구매에서의 생성형 AI 적용

소개

생성형 인공지능은 인간과 유사한 창의적 능력으로 인해 비즈니스 세계에서 큰 관심을 받고 있습니다. ChatGPT 출시 이후, 전 세계 조직들은 그 응용 프로그램을 열심히 탐구하고 있습니다. 기술이 지속적으로 진화함에 따라, 이는 비즈니스 기능에 깊은 영향을 미치고 있으며, 구매(Procurement) 기능도 예외는 아닙니다. 시간이 지남에 따라 구매(Procurement)는 백오피스 기능에서 전략적 사업 부문으로 발전하여 전통적인 비용 절감 제공을 넘어 전략적 공급업체 관계를 구축하고, 동적으로 위험을 관리하며, 비즈니스 연속성을 보장하는 우선 순위를 갖게 되었습니다.

기술은 구매(Procurement) 조직이 데이터를 활용하여 프로세스 전반에 걸쳐 효율성, 생산성 및 정확성을 개선하여 비용 절감을 넘어 가치를 제공할 수 있도록 하는 데 중요한 역할을 합니다. 그러나 구매(Procurement) 조직은 재무 및 회계(F&A) 및 인적 자원(HR)과 같은 비즈니스 기능에 비해 고급 디지털 솔루션 채택에서 선두에 있지 않습니다. 구매(Procurement)는 AI/ML 기반 분석 및 지능형 문서 처리(IDP)와 같은 고급 기술에 어느 정도 관심을 보였지만, 인지 솔루션의 전체 채택은 여전히 초기 단계에 있습니다. 의사 결정 지원에 도움을 줄 수 있는 AI/ML 기반 인지 솔루션의 출현은 구매(Procurement) 운영을 변혁할 새로운 기회를 열어주고 있습니다.

AI 모델의 성숙도, 더 빠른 시스템 계산 능력 및 고품질 모델 훈련 데이터의 가용성에 대한 최근 발전은 생성형 AI와 같은 기술을 재정의하고 있습니다. 이러한 AI 모델은 텍스트, 이미지, 비디오, 오디오, 코드 조각 및 합성 데이터를 포함한 고유한 콘텐츠를 생성할 수 있습니다. 생성형 AI는 기존 AI 기반 솔루션의 적용 가능성과 능력을 더욱 확대하여 잠재적으로 더 높은 채택 및 영향을 초래할 것으로 예상됩니다. 여러 산업의 조직이 운영에서 생성형 AI 기능을 활용하는 방법을 탐구함에 따라, 구매(Procurement) 리더들도 변혁 여정의 일환으로 소싱에서 지불(Source-to-Pay, S2P) 가치 사슬 전반에 걸쳐 잠재적인 고영향 사용 사례를 식별하기 위해 이 분야의 발전을 열심히 추적하고 있습니다.

이 관점에서, 우리는 생성형 AI 시대의 구매(Procurement) 운영의 디지털 변혁을 탐구합니다. 여기에는 다음이 포함됩니다:

• 구매(Procurement)에서 디지털 채택의 현재 상태
• S2P 가치 사슬 전반에 걸친 AI/ML 기반 솔루션의 사용 사례
• 생성형 AI의 출현과 그 의미
• 구매(Procurement) 운영 내 생성형 AI의 사용 사례와 그 우선순위
• 생성형 AI 솔루션의 성공적인 구현을 보장하기 위한 주요 고려사항

구매에서의 디지털 채택 현황

많은 조직은 여전히 전통적인 기술을 활용하여 구매 운영을 수행하는 레거시 시스템에 의존하고 있습니다. 지금까지 구매 조직은 AI/ML 기반 인지 솔루션을 대규모로 채택하지 않았습니다. 기술 및 서비스 제공업체도 다양한 제공을 통해 대부분의 조직의 구매 운영 디지털 변혁을 추진하는 데 중요한 역할을 하지만, 이러한 경우에도 전통적인 기술 역량을 갖춘 솔루션의 채택이 고급 기술 역량보다 높습니다.

