실제로 효과가 있는 Human + AI 전략

명확한 사용 사례도 없고, 변화 관리 계획도 없으며, 지원해야 할 사람들에 대한 존중도 없이 AI를 도입하면 어떤 일이 벌어질까요? 실패합니다. 그리고 AMCS의 최고혁신책임자이자 *The People, Places and Things*의 저자인 Evan J Schwartz에 따르면, 그 실패는 예측 가능하고 예방도 가능합니다. 이번 CTRL+Listen Podcast 에피소드에서 Evan은 기업용 소프트웨어, ERP 구축, 산업 자동화 분야에서 35년 넘게 쌓아온 값진 인사이트를 공유합니다. 특히 임업, 광업, 고철, 폐기물 산업 전반에 걸친 경험을 바탕으로 이야기합니다.

AI 기반 예지 정비와 차량 운영 최적화부터, 어디에나 AI를 적용하려는 사용 사례의 위험성까지, Evan은 “사람 + AI” 전략의 필요성을 강조합니다. 즉, 좁고 명확하게 정의된 AI 작업들을 서로 연결해 누적 효과를 만들어내는 방식입니다. 또한 AI가 소프트웨어 교육을 어떻게 바꾸고 있는지, AI 시대에 왜 전문가보다 제너럴리스트가 더 오래 살아남을 것인지, 그리고 폐기물 및 재활용 산업이 운영 효율성 측면에서 우리 모두에게 무엇을 가르쳐줄 수 있는지도 깊이 있게 다룹니다.

Evan에 대해 더 알아보기 →

Evan 팔로우하기 → 

에피소드 듣기

에피소드 보기

핵심 요점

• 대부분의 디지털 전환 및 AI 이니셔티브는 기술이 아니라 도입 문제로 실패합니다.ERP 및 AI 프로젝트가 높은 비율로 무너지는 이유는 조직이 변화 관리, 문화적 적합성, 그리고 현실 세계의 운영 복잡성을 과소평가하기 때문입니다.
• 성공적인 전환을 위해서는 구조화되고 사람 중심적인 프레임워크가 필수적입니다.“고객 여정” 접근법은 명확한 단계, 충분한 정보를 바탕으로 한 벤더 선정, 그리고 일반적인 프로젝트 관리 범위를 넘어서는 실질적인 도입 단계를 강조합니다.
• AI는 사람을 대체하는 것이 아니라 사람의 역량을 증폭할 때 가장 효과적입니다.좁고 명확하게 정의된 AI 사용 사례를 인간의 판단과 결합하면 효율성, 물류, 예지 정비, 수익성 측면에서 누적적인 성과를 이끌어낼 수 있습니다.
• 운영 효율성과 지속가능성은 경제적으로도 일치합니다.물류, 차량 운영, 자원 활용을 최적화하면 비용이 줄고, 잉여현금흐름이 늘어나며, 환경 영향도 낮아집니다. 즉 지속가능성은 트레이드오프가 아니라 비즈니스 경쟁력이 됩니다.

대본

James Sweetlove: 안녕하세요, 여러분. Octopart가 전해드리는 Control+Listen podcast의 James입니다. 오늘 함께해 주셔서 감사합니다.

오늘은 특별한 게스트, Evan Schwartz와 함께합니다. Evan은 AMCS의 최고혁신책임자이자, Evan J Schwartz의 창립자 겸 CEO이며, Jacksonville University의 겸임교수이기도 합니다. 함께해 주셔서 정말 감사합니다.

Evan J Schwartz: 초대해 주셔서 기쁩니다, James. 이 자리에 함께하게 되어 정말 기대됩니다. 감사합니다.

James Sweetlove: 방송 전에 잠깐 이야기를 나눴는데, 오늘 다룰 내용이 정말 기대됩니다.

먼저, 어떤 배경을 갖고 계신지, 그리고 Evan J Schwartz에 대해 조금 소개해 주실 수 있을까요?

Evan J Schwartz: 물론입니다.

제 시작 이야기는 IT 분야에서 흔히 들을 수 있는 이야기와 꽤 비슷합니다. 저는 전화 접속식 게시판 시스템, 그러니까 컴퓨터 초창기 시절에 게임을 개발하면서 시작했습니다. 그 경험 덕분에 기술에 매우 익숙해질 수 있었고, 사용자 경험과 당시 떠오르던 기술들, 예를 들면 다이얼업 모뎀 같은 것들을 깊이 이해하게 됐습니다.

그 후 저는 빠르게 비즈니스 세계로 들어갔고, 다양한 산업에서 엄청난 기회를 발견했습니다. 특히 부를 창출하는 산업들에서요. 그게 벌써 35년이 넘었습니다.

지금도 여전히 기업 운영 시스템, 잉여현금흐름을 만들어내는 엔진 같은 시스템, 자동화 시스템 등 비즈니스가 돌아가게 해주는 영역에 깊이 관여하고 있습니다. 특히 임업, 광업, 역물류, 고철 산업처럼 마진이 낮고 프로세스를 정말 최적화하고 자동화해야 하는 산업들이 제 커리어 전반의 중심이었습니다.

Evan J Schwartz는 그런 경력에서 파생된 개인적인 확장이라고 할 수 있습니다. 수년간 여러 회사를 보면서, 이들이 대형 ERP 시스템을 도입하고 조직 전체에 걸친 엄청난 변화를 겪는 과정에서 반복되는 패턴을 보게 되었고, 그 문제에 강한 문제의식을 갖게 됐습니다. Gartner의 최근 통계도 제가 커리어 내내 직접 보아온 것과 일치합니다. 제가 실패한 프로젝트를 수습하는 역할을 하든, 직접 그 한가운데서 해결하려 애쓰든, 기업 운영을 떠받치는 이런 대규모 엔터프라이즈 시스템은 도입 단계에서 매우 높은 실패율을 보입니다.

그래서 Evan J Schwartz와 고객 여정은 제 나름의 해답이었습니다. 저는 책을 써서 35년 넘게 현장에서 직접 보고, 겪고, 실행해 온 경험에 맥락을 부여하고자 했습니다. 그리고 고객 여정은 하나의 프레임워크를 만들려는 시도였습니다.

프로그램 관리와 프로젝트 관리는 그 자체로 상당히 잘 발전해 하나의 학문처럼 자리 잡았다고 생각합니다. 하지만 제 직접적인 경험상, 새로운 운영 시스템이나 소프트웨어를 배포하고 정착시키는 데에는 매우 특수한 접근 방식이 필요합니다. 고객 여정은 일반적인 프로젝트 관리 및 프로그램 관리의 모범 사례 위에 얹히는 프레임워크이지만, 실패율 70%로 이어지는 고유한 문제들을 다룹니다.

지금도 그걸 보고 계시잖아요. AI 역시 디지털 전환의 또 다른 형태입니다. 그리고 작년에 MIT는 그중 95%가 ROI를 충족하지 못하거나 실패하고 있다는 보고서를 발표했습니다. 이유는 똑같습니다. 그래서 저는 ‘이걸 멈출 방법이 분명히 있어야 한다’고 생각했습니다.

고객 여정은 어떤 형태의 디지털 전환이든 그것을 배포하는 모든 단계를 다룹니다. 고객의 관점에서 고객이 무엇을 해야 하는지, 벤더는 어떻게 선택해야 하는지, 소프트웨어는 어떻게 선정해야 하는지, 프로그램은 어떻게 계획해야 하는지 알려줍니다. 어디에 함정이 있는지, 어디서 일이 틀어지는지, 그리고 어떻게 잉여현금흐름을 만들어내고 EBITDA를 끌어올리는 성공적인 구축으로 이어갈 수 있는지도 설명합니다.

결국 이런 시스템을 도입하는 이유는 회사의 재무 성과를 개선하기 위해서입니다. 단지 디지털 시스템을 갖추기 위해 사는 게 아니죠. 재무적으로 실제 변화를 만들어내야 하는데, 너무 많은 프로젝트가 그 지점에서 실패해 왔습니다.

두 자릿수도 아니고 두 자릿수 규모를 훨씬 넘는 수준의 실패입니다. 정말 충격적이죠. 2년 전에는 독일 사례가 기사와 신문에 크게 보도됐는데, 한 SAP 구축 프로젝트가 6억 5천만 달러까지 비용이 초과된 끝에 결국 중단됐습니다. 아무 가치도 창출하지 못한 채, 끝내 완수하지 못한 출혈성 프로젝트였죠.

