현대 비즈니스 프로세스에서 생성형 AI의 도입은 도구 활용 단계를 넘어 시스템화 단계로 진입하고 있습니다.
그리고 그 너머에는 "심포닉 인텔리전스"라고 불리는 새로운 지능의 시대가 우리를 기다리고 있습니다.
본 기사에서는 반복 작업과 플로우 작업이라는 두 가지 관점에서 생성형 AI 활용의 현황과 향후 전망에 대해 고찰합니다.
반복 작업
이전 기사에서 저는 생성형 AI가 작업을 수행하도록 하기 위한 관점으로 반복 작업과 도구, 그리고 플로우 작업과 시스템의 관점을 분석했습니다.
반복 작업은 인간이 여러 가지 구체적인 작업을 반무의식적으로 결합하고 시행착오를 거쳐 진행하는 작업을 의미합니다.
그리고 이러한 반복 작업에는 도구가 최적입니다. 다양한 작업에 적합한 도구를 선택하여 작업을 효율적으로 진행할 수 있습니다. 따라서 필요한 도구 키트를 갖추고 그 사용법을 숙련하는 것이 요구됩니다.
현재 업무에서 생성형 AI가 활용되는 경우, 대부분의 사례는 생성형 AI를 도구로 사용하는 경우에 해당합니다.
생성형 AI로 업무 효율을 높인다는 논의의 대부분은 인간이 기존 반복 작업을 수행할 때 사용하는 도구 키트에 이 새롭고 강력한 도구를 추가하는 것을 의미하는 경우가 많습니다.
반복 작업의 문제점
한편, 이전 기사에서 지적했듯이 반복 작업에서 도구를 통한 효율성 향상에는 한계가 있습니다.
도구가 효율화될수록 결국 인간이 병목 현상이 됩니다. 궁극적으로는 인간의 작업 시간이라는 한계를 넘을 수 없습니다.
또한, 베테랑 직원과 신입 직원 간에는 반복 작업의 효율성과 정확도에 상당한 차이가 있으며, 이를 메우는 것은 어렵습니다. 따라서 다음 달에 작업량을 두 배로 늘리려 해도 베테랑의 기술을 가진 인력이 없으면 대응할 수 없습니다.
인간이 병목 현상이 되는 이 문제를 해결하려면 궁극적으로 모든 것을 인공지능으로 대체해야 한다는 결론에 이릅니다.
그러나 현재의 생성형 AI는 아직 그 정도의 성능을 갖추고 있지 않습니다.
더욱이 겉보기에는 간단해 보이는 반복 작업조차도 자세히 살펴보면 수많은 무의식적인 하위 작업으로 구성되어 있습니다.
이러한 이유로 이러한 작업들은 기존 IT 시스템이나 따라 하기 쉬운 매뉴얼로 분해될 수 없었고, 대신 인간의 숙련도에 의존해 왔습니다.
숙련이 필요한 이러한 수많은 무의식적인 작업들을 정리하고, 각각에 필요한 노하우를 지식으로 결정화하지 않는 한, 생성형 AI의 성능이 아무리 향상되더라도 인간을 대체하는 작업을 수행할 수는 없을 것입니다.
플로우 작업 전환 및 시스템화
생성형 AI의 현재 성능 한계 내에서 작업을 분배하고, 무의식적인 작업을 정리하며 노하우를 지식으로 결정화하는 목표를 달성하기 위해서는 시행착오적인 반복 작업을 표준화된 플로우 작업으로 정리하는 것이 매우 중요합니다.
표준화된 플로우 작업은 도구뿐만 아니라 시스템에도 잘 맞습니다.
플로우 작업 내에는 생성형 AI가 실행할 작업과 인간이 실행할 작업이 있습니다. 이들을 시스템으로 연결함으로써 전체 플로우 작업을 실행할 수 있게 됩니다.
플로우 작업 전환과 시스템화는 몇 가지 중요한 이점을 제공합니다.
첫째, 생성형 AI가 개별 작업에 특화되므로 각 작업의 효율성과 정확도를 최적화하는 것이 명확해집니다.
둘째, 여러 작업자가 생성형 AI에 지식을 추가할 수 있으며, 그 이점이 모든 사람에게 확산됩니다.
셋째, 이 작업 내에서 작업을 생성형 AI로 점진적으로 전환하는 것이 더 쉬워집니다.
이처럼 반복 작업을 플로우 작업으로 전환하고 각 작업에 필요한 지식을 시스템 형태로 생성형 AI에 축적함으로써, 지적 작업은 마치 공장 생산 라인처럼 자동화에 가까워집니다.
그리고 시대에 따라 발전하는 생성형 AI의 기본 성능 향상을 통합하고 다양한 작업에 특화된 축적된 지식을 활용함으로써, 전체 플로우 작업을 생성형 AI에 의한 자동화된 프로세스로 만들 수 있게 될 것입니다.
가상 지능
지금까지의 분석은 반복 작업과 도구, 그리고 플로우 작업과 시스템이라는 관점에서 이루어졌습니다.
그리고 최근에 작성된 또 다른 기사에서 이 논의를 더욱 발전시켰습니다.
그 기사에서는 가상 지능에 의한 오케스트레이션이라는 주제를 다루었습니다.
