변혁적 거버넌스를 위한 자가진단 도구
Transformational Governance Tool
UNGC 한국협회는 ‘유엔글로벌콤팩트 변혁적 거버넌스 씽크랩(UNGC Think Lab on Transformational Governance)이 제작한 『변혁적 거버넌스를 위한 자가진단 도구(Transformational Governance Tool)』의 번역본을 발간하였습니다.
변혁적 거버넌스는 새로운 법적 개념이 아닌 원칙에 기반한 접근법으로, 책임감 있는 행동과 ESG 성과 향상, 법률 및 시스템 강화의 원동력으로써 기업이 보다 책임감 있고, 윤리적이며, 포용적이고, 투명할 것을 요구합니다. 『변혁적 거버넌스를 위한 자가진단 도구』는 변혁적 거버넌스의 원칙에 참여하고 적용할 수 있는 프레임워크를 통해 내부 경영 뿐만 아니라 비즈니스 파트너, 공급업체 및 다운스트림 활동에 대한 기업의 현 상황을 평가할 수 있도록 구성되어 있습니다. 또한, △윤리적 리더십, △거버넌스 의사결정에 ESG 통합, △효과적인 고충처리 메커니즘 및 구제수단 이용, △교육과 훈련 등에 대하여 기업의 현재 접근 방식과 비교한 주요 격차를 자세히 파악할 수 있도록 16가지 세부적인 기준이 마련되어 있습니다.
자가진단을 활용하여 변혁적 거버넌스를 적용한 기업은 다음과 같은 이점을 얻을 수 있습니다.
- 위험 완화 및 지속가능성 확보: 기업은 자가진단을 통해 원칙 준수를 위한 인식과 계획 수립 및 운영의 변동성을 줄이고, 장기적으로 경제적 가치를 창출할 수 있습니다. 투명성과 청렴성을 강화하는 기업은 브랜드 가치와 고객 충성도가 높아지며, 직원을 유치하고 유지하는 데 큰 도움이 됩니다.
- 글로벌 동향과 전략적 연계: 정부와 국제기구가 기업 거버넌스에 대한 규제를 지속적으로 강화함에 따라, 변혁적 거버넌스를 기업에 적용하기 위한 전략적 로드맵을 수립한 기업은 더욱 유리한 위치에 설 수 있습니다.
- 이해관계자의 신뢰: 투자 자본의 흐름은 강력한 거버넌스 구조를 갖춘 기업에 집중되고 있습니다. 거버넌스 혁신에 대한 의지를 보여준다면, 사회적 책임 펀드와 투자자로부터 더 많은 투자를 유치할 수 있습니다.
[자가진단 도구 번역본 다운로드 링크]
넷제로 달성을 위한 AI 데이터 품질
앞으로 10년 동안은 의료부터 교통, 심지어 물리학까지 모든 산업이 인공지능(AI)으로 인해 근본적으로 변화할 것으로 예상됩니다. 또한 AI가 기후변화 및 넷제로 달성과 같은 세계에서 가장 시급한 문제를 해결할 수 있는 잠재력을 가지고 있다는 주장도 점점 더 확산되고 있습니다.
전 세계 90%의 CEO는 AI가 기후변화 대응에 필수적이라고 믿고 있습니다. 그러나, AI가 기후변화의 최악의 영향을 완화할 수 있는 잠재력을 갖고 있음에도 불구하고, 우리는 AI에 가장 중요한 영향을 미치는 데이터를 간과하고 있습니다.
최근 한 연구에 따르면 경영진의 75%는 데이터에 대한 신뢰도가 높지 않다고 답했습니다. AI는 강력하고 세분화된 데이터 세트에 의존하여 패턴과 트렌드를 파악함으로써 학습 능력과 예측력을 키우기 때문에 A학습한 데이터 안에서만 우수한 능력을 발휘할 수 있습니다.
만약 결함이 있는 데이터가 적용되면 AI의 강력한 분석력에 따라 부정확한 의사결정을 초래할 수 있습니다. 이러한 불안정성은 특히 기후변화와 같은 복잡한 문제를 다룰 때 심각한 리스크를 유발할 수 있습니다. AI에 제공되는 데이터의 정확성, 완전성, 신뢰성, 정밀성, 적시성이 부족하면 AI기반 시스템은 잘못된 결과를 도출할 수 있습니다.
미국과 유럽에서 80%의 배출을 차지하는 에너지 섹터에서는 데이터 품질이 기후 목표의 성패를 좌우할 수 있는 대표적인 예가 될 수 있습니다. 넷제로를 시기적절하고 공정하게 달성하려면 특히 에너지 인프라 및 배출량과 관련된 데이터의 명확성이 중요합니다.