그래서 저는 이제 정말 그만해야 한다고 생각했습니다. 일관되고 반복적으로 성공할 수 있는 방법은 분명히 있습니다. 그래서 사람들 앞에 하나의 프레임워크를 제시하고 싶었습니다. 제가 이야기해 본 모든 사람들, 그리고 제 책에도 등장하는 제 오랜 친구 John Leonard, Florachem의 CEO를 예로 들면, 그는 저와의 관계가 있었지만 자신의 구축 프로젝트를 맡아달라고 저를 찾지는 않았습니다. 다른 소프트웨어였지만 결과는 좋지 않았죠.

프로젝트가 끝난 뒤 그는 저를 찾아왔고, 우리는 함께 앉아 이야기를 나눴습니다. 저는 “여기서는 이렇게 했어야 했고, 저기서는 저런 방식이 가능했을 겁니다”라고 설명했죠. 그러자 그는 “세상에, 그걸 시작하기 전에 알았더라면 얼마나 좋았을까요”라고 말했습니다.

그 이야기의 결말은, 그가 사용할 수도 없는 소프트웨어에 대해 5년 라이선스 비용을 계속 지불해야 하는 상황에 묶였다는 것입니다. 정말 끔찍한 일이죠. 더 안타까운 건, 이건 피할 수 있었다는 점입니다. 무작위로 벌어지는 일이 아닙니다. 막을 수 없는 열차 사고 같은 것도 아니고요. 너무 잘 알려져 있고, 문서화도 잘 되어 있으며, 너무 자주 일어나기 때문에 사람들은 오히려 그것을 전제로 과도하게 계획을 세울 정도입니다.

제 목표는 더 많은 사람들이 이런 일을 피할 수 있도록 충분한 정보를 갖게 하는 것이었습니다. 그리고 그것이 바로 고객 여정이 하는 일입니다.

James Sweetlove: 훌륭하네요.

네, 정말 꼭 필요한 서비스처럼 들립니다. 모두가 너무 빠르게 뛰어들다 보니, 어쩌면 해야 할 실사를 충분히 하지 못하고 있는 분야 중 하나인 것 같네요.

Evan J Schwartz: 일부는 그런 이유도 있고, 또 일부는 말 그대로 모르는 건 모를 수밖에 없기 때문입니다. 다른 모든 일과 마찬가지죠. 사람은 각자의 렌즈와 관점으로 사물을 바라보고, 고객은 누구보다 자기 비즈니스를 잘 압니다.

하지만 제가 천연가스, 원자재, 임업, 고철, 제조업, 심지어 시장에서의 원자재 거래, 그리고 폐기물 및 재활용 산업까지 두루 경험하며 말씀드릴 수 있는 건, 그 업계에 아무리 많은 기업이 있어도 운영 방식이 완전히 같은 곳은 단 하나도 없다는 겁니다. 정말 단 한 곳도요.

겉에서 크게 보면 모두 같은 사업을 하는 것처럼 보입니다. 하지만 세부 수준으로 내려가면 운영 방식이 완전히 다릅니다. 그게 바로 그들의 비밀 소스이자 차별화 요소입니다. 그리고 보통 바로 그 지점에서 일이 조금씩 어긋나기 시작합니다.

각 회사는 모두 서로 다른 문화를 가지고 있습니다. 그리고 놀라실 수도 있지만, 시스템 전반에 걸쳐 배포하는 소프트웨어에 맞춰 조직 문화가 형성되거나 적응해야 하는 부분이 상당히 많습니다. 왜냐하면 그 소프트웨어는 비즈니스의 모든 부분, 정말 모든 부분에 영향을 미치기 때문입니다.

James Sweetlove:다른 주제로 너무 깊이 들어가기 전에, 청중을 위해 AMCS Group에서 하시는 일도 간단히 요약해 주시면 좋겠습니다. 그곳에서 맡고 계신 역할에 대해서도 조금 말씀해 주실 수 있을까요?

Evan J Schwartz: 네. 아침에 눈을 뜨면 가슴이 뛰고, 당장 달려가서 뭔가 해내고 싶어지는 그런 곳에서 일할 기회는 흔치 않죠. 그래서 AMCS는 오랫동안—여기서 제 인생사를 다 풀려면 아마 몇 시간은 걸리겠지만—사실 저는 여러 자원 집약적 산업 분야의 비즈니스로 옮겨 다니며 일해 왔습니다.

임업은 그런 자원 산업 가운데서도 제가 초기에 깊이 관여했던 분야 중 하나였어요. 예전에는 나무를 벌목해서 종이를 만들었죠. 그런데 재활용이 본격화되기 시작하면서, 골판지를 다시 수거하고 재펄프화해서 다시 활용할 방법이 필요해졌습니다. 그렇게 재활용 산업으로 이어진 거죠.

많은 분들이 잘 모르시는데, 나무는 버려지는 부분이 거의 없습니다. 테르펜이나 제지 공정의 일부 부산물조차도 가치 있는 제품이 되거든요. 아까 제가 말했던 존이라는 분은 화학 산업에 있는데, 테르펜은 향료나 풍미 첨가에도 사용됩니다.

그러다 보면 천연가스 산업, 석유 산업, 이런 모든 산업이 물류를 통해 서로 연결되어 있다는 걸 금방 알게 됩니다. 어떤 사람에게는 부산물이나 폐기물인 것이 다른 사람에게는 원료가 되죠. 산업 간 연결성이 매우 높습니다.

그래서 제가 AMCS에 합류했을 때, 바로 그런 여러 산업을 잇는 연결 고리의 정밀한 접점이 보였습니다. 그리고 바로 그 지점에서 추가적인 효율을 찾아낼 수 있게 되는 거죠.

우리는 성과 중심의 지속가능성을 바탕으로, 기술을 통해 이전보다 더 큰 환경적 긍정 효과를 만들어낼 수 있다고 믿습니다. 그리고 실제로 매일 그렇게 해내고 있습니다.

제가 AMCS에서 맡고 있는 일은 혁신 분야입니다. 그래서 새롭게 떠오르는 기술에 과감히 투자하고, 그것을 POC 단계에서 실제 운영 단계까지 끌어올리는 역할을 합니다. 그런 다음 제품 팀에 넘기면, 그들이 이를 더 정교하게 다듬어 고객에게 매우 큰 가치를 주는 형태로 완성하죠. 그게 제가 AMCS에서 하는 일입니다.

이제 AI가 ERP 사이클에 어떻게 들어맞는지를 보면, 물류 비용을 어떻게 줄일 수 있을까를 생각하게 됩니다. 모든 비즈니스에는—그래서 제 책 제목도 People, Places and Things입니다—사람이 있고, 가야 할 장소가 있고, 옮겨야 할 물건이 있고, 그 안에는 물류가 개입됩니다. 이 모든 요소가 함께 작용해서 잉여현금흐름, 마진, EBITDA를 만들어내고 움직이게 합니다. 이 모든 것이 중요하죠.

그리고 오염을 줄이면서 돈도 벌 수 있다면, 그렇게 할 가능성이 더 높아지지 않겠습니까? 예를 들어 트럭 한 대당 연간 디젤 100갤런을 절약할 수 있고, 갤런당 4달러라고 해봅시다. 트럭이 1,400대라면, 그만큼의 연료가 대기 중으로 배출되지 않는 것이고, 동시에 그만큼의 연료를 구매하지 않아도 되는 겁니다.

바로 그게 성과 중심의 지속가능성입니다. 부정적 외부효과가 아니라 긍정적 외부효과를 만들어내는 올바른 행동을 정렬시키는 것이죠. 그리고 그것은 손익, 마진, EBITDA, 잉여현금흐름 등 모든 것에 영향을 줍니다. 그게 바로 AMCS가 제공하는 가치입니다. 그리고 그 가치는 모든 산업을 가로질러 연결됩니다. 어디에나 있는 기회를 포착하는 것이죠.

그래서 우리는 자원 집약적 산업을 위한 대규모 SaaS ERP 시스템을 엔드 투 엔드로 제공합니다. 차량 운영 관리, 경로 물류 관리, 자재 처리, 자재의 가치 파악, 이를 판매해 다시 시장에 내보내는 일, 재활용까지 포함하죠. 이것이 바로 역물류입니다.

즉, 제가 어떤 제품을 만들었으면 이제 그것을 다시 제 손으로 회수해서 구성 요소 단위로 분해하고, 다시 유용한 무언가로 바꿔야 한다는 뜻이죠. 이건 어려운 일입니다.