구매의 디지털화는 전통적으로 기본 분석, 로봇 프로세스 자동화(RPA) 및 규칙 기반 챗봇을 활용하는 데 중점을 두고 있습니다. 기본 분석 역량은 데이터 관리, 보고 및 대시보드를 간소화하는 데 도움이 됩니다. RPA를 통한 반복적인 프로세스 자동화는 처리 시간과 수작업 노력을 줄여 조직이 보다 전략적이고 판단이 요구되는 활동에 자원을 투입할 수 있게 합니다. 규칙 기반 챗봇은 다양한 이해 관계자로부터의 일반적인 문의에 신속히 답변하는 데 도움이 됩니다. 이러한 기술의 채택은 혜택의 빠른 실현, 낮은 구현 비용 및 높은 채택 용이성과 같은 요인에 의해 추진됩니다.

보다 성숙한 구매 조직은 고급 기술을 채택하고 있지만 제한적인 범위에서만 적용하고 있습니다. 일부 조직은 문서에서 비정형 데이터를 자동으로 추출하기 위한 IDP 기능과 같은 고급 기술을 채택하여 수작업 노력과 시간을 절약합니다. 일부 상황에서는 AI 기반 고급 분석이 S2C 및 P2P 제품군 또는 분석 도구를 통해 사용되어 정보에 입각한 의사 결정을 가능하게 합니다. 또한, AI로 구동되는 지능형 자동화 솔루션의 채택은 복잡한 워크플로우 및 프로세스를 자동화하는 RPA 역량을 향상시키고 있습니다. 프로세스 마이닝 솔루션과 같은 인지 기능은 프로세스 병목 현상을 식별하여 자동화 노력을 보완합니다. 그러나 높은 비용, 과거 데이터 부족, 이질적인 시스템, 기술 격차 및 ROI 명확성 부족은 고급 기술의 채택을 제한하는 요소입니다.

그림 1은 구매 조직의 디지털화 여정을 보여주며, 전통적인 기술은 높고 점진적으로 성장하고 있는 반면 고급 인지 기술은 여전히 낮은 수준의 채택을 보여주고 있습니다.

AI/ML 역량 활용 기회

낮은 채택률에도 불구하고, AI/ML 기술은 구매(Procurement) 내에서 가치 가속화를 촉진하는 광범위한 응용 프로그램을 제공합니다. 그림 2에서 보여지듯이, 조직은 효율성과 정확성을 향상시키기 위해 S2P 가치 사슬 전반에 걸쳐 AI 역량을 통합하는 것을 목표로 해야 합니다.

AI 역량이 구매(Procurement) 내에서 엄청나게 변혁적인 응용 프로그램을 가질 수 있지만, 처음부터 끝까지 구매 운영을 수행하기 위해서는 여전히 상당한 인간의 개입이 필요합니다. 이는 요구서, 구매 주문서, 송장, RFX 및 계약서와 같은 문서 작성에서의 판단 필요성, 그리고 지출 범주, 위치 및 의사 결정 프로세스(예: P2P 내 승인, 소싱 전략, 협상 및 카테고리 관리)에 따라 달라지는 맞춤화 때문입니다. AI 모델이 진화함에 따라, 현재의 한계를 극복하고 변혁을 이끌어갈 능력이 증가할 것입니다.

생성형 AI의 등장과 잠재적 영향

생성형 AI 모델은 대량의 데이터를 기반으로 학습되며, 대형 언어 모델(LLMs)을 기반으로 구축됩니다. 이는 훈련 데이터를 넘어선 콘텐츠를 생성할 수 있게 하며, 이들의 창의적이고 혁신적인 문제 해결 능력 및 콘텐츠 생성 능력은 인간과 매우 유사합니다. 생성형 AI의 독특함은 훈련 데이터와 유사하지만 복사본이 아닌 새로운 데이터를 생성할 수 있는 능력에 있으며, 이를 통해 지속적으로 자기 학습이 가능합니다. 이러한 모델은 미리 정의된 작업, 도메인 및 기존 패턴을 넘어 창의적으로 작동하여 반드시 과거 데이터나 관련 패턴에 의존하지 않는 새로운 출력을 생성할 수 있습니다.

