일반적인 인공지능(AI)에 비해 생성형 AI(Generative AI 또는 Gen AI)는 성장을 가속화하고 비용을 절감하여 차별화된 가치를 창출할 수 있는 잠재력을 갖고 있습니다. 맥킨지 연구에 따르면, 데이터 분석 및 프로세스 자동화에 의존하는 기업일수록 생성형AI로부터 가장 많은 혜택을 누릴 수 있는 것으로 나타났습니다. 특히 농업, 화학, 에너지 및 소재 산업 내 기업들은 Gen AI채택에 보다 더 혁신적인 접근 방식을 취하기 시작했고, 향후 수년 내에 3,900억 달러에서 5,500억 달러의 추가 가치를 창출할 것으로 예측됩니다.
이 보고서는 에너지 및 소재 산업, 농업, 광업 분야에서 생성형 AI를 활용하기 위한 접근 방식을 설명하고, 생성형 AI를 우선적으로 채택할 때 잠재적 위험을 소개합니다.
A
■생성형 AI는 다른 AI 분석을 통해 얻을 수 있는 것보다 더 많은 가치를 창출할 수 있습니다.
출처: “The economic potential of generative AI: The next productivity frontier,” McKinsey, June 14, 2023”
A
(1)Gen AI의 힘을 활용하다
생성형 AI는 모든 데이터에 인텔리전스(지능)를 더하여 의사 결정에 도움을 주며, 복잡한 의사 결정 과정을 단순하게 줄여 사용자가 지식을 효과적으로 얻을 수 있도록 돕습니다. 특히 광업, 석유 및 가스, 화학, 농업, 에너지, 소재 분야에서 생성형 AI의 이점을 극대화할 수 있고, 이에 관련한 흥미로운 훈련된 모델(use cases)이 증가하고 있습니다.
※생성형AI 및 머신러닝과 AI의 차이점에 대한 자세한 내용은 맥킨지 보고서 “생성형 AI란 무엇입니까?”를 참고해 주시기 바랍니다.
기업 리더들이 생성형 AI 사용을 진지하게 생각할 때, 먼저 생성형 AI의 잠재력을 극대화하기 위한 명확한 비전과 방법을 고려해야 합니다. 리더들은 생성형 AI가 현재 기업의 디지털 전략에 어떻게 부합하는지, 조직이 이러한 기술을 활성화할 수 있는 디지털 역량을 갖추고 있는지, 상용화된 솔루션을 출시할 시기인지 또는 완전히 새로운 것을 설계할지 여부를 면밀히 살펴봐야 합니다. 또한 생성형 AI의 잠재적 위험으로부터 기업을 보호하는 방식으로 Gen AI를 운영하는 방법도 고려해야 합니다.
또한, 기업은 초기에 AI 역량을 확보함으로써 미래에 발전된 모델을 신속하게 채택할 수 있는 유리한 위치를 얻을 수 있습니다. LLM(Large Language Model, 거대 언어 모델)은 향후 2~3년 동안 규모와 성능이 크게 발전할 것으로 예상되며, 실제로 최신 모델은 이미 2023년 초기 모델에 비해 상당한 개선을 보여 기술적으로 실현 가능한 모델의 범위가 확장되고 있습니다. 기존의 분석이나 디지털 기술과 마찬가지로, 앞으로 기업은 Gen AI를 최종 목적지가 아닌 조직의 잠재력을 최대한 발휘할 수 있는 강력한 새 도구로 선택할 것입니다.
A
(2)특히 에너지 및 소재 부문은 Gen AI를 활용할 수 있는 차별적 이점이 있습니다.
생성형 AI는엄청난 양의 데이터를 탐색하고 분석하여 운영의 효율성을 높이는 데 도움을 줍니다. 특히 석유 및 가스, 농업, 전력, 화학, 소재 및 광업 부문에서는 자산 활용도를 최적화하고 시간 경과에 따른 사업 결과를 예측하는 생성형 AI를 사용하는 것이 중요합니다.
업계 내에는 두 가지 훈련된 모델(use cases) 범주가 있습니다. 첫 번째는 단순한 모델이며, 기술 전문 지식이나 전문성이 필요하지 않으며빠르게 상품화될 수 있고 생산성을 크게 향상시킬 수 있습니다. 예를 들어, 가상 비서나 고객 응대 챗봇, 소프트웨어 개발자를 위한 “부조종사”와 같은 표준화된 백오피스 기능 등이 있습니다. 다른 한편으로, 문샷(Moonshot) 모델은 훨씬 더 혁신적이며 사용자 정의가 요구됩니다. 이러한 모델은 훨씬 더 많은 가치를 제공할 수 있지만 기능과 인프라에 대한 상당한 사전 투자가 필요합니다.
