|
<생성형 AI의 미래: 15가지 측면에서의 분석> 보고서 발표
원문보기
□ 글로벌 컨설팅 기업 맥킨지(McKinsey&Company)는 15가지 측면에서의 생성형AI의 미래에 대한 보고서를 발표*('23.8)
* What’s the future of generative AI? An early view in 15 charts
○ 동 보고서는 그간의 맥킨지의 기사와 보고서를 기반으로 하여 생성형AI에 대한 15가지 분석 포인트 정리하였으며, 해당 단신은 그 중 주요 내용을 요약
□ 주요 내용
○ (생성형AI의 진보 가속화) '22월11월 ChatGPT 출시 이후 새로운 서비스 및 기술이 한 달에도 여러 번씩 출시하며, 기능도 근 10년 이내에 인간의 능력의 중간 수준으로 성장할 것으로 보임
*구글의 'Med-PaLM', 메타의 'LLaMA'모델, 마이크로소프트의 'Kosmos-1', OpenAI의 'GPT-4', 아마존의 'Bedrock' 등
* 2040년 이전에 상위 25%의 사람과 경쟁할 것으로 예측
○ (지식 작업의 자동화 가속) 교육, 법률, 기술 및 예술과 같은 지식 작업, 의사 결정 및 협업과 관련된 활동이 더욱 빠르게 자동화될 것으로 예측
○ (응용 범위 지속 확대) 생성형AI를 활용한 서면, 이미지, 비디오, 오디오 등을 산출하는 특정 기능을 응용한 프로그램이 더 많은 가치 제공할 것으로 기대
○ (특정 산업의 혜택) 하이테크, 금융업은 생성형AI의 잠재력이 극대화될 것으로 보임
○ (SW엔지니어링의 효율화) 생성형AI를 활용하여 일반적인 코딩 작업 시간을 35~50% 줄일 수 있으며, 생성형AI를 사용하는 개발자의 전반적인 행복감, 성취감이 두 배 이상 늘어남
○ (조직의 생성형AI 도입 확대) 생성형AI 도입이 가속화되고 있으나, 여전히 조직에 AI에 능숙한 직원이 더 필요하며, 잠재적인 위험에 유의
○ (생성형AI의 잠재력 증가) 생성형AI는 생산성 증대로 인해 글로벌 GDP를 증가시킬 수 있음
□ 결론
○ 생성형AI는 최근 비약적으로 발전하고 있으며, 산업 전반에 도입 시 생산성 확대 등 다양한 잠재력을 보일 것으로 보임
생성 AI의 미래는 어떻게 될까요? 15개 차트의 초기 보기
2023년 8월 25일| 기사
공유하다
다운로드
제너레이티브 AI(Generative AI)는 너무 빨라서 따라잡기가 힘들다고 느낄 수 있습니다. 다음은 해당 주제에 대한 주요 기사 및 보고서에서 가져온 간략한 내용입니다.
다각형 모양으로 만든 꽃병에 세 송이의 꽃이 들어있습니다. 꽃과 꽃병의 일부가 일그러지고 늘어납니다.
다운로드
2022년 11월 ChatGPT가 출시된 이후 ChatGPT는 헤드라인을 장식했으며 기업에서는 그 가치를 포착하기 위해 경쟁하고 있습니다. McKinsey 연구에 따르면 이 기술이 처음 몇 달 동안 생성된 AI(Gen AI) 기능이 세계 경제에 연간 최대 4조 4천억 달러를 추가할 것으로 나타났습니다.
가장 인기 있는 통찰력
이 기간에 우리가 출판한 기사와 보고서는 다음과 같은 질문을 조사합니다.
이 시각적 설명 에서는 지금까지 얻은 모든 답변을 15개의 McKinsey 차트로 정리했습니다. 우리는 이 공간이 빠르게 발전할 것으로 기대하며, 그러한 일이 발생함에 따라 계속해서 연구를 전개할 것입니다. 이 주제에 대한 최신 정보를 얻으려면 여기에서 "인공 지능"에 대한 이메일 알림을 등록하세요 .
