MI 거버넌스 업무를 위한 생성형 AI 적용 방향

MI 거버넌스 업무를 위한 생성형 AI 적용 방향

거버넌스(Governance), 종종 마주치지만 다소 생소한 단어입니다. 정치, 기업, 학교 등에서 다양한 의미로 사용되고 있으나, 기업에서 말하는 거버넌스는 조직에서 업무를 잘할 수 있도록 필요한 인프라 및 프로세스를 구축하는 일을 뜻합니다.

즉, MI 조직(Market Intelligence, 마켓 인텔리전스)에서 보유한 데이터를 잘 활용할 수 있도록 플랫폼 또는 프로세스를 만들거나 상품기획, 마케팅, 연구소 등 다양한 부서와 소통하며 일할 수 있도록 네트워크를 구축하는 일 등이 있습니다.

이번 콘텐츠에서는 거버넌스 업무를 데이터베이스 관리, 협력 네트워크 구축, MI Ops 강화, 교육을 통한 역량 강화로 분류하여 각 업무가 생성형 AI로 인해 어떻게 변화 및 발전할 수 있을지 알아보겠습니다.

📌 시리즈 콘텐츠 목차

1. 생성형 AI가 마켓 인텔리전스에 미치는 영향
2. 마켓 센싱을 위한 MI 업무의 생성형 AI 적용 방향
3. 고객 조사에 활용하는 생성형 AI 기반 MI 접근법
4. 보고서 작성에 활용하는 생성형 AI 적용 방향
5. MI 거버넌스 업무를 위한 생성형 AI 적용 방향

1. 데이터베이스 관리

MI 조직에서 먼저 구축되어야 할 인프라 중 하나입니다. 수많은 조사를 수행하더라도 DB(데이터베이스)가 잘 구축되어 있지 않으면, 히스토리 관리가 안 되어 중복 조사를 하게 되거나 일관된 분석을 하기 어려워지는 등 비용 및 업무 효율성이 떨어지기 때문입니다.

기업별 DB 구축 수준은 천차만별이며, 구축 수준에 따라 현 상황은 다음과 같습니다.

[As-is]

• DB 구축 수준 Low: 담당자의 인맥으로 알음알음 자료를 얻습니다.
• DB 구축 수준 Mid: 프로젝트 히스토리 폴더를 만들어서 자료를 저장하고 공유합니다. 한계점은 폴더가 점차 많아짐에 따라 원하는 자료를 찾기 어렵다는 것입니다.
• DB 구축 수준 High: 웹 포털 기반의 MI 플랫폼에서 내외부 자료를 업로드하고 검색을 통해 원하는 자료를 손쉽게 다운받을 수 있습니다.

‘DB 구축 수준 High’ 수준은 자본과 인력이 있는 대기업에서 하고 있으며 현재로서는 가장 잘 구축되어 있다고 볼 수 있으나 여전히 한계는 있습니다.

• 첫째, 검색의 한계입니다. 현재는 자료의 제목이나 담당자가 자료를 올리면, 태그한 키워드를 기반으로만 찾을 수 있습니다. 예를 들어 ‘한식 조사’로 검색하면 제목이나 태그에 ‘한식’이 포함된 프로젝트만 보여줍니다. 따라서 양식 조사 보고서에 비교군으로 한식 내용이 포함되어 있더라도, 해당 보고서는 검색에서 제외될 수 있습니다.
• 둘째, 키워드 기반 검색의 한계입니다. 키워드는 맥락이 부족하기 때문에 담당자가 알고 싶은 온전한 질문을 검색하기 어렵습니다. 예를 들어 ‘최근 MZ세대가 데이트가 아닌 트렌드 공부를 위해 많이 가는 장소가 어디일까?’라고 질문하고 싶을 때, ‘MZ세대 핫플레이스’, ‘MZ세대 트렌드 공부’ 등 분절된 단어로 나눠서 검색해야 합니다.
• 셋째, 자료 검색 외 기능이 없다는 한계가 있습니다. 현재는 자료를 검색하면 목록화해서 보여주는 정도의 수준입니다.

그렇다면, 위에 언급한 한계점을 AI가 어떻게 개선할 수 있을지 살펴보겠습니다.

[To-be]

