산업별 특화 지능, 버티컬 AI의 경영 환경 변화 양상
이 글은 White Star Capital에서 Medium에 기고한 글 'Vertical AI: how industry-specific intelligence is transforming the business landscape'(2024. 11. 4)을 번역하고 주석을 단 것입니다.
(내용 요약) White Star Capital의 포트폴리오 중 96%가 ChatGPT와 Github Copilot 같은 범용 AI 도구를 활용하고 있는 반면, 버티컬 AI 도구의 채택 여부에 대한 연구가 진행 중입니다. 버티컬 AI는 특정 산업 지식을 기반으로 정밀한 기능을 제공하고, 고객 서비스와 같은 분야에서 고품질 데이터를 확보하는 것이 성공 요인입니다. 버티컬 AI는 산업별 문제를 해결하며 비용 절감 및 효율성을 높이고, 고객 서비스, 의료, 법률 등에서 새로운 시장 기회를 창출합니다. 조사에 따르면, 포트폴리오의 69%가 자체 AI 도구를 개발 중이며, 고객 서비스는 가장 널리 채택된 분야로, 낮은 가치의 작업 자동화가 핵심입니다. 하지만 기존 시스템과 통합, 데이터 품질, 인력 부족, 규제 문제 등이 주요 도전 과제로 나타났습니다. 향후 1~3년간 AI 도입이 내부 프로세스, 고객 경험, 제품 개발을 혁신할 것으로 기대되며, 버티컬 AI는 독점 데이터와 산업 전문 지식을 통해 높은 수익성과 방어력을 제공할 잠재력이 큽니다.
ChatGPT와 Github의 Copilot과 같은 주목할 만한 범용(수평적, Horizontal)* AI 도구가 널리 채택되었으며, White Star Capital 포트폴리오의 96%가 이미 이러한 기술을 활용하고 있습니다. 버티컬(수직적, Vertical)* AI 도구가 시장에 출시될 때에도 같은 시장 침투율을 보일까요?
* 본 번역본에서는 Horizontal을 범용으로, Vertical을 버티컬이라 번역한다. - 번역자 주
White Star Capital은 연구의 일환으로 90개 이상의 포트폴리오 기업들을 대상으로 설문조사를 실시하여 버티컬 AI 솔루션을 구축하는 기업의 기회, 위험, 과제를 파악했습니다. 이 설문조사 결과는 이 심층 분석에 포함되어 있습니다.
버티컬 AI란 무엇인가요?
범용 AI는 범용성이 뛰어나지만, 버티컬 AI는 산업별 심층 지식을 활용하여 고유한 문제를 해결하는 정밀한 맞춤형 기능을 제공합니다. 그러나 버티컬 AI의 정밀성은 큰 가능성을 가지고 있지만, 그 성공 여부는 명확하고 구체적인 문제를 해결하는 데 달려 있습니다. 그렇지 않으면 수직적이든 수평적이든 AI를 구현하기 위한 목적으로만 AI를 도입하면 오늘날 많은 기업이 직면하고 있는 문제인 낮은 참여도와 실망스러운 결과를 초래할 수 있습니다.
예를 들어, 고객 서비스는 자연어 처리와 저가치 업무의 자동화 패턴에 적합한 버티컬 AI 애플리케이션 도입의 주요 분야로, 설문조사에 참여한 포트폴리오 기업의 52%가 고객 서비스를 위해 AI 도구를 통합했습니다.
이러한 모델의 성공 여부는 해당 모델을 학습시키는 데 필요한 산업별 독점 데이터와 공개적으로 사용 가능한 데이터에 따라 달라집니다. AI 챗봇은 학습 데이터의 품질만큼만 효과적입니다. 고객 서비스에서 고품질 데이터는 정확하고 관련성 있으며 적절한 응답을 보장하여 고객 만족도를 높이고 제품의 가치를 높이며 브랜드 충성도를 강화합니다.
2023년 3월에 출시된 GPT-4는 향상된 정확도와 환각(할루시네이션)에 대한 안전장치로 획기적인 발전을 이루었습니다. 하지만 고객 서비스를 '즉시' 제공할 수 있는 수준은 아니었습니다.