Gen AI가 다리를 찾았습니다.
Gen AI 지원 제품을 지원하는 고급 기계 학습은 수십 년에 걸쳐 제작되었습니다. 그러나 ChatGPT가 2022년 말에 출발점에서 나온 이후 Gen AI 기술의 새로운 버전이 한 달에 여러 번씩 출시되었습니다. 2023년 3월에만 새로운 고객 관계 관리 솔루션과 금융 서비스 산업 지원을 포함하여 6가지 주요 진전이 있었습니다.
출처: 모든 CEO가 생성 AI에 대해 알아야 할 사항
이미지 설명:
달력은 타임라인을 따라 실제 AI 이벤트를 표시합니다. 이벤트는 다음과 같습니다.
2022년 11월 30일: GPT-3.5(2020 GPT-3 릴리스의 개선된 버전)를 기반으로 하는 OpenAI의 ChatGPT는 널리 사용되는 최초의 텍스트 생성 제품이 되어 2개월 만에 기록적인 1억 명의 사용자를 확보했습니다.
12월 12일: Cohere는 100개 이상의 언어를 지원하는 최초의 LLM을 출시하여 기업 AI 플랫폼에서 사용할 수 있게 되었습니다.
12월 26일: Google의 Med-PaLM과 같은 LLM은 임상 지식과 같은 특정 사용 사례 및 영역에 대해 교육을 받았습니다.
2023년 2월 2일: Amazon의 다중 모드 CoT 모델은 모델이 추론을 설명하는 "사고 연쇄 프롬프트"를 통합하고 여러 벤치마크에서 GPT-3.5를 능가합니다.
Feb 24: As a smaller model, Meta’s LLaMA is more efficient to use than some other models but continues to perform well on some tasks compared with other models;
Feb 27: Microsoft introduces Kosmos-1, a multimodal LLM that can respond to image and audio prompts in addition to natural language;
Mar 7: Salesforce announces Einstein GPT (leveraging OpenAI’s models), the first generative AI technology for customer relationship management;
Mar 13: OpenAI releases GPT-4, which offers significant improvements in accuracy and hallucinations mitigation, claiming 40% improvement vs GPT-3.5;
Mar 14: Anthropic introduces Claude, an AI assistant trained using a method called “constitutional AI,” which aims to reduce the likelihood of harmful outputs;
Mar 16: Microsoft announces the integration of GPT-4 into its Office 365 suite, enabling broad productivity increases;
Mar 21: Google releases Bard, an AI chatbot based on the LaMDA family of LLMs;
Mar 30: Bloomberg announces an LLM trained on financial data to support natural-language tasks in the financial industry;
Apr 13: Amazon announces Bedrock, the first fully managed service that makes models available via API from multiple providers in addition to Amazon’s own Titan LLMs.
End of image description.
인간 수준의 성능을 향한 길이 더욱 짧아졌습니다.
이 차트에 표시된 대부분의 기술 역량에 대해 Gen AI는 이번 10년 말까지 인간 성능의 중간 수준으로 수행될 것입니다. 그리고 그 성능은 2040년 이전에 이러한 모든 작업을 완료하는 상위 25%의 사람들과 경쟁할 것입니다. 어떤 경우에는 전문가들이 이전에 생각했던 것보다 40년 더 빠른 속도입니다.
출처: 생성 AI의 경제적 잠재력: 차세대 생산성 개척지
Image description:
A Gantt chart shows estimated ranges for AI technology to achieve human-level performance, by technical capability area, and how those estimates have shifted sooner rather than later when comparing 2017 (pre-generative AI) estimates with 2023 (post-recent generative AI developments) estimates. The latest median estimates show, by technical capability: coordination with multiple agents, around 2035, down from around 2045; creativity, around 2023, down from around 2048; logical reasoning and problem solving, around 2023, down from around 2043; natural-language generation, no change; natural-language understanding, around 2025, down from around 2055; output articulation and understanding, no change; generating novel patterns and categories, around 2020, down from around 2023; sensory perception, no change; social and emotional output, around 2031, down from around 2048; social and emotional reasoning, around 2033, down from around 2050; and social and emotional sensing, around 2030, down from around 2037. Comparisons were made on the business-related tasks required from human workers.
