생성형 AI 문제해결 & 기회창출 과신 유념해야

-펜실베니아대학 와튼스쿨 경영학 교수 Peter Cappelli-

생성형 인공지능(AI) 툴은 시간을 절약하고 생산성 향상에 도움이 될 수 있다는 견해에 대해 많은 사람들의 의견이 일반적으로 일치하고 있다. 

그러나 이 기술 사용으로 코드를 더 쉽게 작성하고 보고서를 빠르게 만들 수 있으나 대규모 언어 모델(LLM) 구축, 그리고 유지관리와 관련된 백엔드 작업에는 가시적인 절감 효과보다 더 많은 인력이 필요할 수 있다. 

또한 표준적인 자동화로 대부분의 업무는 충분하므로 반드시 AI의 힘을 필요하지 않을 수도 있다.

위의 주장은 펜실베이니아 대학 와튼 스쿨의 피터 카펠리(Peter Cappelli) 경영학 교수가 

https://mgmt.wharton.upenn.edu/profile/cappelli/

최근 매사추세츠 공과대학(MIT) 행사에서 연설한 내용이다.

https://events.sloanreview.mit.edu/series/work-24/landing_page?t=1

종합적으로 생각하면 생성형 AI와 LLM은 사람들에게 업무량을 줄여주기 보다는 더 많은 일을 가져다줄 수도 있다. 

그는 LLM 실장은 복잡하다며 "생성형 AI에 시킬 수 있는 일도 있지만 실제로 그렇게까지 할 필요가 없는 일도 많다는 것을 알고 있다"고 말했다.

또한, AI 기술은 게임 체인저로 유행되어 왔지만 "테크놀로지 기업들이 입에 올리고 있는 예측이 완전히 다른 경우가 많다." 고 지적하며

 "실제로 일자리에 대한 그들의 예측은 나중에 보면 대부분 틀렸다"고 주장한다.

곧 무인 트럭과 승용차가 곧 상용화될 것이라는 2018년 예측은 아직도 실현되고 있지 않은 낙관성 전망의 한 예이다.

혁신의 기술적 가능성은 관심과 흥미를 자극하지만, 시장에의 투입은 비지니스 현장의 사정에 따라 지연되는 경향이 있다. 

생성형 AI의 경우 LLM이나 알고리즘 구축 및 유지관리에 필요한 백엔드 작업량이 노동력 절감과 생산성 향상의 이점보다 클 우려가 있다.

생성형 AI와 오퍼레이셔널 AI 모두 새로운 일자리를 창출한다. 

D/B 관리나 자료 정리, 상반되는 보고서와 타당성을 검토하고 해결해야 하며, 이러한 일로 인해 새로운 일자리가 생기고 누군가는 그 일을 하여야 한다 고 카펠리 교수는 설명한다.

한 때 도입 배포 되었던 오퍼레이셔널 AI는 아직 개발 중이다. 

"수치 데이터를 사용했던 기계학습은 아직 활용이 현저히 지지부진한 상태다. 

원인 중 하나는 D/B 관리에 문제가 있다. 

데이터를 분석할 수 있도록 정리하는 일에 많은 공수가 필요하다. 

기업의 부서별로 데이터가 사일로화되어 있는 경우가 많아 조직문화적으로나 기술적으로 통합하기가 어렵다."

카펠리 교수는 생성형 AI와 대규모 언어 모델을 향한 흐름 속에서 극복해야 할 몇 가지 문제점을 제시하였다.

•생성형 AI/LLM 활용을 문제해결과 기회창출로 설정하는 것은 너무 과도하다.

•기계적 자동화로 가능한 업무를 AI로 대체하는 일은 더 많은 비용을 초래한다.

•생성형 AI의 출력을 검증하려면 사람이 필요하다.

•생성형 AI는 정보 과다로 이어질 수 있으며, 모순된 정보의 홍수에 빠질 수 있다.

•사람들은 아직 직감이나 개인 취향에 따른 결정을 선호한다.

그는 가까운 미래에 생성형 AI의 가장 유용한 용도는 의사결정 프로세스를 지원하는 일로 데이터 스토어를 철저히 조사하고 분석하는 일이라며 다음과 같이 말했다.

"우리는 이전에 스스로 분석할 수 없었던 데이터를 정리하고 있다. 

AI가 인간보다 훨씬 더 데이터를 잘 정리할 것이다. 

D/B 관리와 함께 누군가는 데이터 오염 문제에 대해 신중히 생각해야 한다" 

참조 | https://www.zdnet.com/article/generative-ai-may-be-creating-more-work-than-it-saves/​