베인앤드컴퍼니, AI 보고서 4

 

Prepare for the Coming AI Chip Shortage

 

기업들이 팬데믹을 예측할 수는 없었지만, 반도체 공급망에 대한 다음 큰 위협에는 대비할 수 있다.

 

At a Glance

 

•  AI로 인한 그래픽 처리 장치(GPU) 수요 급증만으로도 2026년까지 특정 상류 부품에 대한 총 수요가 30% 이상 증가할 수 있다. 

 

•  팬데믹이 PC 수요를 급증시킨 것처럼, 곧 다가올 AI 지원 기기의 물결은 스마트폰 및 PC 업그레이드 구매를 가속화할 가능성이 있다. 

 

•  이러한 두 가지 추세와 지속되는 지정학적 긴장 및 기타 공급 위험과 맞물려, 다음 반도체 부족이 발생할 수 있다. 

 

•  장기 구매 계약 및 공급망 다각화를 포함한 사전 조치는 다가오는 위험을 완화하는 데 중요할 것이다.

 

반도체의 수급은 매우 민감한 균형을 이루고 있어, 지난 몇 년간 업계와 고객들이 잘 알고 있듯이, 쉽게 흔들릴 수 있다. 팬데믹으로 인한 반도체 부족은 이제 지나갔지만, 경영진들은 (짐작했겠지만) 인공지능으로 인한 다음 잠재적 위기에 대비하기 시작하고 있다.

산업 전반에 걸친 인공지능(AI) 채택 가속화는 데이터 센터용 그래픽 처리 장치(GPU) 공급에 압력을 가할 것이며, 대규모 언어 모델(LLM)을 훈련시키고 운영하기 위한 거의 무한한 컴퓨팅 자원에 대한 수요가 공급망 제약과 충돌하게 될 것이다. 또한, AI 지원 기기의 확산은 새로운 개인용 컴퓨터(PC) 및 스마트폰 구매의 물결을 일으킬 것으로 보이며, 이는 더 넓은 반도체 공급망에 큰 영향을 미칠 것이다.

반도체 공급망은 매우 복잡하며, 약 20% 이상의 수요 증가만으로도 균형이 깨지고 반도체 부족을 초래할 가능성이 높다. 주요 시장에서의 AI 폭발적 수요는 이 한계를 쉽게 넘어서며, 공급망 전반에 걸쳐 취약한 병목 지점을 만들 수 있다.

반도체 수급을 균형 있게 유지하는 일은 업계의 빠르게 변화하는 기술, 막대한 자본 요구 사항, 그리고 생산 능력 추가에 걸리는 긴 리드 타임으로 인해 항상 어려운 일이었다. 하지만 칩 공급업체와 구매업체는 이 다음에 닥칠 수 있는, 잠재적으로 대규모의 위기에 대비해 신속하게 대응해야 한다. 앞으로 예상되는 수요 및 공급 충격에 대해 더 자세히 살펴보자.

 

 

Data center demand

 

2022년 말에 일어난 생성형 AI의 돌파구는 현재까지 반도체 산업에 큰 혜택을 주었다. Nvidia와 같은 주요 GPU 판매업체부터 Broadcom(스위치)과 SK 하이닉스(고대역폭 메모리)와 같은 데이터 센터에 다른 칩을 공급하는 업체들까지, 반도체 제조업체들의 매출과 평가액은 크게 증가했다. 데이터 센터와 이를 지원하는 특수 칩에 대한 지출은 둔화될 조짐이 보이지 않는다. 주요 클라우드 서비스 제공업체들은 2024년 AI와 가속 컴퓨팅에 대한 투자가 큰 역할을 하여 전년도 대비 자본 지출을 36% 증가시킬 것으로 예상된다.

GPU 수요는 대규모 언어 모델(LLM)이 텍스트, 이미지, 오디오 등 여러 데이터 유형을 동시에 처리할 수 있는 기능을 확장함에 따라 계속해서 증가할 것이며, 벤처 자본가들이 AI 스타트업에 더 많은 자금을 투자하면서 그 수요는 더 커질 것이다.