Source: McKinsey Global Institute occupation database; McKinsey analysis.
End of image description.
그리고 지식작업의 자동화가 이제 눈앞에 다가왔습니다.
이전 자동화 기술의 물결은 대부분 물리적 작업 활동에 영향을 미쳤지만 Gen AI는 지식 작업, 특히 의사 결정 및 협업과 관련된 활동에 가장 큰 영향을 미칠 가능성이 높습니다. 교육, 법률, 기술 및 예술과 같은 분야의 전문가들은 이전에 예상했던 것보다 더 빨리 업무의 일부가 자동화되는 것을 보게 될 가능성이 높습니다. 자연어의 패턴을 예측하고 이를 동적으로 활용하는 제너레이티브 AI의 능력 때문이다.
출처: 생성 AI의 경제적 잠재력: 차세대 생산성 개척지
Image description:
A series of bar charts compare the automation potential of generative AI (gen AI) among different occupation categories, as a percentage of total. There are 2 bars per category: 1 before gen AI, and 1 after gen AI. The occupations are ordered by biggest differential, with the biggest change in effect on automation at the top, to the lowest change at the bottom. The largest percentage-point shift was about 40, and the smallest was 4. From top to bottom, the occupations are: educator and workforce training, +39 percentage points; business and legal professionals, +30; STEM professionals, +29; community services, +26; creatives and arts management, +25; office support, +21; managers, +17; health professionals, +14; customer service and sales, +12; property maintenance, +9; health aides, technicians, and wellness, +9; production work, +9; food services, +8; transportation services, +7; mechanical installation and repair, +6; agriculture, +4; and builders, +4. The overall average percentage point increase is about +8.
Exhibit includes data from 47 countries, representing about 80% of employment around the world.
Source: McKinsey Global Institute analysis.
End of image description.
특정 사용 사례를 해결하기 위해 앱이 계속해서 확산되고 있습니다.
Gen AI 도구는 이미 대부분의 유형의 서면, 이미지, 비디오, 오디오 및 코딩된 콘텐츠를 생성할 수 있습니다. 그리고 기업에서는 이러한 모든 영역에 걸쳐 사용 사례를 해결하기 위한 애플리케이션을 개발하고 있습니다. 가까운 미래에는 특정 산업과 기능을 대상으로 하는 애플리케이션이 일반적인 애플리케이션보다 더 많은 가치를 제공할 것으로 기대합니다.
Image description:
A table displays a list of generative AI use cases across modalities. From top to bottom, they are:
Text, content writing, with 2 bullet points: marketing, for creating personalized emails and posts; and talent, for drafting interview questions, job descriptions. Text, chatbots and assistants, with 1 bullet point: customer service, using chatbots to boost conversion on websites. Text, search, with 2 bullet points: making more natural web search; and corporate knowledge, for enhancing internal search tools. Text, analysis and synthesis, with 2 bullet points: sales, for analyzing customer interactions to extract insight; and risk and legal, for summarizing regulatory documents.
Code, code generation, with 1 bullet point: IT, for accelerating application development and quality with automatic code recommendations. Code, application prototype and design, with 1 bullet point: IT, for quickly generating user interface designs. Code, data set generation, with 1 bullet point: generating synthetic data sets to improve AI models’ quality.
Image, stock image generator, with 1 bullet point: marketing and sales, for generating unique media. Image, image editor, with 1 bullet point: marketing and sales, for personalizing content quickly.
Audio, text to voice generation, with 1 bullet point: trainings, for creating educational voiceover. Audio, sound creation, with 1 bullet point: entertainment, for making custom sounds without copyright violations. Audio, audio editing, with 1 bullet point: entertainment, for editing podcast in post without having to rerecord.
