21세기를 사는 20세기 소년

인공지능과 인간: 경쟁 vs 협력 본문

경제 경영 혁신 직장 조직

인공지능과 인간: 경쟁 vs 협력

초원위의양 2018. 8. 7. 22:03

인공지능이 의사, 통번역가 등 고객서비스를 제공하는 일들에서 점점 더 능숙해지고 있다. 경제 전반에서 인간의 일자리를 인공지능이 대체하게 될 것이라는 두려움이 커지고 있다. 하지만 꼭 그렇지만은 않다. 인간들에게 인공지능만큼 큰 관심을 받은 디지털 기술은 없었다. 인공지능이 일하는 방식과 일하는 사람들을 빠르게 바꿀 것이기는 하지만 인간을 대체하기보다는 인간과 협력함으로써 인간의 능력을 증대시킬 것이다.

많은 회사들이 프로세스를 자동화하기 위해 인공지능을 사용하고 있지만 그것이 직원들을 대체하는 방식으로 이뤄지는 경우 생산성 향상은 단기적으로만 나타난다. 1500개 회사를 조사해봤는데 가장 높은 성과를 내는 회사들은 인간과 기계가 함께 일하도록 한 회사들이었다. 이와 같은 협력을 통해 인간과 인공지능은 서로에게 상보적인 강점들을 향상시킬 수 있다. 인간은 리더십, 팀워크, 창의성, 사교술을 인공지능은 속도, 확장성, 정량화 역량을 강점으로 가지고 있다. 농담과 같이 사람들에겐 자연스러운 것이 기계에겐 어려울 수 있으며 방대한 양의 데이터를 분석하는 것은 기계에겐 단순한 일이지만 인간에겐 거의 불가능한 일이다. 사업을 위해선 이러한 역량이 둘 다 필요하다.

이 협력 관계에서 최대의 효과를 가져오려면 회사들은 인간이 어떻게 하면 가장 효과적으로 기계를 이용할 수 있는지와 기계는 인간이 하는 어떤 것을 강화시킬 수 있는지, 이 관계를 지원하기 위해 프로세스를 어떻게 재설계 할 지를 이해해야만 한다. 

[인간이 기계를 보조해야 하는 부분]

인간은 세 가지 중요한 역할을 해야한다. 인간은 기계가 특정한 임무를 수행하도록 훈련시켜야 한다. 그 임무의 결과가 무엇인지 설명해야 한다. 특히 결과가 직관에서 벗어나거나 논쟁적일때 그렇다. 인간은 기계를 사용함에 있어 책임감을 계속 유지해야 한다.

훈련

기계학습 알고리즘은 그것이 설계된대로 작동하기 위해선 가르침을 받아야 한다. 기계 번역 어플이 관용 표현을 다룰 수 있도록 하기 위해, 의료 어플이 질병을 진단할 수 있도록, 재무적인 의사 결정을 지지하기 위한 추천 엔진을 위해 거대한 훈련 데이터를 축적하고 있다. 또한 인공지능 시스템은 인간과 어떻게 하면 최선으로 상호작용할 수 있을지도 훈련되어야 한다. 많은 기업들이 이와 같은 훈련 역할을 도입하는 초기 단계이지만 선도하는 기술 맟 연구 그룹들은 이미 능숙한 훈련 담당자와 전문가들을 보유하고 있다.

마이크로소프트의 인공지능 비서 Cortana는 믿음직하고, 배려하고, 도움을 주되 우두머리 행세를 하지 않는 적절한 성품을 갖추기 위해 매우 비싼 훈련을 필요로 한다. 이러한 성품이 스며들기 하기 위해 시인, 소설가, 각본가 등으로 이뤄진 팀으로부터 수많은 시간이 필요했다. 애플의 시리나 아마존의 알렉사도 각 회사들의 브랜드를 전황하게 반영할 수 있는 개성을 갖추기 위해 인간 교육자가 필요했다. 시리같은 경우는 소비자들이 애플에게서 기대하는 뻔뻔함 같은 태도가 필요했다.

