7단계로 정리한
AI 비즈니스 모델 개발
최근 생성형 인공지능의 급속한 확산에 따라, 이를 비즈니스에 적용하고자 하는 기업들이 늘어나고 있습니다. 이에 이번 뉴스레터에서는 AI 기반 비즈니스 모델을 기획하는 데 필요한 7가지 핵심 단계를 소개하고자 합니다. 특히 최근 큰 관심을 받고 있는 대형 언어 모델(LLM) 기반의 생성형 AI 기술이 기업의 비즈니스에 어떻게 활용될 수 있는지, 비즈니스 모델의 본질을 먼저 살펴보는 것으로 시작하고자 합니다.
비즈니스 모델이란 기업이 제품이나 서비스를 통해 수익을 창출하는 구조를 의미합니다. 이는 단순히 수익 창출뿐만 아니라, 기업의 강점과 경쟁 우위를 극대화하는 것을 포함합니다. 여러분은 이미 비즈니스 모델에 대해 많이 들어보셨겠지만, 왜 지금 이 시점에서 특히 AI 기반 비즈니스 모델에 주목해야 하는지에 대해 생각해볼 필요가 있습니다.
워크데이의 최근 발표에 따르면, 많은 기업들이 AI를 도입하여 의사 결정, 생산성 향상, 비즈니스 프로세스 자동화, 수익 증대 등에서 긍정적인 성과를 거두고 있습니다. 실제로 글로벌 CEO의 98%가 이미 AI를 도입하여 효과를 얻고 있다고 말하고 있습니다. 이는 AI가 단순한 연구 주제를 넘어 실제 비즈니스 도구로 자리 잡았음을 의미합니다. 따라서 이번 뉴스레터에서는 ‘AI 기반 비즈니스 모델을 위한 7단계’ 를 소개해 드리고자 합니다.
|
신병휘 프로젝트교수
現 이노핏파트너스 파트너교수
前 롯데멤버스 마케팅 부문장(상무)
前 아프리카TV 소셜커뮤니티 사업 본부장
前 한양대학교 겸임교수
前 CJENM 스마트미디어사업 본부장(상무)
前 네오위즈 인터넷 사업본부장
前 SK컴즈 싸이월드 그룹장
|
* 이 내용은 본 공개 과정의 일부로 제공되는 콘텐츠입니다.
|
✅ 1. AI 패러다임에 올라타라
✅ 2. AI 기술을 파악하라
✅ 3. 타겟시장을 분석하라
✅ 4. 비즈니스 모델을 분석하라
✅ 5. 도메인 데이터를 활용하라
✅ 6. PoC를 출시하라
✅ 7. 비즈니스 팬덤을 만들어라
|
새로운 기술이 등장하면 사용자들에게 새로운 행동을 유발하는 인사이트를 여러 곳에서 볼 수 있습니다. 예를 들어, GPS 기술 덕분에 우리는 집 앞에서 쉽게 카카오 택시를 부를 수 있게 되었고, 모바일 카메라의 고도화로 인해 싸이월드 시절보다 훨씬 더 많은 기능이 폭발적으로 발전했습니다. 또한, 앱스토어 역시 모바일 기술 덕분에 탄생하게 되었습니다.
토스의 사례를 보면, 처음에는 단순한 송금 서비스로 시작했으나, 공인인증서 없이도 빠른 송금이 가능해지면서 금융업계에 큰 변화를 가져왔습니다. 2014년에 시작한 토스는 10년 만에 포브스가 선정한 국내 최고의 은행으로 성장했습니다. 이는 기술 혁신이 전통 금융업을 어떻게 넘어설 수 있는지를 잘 보여줍니다.
