AI가 리테일, 여행, 소비재 분야에서 혁신을 실현하는 세 가지 방법

금요일 아침 5시 45분, 한 매장 매니저가 백오피스에 서서 자신의 건물과 힘겨운 싸움을 벌이고 있습니다. 두 개의 화면에는 14개의 대시보드가 열려 있습니다. 서로 연동된 적이 없는 4개의 시스템이 밤새 구성한 작업 대기열(task queue)이 세 가지 서로 다른 우선순위로 그녀의 주의를 끌려고 합니다. 7번 통로 어딘가에는 이 매장에서 가장 잘 팔리는 SKU가 화요일부터 품절 상태입니다. 진열대 카메라는 화요일에 이를 감지했습니다. 재고 보충 시스템은 수요일에 이를 추론했습니다. 이를 해결하기 위한 작업은 오늘 아침에야 진열 계획 감사와 교육 알림에 밀려 11위로 나타났습니다. 그녀는 지난 백 년 동안 매니저들이 그래왔던 것처럼 매장을 둘러보며 직접 이를 발견하게 될 것이고, 그때쯤이면 이 제품을 주문하게 만들었던 주말 고객 흐름은 이미 지나가 버렸을 것입니다.

신호는 나흘 동안 존재했습니다. 존재하지 않았던 것은 그 타이밍이 지나가기 전에 조치를 취할 수 있는 방법이었습니다.

이러한 아침은 모든 소비자 산업 전반에서 서로 다른 유니폼을 입은 채 반복되고 있습니다. Forrester는 기업 내부 데이터의 60%에서 73% 사이가 분석에 사용되지 않고 방치되는 것으로 추정합니다. 소비재 분야에서는 신제품 출시의 약 85%가 2년 이내에 실패하며, Nielsen은 이러한 실패의 대부분이 제품 품질이 아니라 소비자의 니즈와 포지셔닝을 잘못 파악한 것, 즉 이미 존재했으나 읽지 못한 신호 때문이라고 분석합니다. 그리고 NVIDIA 2026 State of AI in Retail and CPG 설문조사에서 기업들에게 AI 확장을 가로막는 요인이 무엇인지 물었을 때, 가장 많이 언급된 장벽은 기술이 아니었습니다. 바로 데이터였습니다. 이것은 세 가지 문제가 아닙니다. 하나의 문제가 세 가지 방식으로 비용을 치르는 것입니다. 신호를 신뢰하지 못해 행동으로 옮기지 못했거나(신뢰), 타이밍이 지나기 전에 행동하지 못했거나(시간), 유의미한 규모로 신호를 읽고 행동할 여유가 없었던 것(비용)입니다. 이 글의 주장은 단순한 파일럿 프로젝트의 모음이 아닌 하나의 시스템으로 배포된 AI가 이 세 가지 비용을 동시에 해결하는 최초의 기술이며, 이를 이해하는 기업들이 단순히 파일럿 제품만 구매한 기업들을 앞서 나가기 시작할 것이라는 점입니다.

20년 동안 대시보드를 사용하고도 격차를 줄이지 못한 이유

읽지 못한 신호에 대한 업계의 해답은 비즈니스 인텔리전스(BI)였으며, 이는 합리적인 답변이었습니다. BI는 보고를 전문화하고, 이사회가 운영되는 지표를 표준화했으며, 한 세대의 머천다이저와 운영자들에게 공유된 사실적 기반을 제공했습니다. 그 가치는 충분히 인정받을 만합니다. 하지만 BI에는 아무리 많은 투자를 하더라도 기술적으로 해결할 수 없는 세 가지 구조적 한계가 있었습니다.

첫째, BI는 스키마에 맞는 데이터만 볼 수 있었습니다. 진열대 이미지, 유지보수 사진, 통화 녹취록, 리뷰, 소셜 게시물 등 소비자 기업이 실제로 목격하는 데이터의 대부분은 모델에 반영되지 못했습니다. 이를 읽으려면 사람의 주의 집중이 필요했지만, 사람의 주의력은 조직 내에서 가장 희소한 자원이었기 때문입니다. 둘째, BI는 누군가가 이미 질문하려고 생각했던 것에 대해서만 답했습니다. 주어진 조인(join) 전체에 걸쳐 훌륭하게 계산을 수행했지만, 아무도 미리 정의하지 않은 신호들에 대해서는 관점을 형성할 수 없었습니다. 바로 그곳에 예기치 못한 기회와 놀라움이 숨어 있는데도 말이죠. 셋째, BI는 대시보드에서 끝났습니다. 숙련된 사람이 여전히 알아차리고, 해석하고, 결정하고, 전달해야 했기 때문에 인사이트는 에스컬레이션 속도로 이동했고, 에스컬레이션은 조직도의 속도로 이동했습니다.

