사람 + AI 전략, 실제로 효과를 내는 방법

명확한 활용 사례도, 변화 관리 계획도, 그리고 지원 대상인 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 임직원용 소프트웨어, ERP 구축, 산업 자동화 분야에서 35년 넘게 쌓아온 값진 인사이트를 공유합니다. 적용 산업은 임업, 광업, 고철, 폐기물 산업에 이르기까지 다양합니다.



AI 기반 예지 정비와 차량 운영 최적화부터 어디에나 AI를 갖다 붙이는 활용 사례의 위험성까지, Evan은 “사람 + AI” 전략의 필요성을 강조합니다. 즉, 좁고 명확하게 정의된 AI 작업들을 서로 연결해 누적 효과를 만들어내는 방식입니다. 그는 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 설명합니다.



Evan에 대해 더 알아보기 →



Evan 팔로우하기 → 

에피소드 듣기

에피소드 보기

핵심 요약

• 대부분의 디지털 전환 및 AI 이니셔티브는 기술이 아니라 도입 문제로 실패합니다.ERP와 AI 프로젝트의 높은 실패율은 조직이 변화 관리, 문화적 적합성, 그리고 실제 운영의 복잡성을 과소평가하기 때문에 발생합니다.
• 성공적인 전환에는 구조화된 사람 중심 프레임워크가 필수적입니다.“고객 여정” 접근 방식은 명확한 단계, 충분한 정보를 바탕으로 한 벤더 선정, 그리고 일반적인 프로젝트 관리 범위를 넘어서는 실질적인 도입 절차를 강조합니다.
• AI는 대체재가 아니라 인간의 역량을 증폭하는 도구일 때 가장 효과적입니다.좁고 명확하게 정의된 AI 활용 사례를 인간의 판단과 결합하면 효율성, 물류, 예지 정비, 수익성 측면에서 누적적인 성과를 낼 수 있습니다.
• 운영 효율성과 지속가능성은 경제적으로 같은 방향을 향합니다.물류, 차량 운영, 자원 활용을 최적화하면 비용을 줄이고, 잉여현금흐름을 늘리며, 환경 영향을 낮출 수 있어 지속가능성이 타협이 아닌 비즈니스 경쟁력이 됩니다.

대본

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

오늘은 특별 게스트 Evan Schwartz를 모셨습니다. 그는 AMCS의 Chief Innovation Officer이자, Evan J Schwartz의 설립자 겸 CEO이며, Jacksonville University의 겸임교수이기도 합니다. 함께해 주셔서 정말 감사합니다.

Evan J Schwartz: 함께하게 되어 기쁩니다, James. 이 자리에 오게 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 시작은 IT 업계에서 흔히 들을 수 있는 이야기와 꽤 비슷합니다. 저는 다이얼업 BBS 시절, 컴퓨터 초창기에 게임 개발을 시작했습니다. 그 덕분에 기술에 매우 익숙해질 수 있었고, 사용자 경험과 당시의 여러 신기술, 특히 다이얼업 모뎀에 대해서도 깊이 이해할 수 있었습니다.

그 후 저는 빠르게 비즈니스 세계로 들어갔고, 여러 산업에서 엄청난 기회를 발견했습니다. 특히 가치 창출 산업에서요. 그게 벌써 35년이 넘었습니다.

지금도 저는 여전히 기업 운영 시스템, 잉여현금흐름을 만들어내는 엔진형 시스템, 자동화 시스템처럼 기업이 돌아가게 해주는 것들에 깊이 관여하고 있습니다. 특히 마진이 박한 산업, 예를 들어 임업, 광업, 역물류, 고철처럼 공정 최적화와 자동화가 핵심인 분야에 주로 집중해 왔습니다.

Evan J Schwartz는 그런 커리어에서 파생된 개인적 확장이라고 할 수 있습니다. 오랜 세월 동안 이런 회사들이 대형 ERP 시스템을 도입하고, 조직 전체에 걸친 엄청난 변화를 겪는 패턴을 보면서 이 일에 강한 문제의식을 갖게 됐거든요. Gartner의 최신 통계도 제 커리어 전반에서 제가 직접 보아온 것과 일치합니다. 제가 수습 역할을 하든, 직접 프로젝트에 참여하든, 결국 문제는 기업 운영을 떠받치는 대규모 엔터프라이즈 시스템의 도입 실패율이 매우 높다는 것입니다.

그래서 Evan J Schwartz와 고객 여정(customer journey)은 그런 문제를 해결해 보려는 제 시도였습니다. 저는 먼저 책을 써서 지난 35년 넘게 현장에서 겪고, 보고, 직접 해온 경험에 맥락을 담고자 했습니다. 그리고 고객 여정은 제가 하나의 프레임워크를 정리해 보려는 시도였습니다.

프로그램 관리와 프로젝트 관리는 그 자체로 매우 잘 발전해왔고 하나의 과학이 되었다고 생각합니다. 하지만 제 직접적인 경험상, 새로운 운영 시스템이나 소프트웨어를 배포하고 조직에 정착시키는 데에는 아주 특수한 접근법이 필요합니다. 고객 여정은 일반적인 프로젝트 관리 및 프로그램 관리 모범 사례 위에 얹히는 프레임워크이지만, 실패율 70%로 이어지는 고유한 문제들을 다룹니다.

지금도 같은 일이 벌어지고 있습니다. AI 역시 디지털 전환의 또 다른 형태입니다. 작년에 MIT가 발표한 보고서에 따르면, AI 이니셔티브의 95%는 ROI를 충족하지 못하거나 실패하고 있습니다. 그리고 실패 원인은 똑같습니다. 그래서 저는 이런 생각을 했죠. “이걸 멈출 방법이 분명히 있어야 한다.”

고객 여정은 모든 종류의 디지털 전환을 배포하는 전 과정을 다룹니다. 고객의 관점에서 무엇을 해야 하는지, 벤더는 어떻게 선택해야 하는지, 소프트웨어는 어떻게 평가하고 선정해야 하는지, 프로그램은 어떻게 계획해야 하는지까지 모두 알려줍니다. 어떤 함정이 있는지, 어디서 프로젝트가 탈선하는지, 그리고 어떻게 성공적인 구축으로 이어가 잉여현금흐름을 만들고 EBITDA를 개선할 수 있는지도 설명합니다.

이런 시스템을 도입하는 이유는 결국 회사의 재무 성과를 개선하기 위해서입니다. 디지털 시스템을 갖췄다는 사실 자체가 목적은 아니죠. 재무적으로 실질적인 변화를 만들어야 합니다. 그런데 너무 많은 프로젝트가 그 단계까지 가지 못했습니다.

두 자릿수도 아니고 두 자릿수 차원을 넘어서는 수준입니다. 정말 충격적이죠. 2년 전에는 독일 사례가 크게 보도됐는데, SAP 구축 프로젝트가 6억 5천만 달러까지 비용이 초과된 뒤 결국 중단됐습니다. 아무 가치도 창출하지 못한 채 그저 손실만 나는 프로젝트였고, 끝까지 가지도 못했죠.

그래서 저는 이렇게 생각했습니다. 이제는 정말 그만해야 한다. 일관되고 반복적으로 성공할 수 있는 방법은 분명히 있다. 그래서 사람들 앞에 하나의 프레임워크를 제시해 보자고요. 제가 이야기해 본 모든 사람들, 그리고 제 책에도 등장하는 제 친한 친구 John Leonard—Florachem의 CEO입니다—도 마찬가지였습니다. 저희 관계에도 불구하고 그는 구축을 진행할 때 제게 도움을 요청하지 않았고, 다른 소프트웨어를 선택했지만 결국 부정적인 결과를 겪었습니다.

