[생성 AI 가치 사슬에서 기회 탐색] 생성 AI 기술이 진화하고 새로운 사용 사례가 시장에 등장하는 엄청난 속도로 인해 투자자와 비즈니스 리더는 생성 AI 에코시스템을 이해하기 위해 안간힘을 쓰고 있다. CEO 전략과 이 기술이 산업 전반에 걸쳐 전 세계적으로 창출할 수 있는 잠재적인 경제적 가치에 대해 자세히 알아보는 동안 여기에서는 생성 AI 가치 사슬 구성을 살펴본다.https://www.mckinsey.com/capabilities/quantumblack/our-insights/exploring-opportunities-in-the-generative-ai-value-chain생성 AI는 하드웨어 제공업체에서 애플리케이션 빌더에 이르기까지 비즈니스 잠재력을 실현하는 데 도움이 되는 전체 생태계를 형성하고 있다.
2022년과 2023년 초에 걸쳐 기술 혁신가들은 완전히 새로운 인간이 만든 것처럼 보이는 텍스트와 이미지를 생성할 수 있는 기술 능력으로 비즈니스 리더, 투자자 및 사회 전체를 현혹시키는 생성 AI를 대량으로 출시했다.
반응은 전례가 없었다.
단 5일 만에 사용자 프롬프트에 응답하여 독창적인 콘텐츠를 생성하는 OpenAI의 생성 AI 언어 모델인 ChatGPT에 100만 명의 사용자가 몰려들었다. 애플이 아이폰에 대해 동일한 수준의 채택률에 도달하는 데 두 달 이상이 걸렸다. 동일한 사용자 기반을 구축하기 위해 Facebook은 10개월, Netflix는 3년 이상을 기다려야 했다.
ChatGPT는 생성 AI 업계에서 혼자가 아니다. 텍스트 설명을 기반으로 이미지를 생성할 수 있는 Stability AI의 Stable Diffusion은 출시 후 90일 이내에 GitHub에서 30,000개 이상의 별을 얻었다. 이는 이전 패키지보다 8배 빠른 속도이다.
이러한 흥분의 소용돌이는 타이어를 걷어차는 조직에만 국한된 것이 아니다. 생성 AI 사용 사례는 이미 산업 전반에 걸쳐 확산되고 있다. 금융 서비스 대기업인 Morgan Stanley는 재무 고문이 회사의 100,000개 이상의 연구 보고서에서 얻은 통찰력을 더 잘 활용할 수 있도록 이 기술을 테스트하고 있다. 아이슬란드 정부는 멸종 위기에 처한 아이슬란드어를 보존하기 위해 OpenAI와 협력했다. Salesforce는 이 기술을 인기 있는 고객 관계 관리(CRM) 플랫폼에 통합했다.
생성 AI 기술이 진화하고 새로운 사용 사례가 시장에 등장하는 엄청난 속도로 인해 투자자와 비즈니스 리더는 생성 AI 에코시스템을 이해하기 위해 안간힘을 쓰고 있다. CEO 전략과 이 기술이 산업 전반에 걸쳐 전 세계적으로 창출할 수 있는 잠재적인 경제적 가치에 대해 자세히 알아보는 동안 여기에서는 생성 AI 가치 사슬 구성을 살펴본다. 우리의 목표는 급변하는 이 분야에서 투자 기회를 평가하기 위한 출발점 역할을 할 수 있는 근본적인 이해를 제공하는 것이다.
우리의 평가는 1차 및 2차 연구를 기반으로 한다. 기술을 상용화하기 위해 노력하는 비즈니스 창립자, CEO, 수석 과학자 및 비즈니스 리더와의 30개 이상의 인터뷰를 포함한다: 수백 개의 시장 보고서 및 기사; 독점 McKinsey 연구 데이터.
생성 AI에 대한 간략한 설명 생성 AI 가치 사슬을 이해하려면 생성 AI가 무엇이며 그 기능이 기업에서 사용하는 "전통적인" AI 기술과 어떻게 다른지에 대한 기본 지식을 갖는 것이 도움이 된다. 예를 들어 클라이언트 이탈을 예측하고 제품 수요를 예측하고 차선책을 추천한다.