3-D or other, 3-D object generation, with 2 bullet points: video games, for writing scenes, characters; and digital representation, for creating interior-design mock-ups and virtual staging for architecture design. 3-D or other, product design and discovery, with 2 bullet points: manufacturing, for optimizing material design; and drug discovery, for accelerating R&D process.
Video, video creation, with 2 bullet points: entertainment, for generating short-form videos for TikTok; and training or learning, for creating video lessons or corporate presentations using AI avatars. Video, video editing, with 3 bullet points: entertainment, for shortening videos for social media; e-commerce, for adding personalization to generic videos; and entertainment, for removing background images and background noise in post. Video, video translation and adjustments, with 3 bullet points: video dubbing, for translating into new languages using AI-generated or original-speaker voices; live translation, for corporate meetings, video conferencing, and voice cloning or replicating actor’s voice or changing for studio effects such as aging. Video, face swaps and adjustments, with 4 bullet points: virtual effects such as enabling rapid high-end aging, de-aging; cosmetic, wig, and prosthetic fixes; lip syncing or “visual” dubbing in postproduction; editing footage to achieve release in multiple ratings or languages; face swapping and deep-fake visual effects; and video conferencing, for real-time gaze corrections.
End of image description.
일부 산업은 다른 산업보다 더 많은 이익을 얻을 것입니다
Gen AI의 정확한 영향은 다양한 비즈니스 기능의 혼합 및 중요성, 업계 수익 규모 등 다양한 요소에 따라 달라집니다. 거의 모든 산업 분야에서 마케팅 및 영업 기능에 기술을 배포함으로써 가장 큰 이익을 얻을 수 있습니다. 그러나 하이테크와 은행업은 소프트웨어 개발을 가속화하는 Gen AI의 잠재력을 통해 훨씬 더 많은 영향을 미칠 것입니다.
출처: 생성 AI의 경제적 잠재력: 차세대 생산성 개척지
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
따라서 업계에 가장 큰 가치를 제공할 사용 사례를 이해하는 것이 핵심입니다.
당사의 보고서인 생성적 AI의 경제적 잠재력: 차세대 생산성 개척에는 은행, 생명 과학, 소매 및 소비재 산업에서 가장 높은 가치 잠재력을 지닌 사용 사례를 식별하는 방법을 자세히 설명하는 스포트라이트 섹션이 포함되어 있습니다. 이는 자신의 산업을 평가하기 위한 좋은 프레임워크를 제공합니다.
출처: 생성 AI의 경제적 잠재력: 차세대 생산성 개척지
Image description:
A table shows different industries and key generative AI use cases within them. The first example is banking, with an estimated total value per industry of $200 billion to $340 billion, and a value potential increase of 9–15% of operating profits based on average profitability of selected industries in the 2020–22 period. The second example is retail and consumer packaged goods, including auto retail, with an estimated total value per industry of $400 billion–$660 billion, and a value potential increase of 27–44% of operating profits based on average profitability of selected industries in the 2020–22 period. The third example is pharma and medical products, with an estimated total value per industry of $60 billion–$110 billion, and a value potential increase of 15–25% of operating profits based on average profitability of selected industries in the 2020–22 period.
End of image description.
Gen AI의 상업적 약속에도 불구하고 대부분의 조직에서는 아직 이를 사용하지 않습니다.
마케팅 및 영업 리더에게 자신의 조직이 상업 활동을 위해 Gen AI 또는 머신러닝을 얼마나 사용해야 한다고 생각하는지 물었을 때 90%는 적어도 "자주" 사용해야 한다고 생각했습니다. 앞서 살펴보았듯이 마케팅과 영업이 영향력이 가장 큰 영역이라는 점을 고려하면 그다지 놀라운 일은 아닙니다. 그러나 60%는 자신의 조직에서 이런 일을 거의 또는 전혀 하지 않는다고 답했습니다.
