2026년 10월 29일, Will Manidis와 Joe Roberts가 약 4만 단어에 달하는 장편 보고서 『The Commanding Heights』를 공개했다.
이 보고서가 던지는 질문은 간단하다.
“AI가 고도화되어 누구나 저렴하게 이용할 수 있게 되었을 때, 가장 큰 경제적 이익을 얻는 것은 누구일까?”
OpenAI나 Anthropic 같은 AI 모델 개발 기업일까. 아니면 AI를 활용하여 사업을 전개하는 기업일까?
저자들은 기술 혁신에 의해 가장 큰 이익을 얻는 것이 반드시 그 기술을 만들어낸 기업은 아닐 수 있다고 지적한다.
이 논의를 더 깊이 이해하는 데 참고가 되는 것이 Hamilton Helmer(해밀턴 헬머)의 경영 전략론 『7 Powers: 최강 기업을 만드는 7가지 전략』이다.
전자가 AI 시대 경제적 가치의 향방을 고찰하고 있다면, 후자는 기업이 지속적인 경쟁 우위를 구축하기 위한 조건을 체계화하고 있다.
본 기사에서는 이 두 가지 관점을 결합하며 일본의 대기업이나 IT 기업이 취해야 할 전략, 산업 특화형 AI의 가능성, 그리고 IT 엔지니어가 앞으로 습득해야 할 역량에 대해 생각해 보고자 한다.
참고로, 두 저서는 독립적인 저작물이며, 아래 언급된 일본 기업이나 개인의 커리어에 대한 제언은 이를 바탕으로 필자가 직접 고안한 사견이다.
역사를 되돌아보면, 철도나 인터넷 같은 기술 혁신에서는 인프라를 구축한 기업뿐만 아니라 그것을 이용해 새로운 시장이나 사업을 창출한 기업 역시 큰 이익을 얻어왔다. AI에서도 유사한 일이 발생할 가능성이 있다.
현재 대형 테크놀로지 기업들은 AI 모델 개발과 데이터센터 건설에 막대한 자금을 투입하고 있다. 한편, LLM(Large Language Model)의 성능이 향상되고 추론 비용이 계속 하락한다면, 일반적인 AI 기능은 점차 코모디티화될 수 있다.
하지만 AI를 실제 비즈니스에 활용하기 위해서는 데이터, 업무 시스템, 고객과의 관계, 물류망, 전력 등 다양한 경영 자원이 필요하다. 『The Commanding Heights』가 중시하는 것은 이러한 경제 활동의 요충지를 장악하여 장기적으로 이익을 얻을 수 있는 위치에 있는 기업이다.
그 조건으로 주로 다음 세 가지가 제시된다.
- 희소성 (Scarcity): 타사가 쉽게 손에 넣을 수 없는 자원이나 능력 보유
- 통제력 (Control): 그 자원이나 시스템을 관리하고 활용할 수 있는 능력
- 지속성 (Durability): 우위를 장기간 유지할 수 있는 힘
중요한 것은 일시적인 수요 증가와 지속적인 경쟁 우위를 구분하는 것이다. 예를 들어, AI 데이터센터를 위한 전력 공급이 부족하더라도 발전 설비나 송전망 정비가 진행되면 상황은 바뀔 가능성이 있다.
AI 관련 수요가 늘어나고 있다는 이유만으로 모든 관련 기업이 장기적으로 이익을 얻을 수 있는 것은 아니다. 중요한 것은 AI가 광범위하게 보급된 후에도 타사에 쉽게 대체되지 않는 가치를 제공할 수 있는지 여부이다.
그렇다면 기업은 어떻게 지속적인 경쟁 우위를 구축할 수 있을까?
