매킨지, 생성 AI 가치 사슬에서 기회 탐색

생성 AI는 하드웨어 공급업체부터 애플리케이션 빌더에 이르기까지 비즈니스 잠재력을 실현하는 데 도움이 되는 전체 생태계를 형성하고 있습니다.

2022년과 2023년 초에 걸쳐 기술 혁신가들은 완전히 새롭고 인간이 만든 것처럼 보이는 텍스트와 이미지를 생성하는 기술의 능력으로 비즈니스 리더, 투자자, 사회 전반을 놀라게 한 생성 AI를 대대적으로 출시했습니다.

반응은 전례가 없었습니다.

단 5일 만에 100만 명의 사용자가 사용자 프롬프트에 응답하여 독창적인 콘텐츠를 생성하는 OpenAI의 생성형 AI 언어 모델인 ChatGPT에 몰려들었습니다. 애플은 아이폰에서 같은 수준의 채택률을 달성하는 데 두 달이 넘게 걸렸습니다. 페이스북은 10개월, 넷플릭스는 3년 이상 기다려야 동일한 사용자 기반을 구축할 수 있었습니다.

그리고 ChatGPT는 생성 AI 업계에서 혼자가 아닙니다. 텍스트 설명을 기반으로 이미지를 생성할 수 있는 Stability AI의 Stable Diffusion은 출시 90일 만에 깃허브에서 3만 개 이상의 별(star)을 받았으며, 이는 이전 패키지보다 8배 빠른 속도입니다.

이러한 열광적인 반응은 비단 기업들만의 것이 아닙니다. 생성 AI 사용 사례는 이미 산업 전반에 걸쳐 확산되고 있습니다. 금융 서비스 대기업인 Morgan Stanley는 재무 고문이 회사의 10만 개가 넘는 연구 보고서에서 얻은 인사이트를 더 잘 활용할 수 있도록 이 기술을 테스트하고 있습니다. 아이슬란드 정부는 멸종 위기에 처한 아이슬란드어를 보존하기 위해 OpenAI와 파트너십을 맺었습니다. Salesforce는 이 기술을 자사의 인기 고객 관계 관리(CRM) 플랫폼에 통합했습니다.

생성 AI 기술이 빠르게 발전하고 새로운 사용 사례가 시장에 출시되면서 투자자와 비즈니스 리더들은 생성 AI 생태계를 이해하기 위해 분주하게 움직이고 있습니다. 생성 AI 기술이 산업 전반에 걸쳐 전 세계적으로 창출할 수 있는 잠재적 경제적 가치와 CEO 전략에 대한 심층 분석이 곧 발표될 예정이지만, 여기서는 생성 AI 가치 사슬의 구성에 대해 살펴보고자 합니다. 빠르게 변화하는 이 분야에서 투자 기회를 평가하기 위한 출발점이 될 수 있는 기초적인 이해를 제공하는 것이 목표입니다. 이러한 평가는 기술 상용화를 위해 노력하는 비즈니스 창립자, CEO, 수석 과학자, 비즈니스 리더와의 30회 이상의 인터뷰, 수백 건의 시장 보고서 및 기사, 독점적인 McKinsey 연구 데이터를 포함한 1차 및 2차 연구를 기반으로 합니다.

생성 AI에 대한 간략한 설명

생성 AI 가치 사슬을 이해하려면 생성 AI가 무엇이며, 기업이 고객 이탈 예측, 제품 수요 예측, 차선책 추천 등에 사용하는 '기존' AI 기술과 생성 AI의 기능이 어떻게 다른지에 대한 기본 지식이 있으면 도움이 됩니다.

가장 큰 차이점은 새로운 콘텐츠를 생성할 수 있다는 점입니다. 이러한 콘텐츠는 텍스트(예: 기사 또는 질문에 대한 답변), 사진이나 그림과 같은 이미지, 동영상, 3D 표현(예: 비디오 게임의 장면 및 풍경) 등 다양한 방식으로 전달될 수 있습니다.

