휘트 앤드루스 가트너 부사장 겸 최고연구원

[컴퓨터월드]

▲ 휘트 앤드루스(Whit Andrews) 가트너
부사장 겸 최고 연구원(Distinguished Analyst)

분석

좋은 결과를 내고 싶은데 자원·인력이 부족하면 AI를 도입하라
가트너는 최근 기업들의 AI 프로젝트가 어느 정도 진전을 이뤘는지 파악하기 위해 자사 연구학회에 소속된 80개 회원 기업들을 대상으로 설문조사를 진행했다. 조사 결과 대다수의 기업들은 이제 막 AI를 적용한 프로젝트를 시작하는 단계에 있는 것으로 파악됐으며, AI를 적용하기 위해 관련 정보를 수집하거나 전략을 구상하는 단계에 있는 경우가 대부분이었다.

▲ AI 도입 전략 현황 (출처: 가트너)

반면 고급 분석, 고객 경험 및 디지털 업무환경 등 다양한 애플리케이션 범주에서 머신 러닝의 학습 능력이 강화되면서 인공지능은 꾸준히 다른 애플리케이션으로 영역을 넓혀가고 있다.

물론 이러한 자체 학습 능력은 분석 솔루션에 어떤 알고리즘을 추가할 것인가와 같이 ▲어떤 전략을 도입할지 선택할 경우 ▲연산 작업을 변경할 경우 등에 있어 완전히 자동화되지는 않았다. 신경망 프로그래밍은 아직 연구 목적의 통제된 환경에서만 스스로 학습하고 개선하는 모습을 보이고 있으며, 머지않은 미래에 기업들은 비즈니스의 상당 부분을 AI와 연계해 처리하게 될 것이다.

기업들은 AI가 사업성과를 개선시키기 위해 선택한 방법과 자사가 제시한 전략 중 어느 것이 최선인지 판단해야 한다. 개선 사항 중 어떤 것을 선택할지 결정하기 위해 아직 인간의 개입(상식)이 필요하며, 경우에 따라서는 머신 러닝을 적용한 시스템이 재교육을 받아야 할 수도 있다.

불꽃 튀는 바둑 대결 후 은퇴한 딥마인드(DeepMind)의 ‘알파고(AlphaGo)’가 좋은 예이다. ‘알파고’를 사용하는 선수들이 점차 늘고 있는 이유는 단순히 컴퓨팅 성능을 보여준 것만 아니라, 전 세계 선수들에게 다양한 바둑 기법에 대한 새로운 아이디어를 제공했기 때문이다.


비즈니스 과제를 선택할 때는 AI에 적합한지 고려할 것
간혹 기술 제공업체들이 새로운 문제 해결을 위한 솔루션으로 신기술을 제안하는 경우가 있다. 시간이 지나고 보면 그러한 신기술들이 기존에 직면했던 문제들을 혁신적으로 해결하는 방법이었음을 깨닫게 된다.

그런 맥락에서 ‘e비즈니스’는 대다수 기업들이 비즈니스를 완전히 쇄신할 수단이 아닌, 단계적으로 오류를 줄여 나가는 수단으로 선택한 경우가 많았다. 새로운 기술은 단계적으로 비즈니스 관계를 개선하는 역할을 하게 되고, 궁극적으로 기존 사업 방식으로부터 완전히 탈바꿈 시켜주는 역할을 한다. AI도 이와 비슷하다. 기업이 안고 있는 기존 문제 해결에 적용할 수 있음은 물론, 기존에는 상상도 못했던 방식으로 적용함으로써 기존 사업 방식을 완전히 탈바꿈시킬 수도 있다.

관련 애플리케이션이나 업종별 특성과 관계없이 기업들에게 가장 적합한 프로젝트는 다음과 같다.

■ 충분한 문제 해결 역량을 지닌 높은 품질과 우수한 신뢰성을 보유한 데이터
데이터와 분석 결과 사이에 추상화 계층이 더 많이 도입될수록 오류를 밝혀내는 것이 어려워진다. 완전한 자동화를 통한 자체 개선이 이뤄지지 않으며, 신속하게 분석하기 어려울 수 있다. 가트너는 기업들에게 명확한 목표를 가지고 데이터의 품질을 검증하고 개선하려는 노력을 보이라고 권고한다.