Hamilton Helmer는 『7 Powers』에서 그 근원을 7가지로 분류하고 있다.
| 7가지 파워 | 개요 | AI 시대에 고려될 수 있는 구체적 예시 |
|---|
| ① 규모의 경제 | 사업 규모 확대에 따른 단위당 비용 하락 | |
| 대규모 AI 인프라, 공통 기반, 운영 효율화 | | |
| ... | | |
이 7가지는 단순한 기업의 강점이 아니다. 중요한 것은 이익을 창출하는 메커니즘과 그것을 경쟁사들이 쉽게 모방할 수 없는 이유 두 가지가 모두 존재해야 한다.
예를 들어, 뛰어난 AI 모델을 개발하더라도 경쟁 기업이 단기간에 동등한 모델을 활용할 수 있다면, 그것만으로는 지속적인 경쟁 우위가 되기 어렵다. 또한, 대량의 데이터를 보유하고 있더라도 타사가 유사한 데이터를 입수할 수 있다면 '경쟁자가 없는 자원'이라고 할 수 없다.
AI의 진화는 기존의 경쟁 우위를 강화하는 경우도 있지만, 반대로 그 가치를 상실하게 만드는 경우도 있다.
일본 IT 기업을 생각할 때 특히 중요하다고 생각되는 것은 '전환 비용(乗換コスト)', '프로세스 파워(プロセス・パワー)', 그리고 '카운터 포지셔닝(カウンター・ポジショニング)' 세 가지이다.
전환 비용 (Switching Costs)
기업용 시스템은 단독으로 사용되는 경우가 적다. 회계, 수발주, 고객 관리, 재고 관리 등 여러 시스템과 연동되어 있다. 이러한 업무에 AI를 결합하여 안정적으로 운영할 수 있게 된다면, 기업 입장에서 쉽게 전환하기 어려운 서비스가 될 가능성이 있다.
다만, 해지하기 어렵다는 것 자체가 목적이 되어서는 안 된다. 고객이 계속 사용해야 할 합리적인 이유를 만드는 것이 중요하다.
프로세스 파워 (Process Power)
일본 기업들이 오랜 기간 축적해 온 현장의 노하우나 품질 관리 시스템은 AI와 결합함으로써 새로운 가치를 창출할 가능성이 있습니다.
특히 제조, 물류, 의료, 에너지 등 실제 설비나 현장의 제약 조건이 중요한 산업 분야에서는 단순히 AI 모델의 성능만으로 경쟁력이 결정되는 것은 아닙니다.
반면, 기존 업무 프로세스를 그대로 AI로 대체하는 것만으로는 불충분합니다. AI의 능력을 전제로 하여 업무 진행 방식 자체를 재검토할 필요성도 요구됩니다.
카운터 포지셔닝 (Counter-Positioning)
이는 신규 진입 기업이나 스타트업에게 특히 중요한 사고방식입니다.
예를 들어, 기존의 시스템 통합(SIer) 업체가 개발 공수에 따라 수익을 얻는 경우, 개발 공수를 대폭 줄이는 AI 서비스로 전환하는 것은 기존 사업의 수익 구조와 충돌할 수 있습니다.
반면, 새로운 기업이라면 처음부터 월별 구독료나 성과 연동형 요금 체계를 채택할 수 있습니다.
물론, 기존 기업 역시 비즈니스 모델을 전환할 여지는 있습니다. 그럼에도 불구하고, 기존의 수익 구조를 지킬 필요가 없다는 점은 신규 진입 기업에게 하나의 강점이 될 수 있습니다.
일본의 대기업들은 풍부한 업무 데이터, 고객 기반, 전문 지식을 축적하고 있습니다.
제조, 금융, 의료, 물류, 소매, 에너지 등 현실 세계의 복잡한 업무를 다루는 기업들에게 이는 중요한 경영 자원입니다.
여기서 중요한 것은 AI 도입 그 자체를 목적으로 삼지 않는 것입니다.
'어떤 업무에 AI를 도입할 수 있는가'뿐만 아니라 'AI를 통해 우리 회사의 경쟁 우위를 어떻게 강화할 수 있는가'를 고민해야 합니다.