현재 많은 기업들이 자체 AI 도구를 구축하고 데이터 세트를 활용하여 특정 산업 과제를 대규모로 해결하는 맞춤형 솔루션을 만들고 있습니다.(포트폴리오 기업의 69%가 자체 AI 도구를 구축했습니다). AI 도구를 구축하려면 상당한 전문 지식과 리소스가 필요하지만(성공적인 AI 애플리케이션은 심층적인 도메인 지식에 의존합니다), 그 잠재적 보상은 엄청납니다.
버티컬 AI의 이점: 도메인별 모델이 범용적 접근 방식을 능가하는 이유
AI의 초기에는 '범용적' 전략이 지배적이었으며, Google, Amazon, IBM, Microsoft와 같은 기업들이 다양한 작업을 위한 광범위한 AI 솔루션을 개발했습니다. 이러한 서비스형 머신러닝(MLaaS) 도구는 스위스 군용 칼처럼 다목적이며 여러 작업을 처리할 수 있지만 특정 작업에 최적화되어 있지는 않습니다. 독립형 제품보다는 하나의 기능으로 작동하는 경우가 많으며 기존 플랫폼에 쉽게 통합됩니다.
버티컬 AI를 통해 기업은 제공하는 가치를 크게 높이고 이전에는 확장할 수 없었던 작업을 자동화함으로써 틈새 시장에 접근할 수 있습니다. 이러한 자동화는 법률 분야의 EvenUp이나 일반적으로 직원이 수행하던 작업을 수행할 수 있는 AI 법률 비서 Harvey와 같은 사례에서 볼 수 있듯이 효율성 향상과 비용 절감으로 이어집니다.
버티컬 AI는 산업 내 핵심 워크플로우와 지원 워크플로우를 모두 해결할 수 있습니다. 핵심 워크플로에는 변호사의 계약서 작성이나 의료 분야의 진단과 같은 주요 업무가 포함되며, 지원 워크플로에는 치과 의사의 마케팅이나 금융 분야의 행정 업무와 같은 부수적인 업무가 포함됩니다. 법률, 의료, 금융과 같은 분야에서 고비용의 반복적인 작업을 자동화함으로써 버티컬 AI는 복잡하고 노동 집약적인 프로세스로 인해 기존 버티컬 SaaS의 손이 닿지 않았던 더 넓은 전체 시장(TAM : Total Addressable Market)을 공략할 수 있는 잠재력을 가지고 있습니다.
따라서 기존의 시트 기반 소프트웨어와 달리 버티컬 AI는 비용 구조에 근본적인 변화를 일으키고 새로운 방식으로 측정 가능한 가치를 제공함으로써 고객의 지불 의향이 높아져 궁극적으로 더 큰 기준 TAM으로 이어질 수 있습니다.
버티컬 AI에 집중하는 기업은 산업별 뉘앙스를 파악하고 부문별 시스템과 통합함으로써 강력한 방어력을 구축할 수 있으며, 범용 솔루션이 복제하기 어려운 고유한 경험을 창출할 수 있습니다. 버티컬 AI는 기존 SaaS 제품과 직접 경쟁하기보다는 이를 보완하여 대체할 필요 없이 기능을 향상하고 확장하는 경우가 많습니다. 이러한 시너지를 통해 버티컬 AI는 경쟁할 뿐만 아니라 전체 부문을 혁신하여 향상된 기능을 제공하고 법률 지원, 의료, 재무 계획과 같은 서비스에 대한 접근성을 민주화할 수 있습니다.
하지만 버티컬 AI가 범용 AI보다 본질적으로 우월하다고 생각해서는 안 됩니다. 일부에서는 범용 AI가 덜 매력적이라고 주장하지만, 아직 확실한 결론을 내리기에는 너무 이릅니다. 예를 들어, 범용 SaaS는 버티컬 SaaS보다 훨씬 더 빨리 시작되었으며, 첫번째 IPO는 10년 전에 이루어졌습니다. 두 접근 방식을 비교하는 대신, 범용 AI와 버티컬 AI 모두 진화하는 AI 환경에서 중요한 역할을 한다는 점을 인식하는 것이 더 건설적입니다.
