엔터프라이즈 AI 도입, 2년 후를 미리 준비하면 어떻게 달라질까?

AI 기술이 빠르게 발전하면서, 대형 기업 현장에서의 적용 방식도 점점 변화하고 있습니다. 최근 Anthropic의 CEO 다리오 아모데이와 Eli Lilly의 최고 디지털 책임자 디오구 라우가 나눈 인터뷰에서, 기업용 AI의 설계 철학과 앞으로의 활용 전략에 대한 여러 흥미로운 고민이 제시됐습니다. 특히 예상보다 빠르게 변화하는 모델 성능을 기업 프로세스에 어떻게 녹여내야 할지, 그리고 그 과정에서 실제로 환자, 고객, 조직 전반에 어떤 효과와 한계가 생기는지에 대한 논의가 중심을 이뤘습니다.

지금의 AI와 기존 모델의 차별점은 무엇일까

일반적으로 소비자용 AI 모델은 사용자의 참여와 만족도가 최고의 목표가 됩니다. 이 때문에 종종 모델 시종(사람이 말하는 바를 무조건 긍정하고 따라주는 현상)이나, 근거 없는 정보로 사용자를 부추기는 문제가 발생하곤 합니다. 다리오 아모데이는 기업 환경에서는 이런 방식이 오히려 큰 위험이 될 수 있다는 점을 강조합니다. 실제로 신약 개발 과정에서, 모델이 잘못된 약물 후보에 대해 지나친 긍정적 반응을 보이면 헛된 투자와 연구 시간이 낭비될 수도 있다는 것입니다.

Anthropic의 모델은 이런 문제점을 방지하기 위해, 정확성과 신뢰성이 더 높은 방향으로 설계되었습니다. 정제된 전공 지식(예: 생화학 분야의 학부 수준에서 대학원 수준으로 업그레이드되는 학습 컨텐츠)과 실제 업무에 적용할 수 있는 독자적 기능들이 지속적으로 강화되고 있습니다.

'스킬'과 전문화 기능의 실제 현장 적용

최근 Anthropic에서는 특정 산업 분야별로 맞춤 조정된 Claude 모델을 개발해 테스트 중입니다. 예를 들어 금융 분야에서는 금융 지표나 신용 평가 데이터 등을 모델에 직접 연결하여, 현실과 동떨어진 정보가 아닌 현업에 바로 쓸 수 있는 인사이트 도출이 주요 목표입니다. 생명과학 분야 역시 다양한 단백질, 합성물 정보, 실험 데이터베이스처럼 실제 현장에서 필요한 정보를 Claude가 실시간으로 활용할 수 있도록 설계 중이라고 합니다.

이처럼 엔터프라이즈 AI의 기능은 더 깊고 넓게 확장되고 있으며, 단순 문서 작성이나 초안 생성이 아닌, 실제 비즈니스 판단까지 뒷받침할 수 있는 형태로 발전하고 있습니다.

부분 최적화 vs 전체 혁신: 도입 전략에 대한 고민

짧게 보면, AI 모델을 기업 업무의 일부 단계에만 적용하는 방식이 가장 실용적으로 보일 수 있습니다. 예를 들어 복잡한 프로세스 중 5번과 12번 단계만 AI로 대체한다면, 다른 단계와의 연계 문제가 끊임없이 발생할 수 있습니다. 또한, 이렇게 부분적으로만 도입할 경우 모델 성능이 급격히 향상되는 시점에서도 프로세스 전체를 AI로 전환하는 시점이 늦어질 수 있습니다.

인터뷰 중에 제시된 하나의 중요한 제안은 현재의 AI 성능에만 의존하지 말고, 1~2년 뒤의 모델 수준을 예상하여 미리 전체 프로세스 변화에 대비하는 것이 장기적으로 더 많은 시간과 비용을 아낄 수 있다는 점입니다. 두 전문가 모두, 점진적 개선에만 의존하면 기업의 혁신 속도가 기술 진화 속도에 뒤처질 수 있으니, 큰 그림을 미리 그리고 준비를 병행할 필요가 있다는 의견을 강조했습니다.

AI 접목 시, 실제로 고려해야 할 이슈

현장에서는 늘 단기적인 성과와 장기적인 구조 변화 사이에서 고민이 많아집니다. 지금 즉시 AI를 활용할 수 있는 간단한 업무부터 적용해보고, 점차 더 큰 변화를 준비하는 방식이 현실적으로 가장 많이 채택됩니다. 하지만, 엔터프라이즈 AI를 100% 업무 프로세스에 녹이려고 할 때는, 부서 간 데이터 연동, 전문성 확보, 내부 시스템 개편 등 복잡한 장애물도 함께 고려해야 합니다.

Anthropic 역시 생명과학 전용 Claude를 개발하며 각종 정교한 데이터베이스 접속, 신뢰성 시험, 현장 맞춤형 보완 기능 등 다양한 요소를 테스트하고 있습니다. 결국 현장 상황에 맞춰 '부분 최적화'와 '전체 혁신' 사이에서 적절한 균형을 찾는 것이 핵심이라고 할 수 있습니다.

적용 전에 고려해야 할 포인트

엔터프라이즈 환경에서 AI 도입의 실효성을 따져볼 때, 몇 가지 현실적 제약을 함께 짚어볼 필요가 있습니다. 정확성, 신뢰성, 현장 친화적 기능이 강조되더라도, 모델을 실제로 전사적 프로세스에 도입하려면 예기치 않은 변수들이 생길 수 있습니다. 예를 들어, 기존 시스템과 데이터 형식 불일치, 전문가 그룹의 초기 거부감, 법적 검토 절차 등 신기술은 항상 생각보다 더 많은 준비와 검증을 요구합니다.

그리고 부분 도입으로 인한 병목구간이나, 전체 시스템 혁신에 따른 조직 내부의 변화 부담도 무시할 수 없는 요소입니다. 실제로 두 전문가가 함께 제시한 것처럼, 모델의 발전 속도를 신뢰하되, 너무 작은 시범 사업에만 집중하지 말고, 큰 변화에 한 번에 대비하는 결단이 때로는 프로젝트의 성공 확률을 높일 수도 있습니다.

특히 생명과학, 금융, 법률처럼 결과의 정확도가 생명인 업종에서는, AI가 제공하는 정보와 제안을 그대로 수용하기보다, 최종 검증 및 보완 절차를 병행하는 체계가 필수적입니다. 실제 효용은 업무별, 팀별로 크게 달라질 수 있으니, 자신의 조직에서 가장 큰 병목이 어떤 부분인지, 어디에 AI를 접목하는 것이 가장 효과적인지 먼저 면밀히 진단하는 접근이 필요합니다.

결과적으로, AI의 빠른 진화에 선제적으로 대응할 준비를 하되, 현장의 특성과 현실적 어려움도 놓치지 않는 균형감이 중요하다고 생각합니다.

출처 및 참고 :