인류는 수천 년 동안 땅에서 무언가를 캐내거나 수확하는 데 아주 능숙해졌습니다. 그런 것들은 움직이지 않으니까요. 제 농장이 어디 있는지 저는 항상 알고 있고, 광산이 어디 있는지도 압니다. 하지만 제품을 만들어 시장에 내놓고 나면, 그다음에 그것이 어디로 갔는지는 전혀 알 수가 없습니다.

그래서 그것을 충분히 효율적으로 다시 회수해서, 그 자재를 원재료로 되돌리고 새로운 제품을 만드는 데 활용하는 것, 그것이 바로 우리가 세상에 성공적으로 제공하고 있는 과제입니다. 그래서 저는 이 일이 정말 좋습니다.

James Sweetlove: 그것도 정말 흥미롭고, 또 반드시 필요한 일이네요. 지금 자원 소비가 흘러가는 방향을 보면, 이걸 하지 않을 방법은 없습니다. 반드시 해야 합니다.

Evan J Schwartz: 맞습니다. 하지만 이제는 누군가를 강제로 압박하거나 규제나 벌칙에 의존하지 않아도, 실제로 달성 가능한 지점에 드디어 도달하고 있습니다. 그렇게 표현해보죠. 기술이 비전을 따라잡은 겁니다.

James Sweetlove: 그렇군요. 방금 말씀하신 내용에도 조금 언급이 있었는데, 좀 더 깊이 들어가 보고 싶습니다. 물류 분야에서 AI와 자동화를 도입하지 않을 경우 기업이 어떤 기회를 놓치게 되는지 조금 설명해 주실 수 있을까요?

Evan J Schwartz: AI는 적절한 규모의 데이터를 폭넓게 살펴보고 패턴을 찾아내는 데 정말, 정말 뛰어납니다. 그런데 그뿐 아니라, 우리가 보기 어려워하는 영역, 즉 한 단계에서 다음 단계로 넘어가는 연결 지점이나 인계 지점을 들여다보는 데도 매우 강합니다.

우리는 어떤 한 단계를 깊이 파고들어 그 단계 자체를 최대한 효율적으로 만들 수는 있습니다. 하지만 그다음 상위 단계로 넘기고 나면, 그 이후를 한두 단계 이상 내다보기가 매우 어렵습니다. 금방 흐릿해지죠.

AI를 활용하면 전체 공급망을 가로질러 볼 수 있습니다. 그리고 예측도 가능해집니다.

예를 들어 폐기물 산업에서는 이런 경우가 있습니다. 수거함이 막혀 있는 상황이죠. 제가 차량을 보냈는데, 누구의 잘못도 아니게 공사업체 차량 같은 것이 앞을 막고 있는 겁니다. 그러면 현장에 도착해도 연락이 닿지 않고, 수거함에 접근할 수가 없어요. 결국 그 수거를 위해 간 이동 자체가 통째로 낭비됩니다.

저는 그 상황을 사진으로 찍어 보내고, 앞에 차량이 있어서 차량이나 수거함을 처리할 수 없었다고 알려드려야 합니다. 그리고 아마 다시 방문하는 비용도 청구해야 할 겁니다. 그건 전혀 효율적이지 않죠.

반대로, 센서나 주변 카메라 영상을 활용할 수 있다면 어떨까요? 제가 스마트 시티 컨퍼런스에 갔었는데, 도시들이 서비스 제공업체에 도시 카메라를 개방하기 시작하고 있더군요. 만약 제 차량이 도착하기 전에 그 트럭이 수거함을 막고 있다는 걸 알 수 있다면, 누군가에게 연락하거나 미리 이동시킬 수 있지 않을까요?

그러면 현장에 도착한 뒤에야 급하게 연락해 차량을 옮겨 달라고 하는 대신, 제가 30분 전에 이미 그 사실을 알고 경고를 보낼 수 있습니다. 그러면 상대방이 나와서 “여러분, 트럭 좀 옮겨 주세요. 제 수거함을 처리하러 오는 차량이 곧 도착합니다. 길을 비워야 합니다”라고 말할 가능성이 훨씬 높아지죠.

AI는 이런 일을 아주 잘합니다. 카메라 천 대를 사람 천 명이 지켜보며 모든 상황을 확인하게 하는 건 확장성이 없지만, AI는 그걸 할 수 있으니까요.

우리가 AI를 적용하는 방식을 보면, 먼저 경로를 최적화해서 트럭이 주행해야 하는 거리를 줄입니다. 또 차량에서 나오는 각종 유체 데이터를 분석해 정비가 필요한지도 파악할 수 있습니다.

만약 생산적으로 운행해야 할 날에 그 트럭을 빼서 정비소로 보내지 않아도 된다면, 환경에 각종 유체나 오일을 추가로 배출하지 않아도 되고, 트럭은 계속 생산적으로 운행할 수 있습니다. 트럭 한 대당 연간 정비 주기를 단 한 번만 줄여도, 확보되는 매출과 회피되는 비용은 수만 달러 규모가 됩니다. 게다가 배출하지 않아도 되는 폐오일도 엄청난 양이죠.

또 수거 지점에서 오염 여부를 감지할 수 있다면, 하나의 수거함에 오염물이 섞여 있다고 해서 트럭 한 대 분량의 자재 전체가 오염되는 일을 막을 수 있습니다.

혹은 제 트럭이 얼마나 실을 수 있는지 알고, 고객들에게 모두 90갤런짜리 수거함을 제공했다는 것도 알고 있다면, 언제 하역하러 가야 하는지도 알 수 있습니다. 그것도 최적화 루틴의 일부죠. 그게 이상적인 운영 방식입니다. 하지만 뚜껑이 닫히지 않거나 넘칠 정도로 가득 찬 수거함이 많아지기 시작하면, 실제로는 90갤런보다 더 많은 폐기물을 싣고 있는 것이기 때문에 그 상황도 반영할 수 있어야 합니다.

제가 고객에게 90갤런 수거함 요금만 청구하고 있는데 실제로는 120갤런 분량의 폐기물을 넣고 있다면, 그건 공정하지 않잖아요?

이 모든 요소는 각각만 봐도 매우 효율적입니다. 하지만 이것들을 서로 연결하기 시작하면 효과가 누적되고, 그 상승폭은 기하급수적으로 커집니다. 그러면 예전에는 차량 13대로 처리하던 일을 이제는 10대로도 할 수 있다는 걸 깨닫게 되죠.

평균적인 운영업체 입장에서 차량 3대를 운행에서 제외하는 효과는—차량 구매 비용은 제외하고 연간 기준으로만 봐도—약 100만 달러 수준입니다. 보험, 정비 비용, 인건비가 들어가니까요. 즉, 차량 3대 적게 운행하면서도 지역사회를 동일하게 서비스할 수 있다면, 300만 달러의 잉여현금흐름을 다시 사업에 돌려 다른 곳에 투자하고 성장에 활용할 수 있게 되는 겁니다.

그 한 가지 시나리오를 다른 모든 경우에 적용해 볼 수 있고, 그 방식과 패턴을 비즈니스의 모든 영역에 곱해서 적용할 수 있습니다. 지금까지 확장되지 않았던 영역들은 우리가 볼 수 없었기 때문에, 또 그렇게 하는 게 합리적이지 않았기 때문에 들여다보지 못했던 부분들입니다. 그걸 보려면 아주 작은 단계마다 사람을 배치해야 했으니까요. 하지만 이제는 그럴 필요가 없죠?

그게 바로 진짜 가치입니다. AI의 활용 사례를 좁게 유지하고, 그것들을 서로 연결해서 AI가 아주 구체적인 일을 하도록 만드는 겁니다. 그러면 그걸 확장할 수 있고, 배수로 늘릴 수 있고, 예를 들어 1만 대의 카메라를 동시에 보게 하면서 특정한 무언가를 찾게 할 수 있습니다. 그건 쉽죠?

문제는 모든 것을 다 들여다보는 전지전능한 AI를 원할 때입니다. 그때부터 AI가 엉뚱한 방향으로 새고 통제를 벗어나기 시작합니다. 그리고 AI 실패의 대부분은 바로 거기서 나옵니다. 활용 사례 자체의 문제입니다. 활용 사례를 충분히 제대로 설계하지 않은 거죠.

그리고 만약 당신의 활용 사례가 사람을 없애는 것이라면, 이미 실패한 겁니다. 죄송하지만, 이건 사람+AI 전략입니다. 그런 방식으로는 이길 수 없습니다.