이전의 AI 솔루션도 패턴을 식별하고, 트렌드를 예측하며, 미래 결과를 예측하는 데 도움을 줄 수 있었지만, 그 출력은 주로 모델에 입력된 가용한 과거 데이터에 기반했으며, 데이터 세트 너머의 창의적 출력을 생성할 수 있는 능력이 부족했습니다. 생성형 AI는 상황의 독특성에 따라 행동하고, 동일한 상황이나 문제의 기록된 데이터가 모델에 입력되지 않았더라도 새로운 문제를 해결할 수 있습니다. 전통적인 솔루션은 매개변수에 걸쳐 미리 정의된 기준과 규칙에 따라 출력을 결정하는 규칙 기반 접근 방식을 따릅니다. 이들은 생성형 AI의 혁신적 능력, 즉 경직되고 도메인 또는 목적에 구체적인 접근 방식이 부족합니다. 그림 3은 이전의 AI/ML 모델보다 생성형 AI의 우수한 능력을 보여줍니다.

또한, 생성형 AI는 고급 인지 솔루션의 응용 프로그램을 향상시켜 채택률을 증가시킬 수 있으며, 이는 그림 4에서 보여집니다. 아웃소싱 서비스 및 기술 제공업체는 기존 솔루션에 생성형 AI 역량을 추가하여 이 추세에 기여할 것으로 예상됩니다.

조직들은 생성형 AI가 AI/ML 솔루션에 의해 주도되는 가치를 크게 가속화하고, 이러한 솔루션에서의 결과와 ROI를 향상시킬 수 있다는 것을 인식하고 있습니다. 아직 탐색 단계에 있지만, 생성형 AI의 사용 사례는 S2P 가치 사슬 전반에 걸쳐 높은 잠재력을 보여주고 있으며, 여기에는 창의적인 콘텐츠 생성과 혁신적인 문제 해결 역량을 요구하는 많은 프로세스가 포함됩니다. 생성형 AI는 단순히 정교한 도구로서가 아니라 구매(Procurement) 디지털 생태계의 필수 요소로서 구매(Procurement) 운영을 더욱 변혁하는 데 중요한 역할을 할 수 있습니다.

생성형 AI를 통한 구매 운영 변혁

조직들은 S2P 가치 사슬 전반에 걸쳐 생성형 AI 기술의 많은 잠재적 사용 사례를 탐색하고 있습니다. 이러한 사용 사례는 그림 5에서 보여지듯이 크게 세 가지 범주로 분류될 수 있습니다.

이 응용 프로그램들을 아래에서 자세히 살펴보겠습니다.

문서 작성(Document creation)

S2P(소싱에서 지불까지)에는 여러 거래와 워크플로 내에서 관련된 문서가 포함됩니다. 주요 문서에는 요구서, 구매 주문서, 송장, RFX 및 계약서가 포함됩니다. 생성형 AI는 이러한 문서 작성을 미리 정의된 템플릿을 넘어 자동화하는 데 도움을 줄 수 있습니다. 적절한 프롬프트를 통해 거의 즉시 원하는 유형, 형식 및 템플릿의 문서를 생성할 수 있습니다. 이 과정에는 인간의 모니터링 및 품질 승인이 필요할 수 있지만, 다양한 범주, 공급업체 및 위치에 대해 이러한 문서를 반복적으로 수동 작성하는 데 소요되는 시간과 노력을 줄여줍니다.

의사 결정 지원(Decision support)

조직은 구매(Procurement) 운영을 지원하기 위해 포괄적인 생성형 AI 모델을 고려할 수 있으며, 이는 주제 전문가와 같이 24시간 내내 작동하며, 인간이 평가하고 그 출력을 검증합니다. 이 모델을 사용하여 위치, 과거 성과, 재무 건전성, 서비스 역량, 가격, 지원 언어 및 근해(Shoring) 믹스와 같은 매개변수를 기반으로 공급업체를 식별할 수 있습니다. 또한, 이 모델은 높은 정도의 자동화를 통해 공급업체 온보딩을 평가하고 실행하는 데 도움을 줄 수 있습니다. 생성형 AI는 실시간 가격 벤치마킹을 계산하고, 시장 정보 및 기록된 협상 데이터를 통해 통찰력을 도출하여 더 나은 협상 전략을 수립할 수 있습니다.

