생성적 AI가 통신업체의 수익성을 활성화하는 방법

[힘힘]

생성적 AI가 통신업체의 수익성을 활성화하는 방법

2024년 2월 21일| 기사

공유하다

인쇄

다운로드

구하다

새로운 기술은 해당 부문에 침체된 상황을 되돌릴 수 있는 실질적인 기회를 제공합니다. 그러나 이를 포착하려면 전례 없는 수준의 혁신과 민첩성을 수용해야 합니다.

다운로드

기사(11페이지)

통신업체들이 직면하고 있는 치열한 경쟁과 비용 절감 속에서, 초기 증거에 따르면 생성적 AI(gen AI)가 10년 간의 침체 이후 성장을 재점화하는 촉매제가 될 수 있음이 시사됩니다. 하지만 이것이 획기적인 차별화 요소가 될까요, 아니면 단순히 테이블 스테이크가 될까요?

사이드바

저자 소개

이미 이 기술은 업계에서 새로운 표준으로 자리매김하고 있습니다. 설문조사에 참여한 대부분의 통신업체 리더1파일럿부터 본격적인 배포까지 다양한 세대 AI 솔루션을 개발하고 있으며 AT&T, SK Telecom, Vodafone과 같은 주요 통신업체는 초기 세대 AI 약속을 널리 알리고 시험을 시작했다고 합니다. 전 세계 일부 통신업체는 이 기술로 인해 상당한 두 자릿수 비율의 영향을 경험하기 시작했습니다. 유럽의 한 통신사는 최근 Gen AI를 사용하여 콘텐츠를 개인화함으로써 비용을 절감하는 동시에 마케팅 캠페인의 전환율을 40% 높였습니다. 라틴 아메리카의 한 통신사는 Gen-AI 기반 추천을 통해 상담원 기술과 지식을 향상하여 콜센터 상담원 생산성을 25% 높이고 고객 경험의 품질을 개선했습니다.

가장 인상적인 점은 이러한 통신사가 단 몇 주 만에 모델을 배포했다는 것입니다. 첫 번째 모델은 2주 만에, 두 번째 모델은 5주 만에 출시되었습니다. 혁신을 지연시키는 신기술과 레거시 시스템을 활용하기 위한 혼합 실적이 있는 업계의 경우, 이러한 초기 결과와 배포 시간은 Gen AI의 잠재적인 변혁적 힘을 보여줍니다.

이것들은 일회성이 아닙니다. 사용 사례에 맞게 며칠 내에 미세 조정할 수 있는 사전 훈련된 모델을 쉽게 사용할 수 있으므로 조직은 최소한의 선행 투자로 개념 증명을 구현하고, 처음부터 영향력을 달성하고, 노력을 확장할 수 있습니다. 고객과의 협력 경험은 통신사가 Gen AI를 통해 상당한 EBITDA 영향을 달성할 수 있는 잠재력을 나타냅니다. 일부 경우 추정치에 따르면 고객 라이프사이클 관리 개선을 통해 고객 수익을 향상하고 모든 영역에서 비용을 결정적으로 절감함으로써 2년 내에 3~4% 포인트, 5년 내에 최대 8~10% 포인트 증가하는 증분 마진에 대한 수익률이 나타납니다. .

그러나 우리가 조사한 130개 통신업체 중 거의 모두가 Gen AI를 활용해 무언가를 하고 있지만, 우리의 조사 결과는 업계에서 뚜렷한 경계심과 회의론을 시사합니다. 설문조사에 참여한 임원 중 85% 이상이 도메인별 수익 또는 비용 절감 효과가 20% 이상이라고 조심스럽게 답했으며, 고객 서비스의 급격한 변화에 대한 가장 큰 열정을 보였습니다(그림 1).

전시 1

우리는 장애가 있는 개인에게도 웹사이트에 대한 동등한 접근권을 제공하기 위해 노력하고 있습니다. 이 콘텐츠에 대한 정보를 원하시면 기꺼이 도와드리겠습니다. McKinsey_Website_Accessibility@mckinsey.com 으로 이메일을 보내주세요.

이러한 낙관주의와 자제력의 혼합은 업계가 직면한 중요한 시점을 강조합니다. 서비스를 차별화하고 지속 가능한 성장을 달성하기 위해 Gen AI 기회를 포착하려면 은밀한 업계가 전례 없는 수준의 혁신, 탐색 및 민첩성을 수용 하고 분리된 AI 노력에서 전체적인 AI 기반 통신사로 전환해야 합니다 .

