[데이터조직]모든 문제를 AI로 풀 필요는 없다.

처음에 기업은 AI에 대한 관심이 생기기 시작하면 기존 기능조직을 최대한 활용해서 우선 성과를 내려는 시도를 한다. 이 때 통상 AI를 충분히 이해하고 있는 사업이나 서비스 조직이 있다면 다행이지만, 통상 그렇지 않기 때문에 AI의 리더는 유의미한 프로젝트를 선정하는데 상당히 많은 시간을 소모하는 경향이 있다.

이 과정에서 커리어에 대한 회의로 나가는 경우들도 종종 있지만, 이러한 과정을 잘 이겨내면 이후에 AI프로덕트 팀이라는 명칭 아래 목적 조직으로 셋팅이 되는 과정을 겪게 된다. 추천이나 광고조직이 그 대표적인 사례라고 생각할 수 있다. 이러한 조직은 이미 글로벌에서도 다양한 회사에서 조직형태를 갖추고 운용해온 사례가 적지 않고 사례가 많다 보니 서비스와 사업간의 KPI에 대한 논의도 매출 관점으로 쉽게 정의되곤 한다.

문제는 그 외의 AI 조직이다. KPI도 아직은 합의에 의해 안정되었을 뿐 확정되지 않는 경우도 많지만, AI의 놀라운 효율성이나 정확도에 기준해서 팀이 구성된 경우들이 많다보니 다들 AI 만능주의에 휩싸여서 AI로 모든 문제를 해결해나가기 위한 시도를 한다.

이 때 통상 데이터 과학자들은 모든 문제를 AI로 풀 수 없음을 알기에 AI에 기반한 단기개선안은 있을 수 없을 주장하고, 사업 또는 서비스 담당자들과 잦은 갈등을 만들어내곤 한다. 이는 너무나도 자연스러운 이야기이다. 과학자라는 명칭에서 느낄 수 있듯이서 관찰된 데이터에 기반해서 실험을 반복해도 답하기가 애매할 것같은 상황에서 모델을 단기간내에 개선하고 문제를 완벽하게 AI로 풀라니 너무나도 기가차는 말일 수 있기 때문이다.

이 때 프로덕트 오너가 해야 하는 부분은 AI 외적으로도 문제를 풀 수 있는 방법을 고민하는 자세가 필요하다. 말그대로 프로덕트이다. 고객에게 최종 노출되는 부분은 사실 모델외에도 UI/UX 그리고 백엔드 측면의 기술 아키텍처 등 상당히 많이 있기에 우리는 이 부분에서 문제를 다양한 요소로 해결해 나가는 자세가 필요하다. 그리고 문제를 모델이 해결할 수 있고 시간이 필요하다면 이렇게 여러 접점을 통해서 문제를 해결해 나가려는 시도가 필요하다. 다소 복잡한 방법이지만, 어떻게 보면 여러가지의 무기(백엔드 아키텍처, UX 등)가 있기 때문에 이렇게 항상 문제를 해결할 수 있다는 관점은 프로덕트 오너에게는 꽤나 중요한 덕목이 아닐까 싶다. 특히 데이터 과학자들 역시 이러한 요청을 할 수 있을 때 비로소 모델 중심의 사고를 넘어서 프로덕트의 사고를 할 수 있지 않나 싶다.

이런 고민을 최근에 하고 있는데, 이게 또 조심해야할 부분이 있다. 바로 본인의 커리어이다.  데이터 전문가로서 살아남고 싶은지, 아니면 CTO 커리어패스를 밟을 것인지, 아니면 그냥 COO커리어 패스를 밟고 싶을지에 따라서 이 문제를 접근하는 방식에 익숙해지고 훈련되는 것이 고민될 수 있다는 뜻이다. 만약 본인의 커리어와 다소 상반된다고 하면 팀내 적절한 구성원의 지원을 받아서 문제를 해결하는 방식도 나는 좋다고 생각한다.

어차피 고객은 내부 조직에 관심이 있고, AI 프로덕트 역시 프로덕트이기 때문에 고객의 관점에서는 이게 맞지만, 동시에 구성원으로서 이 경험이 본인에게 유익한지는 판단해야할 문제이기 때문에 쉽지는 않지만, 요지는 그렇다 프로덕트 조직이라면 프로덕트의 모든 관점을 활용해서 문제를 해결해야 하는 것이 제일 높은 우선순위임에는 틀림없다. 모델 <>프로덕트이다.