Al 도입을 통한 배출량 감축 사례 및 데이터 품질의 중요성
사례1. AI의 데이터에 기반한 효율적 의사결정을 기반시설에 적용할 때 일상생활에 혁신적 영향력을 미칩니다. 예를 들어, 2023년 11월, 보스턴 컨설팅 그룹에서 발표한 보고서에 따르면 AI에 최적화된 교통수단이 운전자에게 가장 효율적인 경로를 안내하여 배기가스 배출량을 크게 감축하게 해준다고 강조합니다.
사례2. 스테인리스 스틸 섹터의 세계적인 리더인 핀란드 스틸 제조업 아우토쿰푸(Outokumpu)는 AI가 지원하는 데이터를 활용하여 폐기물을 최소화하고 탄소배출량을 줄이는 동시에 생산 효율성을 높이고 철강 처리 및 가공에 필요한 시간을 4% 줄였습니다. 이 혁신적 솔루션의 핵심은 서로 다른 공장, 기계 및 가치사슬에서 하나의 통합된 데이터 플랫폼을 구축하는 데 있었습니다. 이는 시간을 개선하고 비용을 절감하는 동시에 폐기물을 최소화하고 탄소배출을 감소할 수 있게 합니다.
사례3. 구글 네스트(Google Nest)와 같은 AI기반 온도조절기는 약 1130억kWh의 에너지를 절약합니다. 이는 2011년부터 2022년까지 포르투갈의 연간 전력 소비량의 두 배에 해당합니다. 데이터 기반 의사결정은 AI의 보다 광범위한 적용을 가능케합니다. 따라서 여러 업계의 넷제로 달성에 있어 AI 데이터의 정확성이 크게 강조됩니다.
최근 로봇, 센서, 드론 및 기타 데이터 수집 기술의 발전으로 우리는 5년 전에는 상상할 수 없었던 방식으로 건축물에 대한 데이터를 수집하고 분석할 수 있게 되었습니다. 이러한 혁신은 우리에게 실사 데이터에 대한 전례 없는 접근성을 제공합니다.
초음파와 같은 센서로 무장하고 도로, 건물 등의 표면을 기어 다니며 충실도 높은 데이터 레이어를 갖춘 디지털 트윈을 생성하는 로봇을 비롯한 AI 기술을 통해 이전에는 가려져 있던 문제를 이해하고 해결할 수 있게 되었습니다. 이러한 혁신적 변화는 석유 및 가스 정제소, 발전소, 제조시설과 같은 곳에서 치명적인 고장을 방지하고 원활한 운영을 보장할 수 있게 되었습니다.
또한 AI가 정확한 예측을 하도록 정보를 제공하고 학습시켜 운영을 최적화하는 동시에 지속가능성 지표를 개선할 수 있게 되었습니다. 유엔에 따르면 AI를 활용한 예측·유지·보수는 에너지 생산의 가동 중단 시간을 줄여 궁극적으로 지구의 탄소 발자국을 감축할 수 있다고 합니다.
사례4. 최근 Rho Impact에서 발표한 보고서는 에너지 산업의 문제인 보일러 튜브 고장과 관련하여 이에 로봇과 AI를 대규모로 도입할 경우 환경에 어떠한 영향을 미치는지 조사했습니다. 이 보고서는 로봇과 AI기반 소프트웨어를 결합하여 발전소 내 보일러 튜브 고장을 제거하면 전 세계 이산화탄소 배출량을 약 2억 3천만 톤(미국 배출량의 4.8%) 줄일 수 있다고 합니다. 보일러 튜브가 고장나면 발전소는 가동을 중단하고 에너지 수요를 충족하기 위해 백업 에너지를 작동시킵니다. 백업 에너지는 효율성이 떨어지고 이산화탄소 배출량이 높습니다. 기저부하에서 생성된 전력은 백업 에너지 전력보다 최대 32%는 더 효율적입니다.
오늘날 AI를 통한 이러한 혁신이 이미 이루어지고 있으며, 넷제로를 향한 우리의 전환 속도가 빠르게 진전되고 있다는 사실에 큰 희망을 갖게 됩니다. 실용적이고 책임감 있는 방식으로 AI 기술을 도입하면 지속가능성을 크게 향상시킬 수 있습니다. 업계와 정부의 리더로서 이러한 유형의 성과에 대한 투자를 가속화하는 것이 우리의 도덕적, 재정적 의무입니다.
앞으로의 여정
가장 정교한 AI 시스템도 좋은 데이터 없이는 최고의 성능을 기대할 수 없습니다. 이것이 바로 우리가 해결해야 할 문제입니다.