■ 명확한 매개변수가 나올 수 있는 데이터
어떤 분석 전략이든 데이터의 다변량(Multivariate) 관점을 확립할 수 있는 능력을 갖췄는지가 관건이며, 벡터(Vector)를 매개 변수화 시키는 트랜잭션(Transaction)이나 상호작용(Interaction)과 같은 요소를 줄이는 능력은 기본이다. 컨텐츠 상에 매개 변수가 너무 적거나 그 내용이 모호하거나 일관적이지 않은 경우 극복하기 어려운 장애물로 작용한다.

■ 과거 목표에 기반해 비즈니스 관계자들에 보여줄 수 있는 가치
궤도에 있는 위성을 목표로 하는 사람이 굳이 달을 노릴 필요는 없다. 파일럿 프로젝트는 현재 해소할 명확한 목표를 잡아야 하며, 초기 프로젝트는 그 파일럿 프로젝트의 자취를 따라야 한다. 현재 프로젝트와 막 시작한 AI 적용 프로젝트를 점검해 향후 프로젝트에 AI를 주 역할로 쓸 것인지, 아니면 부수적 장점을 활용할 것인지 고려해보자.

■ 기업의 목표가 합리적이고 실현 가능하다는 것을 입증할 기반
이미 완료된 유사 프로젝트를 발견할 수 있다면 가장 좋다. 과거에 진행된 비슷한 프로젝트 예시를 요구하는 서비스 제공자들을 상대할 때 이는 특히 중요하다. 이러한 증거가 없으면 대신 목표가 합리적임을 입증할 수 있는 학술 연구를 찾아야 한다.


교육을 통한 개선이 가능한 애플리케이션을 선별하자
문제 해결용으로 AI를 찾는 기업은 우선 AI가 기능면에서 정말 기존의 한계를 뛰어넘었는지 의아해한다. 당연한 일이다. AI는 절대 달성할 수 없는 기술처럼 보인다. 기능 수행을 위한 필요한 조건이 다 충족되더라도, 얼마 지나지 않아 새로운 기능이 개발돼 또 새로운 조건을 요구하며 한 걸음 멀어지기 때문이다.

이를 해결하기 위해서는 AI와 관련이 없는 기존 프로젝트에 투자했던 것만큼의 수고와 주의를 AI 프로젝트에도 들여야 한다. 기존 프로젝트와 달리 AI 프로젝트는 교육을 통한 개선과 AI 내 알고리즘이 어떻게 작동하는지를 즉시 시각화하기 어렵다는 특징이 있으며, 이에 대한 대비가 필요하다. 즉 AI 기반 애플리케이션은 시간이 지나면서 교육에 투자함으로써 더욱 개선될 수 있지만, 그렇지 않거나 시각화되지 않을 수도 있음을 이해해야 한다.

기업들은 AI 프로젝트를 진행하는 경우에도 기존의 프로젝트 진행 때와 똑같은 문제에 직면하게 된다는 점을 유념하고, AI를 기존 애플리케이션에 추가하거나 AI 기반 애플리케이션을 찾을 때 기존에 진행해오던 절차를 따라야 한다.

AI 솔루션을 평가할 때 기업들은 각 업체 평가에 사용하는 기존 요건을 적용해야 한다. AI 솔루션은 시간이 흐름에 따라 개선될 수 있고 또 그래야 하겠지만, 기업들은 미래의 개선 사항에 대한 잠정적인 기대나 가정이 아닌 실제 지표를 통한 평가와 측정을 진행해야 한다.

이와 같은 절차는 프로젝트 자체가 일반화 된다는 것을 뜻하지는 않는다. 오히려 그 반대로, AI 프로젝트는 아직도 실험 단계에 있으며 기술에 대한 이해를 발전시킬 수 있는 일종의 투자로 봐야 한다. 특히, 비지도 학습(Unsupervised learning)이나 다른 머신러닝 수단을 사용해 결과를 도출하려는 목적의 프로젝트는 실험으로 간주돼야 한다. 지도를 많이 할수록 프로젝트 거버넌스는 평범해진다. 프로젝트 실행은 연구 목적을 반드시 반영해야 한다.


CDO에게 프로젝트 평가 여부를 맡기는 것이 AI로서는 좋다
최고 데이터 책임자(CDO)는 정보를 전략적인 자산으로 관리하는 역할을 담당하며, 기업의 데이터 아키텍처, 품질, 거버넌스 및 데이터 출처, 신뢰도 등을 총괄한다. CDO는 AI 프로젝트에서는 모든 측면에서 중요한 가치를 지니고 있으며, 기업에 어떻게 AI를 적용시킬지 결정하는데 있어서는 CIO 만큼이나 중요한 역할을 한다. AI 기반 애플리케이션에 포함시킬 데이터에 가장 가까운 인물이기 때문이다. 따라서 CDO는 AI 프로젝트에 매우 중요한 데이터 과학자 및 비즈니스 분석가와 같은 관점을 가지고 업무적 연결성 및 권한을 갖기에 가장 적절하다.

