AI 프로젝트의 95%가 실패한다는 MIT 난다 리포트의 충격적인 통계는, 기술 자체의 문제가 아니라 문제를 바라보는 시각의 차이에서 성패가 갈린다는 사실을 역설적으로 증명합니다. AI 비즈니스 현장에서 투자와 분석을 병행해온 언바운드랩 VC 조용민 대표의 인사이트를 중심으로, 성공하는 5%의 기업이 무엇을 다르게 하는지 살펴봅니다.
AI 비즈니스 실패율 95%가 말해주는 진짜 의미
MIT 난다 리포트에 따르면 AI 프로젝트를 도입한 300개 기업 중 무려 95%가 실패하고 있습니다. 이 수치만 보면 AI 도입이 무모한 도전처럼 느껴질 수 있습니다. 그러나 언바운드랩 VC 조용민 대표는 이 통계를 전혀 다른 시각으로 해석합니다. 그는 "95%가 실패하는 프로젝트를 지금 이 사회가 하고 있다는 것은 오히려 AI를 활용하는 데 리스크가 그만큼 줄었다는 의미"라고 말합니다. 과거에는 100개 기업 중 80%가 실패했다면, 지금은 500개 기업 중 5%가 성공하는 구조로 바뀌었다는 것입니다. 절대적인 성공 수가 실질적으로 늘어나고 있다는 뜻입니다.
이 관점은 단순한 낙관론이 아닙니다. AI라는 기술의 진입 장벽이 낮아지면서 누구나 손쉽게 AI를 시도할 수 있는 시대가 됐고, 그 결과 시도 자체의 총량이 폭발적으로 증가했습니다. 예전에는 AI를 시도조차 못 했던 기업들도 이제는 뛰어들고 있습니다. 그러니 분모가 커지면서 실패의 숫자도 함께 커 보일 뿐, 성공하는 방정식 자체가 사라진 것은 아닙니다.
그렇다면 왜 여전히 95%가 실패할까요? 조용민 대표는 그 핵심 원인을 기술적 한계가 아닌 관료주의적 문제 정의에서 찾습니다. 온프레미스 데이터 문제, 라지 랭귀지 모델의 망블리 이슈, 보안 규제 같은 것들이 실패 원인처럼 보이지만, 실제로는 AI를 어디에 플러그인할 것인지에 대한 고해상도 이해도가 없는 것이 진짜 원인이라는 것입니다. 미국의 어느 증권사 미팅에서 그가 목격한 장면이 이를 잘 보여줍니다. 대부분의 임원들이 "소비자 보호 문제 때문에 AI 도입은 시기상조"라고 말할 때, 한 대표는 "그것을 어떻게 우회할 수 있는지 미주 증권이나 다이 증권은 어떻게 풀었는지 스터디하자"고 말했습니다. 그 순간 함께 있던 미국의 AI CEO는 "이 회사는 된다"고 확신했습니다. 안 될 이유를 쌓아가는 조직과, 어떻게 될 수 있는지를 레트로스펙티브로 분석하는 조직의 차이가 곧 성패의 첫 번째 분기점입니다.
결국 실패율 95%라는 수치는 두려움의 근거가 아니라 성공 포뮬러를 빨리 추출해야 한다는 신호로 읽어야 합니다. 5%의 성공 기업이 어떻게 하는지를 스터디하는 것이 지금 AI 비즈니스를 준비하는 기업과 개인 모두에게 가장 시급한 과제입니다.
AI 비즈니스 성공의 출발점은 문제 정의에 있다
조용민 대표가 일관되게 강조하는 메시지는 하나입니다. "AI를 어디에 붙일까"가 아니라 "우리가 진짜 풀어야 할 문제가 무엇인가"를 먼저 묻는 것이 성공하는 기업의 공통된 출발점이라는 것입니다. 그는 이를 '문제 정의의 고해상도'라고 표현하며, 이 관점의 차이가 결국 AI 비즈니스의 성패를 가른다고 설명합니다.
그가 제시한 의료 AI 사례는 이 원칙을 매우 선명하게 보여줍니다. 미국 카이저 또는 세달 시나이 같은 병원에서 도입된 이 AI 솔루션은 의사가 환자를 보면서 음성으로 대화하면 보이스 레커니션이 실시간으로 차트를 작성해줍니다. 이 회사의 창업자는 다름 아닌 의사 본인이었습니다. 그가 풀고 싶었던 문제는 "어떻게 하면 더 좋은 EMR 솔루션을 만들까"가 아니었습니다. "어떻게 하면 퇴근을 빨리 할 수 있을까"였습니다. 결국 이 AI 회사의 KPI는 '퇴근'이었습니다.
이 KPI가 의미하는 바는 매우 큽니다. 단순히 차트 자동화 기능을 추가하는 것으로는 코드가 높은 의사 선생님들을 설득할 수 없었습니다. AI가 작성한 차트의 퀄리티가 의사 본인이 직접 쓴 것보다 일곱 배 좋아야 비로소 도입이 이루어졌습니다. 두 배, 세 배 수준으로는 만족하지 않았습니다. 이처럼 문제를 정확히 정의하면 KPI의 기준치 자체가 달라지고, 그것이 결국 AI의 성능을 끌어올리는 동인이 됩니다.
