제너레이티브 AI의 경제적 잠재력: 차세대 생산성 프론티어 2023년 6월 14일| 보고서

[힘힘]

제너레이티브 AI의 경제적 잠재력: 차세대 생산성 프론티어

2023년 6월 14일| 보고서

The economic potential of generative AI: The next productivity frontier

제너레이티브 AI는 차세대 생산성을 촉발할 준비가 되어 있습니다. 비즈니스 가치가 발생할 수 있는 위치와 인력에 대한 잠재적 영향을 먼저 살펴봅니다.

AI 는 스마트폰을 구동하는 기술부터 자동차의 자율 주행 기능, 소매업체가 소비자를 놀라게 하고 기쁘게 하기 위해 사용하는 도구에 이르기까지 모든 것을 통해 점차 우리 삶에 스며들었습니다 . 결과적으로 그 진전은 거의 눈에 띄지 않았습니다. DeepMind가 개발한 AI 기반 프로그램인 AlphaGo가 2016년 세계 챔피언 바둑 선수를 물리친 것과 같은 명확한 이정표는 축하받았지만 대중의 의식에서 빠르게 사라졌습니다.

ChatGPT Copilot, Stable Diffusion 등과 같은 생성 AI 애플리케이션은 AlphaGo가 제공하지 못한 방식으로 전 세계 사람들의 상상력을 사로 잡았습니다. 사용자와의 대화. 최신 생성 AI 애플리케이션은 데이터 재구성 및 분류와 같은 다양한 일상적인 작업을 수행할 수 있습니다. 그러나 헤드라인을 장식하고 소비자와 가정이 스스로 실험하도록 설득한 것은 텍스트를 쓰고, 음악을 작곡하고, 디지털 예술을 창조하는 그들의 능력입니다. 그 결과 더 많은 이해관계자들이 제너레이티브 AI가 비즈니스와 사회에 미치는 영향과 씨름하고 있지만 이를 이해하는 데 도움이 되는 컨텍스트는 많지 않습니다.

사이드바

저자 소개

생성 AI 기술이 발전하는 속도는 이 작업을 더 쉽게 만들지 않습니다. ChatGPT는 2022년 11월에 출시되었습니다. 4개월 후 OpenAI는 기능이 현저히 향상된 GPT-4라는 새로운 대규모 언어 모델(LLM)을 출시했습니다.1마찬가지로 2023년 5월까지 Anthropic의 생성 AI인 Claude는 1분에 약 75,000단어에 해당하는 100,000개의 텍스트 토큰을 처리할 수 있었습니다. 이는 2023년 3월에 도입되었을 때 약 9,000개의 토큰과 비교됩니다.2그리고 2023년 5월 Google은 Search Generative Experience와 다른 Google 제품 중에서 Bard 챗봇을 구동할 PaLM 2라는 새로운 LLM을 포함하여 생성 AI로 구동되는 몇 가지 새로운 기능을 발표했습니다.삼

앞으로 일어날 일을 파악하려면 수십 년 동안 생성 AI의 부상을 가능하게 한 혁신에 대한 이해가 필요합니다. 이 보고서의 목적을 위해 생성 AI를 일반적으로 기반 모델을 사용하여 구축된 애플리케이션으로 정의합니다. 이 모델에는 인간의 뇌에 연결된 수십억 개의 뉴런에서 영감을 얻은 광범위한 인공 신경망이 포함되어 있습니다. 기초 모델은 신경망 내의 많은 심층 계층을 암시하는 용어인 심층 학습이라고 하는 것의 일부입니다. 딥 러닝은 최근 AI의 많은 발전을 지원했지만, 생성 AI 애플리케이션을 지원하는 기반 모델은 딥 러닝 내에서 단계적으로 진화한 것입니다. 이전 딥 러닝 모델과 달리 매우 크고 다양한 비정형 데이터 세트를 처리하고 둘 이상의 작업을 수행할 수 있습니다.

기초 모델은 이미지, 비디오, 오디오 및 컴퓨터 코드를 포함한 광범위한 양식에 걸쳐 새로운 기능을 활성화하고 기존 기능을 크게 개선했습니다. 이러한 모델에서 훈련된 AI는 여러 기능을 수행할 수 있습니다. 다른 작업 중에서 분류, 편집, 요약, 질문에 답하고 새 콘텐츠의 초안을 작성할 수 있습니다.

우리 모두는 생성 AI의 힘, 범위 및 기능을 이해하기 위한 여정의 시작점에 있습니다. 이 연구는 이 새로운 AI 시대의 영향을 평가하기 위한 최신 연구입니다. 이는 제너레이티브 AI가 영업 및 마케팅, 고객 운영, 소프트웨어 개발과 같은 기능 전반에서 역할을 변화시키고 성과를 높일 준비가 되어 있음을 시사합니다. 그 과정에서 은행에서 생명과학에 이르는 전 분야에 걸쳐 수조 달러의 가치를 창출할 수 있습니다. 다음 섹션에서는 초기 결과를 공유합니다.

이 보고서의 전체 버전을 보려면 PDF를 다운로드하십시오 .

주요 통찰력

생성 AI가 생산성에 미치는 영향은 세계 경제에 수조 달러의 가치를 추가할 수 있습니다. 우리의 최신 연구는 생성 AI가 우리가 분석한 63개의 사용 사례에 걸쳐 연간 2조 6000억 달러에서 4조 4000억 달러에 해당하는 금액을 추가할 수 있다고 추정합니다. 그에 비해 2021년 영국의 전체 GDP는 3조 1000억 달러였습니다. 이것은 모든 인공 지능의 영향을 15~40%까지 증가시킬 것입니다. 이러한 사용 사례 이외의 다른 작업에 현재 사용되는 소프트웨어에 생성 AI를 내장하는 영향을 포함하면 이 추정치는 대략 두 배가 될 것입니다.

생성적 AI 사용 사례가 제공할 수 있는 가치의 약 75%는 고객 운영, 마케팅 및 영업, 소프트웨어 엔지니어링 및 R&D의 네 가지 영역에 걸쳐 있습니다. 16개의 비즈니스 기능에 걸쳐 기술이 하나 이상의 측정 가능한 결과를 생성하는 방식으로 특정 비즈니스 문제를 해결할 수 있는 63개의 사용 사례를 조사했습니다. 예를 들어 고객과의 상호 작용을 지원하고, 마케팅 및 판매를 위한 창의적인 콘텐츠를 생성하고, 자연어 프롬프트를 기반으로 컴퓨터 코드 초안을 작성하는 생성 AI의 기능 등이 있습니다.

가장 인기 있는 인사이트

1. 아프리카의 경제 성장 재구상: 다양성을 기회로 전환
2. 모든 CEO가 생성 AI에 대해 알아야 할 사항
3. 제너레이티브 AI와 HR의 미래
4. '창작 과정은 엄청나게 예측할 수 없습니다. 훌륭한 아이디어는 예측할 수 없다'
5. 당신의 직장은 유연근무제를 준비하고 있나요? 설문 조사는 단서를 제공합니다

제너레이티브 AI는 모든 산업 분야에 상당한 영향을 미칠 것입니다. 은행, 첨단 기술 및 생명 과학은 생성 AI의 수익 비율이 가장 큰 영향을 미칠 수 있는 산업 중 하나입니다. 예를 들어 은행 업계에서 이 기술은 사용 사례가 완전히 구현될 경우 매년 추가로 2,000억 달러에서 3,400억 달러에 해당하는 가치를 제공할 수 있습니다. 소매 및 소비재 제품의 잠재적 영향은 연간 4,000억 달러에서 6,600억 달러로 상당합니다.

제너레이티브 AI는 개별 활동의 일부를 자동화하여 개별 작업자의 역량을 강화하여 작업의 해부 구조를 변경할 수 있는 잠재력을 가지고 있습니다. 현재의 생성 AI 및 기타 기술은 오늘날 직원 시간의 60~70%를 차지하는 작업 활동을 자동화할 수 있는 잠재력을 가지고 있습니다. 대조적으로 우리는 이전에 기술이 직원들이 일하는 시간의 절반을 자동화할 수 있는 잠재력을 가지고 있다고 추정했습니다. 기술 자동화의 잠재력이 가속화되는 것은 주로 총 작업 시간의 25%를 차지하는 업무 활동에 필요한 자연어 이해 능력이 제너레이티브 AI의 향상에 기인한다. 따라서 생성적 AI는 다른 유형의 작업보다 임금 및 교육 요구 사항이 높은 직업과 관련된 지식 작업에 더 많은 영향을 미칩니다.

The pace of workforce transformation is likely to accelerate, given increases in the potential for technical automation. Our updated adoption scenarios, including technology development, economic feasibility, and diffusion timelines, lead to estimates that half of today’s work activities could be automated between 2030 and 2060, with a midpoint in 2045, or roughly a decade earlier than in our previous estimates.

Generative AI can substantially increase labor productivity across the economy, but that will require investments to support workers as they shift work activities or change jobs. Generative AI could enable labor productivity growth of 0.1 to 0.6 percent annually through 2040, depending on the rate of technology adoption and redeployment of worker time into other activities. Combining generative AI with all other technologies, work automation could add 0.2 to 3.3 percentage points annually to productivity growth. However, workers will need support in learning new skills, and some will change occupations. If worker transitions and other risks can be managed, generative AI could contribute substantively to economic growth and support a more sustainable, inclusive world.

The era of generative AI is just beginning. Excitement over this technology is palpable, and early pilots are compelling. But a full realization of the technology’s benefits will take time, and leaders in business and society still have considerable challenges to address. These include managing the risks inherent in generative AI, determining what new skills and capabilities the workforce will need, and rethinking core business processes such as retraining and developing new skills.

비즈니스 가치가 있는 곳

Generative AI is a step change in the evolution of artificial intelligence. As companies rush to adapt and implement it, understanding the technology’s potential to deliver value to the economy and society at large will help shape critical decisions. We have used two complementary lenses to determine where generative AI, with its current capabilities, could deliver the biggest value and how big that value could be (Exhibit 1).