기술 개발 초기에도 생성 AI의 결과물은 놀라울 정도로 인상적이었으며, 디지털 아트 상을 수상하고 미국 변호사 시험과 미국에서 사용되는 대학 입학 시험인 SAT의 수학, 읽기, 쓰기 부분을 비롯한 수많은 시험에서 응시자의 상위 10%에 속하거나 이에 근접하는 점수를 받았습니다.

대부분의 생성 AI 모델은 한 가지 형식으로 콘텐츠를 생성하지만, 예를 들어 사용자 프롬프트에 따라 텍스트와 그래픽이 모두 포함된 슬라이드 또는 웹 페이지를 생성할 수 있는 멀티모달 모델도 등장하고 있습니다.

이 모든 것은 방대한 양의 데이터에 대해 신경망(딥러닝 알고리즘의 일종)을 학습시키고 AI 모델이 무엇에 집중해야 하는지 이해하는 데 도움이 되는 기술인 '주의 메커니즘'을 적용함으로써 가능해집니다. 이러한 메커니즘을 통해 생성 AI 시스템은 단어 패턴, 관계, 사용자 프롬프트의 문맥을 식별할 수 있습니다(예: "고양이는 파란색 매트 위에 앉았다"라는 문장에서 "파란색"은 고양이가 아니라 매트의 색을 나타내는 것임을 이해하는 것). 기존 AI도 신경망과 주의 메커니즘을 사용할 수 있지만, 이러한 모델은 새로운 콘텐츠를 생성하도록 설계되지 않았습니다. 기존 콘텐츠를 기반으로 무언가를 설명, 예측 또는 처방할 수 있을 뿐입니다.

가치 사슬: 6개의 연결고리, 하지만 그 모든 것을 뛰어넘는 하나의 기술

생성 AI 시스템의 개발과 배포가 진행됨에 따라 이 강력한 기술의 학습과 사용을 지원하기 위한 새로운 가치 사슬이 등장하고 있습니다. 언뜻 보면 기존의 AI 가치 사슬과 매우 유사하다고 생각할 수 있습니다. 컴퓨터 하드웨어, 클라우드 플랫폼, 기초 모델, 모델 허브 및 머신 러닝 운영(MLOps), 애플리케이션, 서비스 등 6가지 최상위 범주 중 기초 모델만 새롭게 추가되었기 때문입니다(그림 1).

그림 1

하지만 좀 더 자세히 살펴보면 시장 기회에는 몇 가지 중요한 차이가 있습니다. 우선, 생성 AI 시스템의 기반은 대부분의 기존 AI 시스템보다 훨씬 더 복잡합니다. 따라서 이를 구현하는 데 필요한 시간, 비용, 전문 지식은 가치 사슬의 대부분에 걸쳐 신규 진입자와 소규모 기업에게 상당한 역풍을 불러일으킵니다. 연구 결과에 따르면 가치 창출의 기회는 곳곳에 존재하지만, 당분간 많은 영역에서 거대 기술 기업과 기존 기업이 계속 지배할 것으로 예상됩니다.

생성 AI 애플리케이션 시장은 가치 사슬에서 가장 빠르게 확장될 것으로 예상되는 분야로, 기존 기술 기업과 신규 시장 진입자 모두에게 상당한 가치 창출 기회를 제공할 것으로 보입니다. 전문 데이터 또는 독점 데이터를 사용하여 애플리케이션을 미세 조정하는 기업은 그렇지 않은 기업보다 상당한 경쟁 우위를 확보할 수 있습니다.

컴퓨터 하드웨어

생성 AI 시스템은 콘텐츠를 생성하기 위해 많은 양의 지식이 필요합니다. 예를 들어 ChatGPT의 기반이 되는 OpenAI의 제너레이티브 AI 모델인 GPT-3는 약 45 TB(테라바이트)의 텍스트 데이터(약 100만 피트(304.8km)에 달하는 책장 공간에 해당)로 학습되었습니다.

이는 기존의 컴퓨터 하드웨어로는 처리할 수 없는 양입니다. 이러한 유형의 워크로드에는 수십억 개의 매개변수에 걸쳐 모든 데이터를 병렬로 처리할 수 있는 특수 '가속기' 칩을 갖춘 대규모 그래픽 처리 장치(GPU) 또는 텐서 처리 장치(TPU) 클러스터가 필요합니다.