그리고 모든 일이 끝난 뒤 저를 찾아왔고, 저희는 함께 앉아 “여기서는 이렇게 했어야 했고, 저기서는 저런 방식이 있었을 텐데” 하고 하나씩 짚어봤습니다. 그러자 그가 말했죠. “세상에, 그걸 시작하기 전에 알았더라면 얼마나 좋았을까요.”

그 이야기의 결말은, 그가 사용할 수도 없는 소프트웨어에 대해 5년 라이선스 비용을 계속 지불하고 있다는 것입니다. 정말 끔찍한 일이죠. 더 안타까운 건 이게 충분히 피할 수 있는 문제라는 점입니다. 최악인 이유는 무작위로 일어나는 일이 아니기 때문입니다. 우리가 막을 수 없는 열차 사고 같은 게 아닙니다. 이미 잘 알려져 있고, 문서화도 충분히 되어 있으며, 너무 자주 반복되다 보니 사람들은 오히려 그 실패를 전제로 과도하게 계획할 정도입니다.

그래서 제 목표는 더 많은 사람들이 이런 일을 피할 수 있도록 필요한 정보를 갖추게 하는 것이었습니다. 고객 여정은 바로 그 역할을 합니다.

James Sweetlove:훌륭하네요.

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

Evan J Schwartz: 그게 일부는 맞고요, 또 일부는 그냥 자신이 무엇을 모르는지조차 모르는 경우입니다. 다른 모든 일과 비슷하죠. 사람은 누구나 자기 렌즈와 관점으로 사안을 바라봅니다. 그리고 고객은 누구보다 자기 비즈니스를 잘 압니다.

하지만 제가 천연가스, 원자재, 임업, 고철, 제조업, 심지어 시장에서의 원자재 거래, 그리고 폐기물 및 재활용 업계까지 두루 경험해 본 바로는, 그 업계에 아무리 많은 기업이 있어도 운영 방식이 완전히 같은 곳은 단 한 곳도 없습니다. 정말 하나도 없습니다.

겉으로 크게 보면 모두 같은 사업을 하는 것처럼 보입니다. 하지만 세부 수준으로 들어가면 운영 방식이 똑같은 곳은 하나도 없습니다. 바로 그게 그들의 비밀 병기이자 차별화 요소입니다. 그리고 보통 문제가 조금씩 꼬이기 시작하는 지점도 바로 거기입니다.

모든 조직은 각기 다른 문화를 가지고 있습니다. 그리고 시스템 전반에 걸쳐 소프트웨어를 배포할 때, 그 소프트웨어에 맞춰 조직 문화가 얼마나 많이 형성되거나 조정되어야 하는지 알면 놀라실 겁니다. 왜냐하면 그 소프트웨어는 비즈니스의 모든 부분, 정말 모든 부분에 영향을 미치기 때문입니다.

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

Evan J Schwartz: 맞습니다. 아침에 벌떡 일어나 뭔가를 향해 달려가고 싶을 만큼 피가 끓고, 가슴이 뛰는 곳에서 일할 기회는 흔치 않죠. 그래서 AMCS는, 수년 동안—여기서 제 커리어 전체를 다 이야기하려면 아마 몇 시간은 걸릴 겁니다만—사실 저는 다양한 자원 산업 분야의 비즈니스를 거쳐 왔습니다.

임업은 그런 자원 집약적 산업 중에서도 제가 초기에 깊이 관여했던 분야 중 하나였어요. 예전에는 나무를 수확해서 종이를 만들었죠. 그리고 재활용이 본격화되기 시작하면서, 골판지를 다시 회수해서 재펄프화하고 다시 원료로 돌리는 방법이 필요해졌습니다. 그렇게 해서 재활용 산업으로 이어진 거죠.

많은 분들이 잘 모르시는데, 나무는 버려지는 부분이 없습니다. 테르펜이나 제지 공정의 일부 부산물조차도 가치 있는 제품이에요. 아까 제가 말했던 John 같은 경우는 화학 산업에 있는데, 테르펜은 향료나 풍미 성분으로 사용됩니다.

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

그래서 제가 AMCS에 왔을 때, 바로 그런 다양한 산업을 잇는 연결 조직의 정밀한 접점이 여기에 있다고 느꼈습니다. 그리고 바로 그 지점에서 추가적인 효율을 찾아내기 시작하는 겁니다.

우리는 성능 중심의 지속가능성을 기반으로, 기술을 통해 이전보다 훨씬 더 큰 긍정적 환경 영향을 만들어낼 수 있다고 믿습니다. 그리고 실제로 우리는 매일 그렇게 하고 있습니다.

제가 AMCS에서 하는 일은 혁신 분야입니다. 새롭게 떠오르는 기술들에 대해 과감히 투자하고, 그것을 POC 단계를 넘어 실제 운영 환경에 들어갈 때까지 선도합니다. 그런 다음 제품 팀에 다시 넘기면, 그들이 그것을 더 정교하게 다듬어 고객에게 매우 가치 있는 무언가로 완성하죠. 그게 제가 AMCS에서 맡고 있는 역할입니다.

이제 AI가 여러분의 ERP 사이클에 어떻게 들어맞는지를 볼 때, 물류 비용을 어떻게 줄일 수 있을까요? 모든 비즈니스에는—그래서 제 책 제목이 People, Places and Things입니다—사람이 있고, 가야 할 장소가 있고, 옮겨야 할 물건이 있고, 그 안에는 물류가 있습니다. 이런 모든 요소가 함께 작용해 잉여현금흐름, 마진, EBITDA를 만들어내고 움직입니다. 이 모든 것이 중요합니다.

그리고 오염을 줄이면서 동시에 돈도 벌 수 있다면, 그렇게 할 가능성이 훨씬 더 높아지지 않겠습니까? 예를 들어 트럭 한 대당 연간 디젤 100갤런을 절약해드릴 수 있다고 해보죠. 갤런당 4달러이고 트럭이 1,400대라면, 그만큼의 연료가 대기 중으로 배출되지 않는 동시에, 그만큼의 연료를 아예 구매하지 않아도 되는 겁니다.

그게 바로 성능 중심의 지속가능성입니다. 긍정적 외부효과를 만들어내는 올바른 행동을 정렬하고, 부정적 외부효과는 줄이면서, 동시에 손익, 마진, EBITDA, 잉여현금흐름까지 모두 개선하는 것이죠. 그게 AMCS가 제공하는 가치입니다. 그리고 그것은 이 모든 산업 전반을 연결하는 데서 나옵니다. 곳곳에 있는 이런 기회를 포착하는 것이죠.

우리는 자원 집약적 산업을 위한 대규모 SaaS ERP 시스템을 엔드투엔드로 제공합니다. 차량 운영 관리, 경로 물류, 자재 처리, 자재의 가치 파악, 그것을 판매해 다시 시장으로 내보내는 일, 그리고 재활용까지 모두 포함하죠. 그것이 바로 역물류입니다.

즉, 제가 제품을 만들었으면 이제 그걸 다시 제 손으로 회수해 와서, 구성 요소별로 분해하고 다시 유용한 무언가로 바꿔야 하는 겁니다. 그렇죠? 그건 어려운 일입니다.

인류는 수천 년 동안 땅에서 무언가를 캐내거나 수확하는 데 아주 능숙해졌습니다. 그런 것들은 움직이지 않거든요. 제 농장이 어디 있는지 저는 항상 알고 있습니다. 제 광산이 어디 있는지도 알죠. 하지만 제품을 만들어 시장에 내보내는 순간, 그다음부터 그게 어디로 갔는지 저는 알 수가 없습니다.