이제는 스타트업뿐만 아니라 대기업, 기관, 심지어 소상공인까지도 인공지능의 영향을 받고 있습니다. 여러분의 조직에서도 인공지능 기술의 출현이 비즈니스에 큰 영향을 미친다는 것을 인식하는 것이 첫 번째 단계입니다.
|
[그림] AI 기술 시장, 2032년까지 1800억달러로 성장, 출처 T타임즈 |
AI 기반 비즈니스를 계획하고 계신다면, 특히 생성형 인공지능을 이해하는 것이 중요합니다. AI 기술에는 새로운 용어들이 계속 등장하여 혼란스러울 수 있지만, 이를 완벽히 이해할 필요는 없습니다. 다만, 리더로서 비즈니스를 발전시키는 데 필요한 아홉 가지 주요 용어를 소개해 드립니다. 이는 관련 개발자나 내부 파트너들과의 소통을 원활하게 하고, 새로운 정보를 효과적으로 이해하는 데 도움이 됩니다. |
- 머신러닝 (Machine Learning): 머신러닝은 컴퓨터가 명시적으로 프로그래밍되지 않고도 데이터를 통해 학습하고 성능을 개선하는 AI 기술입니다. 예를 들어, 이메일 시스템에서 스팸 메일을 자동으로 필터링하는 알고리즘은 많은 이메일 데이터를 분석하여 스팸과 정상 메일을 구분하는 규칙을 학습합니다.
- 딥러닝 (Deep Learning): 딥러닝은 인간의 뇌를 모방한 인공 신경망을 사용하여 데이터를 처리하고 학습하는 고급 머신러닝 기술입니다. 딥러닝은 이미지 인식, 음성 인식, 자연어 처리 등 복잡한 문제를 해결하는 데 뛰어납니다. 예를 들어, 자율 주행 자동차는 딥러닝을 통해 도로 상황을 실시간으로 분석하고 안전하게 운전할 수 있습니다.
- 생성형 AI (Generative AI): 생성형 AI는 새로운 콘텐츠를 생성할 수 있는 AI 기술로, 텍스트, 이미지, 비디오, 오디오 등을 만들어냅니다. 예를 들어, 글을 자동으로 작성하거나 예술적인 그림을 그리는 AI가 있습니다. 이는 창의적인 작업을 지원하고 자동화하는 데 큰 도움이 됩니다.
- 튜닝 (Tuning): 튜닝은 AI 모델의 성능을 최적화하기 위해 파라미터를 조정하는 과정입니다. 예를 들어, AI 모델이 특정 업무를 더 잘 수행하도록 하기 위해 다양한 설정 값을 조정하여 모델의 정확도를 높이는 작업입니다. 이를 통해 AI 모델은 더 정확하고 효율적으로 동작할 수 있습니다.
- 래그 (RAG - Retrieval-Augmented Generation): 래그는 AI가 데이터를 생성할 때 기존 데이터를 참고하여 보다 정확하고 유용한 정보를 제공하는 기술입니다. 예를 들어, 질문에 대한 답변을 생성할 때, 래그 기술을 사용하면 AI가 기존의 관련 문서를 참고하여 더 신뢰성 있는 답변을 제공합니다.
- 할루시네이션 (Hallucination): 할루시네이션은 AI가 사실이 아닌 정보를 생성하는 현상입니다. 예를 들어, 질문에 대한 답변을 생성할 때 실제로 존재하지 않는 정보를 제공하는 경우입니다. 이 문제를 해결하기 위해 AI 모델의 정확성을 높이는 작업이 필요합니다.
- 멀티모달 (Multimodal): 멀티모달은 여러 형태의 데이터를 동시에 처리하고 통합하는 기술입니다. 예를 들어, 텍스트, 이미지, 음성 데이터를 함께 이해하고 분석할 수 있는 능력입니다. 이는 복잡한 상황에서 다양한 데이터 소스를 활용하여 더 종합적인 분석을 가능하게 합니다.
- SLM (Small Language Model): SLM은 상대적으로 작은 규모의 언어 모델로, 특정 작업에 맞춰 빠르고 효율적으로 동작합니다. 예를 들어, 간단한 질문에 대한 답변을 빠르게 생성하거나 특정 도메인에서 텍스트를 처리하는 데 유용합니다.