변화된 점은 최근 이러한 한계들이 각각 개별적으로 제거되었다는 것입니다. 파운데이션 모델(Foundation models) 덕분에 비정형 데이터를 읽는 비용이 급감하여 마침내 현장의 목격 진술들이 기록에 남게 되었습니다. 확률적 추론(Probabilistic reasoning)은 판단을 계산 가능하게 만들어, 질문의 영역이 분석가가 예상한 범위에만 머무르지 않게 되었습니다. 그리고 에이전트 중심의 전환(agentic turn)으로 실행과 인력 배치가 분리되면서, 아는 것과 실행하는 것 사이의 거리를 더 이상 회의 횟수로 측정하지 않게 되었습니다. 사상 처음으로 이 세 가지 비용에 대응할 수 있는 상대가 나타난 것입니다.

신호가 사라져 가고 있던 곳

리테일 분야에서 신호는 매장 바닥에서 사라집니다. AI 기반 매장 운영에 관한 당사의 연구는 계속해서 동일한 결과로 귀결됩니다. 매장은 기업에서 가장 풍부한 신호가 발생하는 환경이지만, 이를 소화하는 능력은 가장 떨어집니다. 진열대 상태는 직접 걸어 다녀야만 알 수 있습니다. 인력 계획은 작년의 곡선을 기준으로 수립됩니다. 폐기물은 쓰레기통에 들어간 후에야 집계됩니다. 그리고 매니저는 아침 5시 45분에 한 사람에게 집중되도록 설계된 적이 없는 수십 개의 시스템을 혼자서 감당해야 하는 과부하된 단일 통합 지점입니다. 이제 가장 먼저 필요했던 곳에 루프가 도입되고 있습니다. Harmons의 자율 진열대 스캔은 품절을 절반 이상 줄이고 가격 오류를 약 75% 감소시켰으며, Walmart의 Ask Sam은 입사 첫 주 차 직원에게도 매장 현장에서 베테랑 수준의 기억력을 제공합니다. 이제 진열대, 대기열, 폐기물을 지속적으로 감지하고 한 시간 이내에 조치를 취하며 자체 루프를 실행하는 매장이 등장하고 있습니다. 이를 통해 매니저가 매장을 둘러보는 일은 뻔한 사실을 발견하는 과정이 아니라 예외적인 상황에 판단을 적용하는 과정이 됩니다.

소비재 분야에서 신호는 혁신 엔진 속에서 사라집니다. 기존의 스테이지 게이트(stage-gate) 모델은 물리적 프로토타입에 대해 순차적인 인간 검토를 실행하며, 모든 게이트는 신호가 만료되는 지점이 됩니다. 결함을 지적한 검토 의견은 읽히지 않고, 실패를 예측한 초기 판매 데이터는 생산 확정 이후에 도달하며, 컨셉을 정당화하는 소셜 트렌드는 진열대 재배치 이후에야 나타납니다. 이 업계의 혁신에 관한 저의 최근 연구는 오래된 연구 자료에 의존하는 순차적인 인간 게이트에서 물리적 확정이 이루어지기 전에 소비자를 지속적으로 전산 분석하는 방식으로의 전환이 진행 중임을 보여줍니다. 대외적인 증거들이 나타나고 있습니다. 한 글로벌 건강 및 위생 기업은 마케터들이 결합하는 데 수주일이 걸리던 소비자 조사, 제품 리뷰, 소셜 리스닝 신호를 통합하여 이제 원시 신호에서 실행 가능한 인사이트까지 며칠 만에 도달합니다. 이 기업의 설명에 따르면, 팀원들이 판단이 아닌 데이터 취합에 낭비하던 시간, 즉 혁신이 갈망하던 시간을 되찾았습니다. 이러한 전환의 결정적인 제약 요인은 모델의 성능이 아닙니다. 바로 추론의 대상이 되는, 최신 상태로 거버넌스가 적용되고 밀도 높은 독점적 소비자 데이터입니다.