주요 차이점은 새로운 콘텐츠를 생성하는 기능이다. 이 콘텐츠는 텍스트(예: 기사 또는 질문에 대한 답변), 사진이나 그림처럼 보이는 이미지, 비디오, 3D 표현(예: 비디오 게임의 장면 및 풍경)을 비롯한 여러 형식으로 제공될 수 있다.
이 기술 개발 초기에도 생성 AI 출력은 입이 떡 벌어질 정도로 인상적이었다: 디지털 아트 상을 수상하고 변호사를 위한 미국 변호사 시험과 미국에서 사용되는 대학 입학 시험인 SAT의 수학, 읽기 및 쓰기 부분.
대부분의 생성 AI 모델은 하나의 형식으로 콘텐츠를 생성하지만 예를 들어 사용자 프롬프트를 기반으로 텍스트와 그래픽이 모두 포함된 슬라이드 또는 웹 페이지를 생성할 수 있는 다중 모드 모델도 등장하고 있다.
이 모든 것은 방대한 양의 데이터에 대해 신경망(딥 러닝 알고리즘의 일종)을 훈련하고 AI 모델이 무엇에 집중해야 하는지 이해하는 데 도움이 되는 기술인 "주의 메커니즘"을 적용함으로써 가능하다.
이러한 메커니즘을 통해 생성 AI 시스템은 단어 패턴, 관계 및 사용자 프롬프트의 컨텍스트를 식별할 수 있다(예: "고양이는 파란색 매트 위에 앉았다."라는 문장에서 "파란색"이 고양이가 아닌 매트). 전통적인 AI는 또한 신경망과 관심 메커니즘을 사용할 수 있지만 이러한 모델은 새로운 콘텐츠를 생성하도록 설계되지 않았다. 그들은 기존 콘텐츠를 기반으로 무언가를 설명, 예측 또는 처방할 수 있을 뿐이다.
가치사슬: 6개의 고리, 그러나 그 중 하나가 모든 것보다 더 빛난다 생성 AI 시스템의 개발 및 배포가 진행됨에 따라 이 강력한 기술의 교육 및 사용을 지원하는 새로운 가치 사슬이 등장하고 있다. 얼핏 보면 전통적인 AI 가치사슬과 상당히 비슷하다고 생각할 수도 있다. 결국 컴퓨터 하드웨어, 클라우드 플랫폼, 기반 모델, 모델 허브 및 머신러닝 운영(MLOps), 애플리케이션, 서비스 등 6개의 최상위 범주 중에서 기반 모델만 새로 추가되었다(그림 1).
그러나 더 자세히 살펴보면 시장 기회에 몇 가지 중요한 차이가 있음을 알 수 있다. 우선, 생성 AI 시스템의 토대는 대부분의 기존 AI 시스템보다 눈에 띄게 더 복잡하다. 따라서 이를 제공하는 것과 관련된 시간, 비용 및 전문 지식은 많은 가치 사슬에서 신규 진입자와 소기업에게 상당한 역풍을 일으킨다. 가치 주머니가 곳곳에 존재하지만, 우리의 연구에 따르면 가까운 미래에 많은 영역이 거대 기술 기업과 기존 기업에 의해 계속 지배될 것이다.
생성 AI 애플리케이션 시장은 가장 빠르게 확장되고 기존 기술 회사와 새로운 시장 진입자 모두에게 상당한 가치 창출 기회를 제공할 것으로 예상되는 가치 사슬의 한 부분이다. 응용 프로그램을 미세 조정하기 위해 특수 또는 독점 데이터를 사용하는 회사는 그렇지 않은 회사에 비해 상당한 경쟁 우위를 확보할 수 있다.
컴퓨터 하드웨어 생성 AI 시스템은 콘텐츠를 생성하기 위해 많은 지식이 필요하다. 예를 들어 ChatGPT를 뒷받침하는 생성 AI 모델인 OpenAI의 GPT-3는 약 45테라바이트의 텍스트 데이터(약 100만 피트의 책장 공간에 해당)에 대해 교육을 받았다.
