효율성 향상과 혁신의 선도

재창조는 새로운 개념이 아닙니다. 기업이 장기적으로 지속될 수 있도록 돕는 생명줄과 같은 역할을 해왔습니다. 역사적으로도 많은 회사가 작업 방식을 변화시키거나 새로운 가치 원천을 찾는 것이 번창과 쇠퇴 사이의 결정적인 요소로 작용해 왔습니다. 콘텐츠가 담긴 DVD를 우편으로 보내던 넷플릭스가 스트리밍 서비스와 오리지널 콘텐츠 제작으로 전환한 사례가 대표적인 예입니다. 그러나 기술이 촉매 역할을 하며 재창조의 레버를 당긴 오랜 역사를 가진 조직은 많습니다. 예를 들어, 삼성은 식료품업에서 섬유, 전자제품 제조업으로, Amazon은 서적 판매업에서 전자상거래와 클라우드 서비스 제공업체로 진화했습니다. 이들의 여정과 다른 많은 사례들은 재창조의 필연성에 긴급하게 직면한 조직들에게 영감을 제공합니다.

최근 CEO 설문 조사에 따르면, 응답자의 거의 절반은 많은 기업들이 현재 방식를 유지할 경우 향후 10년 내에 사업이 지속될 수 없다는 압박을 느끼고 있습니다. 경영진들은 규제와 변화하는 고객 선호도 등 여러 요인들이 현재 사업의 지속 가능성을 위협하고 있다고 보고 있습니다. 그 중에서도 기술은 가장 강력한 재창조의 힘으로 두드러지며, 56%의 CEO는 향후 3년 내에 기술이 회사의 가치 창출 및 전달 방식을 크게 변화시킬 것이라고 응답했습니다.

이는 적어도 부분적으로는 생성형 AI의 도래 때문이라고 확실하게 이야기할 수 있습니다. 생성형AI의 도래는 인쇄기, 전기, 인터넷과 동등한 혁신으로 평가됩니다. 이 기술은 업무의 본질을 변화시키고 AI 기반의 새로운 회사들이 기존 시장을 빠르게 침투할 수 있는 기회를 제공합니다. 현재, 70%의 CEO가 향후 3년 내에 생성형 AI가 비즈니스 모델에 영향을 미칠 것이라고 판단하고 있으며, 이 기술을 이미 도입한 회사에서는 그 비율이 89%로 증가합니다. 이는 생성형 AI를 실제로 사용해보면 혁신적인 잠재력이 실제로 드러난다는 것을 시사합니다.

^{참고: ‘도입한’ 그룹은 지난 12개월 동안 회사 전반에 생성형 AI가 도입되었다는 데 ‘약간 동의’, ‘중간 정도로 동의’ 또는 ‘강하게 동의’ 를 선택한 응답자를 기준으로 하며, ‘도입하지 않은’ 그룹은 지난 12개월 동안 회사 전반에 생성형 AI가 도입되었다는 데 ‘약간 동의하지 않음’, ‘중간 정도로 동의하지 않음’ 또는 ‘강하게 동의하지 않음’을 선택한 응답자를 기준으로 합니다. 
출처: PwC의 제27차 연례 글로벌 CEO 설문 조사}

이를 고려할 때, 많은 비즈니스 리더들이 생성형 AI의 비용과 제한된 사용 사례에만 주목하는 것은 당황스러운 일입니다. 생산성 향상과 단기적 이득에 지나치게 집중하다 보면, 기술이 가져올 수 있는 더 큰 혁신적 변화와 워크플로우, 비즈니스 프로세스, 심지어 비즈니스 모델의 근본적인 재구성 기회를 간과할 수 있습니다.

그렇다고 해서 회사가 생산성 향상을 간과해야 한다는 의미는 아닙니다. 효율성 증대는 항상 기본이며, 이를 무시할 수는 없습니다. 그러나 비즈니스나 운영 모델에서의 근본적인 변화는 불가피할 것이며, 이는 가치 사슬의 다양한 부분에서 불균형적으로 나타날 수 있습니다. 이러한 변화는 회사가 생성형 AI를 도입하는 속도와 전략에 영향을 미치는 여러 요인들 즉 회사의 준비 상태, 규제 환경, 기술적 복잡성 등과 같은 것들에 따라 함께 작용할 것입니다.

이 문서에서는 다양한 산업에서 이러한 변화가 어떻게 진행될 것인지를 초기 분석을 통해 살펴보고, 회사가 생성형 AI도입 전략을 효과적으로 수립하는데 도움이 될 수 있도록 할 것입니다. 또한, 특정 산업에 대한 심층 분석을 통해 AI 기반 혁신이 산업의 제약을 어떻게 극복할 수 있는지, 그리고 기업들이 생산성을 향상시키고 생성형 AI를 통해 변화를 선도할 수 있는 전략을 제시할 것입니다.