향후 10년 동안 모든 산업은 AI에 의해 근본적으로 변화될 것입니다. 그러나 우리가 AI의 알고리즘에 부정확하고 대표성이 없는 데이터를 학습시킨다면 심각한 리스크를 초래할 수 있습니다. 우리는 AI 기술에 정확하고 포괄적이며 대표성 있는 데이터 세트를 제공해야 합니다. 넷제로와 같은 글로벌 이니셔티브는 우리가 이를 제대로 수행할 수 있는 능력에 따라 성패가 갈릴 것입니다.
※ 참고자료
World Economic Forum, AI can lead us to net zero – if we improve its data quality
임팩트 투자 재고: 효과적인 측정을 위한 고려사항
투자자들은 지속가능 목표에 긍정적인 영향을 미치는 투자와 그렇지 않은 투자(예: 녹색채권vs일반채권) 사이에서 선택의 기로에 서곤 합니다. 지속가능한 투자 결정을 내릴 때, 일반적으로 택소노미 등 특정 기준에 따라, 투자하는 사업이 환경과 사회에 어떠한 영향을 미치는가에 대해 단순히 “예” 또는 “아니오”로 구분하게 됩니다. 특히 임팩트 투자를 재고하는 투자자들은 지속가능채권을 평가하고 잠재적 투자 수익을 극대화하기 위해 정량적 방법론을 활용할 수 있습니다. 이러한 임팩트 투자의 영향력을 올바르게 측정하고 판단하기 위해서는, 사업이나 프로젝트가 진행되는 지역적, 환경적 조건 등 정성적 정보를 포함하여 고려하는 것이 중요합니다.
모닝스타 서스테이널리틱스 사이먼 백클린(Simon Vacklen) 기업 솔루션 매니저는 임팩트 투자를 재고하는 투자자들이 지속가능채권을 올바르게 평가하고 잠재적 투자 수익을 극대화하기 위해 고려할 사항을 예시를 통해 설명하고, 정성적 정보들을 정량화하여 투자의 영향력을 평가하는 지표에 포함할 것을 제안합니다.
A
투자 영향력을 극대화를 위한 고려 사항
하나의 프로젝트가 ‘친환경’으로 분류되는 기준은 프로젝트로 인한 환경적 영향뿐만 아니라, 해당 프로젝트에 투입되는 기술이나 활동 유형(예: 풍력, 태양광 등)에 기반합니다. 따라서 ‘친환경’ 수식어를 가진 프로젝트의 실질적인 영향은 상황에 따라 매우 다르며, 다양한 방식으로 보여집니다.
전력 생산 프로젝트의 예시를 통해 과연 어떠한 배경과 상황에서 전력 생산 프로젝트가 가장 큰 변화를 만들 수 있는지 생각해보고, 투자자들이 투자의 영향력을 극대화하기 위해 고려할 수 있는 방법을 제시하고자 합니다.
A
지리적 요건과 재생 에너지 비용의 연관성
전력 생산 프로젝트를 검토할 때, 구매 가능한 전력의 용량을 고려하는 것이 중요합니다. 또한, 프로젝트 수행 지역 및 국가의 경제 및 규제 환경은 재생 에너지 생산 비용에 큰 영향을 미칠 수 있으며, 이는 지역 및 국가에 따라 크게 차이가 날수 있습니다.
이러한 점을 고려하면서 코스타리카, 인도, 스페인 3개의 국가를 예시로 각각 100만 달러의 투자로 확보할 수 있는 풍력 발전 용량을 살펴보겠습니다.[i]
[표 1] 각 국가의 100만 달러 가치의 내륙 풍력 발전 용량
코스타리카에서는 100만 달러로 22 GWh(기가와트시)의 풍력 발전 용량을 구매할 수 있으며, 스페인에서는 작은 마을의 하루 전력 수요량에 해당하는 40GWh를 구매할 수 있습니다. 이와 같이 동일한 비용으로 구매할 수 있는 전력 용량의 차이는 투자 대비 수익성을 평가하는 중요한 지표입니다.
A
재생 에너지와 온실가스 감축
반면, 비용 대비 전력 생산량 만으로 프로젝트의 영향력을 판단해서는 안되며, 전력 생산 프로젝트는 온실가스 감축(GHG avoidance) 등의 핵심 성과 지표(KPI)를 함께 설정하여 영향력을 평가해야 합니다.
재생에너지 프로젝트에서는 재생에너지가 대체하는 에너지의 유형에 따라 탄소 감축량이 결정되며, 이를 기준으로 삼습니다. 예를 들어, 새롭게 지어진 풍력발전소는 탄소 배출량이 0 이며, 이러한 청정 에너지가 화석 연료로 생산된 에너지의 일부를 대체함으로써 탄소 배출을 감축할 수 있습니다. 즉, 새로운 에너지 투자 프로젝트의 “비용 효율성(cost efficiency)”은 비용과 온실가스 감축량 수치를 기반으로 계산되며, 이는 국가별로 다른 값이 도출됩니다.
