AIRR: AI Readiness and Roadmap AI 기반 미래에 대비하는 통신업계를 위한 지침

Kearney Insight

2024.06.10

본 가치 제안의 목적

AI 전략 수립에 대한 시급성 강조

잘못된 우선순위 설정은 AI1 추진력을 떨어뜨리는 결과를 초래한다. 기업이 최대의 투자 효과를 이끌어 내기 위해서는 전략적으로 우선순위를 정해야 하며, 엄격한 방법론을 채택하는 것이 중요하다. AI 선도 기업들은 이미 IT 지출의 12~15%를 AI에 투자하고 있으며, 3~5년 안에 AI 관련 지출을 6배로 늘릴 것으로 예상된다. 명확한 AI 계획을 가진 선도기업과 후발주자 간에는 규모와 역량 면에서 큰 격차가 발생하고 있다. 따라서 지금이 바로 행동할 적기이며 그 핵심은 이에 대한 전략을 신중하게 수립하는 것에 있다.

AI 전략 및 로드맵 계획의 핵심에 대한 설명
이사회와 최고 경영진이 AI 전략과 계획을 수립할 때 네 가지 중요한 요소를 고려해야 한다.

THINK(사고): AI를 활용하여 의미 있는 가치를 얻을 수 있는 이니셔티브를 파악해야 한다.
BUILD(구축): 빠른 혁신을 위해 필요한 기술과 데이터 관련 결정을 내려야 한다.
SCALE(확장): 조직 전체에 AI를 확장하는 운영 모델을 설계해야 한다.
GOVERN(관리): AI와 관련하여 발생할 수 있는 위험과, 책임있는 AI 사용을 포함하는 관리방식에 대해 고심해야 한다.

AI 비전의 성공적 수립 및 AI 전략 프로그램 실행 방법 강조
AI 성숙도를 동종 업계와 비교, 평가하여 현재와 미래 상태 간의 격차를 파악해야 한다.
그리고 비즈니스에 어느 정도 영향을 미치는지, 구현하기에 얼마나 용이한지에 따라서 우선순위를 정한 사례를 적용해야 한다. 그 다음으로는 ROI2에 초점을 맞춰 투자를 개발하고 가치 실현 로드맵을 구축한다. 장기적인 성공을 위해 데이터, 기술 및 운영 모델 디자인에서 핵심 AI 활성화 요소를 파트너십을 통해 강화해야 한다.

1. 통신 기업들이 AI 전략을 개발해야 하는 시급한 이유

AI 준비가 필요한 이유는 빠르게 진행되고 있는 경쟁에서 뒤처지지 않기 위해서이다.

► 현재 선도 통신 기업의 AI 투자 규모(매출의 약 0.6~0.9%에 해당)

► 향후 3~5년 내 AI 지출의 예상 증가율

► 성장에 시간이 걸리는 전략적 Enabler에 대한 투자가 필요하다.

► 기술 환경이 빠르게 진화하고 있으므로 미래를 예측하여 지금 AI에 대한 준비를 시작해야 한다.

오늘날 AI를 선도하는 기업은 소수에 불과하며 성장할 수 있는 기회는 무궁무진하다.

주요 통신사들이 AI의 투자를 늘려 비즈니스 모델을 변화시키고 있다. AI 전략을 마련할 때다.

주요 통신사들은 IT 비용의 약 12-15%를 AI 기술에 투자하고 있다.

미국, 유럽, APAC 지역의 주요 통신사들의 AI에 대한 비용은 IT 비용의 평균 12-15% 또는 매출의 약 0.6-0.9% 정도이다.
AI 인재 확보에 드는 인력 비용은 AI 비용의 약 35에서 50%를 차지한다.
데이터 저장 및 컴퓨팅 비용은 AI 비용의 약 25%에서 40%를 차지한다.
3~5년 안에 AI로 인한 비용은 약 6배 증가할 것으로 예상된다.

고객 서비스와 생산성 향상이 주요 우선 사항으로 떠오르고 있다.

고 객 서 비스(주로 고객 콜센터)와 생산성과 관련한 사례는 현재 가장 널리 채택되고 있는 AI 활용 사례이다. 특히, Gen AI와 LLMs1(언어 모델)과 같은 기술의 성숙도가 큰 영향을 미치고 있다.
고객 콜센터는 주로 자연어를 이해하는 기술(NBA2), 에이전트를 돕는 기술, 그리고 스마트하게 고객을 안내하는 기술에 집중하고 있다. 생산성 측면에서는 협력하는 기술, 인사 및 재무 운영을 최적화하는 기술, 통찰력을 제공하는 기술에 주목하고 있다.