그래서 그것을 충분히 효율적으로 회수해 다시 원자재로 전환하고, 그 원자재로 새 제품을 만드는 것, 바로 그것이 우리가 전 세계에 성공적으로 제공하고 있는 과제입니다. 그래서 저는 이 일이 정말 좋습니다.

James Sweetlove: 그것도 정말 흥미롭고, 또 엄청나게 필요한 일이네요. 제 말은, 지금 우리의 자원 소비 추세를 보면 이걸 하지 않고는 답이 없습니다. 반드시 해야 합니다.

Evan J Schwartz: 맞습니다. 하지만 이제는 누군가를 억지로 압박하거나 규제, 벌칙에 의존하지 않아도 이게 실현 가능한 지점에 마침내 도달하고 있습니다. 그렇게 말하자면, 기술이 이제 비전을 따라잡은 거죠.

James Sweetlove: 그렇군요. 방금 하신 말씀 속에서도 이 부분을 조금 짚으셨는데, 좀 더 깊이 들어가 보고 싶습니다. 물류 부문에서 AI와 자동화를 도입하지 않을 때 기업이 어떤 기회를 놓치게 되는지 조금 더 말씀해 주실 수 있을까요?

Evan J Schwartz: AI는 적절한 규모의 데이터를 폭넓게 살펴보고 패턴을 찾아내는 데 정말, 정말 뛰어납니다. 그런데 그뿐 아니라, 우리가 보기 어려워하는 영역을 들여다보는 데도 매우 강합니다. 대개 그런 부분은 연결 조직, 즉 한 단계에서 다음 단계로 넘어가는 인계 지점입니다.

우리는 어떤 한 단계를 깊이 파고들어 그 단계 자체를 최대한 효율적으로 만들 수는 있습니다. 하지만 그것을 다음 상위 단계로 넘기고 나면, 그 이후를 한두 단계 이상 내다보기가 굉장히 어렵습니다. 그때부터는 흐릿해지기 시작하죠.

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

예를 들어 어떤 프로세스를 최적화한다고 해보죠. 폐기물 업계의 사례를 들면, 수거함이 막혀 있는 경우가 있습니다. 제가 차량을 그쪽으로 보냈는데, 누구의 잘못도 아니지만 공사업체 차량 같은 것이 앞을 가로막고 있는 거죠. 그러면 현장에 도착해도 연락이 닿지 않고, 수거함에 접근할 수 없습니다. 결국 그 수거함을 서비스하러 간 이동 전체가 낭비되는 겁니다.

저는 그 상황을 사진으로 찍어 보내고, 차량이 앞을 막고 있어서 귀하의 차량 또는 수거함을 처리할 수 없었다고 알려드려야 합니다. 아마 다시 가기 위한 비용도 청구해야 할 겁니다. 그건 전혀 효율적이지 않죠.

그 대신 해당 지역의 센서나 카메라 영상을 활용할 수 있습니다. 제가 스마트 시티 컨퍼런스에 있었는데, 도시들이 서비스를 제공하는 업체들에게 시내 카메라 접근을 개방하고 있더군요. 만약 제 차량이 도착하기 전에 그 트럭이 수거함을 막고 있다는 걸 볼 수 있다면 어떨까요? 그럼 누군가에게 무전을 하거나 미리 이동 조치를 할 수 있겠죠.

그러면 현장에 도착한 뒤에야 연락할 시간이 없어지는 대신, 제가 30분 전에 그 사실을 알고 있는 겁니다. 누군가가 막고 있다는 걸 알고 있으니 경고를 보낼 수 있죠. 그러면 “여러분, 트럭 좀 빼주셔야 합니다. 제 수거함 처리하러 오는 차량이 곧 도착합니다. 길을 비워주세요”라고 미리 요청할 가능성이 훨씬 높아집니다.

AI는 이런 일을 매우 잘합니다. 사람 1,000명을 두고 카메라 1,000대를 계속 지켜보게 하는 건 확장 가능하지 않으니까요. 하지만 AI는 그런 일을 할 수 있습니다.

우리가 AI를 적용하는 방식을 보면, 경로를 최적화함으로써 트럭이 주행해야 하는 거리를 줄이고 있습니다. 또 차량의 각종 유체 데이터를 분석해 정비가 필요한지 파악함으로써 불필요한 정비도 줄이고 있죠.

트럭을 생산적인 하루 일정에서 빼서 정비소로 보내지 않아도 된다면, 그 과정에서 유체나 오일을 환경에 추가로 배출하지 않아도 되고, 그 트럭은 계속 생산적으로 운행할 수 있습니다. 트럭 한 대당 연간 정비 사이클을 단 한 번만 줄일 수 있어도, 확보되는 매출과 절감되는 비용은 수만 달러에 달합니다. 또 배출하지 않아도 되는 폐유도 수많은 갤런에 이르죠.

게다가 오염 여부를 현장, 즉 수거 지점에서 바로 감지할 수 있다면, 수거함 하나의 오염 때문에 트럭 한 대분의 전체 적재물이 오염되는 일을 막을 수 있습니다.

또 제 경로가 최적화되어 있고, 트럭에 얼마나 실을 수 있는지 알고 있으며, 고객들에게 모두 90갤런 수거함을 제공했다는 것도 안다면, 언제 하차 또는 비우기 작업을 해야 하는지 알 수 있습니다. 그것도 제 최적화 루틴의 일부죠. 그게 최적의 운영 방식입니다. 하지만 뚜껑이 닫히지 않거나 내용물이 넘치는 수거함이 많이 보이기 시작하면, 실제로는 90갤런보다 더 많은 폐기물을 싣게 되는 것이므로 그 상황도 반영할 수 있습니다.

고객에게 90갤런짜리 폐기물 수거함 요금만 청구하고 있는데 실제로는 120갤런어치 폐기물을 넣고 있다면, 그건 공정하지 않잖아요?

이런 각각의 요소들만 놓고 봐도 매우 효율적이지만, 이것들을 서로 연결하기 시작하면 효과가 누적됩니다. 그때부터는 기하급수적인 향상이 일어나죠. 그리고 예전에는 차량 13대로 처리하던 일을 이제는 10대로도 할 수 있다는 걸 깨닫게 됩니다.

평균적인 운영업체 입장에서 차량 3대를 세워둘 수 있게 되는 영향은—차량 자체의 구입 비용은 제쳐두고, 연간 기준으로만 봐도—대략 100만 달러 수준입니다. 보험, 정비 비용, 인건비가 다 들어가니까요. 즉, 차량 3대 적게 운행하면서도 지역사회를 계속 서비스할 수 있다면, 300만 달러의 잉여현금흐름이 다시 제 비즈니스로 돌아오게 되고, 저는 그 자금을 다른 곳에 재투자해 성장을 도모할 수 있게 됩니다.

그 한 가지 시나리오를 가져다가, 그 방식을, 그 패턴을 비즈니스의 모든 부분에 곱해서 적용할 수 있습니다. 지금까지 우리가 들여다보지 못했던 영역은 오늘날 확장되지 않는 영역들이었어요. 왜냐하면 그럴 수 없었고, 또 그렇게 하는 게 합리적이지 않았기 때문입니다. 그걸 보려면 아주 작은 단계마다 사람을 한 명씩 배치해야 했거든요. 그런데 이제는 그럴 필요가 없죠?

그게 진짜 가치입니다. AI의 사용 사례를 좁게 유지하고, 그것들을 서로 연결해서 AI가 아주 구체적인 일을 하게 만드는 거죠. 그러면서도 저는 그걸 확장할 수 있고, 곱해서 늘릴 수 있고, 1만 대의 카메라가 이 특정한 것을 찾도록 만들 수도 있습니다. 그건 쉽죠?