어떤 산업이 생성형 AI의 영향을 가장 많이 받을 것인가?

생성형 AI의 채택은 산업별로 다르게 영향을 미칠 것으로 예상됩니다. 각 회사의 특성과 상황에 따라 그 영향력은 상이할 수 있으며, 이는 산업별 잠재적 이윤 상승 범위에도 반영될 것입니다. 이 범위는 산업별 벤치마크된 손익을 바탕으로 사용 사례의 영향을 평가하여 산출됩니다. 분석은 현재의 운영 모델을 기준으로 가까운 미래의 생성형 AI의 역량 을 고려하되, 회사마다 개발 및 구현에 소요되는 비용은 변동성이 크기 때문에 포함되지 않습니다.

예상대로, 기술 산업의 회사들이 평균적으로 19 % 포인트의 잠재적 이윤 상승을 통해 가장 큰 혜택을 볼 것으로 보입니다. 특히, 생성형 AI는 개발자들의 코딩을 지원하고, 기술 문서를 작성하며, 데이터 특징을 추출하는 등 다양한 방식으로 소프트웨어 개발 속도를 향상시켜 비용의 최대 20%를 차지하는 개발비용을 절감함으로써 이윤을 개선하는 데 중요한 역할을 할 수 있습니다.

소프트웨어 제공업체들은 이미 기존 제품에 생성형 AI를 통합하고 있습니다. 예를 들어, Microsoft와 SAP는 문서 요약 및 직원 경험 개선을 위한 생성형 AI 기반의 코파일럿을 엔터프라이즈 소프트웨어에 추가하였습니다. Adobe는 이미지 생성 및 편집 기능을 통해 크리에이티브 제품군을 강화했으며, Amazon을 비롯한 여러 제공업체들은 IT 전문가들이 필요에 맞는 소프트웨어를 학습하고 선택할 수 있도록 돕는 생성형 AI 도구를 개발하였습니다.

소프트웨어 제공업체와 다양한 산업의 기업들에게 생성형 AI가 가져오는 변화는 중요한 전략적 기회를 제공합니다. 생성형 AI 기반의 코딩 지원은 개발 과정을 가속화하여 소프트웨어 혁신을 위한 추가적인 기회를 제공합니다. 그 결과, 기존 기능의 강화와 자동화, 그리고 새로운 애플리케이션을 제공하는 소프트웨어의 폭발적인 증가가 예상됩니다.

^{참고: 생성형 AI 구축 및 운영 비용은 산업별 변동성이 크기 때문에 포함되지 않았습니다. 
출처: S&P Capital IQ data with PwC and Strategy& analysis}

고급 소비재는 생성형 AI 채택으로 평균 14.5 % 포인트의 인상적인 이윤 증가가 예상됩니다. 이 기술은 고도로 개인 맞춤화된 광고, 고객 경험, 그리고 심지어 제품 디자인까지 창출할 수 있는 능력을 제공합니다. 이미 많은 조직들이 이를 활용하고 있으며, Gucci와 같은 럭셔리 브랜드는 현재 트렌드를 반영하여 새로운 제품 디자인을 창출하기 위해 생성형 AI를 활용하고 있습니다. Bally는 고객 행동 예측을 위한 가상 쇼퍼를 배포하는 데 이 기술을 사용하고 있으며, Moncler, Zegna, Valentino와 같은 브랜드들은 광고 캠페인 이미지 개선을 위해 생성형 AI를 활용하고 있습니다.

분석 결과, 이와 같은 산업 분야들이 큰 혜택을 볼 것으로 예상되지만 상대적으로 낮은 혜택을 받는 부문들조차도 현재의 낮은 수익률을 고려할 때, 상당한 이윤 상승이 기대됩니다.

예를 들어, 이윤이 보통 2%에 불과한 화물 운송 및 물류 산업을 살펴보면, 평균 1.8 % 포인트의 잠재적 상승으로 인해 이 산업의 일부 회사들은 이윤이 거의 두 배로 증가할 수 있습니다. 이 산업의 생성형 AI 사용 사례는 아웃바운드 물류 경로 최적화, 실시간 가격 최적화, 백오피스의 자동화된 재무 보고 등 다양합니다.