전시회 1

We strive to provide individuals with disabilities equal access to our website. If you would like information about this content we will be happy to work with you. Please email us at: McKinsey_Website_Accessibility@mckinsey.com

The first lens scans use cases for generative AI that organizations could adopt. We define a “use case” as a targeted application of generative AI to a specific business challenge, resulting in one or more measurable outcomes. For example, a use case in marketing is the application of generative AI to generate creative content such as personalized emails, the measurable outcomes of which potentially include reductions in the cost of generating such content and increases in revenue from the enhanced effectiveness of higher-quality content at scale. We identified 63 generative AI use cases spanning 16 business functions that could deliver total value in the range of $2.6 trillion to $4.4 trillion in economic benefits annually when applied across industries.

That would add 15 to 40 percent to the $11 trillion to $17.7 trillion of economic value that we now estimate nongenerative artificial intelligence and analytics could unlock. (Our previous estimate from 2017 was that AI could deliver $9.5 trillion to $15.4 trillion in economic value.)

Our second lens complements the first by analyzing generative AI’s potential impact on the work activities required in some 850 occupations. We modeled scenarios to estimate when generative AI could perform each of more than 2,100 “detailed work activities”—such as “communicating with others about operational plans or activities”—that make up those occupations across the world economy. This enables us to estimate how the current capabilities of generative AI could affect labor productivity across all work currently done by the global workforce.

이러한 영향 중 일부는 위에서 설명한 사용 사례 분석의 비용 절감과 겹칠 것이며, 이는 노동 생산성 향상의 결과라고 가정합니다. 이러한 중첩을 제외하면 이러한 사용 사례를 넘어서는 제너레이티브 AI의 추가적인 경제적 이점(또는 기술이 지식 근로자의 활동에 적용될 때 구체화될 가능성이 있는 생산성의 많은 작은 증가)은 연간 6조 1천억 달러에서 7조 9천억 달러에 달합니다. (전시 2).

전시회 2

우리는 장애가 있는 개인이 우리 웹사이트에 동등하게 접근할 수 있도록 노력합니다. 이 콘텐츠에 대한 정보를 원하시면 기꺼이 도와드리겠습니다. McKinsey_Website_Accessibility@mckinsey.com 으로 이메일을 보내주십시오.

공유하다

사이드바

제너레이티브 AI 사용 사례의 가치 잠재력을 추정한 방법

생성 AI는 흥미롭고 빠르게 발전하는 기술이지만 이전 보고서에서 논의된 AI의 다른 응용 프로그램은 계속해서 AI의 전체 잠재적 가치의 대부분을 설명합니다. 기존의 고급 분석 및 기계 학습 알고리즘은 예측 모델링과 같은 수치 및 최적화 작업을 수행하는 데 매우 효과적이며 다양한 산업 분야에서 계속해서 새로운 응용 프로그램을 찾고 있습니다. 그러나 제너레이티브 AI가 계속 발전하고 성숙해짐에 따라 창의성과 혁신에서 완전히 새로운 지평을 열 가능성이 있습니다. 이미 AI가 전반적으로 달성할 수 있는 가능성을 확장했습니다(사이드바 "생성 AI 사용 사례의 가치 잠재력을 추정한 방법" 참조).

이 섹션에서는 비즈니스 기능 전반에 걸쳐 생성 AI의 가치 잠재력을 강조합니다.

생성 AI는 대부분의 비즈니스 기능에 영향을 미칠 수 있습니다. 그러나 기능 비용의 일부로 기술의 영향으로 측정할 때 몇 가지가 두드러집니다(표 3). 16개 비즈니스 기능을 분석한 결과 고객 운영, 마케팅 및 영업, 소프트웨어 엔지니어링, 연구 개발 등 제너레이티브 AI 사용 사례의 총 연간 가치의 약 75%를 차지할 수 있는 4개 기능만 식별했습니다.

전시 3

우리는 장애가 있는 개인이 우리 웹사이트에 동등하게 접근할 수 있도록 노력합니다. 이 콘텐츠에 대한 정보를 원하시면 기꺼이 도와드리겠습니다. McKinsey_Website_Accessibility@mckinsey.com 으로 이메일을 보내주십시오.

특히, 제조 및 공급망 기능을 포함하여 이전 AI 사용 사례 크기 조정에서 두드러졌던 여러 기능에 대한 생성 AI 사용의 잠재적 가치가 훨씬 낮아졌습니다.4이는 이전 AI 응용 프로그램의 주요 가치 동인이었던 대부분의 수치 및 최적화 응용 프로그램을 제외하는 생성 AI 사용 사례의 특성으로 크게 설명됩니다.

생성적 AI가 기능별 사용 사례에서 제공할 수 있는 잠재적 가치 외에도 이 기술은 내부 지식 관리 시스템을 혁신하여 전체 조직에서 가치를 창출할 수 있습니다. 제너레이티브 AI의 인상적인 자연어 처리 명령은 직원들이 사람에게 질문하고 지속적인 대화에 참여하는 것과 같은 방식으로 쿼리를 공식화하여 저장된 내부 지식을 검색하는 데 도움을 줄 수 있습니다. 이를 통해 팀은 관련 정보에 빠르게 액세스할 수 있으므로 정보에 입각한 의사 결정을 신속하게 내리고 효과적인 전략을 개발할 수 있습니다.

2012년 McKinsey Global Institute(MGI)는 지식 근로자가 정보 검색 및 수집에 근무 시간의 약 5분의 1, 즉 매주 하루를 보내는 것으로 추정했습니다. 생성 AI가 이러한 작업을 수행하여 작업을 수행하는 작업자의 효율성과 효율성을 높일 수 있다면 그 이점은 엄청날 것입니다. 이러한 가상 전문가는 자연어로 저장된 방대한 기업 정보 라이브러리를 빠르게 "읽고" 연구를 미세 조정하고 맞춤화하는 데 도움을 주는 사람과의 대화에서 소스 자료를 빠르게 스캔할 수 있습니다. 일.

다른 경우에, 생성적 AI는 작업자와 협력하여 생산성을 가속화하는 방식으로 작업을 강화함으로써 가치를 창출할 수 있습니다. 엄청난 양의 데이터를 빠르게 소화하고 그로부터 결론을 도출하는 능력을 통해 이 기술은 지식 작업을 획기적으로 향상시킬 수 있는 통찰력과 옵션을 제공할 수 있습니다. 이를 통해 제품 개발 프로세스의 속도를 크게 높이고 직원이 더 중요한 작업에 더 많은 시간을 할애할 수 있습니다.

다음은 생성 AI가 63개의 생성 AI 사용 사례 분석에서 식별한 잠재적 가치의 대부분을 제공할 수 있는 비즈니스 기능 전반의 소수 사용 사례에서 운영상의 이점을 생성할 수 있는 방법에 대한 네 가지 예입니다. 처음 두 예에서는 가상 전문가 역할을 하고 다음 두 예에서는 가상 협력자 역할을 합니다.

고객 운영: 고객 및 상담원 경험 개선

다음 섹션으로 계속

공유하다

Generative AI는 전체 고객 운영 기능을 혁신하여 디지털 셀프 서비스를 통해 고객 경험과 상담원 생산성을 개선하고 상담원 기술을 향상 및 강화할 수 있는 잠재력을 가지고 있습니다. 이 기술은 자연어를 사용하여 고객과의 상호 작용을 자동화하는 기능으로 인해 이미 고객 서비스 분야에서 주목을 받고 있습니다. 연구에 따르면 5,000명의 고객 서비스 에이전트가 있는 한 회사에서 제너레이티브 AI를 적용한 결과 시간당 문제 해결이 14% 증가하고 문제 처리 시간이 9% 단축되었습니다.1또한 에이전트 감소 및 관리자와의 대화 요청을 25% 줄였습니다. 결정적으로, 생산성과 서비스 품질은 경험이 적은 상담원 사이에서 가장 많이 개선된 반면, AI 도우미는 고도로 숙련된 상담원의 생산성과 품질 메트릭을 증가시키지 않았고 때로는 감소시켰습니다. 이는 AI 지원이 숙련도가 높은 상담원과 유사한 기술을 사용하여 경험이 적은 상담원이 의사소통하는 데 도움이 되었기 때문입니다.

다음은 특정 사용 사례에 대해 생성 AI가 가질 수 있는 운영 개선의 예입니다.

• 고객 셀프 서비스. 제너레이티브 AI 기반 챗봇은 고객의 언어나 위치에 관계없이 복잡한 고객 문의에 즉각적이고 개인화된 응답을 제공할 수 있습니다. 제너레이티브 AI는 자동화된 채널을 통해 상호 작용의 품질과 효율성을 개선함으로써 더 높은 비율의 고객 문의에 대한 응답을 자동화할 수 있어 고객 관리 팀이 상담원만 해결할 수 있는 문의를 처리할 수 있습니다. 우리의 연구에 따르면 북미 지역의 은행, 통신 및 유틸리티 회사에서 이루어진 고객 접촉의 약 절반이 이미 AI를 포함하지만 전적으로는 아닌 기계에 의해 처리되고 있습니다. 우리는 제너레이티브 AI가 회사의 기존 자동화 수준에 따라 사람이 서비스하는 연락처의 양을 최대 50%까지 추가로 줄일 수 있을 것으로 추정합니다.
• 최초 연락 중 해결. Generative AI는 회사가 특정 고객에 대해 가지고 있는 데이터를 즉시 검색할 수 있으므로 인간 고객 서비스 담당자가 초기 상호 작용 중에 질문에 보다 성공적으로 답변하고 문제를 해결하는 데 도움이 될 수 있습니다.
• 응답 시간 단축. Generative AI는 실시간으로 지원을 제공하고 다음 단계를 추천함으로써 인간 영업 담당자가 고객에게 응답하는 데 소요되는 시간을 단축할 수 있습니다.
• 판매 증가. 고객 및 검색 기록에 대한 데이터를 신속하게 처리할 수 있기 때문에 이 기술은 고객 선호도에 맞는 제품 제안 및 거래를 식별할 수 있습니다. 또한 생성 AI는 고객 대화에서 통찰력을 수집하고 더 잘할 수 있는 사항을 결정하고 상담원을 코칭하여 품질 보증 및 코칭을 향상할 수 있습니다.