- LLM (Large Language Model): LLM은 매우 큰 규모의 언어 모델로, 다양한 작업을 수행할 수 있는 강력한 기능을 제공합니다. 예를 들어, 복잡한 문서의 요약을 생성하거나 여러 언어 간 번역을 수행할 수 있습니다. 하지만 많은 자원과 시간이 필요하며, 이를 효과적으로 운영하려면 상당한 기술적 역량이 요구됩니다.
|
이 용어들은 몇 년 전만 해도 대중적이지 않았지만, AI 비즈니스가 빠르게 성장하면서 중요한 개념으로 자리잡았습니다. 비즈니스 리더는 이러한 용어들을 숙지할 필요가 있습니다. 최근 인공지능 기반 비즈니스는 주로 생성형 인공지능에 초점을 맞추고 있습니다. 생성형 인공지능은 텍스트뿐만 아니라 이미지, 비디오, 오디오, 챗봇 등 다양한 형태의 콘텐츠와 아이디어를 생성할 수 있는 기술입니다. 앞서 언급한 멀티모달(Multimodal)은 이러한 다양한 데이터 형식의 입출력 방식을 의미합니다. 과거에는 텍스트만을 다루었지만, 이제는 오디오, 비디오, 이미지 등 여러 형태로 확장되고 있습니다. 소개해 드린 9가지 이외의 다른 AI 용어로 관심을 넓혀 보실 수 있습니다. |
[출처 : 매킨지의 생성형 AI의 산업과 비즈니스 기능 연관도] |
세 번째 단계는 타겟 시장을 정확하게 분석하는 것입니다. 타겟 시장은 구독자 분들이 속한 비즈니스 도메인을 의미합니다. 이를 위해 다음 세 가지 단계를 거쳐야 합니다.
첫째, 거시적인 산업 분석입니다. 빅테크와 대형 플랫폼 사업자들이 대부분의 인공지능 기술을 선도하고 있기 때문에, 산업 전체에 대한 이해가 필요합니다.
둘째, 우리 기업이 인공지능을 어떻게 도입할지, 사업성이 있는지, 그리고 유사한 사업자들이 어떻게 활동하고 있는지를 분석합니다. 이를 통해 비즈니스 도메인에서의 위치와 도입 가능성을 파악할 수 있습니다.
셋째, 타겟 산업 도메인의 경쟁자를 분석하고, 이를 기반으로 인사이트를 도출할 수 있는 역량을 키웁니다. 경쟁자의 활동과 전략을 분석함으로써 우리는 더욱 효과적인 접근 방안을 마련할 수 있습니다.
아래 그림은 매킨지가 2023년 6월에 발표한 AI 비즈니스의 영향력과 소요되는 비용에 대한 보고서입니다. Y축은 산업의 영역을, X축은 영향도를 나타내며, 파란색이 진할수록 영향력이 큽니다. 보고서에 따르면, 세일즈, 마케팅, 커스터머 오퍼레이션, 소프트웨어 엔지니어링 같은 영역이 큰 영향력을 발휘하고 있으며, 서플라이 체인, 파이낸스, HR, 프라이싱 등은 상대적으로 영향력이 적습니다. |
[출처 : 맥킨지 보고서-The economic potential of generative AI(2023. 06)] |
비즈니스 모델은 인공지능의 도입 여부와 상관없이 동일한 원칙을 따릅니다. 앞서 말씀드린 바와 같이, 비즈니스 모델은 기업이 제품이나 서비스를 통해 수익을 창출하는 구조를 의미합니다. 이는 단순한 수익 창출을 넘어서 기업의 강점과 경쟁 우위를 극대화하는 것을 포함합니다.
