SPA 브랜드는 자체적으로 제조와 유통을 관리하며 합리적인 가격과 시장의 니즈를 모두 잡는 데 성공하며 빠르게 성장했습니다. 하지만, 과잉 생산으로 인한 품질 저하와 디자인 표절 등 윤리 문제, 그리고 코로나19 등으로 불황을 맞기도 했는데요. 이러한 문제는 AI를 통해 해결한 기업이 있습니다. 바로 글로벌 SPA 브랜드로 잘 알려진 H&M이죠.

2024년 기준 전 세계 77개국에 4,298개의 매장을 운영하는 패션브랜드 H&M은 2015년부터 2019년까지 영업이익의 42%가 하락하며 큰 위기를 맞이했습니다.📉 하지만 코로나가 창궐하던 2019년, 뜻밖의 10% 성장을 기록했는데요. 그 이유는 다름 아닌 H&M의 AI 전략에 있었습니다. 일반적으로 AI라고 하면 테크 기업을 전제로 생각할 수 있겠지만, 소매업 기업의 경우엔 AI를 통해 어떻게 시장의 반전을 노렸는지 H&M의 사례를 알아보겠습니다.🛍️

H&M은 SPA 브랜드의 전형적인 문제인 재고 문제를 해결하기 위해 스마트 물류센터를 도입했습니다. H&M은 AI와 빅데이터를 통해 전 세계 모든 매장의 판매 내역과 수익, 고객 정보 등의 데이터를 수집하여 소비자의 니즈와 국가별 패션 트렌드를 파악했는데요.📊 이는 곧 수요를 예측할 수 있는 지표가 되었고 국가별, 지역별 맞춤 재고관리가 가능한 유연한 유통망을 구축할 수 있었습니다. 특히, H&M의 스마트 물류센터는 자동화 프로세스를 통해 유럽 기준, 주문의 90% 이상이 다음날 배송되어 매장의 재고 부담을 줄일 수 있었다고 합니다.🚚 패션 업계의 경우 트렌드에 민감하기 때문에 제품 수명 주기가 짧은 편인데요. AI를 통한 수요 예측과 효율적인 재고 관리는 생산부터 배송까지 업무의 효율을 높이고 이월 상품을 최소화할 수 있어 수익성 개선에 큰 도움이 될 수 있었습니다.💸

H&M에서는 하루에도 수십, 수백만 건의 주문이 이루어집니다.🛍️ 이는 곧 H&M의 고유 데이터 자산으로 축적되는데요. H&M은 200명 이상의 데이터 사이언티스트를 고용하여 패션 트렌드를 사전에 파악하기 위해 내부적으로 확보한 고유 데이터와 블로그, 검색엔진을 포함한 다양한 외부 데이터를 분석했습니다. 이를 통해 패션 트렌드와 고객의 니즈 변화를 빠르게 예측할 수 있었고 결과적으로 경쟁사 대비 6개월 먼저 제품을 출시할 수 있었습니다.😎 또한, 매장이 위치한 지역 및 문화적 특성을 반영한 트렌드 예측으로 매장별 제품 구성을 달리했는데요. 이와 같은 트렌드 및 수요 예측은 한정된 매장 공간을 효율적으로 활용할 수 있을 뿐만 아니라 재고 부담, 반품 등을 맞춰 수익성을 극대화할 수 있었습니다.

H&M은 오프라인 매장을 제외하더라도 60개의 국가에 온라인샵을 운영하고 있습니다. 코로나 팬데믹 이후 급증한 온라인샵의 매출은 2023년 전체 매출(223억 달러)의 30%를 담당하고 있는데요. H&M은 온라인에서 활동한 회원 정보를 오프라인에서도 활용할 수 있도록 개인맞춤형 온라인 추천 알고리즘을 개발했습니다. 온라인에서 봤던 제품을 기반으로 오프라인 매장에서도 추천받을 수 있도록 한 것인데요. 이 알고리즘을 통해 ‘개인맞춤’으로 선택한 상품을 검색하고 근처 오프라인 매장에 재고가 있는지도 확인할 수 있습니다.🌟 이처럼 H&M은 온오프라인을 연결하여 고객의 편의성을 높이고 통합된 구매 경험을 제안함으로써 구매 전환율을 높일 수 있었습니다.🔥