생성적 AI를 고객 관리 기능에 적용하면 현재 기능 비용의 30~45% 범위에서 생산성을 높일 수 있을 것으로 추정됩니다.

우리의 분석은 생성 AI가 고객 운영의 생산성에 미칠 수 있는 직접적인 영향만을 포착합니다. 상담원이 보다 개인화된 도움말 및 권장 사항을 제공할 수 있도록 고객의 컨텍스트를 더 잘 이해하는 것을 포함하여 향상된 경험에서 발생하는 기술이 고객 만족도 및 유지에 미칠 수 있는 잠재적 연쇄 효과를 설명하지 않습니다.

Marketing and sales: Boosting personalization, content creation, and sales productivity

다음 섹션으로 계속

공유하다

제너레이티브 AI는 텍스트 기반 커뮤니케이션과 대규모 개인화가 원동력인 마케팅 및 영업 기능에서 빠르게 자리를 잡았습니다. 이 기술은 브랜드 광고, 헤드라인, 슬로건, 소셜 미디어 게시물 및 제품 설명의 초안 작성과 같은 작업뿐만 아니라 개별 고객의 관심사, 선호도 및 행동에 맞는 개인화된 메시지를 생성할 수 있습니다.

마케팅

마케팅 기능에 생성 AI를 도입하려면 신중한 고려가 필요합니다. 우선, 표절, 저작권 위반 및 브랜드 인식에 대한 충분한 보호 장치 없이 공개적으로 사용 가능한 데이터로 훈련된 수학적 모델은 지적 재산권을 침해할 위험이 있습니다. 가상 체험 응용 프로그램은 제한되거나 편향된 교육 데이터로 인해 특정 인구 통계에 대해 편향된 표현을 생성할 수 있습니다. 따라서 각 회사의 요구 사항에 맞는 개념적 및 전략적 사고에 상당한 인적 감독이 필요합니다.

마케팅에 제너레이티브 AI를 사용함으로써 얻을 수 있는 잠재적인 운영상의 이점은 다음과 같습니다.

• 효율적이고 효과적인 콘텐츠 제작.Generative AI는 아이디어 및 콘텐츠 초안 작성에 필요한 시간을 크게 줄여 귀중한 시간과 노력을 절약할 수 있습니다. 또한 서로 다른 콘텐츠 간에 일관성을 유지하여 일관된 브랜드 보이스, 작성 스타일 및 형식을 보장할 수 있습니다. 팀 구성원은 아이디어를 하나의 응집력 있는 조각으로 통합할 수 있는 생성 AI를 통해 협업할 수 있습니다. 이를 통해 팀은 다양한 고객 세그먼트, 지역 및 인구 통계를 겨냥한 마케팅 메시지의 개인화를 크게 향상시킬 수 있습니다. 대량 이메일 캠페인은 청중에 따라 다양한 이미지와 메시지를 사용하여 필요한 만큼 많은 언어로 즉시 번역할 수 있습니다. 다양한 사양으로 콘텐츠를 생산하는 Generative AI의 능력은 고객 가치, 매력, 전환,
• 향상된 데이터 사용. 제너레이티브 AI는 텍스트, 이미지, 다양한 구조와 같은 추상 데이터 소스를 해석하여 마케팅 기능이 비정형, 일관성 및 연결되지 않은 데이터(예: 서로 다른 데이터베이스에서 가져온)의 문제를 극복하도록 도울 수 있습니다. 마케터가 영역 성과, 합성된 고객 피드백, 고객 행동과 같은 데이터를 더 잘 사용하여 대상 고객 프로필 및 채널 권장 사항과 같은 데이터 기반 마케팅 전략을 생성하는 데 도움이 될 수 있습니다. 이러한 도구는 소셜 미디어, 뉴스, 학술 연구 및 고객 피드백과 같은 구조화되지 않은 데이터에서 추세, 주요 동인, 시장 및 제품 기회를 식별하고 종합할 수 있습니다.
• SEO 최적화. Generative AI는 마케터가 페이지 제목, 이미지 태그, URL과 같은 마케팅 및 영업 기술 구성 요소에 대한 검색 엔진 최적화(SEO)를 통해 더 높은 전환율과 더 낮은 비용을 달성하도록 도울 수 있습니다. 주요 SEO 토큰을 합성하고, SEO 디지털 콘텐츠 제작 전문가를 지원하고, 타겟 콘텐츠를 고객에게 배포할 수 있습니다.
• 제품 검색 및 검색 개인화. 생성 AI를 사용하면 텍스트, 이미지 및 음성의 다중 모드 입력과 고객 프로필에 대한 깊은 이해를 통해 제품 검색 및 검색을 개인화할 수 있습니다. 예를 들어 기술은 개별 사용자 선호도, 행동 및 구매 내역을 활용하여 고객이 가장 관련성 높은 제품을 찾고 개인화된 제품 설명을 생성하도록 도울 수 있습니다. 이를 통해 CPG, 여행 및 소매 회사는 더 높은 웹 사이트 전환율을 달성하여 전자 상거래 판매를 향상시킬 수 있습니다.

우리는 제너레이티브 AI가 총 마케팅 지출의 5~15% 사이의 가치로 마케팅 기능의 생산성을 높일 수 있다고 추정합니다.

마케팅에서 제너레이티브 AI의 잠재적 사용에 대한 우리의 분석은 생산성에 대한 직접적인 영향을 넘어서는 연쇄 효과를 설명하지 않습니다. Generative AI 지원 합성은 더 높은 품질의 데이터 통찰력을 제공하여 마케팅 캠페인 및 더 잘 타겟팅된 고객 세그먼트에 대한 새로운 아이디어로 이어질 수 있습니다. 마케팅 부서는 자체 채널을 위한 고품질 콘텐츠를 제작하는 데 리소스를 전환하여 잠재적으로 외부 채널 및 대행사에 대한 지출을 줄일 수 있습니다.

매상

Generative AI는 또한 B2B 및 B2C 회사가 영업에 접근하는 방식을 바꿀 수 있습니다. 다음은 판매에 대한 두 가지 사용 사례입니다.

• 판매 확률을 높입니다. Generative AI는 정형 및 비정형 데이터에서 포괄적인 소비자 프로필을 생성하고 모든 접점에서 고객 참여를 개선하기 위한 조치를 직원에게 제안함으로써 판매 리드를 식별하고 우선 순위를 지정할 수 있습니다. 예를 들어 생성 AI는 클라이언트 선호도에 대한 더 나은 정보를 제공하여 잠재적으로 성사율을 향상시킬 수 있습니다.
• 리드 개발을 개선합니다. Generative AI는 관련 제품 판매 정보와 고객 프로필을 종합하고 상향 판매 및 교차 판매 요점을 포함하여 고객 대화를 촉진하기 위한 토론 스크립트를 작성하여 판매 담당자가 리드를 육성하도록 도울 수 있습니다. 또한 고객이 인간 판매 에이전트와 직접 상호 작용할 준비가 될 때까지 판매 후속 조치를 자동화하고 리드를 수동적으로 육성할 수 있습니다.

우리의 분석에 따르면 제너레이티브 AI를 구현하면 현재 전 세계 판매 지출의 약 3~5%까지 판매 생산성을 높일 수 있습니다.

이 분석은 생성 AI가 영업 기능에 가져올 수 있는 추가 수익을 완전히 설명하지 못할 수 있습니다. 예를 들어, 리드를 식별하는 생성 AI의 능력과 후속 기능은 새로운 리드를 발견하고 추가 수익을 가져올 더 효과적인 지원을 촉진할 수 있습니다. 또한 제너레이티브 AI의 기능으로 인해 영업 담당자가 절약한 시간은 고품질 고객 상호 작용에 투자되어 판매 성공률이 높아질 수 있습니다.

Software engineering: Speeding developer work as a coding assistant

다음 섹션으로 계속

공유하다

컴퓨터 언어를 또 다른 언어로 취급하면 소프트웨어 엔지니어링에 새로운 가능성이 열립니다. 소프트웨어 엔지니어는 페어 프로그래밍에서 생성 AI를 사용하고 증강 코딩을 수행하고 코드가 수행해야 하는 작업을 설명하는 자연어 프롬프트가 제공될 때 코드를 생성하는 애플리케이션을 개발하도록 LLM을 훈련할 수 있습니다.

소프트웨어 엔지니어링은 대부분의 회사에서 중요한 기능이며 기술 대기업뿐만 아니라 모든 대기업이 다양한 제품 및 서비스에 소프트웨어를 내장함에 따라 계속해서 성장하고 있습니다. 예를 들어, 신차 가치의 상당 부분은 어댑티브 크루즈 컨트롤, 주차 지원, IoT 연결과 같은 디지털 기능에서 나옵니다.

분석에 따르면 AI가 소프트웨어 엔지니어링 생산성에 미치는 직접적인 영향은 기능에 대한 현재 연간 지출의 20~45% 범위일 수 있습니다. 이 가치는 주로 초기 코드 초안 생성, 코드 수정 및 리팩토링, 근본 원인 분석, 새로운 시스템 설계 생성과 같은 특정 활동에 소요되는 시간을 줄임으로써 발생합니다. 코딩 프로세스를 가속화함으로써 제너레이티브 AI는 소프트웨어 엔지니어링에 필요한 기술 세트와 기능을 코드 및 아키텍처 설계에 적용할 수 있습니다. 한 연구에 따르면 Microsoft의 GitHub Copilot을 사용하는 소프트웨어 개발자는 도구를 사용하지 않는 개발자보다 작업을 56% 더 빠르게 완료했습니다.1소프트웨어 엔지니어링 팀에 대한 McKinsey의 내부 실증적 연구에 따르면 생성 AI 도구를 사용하도록 교육받은 사람들은 코드를 생성하고 리팩터링하는 데 필요한 시간을 빠르게 줄였으며 엔지니어는 행복, 흐름 및 성취감이 향상되었다고 언급하면서 더 나은 업무 경험을 보고했습니다.