문제는 모든 것을 다 들여다보는, 어디에나 존재하는 AI를 원할 때입니다. 그때부터 AI가 엉뚱한 방향으로 새고 통제를 벗어나는 모습을 보게 되죠. 그리고 AI 실패율의 대부분이 바로 거기서 나옵니다. 사용 사례의 문제예요. 사용 사례를 충분히 고민하지 않은 겁니다.

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

물론 그렇다고 해서 마지막에, 효율성을 높인 뒤에 비즈니스를 적정 규모로 조정할 수 없다는 뜻은 아닙니다. 물론 그렇게 할 수 있죠. 더 이상 성장 여지가 없고 모든 기회를 다 활용했다면, 비즈니스 규모를 적정화하세요. 필요하지 않은 자원을 계속 보유할 이유는 없습니다.

하지만 AI를 도입할 때 가장 먼저 해야 할 생각은 이거여야 합니다. AI가 이 일과 이 자원들을 어떻게 더 좋게 만들 수 있는가? 더 확장할 수 있을까? 더 많이 해낼 수 있을까? 이 자원 비용에서 더 높은 마진을 만들어낼 수 있을까?

그리고 마지막에 가서는, 트럭 사례와 마찬가지로, 이제는 트럭 13대가 아니라 10대로도 이 모든 일을 할 수 있게 되는 거죠. 그러면 이 3대의 트럭이 할 일을 만들기 위해 더 많은 비즈니스를 찾아야 하거나, 이미 최대치까지 활용했다면 그 3대는 필요 없게 됩니다.

그러니 여정의 끝에서 적정 규모를 맞추세요. 처음부터 “좋아, 인력을 10명에서 2명으로 줄일 수 있겠네”라고 생각하고 들어오지 마세요. 그렇게 하면 실패할 겁니다. AI를 구현하는 방식에 대한 사고방식 자체가 바뀌어 버리기 때문입니다.

그리고 AI는 지금 우리가 하고 있는 이런 일을 해결해 주지 않습니다. AI는 이런 걸 잘하지 못해요. 사람 간 연결이 필요한 곳이라면 어디든 사람을 계속 개입시켜야 합니다. 그래서 그 책의 제목이 People, Places and Things인 거예요. 사람은 우선순위입니다. 거기에 집중하세요. 그리고 나서 성과를 얻은 뒤 마지막에 거기서부터 적정 규모를 맞추면 됩니다.

James Sweetlove: 맞습니다. 네, 그 관점을 정말 높이 평가합니다. 개인적으로도 저 역시 같은 시각을 갖고 있거든요. 회사 안의 모든 사람을 대체할 수는 없습니다. 그건 불가능합니다.

Evan J Schwartz: 네. 그리고 너무 이른 시점에 그 방향으로 밀어붙였던 큰 기업들이 지금 되돌리고 있는 모습을 보고 있습니다. 결국 처음부터 제대로 생각했더라면 들지 않았을 비용보다 더 많은 돈을 들여서 그 자원들을 다시 되찾고 있죠.

James Sweetlove: 맞아요, 분명 그렇죠. 네, 그런 사례가 뉴스에 나온 걸 몇 번 봤습니다. 결국 “아, 우리가 실수했구나” 하는 거죠. 하지만 말씀하신 것처럼, 기업들이 그걸 인정하는 건 좋은 일이라고 생각합니다. “여기까지 왔으니 그냥 계속 가자” 하는 매몰비용 오류에 빠지지 않는다는 점에서요.

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

Evan J Schwartz: 네, ERP는 말씀하신 대로 여러 맥락에서 쓰일 수 있는 용어입니다. 어떤 사람들은 CRM이나 영업·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. 비즈니스가 운영되는 방식 그 자체예요.

반드시 그렇다는 건 아니지만, 비즈니스에 영업 요소가 있다면 ERP는 영업이 이루어지는 방식과도 연결됩니다. 대부분의 비즈니스는 어느 정도 그런 측면을 가지고 있고요. 또 그것 자체에 재무·회계 기능이 없다면, 재무·회계 구성 요소와도 연결됩니다.

많은 마찰과 일부 ERP의 실패가 발생하는 지점은, 회계 시스템이 운영까지 하려고 들 때입니다. 그들 입장에서는 쉬워 보이거든요. 그런데 나중에 가서 “아, 우리는 회계 시스템을 만든 거였지”라는 걸 깨닫게 되는 겁니다.

좋은 예를 들자면, 이런 업계에서는 저는 그 자재가 여기 있어야 합니다. 계약서에 서명했는지 여부를 그렇게까지 따지지 않아요. 당신과 내가 악수했고, 나는 그 자재가 필요합니다. 그 대형 공장을 계속 돌리려면 그 목재가 필요하거든요. 공장이 멈추면 시간당 100만 달러의 손실이 나니까요. 그러니 일단 여기로 보내고, 나머지는 나중에 정리하면 됩니다. 가격은 합의하고, 그냥 추적만 하면 돼요.

대부분의 회계 시스템은 문서, 계약서, 합의 사항이 내부에 없으면 그 항목 자체를 설정조차 못 하게 합니다. 그래서 운영 시스템은 비즈니스의 속도에 맞춰 움직여야 합니다. 민첩해야 하죠. 이렇게 딱딱하게 고정된 규칙이 있어서는 안 됩니다. 유연한 규칙이 필요하고, 현장에 있는 사람들이 지휘 판단을 내릴 수 있게 해야 합니다. 현장의 실무자들이요.

회계 시스템은 대체로 그런 일을 잘하지 못합니다.

그래서 제 맥락에서 ERP는 전체 지형을 가로지릅니다. 즉, 소프트웨어를 사용해 기업을 움직이는 모든 곳을 아우르는 거죠. 영업 측면이든, 운영 측면이든, 재무 측면이든 많은 부분에 걸쳐 있습니다. 그리고 결국에는 그 도구가 실제로 무엇을 하는지에 따라 구분이 생기게 됩니다.

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

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

그럼, 이번 통화 전에 우리가 이야기했던 다른 주제들로 좀 더 들어가 보죠. 정말 흥미로운 인사이트를 주셨는데요. 예측 유지보수 자동화, 이건 특히 굉장히 흥미로운 주제로 들렸습니다. 이것이 무엇인지 조금 더 설명해 주실까요?

Evan J Schwartz: 네, 많은 분들이 차량이나 기계의 과거 이력—고정 자산일 수도 있죠, 예를 들어 그라인더 같은 장비요—을 보고 “우리는 이 장비를 1년에 두세 번 정비해야 했어. 그러니 과거 사례를 바탕으로 올해도 두세 번, 또는 6개월마다 유지보수를 해야 할 거야”라고 말합니다.

시청자분들이 더 쉽게 공감할 수 있도록 개인적인 예로 들어볼게요. 제가 차를 샀을 때, 3,000마일마다 정비소에 가져가서 엔진오일을 갈아야 한다고 들었죠. 그런데 새 차가 3,000마일마다 꼭 오일 교환이 필요하다는 건 말이 안 되잖아요? 오늘날 엔진의 정밀 엔지니어링 수준을 생각하면 더더욱 그렇습니다. 합리적이지 않죠.

게다가 이런 기계들은 수익을 만들어내는 자산입니다. 그냥 돌아가기 위해 돌아가는 것도 아니고, 단순한 매몰비용도 아니에요. 가치를 창출하고 있습니다.

그러니 이제 이렇게 상상해 보세요. 오일 샘플을 채취해서 혈액 검사처럼 분석하고, 그걸 AI 계산기에 돌리는 겁니다. 그러면 AI가 “좋아요, 이 요인들을 기준으로 볼 때 이 장비는 판매를 시작하는 게 좋겠습니다. 아직 감가상각이 끝나지 않았을 수도 있지만, 이 장비를 너무 혹사했어요. 곧 고장 날 겁니다. 제 추천은 팔고 새로 사는 겁니다”라고 말할 수 있는 거죠.