AI 네이티브 버티컬 애플리케이션
AI는 작업을 자동화하고 혁신을 주도하는 능력으로 인해 버티컬 시장에서 빠르게 성장하고 있으며, 효율성과 정확성을 추구하는 업계에 매력적인 솔루션이 되고 있습니다. 이러한 추세는 특히 일상적인 프로세스를 자동화하여 상당한 시간과 리소스를 절약할 수 있는 의료 및 법률과 같은 분야에서 AI 네이티브 버티컬 애플리케이션의 부상을 촉진하고 있습니다.
예를 들어, Causaly는 데이터 검색 및 분석을 최적화하는 생물의학 연구에 특화된 AI 강화 검색 플랫폼입니다. 법률 업계에서는 버티컬 집중형 챗봇인 Harvey가 로펌의 계약 분석, 실사, 규정 준수와 같은 업무를 지원합니다. 이 두 가지 사례는 기존의 범용 AI 도구가 충족하지 못하는 요구를 충족하는 특정 솔루션을 신규 업체가 어떻게 도입하고 있는지를 보여줍니다.
Source: White Star Capital도메인별 AI 솔루션에 대한 요구 이해하기
많은 시장, 특히 비정형 데이터에 의존하는 기반 산업은 여전히 버티컬 AI 솔루션의 혜택을 받지 못하고 있습니다. 여기에는 TAM이 제한되어 있거나, 판매 주기가 느리거나, 연간 계약 금액이 낮은 산업이 포함됩니다. 원시 텍스트, 멀티미디어 파일, 웹 페이지 등을 포함하는 비정형 데이터는 복잡하고 미리 정의된 형식이 없기 때문에 어려움을 겪습니다.
하지만 최근 AI, 특히 대규모 언어 모델(LLM)의 발전으로 이러한 비정형 데이터를 처리하는 능력이 향상되었습니다. 데이터 레이크와 데이터 레이크 하우스는 이제 정형 데이터와 비정형 데이터를 모두 저장할 수 있는 중앙 집중식 저장소를 제공하여 이러한 취약한 부문을 위한 AI 솔루션 개발을 용이하게 합니다.
산업 전반에 걸쳐 생성 AI(GenAI)의 도입이 증가함에 따라 일반 AI 솔루션의 한계가 부각되고 보다 전문화된 접근 방식의 필요성이 강조되고 있습니다(아래 포트폴리오 설문조사에서 확인할 수 있듯이). 맥킨지의 보고서에 따르면 GenAI는 전 세계 경제에 연간 2조 6천억 달러에서 4조 4천억 달러를 추가할 수 있는 잠재력을 가지고 있습니다. 은행, 하이테크, 생명과학과 같은 산업이 생산성과 효율성 향상을 통해 상당한 가치를 창출할 수 있는 잠재력을 가지고 있어 가장 큰 혜택을 받을 것으로 예상됩니다.
의료 및 금융과 같이 정확성이 가장 중요한 분야에서는 버티컬 AI가 보다 정확한 산업별 인사이트를 제공함으로써 해결책을 제시합니다. 범용 AI 솔루션은 뉘앙스와 전문성이 결여된 표준 결과물을 제공하는 경우가 많기 때문에 전문 지식을 활용할 수 있는 버티컬 AI의 능력은 귀중한 자산이 될 수 있습니다.
생성형 AI가 다양한 산업 분야의 비즈니스 기능에 미치는 영향(출처: McKinsey & Co)버티컬 AI를 효과적으로 구현하기 위한 실용적인 접근 방식
버티컬 AI의 도입을 고려하는 기업의 경우 첫번째 단계는 문제를 명확하게 정의하는 것입니다.
광범위하게 적용할 수 있는 범용 AI와 달리 버티컬 AI는 조직과 해당 산업의 특정 요구 사항에 맞게 맞춤화해야 합니다. 조직은 규모를 확장하기 전에 간단하고 영향력이 큰 문제부터 해결하면서 소규모로 시작해야 하며, 누가 기술을 개발하고 어떻게 작동하는지 등 기술을 면밀히 이해해야 합니다.
이렇게 함으로써 기업은 버티컬 AI를 활용하여 보다 일반화된 AI 솔루션의 공백을 메우고 궁극적으로 상당한 가치를 창출할 수 있습니다. 90개 이상의 기업 포트폴리오를 대상으로 AI 사용 현황과 비즈니스에 미치는 영향을 파악하기 위해 AI 도입, 적용 분야, 직면한 과제, 사내 개발 및 향후 AI 계획에 대해 설문조사를 실시했습니다.
