잠시 저와 함께 상상해 보십시오. 당신이 미국 중서부에 있는 중견 제어 부품 제조업체의 구매 담당 이사라고 가정해 봅시다. 화창한 월요일 아침, 사무실에 들어서며 디지털 데스크톱 비서에게 이렇게 말합니다. “좋아, ‘브리짓’, 지난 한 달간 2번 조립 라인에서 사용된 수동 부품의 소모량을 보여줘. 그리고 현재 소모량과 예상 출하량(±10%)을 기준으로 검토할 90일 주문 예측치도 뽑아줘.”

몇 초 만에 컴퓨터 화면에 스프레드시트가 나타나고, 디지털 비서는 예상되는 부품 수요를 공개 시장의 추정 재고와 매칭하고, 예상되는 관세 인상으로 인한 가격 변동까지 반영할지 물어봅니다.

이것이 바로 구매 부문을 계속해서 변화시키고 있는 인공지능(AI)이 약속하는 미래입니다. 다만 문제는, 우리가 이러한 시나리오로부터 얼마나 떨어져 있는가 하는 점입니다.

“인공지능”(AI)이라는 용어가 1956년 스탠퍼드 대학의 컴퓨터 과학자 존 매카시에 의해 처음 만들어진 이후, 그 정의는 상당히 발전해 왔습니다. 초기에는 AI를 “일반적으로 인간의 지능이 필요한 작업을 수행할 수 있는 컴퓨터 또는 기계 시스템”으로 지칭했습니다.

1961년, 영국의 과학자이자 수학자인 앨런 튜링은 “인간을 모방하고 지적인 행동을 할 수 있는” 기계라는 개념에 대해 글을 썼습니다. 당시의 핵심 단어는 “모방”이었습니다.

그러나 오늘날 사용되는 이 용어의 정의는 단순히 “모방”하는 것을 넘어, 컴퓨터나 기계가 인간의 학습과 의사결정에 상응하는 작업을 실제로 수행할 수 있는 능력을 의미합니다. 그 차이는 “학습”이라는 단어가 추가되었다는 데 있으며, 이는 기계가 환경과의 경험, 혹은 환경의 일부로서의 경험을 통해 적응하고 그에 따라 행동을 조정한다는 것을 뜻합니다.

머신러닝이야말로 새로운 AI를 진정으로 정의하는 요소이며, 이는 조달 시스템과 공급망 네트워크에서의 활용을 특히 흥미롭게 만듭니다. 머신러닝은 어떤 프로세스나 시스템에 의해 생성되는 방대한 양의 데이터를 수집하고 분석한 뒤, 그 데이터로부터 학습하여 다른 시스템에 조언을 제공하거나 말 그대로 제어하는 방식에 기반합니다.

구매 업무는 AI 시스템이 학습할 수 있는 방대한 데이터를 생성하며, 정교한 센서와 센서 네트워크, 그리고 사물인터넷(IoT)이 프로세스 제어 시스템, 재고 관리 시스템, 운송 및 배송 네트워크에서 점점 더 핵심적인 역할을 하게 됨에 따라 데이터 세트는 점점 더 풍부해지고 있습니다.

그러나 오늘날 많은 구매 부서에서는 분석과 빅데이터가 주도권을 쥐고 있는 반면, 데이터 품질과 통합은 뒷전으로 밀려나 있습니다. 이는 물량 기반 가격 책정, 일괄 배송, 기타 구매 효율화를 통해 얻는 비교적 적은 비용 절감 효과가, 구매 과정에서의 인지 편향 식별과 같이 AI가 진정으로 강점을 발휘하며 훨씬 더 큰 효율성으로 이어질 수 있는 영역보다 우선시된다는 것을 의미합니다.  

실제로 AI가 가장 즉각적인 영향을 미칠 수 있는 부분은, 그동안 고려되지 않았던 성과에 영향을 미치는 요인들을 기업에 알려주는 것일지도 모릅니다. 지출 분석 소프트웨어를 통해 조직의 전체 지출을 파악하면 방대한 지출 데이터를 의미 있게 해석할 수 있으며, 이는 지출 통합, 비용 절감, 프로세스 가속화, 그리고 전반적인 효율성 향상으로 이어질 수 있습니다.   

