2024년은 AI 세대가 그 가치를 입증하는 해가 될 예정이므로 기업은 디지털 및 AI 혁신을 통해 배운 어려운 교훈을 명심해야 합니다. 경쟁 우위는 솔루션을 광범위하게 혁신, 배포 및 개선하기 위한 조직 및 기술 역량을 구축하는 데서 비롯됩니다. 규모 - 사실상 분산형 디지털 및 AI 혁신을 위해 비즈니스를 재배치합니다 .
공유하다
사이드바
McKinsey의 AI인 QuantumBlack 소개
Gen AI를 통해 조기에 승리를 거두려는 기업은 빠르게 움직여야 합니다. 그러나 Gen AI가 힘들고 필요한 조직 수술을 통과하는 지름길을 제공하기를 바라는 사람들은 실망스러운 결과를 만날 가능성이 높습니다. 파일럿을 시작하는 것은 (상대적으로) 쉽습니다. 파일럿을 통해 규모를 확장하고 의미 있는 가치를 창출하는 것은 실제로 작업이 수행되는 방식에 광범위한 변화가 필요하기 때문에 어렵습니다.
이것이 태평양 지역의 한 통신회사에 어떤 의미인지 간략하게 살펴보겠습니다. 회사는 "조직이 데이터와 AI를 통해 가치를 창출할 수 있도록 지원"하는 임무를 맡은 최고 데이터 및 AI 책임자를 고용했습니다. 최고 데이터 및 AI 책임자는 비즈니스와 협력하여 전략적 비전을 개발하고 사용 사례에 대한 로드맵을 구현했습니다. 도메인(즉, 고객 여정 또는 기능)과 기업 전체의 사용 사례 기회를 조사한 후 경영진은 홈 서비스/유지 관리 도메인에 우선 순위를 부여하여 더 큰 순서의 이니셔티브의 일부로 파일럿 및 확장했습니다. 특히 그들은 배치 담당자와 서비스 운영자가 주택 서비스에 필요한 통화 유형과 부품을 더 잘 예측할 수 있도록 돕는 Gen AI 도구 개발을 목표로 삼았습니다.
리더십은 Gen AI 도구를 구축하기 위해 공유된 목표와 인센티브를 갖춘 다기능 제품 팀을 배치합니다. 데이터 및 생성 AI 도구를 더 효과적으로 사용할 수 있도록 기업 전체의 기술을 향상시키려는 노력의 일환으로 데이터 및 AI 아카데미도 설립했으며, 파견 담당자와 서비스 운영자는 교육의 일부로 등록했습니다. Gen AI를 위한 기술 및 데이터 기반을 제공하기 위해 최고 데이터 및 AI 책임자는 도메인의 요구 사항을 충족할 뿐만 아니라 기업의 다른 부분에도 서비스를 제공할 수 있는 LLM(대형 언어 모델) 및 클라우드 공급자를 선택했습니다. 최고 데이터 및 AI 책임자는 또한 Gen AI 도구를 구축하는 데 필요한 깨끗하고 신뢰할 수 있는 데이터(서비스 이력 및 인벤토리 데이터베이스 포함)가 빠르고 책임감 있게 제공될 수 있도록 데이터 아키텍처 구현을 감독했습니다.
우리 책 Rewired: The McKinsey Guide to Outcompeting in the Age of Digital and AI (Wiley, 2023년 6월)는 디지털 및 AI 기술을 활용하는 광범위한 변화를 제공하는 데 필요한 6가지 기능에 대한 자세한 매뉴얼을 제공합니다. 이 기사에서는 이러한 각 기능을 확장하여 성공적인 Gen AI 프로그램을 대규모로 구현하는 방법을 살펴보겠습니다. 아직 초기 단계이고 배울 것이 훨씬 더 많다는 점을 인식하면서도, 우리의 경험에 따르면 Gen AI 기회를 개척하려면 기업이 다음과 같은 방식으로 업무 방식을 재구성해야 합니다.