주요 설문조사 결과
포트폴리오 기업 대상 AI의 중요성 평가(출처: WSC 포트폴리오 설문조사 2024)설문조사에 참여한 포트폴리오 기업의 63%가 기업 내에서 AI를 사용하는 것이 장기적인 성공에 매우 중요하다는 데 강력히 동의했습니다. 설문조사에 참여한 포트폴리오 기업의 69%는 ChatGPT 통합을 구축하거나 처음부터 자체 AI 도구를 구축했습니다.
포트폴리오 기업의 96%는 ChatGPT와 Github의 코파일럿을 채택했으며, 50%는 Chat GPT를, 43%는 Github을, 4%는 두 가지를 혼합하여 채택했습니다. 워크플로우 전반에 걸친 GPT의 적응성은 기존 기술을 능가하기는 어렵겠지만, 특히 독점 데이터나 도메인 전문성이 필요한 영역에서 버티컬 AI 도구는 강력한 잠재력을 보여줍니다. 또한, 여러 워크플로우에 걸쳐 통합하기가 더 어려울 수 있기 때문에 버티컬 솔루션을 만드는 기업에게는 기회가 있습니다.
이 설문조사는 주로 범용 AI 애플리케이션에 초점을 맞추었습니다. 따라서 결과적으로 전반적으로 AI 애플리케이션의 도입이 제한적인 것으로 나타났습니다. 그러나 고객 서비스와 같은 특정 기능을 살펴보면 효율성과 품질을 개선하기 위해 맞춤화된 전문 AI 솔루션의 사용이 더 뚜렷하게 나타났습니다. 이는 특정 핵심 기능에 AI를 집중적으로 사용한다는 것을 의미하며, AI 통합에 대한 보다 전문화된 접근 방식을 반영합니다.
고객 서비스는 AI 애플리케이션을 가장 많이 도입한 기능 영역으로, 자연어 처리와 저가치 업무의 자동화 패턴에 적합한 것으로 나타났습니다(조사 대상 포트폴리오 기업의52%가 고객 서비스를 위해 AI 도구를 통합했습니다).
확실한 기회: 고객 서비스 업종
고객 서비스는 당사 포트폴리오에서 AI 애플리케이션이 가장 널리 채택된 비즈니스 업종으로, 기업들은 프로세스를 개선하고 간소화하기 위해 버티컬 AI 솔루션을 사용하고 있습니다.
자연어 처리의 발전으로 고객 서비스는 인공지능이 공격할 수 있는 명백한 문제점이 되었습니다. 범용 애플리케이션은 회사 지식 기반과 GPT4와 같은 LLM을 사용하여 쿼리의 30~50%를 자동화할 수 있는 고객에 대한 답변을 생성합니다(앞의 수치는 설문조사에서, 뒤의 수치는 핀 바이 인터콤에서 제공). 이 외에도 기업이 AI를 구현할 때 직면하는 주요 과제를 살펴보면 고객 서비스 애플리케이션은 AI 애플리케이션의 주요 성공 요인 목록에 추가됩니다.
고객 서비스 애플리케이션은 구현에 숙련된 인력이 필요하지 않으며, 기존 기업과 스타트업의 경쟁이 치열해지면서 기존 시스템과의 통합이 많은 제품에서 핵심적인 부분이 되었습니다. 유마가 설립된 지 3년이 지난 지금, 고객 서비스는 자연어 처리의 발전으로 더욱 쉬워졌을 뿐만 아니라 고객 서비스가 기업의 골칫거리라는 점이 분명해졌기 때문에 AI 애플리케이션이 자동화하기에 좋은 분야라는 것이 분명해졌습니다.
좋은 고객 서비스는 고객의 LTV를 향상시킬 수 있지만, 고객의 확실한 수익원이 아니며 관련된 많은 업무가 가치가 낮고 시간이 많이 소요되므로 과거에 아웃소싱했던 것과 같은 방식으로 자동화할 수 있는 확실한 대상입니다.
