대규모 인텔리전스: Gen AI 시대의 데이터 수익화

[힘힘]

대규모 인텔리전스: Gen AI 시대의 데이터 수익화

Gen AI를 활용하면 기업은 데이터 판매에서 벗어나 실행 가능한 정보를 제공하고 이전에는 활용되지 않았던 가치를 창출하는 강력한 데이터 제품을 구축할 수 있습니다.

다운로드

기사(12페이지)

전 세계 CEO들은 난감한 과제에 직면해 있습니다. 데이터는 보편화되었지만, 이를 수익화하는 것은 여전히 ​​쉽지 않습니다. 기업들은 데이터의 잠재 가치를 발굴하기 위해 막대한 투자를 해왔습니다. 데이터웨어하우스를 구축하고, 대시보드를 만들고, 운영에 분석 기능을 내장했으며, 최근에는 데이터 제품 사업을 구축했습니다 . 이러한 투자는 상당한 가치를 창출했지만, 아직 활용되지 않은 가치는 훨씬 더 많습니다.

저희 조사에 따르면 전 세계 임원의 3분의 1이 자사 데이터 자산의 잠재력이 아직 실현되지 않았다고 생각하는 것으로 나타났습니다(표 1). 이들은 데이터에서 최대한의 가치를 창출하고 싶어 하지만, 마지막 한 방울까지 어떻게 활용할지 확신하지 못하고 있습니다. Gen AI가  그 해답이 될 수 있습니다.

증거물 1

저희는 장애인 여러분께서 저희 웹사이트에 동등하게 접근할 수 있도록 최선을 다하고 있습니다. 이 콘텐츠에 대한 정보가 필요하시면 언제든지 문의해 주세요. McKinsey_Website_Accessibility@mckinsey.com 으로 이메일을 보내주세요.

Gen AI를 통해 데이터에서 가치 창출

Gen AI는 대규모 데이터 세트에서 최상의 가치를 창출하는 방법에 대한 논의를 혁신하고 있습니다. 더 이상 데이터 자체를 수익화하거나 분석을 통해 데이터에서 인사이트를 도출하는 것이 아닙니다. Gen AI를 통해 기업은 대규모 인텔리전스를 창출할 수 있습니다. Gen AI는 추론 및 자율적인 의사 결정 기능을 통해 데이터에서 인사이트를 추출하고 비즈니스 워크플로 내에서 직접 실행에 옮길 수 있습니다. 이를 통해  미래의 데이터 중심 기업을 실현할 수 있습니다. 강력한 데이터 기반 운영 모델  과 기술 로드맵 을 구축하는 기업은  Gen AI의 가치를 최대한 활용할 수 있는 최고의 기회를 갖게 됩니다.

이 기사가 당신에게 얼마나 관련성이 있고 유용한가요?

가장 인기 있는 통찰력

1. 1년간의 에이전트 AI: 작업을 수행하는 사람들로부터 얻은 6가지 교훈
2. 맥킨지 기술 트렌드 전망 2025
3. AI의 상태: 조직이 가치를 포착하기 위해 어떻게 재구성하고 있는가
4. 인프라의 순간
5. 생성적 AI의 경제적 잠재력: 차세대 생산성 전선

이 글에서는 CEO들이 기업의 데이터 수익화 전략에 Gen AI를 통합하는 데 활용할 수 있는 구체적인 전략을 제시합니다. 데이터 수익화는 데이터를 활용하여 제3자에게 판매하거나, 내부적으로 활용하여 비즈니스 성과를 개선하거나, 새로운 데이터 기반 제품 및 서비스를 개발하는 등 정량화 가능한 경제적 이익을 창출하는 것을 광범위하게 정의합니다.

데이터에서 가치를 창출하는 것이 그 어느 때보다 중요해졌습니다. 최고 실적을 기록한 기업들은 매출의 11%를 데이터 수익화에 투자하는데, 이는 저조한 실적을 기록한 경쟁 기업들보다 5배 이상 높은 수치입니다.1데이터에서 더 많은 가치를 창출하고자 하는 기업들은 이미 정적 데이터 제품 개발에서 AI 기반 인텔리전스 구축 으로 도약하고 있습니다 . 그리고 이러한 변화는 명확한 상업적 이점을 제공합니다.