전통적인 컴퓨터 하드웨어가 처리할 수 있는 것이 아니다. 이러한 유형의 워크로드에는 수십억 개의 매개변수에 걸쳐 모든 데이터를 병렬로 처리할 수 있는 특수 "가속기" 칩이 있는 그래픽 처리 장치(GPU) 또는 텐서 처리 장치(TPU)의 대규모 클러스터가 필요하다.
이 기본 생성 AI 모델의 교육이 완료되면 기업은 이러한 클러스터를 사용하여 모델을 사용자 지정하고("튜닝"이라고 하는 프로세스) 애플리케이션 내에서 이러한 전력 소모가 많은 모델을 실행할 수 있다. 그러나 초기 교육과 비교하여 이러한 후자의 단계에서는 훨씬 적은 계산 능력이 필요하다.
믹스에 더 작은 플레이어가 몇 개 있지만 이러한 전문 AI 프로세서의 설계 및 생산이 집중되어 있다. NVIDIA와 Google이 칩 설계 시장을 지배하고 있으며 TSMC(Taiwan Semiconductor Manufacturing Company Limited)라는 한 업체가 거의 모든 가속기 칩을 생산한다. 새로운 시장 진입자는 연구 개발을 위한 높은 시작 비용에 직면한다. 전통적인 하드웨어 설계자는 생성 AI 시장에 서비스를 제공하는 데 필요한 전문 기술, 지식 및 계산 기능을 개발해야 한다.
클라우드 플랫폼 GPU와 TPU는 비싸고 희소하기 때문에 대부분의 기업이 온프레미스에서 이 중요한 하드웨어 플랫폼을 확보하고 유지하는 것이 어렵고 비용 효율적이지 않다. 결과적으로 대규모 AI 모델을 구축, 조정 및 실행하는 많은 작업이 클라우드에서 발생한다. 이를 통해 기업은 컴퓨팅 성능에 쉽게 액세스하고 필요에 따라 지출을 관리할 수 있다.
당연히 주요 클라우드 제공업체는 생성 AI 워크로드를 실행하고 하드웨어 및 칩에 대한 우선적 액세스를 위한 가장 포괄적인 플랫폼을 보유하고 있다. 전문화된 클라우드 도전자는 시장 점유율을 확보할 수 있지만 가까운 장래에 하이퍼스케일러에 대한 의존도를 줄이려는 대기업의 지원 없이는 불가능하다.
기초 모델 생성 AI의 중심에는 기반 모델이 있다. 이러한 대규모 딥 러닝 모델은 특정 유형의 콘텐츠를 생성하도록 사전 훈련되었으며 다양한 작업을 지원하도록 조정할 수 있다. 기초 모델은 스위스 군용 칼과 같아서 여러 용도로 사용할 수 있다. 기초 모델이 개발되면 누구나 그 위에 응용 프로그램을 구축하여 콘텐츠 생성 기능을 활용할 수 있다. 인간 수준의 텍스트를 생성할 수 있는 기반 모델인 OpenAI의 GPT-3 및 GPT-4를 고려해본다. 이들은 화제가 된 챗봇 ChatGPT부터 SaaS(Software-as-a-Service) 콘텐츠 생성기인 Jasper 및 Copy.ai에 이르기까지 수십 개의 애플리케이션을 지원한다.
기초 모델은 대규모 데이터 세트에서 훈련된다. 여기에는 Wikipedia, 정부 사이트, 소셜 미디어 및 서적에서 스크랩한 공개 데이터와 대규모 데이터베이스의 개인 데이터가 포함될 수 있다. 예를 들어 OpenAI는 Shutterstock과 협력하여 Shutterstock의 독점 이미지에서 이미지 모델을 교육했다.
기초 모델을 개발하려면 여러 분야에 대한 깊은 전문 지식이 필요하다. 여기에는 데이터 준비, 대상 출력을 생성할 수 있는 모델 아키텍처 선택, 모델 교육, 출력 개선을 위한 모델 조정(모델 출력의 품질에 레이블을 지정하고 모델이 학습할 수 있도록 모델에 다시 공급)이 포함된다. ).