예를 들어, 다음과 같은 방향성이 고려될 수 있습니다.
- 제조: 설비 데이터와 현장 노하우를 활용하여 보전·품질 관리·생산 계획을 고도화합니다.
- 금융: 거래 데이터와 리스크 관리 지식을 활용하여 심사나 부정 탐지(不正検出)의 정확도와 효율성을 높입니다.
- 소매: 판매·재고·고객 데이터를 연계하여 수요 예측부터 발주까지를 최적화합니다.
- 에너지: 전력 수요·가격 예측과 설비 운영을 결합하여 조달 및 운영 의사결정을 지원합니다.
이러한 노력들에서는 AI 모델 자체보다 데이터의 품질, 업무 프로세스와의 통합, 지속적인 개선이 경쟁력의 원천이 될 가능성이 있습니다.
일본 대기업들이 우선해야 할 것은 기존 경영 자원을 지키는 것만이 아닙니다.
자사의 강점 중 AI를 통해 가치가 더욱 높아지는 부분과, AI로 인해 가치가 하락하는 부분을 판별하는 것입니다.
히타치(日立製作所), 후지쯔(富士通), NEC, NTT 데이터 등은 이미 AI를 활용한 업무 개혁이나 산업별 과제 해결에 나서고 있습니다.
예를 들어, 히타치는 Lumada를 통해 OT(Operational Technology)·IT(Information Technology)·데이터를 결합하여 산업 분야의 변혁을 추진하고 있습니다. 후지쯔는 Uvance를 통해 제조, 유통·소매, 금융, 의료 등의 분야에서 업무 개혁을 전개하고 있습니다.
또한, NTT 데이터는 AI 에이전트를 단순한 업무 지원 도구로 도입하는 것이 아니라, 업무 프로세스나 고객 접점 자체를 재설계하는 중요성을 지적합니다.
이러한 노력들에 공통적인 것은 AI 모델 단독이 아니라, 기존의 고객 기반이나 전문 지식, 시스템 구축력과 AI를 결합하고 있다는 점입니다.
NTT 데이터, SCSK, TIS, NRI 같은 SIer들은 오랜 시스템 개발을 통해 쌓아온 업무 지식과 고객 기업과의 신뢰 관계를 보유하고 있습니다.
『7 Powers』의 관점에서 볼 때, 이들은 전환 비용(Switching Cost), 브랜딩(Branding), 프로세스 파워(Process Power)로 이어질 가능성이 있습니다.
반면, AI에 의한 코딩 지원이 발전함에 따라 개발 공수에 의존하는 수익 모델은 변화를 강요받을 수 있습니다.
앞으로는 다음과 같은 방향성이 중요해질 것입니다.
- 일회성 위탁 개발에서 지속적인 업무 개선 서비스로
- 범용적인 시스템 개발에서 산업 특화형 서비스로
- 개발 공수를 중심으로 한 수익 모델에서 고객에게 제공하는 가치를 중시한 요금 체계로
- 개별 개발을 통해 얻은 지식을 재활용 가능한 제품이나 서비스로
다만, 모든 SIer가 같은 방향을 목표로 할 필요는 없습니다. 고도의 시스템 통합, 보안, 미션 크리티컬(Mission Critical) 시스템의 개발 및 운영 역시 계속해서 중요한 사업 영역입니다.
중요한 것은 자사의 강점을 이해하고, AI를 통해 그 가치를 어떻게 높일지 고민하는 것입니다.
AI의 진화에 따라 SaaS(Software as a Service) 제공 형태도 변할 가능성이 있습니다.
기존 SaaS에서는 사용자가 화면을 조작하여 필요한 작업을 수행하는 것이 일반적이었습니다.
앞으로는 AI 에이전트가 여러 시스템을 연계하며 작업을 진행하고, 인간은 목표 설정, 예외 대응, 최종 판단에 집중하는 형태가 늘어날 수 있습니다.