Gen AI 부조종사가 어디에서 진정한 경쟁 우위를 제공할 수 있는지 알아보세요.
Gen AI에 대한 폭넓은 관심과 상대적인 사용 용이성으로 인해 조직 전체에서 폭발적인 실험이 이루어졌습니다. 그러나 이러한 계획의 대부분은 경쟁 우위를 창출하지 못합니다. 예를 들어, 한 은행은 수만 개의 GitHub Copilot 라이선스를 구입했지만 해당 기술을 사용하는 방법에 대한 명확한 이해가 없었기 때문에 진행 속도가 느렸습니다. 우리가 흔히 볼 수 있는 또 다른 집중되지 않는 노력은 기업이 Gen AI를 고객 서비스 기능에 통합하려는 움직임입니다. 대부분의 기업에서 고객 서비스는 핵심 비즈니스의 일부가 아닌 필수 기능입니다. 이러한 경우 Gen AI가 생산성에 도움이 될 수는 있지만 경쟁 우위를 창출하지는 않습니다.
경쟁 우위를 창출하기 위해 기업은 먼저 "수용자"(주로 API 및 구독 서비스를 통해 사용 가능한 도구의 사용자), "형성자"(독점 데이터가 있는 사용 가능한 모델의 통합자) 및 "구성자"의 차이점을 이해해야 합니다. 메이커”(LLM 빌더). 현재로서는 메이커 접근 방식은 대부분의 회사에 너무 비용이 많이 들기 때문에 기업이 가장 선호하는 방식은 생산성 향상을 위한 테이커 모델을 구현하는 동시에 경쟁 우위를 위한 셰이퍼 애플리케이션을 구축하는 것입니다.
Gen AI의 단기 가치 중 상당 부분은 사람들이 현재 업무를 더 잘 수행하도록 돕는 능력과 밀접하게 연관되어 있습니다. 이러한 방식으로 Gen AI 도구는 직원과 나란히 작업하는 부조종사 역할을 하여 개발자가 조정할 수 있는 초기 코드 블록을 생성하거나 현장 유지 관리 작업자가 새 부품에 대한 요청 주문 초안을 작성하는 등의 작업을 수행합니다. 검토하고 제출할 수 있습니다(사이드바 "세 가지 생성 AI 원형에 대한 Copilot 예" 참조). 이는 기업이 부조종사 기술이 우선순위 프로그램에 가장 큰 영향을 미칠 수 있는 부분에 집중해야 함을 의미합니다.
공유하다
사이드바
세 가지 생성 AI 원형에 대한 부조종사 사례
예를 들어, 일부 산업 기업에서는 유지 관리를 비즈니스의 중요한 영역으로 식별했습니다. 유지 관리 보고서를 검토하고 최전선의 작업자와 시간을 보내는 것은 장비 고장 문제를 조기에 신속하게 식별하는 등 Gen AI 부조종사가 큰 변화를 만들 수 있는 부분을 판단하는 데 도움이 될 수 있습니다. 또한 Gen AI 부조종사는 트럭 고장의 근본 원인을 식별하고 평소보다 훨씬 빠르게 해결책을 권장하는 데 도움을 줄 뿐만 아니라 모범 사례 또는 표준 운영 절차에 대한 지속적인 소스 역할을 할 수 있습니다.
부조종사의 과제는 생산성 향상을 통해 수익을 창출하는 방법을 찾는 것입니다. 예를 들어, 고객 서비스 센터의 경우 회사는 신규 상담원 모집을 중단하고 인력 감소를 통해 실질적인 금전적 이익을 얻을 수 있습니다. 따라서 생산성 향상을 통해 수익을 창출하는 방법에 대한 계획을 미리 정의하는 것은 가치를 포착하는 데 중요합니다.
보유한 재능을 향상하되 필요한 AI 관련 기술에 대해 명확히 하세요.