인공지능 비서들은 요즘 공감과 같은 보다 복잡하고 미묘한 인간의 특징을 표현할 수 있게 훈련되고 있다. MIT 미디어랩에서 창업한 Koko라는 스타트업은 인공지능 비서가 위로를 표하는 것처럼 보이게 도와주는 기술을 개발했다. 예를 들어 사용자가 좋지않은 하루를 보내고 있을 때 Koko시스템은 “유감이네요”와 같은 정형화된 반응 대신 정보를 더 얻기 위해 질문을 하고 그것을 다른 관점으로 볼 수 있게 도울 수 있는 조언을 할 수 있다. 사용자가 스트레스를 받는 상황이라면 Koko시스템은 이 긴장된 감정들 행동으로 옮길 수 있는 긍정적 감정일 수 있다는 제안을 하는 식이다.

설명

인공지능이 블랙박스 문제라 불리는 불명확한 과정에서 결론을 내려야 하는 상황이 많아짐에 따라 비전문가인 이용자들에게 자신들의 행동을 설명하기 위해 해당 분야의 인간 전문가들이 필요해진다. 이러한 설명가들응 선고나 치료 추천에 인공지능이 어떻게 가중치를 두어야 하는지 이해할 필요가 있는 법률 및 의료와 같은 증거 기반 산업에서 특히 중요하다. 설명가들은 자율주행차가 사고를 일으키거나 혹은 사고를 피하는 것을 실패하는 조치를 왜 취했는지 이해해야 하는 보험사나 법률 집행자들을 돕는데에도 중요하다. 설명가들은 기계의 행동이 불공정하거나 불법 혹은 명백히 잘못된 것이 될 수 있는 소비자 인접 산업인 규제 산업들과 통합되고 있다. 예를들어 유럽연합의 새로운 일반 데이터 보호규정에는 소비자들이 신용카드나 담보대출 이율과 같이 알고리즘 기반으로 결정된 이율에 대해 설명서를 제공받도록 했다. 이는 인공지능 적용으로 고용이 창출되는 분야 중의 하나이다. 전문가들은 이 규정을 실행하기 위해 약 75,000개의 새로운 일자리가 만들어질 것이라 예상한다.

지원

인공지능의 결정을 설명하는 사람들에 더해 인공지능 시스템이 계속해서 적절하고 안전하게 그리고 책임있게 기능할 수 있도록 하는 일을 하는 지원자들이 필요하다.

예를들어 인공지능에 의한 피해를 이해하거나 방지하는데 초점을 맞춘 안전 기술자들 같은 전문가들이 필요할 것이다. 사람들과 함께 일하는 산업용 로봇 개발자들은 로봇들이 주변의 사람을 인식하고 해를 가하지 않도록 하는데 주의를 기울인다. 이들 전문가들은 자율주행차가 치명적 사고를 냈을 때와 같이인공지능이 피해를 일으켰을 때 설명가들로부터의분석을 참고할 수도 있다.

인공지능 시스템이 윤리적 규범을 지키도록 하는 또 다른 지원 그룹이 있다. 예를들어 신용승인을 위한 인공지능 시스템이 특정 그룹의 사람들을 차별하는 상황이 발생했을때 이들 윤리 관리자들은 이 문제를 조사하고 대처하는데 책임을 맡는다. 데이터 감사원은 인공지능 시스템에 유럽의 일반데이터 보호규정이나 다른 소비자 보호 규정들에 적합한 데이터가 공급되고 있는지를 확실히 하는 역할을 한다. 관련된 데이터 사용 역할도 인공지능이 정보를 책임있게 관리하도록 하는것과 관련이 있다. 애플은 자신들의 기기와 소프트웨어를 사용하는 이용자들의 개인정보를 수집하는데 인공지능을 이용한다. 목적은 사용자 경험을 향상시키는 것이지만 제약없는 데이터 수집은 개인정보 보호, 화난 고객, 법률 위반 등에 문제를 일으킬 수 있다. 애플의 개인정보 보호팀은 인공지능이 통계상 이용자들 그룹에 관해 가능한 많은 것을 수집하려고 할 때 개인 사용자들의 개인정보를 보호하도록 하는 역할을 맡고 있다.

