현대 비즈니스 프로세스에서 생성형 AI의 도입은 단순한 도구 활용을 넘어 체계적인 통합 단계로 진입하고 있습니다.
그 너머에는 "심포닉 인텔리전스"라는 새로운 지능의 시대가 펼쳐집니다.
이 글에서는 반복 작업과 플로우 작업이라는 두 가지 관점에서 생성형 AI 활용의 현재와 미래 전망을 탐구합니다.
반복 작업
이전 글에서 우리는 생성형 AI가 비즈니스 작업을 수행할 수 있도록 하는 관점으로 "반복 작업과 도구" 대 "플로우 작업과 시스템"의 관점을 분석했습니다.
반복 작업은 인간이 여러 개의 개별적인 구체적인 작업을 반무의식적으로 결합하고 시행착오를 통해 진행하는 작업을 의미합니다.
그리고 이러한 반복 작업에는 도구가 최적입니다. 다양한 작업에 적합한 도구를 선택함으로써 작업을 효율적으로 진행할 수 있습니다. 따라서 필요한 도구 세트를 갖추고 그 사용법을 숙달하는 것이 필요합니다.
현재 비즈니스에서 생성형 AI가 활용되는 대부분의 경우는 생성형 AI를 도구로 사용하는 것입니다.
생성형 AI를 통한 비즈니스 효율성 향상에 대한 논의의 상당수는 거의 항상 인간이 반복 작업을 위해 사용하는 기존 도구 세트에 이 새롭고 강력한 도구를 추가하는 것을 의미합니다.
반복 작업의 문제점
반면에 이전 글에서 지적했듯이, 반복 작업에서 도구를 통한 효율성 향상은 상대적으로 제한적입니다.
도구가 효율적이 될수록 결국 인간이 병목 현상이 됩니다. 궁극적으로 인간의 작업 시간이라는 장벽을 극복할 수 없습니다.
더욱이, 베테랑 직원과 신입 직원 간에는 반복 작업의 효율성과 정확성에서 상당한 격차가 있으며, 이 격차를 해소하기 어렵습니다. 따라서 다음 달에 작업량을 두 배로 늘리고 싶어도, 베테랑 기술을 가진 사람이 없으면 감당할 수 없습니다.
인간이 병목 현상이 되는 문제를 해결하기 위해서는 궁극적으로 모든 것을 인공지능으로 대체하는 수밖에 없습니다.
하지만 현재의 생성형 AI는 아직 그 정도의 성능을 가지고 있지 않습니다.
게다가, 겉으로 보기에 간단해 보이는 반복 작업조차도 자세히 살펴보면 수많은 무의식적인 작업으로 구성되어 있습니다.
이러한 이유로, 기존의 IT 시스템이나 누구나 따를 수 있는 매뉴얼로 축소될 수 없었고, 따라서 인간의 숙련도에 의존해 왔습니다.
이러한 수많은 무의식적이고 숙련도를 요구하는 작업들을 정리하고 각 작업에 필요한 노하우를 지식으로 체계화하지 않는 한, 생성형 AI는 아무리 성능이 향상되더라도 인간의 작업을 대체할 수 없습니다.
플로우 작업화 및 시스템화로의 전환
생성형 AI의 현재 성능 한계 내에서 작업을 분배하는 목표와, 무의식적인 작업을 정리하고 노하우를 코딩하는 목표를 달성하기 위해, 시행착오를 거치는 반복 작업을 표준화된 플로우 작업으로 정리하는 것이 매우 중요합니다.
표준화된 플로우 작업은 도구뿐만 아니라 시스템에도 적합합니다.
플로우 작업 내에는 생성형 AI가 실행하는 작업과 인간이 실행하는 작업이 있습니다. 이들을 시스템으로 연결함으로써 전체 플로우 작업을 실행할 수 있게 됩니다.
플로우 작업화 및 시스템화는 몇 가지 중요한 효과를 가져옵니다.
첫째, 생성형 AI가 개별 작업에 특화되어 각 작업에 대한 생성형 AI의 효율성과 정확성을 최적화하는 방법이 명확해집니다.
둘째, 여러 작업자가 생성형 AI에 지식을 추가할 수 있으며, 그 이점은 모두에게 확대됩니다.
셋째, 이 작업 내에서 작업 분담을 점진적으로 생성형 AI로 전환하기 쉬워집니다.
이러한 방식으로 반복 작업을 플로우 작업으로 전환하고, 각 작업에서 생성형 AI에 필요한 지식을 시스템으로 축적함으로써, 지적 작업은 공장 라인처럼 자동화에 가까워집니다.
그리고 시대에 따라 진화하는 생성형 AI의 기본 성능 향상을 통합하고, 다양한 작업에 특화된 축적된 지식을 활용함으로써, 전체 플로우 작업을 생성형 AI에 의해 구동되는 자동화된 프로세스로 만들 수 있게 될 것입니다.
가상 지능
여기까지가 반복 작업과 도구, 플로우 작업과 시스템이라는 관점에서의 분석이었습니다.
최근 제가 쓴 또 다른 글은 이 논의를 더욱 발전시킵니다.
그 글에서는 가상 지능에 의한 오케스트레이션이라는 주제를 다루었습니다.