이러한 기본 생성 AI 모델의 학습이 완료되면 기업은 이러한 클러스터를 사용하여 모델을 사용자 지정('튜닝'이라고 하는 프로세스)하고 애플리케이션 내에서 이러한 전력 소모가 많은 모델을 실행할 수도 있습니다. 그러나 초기 학습에 비해 이러한 후자의 단계에는 훨씬 적은 컴퓨팅 성능이 필요합니다.

소수의 소규모 업체가 있지만, 이러한 전문 AI 프로세서의 설계 및 생산은 집중되어 있습니다. NVIDIA와 Google이 칩 설계 시장을 장악하고 있으며, 한 업체인 대만 반도체 제조 회사(TSMC)가 거의 모든 가속기 칩을 생산하고 있습니다. 신규 시장 진입자는 연구 개발을 위한 높은 초기 비용에 직면합니다. 기존 하드웨어 설계자는 생성 AI 시장에 서비스를 제공하는 데 필요한 전문 기술, 지식, 계산 능력을 개발해야 합니다.

클라우드 플랫폼

GPU와 TPU는 비싸고 희소성이 높기 때문에 대부분의 기업은 이 중요한 하드웨어 플랫폼을 온프레미스에서 구입하고 유지 관리하기가 어렵고 비용 효율적이지 않습니다. 따라서 대규모 AI 모델을 구축, 조정, 실행하는 대부분의 작업은 클라우드에서 이루어집니다. 이를 통해 기업은 컴퓨팅 성능에 쉽게 액세스하고 필요에 따라 지출을 관리할 수 있습니다.

당연히 주요 클라우드 제공업체는 생성 AI 워크로드를 실행하기 위한 가장 포괄적인 플랫폼을 보유하고 있으며 하드웨어와 칩에 우선적으로 액세스할 수 있습니다. 전문화된 클라우드 도전자들이 시장 점유율을 확보할 수는 있지만, 하이퍼스케일러에 대한 의존도를 줄이려는 대기업의 지원 없이는 가까운 시일 내에 가능하지 않을 것입니다.

기초 모델

생성 AI의 핵심은 파운데이션 모델입니다. 이러한 대규모 딥러닝 모델은 특정 유형의 콘텐츠를 생성하도록 사전 학습되어 있으며 다양한 작업을 지원하도록 조정할 수 있습니다. 기초 모델은 스위스 군용 칼과 같아서 여러 용도로 사용할 수 있습니다. 기초 모델이 개발되면 누구나 그 위에 애플리케이션을 구축하여 콘텐츠 제작 기능을 활용할 수 있습니다. 인간 수준의 텍스트를 생성할 수 있는 OpenAI의 기초 모델인 GPT-3 및 GPT-4를 예로 들어보겠습니다. 이 모델은 많은 화제를 불러일으킨 챗봇 ChatGPT부터 서비스형 소프트웨어(SaaS) 콘텐츠 생성기인 Jasper 및 Copy.ai에 이르기까지 수십 개의 애플리케이션을 구동합니다.

파운데이션 모델은 방대한 데이터 세트를 기반으로 학습됩니다. 여기에는 Wikipedia, 정부 사이트, 소셜 미디어, 서적에서 스크랩한 공개 데이터는 물론 대규모 데이터베이스의 비공개 데이터도 포함될 수 있습니다. 예를 들어, OpenAI는 Shutterstock과 제휴하여 Shutterstock의 독점 이미지로 이미지 모델을 학습시켰습니다.

기초 모델을 개발하려면 여러 분야에 대한 심층적인 전문 지식이 필요합니다. 여기에는 데이터 준비, 목표 출력을 생성할 수 있는 모델 아키텍처 선택, 모델 학습, 출력 개선을 위한 모델 튜닝(모델 출력의 품질에 라벨을 지정하고 모델이 학습할 수 있도록 모델에 다시 피드백하는 작업 포함) 등이 포함됩니다.