반대로 “이 장비는 아주 잘 돌아가고 있습니다. 굳이 가동을 중단할 이유가 없어요. 정비 한 번은 건너뛰어도 됩니다”라고 말할 수도 있습니다. 그러면 매우 비싼 장비에 대해 추측에 의존하지 않아도 되죠.

그리고 아까 트럭 이야기를 하면서 말씀드렸듯이, 이런 차량 하나하나는 폐기물·재활용 분야든 어디든, 무언가를 수거하러 가고, 집어 오고, 전달하는 역할을 합니다. 그리고 그것은 곧 가치의 전달입니다.

만약 그 차량의 상태가 좋지 않다는 걸 제가 알고 있고, 그것이 운송과 관련된 문제라면, 다시 역물류 이야기로 돌아가게 됩니다. 업계에는 “스크랩은 멀리 이동하는 걸 좋아하지 않는다”는 말이 있어요. 스크랩을 1마일이라도 더 운송할 때마다 그만큼 마진을 갉아먹게 되죠. 그러니 그 차량은 가능한 한 가장 효율적으로 운행되어야 합니다.

잘 정비되고 윤활 상태가 좋은 차량은 뒤에서 검은 연기를 내뿜거나 주행 중 갈리는 소리를 내는 차량보다 훨씬 더 효율적으로 운행되고, 연료도 훨씬 적게 소모합니다. 그런 차량은 연료를 훨씬 더 많이 먹게 되거든요.

그래서 우리는 여러분이 장비에서 나오는 모든 텔레메트리 데이터를 받아들일 수 있도록 합니다. 그 장비가 연삭기이든, 차량이든, 움직이는 부품이 있는 어떤 고정 자산이든 상관없습니다. 내부에서 정확히 무슨 일이 일어나고 있는지 알려주고, 그에 따라 의사결정을 내릴 수 있게 해줍니다. 아직 그럴 필요가 없다면 정비를 미루고 며칠 더 가치를 뽑아낼지, 아니면 예기치 않은 다운타임이 발생하기 전에 미리 정비 일정을 잡을지 결정할 수 있습니다. 새 부품도 미리 주문할 수 있죠. 이건 고장 나기 시작했고, 저것도 고장 나기 시작하고 있습니다.

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

그리고 이것은 당사의 차량 정비 소프트웨어 전체와도 연결됩니다. 왜냐하면 이를 통해 전체적인 시야를 확보할 수 있기 때문입니다. 대기업이라면 트럭을 들여보내는 정비 베이가 18개, 20개, 혹은 그 이상일 수 있는데, 이들이 모두 서로 단절되어 있을 수 있습니다.

예를 들어 당신의 일이 이 트럭들을 계속 운행 가능하게 유지하는 것이고, 한 정비 베이를 맡고 있다면 자재, 부품, 교체 부품 재고를 일정량 보유하게 될 겁니다. 그런데 다른 20개의 정비 베이에서 무슨 일이 일어나고 있는지 모른다면 어떻게 하겠습니까? “스파크 플러그는 항상 여분이 필요하니까 여기서 좀 더 사야지, 이것도 조금 더 사야지” 하게 되겠죠.

그러다 보면 어느새 그게 14개 또는 20개의 정비 베이 전체로 곱해져서, 사실은 필요하지 않을 수도 있는 자본 투자가 연간 100만 달러, 200만 달러 이상으로 불어납니다. 모두가 만일의 상황에 대비해 과잉 확보를 하고 있기 때문입니다.

하지만 내가 그 부품을 정비 베이 2에서 가져올 수 있고, 거기가 가장 가깝다는 걸 안다면, 각 정비 베이가 전부 과잉 구매하고 과잉 재고를 쌓아둘 필요는 없습니다. 20개 거점 전체에 걸쳐 재고를 분산하면서도 차량은 원활하게 운행되도록 유지할 수 있습니다. 그러면 부품과 서비스를 훨씬 더 똑똑하게 운영할 수 있죠.

게다가 부품이 사용되는 동안에도 AI는 그 소비량을 차량의 연식, 그리고 우리가 엔진에서 채취한 샘플과 비교해 분석합니다. 그래서 “이 모든 샘플링을 봤을 때 이 벨트들은 마모될 예정인데, 전체 재고—즉 모든 정비 베이의 재고를 합친 수량—가 현재 이 정도이고, 사내에 실제로 있는 건 두 개뿐입니다. 네 개 정도는 직접 미리 보내두는 게 좋겠습니다”라고 예측할 수 있습니다.

즉, Amazon 방식처럼 미리 배치해 두는 겁니다. 예를 들어 여러분의 차량들이 6번, 8번, 9번 정비 베이의 차량들보다 조금 더 문제를 많이 겪고 있다면, 그쪽에서 일부를 가져와 쓸 수 있습니다. 그리고 여러분은 이제 판단해야 합니다. 차량을 매각하고 새 차량으로 교체하기 시작할지, 아니면 이런 부품을 상시 재고로 유지하기 시작할지 말이죠.

이제는 과거 데이터를 되돌아보고 그 패턴이 계속되기를 바라는 방식이 아니라, 실제로 알려진 사실에 기반해 정보에 입각한 비즈니스 의사결정을 내리게 됩니다. 왜냐하면 바로 그 지점에서 문제가 생기기 때문입니다. 패턴은 계속되지 않습니다. 엔트로피가 작용합니다. 시간에 따라 모든 것은 열화됩니다. 올해는 작년과 다를 겁니다.

그런데 작년에 무슨 일이 있었는지만을 바탕으로 의사결정을 할 수 있다면, 그건 추측에 가까운 겁니다. 최선의 결정을 내리는 것이 아니죠. 예측 정비는 바로 그 부분을 바꾸고, 운영 효율을 훨씬 더 높은 수준으로 끌어올립니다.

James Sweetlove: 네, AI를 사전 대응적으로 활용하는 건 정말 훌륭한 활용 사례라고 생각합니다. 경로 최적화 같은 것도 그렇죠. 그건 우리가 앞서 이야기했던 주제이기도 하고요. 저는 그게 정말 흥미로운 활용 사례라고 생각합니다. 운영 방식에 작은 변화, 작은 조정만 가해도 엄청난 비용을 절감할 수 있고, 말씀하신 것처럼 그런 절감 효과가 계속 누적되니까요.

Evan J Schwartz: 맞습니다. 복리처럼 누적되죠. 최적화된 경로는 이상적인 경로입니다. 그런데 실제 현장에 나가서 그 경로를 운용하면 현실 세계의 변수들이 생깁니다. 제 경로에 부정적인 영향을 줄 수 있는 요소들을 사전에 해결할 수 있다면, 그리고 제 서비스가 폐기물을 수거하는 것이라면 가득 찬 컨테이너에 대응할 수 있고, 가치 있는 자원을 회수하는 것이라면 오염을 방지할 수 있다면, 또 트럭이 최적의 상태로 운행되도록 유지할 수 있다면 훨씬 좋습니다. 트럭 상태가 좋지 않아서 예상 연비 대비 1.6갤런씩 더 소모하고 있다면, 사실상 그건 진정한 의미의 최적 경로라고 할 수 없으니까요.

이 모든 것들이 쌓이기 시작하면 절감되는 금액은 정말 크게 불어나고, 동시에 더 정확한 판단을 내릴 수 있게 됩니다. 그러면 물류팀과 배차팀도 신규 요청을 어떻게 받아들일지 판단할 수 있습니다. 누군가 작업을 요청했는데 마침 아주 가까운 곳에 차량이 하나 있다는 사실을 파악할 수도 있죠. 그 차량을 동적 경로에 반영하면 시스템이 “예기치 않게 들어온 이 요청을 처리하기 위해 4번 차량을 약간 우회시키면, 이 정도의 수익이 발생하고, 몇 가지 작은 조정만 하면 전체 경로에 미치는 영향은 이 정도에 불과합니다”라고 알려줄 수 있습니다.