출처: AI 기반 마케팅 및 판매는 생성 AI를 통해 새로운 차원에 도달합니다.
Image description:
A series of 2 pairs of comparative bar graphs show support, among senior executives in significant global B2B and B2C sales and marketing organizations across a wide range of industries and company maturity levels, for machine learning and for generative AI (gen AI). They were asked: “To what extent is your organization using machine learning/generative AI solutions?” And, “How much do you think your organization should be using machine learning/generative AI solutions?” One bar shows that they currently use gen AI, and the other shows where respondents feel gen AI should be used. The data indicate that 65% of respondents currently use machine learning sometimes or rarely, and that most respondents feel that it could be used often or almost always, at about 90%. For gen AI, about 60% of respondents say that it is used rarely or never at their organizations, and 90% of respondents say that it should be used often or almost always.
End of image description.
마케팅 및 영업 리더는 세 가지 사용 사례에 대해 가장 열정적입니다.
우리의 연구에 따르면 마케팅 및 영업 리더는 우리가 제안한 각 세대 AI 사용 사례에서 최소한 중간 정도의 영향을 예상했습니다. 그들은 리드 식별, 마케팅 최적화 및 맞춤형 지원에 가장 열정적이었습니다.
출처: AI 기반 마케팅 및 판매는 생성 AI를 통해 새로운 차원에 도달합니다.
Image description:
A horizontal bar graph comprising 11 bars illustrates the views of respondents at commercially leading organizations regarding the impact of generative AI (gen AI). Respondents are senior executives in significant global B2B and B2C sales and marketing organizations across a wide range of industries and company maturity levels. They were asked, “Please share your estimated ROI/impact these tools would have if implemented in your organization.” The areas where respondents indicated the impact of gen AI would be significant, by use case, are, from most impacted to least impacted: lead identification, 60%; marketing optimization, 55%; personalized outreach, 53%; dynamic content on websites and marketing materials, 50%; up-/cross-selling recommendations, 50%; success analytics, 45%; marketing analytics, 45%; dynamic customer-journey mapping, 45%; automated marketing workflows, 35%; sales analytics, 30%; and sales coaching, 25%.
End of image description.
많은 산업 분야의 또 다른 큰 가치 동인인 소프트웨어 엔지니어링은 훨씬 더 효율적이 될 수 있습니다.
40명의 McKinsey 자체 개발자가 생성 AI 기반 도구를 테스트했을 때 우리는 많은 일반적인 개발자 작업에서 인상적인 속도 향상을 발견했습니다. 유지 관리 용이성을 위한 코드 기능 문서화(코드를 얼마나 쉽게 개선할 수 있는지 고려)는 절반의 시간 안에 완료할 수 있고, 새 코드를 작성하는 데는 거의 절반의 시간이 걸리며, 기존 코드를 최적화(코드 리팩터링이라고 함)하는 데는 거의 2/3의 시간이 걸립니다.
Image description:
A negative bar graph shows the potential percentage reduction in task completion time for development tasks using generative AI (gen AI) compared with task completion without gen AI. From most-impacted to least-impacted they are: code documentation, 45–50% reduction; code generation, 35–45% reduction; code refactoring, 20–30% reduction; and high-complexity tasks, less than 10% reduction.
End of image description.
그리고 Gen AI 지원은 개발자를 더 행복하게 만들 수 있습니다.
우리의 연구에 따르면 개발자에게 생산성을 극대화하는 데 필요한 도구를 제공하면 경험이 크게 향상되어 기업이 최고의 인재를 유지하는 데 도움이 될 수 있습니다. 생성적 AI 기반 도구를 사용하는 개발자는 전반적인 행복, 성취감, 흐름 상태를 보고할 가능성이 두 배 이상 높았습니다. 그들은 이것이 더 만족스러운 작업을 방해하는 지루한 작업을 자동화하고 다양한 온라인 플랫폼에서 솔루션을 검색하는 것보다 더 빠르게 정보를 손끝에 제공하는 도구의 능력 때문이라고 생각했습니다.