CDO는 분석 프로젝트용으로 제안된 모든 방법을 평가할 수 있는 자격이 필요하다. AI로 해결하기에 적절한 프로젝트가 무엇인지, 프로젝트 일환으로 수집 및 입력할 데이터를 가장 효과적으로 해석하기 위해 데이터를 어떻게 사용할지, 혹은 사용하지 않을지 결정할 권한을 가져야 한다. 이런 체계를 갖추지 않은 기업이 많다.

가트너에서 자사 연구학회에 소속된 80명의 회원들을 대상으로 AI 계획에 대한 설문조사를 진행한 결과, AI 관련 노력이나 기술 결정을 CDO가 담당한다고 답한 사람은 단 두 명이었으며, 1/3 가량은 CIO가 그 역할을 대신한다고 답했다. 후자의 체계를 따를 경우 AI 관련 프로젝트에 데이터 분석 담당자가 참여하는지 여부를 확실히 할 필요가 있다.


기업이 AI를 적용해야 하는 목적
애플리케이션 범주 별 AI가 제공하는 가치
AI는 고객과 기업의 관계를 편리하게 해주는 조력자 역할을 수행한다. AI는 기업이 고객과 소통하는 일차적인 창구로 사용되거나 고객이 필요로 하는 정보와 대책을 제공하기 위해 배치하는 하는 가상 비서의 엔진 역할을 한다. 재훈련이나 사용 결과 평가를 통해 시간의 흐름에 따라 점차 진화하는 비서라고 볼 수 있다.

고급 분석(Advanced Analytics)은 지식 경영이나 영업 및 서비스 분야의 고객 대면 담당을 찾는 작업을 발전시키는데 상당히 힘을 실어 주었다. 고객 및 잠재 고객을 대신해 태스크를 시작할 기업 프로파일을 제시하거나 이미 행동에 나선 경우, AI를 활용하면 상당한 이점을 누릴 수 있다.

물론 사용하고 있는 애플리케이션이 없는데 AI를 적용할 수는 없다. 가트너 연구학회 소속 기업들은 자사 고객센터 시스템에 AI를 적용시켰거나 시킬 예정이라고 답했으며, 가장 많이 인용된 세 가지 애플리케이션 범주는 고객 업무와 연관된 분야로 다음과 같다.

■ 응답자 중 33%는 고객 관련 애플리케이션에 AI를 연계시킬 것이라 답했다.
■ 응답자 중 30%는 콜센터와 지원 서비스에 AI를 통합시킬 것이라 답했다.
■ 응답자 중 25%는 디지털 마케팅에 AI를 통합시킬 것이라 답했다.

▲ AI 통합용 애플리케이션 범주 (출처: 가트너)

기업 업무에서 창출되는 엄청난 양의 데이터와 데이터 이질성, 투자 수익률 등을 고려해 상기한 애플리케이션에 AI를 적용해 볼 것을 권고한다. 특히 고객 관계와 관련해 기업이 고려해야 할 사항은 다음과 같다.

세일즈와 마케팅
고급 분석 기술은 주로 판매 담당자와 잠재 고객을 이어주거나 유치에 사용할 전략을 개발하는 역할로 사용되며, AI를 적용하기에 가장 적절한 대상이다. 잠재 고객 및 매출 현황과 관련한 폭넓은 스펙트럼에 기반한 재교육을 통해 점차 발전해 나가는 AI의 능력은 특히 이런 애플리케이션에 적용하기 적절하다.

판매 활동은 담당자 별로 특화된 전략 및 수단에 기반해 이뤄진다. 담당자와 잠재 고객, 담당자와 현재 고객을 이어줌으로써 담당자 특성이나 고객 관련 통계 등 번거로운 자료에 의존하지 않고도 긍정적인 방향의 결과 개선이 가능하다.

즉, 판매 프로세스 자동화는 가상개인비서 사용 및 기존 공정 자동화를 통해 AI를 도입하기에 적절한 분야이며, 기업은 판매 주기 내에서 인력을 들이느라 소모했던 시간을 아낄 수 있다. 이와 같은 AI로의 전환은 규제 및 법적 관점, 특히 금융 서비스 측면에서 중대한 여파를 가져올 것이다.

