으로 예상되고 있다. 이는 초기 단계에서의 대략적인 예상치이지만, 기술과 기능적 활용 사례가 발전함에 따라 변화는 지속적으로 광범위하게 이루어지고 있다.
트랜스액션 업무의 관점에서, 생성형 AI를 엔드투엔드 사용 사례에 활용하여 비용을 절감하는 것이 기본적인 예시이다. 프로세스를 단순화하려면 엔드투엔드 프로세스를 살펴보는 것이 중요한데, 이는 RPA가 종종 기대에 미치지 못하는 경우가 많기 때문이다. RPA는 표준화에 의존하여 예측 가능성을 위해 프로세스를 개선해야 할 때가 많지만, 생성형 AI는 모호한 데이터에서도 비교 대상을 검색하여 다양한 변수들을 더 폭넓게 지원할 수 있다.
트랜스액션 업무에 대한 평가가 지속적으로 진행되는 동안, 지식 기반 업무를 지원하기 위한 생성형AI '어시스턴트'의 발전도 이루어지고 있다. 조직의 성숙도와 거버넌스에 따라 GBS와 SSC(Shared Service Center, 공유 서비스 센터) 리더는 공통 비즈니스 기능의 제어 및 중앙 집중화 정도를 고려할 때 생성형AI를 활용할 수 있는 매우 유리한 위치에 있다고 할 수 있다.
이러한 AI 기술의 도입은 조직 전반에 걸쳐 업무 효율성을 높이고 비용 절감을 실현하며, 보다 정교하고 개인화된 서비스 제공을 가능하게 한다. 결과적으로, 생성형AI는 업무 프로세스를 혁신하고 조직의 경쟁력을 강화하는 데 핵심적인 역할을 할 것으로 전망된다.
* 머신 아비트리지: 인공지능(AI) 및 기계 학습 알고리즘을 활용하여 고객 서비스 운영을 최적화하고 비용 효율성을 극대화하는 것을 의미함. 이는 고객 지원의 다양한 채널과 프로세스에서 발생하는 가격 차이와 효율성을 기계적으로 분석하고 최적화하는 방식으로 이루어짐.
GBS를 위한 다음 단계의 AI 전략
1. 리더의 AI 이해도 향상: 블랙박스에서 글래스박스로 전환*하기 위해 GBS 리더는 기술의 작동 방식과 광범위한 적용 가능성에 대해 폭넓게 이해해야 한다. AI를 학습시키기 위해서는 모델이 어떻게 미세하게 조정되고 진화하는지 이해하는 것이 필수적이기 때문이다. AI가 운영을 개선하고 새로운 가치를 창출하며 GBS의 전략적 성장을 주도할 수 있는 분야를 인식하는 것이 매우 중요하다.
2. 데이터 품질 향상: AI 모델에서는 '가비지 인, 가비지 아웃(Garbage in, garbage out)**' 단계가 점점 더 두드러지게 나타나고 있다. 이러한 모델의 근간에는 전사적 차원의 가공되고 정제된 데이터가 필요하며, 이는 엔드투엔드 활동 전반에서 효율성을 높일 수 있는 GBS 조직과 타 조직을 구분하는 중요한 요소이다.
3. 장기적 AI 전략 모색: 더 광범위한 애플리케이션에 대한 기술 도입을 검토하고, 즉각적인 효과를 넘어 장기적인 전략상 이점을 모색함으로써 GBS 전략 및 정책의 프레임워크 안에 AI를 포함시키는 것이 핵심이 될 것이다. 이를 통해 조직의 전략적 목표에 부합하는 방식으로 AI를 도입할 수 있다. AI 도입은 일회성 프로젝트가 아니라 지속적인 비즈니스 여정으로, 전략적 계획, 정기적 평가, 선제적 조치가 필요하다.
* ‘블랙박스에서 글래스박스로의 전환’: 시스템이나 프로세스의 내부 작동 과정을 투명하게 공개하여, 이해관계자들이 그 과정을 들여다볼 수 있고 이해할 수 있도록 하는 것을 의미함.
** ‘가비지 인, 가비지 아웃(Garbage in, garbage out, GIGO)’: 인공지능(AI) 및 컴퓨터 공학에서, 입력 데이터의 품질이 낮으면 출력 결과 또한 낮아질 수밖에 없다는 것을 의미함.