반면 실패하는 기업들은 "부서별로 AI로 풀 수 있는 문제를 한번 뽑아보라"는 방식으로 접근합니다. 조용민 대표는 이를 "실패의 첫 단추"라고 표현합니다. 부서별 문제는 그냥 풀어도 되는 문제입니다. 진짜 중요한 것은 부서 간, 혹은 조직 전체의 큰 비즈니스 KPI를 새롭게 정의하는 싱킹 프로젝트입니다. 팔란티어가 하는 모든 프로젝트가 그 산업에 없었던 질문을 던진다는 사실이 이를 뒷받침합니다. AI라는 도구를 어떻게 활용하느냐보다, 이 도구로 어떤 질문을 새롭게 재정의하느냐가 비즈니스의 방향 자체를 바꿉니다.
유튜브 좋아요 버튼의 사례도 같은 맥락입니다. 구글에서 근무하던 시절, 유튜브는 매치 게임 장르에서 영감을 받아 좋아요 버튼을 누를 때 빵 터지고 색깔이 바뀌는 기능을 추가했습니다. 단순히 좋아요를 더 받자는 게 아니라 AI를 더 똑똑하게 학습시키기 위한 데이터를 수집하겠다는 목적이 명확히 있었고, 그것을 이종 산업의 중독성 메커니즘으로 풀어낸 것입니다. 문제가 명확하면 해법은 전혀 예상치 못한 곳에서도 나올 수 있다는 것을 보여주는 사례입니다.
사용자 관점의 KPI 재설정이 AI 성과를 만든다
문제를 올바르게 정의했다 해도, 그것을 검증하는 기준이 잘못되면 AI 비즈니스는 또다시 표류합니다. 조용민 대표는 이 검증의 핵심을 '공급자 관점의 KPI'와 '사용자 관점의 KPI'의 차이로 설명합니다. 어느 쪽으로 KPI를 잡느냐에 따라 AI의 성능에 대한 판단 자체가 완전히 달라지기 때문입니다.
다이슨 사례가 이를 잘 보여줍니다. 헤어드라이어로 유명한 D사, 즉 다이슨의 경쟁사를 생각할 때 보통은 같은 카테고리의 P사나 엘 사를 떠올립니다. 이것이 공급자적 시각입니다. 그런데 데이터를 백트래킹해보니 다이슨을 구매한 고객의 65%가 2030 남성이었고, 이들이 2030 여성에게 선물로 준 경우가 많았습니다. 이 통찰을 바탕으로 전략을 재편하자, 다이슨의 진짜 경쟁자는 헤어드라이어 브랜드가 아니라 70만 원대 선물 시장이었음이 드러났습니다. 그 결과 프로젝트 큐피드라는 전략으로 선물 시장 공략에 성공합니다. KPI를 '카테고리 내 점유율'에서 '선물 시장 내 선택률'로 재설정한 것이 결정적이었습니다.
시니어 키오스크 사례는 더 직접적입니다. 기존의 공급자적 관점에서는 "시니어가 키오스크를 어려워하니 교육 프로그램을 만들자"는 결론이 나옵니다. 하지만 언바운드랩 연구원은 전혀 다른 질문을 던졌습니다. "교육할 필요가 없는 키오스크를 만들면 되지 않을까." 그 결과 카메라로 사용자를 인식하면 폰트 크기가 3.5배 커지고 메뉴가 28개에서 3개로 줄어드는 키오스크가 탄생했습니다. 바코드를 찍는 것조차 불편한 시니어를 위해 물건을 선반에 올려놓으면 비전 API로 레이블링을 트래킹해서 자동 계산하는 자율 계산대도 개발 중입니다.
배달앱의 이미지 리터칭 사례도 KPI 재설정의 중요성을 잘 보여줍니다. 어도비의 파이어플라이나 구글 이마젠을 활용해 식당 메뉴 이미지를 AI로 개선했을 때, 검증 지표는 단순히 "이미지가 예뻐졌는가"가 아니었습니다. 강남 3구에서 이미지를 보고 주문을 드랍하지 않는 확률, 그리고 앱을 켜고 오더 버튼을 누르기까지의 시간이 짧아지는지 여부가 핵심 KPI였습니다. 이처럼 사용자의 행동 변화를 정밀하게 측정하는 KPI를 설정할 때 비로소 AI의 도입 효과를 적확하게 판단할 수 있습니다.
또한 부정 댓글 마스킹 솔루션 사례는 AI의 뉘앙스 파악 능력이 얼마나 정교해야 하는지를 보여줍니다. AI로 전 세계 댓글을 크롤링하는 것은 누구나 할 수 있습니다. 그러나 "참 잘생겼다"는 댓글이 긍정인지 비꼬는 표현인지, "이 차 덕분에 돈 많이 아꼈다"는 말이 칭찬인지 불매 선언인지를 맥락과 댓글 작성자의 성향을 분석해 판단하는 것은 라지 랭귀지 모델이 깊이 있게 적용돼야 가능합니다. 이 솔루션의 KPI는 단순 분류 정확도가 아니라 자동차 신제품 런칭 시 실질적인 소비자 여론 변곡점을 얼마나 정밀하게 포착하느냐입니다. 이것이 바로 사용자 관점에서 KPI를 재설정한다는 의미입니다.
AI 비즈니스의 성패는 기술의 우열이 아니라 질문의 깊이에 달려 있습니다. 실패율 95%라는 수치는 AI가 어렵다는 증거가 아니라 문제 정의와 KPI 재설정 없이 기술만 붙이는 관행의 결과입니다. 성공하는 5%의 공통점은 기능 추가가 아닌 본질적 질문의 재구성이었습니다. 사용자 비평이 지적하듯, 'AI를 붙이지 말고 질문을 바꿔라'는 메시지야말로 현재 AI 열풍 속에서 가장 현실적이고 유효한 전략적 조언입니다.
[출처]
AI 토피아 — AI 비즈니스 성공 전략 (언바운드랩 VC 조용민 대표 출연): https://youtu.be/YDaz_a