• (As-is) 제목/태그 기반으로만 검색 → (To-be) 내용까지 검토한 검색으로 고도화
  • AI가 데이터 및 보고서의 내용까지 리뷰해 적합한 정보를 찾아줄 것입니다.
    예: ‘양식에 대한 소비자 니즈’를 검색하면, 양식 조사 자료뿐만 아니라 유관 프로젝트(한식 조사, 식음료 조사 등)의 내용을 읽고 양식과 관련된 내용을 파악해 자료를 찾아줌
    → 예전이라면 모르고 놓칠 수 있는 자료를 찾아줌으로써 MI 담당자가 참고할 수 있는 자료가 풍부해질 것입니다.
• (As-is) 키워드 기반의 검색 → (To-be) 질문 기반의 검색
  • AI는 자연어 처리 능력이 있기 때문에, MI 담당자가 파악하고 싶은 내용을 질문 형식으로 검색하면 AI가 맥락을 파악해 자료를 찾아줄 것입니다.
    예: ‘최근 MZ세대가 데이트가 아닌 트렌드 공부를 위해 많이 가는 장소가 어디일까?’라고 질문하면, AI가 질문의 의도를 파악해 자료를 찾아줌
    → 키워드로 분절된 자료 탐색이 아닌 맥락을 고려해 자료를 탐색하므로 최적의 자료를 더 쉽게 얻을 수 있습니다.
• (As-is) 자료 검색 외 기능 없음 → (To-be) 자료를 분석해 요약 및 인사이트 제시
  • 관련 보고서 리스트를 단순히 목록으로 제시하는 것이 아닌, 보고서 안에서 연관성 높은 데이터, 고객 VOC 등을 발췌해 직접 분석 및 요약해 줄 것입니다.
    → MI 담당자가 필요한 데이터만 빠르고 쉽게 리뷰할 수 있도록 도와주므로 자료를 하나하나 읽어야 하는 수고로움을 덜어줄 것입니다.

2. 협력 네트워크 구축

MI 조직은 사내의 다양한 비즈니스 이슈를 다루는 업무를 하다 보니, 상품기획, 마케팅, 연구소와 커뮤니케이션을 해야 할 때가 많습니다. 따라서 부서별 어떤 문제가 있고, 시장과 고객을 통해 무엇을 알고 싶은지 등을 파악해야 합니다.

이러한 것들을 파악하기 위해 현재는 다음과 같이 거버넌스 업무를 진행하고 있습니다.

[As-is]

• 담당자가 인맥을 활용해 개별적으로 연락하며 정보를 얻습니다.
  • 문제점은 큰 기업일수록 이러한 방식으로 일하기는 어렵습니다. 기업 내 사람이 너무 많고 직무 순환도 잦은 관계로 어떤 담당자가 해당 업무를 잘 알고 있는지 파악하는 데 한계가 있습니다.
  • 사내 주소록에서 업무 프로파일을 조회할 수 있는 기업도 있으나, 주로 ‘현재 담당 직무’에 대한 정보만 적어놓기 때문에 이전에 했던 업무를 파악하긴 어렵습니다. 또한, 현 담당 업무도 잘 입력하지 않아 정보가 부족한 경우가 많습니다.

AI를 활용해 이러한 문제점을 개선할 수 있는 방향은 아래와 같습니다.

[To-be]

• AI 기반의 사내 전문가 매칭 시스템을 MI 플랫폼 또는 HR 시스템에 연계하여 구축할 수 있을 것입니다.
  • 예를 들어, ‘인도 시장 진출 전략 프로젝트를 시작하게 되었는데 조언을 구할만한 사람을 찾아줘’라고 검색하면, 관련 업무를 해본 내부 직원을 추천해 줄 수 있습니다.
  • 이전 경력을 조회하여 현재는 다른 업무를 하고 있지만 관련 전문성을 가진 직원도 추천해 줄 수 있습니다.
  • 또한, 사내 DB 시스템과 연계하여 해당 사람이 작성한 관련 보고서도 추천받는 기능도 기대해 볼 수 있습니다.
    → MI 담당자가 프로젝트와 관련해 사내 정보를 더 원활하게 얻을 수 있게 될 것입니다.

3. MI Ops 강화

MI Ops(Market Intelligence Operations)란, 기업의 마켓 인텔리전스 활동을 지원하는 체계, 방법론, 솔루션을 포괄하는 용어입니다. MI 담당자는 빠르게 변화하는 시대에 발맞춰 어떤 업체와 협력할지, 어떤 솔루션을 도입할지 검토해야 합니다.

[As-is]

• 현재는 대부분의 기업에서 담당자 간 인맥으로 추천을 받아 진행하고 있습니다.
• 일부 기업은 업체/솔루션 DB를 만들어서 관리하고 있습니다. 컨택 포인트, 장단점, 비용, 이슈 사항 등을 정리하여 자산화하고 있습니다.

[To-be]

• 이 업무는 AI로 인해 개선되기보다는 앞으로 AI 시대를 맞이하며 MI 담당자들이 어떻게 준비할지 고민이 필요한 영역이라고 생각합니다.
  • 기술이 빠르게 변화하며 기업 내부 리소스만으로 문제를 해결하기 점점 어려워지기 때문에, AI 기반의 솔루션을 어떻게 잘 활용할 수 있을지를 준비해야 합니다.
  • AI 솔루션들이 계속 쏟아져 나오기 때문에 트렌드를 파악하는 것도 중요하고, 기술을 잘못 사용할 경우 보안 및 할루시네이션 이슈 등의 문제가 발생할 수 있어 검증과 평가에 대한 고민도 필요합니다.

따라서 MI 담당자들은 다음에 대한 준비를 고려해야 할 것입니다.