오늘날, 특히 기초 모델을 훈련하는 데는 프로세스의 반복적인 특성과 이를 지원하는 데 필요한 상당한 컴퓨팅 리소스를 고려할 때 상당한 비용이 듭니다. 학습 프로세스 초기에 모델은 일반적으로 무작위 결과를 생성합니다. 다음 출력을 개선하기 위해 훈련 알고리즘은 기본 신경망의 가중치를 조정하여 예상과 더 일치하도록 합니다. 원하는 수준의 정확도에 도달하려면 이 작업을 수백만 번 수행해야 할 수도 있습니다. 현재 이러한 훈련에는 수백만 달러의 비용과 수개월이 소요될 수 있습니다. 예를 들어 OpenAI의 GPT-3를 훈련하는 데는 400만~1,200만 달러가 소요될 것으로 추정됩니다. 따라서 현재 이 시장은 소수의 거대 기술 기업과 막대한 투자를 받은 스타트업이 주도하고 있습니다(예시 2). 그러나 일부 작업에 효과적인 결과를 제공할 수 있는 더 작은 모델을 만들고 더 효율적인 교육을 제공하기 위한 작업이 진행 중이며, 이는 결국 더 많은 진입자에게 시장을 개방할 수 있습니다. 이미 일부 스타트업이 자체 모델을 개발하여 어느 정도 성공을 거둔 것을 볼 수 있는데, 그중에서도 Cohere, Anthropic, AI21은 자체 대규모 언어 모델(LLM)을 구축하고 학습하고 있습니다. 또한, 대부분의 대기업은 더 높은 수준의 데이터 보안 및 개인정보 보호 등의 이유로 자사 환경에서 LLM을 사용하기를 원할 것이며, 일부 업체(예: Cohere)는 이미 LLM을 중심으로 이러한 종류의 서비스를 제공하고 있습니다.

그림 2

이 초기 기술 개발에 사용된 데이터와 생산된 결과물에 대한 소유권과 권리에 관한 많은 질문이 아직 해결되지 않았으며, 이는 기술 발전 방식에 영향을 미칠 수 있습니다(사이드바, '제너레이티브 AI의 미래를 형성하는 몇 가지 주요 이슈' 참조).

제너레이티브 AI의 미래를 좌우할 몇 가지 주요 이슈

엄청난 열기 속에서 제너레이티브 AI 기술을 둘러싼 많은 질문이 등장했으며, 그 해답에 따라 향후 개발과 활용이 결정될 것입니다. 다음은 제너레이티브 AI 생태계가 어떻게 진화할지 평가할 때 고려해야 할 가장 중요한 세 가지 질문입니다:

• 저작권이 있는 데이터나 개인 데이터를 모델 학습에 사용할 수 있나요? 기초 모델을 학습시킬 때 개발자는 일반적으로 인터넷에서 데이터를 '스크랩'합니다. 여기에는 저작권이 있는 이미지, 뉴스 기사, 소셜 미디어 데이터, GDPR(일반 데이터 보호 규정)에 의해 보호되는 개인 데이터 등이 포함될 수 있습니다. 현행 법률과 규정은 이러한 관행의 의미에 대해 모호한 부분이 있습니다. 판례는 온라인에 게시될 수 있는 독점 데이터 스크래핑에 제한을 두거나 데이터 소유자가 자신의 데이터를 온라인에서 쉽게 찾을 수 없도록 검색 색인을 제한하거나 거부할 수 있도록 발전할 가능성이 높습니다. 데이터 소유자를 위한 새로운 보상 모델도 등장할 가능성이 높습니다.
• 크리에이티브 결과물은 누가 소유할까요? 현행 법률과 규정은 생성형 AI 시스템의 최종 '결과물'에 대한 저작권 소유자가 누구인지에 대해서도 명확하게 규정하고 있지 않습니다. 데이터 세트 소유자, 모델 개발자, 플랫폼 소유자, 프롬프트 제작자, 최종 생성 AI 결과물을 수동으로 다듬고 제공하는 디자이너 등 여러 잠재적 행위자가 최종 결과물에 대한 독점적 권리를 공유하거나 소유할 수 있습니다.
• 조직은 제너레이티브 AI 결과물의 품질을 어떻게 관리할까요? 우리는 이미 부정확하거나, 선동적이거나, 편향적이거나, 표절된 콘텐츠를 제공하는 시스템의 수많은 사례를 보아왔습니다. 모델이 이러한 결과물을 제거할 수 있을지는 확실하지 않습니다. 궁극적으로 제너레이티브 AI 애플리케이션을 개발하는 모든 기업은 사용 사례 수준에서 결과물을 평가하고 잠재적인 피해로 인해 상용화를 제한해야 하는 부분을 결정하는 프로세스가 필요합니다.