지금까지 대부분의 기업은 모델 미세 조정, 벡터 데이터베이스 관리, 프롬프트 엔지니어링, 컨텍스트 엔지니어링 등 필요한 기술 세대 AI 기술을 제대로 이해하고 있습니다. 대부분의 경우 이는 기존 인력을 교육하여 개발할 수 있는 기술입니다. 기존 AI 및 머신러닝(ML) 기능을 갖춘 기업은 강력한 우위를 점하고 있습니다. 예를 들어 데이터 엔지니어는 다중 모드 처리 및 벡터 데이터베이스 관리를 배울 수 있고, MLOps(ML 작업) 엔지니어는 자신의 기술을 LLMOps(LLM 작업)로 확장할 수 있으며, 데이터 과학자는 신속한 엔지니어링, 편향 감지 및 미세 조정 기술을 개발할 수 있습니다.
공유하다
사이드바
새로운 생성 AI 기술이 필요한 샘플
다양한 LLM이 할 수 있는 것과 할 수 없는 것과 이를 가장 잘 사용하는 방법을 배우는 것이 복잡하기 때문에 학습 과정은 적절한 수준의 역량에 도달하는 데 2~3개월이 걸릴 수 있습니다. 예를 들어 코더는 소프트웨어 구축, 테스트 및 답변 검증 경험을 쌓아야 합니다. 한 금융 서비스 회사는 최고의 데이터 과학자를 높은 수준의 역량으로 교육하는 데 3개월이 걸렸습니다. 과정과 문서를 이용할 수 있지만(많은 LLM 제공업체는 개발자를 위한 부트 캠프를 보유하고 있습니다) 규모에 맞게 역량을 구축하는 가장 효과적인 방법은 견습, 교육을 통해 다른 사람을 교육하고 실무자 커뮤니티를 구축하는 것임을 알게 되었습니다. 팀별로 전문가를 순환시켜 다른 사람을 교육하고, 사람들이 학습을 공유할 수 있도록 정기적인 세션을 예약하고, 격주로 문서 검토 세션을 주최하는 것은 실무자 커뮤니티를 구축하는 데 성공한 것으로 입증된 관행입니다(사이드바 "필요한 새로운 생성 AI 기술 샘플" 참조).
성공적인 Gen AI 기술은 코딩 숙련도 그 이상이라는 점을 명심하는 것이 중요합니다. 자체 Gen AI 플랫폼인 Lilli를 개발한 우리의 경험 을 통해 우리는 최고의 Gen AI 기술 인재가 솔루션에 집중할 위치를 찾아내는 설계 기술, 가장 관련성이 높고 고품질 답변이 생성되도록 하는 상황별 이해, 작업에 필요한 협업 기술을 갖추고 있음을 보여주었습니다. 지식 전문가(답변을 테스트 및 검증하고 적절한 큐레이션 접근 방식 개발), 고장 원인을 파악하기 위한 강력한 포렌식 기술(데이터 문제, 사용자 의도 해석, 임베딩에 대한 메타데이터 품질 등)과 잘 어울립니다. else?), 그리고 가능한 결과를 구상 및 계획하고 코드에 올바른 종류의 추적을 추가하는 예측 기술이 필요합니다. 본질적으로 이러한 기술을 갖고 있지 않은 순수 코더는 팀 구성원만큼 유용하지 않을 수 있습니다.
현재 기술 향상은 주로 "직업 학습" 접근 방식에 기반을 두고 있지만, 지난 1년 동안 이러한 기술을 배운 사람들을 위한 시장이 빠르게 떠오르고 있습니다. 그 기술 성장은 빠르게 진행되고 있습니다. GitHub는 개발자들이 "대량"으로 Gen AI 프로젝트를 진행하고 있으며 2023년에 GitHub 플랫폼에서 65,000개의 공개 Gen AI 프로젝트가 생성되었다고 보고했습니다. 이는 전년도에 비해 거의 250% 증가한 수치입니다. 귀하의 회사가 Gen AI 여정을 막 시작했다면 회사를 위해 Gen AI Shaper 제품을 구축한 수석 엔지니어 2~3명을 고용하는 것을 고려할 수 있습니다. 이는 귀하의 노력을 크게 가속화할 수 있습니다.