다음으로 다가올 투자는 네트워크 및 AI 기반 영업에 중점을 두고 있다.

통신사의 사용 사례 중 약 30% 이상이 AIOps(자가 치유), 에너지 관리 및 계획과 같은 분야의 네트워크에 초점을 맞추고 있다.
전체 사용 사례 중 약 20% 이상이 판매 결정 동인을 파악하는 부분에서 AI를 사용하여 신규 고객을 유치하고, 크로스셀링/업셀링을 증가시키며, 이탈을 예방하는 데 집중하고 있다.

장기적인 AI 성공을 위해 데이터 및 기술 기반 강화에 대한 투자가 증가하고 있다.

통신사들은 특정 업체에 의존하지 않고 여러 업체와 파트너십을 맺어 협력하며 다양한 혁신을 추구하고 있다.
통신사들은 데이터 품질을 업그레이드하기 위한 투자를 강화하고 있다. 예를 들어, 데이터 카탈로그 작성, PDF 문서에서의 데이터 추출, 데이터 분류와 같은 작업에 AI가 활용되고 있다.

통신사들은 고용 및 교육을 통해 조직의 AI 역량을 개선하는 데 투자하고 있다.

통신사 임원의 60% 이상이 자신들의 조직이 AI에 준비되지 않은 상태라고 응답했다.
AI/ML3 기술을 구축하기 위한 리스킬링/업스킬링 프로그램에 대한 투자가 이루어지고 있다. 예를 들어, 로우코드/노코드와 같은 도구를 활용하고, 프롬프트 엔지니어링을 통해 기술을 강화하고 있다.

AI 시스템이 리스크를 최소화하고 안전하게 운영하기 위해 거버넌스 체계를 강화하고 있다.

기업 전반에 걸쳐 책임 있는 AI 원칙과 AI 신뢰 및 위험도 평가를 위한 포럼이 설립되어 있으며, 이는 기업에게 필수 사항이 되었다.
전 세계 통신사들은 신흥 AI 규제에 대비하여 리스크 평가 프레임워크를 도입하여 선제적인 대응을 위한 준비를 하고 있다.

1 LLM=Large Language Model, 대형 언어 모델; 2 NBA=Next Best Action; 3 ML=Machine Learning
Source: Kearney, expert interviews, secondary research

AI는 통신사의 비즈니스 모델의 모든 부분에 영향을 미칠 수 있는 잠재력을 갖고 있다.

거시적 관점에서 신속하게 AI 투자의 의사결정을 내리지 않으면 많은 비용이 발생할 수 있다.

잘못된 이니셔티브의 우선순위

AI에 대한 이니셔티브는 광범위하고 심층적이어야 하며 그 우선순위는 단순히 문서로 정리하는 것에서 그치지 않고, 다양한 요소를 고려해야 한다.
단순히 경쟁사를 따라잡기 위함이 아닌 자사의 경쟁 우위를 확보하는 데 초점을 맞춰 우선순위를 설정해야 한다.

디지털 성숙도의 한계

AI를 구현하려면 일정 수준의 정교함이 필요하다. (특히 클라우드 기반 도구의 경우)
AI로 인한 성과를 실현시키기 위해서는 적절한 자원 배분, 운영 모델 구축, 조직문화가 뒷받침되어야 한다.

데이터 품질 및 인프라의 부족

데이터 품질이 낮으면 개선 비용이 많이 발생하며, AI 시스템의 정확도에 부정적인 영향을 미칠 수 있다.
투자 비용 대비 효과를 높이기 위해, 기존 인프라에 통합할 부분과 새롭게 인프라를 구축해야 하는 부분을 결정하는 것이 중요하다.

개인정보 보호 및 보안 간과

기업들은 데이터를 적절히 보호하고, AI를 윤리적으로 사용하기 위해 고군분투하고 있다.
규제적인 측면은 여전히 진화 중이며 많은 산업에서 명확한 지침이 부족한 상황이다.

이러한 함정들은 AI 도입을 늦추는 위험 요인이 된다.