데이터 센터의 차세대 GPU 수요가 2026년까지 두 배로 증가한다는 가정하에, 주요 부품 공급업체들은 반도체 공급망의 다층적인 복잡성을 고려한 베인의 예측 모델에 따르면, 경우에 따라 생산량을 30% 이상 늘려야 할 것이다. 이 수요는 주로 고급 패키징과 메모리에 집중될 것이다. 앞서 언급한 시나리오에서는 칩-온-웨이퍼-온-기판(CoWoS) 패키징 부품 제조업체들이 2026년까지 생산 능력을 거의 세 배로 늘려야 할 것이다.

AI 성장을 가능하게 하려면 데이터 센터와 웨이퍼 제조 공장 건설부터 고급 패키징 및 충분한 전력 확보에 이르기까지 복잡한 공급망 요소들이 함께 움직여야 한다. 이러한 중요한 요소들 중 다수는 긴 리드 타임이 필요하며, 수요에 맞추는 것이 불가능할 수도 있다.

중요한 점은 이러한 공급망 요소들이 기술 생태계의 다른 부분들과 공유된다는 것이며, 모두 자본, 지정학적 위험, 그리고 타이밍 리스크에 노출되어 있다. 마지막 부족 사태에서 중요한 칩이 부족해 새 자동차가 주차장에 미판매 상태로 남아있었던 것처럼, 하나의 칩만 없어도 전체 시스템이 중단될 수 있다.

 

 

PC and smartphone demand

 

개인 장치 제조업체들은 이미 AI 기능을 자사 제품에 빠르게 내장하고 있다. 장치 내에서 AI를 처리할 수 있는 신경 처리 엔진을 수용하기 위해, 노트북의 평균 중앙 처리 장치(CPU)와 스마트폰 프로세서가 각각 약 5%와 16%의 실리콘 면적을 추가했다고 우리의 벤치마킹에서 나타났다.

더 중요한 점은, AI 응용 프로그램이 유용성이 커짐에 따라 업그레이드를 원하는 구매자들이 고급 칩을 빠르게 채택할 수 있다는 것이다. AI의 급속한 채택 시나리오에서 2023년에서 2026년 사이에 PC 판매가 31% 증가하고 스마트폰 판매가 15% 증가하면, 최첨단 반도체 제조 공장(팹)은 생산량을 25%에서 35%까지 늘려야 할 것으로 예상된다. 이를 위해서는 대략 400억에서 750억 달러의 비용이 드는 최첨단 팹 4~5개를 추가로 건설해야 할 것이며, 이는 주요 파운드리들이 이미 건설 중인 많은 팹들의 타당성을 뒷받침할 수 있을 것이다.

이러한 신제품 구매 수요는 팬데믹이 PC 수요를 단기적으로 급증시켰던 것과 유사하게 수요 증가를 촉발할 수 있다. GPU와 비교했을 때, AI 수요는 스마트폰과 PC의 반도체 공급망에 더 넓은 영향을 미칠 것이다. 이 장치들에 관련된 부품 목록이 길기 때문이다. 이 장치들의 공급망에서 가장 취약한 연결고리는 최첨단 팹으로, 이들은 가장 첨단 칩을 제조하는 팹들이다.

 

 

 

Don’t forget the supply risks

 

극심한 날씨, 자연 재해, 지정학적 분쟁, 팬데믹 및 지난 10년 동안 발생한 기타 주요 혼란은 공급 충격이 업계의 수요 충족 능력을 심각하게 제한할 수 있다는 점을 분명히 보여주었다. 지난 18개월 동안 GPU 공급에 대한 압박의 상당 부분은 CoWoS 고급 패키징 역량과 같은 덜 눈에 띄는 공급망 요소의 혼란으로 인해 발생했다.