책임 있는 확장을 가능하게 하는 표준을 수립하기 위해 중앙 집중식 팀을 구성합니다.
비즈니스의 모든 부분에서 Gen AI 기능을 확장할 수 있도록 하려면 역량을 중앙 집중화하는 것이 자연스러운 첫 번째 조치입니다. 이 중앙 팀의 중요한 초점은 규모를 지원하기 위한 프로토콜과 표준을 개발하고 시행하여 팀이 위험을 최소화하고 비용을 억제하면서 모델에 액세스할 수 있도록 보장하는 것입니다. 예를 들어, 팀의 작업에는 모델 조달 및 액세스 방법 규정, 데이터 준비 표준 개발, 승인된 프롬프트 라이브러리 설정 및 리소스 할당이 포함될 수 있습니다.
Lilli를 개발하는 동안 우리 팀은 개방형 플러그인 아키텍처를 만들고 API가 작동하고 구축되는 방식에 대한 표준을 설정하면서 규모를 고려했습니다. 그들은 팀이 액세스할 수 있는 사전 승인된 API가 포함된 게이트웨이인 GPT LLM 과 셀프 서비스 개발자 포털을 안전하게 실험하고 액세스할 수 있는 표준화된 도구 및 인프라를 개발했습니다. 우리의 목표는 시간이 지남에 따라 이 접근 방식을 통해 "제품으로서의 Lilli"(몇몇 팀이 특정 솔루션을 구축하기 위해 사용하는 것)를 "플랫폼으로서의 Lilli"(기업 전체의 팀이 다른 제품을 구축하기 위해 액세스할 수 있는 것)로 전환하는 데 도움이 될 수 있다는 것입니다. ).
Gen AI 솔루션을 개발하는 팀의 경우 팀 구성은 AI 팀과 유사하지만 Gen AI 경험이 있는 데이터 엔지니어 및 데이터 과학자와 위험 관리, 규정 준수 및 법률 기능의 기여자가 더 많습니다. 다양한 전문 분야에서 연합된 자원으로 스쿼드를 구성한다는 일반적인 아이디어는 변하지 않지만, AI 중심 스쿼드의 기술 구성은 바뀔 것입니다.
확장 가능한 기술 아키텍처 설정
Gen AI 모델을 구축하는 것은 상대적으로 간단한 경우가 많지만, 이를 대규모로 완벽하게 작동시키는 것은 완전히 다른 문제입니다. 우리는 엔지니어들이 일주일 만에 기본 챗봇을 구축했지만 확장 가능한 안정적이고 정확하며 규정을 준수하는 버전을 출시하는 데 4개월이 걸리는 것을 보았습니다. 그렇기 때문에 우리의 경험에 따르면 실제 모델 비용은 솔루션 총 비용의 10~15% 미만일 수 있습니다.
규모를 고려한 구축이 새로운 기술 아키텍처 구축을 의미하는 것은 아닙니다. 하지만 이는 큰 비용을 들이지 않고 프로세스를 단순화하고 속도를 높이는 몇 가지 핵심 결정에 집중하는 것을 의미합니다. 그러한 결정 중 세 가지가 눈에 띕니다.