우리의 분석에서는 제너럴 AI가 코드를 개선하거나 IT 아키텍처를 개선하여 IT 가치 사슬 전반에서 생산성을 향상시킬 수 있어 애플리케이션 품질의 증가와 그에 따른 생산성 향상을 고려하지 않았습니다. 그러나 IT 아키텍처의 품질은 생성 AI의 현재 기능이 생성할 수 있는 초기 초안보다는 여전히 소프트웨어 설계자에게 크게 좌우됩니다.

현재 OpenAI의 GPT-4와 통합된 GitHub Copilot 및 2천만 명 이상의 코더가 사용하는 Replit을 포함하여 대기업은 이미 소프트웨어 엔지니어링을 위한 생성 AI를 판매하고 있습니다.2

Product R&D: Reducing research and design time, improving simulation and testing

다음 섹션으로 계속

공유하다

R&D에서 생성 AI의 잠재력은 아마도 다른 비즈니스 기능에서의 잠재력보다 잘 인식되지 않을 것입니다. 그럼에도 불구하고 우리의 연구에 따르면 이 기술은 전체 R&D 비용의 10~15% 범위의 가치로 생산성을 제공할 수 있습니다.

예를 들어, 생명 과학 및 화학 산업은 제너레이티브 디자인으로 알려진 R&D에서 제너레이티브 AI 기반 모델을 사용하기 시작했습니다. 기초 모델은 후보 분자를 생성하여 신약 및 재료 개발 프로세스를 가속화할 수 있습니다. 생명 공학 제약 회사인 Entos는 생성 AI와 자동화된 합성 개발 도구를 결합하여 소분자 치료제를 설계했습니다. 그러나 더 큰 규모의 물리적 제품 및 전기 회로를 포함하여 다른 많은 제품의 설계에도 동일한 원칙을 적용할 수 있습니다.

다른 제너레이티브 설계 기술은 이미 R&D에 AI를 적용할 수 있는 잠재력을 일부 열어놓았지만 "전통적인" 머신 러닝 사용과 같은 비용 및 데이터 요구 사항으로 인해 적용이 제한될 수 있습니다. 제너레이티브 AI를 뒷받침하는 사전 훈련된 기초 모델 또는 미세 조정으로 향상된 모델은 단일 작업에 최적화된 모델보다 훨씬 더 광범위한 응용 분야를 가지고 있습니다. 따라서 시장 출시 시간을 단축하고 제너레이티브 디자인을 적용할 수 있는 제품 유형을 확장할 수 있습니다. 그러나 현재 기초 모델에는 모든 산업 분야에서 제품을 설계하는 데 도움이 되는 기능이 부족합니다.

제너레이티브 디자인은 후보 설계를 신속하게 생성할 수 있어 생산성이 향상될 뿐만 아니라 제너레이티브 AI가 가져올 수 있는 운영 개선의 다음 예와 같이 설계 자체도 개선할 수 있습니다.

• 향상된 디자인. Generative AI는 제품 설계자가 재료를 보다 효율적으로 선택하고 사용하여 비용을 절감하도록 도울 수 있습니다. 또한 제조를 위한 설계를 최적화하여 물류 및 생산 비용을 절감할 수 있습니다.
• 향상된 제품 테스트 및 품질. 제너레이티브 디자인에 제너레이티브 AI를 사용하면 더 높은 품질의 제품을 생산할 수 있으므로 매력도와 시장 매력이 높아집니다. Generative AI는 복잡한 시스템의 테스트 시간을 줄이고 시나리오를 초안하고 테스트 후보를 프로파일링하는 기능을 통해 고객 테스트와 관련된 시험 단계를 가속화하는 데 도움이 될 수 있습니다.

우리는 또한 비생성 AI에 대한 새로운 R&D 사용 사례를 확인했습니다. 이전 연구 이후 사용이 증가한 딥 러닝 대용은 생성 AI와 짝을 이루어 훨씬 더 큰 이점을 얻을 수 있습니다. 확실히 통합하려면 특정 솔루션의 개발이 필요하지만 딥 러닝 대리자가 생성 AI가 제안한 디자인의 테스트를 가속화할 수 있는 잠재력이 있기 때문에 그 가치는 상당할 수 있습니다.

R&D 기능에 대한 생성 AI의 잠재적 직접적인 영향을 추정했지만 완전히 새로운 제품 범주를 생성할 수 있는 기술의 잠재력을 추정하지는 않았습니다. 이는 개별 기업의 성과뿐만 아니라 전반적인 경제 성장에 단계적 변화를 가져올 수 있는 혁신 유형입니다.

산업 영향

우리가 분석한 63개의 사용 사례에서 생성 AI는 산업 전반에 걸쳐 2조 6,000억 달러에서 4조 4,000억 달러의 가치를 창출할 수 있는 잠재력을 가지고 있습니다. 정확한 영향은 다양한 기능의 혼합과 중요성, 산업 수익 규모와 같은 다양한 요인에 따라 달라집니다(도표 4).

전시 4

We strive to provide individuals with disabilities equal access to our website. If you would like information about this content we will be happy to work with you. Please email us at: McKinsey_Website_Accessibility@mckinsey.com

For example, our analysis estimates generative AI could contribute roughly $310 billion in additional value for the retail industry (including auto dealerships) by boosting performance in functions such as marketing and customer interactions. By comparison, the bulk of potential value in high tech comes from generative AI’s ability to increase the speed and efficiency of software development (Exhibit 5).

전시 5

We strive to provide individuals with disabilities equal access to our website. If you would like information about this content we will be happy to work with you. Please email us at: McKinsey_Website_Accessibility@mckinsey.com

은행 업계에서 제너레이티브 AI는 필수 보고, 규제 개발 모니터링 및 데이터 수집과 같은 위험 관리에서 가치가 낮은 작업을 수행함으로써 인공 지능이 이미 제공한 효율성을 개선할 수 있는 잠재력을 가지고 있습니다. 생명 과학 산업에서 생성 AI는 신약 발견 및 개발에 상당한 기여를 할 준비가 되어 있습니다.

아래에서 이러한 산업에 대한 자세한 분석을 공유합니다.

Generative AI supports key value drivers in retail and consumer packaged goods

다음 섹션으로 계속

공유하다

이 기술은 생산성을 연간 매출의 1.2~2.0% 또는 추가로 4000억~6600억 달러 증가시켜 소매 및 소비재(CPG) 산업에 가치를 창출할 수 있습니다.1프로세스를 간소화하기 위해 제너레이티브 AI는 고객 서비스, 마케팅 및 영업, 재고 및 공급망 관리와 같은 주요 기능을 자동화할 수 있습니다. 기술은 수십 년 동안 소매 및 CPG 산업에서 필수적인 역할을 해왔습니다. 기존의 AI 및 고급 분석 솔루션은 기업이 수많은 SKU, 광범위한 공급망 및 창고 네트워크, 소모품과 같은 복잡한 제품 범주에 걸쳐 방대한 데이터 풀을 관리하는 데 도움이 되었습니다. 또한 산업은 고객을 많이 대면하므로 생성 AI가 기존 인공 지능을 보완할 수 있는 기회를 제공합니다. 예를 들어, 제너레이티브 AI의 제안을 개인화하는 능력은 기존 AI 솔루션에서 이미 처리하고 있는 마케팅 및 영업 활동을 최적화할 수 있습니다. 비슷하게, 생성 AI 도구는 데이터 관리에 탁월하며 기존 AI 기반 가격 책정 도구를 지원할 수 있습니다. 그러한 활동에 제너레이티브 AI를 적용하는 것은 전체 기업에서 애플리케이션을 통합하는 단계가 될 수 있습니다.

소매 및 CPG에서 작동하는 생성 AI고객 상호작용 패턴의 재창조

소비자는 점점 더 의류와 화장품에서 선별된 쇼핑 경험, 개인화된 봉사 활동, 음식에 이르기까지 모든 분야에서 맞춤화를 추구하며 생성 AI는 이러한 경험을 개선할 수 있습니다. Generative AI는 시장 데이터를 집계하여 개념, 아이디어 및 모델을 테스트할 수 있습니다. 알고리즘을 사용하여 고객에게 스타일 선택을 제안하는 Stitch Fix는 색상, 패브릭 및 스타일에 대한 고객 선호도를 기반으로 제품을 시각화하기 위해 DALL·E를 실험했습니다. 회사의 스타일리스트는 텍스트-이미지 생성을 사용하여 소비자의 선호도에 따라 의류 품목을 시각화한 다음 Stitch Fix의 재고 중에서 유사한 품목을 식별할 수 있습니다.

소매업체는 쇼핑객에게 차세대 경험을 제공하는 애플리케이션을 만들어 고객이 단일 자연어 인터페이스를 통해 제품을 선택할 수 있기를 기대하는 시대에 상당한 경쟁 우위를 창출할 수 있습니다. 예를 들어 생성 AI는 식사 재료를 선택하고 주문하거나 음식을 준비하는 프로세스를 개선할 수 있습니다. 레시피에 첨부된 댓글에서 가장 인기 있는 팁을 가져올 수 있는 챗봇을 상상해 보세요. 챗봇을 통해 개인화된 마케팅 캠페인을 제공함으로써 고객 가치 관리를 강화할 수 있는 큰 기회도 있습니다. 이러한 애플리케이션은 고객 만족도, 트래픽 및 브랜드 충성도를 높일 수 있는 방식으로 제품에 대해 사람과 같은 대화를 나눌 수 있습니다. Generative AI는 소매업체와 CPG 회사에 교차 판매 및 상향 판매를 위한 많은 기회를 제공합니다.

핵심 영역의 가치 창출 가속화

Generative AI 도구는 마케팅 및 판매를 위한 카피 작성을 용이하게 하고 창의적인 마케팅 아이디어를 브레인스토밍하는 데 도움이 되며 소비자 조사를 촉진하고 콘텐츠 분석 및 생성을 가속화할 수 있습니다. 글쓰기 및 시각 자료의 잠재적 개선은 인지도를 높이고 판매 전환율을 높일 수 있습니다.

