AI는 혁신이라고 부르기를 멈추기 전까지는 확장되지 않습니다

대부분의 기업에는 AI를 담당하는 팀이 있습니다. 하지만 AI가 완전히 운영되는 경우는 드뭅니다. 실험과 엔터프라이즈 수준의 배포 사이의 간극에서 대부분의 조직은 개념 증명(proof of concept)을 반복하며 고객에게 도달하지 못하는 경우가 많습니다. 현재 진행 중인 변화는 AI를 제품으로 출시하기 위한 운영 규율에 관한 것입니다.

Philippe Rambach는 에너지 관리 및 산업 자동화 분야의 글로벌 리더인 Schneider Electric의 최고 AI 책임자입니다. 이 회사의 두 가지 핵심 활동인 에너지 관리 기술과 산업 운영 자동화는 고객이 건물, 공장, 가정, 데이터 센터, 전력망 등에서 더 적은 자원과 탄소 집약도가 낮은 에너지를 사용하여 더 효율적이 되도록 돕는 데 중점을 둡니다.

Schneider Electric은 Databricks를 더 광범위한 데이터 및 AI 생태계 내의 핵심 플랫폼으로 사용하며, Databricks의 통합 데이터 및 AI 기능을 적용하여 대량의 산업 원격 측정 데이터를 수집 및 처리하고, 멀티 클라우드 환경에서 대규모로 머신러닝을 구동하며, Databricks Genie를 통해 자연어 데이터 액세스를 가능하게 합니다. Philippe는 회사의 AI 조직을 처음부터 구축했습니다. 그의 400명 팀은 고객 대면 제품에 지능을 내장하는 것과 내부 운영을 대규모로 개선하는 것에 절반씩 나누어 집중하고 있습니다.

Philippe의 관점에서 볼 때, AI를 성공적으로 대규모 배포하는 기업은 다른 어떤 기능과 마찬가지로 제품 개발의 엄격함을 적용하는 기업입니다. 여기에는 게이트 검토, 포트폴리오 관리, 생산에 대한 책임이 있는 팀이 포함됩니다.

AI 네이티브의 실제 의미

Aly McGue: 더 많은 조직이 AI를 제품에 통합함에 따라, 진정한 AI 네이티브 애플리케이션과 지능이 추가된 기존 제품의 경계가 모호해질 수 있습니다. 이 구분을 어떻게 생각하시나요?

Philippe Rambach: 핵심은 AI가 네이티브일 때 애플리케이션의 가치 제안에 완전히 통합된다는 것입니다. AI가 없으면 제품은 가치가 없거나 대부분의 가치를 잃게 됩니다. 우리는 애플리케이션 위에 무언가를 구축하는 것이 아닙니다. 그것은 솔루션이 제공하는 것의 핵심입니다.

AI가 등장했다고 해서 고객의 요구 사항이 실제로 변하지는 않았습니다. 그들은 여전히 ​​결과를 원합니다. 즉, 더 나은 가동 시간, 더 나은 에너지 효율성, 더 낮은 에너지 비용, 더 나은 복원력입니다. 우리 설치 기반에 가서 "이것은 새롭기 때문에 구매해야 합니다"라고 말할 수 있지만, 그들은 그다지 흥분하지 않을 것입니다. 진정한 변화는 부가 기능에서 AI 네이티브로, "매우 흥미롭다"에서 핵심 가치를 제공하는 것으로 이동하는 것입니다. 즉, 고객이 덜 에너지, 더 저렴한 에너지, 더 탈탄소화된 에너지로 운영하도록 돕는 것입니다. 그것은 솔루션의 일부가 아니라 핵심에 있어야 합니다.

개념 증명이 아닌 규모를 위한 구축

Aly: AI 네이티브를 제품 가치의 핵심이라고 설명하셨습니다. 사람, 프로세스, 플랫폼 전반에 걸쳐 이를 현실화하기 위해 조직적으로 무엇이 필요했습니까?

Philippe: 사람 측면에서는 도메인 지식과 AI 지식을 결합해야 할 필요성이 있습니다. AI 팀만으로는 매우 멋져 보이는 매우 정교한 것을 만들 수 있습니다. 저는 이것을 "반짝이는 물건"이라고 부르지만, 반드시 고객에게 진정으로 도움이 되는 것은 아닙니다. 그래서 우리는 허브 앤 스포크 모델을 만들었습니다.

각 솔루션은 비즈니스 라인에서 소유한 비즈니스 사례로 시작됩니다. 그런 다음 순수한 애자일 방식으로, 규모에 맞게 배포하는 데 필요한 모든 리소스(AI 전문가, 고객 대면 담당자, IT 통합, 비즈니스 소프트웨어 개발자, 영업 교육, 가격 책정 등)를 갖춘 스크럼 팀을 구성합니다. 팀은 기술적 타당성을 입증하거나 개념 증명 하나를 제공했다고 해서 멈추지 않습니다. 솔루션이 생산에 들어가 지원 단계로 이동할 때까지 멈추지 않습니다.