월마트의 공급업체가 고객에 대한 인사이트를 확보할 수 있도록 지원하는 플랫폼인 신틸라(Scintilla)를 살펴보세요. 월마트가 데이터 제품을 상용화하고 확장 가능한 인텔리전스 기업을 구축하기 위해 설립한 월마트 데이터 벤처스(Walmart Data Ventures)에서 개발한 신틸라는 월마트의 방대한 쇼핑객 행동 데이터를 기반으로 합니다. 루미네이트(Luminate)라는 이름으로 처음 출시된 이 제품은 2021년 10월에 출시되었습니다. 1년 후, 월마트는 출시 첫해 매출이 전 분기 대비 80% 증가했다고 발표했습니다.22024년 10월, 월마트는 Scintilla의 고객 수가 전년 대비 173% 증가했고 갱신율이 100%에 달했다고 발표했으며, 모든 고객이 최소 3년 이상 계약을 연장했습니다.3월마트는 최근 AI 기반 플랫폼인 Scintilla Insights Activation을 출시했습니다. 이 플랫폼은 데이터 통찰력을 대상 고객 타겟팅 및 광고 캠페인을 위한 자동화된 실시간 추천으로 전환합니다.4

Gen AI가 기업을 데이터 피라미드 위로 끌어올리는 방법

공유하다

사이드바

DIKW 피라미드란 무엇인가요?

데이터, 정보, 지식, 지혜(DIKW) 피라미드는 오랫동안 데이터에서 가치를 추출하는 개념적 지도 역할을 해 왔습니다(사이드바 "DIKW 피라미드란 무엇인가?" 참조). Gen AI는 피라미드의 상승을 가속화하여 원시 데이터를 단순히 통찰력으로 전환하는 것이 아니라 완전히 새로운 비즈니스를 구축하는 기반이 될 수 있는 지능으로 전환합니다  (표 2).

증거물 2

저희는 장애인 여러분께서 저희 웹사이트에 동등하게 접근할 수 있도록 최선을 다하고 있습니다. 이 콘텐츠에 대한 정보가 필요하시면 언제든지 문의해 주세요. McKinsey_Website_Accessibility@mckinsey.com 으로 이메일을 보내주세요.

Gen AI는 데이터 수익화에 두 가지 혁신적인 변화를 가져올 것으로 예상됩니다. 첫째, Gen AI는 비정형 데이터를 활용하여 기업이 이전에는 활용하기 어려웠던 데이터 형식을 정제, 연결 및 가치 창출할 수 있도록 지원합니다. 둘째, Gen AI는 원시 데이터를 워크플로에 직접 내장된 실행 가능한 인사이트로 변환합니다.

비정형 데이터 잠금 해제

조직 데이터의 90% 이상이 문서, 이미지, 소셜 미디어 게시물, 음성 녹음 등 비정형 데이터입니다. 수년간 비정형 데이터는 효과적인 수익 창출에 활용되지 못했습니다.5Gen AI는 이러한 상황을 변화시킵니다. 새로운 Gen AI 도구는 비정형 데이터를 신속하게 정제, 분석 및 "상품화"할 수 있습니다. 중요한 점은 Gen AI가 비정형 데이터를 단순히 활용 가능하게 만드는 데 그치지 않고 연결 가능하게 만들어 , 단절된 신호를 전략적 정보로 전환한다는 것입니다. 자연어 처리 기술의 발전 덕분에 기업은 원시 텍스트에서 구조화된 의미를 추출하고, 내러티브, 메시지 또는 녹취록을 표준화되고 분석 가능한 형식으로 변환할 수 있습니다.

이러한 변화의 핵심은 온톨로지와 지식 그래프로 구동되는 의미론적 계층입니다. 이 계층은 서로 다른 데이터 유형 간의 관계를 매핑하여 통합되고 맥락화된 뷰를 생성합니다. 이러한 프레임워크는 데이터를 공유된 의미, 즉 지능에 맞춰 정렬함으로써 비정형 입력과 정형화된 시스템을 연결하는 연결 조직 역할을 합니다.

콜센터가 고객 불만 데이터를 연결하여 문제 해결을 개선하는 방법을 예로 들 수 있습니다. 음성 통화 기록은 고객의 거래 내역, 제품 SKU, 서비스 티켓뿐만 아니라 지리적 위치, 전화번호, 구매 선호도와 연결될 수 있습니다. 이러한 연결을 통해 콜센터 상담원은 고객의 휴대폰으로 디지털 쿠폰을 전송하여 집에서 가장 가까운 매장에서 사용할 수 있도록 할 수 있습니다. Gen AI는 비정형 데이터 세트를 이해할 뿐만 아니라, 데이터 간의 연결을 생성하여 더욱 풍부한 패턴 인식을 제공합니다. 이를 통해 더욱 정확한 예측을 수행하고 더 큰 수익 창출 잠재력을 제공하는 차세대 데이터 제품이 탄생할 수 있습니다  .