[기계가 인간을 보조하는 부분]

인공지능은 인간의 인지능력을 강화하고, 더 높은 수준의 업무를 할 수 있게 고객이나 직원들을 응대하고, 인간의 물리적 능력을 향상시킬 수 있는 기술들을 제공할 수 있다.

증폭

인공지능은 적절한 때에 적절한 정보를 제공함으로써 인간의 분석능력과 의사결정 능력을 향상시킬 수 있다. 또한 창의성도 높일 수 있다. Autodesk의 Dreamcatcher라는 인공지능은 뛰어난 디자이너의 상상력도 향상시킬 수 있다. 디자이너는 Dreamcatcher에 원하는 제품의 기준들을 입력한다. 예를 들어 300파운드를 지지할 수 있고 땅에서 18인치 높이이며 75달러 이하가 될 수 있는 재료로 되어 있는 것 같은 기준을 입력할 수 있다. 혹은 미력을 느끼는 다른 의자들에 관한 정보를 입력할 수 있다. 그러면 Dreamcatcher는 그 기준에 부합하는 수천개의 디자인을 보여주는데 디자이너가 초반에 생각하지 못했을 수 있는 불꽃튀는 아이디어를 제공하기도 한다. 디자이너는 소프트웨어를 가이드하고 어떤 의자가 좋은지 싫은지를 말하면서 새로운 디자인을 만들어 갈 수 있다.

이 과정을 반복하면서 Dreamcatcher는 기준을 만족시키는 각각의 제안된 디자인에 필요한 무수한 계산을 수행한다. 이를 통해 디자이너는 인간의 고유한 판단과 심미적 감성에 집중할 수 있게 된다.

고객 응대 혹은 직원 관리

인간-기계 협업은 회사가 고객응대와 직원관리를 보다 효과적인 방식으로 할 수 있도록 한다. Cortana와 같은 인공지능 시스템은 회의를 기록하거나 회의에 참석하지 못한 사람들에게 음성 검색이 가능한 자료를 배포하는 등의 방법을 통해 사람들간에 혹은 사람들을 대신해서 소통을 용이하게 할 수 있다. 이와 같은 응용분야는 하나의 채팅봇이 장소에 구애받지 않고 동시에 수많은 사람들에게 일상적인 고객 서비스를 제공할 수 있는 것처럼 본질적으로 대량적용이 가능하다.

스웨덴 은행 중 하나인 SEB는 수백만명의 고객들을 응대하는데 Aida라는 가상 비서를 이용하고 있다. 자연언어 대화를 다룰 수 있는 Aida는 ‘계좌를 어떻게 만드나요?’나 ‘해외 지불은 어떻게 하나요?’와 같은 많은 자주 묻는 질문들에 대답할 수가 있다. 또한 Aida는 고객들의 문제를 해결하기 위해 후속 질문도 할 수 있고 고객들의 어조를 분석했다가 다음 번에 더 나은 서비스를 제공하기 위한 자료로 사용한다. 약 30%정도는 문제를 해결하지 못하는데 이 때는 대인 고객서비스쪽으로 이관되고 향후에 비슷한 문제를 해결하기 위한 방법을 배우기 위해 인간 직원의 대응을 모니터한다. Aida가 기본적인 요청사항들에 대응하면서 사람 직원들은 좀더 손이가는 불만족스러운 고객들을 다루는 좀더 복잡한 문제들을 처리하는데 집중할 수 있다.

결합

Aida나 Cortana와 같은 인공지능 시스템들은 기본적으로 디지털 개체이지만 어떤 경우엔 인간 노동자들을 돕는 로봇에 인공지능을 결합시키기도 한다. 정교한 센서, 모터 등을 가진 인공지능으로 운전되는 기계는 사람과 물체를 인식할 수 있고 공장, 창고, 실험실 등에서 인간과 함께 안전하게 일한다.