물론 이러한 단기적인 이점은 시간이 지남에 따라 감소할 가능성이 높습니다. 이러한 이점은 주로 생성형 AI의 효율성에 기인하며, 기술이 기존의 운영 방식에 통합되면서 발생하는 현상입니다. 시장의 모든 기업이 유사한 생성형 AI 기술을 채택하고 고객의 기대 수준이 높아짐에 따라, 이러한 사용 사례는 점차 표준화될 것입니다. 결과적으로 기업들은 기술 통합을 새로운 운영 모델로 전환하고, 혁신적인 애플리케이션을 통해 새로운 시장에 진입하려는 노력을 기울일 것입니다.

현재 상황: 산업별 전망

산업환경은 회사들이 생성형 AI 기회를 활용하는 속도를 결정하는 데 핵심적인 역할을 합니다. 이는 극적인 비즈니스 모델 변화부터 특정 기능이나 주요 비즈니스 프로세스의 점진적인 재구성까지, 재창조를 촉발하는 기회를 포착하는 속도를 의미합니다. 이러한 속도는 주로 산업 내 생성형 AI의 혁신적 잠재력과 회사의 기술 통합 용이성에 따라 달라집니다. 다양한 요인이 이러한 변수에 영향을 미칩니다.

각 산업에서 생성형 AI 채택은 두 가지 핵심 요소에 따라 달라집니다. 진정한 잠재적 가치를 이해하기 위해서는 재무 예측을 넘어서, 예상되는 혁신 수준과 상대적인 도입 용이성을 함께 고려하는 것이 중요합니다.

^{출처: PwC and Strategy& analysis}

22개 산업과 네 가지 도입 시나리오의 전망

22개 산업을 혁신 수준과 도입 용이성이라는 두 가지 주요 변수에 따라 분석한 결과, 생성형 AI의 예상 영향은 각 회사 간에 상당히 다르게 드러날 것으로 예상됩니다. 새로운 AI 혁신기업의 출현은 예측하기 어렵지만, 전반적으로 생성형 AI의 도입은 네 가지 주요 시나리오로 진행될 것입니다. 각 산업이 위치한 사분면에 따라 기업들은 디스럽터(Disruptor), 트레일블레이저(Trailblazer), 멀티태스커(Multitasker), 또는 스트림라이너(Streamliner)로 분류될 것입니다.

^{출처: S&P Capital IQ data with PwC and Strategy& analysis}

생성형 AI 활용 패턴 파악: 재창조의 핵심

산업혁신의 잠재적인 시기와 도입의 용이성에 관계없이, 회사가 효율성을 향상시키면서 더 혁신적인 애플리케이션의 기초를 마련할 수 있는 범산업적인 생성형 AI의 접근방식은, 주로 패턴 인식에 기반합니다.

여기서 말하는 패턴이란 생성형 AI의 여섯 가지 주요 기능 - 생성, 증강, 변환, 대화, 정보 검색 및 요약 - 을 가능하게 하는 공통의 모델 아키텍처, 도구, 디자인 요소를 의미합니다. 특정 사용 사례에 이러한 요소를 구축하면, 동일한 기능을 요구하는 다른 사용 사례에 쉽게 적용할 수 있습니다. 따라서 단순히 생성형 AI로 자동화할 수 있는 특정 작업에만 집중하기보다는, 이러한 기술을 전략적으로 활용하여 전반적인 재창조를 위한 기반을 마련하는 것이 중요합니다.

가치를 위한 가설수립과 예상 활용 사례로 시작하기

생성형 AI의 잠재력을 극대화하기 위해서는 우선 가치를 위한 가설수립을 명확히 하는 것이 필수적입니다. 이는 생성형 AI의 효과를 평가하고 성공적인 전략을 수립하는 데 있어 첫 번째 단계입니다.

^{출처: PwC and Strategy& analysis}

이 과정은 과거에 회사가 디지털 전환 노력을 어디서 시작할지 결정할 때 수행한 평가와 본질적으로 유사합니다. 핵심은 가장 큰 가치를 창출할 수 있는 영역을 식별하고, 생성형 AI가 이 가치를 얼마나 더 증대시킬 수 있을지를 평가하는 것입니다.

물론 각 회사마다 생성형 AI의 가치 원천은 다를 수 있습니다. 그러나 우리의 분석은 각 산업별로 탐색을 시작할 지점을 제시합니다. 많은 산업에서 판매 및 마케팅, 그리고 핵심 서비스 제공(예: 민간 의료에서의 환자 치료)은 생성형 AI가 가장 큰 가치를 창출할 수 있는 주요 분야입니다. 그러나 세부적인 접근 방식은 산업에 따라 다를 수 있습니다. 예를 들어, 연구 개발에 생성형 AI를 적용함으로써 상당한 가치를 창출할 수 있는 분야가 있습니다. 제약 산업에서는 연구 개발(R&D)에서 생성형 AI의 가치 잠재력의 절반 이상을 실현할 수 있으며, 이는 약물 발견 개선 등에서 두드러집니다. 반면, 소프트웨어 회사와 같은 초기 도입자들은 연구 개발과 판매 및 마케팅에서 각각 약 40%의 가치를 얻을 수 있습니다.