이건 비즈니스를 성장시키는 매우 강력한 방식입니다.

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

Evan J Schwartz: 그렇습니다. 꼭 가격을 올릴 필요가 없습니다. 더 효율적으로 운영함으로써 실제로 비용을 절감할 수 있죠. 그런 건 아주 좋은 고민입니다, James. 제가 수탁자로서의 책임을 다해 주주들에게 배당을 지급할지, 아니면 가장 가까운 경쟁사 비용의 80% 수준으로 이 일을 해낼 수 있기 때문에 시장에서 훨씬 더 경쟁력을 가질지 말이죠. 그렇게 되면 경쟁사를 밀어내고 이 지역 전체를 장악할 수도 있습니다. 아무도 비용 측면에서 저와 경쟁할 수 없기 때문이죠. 정말 바람직한 문제입니다.

James Sweetlove: 맞습니다. 그래서 이 주제를 찾아보면서 접한 용어가 하나 있는데, 꼭 짚고 넘어가면 좋을 것 같습니다. ESG 보고입니다. 정확히 이게 무엇인가요? 우리가 지금까지 이야기한 내용과 연결되는 건 알고 있습니다.

Evan J Schwartz: 제 생각에는, 지난 몇 년 동안 지속 가능성과 관련해 정부가 개입해 온 방식을 보면, 부정적 외부효과를 줄이기 위해 규제를 만들고 기업들에게 “당신들은 우리가 살고 있는 세상을 책임감 있게 관리해야 한다. 그리고 탄소 발자국, 폐기물 프로파일, 에너지 소비량이 어느 정도인지 보고해야 한다”라고 요구해 왔습니다. 그리고 그 데이터를 같은 업계의 다른 기업들과 비교하면서 “당신은 어느 정도 수준인가?”라고 묻는 거죠.

그리고 특정 수치가 지나치게 치우쳐 있다면, 그 원인을 들여다보라고 요구합니다. 왜 그런가요? 왜 당신 회사는 가장 가까운 경쟁사보다 전력을 3배, 4배나 더 소비하나요? 여기에는 분명 문제가 있습니다.

이런 움직임은 처음에는 환경을 위해 뭔가 좋은 일을 해야 한다는 인식에서 출발했습니다. 부정적 외부효과, 벌칙, 규제 준수 같은 요소들이 인식을 높이고 변화를 유도한 것이죠.

우리는 그 흐름을 받아 ESG 보고 기능을 구축했습니다. 데이터를 수집하고 여러분에게 해당 보고서를 제공할 수 있도록 전체 시스템을 자동화해, 비즈니스의 현재 상태를 파악할 수 있게 한 것입니다.

하지만 다시 한번 말하자면, 여기서도 AI가 큰 가치를 냅니다. 그 패턴에서 드러난 것은 AI가 여러분의 비즈니스 전반에서 CO2 배출이 가장 높은 지점을 예측할 수 있다는 점입니다. 그것이 무엇이든 상관없습니다. 그 지점에는 수익 개선 기회가 있습니다. 왜냐하면 비효율성과 사실상 1:1로 대응되는 것이 바로 그 대상의 탄소 발자국이기 때문입니다.

그래서 이제 기업 입장에서는 단순히 규제를 준수하는 것을 넘어, 이 분석을 수행하는 것이 충분히 가치 있는 일이 되었습니다. 우리가 본 어떤 다른 방식보다도 어디에 집중해야 하는지를 더 잘 보여주는 지표이기 때문입니다. 비즈니스 분석가들이 프로세스와 효율을 일일이 들여다보는 것보다도 말이죠. 그냥 탄소 발자국이 어디에 집중되어 있는지 추적해 보세요. 그러면 답이 나옵니다. 그다음 그 지점을 깊이 파고들면 됩니다. 그리고 비즈니스 분석가들을 투입해 “좋아, 여기 프로세스가 어떻게 되어 있지? 우리가 뭘 하고 있지?”를 파악합니다. 그 후 AI를 도입하는 거죠. 어떤 패턴이 있는가? 어디를 개선할 수 있는가? 이 큰 탄소 비용을 어디서 줄일 수 있는가?

그리고 그렇게 절감한 만큼을 바로 순이익에 반영할 수 있습니다.

이것이 바로 성과 중심의 지속 가능성입니다. 우리의 말은 이렇습니다. 물론 환경에 좋기 때문에 해야 합니다. 하지만 동시에 투자자에 대한 수탁 책임도 있고, 속한 지역사회에 대한 책임도 있다는 점을 이해합니다. 두 가지를 모두 해낼 수 있습니다. 수익성과 지속 가능성은 양자택일이 아닙니다. 그리고 지속 가능성은 실제적인 개념입니다. 결국 그것을 어떻게 바라보고, 어떻게 구현하느냐의 문제입니다.

James Sweetlove: 사실 얼마 전 저희 방송에도 정확히 이런 일을 하시는 게스트가 나오셨습니다. 정말 흥미로운 에피소드였죠. 그리고 이 분야에서 최적화만 잘해도 얼마나 많은 비용을 절감할 수 있는지 아주 좋은 포인트를 많이 짚어주셨습니다.

그럼 여기서 조금 방향을 바꿔서 Jacksonville University에서 겸임 교수로 하시는 일에 대해 이야기해보고 싶습니다. 이와 관련해 굉장히 흥미로운 통찰을 갖고 계신 걸로 알고 있습니다. 대규모 AI 도입 이후 프로그래밍 및 공학 교육이 어떻게 달라졌는지 설명해 주실 수 있을까요?

Evan J Schwartz: 네, 지금 고등교육 분야에서 컴퓨터과학 학위와 프로그램을 축소하거나 없애기 시작하는 움직임이 많이 보입니다. 만약 ‘탄광 속 카나리아’ 같은 조기 경고 신호가 있다면, 바로 이겁니다. 사실상 지금과 같은 형태의 프로그래밍 일자리는 앞으로 없어질 거라고 전망하고 있는 셈이죠.

그래서 Jacksonville University와 협력할 기회가 생겼을 때, 저희는 하나의 수업을 만들었습니다. 왜냐하면 이런 질문이 생기기 때문입니다. 주니어 개발자들이 다 사라진다면, 나는 아키텍트를 어디서 데려오나? 원래 그런 인재들은 거기서 나오잖아요. 한동안 코딩을 하면서 실력이 늘고, 그러다 아키텍트가 되는 거죠. 그리고 그 필요는 사라지지 않았습니다. 우리는 여전히 그런 사람들이 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 더 이상 필요 없다고 말하는 것과 같은데, 그렇지 않습니다. 필요합니다. AI는 아직 그 격차를 메우기에는 한참 멀었습니다.

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

잠깐 이 이야기는 접어두고, 좀 더 일반적인 청중이 공감할 수 있는 예로 바꿔보겠습니다.

예술 사진작가 한 사람이 있었습니다. 생계를 위해 사진을 찍어 박물관에 걸리는 작품을 만드는 사람이었죠. 그는 자신이 이제 일자리를 잃게 된 건 아닌지 고민했습니다. 그래서 AI와 마주 앉아 자기 셀카를 한 장 찍었습니다. 보정이나 꾸밈 없는, 그냥 자기 모습 그대로였죠. 그리고 AI에 몇 가지 지시를 내렸더니, 강한 감정을 불러일으키는 초상 사진이 돌아왔습니다. 대비가 강한 조명, 물방울이 떨어지는 연출, 정말 놀라울 정도였죠.