기술 재사용에 집중하세요. 코드를 재사용하면 Gen AI 사용 사례의 개발 속도가 30~50% 향상될 수 있습니다. 좋은 접근 방식 중 하나는 승인된 도구, 코드 및 구성 요소에 대한 소스를 만드는 것입니다. 예를 들어, 한 금융 서비스 회사는 보안 팀과 법률 팀 모두의 승인을 받은 프로덕션 등급 도구 라이브러리를 만들어 팀이 사용할 수 있도록 라이브러리에 제공했습니다. 더 중요한 것은 가장 우선순위가 높은 사용 사례 전반에 걸쳐 공통적인 기능을 식별하고 구축하는 데 시간을 투자하는 것입니다. 예를 들어, 동일한 금융 서비스 회사는 100개 이상의 식별된 사용 사례에 재사용할 수 있는 세 가지 구성 요소를 식별했습니다. 이를 먼저 구축함으로써 확인된 모든 사용 사례에 대한 코드 베이스의 상당 부분을 생성할 수 있었으며, 이는 본질적으로 모든 애플리케이션이 큰 이점을 얻을 수 있게 해주었습니다.
Gen AI 모델과 내부 시스템 간의 효율적인 연결을 지원하는 데 아키텍처를 집중합니다. Gen AI 모델이 Shaper 원형에서 효과적으로 작동하려면 비즈니스 데이터 및 애플리케이션에 대한 액세스가 필요합니다. 통합 및 오케스트레이션 프레임워크의 발전으로 인해 이러한 연결에 필요한 노력이 크게 줄어들었습니다. 그러나 이러한 통합이 무엇인지, 그리고 이를 활성화하는 방법을 제시하는 것은 이러한 모델이 효율적으로 작동하도록 보장하고 기술 부채 (기존 기술 문제를 해결하는 데 필요한 시간과 리소스 측면에서 회사가 지불하는 "세금")를 생성하는 복잡성을 피하는 데 중요합니다. . 최고 정보 책임자(CIO)와 최고 기술 책임자(CTO)는 조직을 위한 참조 아키텍처와 통합 표준을 정의할 수 있습니다. 핵심 요소에는 필요에 따라 프로비저닝할 수 있는 훈련되고 승인된 모델이 포함된 모델 허브가 포함되어야 합니다. Gen AI 모델을 애플리케이션이나 데이터에 연결하는 다리 역할을 하는 표준 API 엔터프라이즈 데이터 소스의 관련 정보를 모델에 제공하여 처리 속도를 높이는 컨텍스트 관리 및 캐싱입니다.
테스트 및 품질 보증 역량을 강화하세요. Lilli를 구축한 경험을 통해 우리는 개발보다 테스트를 우선시하는 방법을 배웠습니다. 우리 팀은 각 개발 단계에 대한 테스트 프로토콜을 개발하는 것뿐만 아니라 전체 팀을 조정하는 데 투자했습니다. 예를 들어 프로세스의 각 단계에서 누가 구체적으로 승인해야 하는지 명확하게 했습니다. 이로 인해 초기 개발 속도가 느려졌지만 오류를 줄이고 실수를 수정하는 데 필요한 시간을 줄여 전반적인 제공 속도와 품질이 빨라졌습니다.
데이터 품질을 보장하고 구조화되지 않은 데이터에 집중하여 모델을 강화하세요
Gen AI 모델에서 가치를 창출하고 확장하는 기업의 능력은 자체 데이터를 얼마나 잘 활용하는지에 달려 있습니다. 기술과 마찬가지로 Gen AI의 미래 전략적 이점을 극대화하려면 기존 데이터 아키텍처 에 대한 목표 업그레이드가 필요합니다.
데이터 품질 및 데이터 증대 노력을 강화하는 데 목표를 두십시오. 데이터 품질은 항상 중요한 문제였지만, Gen AI 모델이 사용할 수 있는 데이터, 특히 구조화되지 않은 데이터의 규모와 범위로 인해 이 문제가 훨씬 더 중요해졌습니다. 이러한 이유로 의사 결정 권한을 명확히 하는 것부터 명확한 데이터 프로세스를 정의하는 것, 모델이 필요한 데이터에 액세스할 수 있도록 분류를 설정하는 것까지 데이터 기반을 올바르게 구축하는 것이 중요합니다. 이를 잘 수행하는 회사는 데이터 품질 및 강화 노력을 특정 AI/세대 AI 애플리케이션 및 사용 사례에 연결합니다. 기업의 모든 부분으로 확장하기 위해 이 데이터 기반이 필요하지 않습니다. 예를 들어 유지 관리 부조종사 애플리케이션을 더 잘 지원하기 위해 모든 장비 사양 및 보고된 문제에 대한 새로운 데이터 저장소를 개발하는 것을 의미할 수 있습니다.