제조분야에서 로봇은 잠재적으로 위험하고 멍청한 산업용 기계에서 영리하고 맥락을 이해하는 코봇(cobot)으로 발전하고 있다. 코봇팔은 무거운 것을 드는 반복적인 업무를 담당하고 사람은 기어 모터를 조립하는 것과 같이 손기술과 판단력이 필요한 보조적인 업무를 수행한다.

현대는 코봇을 외부 골격형 착용 개념으로 확장하고 있다. 이용자와 실시간 위치에 적응하는 이 착용형 로봇기기는 산업현장 노동자들이 수퍼맨같은 힘을 가지고 일할 수 있도록 할 수 있을 것이다.

[경영의 재해석]

인공지능의 가치를 극대화하려면 운영방식을 재설계할 필요가 있다. 기업들은 먼저 개선될 수 있는 운영 영역을 발견하고 기술해야 한다. 이는 잘 작동되지 않는 프로세스일 수도 있고 이전까지는 아주 다루기 힘든 문제일 수고 있다. 또한 많은 인공지능 및 향상된 분석 기법들이 지금은 인공지능 해법으로 처리할 수 있는 이전에는 보이지 않았던 문제들을 확인할 수 있게 한다.

다음으로 기업들은 프로세스를 개선하기 위해 인공지능 시스템과 어떻게 협력할 수 있을까를 상상하는 공동 창발을 통해 해결책을 마련해야 한다. 농부들을 돕기 위해 인공지능 기술을 적용하고 싶어하는 대규모 농업 회사의 사례를 생각해보자. 미래 곡물 생산량을 좀더 정확히 예측할 수 있는 인공지능 프로그램을 구축하기 위해 토질, 기후 패턴, 수확량 등 이용할 수 있는 데이터는 거대하다. 하지만 농부들과의 논의에서 보다 어려운 정보들을 알 필요가 있다는 것을 기업은 깨달았다. 농부들이 시스템에 원하는 것은 어떤 작물을 심을지, 어디에 심을지, 땅에 질소비료를 얼마나 사용할 지 등과 관련되어 생산성을 향상시킬 수 있는 실시간 제안이었다. 해당 기업은 그와 같은 조언을 제공하는 인공지능 시스템을 개발했고 초기 결과는 전망이 좋았다. 인공지능의 안내에 따라 얻어진 곡물 산출에 대해 농부들은 만족했다. 초기 시험에서 얻은 결과들은 알고리즘을 정교하게 하는데 다시 사용되었다. 새로운 인공지능 및 분석 기법들은 프로세스 개선을 위한 새로운 방법을 제안함으로써 공동 창의를 보조할 수 있다.

세번째 단계는 제안된 해결안의 규모를 확대하고 지속하는 것이다. SEB의 경우 Aida의 버전을 원래 15,000명의 은행 직원들을 돕기 위해 도입하였지만 후에 챗봇을 백만명의 고객들에게 소개했다.

일반적으로 기업들이 개선하길 원하는 다섯 가지 경영 프로세스 특성은 유연성, 속도, 규모확대, 의사 결정, 개인화이다. 경영 프로세스를 재구상한다는 것은 원하는 변화에 이 다섯 가지 특성들 중 무엇을 중심에 둘지, 변화에 대응하기 위해 어떻게 협력을 이끌어낼 것인지, 다른 프로세스 특성들과 어떤 조정과 트레이드 오프가 필요한 것인지를 결정하는 것이다.

유연성

메르세데스 벤츠는 유연성 있는 프로세스에 대한 요구가 커지고 있음을 확인했다. 회사에 가장 수익성이 높은 고객들이 점점 더 개인에 특화된 S클래스 세단을 원하고 있었지만 공장의 조립 시스템은 사람들이 원하는 개인화에 대응할 수 없었다.

