How to level up systematic innovation with AI

🖼️ 인포그래픽

🖼️ 4컷 인포그래픽

💡 한 줄 요약

MIT Sloan의 Steven Eppinger는 AI로 체계적 혁신을 강화하려면 업무를 작은 과제로 분해하고, 기존 프로세스 개선·인간 중심 협업·구체적 지시·검증을 통해 인간의 의사결정 책임을 유지해야 한다고 강조한다.

📌 핵심 요약

• MIT Sloan의 Steven Eppinger는 고객 요구와 시장 변화로 혁신 압력이 커지는 상황에서 AI가 혁신과 창의성을 강화할 수 있지만, 체계적인 접근과 인간 중심의 의사결정이 전제되어야 한다고 설명했다.
• 혁신 업무를 작고 구체적인 과제로 나누는 것이 핵심이다. Eppinger는 AI가 큰 과제보다 작은 과제에서 더 잘 작동한다는 연구를 근거로, 팀이 수행법을 아는 업무에는 인간이 명확한 지시를 작성해야 한다고 말했다.
• 기존 프로세스의 오류를 먼저 개선하고 AI 채팅 인터페이스에서 실험한 뒤, 좋은 결과를 일관되게 내는 지시를 자동화로 전환할 수 있다. 처음부터 에이전트를 만들 필요는 없다.
• AI는 인간이 주도하는 프로세스의 보조 역할을 맡아야 한다. 실험으로 인간과 AI의 강점을 구분하고, 출력의 사용 목적과 선호하는 예시를 구체적으로 제시하면 더 적합하고 창의적인 결과를 얻을 수 있다는 설명이다.
• AI가 생성한 수많은 대안을 평가해 유망한 소수로 추리는 문제는 아직 충분히 해결되지 않았다. 가능성이 높은 영역을 반복 탐색하고 인간·AI의 검증으로 오류와 환각을 점검하면서 활용을 시작할 것을 권했다.

🧩 주요 포인트

1. 작은 과제와 명확한 지시 → AI의 수행 범위를 구체화하고 인간의 의사결정 책임을 유지하는 체계적 혁신의 기반.
2. 기존 프로세스 개선과 단계적 자동화 → 오류의 확산을 줄이고, 반복 실험에서 확인한 인간과 AI의 강점을 협업에 반영.
3. 사용 목적에 맞춘 출력과 반복 검증 → 아이디어 생성 역량을 활용하되, 대안 평가의 미해결 한계를 고려해 탐색과 판단을 연결.

🧠 상세 정리

1. 혁신 압력 속에서 AI를 활용하는 전제

고객 요구가 달라지고 시장이 끊임없이 변하면서 조직은 혁신에 대한 강한 압력을 받고 있다. MIT Sloan에서 경영과학과 혁신을 연구하는 Steven Eppinger는 AI가 업무 방식을 바꾸고 혁신과 창의성의 과정을 실질적으로 강화하는 촉매가 될 수 있다고 설명했다. 그는 개설 예정인 MIT Sloan Executive Education의 ‘Systematic Innovation of Products, Processes, and Services’ 과정을 소개하는 최근 강연에서 이러한 가능성을 논의했다. 핵심 전제는 조직이 체계적인 접근을 취하면서 인간을 의사결정의 중심에 두는 것이다. 이 관점에서 AI의 가치는 더 많은 가능성을 열고, 협업과 반복이 가능한 혁신 프로세스를 만드는 데 있다.

2. 혁신 업무를 작은 과제로 분해하기

Eppinger는 체계적 혁신을 가능하게 하는 핵심으로 전체 프로세스를 작고 구분되는 단계들로 나누는 설계를 제시했다. 이 원칙은 팀이 인간으로만 구성되든, AI로 구성되든, 둘이 함께 일하든 동일하게 적용된다. 그는 의욕적인 작업자들에게 구체적인 지시 없이 일을 맡기면 기대와 다른 방법을 스스로 만들어낼 수 있다는 비유로 이를 설명했다. AI 도구가 큰 과제보다 작은 과제에서 더 잘 작동한다는 연구 결과도 이러한 접근을 뒷받침한다고 말했다. AI가 스스로 지시를 작성할 수 있다는 사실이 올바른 지시를 작성한다는 뜻은 아니므로, 팀이 이미 수행법을 아는 업무라면 인간이 지시를 작성하는 편이 합리적이라는 주장이다. 과제와 지시를 구체화하는 것은 인간 감독자가 통제권과 의사결정 책임을 유지하는 방법이기도 하다.

3. 기존 프로세스를 이해한 뒤 자동화하기

AI를 적용하기 전에 조직은 기존 업무 흐름을 이해하고 제대로 작동하지 않는 부분부터 개선해야 한다. Eppinger는 이미 오류를 만드는 프로세스에 AI를 투입하면 혼란이 더 빨라질 뿐이라고 경고했다. 전체 업무를 한꺼번에 AI에 넘기기보다 특정 혁신 과제의 기본 흐름을 정리하고, 완벽하지 않더라도 그 흐름을 AI로 개선하는 방식이 제안된다. 시작은 AI 채팅 인터페이스에서의 간단한 실험으로 충분하며, 처음부터 에이전트를 만들 필요는 없다고 설명했다. AI가 과제를 잘 처리하면 해당 지시를 마크다운 등의 형태로 내보내도록 요청하고, 그 지시가 일관되게 좋은 결과를 낼 때 자동화로 고정할 수 있다. 이렇게 자동화와 시험, 개선을 반복하면서 팀은 더 나은 업무 방식을 찾아갈 수 있다.