원시 데이터를 실행 가능한 통찰력으로 전환

기업들은 원시 데이터를 패키징, 준비 및 실행 가능한 통찰력으로 변환하는 데이터 제품을 구축하기 위해 Gen AI를 점점 더 많이 사용하고 있습니다.제품 사용자들은 이러한 기능을 점점 더 요구하고 있습니다.보상 벤치마킹에 사용되는 데이터 도구를 예로 들어 보겠습니다.시카고 병원 시스템의 HR 채용 관리자가 신입 소아과 의사의 급여를 설정하려고 한다고 가정해 보겠습니다.데이터 도구를 사용하여 보상 벤치마크를 찾을 수 있지만, 채용하려는 특정 직무에 대한 비교인지 어떻게 알 수 있을까요?신입 사원의 경력, 직무의 세부 사항 또는 위치에 따라 급여를 어떻게 조정해야 할까요?벤치마킹의 기반이 되는 데이터가 높은 물가 상승률을 반영할 만큼 최신인가요?이러한 예는 맞춤형 통찰력 없이는 데이터 벤치마크가 유용하지 않다는 것을 보여줍니다.사용자는 특정 상황을 고려한 실행 가능한 권장 사항을 필요로 합니다.Gen AI는 데이터 제품이 이러한 수준의 의사 결정에 즉시 사용할 수 있는 인텔리전스를 제공할 수 있도록 지원하기 시작했습니다.

최신 데이터 수익화 모델

수년간 금융, 의료, 광고 등 여러 분야의 기업들은 원시 데이터 또는 익명화된 데이터 세트를 수집하고 재판매하여 데이터 수익화 사업을 구축해 왔습니다. 하지만 오늘날 데이터 재판매에서 인텔리전스 기반 비즈니스 구축으로 전환하며 환경이 근본적으로 변화했습니다. 한편으로는 규제 강화와 법 집행 강화로 인해 개인 데이터 활용 비용이 증가하고 있으며, 특히 명확한 사전 동의가 필요한 경우 더욱 복잡해지고 있습니다. 다른 한편으로는 AI 모델이 이제 방대한 양의 학습 데이터를 필요로 하며, 실제 데이터 세트만으로는 더 이상 이러한 요구 사항을 충족하기에 충분하지 않습니다. 2026년까지 기업의 4분의 3이 Gen AI를 사용하여 합성 고객 데이터를 생성할 것으로 예상되는데, 이는 2023년 5% 미만에서 증가한 수치입니다.6

결과적으로 데이터 중개 모델은 다방면의 압박에 직면해 있습니다. 원시 데이터가 상품화되면서 가격이 하락하고, 규제 압력으로 인해 접근성이 좁아지고, 합성 데이터가 더 낮은 비용과 위험으로 비슷한 성능을 제공할 수 있기 때문에 차별화가 약화되고 있습니다.

DIKW 피라미드의 상위 단계로 올라가기 위해 일부 기업은 데이터 위에 해석을 더하는 서비스형 분석(Analytics as a Service)을 제공합니다. 이러한 서비스는 고객이 복잡한 데이터 세트를 이해하고 정보에 기반한 의사 결정을 내릴 수 있도록 지원하며, 종종 "인사이트 플랫폼"으로 제공됩니다. 데이터를 큐레이션하고 맥락화하여 예측적 추천을 제공합니다. 하지만 인사이트는 인텔리전스가 아닙니다. 인사이트는 데이터를 체계화하고 설명하며 DIKW 피라미드의 지식 계층을 구축합니다. 인텔리전스는 더 나아가 데이터를 활용하여 추천, 예측, 그리고 점차 더 적극적으로 행동함으로써 조직을 DIKW 피라미드의 지혜 계층에 더욱 가깝게 만듭니다. 데이터 수익화에서 해석에서 실행으로의 전환은 Gen AI가 가장 큰 역할을 하는 부분입니다.

우리는 Gen AI가 기업이 지능형 데이터 제품을 만드는 데 두 가지 주요 방식으로 도움을 줄 것으로 봅니다. 첫째, 개인화된 콘텐츠를 제공하고, 둘째, 에이전트 AI 를 통해 실시간 의사 결정을 가능하게 하는 것입니다 .

개인화된 콘텐츠

Gen AI를 사용하면 데이터 제공자는 항상 대기 중인 분석가처럼 행동하여 각 고객에게 맞춤화된 보고서, 해설 및 권장 사항을 자동으로 생성할 수 있습니다.