아래에는 이 분야에서 가장 인기 있는 몇 가지 도구에 대한 요약이 포함되어 있습니다.
AI 도구 선택 및 도입 시 고려해야 할 중요 요소
AI 툴 선택 시 주요 결정 요인(출처: WSC 포트폴리오 설문조사 2024)이번 설문조사에서는 AI 도구를 선택할 때 고려하는 주요 요소들을 강조했습니다. 응답자의 90%가 결과물의 품질을 최우선 순위로 꼽았으며, 사용성(65%)과 가격(38%)이 그 뒤를 이었습니다. AI는 투자와 결과를 쉽게 예측할 수 있는 기존 기술 제품과 달리 예측하기 어려운 결과를 위해 예측할 수 없는 투자가 필요합니다.
AI 예산 책정에 대한 접근 방식은 매우 다양하지만 대부분의 조직은 AI 전용 예산을 따로 책정하지 않습니다. 대신 기술 스택, 엔지니어링 또는 제품 개발 예산과 같은 더 넓은 범주에 AI 지출이 흡수되는 경우가 많습니다. 일부 기업은 1년 이내에 수익을 창출할 수 있는 AI 이니셔티브에 우선순위를 두는 ROI 중심 접근 방식을 취하기도 합니다. 일부는 역할, 도구, 컨설팅을 위한 전용 R&D 예산을 확보하여 AI 노력의 규정 준수와 안전을 보장합니다. 다른 기업에서는 AI를 별도의 예산 항목으로 분류하지 않고 기존 시스템에 내장된 필수적인 도구로 간주합니다.
또한 34%는 도구의 신뢰성을, 31%는 사용자 인터페이스를 주요 결정 요인으로 꼽았습니다. 설문조사에 따르면 많은 기업이 AI 애플리케이션을 구매하지 않고 자체적으로 구축하고 있는 것으로 나타났습니다 . 예를 들어, 저희 포트폴리오 기업들은 간단한 ChatGPT 통합부터 웨어러블의 고급 데이터 분석에 이르기까지 다양한 AI 도구를 개발했습니다.
OpenAI를 기반으로 하는 Klarna의 AI 어시스턴트 출시는 버티컬 SaaS 환경을 재정의하기 위해 자체 도구를 구축한 중요한 사례입니다. 이 AI 어시스턴트는 단 한 달 만에 230만 건의 고객 상호작용을 관리하여 전체 고객 서비스 채팅의 3분의 2를 처리했으며, 700명의 정규직 상담원의 업무량을 달성하면서도 인간 상담원과 동등한 수준의 고객 만족도를 유지했습니다.
구매 비용이 너무 비싸면 기업이 자체적으로 AI를 구축할 위험이 있지만, 이는 흔한 일이 아닙니다. 대부분의 기업은 AI 구축이 너무 복잡하고 비용이 많이 드는 경우가 많기 때문에 가격이 비합리적이지 않은 한 솔루션을 구매하는 것이 일반적입니다.
의료 전문가이자 엔지니어인 Eolas와 Synthavo의 설립자가 보여준 것처럼, 성공적인 AI 애플리케이션은 특정 분야에 대한 깊은 전문성을 필요로 하는 경우가 많습니다. 이러한 도메인 지식은 효과적인 AI 도구를 만드는 데 매우 중요합니다. 대기업은 종종 자체적으로 AI 도구를 구축하여 필요에 더 잘 맞추는 경우가 많습니다. 2023년 9월부터 2024년 2월까지 액센츄어에서만 10억 달러 이상의 AI 예약을 확보한 데이터는 이러한 추세를 뒷받침합니다.
포트폴리오의 상당 부분이 사내 AI 툴을 구축하고 있습니다(출처: WSC 포트폴리오 설문조사 2024).이는 몇 가지 다른 주요 위험 요소로 이어집니다:
독점 데이터에 대한 의존성:
비공개 데이터에 대한 독점적 액세스는 버티컬 애플리케이션에 대한 방어력을 제공하지만, 스타트업은 이러한 액세스를 유지하는 데 의존하게 됩니다. 데이터의 중단이나 도메인 전문성의 손실은 제품의 효과와 스타트업의 생존 가능성에 큰 타격을 줄 수 있습니다.