여기서는 이러한 서비스를 AaaS (Agent as a Service) 라고 부르겠습니다.
※ AaaS라는 약어는 여러 가지 사용법이 있어 정의가 아직 통일되지 않았습니다. 본 기사에서는 AI 에이전트를 서비스로 제공하는 형태를 지칭합니다.
예를 들어, 재고 관리 업무를 비교해 보겠습니다.
기존 SaaS(Software as a Service)
- 담당자가 매출 데이터를 확인한다
- 재고 상황을 조사한다
- 발주 수량을 판단한다
- 발주 시스템을 조작한다
AI 에이전트를 활용한 서비스
- AI가 매출 및 재고 데이터를 취득한다
- 수요를 예측하고, 발주 수량 후보를 산출한다
- 재고 리스크나 예외 사항을 담당자에게 제시한다
- 담당자의 승인 후, 발주 시스템과 연동한다
- 실적을 분석하여 다음 차수 제안에 반영한다
여기서 중요한 것은 모든 것을 LLM(거대 언어 모델)만으로 처리할 필요는 없다는 것입니다.
수요 예측에는 LightGBM 같은 기계 학습, 발주 수량 산출에는 수리 최적화(Mathematical Optimization), 자연어를 통한 설명이나 업무 조정에는 LLM을 활용하는 등, 기술을 적절하게 조합하는 것이 현실적입니다.
사용자의 요청/업무 이벤트
↓
AI 에이전트
...
실제 업무 시스템에서는 인증·인가(Authentication/Authorization), 감사 로그(Audit Log), 장애 시 복구, 비용 관리 등도 필수적입니다.
또한, AI 에이전트를 도입했다고 해서 자동으로 강력한 경쟁 우위가 생기는 것은 아닙니다.
『7 Powers』의 관점에서 볼 때, 중요한 것은 AI 에이전트 그 자체보다, 해당 서비스가 고객의 업무에 얼마나 깊숙이 통합되어 지속적으로 가치를 제공할 수 있는가 하는 점입니다.
챗봇을 만드는 것과 기업이 안심하고 업무를 맡길 수 있는 AI 시스템을 만드는 것은 완전히 별개의 과제입니다.
범용적인 AI 서비스의 경쟁이 치열해지는 한편, 전문 지식이나 복잡한 업무 시스템과의 연동이 필요한 분야에는 새로운 사업 기회가 있다고 생각됩니다.
| 산업 | AI 활용 예시 | 경쟁력으로 이어지는 요소 |
|---|
| 금융 | 부정 거래 탐지, 대출 심사 지원, 리스크 분석 | 리스크 관리, 규제 대응, 핵심 시스템(Core System) 연동 |
| ... | | |
| 예를 들어 교육 분야에서는 외국어와 연결된 아동의 일본어 학습 지원 등 AI를 활용할 수 있는 장면이 생각됩니다. | | |
의료 분야에서는 진단 자체를 AI에 맡기기보다는, 우선 진료 기록 작성이나 서류 처리를 효율화하여 의료 종사자의 부담을 줄이는 것이 현실적인 출발점이 될 것입니다.
물류나 소매업에서는 예측 정확도 향상뿐만 아니라, 배송 비용이나 품절률 개선 등 실제 업무 성과로 연결하는 것이 중요합니다.
『7 Powers』는 대기업뿐만 아니라 스타트업의 사업 전략을 구상할 때도 유용합니다.
예를 들어, 처음부터 소매업 전체를 대상으로 하는 AI 플랫폼을 개발하기보다는, 특정 업종이나 업무에 한정하여 서비스를 제공하는 것이 현실적인 경우가 있습니다.
먼저 하나의 업무에서 고객의 과제를 해결하고 도입 실적을 쌓습니다. 그 후, 주변 업무로 서비스를 확장해 나갑니다.
이 과정에서 독자적인 업무 노하우, 고객과의 관계, 운영 실적이 축적된다면 경쟁 우위로 이어질 가능성이 있습니다.
