유통업계의 AI 혁명: 생성형 AI가 가져올 폭발적인 성장

LLM to ROI: How to scale gen AI in retail

보고서 개요 이 보고서는 유통 업계에서 생성 AI(Generative AI)가 어떻게 경제적 가치를 창출하고 있는지, 그리고 이 기술을 성공적으로 확장하기 위해 필요한 조직적 변화를 심도 있게 분석하고 있다. 2024년 4월, 글로벌 포춘 500대 유통 기업의 임원 52명을 대상으로 한 설문조사를 바탕으로 작성된 이 보고서는, 생성 AI의 도입 현황과 그 효과를 다루고 있다.

이미지 출처: 미드저니 생성

지난 8월에 공개된 맥킨지 보고서에 따르면, 생성형 AI는 유통업계에 2,400억 달러에서 3,900억 달러에 달하는 경제적 가치를 창출할 것으로 예상된다. 이는 업계 전반의 마진을 1.2~1.9% 포인트 증가시키는 효과가 있다. 생성형 AI가 아닌 AI 및 분석 기술의 가치까지 고려하면, 그 가치는 수십억 달러에서 수조 달러로 늘어날 수 있다.

지난 1년 동안 대부분의 유통업체들은 유통 가치 사슬 전반에 걸쳐 다양한 생성형 AI 활용 사례를 테스트하기 시작했다. 그러나 이러한 실험에도 불구하고, 생성형 AI의 잠재력을 최대한 활용하여 규모에 맞게 구현한 기업은 거의 없다. 맥킨지가 50명 이상의 유통업 임원을 대상으로 설문 조사한 결과, 대부분의 임원들은 대규모 언어 모델(LLM) 및 생성형 AI를 광범위하게 시험하고 확장하고 있다고 답했지만, 조직 전체에 생성형 AI를 성공적으로 구현했다고 답한 임원은 단 두 명뿐이었다.

일부 유통업체들은 기술 역량, 인재 확보 등 유통 조직의 일부를 재편해야 하는 생성형 AI의 광범위한 구현에 어려움을 겪고 있다. 데이터 품질 및 개인 정보 보호 문제, 불충분한 자원 및 전문성, 구현 비용 또한 유통업체들이 생성형 AI 실험을 확장하는 속도에 걸림돌이 되고 있다.

생성형 AI의 힘을 성공적으로 활용한 유통 기업들은 일반적으로 두 가지 핵심 영역에서 뛰어나다. 첫째, 다양한 시나리오에 걸쳐 리소스를 분산하기보다는 생성형 AI 활용 사례가 특정 영역을 어떻게 변화시킬 수 있을지 고려한다. 둘째, 파일럿 및 개념 증명 단계에서 큰 규모의 배포 단계로 효과적으로 전환한다. 여기에는 데이터 우선순위 지정 및 기술 통합뿐만 아니라 광범위한 AI 도입을 지원하기 위한 상당한 조직 변화도 필요하다.

생성형 AI, 유통업을 어떻게 변화시키는가

생성형 AI는 유통업체의 내부 가치 사슬과 고객 경험을 변화시키는 두 가지 방식으로 유통업을 변화시킬 수 있다.

내부 가치 사슬 강화

생성형 AI는 마케팅, 상용화, 유통, 백오피스 업무 등 유통 가치 사슬의 각 단계에서 생산성과 효율성을 높일 수 있는 잠재력을 가지고 있다. 유통업체들은 즉각적인 효과를 낼 수 있는 활용 사례를 통해 가치 사슬 전반에 걸쳐 생성형 AI의 영향력을 실현하기 시작할 수 있다. 이러한 활용 사례는 일반적으로 다른 생성형 AI 활용 사례에 비해 영향력 대비 구현에 필요한 리소스가 적다. 실제로 유통업체들은 많은 수정 없이도 현재 사용 가능한 즉시 사용 가능한 도구를 더 쉽게 배포할 수 있다.

이미지 출처: 맥킨지 홈페이지

예를 들어, 아마존은 2023년 말 광고주가 더 나은 광고 경험을 제공할 수 있도록 AI 기반 이미지 생성 도구를 출시했다. 이 도구는 생성형 AI 텍스트 프롬프트를 사용하여 기본 제품 사진을 보다 사실적인 라이프스타일 이미지로 변환한다. 예를 들어 흰색 배경에 소파 사진을 보여주는 대신 AI가 생성한 거실에 소파를 배치하여 쇼핑객이 제품을 더욱 관련성 높은 맥락에서 상상할 수 있도록 돕는다. 이 도구는 지금까지 광고 클릭률을 최대 40%까지 향상시켰다. 또 다른 예로, 메르카도 리브레는 ‘코파일럿’을 도입하여 개발 팀의 만족도와 생산성을 향상시켰다. 코파일럿은 반복적인 작업을 자동화하여 직원들이 더 가치 있는 작업에 집중할 수 있도록 지원하는 생성형 AI 도구이다.

생성형 AI는 일상적인 작업을 단순화하는 데 도움이 될 뿐만 아니라 자동으로 통찰력, 근본 원인을 파악하고 특정 업무 영역이나 회사 전체의 대응 방안을 생성하여 유통업체의 의사 결정 속도를 높이는 데도 도움이 될 수 있다. 맥킨지는 생성형 AI 기반 의사 결정 시스템이 최대 5%의 추가 매출을 창출하고 EBIT 마진을 0.2~0.4% 포인트 개선할 것으로 예상하고 있다.