생성형 AI의 인간과 같은 대화 스타일 덕분에 데이터 처리 및 분석 역량과 결합되어 공급업체 관계를 더 잘 관리하는 데 사용할 수 있습니다. 예를 들어, 정기적인 성과 평가를 통해 공급업체로부터 필요한 추가 데이터를 자동으로 요청할 수 있으며, 제출된 점수 카드, 데이터 시트 및 보고서를 분석하여 공급업체 위험을 모니터링할 수 있습니다. 이러한 반복적이지만 가치 창출 활동을 자동화하는 데 도움을 줄 뿐만 아니라, 문제를 식별하는 것에 그치지 않고 문제를 해결하기 위한 권장 사항을 제공하여 이러한 활동을 개선할 수 있습니다. 또한, 특정 공급업체와의 상호 작용을 평가하고 관계를 개선하기 위한 수정 단계를 제안할 수 있습니다.

혁신적인 능력 덕분에, 생성형 AI는 가치 사슬 전반의 프로세스를 최적화하는 방법을 제안할 수 있습니다. 여기에는 다음이 포함됩니다:

• 보다 정확한 평가를 위해 점수 카드 내 편집 제안
• 혁신 가능성이 있는 서비스 영역 식별
• 공급업체 거버넌스 모델의 병목 현상 표시
• 송장 처리를 최적화하기 위한 지불 일정 제안
• 소싱 전략에 따라 특정 요청을 포함하도록 RFX 문맥화
• 지역 또는 위치에 맞게 조항을 맞춤화하여 특정 지역에 적합한 계약 작성
• 워크플로 평가 및 프로세스 개선 제안

생성형 AI는 다양한 전략을 공식화하는 데 도움을 주어 리더십 팀에 귀중한 조수 역할을 할 수 있습니다. 지금까지 조직은 제한된 데이터를 기반으로 전략적 상류 구매(Procurement) 프로세스를 실행하기 위해 AI가 생성한 통찰력에만 의존했습니다. 생성형 AI는 여러 매개변수와 시나리오를 이해할 수 있는 능력으로, 조직의 정책 및 우선순위를 고려하여 신속하게 전략을 공식화하는 데 도움을 줄 수 있습니다. 거시 경제적 불확실성과 관련된 인플레이션 압력, 높은 금리 기간 동안, 구매(Procurement) 이해 관계자들에게 중요한 관심사가 될 수 있는 것은 생성형 AI일 것입니다.

AI는 조직별 요구 사항, 공급업체 환경, 지역적 특성 및 범주 지식을 기반으로 비용 절감 기회를 식별하는 능력을 갖추고 있습니다.

가상 비서(Virtual assistance)

ChatGPT는 생성형 AI의 텍스트 생성 능력에 대한 거의 즉각적인 인식을 만들어냈습니다. 구매(Procurement)에서 조직들은 인간이 운영하는 구매 데스크를 대체하고 가이드 구매를 변혁할 수 있는 가상 구매 보조로 생성형 AI를 활용하는 데 관심을 보이고 있습니다. 생성형 AI는 또한 직원, 공급업체 또는 기타 이해 관계자의 일반적인 구매(Procurement) 관련 문의에 대한 응답을 자동으로 생성하는 데 사용할 수 있습니다. 이는 헬프데스크 에이전트의 업무량을 줄이고 응답 시간을 개선하며 제공되는 정보의 일관성과 정확성을 보장합니다.

우선순위를 통한 AI 구현 최적화(Optimizing AI implementation through prioritization)

많은 생성형 AI 사용 사례와 기존 AI 응용 프로그램을 향상시키는 능력을 고려할 때, 조직은 결과를 최적화하기 위해 S2P(소싱에서 지불까지) 가치 사슬 전반에 걸쳐 이러한 기술의 배포를 우선시해야 합니다. 채택 잠재력과 영향은 단계적으로 인지 솔루션을 구현할 때 고려해야 할 주요 차원입니다. 그림 6은 AI 구현을 우선시하는 데 사용할 수 있는 프레임워크를 보여줍니다.

우리는 예상되는 영향 수준과 채택 잠재력을 기준으로 네 개의 사분면에 걸쳐 예제 사용 사례를 구분했습니다.