4. 인간이 주도하고 AI가 참여하는 협업

Eppinger는 기업의 AI 활용이 늘어날수록 인간의 참여가 필요하다는 일반적인 인식에서 한 걸음 더 나아가, 프로세스의 주도권이 누구에게 있는지를 구분했다. 그는 ‘인간이 루프 안에 있다’는 표현이 AI가 업무를 운영하고 인간은 견제와 확인만 담당하는 모습처럼 들린다고 지적했다. 대신 인간이 책임지는 프로세스에 AI가 참여하는 ‘AI가 루프 안에 있다’는 관점을 제시했다. 자동화된 업무에서도 인간이 중심 역할을 맡고 AI는 이를 지원해야 한다는 의미다. 그에 따르면 더 큰 가치 창출의 기회는 인간의 기여를 대체하는 것보다 인간과 기계가 함께 일하는 프로세스를 만드는 데 있다. 팀은 신중한 실험으로 AI가 잘하는 과제와 인간의 역량에 더 맞는 과제를 파악하고, 이를 상호 보완적인 자동화 흐름의 출발점으로 삼을 수 있다.

5. 창의성을 끌어내는 목적 중심의 지시

AI는 방대한 기존 데이터로 학습하지만 혁신은 아직 존재하지 않는 것을 상상해야 한다는 긴장이 있다. Eppinger는 이 문제에 대한 해법으로 더 나은 지시를 제시하며, 적절한 안내가 주어지면 AI가 방대한 데이터와 계산 능력을 활용해 매우 창의적인 결과를 낼 수 있다고 주장했다. 특히 결과물을 어디에 어떻게 사용할지 구체적으로 설명하는 것이 중요하다. 예를 들어 같은 사용자 페르소나라도 마케팅에서 고객을 표적으로 삼기 위한 경우와 고객의 사용 사례를 팀이 이해하기 위한 경우에는 기대하는 내용이 달라진다. 따라서 단순히 페르소나를 만들어 달라고 요청하는 것만으로는 목적에 맞는 결과를 충분히 이끌어내기 어렵다. 출력의 용도를 자세히 설명하거나 마음에 드는 작업 예시를 몇 개 제공하면 더 적합한 결과를 얻을 수 있다는 설명이다.

6. 평가의 한계를 인정하고 검증하며 시작하기

AI는 인간이 평가할 수 있는 속도를 훨씬 넘어서는 규모로 아이디어와 해법, 설계를 생성할 수 있다. Eppinger는 AI가 1,000개의 가능성을 탐색해 가장 유망한 10개를 인간에게 제시하는 것이 이상적이지만, 이러한 평가 문제는 아직 충분히 해결되지 않았다고 밝혔다. 당장은 모든 영역을 살피려 하기보다 좋은 해법이 나올 가능성이 높은 곳을 반복적으로 탐색하라고 제안했다. 이는 설계에서 100개의 시안을 모두 만들기보다 몇 개를 제작하고 시험한 뒤 특정 방향을 더 깊이 탐색하는 논리와 같다. 오류와 환각을 잡기 위한 검증 단계도 업무 흐름에 포함해야 하며, 검증은 인간이나 AI 또는 양쪽이 수행할 수 있다. 그는 오류와 환각이 줄어들고 있다고 언급하면서 검증과 시험에서도 자동화할 수 있는 일이 많다고 설명했다. AI를 활용한 혁신이 여전히 발전 중인 상황에서도, 이를 외면하면 자신의 역량을 증폭할 기회를 놓쳐 장기적으로 불리해질 수 있으므로 지금 활용을 시작하라고 권했다.

🧾 핵심 주장 / 시사점

• 체계적 혁신에서 과제 분해는 AI의 성능을 높이는 수단이면서 인간의 통제권과 책임을 유지하는 설계 원칙이다.
• 자동화의 출발점은 기존 프로세스의 이해와 개선이며, 안정적인 결과를 확인하는 반복 실험이 자동화의 근거가 된다.
• 아이디어 생성 속도가 빨라질수록 평가 역량의 한계가 더 두드러지므로, 유망한 방향의 반복 탐색과 검증을 함께 설계해야 한다.

✅ 액션 아이템

• 기존 프로세스의 오류를 개선하고 혁신 업무를 작은 과제로 분해한 뒤, AI 채팅 인터페이스에서 지시의 일관성을 확인하며 자동화 범위 검토.
• AI 출력의 사용 목적과 선호하는 예시를 구체화하고, 반복 실험으로 인간과 AI의 강점 및 인간의 의사결정 책임을 반영한 협업 방식 조정.
• 대안 평가의 미해결 한계를 고려해 가능성이 높은 영역을 반복 탐색하고, 인간·AI의 검증으로 오류와 환각 점검.

❓ 열린 질문

• 기존 프로세스에서 어떤 오류를 먼저 개선하고, 어떤 작은 과제부터 AI 채팅 인터페이스로 실험할 수 있는가?
• 인간과 AI의 강점을 어떻게 구분하고, 자동화 과정에서 인간의 의사결정 책임을 어떻게 유지할 것인가?
• AI의 대안 평가가 충분히 해결되지 않은 상황에서 가능성이 높은 영역을 어떻게 선택하고 오류와 환각을 어떻게 검증할 것인가?