Image description:
A series of 3 bar graphs are grouped into 2 segmented bars each. Each pair of bars is under a different topic, with data representing developer respondent’s feelings with and without the involvement of generative AI in their work. The metrics are whether respondents “felt happy,” were “Able to focus on satisfying and meaningful work,” and were “in a flow state.” In all cases, the more positive responses were, on average, doubled among those using generative AI.
End of image description.
직원들 사이에서 Gen AI 도구 사용에 대한 추진력이 형성되고 있습니다.
새로운 McKinsey 설문조사에 따르면 다양한 산업과 지리적 위치에 있는 대다수의 근로자가 업무 안팎에서 생성 AI 도구를 한 번 이상 사용해 본 적이 있는 것으로 나타났습니다. 이는 채 1년도 채 되지 않아 매우 빠른 속도로 채택되었습니다. 한 가지 놀라운 결과는 베이비붐 세대가 밀레니얼 세대보다 업무에 Gen AI 도구를 사용한다고 보고한 것입니다.
출처: 2023년 AI 현황: Generative AI 돌파 연도
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
그러나 조직에는 여전히 AI에 능숙한 직원이 더 많이 필요합니다.
조직이 AI 세대 목표를 설정하기 시작하면서 AI에 능숙한 직원에 대한 필요성도 높아지고 있습니다. 생성 및 기타 응용 AI 도구가 얼리 어답터에게 가치를 제공하기 시작함에 따라 숙련된 인력에 대한 공급과 수요 간의 격차는 여전히 넓습니다. 인재 시장에서 선두를 유지하려면 조직은 우수한 인재 관리 기능을 개발하여 AI에 능숙한 직원을 채용하고 유지하려는 직원에게 보람 있는 업무 경험을 제공해야 합니다.
Image description:
A series of 15 technology trends and their associated jobs postings comparing 2021 and 2022 in thousands of available positions per annum each on its own graph, and the percentage change between each. Out of 150 million surveyed job postings. Job postings are not directly equivalent to numbers of new or existing jobs. The graphs are ordered in most numerous job numbers in 2022 to least numerous, in 3 rows of 5 graphs. They are: applied AI, 6%; next-generation software development, 29%; cloud and edge computing, 12%; trust architecture and digital identity, 16%; future of mobility, 15%; electrification and renewables, 27%; climate tech beyond electrification and renewables, 8%; advanced connectivity, 7%; immersive reality technologies, 10%; industrializing machine learning, 23%; Web3, 40%; future of bioengineering –19%; future of space technologies, 16%; generative AI, 44%; quantum technologies, 12%.
Source: McKinsey’s proprietary Organizational Data Platform, which draws on licensed, deidentified public professional profile data.
End of image description.
조직은 주의 깊게 진행해야 합니다.
Gen AI의 가능성은 많은 사람들에게 스릴을 선사합니다. 그러나 다른 신기술과 마찬가지로 AI 세대에도 잠재적인 위험이 따릅니다. 우선, Gen AI는 편견이 있거나, 사실이 잘못되었거나, 저작권이 있는 소스에서 불법적으로 스크랩한 콘텐츠를 생산하는 것으로 알려져 있습니다. Gen AI 도구를 전면적으로 채택하기 전에 조직은 노출될 수 있는 평판 및 법적 위험을 고려해야 합니다. 위험을 완화하는 한 가지 방법은 무엇입니까? 루프에 인간 을 유지하십시오 . 즉, AI 생성 결과를 게시하거나 사용하기 전에 실제 인간이 이를 확인하도록 해야 합니다.
출처: 2023년 AI 현황: Generative AI 돌파 연도
Image description:
A pair of stacked horizontal bar graphs show generative AI related risks that organizations consider relevant and are trying to mitigate. Only respondents whose organizations have adopted Al in at least 1 function were asked. For both risks considered relevant and risks mitigated, n = 913. The first graph shows factors that organizations consider relevant risks as a percentage of respondents, and the second graph shows the same percentage of respondents from organizations that are actively working to mitigate those same risks. The top 5 relevant risks, according to respondents, are inaccuracy, 56%; cybersecurity, 53%; intellectual property infringement, 46%; regulatory compliance, 45%; and explainability, 39%. The top risks being actively mitigated, according to respondents, are cybersecurity, 38%; inaccuracy, 32%; regulatory compliance, 28%; intellectual property infringement, 25%; and explainability, 18%.
