조직은 오랫동안 비즈니스에서 생성되는 막대한 양의 데이터를 수집, 저장, 관리하는 방법과 같은 ‘영원한 데이터 문제’로 어려움을 겪어 왔다. AI와 같은 리소스 집약적인 새로운 기술을 채택하고 더 많은 데이터를 생성함에 따라 이 문제는 더욱 복잡해질 것이다. IDC는 2025년까지 전 세계 데이터가 현재 기준치의 두 배 이상인 175제타바이트에 도달할 것으로 예상하고 있다.

이러한 상황에서 AI는 패턴과 추세를 자동으로 파악하기 위한 실행 가능한 옵션을 제공한다. 챗GPT와 바드 같은 AI 애플리케이션을 둘러싼 논란이 있지만 비즈니스는 신중하게 진행돼야 한다. 가장 진보된 AI 알고리듬으로도 데이터는 본질적으로 해독될 수 없다.

조직이 엔터프라이즈 규모로 AI를 배포하면 엔터프라이즈 수준의 위험을 감수하게 된다. 따라서 과감한 조치를 취하기 전에 리더는 시스템에 대한 실사를 실시하여 고급 알고리듬이 최신의 고품질 정보를 기반으로 작동하는지 확인해야 한다.

그렇게 하려면, 마스터 데이터 관리(MDM)를 통해 포괄적인 데이터 종합 및 관리 전략을 실현해야 한다.

데이터 홍수는 전사적 문제다

현대는 그 어느 때보다 더 많은 데이터를 생성하는 디지털 시대다. 고객 거래, 소셜 미디어 활동 등 다양한 일상적 상호 작용으로 인해 방대한 양의 데이터가 저장된다. 중견 기업과 대기업들은 여러 위치에서 생성된 데이터를 집계해야 한다. 소규모 조직이라도 원격 또는 하이브리드 인력으로 인해 발생하는 데이터의 증가에 주의를 기울여야 한다.

하지만 데이터를 생성하는 것만으로는 충분하지 않다. 시스템도 이를 이해해야 한다.

그러나 많은 기업들은 도구, 기술 혹은 리소스가 제한되어 있기 때문에 데이터를 효과적으로 사용하지 않는다. 리더들은 다음과 같은 일반적인 문제를 대상으로 하는 감사를 수행하여 부적절하게 관리되는 데이터를 파악할 수 있다.

① 지속 불가능한 스토리지 : 데이터 생성이 기하급수적으로 증가함에 따라 이를 저장하고 처리하는 데 어려움을 겪을 것이다.

② 소스와 도구가 너무 많음 : 많은 조직이 새로운 기술을 채택하여 데이터 혼란을 해결한다. 그러나 이러한 도구 중 다수는 데이터를 분석하고 저장하는 대신 더 많은 데이터를 생성하므로 혼란과 정보 고립이 더욱 심화된다.

③ 낮은 신뢰도 : 데이터가 검증되지 않으면 무결성을 신뢰하기 어렵다.

적절한 데이터 관리 전략이 없는 리더들은 기회를 놓치게 된다. 빅데이터는 중요한 통찰력을 제공한다. 소비자 관련 데이터는 고객 행동에 대한 정보를 전달할 수 있고, 물류 데이터는 운영 효율성을 개선하고 새로운 제품과 서비스를 개발하는 데 도움이 될 수 있다.

AI는 데이터 혼란을 해결할 수 없다

많은 전문가들은 생성AI가 새로운 업무 시대를 여는 가교 역할을 한다고 예측한다. 확실히 생성AI는 직원들이 시스템과 상호 작용하고 작업을 수행하는 방식을 바꿀 것이다. NBER(National Bureau of Economic Research) 연구에 따르면, 생성AI 통합은 고객 지원 상담원의 생산성을 14% 향상시키는 데 기여하며, 기술이 부족한 직원의 생산성을 크게 개선하는 것으로 나타났다. 다른 정보 경제 전문가들도 생성AI 덕분에 비슷한 생산성 향상을 경험했다.