여행 업계에서 신호는 각각 절반의 스토리만 알고 있는 시스템들 사이에서 사라집니다. 원격 측정(telemetry) 시스템은 부품이 마모되고 있음을 알았지만, 승무원 일정 관리 시스템은 알지 못했습니다. 요금 엔진은 수요가 변화하고 있음을 알았지만, 장애 대응 데스크는 대기열을 통해서야 이를 알게 되었습니다. 여행 업계는 이러한 시스템들을 연결하는 데 다른 업계보다 앞서 있습니다. 예측 유지보수(predictive maintenance)는 Airbus Skywise의 12,000대 이상의 연결된 항공기에서 신호를 읽고, Delta는 생성형 모델로 네트워크 가격을 책정하며, Expedia와 Hilton에서는 AI 컨시어지가 시장에 출시되어 있습니다. 이를 한 단계 더 발전시켜 서로 연결하면 스스로 복구되는 여행이 가능해집니다. 유지보수 데이터에서 장애가 감지되면 일정이 재예약되고, 호텔과 지상 교통편이 조정되며, 여행객은 동일한 메시지를 통해 문제와 해결책을 안내받게 됩니다. IDC는 2030년까지 여행 예약의 최대 30%가 AI 에이전트에 의해 실행될 것으로 예측하며, 이러한 자율성을 지원할 수 있는 데이터를 보유한 운영업체가 시장에서 압도적인 점유율을 차지하게 될 것입니다.

세 가지 산업 모두에서 패턴은 동일합니다. 모델은 해자(moat)가 아닙니다. 데이터가 바로 해자입니다.

AI가 실현하는 세 가지 가치

이 패턴에는 일정한 형태가 있으며, 이는 제가 이러한 산업의 경영진들과 논의할 때 사용하는 렌즈입니다. 세 가지 비용에 대한 AI의 공세는 세 가지 단계로 진행되며, 각 단계는 BI의 구조적 한계 중 하나를 뒤집는 것입니다.

1. 다크 데이터(Dark data)가 신호가 됩니다. 비정형 데이터를 읽는 데 드는 주의력 비용이 급감하면서 이미지, 녹취록, 원격 측정 데이터, 소셜 대화 등 기업이 목격하는 대부분의 데이터가 마침내 기록에 남게 됩니다.
2. 확률적 추론이 질문의 영역을 확장합니다. 계산기가 판단력으로 진화합니다. 모델은 날씨, 프로모션, 경쟁사의 요금 변경 등 명시적으로 코딩되지 않은 신호들에 대해 확률적 관점을 형성하며, 예기치 못한 기회들이 더 이상 데이터 조인 사이에 숨지 않게 됩니다.
3. 인간의 역량이 인원수 및 경험과 분리됩니다. 역량 강화(Augmentation)를 통해 입사 첫 주 차 직원도 베테랑 수준의 기억력을 갖게 되며, 극단적인 경우인 자동화(automation)는 실행 지연을 완전히 제거합니다. 아는 것과 실행하는 것 사이의 거리를 더 이상 회의로 측정하지 않게 됩니다.

이 세 가지 단계는 시간을 축으로 루프를 돌며 작동합니다. 실시간이 기준이 되며, 거버넌스는 신뢰를 얻고 비용을 제어하는 기반이 됩니다.

각각의 움직임은 증폭기이며, 증폭기는 무엇을 증폭하는지 개의치 않습니다. 감지 범위(Aperture)만 넓히면 더 많은 노이즈가 발생합니다. 거버넌스가 없는 데이터에서 추론만 수행하면 잘못된 확신을 낳습니다. 가속화만 추구하면 더 빠르게 실수하게 됩니다. 추론 없는 신호는 노이즈이고, 신호 없는 추론은 잘못된 확신이며, 둘 다 없는 가속화는 더 빠른 실수일 뿐입니다. 이 세 가지를 동일한 거버넌스 기반 데이터에 실시간으로 적용하면 이전에는 존재하지 않았던 새로운 가치를 얻을 수 있습니다.

데이터 예산에서 가장 매력 없어 보이는 항목인 거버넌스가 실제로는 핵심 가치(payload)인 이유가 바로 여기에 있습니다. 데이터를 한 번 거버넌스 하에 두면 두 배의 배당금을 얻을 수 있습니다. 첫째, 데이터를 신뢰할 수 있게 되어 '신뢰 비용(trust tax)'이 사라집니다. 둘째, 모든 모델, 에이전트, 애플리케이션이 동일한 말뭉치를 다시 추출하는 대신 가공되고 인증된 동일한 기반을 활용하므로 데이터를 다시 도출하기 위한 비용을 지불할 필요가 없어 '중복 비용(cost tax)'이 사라집니다. 거버넌스는 비용 절감의 핵심 동력으로서의 역할은 측정되지 않은 채 단순한 컴플라이언스로만 분류되기 때문에 만성적으로 과소평가되고 있습니다.

기반 아키텍처

위에서 설명한 운영 방식은 하나의 아키텍처가 세 가지 작업을 동시에 수행할 것을 요구합니다. 실시간으로 '감지에서 행동(sense-to-action)' 루프를 실행하고, 생성된 모든 답변의 신뢰성을 입증하며, 기업이 동일한 데이터를 두 번 처리하는 비용을 지불하지 않고 이 두 가지를 모두 수행하는 것입니다. 이것이 바로 아키텍처 사양이며, Databricks Data Intelligence Platform이 이를 충족하기 위해 구축되었습니다.