지정학적 긴장, 무역 제한, 그리고 다국적 기술 기업들이 중국과 공급망을 분리하는 것 또한 반도체 공급에 심각한 위험을 계속해서 초래하고 있다. 공장 건설 지연, 원자재 부족 및 기타 예측할 수 없는 요인들도 병목 현상을 초래할 수 있다. 이러한 불확실성을 고려하지 않더라도, 우리는 고대역폭 메모리 부품에 대한 수요 증가, 고급 패키징 팹 및 도구 건설, 그리고 기판 팹 건설에서 가장 큰 공급 위험이 발생할 것으로 예상하고 있다.

 

Takeaways for executives

 

업계 전반에 걸쳐 반도체 구매자들이 이러한 공급망 복잡성을 헤쳐 나가려면, 소싱하는 구성 요소에 대한 깊은 이해가 필요하다. 효과적인 리더는 AI 데이터 센터와 교차하는 스위치, 트랜시버, 전력 관리 집적 회로와 같은 구성 요소에 주의를 기울일 것이다. 또한 PC 및 스마트폰의 교체 주기, 그리고 Wi-Fi 라우터나 네트워크 장비와 같은 관련 주변 장치도 면밀히 모니터링할 것이다. 이러한 영역에서의 급증은 공급망 전반에 걸쳐 연쇄적인 영향을 미치므로 각 단계가 면밀히 추적되어야 한다.

선도 기업들은 최근의 반도체 부족 사태에서 얻은 교훈을 적용하여 재고를 안전하게 관리하고, 부족과 과잉 사이의 균형을 유지할 것이다. 이들은 예상되는 미래 수요에 기반하여 칩 및 제조 능력에 대한 장기 구매 계약을 체결하며, 이러한 가시성을 공급업체와 공유할 것이다. 지난 수십 년간 지배적이었던 "적시 생산" 재고 전략은 더 높은 비용이 들지만 더 탄력적인 "비상 대비" 접근 방식으로 점차 대체될 것이다. 더 많은 기업이 가능한 경우 맞춤형 칩 대신 산업 표준 반도체를 사용하여 제품을 설계할 것이다. 또한, 관세나 규제와 같은 지정학적 불확실성에 대한 공급망 탄력성을 강화하는 데 계속 투자할 것이다. 마지막으로, 이들은 프런트엔드 반도체 제조 능력뿐만 아니라 실리콘 고급 패키징과 기판 공급도 면밀히 모니터링할 것이다.

경영진은 팬데믹으로 인한 반도체 공급 혼란으로 인해 여전히 피로를 느낄 수 있지만, 다음 큰 공급 충격이 다가오고 있어 쉴 틈이 없다. 이번에는 징후가 명확하며, 업계는 미리 준비할 기회를 가지고 있다. 앞으로 나아갈 길은 공급망을 강화하기 위한 경계심, 전략적 통찰력, 그리고 신속한 행동을 요구한다. 선제적인 조치를 통해 기업 리더들은 AI가 주도하는 세상에서의 탄력성과 성공을 보장할 수 있을 것이다.

 

 

Thriving as the Software Cycle Slows

 

강력한 투자 기간 이후, 소프트웨어 공급업체들은 체계적인 포트폴리오 전략으로 재정비할 수 있다.

 

At a Glance

 

•  소프트웨어 시장의 성장 속도가 둔화되면서 소프트웨어 기업들은 제품 포트폴리오 전략에서 더욱 신중해야 한다.  

 

•  소프트웨어 기업들은 영업 및 마케팅 비용을 줄였지만, 제품과 엔지니어링에 대한 지출은 비교적 견고하게 유지되고 있다.  

 

•  중요한 제품과 기능에 대한 투자를 위해 제품과 엔지니어링 부문에서 효율성을 높여 용량을 확보하는 것이 중요하다.