가속화(Accelerate)

이 사분면의 사용 사례는 구매(Procurement) 생태계가 AI 기반 변혁 여정을 시작하기 위해 빠르게 채택할 수 있는 저관여 과실입니다. 이러한 사용 사례는 높은 채택 잠재력을 가지고 있으며 높은 영향을 미칠 것으로 예상되어 비용 효율적이고 구현하기 쉽습니다. 예를 들어, 조직은 구매 헬프데스크를 간소화하여 효율성을 개선하고, 정확성을 보장하며, 내부 및 외부 이해 관계자의 정기적인 문의를 제한된 인간 감독으로 자동화함으로써 중요한 결과를 도출할 수 있는 생성형 AI 기반 인지 가상 비서를 활용할 수 있습니다. 생성형 AI 기반 솔루션은 특정 요구 사항에 따라 다양한 구매 관련 문서(PRs, POs, RFXs)의 작성을 자동화하는 데도 도움을 줄 수 있습니다.

기회(Opportunistic)

조직은 높은 구현 노력을 상쇄할 것으로 예상되는 높은 영향을 고려하여 이러한 사용 사례의 구현을 계획하기 시작할 수 있습니다. 이러한 사용 사례는 낮은 채택 잠재력을 가지며 기밀 유지, 간소화된 프로세스 부족 및 높은 사업 중요성에 대한 우려로 인해 더 많은 주의가 필요합니다. 협상 및 비용 절감 기회 식별과 같은 사용 사례는 AI/ML 솔루션을 사용하여 재정적 영향을 미쳐 비용 절감 및 효율성을 개선하는 데 중요한 영향을 미칠 수 있습니다. 그러나 이 목적을 위해 AI 모델을 훈련해야 할 필요성이 있으며 데이터 보안 및 기밀 유지를 신중히 고려해야 합니다.

감시(Vigilance)

높은 채택 잠재력에도 불구하고 특정 프로세스 또는 그들의 전략적 또는 운영 중요성의 성격은 높은 영향을 미칠 수 있습니다. 조직은 이러한 사용 사례를 구현하는 데 주의해야 하며 특정 요구 사항에 따라 우선 순위를 정해야 합니다. 예를 들어, 생성형 AI는 주기적인 성과 조사 및 점수 카드를 포함한 공급업체 성과 관리 프로세스를 간소화하고, SLA/KPI 준수를 보장하며, 개선 계획을 시작하는 데 도움을 줄 수 있습니다.

우선순위 낮춤(De-prioritize)

조직은 이 사분면의 프로세스에 대해 기다려보고 지켜보는 태도를 취해야 합니다. 현재의 생성형 AI 솔루션의 성숙도, 프로세스 복잡성 및 안전한 데이터 관행의 (불)가능성을 고려할 때 이러한 프로세스에 대한 생성형 AI 솔루션 구현은 노력할 가치가 없습니다.

생성형 AI 기반 인지 가상 비서는 구매 헬프데스크를 간소화하여 효율성을 개선하고, 정확성을 보장하며, 내부 및 외부 이해 관계자의 정기적인 문의를 제한된 인간 감독으로 자동화하여 중요한 결과를 도출할 수 있습니다.

생성형 AI 구현을 위한 주요 고려사항

특히 생성형 AI 솔루션을 구현할 때, 조직은 시장 요인, 내부 기술적 한계, 인재 제약, 그리고 변화에 대한 우려가 제기하는 도전을 극복해야 합니다. 생성형 AI 경로를 앞서 나가면서 그림 7에 설명된 고려사항을 염두에 두어야 합니다.

생성형 AI 채택에 대한 우려

비용 영향(Cost implications)

AI 역량을 구현하거나 개발하는 것은 조직에게 비용이 많이 들 수 있으며, 특히 사내에서 생성형 AI 역량을 구축하려는 경우 더욱 그렇습니다. 이러한 역량은 LLMs(대형 언어 모델)과 높은 계산 능력을 요구하는 특수 하드웨어에 의존하기 때문입니다. 그러나 조직은 운영 규모와 조직 기능 전반에서 활용할 수 있는 능력에 따라 ROI(투자수익률)를 최적화할 수 있습니다. 서비스 제공업체와 기술 공급업체는 현재의 AI 역량 위에 생성형 AI를 통합하여 기존 도구와 서비스 제공에 이를 포함시키기 위해 노력하고 있습니다. 규모의 경제를 통해, 이들은 솔루션/서비스 가격 내에서 생성형 AI를 활용하는 추가 비용을 흡수할 수 있습니다. 생성형 AI 기술이 계속 발전함에 따라 더 저렴하고 접근하기 쉬워질 것으로 기대됩니다.