2. 효과적인 AI 전략과 로드맵 수립

AI 전략 프로젝트를 구현하는 검증된 방법론인 Kearney의 AIRR

AI 비전
글로벌 통신 분야에서 세 가지 새로운 AI 비전 유형이 전략 형성에 중요한 역할 수행

THINK
AI통신 산업 전반에 걸쳐 AI 적용범위 확장 및 비즈니스 모델에 미치는 영향력 증대

비즈니스 영향 및 구현 용이성에 따라 우선순위 설정 이니셔티브 제공

BUILD
다양한 공급 업체와의 협력 및 고품질 데이터 활용을 통한 혁신 촉진 요소 탐색

기회

여러 기술 파트너십과 기술 스택 간소화(상호 운용성)를 통해 혁신을 촉진한다.
AI를 활용하여 데이터 카탈로그를 구축하고, 정확한 정보를 담은 단일 출처를 만들어 데이터 품질을 향상시키고 있다. 또한 자동화를 통해 데이터에 쉽게 접근할 수 있다.

동인

개발 초기 단계의 AI는 플레이어 간 파트너십에 매우 중요하다.
빠르게 발전하는 기술로 인해 AI 기술 스택의 확장성 및 단순화를 고려하는 계획이 중요해졌다.
AI 기술은 데이터 카탈로그 작업을 빠르게 진행하고, 비구조화된 데이터의 품질을 높일 수 있다.
AI 이니셔티브를 시장에 더 빠르게 내놓기 위해 중요한 것은 중앙 데이터 저장소를 구축하고, 데이터에 쉽게 접근할 수 있도록 자동화하는 것이다.

글로벌 사례

ANZ 은행은 여러 기술 파트너를 허용하기 위해 상호 운용성 레이어를 구축했다.
AI 플랫폼 및 소프트웨어 비용의 5~10% 수준으로 최적화(초기 투자 비용 약 200만~300만 달러)
글로벌 대기업들은 AI를 활용하여 데이터 품질을 향상하고 데이터 액세스를 자동화하고 있다.
AT&T는 AI 전략을 강화하기 위해 '데이터 피처 스토어'를 만드는 데 투자했다.

Source: Expert interviews; Kearney

SCALE
회사 전반에 걸친 규모 확장 가능, AI 활용 범위 확장을 위한 연합 운영 모델 추천

AI/ML 인재 풀 구축을 위한 방법 3가지

► AI/ML 인재 풀을 구축하는 3가지 방식

AI 리터러시 프로그램

로우코드/노코드, 프롬프트 엔지니어링 등 AI/ML 기술을 유기적으로 구축하기 위한 리스킬링/업스킬링 프로그램을 설계한다.
Telia는 Hyper-Scaler와 함께 조직 내 약 10%를 위한 AI 부트캠프를 구축했다.

인수를 통한 채용

회사 인수를 통해 AI/ML/디지털 분야의 인재를 확보하여 하나의 중앙 인재 풀에 배치한다.
Telefonica는 2015년 Synergy Partners, 2021년 Altostratus Consulting, 2022년 Incremental을 인수하면서 핵심 데이터 및 AI 팀을 구축했다.

10x 인재 선발

빅 테크 기업의 AI/ML 전문 인재 풀에서 슈퍼스타 인재를 고용하는 것이다.
Verizon은 AI/ML 리더십 팀을 강화하기 위해 구글, 마이크로소프트, 메타의 리더 2~3명을 영입했다.
AT&T는 유사한 빅테크 배경을 가진 데이터 사이언티스트를 고용했다.

► 아시아 태평양 지역의 통신사가 말하는 새로운 시대의 AI 역할

GOVERN
목표 지향적 거버넌스 프로그램으로 책임감 있는 AI 분야에 조기 투자하는 것이 바람직

새로운 규제 프레임워크는 AI/ML 시스템을 고위험으로 분류

► 새로운 규제 프레임워크(EU)

► 고위험 시스템 대응 사례

Telefonica: LLM 챗봇을 조정하기 위해 데이터셋을 신중하게 선별하고 응답 옵션 제한

고객 대면 LLM 챗봇은 편견과 환각의 위험이 있으며, PII1 데이터 사용으로 인해 위험성이 더 높다.
Telefonica는 자사의 LLM 증강 챗봇에 대해 데이터셋을 신중하게 선택하고 응답을 제한하는 접근을 취하고 있다.

Australian Bank: 기술 스택의 일부로 사용자 접근 및 데이터 흐름을 모니터링하는 보안 기능 구축

감사 추적, 사용자 액세스 및 데이터 모니터링을 위한 기술적인 시스템이나 구조에 대한 표준을 정의하고 적용하기 위한 플랫폼을 만들었다.
고객을 대상으로 하는 챗봇이 실험되고 있지만 조정과 결과물에 엄격한 가이드라인이 적용되고 있다. (예: 도덕적으로 부적절한 답변을 제공해서는 안 됨)

3. 커니의 접근 방식

조직 전반에 걸쳐 AI를 확장에 필요한 전략을 개발하기 위해 활동 단위 조직화