비정형 데이터에 어떤 가치가 담겨 있는지 이해하세요. 대부분의 조직은 전통적으로 구조화된 데이터(가격, 기능 등 테이블로 구성할 수 있는 값)에 대한 데이터 노력을 집중해 왔습니다. 그러나 LLM의 진정한 가치는 구조화되지 않은 데이터(예: PowerPoint 슬라이드, 비디오, 텍스트)로 작업하는 능력에서 비롯됩니다. 회사는 어떤 비정형 데이터 소스가 가장 가치 있는지 파악하고 메타데이터 태깅 표준을 확립하여 모델이 데이터를 처리하고 팀이 필요한 것을 찾을 수 있도록 할 수 있습니다. 태깅은 필요한 경우 회사가 모델에서 데이터를 제거하는 데 특히 중요합니다. 데이터 기회에 대해 창의적으로 생각하십시오. 예를 들어, 일부 회사에서는 퇴직할 때 고위 직원을 인터뷰하고 기관의 지식을 LLM에 제공하여 부조종사의 성과를 향상시킵니다.
규모에 맞게 비용을 낮추도록 최적화하세요. 기업이 데이터에 대해 지불하는 금액과 데이터 인프라 및 기본 비용을 최적화할 경우 지불할 수 있는 금액 사이에는 최대 10배의 차이가 있는 경우가 많습니다. 이 문제는 기업이 데이터 접근 방식을 최적화하지 않고 개념 증명을 확장하는 데서 발생하는 경우가 많습니다. 일반적으로 두 가지 비용이 두드러집니다. 하나는 기업이 테라바이트 규모의 데이터를 클라우드에 업로드하고 해당 데이터를 연중무휴 24시간 사용할 수 있기를 원할 때 발생하는 스토리지 비용입니다. 실제로 기업에서는 해당 수준의 가용성을 확보하기 위해 데이터의 10% 이상이 필요한 경우가 거의 없으며, 24시간 또는 48시간 동안 나머지 데이터에 액세스하는 것이 훨씬 저렴한 옵션입니다. 다른 비용은 실행을 위해 수천 개의 프로세서에 대한 호출 중 액세스가 필요한 모델 계산과 관련됩니다. 이는 특히 회사가 자체 모델(제작자 원형)을 구축할 때뿐만 아니라 사전 훈련된 모델을 사용하고 자체 데이터 및 사용 사례(셰이퍼 원형)로 실행하는 경우에도 마찬가지입니다. 기업은 클라우드 플랫폼에서 계산 비용을 최적화할 수 있는 방법을 면밀히 살펴볼 수 있습니다. 예를 들어 프로세서를 사용하지 않을 때(예: 미국인이 잠자리에 들고 Netflix와 같은 컴퓨팅 서비스를 소비할 때) 실행하기 위해 일부 모델을 대기열에 배치하는 등의 작업이 가능합니다. 감소) 훨씬 저렴한 옵션입니다.
채택과 확장을 촉진하기 위해 신뢰와 재사용성을 구축하세요.
많은 사람들이 Gen AI에 대해 우려하고 있기 때문에 이러한 도구의 작동 방식을 설명하는 기준은 대부분의 솔루션보다 훨씬 높습니다. 도구를 사용하는 사람들은 도구가 무엇을 하는지뿐만 아니라 어떻게 작동하는지 알고 싶어합니다. 따라서 모델의 정확성을 보장하고 답변을 쉽게 확인할 수 있도록 하여 신뢰를 구축하려면 추가 시간과 비용을 투자하는 것이 중요합니다.