생성형 인공지능 비즈니스를 분석할 때는 두 가지 주요 관점이 있습니다. 첫 번째는 기업이 인공지능을 도입했을 때 경제적 잠재력이 커지는 영역입니다. 이는 아래 그림에서 주황색으로 표시된 부분입니다. 두 번째는 노동 생산성 향상에 관한 잠재력으로, 이 부분은 더 큰 원으로 표시된 영역입니다. 현재 인공지능의 도입은 노동 생산성 관련된 영역이 더 크며, 기업에서 새로운 가치를 창출하여 수익을 내는 것은 개발중인 상태입니다. 하지만 비용 절감 측면에서는 큰 영향을 미치고 있습니다.
아래 그림이 매킨지가 2023년 발표한 기업의 생성형 인공지능 도입 현황에서 인용한 그림입니다 그림의 오른쪽에는 고성과 기업과 기타 기업의 인공지능 도입 비교가 나와 있습니다. 초기에는 모든 기업이 비용 절감에 초점을 맞추었지만, 점차 신규 비즈니스에 인공지능을 도입하는 기업이 늘어나고 있습니다.
비즈니스 성과를 고민하고 계신다면, 인공지능 기술 그 자체보다는 인공지능이 해결할 수 있는 문제를 찾는 것이 중요합니다. 인공지능을 통해 어떤 문제를 해결할 수 있는지 명확히 이해하는 것이 성공적인 도입의 첫걸음입니다. |
생성형 인공지능을 효과적으로 활용하기 위해서는 기업 내부의 데이터가 필수적입니다. 이 데이터를 활용해 현재 업무에 인공지능을 적용할 수 있습니다. 그러나 기업들이 생성형 인공지능을 도입하면서 가장 우려하는 가장 큰 2가지는 결과값의 부정확성과 보안 문제입니다.
*파인튜닝 (Fine Tuning)은 인공지능의 부정확성을 보완하기 위한 미세 조정 방법입니다. 이는 인공지능 모델의 파라미터를 계속 변경하며 최적의 성능을 발휘하도록 검증하는 과정입니다. 예를 들어, SLM(Small Language Model)을 미세 조정하여 카카오톡의 메신저 서비스에 적용한 사례가 있습니다. 이 서비스에서는 대화 내용을 요약하거나, 문체를 다양한 스타일로 바꾸는 기능을 제공하여 사용자에게 더욱 맞춤화된 경험을 제공합니다. 이러한 SLM은 명확한 목표를 가진 미션을 수행하는 데 매우 효과적입니다.
또한, RAG (Retrieval-Augmented Generation)**는 기업 내 데이터를 활용하여 생성형 인공지능의 결과 정확도를 높이는 방법입니다. RAG는 대규모 언어 모델이 응답을 생성하기 전에 외부의 신뢰할 수 있는 지식 베이스를 참조하도록 하는 프로세스입니다. 이는 인공지능이 단순히 학습 데이터에 의존하지 않고, 기업 내부의 전문 자료를 활용하여 더 신뢰성 높은 답변을 제공하게 합니다.
예를 들어, 사용자가 생성형 인공지능에게 질문을 하면, 인공지능은 먼저 기업 내부의 데이터를 검색하여 신뢰할 수 있는 정보를 바탕으로 답변을 제공합니다. 이 과정에서 RAG는 인공지능의 신뢰성을 높이는 데 중요한 역할을 합니다. 물론, 이러한 방법에도 문제점이 있을 수 있으며, 지속적인 검증과 튜닝 작업이 필요합니다. 이를 통해 기업은 최적화된 인공지능 솔루션을 도입할 수 있습니다.
이처럼, 생성형 인공지능을 성공적으로 활용하려면 내부 데이터의 정확성을 높이고, 파인 튜닝과 RAG 같은 기술을 통해 신뢰성을 확보하는 것이 중요합니다. 기업은 이러한 과정을 통해 인공지능을 효과적으로 활용하고, 비즈니스 성과를 극대화할 수 있습니다. |
제품 성장 단계별 접근법 [출처: 책 ‘플랫폼 성장패턴에 올라타라’] |
샤오미는 초기 사용자 100명을 1천명으로, 1천명을 10만명으로, 결국 6천만명으로 성장시킨 사례로 유명합니다. 이처럼 팬덤 구축은 기업 성장에 중요한 역할을 합니다. 그러나 초기 단계와 성장 단계에서 실행해야 할 전략은 다릅니다. 초기에는 가설을 세우고 핵심 활동을 점검하며 팬덤을 구축해야 합니다.
