머신러닝 기술 기반의 분석 기법을 활용해 성공적으로 재무팀의 디지털 전환을 이끈 디지털 재무 리더들의 공통점은 무엇일까요?

 

디지털 재무 리더들을 위한 7가지 필수 능력

 

1. 고급 분석 기법으로 전략적 요구에 대응하기. 아직도 많은 회사가 재무팀에 회계장부 관리, 거래 내역 처리, 보고서 제출 등 전통적인 운영 업무를 기대합니다. 하지만 선도적인 재무 리더들은 디지털 전략 차원에서 고민하고 기술을 활용해 조직의 전략적 목표를 좀 더 빨리 달성하기 위한 기회를 모색합니다. 대부분의 디지털 재무 리더들은 회사 자산을 보호하고 사업 성과를 객관적으로 개선하기 위해 기술과 고급 분석 기법 활용을 전략적 우선순위로 고려합니다.

 

2. 머신러닝이 도출한 결과를 해석하고 설명하기. 머신러닝 모델이 블랙박스 같다고 말하는 사람들이 있습니다. 거기서 나오는 예측들이 어떤 식으로 도출되는지 불분명하기 때문입니다. 디지털 재무 리더들은 이런 한계를 알기 때문에 모델의 설명가능성(explainability)을 높이려 합니다. 즉, 모델이 어떤 식으로 결과를 산출하는지를 알기 위해 각종 기법과 도구를 동원해야 합니다.

 

3. 효과적 데이터 관리를 위해 다양한 부서와 협력하기. 데이터의 규모와 복잡성이 비약적으로 증가하면 재무팀이 다른 부서를 위해 실행 가능한 통찰력을 도출하는 데 필요한 데이터의 ‘진실된 하나의 출처’를 찾기는 더 어려워졌습니다. 디지털 재무 리더는 이렇게 양적으로 증가하는 데이터의 수집과 관리, 접근에 대한 지침이 될 만한 명확한 전략을 갖고 있고 그중 다수는 전체 조직의 데이터 전략을 정의하는 데 중요한 역할을 담당합니다.

 

4. 분석 기법을 팀에 내재화하기. 디지털 재무 리더들은 외부 전문가들의 역량에 의존하기보다 재무팀 내부에 데이터와 분석 기법을 구축하기 위한 단계를 밟습니다. 이를 위해서는 재무팀 직원 대다수가 데이터과학과 데이터관리 및 프로그래밍 교육을 반드시 받아야 합니다. 그와 동시에 발전된 AI 도구를 제대로 활용하려면 소통과 문제 해결 능력을 키우고 데이터로부터 실행 가능한 통찰을 도출할 수 있어야 합니다. 또 경험이 많은 재무, 회계 담당자들을 독려해서 데이터와 분석 기법을 활용한 잠재적 사용 사례를 적극적으로 실험하고 데이터와 신기술에 거부감을 갖는 사람들의 협조를 이끌어내도록 만들어야 합니다.

 

5. 탐색하고 실험하기. 디지털 재무 리더들이 데이터와 분석 기법을 성공적으로 활용하겠다는 목표에 차근차근 다가가는 경우는 드문데요. 실제로 많은 리더들이 처음에는 시행착오가 많았다고 고백했습니다. CFO는 인내심, 탐색적 접근법, 실험 결과가 계획대로 안 나와도 실패를 용인하는 자질 등을 갖춰야 합니다. AI 기반 모델이 가치 있는 결과를 생성하려면 적절한 데이터는 물론이고 데이터의 정교한 처리와 확장이 필요하기 때문에 시간이 걸릴 수 있습니다.

 

6. 팀 문화의 변화 관리하기. 재무팀의 문화는 보통 보수적이고 신중한 편입니다. 이런 특징은 오히려 새로운 도구와 업무 방식에 대한 저항감을 야기할 수 있습니다. 가령, 세법에 대한 자부심이 누구보다 강한 세무사는 아마도 세무 최적화 방법을 알려주는 기계의 존재에 거부감을 가질 것이고 AI가 제안하는 내용을 무시할 가능성이 큽니다. 성공하는 디지털 재무 리더는 데이터 기반의 문화를 확립하고 직원들이 앞선 분석 기법과 신기술을 수용했을 때 어떻게 기술의 효과가 극대화될 수 있는지 단계별로 설명할 수 있어야 합니다. 

 

7. 디지털 전환 노력에 모든 팀원을 동참시키기. 디지털 재무 리더들은 팀원 전체가 디지털 혁신에 참여하고 팀의 성공에 기여할 수 있도록 기회를 부여합니다. 포용적인 업무 환경에서는 직원 모두가 인정받고 있다고 느끼고 자신에게 맞는 디지털 기술을 개발할 수 있습니다. 재무팀 임원들은 팀원 전체가 자신에게 맞는 교육 및 기술과 데이터에 접근할 수 있도록 하면서 새로운 기술의 습득이 기회로 연결될 수 있도록 보장해야 합니다.