플랫폼 측면에서는 우리와 같은 회사에서 AI 네이티브를 전속력으로 추진하려면 수천 개의 서로 다른 기술 솔루션을 가질 수 없습니다. 우리는 회사 전체에 걸쳐 단일 핵심 기술 세트를 정의하고 유지 관리하는 팀을 설립했습니다. 언제든지 하나의 플랫폼이 있습니다. Databricks는 그 핵심 역할을 합니다. 인프라, 데이터 및 데이터 흐름을 관리하므로 저수준 기술적 어려움보다는 비즈니스 로직과 해결해야 할 문제에 더 많은 시간을 할애할 수 있습니다.

저는 기업이 AI를 혁신으로 취급하는 것을 중단하고 제품 개발로 취급해야 한다고 강력히 믿습니다. 이것이 가장 중요한 변화라고 생각합니다. 우리는 아이디어 구상, 탐색, 인큐베이션, 산업화 및 운영을 거치며 모든 제품과 마찬가지로 게이트 검토 프로세스를 가지고 있습니다. 각 단계 사이에 비즈니스 측의 제 상대방과 저는 기술적으로 준비되었는지, 상업적으로 실행 가능한지, 비즈니스 계획이 유효한지를 결정한 후 진행합니다. 분기별로 전체 로드맵과 포트폴리오를 검토합니다. 우리는 AI를 우리가 출시하는 다른 제품과 마찬가지로 취급합니다. 그것이 차이점입니다.

AI의 비즈니스 가치에 대한 팀 조정

Aly: 그렇게 많은 이동 부분이 있는데, 첫 번째 비즈니스 사례부터 생산 배포까지 교차 기능 팀을 어떻게 조정합니까?

Philippe: 사용 사례와 비즈니스 가치에서 시작하는 것이 사람들을 조정하는 가장 좋은 방법입니다. 어떤 기술 제공업체가 최고인지에 대해 영원히 논쟁하는 대신, 고객의 요구 사항에서 시작합니다. 잘 관리되는 회사에서는 그것이 사람들을 움직이는 것입니다.

제가 강조하고 싶은 또 다른 점은 책임 구조입니다. 제가 벤치마킹한 많은 회사에서는 한 팀이 개념 증명을 구축하고 다른 팀이 이를 산업화해야 합니다. 이 두 팀은 매우 다른 목표를 가지고 있으며, 결국에는 조정이 되지 않습니다. 우리 모델에서는 동일한 팀이 아이디어 구상부터 대규모 배포까지 전체 여정을 소유합니다. 그 과정에서 개념 증명을 구축할 수도 있지만, 최종 상태를 염두에 두고 그렇게 합니다. 다른 조직에서는 한 그룹이 재미있는 것을 시연하는 데 집중하는 반면, 다른 그룹은 확장성을 최적화합니다. 단일 팀이 둘 다 책임지면 이러한 긴장이 사라집니다.

데이터 요청에서 데이터와의 대화로

Aly: Databricks Genie는 비기술 사용자가 데이터를 직접 쿼리할 수 있는 자연어 인터페이스를 제공합니다. 내부적으로 어떤 변화를 보고 계십니까?

Philippe: 현재 핵심 과제 중 하나는, 특히 에이전트 솔루션에서, 데이터가 점점 더 비정형화됨에 따라 데이터에서 올바른 정보에 어떻게 액세스하느냐는 것입니다. Genie는 이 점에서 매우 유망합니다. 자연어 데이터베이스에서 데이터를 추출하는 것과 같이 많은 고객에게 공통적인 핵심 활동에 시간을 절약해 줍니다.

내부적으로 Genie는 방금 출시되었으므로 초기 단계입니다. 하지만 열광은 엄청납니다. 사람들은 누군가에게 분석을 요청하고 한 시간 또는 하루 후에 원하는 것과 정확히 일치하지 않는 결과를 받는 것에 지쳤습니다. 자연어로 직접 데이터를 얻을 수 있다는 것은 우리의 작업 방식에 있어 엄청난 개선입니다. 우리는 충분한 정확도를 확보해야 하며, 이를 위해 Databricks와 긴밀히 협력하고 있습니다. 하지만 잠재적인 수용도는 매우 강력합니다.

모델만으로는 답이 아닌 이유

Aly: 외부에서 사용할 수 있는 강력한 모델이 많이 있는데, 자체 데이터와 인프라에서 AI 네이티브 애플리케이션을 구축하는 이유는 무엇입니까?