물론 그렇다고 해서 마지막에 효율성이 높아졌는데도 비즈니스 규모를 적정화할 수 없다는 뜻은 아닙니다. 물론 그렇게 할 수 있죠. 더 이상 성장 여지가 없고 할 수 있는 건 다 해냈다면, 비즈니스 규모를 적정화하면 됩니다. 필요하지 않은 자원을 계속 유지할 이유는 없으니까요.

하지만 AI를 도입할 때 가장 먼저 해야 할 생각은 이겁니다. AI가 이 일과 이 자원을 어떻게 더 낫게 만들 수 있을까? 더 크게 확장할 수 있을까? 더 많은 일을 할 수 있을까? 이 자원 비용으로부터 더 높은 마진을 만들어낼 수 있을까?

그리고 마지막에 가서는, 트럭 사례처럼, 이제 13대 대신 10대로 이 모든 일을 할 수 있게 되는 겁니다. 그러면 이 3대를 활용할 더 많은 비즈니스를 찾아야 하거나, 이미 최대치까지 활용했다면 그 3대는 필요 없게 되겠죠.

그러니 여정의 끝에서 적정화를 하세요. 처음부터 “좋아, 인력을 10명에서 2명으로 줄일 수 있겠네”라고 생각하고 들어오면 안 됩니다. 그렇게 되면 AI를 구현하는 사고방식 자체가 바뀌기 때문에 실패하게 됩니다.

그리고 AI는 우리가 지금 하고 있는 이런 일을 해결해 주지 않습니다. AI는 이런 걸 잘하지 못합니다. 사람 간 연결이 필요한 곳이라면, 반드시 사람을 그 과정에 남겨둬야 합니다. 제 책 제목이 People, Places and Things인 데에는 이유가 있습니다. 사람을 우선해야 합니다. 거기에 집중하세요. 그리고 성과를 얻은 다음에, 그 이후에 적정화를 하세요.

James Sweetlove: 맞습니다. 네, 그 관점은 정말 감사하게 생각합니다. 저 개인적으로도 같은 생각을 가지고 있거든요. 회사의 모든 사람을 대체할 수는 없습니다. 그건 불가능합니다.

Evan J Schwartz: 맞아요. 그리고 실제로 너무 이른 시점에 그 방향으로 밀어붙였던 대기업들이 지금은 다시 되돌리고 있는 걸 보고 있습니다. 결국 처음부터 제대로 고민했더라면 들지 않았을 비용보다 더 큰 비용을 치르면서 그 인력을 다시 확보하고 있죠.

James Sweetlove: 그렇죠, 분명히요. 네, 그런 사례가 뉴스에 나온 걸 몇 번 봤습니다. 결국 “아, 우리가 실수했네”라는 거였죠. 하지만 말씀하신 것처럼 기업들이 그걸 인정하는 건 좋은 일이라고 생각합니다. “여기까지 왔으니 그냥 계속 가자”라는 식의 매몰비용 오류에 빠지지 않는 거죠.

아까 말씀하신 용어 중에 짚고 넘어가고 싶은 게 하나 있습니다. 사람들이 익숙하지 않을 수도 있을 것 같아서요. 아주 간단히 설명해 주신다면, ERP란 무엇이고, 구체적으로 어떤 역할을 하나요?

Evan J Schwartz: 네, ERP는 말씀하신 대로 여러 맥락에서 쓰일 수 있는 용어입니다. 어떤 사람들은 CRM이나 영업 및 고객 관계 관리 시스템을 새로운 ERP라고 부르기도 하더군요.

저희에게 ERP는 비즈니스의 큰 부분을 담당하는 디지털 전환 시스템입니다. 재무·회계 백엔드이든, CRM이든, 혹은 전통적으로 ERP라고 불려온 운영 시스템이든 말이죠. 즉, 관리 계층입니다. 다시 말해 비즈니스가 운영되는 방식이죠.

반드시 그런 건 아니지만, 비즈니스에 영업 요소가 있다면 영업 방식과도 연결됩니다. 대부분의 비즈니스에는 그런 측면이 어느 정도 있고요. 또 자체적으로 재무·회계 기능을 갖고 있지 않다면 재무·회계 구성 요소와도 연결됩니다.

많은 마찰과 ERP 실패가 발생하는 지점은 회계 시스템이 운영까지 같이 하려고 할 때입니다. 그들 입장에서는 쉬워 보이거든요. 그런데 막상 해보면 “아, 우리는 회계 시스템을 만든 거였지”라는 걸 깨닫게 됩니다.

좋은 예를 들면, 이런 산업에서는 그 자재가 지금 여기 있어야 합니다. 계약서에 서명했는지 여부를 그렇게까지 따질 여유가 없어요. 당신과 내가 악수했고, 나는 그 자재가 필요합니다. 그 대형 공장을 계속 돌리려면 그 목재가 필요해요. 공장이 멈추면 시간당 100만 달러가 날아가니까요. 그러니 일단 가져오세요. 나머지는 정리하면 됩니다. 가격은 합의하고 추적만 하면 되죠.

대부분의 회계 시스템은 문서나 계약, 내부 합의가 없으면 아예 설정조차 못 하게 합니다. 그래서 운영 시스템은 비즈니스의 속도에 맞춰 움직여야 합니다. 민첩해야 하죠. 딱딱하게 고정된 규칙에 묶여 있어서는 안 됩니다. 현장에서 사람들이 즉각적인 판단을 내릴 수 있도록 유연한 규칙이 있어야 합니다. 현장 중심이어야 하죠.

회계 시스템은 대체로 그런 걸 잘하지 못합니다.

그래서 제 맥락에서 ERP는 전체 환경을 가로지릅니다. 즉, 기업을 움직이기 위해 사용하는 소프트웨어가 있는 모든 곳을 포괄하죠. 영업 측면이든, 운영 측면이든, 재무 측면이든 많은 영역을 아우릅니다. 그리고 그 구분은 결국 그 도구가 실제로 무엇을 하느냐로 내려가게 됩니다.

하지만 본질적으로는 비즈니스의 큰 부분에 영향을 미치는 디지털 전환 프로젝트라고 볼 수 있습니다.

James Sweetlove: 아주 이해가 잘 됩니다. 명확하게 설명해 주셔서 감사합니다. 그렇게 말씀하실 때 어떤 관점에서 말씀하시는지 아는 게 중요하다고 생각합니다.

그럼, 이번 통화 전에 이야기했던 다른 주제로 좀 더 들어가 보죠. 정말 흥미로운 인사이트를 많이 주셨는데요. 예지 정비 자동화에 대해 말씀하신 게 특히 인상적이었습니다. 굉장히 흥미로운 주제처럼 들렸어요. 그게 무엇인지 조금 더 설명해 주시겠어요?

Evan J Schwartz: 네, 많은 분들이 차량이나 기계의 과거 이력을 활용합니다. 고정 자산일 수도 있죠. 예를 들어 그라인더 같은 장비요. 그리고 “우리는 이 장비를 1년에 두세 번 정비해야 했어. 그러니 과거 이력을 기준으로 보면 올해도 두세 번, 혹은 6개월마다 정비가 필요할 거야”라고 예측합니다.

시청자분들에게 좀 더 개인적인 예로 말씀드리면, 제가 차를 샀을 때 3,000마일마다 정비소에 가져가서 오일을 갈아야 한다고 들었습니다. 그렇죠? 그런데 오늘날 엔진의 정밀 엔지니어링 수준을 생각하면, 새 차가 3,000마일 만에 오일 교환이 필요하다는 건 말이 안 됩니다.

게다가 이런 기계들은 수익을 만들어내는 자산입니다. 그냥 돌아가기 위해 돌아가는 것도 아니고, 단순한 매몰비용도 아닙니다. 실제로 가치를 창출하고 있죠.

이제 오일 샘플을 혈액 검사처럼 채취해서 AI 계산기에 넣는다고 상상해 보세요. 그러면 AI가 “좋습니다. 이 요소들을 기준으로 보면 이 장비는 이제 매각을 시작하는 게 좋겠습니다. 아직 감가상각이 끝나지 않았을 수는 있지만, 이 장비를 너무 혹사했어요. 곧 고장 날 가능성이 큽니다. 그러니 제 권고는 팔고 새 장비를 사는 것입니다”라고 말할 수 있습니다.

혹은 “이 장비는 상태가 아주 좋습니다. 굳이 가동을 멈출 이유가 없습니다. 이번 정비는 건너뛰어도 됩니다”라고 할 수도 있죠. 이렇게 하면 아주 고가의 장비에 대해 추측에 의존하지 않아도 됩니다.