반면, 단순한 AI 기능만을 제공하는 서비스는 기반 모델(Foundation Model)이나 기존 SaaS의 기능 확장에 의해 대체될 위험도 있습니다.
'AI로 무엇을 만들 수 있는가'가 아니라 '고객이 무엇에 지속적으로 돈을 지불할 것인가'를 생각하는 것이 중요합니다.
AI 시대에는 데이터 활용만큼 적절한 거버넌스(Governance)가 중요해집니다.
특히 금융, 의료, 교육, 공공 분야에서는 기술적으로 실현 가능한 것과 법령이나 제도상 인정되는 것이 반드시 일치하지 않습니다.
일본에서는 경제산업성 등이 'AI 사업자 가이드라인 (제1.2판)'을 공표하고 있습니다. 또한, 의료 정보 시스템에 대해서는 후생노동성이 안전 관리 관련 가이드를 정하고 있습니다.
AI를 업무에 도입할 때는 특히 다음 사항에 주의가 필요합니다.
- 개인정보나 기밀정보의 적절한 관리
- AI의 처리 이력이나 판단 근거 기록
- 오답이나 오작동이 발생했을 경우의 대응
- 인간에 의한 확인·승인 메커니즘
- 모델의 품질 평가와 지속적인 모니터링
규제 대응은 단순한 부담이 아니라, 고객으로부터 신뢰받는 서비스를 제공하기 위한 중요한 요소이기도 합니다.
『7 Powers』의 관점에서는, 이러한 노력을 통해 얻은 고객의 신뢰는 브랜딩(Branding)에, 오랜 기간 운영을 통해 쌓인 조직적인 대응 능력은 프로세스 파워(Process Power)로 이어질 가능성이 있습니다.
다만, 규제 대응이나 보안 대책은 경쟁 우위 이전에 충족해야 할 기본 조건이기도 합니다. 대응하고 있다는 사실만으로 기업의 이익이 보장되는 것은 아닙니다.
전문 지식, 기술력, 신뢰성, 실제 운영 실적을 결합하는 것이 중요합니다.
『The Commanding Heights』와 『7 Powers』를 조합하면, 기업이 앞으로 중시해야 할 부분이 눈에 들어옵니다.
그것은 단순히 AI 도입 건수나 이용자 수를 늘리는 것만이 아닙니다.
AI를 통해 생산성을 높이는 동시에, 자사의 경쟁 우위를 강화하는 것입니다.
데이터를 부서별로 분산된 상태로 두지 않고, 필요한 범위 내에서 안전하게 연계할 수 있는 환경을 구축해야 합니다.
다만, 단순히 데이터를 통합하는 것이 아니라 품질(Quality), 이용 권한(Access Rights), 업데이트 주기, 업무상의 의미까지 관리할 필요가 있습니다.
현재의 업무를 그대로 AI로 대체하기보다는, AI와 인간의 역할 분담을 재설계해야 합니다.
정형적인 처리는 자동화하고, 인간은 예외 대응, 중요한 판단, 고객과의 조율 등에 집중할 수 있도록 하는 것입니다.
특정 고객을 위해 개발된 시스템이나 오랫동안 축적해 온 산업 지식을 다른 고객에게도 제공할 수 있는 형태로 정리해야 합니다.
산업 특화형 AI나 구독 기반 서비스(Subscription Service)가 그 하나의 방향성이 될 수 있습니다.
AI는 기존의 강점을 높여줄 뿐만 아니라, 일부 강점을 상실하게 만들 가능성도 있습니다. 예를 들어, 과거에는 개발에 고도의 전문 지식과 많은 공수가 필요했던 소프트웨어라도 AI를 통해 개발 비용이 크게 낮아질 수 있습니다.
기존 사업의 수익을 지키는 것뿐만 아니라, 새로운 비즈니스 모델로 전환하는 방안까지 검토하는 것이 중요합니다.