통신업체가 이러한 변화를 이룰 수 있는 기회는 그 어느 때보다 쉽게 ​​찾아볼 수 있습니다. 업계는 관련된 복잡성과 레거시 프로세스를 고려할 때 "전통적인" AI의 잠재력을 달성하기 위해 지난 10년 이상 고군분투해 왔습니다. Gen AI가 완전히 새로운 사용 사례 및 애플리케이션에 가져올 수 있는 상당한 영향 외에도 방대한 양의 다양한 데이터에서 학습하고 거의 인간과 유사한 방식으로 상호 작용하는 능력은 더 광범위한 AI 프로그램을 가속화하고 이를 가능하게 하는 빌딩 블록으로 전사적 혁신을 촉진합니다.

더욱이 그러한 변화의 필요성은 그 어느 때보다 커졌습니다. Gen AI는 강력한 기능에 대한 액세스를 민주화하므로 소규모 사업자이든 대규모 기존 사업자이든 모든 통신업체는 고객 기대치와 조직 효율성을 바꿀 수 있습니다. 그렇게 함으로써 이전에는 난공불락이었던 경쟁 우위를 잠재적으로 좁히고 오랫동안 지속되어 온 성장 장벽을 무너뜨릴 수 있습니다. 이 운동의 최전선에 있는 사람들은 더 빠르게 성장을 회복하고 거의 1,000억 달러에 달하는 증분 가치 에서 더 큰 비중을 차지할 수 있는 위치에 서 있습니다 (그림 2). 이는 Gen AI가 기존 AI로 얻을 수 있는 것보다 업계에서 창출할 1,400억~1,800억 달러의 생산성 향상에 추가되는 것입니다.

전시 2

우리는 장애가 있는 개인에게도 웹사이트에 대한 동등한 접근권을 제공하기 위해 노력하고 있습니다. 이 콘텐츠에 대한 정보를 원하시면 기꺼이 도와드리겠습니다. McKinsey_Website_Accessibility@mckinsey.com 으로 이메일을 보내주세요.

통신업체 리더는 어떻게 이 기술을 사용하여 AI 혁신을 주도하고 새로운 가치를 창출할 수 있습니까? 그들은 어떤 어려움에 직면하고 있나요? 그리고 성공하려면 무엇이 필요할까요? 이 기사에서는 당사의 연구, 업계 설문 조사 및 이러한 기술을 구현한 직접적인 경험을 통해 이러한 중요한 질문에 대한 통찰력을 제공합니다.

오늘날 통신 업계의 Gen AI

Gen AI는 AI의 최신 발전을 나타내며 아마도 가장 중요한 것 중 하나일 수 있습니다. 코드, 이미지, 텍스트 등 더욱 다양한 유형의 데이터를 분석하고 새로운 콘텐츠를 생성하는 이 기술의 능력은 새로운 수준의 개인화, 성능 및 고객 참여를 가능하게 합니다. 오늘날의 기능을 사용하면 네트워크 운영, 고객 서비스, 마케팅 및 영업, IT, 지원 기능 전반에 걸쳐 이미 많은 사용 사례가 가능합니다.

이러한 사용 사례는 기존 AI 기능을 향상시키고(새로운 비정형 데이터 소스 포함을 통해) 새로운 가치 소스를 제공하여(세대 AI 및 기존 AI 솔루션과의 결합을 통해) 모든 주요 영역에 상당한 영향을 미칠 수 있습니다. 현재 고객 서비스와 마케팅, 영업이 전체 영향에서 가장 큰 비중을 차지하고 있습니다(도표 3).

전시 3

우리는 장애가 있는 개인에게도 웹사이트에 대한 동등한 접근권을 제공하기 위해 노력하고 있습니다. 이 콘텐츠에 대한 정보를 원하시면 기꺼이 도와드리겠습니다. McKinsey_Website_Accessibility@mckinsey.com 으로 이메일을 보내주세요.

초기 파일럿을 기반으로 한 이러한 사용 사례의 예는 다음과 같습니다.