예를 들어, 한 선도적인 자동차 제조업체는 부품 및 서비스의 애프터서비스 성과를 강화하기 위해 AI 기반 데이터 분석 스택을 구축했습니다. 이 솔루션은 기업 자원 계획(ERP), 고객 관계 관리(CRM), 그리고 외부 플랫폼의 데이터를 "디지털화된 설치 기반"으로 통합합니다. 이는 회사가 판매한 모든 부품 또는 장비에 대한 디지털 기록으로, 어떤 고객이 구매했는지, 어떤 인구 통계적 세그먼트에 속해 있는지, 그리고 어떻게 사용되고 있는지를 포함합니다. 이러한 기반을 바탕으로 회사는 각 고객의 수명 주기 단계에 맞춰 개인화된 제품 및 서비스 추천을 생성하는 리드 엔진을 개발했습니다. Gen AI를 활용하여 리드를 선별하고 개인화된 홍보 활동을 진행했으며, 이는 CRM 시스템에 완벽하게 통합되어 영업팀이 전체 상황 정보와 제안된 혜택을 바탕으로 잠재 고객과 소통할 수 있도록 지원했습니다. 이 엔드 투 엔드 시스템은 자동차 제조업체의 영업 활동을 간소화하고 상업적 성과를 크게 향상시켜, 적격 리드가 15~25% 증가하고 부품 및 서비스 매출이 25~30% 증가하는 성과를 거두었습니다.

에이전트 AI를 활용한 실시간 의사결정

기업들은 실시간 워크플로에 Gen AI를 내장하여 의사 결정을 자동화하고 실시간으로 정보를 제공하는 경우가 늘고 있습니다.

예를 들어, 금융 서비스 기업들은 실시간 의사 결정을 지원하기 위해 Gen-AI 기반 데이터 시스템을 설계하고 있습니다. 한 가지 예는 채권 회수 최적화입니다. 한 은행은 Gen-AI 도구를 개발하여 데이터를 분석하여 연락할 적합한 고객, 연락 시기, 그리고 연락 채널을 파악합니다. 이러한 의사 결정을 즉시 내림으로써, 데이터 도구는 적합한 고객에게 연락하고 지불 약속을 확보할 가능성을 높입니다. 이는 Gen-AI가 실시간 의사 결정을 개선하기 위해 더 빠른 조치를 취할 수 있음을 보여주는 명확한 사례입니다.

다음 단계에서는 Gen-AI 기반 데이터 도구가 도출된 인사이트를 기반으로 작동하는 모습을 보게 될 것입니다. 그리고 이는 이미 일어나고 있습니다. 에이전트 AI(agentic AI) 로 구동되는 데이터 시스템은 실시간 의사 결정 지원 도구에서 복잡한 환경에서 작업을 조율할 수 있는 완전 자율적인 행위자로 진화하고 있습니다. 한 플랫폼에서 데이터를 추출하여 다른 플랫폼으로 전달하는 대신, AI 에이전트는 실시간으로 협업하여 작업을 조율할 수 있습니다. 중요한 것은, 인간이 항상 상황을 파악하고 감독, 모니터링 및 피드백을 제공하여 비즈니스 목표 및 윤리적 고려 사항 과의 일치성을 보장한다는 것입니다 .

지능형 AI 에이전트를 통해 데이터를 수익화하는 능력이 경쟁 우위로 부상하고 있습니다. 이러한 에이전트는 자율적으로 행동함으로써 기존 수익원을 확대하고 완전히 새로운 비즈니스 모델을 창출할 수 있습니다. 전자상거래에서는 디지털 매장에 내장된 에이전트가 실시간 사용자 행동과 맥락을 분석하여 지능형 업셀링 또는 교차 판매를 유도할 수 있습니다. 서비스 제공업체는 법률, 세무, 조달 등의 분야 전문 지식을 자율 에이전트에 통합하여 화이트 라벨 API로 상용화하여 "제품으로서의 인텔리전스"를 제공할 수 있습니다. 이러한 역량은 에이전트 AI를 비즈니스 구축의 핵심 기반으로 전환하고 있습니다.

Gen AI는 전체 데이터 가치 사슬에 영향을 미칠 것입니다.