전통적으로 자동차 제조는 일반적인 제조 로봇으오 자동화를 한 유연하지 않은 프로세스로 이루어졌다. 유연성을 개선하기 위해 메르세데스는 기존의 로봇들 일부를 인공지능으로 운전되는 코봇으로 대체하고 인간-기계 협력 프로세스를 재설계했다. 독일 수트트가르트에 있는 메르세데스 공장에서 코봇 팔은 인간 노동자들 신체의 역량을 확장시킴으로써 무거운 부품을 들고 조립할 수 있도록 돕는다. 이 시스템은 수동으로 이뤄지는 일들을 줄이고 로봇에 의해 조종되는 일들을 늘림으로써 각 자동차를 조립하는 공정에서 사람들이 통제하에 놓일 수 있도록 했다.

메르세데스의 인간-기계 팀은 그때 그때 상황을 봐가며 적응했다. 공장에서 코봇은 공정 변화에 따라 다른 임무를 대응할 수 있도록 태블릿으로 손쉽게 재프로그램될 수 있다. 이런 민첩성 덕택에 전례없는 고객맞춤형 수준에 도달할 수 있었다. 메레세데스는 자동차의 대시보드 구성 및 시트 가죽에서부터 타이어 밸브 뚜껑에 이르기까지 거의 모든 것을 자동차 판매장에서 고객들이 실시간으로 선택할 수 있는 수준으로까지 자동차 상산을 개인화할 수 있었다. 그 결과 슈트트가르트 공장에서는 어떤 자동차도 똑같은 구성으로 나오지 않을 수 있게 되었다.

속도

어떤 경영 활동에선 속도가 가장 중요하다. 그 중 하나가 신용카드 사기 발견이다. 회사들은 주어진 거래를 승인할 지 안할지를 단 몇 초만에 결정해야 한다. 만약 그 거래가 사기라면 회사는 손실을 감당해야만 한다. 하지만 합법적인 거래를 거부하게 되면 신용카드 회사는 수수료를 받지 못하고 고객들의 화를 받게될 것이다.

HSBC는 사기 발견의 속도와 정확도를 높이기 위해 인공지능 기반 해결책을 개발했다. 인공지능이 사기 가능성이 있는 미묘한 패턴들을 확인하기 위해 구매 위치와 고객 행동, IP주소 등의 데이터를 활용해 매일 일어나는 수백만의 거래 건들을 감시하고 평가한다. HSBC는 먼저 미국에서 이 시템을 실행해 사기 또는 허위 거래를 놓치는 비율이 상당히 감소한 것을 확인했고 이후 영국과 아시아에도 적용했다. Danske 은행은 다른 인공지능 시스템을 사용해 사기 감지율을 50% 높였고, 허위 거래를 60%줄일 수 있었다. 허위 거래 감소는 투자자들이 인간의 판단이 필요한 애매한 거래들에 노력을 집중할 수 있도록 했다.

금융 사기에 대한 싸움은 군비 확장 경쟁과 비슷하다. 감지 기능이 좋아지면 더욱 기만적인 범죄가 나타나고 이를 막기 위한 감지 기술이 개발되는 사이클이 반복된다. 때문에 사기에 대응하기 위한 알고리즘과 평가체계의 수명은 매우 짧고 계속해서 업데이트해야 한다. 또한 국가나 지역에 따라 서로 다른 모델을 사용한다. 때문에 범죄에 앞서 소프트웨어를 최신으로 유지하기 위해선 인간과 기계 사이의 경계에 데이터 분석가 군단, IT전문가, 금융 사기 전문가들이 필요하다.

확장성

많은 경영 프로세스에서 확장성의 부족은 개선의 주요 장애물인 경우가 많다. 이것은 기계의 보조가 최소화된 인간 노동 집약적인 프로세스에서 특히 더 그렇다. 유니레버에서의 직원 채용 프로세스 사례를 보자. 이 소비자 제품 거대기업은 17만명의 노동자들을 다양화하기 위한 방법을 찾고 있었다. 인사부서는 신입 직원을 고용한 후 관리자로 빠르게 승진시킬 사람들에 집중할 필요가 있었다. 하지만 유니레버의 기존 프로세스에선 예외적인 재능을 가진 후보자들을 확인하기 위해 평가할 수 있는 후보자의 수가 제한적이었다.

