글로벌 통신사의 80%가 인공지능(AI) 중심 기업으로 전환할 준비가 되어 있지 않다는 충격적인 조사 결과가 나왔다. 액센츄어(Accenture)가 24개국 통신사 임원 256명을 조사한 결과, 대부분의 통신사가 3년 내 데이터와 AI가 사업 전반을 변화시킬 것으로 예상하면서도 정작 준비는 되어 있지 않은 것으로 드러났다. 한편 기업 고객 1,200명을 대상으로 한 별도 조사에서는 84%가 통신사를 생성형 AI 확장의 핵심 파트너로 꼽아, 통신사에게 큰 기회가 열려 있음을 보여줬다. 하지만 상위 20%의 앞선 통신사들만이 데이터를 경쟁 무기로 바꾸며 격차를 벌리고 있다.

통신사 10곳 중 8곳, 쌓아둔 데이터 활용 못해

액센츄어 조사에 따르면 통신사 기술 책임자의 72%가 "데이터 품질과 일관성 문제"를 데이터 관리와 생성형 AI 확장의 최대 장애물로 꼽았다. 63%는 "너무 많고 다양한 데이터를 감당하기 어렵다"고 답했고, 70%는 "데이터 보안과 개인정보 보호"를, 63%는 "치솟는 데이터 관리 비용"을 어려움으로 지적했다.

문제의 핵심은 '데이터 부채'다. 이는 오래된 시스템 여기저기에 흩어져 있고, 서로 연결되지 않으며, 품질도 들쭉날쭉한 데이터가 쌓여서 생기는 문제다. 그 결과 데이터 담당 직원들은 업무 시간의 62%를 데이터 정리에 쓰고, 정작 중요한 분석 작업에는 38%만 쓸 수 있다. 통신사 임원의 69%는 "부서마다 데이터가 달라서 제대로 된 의사결정을 내리기 어렵다"고 답했다. 특히 72%는 이런 데이터 준비 부족으로 생성형 AI 구현과 확장에 어려움을 겪고 있다고 응답했다.

이런 비효율은 일상 업무에서도 그대로 나타난다. 예를 들어 "우리 회사의 현재 가입자는 몇 명인가?"라는 간단한 질문에 답하는 데 며칠이 걸릴 수 있다. 고객관리 시스템, 요금 청구 시스템, 네트워크 시스템이 각각 다른 방식으로 고객 수를 집계하기 때문이다. 부서마다 정의가 다르고, 데이터 형식이 달라서 일일이 손으로 맞춰봐야 하는 상황이 벌어진다.

앞선 기업 20%, 데이터 시스템 혁신으로 격차 키워

반면 액센츄어가 분석한 상위 20% 통신사들은 데이터 문제를 해결하고 똑똑하고 유연하며 확장 가능한 데이터 시스템을 구축했다. 이들은 데이터 전략과 관리체계, 기술 인프라, 데이터 품질 관리, 부서 간 협업 등에 집중 투자했다.

데이터 전략과 관리 수준에서 앞선 기업은 현재 55%가 최고 단계에 도달했고, 1~3년 내 80%가 이 수준에 오를 것으로 예상된다. 나머지 기업은 현재 4%에 불과하고 단기적으로도 30%만 도달할 전망이다. 데이터 구조 측면에서는 앞선 기업의 77%가 1~3년 내 최고 수준에 도달할 것으로 보이지만, 나머지는 14%에 그친다. 데이터 시스템 인프라에서도 앞선 기업의 83%가 단기적으로 최고 수준에 오를 것으로 예상되지만, 나머지는 12%에 불과하다.

앞선 통신사들의 핵심 차별점은 다섯 가지다. 첫째, 마케팅·고객서비스·운영 등에 통합된 셀프서비스 데이터 제품을 독립적으로 만든다. 둘째, AI 기반 지능형 추천과 일상 분석 자동화를 구현한다. 셋째, 네트워크와 운영 업무 흐름에 실시간 데이터 분석을 통합한다. 넷째, 실시간 사용을 위한 자동화된 워크플로우와 사전 데이터 관리 방식을 적용한다. 다섯째, 조직 전체에서 데이터를 분류하고 표시하기 위한 최신 데이터 카탈로그와 사전을 갖춘다.

이런 앞선 통신사들은 '데이터 패브릭'과 '데이터 메시'라는 새로운 방식을 쓰고 있다. 데이터 패브릭은 여기저기 흩어진 데이터를 하나로 연결하는 똑똑한 연결망을 만드는 것이다. 네트워크 데이터, 고객 정보, 운영 데이터를 매끄럽게 연결해서 쉽게 활용할 수 있게 한다. 데이터 메시는 각 부서(네트워크팀, 고객서비스팀, IT팀, 요금팀 등)가 자기 데이터를 제품처럼 관리하도록 하는 방식이다. 각 팀이 데이터 품질과 활용성을 책임지되, 공유 목록을 통해 다른 팀도 쉽게 찾아 쓸 수 있게 만든다.

