//
저자가 이 장에서 가장 강조하는 메시지는 명확하다. AI가 항상 정답은 아니다. 문제 해결의 출발점은 "AI를 어떻게 쓸까"가 아니라 "이 문제에 AI가 적합한가"여야 한다.
| 조건 | 설명 |
|---|---|
| 패턴이 존재하는가 | 데이터에서 학습 가능한 반복 패턴이 있어야 한다 |
| 충분한 데이터가 있는가 | 학습에 필요한 양과 품질의 데이터가 확보 가능해야 한다 |
| 예측이 가치를 만드는가 | 모델의 출력이 실제 비즈니스 가치로 연결되어야 한다 |
| 오류를 감내할 수 있는가 | 100% 정확도가 아니어도 사용자에게 가치를 줄 수 있어야 한다 |
| 규모가 자동화를 정당화하는가 | 수작업 대비 AI 자동화의 비용 효율성이 있어야 한다 |
저자는 AI 도입을 재고해야 하는 상황도 분명히 짚는다.
3장에서 개념적으로 다룬 Build vs Buy를 이 장에서는 전략적 관점에서 더 깊이 파고든다.
저자는 Buy를 선택할 때의 리스크도 상세히 다룬다.
AI 전략의 핵심은 결국 데이터다. 저자는 데이터 전략을 세 가지 축으로 나눈다.
| 구분 | 합성 데이터 | 실제 데이터 |
|---|---|---|
| 확보 비용 | 낮음 | 높음 (수집, 라벨링) |
| 프라이버시 | 안전 | 규제 대응 필요 |
| 다양성 | 의도적으로 조절 가능 | 실제 분포 반영 |
| 현실성 | 실제 패턴 미반영 가능 | 현실 그대로 |
| 적합한 용도 | 초기 프로토타입, 데이터 부족 보완 | 프로덕션 모델 학습 |
저자는 합성 데이터를 "보충재"로 활용할 것을 권장한다. 실제 데이터를 완전히 대체하기보다는, 데이터가 부족한 엣지 케이스를 보강하거나 초기 프로토타입에서 가설을 빠르게 검증하는 용도로 효과적이다.
모델을 도메인에 맞게 커스터마이징하는 세 가지 접근을 비교한다.
| 접근법 | 원리 | 적합한 상황 | 비용 |
|---|---|---|---|
| 파인튜닝 | 기존 모델 가중치 조정 | 특정 도메인의 언어/스타일이 필요할 때 | 높음 |
| RAG | 검색된 문서를 컨텍스트로 제공 | 최신 정보 반영, 근거 제시가 필요할 때 | 중간 |
| 그라운딩 | 외부 데이터 소스로 사실 확인 | 할루시네이션 방지, 정확성이 중요할 때 | 중간 |
저자는 이 세 가지가 상호 배타적이 아니라 조합해서 사용하는 경우가 많다고 설명한다. 예를 들어 파인튜닝된 모델에 RAG를 적용하고, 그라운딩으로 최종 검증하는 파이프라인이 실무에서 흔하다.
장기적으로 데이터 전략의 핵심은 데이터 플라이휠(Data Flywheel)을 구축하는 것이다. 사용자가 프로덕트를 사용할수록 데이터가 쌓이고, 더 많은 데이터로 모델이 개선되고, 개선된 모델이 더 많은 사용자를 유치하는 선순환 구조다.
저자는 클레이튼 크리스텐슨의 혁신 이론을 AI 프로덕트 맥락에 적용한다.
| 구분 | 유지적 혁신 | 파괴적 혁신 |
|---|---|---|
| 정의 | 기존 프로덕트를 점진적으로 개선 | 시장 규칙을 바꾸는 새로운 접근 |
| AI 예시 | 검색 알고리즘 개선, 추천 정확도 향상 | ChatGPT, 자율주행 |
| 리스크 | 낮음 | 높음 |
| 고객 기대 | 기존 고객이 기대하는 개선 | 비소비자 또는 과잉 서비스 고객 대상 |
| PM 접근 | 데이터 기반 점진적 최적화 | 비전 중심, 시장 창출형 |
AI 기술은 유지적 혁신과 파괴적 혁신 모두에 활용될 수 있다. 저자는 대부분의 AI PM이 유지적 혁신에 집중하게 되지만, 생성형 AI의 등장으로 파괴적 혁신의 기회가 크게 열렸다고 본다.
저자는 전략을 수립할 때 "AI First"가 아닌 "Problem First" 사고를 권한다. AI는 솔루션 옵션 중 하나일 뿐이며, 문제를 먼저 깊이 이해한 후 AI가 최선인지 판단해야 한다. 이 원칙만 지켜도 실패하는 AI 프로젝트의 절반은 방지할 수 있다고 강조한다.
5장은 이 책에서 가장 전략적 사고를 요구하는 장이다. AI가 만능 해결책이 아니라는 전제를 받아들이고, 언제 AI를 쓰고 언제 쓰지 않을지를 판단하는 프레임워크를 제시한다. 데이터 전략에서 파인튜닝, RAG, 그라운딩의 비교는 실무에서 바로 활용 가능한 의사결정 기준을 제공하며, 파괴적 혁신과 유지적 혁신의 구분은 AI PM이 자신의 프로덕트가 어떤 혁신 유형에 속하는지 인식하게 돕는다.