모델 허브 및 MLOps

기초 모델 위에 애플리케이션을 구축하려면 기업에는 두 가지가 필요합니다. 첫 번째는 기초 모델을 저장하고 액세스할 수 있는 장소입니다. 둘째, 기초 모델을 조정하고 최종 사용자 애플리케이션 내에 배포하기 위한 전문화된 MLOps 도구, 기술 및 관행이 필요할 수 있습니다. 여기에는 예를 들어 추가 학습 데이터를 통합하고 레이블을 지정하거나 애플리케이션이 이 데이터와 상호 작용할 수 있는 API를 구축하는 기능이 포함됩니다.

모델 허브는 이러한 서비스를 제공합니다. 소스 코드가 공개되지 않는 비공개 소스 모델의 경우, 일반적으로 기초 모델 개발자가 모델 허브 역할을 합니다. 이 허브는 라이선스 계약을 통해 API를 통해 모델에 대한 액세스를 제공합니다. 때때로 공급자는 모델을 다른 애플리케이션에 조정하고 배포할 수 있도록 MLOps 기능을 제공하기도 합니다.

누구나 자유롭게 사용하고 수정할 수 있는 코드를 제공하는 오픈 소스 모델의 경우, 다양한 서비스를 제공하기 위해 독립적인 모델 허브가 등장하고 있습니다. 일부는 모델 애그리게이터 역할만 수행하여 AI 팀에 다른 개발자가 커스터마이징한 모델을 포함한 다양한 기본 모델에 대한 액세스를 제공할 수 있습니다. 그런 다음 AI 팀은 해당 모델을 서버에 다운로드하여 애플리케이션 내에서 미세 조정 및 배포할 수 있습니다. Hugging Face 및 Amazon Web Services와 같은 다른 업체는 독점 데이터로 기초 모델을 조정하고 애플리케이션 내에 배포할 수 있는 전문 지식을 포함하여 모델 및 엔드투엔드 MLOps 기능에 대한 액세스를 제공할 수 있습니다. 후자의 모델은 생성 AI 기술을 활용하고 싶지만 이를 위한 사내 인재와 인프라가 부족한 기업들에게 점점 더 큰 격차를 메워줍니다.

애플리케이션

하나의 기본 모델이 다양한 작업을 수행할 수 있는 반면, 그 위에 구축된 애플리케이션은 특정 작업(예: 서비스 문제에 대한 고객 지원 또는 마케팅 이메일 초안 작성)을 수행할 수 있게 해줍니다(예시 3). 이러한 애플리케이션은 새로운 제품을 제공하려는 신규 시장 진입자, 현재 제품에 혁신적인 기능을 추가하려는 기존 솔루션 제공업체, 업계에서 경쟁 우위를 확보하려는 기업에서 개발할 수 있습니다.

그림 3

애플리케이션 제공업체가 가치를 창출할 수 있는 방법은 여러 가지가 있습니다. 적어도 단기적으로는 한 가지 범주의 애플리케이션이 가치 창출의 가장 큰 잠재력을 제공할 것으로 예상됩니다. 그리고 특정 산업과 기능을 위해 개발된 애플리케이션이 제너레이티브 AI 초기에 더 많은 가치를 제공할 것으로 예상합니다.

세밀하게 조정된 모델로 구축된 애플리케이션이 돋보입니다.