Gen AI를 단순한 추가 기술이 아닌 전사적 역량으로 여기는 조직은 데이터 수집 및 준비부터 모델 학습, 제품화, 그리고 제공(표)에 이르기까지 데이터 가치 사슬의 모든 단계에서 수익 창출 기회를 창출할 수 있습니다. Gen AI를 활용하여 더욱 원활한 데이터 흐름을 조율하고, 더욱 정확한 예측을 내리고, 더욱 집중적인 개입을 수행할 수 있습니다. 이러한 역량이 성숙해짐에 따라 혁신의 선순환이 형성되고, 데이터와 인텔리전스를 활용하여 기업을 Gen AI로 완전히 재편할 수 있는 가능성의 지평이 넓어집니다 .

테이블

Gen AI는 기업이 가치 사슬 전반에 걸쳐 데이터를 수익화하는 방식을 바꾸고 있습니다.

단계		예시 gen AI 구현
데이터 수집 시스템, 센서, 제3자 공급업체를 포함한 내부 및 외부 소스에서 원시 데이터를 식별, 수집 및 소싱합니다.		합성 데이터 생성 자동화된 데이터 검색 웹 스크래핑 증강
데이터 준비 및 정리 원시 데이터를 처리, 정리 및 정규화하여 오류를 제거하고 품질을 보장하며 후속 분석을 위한 컨텍스트를 풍부하게 합니다.		데이터 정규화 소음 감소 엔티티 인식
모델 학습 및 개발 처리된 데이터를 사용하여 패턴과 통찰력을 발견하기 위해 분석 또는 예측 모델을 설계, 개발 및 학습합니다.		도메인별 미세 조정 자동화된 머신 러닝 특징 엔지니어링
제품화 및 통합 모델과 통찰력을 최종 사용자를 위한 확장 가능한 제품이나 애플리케이션으로 변환, 내장 및 통합		대화형 인터페이스 컨텍스트 인식 API 에이전트 기반 오케스트레이션
전달 및 조치 실시간 의사 결정을 가능하게 하고 비즈니스 워크플로에 인텔리전스를 내장하기 위한 통찰력을 전달, 배포 및 운영화합니다.		실시간 의사결정 초개인화 자동화된 후속 조치

Gen AI는 기업의 데이터 수익화에 큰 도움이 될 잠재력을 가지고 있지만, 모든 조직이 이 과정을 시작한 것은 아닙니다. 기업들이 AI 기반 데이터 비즈니스를 구축할 때 거치는 일반적인 3단계 성숙도 여정을 살펴보겠습니다.

1. 내부 최적화 : 조직은 의사결정 개선, 프로세스 자동화, 운영 효율성 향상을 위해 내부적으로 Gen AI를 활용하는 데 집중합니다. 이러한 노력은 일반적으로 상당한 비용 및 생산성 향상으로 이어집니다.
2. 기회주의적 수익화 : 조직은 내부적으로 초기 가치를 확인한 후, 맞춤형 분석 제품을 제공하거나 파트너와 고객에게 데이터 기반 서비스를 제공하는 등 외부적으로 통찰력을 선택적으로 수익화하기 시작합니다.
3. 완전한 마켓플레이스 수익화 : 선도 기업들은 완전한 데이터 비즈니스를 구축하고, 자사 인텔리전스를 제품으로 패키징하여 외부 마켓플레이스에 직접 임베드합니다. 이 단계에서 데이터 수익화는 탄탄한 시장 진출 및 상업 모델을 바탕으로 독립적인 수익원이 됩니다.

이 3단계 수익화 로드맵을 통해 발전하는 데는 시간이 걸리지만, CEO는 각 단계에 측정 가능한 목표를 할당하는 전략을 정의하는 것부터 시작할 수 있습니다. 다양한 산업 분야에서 데이터 비즈니스를 구축해 온 경험을 바탕으로, 기업이 AI 기반 데이터 비즈니스를 확장하는 데 필요한 6가지 기본 요소를 파악했습니다. 이러한 요소들은 Gen AI를 단순한 역량에서 수익 창출이 가능한 데이터 성장 동력으로 전환하기 위한 청사진을 형성합니다.