유니레버는 개별화된 채용의 규모를 확대하기 의해 인간과 인공지능의 능력을 결합했다. 지원과정 첫번째 단계에서 지원자들은 위험 회피 성향 같은 것을 평가하는데 도움이 되는 온라인 게임을 하게 된다. 이 게임에 정답은 없지만 유니레버의 인공지능은 지원자가 어느 위치에 적합한 지를 판단한다. 이후 지원자들은 그들이 관심 있어하는 특정한 분야에 맞게 만들어진 질문에 대답하는 영상을 제출해야 한다. 이 영상에서 그들이 말하는 것과 몸짓, 어조를 인공지능 시스템이 분석한다. 인공지능 시스템이 판단하기에 최선인 지원자가 면접에 응할 수 있고 최종적으로 인사부서에서 최종 고용 결정을 내린다.

새로운 채용 프로세스는 더 나은 직원을 선발할 수 있게 했다. 유니레버는 이 채용과정 성공을 면밀히 추적해왔지만 여전히 데이터가 더 필요하다. 하지만 새 채용시스템이 유니레버의 채용 범위를 크게 확장시켰음은 분명하다. 구직자들은 스마트폰으로 쉽게 채용 시스템에 접속할 수 있었기 때문에 지원자 수는 일년에 3만명으로 두 배로 늘어났고 출신 대학교의 수도 840개에서 2600개로 늘어나 신규 채용자들의 사회경제적 다양성이 증가했다. 또한 지원부터 채용 결정까지 걸리는 평균 시간이 4개월에서 4주로 줄어들었고 채용하는 사람들이 지원서를 검토하는 시간도 75%까지 감소했다.

의사 결정

인공지능은 사람들에게 맞춤 정보와 안내를 제공함으로써 더 나은 의사 결정을 하게 도울 수 있다. 이는 바른 결정을 내리는 것이 큰 영향을 미치는 전장같은 곳에서 일하는 노동자들에게 특히 가치가 있을 수 있다.

장비의 가상 모델을 이용하여 장비 유지관리를 개선한 사례를 살펴보자. GE는 터빈과 다른 산업용 제품에 대한 소프트웨어 모델을 만들고 장비로부터의 운전 데이터를 지속적으로 업데이트했다. 현장에서 수많은 장비들로부터 측정값을 수집함으로써 GE는 정상과 특이 성능에 대한 거대한 정보들을 축적했다. 기계학습 알고리즘을 사용하는 GE의 Predix프로그램은 이제 개별 장비에서 특정한 부분이 고장날 수 있는 때를 예측할 수 있다.

이 기술은 산업용 장비를 유지하는 의사결정 집중 프로세스를 근본적으로 변화시켰다. Predix는 터빈에서 몇몇의 예기치 않은 회전날개의 마모와 손상 및 터빈의 운전이력을 확인하고 손상이 지난 몇 달간 네배 정도 증가했고 조치가 취해지지 않으면 회전날개는 수명의 70%를 잃게 될 것이라 보고할 수 있다. 시스템은 장비의 현재상태, 운전환경, 다른 장비의 손상 및 수리에 대한 종합된 정보를 고려하여 적절한 조치를 제안한다. 이 제안에 따라 Predix는 비용과 재무적 이익에 대한 정보를 95%신뢰수준에서 생성하고 제공한다.

Predix없이 노동자들이 일상적인 확인 과정에서 운좋게 회전날개 손상을 발견할 수도 있다. 회전 날개가 고장날 때까지 확인되지 않아 장비 운전이 중단될 수도 있다. Predix를 통해 유지보수 작업자들은 문제가 심각해지기 전 잠재적 문제 알림을 받을 수 있어 올바른 의사결정을 내리는데 필요한 정보를 얻을 수 있다. 