• 첫째, AI 솔루션에 대한 탐색 및 DB 구축
• 둘째, AI 솔루션에 대한 경험 축적 (예: 시범 운영, 베타 버전 경험 등)
• 셋째, AI 솔루션 도입 Framework 구축 (예: 평가 기준, 내부 데이터 공유 범위 및 기준에 대한 설정, 보안 체계 수립 등)

4. 교육을 통한 역량 강화

MI 거버넌스 업무는 MI 담당자가 일을 더 잘할 수 있도록 지원 체계를 쌓는 것으로, 이 중에는 ‘교육’을 통한 역량 강화도 있습니다.

[As-is]

• (온보딩 교육) 신입 또는 외부 조직에서 새로운 사람이 오면 팀 내 사람들이 시간을 내어 업무 교육을 해줍니다.
  • 문제점은 팀이 바쁠 경우 온보딩 교육에 리소스 투자를 덜 하게 되고, 신규 직원이 업무 적응이 어려워질 수 있습니다. 또한, 사람마다 교육 방식이나 퀄리티가 다르다는 문제도 있습니다.
• (스킬 교육) 현재는 대부분 전통적인 조사 방법(정량 조사, 정성 조사)에 대한 교육을 주로 하고 있습니다.
  • 일부 기업에서 DT(Digital Transformation)를 위해 파이썬이나 태블로 교육을 진행하기도 하지만 아직 AI에 대한 교육은 부족한 상황입니다.

[To-be]

• (온보딩 교육) AI 에이전트를 활용한 온보딩 시스템을 구축할 수 있습니다. AI에게 기본적인 사내 지식과 업무 스킬을 학습시켜서 신규 직원을 실시간 보조하며 업무에 적응시킬 수 있습니다.
• (스킬 교육) 향후에는 AI 리터러시를 높일 수 있는 교육 콘텐츠에 대한 고민이 필요합니다.
  • 이전 콘텐츠들에서 언급한 것처럼 데이터 수집, 분석, 보고서 작성 등 거의 모든 MI 업무 프로세스에서 AI를 활용할 수 있습니다. 따라서 MI 담당자들이 이 변화를 주도적으로 끌어 나갈 수 있도록 역량 개발이 필요합니다.
  • 역량 개발의 기회는 학문적/개념적인 교육뿐만 아니라, 실질적으로 업무에 AI를 활용해 보면서 실무적 경험을 쌓을 기회도 동반되어야 합니다.

5. 마지막으로 정리하자면…

MI 조직을 체계적으로 관리하고 지원할 수 있도록 도와주는 MI 거버넌스 업무는 AI를 기반으로 더 파워풀해질 것으로 생각됩니다.

• 데이터베이스 관리: AI의 자연어 처리와 맥락 이해 능력을 기반으로 단순 자료 목록 제시가 아닌 최적의 데이터를 찾아줄 것입니다. 또한 자료 검색을 넘어 요약 및 인사이트 제공까지 해줄 것으로 기대됩니다.
  → 따라서 MI 조직에서는 향후 축적할 자료의 형태에 대한 고민도 필요할 것으로 예상됩니다. 현재는 사람이 잘 읽을 수 있는 형태로 보고서를 만들지만, 향후에는 AI가 잘 읽을 수 있는 머신 리더블(Machine-Readable)한 자료 구축이 필요한 시대가 올 것으로 생각됩니다.
• 네트워크 구축: AI 사내 전문가 매칭 시스템은 MI 담당자가 사내 이슈를 더 원활하게 파악할 수 있도록 도와주며, 해당 부분은 전사적으로 확장이 가능합니다.
  → 따라서 MI 조직에서 해당 기능을 MI 플랫폼에 선제적으로 구축해 플랫폼의 가치를 높일 필요가 있습니다. 즉, MI 플랫폼이 단순 데이터 저장소가 아닌, 자료 및 인적 자원을 활용하여 인사이트를 강화하는 협력의 장이 될 수 있기 때문입니다.
• MI Ops 강화 및 교육: AI 솔루션들이 쏟아져 나옴에 따라 MI 담당자들의 AI 리터러시 역량을 강화할 수 있는 인프라도 필요합니다. 다만, MI 담당자는 엔지니어가 아니기 때문에 기술적으로 접근하기보다는, AI를 활용하여 담당자의 산업 지식(도메인 지식)을 어떻게 극대화할 수 있을지, 즉 활용성에 대해 고민하는 방향으로 구축되어야 합니다.
  → 따라서 MI 조직에서는 AI 솔루션 도입을 위한 프로세스 구축(솔루션 발굴, 보안 강화 방향 구축, 내부 데이터 공유 기준 수립 등)이 필요합니다. 또한 조직 적응 및 역량 강화를 위한 AI 온보딩 교육 시스템 및 AI 리터러시 교육도 필요할 것으로 예상됩니다.

이번 콘텐츠는 ‘생성형 AI 시리즈’의 마지막 편입니다. 총 5가지 콘텐츠를 통해 현재 마켓 인텔리전스 업무에서 직면한 문제점들이 무엇인지, 앞으로 AI를 통해 어떻게 개선할 수 있는지, 그리고 MI 담당자들은 무엇에 집중하고 준비해야 할지 등 그 방향성을 참고하시는 데 도움이 되셨기를 바랍니다.