• 고객 서비스에서는 기술을 통해 고객 경험을 대폭 개선하고 상담원 생산성을 높이며 완전한 디지털 상호 작용을 가능하게 합니다. 라틴 아메리카의 한 통신사는 상담사 지원을 개선하기 위해 고객 서비스 AI 챗봇을 강화하고 있으며, 이를 통해 비용이 15~20% 절감될 것으로 예상하고 있습니다. 이 통신업체는 또한 Gen AI를 사용하여 거의 12개 사용 사례에서 음성 및 서면 고객 상호 작용을 요약하고 관련 비용을 최대 80%까지 줄일 수 있을 것으로 기대하고 있습니다.
• 마케팅 및 영업 분야에서는 Gen AI를 통해 초개인화, 더 깊은 고객 통찰력, 더 빠른 콘텐츠 생성이 가능합니다. 유럽의 한 통신사는 이 기술을 사용하여 고객 통화에서 새로운 판매 리드를 식별하고 있으며 파일럿 프로젝트에서 10% 이상의 전환율을 달성했습니다. 이제 회사는 개별 고객의 마이크로세그먼트를 대상으로 개인화된 메시지와 시각적 미디어를 만들 수도 있습니다. 이를 위해 통신사는 Gen AI 모델에 표준 마케팅 메시지, 고객 데이터(가족 세부 정보, 사용하는 전화 유형, 거주지 포함) 및 인지적 편향(예: 고객이 메시지를 더 잘 수용할지 여부)을 제공합니다. 제한된 시간 제공과 같이 희소성을 불러일으키거나 보증, 수상, 업계 경험과 같은 권위를 강조하는 것).
• 네트워크 운영에서 Gen AI는 기술 구성을 최적화하고, 노동 생산성을 향상시키며, 소셜 미디어에서 고객 통찰력을 추출하고, 구조화되지 않은 데이터 마이닝 기능을 통해 재고 및 네트워크 계획 및 관리를 개선할 수 있습니다. 한 대형 통신사는 이 기술을 사용하여 공급업체 계약에서 얻은 사양 및 유지 관리 정보를 포함하여 네트워크 구성 요소에 대한 데이터를 분석하고 구조화함으로써 네트워크 매핑을 가속화하고 있습니다. 이를 통해 통신업체는 구성 요소 호환성, 유지 관리 요구 사항 등을 보다 정확하게 평가할 수 있으며, 이를 통해 운영 계획을 개선하고 자본 생산성을 최적화할 수 있을 것으로 예상됩니다.
• 기술이 소프트웨어 마이그레이션 및 개발을 가속화할 수 있는 IT에서 Gen AI는 통신업체에 늘어나는 기술 부채를 줄이고 이전에는 시간 및 리소스 제약으로 인해 연기되었던 기능을 활성화할 수 있는 경로를 제공합니다. 조직은 최종 사용자가 새로운 제품, 기능 또는 서비스를 인식하는 방식을 문서화하는 것부터 출시 전에 취약점에 대한 코드를 생성하고 검색하는 것까지 전체 소프트웨어 수명 주기를 간소화하기 위해 Gen AI를 적용하고 있습니다. McKinsey의 한 연구에 따르면 소프트웨어 개발자는 Gen AI를 사용하여 코딩 작업을 최대 두 배 빠르게 완료 할 수 있는 것으로 나타났습니다 .
• 지원 기능에서는 Gen AI가 백오피스 운영과 관련된 비용을 절감하고 직원 생산성을 향상시킵니다. 유럽의 한 통신사는 조달 분석 및 협상 전략 통찰력을 몇 주에서 몇 시간으로 단축하고, 자동 심사 및 추천을 통해 채용 비용을 줄이고, 내부 생성 챗봇 및 부조종사를 사용하여 직원 생산성을 향상하고, 대부분의 자동화를 포함한 다양한 방법으로 이 기술을 사용합니다. 내부 콘텐츠 생성. 회사에서는 이러한 노력이 합쳐져 직원 생산성이 30% 향상될 것으로 기대하고 있습니다.

내부 사용 사례를 고객을 위한 새로운 제품으로 전환함으로써 새로운 가치의 원천이 나타날 수도 있습니다. 예를 들어, 콜센터의 생산성과 서비스를 개선할 방법을 모색하는 중소기업 고객에게 고객 관리 솔루션이 주문형으로 제공될 수 있습니다.

우리의 기술, 미디어 및 통신 업무에 대해 더 자세히 알고 싶으십니까 ?

통신 사업자 페이지를 방문하세요.

통신업체 리더의 전망: 실제 변화와 실제 과제

우리가 조사한 비즈니스 리더들은 초기 성공에 힘입어 내년에도 Gen AI에 대한 예산을 유지하거나 두 배로 늘리고 Gen AI 야망을 효과적으로 추구하기 위해 50명 이상의 전담 정규 직원에 투자할 계획이라고 말했습니다. 절반 이상이 이미 사용 사례를 확장하고 있습니다.

더욱이, 설문 조사 결과에 따르면 이 기술은 모든 AI 이니셔티브 전반에 걸쳐 연쇄 효과를 가져오는 것으로 나타났습니다. McKinsey의 2022년 디지털 트윈 설문조사 응답과 비교하면 데이터와 분석에 더 투자하고 집중하기를 원하는 비즈니스 리더의 수가 30% 포인트 증가한 것으로 나타났습니다.