대부분의 재생 에너지는 국가 전력망에서 사용되던 에너지를 대체하게 됩니다. 국가 전력망에 사용되는 에너지원의 종류와 구성에 따라 탄소배출량과 배출 유형이 상이합니다. 예를 들어 코스타리카는 대부분의 에너지를 재생가능한 에너지원을 통해 생산하여 세계에서 가장 깨끗한 전력망을 갖추고 있습니다. 코스타리카의 온실가스 배출량은 39g/kWh(킬로와트시)로, 석탄 발전 의존도가 높은 인도의 온실가스 배출량인 608g/kWh에 비해 매우 낮습니다.[ii] [표 2]에서는 [표 1]에서 예시로 설명한 국가들 간의 온실가스 감축량(회색선)을 비교하여 보여줍니다.
[표 2] 국가 별 온실가스 감축량 대비 100만 달러 가치의 내륙 풍력 발전 용량 비율
코스타리카의 풍력 발전 가격은 상대적으로 높기 때문에, 100만 달러로 22GWh를 구입할 수 있습니다[표 1]. 반면 코스타리카는 이미 재생 에너지의 전력망을 갖추고 있기 때문에, 새로운 풍력 에너지는 다른 유형의 재생 에너지를 대체하게 되어 화석 연료 에너지의 대체 비중은 극히 일부에 불과합니다. 따라서 코스타리카에서 진행되는 재생 에너지 프로젝트의 온실가스 감축량은 세 국가 중 가장 낮으며[표 2], 100만 달러의 투자로 1,800톤의 온실가스 감축량, 즉 달러당 1.8kg의 온실가스를 감축할 수 있습니다.
반면 인도에서는 에너지 생산 비용이 비교적 저렴하기 때문에, 100만 달러로 33GWh의 발전 용량을 구매할 수 있습니다. 그러나 현재 탄소 집약적 전력망을 갖추고 있기 때문에, 27,000톤, 즉 달러당 27kg의 온실가스를 감축합니다. 마지막으로 스페인의 경우, 낮은 에너지 생산 비용을 가지고 있기 때문에 세 나라 중 최대의 에너지를 생산할 수 있으며, 13,000톤의 온실가스 (달러 당 13kg)를 감축할 수 있습니다.
만약 이 세 나라의 육상 풍력 발전 프로젝트 중 하나에만 투자해야 한다면, 스페인 프로젝트가 재생 에너지 생산량을 극대화할 수 있겠지만, 인도를 선택하는 것이 기후에 더 효과적인 영향을 미칠 것입니다.
A
기타 고려사항: 기후 이외의 영향
앞서 제시된 투자 예시는 온실가스에 관한 영향은 고려했다면, 일자리, 오염물질, 생물 다양성 등 탄소와 관련이 없는 측면은 충분히 고려되지 않았습니다. 이런 다양한 측면을 적절히 반영하여 투자를 결정하기 위해서는 시장에서 일반적으로 수행되지 않는 방식으로 비교 및 측정해야 합니다. 위 예시는 설명의 단순화를 위해 기후에 중점을 두었지만, 오염물질 저감과 같은 2차적 영향도 기후 영향과 높은 상관관계를 가지고 있음을 고려해야 합니다.
A
정보의 정량화와 영향력 지표 통합의 중요성
상기 사례는 지속가능 투자의 영향력 측정에 많은 내용이 생략되었다는 것을 보여줍니다. 이렇듯 추가적인 요소들은 주로 정성적 정보로 간주되어 지표로 정량화하지 않습니다. 일반적으로 임팩트 투자자들은 ‘친환경’으로 분류되는 프로젝트 또는 녹색 기술에 대한 투자만으로 충분하다고 판단하며, 환경과 사회에 미치는 긍정적 영향과 별개로 주요한 피해를 초래하지 않는 것을 우선시합니다. 따라서 프로젝트의 영향력 자체를 ROI(Return On Investment) 등의 지표로 다루는 것이 앞으로 임팩트 측정의 주요 과제입니다.
투자의 영향력을 정량화하여 영향을 극대화할 수 있는 투자 상품에 우선순위를 두는 것으로, 투자자는 투자를 통한 긍정적인 영향을 최대화하고 지속가능한 미래를 구축하는데 기여할 수 있습니다. 피터 드러커가 말했던 것처럼, “측정하지 않으면, 바꿀 수 없습니다.”
A
*출처: Sustainalytics, Impact Investing Revisited: Contextual Considerations to Better Measure and Optimize
[i] International Renewable Energy Agency. October 2023. “Renewable Power Generation Costs in 2021.” October 2023.
[ii] UN Climate Change Conference. n.d. “List of harmonized GHG accounting standards/approaches and guidelines developed.”
에너지 및 소재 산업에서 생성형 AI의 새로운 기회
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