현재 및 아주 가까운 미래의 생성형 AI는 성능 제약으로 인해 특정 작업에 집중하여 실행할 때 효율성과 정확도가 더 높습니다.
따라서 앞서 플로우 작업과 시스템에 대한 논의에서처럼, 개별 작업마다 특화된 생성형 AI를 시스템으로 연결하는 메커니즘이 이상적이었습니다.
하지만 생성형 AI의 성능이 비약적으로 향상된다 하더라도, 단순히 다양한 작업을 동시에 처리하는 것보다 한 번의 처리 과정에서 역할과 활용할 지식을 전환하며 처리하는 것이 효율성과 정확도를 높일 가능성이 있습니다.
이러한 접근 방식은 생성형 AI들을 서로 연결하는 시스템이 필요 없어집니다. 시스템 연동과 유사한 작업이 생성형 AI 내부에서 이루어지게 되는 것입니다.
또한 시스템을 변경해야만 작업을 교체하거나 추가할 수 있었던 상황에서, 생성형 AI 자체 내부에서 임기응변적인 대응이 가능해집니다.
이는 시스템화된 플로우 작업을 다시 반복 작업으로 되돌리는 것을 의미합니다.
그러나 플로우화 및 시스템화를 거쳐 되돌아온 이 반복 작업은 생성형 AI의 수를 늘리거나 버전을 변경해도 재사용 가능한 지식을 형성할 수 있는 상태가 되어 있습니다.
이를 통해 인간의 반복 작업 문제점이 해결된 상태에서 인간과 같은 유연한 작업을 수행할 수 있게 됩니다.
여기서 생성형 AI가 한 번의 실행 중에 역할과 지식을 전환하며 작업하는 능력을 저는 가상 지능이라고 부릅니다. 이는 컴퓨터의 가상 머신과 동일합니다.
하나의 하드웨어 위에 전혀 다른 컴퓨터가 동작하는 것처럼 시뮬레이션하는 가상 머신 기술처럼, 단일 생성형 AI가 여러 역할을 전환하며 처리하는 방식입니다.
현재 생성형 AI는 이미 이러한 가상 지능 능력을 자연스럽게 습득하고 있습니다. 이 때문에 생성형 AI는 여러 사람이 참여하는 토론을 시뮬레이션하거나 여러 인물이 등장하는 소설 등을 생성할 수 있습니다.
이러한 가상 지능 능력이 향상되고 충분한 지식이 제공된다면, 반복 작업을 수행하는 것이 가능해질 것입니다.
지능 오케스트레이션
또한, 이처럼 여러 역할과 지식을 자유롭게 조합하여 작업을 수행하는 것을 저는 지능 오케스트레이션이라고 부릅니다.
이는 여러 가상 머신을 관리하는 오케스트레이션 기술과 유사합니다.
필요할 때 필요한 가상 머신을 실행하여 시스템을 효율적으로 운영하는 오케스트레이션 기술처럼, 가상 지능의 능력인 지능 오케스트레이션 스킬이 향상된 생성형 AI는 수많은 역할과 지식을 적절하고 효율적이며 정확하게 유지하면서 유연하게 반복 작업을 수행할 수 있을 것입니다.
심포닉 인텔리전스
이 단계에 도달한 생성형 AI를 심포닉 인텔리전스라고 부를 수 있습니다.
각 악기 연주에 숙련된 오케스트라가 각자의 역할을 다하면서 전체적으로 하나의 곡을 연주하듯이, 심포닉 인텔리전스는 지적 작업의 교향곡을 연주할 수 있습니다.
이 심포닉 인텔리전스는 생성형 AI의 정점 중 하나를 나타내는 새로운 개념입니다.
그러나 심포닉 인텔리전스 자체는 이미 존재합니다.
그것은 바로 우리 인간의 지능입니다.
우리가 심포닉 인텔리전스를 가지고 있기 때문에, 우리는 무의식적으로 반복 작업을 통해 수많은 노하우를 활용하여 여러 복잡한 지적 작업을 유연하게 수행할 수 있습니다.
마지막으로: AGI의 모습
심포닉 인텔리전스를 시뮬레이션할 수 있는 생성형 AI에게 다른 작업을 위한 플로우 작업과 지식 베이스를 제공함으로써, 여러 반복 작업을 처리할 수 있게 될 것입니다.
수많은 다양한 반복 작업을 처리할 수 있게 되면, 해당 작업들 간의 공통 규칙과 지식 내의 구조적 패턴을 파악할 수 있을 것입니다.
그 시점에 이르면, 전혀 알지 못하는 반복 작업에 대해서도 인간의 간단한 설명만 있으면, AI는 인간이 작업을 수행하는 방식을 관찰하는 것만으로 해당 작업의 노하우를 학습할 수 있게 될 것입니다.
이것이 진정한 심포닉 인텔리전스입니다. 이 단계에 도달하면 인간은 작업을 플로우 프로세스로 전환하거나 노하우를 지식으로 결정화하는 데 노력을 쏟을 필요가 없어집니다.
더 나아가, 생성형 AI가 이렇게 자동으로 축적한 지식은 다른 생성형 AI들과 공유될 수 있습니다.
이러한 일이 발생한다면, 생성형 AI의 학습 능력은 인간을 훨씬 뛰어넘게 될 것입니다.
이것을 AGI의 한 가지 형태로 볼 수 있습니다.