그러나 기회의 크기와 관심(및 필요) 수준에도 불구하고 우리 설문 조사에 따르면 대규모 성공에 필요한 전체적인 접근 방식을 따르는 사람은 거의 없습니다. 통신업체 리더 중 약 1/3만이 Gen AI에 대한 직원의 역량 구축 계획을 갖고 있거나 변화 관리 노력에 투자하고 있다고 답했습니다. 이는 혁신 문화와 테스트 및 학습 사고방식 구축을 위한 두 가지 핵심 구성 요소입니다. 비슷한 비율로 젠 AI가 아직 조직의 우선순위로 처리되지 않았으며 기술 지지자들이 사용 사례를 정당화하는 데 종종 어려움을 겪는다고 말했습니다. AI 세대를 CEO 주도 우선순위로 올리려면 더 많은 작업이 필요합니다. 더욱이, 적절한 인재를 찾고 양질의 데이터를 확보하는 것은 통신업체에게 여전히 중요한 과제로 남아 있습니다. 하지만 설문 조사에 참여한 리더들 사이에서는 이러한 문제 해결에 대한 자신감이 작년에 비해 높아졌습니다.

마지막으로, 설문 조사 결과에 따르면 Gen AI는 이미 오랜 시장 역학에 영향을 미치기 시작했습니다. 유럽 ​​통신 사업자는 전통적으로 AI 및 기술 혁신에서 뒤쳐져 왔지만, 조사 결과에 따르면 특히 네트워크 운영(71% 대 58%) 및 IT와 같은 분야에서 Gen AI 채택에 있어 북미 지역보다 앞서고 있는 것으로 나타났습니다. (67% 대 55%) 이러한 변화는 데이터 개인 정보 보호 관리의 성숙도가 높아진 결과일 수 있습니다. 소규모 사업자와 대규모 사업자는 어디에 우선순위를 두어야 하는지에 대해 비슷한 견해를 보이고 있으며 비슷한 방식으로 고객 서비스와 IT에 초점을 맞추고 있으며 이는 기존 사업자에게 새로운 경쟁 압력이 나타날 가능성을 시사합니다(그림 4).

전시 4

우리는 장애가 있는 개인에게도 웹사이트에 대한 동등한 접근권을 제공하기 위해 노력하고 있습니다. 이 콘텐츠에 대한 정보를 원하시면 기꺼이 도와드리겠습니다. McKinsey_Website_Accessibility@mckinsey.com 으로 이메일을 보내주세요.

성공적인 Gen AI 여정을 위한 구성 요소

위에서 언급한 효과를 달성하려면 조직은 개념 증명의 미로에서 벗어나 기술을 확장해야 합니다. 모든 디지털 또는 AI 이니셔티브와 마찬가지로 이를 수행하는 데 지름길은 없습니다. 동일한 핵심 빌딩 블록이 필요합니다. 즉 (1) 비즈니스 주도 로드맵, (2) 적절한 인재, (3) 규모에 맞는 운영 모델, (4) 속도와 혁신을 위해 구축된 기술, (5) 품질 데이터 (6) 채택 및 확장을 보장하기 위한 변경 관리. 이는 AI 기반 통신사를 향한 여정에서 사용 사례를 효과적으로 확장하고 AI 세대의 지속 가능한 영향을 포착하는 데 있어 기본 기둥입니다.

그러나 동일한 전체적인 접근 방식이 필요하지만 Gen AI의 고유한 기능(외견상 관련이 없어 보이는 데이터에서 새로운 통찰력을 표면화하는 능력, 타사 공급업체의 대규모 언어 모델에 대한 의존성, 역할 및 작업에 대한 혁신적인 영향)은 새로운 과제를 제시합니다. 이를 위해서는 더 큰 민첩성과 추가적인 감독이 필요합니다. 다음으로, 주요 차이점을 간략히 설명하고 통신업체가 이를 가장 잘 해결할 수 있는 방법에 대한 권장 사항을 제공합니다.

전략: 솔루션 구축, 구매 또는 세부 조정 시기 결정

모든 AI 이니셔티브와 마찬가지로 리더는 비전, 가치 및 로드맵을 조정하고 위험과 기회를 모두 평가하고 조직 전체에서 사용할 지침을 전달해야 합니다. 로드맵을 구축할 때 통신업체 리더는 선택에 직면 하게 됩니다 . 상용 솔루션이 있는 경우 기성 솔루션을 사용할 것인지, 내부 데이터로 기존의 대규모 언어 모델을 미세 조정할 것인지, 아니면 처음부터 새로운 기반 모델을 구축하고 훈련할 것인지(무슨 일인지) 우리는 각각 "테이커(taker)", "셰이퍼(shaper)", "메이커(maker)" 접근 방식을 참조합니다.