기술 비용 외에도, 이 기술을 운영하고 유지하는 비용도 상당합니다. 특히 생성형 AI 모델에 필요한 높은 계산 능력과 저장 공간을 고려할 때 더욱 그렇습니다. 지속 가능성에 대한 인식이 높아지고 있는 시점에서, 이 기술의 채택으로 인해 탄소 발자국이 급격히 증가하는 것은 조직 및 사회적 목표가 탄소 중립을 달성하는 데 장애가 됩니다. 이는 새로운 에너지 수요 예측을 기반으로 한 지속 가능성 계획의 개편이 필요함을 나타냅니다.

데이터 보안 문제(Data security challenges)

정부, 산업 기관 및 개인에게 데이터 프라이버시와 보안을 디지털 시대에 보장하는 것은 도전 과제입니다. 강력한 데이터 프라이버시 및 보안 법률을 확립하기 위한 전 세계적인 노력에도 불구하고, 변화하는 디지털 세계에서 완전한 준수를 달성하는 것은 여전히 어려운 일로 보입니다. 생성형 AI는 데이터 프라이버시와 보안 문제에 새로운 중요 리스크를 제공합니다. 정부 및 산업 기관이 오용을 방지하기 위한 가드레일을 구축했지만, 아직까지 완벽한 솔루션을 개발하지 못했습니다.

개인들은 공개적으로 이용 가능한 데이터가 생성형 AI 솔루션을 통해 아무런 책임 없이 새로운 콘텐츠를 생성하는 데 오용될 수 있다는 우려를 계속해서 표명하고 있습니다. 조직들도 그들의 고도로 기밀인 정보에 대해 유사한 우려를 가지고 있습니다. 그러나 조직들은 신뢰할 수 있는 시스템에 기밀 정보를 포함시키기 위한 데이터 보안 계층을 추가할 수 있습니다. 신뢰할 수 있는 클라우드 네트워크에 솔루션을 배포하면 조직 솔루션과 인터넷 간의 외부 상호작용을 효율적으로 제어할 수 있습니다.

윤리적 우려(Ethical concerns)

현재의 성숙도 수준에서 생성형 AI는 책임성이 부족하고 편향될 가능성이 있어 윤리적 문제를 제기합니다. 적절한 점검과 균형을 보장하기 위해, 조직은 생성형 AI 솔루션을 사용하여 생성된 출력에 대한 책임성과 책임을 정의해야 합니다. 데이터 소스의 신뢰성과 투명성 또한 문제입니다. 더욱이, 생성형 AI 응답에 대한 높은 신뢰가 그들의 신뢰성을 확인하지 않고 잘못된 믿음 편향(hallucination bias)으로 이어질 수 있습니다.

생성형 AI 기술의 발전은 이러한 문제 중 일부를 해결할 수 있습니다. 설명 가능한 AI는 도구가 그 출력에 대한 정당성을 제공하는 것을 돕는 예상되는 변혁입니다. 한편, 조직은 품질 검사에 도움을 주는 도구를 채택하고 인간-기계 상호작용에 대한 좋은 관리 관행을 확립하여 인간의 개입과 승인이 책임 있는 데이터 관행과 품질을 보장하도록 해야 합니다.

조직의 준비 고려사항 (Organizational preparedness considerations)

조직은 기술이 제기하는 도전 과제 외에도 내부 변화 관리에 대한 부담을 안고 있습니다. 새로운 기술을 효과적으로 받아들이고 활용하기 위해 포괄적인 변화 관리 전략을 채택해야 합니다. 여기에는 다음이 포함됩니다:

기술 격차 해결(Addressing the skills gap)

대부분의 도메인 전문가들은 새로 배포된 솔루션을 효율적으로 사용하는 기술적 노하우가 부족하므로 인재 격차를 메우는 것이 최우선 과제가 되어야 합니다. 직원들은 기술에 대해 회의적이거나 작업 방식의 변혁적 변화에 적응하는 것을 완강히 반대할 수도 있습니다. 조직의 인재 관리 전략에 기술 향상(upskilling) 및 재교육(reskilling) 계획을 통합하면 직원들의 우려를 해결하고 지속적인 개선 및 새로운 기술의 시장 진입 속도를 보장할 수 있습니다.