 

2021년 이후 소프트웨어 기업들은 막대한 자금을 투자하며 폭넓게 지출해왔다. 저금리 환경에서 투자자들로부터 자금을 확보하고, 고객들의 풍부한 예산에 힘입어 소프트웨어 기업들은 연구개발과 영업 및 마케팅에 막대한 투자를 감행했다. 그들은 엔지니어링 팀이 제품에 끝없는 기능을 추가하고, 영업 팀과 제품 주도 성장 이니셔티브가 쉽게 인접 시장에 진출할 수 있다고 믿었다.

하지만 최근 들어 상황이 바뀌었다. 지난 1년 동안 기술 예산은 여전히 견조하게 유지되고 있지만, CIO들은 구매에 훨씬 더 엄격해졌다. 구매는 철저히 검토되며 경쟁력 있는 제안 요청서를 통해 비교되고, 구매 과정도 길어졌다. 기업들은 실제 필요에 따라 좌석 수(혹은 소프트웨어 라이선스)를 줄이고, 지출을 전략적 공급업체로 통합하고 있다. 직원들은 IT 부서에 독립된 제품을 구매해야 하는 이유를 제시해야 하며, 이는 패키지에 포함된 제품 대신 독립 제품을 선택하는 과정에서 필요하다. 그나마 밝은 점은 AI에 대한 지출이 활발히 이루어지고 있다는 것이다. 그 결과, 성장 둔화가 발생했다. 약 90개의 상장된 소프트웨어-서비스(SaaS) 기업들의 연간 매출 성장률 중위값이 지난 2년간 16%포인트 하락했다(그림 1 참고).

이에 따라 소프트웨어 기업들도 예산을 긴축하게 되었다. 영업 및 마케팅 예산은 매출 대비 41%에서 33%로 축소되었다. 예산 압박과 개발자를 위한 생성형 AI 보조 도구의 약속에도 불구하고, 엔지니어링에 대한 지출은 비교적 견고하게 유지되고 있다. 연구개발에 대한 지출은 매출 대비 비율로 단 3%포인트 감소하는 데 그쳤다(그림 2 참고). CEO와 CFO는 지출에 대한 가시성이 부족한 경우가 많다. 그들은 혁신 및 신제품 개발에 얼마나 많은 비용이 사용되고 있는지, 기존 제품 유지보수에 드는 비용과 비교하여 파악하지 못할 수 있다. 또한 작업이 중복될 때 이를 파악하지 못하는 경우가 많은데, 이는 의외로 상당한 지출을 초래할 수 있다.

 

 

Disciplined portfolio strategy

 

고객들이 인공지능(AI) 외의 영역에 대한 야심 찬 투자 시대로 곧바로 돌아갈 가능성은 크지 않다. 따라서 소프트웨어 기업들은 고객이 필요로 하는 제품을 생산하고, 연구개발(R&D) 비용을 최대한 활용하며, 최적 범위를 넘어서 팽창했을 수 있는 운영비를 통제해야 한다.  

소프트웨어 공급업체들은 무엇을 개발하고 판매할지 더 신중하게 결정해야 하고, 추구하는 제품 전략을 명확히 해야 한다. 우리의 벤치마크에 따르면, 기업들은 일반적으로 엔지니어링 자원의 약 25%를 기존 제품의 결함 수정에, 25%를 유지보수 및 기술 부채 해결에, 50%를 새로운 기능 및 제품 개발에 할당한다. 물론 이 비율은 제품의 성숙도에 따라 달라져야 한다.  

이 최적의 자원 배분을 추구하기 위해 선도 기업들은 디시플린드 포트폴리오 전략을 따른다.  

• 비즈니스의 전략적 비전을 설정하고, 어느 분야와 고객 세그먼트에 집중할지, 그리고 어떤 제품과 영업 방식을 사용할지 정의해야 한다. 이는 시장의 크기, 고객의 요구, 제품의 경쟁 우위를 명확히 파악하는 것이 중요하다. 인접 시장을 타겟팅할 때는 핵심 제품과의 시너지를 파악하고, 구매 주기가 얼마나 일치하는지 확인하는 것이 중요하다.  