그리고 아까 트럭 이야기에서 말씀드렸듯이, 이런 차량 하나하나는 폐기물 및 재활용이든, 수거든, 어디론가 가서 무언가를 싣고 와서 전달하는 일이든 결국 가치의 전달 수단입니다.

그 차량의 상태가 좋지 않다는 걸 알고 있고, 그것이 운송 수단이라면 다시 역물류 이야기로 돌아가게 됩니다. 업계에는 “스크랩은 멀리 이동하는 걸 좋아하지 않는다”라는 말이 있습니다. 스크랩을 1마일이라도 더 운송해야 하면 그만큼 마진을 갉아먹게 되죠. 그래서 그 차량은 가능한 한 가장 효율적으로 운행되어야 합니다.

잘 정비되고 윤활 상태가 좋은 차량은 뒤에서 검은 연기를 뿜거나 덜컹거리며 가는 차량보다 훨씬 더 효율적으로 달리고, 연료도 훨씬 적게 소모합니다. 그런 차량은 연료를 훨씬 더 많이 먹게 되죠.

그래서 저희는 연마기든 차량이든, 움직이는 부품이 있는 어떤 고정 자산이든 간에 장비에서 나오는 모든 텔레메트리 데이터를 받아들여 그 내부에서 정확히 무슨 일이 일어나고 있는지 알려드리고, 그에 따라 의사결정을 내릴 수 있게 해드립니다. 지금 당장 조치할 필요가 없으니 조금 더 사용해서 며칠치 가치를 더 뽑아낼지, 아니면 예기치 않은 가동 중단이 발생하기 전에 미리 정비 일정을 잡을지 판단할 수 있는 거죠. 새 부품도 미리 주문해 둘 수 있습니다. 이 장비가 고장 나기 시작하고 있다, 저 장비도 고장 나기 시작하고 있다 하는 식으로요.

즉, 이는 AI를 활용해 차량의 과거 이력만 보는 것이 아니라, 오일이 필요한 그 움직이는 부품 내부에서 실제로 무슨 일이 벌어지고 있는지를 파악하는 것이며, 그 효과는 매우 큽니다. 고객은 보유 차량 규모에 따라 수십만 달러, 많게는 수백만 달러까지 마진과 잉여현금흐름으로 다시 돌려받을 수 있습니다.

그리고 이것은 저희의 차량 정비 소프트웨어 전반과도 연결됩니다. 왜냐하면 전체를 아우르는 글로벌 뷰를 제공하기 때문입니다. 대기업이라면 트럭을 들여와 정비하는 정비 베이가 18개, 20개, 혹은 그 이상 있을 수 있는데, 이들이 서로 단절되어 있는 경우가 많습니다.

예를 들어 트럭을 계속 운행 가능 상태로 유지하는 것이 업무인 담당자가 어떤 정비 베이를 맡고 있다면, 그는 일정량의 자재와 부품, 교체 부품 재고를 보유하게 됩니다. 그런데 다른 20개 정비 베이에서 무슨 일이 벌어지고 있는지 모른다면 어떻게 하겠습니까? “스파크 플러그는 항상 여분이 필요하니까 여기서 좀 더 사두자, 저기서도 조금 더 사두자” 하게 되겠죠.

그러다 보면 그게 14개 혹은 20개 정비 베이에 걸쳐 누적되어, 사실은 필요하지 않을 수도 있는 재고를 모두가 대비 차원에서 쌓아두느라 연간 100만 달러, 200만 달러가 넘는 자본이 묶이게 됩니다.

하지만 제가 2번 정비 베이에서 그 부품을 가져올 수 있고, 거기가 가장 가깝다는 걸 안다면, 각 정비 베이가 모두 과잉 구매하고 과잉 재고를 쌓아둘 필요가 없습니다. 20개 거점 전체에 걸쳐 재고를 분산 운영하면서도 차량은 원활하게 운행할 수 있죠. 즉, 부품과 서비스를 훨씬 더 똑똑하게 적용할 수 있게 됩니다.

게다가 부품이 소모되는 동안 AI는 그 소모량을 차량의 연식, 그리고 저희가 엔진에서 채취한 샘플 데이터와 대조해 봅니다. 그래서 “이 모든 샘플링 결과를 보면 이 벨트들은 곧 마모될 가능성이 높고, 전체 재고—즉 모든 정비 베이의 재고를 합쳐도—현재 수량이 X개뿐이며, 사내에 실제로 있는 건 두 개뿐입니다. 네 개 정도는 직접 보내두는 게 좋겠습니다”라고 예측할 수 있습니다.

즉, Amazon처럼 미리 전진 배치하는 방식으로 운영하는 겁니다. 예를 들어 여러분의 차량들이 6번, 8번, 9번 정비 베이의 차량들보다 조금 더 많은 문제를 겪고 있다면, 그쪽에서 일부를 가져와 활용할 수 있겠죠. 그리고 결국에는 “이제 차량을 매각하고 새 차량으로 교체할 시점인지, 아니면 이런 부품을 상시 재고로 보유해야 할 시점인지”를 판단하게 됩니다.

이제는 과거 데이터를 검토하고 그 패턴이 계속되기를 기대하는 대신, 실제로 알고 있는 정보를 바탕으로 사업 의사결정을 내리게 되는 겁니다. 왜냐하면 문제는 바로 거기서 생기기 때문입니다. 패턴은 계속되지 않습니다. 엔트로피가 작동하고, 시간에 따라 모든 것은 열화됩니다. 올해는 작년과 다를 수밖에 없습니다.

그런데 작년에 무슨 일이 있었는지만을 기준으로 의사결정을 내릴 수 있다면, 그건 그저 추측에 가까운 이야기일 뿐입니다. 최선의 결정을 내리고 있는 게 아니죠. 예지 정비는 바로 이 지점을 바꾸고 있으며, 운영 효율을 훨씬 더 높은 수준으로 조금씩 끌어올리고 있습니다.

James Sweetlove: 네, AI를 선제적으로 활용하는 건 정말 훌륭한 사용 사례라고 생각합니다. 예를 들어 경로 최적화 같은 것 말이죠. 그건 앞서도 이야기했는데, 정말 흥미로운 활용 사례라고 봅니다. 운영 방식에 작은 변화, 작은 조정만 가해도 엄청난 비용을 절감할 수 있고, 말씀하신 것처럼 그 효과가 계속 누적되니까요.

Evan J Schwartz: 맞습니다. 복리처럼 쌓이는 거죠. 최적화된 경로는 이상적인 경로입니다. 하지만 실제 현장에 나가서 운행하면 현실 세계의 변수들이 생깁니다. 제 경로에 부정적인 영향을 줄 수 있는 요소들을 얼마나 많이 사전에 해결할 수 있느냐가 중요합니다. 예를 들어 폐기물을 수거하는 서비스라면 과적된 컨테이너에 대응할 수 있어야 하고, 가치 있는 자원을 수거하는 경우라면 오염을 방지할 수 있어야 합니다. 또 트럭 상태가 좋지 않아 예상 연비 대비 마일당 1.6갤런씩 연료를 태우고 있다면, 사실상 최적화된 경로라고 할 수 없기 때문에 차량이 최적 상태로 운행되도록 보장해야 합니다.

이런 요소들이 하나씩 쌓이기 시작하면 절감되는 비용은 정말 가파르게 커지고, 그 과정에서 더 근거 있는 의사결정을 내릴 수 있게 됩니다. 그러면 물류와 배차 담당자들도 신규 요청을 어떻게 받아들일지 판단할 수 있게 되죠. 누군가 작업 요청을 했는데 근처에 차량이 한 대 있다는 사실을 알게 될 수도 있습니다. 그러면 그 차량을 동적 경로에 넣어 시뮬레이션해 볼 수 있고, 시스템은 “예상치 못한 이 신규 요청을 처리하도록 4번 차량의 경로를 조금 조정하면 이 정도의 매출이 추가로 발생하고, 경로 전체에 미치는 영향은 이런 소폭 조정 수준에 그칩니다”라고 알려줄 수 있습니다.

이건 사업을 성장시키는 매우 강력한 방식입니다.

James Sweetlove: 그리고 그런 절감 효과는 당연히 고객이나 소비자에게도 전달될 수 있겠죠. 제조 비용이나 운영 비용이 올라갈 수 있으니까요.