각각은 다양한 사용 사례에 적합하고 비용도 다르기 때문에 리더는 사용 사례를 추구할 명확한 비전과 전략뿐만 아니라 방법도 개발해야 합니다. 일부 통신업체에서 저지르는 실수 중 하나는 콘텐츠 생성기 또는 통화 요약 솔루션과 같은 일반 세대 AI 솔루션을 처음부터 구축하는 것입니다. 현재 시장에는 세대 AI 시작부터 거의 12가지의 기본 옵션이 있습니다. 기존 솔루션에 세대 AI 기능을 주입하는 ups 또는 SaaS 공급업체. 설문조사에 참여한 통신업체 리더 중 3분의 1만이 기성품을 구매한다고 답했는데, 이는 많은 통신업체가 계속해서 DIY(Do-It-Yourself) 모델을 채택하고 있음을 시사합니다. 이러한 움직임은 과거에 다른 기술에서 그랬던 것처럼 혁신을 늦추고 더 차별화된 사용 사례에서 인재의 주의를 분산시킬 가능성이 높습니다.

대신, 리더들은 매우 복잡하지 않거나 통신사에 국한되지 않는 솔루션을 위해 Gen AI 솔루션 제공업체 및 엔터프라이즈 소프트웨어 공급업체와의 파트너십을 강력히 고려해야 합니다. 이는 구현 지연으로 인해 이미 이러한 서비스를 활용하고 있는 경쟁업체에 비해 불리한 상황에 놓이게 되는 경우 특히 중요합니다. 리더가 스스로 형성하거나 만드는 데 집중할 수 있는 소수의 솔루션을 통해 제품을 차별화하거나 최고의 서비스 또는 네트워크 범위 제공과 같은 전략적 비즈니스 우선순위를 처리하고 지속적인 경제적 영향을 추진할 수 있습니다. 이를 위해 대형 통신사의 한 CIO는 모든 주요 영역의 비즈니스 리더들을 모아 수백 가지의 잠재적 사용 사례를 평가하고 모델 구축, 구매 또는 세부 조정 시기를 결정하고 리소스 및 우선 순위를 결정하기 위한 로드맵을 구축하고 있습니다. 초기 성공으로 추진력을 구축합니다.

AI 기반 통신사: 격동의 시대에 성공할 수 있는 획기적인 변화

기사를 읽다

인재: Gen AI를 통한 혁신을 위한 내부 전문성 강화 및 확장

이제 Gen AI를 통해 가능한 혁신의 속도는 내부 AI 전문 지식을 구축하기 위해 기술 인재를 아웃소싱하는 데 익숙한 통신업체에 새로운 압력을 가하고 있습니다. 기술 인재를 지속적으로 해외 아웃소싱 및 아웃소싱한 통신업체와 10명의 데이터 과학자 및 엔지니어로 구성된 전담 AI 팀을 만든 통신업체 두 곳의 경험을 생각해 보세요. 첫 번째 통신사가 Gen AI 사용 사례 개발을 아웃소싱하기 위한 요구 사항 초안을 작성하는 동안 두 번째 통신사는 4세대 AI 솔루션을 구축하고 배포했습니다.

이 새로운 기술은 모델을 구축하는 데 고도로 전문화된 데이터 과학자의 수를 줄여 AI를 민주화하지만, 때로는 기존 역할에 내장된 별도의 기술일 수 있는 Gen AI 프롬프트 엔지니어링과 같은 새로운 기술이 필요합니다. 또한 사용자 쿼리, 응답, 피드백을 포함하여 이러한 시스템에서 새로운 형태의 데이터가 생성 및 소비됨에 따라 수집할 데이터와 방법을 이해하고 일일 품질 검토를 감독할 수 있는 훨씬 더 많은 데이터 엔지니어와 주제 전문가가 필요합니다.

잠재력을 최대한 활용하려면 독점 데이터를 제3자 언어 모델에 업로드하는 위험을 포함하여 데이터 과학자부터 비즈니스 리더까지 기존 직원의 AI 기술을 크게 향상시켜야 합니다. 일부 통신업체는 팀이 기술을 혁신하고 실행하는 데 적합한 기술과 역량을 갖출 수 있도록 내부 인증 및 대학 주도 교육 프로그램을 마련하고 있습니다. 예를 들어, 대형 통신사는 AI, 법률 및 위험 전문가가 제공하는 사용, 위험 및 효과적인 프롬프트 기술에 대한 회사 세션을 완료한 Gen-AI 준비 직원을 식별하기 위한 배지 시스템을 만들었습니다. 인증 후 사용자는 주간 토론 그룹에 참여하여 변경 사항을 파악하고 성공과 과제에 대해 논의합니다. McKinsey 연구에 따르면 이러한 노력이 프롬프트의 품질을 향상시키는 것으로 나타났습니다.