고객 관리에 대한 신속한 해결 및 향상된 통찰력

전자 상거래의 성장은 또한 효과적인 소비자 상호 작용의 중요성을 높입니다. 소매업체는 기존 AI 도구를 제너레이티브 AI와 결합하여 챗봇의 기능을 향상함으로써 상담원의 상호작용 스타일을 더 잘 모방할 수 있습니다. . 반복 작업을 자동화하면 상담원이 복잡한 고객 문제를 처리하고 상황에 맞는 정보를 얻는 데 더 많은 시간을 할애할 수 있습니다.

파괴적이고 창의적인 혁신

제너레이티브 AI 도구는 디지털 방식으로 새로운 디자인을 신속하게 생성하여 새로운 버전의 제품을 개발하는 프로세스를 향상시킬 수 있습니다. 디자이너는 처음부터 패키징 디자인을 생성하거나 기존 디자인에 변형을 생성할 수 있습니다. 이 기술은 빠르게 발전하고 있으며 텍스트-비디오 생성을 추가할 가능성이 있습니다.

소매 및 CPG 조직이 고려해야 할 요소

소매 및 CPG 경영진은 운영에 생성 AI를 통합하는 방법을 모색할 때 기술에서 가치를 포착하는 능력에 영향을 미칠 수 있는 몇 가지 요소를 염두에 두어야 합니다.

• 외부 추론. Generative AI는 생성된 콘텐츠가 사실을 기반으로 하는지 아니면 추론을 기반으로 하는지 이해해야 할 필요성을 증가시켜 새로운 수준의 품질 관리를 요구합니다.
• 적대적 공격. 기반 모델은 잠재적인 보안 취약성과 개인 정보 위험의 다양성을 증가시키는 해커 및 기타 악의적 행위자의 주요 공격 대상입니다.

이러한 문제를 해결하기 위해 소매 및 CPG 회사는 전략적으로 사람을 루프에 유지하고 모든 구현에서 보안 및 개인 정보 보호가 최우선 고려 사항이 되도록 해야 합니다. 기업은 고객 담당자가 작성한 이메일과 같이 이전에 사람이 처리했던 프로세스에 대해 새로운 품질 검사를 도입하고 제품 디자인과 같은 AI 지원 프로세스에 대해 보다 자세한 품질 검사를 수행해야 합니다.

Why banks could realize significant value

다음 섹션으로 계속

공유하다

제너레이티브 AI는 은행 업계에 상당한 영향을 미칠 수 있으며, 업계 연간 수익의 2.8~4.7% 또는 추가로 2,000억 달러에서 3,400억 달러의 생산성 증가로 가치를 창출할 수 있습니다. 그 영향 외에도 생성 AI 도구를 사용하면 고객 만족도를 높이고 의사 결정 및 직원 경험을 개선하며 사기 및 위험을 더 잘 모니터링하여 위험을 줄일 수 있습니다.

지식 및 기술 지원 산업인 은행은 이미 마케팅 및 고객 운영과 같은 분야에서 이전에 인공 지능을 적용하여 상당한 이점을 얻었습니다.1제너레이티브 AI 애플리케이션은 특히 규제 및 프로그래밍 언어와 같은 영역에서 텍스트 양식이 널리 퍼져 있고 업계가 많은 B2C 및 소기업 고객과 함께 고객을 대면하고 있기 때문에 추가적인 이점을 제공할 수 있습니다.2

생성적 AI 애플리케이션의 통합을 위해 업계를 포지셔닝하는 몇 가지 특성:

• 레거시 IT 시스템과 함께 지속적인 디지털화 노력. 은행은 수십 년 동안 기술에 투자해 왔으며 사일로화되고 복잡한 IT 아키텍처와 함께 상당한 양의 기술 부채를 축적했습니다.삼
• 대규모 고객 응대 인력. 은행 업무는 콜센터 상담원 및 자산 관리 재무 고문과 같은 수많은 서비스 담당자에게 의존합니다.
• 엄격한 규제 환경. 규제가 심한 산업인 은행에는 상당한 수의 위험, 규정 준수 및 법적 요구 사항이 있습니다.
• 화이트칼라 산업. Generative AI의 영향은 조직 전체에 걸쳐 모든 직원의 이메일 작성, 비즈니스 프레젠테이션 작성 및 기타 작업을 지원할 수 있습니다.

은행에서 일하는 생성 AI

은행은 일선과 소프트웨어 활동에서 생성 AI의 잠재력을 파악하기 시작했습니다. 얼리 어답터는 ChatGPT와 같은 솔루션과 주로 소프트웨어 및 지식 애플리케이션용 산업별 솔루션을 활용하고 있습니다. 세 가지 용도는 업계에 가치 잠재력을 보여줍니다.

직원 성과를 높이는 가상 전문가

정책, 연구 및 고객 상호 작용과 같은 독점 지식에 대해 훈련된 생성 AI 봇은 상시 가동되고 심층적인 기술 지원을 제공할 수 있습니다. 오늘날 일선 지출은 주로 제안을 확인하고 클라이언트와 상호 작용하는 데 사용되지만 일선 직원에게 데이터에 대한 액세스 권한을 부여하면 고객 경험을 개선할 수 있습니다. 이 기술은 또한 산업과 클라이언트를 모니터링하고 공개 소스에서 시맨틱 쿼리에 대한 경고를 보낼 수 있습니다. 예를 들어, Morgan Stanley는 수만 명의 자산 관리자가 대규모 내부 지식 기반에서 답변을 신속하게 찾고 합성할 수 있도록 돕기 위해 GPT-4를 사용하여 AI 도우미를 구축하고 있습니다.4이 모델은 검색과 콘텐츠 생성을 결합하여 자산 관리자가 언제든지 모든 고객을 위한 정보를 찾고 맞춤화할 수 있습니다.

유럽의 한 은행은 구조화되지 않은 정보가 포함된 긴 문서를 합성하고 추출하여 생성 AI를 활용하여 환경, 사회 및 거버넌스(ESG) 가상 전문가를 개발했습니다. 이 모델은 프롬프트를 기반으로 복잡한 질문에 답하고 각 답의 출처를 식별하고 그림과 표에서 정보를 추출합니다.

제너레이티브 AI는 백오피스 운영과 관련된 상당한 비용을 절감할 수 있습니다. 이러한 고객 대면 챗봇은 사용자 요청을 평가하고 주제, 난이도, 고객 유형과 같은 특성에 따라 이를 처리할 최고의 서비스 전문가를 선택할 수 있습니다. 제너레이티브 AI 어시스턴트를 통해 서비스 전문가는 제품 가이드 및 정책과 같은 모든 관련 정보에 빠르게 액세스하여 고객 요청을 즉시 처리할 수 있습니다.

기술 부채를 줄이고 소프트웨어를 더 빠르게 제공하기 위한 코드 가속화

생성 AI 도구는 네 가지 광범위한 범주에서 소프트웨어 개발에 유용합니다. 첫째, 입력 코드 또는 자연어를 통해 컨텍스트를 기반으로 코드 초안을 작성하여 개발자가 자동 ​​번역 및 코드가 없거나 적은 도구를 사용하면서 마찰을 줄이고 더 빠르게 코딩할 수 있습니다. 둘째, 이러한 도구는 다양한 코드 테스트를 자동으로 생성, 우선 순위 지정, 실행 및 검토하여 테스트를 가속화하고 적용 범위와 효율성을 높일 수 있습니다. 셋째, 생성 AI의 자연어 번역 기능은 레거시 프레임워크의 통합 및 마이그레이션을 최적화할 수 있습니다. 마지막으로 이 도구는 코드를 검토하여 컴퓨팅의 결함과 비효율성을 식별할 수 있습니다. 그 결과 더 강력하고 효과적인 코드가 생성됩니다.

맞춤형 콘텐츠를 대규모로 제작

생성 AI 도구는 기존 문서 및 데이터 세트를 활용하여 콘텐츠 생성을 상당히 간소화할 수 있습니다. 이러한 도구는 A/B 테스트를 위한 다양한 대안뿐만 아니라 특정 고객 프로필 및 이력에 맞는 개인화된 마케팅 및 판매 콘텐츠를 생성할 수 있습니다. 또한 생성 AI는 자동으로 모델 문서를 생성하고, 누락된 문서를 식별하고, 관련 규정 업데이트를 스캔하여 관련 변화에 대한 경고를 생성할 수 있습니다.

은행이 고려해야 할 요소

생성적 AI를 운영에 통합하는 방법을 모색할 때 은행은 다음과 같은 여러 요소를 염두에 둘 수 있습니다.

• 다른 프로세스에 대한 규제 수준. 이는 고객 서비스와 같은 규제되지 않은 프로세스에서 신용 위험 평가와 같이 엄격하게 규제되는 프로세스에 이르기까지 다양합니다.
• 최종 사용자 유형. 최종 사용자는 제너레이티브 AI에 대한 기대치와 친숙도가 매우 다양합니다. 예를 들어 직원과 고액 자산가 고객을 비교했습니다.
• 작업 자동화의 의도된 수준. API를 통해 통합된 AI 상담원은 거의 자율적으로 또는 부조종사 역할을 하여 고객 상호 작용 중에 상담원에게 실시간 제안을 제공할 수 있습니다.
• 데이터 제약. 연간 보고서와 같은 공개 데이터는 널리 사용할 수 있지만 고객 및 기타 내부 데이터에 대한 식별 가능한 세부 정보에는 제한이 있어야 합니다.