H&M은 맞춤형 의류 제작 툴인 ‘크리에이터 스튜디오’ 서비스를 제공하고 있습니다. 생성형 AI를 기반으로 만들어진 크리에이터 스튜디오에는 스테이블 디퓨전 기술과 텍스트-이미지 변환 기술이 활용되었는데요. 고객이 텍스트 형태의 프롬프트를 입력하면 AI가 비주얼 아트워크를 활용하여 제품 목업을 만들어줍니다.👚 고객은 이 제품을 가상 모델에게 입혀보거나 수정할 수 있고 완성된 제품을 구매, 혹은 다른 사람에게 판매할 수도 있습니다. 크리에이터 스튜디오는 H&M의 인사이드 아웃 전략의 일환으로 데이터 확보 채널이자, 새로운 수익원이자, 그리고 브랜드 가치 향상의 수단으로 활용되고 있습니다.

H&M은 고객과의 상호작용을 위해 24시간 실시간 상담이 가능한 AI 스타일링 챗봇을 도입했습니다.🤖 스타일링 챗봇은 개인화된 제품을 추천, 사이즈 안내 등 전반적인 지원 서비스를 제공하고 있는데요. 고객이 이전에 구매했던 제품과 비슷한 제품을 추천하거나 고객의 구매한 제품과 잘 어울리는 제품을 제안하는 등 고객 응대에 대한 불필요한 리소스를 줄이고 쇼핑 경험을 향상시키고 있습니다.👍

위의 H&M의 사례뿐만 아니라 최근에는 뷰티나 헬스케어 등 다양한 제품군에서 AI를 도입한 사례를 찾아볼 수 있는데요. 기업들은 AI를 통해 기존 사업의 효율성 개선은 물론 빠르게 바뀌는 고객 니즈에 대처하여 새로운 고객 경험을 제공함으로써 경쟁력을 확보하려는 모습을 보이고 있습니다.🚀 소비자 입장에서 내가 원하는 제품을 한눈에 찾을 수 있다는 것은 매력적인 요소가 아닐 수 없는데요. 스스로 수많은 제품을 비교하고 평가해서 구매하는 것과, AI를 통해 나에게 최적화된 제품을 찾아 구매하는 것, 둘 중에 어떤 구매 경험이 더 좋을까요? 정답은 기업들이 어떻게 변화하고 있는지를 확인해 보면 알 수 있을 것 같습니다.

AI 기술의 대중화로 다양한 산업에 LLM이 적용되며 그 효용성이 입증되고 있습니다.👍 이제 LLM은 낯설고 어려운 기술이 아닌 서비스 혁신의 핵심 요소로 자리 잡았는데요. 이에 많은 기업이 LLM을 통해 새로운 혁신을 시도하고 있습니다. 하지만 성공적으로 LLM을 도입하기 위해서는 자금과 기술 외에도 고려해야 할 사항들이 많습니다. 실제로 많은 기업의 프로젝트가 PoC 단계에서 멈추고, 도입 과정에서 어려움을 겪는 경우도 많은데요.🥲 그렇다면 LLM 도입에 있어 기업들이 겪는 주요 문제와 이에 대한 준비 사항을 하나씩 살펴보겠습니다.

 LLM을 수용할 수 있는 조직 문화를 가지고 있는가? 