A
■Gen AI를 활용한 야심차고 혁신적인(Moonshot) 비즈니스 모델:
- 기반시설 산업: 송전선, 파이프라인, 그리고 다른 접근이 어려운 원격 인프라를 관리하는 기업들은 인프라의 완전성을 유지하기 위해 상당한 자금을 지출합니다. 이러한 기업들이 사용하는 모델 중 하나인 유지보수 예측 모델은 이전에 사용되지 않았던 Gen AI의 데이터를 재구성하여 성능을 향상시킬 수 있습니다. 이 모델은 시각적 검사 및 센서 데이터와 같은 다양한 데이터 소스를 통합하고 이러한 데이터를 기반으로 드론, 항공 및 위성 기반 이미지와 같은 데이터를 크게 개선할 수 있으며, 기업의 공공 인프라 안전성을 향상시킬 수 있습니다.
- 석유 및 가스 사업: 이미지 처리 애플리케이션에서 사용되는 특수 모델은 지진 데이터를 처리하고 분석하여 지평선 추적, 결함 탐지와 같은 주요 정보를 식별할 수 있습니다. 이러한 방법으로 비용이 높은 고해상도 탐사를 통해 얻을 수 있는 데이터의 양은 줄이면서도 데이터의 품질을 향상시킬 수 있습니다.
- 화학 사업: 광범위한 화학 데이터베이스를 활용하여 새로운 화학 물질의 특성을 예측하는 모델을 개발합니다. 이는 물리 실험실의 연구 공간을 줄이면서 분자 발견 속도는 높일 수 있습니다. 또한 새로운 합성 경로를 디지털로 프로토타입화하여 저비용, 저에너지 또는 저탄소 배출 문제를 해결하는 데 도움을 줄 수 있습니다.
- 농업: 날씨, 토양, 해충의 압력 등에 관한 데이터를 수집함으로써 AI 기반의 가상 어드바이저를 구축할 수 있습니다. 이러한 서비스는 광범위한 데이터를 통합하여 분석 프로그램을 위한 시나리오를 만들고, 기업은 시뮬레이션 함으로써 보다 정확한 예측 결과를 얻을 수 있습니다.
A
(3)생성형 AI를 우선순위로 구현하기 위한 접근 방식
먼저, 기업은 해결하려는 특정 문제에 대해 생성형 AI가 가장 적합한 선택인지 고려해야 합니다. 생성형 AI의 정보를 바탕으로 한 모델은 많은 기능적 측면에서 새로운 이점을 제공할 수 있지만, 상황에 따라 전통적인 AI 솔루션(예: 간단한 예측, 시스템 모델링)이 더 적합할 수 있습니다. 기업들이 생성형 AI를 도입하기 전에도 다양한 산업 분야에서 프로세스 최적화와 같은 간단한 모델에 전통적인 AI 솔루션이 여전히 활발하게 활용되고 있습니다.
하지만 전통적인 AI 모델은 개발 및 배포가 쉽지만 기업의 차별화 능력을 제한할 수 있습니다. 특히 매우 복잡한 산업 프로세스와 기술에 있어서는 대대적인 커스터마이징이 필요한 경우가 있습니다. 예를 들어, 화학 공식을 인식하고 개발하기 위해서는 맞춤형 모델과 특정 데이터베이스가 필요합니다. 마찬가지로, 훈련된 모델이 유용할 만큼의 정확성을 갖추기 위해서는 심층적인 산업 지식이 요구되며, 실질적으로 문제를 해결하기 위해서는 사용자의 참여를 통한 지속적인 개선으로 최적화가 가능합니다.
기업은 생성형 AI 실험을 서두르기 전에 아래 사항들을 고려하고 실질적인 가치를 제공할 수 있는 몇 가지 훈련된 모델에 집중하는 것이 더 나은 접근 방식이며, 영향력이 크고 실현 가능한 모델에 시간과 자원을 집중적으로 투자함으로써 더 높은 성공률로 이해관계자의 지지를 얻어 긍정적인 결과를 이끌어 내는 것이 훨씬 효과적입니다.
A
■디지털 전략의 성공을 위한 핵심 요소
- 비즈니스 주도형 전략적 로드맵: 기업이 수립한 가치 목표를 점진적으로 달성하기 위한 논리적인 단계와 순서로서고위 경영진은 전략적 로드맵과 자원을 조화롭게 조율해야 합니다.
- 인적 자원 및 역량 강화: 기업은 비즈니스 전략적 로드맵과 함께 인적 자원 및 역량을 고려해야 합니다. 생성형 AI는 기존 분석을 확장하며 기존 기술을 습득하여 다양한 훈련된 모델을 실현할 수 있습니다. 반면 정교하거나 복잡한 모델을 위해 맞춤형 LLM과 같이 특정 새로운 기술이 필요한 경우, 관련 직원을 채용할 수도 있습니다. 따라서 데이터 과학자, 머신러닝 엔지니어, 그리고 클라우드 아키텍트와 같은 전문가에 대한 수요가 계속해서 증가할 것으로 보입니다.