서비스
서비스 부문에서 AI 도입은 자동화하기 쉬운 고객 지원 서비스부터 시작하는 방식으로 진행돼야 한다. 실제로 이 작업은 학습을 통해 고도화된 인공지능일 필요도 없다. 고객 문의가 들어왔을 경우 ‘자주 묻는 질문(FAQ)’ 로 넘길지, 아니면 상담원 연결이 필요한지 등은 인간이 만들어 놓은 기준에 입각해 판단할 수 있기 때문이다.

그 후 기존 시스템에서 나온 기록을 활용해 AI가 그 기록을 소화하도록 교육시켜 AI 역할을 점차 개선해 나갈 수 있다. 고객과 상담원 간 대화 내용 분석을 바탕으로 최선의 고객 응대법을 역설계 한 후, 그 결과물 평가를 통해 반복되는 문답이나 내용을 추려낼 수 있다.

AI는 매개변수를 규명, 설정하고 복제하기 쉬운 일반적인 고객 응대 상황에 적용시켜 기존 고객 서비스 기업을 지원하는데 매우 유용하게 활용할 수 있다.

공급망 관리 및 제조
공급망 관리에서는 각기 다른 다양한 리소스에서 엄청나게 많은 데이터가 쏟아져 나온다는 점이 장점이자 단점이다. AI는 기업이 점진적으로 개선되는 정보를 관리하고 이해할 수 있는 능력을 합리적으로 가다듬는 역할을 한다. 운영에 혼란을 가져오는 부정확하고 변칙적인 데이터는 AI를 사용해 처리하기에 적절한 대상이다. 이런 데이터들이 가져오는 오류를 AI를 통해 자동 수정함으로써 더 큰 가치를 얻을 수 있다.

또한 향후 성과의 가능성을 예측할 수 있도록 공급업체 제안요청서 및 업체 관계를 걸러내는 역량도 갖고 있다. 예를 들어 가트너 고객사 중 한 곳은 자사의 최대 고객이 부품 가용성 면에서 소비자의 공급망 취약성이 어느 정도인지 파악하기 위해 시스템 내 리스너(Listeners)를 설치하려 한다고 전했다. 이 경우 리스너가 수집하는 데이터의 투명성 확보가 무엇보다 중요하며, 리스너가 기업에 제시하는 결론 역시 투명성이 담보되어야 한다.

AI는 디지털 트윈 모델에 지능을 더해줄 것으로 기대된다. 이를 통해 디지털 트윈은 측정에 앞서 한층 개선되어 물리적 시스템과 디지털 시스템 간 격차를 해소해 더 많은 기회를 가질 수 있다.

계획 담당자들은 AI를 활용해 공급망 계획 역량을 보강할 수 있다. 이 담당자들이 의사 결정을 내리고 문제를 해결하는 방법에 대한 데이터를 수집할 수 있으며, 이를 바탕으로 의사 결정 자동화 및 시행 가능한 제언을 만들어 낼 수 있다. 제조업체들은 다양한 목적으로 AI 사용을 꾀하고 있으며, 대부분 인간이 수작업으로 하기 어려운 방대한 양의 데이터를 다루는데 사용한다고 말했다.

특히 예측 정비(Predictive Maintenance) 및 엄청난 양의 데이터가 들어가는 고액 공정 개선 프로젝트 등이 여기에 포함된다. 많은 업체들이 AI 사용 기회를 모색하고 있는 상황에서 공급망 관리자들이 이와 관련해 가장 유념해야 하는 점은 AI형 애플리케이션이 읽을 데이터의 정확성을 평가하고 인증할 필요가 있다는 점이다. 자동화 공정 확대는 곧 정확한 데이터의 필요성 확대와 직결된다.


각 업계 내 AI의 가치
통신 서비스
통신 서비스 제공업체(Communications Service Providers, CSP)의 경우 관리해야 할 고객 정보가 방대하기 때문에 대부분 초기에 출시된 AI 애플리케이션을 이미 사용하고 있다. 대표적으로 콜센터나 유통, 부정거래 탐지 및 관리 등에 사용되고 있다.