그 순간 그는 완전히 낙담했습니다. “아, 이제 난 끝났구나. 일자리를 잃었네.” 그러고는 자리를 떠났습니다.

그런데 한 시간쯤 떨어져 있으면서, 아마 그게 그가 한 일 중 가장 현명한 행동이었을 겁니다. 그는 깨달았습니다. 여전히 자신이 AI에게 어떤 렌즈 효과를 쓸지 말해줘야 했고, 환경과 조명도 설명해야 했습니다. 지금의 카메라에 들어 있는 모든 요소, 즉 그 사진이 어떻게 보일지에 영향을 주는 모든 것을 여전히 AI에게 설명해야 했던 겁니다.

그가 깨달은 것은, 바뀐 건 카메라뿐이라는 점이었습니다. 여전히 자신이 해야 할 일은 그대로였던 거죠.

저는 이 이야기를 사람들에게 늘 합니다. 우리는 아직도 “전화번호를 다이얼한다”고 말하죠. 하지만 수십 년째 아무도 실제로 다이얼식 전화를 돌리지 않습니다. 그래도 여전히 ‘다이얼’이라는 표현을 쓰잖아요?

그가 증명한 것은 결국 이겁니다. 우리는 여전히 사진을 가르쳐야 합니다. 예술을 이해해야 하고, 조명을 어떻게 세우는지, 앞에 디퓨저나 차광을 어떻게 두는지, 연무를 어떻게 넣는지 같은 모든 것을 여전히 가르쳐야 합니다. 그것들은 여전히 필요합니다. 다만 이제는 무대를 만들고, 삼각대를 전부 세팅하고, 조명과 효과를 직접 구성하지 않아도 그 이미지를 얻을 수 있을 뿐입니다. 그냥 AI를 활용하는 거죠.

이 원리에 대한 제 식의 확장은, 반복 속도가 엄청 빨라진다는 점입니다. 어떤 종류의 렌즈가 어떤 결과를 내는지, 어떤 종류의 플레어 조명이 어떻게 보이는지를 아주 빠르게 확인할 수 있습니다. 실제 스튜디오라면 하루에 한두 번 정도 반복 실험할 수 있을까 말까 하겠지만, AI를 쓰면 완전 초보 학생도 하루에 그런 반복을 50번은 해볼 수 있습니다. 그 용어들을 배우지 않는 게 아니라, 다른 방식으로 배우는 겁니다.

좋습니다, 이제 다시 아키텍처와 코딩 이야기로 돌아가죠. 이걸 ‘vibe coding’이라고 부릅니다. AI가 코드를 생성해주지만, 여전히 방향을 잡아주는 건 사람입니다.

그리고 우리는 개발자와 아키텍트의 역할이 더 넓어지고 있다는 걸 깨닫고 있습니다. 참고로 이런 현상은 다양한 산업 전반에서 나타나고 있습니다. 사람들은 다시 제너럴리스트가 되어가고 있습니다.

여러분이 너무 젊다면 1980년대를 기억하지 못할 수도 있겠지만, 당시 기업 환경은 지금과 달랐습니다. SaaS나 버티컬 소프트웨어가 보편화되기 전에는, 선반에서 그냥 필요한 기능을 하는 제품을 집어다 살 수가 없었죠. 회사들이 이런 것들을 내부에서 직접 만들어야 했습니다. 그리고 보통 조직 안에는 제너럴리스트가 한 명 있었습니다. 누군가의 삼촌, 사촌, 조카, 어쨌든 컴퓨터 좀 다루는 괴짜 같은 사람이 여러 가지를 이어 붙여서 시스템을 만들었고, 아무도 그걸 건드리면 안 됐죠.

“그건 Bob한테 물어봐야 해. 이걸 어떻게 작동시키는지 아는 사람은 Bob뿐이야.” 이런 식이었죠. 그는 여러 분야에 두루 능했지만, 어느 한 분야의 전문가라고 하긴 어려웠습니다. 그래도 어떻게든 다 엮어서 돌아가게 만들었죠.

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

AI의 시대에는 많은 것에 대해 조금씩, 혹은 꽤 많이 아는 것이 중요합니다. 하지만 어느 한 가지의 전문가가 되려고 할 필요는 없습니다. 그 부담은 AI에게 맡기면 됩니다.

그리고 이 수업은 그 점을 아주 명확하게 보여줬습니다. 우리는 수업을 세 그룹으로 나눴습니다. 기초가 전혀 없는 주니어 개발자들, 기초는 이해하지만 실전 경험이나 코딩 경험이 많지 않은 1~2년 차 학생들, 그리고 코딩을 많이 해본 시니어 학생들로 나눴죠.

시니어들은 굉장히 힘들어했습니다. AI와 싸우려 들었고, 매우 비판적이었으며, AI가 내놓는 결과를 마음에 들어 하지 않았습니다. 반면 주니어들은 우리가 vibe coding으로 하려던 추상화의 가치를 이해할 만큼의 기반이 부족했습니다. 무엇이 좋은 결과인지 충분히 알지 못했기 때문에, 거기까지 도달할 수가 없었던 거죠.

그런데 가운데 그룹, 즉 어느 정도 기초가 있는 학생들은 이 블랙박스를 잘 받아들였습니다. 입력을 던지고 결과를 보고, 다시 돌아가 입력을 바꾸고, 또 던지고, 그렇게 반복하고 또 반복하면서 좋은 결과에 도달할 수 있었죠. 그리고 제품을 바꾸기가 매우 쉽다는 점을 좋아했습니다.

예를 들어 첫 번째 반복 결과가 API 중심의 모놀리식 구조였고 그게 잘 동작했다고 해봅시다. 그런데 나중에 고객이 10만 명이 되었고, 나는 원래 1만 명 규모만 생각하고 설계했다는 걸 알게 됐습니다. 그래서 SOA로 가거나 API를 더 잘게 분리해야 한다고 하면, 그냥 AI에게 그렇게 말하면 됩니다. 그러면 AI가 그 전체를 다시 재구성해주는 거죠.

결국 가운데에 있는 그런 제너럴리스트들이 크게 성장할 겁니다. 그리고 이것은 우리가 사람을 어떻게 가르쳐야 하는지를 바꾸고 있습니다. 우리는 주제와 개념, 추상화를 가르쳐야 하고, 그다음 AI를 활용해 깊이 들어가는 법을 가르쳐야 합니다. 그 부담은 AI에게 넘기면 됩니다.

저는 그게 굉장히 흥미로운 일이라고 생각합니다. 그리고 이걸 고등교육 이전, 즉 초중고 교육 단계까지 거슬러 올라가 생각해보면, 우리는 또 한 번의 르네상스 시대에 들어설 수도 있다고 봅니다.

저는 이 주제로 Forbes에 글을 쓴 적이 있는데, 제 막내 아이를 보며 그걸 느꼈습니다. 1학년 때는 전 과목 A였고, 3학년, 4학년 때도 정말 대단했어요. 그런데 4학년쯤 되자 더 이상 노력하지 않기 시작했습니다. 이미 우등생 명단에 올랐고, 이미 충분히 잘하고 있었기 때문이죠. 이제 위험을 감수하면 잃는 건 자신의 우등생 지위뿐입니다. 그러면 왜 위험을 감수하겠어요? 그래서 그 시점부터는 안전한 선택만 하기 시작했습니다. 일관성과 반복 가능성만 추구했죠. 위험도 없고, 새로운 시도도 없었습니다.