- 민첩한 제공: 생성형 AI프로젝트는 최소한의 실행으로 개발이 가능한 모델을 개발하여, 학습한 후 상황 변화에 빠르게 대응할 수 있어야 합니다. 또한 제품이나 서비스의 출시 속도와 기업의 리스크 수용 범위를 설정하고, 필요한 법률, 재무, 또는 위험 관리 측면에서도 민첩하고 유연하게 운영되어야 합니다.
- 데이터 관리: 생성형 AI에서 데이터는 기업의 경쟁 우위의 원천이기에 데이터가 더 유용하고 신뢰할 수 있도록 보장되어야 합니다. 이미 많은 에너지 및 소재 기업들이 데이터를 중앙 집중화하고 분석 애플리케이션에 투자하기 시작했습니다.
A
■생성형 AI의 잠재적 위험
기업은 생성형 AI를 도입하기 전에 생성형 AI의 다음과 같은 잠재적 위험을 신중하게 고려해야 합니다:
- 정확성: 생성형 AI 모델은 종종 “환각(hallucination)”이라고 하는 그럴 듯한 가짜 답변을 지어내거나 추상적인 추론이 부족한 경우가 있습니다. 예를 들어, 엔진 부품을 교체하는 유지보수 기술자에게는 매우 구체적이고 정확한 조언이 필요하기 때문에, 구체적인 작업 지침을 제공할 때는 문제 해결에 대한 조언을 할 때 보다 더 높은 정확성이 요구됩니다.
- 보안: 생성형 AI는 감지되지 않는 백도어 공격*에 취약합니다. 해커가 모델을 탈취하여 잘못된 정보를 생성하거나, 데이터를 훔치거나, 사기를 저지르는 사례도 있습니다.
- 개인정보 보호: 민감한 데이터가 퍼블릭 LLM API를 통해 유출될 수 있습니다. 이는 특히 비공개 또는 분류된 데이터의 경우에는 더 큰 문제가 될 수 있기 때문에 기존의 접근 제어를 고려하여 LLM에서 사용 가능한 데이터를 제한하는 것이 필요합니다.
- 공정성: 기존 AI와 마찬가지로 생성형 AI도 때때로 편향된 결과를 생성할 수 있고, 보안 장치를 우회하는 데 악용될 수 있습니다.
- 합법성: 지적 재산권 침해, 저작권 위반, 오용에 따른 법적 책임의 잠재적 위험이 있습니다. 생성형 AI가 만든 저작물에 대한 법적 규제는 여전히 모호하며, 효과적으로 규제하는 방법에 대한 논의가 진행 중입니다.
- * 백도어(backdoor) 공격: 해커가 시스템 또는 네트워크에 불법적으로 접근하고 미리 설치된 보안 취약점을 통해 시스템에 비인가된 접근 권한을 획득하는 공격 방법입니다.
이와 같은 위험은 모든 산업에서 존재하지만, 에너지 및 소재 부문에서는 초기 정확도 부족으로 기초 모델의 잠재적 리스크에 특히 주의해야 하며 신중한 안전장치가 마련되어야 합니다. 또한 모델의 정확도를 최대한 높이는 동시에, 부정확한 결과의 잠재적 영향을 최소화해야 합니다. 환각 현상도 관리되어야 합니다. 잠재적인 완화책으로써 다른 도구와 함께 결과의 정확도를 객관적으로 측정하여 환각 반응을 방지하거나 표시하는 것도 방법일 수 있습니다. 그 밖에도 업계에서 기초 모델을 사용할 때 개인정보 보호에 대한 위험에 유의하고, 보안에 민감한 데이터를 보호하기 위한 조치를 취해야 합니다.
에너지 및 소재 분야는 생성형 AI의 발전을 단순히 “유행”으로 여기거나 외면해서는 안됩니다. 생성형 AI의 발전은 기술적이고 복잡한 과정에 의존하는 산업에서 높은 가치를 제공할 수 있는 잠재력을 가지고 있기 때문에, 해당 분야의 경영진은 조직이 생성형 AI를 통해 어떤 이점을 얻을 수 있는지 가장 먼저 살펴봐야 합니다. 따라서 앞으로 리더들은 “생성형 AI를 어디에 적용할 수 있을까?”보다는 “어떻게 AI를 적용하여 혁신적인 가치를 제공할 수 있을까?”를 고민해야 합니다.
- 원문: McKinsey & Company, Beyond the hype: New opportunities for gen AI in energy and materials, 2024.2.5