현재 그리고 아주 가까운 미래에 생성형 AI는 성능 제약으로 인해 특정 작업에 집중할 때 효율성과 정확성 면에서 더 나은 성능을 보입니다.
따라서 앞서 플로우 작업 및 시스템에서 논의했듯이, 각 개별 작업에 특화된 생성형 AI를 시스템을 통해 연결하는 것이 이상적인 메커니즘이었습니다.
하지만 생성형 AI의 성능이 비약적으로 향상되더라도, 단순히 다양한 작업을 병렬로 처리하는 것보다 단일 처리 과정 내에서 역할을 전환하고 다른 지식을 활용하여 처리하는 것이 더 효율적이고 정확할 수 있습니다.
이 방법은 생성형 AI들을 연결하는 시스템이 필요 없게 합니다. 시스템 통합과 유사한 작업이 생성형 AI 내부에서 발생하게 됩니다.
더 나아가, 시스템 변경 없이는 작업 재배치나 추가가 불가능했던 상황에서 생성형 AI 자체가 유연하게 대응할 수 있게 됩니다.
이는 플로우 작업화되고 시스템화된 작업을 다시 반복 작업으로 되돌리는 것을 의미합니다.
하지만 이러한 플로우 작업화 및 시스템화 과정을 거쳐 돌아온 반복 작업은, 생성형 AI의 수를 늘리거나 버전을 변경하더라도 재사용 가능한 지식이 형성된 상태가 됩니다.
이는 인간의 반복 작업 문제를 해결하고 인간이 수행하는 것과 유사한 유연한 작업을 가능하게 합니다.
여기서 저는 생성형 AI가 단일 실행 중에 역할과 지식을 전환하는 능력을 "가상 지능"이라고 부릅니다. 이는 컴퓨터의 가상 머신과 유사합니다.
가상 머신 기술이 단일 하드웨어 위에서 완전히 다른 컴퓨터가 실행되는 것을 시뮬레이션하는 것처럼, 단일 생성형 AI는 여러 역할을 전환하며 처리합니다.
생성형 AI는 이미 이러한 가상 지능 능력을 자연스럽게 습득했습니다. 이것이 바로 생성형 AI가 여러 사람이 참여하는 토론을 시뮬레이션하거나 여러 등장인물이 나오는 소설을 생성할 수 있는 이유입니다.
이러한 가상 지능 능력이 향상되고 충분한 지식이 제공된다면, 반복 작업을 수행하는 것이 가능해질 것입니다.
지능 오케스트레이션
나아가, 여러 역할과 지식을 자유롭게 결합하여 작업을 수행하는 능력을 저는 "지능 오케스트레이션"이라고 부릅니다.
이는 여러 가상 머신을 다루는 오케스트레이션 기술과 유사합니다.
오케스트레이션 기술이 필요할 때 필요한 가상 머신을 실행하여 시스템을 효율적으로 운영하는 것처럼, 가상 지능의 능력인 지능 오케스트레이션 기술이 향상된 생성형 AI는 수많은 역할과 지식을 적절히 활용하면서 효율성과 정확성을 유지하며 반복 작업을 유연하게 수행할 수 있을 것입니다.
심포닉 인텔리전스
이 단계에 도달한 생성형 AI를 심포닉 인텔리전스라고 부를 수 있습니다.
각 악기 연주에 능숙한 오케스트라가 각자의 역할을 수행하면서 하나의 곡을 연주하듯이, 심포닉 인텔리전스는 지적 작업의 교향곡을 연주할 수 있습니다.
이 심포닉 인텔리전스는 생성형 AI의 하나의 종착점을 나타내는 새로운 개념입니다.
하지만 심포닉 인텔리전스 자체는 이미 존재합니다.
그것은 바로 우리 인간의 지능입니다.
우리가 심포닉 인텔리전스를 가지고 있기 때문에, 우리는 무의식적으로 반복 작업을 통해 복잡한 지적 작업을 유연하게 수행하고, 수많은 노하우를 활용할 수 있는 것입니다.
마지막으로: AGI의 형태
심포닉 인텔리전스를 모의할 수 있는 생성형 AI에게 다른 작업에 대한 플로우 작업 프로세스와 지식 베이스를 제공함으로써, 다수의 반복 작업을 처리할 수 있게 될 것입니다.
다양한 반복 작업을 처리할 수 있게 되면서, 그러한 작업들 전반에 걸쳐 지식의 공통 원칙과 구조적 패턴을 파악할 수 있을 것입니다.
그 시점에서, 완전히 알 수 없는 반복 작업에 대해서도 인간의 간단한 설명만으로, 인간이 작업을 수행하는 방식을 관찰하는 것만으로 해당 작업의 노하우를 학습할 수 있게 될 것입니다.
이것이 진정한 심포닉 인텔리전스입니다. 이 단계에 도달하면 인간은 더 이상 플로우 작업화나 노하우 체계화에 노력을 기울일 필요가 없습니다.
더 나아가, 이렇게 생성형 AI가 자동으로 축적한 지식은 생성형 AI들끼리 공유될 수 있습니다.
그렇게 되면 생성형 AI의 학습 능력은 인간을 훨씬 능가하게 될 것입니다.
이것은 AGI의 한 형태라고 할 수 있습니다.