• 감지 범위를 넓히는 것은 수집 및 개방성의 문제입니다. Lakeflow Connect는 기업용 애플리케이션, 데이터베이스, 스트리밍 소스 전반에 걸쳐 100개 이상의 관리형 커넥터를 Delta Lake 및 Apache Iceberg로 가져옵니다. 이들은 임대하는 독점 엔진이 아닌 사용자가 소유한 스토리지에 신호를 보관하는 개방형 형식입니다.
• 신뢰할 수 있는 추론은 거버넌스 및 평가의 문제입니다. Unity Catalog은 단일 레이어에서 데이터, 모델, 에이전트를 거버넌스하며, Unity Catalog Metrics는 비즈니스 정의를 최우선으로 관리되는 자산으로 만들어 모든 에이전트가 동일한 의미를 바탕으로 답변하도록 합니다. 또한 MLflow 3는 확률적 답변을 감사할 수 있도록 평가 및 추적 기능을 제공하여 거버넌스된 데이터만으로는 메울 수 없는 공백을 채워줍니다. Unity AI Gateway는 동일한 거버넌스를 모델 및 에이전트 트래픽 자체로 확장합니다.
• 그리고 기계의 속도로 작동하는 것은 애플리케이션의 문제입니다: Agent Bricks는 기업 데이터를 기반으로 평가된 에이전트를 구축하고, Genie는 거버넌스된 답변을 매장 관리자, 기획자, 운영 센터에 직접 전달합니다. 또한 OpenSharing 및 Clean Rooms는 데이터를 복사하거나 제어권을 양도하지 않고도 공급업체에서 소매업체, 파트너에 이르는 가치 사슬 전반으로 동일한 거버넌스 신호를 확장합니다.

여기서 중요한 점은 루프를 부분적으로만 도입한다고 해서 부분적인 가치라도 얻을 수 있는 것은 아니라는 사실입니다. 한 단계가 빠진 증폭기 스택은 잘못된 것을 증폭하게 됩니다. 플랫폼에 대한 결정은 기업이 세 가지 움직임을 동일한 거버넌스 기반 위에서 같은 방향으로 향하게 할지, 아니면 점점 더 빠른 속도로 잘못된 확신을 쌓아갈지를 선택하는 분기점입니다.

성공 사례는 지금 이 순간에도 만들어지고 있습니다

그리고 그 기한은 더 이상 내부적인 것에만 국한되지 않습니다. 외부에서도 동일한 규율을 검증하기 시작할 것입니다. 소비자는 지난 한 해 동안 출시된 프로토콜 레일에서 실행되는 AI 에이전트에게 쇼핑, 예약, 구매를 위임하기 시작했으며, McKinsey는 에이전트 매개 커머스가 2030년까지 전 세계 소매 지출 중 3조~5조 달러의 방향을 바꿀 수 있다고 예측합니다. 이러한 구매 기계들은 거버넌스를 통해 명확해진 정보만을 읽을 것입니다. 데이터와 의사 결정 사이의 격차를 좁힌 기업은 기계가 읽을 수 있는 유일한 상점도 구축했음을 깨닫게 될 것이며, 거버넌스의 두 가지 배당금에 조용히 세 번째 배당금이 추가될 것입니다.

30년 전, 기존 소매업체들은 웹에 대해 새로운 채널인가 위협인가, 저항할 것인가 수용할 것인가라는 질문에 직면했습니다. 이커머스를 단순한 새로운 매장이 아닌 새로운 물리 법칙으로 취급한 기업들은 이후 20년 동안 다른 모든 기업의 연구 대상이 되었습니다. 지금도 이와 동일한 격차가 형성되고 있으며, 이는 AI가 있는 기업과 없는 기업 사이에서 발생하지 않을 것입니다. 대신 이미 알고 있는 지식을 활용해 가치를 창출하는 기업과 그 지식에 대해 계속해서 세 가지 비용을 지불하는 기업 사이에서 발생할 것입니다.

준비 사항은 명확합니다. 최신 상태이고 거버넌스 하에 있으며 의미론적으로 일관된 데이터, 평가된 추론, 그리고 측정 가능한 조치입니다. 7번 통로의 신호는 누군가 제때 읽어주기를 백 년 동안 기다려왔습니다. 이러한 규율은 결코 불필요한 비용이 아니었습니다. 이는 단순히 아는 기업과 실제로 행동하는 기업의 차이를 만듭니다.

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