규제 위험:
의료, 금융, 법률 서비스 등 민감한 분야의 AI 애플리케이션은 규제 및 윤리적 문제를 야기합니다. 의료 분야의 스타트업은 의료 기기로 분류되지 않도록 규정을 신중하게 탐색해야 합니다. 각국 정부는 데이터 프라이버시, 공정성, 책임성을 위해 AI를 점점 더 면밀히 조사하고 있습니다. 또한, AI로 인한 일자리 대체는 대중의 반발을 불러일으키고 더 엄격한 규제로 이어질 수 있습니다.
AI 도구(버티컬 또는 범용)가 어려움을 겪는 이유: 주요 구현 과제
AI 구현 시 직면하는 주요 과제(출처: WSC 포트폴리오 설문조사 2024)응답자의 56%가 가장 두드러진 문제로 꼽은 것은 기존 시스템과 AI를 통합하는 것이었습니다.
또한 34%는 숙련된 인력의 부족을 꼽았는데, 이는 이러한 도구를 효과적으로 구현하고 운영하는 데 필요한 전문성을 의미하는 것으로 보입니다. 31%는 데이터 프라이버시 및 보안 문제를 제기했으며, 25%는 높은 구현 비용에 영향을 받는다고 답했습니다.
변화에 대한 저항(19%), 윤리 및 규제 문제(9%), 일자리 이동(3%)도 지적되었습니다. AI를 기존 시스템에 더 쉽게 통합할 수 있는 기존 기업은 이점을 누리는 반면, 소규모 기업은 이러한 기술을 활용하는 데 필요한 숙련된 전문가 부족으로 어려움을 겪고 있습니다.
전망
향후 1~3년 동안 포트폴리오 기업들은 특히 고객 서비스, 영업, 내부 프로세스 및 제품 개발 분야에서 AI 활용을 확대할 계획입니다. 주요 목표에는 효율성 향상, 반복적인 작업 자동화, 비용 절감 등이 포함됩니다. AI는 워크플로우를 개선하고 데이터 인사이트를 높이며 고객 경험을 향상시킬 것으로 기대됩니다.
전략적으로 기업들은 AI가 제품 반복을 가속화하고, 복잡한 작업을 자동화하며, 수작업에 대한 의존도를 낮출 것으로 보고 있습니다. 또한 의료 및 보험과 같은 산업에 혁신적인 영향을 미치며 제품과 내부 운영의 중심이 될 것으로 예상됩니다.
결론
기업이 자동화와 생산성 향상을 추구함에 따라 버티컬 AI는 지속 가능한 가치를 창출할 수 있는 가장 강력한 잠재력을 제공하는 반면, 범용 AI는 기존 기업의 도전과 제한된 방어력에 직면해 있습니다. 성공적인 버티컬 AI 스타트업은 독점 데이터, 도메인 전문성, 강력한 피드백 루프를 활용하여 방어력을 높이고 높은 수익성을 창출할 수 있습니다.
White Star Capital 은 맞춤형 AI에 대한 수요가 증가함에 따라 버티컬 AI가 산업별로 영향력이 큰 솔루션을 위한 주요 기회로 보고 있습니다.
특히 투자자로서, 완성된 법률 요약에 대해 요금을 청구하는 법률 AI 스타트업 EvenUp과 같이 기존의 SaaS 가격에서 실제 제공한 작업에 대해 요금을 청구하는 모델로 전환하는 것에 큰 기대를 걸고 있습니다. 이러한 접근 방식은 인건비 예산을 활용하므로 IT 예산에 의존하는 기존 SaaS보다 더 빠른 성장을 가능하게 합니다. 예측에 따르면 2030년까지 버티컬 AI는 인건비의 극히 일부로 업무의 상당 부분을 자동화하여 상당한 시장 기회를 창출할 수 있을 것으로 예상됩니다.
변화하는 AI 인프라 시장을 세분화하고, AI 가치 사슬의 각 부문이 더 넓은 생태계 내에서 어떻게 상호 작용하는지 살펴보는 다음 글을 기대해 주세요. 칩 제조와 에너지 인프라부터 애플리케이션 레이어와 모니터링 단계에 이르기까지 오늘날 AI 시장을 형성하는 주요 플레이어를 소개합니다.