그러나 CSP 고유의 사용 사례도 있다. 네트워크 구상과 엔지니어링, 네트워크 관리는 굉장히 규모가 큰 작업으로 CSP들에게 큰 장애물로 작용한다. 이들이 디지털 방식으로 시뮬레이션 할 수 있고 최적화를 위한 다양한 머신러닝을 적용할 수 있다면 AI를 통해 보다 효율적으로 작업을 처리할 수 있다.

정부
정부 기관은 가상 비서 같은 대화형 애플리케이션 사용에 상당한 관심을 보이고 있다. 민원 서비스 개선도 필요하고 공공 및 정부 기관 간 의사소통 역시 개선해야 하기 때문이다. 실제로 정부 내부에서도 절차 및 규제를 분석해 나온 통찰을 활용할 수 있는 환경을 구현하기 위한 움직임이 활발히 진행 중이다.

AI 시스템은 분명한 결과값을 갖는 명확하고 잘 정의된 다량의 데이터를 필요로 한다. 미래형 애플리케이션의 경우 소비자 가상 개인 비서에 통합될 일이 점점 더 많아질 것이다. 미 유타 주와 미시시피 주에서는 운전면허 연습시험을 아마존 ‘에코(Echo)’를 통해 면허시험 응시자들이 수월히 시험을 준비할 수 있도록 했다. 이를 통해 심사관이 동승하는 실전 시험의 효율을 한층 높일 수 있었다.

스마트 시티 애플리케이션은 더욱 정교한 다중 개체 협력을 필요로 하며, 이것이 여의치 않을 경우 상호운용성(Interoperability)이라도 갖춰져야 한다. 그러나 가까운 미래에 이를 활용할 수 있는 정부는 많지 않다.

IoT 엔드포인트(Endpoints)가 꾸준히 늘어나며 정부 기관이 감당해야 할 데이터 흐름은 더욱 크고 복잡한 양상을 띠고 있어 어떻게 이를 활용하느냐가 관건이다. 특히 운송, 정책·공공 안전, 재난 관리/복구 등의 분야에서 그런 움직임이 두드러진다. 비디오 분석 성능이 향상되고 그 분석 결과를 사용하려는 애플리케이션이 늘어남에 따라 정부의 AI 애플리케이션 사용 역시 신속히 성장할 것으로 보인다.

정부는 가상 비서를 활용해 일상적으로 접수되는 다량의 문의사항 중 일부 단순한 사항을 쉽게 처리할 수 있다. 물론 예상치 못한 문의가 있을 경우 인력이 개입해 처리해야 한다. “민원 처리는 몇 시까지 하나요?”와 같은 질문은 AI가 손쉽게 처리할 수 있으며, 심지어 “마지막 신청자는 종료 시간 60분 전에 도착해야 합니다”와 같은 제안까지 할 수 있다. AI로 구동되는 챗봇(Chatbots)은 “아이가 경기에서 물고기를 얼마나 잡을 수 있을까요?”와 같은 비일상적인 질문에는 제대로 답하지 못한다.

교육
교사들에게 AI란 아주 오래전부터 정보 저장 및 검색 수단이 그래온 것처럼 지식 및 정보에 대한 접근성이 갖는 가치를 떨어트리고, 구조화되지 않은 주관식 시험 등에 대한 본 학생들의 결과를 점수로 매겨 교재 이해도가 어느 정도인지 평가하는 등 교사의 단조로운 작업을 대신해 것으로 보인다.

교육 분야에 적용하는 AI는 우선 교실 찾는 법, 시험 자료 준비하는 법 등 운영 측면을 도와주는 가상 비서 역할 등 가장 효과적인 일반적 용도로 사용될 것으로 보인다. 그러나 교육업계는 AI를 ‘교사’로 사용하고자 하는 열망이 크다. 디지털 채점으로 학습 평가는 물론 피드백과 개선 역시 한층 빨라질 것으로 보인다. 적응형 학습(Adaptive learning)은 시스템이 학생별 학습 스타일에 반응할 수 있도록 하는 동시에, 학생 각자가 가장 잘 소화하는 학습법을 스스로 발견할 수 있는 여력을 제공한다.

연구 분야에 AI를 적용한 교육기관들은 프로젝트의 우선순위를 정하고 고르는 데 상당한 영향을 받을 것으로 보인다. 연구에 사용할 방법과 목표를 AI가 평가하게끔 하여 연구 성과에 대한 사전 평가를 향상시킬 수 있다. 이미 생명과학분야에서는 임상 시험 사용 성공률 개선을 목표로 AI에 대한 상당한 투자가 이뤄지고 있다.

