1. 핵심 내용의 간단한 요약
이 기사는 현재 AI 업계에 만연한 오해를 직접 지적합니다. 모두가 AI 모델의 정확도에만 집중하고 있으며, AI의 정확도가 90%나 95%에 이르면 대규모로 인간의 업무를 대체할 수 있을 것이라고 생각하지만, 실제로는 대부분의 산업에서 AI의 도입이 중간 단계에서 막혀 있습니다. 저자와 다양한 산업의 전문가들과의 심층적인 대화를 통해, AI가 실제로 비즈니스에 활용되어 생산성을 높일 수 있는지 여부는 단순히 정확도만으로는 판단할 수 없다는 것을 알게 되었습니다. 오히려 정확도 외에도 세 가지 중요한 요소가 있습니다: AI를 지원할 수 있는 시스템이 있는지, AI가 일을 안정적으로 완수할 수 있는지, 적은 비용으로 AI의 작업 결과를 빠르게 확인할 수 있는지, 그리고 오류가 발생했을 때 누가 책임을 지고 어떻게 대응할지입니다. 마지막으로, AI를 도입하고자 하는 모든 기업에게 완벽한 고정확도 모델을 기다리지 말고, 경계가 명확하고 검증이 용이하며 오류가 발생해도 수정할 수 있는 작은 작업부터 시작하는 것이 더 효과적이라는 조언을 제공합니다.
---
2. 세부적인 해석
1. 왜 AI 모델이 점점 더 똑똑해지는데 실제 도입은 느려지는가? 부족한 것은 ‘엔진’이 아니라 ‘전달 체계’입니다
많은 사람들은 강력한 연산 능력과 많은 파라미터를 가진 대형 AI 모델을 구입하면 바로 업무에 활용할 수 있다고 생각하지만, 이는 마치 100마력의 강력한 엔진을 구입해 땅에서 직접 경작하라고 기대하는 것과 같습니다. 엔진의 동력이 아무리 강해도 쟁기나 바퀴, 핸들이 없으며, 작동할 수 있는 영역의 경계가 정해져 있지 않으면 엔진은 곧 막힙니다. 기사에서 언급된 ‘Harness’는 AI를 위한 일련의 외부 작업 지원 시스템을 의미합니다. 이는 고급스러운 표준화된 제품이 아니라, 해당 비즈니스에 맞춰서 만들어진 규칙들입니다. AI가 어떤 자료를 사용할 수 있는지, 어느 단계까지 작업할 수 있는지, 작업이 완료된 후에 어떻게 피드백을 받을 수 있는지 등을 명확하게 정해주는 것입니다. 동일한 대형 AI 모델을 사용하더라도, 어떤 AI 에이전트는 5일 동안 연속적으로 작업을 수행할 수 있지만, 다른 에이전트는 여러 일상적인 작업에서 오류가 발생합니다. 문제는 모델의 능력이 아니라 이러한 지원 시스템의 유무에 있습니다. 또한, 지원 시스템은 단순히 플러그인을 많이 추가하는 것이 아니라, 작업이 길고 복잡할수록 AI에게 명확한 경계를 설정해주는 것이 중요합니다. 위험한 상황에서는 즉시 작업을 중단하고 잘못된 조작을 방지하는 것이 기능의 전체성보다 더 중요합니다.
2. AI가 큰 수익을 가져올 수 있는지를 결정하는 숨겨진 장벽: 검증 비용
현재 간과되기 쉬운 산업의 경계가 있습니다. AI가 수행한 작업의 결과를 저비용으로 확인할 수 있는지 여부가 해당 산업이 AI에 의해 빠르게 변화할 수 있는지를 결정합니다. 예를 들어, 코드 관련 AI는 가장 먼저 성공적으로 도입된 분야 중 하나인데, 이는 코드 모델이 가장 똑똑하기 때문이 아니라 검증 비용이 거의 없기 때문입니다. AI가 코드를 작성한 후 실행하면 몇 초 만에 결과가 나오며, 시스템이 자동으로 오류를 판단합니다. 반면, 의류 산업에서는 AI가 옷을 모델에 적용하여 일반 소비자에게 대략적인 효과를 보여주는 데 80점의 이미지만으로도 충분하지만, 의류 브랜드의 생산 자료로 사용할 때는 진주 단추가 플라스틱 단추로 변하거나 V넥이 둥근 넥으로 변하거나, 천의 질감에 조금이라도 문제가 있으면 모든 이미지가 폐기됩니다. 만약 모든 이미지를 숙련된 디자이너가 세심하게 검토해야 한다면, AI가 절약한 시간은 검증에 소비되어 오히려 전체 인력을 사용하는 것보다 비용이 더 많이 듭니다. 즉, AI가 오류를 저질렀을 때 자동으로 발견되고 거의 비용이 들지 않지만, 오류가 숨겨져 있으면 전문가의 도움을 받아야 하며, 이 경우 AI의 정확도가 95%라도 기업은 사용을 꺼립니다.
3. 산업 전문가의 진정한 가치는 지식베이스가 아니라 ‘뭔가 잘못된 것 같다’는 감각을 문서로 기록하는 능력입니다
과거에는 전문가에게 AI 관련 작업을 의뢰할 때 그들의 지식을 문서로 정리하여 지식베이스에 저장하는 것이 일반적이었지만, 이는 전문가의 진정한 가치를 오해하는 것입니다. 산업에서 진짜 어려운 것은 자료를 검색하는 것이 아니라, AI가 생성한 결과가 논리적으로 맞아 보이지만 실제로는 문제가 있는 경우입니다. 경험이 많은 전문가는 한눈에 문제를 알아차릴 수 있습니다. 예를 들어, 의류 전문가는 단추의 재질이 변했는지, 의사는 AI가 놓친 위험 신호를 즉시 발견할 수 있으며, 투자자는 AI가 작성한 투자 논리의 오류를 즉시 파악할 수 있습니다. 이러한 능력은 교과서에 있는 지식이 아니라 수십 년의 경험에서 얻은 직관적 판단입니다. 이러한 판단 기준은 전문가의 머릿속에만 존재했으며, AI가 작업을 완료한 후 전문가가 다시 검토해야 했습니다. 이제 전문가의 새로운 역할은 이러한 모호한 ‘뭔가 잘못된 것 같다’는 감각을 명확한 실행 가능한 규칙으로 바꾸는 것입니다. 예를 들어, 단추의 반사율이 일정 수준을 초과하면 플라스틱 단추로 간주하고, 넥의 곡선이 일정 각도를 초과하면 불합격으로 간주하는 것입니다. 이러한 규칙을 시스템이 자동으로 실행할 수 있는 검증 기준으로 만들면, 극소수의 오류만 발생합니다.
4. 작은 작업부터 시작하는 것이 더 효과적입니다
기사에서는 AI를 도입하고자 하는 모든 기업에게 완벽한 고정확도 모델을 기다리지 말고, 경계가 명확하고 검증이 용이하며 오류가 발생해도 수정할 수 있는 작은 작업부터 시작하는 것이 더 효과적이라는 조언을 제공합니다. 이는 작은 작업부터 시작함으로써 AI의 성능을 점차 향상시키고, 실제 비즈니스에 적합하도록 조정할 수 있기 때문입니다.