Source: McKinsey Global Survey on AI, 1,684 participants at all levels of the organization, April 11–21, 2023.
End of image description.
Gen AI는 궁극적으로 글로벌 GDP를 높일 수 있습니다
McKinsey는 Gen AI가 경제 전반에 걸쳐 노동 생산성을 크게 높일 수 있다는 사실을 발견했습니다. 그러나 이러한 생산성 향상의 혜택을 누리려면 일자리에 영향을 받는 근로자는 최소한 2022년 생산성 수준과 일치할 수 있는 다른 작업 활동으로 전환해야 합니다. 근로자가 새로운 기술을 배우고 경우에 따라 직업을 바꾸는 데 지원을 받으면 글로벌 GDP 성장이 더욱 강력해지고 지속 가능하고 포용적인 세상이 될 수 있습니다.
출처: 생성 AI의 경제적 잠재력: 차세대 생산성 개척지
Image description:
A series of graphs show predicted compound annual growth rates from generative AI by 2040 in developed and emerging economies considering automation. This is based on the assumption that automated work hours are reintegrated in work at today’s productivity level. Two scenarios are shown for early and late adoption of automation, and each bar is broken into the effect of automation with and without generative AI. The addition of generative AI increases CAGR by 0.5 to 0.7 percentage points, on average, for early adopters, and 0.1 to 0.3 percentage points for late adopters. In the overall average for global growth, generative AI adds about 0.6 percentage points by 2040 for early adopters, while late adopters can expect an increase of 0.1 percentage points. Data are based on 47 countries, representing about 80% of world employment.
Source: Conference Board Total Economy database; Oxford Economics; McKinsey Global Institute analysis.
End of image description.
Gen AI는 AI의 가치 잠재력 중 작은 부분을 나타냅니다.
Gen AI는 큰 진전이지만 기존의 고급 분석 및 기계 학습은 계속해서 작업 최적화에서 가장 큰 비중을 차지하며 다양한 분야에서 계속해서 새로운 응용 프로그램을 찾고 있습니다 . 디지털 및 AI 혁신을 진행 중인 조직은 AI 세대에 주목하는 것이 좋지만 다른 AI 도구를 배제해서는 안 됩니다 . 헤드라인을 장식하지 못한다고 해서 생산성 향상, 궁극적으로는 가치 향상을 위해 일할 수 없다는 의미는 아닙니다.
출처: 생성 AI의 경제적 잠재력: 차세대 생산성 개척지
Image description:
폭포형 그래프는 새로운 생성 AI 사용 사례로 인해 세계 경제에 추가될 수 있는 잠재적인 부가 가치를 보여줍니다. 초기 11조 달러~17조 7천억 달러는 고급 분석, 기존 기계 학습, 딥 러닝을 통해 창출될 수 있습니다. 그리고 새로운 생성 AI 사용 사례를 통해 2조 6천억~4조 4천억 달러의 점진적 경제 효과가 추가될 수 있으며, 총 사용 사례 기반 잠재력은 13조 6천억~22조 1천억 달러에 이를 수 있습니다. 사용 사례를 포함하여 모든 근로자 생산성이 AI로 가능해지면 추가로 6조 1천억~7조 9천억 달러가 추가될 수 있습니다(여기에는 총 영향과 비용 격리 영향 간의 차이로 보수적으로 생산성 영향으로 변환된 수익 영향이 포함되어 전체 AI 경제적 잠재력이 남습니다). 17조 1천억 달러에서 25조 6천억 달러에 달합니다.
이미지 설명이 끝났습니다.
관련 기사
|