- MIT ‘2025년 비즈니스 AI 현황’ 보고서에 따르면, 기업들은 생성형 AI에 300억~400억 달러를 지출했지만 95%가 투자 수익을 보지 못했으며, 오직 5%만이 ‘생성형 AI 격차(GenAI Divide)’를 넘어섰습니다.
- Qlik & ESG: 기업의 94%가 AI 투자를 늘리고 있지만, 단 21%만이 효과적으로 운영하고 있습니다. Informatica: 주된 원인은 낮은 데이터 품질, 준비 부족, 미성숙한 인프라입니다.
- 문제는 AI 모델 자체가 아니라, 통합 부족, 데이터 적합성 측정 불가능, 직원들의 기대치, 그리고 동적 거버넌스에 있습니다.
- 전통적인 프레임워크(RICE, ICE, MoSCoW)가 AI에서 실패하는 이유는 다음과 같습니다.
- Reach(도달 범위)는 절대적인 사용자 수에 기반하여 과장되기 쉽습니다.
- Confidence(자신감)는 주관적이며 데이터 위험과 모델의 능력을 간과합니다.
- Effort(노력)는 코딩 비용만 계산하고, 데이터 정제 비용은 계산하지 않습니다.
- Impact(영향력)는 AI가 인간을 보조하거나 대체할 수 있고 행동이 일관되지 않아 측정하기 어렵습니다.
- 애플은 ‘사고의 환상(The Illusion of Thinking)’ 연구를 통해 대규모 추론 모델(LRM)의 한계를 지적했습니다: 훈련 데이터를 넘어서는 일반화의 어려움과 불안정한 행동.
- 스탠퍼드 2025년 연구(100개 직업/800개 과업)에 따르면, 직원들은 업무의 약 50%를 AI가 지원해주기를 원하지만, 많은 AI 프로젝트는 잘못된 과업에 집중하고 있습니다. 제안된 ‘인간 주체성 척도’는 최고의 가치가 대체가 아닌 지원에 있음을 보여줍니다.
- RICE를 대체하기 위해 ARISE(AI 준비도 및 영향력 점수 평가)가 탄생했습니다:
- 도달 범위, 영향력, 자신감, 노력을 유지하되 척도를 표준화합니다.
- 3가지 새로운 요소를 추가합니다: AI Desire(실제 수요), AI Capability(데이터, 모델 성숙도), Intent(AI 지원 대 자동화).
- 공식: ARISE 점수 = (도달 범위 * 영향력 * 자신감 / 노력) × AI 수요 × AI 역량 × 의도 승수.
- 예: AI 코딩 어시스턴트(ARISE 점수 = 20)는 데이터 역량이 아직 약하기 때문에 자동 오류 수정 AI(점수 = 1)보다 우선순위가 높습니다.
- ARISE는 기업이 화려한 데모를 쫓는 것을 피하고, 인간과 AI의 균형을 맞추며 실제 가치가 있는 프로젝트에 집중하도록 돕습니다.
📌
생성형 AI에 300억~400억 달러가 투입되었음에도 불구하고, 95%의 조직이 혜택을 얻지 못하는 주된 이유는 구식 프로젝트 관리 프레임워크와 데이터 준비 부족 때문입니다. ARISE는 RICE를 대체하는 AI 네이티브 도구로 등장하여, AI 수요, 역량, 의도라는 척도를 추가하여 실현 가능성과 실제 가치를 보장합니다. 이를 통해 기업은 흔한 실수를 피하고, 올바른 AI 프로젝트를 우선순위에 두며, 인간 지원과 자동화 사이의 균형을 맞출 수 있습니다.