• 각 제품 계획에 대해 명확하게 로드맵, 필요한 자원, 예상되는 투자 수익을 명확히 설명하는 비즈니스 케이스를 개발해야 한다.  

• 정기적으로 진행 상황을 평가하고 제품의 시장 적합성을 테스트해야 한다.  

• 제품, 엔지니어링, 영업 팀 간의 협력을 통해 제품 전략과 가치를 창출할 계획에 대해 조율해야 한다.  

• 더 이상 유지되지 않는 제품에 대해 서비스 종료 및 제품 수명 종료 정책을 엄격히 적용하고, 그 자원을 더 생산적인 노력에 재투자해야 한다.

 

Efficient R&D

 

제품, 연구개발, 영업 및 마케팅, 고객 성공 및 지원 기능 간의 장벽을 허무는 것은 운영 효율성을 높이는 데 도움이 된다. 통합된 운영 모델은 시장에 잘 맞는 제품을 만들고, 가장 효율적인 아키텍처, 개발, 출시 프로그램으로 제품을 지원하여 제대로 제작되도록 보장한다. 예를 들어, 고객에게 직접 판매하는 것은 일선 직원이 피드백을 수집할 수 있게 하여 구매자의 요구에 따라 지속적인 제품 개발을 돕는다. 다른 경우에는 벤더가 고객이나 영업, 고객 성공과 같은 고객 대면 기능이 제품 로드맵에 대해 투표할 수 있도록 허용하기도 한다.

조직 구조 또한 효율성을 높이는 데 중요한 역할을 한다. 관리자와 개발자 및 다른 직원들 간의 적절한 비율을 유지하면 적정한 수준의 경험을 보장할 수 있다. 아웃소싱 및 오프쇼어링도 효율성의 중요한 요소인데, 일부 벤더들은 지난 번 호황기 동안 이에 대한 관심을 덜 기울였다. 소프트웨어 조직은 유지 관리 모드에 있는 제품의 작업을 저비용 지역으로 오프쇼어링하면서, 새 제품 개발에는 더 많은 자원을 중앙에 가까운 곳에 투자함으로써 성공할 수 있다.

 

Valuation rewards

 

소프트웨어 시장은 이제 성장 속도가 느려진 주기에 진입했지만, 생성형 AI에 대한 "골드 러시"가 기본 제품의 성숙도를 왜곡하고 있다. 이제 중요한 것은 생산적인 성장과 마진 달성으로, 이는 최근 몇 년간 소프트웨어 기업들이 해왔던 것보다 훨씬 더 신중한 성장 투자와 비용 관리의 균형을 필요로 한다. AI를 포함한 제품 전략과 제품 포트폴리오에 대한 지출이 이 균형을 이루는 기초를 제공한다. AI 기술에 투자하는 것이 나머지 포트폴리오에 대한 신중한 평가를 배제하지 않는다. 이러한 결정은 연구개발 지출을 효율적으로 배치하는 방법과 영업, 마케팅, 서비스에서의 생산성을 달성하는 방법을 설정한다. 간접비용을 효율적으로 관리하면 다른 분야에 투자할 수 있는 예산을 확보할 수 있다. 이는 어려운 균형 잡기이지만, 이를 잘 수행하는 리더들은 이전의 높은 평가 가치를 다시 경험할 수 있을 것이다.

 

 

 

How Generative AI Changes the Game in Tech Services

 

기술 서비스 제공업체들은 생성형 AI를 사용하여 더 나은 운영 및 서비스를 제공하고 있다. 선도 기업들은 이 기술을 고객이 혁신하고 재창조하는 데 도움을 주는 데 활용하고 있다.

 

At a Glance

 

•  기업들은 기술 서비스 제공업체들에게 생성형 인공지능(AI)을 배우고 도입하는 데 도움을 기대하고 있다.  