Philippe: 우리는 외부 모델을 절대적으로 사용합니다. 우리는 자체 언어 모델을 개발하지 않고, 많은 모델을 사용합니다. 하지만 모델 자체만으로는 완전한 솔루션이 될 수 없습니다. 컨텍스트, 가드레일, 사용자 인터페이스, 때로는 고전적인 분석 AI와 대규모 언어 모델의 조합, 때로는 여러 LLM이 다양한 기준으로 의사 결정을 내리는 데 필요한 것이 있습니다. 우리는 단순히 협력하는 것이 아니라 때로는 경쟁하는 다중 에이전트 시스템을 구축합니다.

예를 들어 EcoStruxure™ Microgrid Advisor를 살펴보겠습니다. 고객은 태양광 패널과 풍력 발전을 갖춘 몇 개의 건물, 아마도 대학 캠퍼스를 가지고 있습니다. 우리는 모든 현장 데이터를 높은 빈도로 수집하여 에너지 생산 및 수요를 정확하게 예측합니다. 그런 다음 AI는 다음 48시간 동안 15분마다 최적화합니다. 지금 생산하는 전력을 사용하는 것이 더 나은가, 그리드에 판매하는 것이 더 나은가, 그리드에서 구매하는 것이 더 나은가, 아니면 내일을 위해 저장하는 것이 더 나은가? 이것은 단일 모델이 아닙니다. 이것은 예측, 최적화 및 실시간 의사 결정이 고객의 자체 운영 데이터에서 함께 작동하는 것입니다. 우리는 그러한 솔루션에서 최대 20%의 에너지 비용 절감을 봅니다.

모델은 모든 사람이 사용할 수 있습니다. 모든 사람이 사용할 수 없는 것은 그것들을 중심으로 조정하는 도메인별 기반입니다. 모든 것이 필요합니다.

이 작업을 시작하는 리더를 위한 조언

Aly: 이 작업을 초기 단계에 있는 리더들에게, AI를 확장하기 전에 더 많은 조직이 내면화하기를 바라는 교훈은 무엇입니까?

Philippe: 첫째, 기술이 아닌 비즈니스 사례로 시작하십시오. "어떤 공급업체로부터 새로운 것이 나왔다"에서 시작하지 마십시오. 변환해야 할 것과 AI가 어떻게 도움이 될 수 있는지로 시작하여 규모에 따른 영향에 집중할 수 있도록 하십시오.

둘째, 사람들을 교육하십시오. 사람들이 제가 "성인 관계"라고 부르는 AI와의 관계를 갖지 않으면 AI 변환은 일어나지 않을 것입니다. 그것은 훌륭한 일을 하지만, 모든 것을 하지는 않습니다. 사람들이 생각하는 것만큼 무섭지 않습니다. 팀에게 사용 방법과 한계를 교육해야 합니다.

셋째, 아마도 가장 도발적인 것일 것입니다. 이미 알고 있는 모든 것을 잊지 마십시오. 사람들이 AI 프로젝트를 시작할 때, 그것이 우선 프로젝트라는 것을 잊습니다. 그것이 우선 변환이라는 것을 잊습니다. 우리 회사는 수년간 변화를 관리하는 방법을 배웠습니다. AI 프로젝트의 상당 부분이 바로 그것입니다. 일부 부분은 재창조가 필요하지만, 모든 것이 그런 것은 아닙니다.

마무리 생각

Philippe가 AI를 특별한 것으로 취급하지 않기로 한 가장 의도적인 선택은 AI의 잠재력이 엄청나다는 점은 인정하지만, AI를 관리하는 방식에 있어서는 특별하게 대하지 않는다는 것입니다. 허브 앤 스포크 모델, 게이트 검토, 단일 플랫폼 및 엔드투엔드 팀 소유권에 대한 강조. 이것들은 AI 전략이 아닙니다. 이것들은 Schneider Electric이 고객에게 제공하는 다른 어떤 기능에도 적용할 것과 동일한 엄격함으로 적용되는 제품 전략입니다.

아직도 AI를 별도의 팀, 별도의 타임라인, 별도의 책임으로 혁신 기능으로 운영하는 경영진에게는 이 도발적인 질문을 곱씹어 볼 가치가 있습니다. AI를 대규모로 배포하는 기업은 가장 창의적인 프로토타입을 가진 기업이 아닙니다. 그들은 AI를 혁신이라고 부르기를 멈추고 제품으로 출시하기 시작한 기업입니다.

25명 이상의 업계 리더로부터 배우고 AI 운영을 위한 경로를 정의하려면, Databricks의 지원을 받는 Economist Enterprise의 “Making AI Deliver”를 다운로드하십시오. “Making AI Deliver” 다운로드.

(이 글은 AI의 도움을 받아 번역되었습니다. 원문이 궁금하시다면 여기를 클릭해 주세요)