예를 들어, 한 보험 회사는 청구 관리에 도움이 되는 Gen AI 도구를 만들었습니다. 도구의 일부로 설치된 모든 가드레일을 나열하고 각 답변에 대해 관련 정책 문서의 문장이나 페이지에 대한 링크를 제공했습니다. 또한 회사는 답변의 일관성을 보장하기 위해 LLM을 사용하여 동일한 질문에 대한 다양한 변형을 생성했습니다. 무엇보다도 이러한 단계는 최종 사용자가 도구에 대한 신뢰를 구축하는 데 매우 중요했습니다.
Gen AI 도구를 사용하는 유지 관리 팀을 위한 교육의 일부는 모델의 한계와 올바른 답변을 얻는 최선의 방법을 이해하도록 돕는 것이어야 합니다. 여기에는 광범위한 질문으로 시작한 다음 범위를 좁혀 최상의 답변을 최대한 빨리 얻을 수 있는 전략을 직원에게 가르치는 것이 포함됩니다. 이는 모델에 더 많은 맥락을 제공하고, 이미 답을 알고 있다고 생각하는 사람들의 편견을 제거하는 데도 도움이 됩니다. 기존 도구와 모양과 느낌이 동일한 모델 인터페이스를 가짐으로써 사용자는 새로운 애플리케이션이 도입될 때마다 새로운 것을 배워야 한다는 부담감을 덜 느끼게 됩니다.
규모를 확장한다는 것은 기업이 다른 유사한 사용 사례에 사용하기 어려운 일회성 솔루션 구축을 중단해야 함을 의미합니다. 예를 들어, 한 글로벌 에너지 및 재료 회사는 모든 세대 AI 모델의 핵심 요구 사항으로 재사용 용이성을 확립했으며 초기 반복에서 구성 요소의 50~60%를 재사용할 수 있다는 사실을 발견했습니다. 이는 다른 경우에 쉽게 재사용할 수 있는 Gen AI 자산(예: 프롬프트 및 컨텍스트) 개발을 위한 표준을 설정하는 것을 의미합니다.
Gen AI와 관련된 많은 위험 문제는 데이터 개인 정보 보호, 보안, 편견 위험, 일자리 대체 및 지적 재산 보호와 같이 이미 양조되고 있던 논의의 발전이지만 Gen AI는 해당 위험 환경을 크게 확장했습니다. AI 도입을 보고한 기업 중 단 21%만이 직원의 AI 기술 사용을 관리하는 정책을 수립했다고 밝혔습니다.
마찬가지로, 데이터 프라이버시, 편견 제거 및 지적 재산권 보호가 존중된다는 것을 입증하기 위해 AI/gen AI 솔루션에 대한 일련의 테스트를 확립해야 합니다. 실제로 일부 조직에서는 성능 특성을 자세히 설명하는 문서와 함께 모델을 출시할 것을 제안하고 있습니다. 결정과 근거를 문서화하는 것은 규제 기관과의 대화에서 특히 도움이 될 수 있습니다.
어떤 면에서 이 기사는 시기상조입니다. 너무 많은 변화가 일어나고 있기 때문에 우리는 1년 안에 Gen AI와 그 기능에 대해 근본적으로 다른 이해를 갖게 될 것입니다. 그러나 가치를 찾고 변화를 주도하는 핵심 진리는 여전히 적용됩니다. 기업이 이러한 교훈을 얼마나 잘 배웠느냐에 따라 해당 가치를 얼마나 성공적으로 포착할 것인지가 결정될 수 있습니다.
저자들은 Michael Chui, Juan Couto, Ben Ellencweig, Josh Gartner, Bryce Hall, Holger Harreis, Phil Hudelson, Suzana Iacob, Sid Kamath, Neerav Kingsland, Kitti Lakner, Robert Levin, Matej Macak, Lapo Mori, Alex Peluffo, 이 기사에 도움을 주신 Aldo Rosales, Erik Roth, Abdul Wahab Shaikh 및 Stephen Xu.