1. 전략 및 제품

가장 성공적인 데이터 수익화 전략은 기업의 독점적 우위에 대한 정확한 이해에서 시작됩니다. 이러한 우위가 고품질 데이터에 대한 특권적 접근, 심층적인 고객 지식, 또는 특정 도메인에 특화된 인프라 등 어떤 것이든, 데이터 제품 전략은 기업이 경쟁에서 승리할 수 있는 독보적인 입지를 구축하는 요인에 기반해야 합니다. 앞서 월마트의 Scintilla 데이터 툴을 예로 들어 보겠습니다. 세계 최대 소매업체인 월마트는 경쟁사가 따라올 수 없는 방대한 규모의 독점적인 쇼핑 데이터를 보유하고 있습니다.7

데이터가 어디에서 어떻게 가장 큰 영향을 미칠 수 있는지 파악하기 위한 명확한 로드맵을 설계하는 기업은 성공할 가능성이 높습니다. 가장 성공적인 데이터 수익화 활동은 이를 부수적인 프로젝트가 아닌 비즈니스 구축의 수단으로 여깁니다. 데이터는 기업의 더 광범위한 성장 목표에 부합하는 확장 가능하고 인텔리전스 기반 서비스의 기반이 될 수 있습니다. 여기에는 조직 데이터의 고유한 가치를 이해하고, 잠재력이 높은 사용 사례의 우선순위를 정하고, 더 광범위한 비즈니스 목표에 맞춰 노력을 조정하는 것이 포함됩니다. 이러한 명확성이 없다면 가장 유망한 데이터 이니셔티브조차도 전략적 목표와 어긋날 위험이 있습니다. 선도적인 조직은 데이터 수익화 활동이 단기적으로 효과를 발휘할 뿐만 아니라 장기적으로 지속 가능하도록 엄격한 원칙을 준수합니다.

2. 시장 진출 전략 및 성장

AI 기반 인텔리전스를 상용화하려면 가치 실현 방식을 명확하게 제시하는 시장 진출 모델이 필요합니다. 정액제 구독과 같은 기존 소프트웨어 가격 책정 모델은 종종 기대에 미치지 못합니다. 데이터 제품이 사용자 행동, 비즈니스 상황, 시장 변화에 실시간으로 적응하는 맞춤형 인텔리전스를 지속적으로 제공하는 상황에서, 경직된 모델은 점점 시대에 뒤떨어지는 것처럼 느껴집니다.

이러한 맥락에서 기업은 AI 기반 데이터 제품에 대해 더욱 유연한 가격 모델을 제공할 수 있습니다. 사용량 기반 또는 결과 기반 계약, 모듈형 애드온, 그리고 고객 성숙도에 따라 진화하는 적응형 티어는 효과적인 판매 모델 중 일부입니다. 그러나 가장 큰 변화는 판매 그 자체에 있지 않습니다. 판매 후 참여와 고객 성공은 성장의 중요한 동력이 되고 있습니다. 이러한 기능은 기업이 단순히 사용자 수를 늘리는 것을 넘어, 고객에게 가치 있는 차세대 사용 사례를 제공할 수 있도록 지원합니다.

고객 성공 팀은 지원 역할에서 영향력 중심의 파트너십으로 전환하여 고객이 새로운 애플리케이션을 발굴하고, 부가 가치를 창출하며, 진화하는 데이터 워크플로에 Gen AI를 통합할 수 있도록 지원하고 있습니다. 고객 니즈를 충족하는 데이터 제품을 개발할 때 피드백 루프, 모델 재학습, 그리고 비즈니스 공동 혁신을 통한 지속적인 반복이 표준이 되고 있습니다. 한편, 기업들은 파트너 생태계를 통해 Gen AI 기반 데이터 제품을 배포하고, 이를 타사 플랫폼에 직접 임베딩하여 신뢰와 도입을 가속화하고 있습니다.

3. 기술과 데이터

차세대 데이터 수익화는 기업이 견고하고 확장 가능하며 클라우드 네이티브 인프라를 기반으로 고성능 데이터 제품을 개발할 것을 요구합니다. 이를 위해 모듈식 아키텍처, 자동화된 데이터 파이프라인, 그리고 기존 제품과의 통합을 활용하여 실시간 의사결정 수준의 인텔리전스를 구현할 수 있습니다. 선도적인 기업들은 정형 및 비정형 데이터를 모두 처리할 수 있는 민첩한 데이터 제품을 구축하고 있으며, 새로운 사용 사례의 등장에 맞춰 유연하게 적응할 수 있습니다. 이러한 맥락에서 Gen AI 에이전트는 점점 더 중요한 역할을 하고 있습니다. 멀티에이전트 아키텍처는 에이전트들이 협업하여 데이터 준비를 자동화하고, 워크플로우를 간소화하며, 지속적인 학습 및 모델 재훈련을 지원함으로써 확장성을 더욱 강화합니다.