개인화

고객들에게 개인 맞춤형 브랜드 경험을 제공하는 것은 마케팅의 핵심이다. 인공지능으로 이와 같은 개인화는 전례없이 정확하고 방대한 스케일로 달성될 수 있다. 판도라는 인공지능을 이용해 수백만명의 사용자에게 곡, 가수, 장르 선호에 따라 개인 맞춤형 재생 목록을 만든다. 또 스타벅스는 고객의 동의 하에 인공지능이 고객의 휴대폰을 인식하고 바리스타가 제품 추천하는걸 돕기 위해 고객의 과거 구매 이력을 이용할 수 있게 한다. 인공지능 기술은 특정한 제품이나 행동을 추천하기 위해 방대한 양의 데이터를 처리하는데 능하고 인간은 추천하거나 선택지 중에서 최상의 것을 고르는데 직관과 판단력을 이용하는데 능하다.

Carnival Corporation은 Ocean Medallion이라 불리는 기기와 이 기기들을 연결하는 네트워크를 통해 수백만 명의 휴가자들에게 선상 경험을 개인화하는데 인공지능을 이용하고 있다. 기계학습은 휴가를 보내는 사람들의 편의를 위해 배에 설치된 센서와 시스템에서 오는 데이터를 처리한다. 이 기기는 승객들의 탑승 하차를 모니터하고 손님들의 활동을 추적하고 기기와 신용카드를 연결하여 구매를 쉽게 하고 객실 키로도 이용된다. 또한 고객의 선호를 예상하는 시스템에 연결되어 맞춤형 활동 일정 및 식사를 제안함으로써 선원들이 각 손님들에게 개인화된 서비스를 제공할 수 있게 한다.

[새로운 역할과 역량이 필요하다]

이제 경영에 인공지능 기술을 적용하는 것뿐만 아니라 인간-기계 상호작용을 효과적으로 할 수 있는 융합적 기술을 가지도록 직원들을 교육하는 것도 필요하다. 외과의사들이 엑스레이와 MRI를 해석하는데 컴퓨터를 믿어야 할 때와 같이 사람들이 업무를 새로운 기술들에 위임하는 법을 배워야 한다. 직원들은 혼자서 할 때보다 더 나은 결과를 얻기 위해 인간의 고유한 능력을 인공지능과 결합하는 방법을 알아야 한다. 작업자들은 인공지능에게 새로운 기술을 학습시킬 수 있고 인공지능으로 강화된 과정 안에서 잘 할 수 있도록 교육도 받아야 한다. 예를 들어 사람들은 필요한 정보를 얻기 위해 인공지능에게 어떻게 질문해야 하는지를 알아야 한다. 또한 불법적이거나 비윤리적인 목적으로 책임감을 가질 수 있도록 인공지능 시스템을 운영하는 애플의 개인정보 보호팀과 같은 직원들도 있어야 한다.

향후에는 기업의 역할도 새로운 경영 프로세스에서 원하는 결과에 맞게 조정될 것이고 정해진 직무보다는 다양한 종류의 기술들도 조직되어갈 것이다. AT&T는 일반전화에서 모바일 네트워크로 전환을 시작했고 새로운 직위를 위해 10만 명의 직원을 재교육하기 시작했다. 약 2000개의 직무를 비슷한 기술을 포함하는 더 넓은 범주로 통합하고 있다.

결론

인간-기계 상호작용에서 대부분의 활동들은 사람들로 하여금 새롭고 기존과는 다른 일을 하게할 뿐만 아니라 기존의 일들도 다르게 하기를 요구한다. 자동화로 단순히 인간노동자를 대체하려는 조직들은 인공지능의 잠재력을 온전히 활용하지 못할 것이다. 그와 같은 전략은 시작부터 잘못된 것이다. 미래의 리더들은 경영, 시장, 산업, 노동자들을 변화시키는 인간-인공지능 협력을 조성해야 할 것이다.


출처: H. James Wilson(Accenture Research에서 정보기술 및 경영연구)and Paul R. Daugherty(Accenture Research CTO), Collaborative intelligence: Humans and AI are joining force, HBR 2018년 7-8월호