그러나 데이터 품질은 생성AI의 잠재력을 심각하게 제한한다. 호스팅 기관에 관리 전략이 없으면 AI는 데이터 보유량을 제대로 해석, 분류, 이해할 수 없다. 왜냐하면, 생성AI를 포함한 주요 AI 도구는 데이터를 기반으로 환경을 맥락화하기 때문이다. 올바른 정보를 얻을 수 없다면 이러한 고급 기술은 쓸모가 없다. 실제로 사용 사례에 따라 정리되지 않은 데이터에 의존하는 AI 도구는 비즈니스 결과에 해로울 수도 있다.

생성AI를 사용하여 고객 기록을 합성하는 은행이 있다. 이 중간 규모 은행은 100만 명의 고객을 보유하고 있으며 수동 데이터 관리 시스템을 사용하고 있다. IT 리더는 중복된 고객 데이터를 통합하기 위해 새로운 생성AI 통합 작업을 수행한다.

이 프로세스를 진행하는 동안 생성AI 통합은 ‘Robert Smith’라는 여러 고객을 식별하고 파일에 활성 주소가 없는 모든 ‘Robert Smith’를 결합하는 방법을 제안한다. 은행은 적절한 교육 없이 이러한 통합을 신속하게 구현하기 때문에 이러한 잘못된 병합이 인간 중재자에 의해 승인된다.

이제 생성AI는 고객 정보를 언제, 왜 병합해야 하는지에 대한 오해의 소지가 있는 지침을 흡수했다. 즉, 이 오류는 적어도 시스템 중재자에 의해 표시되고 해결될 때까지 영구적으로 계속될 것이다.

이 단순한 예는 리더가 생성AI를 사용하여 데이터 정리를 중단할 경우 직면하게 될 문제를 보여준다. AI는 맥락을 생성할 수 없다. AI 시스템에는 인간의 감독과 운영에 대한 강력한 지침이 필요하다. 올바른 위치와 형식의 데이터가 없으면 AI 시스템은 부정확한 결과를 생성하여 인간 중재자에게 골칫거리를 안겨주고 진행을 방해할 것이다.

MDM은 장기적인 문제에 대한 장기적인 솔루션이다

MDM 시스템은 생성AI의 완벽한 파트너다. 이 시스템은 데이터 무결성을 복원하고 AI에게 올바른 출력을 생성하는 데 필요한 사전 지식을 제공한다. 은행의 예에서 MDM은 생성AI 통합 전에 은행의 데이터를 정리, 분석, 정렬할 수 있었다. 고객 데이터에 대한 포괄적인 보기를 통해 생성AI는 고객 행동에 대한 통찰력을 제공하거나 특별 요금과 제안에 대해 더 유용한 결과를 생성하는 데 집중할 수 있다.

당연히 모든 업계의 리더들은 생성AI의 가능성에 열광하고 있다. 그러나 데이터 기반 조직이 되는 것은 일회성 프로세스가 아니다. 적절한 데이터 조직과 거버넌스를 향한 빠른 길도 없다. 생성AI를 효과적으로 채택하는 유일한 신속한 방법은 MDM 솔루션을 검토하고 막대한 가치 실현 시간 제안을 갖춘 도구를 채택하는 것이다. 그렇지 않으면 리더는 자신과 조직에 막대한 비용을 초래하는 지름길을 택할 가능성이 높다.

필자 브렛 한센(Brett Hansen)은 세마키의 최고 성장 책임자로 마케팅, 비즈니스 개발, 제휴 및 파트너십을 포함한 시장 진출 운영을 담당하고 있다. 로기 애널리틱스의 CMO, 델 클라이언트 그룹의 소프트웨어 제품 및 GTM 주도 임원, IBM에서 다양한 마케팅 및 채널 리더십 직책을 맡았다.

(*이 칼럼의 방향은 GTT KOREA의 편집 방향과 다를 수 있습니다.)