데이터 관리(Managing data)

훈련 데이터 세트를 구축하는 데 있어 고품질 데이터의 가용성은 중요합니다. 데이터 관리 관행의 간소화 부족은 특히 내부 구매 조직에서 주요 장애 요소입니다. 조직별 데이터가 솔루션을 훈련시키는 방식입니다. 데이터 거버넌스(data governance)를 우선시하고 이를 조직 문화에 내재화하면 데이터 관련 문제를 극복하는 데 도움이 됩니다. 또한, 공급업체들은 훈련 데이터로서 그들의 광범위한 경험에서 포착된 데이터를 사용하고 있습니다. 그들은 또한 조직 내에서 기밀 데이터를 보호하기 위한 보호 계층을 구축하고 있습니다.

기존 기술과의 통합(Integrating with existing technologies)

하드웨어, 소프트웨어 및 거버넌스 메커니즘을 포함한 기존 조직 시스템은 생성형 AI 구현에 필요한 변화와 반드시 일치하지 않을 수 있습니다. 조직은 AI 솔루션의 단기적 구현뿐만 아니라 장기적 영향을 염두에 두고 기술 현대화가 필요할 수 있습니다.

AI 기반 솔루션의 채택은 인간-기계 상호작용의 방식을 근본적으로 변화시켜 기술 환경과 조직 구조를 변혁할 것입니다. 그림 8에서 보여지듯이, 기술 스택 설계는 AI 역량의 활용을 최적화하기 위해 높은 계산 능력과 솔루션 전반의 통합 요구를 충족해야 합니다. 따라서 조직은 AI를 조직의 통합된 일부로 만들기 위해 계층 구조를 평탄화하고 협업 팀을 설립해야 할 필요가 있습니다.

데이터 관리 관행의 간소화 부족은 많은 내부 구매(Procurement) 조직에 주요 장애물입니다. 데이터 거버넌스를 우선시하고 이를 조직 문화에 내재화하는 것은 AI 솔루션 구현과 관련된 데이터 관련 문제를 극복하는 데 도움이 될 것입니다.

결론(Conclusion)

구매(Procurement) 운영의 변혁은 프로세스 워크플로우의 상당한 향상과 디지털 채택을 포함하는 지속적인 과정으로, 이에 따라 개선된 공급업체 관계와 더 높은 비용 절감이 수반됩니다. 기술은 자동화, 분석 및 인지 능력을 통해 구매 운영을 변혁하는 데 있어 상당한 발전을 이루었지만, 고급 기술 솔루션의 채택은 오랫동안 낮은 수준에 머물러 있었습니다. 그러나 고급 역량을 갖춘 생성형 AI는 변혁을 가속화하고 효율성과 생산성을 크게 향상시킬 수 있는 잠재력을 가지고 있습니다. 또한, 기존 AI 역량을 보강하여 구매(Procurement) 내에서 인지 솔루션의 디지털 채택을 S2P(소싱에서 지불까지) 가치 사슬 전반에 걸쳐 추진할 수 있습니다.

생성형 AI는 다음을 포함한 다양한 응용 프로그램을 제공합니다:

• 요구서, 구매 주문서, 송장, RFX 및 계약서에 대한 맞춤형 문서 작성
• 질문에 답변하고 가이드 구매를 가능하게 하는 포괄적인 가상 비서
• 프로세스 최적화 범위의 식별
• 공급업체 관계 관리의 자동화
• 리더십 팀에 대한 전략적 조언자
• 비용 절감 기회 식별

구현 비용을 제어하고 영향력을 행사하는 것은 어렵지만, 조직은 사용 사례를 우선시하고 구현 리스크를 완화하기 위해 필요한 변화 관리를 보장할 수 있습니다. 변화하는 기술과 함께, 조직은 가치를 지속하고 극대화하기 위해 구조적 변화를 겪어야 할 필요가 있습니다.