Evan J Schwartz: 맞습니다. 꼭 가격을 올릴 필요가 없습니다. 효율성을 높이면 실제로 비용을 절감할 수 있으니까요. 그런 건 정말 좋은 고민입니다, James. 투자자에 대한 수탁 책임을 다하기 위해 배당을 지급할지, 아니면 가장 가까운 경쟁사 대비 거의 80% 수준의 비용으로 운영할 수 있으니 시장에서 더 경쟁력을 갖출지를 고민하는 거죠. 그렇게 되면 경쟁사를 밀어내고 이 지역 전체를 장악할 수도 있습니다. 비용 측면에서 아무도 저와 경쟁할 수 없게 되니까요. 정말 바람직한 고민이죠.

James Sweetlove: 그렇죠. 이 주제를 찾아보다가 접한 용어가 하나 있는데, 꼭 짚고 넘어가면 좋을 것 같습니다. ESG 보고입니다. 정확히 무엇인가요? 지금까지 이야기한 내용과도 연결되는 걸로 알고 있습니다.

Evan J Schwartz: 제 생각에는, 지난 수년간 지속가능성과 정부의 개입을 살펴보면, 부정적 외부효과에 대응하기 위해 규제와 컴플라이언스가 도입되면서 기업과 사업체에 “우리가 살아가는 세상의 좋은 관리자가 되어야 한다”는 요구가 생겼습니다. 그리고 여러분의 탄소 발자국이 얼마인지, 폐기물 프로파일이 어떤지, 에너지 소비량이 얼마인지 보고하라고 하죠. 또 이를 다른 기업들, 즉 동종 업계 기업들과 비교하면서 “당신은 어느 정도 수준인가?”라고 묻습니다.

그리고 만약 어떤 지표가 크게 치우쳐 있다면, 그 부분을 들여다보라고 요구합니다. 왜냐고요? 왜 당신은 가장 가까운 동종 기업보다 전력을 3배에서 4배 더 소비하고 있는가? 뭔가 잘못된 것이니까요.

이런 흐름은 처음에는 환경을 위해 좋은 일을 해야 한다는 인식에서 출발했습니다. 부정적 외부효과, 벌칙, 컴플라이언스 같은 요소들이 인식을 높이고 변화를 촉진한 것이죠.

저희는 그 흐름을 받아들여 더 발전시켰습니다. 그래서 ESG 보고 기능을 구축했고, 관련 데이터를 수집하고 보고서를 제공할 수 있도록 전체 시스템을 자동화했습니다. 이를 통해 기업은 현재 자신의 위치를 정확히 파악할 수 있습니다.

하지만 다시 한번 말씀드리면, 여기서도 AI가 큰 가치를 발휘합니다. 그 패턴 분석을 통해 AI는 여러분의 사업 전반에서 CO2 배출이 가장 높은 지점을 예측할 수 있게 되었습니다. 어떤 영역이든 상관없습니다. 사업 전반에 걸쳐 그곳에는 수익 개선 기회가 있습니다. 왜냐하면 비효율성과 일대일로 대응되는 지표가 바로 그 대상의 탄소 발자국이기 때문입니다.

그래서 이제 기업 입장에서는 단순히 규제를 준수하는 차원을 넘어, 이런 분석을 수행할 충분한 이유가 생겼습니다. 실제로 어디에 집중해야 하는지를 알려주는 지표로서, 지금까지 비즈니스 애널리스트들이 프로세스와 효율성을 분석하며 찾아낸 어떤 것보다도 더 나은 지표이기 때문입니다. 탄소 발자국이 어디에서 발생하는지만 추적해도 많은 것을 알 수 있습니다. 그리고 그 지점을 깊이 파고드는 거죠. 그다음 비즈니스 애널리스트를 투입해 “여기 프로세스가 어떻게 되어 있지? 우리는 무엇을 하고 있지?”를 이해합니다. 그리고 AI를 도입해 패턴이 있는지, 어디를 개선할 수 있는지, 이 높은 탄소 비용을 어디서 줄일 수 있는지를 찾는 겁니다.

그러면 그 마진 개선 효과가 그대로 손익에 반영됩니다.

이것이 바로 성과 중심의 지속가능성입니다. 저희가 말하는 것은 이렇습니다. 물론 환경을 위해서 해야 하니 하는 것도 맞습니다. 하지만 동시에 기업에는 투자자에 대한 수탁 책임이 있고, 속한 지역사회에 대한 책임도 있다는 점을 저희는 이해합니다. 둘 다 할 수 있습니다. 수익성과 지속가능성은 양자택일이 아닙니다. 그리고 지속가능성은 실제적인 개념입니다. 결국 그것을 어떻게 바라보고, 어떻게 구현하느냐의 문제입니다.

James Sweetlove: 사실 얼마 전에도 바로 이 주제를 전문적으로 다루는 게스트를 모신 적이 있습니다. 정말 흥미로운 에피소드였죠. 그리고 이 분야에서 최적화만 잘해도 얼마나 많은 비용을 절감할 수 있는지에 대해 아주 좋은 포인트를 많이 짚어주셨습니다.

그래서 여기서 화제를 조금 바꿔서 Jacksonville University의 겸임교수로서 하시는 일에 대해 이야기해 보고 싶습니다. 이와 관련해 아주 흥미로운 통찰을 갖고 계신 걸로 알고 있습니다. 그렇다면 대규모 AI가 도입된 이후 프로그래밍 및 공학 교육이 어떻게 달라졌는지 말씀해 주실 수 있을까요?

Evan J Schwartz: 네, 지금 저희가 보고 있는 건 많은 고등교육 기관들이 컴퓨터과학 학위와 프로그램을 축소하거나 없애기 시작하고 있다는 점입니다. 만약 탄광의 카나리아 같은 신호가 있다면, 바로 이거죠. 사실상 지금과 같은 형태의 프로그래밍 일자리는 앞으로 없어질 거라고 예측하고 있는 셈입니다.

그래서 Jacksonville University와 협력할 기회를 얻어 하나의 수업을 만들었습니다. 왜냐하면 이런 질문이 생기기 때문이죠. 만약 주니어 개발자들이 전부 사라진다면, 나는 아키텍트를 어디서 구해야 할까? 원래 아키텍트는 그런 사람들에서 나오잖아요. 한동안 코드를 작성하면서 실력이 늘고, 그러다 아키텍트가 되는 거죠. 그리고 그 필요가 사라진 건 아닙니다. 우리는 여전히 그런 인재가 필요합니다. 시스템을 넓은 관점에서 바라보고, 우리가 견고한 아키텍처 원칙을 따르고 있는지 확인할 수 있는 사람들이 여전히 필요합니다.

그러니까 그 역할은 여전히 존재합니다. 마치 이제 아키텍처는 필요 없다고 말하는 것과 같아요. 아닙니다, 필요합니다. AI는 아직 그 격차를 메우기에는 한참 멀었습니다.

그래서 우리는 그런 인재들이 어디서 나올지를 이해하기 위해 수업을 운영했고, 우리가 던진 질문은 이것이었습니다. 아키텍트가 되려면 반드시 수십만 줄의 코드를 직접 쳐봐야 하는가, 아니면 이 시대에는 다른 방식으로도 아키텍트가 될 수 있는가?

잠깐 이 이야기는 옆으로 두고, 좀 더 일반 대중이 공감하기 쉬운 예로 바꿔보겠습니다.

예술 사진가, 그러니까 사진을 찍어 박물관에 걸며 생계를 이어가는 사람이 있었습니다. 그는 자신이 이제 일자리를 잃는 건 아닌지 고민했죠. 그래서 AI와 함께 앉아 자기 셀피를 하나 찍었습니다. 꾸며낸 이미지가 아니라 실제 자기 모습 그대로였고요. 거기에 몇 가지 지시를 넣었더니, 감정을 불러일으키는 초상화가 돌아왔습니다. 대비가 강한 조명, 물방울이 흐르는 연출, 정말 놀라울 정도였죠.

그 순간 그는 완전히 좌절했습니다. ‘아, 이제 나는 끝났구나. 일자리를 잃었네.’ 그렇게 생각하고 자리를 떠났죠.

그런데 한 시간쯤 지나고 나서, 아마 그 자리를 떠났던 게 그가 한 일 중 가장 현명한 일이었을 겁니다. 그는 깨달았어요. 여전히 AI에게 어떤 렌즈 효과를 원하는지 말해줘야 했고, 환경과 조명도 설명해야 했습니다. 오늘날 카메라에 담겨 있는 모든 요소, 결국 사진의 결과물에 영향을 주는 모든 것을 여전히 AI에게 설명해야 했던 거죠.