제품이나 서비스가 오픈 후 마케팅을 통해 사용자를 모은 뒤, 마케팅이 끝나면 사용자가 급감하는 경우가 많습니다. 스타트업들이 활용하는 '작게 시작하는 방식'을 인공지능 기반 비즈니스에도 동일하게 적용해야 합니다.
최근 인공지능 기술이 주목받고 있지만, 기술 적용만큼 중요한 것은 AI 제품이 출시된 후 초기 시장 진입과 팬덤 구축입니다. 초기 사용자들이 제품을 지속적으로 사용하도록 만드는 방법을 익혀야 합니다. 이는 인공지능 비즈니스를 성공으로 이끄는 핵심 요소입니다.
따라서, AI 기반 비즈니스 모델을 도입할 때는 기술뿐만 아니라, 사용자 기반을 확장하고 팬덤을 형성하는 전략도 함께 고려해야 합니다. 이 접근 방식이 궁극적으로 AI 비즈니스를 성공으로 이끌 것입니다.
|
초기 사용자 100명이 1천명이 되고, 1천명이 10만명을 넘어 6천만까지 성장한 기업이 샤오미입니다. 샤오미는 팬덤 구축을 통해 성장한 덧으로 유명합니다. 다만 초기 단계는 실제로 어떻게 해야 되는지 그리고. 성장 단계는 어떻게 해야 되는지 서로 실행해야 할 전략이 다릅니다. 그래서 실제로 초기에 우리가 가설을 세웠던 이미 핵심 활동에 대해서 확인하면서 팬덤을 구축해야 합니다.
제품이나 서비스가 오픈하고 마케팅으로 사용자가 가입한 후, 마케팅이 끝나면 아무도 사용하지 않는 경우가 많습니다. 그래서 스타트업이 사용하는 ‘작게 시작하는 방식’ 을 인공지능 기반 비즈니스에서도 동일하게 적용해야 됩니다.
최근에는 인공지능이 기술적인 면에서 소개가 되고 있어서 기술 적용에 많은 관심이 집중됩니다. 그러나 인공지능을 적용한 제품이 출시된 후 어떻게 초기에 진입하고 팬덤을 만들어 사용자에 확산하는 방법을 습득해야 합니다. 이것이 인공지능 비즈니스를 최종적으로 성공시키는 비결입니다. |
현재는 기술 변화 주기상 새로운 패러다임이 시작되는 시기입니다. 따라서 AI 기반 비즈니스 모델을 탐색하고 도입 방안을 고민하기에 최적의 시기입니다. 최근 소프트웨어 개발자 채용이 줄어드는 반면, 2023년부터는 생성형 AI와 관련된 인재 채용이 급증하고 있것도 이를 증명해 줍니다. 따라서 AI 기술을 잘 이해해야 하지만, 더 중요한 것은 이 기술을 어떻게 효과적으로 활용할지 아는 것입니다. AI 기반 비즈니스 모델도 결국 비즈니스 모델이라는 점입니다. 왜 이 모델이 필요한지, 인공지능 기술을 어떻게 활용하면 좋을지에 대한 명확한 목적과 방향을 설정하는 것이 중요합니다.
이를 평가하고 조정할 수 있는 능력이 이 글을 읽는 리더분들에게 필요할 것입니다. 오늘 소개해 드린 ‘AI기반 비즈니스 모델 7단계’를 참고하여 AI 시대의 새로운 도전에 대비하고, 성공적인 비즈니스 모델을 구축하시길 바랍니다. |
글 / 이노핏파트너스 신병휘 파트너교수
정리 / 이노핏파트너스 마케팅팀 |
|