유통
마케팅과 판매는 유통 분야만의 독특한 영역으로, AI 애플리케이션이 매우 중요한 데이터 리소스를 활용해 측정 가능한 가치를 만들어 낼 수 있는 영역이다. 빅데이터 분석을 사용하는 업체들은 전에 발견치 못했던 사항을 발견함으로써 더욱 요령 있게 사업에 임할 수 있다.

AI는 발견된 사항에 한층 기민하게 대응할 수 있는 잠재력을 제공하고, 마케팅 메시지를 나누고 세분화 해 사이코그래픽(Psychographic)의 범위를 좁히며, 이를 통해 온오프라인 업체들이 보다 개인화된 서비스를 제공할 수 있도록 한다. 특히 소매 업체들은 가상 고객 지원을 사용함으로써 더욱 개인화·자동화 된 고객 서비스의 이점을 살릴 수 있다.

유통은 다른 영역보다 AI에 대한 친밀도나 이해도가 더 높다. 1990년대 후반에 전자상거래가 활성화 되면서 개인화 및 디지털화 등과 관련된 기술을 이미 접했기 때문으로 보인다. 가트너는 2015년 1분기부터 AI와 연관된 소셜 미디어 담론을 추적해 왔으며, 이러한 담론의 비중이 분기별로 20% 상승했음을 발견했다. 이는 대부분 유통이 주도한 상승세였다. 다른 업종 내 성장률은 AI에 대한 기대감이 증가하며 가속화되는 양상을 보였다.

은행
뱅킹 분야의 AI 사용은 용도가 다양하며 꾸준히 성장하는 모습을 보여준다. AI에 대한 소셜 미디어 담론은 뱅킹 분야에서 가장 활발히 진행되고 있다. 담론의 양도 늘어나고 있어 2015년 처음 시작된 이래로 분기당 50% 성장하는 모습을 보였다. 다른 업종과 비교해 절대적으로 빠른, 사실상 두 배에 가까운 성장세다. 전 세계적으로 이러한 양상이 두드러지나 주로 북미, 유럽, 인도와 호주를 중심으로 나타나고 있다.

은행은 고객과 자사 시스템 사이에 AI를 배치해 고객 응대 자동화를 이뤘으며, 특히 가상 고객 지원을 활용해 인력이 개입할 필요 없이 자주 문의해 오는 사항을 해결할 수 있도록 한다. 이런 역할을 하는 ‘봇(Bots)’ 은 음성이나 텍스트 서비스를 지원한다. 페이스북이나 위챗(WeChat) 등 소셜 미디어 시스템 내 독립 플랫폼 상에 배치될 수도 있다. 또한 고객용 포트폴리오 관리 개발, 투자자 결정 및 관심사 분석에 AI를 사용해 투자 결정에 참고할 내용을 제공할 수 있으며, 고객 담당자는 이 시스템을 활용해 업무 지원을 받을 수 있다.

이 외에도 금융서비스에 AI를 적용해 전에는 가능치 못했던 엄청난 속도로 상당량의 데이터 세트를 분석해 기업 운영에 참고가 될 만한 사항들을 발견할 수 있다. AI가 제공하는 고급 자동화 분석은 특히 금융사기 예방에 효과적이다.

헬스케어 업체
헬스케어 업계만큼 AI 적용 가능성이 뚜렷한 곳도 없다. 기업은 AI 기술 적용을 통해 진단 개선 자동화나 의약품 연구 과정 간소화 등 기존에는 상상할 수 없었던 놀라운 진전을 보여줄 수 있을 것으로 전망된다.

헬스케어 업계 종사자들은 비즈니스 성과와 정치적 혼란으로 시장 내 불확실성이 가중된 가운데, 자원을 모으고 기회를 모색해야 한다는 압박을 강하게 받고 있다. 초기 AI 도입은 의료·보건 기관이 추구해야 하는 보편적 가치를 고려하는 것은 물론, 재무성과, 직원 관계, 환자 만족도 및 진료 품질 등을 향상시키는 운영 개선에 집중돼야 한다.

AI는 방대한 양의 데이터 분석을 통해 무엇이 변수와 오류를 일으키는지 파악할 수 있으며, 결과적으로 코딩 에러나 진료 예약 무단 취소 등 헬스케어 업체에 물질적 피해를 줄 수 있는 문제에 대응할 역량을 향상시켜준다.

저작권자 © 아이티데일리 무단전재 및 재배포 금지