Pharmaceuticals and medical products could see benefits across the entire value chain

다음 섹션으로 계속

공유하다

우리의 분석에 따르면 제너레이티브 AI는 제약 및 의료 제품 산업 전반에 걸쳐 연간 매출의 2.6~4.5% 또는 연간 600억~1100억 달러에 이르는 상당한 영향을 제약 및 의료 제품 산업에 미칠 수 있습니다. 이 큰 잠재력은 새로운 약물 화합물을 발견하는 자원 집약적인 프로세스를 반영합니다. 제약 회사는 일반적으로 매출의 약 20%를 R&D에 지출합니다.1신약 개발에는 평균 10~15년이 걸린다. 이러한 수준의 지출과 일정으로 R&D의 속도와 품질을 개선하면 상당한 가치를 창출할 수 있습니다. 예를 들어, 연구자들이 잠재적인 신약의 표적을 가장 잘 식별할 수 있는 분자를 식별하는 약물 발견 프로세스의 한 단계인 리드 식별은 "전통적인" 딥 러닝 기술을 사용해도 몇 개월이 걸릴 수 있습니다. 기초 모델 및 생성 AI를 통해 조직은 몇 주 만에 이 단계를 완료할 수 있습니다.

제약 및 의료 제품 분야에서 작동하는 생성 AI

약물 발견에는 가능한 화합물의 범위를 특정 조건을 효과적으로 치료할 수 있는 화합물로 좁히는 작업이 포함됩니다. 대량의 데이터 및 모델 옵션을 처리하는 Generative AI의 기능은 여러 사용 사례에서 출력을 가속화할 수 있습니다.

사전 심사 자동화 개선

약물 개발의 리드 식별 단계에서 과학자들은 기반 모델을 사용하여 약물 표적에 특정 효과를 생성할 화학 물질을 찾기 위해 화학 물질의 예비 스크리닝을 자동화할 수 있습니다. 시작하기 위해 수천 개의 세포 배양을 테스트하고 해당 실험의 이미지와 쌍을 이룹니다. 기성 기초 모델을 사용하여 연구원은 기존 모델보다 더 정확하게 유사한 이미지를 클러스터링할 수 있으므로 리드 최적화 중에 추가 분석을 위해 가장 유망한 화학 물질을 선택할 수 있습니다.

적응증 찾기 향상

약물 발견의 중요한 단계는 새로운 적응증, 즉 특정 약물의 사용이나 테스트, 절차 또는 수술과 같은 기타 치료의 사용을 정당화하는 질병, 증상 또는 상황의 식별 및 우선 순위 지정과 관련됩니다. 주어진 약물에 대해 가능한 적응증은 환자 그룹의 임상 병력 및 의료 기록을 기반으로 하며, 확립되고 증거가 뒷받침되는 적응증과의 유사성에 따라 우선 순위가 지정됩니다.

연구원은 실제 데이터에서 잠재적인 진단, 처방된 약물 및 수행된 절차를 포함하여 환자 코호트의 임상 이벤트 및 의료 기록을 매핑하는 것부터 시작합니다. 기초 모델을 사용하여 연구원은 임상 이벤트를 정량화하고, 관계를 설정하고, 환자 코호트와 증거 기반 적응증 간의 유사성을 측정할 수 있습니다. 그 결과 적절한 환자 그룹에 보다 정확하게 일치시킬 수 있기 때문에 임상 시험에서 성공 가능성이 더 높은 적응증의 짧은 목록이 생성됩니다.

이 접근 방식을 사용한 제약 회사는 테스트된 약물에 대한 기초 모델에서 권장하는 상위 5개 적응증에 대한 임상 시험에서 높은 성공률을 보고했습니다. 이러한 성공으로 이들 약물은 3상 시험으로 순조롭게 진행되어 약물 개발 프로세스가 크게 가속화되었습니다.

제약 및 의료 제품 조직이 고려해야 할 요소

생성 AI를 운영에 통합하기 전에 제약 경영진은 이점을 포착하는 능력을 제한할 수 있는 몇 가지 요인을 알고 있어야 합니다.

• 루프에 인간이 필요합니다. 기업은 대표 생성 이메일과 같이 인간에서 생성적 AI로 전환하는 프로세스에 대한 새로운 품질 검사 또는 신약 개발과 같은 AI 지원 프로세스에 대한 보다 자세한 품질 검사를 구현해야 할 수 있습니다. 생성된 콘텐츠가 사실에 기반한 것인지 추론에 기반한 것인지 확인해야 할 필요성이 증가함에 따라 새로운 수준의 품질 관리에 대한 필요성이 높아졌습니다.
• 설명 가능성. 생성된 콘텐츠의 출처에 대한 투명성과 루트 데이터의 추적 가능성이 부족하면 모델을 업데이트하고 잠재적인 위험을 스캔하기 어려울 수 있습니다. 예를 들어, 과학 문헌을 종합하기 위한 생성 AI 솔루션은 새로운 치료법이 의사들 사이에서 매우 인기가 있다는 것을 추론하게 만든 특정 기사나 인용문을 가리키지 못할 수 있습니다. 이 기술은 또한 "환각"을 일으키거나 맥락에 대해 분명히 부정확하거나 부적절한 반응을 생성할 수 있습니다. 특정 기사나 데이터 소스를 가리키도록 시스템을 설계한 다음 인간 참여형 검사를 수행해야 합니다.
• 개인 정보 보호 고려 사항. Generative AI의 임상 이미지 및 의료 기록 사용은 보호된 건강 정보가 유출될 위험을 증가시켜 잠재적으로 제약 회사가 환자의 개인 정보를 보호하도록 요구하는 규정을 위반할 수 있습니다.

작업 및 생산성 영향

기술은 수십 년 동안 업무의 구조를 변화시켜 왔습니다. 수년에 걸쳐 기계는 인간 노동자에게 다양한 "초능력"을 부여했습니다. 예를 들어, 산업 시대의 기계는 작업자가 자신의 신체 능력을 넘어서는 물리적 작업을 수행할 수 있도록 했습니다. 보다 최근에는 컴퓨터를 통해 지식 근로자가 수동으로 계산하려면 몇 년이 걸리는 계산을 수행할 수 있습니다.

이러한 예는 근로자가 스스로 해야 했던 개별 활동의 자동화를 통해 기술이 어떻게 업무를 강화할 수 있는지 보여줍니다. 개념적 수준에서 생성 AI의 적용은 현대 작업장에서 동일한 패턴을 따를 수 있지만, 이 장의 뒷부분에서 생성 AI가 영향을 미칠 수 있는 활동 유형과 변경될 수 있는 활동이 있는 직업 유형은 다음과 같습니다. 이 기술의 결과로 이전 기술과 다를 수 있습니다.

McKinsey Global Institute는 2017년에 업무 활동의 기술 자동화 영향을 분석하고 채택 시나리오를 모델링하기 시작했습니다. 그 시간, 또는 우리가 기술 자동화 잠재력이라고 부르는 것. 우리는 또한 이러한 기술이 채택되고 세계 경제 전반에 걸쳐 작업 활동에 영향을 미칠 수 있는 속도에 대한 다양한 잠재적 시나리오를 모델링했습니다.

대규모 기술 채택은 하룻밤 사이에 이루어지지 않습니다. 실험실에서 기술 역량의 잠재력이 반드시 특정 작업 활동을 자동화하는 솔루션에 즉시 통합될 수 있음을 의미하지는 않습니다. 이러한 솔루션을 개발하는 데는 시간이 걸립니다. 이러한 솔루션을 개발하더라도 비용이 인건비를 초과하면 경제적으로 사용하기 어려울 수 있습니다. 또한 배포에 대한 경제적 인센티브가 있더라도 채택이 전 세계 경제에 확산되는 데는 시간이 걸립니다. 따라서 기술 자동화 잠재력과 함께 이러한 요소를 고려하는 채택 시나리오는 시간이 지남에 따라 근로자의 활동이 변화할 수 있는 속도와 규모에 대한 감각을 제공합니다.

공유하다

사이드바

연구에 대해

이 백서의 분석은 오늘날의 작업 활동에 대한 생성 AI의 잠재적 영향을 통합합니다. 이전 기술과 결합되고 전 세계 기업 운영에 통합된 생성 AI의 새로운 기능은 개인 활동의 기술 자동화와 인력의 역량을 강화하는 기술 채택의 잠재력을 가속화할 수 있습니다. 또한 이러한 기술의 결과로 향후 활동이 변경되지 않을 것으로 예상되는 지식 근로자에게도 영향을 미칠 수 있습니다(사이드바 "연구 정보" 참조).

자동화 잠재력이 가속화되었지만 채택이 지연됨

제너레이티브 AI의 발전을 기반으로 기술 성능은 이제 중간 인간 성능과 일치하고 광범위한 기능에서 이전에 추정된 것보다 더 빨리 인간의 상위 4분위수 성능에 도달할 것으로 예상됩니다(그림 6). 예를 들어, MGI는 이전에 2027년을 자연어 이해에 대한 인간의 평균 성과가 기술에서 달성될 수 있는 가장 빠른 해로 식별했지만, 이 새로운 분석에서는 해당 시점이 2023년입니다.

전시 6

우리는 장애가 있는 개인이 우리 웹사이트에 동등하게 접근할 수 있도록 노력합니다. 이 콘텐츠에 대한 정보를 원하시면 기꺼이 도와드리겠습니다. McKinsey_Website_Accessibility@mckinsey.com 으로 이메일을 보내주십시오.

제너레이티브 AI로 인한 이러한 기술 역량 재평가 결과 오늘날 존재하는 기술을 통합하여 이론적으로 자동화할 수 있는 총 시간 비율이 약 50%에서 60~70%로 증가했습니다. 기술적 잠재력 곡선은 제너레이티브 AI의 자연어 기능의 가속화로 인해 상당히 가파르다.

흥미롭게도 초기 시나리오와 후기 시나리오 사이의 시간 범위가 2017년 전문가 평가와 비교하여 압축되어 특정 기간에 더 높은 수준의 기술 역량이 도래할 것이라는 더 큰 확신을 반영합니다(도표 7).