일반적으로 생성 AI 애플리케이션은 두 가지 범주 중 하나에 속하는 것으로 나타났습니다. 첫 번째는 기업이 구축한 애플리케이션에서 기본 모델을 거의 그대로 사용하면서 일부 사용자 지정만 하는 경우입니다. 여기에는 맞춤형 사용자 인터페이스를 만들거나 모델이 일반적인 고객 프롬프트를 더 잘 이해하여 고품질의 결과물을 반환할 수 있도록 문서에 대한 지침 및 검색 색인을 추가하는 것이 포함될 수 있습니다.

두 번째 범주는 가치 사슬에서 가장 매력적인 부분으로, 미세 조정된 기초 모델(관련 데이터를 추가로 입력하거나 매개변수를 조정한 모델)을 활용하여 특정 사용 사례에 맞는 출력을 제공하는 애플리케이션입니다. 기초 모델을 학습하려면 방대한 양의 데이터가 필요하고 비용이 많이 들며 수개월이 걸리는 반면, 기초 모델을 미세 조정하는 작업은 데이터도 적게 필요하고 비용도 적게 들며 며칠 내에 완료할 수 있어 많은 기업이 활용할 수 있습니다.

애플리케이션 빌더는 산업 또는 고객 요구 사항에 대한 심층적인 지식을 통해 이러한 데이터를 축적할 수 있습니다. 예를 들어 법률 관련 질문에 답하기 위해 만들어진 생성형 AI 애플리케이션인 Harvey를 생각해 보세요. Harvey의 개발자는 법률 데이터 세트를 OpenAI의 GPT-3에 공급하고 다양한 프롬프트를 테스트하여 조정된 모델이 원래의 기초 모델보다 훨씬 더 나은 법률 문서를 생성할 수 있도록 했습니다.

조직은 일상적인 비즈니스 운영에서 얻은 독점 데이터를 활용할 수도 있습니다. 예를 들어, 은행을 위해 특별히 생성형 AI 챗봇을 튜닝한 소프트웨어 개발자는 고객과 협력하여 콜센터 채팅 데이터를 통합함으로써 사용자 기반이 증가함에 따라 고객 경험을 지속적으로 향상시킬 수 있습니다.

기능 및 산업별 애플리케이션 영향의 첫 번째 물결 정확히 파악하기

제너레이티브 AI는 장기적으로 대부분의 비즈니스 기능에 영향을 미칠 것으로 보이지만, 조사에 따르면 정보 기술, 마케팅 및 영업, 고객 서비스, 제품 개발이 첫 번째 적용 물결에 가장 적합한 것으로 나타났습니다.

• 정보 기술. 제너레이티브 AI는 팀이 코드와 문서를 작성하는 데 도움을 줄 수 있습니다. 이미 시장에 출시된 자동화된 코더는 개발자 생산성을 50% 이상 향상시켜 소프트웨어 개발을 가속화하는 데 도움을 주고 있습니다.
• 마케팅 및 영업. 팀은 생성 AI 애플리케이션을 사용하여 고객 지원을 위한 콘텐츠를 제작할 수 있습니다. 2년 이내에 모든 아웃바운드 마케팅 메시지의 30%가 생성 AI 시스템의 도움을 받아 개발될 것으로 예상됩니다.
• 고객 서비스. 자연스러운 음성의 개인화된 챗봇과 가상 비서가 고객 문의를 처리하고, 신속한 해결책을 추천하며, 고객에게 필요한 정보를 안내할 수 있습니다. Salesforce, Dialpad, Ada와 같은 기업들은 이미 이 분야에 대한 서비스를 발표했습니다.
• 제품 개발. 기업은 생성 AI를 사용하여 제품 디자인을 신속하게 프로토타입으로 제작할 수 있습니다. 예를 들어, 생명과학 기업들은 이미 아미노산과 DNA 뉴클레오타이드 서열을 생성하여 신약 설계 단계를 몇 달에서 몇 주로 단축하기 위해 생성 AI의 사용을 모색하기 시작했습니다.