운영 모델: 전사적 노력을 조율합니다.

구현된 Gen AI 솔루션의 상당 부분을 다양한 사용 사례에 적용하고 재사용할 수 있습니다. 예를 들어 상담원 생산성 향상을 위해 개발된 Gen AI 챗봇은 추가적인 미세 조정이나 데이터를 통해 용도를 변경하여 신입 직원이 자주 묻는 질문에 답변하거나 IT 지원을 제공할 수 있습니다. 판매 제안 초안 작성을 위한 기성 콘텐츠 생성 시스템은 마케팅 및 사업 계획 개발을 간소화할 수도 있습니다.

결과적으로 우리는 통신사가 Gen AI 개발과 관련하여 보다 중앙 집중화된 의사 결정을 채택하는 것을 보기 시작했습니다. 이러한 변화에는 재사용 가능한 서비스 및 셀프 서비스 구성 요소 채택에 대한 더 큰 강조, 위험, FinOps 및 혁신 사무실과 같은 주요 기능의 진화를 통해 Gen AI에 더욱 집중하고 다음을 수행할 수 있는 "컨트롤 타워"의 생성이 포함됩니다. 모든 Gen AI 투자 및 개발 노력을 감독합니다. 실제로 이는 사용 사례 파이프라인의 우선순위 지정, 재사용 기회 식별, 사용 사례와 기업 수준 모두에서 영향을 측정 및 추적하기 위한 핵심 성과 지표 설정, 공급업체 및 위험 관리 등을 의미할 수 있습니다. 유럽 ​​통신사의 컨트롤 타워는 재정적 영향, 사용자 채택, 모델 성능이라는 세 가지 차원을 기반으로 세대 AI 혁신의 효과를 평가하고 회사 최고 경영진이 조직의 진행 상황을 계속 확인할 수 있도록 대시보드에 데이터를 집계합니다. 마찬가지로, 라틴 아메리카 통신사는 컨트롤 타워를 사용하여 공급업체 계약을 통합 및 표준화하고, 범위, 기간, 갱신과 같은 주요 지표를 추적하여 공급업체를 보다 쉽게 ​​비교하고, 잠재적인 중복을 식별하고, 콘텐츠 디지털화에 대한 수작업을 줄입니다.

기술: 재사용성, 혁신, 우수성을 위한 청사진 만들기

조직에는 재사용을 가능하게 하는 기술 청사진도 필요합니다. 예를 들어 청사진에는 사용할 대규모 언어 모델과 시기를 결정하기 위한 프레임워크가 포함되어야 합니다(예: 상용 또는 오픈 소스 모델, 하이브리드 워크로드를 지원하는 모델). 그리고 예를 들어 100명의 통화 상담원에게 서비스를 제공하는 파일럿을 동일한 대기 시간 및 비용 프로필로 10,000명 이상의 상담원에게 서비스하도록 확장하는 등 파일럿을 확장하는 방법을 제시해야 합니다. 또한 청사진에는 어떤 세대의 AI 기능을 즉시 사용 가능한 모듈로 전환하여 다양한 사용 사례에 연결할 수 있는지 결정하기 위한 프레임워크가 있어야 합니다. 예를 들어, 한 대형 통신사는 대규모 데이터 세트에서 제품 데이터를 가져와 고객 서비스, 네트워크 운영, 영업 및 마케팅과 같은 도메인 전반에 걸쳐 데이터 과학 팀이 재사용할 수 있는 콘텐츠를 생성하도록 설계된 구성 요소를 식별 및 개발하기 시작했습니다. .

차세대 AI 연구 및 기능이 매주, 때로는 매일 발표됨에 따라 기술 팀에는 업계 변화를 파악하고 새로운 솔루션을 테스트하기 위한 전용 세대 AI 혁신 연구소도 필요합니다. 예를 들어, 한 대형 통신사의 최고 데이터 및 분석 책임자는 대학의 박사 학위 졸업생을 채용하여 Gen AI 혁신 연구소에 직원을 채용하고 시장보다 앞서 맞춤형 솔루션을 구축하여 경쟁 우위를 확보했습니다.

