생성형 AI가 시간 절약 대신 작업량 증가

생성 AI의 양날의 검

생성 인공지능(AI) 도구는 종종 시간 절약과 생산성 향상 도구로 홍보된다. 실제로 코드 실행이나 보고서 생성을 빠르게 도울 수 있지만, 문제가 있다. 대형 언어 모델(LLM)을 개발하고 유지하는 데 필요한 배후 작업은 초기 시간 절약보다 더 많은 인간의 노력을 요구할 수 있다. 또한, 많은 작업은 AI의 강력한 기능 없이도 간단한 자동화 방법으로 효율적으로 처리될 수 있다.

펜실베이니아 대학교 와튼 스쿨의 경영학 교수 피터 카펠리는 최근 MIT 행사에서 이러한 통찰을 공유했다. 그는 더 넓은 관점에서 생성 AI와 LLM이 완화하는 것보다 더 많은 작업을 생성할 수 있다고 주장한다. 이러한 모델은 구현이 복잡하며, 카펠리는 "생성 AI가 할 수 있는 많은 일들이 실제로 필요하지 않은 일들로 밝혀졌다"고 지적했다.

AI의 과대 광고와 현실

AI는 종종 혁신적인 기술로 찬양받지만, 카펠리는 기술 산업의 예측이 지나치게 낙관적일 수 있다고 경고한다. 그는 "사실, 일에 대한 기술 예측은 시간이 지나면서 대부분 틀렸다"고 말했다. 그는 2018년까지 널리 보급될 것으로 예상되었지만 아직 완전히 실현되지 않은 무인 트럭과 자동차를 예로 들었다.

기술 주도 변혁의 거대한 비전은 종종 실제적 도전에 직면한다. 자율 주행 차량 옹호자들은 차량이 할 수 있는 일에 초점을 맞췄지만, 필요한 규제 승인, 보험 문제, 소프트웨어 복잡성은 다루지 않았다. 카펠리는 또한 트럭 운전사가 단순히 운전 외에도 다양한 작업을 수행해 자율 주행으로의 전환을 복잡하게 만든다고 지적했다.

소프트웨어 개발과 비즈니스에서의 생성 AI

소프트웨어 개발과 비즈니스 운영에 생성 AI를 적용할 때도 비슷한 복잡성이 발생한다. 카펠리는 프로그래머가 코딩 외의 활동, 예를 들어 커뮤니케이션과 예산 협상에 상당한 시간을 보낸다고 강조했다. 그는 "프로그래밍 측면에서도 모든 것이 실제로 프로그래밍은 아니다"라고 말했다.

AI 주도 혁신의 약속은 흥미롭지만, 구현은 종종 현실적 장애물에 부딪힌다. 생성 AI의 노동 절감과 생산성 이점은 LLM과 알고리즘을 지원하는 데 필요한 광범위한 백엔드 작업에 의해 가려질 수 있다.

AI로 인해 생성되는 새로운 작업

카펠리에 따르면 생성 AI와 운영 AI 모두 새로운 작업을 도입한다. 그는 "데이터베이스를 관리하고, 자료를 정리하고, 상충되는 보고서, 유효성, 그리고 그와 같은 문제들을 해결해야 한다. 많은 새로운 작업이 생성될 것이고, 누군가는 그 일을 해야 한다"고 말했다.

오랫동안 존재해온 운영 AI도 계속 진화하고 있다. 카펠리는 숫자 데이터로 기계 학습이 충분히 활용되지 않고 있으며, 이는 부분적으로 데이터베이스 관리의 어려움 때문이라고 지적했다. "데이터를 분석할 수 있도록 데이터를 모으는 데 많은 노력이 필요하다. 데이터는 종종 서로 다른 조직의 다른 사일로에 있으며, 정치적으로나 기술적으로 통합하기 어렵다."

생성 AI와 LLM 채택의 도전 과제

카펠리는 생성 AI와 LLM 채택의 여러 장애물을 지적했다:

• 많은 작업에 과도한 사용: 그는 "대형 언어 모델이 할 수 있는 많은 일들이 아마도 필요하지 않은 일들이다"라고 말했다. 예를 들어, 비즈니스 서신은 잠재적 사용 사례이지만, 대부분은 이미 양식 편지와 기본 자동화로 처리된다. "양식 편지는 이미 변호사에 의해 검토되었으며, 대형 언어 모델로 작성된 것은 아마 변호사가 검토해야 할 것이다. 이는 시간 절약이 되지 않을 것이다."
• 비용 증가: 카펠리는 단순 자동화를 AI로 대체하면 비용이 더 많이 들 수 있다고 경고했다. "대형 언어 모델이 지금처럼 저렴할 것이라는 보장은 없다. 더 많은 사람들이 사용하면 컴퓨터 공간이 늘어나고, 전력 수요만으로도 크다. 누군가는 그 비용을 지불해야 한다."
• 검증 필요: 생성 AI 출력은 이메일 같은 단순 작업에는 적합할 수 있지만, 더 복잡한 보고서에는 검증이 필수적이다. "중요한 일에 사용하려면 정확해야 한다. 그리고 그것이 정확한지 어떻게 알 것인가? 전문가가 있으면 도움이 된다; 독립적으로 검증할 수 있고 주제에 대해 아는 사람. 환각이나 기묘한 결과, 그리고 최신인지 확인해야 한다."
• 정보 과부하: 보고서와 출력을 쉽게 생성할 수 있어 정보가 압도적일 수 있고, 때로는 모순될 수 있다. 카펠리는 "보고서와 출력을 생성하기 쉬우므로 더 많은 응답을 받게 될 것"이라고 말했다. 그는 또한 LLM이 동일한 프롬프트에 대해 다른 응답을 생성할 수 있어 신뢰성 문제가 발생한다고 지적했다. "이것은 신뢰성 문제다 -- 보고서로 무엇을 할 것인가? 당신의 부서가 더 좋아 보이는 보고서를 생성해 상사에게 제출할 수 있다."
• 인간의 의사결정: 사람들은 종종 직감이나 개인적 선호에 따라 결정을 내리며, 이는 기계가 영향을 미치기 어렵다. 카펠리는 AI가 채용과 같은 의사결정을 도울 수 있음에도 불구하고 사람들이 본능을 따르는 경향이 있다고 지적했다. "기계 학습은 이미 우리를 위해 할 수 있다. 모델을 구축하면 이미 결정을 내리고 있는 라인 매니저들이 그것을 사용하고 싶어하지 않는다는 것을 알게 될 것이다."

단기적 잠재 응용

이러한 도전에도 불구하고, 카펠리는 데이터를 선별하고 의사결정 과정을 지원하는 데 생성 AI의 잠재력을 본다. 그는 "우리가 스스로 분석하지 못했던 데이터를 지금 세척하고 있다"고 말했다. "그것은 우리보다 훨씬 잘할 것이다." 이와 함께 데이터베이스 관리와 데이터 오염 문제를 해결하는 것은 여전히 중요한 과제다.