 

•  서비스 제공업체들은 이러한 도전에 대응하여 더 빠르고, 생산적이며, 높은 품질 수준으로 제공할 수 있는 생성형 AI 역량을 구축하고 있다.  

 

•  리더들은 개별 사용 사례가 아닌, 관련된 일련의 프로세스에 집중된 사용 사례 그룹을 가족으로 보고 생성형 AI 기회를 바라본다.  

 

•  전문성을 보여주고, AI 역량을 구축하기 위해 인재를 고용하거나 기술을 향상시키며, 혁신의 최전선에서 솔루션을 개발하고 배포하는 것은 시장에 기술에 대한 자신감을 신호로 보낸다.

 

2023년, 많은 기술 서비스 회사들이 고객들의 생성형 인공지능(AI)에 대한 관심을 지원하기 위해 개념 증명 프로젝트를 수행했다. 이 프로젝트들은 운영 비용 절감, 작업 속도 향상, 품질 개선 등을 목표로 하였다. 파일럿 프로그램들은 내부 지식 포털 검색을 위한 AI 지원 도우미, 고빈도 마케팅 콘텐츠 생성, 영업 자료 개발, 고객 응대 에이전트를 지원하고 생산성 및 전환율을 향상시키는 지식 인터페이스와 같은 다양한 주제에 집중했다. 일부 기술 서비스 회사는 고객을 위해 이러한 파일럿 프로그램을 수십 또는 수백 건 실행하였으며, 티켓 비용은 최대 100만 달러에 달하기도 했다.

2024년에는 이러한 고객들이 탐색 단계를 넘어 성공적인 파일럿 프로그램을 확대하고 투자한 AI로부터 실질적인 비즈니스 가치를 얻는 데 중점을 두고 있다. 베인의 최신 글로벌 생성형 AI 채택 설문조사에 따르면, 응답자의 85%가 생성형 AI를 상위 5대 우선순위로 꼽았다. 2023년에는 20% 미만이었으나, 2024년에는 33%의 기업이 생성형 AI에 500만 달러 이상을 지출할 계획이다. 또 다른 33%의 기업은 100만 달러에서 500만 달러 사이를 실험에 지출할 것이라고 답했으며, 이는 2023년의 15%에서 증가한 수치이다.

 

Operate better: Signal expertise

 

업계 전반에서 대부분의 기업은 기술 서비스 회사 파트너들이 생성형 AI를 활용해 중요한 역할을 할 것으로 기대하고 있다. 특히 이러한 기술 서비스 회사들이 내부적으로 생성형 AI를 사용해 자신들의 운영을 개선하거나 더 빠르고 생산적이며 높은 품질로 서비스를 제공하는 방법에 대한 전문 지식을 이미 개발한 경우 더욱 그러하다.

기술 서비스 회사들이 생성형 AI를 사용하는 몇 가지 방법은 다음과 같다:

- 일부 IT 서비스 회사들은 AI를 사용하여 영업 자료와 제안 요청서에 대한 응답을 맞춤화하고, 기존 저장소에서 중요한 기술 역량과 성공 사례를 결합하여 보여준다. 이를 통해 프로세스를 가속화하고 특정 고객에게 가장 관련성이 높은 강점과 성공 사례를 강조할 수 있다.

- 여러 기술 서비스 회사들은 대화형 봇을 통해 인사 및 IT 관련 문의를 지원하는 내부 챗봇을 개발하였다. 이는 고객사의 직원들이 기업 전반의 데이터를 통해 필요한 정보를 쉽게 접근할 수 있도록 설계되었다.

- 또 다른 회사는 기존의 교육 자료와 내부 지원 대화를 AI로 수집하여 내부 전문가 트레이너의 디지털 트윈을 만드는 방식으로 지식 관리 및 교육을 개선하고 있다.