그래서 그가 깨달은 건, 바뀐 건 카메라뿐이라는 사실이었습니다. 여전히 그 일을 해내는 건 자기 자신이었던 거죠.

저는 사람들에게 이 이야기를 자주 합니다. 우리는 아직도 ‘전화번호를 돌린다(dial)’고 말하죠. 하지만 실제로 다이얼식 전화를 돌려본 사람은 수십 년째 없습니다. 그래도 여전히 dial이라는 표현을 쓰잖아요? 아무도 실제로 돌리진 않는데도요.

그가 증명한 건 결국 사진 교육은 여전히 필요하다는 겁니다. 예술을 이해해야 하고, 조명을 어떻게 세팅하는지, 앞에 디퓨저나 차광을 어떻게 두는지, 연기를 어떻게 넣는지 같은 모든 것을 여전히 배워야 합니다. 그런 건 다 가르쳐야 해요. 다만 이제는 무대를 직접 만들고, 삼각대를 전부 세우고, 조명과 효과를 하나하나 세팅하지 않아도 그 이미지를 얻을 수 있다는 거죠. 저는 그냥 AI를 사용하는 겁니다.

이 원리에서 제 반복 속도는 훨씬 빨라집니다. 특정 종류의 렌즈 효과나 특정한 플레어 조명이 어떤 결과를 내는지 아주 빠르게 볼 수 있으니까요. 실제 스튜디오에서는 하루에 한두 번 정도밖에 반복해보지 못할 일을, 완전히 초보 학생과 함께라도 하루에 50번은 반복해볼 수 있습니다. 그런 용어들을 배우는 방식이 달라질 뿐, 결국 배우긴 배우는 거죠.

좋습니다. 이제 다시 아키텍처와 코딩 이야기로 돌아가 보죠. 이걸 ‘바이브 코딩(vibe coding)’이라고 부릅니다. AI가 코드를 생성하지만, 여전히 방향을 제시하는 건 여러분입니다.

그리고 우리는 개발자와 아키텍트의 역할이 더 넓어지고 있다는 걸 깨닫고 있습니다. 그런데 이런 현상은 다양한 산업 전반에서 나타나고 있습니다. 사람들이 다시 제너럴리스트가 되어가고 있는 거죠.

여러분이 너무 어려서 1980년대를 기억하지 못할 수도 있겠지만, 그 시절에는 SaaS나 버티컬 소프트웨어가 보편화되기 전이었습니다. 지금처럼 선반에서 특정 기능을 하는 제품을 바로 사다 쓸 수 없었죠. 기업들은 이런 것들을 내부에서 직접 만들어야 했고, 보통 조직 안에는 제너럴리스트 한 명쯤 있었습니다. 누군가의 삼촌, 사촌, 조카, 그러니까 컴퓨터를 좀 아는 괴짜 한 사람이 이런 것들을 대충 이어 붙여 만들었고, 아무도 그걸 건드리면 안 됐죠.

그래서 늘 이런 말이 나왔습니다. ‘Bob한테 전화해야 해. 이걸 어떻게 돌아가게 하는지 아는 사람은 Bob뿐이야.’ 맞죠? 그는 여러 분야에 두루 능했지만, 어느 하나의 전문가라고 하긴 어려웠습니다. 그래도 그걸 어떻게든 엮어서 돌아가게 만들었죠.

지금 우리는 그 시대로 다시 돌아가는 모습을 보고 있습니다. 그리고 중학교 1학년 환경과학 시간에 배운 걸 떠올려 보면, 자연에서는 전문화된 종은 멸종하고 제너럴리스트가 살아남는다고 하잖아요. 지금 우리가 바로 그걸 현실에서 겪고 있는 겁니다.

AI 시대에는 많은 분야에 대해 조금씩, 혹은 꽤 많이 아는 것이 중요합니다. 하지만 어느 한 분야의 전문가가 되는 건 오히려 원하지 않을 수도 있습니다. 그 부담은 AI에게 맡기세요.

그리고 이 수업은 그걸 완벽하게 보여줬습니다. 우리는 수업을 세 그룹으로 나눴습니다. 기초가 전혀 없는 주니어 개발자들, 기초는 이해하지만 실전 경험이 많지 않고 코딩 경험도 많지 않은 1~2년 차 학생들, 그리고 코딩을 많이 해본 시니어 학생들이었죠.

시니어 학생들은 무척 힘들어했습니다. AI와 싸우려 들었고, 매우 비판적이었으며, AI가 내놓는 결과를 마음에 들어 하지 않았습니다. 반면 주니어 학생들은 우리가 바이브 코딩에서 시도하려던 추상화를 이해할 만큼의 기반이 부족했습니다. 무엇이 좋은 결과인지 판단할 정도로 충분히 알지 못했던 거죠.

가운데 그룹, 즉 기초가 조금 있는 학생들은 이 블랙박스를 잘 받아들였습니다. 입력을 던지고 결과를 보고, 다시 돌아가 또 던지고, 그렇게 반복하고 또 반복하면서 좋은 결과에 도달할 수 있었죠. 그리고 제품을 쉽게 바꿀 수 있다는 점을 좋아했습니다.

예를 들어 첫 번째 반복에서는 API 중심의 모놀리식 구조로 만들었고 그게 잘 작동했다고 해봅시다. 그런데 나중에 고객이 10만 명이 되었고, 나는 원래 1만 명 규모만 고려해 만들었다는 걸 알게 됐어요. 그래서 SOA로 가야 하거나 API를 더 잘게 분리해야 한다면, 그냥 다시 AI에게 말하면 됩니다. 그러면 AI가 그 전체를 다시 재구성해 주는 거죠.

그래서 가운데 있는 그런 제너럴리스트들이 앞으로 크게 성장할 겁니다. 그리고 이것은 우리가 사람들을 가르치는 방식을 바꾸고 있습니다. 우리는 주제와 개념, 추상화를 가르쳐야 하고, 그다음 AI를 활용해 깊이 들어가는 방법을 가르쳐야 합니다. 그 부담은 AI가 대신 지게 해야 합니다.

저에게는 이게 아주 흥미로운 일입니다. 그리고 이걸 고등교육 이전 단계, 즉 초중고 교육 전체로까지 확장해 보면, 우리는 또 하나의 르네상스 시대에 들어설 수도 있다고 생각합니다.

저는 이 주제로 Forbes에 글을 쓴 적이 있는데, 제 막내아이를 보며 그걸 느꼈습니다. 1학년 때는 전 과목 A를 받았고, 3학년, 4학년 때도 정말 대단했어요. 그런데 4학년쯤 되자 더 이상 애쓰지 않기 시작했습니다. 이미 우등생 명단에 올랐고, 이미 충분히 잘하고 있었거든요. 그 상태에서 위험을 감수하면 결국 우등생 지위만 잃게 되는 셈이죠. 굳이 왜 위험을 감수하겠어요? 그래서 그 이후로는 안전한 선택만 했습니다. 일관성과 반복 가능성만 추구했죠. 위험도 없고, 새로운 시도도 없었습니다.

기본적으로 그런 태도, 우리는 그걸 아이답다고 부르기도 하지만 사실은 우리 모두에게 본능처럼 남아 있었으면 하는 태도죠. 실패할지 걱정하지 않고 무언가를 시도해보는 두려움 없는 마음, 거기서 무엇을 배울 수 있을지 보는 태도 말입니다. 그런데 그런 태도는 아이들이 대략 4학년쯤 되면 교육 과정 속에서 사라져 버립니다. 정말 끔찍한 학습 방식이에요. 아이들은 자기 지위의 정점에 도달하려고만 하고, 거기에 도달하면 더 이상 시도하지 않습니다. 더 얻을 것이 없고, 지위라는 건 무한히 만들어낼 수 없으니까요.

그래서 만약 반복 가능한 탁월함의 부담을 AI에게 맡기고, 우리에게는 계속 반복하며 ‘한번 해보자. 안 된다고? 왜 안 되는지 보자. 혹시 그 과정에서 뭔가가 드러나서 다른 방식으로 도달할 수 있을지도 모르잖아’라고 말하는 태도를 남겨둘 수 있다면 어떨까요?

지금 말씀드릴 수 있는 건, AMCS에서 우리가 하고 있는 일들은 불과 5년 전만 해도 누구도 가능하다고 생각하지 않았다는 겁니다. 정말 5년 전만 해도요. ‘그건 안 돼. 그런 방식으로는 돈을 벌 수 없어.’ 정말요? 그런데 우리는 지금 그걸 매일, 하루 종일 해내고 있습니다.