새로운 모델이 배포되면 통신업체는 모델 출력을 매일 모니터링하여 모델이 사용자 쿼리 및 피드백을 기반으로 응답을 학습하고 조정할 때 품질과 정확성이 흔들리지 않도록 해야 합니다. LLMOps(대형 언어 모델 작업)는 Gen AI 모델의 일일 관리 및 모니터링을 간소화하는 것을 목표로 하는 새로운 방식입니다. LLMOps의 핵심 구성 요소는 네트워크 운영 팀이 네트워크 성능을 위해 수행하는 것처럼 배포된 모든 Gen AI 모델을 감독하고 문제를 지속적으로 모니터링하고 필요할 때 솔루션을 신속하게 조정하는 전담 운영 팀입니다. 조직은 지금 작게 시작하여 LLMOps 분야가 발전함에 따라 이 영역에서 역량을 구축할 수 있습니다. 예를 들어, 유럽 통신사는 배포된 소수의 모델을 모니터링하기 위해 데이터 과학자 3명을 할당하는 것으로 시작했으며 더 많은 모델이 배포됨에 따라 팀을 확장할 계획입니다.

데이터: 모든 것, 특히 구조화되지 않은 데이터를 캡처하고 책임 있는 사용을 보장합니다.

Gen AI의 초능력 중 하나는 겉보기에는 관련이 없는 데이터 세트에서 연결을 찾아내는 능력입니다. 이는 조직이 데이터를 수집하고 측정하는 방법과 책임 있는 사용을 보장하기 위해 데이터를 관리하는 방법에 영향을 미칩니다.

데이터 수집: 통신업체는 데이터 수집, 더 많은 데이터 매핑, 비정형 데이터용 파이프라인 설정, 출력 평가를 위한 합성 데이터 생성에 대해 보다 광범위하게 생각 해야 합니다 . 예를 들어, 미국의 한 통신사는 연간 100만 건 이상의 채팅에서 평균 해결 시간을 40% 단축하는 고객 서비스 상담원 부조종사를 개발하는 작업에서 전통적인 데이터 세트를 뛰어넘었습니다. 업무의 일환으로 회사의 데이터 과학자는 상담원 이메일과 상호 작용을 통해 제도적 지식을 수집하여 챗봇이 실제 상황과 과제로부터 학습하고 특정 문제를 해결하는 방법에 대한 자세한 설명을 제공할 수 있도록 합니다. 또한 팀은 대규모 언어 모델을 사용하여 합성 데이터를 생성하여 샘플 고객 질문과 답변을 생성하고 상담원은 출력의 정확성을 검토합니다.

책임 있는 사용: 이러한 유형의 보다 정교한 데이터 전략 및 전술에는 새로운 규제, 지적 재산 및 데이터 개인 정보 보호 문제가 수반됩니다. 이 새로운 시대에는 특히 타사의 대규모 언어 모델 및 오픈 소스 환경에서 분석 및 생성되는 고객 통찰력, 권장 사항 및 네트워크 최적화로 인한 위험이 많습니다. 새로운 위험을 해결하기 위해 통신업체는 비정형 데이터를 처리하도록 데이터 거버넌스 프로그램을 확장해야 합니다. 예를 들어, 한 다국적 통신사 하드웨어 제공업체는 Gen AI 사용 사례에서 어떤 데이터를 사용할 수 있는지 검증하기 위해 강력한 데이터 액세스 프로세스를 만들었습니다. 법률 및 보안 전문가와 함께 데이터 소유자는 협력하여 비즈니스에 대한 데이터의 중요성(중요도가 높은 것으로 간주되는 데이터는 상용 대형 언어 모델에 입력할 수 없음)을 포함한 여러 기준을 기반으로 각 사용 사례를 검증합니다. 최종 사용자(일부 사용자는 특정 데이터 자산에 액세스할 수 없음) Gen AI 솔루션이 잘못된 답변을 제공할 경우의 위험. 팀은 팀 전체의 워크플로를 관리 및 자동화하기 위해 간단한 Microsoft Power App을 사용하여 민첩한 방식으로 프로세스를 관리하고, 프로세스를 검토하고 개선 사항을 개발하기 위해 월별 포럼을 실시합니다. 조직은 회사의 책임 있는 사용을 보장하기 위해 지적 재산 및 기타 위험으로 인해 번호를 거부하는 200개 이상의 사용 사례를 검토했습니다.