한 예로, 블룸버그의 BloombergGPT 도구는 40년간의 뉴스 아카이브, 신고, 가격 책정 모델에서 수집된 회사 재무 데이터를 기반으로 학습된 500억 개의 매개변수를 가진 도메인별 대용량 언어 모델(LLM)입니다. 이 AI 플랫폼은 클라우드 네이티브이며, 블룸버그가 수집하는 고밀도 구조화 데이터 세트와 방대한 비구조화 텍스트 정보를 모두 처리하도록 설계되었습니다.8

확장 가능한 AI 기술 스택은 목적에 맞는 파트너, 도구, 플랫폼으로 구성된 생태계와 결합되어야 데이터를 수익화 가능한 인텔리전스로 전환하는 데 필수적입니다. 동시에, 견고한 데이터 거버넌스 프레임워크와 책임 있는 AI 관행은 규정 준수, 투명성, 그리고 신뢰를 보장하는 데 필수적이며, 이는 지속 가능한 가치 창출의 기반입니다. 이러한 보호 장치가 없다면, 가장 진보된 AI 시스템조차도 이해관계자의 신뢰를 훼손하고 조직을 평판 또는 규제 위험에 노출시킬 위험이 있습니다.

4. 사람들

데이터 수익화에는 기술적 전문성, 상업적 사고, 그리고 제품 소유권을 모두 갖춘 팀이 필요합니다. 엔지니어링, 디자인, 그리고 시장 진출 전략까지 아우르는 이러한 팀은 데이터 제품을 구축할 뿐만 아니라, 그 도입, 발전, 그리고 그 영향력까지 책임집니다. 하지만 안타깝게도 현실은 냉혹합니다. 바로 이러한 인재가 부족하다는 것입니다. Gen-AI 기반 데이터 제품을 개발하고 상용화하는 데 필요한 다양한 기술을 갖춘 기업은 드물며, 많은 기업이 이러한 제품을 효과적으로 구축하고 확장할 수 있는 사내 역량을 갖추고 있지 않습니다. 성공하는 기업은 외부 인재를 유치하는 동시에 내부 팀의 잠재력을 최대한 발휘하도록 투자합니다. 이를 위해 역량 강화, 명확한 경력 경로 설정, 그리고 성과 기반 인센티브 제공을 통해 외부 인재를 유치합니다.

예를 들어, 한 유수 금융 기관은 AI 및 데이터 인재를 위한 탄탄한 인프라를 구축하여 700명이 넘는 데이터 전문가로 구성된 전담 데이터 챕터를 구성했습니다. 또한, 조직 간 연계와 추진력을 확보하기 위해 고위 임원진으로 구성된 태스크포스를 구성하여 Gen AI 도입을 감독하고 책임 의식을 강화했습니다.

5. 운영 및 관리

실험적 데이터 제품은 어느 시점에서 진정한 비즈니스로 확장되어야 합니다. 즉, A 지점에서 B 지점까지 이동하는 데 필요한 운영 시스템을 구축해야 합니다. 고객 지원 및 규정 준수부터 법률, 재무 및 성과 추적에 이르기까지 기업은 각 기능을 실시간 인텔리전스 제공에 대한 특정 요구 사항에 맞게 조정할 수 있습니다. 모든 Gen-AI 기반 데이터 제품에 대해 기업은 LLM 거버넌스, 버전 관리, 관측 가능성 및 규정 준수를 관리하는 메커니즘을 포함해야 합니다. 운영 설계를 초기에 우선시하는 조직은 품질 저하 없이 빠른 성장을 유지할 수 있는 내구성 있는 데이터 제품을 개발할 가능성이 더 높습니다.

그러나 소유권과 거버넌스라는 근본적인 문제를 해결하지 않고 데이터 제품을 확장하는 것은 심각한 위험을 초래합니다. 세대 AI 시스템이 통찰력과 정보를 생성함에 따라 데이터 권리와 지적 재산권에 대한 문제가 중요해집니다. 고객이 자사 독점 데이터를 모델에 입력할 경우, 해당 결과에 대한 권리를 보유할 수 있을까요? 해당 결과를 재사용하거나 재판매할 수 있을까요? 모델이 타사 콘텐츠를 기반으로 학습되었거나 외부 플랫폼을 기반으로 구축된 경우에는 어떻게 될까요? 명확한 거버넌스 프레임워크가 없다면 기업은 완전히 통제할 수 없는 데이터 자산을 수익화하거나, 더 나아가 법적 분쟁이나 평판 손상에 노출될 위험이 있습니다. 선도적인 기업들은 제품 전략과 함께 소유권 프레임워크를 설계함으로써 이러한 위험을 완화합니다.