중요한 것은 중앙집중식 거버넌스와 각 부서의 책임 간 균형이다. 중앙 팀이 공통 기준을 정하고, 각 사업부는 자기 데이터 제품의 성과(도입률, 데이터 품질, 상호운용성, 사업 영향)에 대해 책임진다. 이를 통해 규모 있는 확장이 가능해진다.

앞선 기업, 고객 만족·신제품 출시·네트워크 관리서 압도적

데이터 문제를 해결한 앞선 통신사들은 실제 사업 성과에서도 큰 차이를 보였다. 데이터와 AI 변화가 가장 큰 영향을 미칠 것으로 예상되는 성과 지표 순위를 보면, 고객 추천 지수(NPS)가 52%로 1위, 고객 문제 평균 해결 시간과 네트워크 효율성 및 활용도가 각각 50%로 공동 2위, 마케팅 투자수익률(ROI) 최적화가 49%로 뒤를 이었다.

구체적으로 앞선 기업의 65%는 고객 추천 지수(NPS)가 크게 개선될 것으로 기대했지만, 나머지 기업은 48%만 그렇게 답했다. 고객 확보 비용 개선에 대해서는 앞선 기업의 52%가 큰 효과를 기대했지만, 나머지는 40%였다.

신제품과 서비스 개발에서도 차이가 뚜렷했다. 앞선 기업의 68%는 신제품 출시 시간이 크게 단축될 것으로 예상했지만, 나머지는 39%에 불과했다. 운영 효율성에서는 앞선 기업의 59%가 큰 개선을 기대했지만, 나머지는 39%였다.

네트워크 운영에서도 앞선 기업의 57%는 네트워크 장애 발견과 해결 시간이 크게 줄어들 것으로 예상했지만, 나머지는 39%만 그렇게 답했다. 이는 데이터를 얼마나 잘 준비하느냐가 통신사의 미래 경쟁력을 좌우한다는 것을 보여준다.

생성형 AI, 데이터 문제 해결의 열쇠로 부상

생성형 AI는 단지 좋은 데이터가 필요한 것이 아니라, 데이터 문제를 해결하는 강력한 도구이기도 하다. 조사 대상 임원의 49%는 "데이터 기술 통합의 복잡성"을 시작 장벽으로 꼽았는데, 생성형 AI가 바로 이 문제의 해결책이 될 수 있다. 생성형 AI의 가장 강력한 능력은 역공학 자동화다. 복잡한 프로그램 코드를 읽고, 데이터베이스 구조를 분석하며, 낡은 데이터베이스 스크립트를 몇 달이 아닌 몇 분 만에 최신 형식으로 자동 변환할 수 있다. 이를 통해 통신사는 방대하고 문서화되지 않은 데이터 자산을 빠르게 매핑하고, 숨겨진 의존성과 구조적 사각지대를 발견할 수 있다.

또한 생성형 AI는 실제 운영, 고객 행동, 네트워크 활동을 반영하는 합성 데이터를 생성해 데이터 공백을 채울 수 있다. 이를 테스트, 모델 훈련, 시뮬레이션에 활용할 수 있다. 다중 에이전트 시스템을 배치해 데이터 품질을 지속적으로 모니터링하고, 이상을 감지하며, 실시간 개선 조치를 자동으로 시작할 수 있다. 이는 수동 개입의 필요성을 줄이고 데이터 기반에 대한 전반적인 신뢰를 높인다.

FAQ (※ 이 FAQ는 본지가 리포트를 참고해 자체 작성한 내용입니다.)

Q1. 데이터 부채가 뭐고, 통신사에 어떤 문제를 일으키나요?

여기저기 흩어진 낮은 품질의 데이터가 쌓여 제대로 활용하지 못하는 상황입니다. 직원들이 업무 시간의 62%를 데이터 정리에 쓰고, 임원의 69%가 부서마다 데이터가 달라 의사결정이 어렵다고 답할 정도로 심각합니다.

Q2. 데이터 패브릭과 데이터 메시는 뭐가 다른가요?

데이터 패브릭은 흩어진 데이터를 하나로 연결하는 통합 시스템이고, 데이터 메시는 각 부서가 데이터를 직접 관리하되 다른 부서도 쉽게 활용할 수 있게 하는 분산 방식입니다. 두 방식을 함께 쓰면 중앙 통제와 부서 책임의 균형을 이룰 수 있습니다.

Q3. 생성형 AI가 데이터 문제 해결에 어떻게 도움이 되나요?

낡은 시스템의 코드와 구조를 자동으로 분석해 최신 형식으로 변환하고, 부족한 데이터를 생성하며, 데이터 품질을 실시간으로 감시해 자동으로 개선합니다. 몇 달 걸릴 작업을 몇 분 만에 끝낼 수 있습니다.

해당 기사에 인용된 리포트 원문은 액센츄어에서 확인 가능하다.

리포트 명: From data debt to enterprise intelligence

이미지 출처: 액센츄어

해당 기사는 챗GPT와 클로드를 활용해 작성되었습니다.