오늘날 교육 기반 모델은 특히 프로세스의 반복적인 특성과 이를 지원하는 데 필요한 상당한 컴퓨팅 리소스를 고려할 때 상당한 비용이 든다. 학습 프로세스 초기에 모델은 일반적으로 임의의 결과를 생성한다. 다음 출력을 개선하여 예상과 더 일치하도록 훈련 알고리즘은 기본 신경망의 가중치를 조정한다. 원하는 정확도 수준에 도달하려면 이 작업을 수백만 번 수행해야 할 수도 있다. 현재 그러한 교육 노력에는 수백만 달러가 소요되고 몇 달이 걸릴 수 있다. 예를 들어 OpenAI의 GPT-3 교육 비용은 400만 달러에서 1200만 달러로 추정된다. 그 결과 현재 시장은 상당한 투자로 뒷받침되는 소수의 거대 기술 기업과 신생 기업이 지배하고 있다(그림 2). 그러나 일부 작업에 효과적인 결과를 제공할 수 있는 더 작은 모델을 만들고 보다 효율적인 교육을 진행하는 작업이 진행 중이다.
결국 더 많은 참가자에게 시장을 열 수 있다. 우리는 이미 Cohere, Anthropic 및 AI21과 같은 자체 모델 개발에서 특정 성공을 거둔 일부 신생 기업이 자체 대규모 언어 모델(LLM)을 구축하고 교육하고 있음을 확인했다. 또한 대부분의 대기업에서 LLM이 자체 환경에서 작동하기를 원하는 시나리오가 있다. 예를 들어 더 높은 수준의 데이터 보안 및 개인 정보 보호를 위해, Cohere와 같은 일부 플레이어는 이미 LLM을 중심으로 이러한 종류의 서비스를 제공하고 있다.
기술이 발전하는 방식에 영향을 미칠 수 있는 이 초기 기술의 개발에 사용된 데이터에 대한 소유권 및 권리와 생산된 결과물에 대한 많은 질문에 대한 답변이 아직 없다는 점에 유의하는 것이 중요하다(사이드바 "세 가지 문제" 참조). 생성 AI의 미래를 형성한다.”).
소스 코드는 대중에게 제공되지 않으며, 기본 모델의 개발자는 일반적으로 모델 허브 역할을 한다. 라이센스 계약을 통해 API를 통해 모델에 대한 액세스를 제공한다. 경우에 따라 공급자는 MLOps 기능도 제공하므로 모델을 조정하고 다른 애플리케이션에 배포할 수 있다.
누구나 자유롭게 사용하고 수정할 수 있는 코드를 제공하는 오픈 소스 모델의 경우, 다양한 서비스를 제공하기 위해 독립적인 모델 허브가 등장하고 있다. 일부는 AI 팀이 다른 개발자가 사용자 정의한 모델을 포함하여 다양한 기반 모델에 대한 액세스 권한을 제공하는 모델 집계자 역할만 할 수 있다. 그런 다음 AI 팀은 모델을 서버에 다운로드하고 애플리케이션 내에서 미세 조정 및 배포할 수 있다. Hugging Face 및 Amazon Web Services와 같은 다른 서비스는 독점 데이터로 기반 모델을 조정하고 애플리케이션 내에 배포하는 전문 지식을 포함하여 모델 및 종단 간 MLOps 기능에 대한 액세스를 제공할 수 있다. 후자의 모델은 생성 AI 기술을 활용하고 싶지만 사내 인재와 인프라가 부족한 기업의 격차를 메워준다.
애플리케이션 하나의 기반 모델이 다양한 작업을 수행할 수 있지만 그 위에 구축된 응용 프로그램은 특정 작업을 완료할 수 있도록 한다. 예를 들어 서비스 문제가 있는 비즈니스 고객을 돕거나 마케팅 이메일 초안을 작성한다(그림 3). 이러한 응용 프로그램은 새로운 제품을 제공하려는 새로운 시장 진입자, 현재 제품에 혁신적인 기능을 추가하기 위해 노력하는 기존 솔루션 공급자 또는 업계에서 경쟁 우위를 구축하려는 비즈니스에서 개발할 수 있다.