전시 7

We strive to provide individuals with disabilities equal access to our website. If you would like information about this content we will be happy to work with you. Please email us at: McKinsey_Website_Accessibility@mckinsey.com

채택 시나리오에 대한 우리의 분석은 개별 작업 활동을 자동화할 수 있는 솔루션에 기술 기능을 통합하는 데 필요한 시간을 설명합니다. 전 세계 여러 직업 및 국가의 인간 노동 비용과 비교한 이러한 기술의 비용; 기술이 경제 전반에 확산되는 데 걸린 시간. 제너레이티브 AI가 가능하게 하는 기술 자동화 잠재력이 가속화됨에 따라 자동화 채택 시나리오도 이에 따라 가속화되었습니다. 이러한 시나리오는 솔루션이 개발되고 채택되는 속도가 무엇보다도 투자, 배포 및 규제에 대한 결정에 따라 달라질 것이라는 점을 감안할 때 광범위한 결과를 포함합니다.

전시 8

We strive to provide individuals with disabilities equal access to our website. If you would like information about this content we will be happy to work with you. Please email us at: McKinsey_Website_Accessibility@mckinsey.com

이것이 특정 직업에서 어떻게 작용할 수 있는지에 대한 예로서 시험 준비 및 학생 작업 평가를 포함하는 상세한 작업 활동을 수행하는 고등 교육 영어 및 문학 교사를 고려하십시오. 생성 AI의 향상된 자연어 기능을 사용하면 기계가 이러한 활동을 더 많이 수행할 수 있습니다. 처음에는 교사가 편집하는 초안을 만들 수 있지만 결국에는 사람이 편집할 필요가 훨씬 줄어들 것입니다. 이를 통해 교사는 수업 토론 안내 또는 추가 도움이 필요한 학생 지도와 같은 다른 작업 활동에 더 많은 시간을 할애할 수 있습니다.

이전에 모델링한 채택 시나리오는 2016년 작업 활동에 소요되는 시간의 50%가 2035년에서 2070년 사이에 자동화될 것이라고 제안했으며 중간 시나리오는 2053년경입니다. 생성 AI의 개발을 설명하는 업데이트된 채택 시나리오는 다음 작업에 소요되는 시간을 모델링합니다. 2023년 작업 활동은 2030년에서 2060년 사이에 50% 자동화에 도달하며 중간점은 2045년입니다. 이는 이전 추정치에 비해 약 10년 가속화된 것입니다.5

임금이 더 높기 때문에 자동화 채택의 경제적 타당성이 더 일찍 발생하는 선진국에서는 채택이 더 빠를 가능성이 있습니다. 특정 작업 활동을 자동화하는 기술의 잠재력이 높더라도 그렇게 하는 데 필요한 비용은 인건비와 비교해야 합니다. 임금률이 낮은 중국, 인도 및 멕시코와 같은 국가에서는 자동화 채택이 고임금 국가보다 더 느리게 도래하는 것으로 모델링됩니다(그림 9).

전시 9

우리는 장애가 있는 개인이 우리 웹사이트에 동등하게 접근할 수 있도록 노력합니다. 이 콘텐츠에 대한 정보를 원하시면 기꺼이 도와드리겠습니다. McKinsey_Website_Accessibility@mckinsey.com 으로 이메일을 보내주십시오.

지식 작업에 대한 생성 AI의 잠재적 영향

이전 세대의 자동화 기술은 데이터 수집 및 처리와 관련된 데이터 관리 작업을 자동화하는 데 특히 효과적이었습니다. Generative AI의 자연어 기능은 이러한 유형의 활동의 자동화 잠재력을 어느 정도 증가시킵니다. 그러나 더 많은 신체 작업 활동에 미치는 영향은 훨씬 덜 변화했으며, 이는 그 기능이 근본적으로 인지 작업을 수행하도록 설계되었기 때문에 놀라운 일이 아닙니다.

결과적으로 생성 AI는 지식 작업, 특히 이전에는 자동화 가능성이 가장 낮았던 의사 결정 및 협업과 관련된 활동에 가장 큰 영향을 미칠 가능성이 높습니다(도표 10). 전문 지식 적용을 자동화할 수 있는 기술적 잠재력에 대한 우리의 추정치는 34% 포인트 증가했으며, 관리를 자동화하고 인재를 개발할 수 있는 잠재력은 2017년 16%에서 2023년 49%로 증가했습니다.

전시회 10

우리는 장애가 있는 개인이 우리 웹사이트에 동등하게 접근할 수 있도록 노력합니다. 이 콘텐츠에 대한 정보를 원하시면 기꺼이 도와드리겠습니다. McKinsey_Website_Accessibility@mckinsey.com 으로 이메일을 보내주십시오.

다양한 활동과 작업을 위해 자연어를 이해하고 사용하는 Generative AI의 능력은 자동화 잠재력이 그토록 가파르게 상승한 이유를 설명합니다. 근로자가 경제에서 수행하는 활동의 약 40%는 최소한 중간 수준의 자연어 이해를 필요로 합니다.

결과적으로 의사소통, 감독, 문서화 및 일반적으로 사람들과의 상호 작용을 포함하는 많은 작업 활동이 생성 AI에 의해 자동화될 가능성이 있으며, 자동화 잠재력이 있는 교육 및 기술과 같은 직업의 작업 변환을 가속화합니다. 이전에는 나중에 나타날 것으로 예상되었습니다(Exhibit 11).

전시회 11

우리는 장애가 있는 개인이 우리 웹사이트에 동등하게 접근할 수 있도록 노력합니다. 이 콘텐츠에 대한 정보를 원하시면 기꺼이 도와드리겠습니다. McKinsey_Website_Accessibility@mckinsey.com 으로 이메일을 보내주십시오.

노동 경제학자들은 종종 자동화 기술의 배치가 교육 수준 또는 소위 기술 편향으로 측정할 때 기술 수준이 가장 낮은 근로자에게 가장 큰 영향을 미치는 경향이 있다고 지적했습니다. 우리는 생성적 AI가 정반대의 패턴을 가지고 있음을 발견했습니다. 즉, 교육 수준이 높은 근로자의 일부 활동을 자동화함으로써 가장 점진적인 영향을 미칠 가능성이 높습니다(도표 12).

전시회 12

우리는 장애가 있는 개인이 우리 웹사이트에 동등하게 접근할 수 있도록 노력합니다. 이 콘텐츠에 대한 정보를 원하시면 기꺼이 도와드리겠습니다. McKinsey_Website_Accessibility@mckinsey.com 으로 이메일을 보내주십시오.

이 결과를 해석하는 또 다른 방법은 생성 AI가 기술의 지표로서 다년간의 학위 자격 취득에 도전할 것이며 다른 사람들은 보다 공평하고 효율적인 인력 교육 및 매칭 시스템.6생성적 AI는 여전히 기술 편향적 기술 변화로 설명될 수 있지만 기계가 수행할 수 있는 활동에 의해 보완되기보다는 대체될 가능성이 더 높은 기술에 대한 다른, 아마도 더 세분화된 설명을 사용합니다.

이전 세대의 자동화 기술은 종종 소득 분배의 중간에서 임금이 떨어지는 직업에 가장 큰 영향을 미쳤습니다. 저임금 직업의 경우 자동화의 잠재적 이점이 인건비 절감과 경쟁하기 때문에 작업 자동화에 대한 사례를 만드는 것이 더 어렵습니다. 또한 저임금 직업에서 수행되는 일부 작업(예: 직물 조작 또는 섬세한 과일 따기)은 기술적으로 자동화하기 어렵습니다. 일부 노동 경제학자들은 "중간이 비어 있는 것"을 관찰했으며 이전 모델에서는 작업 자동화가 중하위 소득 5분위에 가장 큰 중기적 영향을 미칠 것이라고 제안했습니다.

그러나 생성적 AI의 영향은 이전에 상대적으로 자동화의 영향을 받지 않는 것으로 간주되었던 작업의 기술적 자동화 잠재력의 발전으로 인해 고임금 지식 노동자의 업무를 가장 많이 변화시킬 가능성이 높습니다(도표 13).

전시회 13

우리는 장애가 있는 개인이 우리 웹사이트에 동등하게 접근할 수 있도록 노력합니다. 이 콘텐츠에 대한 정보를 원하시면 기꺼이 도와드리겠습니다. McKinsey_Website_Accessibility@mckinsey.com 으로 이메일을 보내주십시오.

제너레이티브 AI는 더 높은 생산성 성장을 촉진할 수 있습니다.

2012년부터 2022년까지 세계 경제 성장은 이전 20년보다 더 느렸습니다.7COVID-19 대유행이 중요한 요인이기는 하지만, 출산율 감소와 인구 고령화를 포함한 장기적인 구조적 문제는 성장의 지속적인 장애물입니다.

고용 감소는 그러한 장애물 중 하나입니다. 전 세계 총 근로자 수의 연평균 성장률은 1972~82년 2.5%에서 2012~22년 0.8%로 둔화되었는데, 이는 주로 고령화 때문이었습니다. 많은 대규모 국가에서 노동력의 규모는 이미 감소하고 있습니다.8투입물 대비 생산량을 측정하는 생산성, 즉 생산된 상품 및 서비스의 가치를 노동, 자본 및 기타 자원의 양으로 나눈 값은 1992년부터 2022년까지 30년 동안 경제 성장의 주요 원동력이었습니다. 전시 14). 그러나 그 이후로 생산성 증가는 고용 증가 둔화와 함께 둔화되어 경제학자와 정책 입안자들을 혼란스럽게 만들었습니다.9

전시회 14

We strive to provide individuals with disabilities equal access to our website. If you would like information about this content we will be happy to work with you. Please email us at: McKinsey_Website_Accessibility@mckinsey.com

생성적 AI 및 기타 기술의 배치는 생산성 증가를 가속화하고 감소하는 고용 성장을 부분적으로 보상하고 전반적인 경제 성장을 가능하게 할 수 있습니다. 우리의 추정에 따르면 이러한 기술로 가능해진 개별 작업 활동의 자동화는 자동화 채택률에 따라 2023년부터 2040년까지 세계 경제에 연간 생산성을 0.2~3.3% 향상시킬 수 있습니다. 제너레이티브 AI는 0.1~0.6에 기여합니다. 그러나 기술의 영향을 받는 개인이 적어도 2022년 생산성 수준과 일치하는 다른 업무 활동으로 전환하는 경우에만 가능합니다(도표 15). 어떤 경우에는 근로자가 같은 직업에 머물지만 그들의 활동 혼합은 바뀔 것입니다. 다른 경우에는 근로자가 직업을 옮겨야 합니다.