도입의 용이성을 고려하여 우선순위를 설정하는 것은 필수적입니다. 실질적인 실행가능성은 모델 커스터마이징 수준, 규제 장벽, 문화적 준비상태 등 여러 요소에 의해 좌우될 수 있습니다. 이 단계를 간과하면 이점을 놓치거나 심각한 문제를 초래할 수 있습니다.

예를 들어, 한 금융 서비스 회사는 고객 서비스 챗봇을 도입한 후, 챗봇이 부정확한 응답을 생성하는 ‘환각(hallucination)’ 문제로 인해 서비스를 중단해야 했습니다. 이는 신뢰성 있는 AI 프레임워크 없이 솔루션을 개발했음을 의미하며,  시스템이 편향되거나 부정확한 응답을 생성할 가능성을 미리 조사하고 대비하는 레드 팀(red teaming) 활동이 부족했던 것이 직접적인 원인이었습니다.

^{참고: 생성형 AI 구축 및 운영 비용은 포함되지 않았습니다. 표시된 백분율은 반올림으로 인해 총합이 100이 되지 않을 수 있습니다. 
출처: S&P Capital IQ data with PwC and Strategy& analysis}

플라이휠을 가동하기 위한 패턴 찾기

회사의 주요 적용 사례를 정리한 후에는 패턴을 식별하는 것이 중요합니다. 어떤 적용 사례들이 동일한 모델과 도구를 활용할 수 있는지 파악하는 과정이 필요합니다. 많은 회사가 이 단계를 간과하는데, 이는 장기적으로 기술적인 문제를 누적시키고, 기술적 제약으로 인해 다른 적용 사례를 지원하지 못할 수 있습니다.

그에 반에, 데이터, 모델, 도구가 유연하게 설계되면 추가 적용이 활성화될 수 있습니다. 예를 들어, 정책 정보를 신속하게 찾는 데 도움을 주는 생성형 AI 기반의 도구를 개발하려는 소프트웨어 및 서비스 회사와 협력한 사례가 있습니다. 이러한 어시스턴트는 정책 데이터만 수집하고 임베딩 모델, 벡터 데이터베이스 및 적절한 생성 모델을 적용하여 필요한 경우 핵심 정보를 요약하는 방식으로 별도로 구축될 수 있습니다. 그러나 정보 검색이라는 상위 활용 패턴을 고려하면 정책 데이터만을 활용하는 것 뿐만 아니라 다른 검색이 필요한 분야까지 포괄하는 어시스턴트를 만드는 것이 더 유용하다는 것을 알 수 있었습니다. 이는 더 넓은 범위의 비정형 데이터에 대해 데이터 모델을 생성하는 것이 고객 서비스, 영업 및 마케팅 전반에 걸쳐 다양한 부가가치를 창출하는 적용 사례를 가능하게 합니다. 현재 이 회사는 중복된 기술과 추가 자원을 사용하여 별도로 구축하는 대신 동일한 데이터 모델과 아키텍처를 사용하여 많은 제품을 구축하고 있으며, 이는 운영 모델의 진정한 혁신으로 가는 길을 열어주는 플라이휠을 작동시키는 데 도움이 되고 있습니다.

미래를 준비하며, 모든 회사의 목표는 생성형 AI의 생산성 향상 효과를 극대화하고 기존 패러다임을 초월하는 것입니다. 일부 산업에서는 이미 혁신 초기 신호가 나타나고 있으며, 다른 산업들도 곧 광범위한 변화를 겪을 것으로 예상됩니다. 조사결과는 리더들이 이러한 변화를 인식하고, 변화를 통해 기업을 선도해야 할 필요성을 깨닫고 있음을 보여줍니다.

도전과 기회는 단순한 자동화나 개별 솔루션의 한계를 넘어서는 데 있습니다. 광범위한 패턴을 분석하고 이를 기반으로 혁신을 주도하는 기업이 미래를 선도합니다. 이러한 접근은 변화의 흐름을 주도하고, AI 중심의 미래에서 새로운 산업 표준을 설정하는 데 중요한 역할을 할 것입니다.