 

Deliver better: Improve service

 

기술 서비스 회사들이 생성형 AI를 활용하여 서비스를 개선하는 몇 가지 예는 다음과 같다:

- 코드 생성, 문서화, 테스트에서 최대 30%의 생산성 향상;

- 프로세스 아웃소싱에서 서비스 제공 업체들이 고객과 협력하여 프로세스를 재구상하고, 생성형 AI와 자동화를 결합하여 생산성, 고객 만족도, 솔루션의 정확도를 향상시키고 있다;

 

- 송장 처리에서는 한 대규모 글로벌 아웃소싱 회사가 프로세스를 재설계하고, 생성형 AI와 자동화를 사용해 처리 시간을 절반으로 줄인 사례가 있다.

생성형 AI의 기여는 이전 성과를 바탕으로 점진적으로 전개될 가능성이 크다. 예를 들어, 고객 센터를 생각해보자. 향후 2~3년 동안 전체 비음성 상호작용의 절반, 간단한 음성 상호작용의 25%에서 35%, 복잡한 음성 상호작용의 약 10%가 생성형 AI로 대체될 수 있다.

고객 센터는 이미 챗봇을 통해 규칙 기반 응답 엔진을 개발해 왔으나, 기존 챗봇은 고객의 특정 질문이나 추천에 대한 답변이 제한적이다. 생성형 AI는 방대한 비정형 데이터를 흡수하고 요약하는 능력을 통해 더 날카로운 지식 관리 기능을 제공할 수 있으며, 이를 통해 챗봇과 채팅 도우미가 더 빠르고 맥락을 인식한 응답을 제공할 수 있게 되어 첫 번째 생성형 AI 배포에서 더 많은 고객 만족과 생산성 향상이 기대된다.

두 번째 단계에서는 생성형 AI가 아웃바운드 콜을 위한 자동화된 스크립트 작성에 기여할 수 있고, 세 번째 단계에서는 반자율 음성 봇의 발전을 기대할 수 있다. 이러한 발전은 처음 단계의 개선을 기반으로 하는 것이다.

 

Change the game: Move beyond standalone use cases

 

기술 서비스 회사들이 고객의 요구에 맞춘 생성형 AI 솔루션을 설계, 구축 및 배포하려면, 개별 사용 사례보다는 사용 사례 묶음(Use Case Families)을 중심으로 접근하는 것이 차별화된 방식을 제공할 수 있다. 사용 사례 묶음이란 연속적이거나 함께 작동해야 하는 일련의 프로세스에 초점을 맞춘 사용 사례의 집합으로, 유사한 기초 기술을 필요로 하는 경우가 많다. 사용 사례 묶음은 산업 간의 교차점에서나, 다양한 산업에 걸쳐 수평적으로 적용될 수 있다. 아래 몇 가지 예시가 있다:

• Customer relationship management(고객 관계 관리): 고객 회의 요약 및 고객 접촉 자료 생성(추천 사항 포함), 소셜 미디어 리스닝 등은 일반적인 수평적 사용 사례 묶음의 예이다.

 

• Outbound marketing automation(아웃바운드 마케팅 자동화): 마이크로 세분화, 페르소나 개발, 최고의 제안 예측(사용 및 구매 지식 기반을 바탕으로), 아웃리치 콘텐츠 생성, 자동 아웃리치 트리거 등이 수평적 사용 사례 묶음의 또 다른 예이다. 여기에 B2B(페르소나 중심) 또는 B2C(세분화 중심) 마케팅의 차별화를 더하면 수직적 요소가 추가된다.

 

• Industry-specific families(산업별 사용 사례 묶음): 예를 들어 금융 서비스에서는 대출 및 모기지 개시 관련 사용 사례 묶음이 자동 사전 승인, 신청서 작성, 인수, 처리, 대출 집행 및 종료 등의 프로세스를 포함할 수 있다.