변경 관리: 채택 및 확장이 CEO 주도로 이루어지도록 보장

네트워크 기술자부터 HR 전문가 까지 모든 사람을 포함한 모든 역할이 Gen AI의 영향을 받게 되므로 리더는 이 혁신적인 기술의 전체 가치를 포착하기 위해 직원을 지금 준비시키기 시작해야 합니다. 많은 직원이 이미 개인 생활에서 기술을 사용하고 있으므로 조직은 직원이 전문적인 상황에서 기술을 적용하는 방법을 배우고 규모에 맞게 직원의 기술을 향상시키고 재교육하는 방법을 고려해야 합니다. 예를 들어 맞춤형 적응형 교육 프로그램을 개발 및 제공하고 심지어 온보딩 직원에게도 Gen AI를 사용하면 이러한 작업을 더 쉽게 할 수 있습니다.

예를 들어, 또 다른 유럽 통신사는 상담원이 고객 질문에 더 빨리 답변할 수 있도록 돕는 Gen-AI 기반 지식 "전문가"를 만들면서 변화 관리와 기술 향상의 중요성을 직접 확인했습니다. 프로세스 변경이나 직원 교육이 포함되지 않은 초기 파일럿에서는 생산성이 5%만 향상되었습니다. 조직이 솔루션 확장을 준비하는 동안 리더들은 예산의 90%를 상담원 교육 및 변경 관리 프로세스에 할당하여 솔루션 채택을 촉진하고 생산성을 30% 이상 향상시켰습니다. 이 통신업체는 또한 Gen AI를 사용하여 기술 향상 프로그램을 만들고 솔루션 출시 후 상담원에게 개선을 위한 맞춤형 권장 사항을 제공했습니다.

---

많은 기업이 이미 Gen AI를 통해 실질적인 비용 절감과 수익 개선을 달성했지만 아직은 기술 초기 단계입니다. 향후 5년 내에 자연어 이해의 획기적인 개선, 다양한 주제에 대한 인간과 유사한 추론의 발전, 정확도가 향상되고 환각이 적은 실시간 솔루션의 가용성을 포함한 새로운 기능을 통해 기본 수준을 뛰어 넘는 훨씬 더 흥미로운 기회가 열릴 것입니다. 오늘 본 개선 사항.

이러한 세대 AI 기능을 결합하면 통신업체는 업계 표준을 재정의하고 시장에서 차별화될 수 있습니다. 예를 들어, 기술자의 이미지를 평가하고, 정확한 해결 방법을 제안하고, 개입이나 작업 주문을 자동으로 시작하는 AI 부조종사를 통해 네트워크 운영을 향상하고 품질 표준을 근본적으로 재구성할 수 있습니다. 영업에서 인지 부조종사는 실시간으로 고객 통화에 대한 감정 분석을 수행하고 영업 담당자에게 최선의 대응 방법을 안내하여 영업 전략, 고객 참여 및 전반적인 영업 결과를 근본적으로 변경할 수 있습니다. 인지 챗봇을 사용하는 고객 서비스 채널은 개인 정보 보호 및 공정성 문제를 고려하면서 복잡한 질문에 실시간으로 원활하게 답변할 수 있으므로 효율성을 혁신하는 동시에 고객에게 인간과 같은 경험을 제공할 수 있습니다. 조직의 제도적 지식이 부여된 도메인별 솔루션이 전례 없는 자동화 및 AI 기반 의사 결정을 가능하게 함으로써 전사적으로 효율성과 생산성이 향상될 수 있습니다.

AI 세대의 갑작스러운 등장으로 AI 기반 통신사의 꿈이 현실화에 훨씬 더 가까워졌습니다. 이를 통해 통신업체는 최근 침체된 상황을 반전시키고 성장과 혁신의 새로운 시대를 열 수 있는 기회를 얻게 되었습니다. 그러나 그 여정은 쉽지 않을 것이다. AI 세대의 요구에 응답하기 위해 통신업체는 이전에 구축하고 유지하는 데 어려움을 겪었던 이 기사에서 공유한 핵심 구성 요소를 통해 지원되는 혁신과 실험의 문화를 신속하게 채택해야 합니다. 기술이 매우 빠르게 발전함에 따라 현재 이를 수용하는 운영자는 다른 사람들이 따라가기 어려운 중요한 선두를 창출할 가능성이 높습니다.

저자 소개

Stephen Creasy 는 McKinsey 코펜하겐 사무소의 파트너, Ignacio Ferrero 는 마이애미 사무소의 파트너, Tomás Lajous 는 뉴욕시 사무소의 수석 파트너, Victor Trigo 는 마드리드 사무소의 Associate 파트너, Benjamim Vieira 는 수석 파트너입니다. 리스본 사무실의 파트너입니다.

저자는 이 기사에 기여한 Joshan Cherian Abraham, Eric Buesing, Michael Chui, Sebastian Cubela, Guilherme Cruz, Andrea Fariña, Roger Roberts 및 Kayvaun Rowshankish에게 감사의 말씀을 전하고 싶습니다.