6. 자본

AI 기반 데이터 비즈니스는 본질적으로 자본 집약적입니다. 초기 R&D 외에도, 실제 비용은 대규모 모델 학습, 프로덕션 환경에서 성능 유지, 그리고 실시간 인텔리전스 제공에 있습니다. 인프라 요구 사항 또한 만만치 않습니다. 특히 대규모 비정형 데이터를 처리하는 모델의 경우, 플랫폼을 통해 더 많은 데이터가 유입됨에 따라 컴퓨팅 비용이  급격히 증가할 수 있습니다. 한편, 저지연성 제공을 기대하려면 수요 회복성이 뛰어난 고성능 아키텍처가 필요합니다. 또한 Gen AI 모델은 시간이 지남에 따라 성능이 저하되므로 정확성과 효과를 유지하기 위해 지속적인 재학습 및 튜닝이 필요합니다. 체계적인 자본 배분이 이루어지지 않으면 비용으로 인해 수익 창출 마진이 빠르게 감소할 수 있습니다. 따라서 선도적인 기업들은 자금 조달을 성장 촉진 요소이자 마진 보호 수단으로 접근하여, 제품 성숙도, 고객 도입 및 기술 확장성에 맞춰 자본 투자를 조정합니다.

기업이 AI 기반 데이터 비즈니스를 구축하고 확장할 때, 데이터 프라이버시, 지적 재산권, 알고리즘 편향, 그리고 더 광범위한 윤리적 고려 사항과 같은 관련 위험도 해결해야 합니다. 이를 위해 기업은 AI 관련 새로운 법적 및 위험 관리 역할을 만들고, 포용적이고 인간 중심적인 AI 개발과 투명한 데이터 사용을 보장하기 위해 책임 있는 AI 프레임워크를  조직 구조에 도입해야 합니다. 이러한 프레임워크는 AI 도구 및 사용에 대한 지속적인 모니터링을 정의하고, 플랫폼 간 데이터 통합을 지원하고, 개인 식별 정보를 관리하며, 고위험 사용 사례에 대한 기술적 통제를 구현합니다.

---

가장 많은 데이터를 보유하는 것만으로는 더 이상 궁극적인 경쟁 우위를 확보할 수 없습니다. 데이터 자체가 점점 더 상품으로 인식되고 있습니다. 반면, 인텔리전스는 새로운 화폐로 부상하고 있습니다. 원시 데이터 판매나 정적 분석 제품 개발에만 의존하는 기업은 인텔리전스 제공을 위해 처음부터 데이터 비즈니스를 구축하는 AI 기반 경쟁업체에 밀릴 위험이 있습니다. 경쟁력을 유지하려면 기업은 Gen AI가 데이터 상품화에 미치는 영향을 재고하고, AI 에이전트가 단순히 데이터 기반 인사이트를 제공하는 데 그치지 않고 이를 바탕으로 자율적으로 행동하는 미래를 향해 나아가야 합니다.

Gen AI가 데이터 수익화에 미치는 영향은 오늘날의 모델을 훨씬 뛰어넘을 수 있습니다. 자가 학습 데이터 자산이 시장 요구에 지속적으로 적응하고, Gen AI 에이전트가 산업 간 데이터 공유를 조율하며, AI 에이전트가 협상하고 가격을 책정하고 고객에게 데이터를 제공하는 마켓플레이스가 존재하는 미래를 상상해 보세요. 이러한 플랫폼은 기존의 볼륨 기반 가격 책정을 넘어 가치 기반 데이터 거래를 수용할 것입니다. 즉, 데이터의 크기나 범위가 아닌, 데이터가 가져오는 결과에 따라 가치가 평가되는 것입니다. 더 나아가, Gen AI 에이전트가 기업이 규제 위험을 줄이는 데 활용할 수 있는 합성 데이터 세트를 생성하고 개선하는 합성 데이터 거래소의 출현도 예상됩니다. 이러한 변화는 데이터 수익화를 정적인 비즈니스에서 역동적이고 자체 최적화되는 생태계로 전환시킬 것입니다.

이 기사가 당신에게 얼마나 관련성이 있고 유용한가요?

저자에 관하여

벤 엘렌크바이 그는 맥킨지 코네티컷 사무소의 수석 파트너이고, 길례르미 크루즈 와 비슈누 카말나트는 뉴욕 사무소의 파트너이고, 미구엘 프라데는 준회원 파트너입니다.

저자는 이 논문에 기여한 Antonio Monaco D'Arianello, Avinash Javaji, Daniel Aminetzah, Dillon Bogart, Paul Jenkins에게 감사드리고 싶습니다.