 

기술 서비스 회사들은 이러한 사용 사례 묶음을 선택하고 제공함으로써 도메인 전문성, 프로세스 지식 및 기술력을 결합하여 고객 참여 모듈을 혁신할 수 있다.

사용 사례 묶음은 더 나은 접근 방식인 이유는, 단일 사용 사례가 동일한 기술 투자와 활성화를 통해 얻을 수 있는 모든 가치를 포괄하지 못할 수 있기 때문이다. 또한, 단일 사용 사례는 주로 내부 생산성 향상에 초점을 맞추는 반면, 동기화된 사용 사례 묶음은 지속적인 고객 가치를 제공하여 반복 구매, 제품 또는 서비스 판매 증대, 새로운 추천으로 이어질 수 있다.

 

Bain의 연구에 따르면, 고객들은 기술 서비스 회사들이 몇 가지 우선순위가 있는 사용 사례 묶음을 해결해 주기를 기대하고 있다. 일부 사용 사례 묶음은 효율적인 제공을 약속하는 반면, 다른 사용 사례 묶음은 더 큰 변화를 가져올 가능성이 높다. (그림 2 참조)

 

 

Scaling generative AI

 

우리의 작업에서, 고객들은 이미 자체 AI 기술과 역량을 구축하기 시작한 기술 서비스 업체들과 적극적으로 협력하고 싶어 한다. 전문성을 입증하고, AI 역량을 구축하기 위해 인재를 고용하고 기술을 향상시키며, 최첨단 솔루션을 개발하고 배포하는 것은 시장에 자신들의 기술 능력과 AI에 대한 이해도를 알리는 훌륭한 신호가 된다.

기술 서비스 업체들이 생성 AI 솔루션 배포에서 선호하는 파트너가 되기 위한 경주에서 차별화할 수 있는 다섯 가지 추가 요소는 다음과 같다:

1. 고객의 도메인과 프로세스에 대한 깊은 이해, 그리고 새로운 기술 발전을 통해 이를 혁신하고 재설계한 입증된 실적 – 이는 로봇 프로세스 자동화(RPA)나 퍼블릭 클라우드 도입과 같은 주요 기술 패러다임 변화에서 항상 중요했다.
   
2. 즉각적 및 장기적 가치를 원활하게 실현할 수 있는 사용 사례를 구체적으로 설명하고, 우선순위를 정하며, 순차적으로 실행할 수 있는 능력.

3. 기술 옵션(모델, 벡터 데이터베이스, 개발 프레임워크 포함) 및 배포 유형(인프라 및 아키텍처 선택)에 대한 친숙함 – 이를 통해 고객이 올바른 비용 대비 효과를 고려하도록 지원하는 능력. 많은 고객이 이미 클라우드 벤더와 통합된 솔루션(Azure AI Platform 및 Azure OpenAI Service, Amazon Bedrock + Anthropic Claude 등)을 가지고 있으며, 이러한 솔루션의 장단점을 이해하는 파트너와 협력하기를 원한다.

4. 빠르고 대규모로 구성하고 배포할 수 있는 모델 불가지론적 가속기와 빌딩 블록 보유.

5. 프로그램의 성공을 실현된 투자 수익과 연계하는 성과 기반 보상 모델.

생성 AI를 통해 운영 효율성을 높이고 더 나은 결과를 제공하는 것은 이제 기술 서비스 제공업체들에게 기본적인 요구 사항이다. 그러나 고객을 위해 게임의 판도를 바꾸는 AI 솔루션을 제공하는 것이야말로 진정한 경쟁 우위를 가져다 준다. 이를 위해서는 새로운 기술뿐만 아니라 신중함과 집중력이 필요하다. 기술 서비스 제공업체는 생성 AI로 더 나은 운영과 서비스를 제공할 수 있는 역량을 구축하는 동시에, 어디에 최상의 역량을 구축할지 선택해야 하며, 이를 통해 고객에게 최대한의 잠재력을 제공할 수 있어야 한다.