애플리케이션 공급자가 가치를 창출할 수 있는 방법에는 여러 가지가 있다. 적어도 단기적으로는 가치 창출을 위한 가장 큰 잠재력을 제공하는 한 범주의 애플리케이션을 보게 된다. 그리고 특정 산업 및 기능을 위해 개발된 애플리케이션이 생성 AI 초기에 더 많은 가치를 제공할 것으로 기대한다.
미세 조정된 모델로 구축된 애플리케이션이 돋보인다. 대체로 생성 AI 애플리케이션은 두 가지 범주 중 하나에 속한다. 첫 번째는 기업이 구축하는 애플리케이션 내에서 기본 모델을 일부 사용자 지정과 함께 주로 사용하는 경우를 나타낸다. 여기에는 맞춤형 사용자 인터페이스를 생성하거나 모델이 일반적인 고객 프롬프트를 더 잘 이해하여 고품질 출력을 반환할 수 있도록 문서에 대한 지침 및 검색 인덱스를 추가하는 것이 포함될 수 있다.
두 번째 범주는 가치 사슬에서 가장 매력적인 부분을 나타낸다. 미세 조정된 기반 모델(추가 관련 데이터가 제공되거나 매개변수가 조정된 모델)을 활용하여 특정 사용 사례에 대한 출력을 제공하는 애플리케이션이다. 기본 모델을 교육하려면 막대한 양의 데이터가 필요하고 매우 비싸며 몇 달이 걸릴 수 있지만 기본 모델을 미세 조정하려면 더 적은 데이터와 비용이 필요하고 며칠 안에 완료할 수 있으므로 많은 회사에서 사용할 수 있다.
애플리케이션 빌더는 산업 또는 고객 요구에 대한 심층 지식에서 이 데이터를 축적할 수 있다. 예를 들어 법적 질문에 답하기 위해 만든 생성 AI 애플리케이션인 Harvey를 생각해 보자. Harvey의 개발자는 법적 데이터 세트를 OpenAI의 GPT-3에 제공하고 다양한 프롬프트를 테스트하여 조정된 모델이 원래 기초 모델이 생성할 수 있는 것보다 훨씬 나은 법적 문서를 생성할 수 있도록 했다.
조직은 또한 일상적인 비즈니스 운영에서 얻은 독점 데이터를 활용할 수 있다. 예를 들어 은행을 위해 특별히 생성 AI 챗봇을 조정한 소프트웨어 개발자는 고객과 협력하여 콜 센터 채팅의 데이터를 통합하여 사용자 기반이 성장함에 따라 고객 경험을 지속적으로 향상시킬 수 있다.
마지막으로, 회사는 별 등급 시스템이나 좋아요, 싫어요 등급 시스템과 같은 최종 사용자 등급 시스템에 의해 구동되는 피드백 루프에서 독점 데이터를 생성할 수 있다. 예를 들어 OpenAI는 후자의 접근 방식을 사용하여 ChatGPT를 지속적으로 교육하고 OpenAI는 이것이 기본 모델을 개선하는 데 도움이 된다고 보고한다. 고객이 받은 결과물의 품질에 순위를 매기면 해당 정보가 모델로 피드백되어 새 결과물을 생성할 때 더 많은 "데이터"를 얻을 수 있으므로 후속 응답이 향상된다. 결과가 개선됨에 따라 더 많은 고객이 애플리케이션을 사용하고 더 많은 피드백을 제공하여 상당한 경쟁 우위를 가져올 수 있는 개선의 선순환을 만든다.
모든 경우에 애플리케이션 개발자는 생성 AI 발전을 주시해야 한다. 이 기술은 빠른 속도로 발전하고 있으며 기술 대기업은 훨씬 더 큰 기능을 갖춘 새로운 버전의 기반 모델을 계속해서 출시하고 있다. 예를 들어, OpenAI는 최근에 도입된 GPT-4가 더 높은 정확성을 위해 "더 넓은 일반 지식과 문제 해결 능력"을 제공한다고 보고한다. 개발자는 애플리케이션 내에서 이러한 발전을 활용하는 비용과 이점을 평가할 준비가 되어 있어야 한다.
기능 및 산업별 애플리케이션 영향의 첫 번째 물결 파악 생성 AI는 장기적으로 대부분의 비즈니스 기능에 영향을 미칠 가능성이 높지만, 우리의 연구에 따르면 정보 기술, 마케팅 및 영업, 고객 서비스, 제품 개발은 첫 번째 응용 분야에 가장 적합하다.