전시회 15

우리는 장애가 있는 개인이 우리 웹사이트에 동등하게 접근할 수 있도록 노력합니다. 이 콘텐츠에 대한 정보를 원하시면 기꺼이 도와드리겠습니다. McKinsey_Website_Accessibility@mckinsey.com 으로 이메일을 보내주십시오.

기업과 사회를 위한 고려사항

역사는 새로운 기술이 사회를 재구성할 수 있는 잠재력을 가지고 있음을 보여주었습니다. 인공 지능은 이미 우리가 생활하고 일하는 방식을 변화시켰습니다. 예를 들어, 우리의 전화가 (대부분) 우리가 말하는 것을 이해하거나 이메일 초안을 작성하는 데 도움이 될 수 있습니다. 그러나 대부분 AI는 비즈니스 프로세스를 최적화하거나 구매할 다음 제품에 대한 권장 사항을 제공하는 배후에 남아 있습니다. 제너레이티브 AI의 급속한 발전은 AI의 전반적인 영향을 크게 증가시켜 매년 수조 달러의 추가 가치를 창출하고 업무의 성격을 변화시킬 것입니다.

그러나 이 기술은 새롭고 중요한 과제를 제공할 수도 있습니다. 이해관계자는 제너레이티브 AI가 채택될 수 있는 속도를 고려할 때 신속하게 행동하여 기회와 위험을 모두 해결할 준비를 해야 합니다. 제너레이티브 AI 시스템이 생성하는 콘텐츠에 대한 우려를 포함하여 위험이 이미 표면화되었습니다. 기본 모델을 만드는 데 사용되는 교육 데이터의 "표절"로 인해 지적 재산을 침해할까요? 질문을 받았을 때 LLM이 제공하는 답변이 정확하고 설명이 가능합니까? 콘텐츠 생성 AI가 유해한 고정관념을 반영하는 콘텐츠를 제작하여 사용자가 원하지 않는 방식으로 공정하거나 편향될까요?

공유하다

사이드바

책임 있는 생성 AI 사용

경제적 문제도 있습니다. 이 보고서에 설명된 인력 전환의 규모와 범위는 상당합니다. 중간 채택 시나리오에서 작업 활동의 약 1/4에서 1/3이 향후 10년 동안 변경될 수 있습니다. 우리 앞에 놓인 과제는 기술의 잠재적인 긍정적인 면과 부정적인 면을 동시에 관리하는 것입니다(사이드바 "제너레이티브 AI를 책임감 있게 사용" 참조). 다음은 기술의 잠재적 이점에 대한 열정과 기술이 도입할 수 있는 새로운 문제의 균형을 맞추면서 해결해야 할 몇 가지 중요한 질문입니다.

기업 및 비즈니스 리더

제너레이티브 AI가 제시하는 위험을 관리하면서 이 보고서에 강조된 잠재적 가치를 포착하기 위해 기업은 어떻게 신속하게 움직일 수 있습니까?

회사 인력 전반에 걸쳐 필요한 직업과 기술의 혼합이 향후 몇 년 동안 생성 AI 및 기타 인공 지능에 의해 어떻게 변화될까요? 회사는 고용 계획, 재교육 프로그램 및 기타 인적 자원 측면에서 이러한 전환을 어떻게 가능하게 할 것입니까?

기업은 사회에 해를 끼칠 수 있는 "부정적인 사용 사례"에 기술이 배포되지 않도록 하는 역할을 합니까?

기업은 산업 내에서 그리고 산업 전반에 걸쳐, 그리고 정부 및 사회와 함께 생성 AI 사용을 확장하는 경험을 어떻게 투명하게 공유할 수 있습니까?

정책 입안자

직업과 기술 측면에서 경제 수준에서 일의 미래는 어떤 모습일까요? 이것은 인력 계획에 대해 무엇을 의미합니까?

시간이 지남에 따라 근로자의 활동이 변화함에 따라 근로자를 어떻게 지원할 수 있습니까? 어떤 재교육 프로그램을 시행할 수 있습니까? 인적 자본에 투자하는 민간 기업을 지원하려면 어떤 인센티브가 필요합니까? 사람들이 자신과 가족을 계속 부양하면서 재교육을 받을 수 있는 견습생 제도와 같이 배우면서 버는 프로그램이 있습니까?

생성적 AI가 사회나 취약한 인구에 해를 끼치는 방식으로 사용되는 것을 방지하기 위해 정책 입안자는 어떤 조치를 취할 수 있습니까?

인간의 감독과 사회적 가치에 대한 다양한 관점 및 설명을 포함하는 인간 중심의 AI 개발 및 배포를 보장하기 위해 새로운 정책을 개발하고 기존 정책을 수정할 수 있습니까?

노동자, 소비자, 시민으로서의 개인

개인은 제너레이티브 AI의 출현에 대해 얼마나 관심을 가져야 할까요? 기업은 기술이 수익에 어떤 영향을 미칠지 평가할 수 있지만 시민들은 기술이 자신의 삶과 생계에 어떤 영향을 미칠지에 대한 정확하고 편견 없는 정보를 어디에서 얻을 수 있습니까?

노동자와 소비자로서의 개인은 어떻게 제너레이티브 AI가 제공하는 편리함과 작업장에 미치는 영향의 균형을 맞출 수 있을까요?

시민들이 제너레이티브 AI를 삶의 구조에 배치하고 통합하는 결정에 목소리를 낼 수 있습니까?

---

기술 혁신은 동등한 경외심과 우려를 불러일으킬 수 있습니다. 그 혁신이 완전히 구체화되고 하룻밤 사이에 널리 퍼지는 것처럼 보이면 두 가지 반응이 모두 증폭될 수 있습니다. 2022년 가을에 등장한 제너레이티브 AI는 이러한 현상의 가장 최근 사례입니다. 예상치 못한 빠른 채택과 그에 따른 기업과 소비자 사이의 배치, 통합 및 사용을 위한 쟁탈전 때문입니다.

우리 모두는 이 기술의 힘, 도달 범위 및 기능을 이해하기 위한 여정의 시작 단계에 있습니다. 지난 8개월이 길잡이가 된다면, 앞으로 몇 년은 AI가 우리의 일과 삶에 미치는 영향에 대한 이해를 재조정해야 하는 급변하는 혁신과 기술 혁신을 특징으로 하는 롤러코스터를 탈 것입니다. 이 현상을 제대로 이해하고 그 영향을 예상하는 것이 중요합니다. 지금까지 생성 AI의 배포 속도를 감안할 때 디지털 전환을 가속화하고 노동력을 재교육해야 할 필요성이 큽니다.

이러한 도구는 기후 변화에 적응하고 완화하는 막대한 비용을 숙고하고 있는 시기에 세계 경제에 막대한 가치를 창출할 수 있는 잠재력을 가지고 있습니다. 동시에 이전 세대의 인공 지능보다 더 불안정해질 가능성도 있습니다. 그들은 감정을 상하게 하고, 오해를 일으키고, 진실을 모호하게 하고, 폭력을 조장하고 심지어 전쟁.

우리는 이 연구가 회사 운영에 가치를 추가하고 경제 성장과 번영을 촉진하는 제너레이티브 AI의 능력과 우리가 일하는 방식과 사회에서 우리의 목적을 극적으로 변화시킬 수 있는 잠재력을 더 잘 이해하는 데 기여하기를 바랍니다. 기업, 정책 입안자, 소비자 및 시민은 제너레이티브 AI가 삶과 생계를 방해할 가능성을 제한하면서 상당한 가치를 창출하겠다는 약속을 이행하도록 협력할 수 있습니다. 지금이 바로 행동해야 할 때입니다.10

저자 소개

Michael Chui 는 McKinsey Bay Area 사무소의 파트너이며 Roger Roberts 는 파트너이고 Lareina Yee 는 수석 파트너입니다. Eric Hazan 은 McKinsey 파리 사무소의 선임 파트너입니다. Alex Singla 는 시카고 사무소의 수석 파트너입니다. Kate Smaje 와 Alex Sukharevsky 는 런던 사무소의 수석 파트너입니다. Rodney Zemmel 은뉴욕 사무소의 수석 파트너입니다.

저자는 Pedro Abreu, Rohit Agarwal, Steven Aronowitz, Arun Arora, Charles Atkins, Elia Berteletti, Onno Boer, Albert Bollard, Xavier Bosquet, Benjamin Braverman, Charles Carcenac, Sebastien Chaigne, Peter Crispeels, Santiago Comella-Dorda, Eleonore에게 감사드립니다. 드파르동, 크와일린 엘링루드, 티에리 에테베닌, 드미트리 가파로프, 닐 간디, 에릭 골드버그, 리즈 그레넌, 시바니 굽타, 비나이 굽타, 댄 하바부, 브라이언 핸콕, 리사 하크니스, 레일라 하루우치, 제이크 하트, 하이코 하이메스, 제프 제이콥스, 베굼 카라시 데니즈 , Tarun Khurana, Malgorzata Kmicinska, Jan-Christoph Köstring, Andreas Kremer, Kathryn Kuhn, Jessica Lamb, Maxim Lampe, John Larson, Swan Leroi, Damian Lewandowski, Richard Li, Sonja Lindberg, Kerin Lo, Guillaume Lurenbaum, Matej Macak, Dana Maor , Julien Mauhourat, Marco Piccitto, Carolyn Pierce, Olivier Plantefeve, Alexandre Pons,Kathryn Rathje, Emily Reasor, Werner Rehm, Steve Rehm, Kelsey Robinson, Martin Rosendahl, Christoph Sandler, Saurab Sanghvi, Boudhayan Sen, Joanna Si, Alok Singh, Gurneet Singh Dandona, François Soubien, Eli Stein, Stephanie Strom, Michele Tam, Robert Tas, Maribel Tejada, Wilbur Wang, Georg Winkler, Jane Wong, Romain Zilahi는 이 보고서 작성에 도움을 주셨습니다.