결국 필요한 건 그 가능성에 베팅하고 밀어붙이려는 의지였습니다. 하지만 적어도 미국에서는 우리는 아이들의 그런 창의성을 망가뜨리고 있습니다. 저는 이것이 공교육 전반으로까지 내려가, 두려움 없고 창의적인 학습자 세대 전체를 길러내는 방향으로 이어지길 바랍니다. 정답을 맞히거나 지위를 얻는 것보다, 시도 자체와 그 시도에서 무엇을 배우는지에 더 관심을 두는 세대 말입니다.

예전에 선생님이 이렇게 불평하던 게 기억납니다. ‘계산은 손으로 길게 풀 줄 알아야 해. 어디를 가든 계산기가 있는 건 아니니까.’ 그런데 지금 저는 어디를 가든 주머니에 계산기를 넣고 다닙니다. 그런 종류의 계산은 더 이상 하지 않아요. 사실 한 번도 그럴 필요가 없었습니다.

그게 우리에게 좋은 일인지 아닌지는, 아마 저보다 더 똑똑한 누군가가 판단하겠죠. 하지만 현실적으로 저는 이것이 다음 세대에게 긍정적인 경험이 될 수 있다고 생각합니다. 다만 우리가 그렇게 선택해야 합니다, James.

저는 다가오는 파멸을 말하는 온갖 대리 지표들을 듣습니다. 마치 삶이 우리에게 일방적으로 닥쳐오는 것처럼요. 마치 AI가 무언가를 빼앗아 가는 것처럼요. 아닙니다. 이건 선택입니다. 우리가 선택할 수 있는 일이에요. 파멸을 선택할 수도 있고, 아주 밝은 미래를 선택할 수도 있습니다. 그리고 그 밝은 미래는—

그러니까 유일한 차이는, 저 밝은 미래가 어떤 모습인지 그리고 거기까지 가는 경로가 무엇인지 바깥에서 충분히 그려 보여주는 사람이 우리에게 아직 충분하지 않다는 점입니다. 그게 유일한 문제예요. 모두가 암울한 전망만 이야기하고 있죠. 그런 사람들은 이미 충분히 많습니다. 그런 사람이 또 하나 더 필요하진 않아요.

그래서 저는 이렇게 이야기하려고 합니다. AI에 대한 더 나은 접근법은 사람+AI 전략이라는 거예요. Elon이 모두를 위한 로봇과 풍요를 이야기할 때조차도, 결국 그 모든 걸 왜 하는 걸까요, 사람이 아니라면? 왜죠? 사람이 없다면 제가 왜 무한한 양의 옥수수를 재배하겠어요? 사람이 없다면 왜 무한한 수의 로봇을 만들겠어요? 그걸 다 무엇을 위해 하는 걸까요?

James Sweetlove: 맞습니다. 저도 전적으로 동의합니다.

그리고 흥미로운 건, 그 제너럴리스트적 측면이 AI 안에서만 적용되는 게 아니라 비즈니스 전반에도 적용된다는 점입니다. 지난 몇 년만 봐도 얼마나 많이 바뀌었는지 느꼈어요. 이를테면 4~5년 전만 해도, 말씀하신 것처럼 사람들은 회사에서 하나의 특정 역할만 맡고 있었죠. 그런데 이제는 한 사람이 4~5개의 역할을 맡습니다. 모두가 여러 모자를 쓰고 있어요. 결국 살아남으려면 적응력이 있어야 합니다.

Evan J Schwartz: 네. 제너럴리스트가 살아남을 겁니다. 요즘 저는 창업가들이 단 두 명만으로 스타트업을 수천만 달러 규모의 비즈니스로 키우는 걸 봤습니다. 10년 전이었다면 그런 수준까지 간다는 건 상상하기 어려웠을 거예요. 그런데 AI와 각종 도구, 자동화를 모두 연결해 활용하는 힘 덕분에, 오늘날에는 충분히 가능한 일이 됐습니다.

James Sweetlove: 물론이죠. 정말 더 이야기하고 싶은 주제가 몇 가지 더 있는데, 시간이 거의 다 되어 가네요. 아주 짧게만, 청취자들이 이해할 수 있도록 Forbes Technology Council에서 맡고 계신 역할과 책에 대해서 조금 말씀해 주시겠어요?

Evan J Schwartz: 네, Forbes Technology Council에는 이런 종류의 여러 카운슬이 있는데, 핵심은 기술 분야 사람들을 서로 연결하는 데 있습니다. 제가 하는 역할은 대화를 나누는 거예요. 그래서 지금 제가 당신과 이야기하고 있는 이런 주제들 중 많은 것들이 Forbes Technology Council 안에서 아주 활발하게 논의되고 있습니다. 저는 그게 정말 좋습니다. 그곳에서 오가는 대화들이 정말 마음에 들어요. 그리고 모두가 결국 비슷한 것을 보고 있다는 사실도 좋습니다.

어떤 사람들은 수많은 실패와 고통스러운 과정을 거쳐 거기에 도달했고, 또 어떤 사람들은 그 길을 직접 개척하려고 하면서 거기에 도달했죠. 하지만 분명한 건, 그 커뮤니티에 있는 전 세계 CIO와 CTO들이 모두 같은 것을 보고 있다는 점입니다. AI는 만병통치약이 아닙니다. 사람을 AI로 대체하게 되지는 않을 거예요. 강력한 사용 사례가 반드시 필요합니다.

그래서 저는 그 생태계에 매우 큰 기대를 갖고 있습니다. 그것이 비즈니스의 매우 넓은 영역에 걸쳐 있기 때문입니다.

그리고 다시 말하지만, The People, Places and Things는 고객 여정입니다. 그래서 그 책은 결국 “왜 제 말을 들어야 하느냐”에 대한 답이기도 해요. 제 첫 출근 날부터 현재까지의 제 이야기이고, 그 아래에 고객 여정이라는 프레임워크가 깔려 있습니다.

그래서 만약 여러분이 대규모 ERP 구축이나 디지털 전환을 앞두고 있다면, 그 책을 꼭 구해서 고객 프레임워크 사본도 함께 보시길 강력히 권합니다. 그래야 프로젝트를 성공으로 이끌기 위해 무엇을 해야 하는지 알 수 있습니다.

만약 지금 악몽 같은 프로젝트 한가운데 있고 완전히 궤도를 이탈한 상태라 해도 걱정하지 마세요. 아직 희망은 있습니다. 아마 책은 건너뛰고 바로 고객 프레임워크부터 봐도 될 겁니다. 지금 내가 어디에 있는지 파악해 보세요. 그 10단계 안에서 “나는 여기 있고, 아마 제자리걸음만 하고 있구나”라고 알 수 있을 겁니다. 좋습니다. 바로 거기서 시작해서 확인해 보세요. 제가 말씀드리지만, 각 단계의 시작점마다 그 단계에 있다면 반드시 갖추고 있어야 하는 것들이 있습니다. 그런데 나는 그게 없다? 그러면 한 단계 뒤로 가서 그걸 갖추고, 또 한 단계 뒤로 가서 준비한 다음, 다시 앞으로 달려와 프로젝트를 정상 궤도로 되돌리면 됩니다.

살릴 수 있습니다. 그게 제가 여러분께 남기고 싶은 메시지예요. 프로젝트에서 사람들이 손실 반영(write-down)을 하게 되는 유일한 이유는, 그 제자리걸음 상태에서 어떻게 빠져나와야 하는지 모르기 때문입니다.

그러니 빠져나올 수 있고, 구해낼 수 있습니다. 하지만 고객 여정을 꼭 보세요. 그것이 여러분을 단계별로 안내해 줄 겁니다. 모든 희망이 사라진 것처럼 보여도 한번 살펴보세요. 끝까지 완주하는 데 도움이 될 거라고 생각합니다.

James Sweetlove: 훌륭합니다. 정말 감사합니다, Evan. 아주 흥미로웠어요. 아마 이런 인터뷰를 한 번 더 해야 할지도 모르겠습니다. 제가 적어둔, 더 논의하고 싶은 주제가 다섯 개쯤 더 있거든요. 아무튼 시간 내주셔서 감사하고, 좋은 대화 고맙습니다.

Evan J Schwartz: 즐거웠습니다. 감사합니다, James.

James Sweetlove: 듣고 계신 모든 분들, 함께해 주셔서 감사합니다. 다음에도 또 다른 게스트와 함께 돌아오겠습니다.