 성공적인 디지털 재무 리더가 되려면 이 공통점을 염두에 두고 재무팀의 데이터 분석 성숙도를 객관적으로 평가해 현재 팀의 디지털 여정이 어느 단계에 위치해 있는지 정확히 파악해야 합니다.

출처: 동아비즈니스리뷰 DBR 385호 (2024 1월 Issue2)

생성형 AI는 제품 및 서비스를 보다 손쉽게, 저렴한 비용으로 만들고 개선할 수 있게 만듭니다. 경쟁에서 앞서기 위해 많은 기업은 전략을 다시 고심하고 고객에게 가치를 더할 새로운 방법을 찾아야 합니다. 

기업이 어떻게 하면 생성형 AI를 기회로 전환할 수 있을까요? 

1. 사용 가능한 공개용 AI 도구를 도입한다.

 기업은 직원들에게 대규모 언어 모델(LLM)의 기성품이나 비슷한 유형의 생성형 AI를 제공할 수 있습니다. 그림을 그려주는 생성형 AI 미드저니Midjourney나 텍스트나 이미지를 주면 영상을 만들어주는 런웨이Runway 같은 도구를 통해 기존 업무를 더욱 효과적이고 효율적으로 처리할 수 있습니다. 단기적으로, 이런 AI 도구를 경쟁사보다 더 빨리 도입하거나 더 잘 활용하는 기업이 경쟁우위를 점할 수 있을 것입니다.

2. AI 도구를 커스터마이징한다.

 기업은 고객 서비스 과정에서 쌓은 데이터와 노하우를 활용하는 맞춤형 생성형 AI 도구를 만들 수 있습니다. 제품의 상호작용 등을 통해, 맞춤형 추천과 같은 새로운 기능을 수월하게 개발하여 고객 경험을 개선할 수 있습니다. 예를 들어 은행과 기타 금융기업은 ‘생성형 AI 은행원’을 구현할 수 있습니다. 인간인 은행 직원이 기존 고객에게 추천한 내용으로 훈련한 다음에 투자 조언을 원하는 고객에게 고객 상황과 니즈에 맞춰 조언할 수 있습니다. 

3. 자동화 및 지속적인 데이터 피드백 순환구조를 만든다.

 생성형 AI 도구를 완전히 구현하고 나면 이를 통한 서비스나 제품을 고객이 사용하는 자연스러운 과정에서 믿을 만한 신호가 만들어집니다. 이 신호는 자동으로 AI 도구에 피드백으로 전달되며, 생성형 AI를 통해 얻은 피드백으로 사람이 개입하지 않은 상태에서 기능을 개선할 수 있습니다. 고객이 원하는 결과를 내는 데 얼마나 유용했는지 추론할 수 있도록 하는 AI 도구를 도입하면 기업은 신뢰성이 매우 큰 신호를 얻을 수 있을 것입니다.

AI 모델 구현 시 고려사항은 무엇일까요?

생성형 AI의 장점을 온전히 누리려면 막대한 비용과 기술 전문성이 필요하고 이는 구현 레벨이 올라갈수록 늘어납니다. 

생성형 AI 도입 초기에서 주로 부딪치는 문제는 사내 데이터 담당 직원이 공개적으로 사용 가능한 생성형 AI 도구를 활용할 때 사내 데이터를 어디까지 공유할 수 있는지 입니다. 회사의 고유한 데이터를 공개적인 도구에 적용할 때마다 데이터 보안과 경쟁력 손실 우려가 뒤따른다. 이를 해결하는 보안 관련 생성형 AI 전문 업체가 등장하며, 대응에 노력을 기울이고 있는 상태입니다. 

생성형 AI 도입 중기에서는 맞춤형 AI 도구를 훈련하고 미세 조정fine-tuning해 응답의 관련성을 높이고, 허위 정보를 생성하는 할루시네이션Hallucination을 최대한 줄여 정확성을 높이는 데 집중해야 합니다.

생성형 AI 도입 후기에서는 제품 및 서비스와 함께 일부 사내 프로세스를 다시 디자인해 고객 경험 전반에 생성형 AI 서비스가 매끄럽게 녹아들게 만드는 데 초점을 맞춰야 한다. 이를 통해 기업이 얻는 피드백 시그널의 범위와 깊이, 품질이 극대화될 것입니다.

생성형 AI가 선사하는 기회를 제대로 포착하려면 적절한 실행이 필요하며, 이를 기술적인 문제가 아니라 하나의 전략으로 대해야 합니다.

이와 관련한 더 자세한 내용은  HBR 2024. 1-2월호 "생성형 AI, 실존적 위협에서 경쟁우위로 바꾸기"를 참고하시기 바랍니다.

출처 : HBR 2024. 1-2월호 "Turn Generative AI from an Existential Threat into a Competitive Advantage. How to factor the new technology into your strategy"