구매 기능에서의 AI 활용은, 통합된 데이터 수집과 스마트한 프로세스에 대한 기업의 헌신과 결합되어 전반적인 전략적 사고와 소싱 측면에서도 기회를 창출할 수 있습니다. 서두의 예시에 등장한 “브리짓”처럼 자연어 처리를 활용한 인지형 구매 어드바이저(CPA)와 가상 개인 비서(VPA)의 개발은 구매 기능 전반에 걸쳐 자동화와 효율성을 높이는 결과로 이어질 수 있습니다.

예를 들어, CPA는 요약본을 작성하고, 조언을 제공하며, 공급업체 평가, 성과, 리스크 관리, 규정 준수에 영향을 미치는 권고안을 제시할 수 있습니다. 소프트웨어 공급업체인 SAP Ariba는 이미 기업의 구매 정책과 절차를 이해하고 이를 청구서 발행 및 결제 영역에 적용하여 오류를 줄이고 처리 속도를 높일 수 있는 AI 기반 패키지를 제공하고 있습니다.

요약하자면, AI 시스템은 이미 존재하거나 개발이 진행 중이며, 다음과 같은(단, 이에 국한되지 않는) 기능을 약속합니다.

• 불완전하거나 부정확한 내부 지출 데이터의 탐지
• 반복적인 업무(공급업체와의 협상, 재고 목록 업데이트 등)의 자동화
• 내부 데이터와 외부 트렌드 및 개별 공급업체 데이터를 비교하여 리스크를 더 잘 관리
• 환율 변동성 및 그것이 지출에 미치는 영향에 대한 추적과 보고
• 과거 트렌드에 기반한 자동화된 구매 제안
• 내부 대 외부 구매 기능 성과 및 지출 패턴에 대한 통찰
• 특정 생산 요구사항에 맞춘 공급업체 추천
• 더 빠른 프로세스, 비용 절감, 효율성 향상을 위한 기회 식별
• 외부 수요 트렌드를 분석하여 가격 패턴 예측

그러나 이러한 분석 처리 능력이 갖춰졌다고 해서 대규모 도입이 그만큼 빠르게 진행되고 있는 것은 아닙니다. 실제로 Hackett Group의 최근 연구에 따르면, 대기업 임원의 85%가 향후 3~5년 내에 디지털 기술이 자사의 서비스 제공 방식을 바꿀 것이라고 믿고 있음에도 불구하고, 실제로 디지털 전략을 도입한 기업은 32%에 불과한 것으로 나타났습니다.

그러나 이러한 전반적인 디지털 전략의 공백에도 불구하고, Forrester Research는 2019년 말까지 기업의 55%가 어떤 형태로든 AI에 투자할 것이라고 밝혔으며, Gartner Inc.의 조사에 따르면 2023년까지 대형 글로벌 기업의 거의 50%가 공급망 운영에 AI를 활용하게 될 것이라고 합니다.

분명히, 업계 전반과 구매 기능에서 어떤 형태로든 AI 기반 소프트웨어를 활용하는 현실이 그 기대치를 따라잡기 시작하고 있습니다. 만약 당신이 대규모 글로벌 기업에서 근무하고 있다면, AI를 활용한 다양한 전략을 이미 한창 도입하고 있을 가능성이 큽니다. 실제로 주문 처리를 위해 AI 지원 로봇 기술을 이미 도입했거나, 창고 근로자를 지원하기 위한 AI 구동 로봇의 활용 확대를 논의하고 있을 수도 있습니다.

기술 발전과 실질적인 도입이 항상 함께 가는 것은 아닙니다. 하지만 21^세기 초반의 기술 발전, 특히 스마트 구매 시스템에서의 AI 활용은 점점 더 빠르게 진행되고 있습니다. 거래성 업무는 자동화되고 있습니다. 방대한 지표 분석에 기반한 의사결정이 곧 보편화될 것입니다. 같은 지표에 기반한 예측 역시 반드시 그 뒤를 따를 것입니다.

이 모든 것은 크고 작은 조직을 막론하고 구매 기능이 점점 더 운영 중심에서 전략 중심으로 이동하게 될 것임을 의미합니다. AI는 이러한 변화의 속도에 큰 영향을 미칠 것입니다. 한 가지 확실한 것은, AI는 계속 존재할 것이라는 점입니다.