고객 경험 재창조

생성형 AI는 고객 여정 전체에서 유통 업체와 고객의 상호작용을 늘리고 고객 경험을 재창조할 수 있는 잠재력을 가지고 있다. 생성형 AI 기반 챗봇 비서는 유통업체가 고객과 더 효과적으로 소통하는 데 사용할 수 있는 주요 도구 중 하나다. 고객은 챗봇을 사용하여 제품 추천을 받고, 제품 또는 기업에 대해 자세히 알아보고, 가상 쇼핑 카트에 품목을 추가하거나 제거할 수 있다. 중요한 점은 많은 소비자가 제품 구매 후가 아니라 구매를 결정하기 전에 이러한 챗봇을 사용할 것이므로 챗봇을 사용하면 유통업체가 쇼핑 여정 초기에 고객과 소통하여 고객 만족도를 높이는 데 도움이 될 수 있다는 것이다.

챗봇은 고객의 정신적 부담과 쇼핑 시간을 줄이는 데 도움이 되는 편리한 도구가 될 수 있지만, 쇼핑 경험을 진정으로 변화시키고 고객의 마음을 사로잡으려면 고객의 주문 내역, 제품 선호도 및 쇼핑 습관을 기억하는 등 챗봇을 개인 맞춤화해야 한다. 식료품 및 패션 분야를 중심으로 많은 선도적인 유통업체들이 이미 챗봇 실험을 시작했지만, 아직 대부분의 초기 실험에서는 개인화의 힘을 제대로 활용하지 못하고 있다.

맥킨지의 통제된 고객 실험에서 챗봇은 고객 편의성을 크게 향상시키는 것으로 나타났다. 기존 유통 앱과 생성형 AI 지원 챗봇의 MVP(Minimum Viable Product)를 비교했을 때, 챗봇은 주문 완료 시간을 50~70% 단축했다.

이미지 출처: 맥킨지 홈페이지

유통업에서 생성형 AI 사용을 확대하는 방법

생성형 AI는 더 이상 새로운 기술이 아니다. 기업들이 실질적인 가치를 창출하기 위해 이 기술을 구현하는 방법을 모색함에 따라, 동급 최고의 유통업체들은 경쟁업체에 뒤처지거나 더 나쁜 경우 고객을 잃을 위험을 감수하기보다는 테스트에서 확장으로 넘어가야 할 것이다. 유통업 임원들은 생성형 AI 도구를 확장하기 위해 디지털 및 AI 분야에서 경쟁 우위를 확보하기 위한 다섯 가지 필수 요소를 고려할 수 있다.

• 변화가 필요한 특정 분야 판단: 유통업 임원은 추구할 생성형 AI 활용 사례를 식별하기 전에 고객 경험, 마케팅 또는 매장 직원 생산성과 같이 변환이 필요한 다양한 특정 분야를 식별해야 한다. 먼저 변화가 필요한 분야를 정의함으로써 유통업체는 RPA 또는 고급 분석과 같은 생성형 AI의 영향을 강화할 도구를 결정할 수 있다.

• 생성형 AI 기술 개발을 위한 인재 육성: 인사 담당 리더는 기술 인재와 비기술 인재 모두에게 생성형 AI 소프트웨어 개발 및 프롬프트 엔지니어링과 같은 학습 프로그램에 참여할 수 있는 기회를 제공해야 한다.

• 확장을 지원하는 중앙 집중식 부서 간 팀 구성: 생성형 AI 확장은 유통업체의 기술 역량에 달려 있지만, 유통업체는 조직 전체의 리더를 모아 생성형 AI가 비즈니스 개선에 어떤 도움을 줄 수 있는지 파악할 수 있다. 단기적으로 확장 속도를 높이기 위해 소집된 이러한 부서 간 팀은 비즈니스 전반에 걸친 공동 목표를 설정하고 유통업체의 전체 전략을 강화해야 한다.

• 확장 가능한 기술 아키텍처 설정: 특정 생성형 AI 공급업체에 전념하기 전에 유통업체는 다양한 공급업체를 실험하여 어떤 공급업체가 자신의 요구에 가장 적합한지 평가해야 한다. 유통업체에게 이상적인 생성형 AI 아키텍처는 LLM 간 전환을 더 쉽게 할 수 있을 만큼 민첩하여 조직 전체에도 더 쉽게 기술을 확대 적용할 수 있다. (즉, 쉽게 교체할 수 있는 모듈식 구성 요소를 사용하는 것을 의미한다.)

• 모델에 데이터 공급을 위한 데이터 품질 보장: 비정형 데이터는 유통업체의 생성형 AI 도구에 필요한 데이터를 공급하고 핵심 고객 인사이트를 제공하는 데 중요한 역할을 할 것이다. 유통업체는 다른 유통업체와 차별화되는 비정형 데이터 소스를 파악하고(예: 식료품점은 새로운 레시피 데이터베이스를 개발하거나 기존 데이터베이스를 활용할 수 있음) 메타데이터 태깅 표준을 설정하여 기술 팀이 유통업체의 생성형 AI 모델에 더욱 효율적으로 데이터를 공급할 수 있도록 해야 한다. 데이터에 대한 결정은 데이터의 비즈니스 응용 프로그램에 대한 명확한 이해를 바탕으로 해야 한다.

위에서 설명한 지침 중 일부는 모든 분야에 적용될 수 있지만, 유통 분야에서 생성형 AI를 확장하는 것은 이 기술의 몇 가지 사용 사례가 소비자와의 직접적인 상호 작용을 포함하기 때문에 특별하다. 유통 분야에서는 1%의 오차율만으로도 수백만 건의 고객 응대 실수로 이어질 수 있다. 이는 강력한 생성형 AI 위험 지침 및 안전 테스트가 중요함을 시사한다. 위험 부담은 더 커질 수 있지만, 그만큼 보상도 더 크다.

보고서 전문의 맥킨지 홈페이지에서 확인할 수 있다.

위 기사는 Google Gemini Advanced를 활용해 작성되었습니다.

관련 콘텐츠 더보기