LLM을 성공적으로 구현하려면 먼저 조직 문화부터 점검해 봐야 합니다.👨‍👨 위험을 회피하는 조직이라면 LLM 도입 자체를 부담스럽게 여기고, 내부적으로 불안감이 형성될 수 있기 때문인데요. 이는 불명확한 KPI로 이어지고 LLM 도입의 목표와 실용성을 저해할 수 있습니다.📉 이를 해결하려면 조직의 수평적, 수직적 구성원 간 소통 채널을 구축하고, 실질적 비즈니스 목표를 수립하여 구성원과 기업의 목표를 일치시키는 것이 중요한데요. 충분한 교육과 위험을 능동적으로 관리할 수 있는 체계를 마련해 임직원들이 AI 이니셔티브에 적극적으로 참여하도록 하는 것이 필요합니다.

특히 초기 단계부터 조직 내부의 AI 리터러시를 높여, 구성원들이 LLM의 원리와 기대 효과를 이해하도록 돕는 것이 중요합니다. AI에 대한 이해가 부족하면, 실질적인 목표 설정이나 성과 평가가 어렵고 프로젝트의 추진력을 잃어버릴 수 있기 때문이죠.🚩

 LLM 도입에 필요한 기술적, 운영적 역량을 갖추었는가? 

많은 기업이 LLM을 혁신의 도구로 인식하고 있지만 기술적, 운영적 역량을 충분히 확보하지 않은 채 자원을 투입할 경우, 도입 속도가 더뎌질 뿐 아니라 데이터와 인프라 통합 문제에 직면할 수 있습니다.🚨 LLM 도입을 위해서는 프로젝트를 완수하기 위한 기술적, 운영적 배경이 필요한데요. AI 전문 부서를 설치하거나 AI 컨설턴트를 활용해 머신러닝, 자연어 처리, 데이터 과학 등의 전문성을 확보하고, 내부 데이터 활용을 위한 인프라를 구축하는 것이 중요합니다. 프로젝트 초기 단계부터 체계적인 계획을 세우는 것은 문제를 사전에 방지하고 지속 가능한 AI 기반을 마련하는 데 필수적이죠.📝

프로젝트 추진 중에도 성능 모니터링과 유지 보수를 위한 체계를 마련하는 것이 중요합니다. 모델이 배포된 후에도 실제 현업의 사용 현황을 모니터링하고 필요한 경우 주기적으로 재학습을 실시하는 것이 좋습니다.👀

 LLM 도입을 위한 윤리적 기준을 가지고 있는가? 

LLM 도입은 많은 이점을 제공하지만, 편향된 정보나 잘못된 정보로 인한 윤리적 문제를 수반하기도 하는데요.🤔 이를 해결하기 위해 다양한 데이터 세트를 사용해 모델을 훈련하고, 정기적으로 평가와 점검을 실시해야 합니다. 또한, 모델의 투명성을 확보하기 위해 가시성이 높은 오픈소스 모델을 활용할 수도 있습니다. 윤리적 문제는 서비스의 신뢰성과 사회적 가치에 영향을 미칠 수 있는 만큼, 기업은 내부적으로 AI 윤리에 대한 교육을 강화하고, 규정을 준수하는 데이터 학습과 평가 체계를 갖추는 것이 중요합니다.🧠

기업은 내부적으로 AI 윤리 규정으로 수립해 실질적인 책임을 명확히 하고, AI 기술의 신뢰성을 강화할 필요가 있습니다. 특히, 규제가 강화되고 있는 상황에서 법적 리스크를 최소화할 수 있는 방안을 모색하는 것이 중요합니다.🏛️

LLM을 성공적으로 도입하기 위해서는 AI 부서뿐 아니라 서비스 기획, 마케팅, 고객 서비스, 영업 등 여러 부서가 협력해 공통된 목표를 설정해야 합니다. LLM 도입 과정에서 각 부서가 기술적 능력뿐 아니라 윤리적 책임과 문화적 일치를 추구할 수 있어야 지속 가능한 환경을 구축할 수 있습니다.💫 많은 기업의 LLM 프로젝트가 실패하는 이유는 이러한 준비 없이 막대한 자원을 투입하기 때문입니다. 체계적인 LLM 도입 계획을 수립하고 단계적으로 수행하는 것이 성공적인 도입을 위한 최선의 방법입니다.