단기적으로 일부 산업에서는 이러한 애플리케이션을 다른 산업보다 더 효과적으로 활용할 수 있습니다. 미디어 및 엔터테인먼트 산업은 생성 AI를 사용하여 고유한 콘텐츠를 제작하고(예: 사람이 몇 시간씩 번역할 필요 없이 영화 현지화), 비디오 게임, 음악, 영화 스토리 라인, 뉴스 기사에 대한 새로운 콘텐츠 및 시각 효과에 대한 아이디어를 빠르게 개발함으로써 효율성을 높일 수 있습니다. 은행, 소비자, 통신, 생명 과학 및 기술 기업은 IT, 고객 서비스, 마케팅 및 영업, 제품 개발에 상당한 투자를 하고 있기 때문에 운영 효율성이 크게 향상될 것으로 기대됩니다.

서비스

일반적인 AI와 마찬가지로, 기업들이 경험을 쌓고 비즈니스 기회와 기술적 복잡성을 헤쳐나가기 위해 경쟁하면서 역량 격차를 메우는 데 도움이 되는 전용 생성 AI 서비스가 등장할 것이 분명합니다. 기존 AI 서비스 제공업체들은 생성 AI 시장에 서비스를 제공하기 위해 역량을 발전시킬 것으로 예상됩니다. 틈새 플레이어는 특정 기능(예: 고객 서비스 워크플로우에 생성 AI를 적용하는 방법), 산업(예: 제약 회사를 대상으로 신약 개발을 위한 생성 AI 사용 안내) 또는 역량(예: 다양한 상황에서 효과적인 피드백 루프를 구축하는 방법)에 대한 전문 지식을 가지고 시장에 진입할 수도 있습니다.

마지막으로, 기업은 별점 평가 시스템이나 엄지 척도 평가 시스템과 같은 최종 사용자 평가 시스템에 의해 구동되는 피드백 루프에서 독점 데이터를 생성할 수 있습니다. 예를 들어, OpenAI는 후자의 접근 방식을 사용하여 ChatGPT를 지속적으로 학습시키고 있으며, 이것이 기본 모델을 개선하는 데 도움이 된다고 보고합니다. 고객이 받은 결과물의 품질을 평가하면 해당 정보가 다시 모델에 피드백되어 새로운 결과물을 만들 때 더 많은 '데이터'를 활용할 수 있으므로 후속 응답이 개선됩니다. 결과물이 개선되면 더 많은 고객이 애플리케이션을 사용하고 더 많은 피드백을 제공하게 되며, 이는 상당한 경쟁 우위를 가져올 수 있는 개선의 선순환을 만들어냅니다.

어떤 경우든 애플리케이션 개발자는 발전하는 AI를 주시해야 합니다. 이 기술은 빠른 속도로 발전하고 있으며, 거대 기술 기업들은 더 큰 기능을 갖춘 새로운 버전의 기반 모델을 계속 출시하고 있습니다. 예를 들어, OpenAI는 최근 도입한 GPT-4가 정확도를 높이기 위해 "더 광범위한 일반 지식과 문제 해결 능력"을 제공한다고 보고했습니다. 개발자는 애플리케이션 내에서 이러한 발전된 기능을 활용할 때 발생하는 비용과 이점을 평가할 준비가 되어 있어야 합니다.

생성 AI 기술과 이를 지원하는 생태계는 여전히 진화 중이지만, 애플리케이션이 가장 중요한 가치 창출 기회를 제공한다는 것은 이미 분명합니다. 애플리케이션의 기초 모델을 미세 조정하는 데 틈새 데이터, 더 나아가 독점 데이터를 활용할 수 있는 기업은 가장 큰 차별화와 경쟁 우위를 달성할 수 있습니다. 새로운 솔루션을 시장에 출시하는 소프트웨어 공급업체(기존 및 신규 시장 진입자 모두)의 꾸준한 발표에서 알 수 있듯이, 경쟁은 이미 시작되었습니다. 앞으로 몇 주, 몇 달 동안 특정 산업과 직능의 가치 창출 전망과 생성 AI가 세계 경제와 업무의 미래에 미칠 수 있는 영향에 대해 자세히 조명해 보겠습니다.

* 출처 :
https://www.mckinsey.com/capabilities/quantumblack/our-insights/exploring-opportunities-in-the-generative-ai-value-chain#/