AI 도입 효과를 이용자 수나 처리 건수만으로 평가할 것이 아니라, 비용 절감, 매출 증가, 품질 향상, 리스크 감소 등 업무 성과로 검증해야 합니다.
특히 중요한 것은 도입 이후에도 지속적으로 개선할 수 있는 체제를 갖추는 것입니다.
그렇다면 우리 IT 엔지니어들은 앞으로 어떤 기술을 습득해야 할까요?
AI 기반 코딩 지원이 고도화됨에 따라, 코드 작성 속도만으로는 차별화하기 어려워질 수도 있습니다. 하지만 소프트웨어 개발의 중요성이 사라지는 것은 아닙니다.
오히려 AI를 실제 업무에 통합하고 안정적으로 운영하는 시스템 설계 능력과 전문 지식이 그 어느 때보다 중요해진다고 생각됩니다.
LLM API를 호출하는 것을 넘어, RAG(Retrieval-Augmented Generation), Tool Calling, AI 에이전트(AI Agent), 워크플로우 제어(Workflow Control), 평가 및 모니터링 등의 기술을 학습해야 합니다. 특히 기존 업무 시스템과의 연동이나 실제 운영 환경에서 안정적으로 구동시키는 능력이 중요해질 것입니다.
모든 산업에 대해 알 필요는 없습니다. 금융, 의료, 물류, 소매, 제조, 에너지 등 자신이 관심 가질 수 있는 분야를 선택하고, 그 산업 특유의 과제를 이해하는 것이 중요합니다.
예를 들어, 직종별로 다음과 같은 방향성을 고려할 수 있습니다:
| 직종 | 앞으로 강화하고 싶은 능력 |
|---|
| 데이터 사이언티스트 | 예측(Prediction), 인과 추론(Causal Inference), 수리 최적화(Mathematical Optimization), 의사결정 지원 |
| ... | |
| 이후에는 특정 기술에 능통한 것뿐만 아니라, 그 기술을 어떤 업무 과제에 적용할 수 있는지가 중요해질 것입니다. | |
『7 Powers』는 본래 기업의 경쟁 전략을 설명하는 이론이며, 개인에게 그대로 적용되는 것은 아닙니다. 그럼에도 불구하고 커리어를 생각할 때 참고가 될 부분은 있습니다. 예를 들어 다음과 같이 생각해 볼 수 있습니다:
- 전문성(Specialization): 특정 분야의 지식이나 경험을 깊이 있게 다져서 쉽게 습득할 수 없는 능력을 키우는 것 -
- 신뢰 관계(Trust): 업무 품질이나 실적을 쌓아 주변으로부터 안심하고 일을 맡길 수 있게 되는 것 -
- 업무 방식(Process): AI를 활용하여 개발, 검증, 개선을 반복하며 생산성과 품질을 높이는 것 -
- 변화 대응력(Adaptability): 기존의 방식에 고집하지 않고 새로운 기술이나 비즈니스 모델을 받아들이는 것
다만, 지식을 독점하거나 자신만이 아는 시스템을 만드는 것이 개인의 강점이 되는 것은 아닙니다. 오히려 지식을 공유하면서 조직 전체의 성과를 높일 수 있는 인재가 장기적으로 평가받지 않을까 싶습니다.
예를 들어, 수요 예측 모델의 정확도가 높아진다고 해서 그것만으로 기업의 이익이 증가하는 것은 아닐 수 있습니다. 중요한 것은 그 예측을 활용한 결과로 품절이 줄었는지, 재고 비용이 낮아졌는지, 매출이 늘었는지를 확인하는 것입니다.
엔지니어 역시 ROI(투자 대비 효과)나 업무 KPI를 의식함으로써 더욱 본질적인 문제 해결에 참여할 수 있게 됩니다.
'무엇을 개발했는지'뿐만 아니라, '어떤 과제를 해결했고 얼마나 많은 가치를 창출했는지'를 설명할 수 있는 것이 앞으로 점점 더 중요해질 것입니다.