기본적으로 그런 태도, 흔히 ‘아이 같은 마음’이라고 부르지만 사실 우리 모두에게 타고났으면 좋겠는 그 특성, 즉 실패할까 걱정하지 않고 일단 시도해보는 두려움 없는 자세, 거기서 무엇을 배울 수 있는지 보려는 마음은 대략 초등학교 4학년쯤 되면 아이들에게서 사라집니다. 정말 끔찍한 학습 방식이에요. 아이들은 자기 나름의 정점, 어떤 지위에 도달하기만 하면 더 이상 도전하지 않습니다. 더 얻을 게 없고, 지위는 무한정 만들어낼 수 없으니까요.

그래서 만약 우리가 반복 가능한 탁월함에 대한 부담을 AI에게 맡기고, 우리에게는 “일단 해보자. 당신은 안 된다고 하지만, 왜 안 되는지 보자. 혹시 그 과정에서 뭔가 드러나서 다른 방식으로 도달할 수 있을지도 모른다”라는 끊임없는 반복적 시도만 남겨둔다면 어떨까요?

지금 AMCS에서 우리가 하고 있는 일들을 보면, 불과 5년 전만 해도 아무도 그게 가능하다고 생각하지 않았습니다. 정말 5년 전만 해도요. “그건 안 돼. 그런 방식으로는 돈을 벌 수 없어.” 정말요? 우리는 지금 그걸 매일, 하루 종일 하고 있는데요.

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

예전에 선생님이 그러셨어요. 계산은 손으로 길게 해야 한다고, 왜냐하면 어디를 가든 계산기를 갖고 다니는 건 아니니까요. 그런데 저는 지금 어디를 가든 주머니 속에 계산기를 갖고 다닙니다. 그래서 그런 방식의 계산은 더 이상 하지 않습니다. 사실 한 적도 거의 없고요.

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

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

그러니까 유일한 차이는, 우리에게 그 밝은 미래가 어떤 모습인지, 그리고 거기까지 가는 길이 무엇인지 세상에 충분히 그려 보여주는 사람이 아직 많지 않다는 겁니다. 그게 유일한 문제예요. 다들 종말론적이고 우울한 이야기만 하고 있죠. 그런 사람들은 이미 충분히 많습니다. 그런 부류가 하나 더 필요하진 않아요.

그래서 저는 이렇게 이야기하려고 합니다. 이것이 AI에 대한 더 나은 접근 방식입니다. 사람과 AI가 함께하는 전략이죠. Elon이 모두를 위한 로봇과 풍요를 이야기할 때조차, 결국 그 모든 걸 누구를 위해 하는 걸까요, 사람이 아니라면요? 왜죠? 사람이 없다면 왜 제가 무한정 많은 옥수수를 재배하겠어요? 사람이 없다면 왜 무한정 많은 로봇을 만들겠어요? 그걸 대체 무엇을 위해 하는 걸까요?

James Sweetlove: 맞아요. 저도 전적으로 동의합니다.

그리고 흥미로운 건, 그런 제너럴리스트적 특성이 AI에만 적용되는 게 아니라 비즈니스 전반에도 적용된다는 점이에요. 지난 몇 년 동안만 봐도 얼마나 많이 바뀌었는지 느꼈습니다. 한 4~5년 전만 해도, 말씀하신 것처럼 사람들은 회사에서 하나의 구체적인 역할만 맡았죠. 그런데 이제는 한 사람이 4개에서 5개 정도 역할을 맡고 있어요. 모두가 여러 모자를 쓰고 있는 셈이죠. 결국 살아남으려면 적응력이 있어야 합니다.

Evan J Schwartz: 네. 제너럴리스트가 살아남게 될 겁니다. 요즘 저는 창업가들이 단 두 명만 있는 회사로 스타트업을 수천만 달러 규모까지 성장시키는 걸 봤습니다. 10년 전이었다면 그런 수준까지 간다는 건 상상하기 어려웠을 거예요. 그런데 AI와 각종 도구, 자동화를 모두 서로 연결해 활용하면, 오늘날에는 충분히 가능한 일이죠.

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

Evan J Schwartz: 네, Forbes Technology Council에는 여러 종류의 카운슬이 있는데, 본질적으로는 기술 분야 사람들을 서로 연결하는 데 목적이 있습니다. 제가 하는 일은 대화를 이끌어 가는 거예요. 그래서 제가 지금 당신과 이야기하고 있는 이런 주제들이 Forbes Technology Council 안에서도 아주 뜨겁게 논의되고 있습니다. 저는 그게 정말 좋습니다. 그곳에서 오가는 대화가 정말 마음에 들어요. 그리고 모두가 비슷한 현상을 보고 있다는 점도 좋습니다.

누군가는 여러 번 크게 실패하고 고통스러운 과정을 거치며 그 결론에 도달했고, 또 누군가는 그 길을 직접 개척하려고 하면서 거기에 도달했죠. 하지만 분명한 건, 그 커뮤니티에 있는 전 세계의 CIO와 CTO들이 모두 같은 것을 보고 있다는 겁니다. AI는 만병통치약이 아닙니다. 사람을 그것으로 대체하게 되진 않을 거예요. 강력한 활용 사례가 반드시 필요합니다.

그래서 저는 그 생태계에 대해 매우 기대가 큽니다. 비즈니스의 아주 넓은 영역에 걸쳐 있기 때문이죠.

그리고 다시 말하지만, The People, Places and Things는 고객 여정입니다. 그래서 그 책은 결국 “왜 제 말을 들어야 하는가?”에 대한 답이기도 해요. 제 첫 출근일부터 현재까지의 제 이야기이고, 그 아래를 받치고 있는 구조가 바로 고객 여정 프레임워크입니다.

따라서 대규모 ERP 구축이나 디지털 전환을 앞두고 있다면, 그 책을 꼭 읽어 보시고 고객 프레임워크 사본도 확보하시길 강력히 권합니다. 그래야 프로젝트를 성공으로 이끌기 위해 무엇을 해야 하는지 알 수 있습니다.

만약 지금 악몽 같은 프로젝트 한가운데 있고 완전히 방향을 잃었다고 해도 걱정하지 마세요. 아직 희망은 있습니다. 아마 책은 건너뛰고 바로 고객 프레임워크부터 보셔도 될 겁니다. 지금 자신이 어디에 있는지 파악해 보세요. 그 10단계 중에서 “나는 여기 있고, 아마 제자리에서 헛돌고 있구나” 하고 알 수 있을 겁니다. 좋아요, 거기서부터 들어가 보세요. 왜냐하면 각 단계의 맨 앞에서, 그 단계에 있다면 반드시 갖추고 있어야 할 요소들을 제가 설명해 두었거든요. “나는 그런 것들이 없네.” 그러면 한 단계 뒤로 가서 그것들을 갖추고, 또 필요하면 한 단계 더 뒤로 갔다가, 다시 앞으로 빠르게 돌아와 프로젝트를 정상 궤도로 되돌리면 됩니다.

복구할 수 있습니다. 그게 제가 여러분께 남기고 싶은 메시지예요. 프로젝트에서 사람들이 대규모 손실 처리를 하게 되는 유일한 이유는, 그 헛도는 상태에서 어떻게 빠져나와야 하는지 모르기 때문입니다.

그러니 거기서 빠져나올 수 있고, 프로젝트를 살릴 수도 있습니다. 다만 고객 여정을 꼭 보세요. 희망이 모두 사라진 것처럼 보여도, 그 프레임워크가 단계별로 안내해 줄 겁니다. 끝까지 완주하는 데 분명 도움이 될 거라고 생각합니다.

James Sweetlove: 훌륭하네요. 정말 감사합니다, Evan. 아주 흥미로웠습니다. 아마 이런 대화를 한 번 더 해야 할지도 모르겠네요. 제가 적어 둔, 이야기하고 싶었던 주제가 다섯 개 정도 더 있거든요. 네, 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.