●정보 기술: 생성 AI는 팀이 코드와 문서를 작성하는 데 도움을 줄 수 있다. 이미 시장에 나와 있는 자동 코더는 개발자 생산성을 50% 이상 향상시켜 소프트웨어 개발을 가속화하는 데 도움을 주고 있다.
●마케팅과 판매: 팀은 생성 AI 애플리케이션을 사용하여 고객 지원을 위한 콘텐츠를 만들 수 있다. 2년 이내에 모든 아웃바운드 마케팅 메시지의 30%가 생성 AI 시스템의 도움으로 개발될 것으로 예상된다.
●고객 서비스: 자연스러운 맞춤형 챗봇과 가상 비서가 고객 문의를 처리하고 신속한 해결 방법을 추천하며 고객에게 필요한 정보를 안내할 수 있다. Salesforce, Dialpad 및 Ada와 같은 회사는 이미 이 영역에서 제품을 발표했다.
●제품 개발: 기업은 생성 AI를 사용하여 제품 디자인의 프로토타입을 신속하게 만들 수 있다. 예를 들어, 생명 과학 회사는 이미 아미노산 및 DNA 뉴클레오티드 시퀀스를 생성하여 약물 설계 단계를 몇 달에서 몇 주로 단축하기 위해 생성 AI의 사용을 탐색하기 시작했다.
단기적으로 일부 산업에서는 이러한 응용 프로그램을 활용하여 다른 산업보다 더 큰 효과를 얻을 수 있다. 미디어 및 엔터테인먼트 산업은 생성 AI를 사용하여 고유한 콘텐츠를 생성함으로써 효율성을 높일 수 있다(예: 사람이 몇 시간 동안 번역할 필요 없이 영화 현지화). 비디오 게임, 음악, 영화 스토리 라인 및 뉴스 기사를 위한 새로운 콘텐츠 및 시각 효과에 대한 아이디어를 신속하게 개발한다. 은행, 소비자, 통신, 생명 과학 및 기술 회사는 IT, 고객 서비스, 마케팅 및 영업, 제품 개발에 대한 상당한 투자를 고려할 때 엄청난 운영 효율성을 경험할 것으로 예상된다.
서비스 일반적으로 AI와 마찬가지로 전용 생성 AI 서비스는 기업이 경험을 쌓고 비즈니스 기회와 기술 복잡성을 탐색하기 위해 경쟁할 때 역량 격차를 메울 수 있도록 확실히 등장할 것이다. 기존 AI 서비스 제공업체는 생성 AI 시장에 서비스를 제공하기 위해 역량을 발전시킬 것으로 예상된다. 틈새 플레이어는 특정 기능 내에서 생성 AI를 적용하기 위한 전문 지식을 가지고 시장에 진입할 수도 있다. (예: 생성 AI를 고객 서비스 워크플로에 적용하는 방법), 산업(예: 제약 회사에서 약물 발견을 위한 생성 AI 사용 안내) 또는 기능(예: 다양한 상황에서 효과적인 피드백 루프를 구축하는 방법).
생성 AI 기술과 이를 지원하는 생태계는 여전히 진화하고 있지만 애플리케이션이 가장 중요한 가치 창출 기회를 제공한다는 것은 이미 분명하다. 자신의 애플리케이션에 대한 미세 조정 기반 모델에서 틈새(또는 더 나아가 독점) 데이터를 활용할 수 있는 사람들은 가장 큰 차별화와 경쟁 우위를 달성할 것으로 기대할 수 있다. 시장에 새로운 솔루션을 제공하는 소프트웨어 공급자(기존 및 신규 시장 진입자 모두 포함)의 꾸준한 발표 흐름에서 알 수 있듯이 경주는 이미 시작되었다.
<저작권자 ⓒ 사단법인 유엔미래포럼 무단전재 및 재배포 금지>
인공지능, 제너레이티브 AI, 생성 AI, 가치 사슬 관련기사목록
|
많이 본 기사
ChatGPT AI로봇 많이 본 기사
최신기사
|