지금까지의 논의를 정리하면, 기업과 개인 양측에 공통된 과제가 보입니다. 그것은 AI로 인해 생산성이 향상되는 시대에 어떻게 독자적인 가치를 계속 창출할 것인가라는 문제입니다.
기업은 AI 도입을 통해 단기적인 비용 절감을 이룰 수 있습니다. 하지만 경쟁사도 같은 AI를 이용할 수 있다면, 그 효과는 곧 당연한 것이 됩니다. 개인 역시 마찬가지입니다.
AI 도구를 사용하여 개발 속도를 높이는 것은 중요하지만, 주변 엔지니어들도 같은 것을 할 수 있게 된다면, 그것만으로는 차별화하기 어려워집니다.
그렇기 때문에 다음과 같은 방향성을 의식해야 합니다.
기업에게 중요한 초점
- AI를 활용한 생산성 향상
- 독자적인 데이터 및 업무 노하우 활용
- 고객과의 지속적인 관계 구축
- 산업 특화형 서비스로의 전개
- 신뢰성(Reliability)과 거버넌스(Governance) 강화
- 기존 수익 모델에 얽매이지 않는 사업 개혁
개인에게 중요한 초점
- 실무에서 AI를 활용하는 능력
- 특정 분야의 전문 지식
- 시스템 전체를 설계하고 운영하는 능력
- 업무 과제를 발견하고 해결하는 능력
- 기술적 성과를 사업적 성과로 연결하는 시야
- 새로운 기술을 지속적으로 학습하려는 자세
특히 중요한 것은, 현재의 스킬이나 비즈니스의 우위성이 미래에도 계속될 것이라고 단정할 수 없다는 인식입니다.
AI의 발전으로 인해 이전에 희소했던 능력이 일반화되는 경우도 있고, 반대로 새로운 전문성이 요구되는 경우도 있습니다. 따라서 변화를 회피하기보다는 자신과 자사의 강점을 지속적으로 재검토하는 것이 필요합니다.
『The Commanding Heights』는 AI가 경제와 기업 조직을 크게 바꿀 거대한 미래상을 그리고 있습니다. 한편 『7 Powers』는 기업이 장기적인 이익을 창출하려면, 다른 회사들이 쉽게 모방할 수 없는 경쟁 우위가 필요하다는 점을 알려줍니다.
이 두 가지를 조합하면 AI 시대에 고민해야 할 문제가 더욱 명확해집니다.
AI가 누구나 이용할 수 있는 당연한 기술이 되었을 때, 자신이나 소속 기업에게 어떤 강점이 남을 것인가.
기업의 입장에서는 독자적인 데이터, 업무 노하우, 고객과의 관계, 신뢰성 등이 중요해질 것입니다. IT 기업에는 단순한 시스템 개발을 넘어, AI를 활용하여 고객에게 지속적인 가치를 제공하는 비즈니스로의 전환이 요구될 수 있습니다.
그리고 IT 엔지니어에게는 AI 기술 습득에 더해, 특정 분야의 전문 지식, 시스템 설계 능력, 업무 개선 경험을 쌓아나가는 것이 중요하다고 생각합니다.
물론, AI의 보급 속도나 투자 회수 전망에는 불확실성이 있어 미래의 경쟁 구조를 정확히 예측하기는 어렵습니다. 그럼에도 불구하고 한 가지 확실한 것은, AI를 도입하는 것과, AI를 통해 지속적인 경쟁력을 구축하는 것은 별개의 문제라는 것입니다.
앞으로의 경쟁력은 최신 AI 모델을 다룰 줄 아는 능력만으로는 생겨나지 않습니다.
AI로 누구의 어떤 문제를 해결할 수 있는가. 그리고 그 가치를 지속적으로 제공할 수 있는가.
이 질문에 계속 마주하는 것이, AI 시대의 기업과 엔지니어에게 요구되는 자세가 아닐까 생각합니다.
