AI란 무엇인가?

AI란 무엇인가?

-인공지능의 개념, 종류, 활용 분야 및 미래 전망-

 

인공지능(AI)은 인간의 지능을 기계로 구현하는 기술을 의미한다. 인공지능은 인간의 지능을 모방하는 것에서 시작하여, 이제는 인간의 지능을 뛰어넘는 수준에 이르렀다. 인공지능은 우리 사회의 모든 분야에 영향을 미치며, 미래에는 더욱 광범위하게 활용될 것으로 전망된다.   인공지능은 크게 두 가지로 분류할 수 있다. 첫 번째는 지능형 행동을 수행하도록 설계된 시스템을 말하는 좁은 의미의 인공지능이다. 두 번째는 지능을 넓은 의미로 해석하여, 인간의 모든 지능적 활동을 기계로 수행할 수 있도록 하는 기술을 말하는 넓은 의미의 인공지능이다.   인공지능은 크게 다음과 같은 세 가지 종류로 분류할 수 있다. -       규칙 기반 인공지능은 미리 정의된 규칙에 따라 동작하는 인공지능이다. -       머신러닝 기반 인공지능은 데이터를 학습하여 스스로 판단하고 행동하는 인공지능이다. -       신경망 기반 인공지능은 인간의 뇌 신경망을 모방한 인공지능이다.   대표적인 활용 분야로는 다음과 같은 것들이 있다. -       금융 : 자산 관리, 투자, 보험, 사기 예방 등 -       의료 : 진단, 치료, 약물 개발 등 -       제조 : 생산, 품질 관리, 유지 보수 등 -       물류 : 운송, 배송, 창고 관리 등 -       소비자 서비스 : 고객 응대, 추천 시스템 등   미래 전망 인공지능은 우리 사회의 모든 분야에 영향을 미치며, 미래에는 더욱 광범위하게 활용될 것으로 전망된다. 인공지능의 미래 전망은 다음과 같이 요약할 수 있다. -       인공지능은 인간의 지능을 넘어서는 수준에 이르게 될 것이다. -       인공지능은 우리 사회의 모든 분야에 영향을 미치며, 새로운 산업과 일자리를 창출할 것이다. -       인공지능의 발전은 윤리적, 사회적 문제를 야기할 수 있으므로, 이에 대한 대비가 필요하다.   결론 인공지능은 우리 사회의 미래를 바꿀 핵심 기술이다. 인공지능의 발전을 선제적으로 준비하고, 그에 따른 윤리적, 사회적 문제를 해결하기 위한 노력이 필요하다.

인공지능(AI)은 우리 사회의 모든 분야에 급속도로 침투하고 있다. AI는 인간의 능력을 뛰어넘는 지능과 능력을 갖추고 있으며, 우리의 일상생활은 물론 경제, 사회, 문화 전반에 걸쳐 큰 변화를 일으킬 것으로 예상된다.   그러나 AI의 발전이 우리에게만 긍정적인 영향을 미칠 것이라는 보장은 없다. AI가 인간의 일자리를 대체하거나, 인간의 판단과 감정을 왜곡하거나, 심지어 인간을 위협하는 존재로 변질될 수도 있다는 우려가 제기되고 있다.   기사에서는 AI의 발전이 우리 사회에 미칠 긍정적인 영향을 강조하고 있다. AI는 생산성 향상, 효율성 증대, 새로운 비즈니스 기회 창출 등을 통해 우리 삶을 더욱 풍요롭게 만들 것으로 기대된다. 이러한 긍정적인 전망에도 불구하고, AI의 발전이 우리에게 부정적인 영향을 미칠 수 있다는 우려도 있다. AI가 인간의 일자리를 대체하거나, 인간의 판단과 감정을 왜곡하거나, 심지어 인간을 위협하는 존재로 변질될 수도 있다는 것이다.   물론, AI의 발전이 우리에게 부정적인 영향을 미칠 것이라는 것은 확실한 사실은 아니다. AI의 발전을 잘 관리하고 윤리적으로 활용한다면, AI는 인류에게 큰 이익을 가져다줄 수 있을 것이다. AI의 발전이 우리에게 가져올 잠재적인 위험성에 대해서는 충분히 인식하고 대비해야 할 것이다. AI의 발전을 현명하게 이끌기 위해서는, 정부와 기업, 그리고 사회 전체가 함께 노력해야 할 것이다.

[본문] 

인간과 기계: 생산성 천국의 만남. 기계화된 일꾼이 없었다면 인류는 그다지 멀리 발전하지 못했을 것이다. 농업에 혁명을 일으킨 바퀴부터 점점 더 복잡해지는 건설 프로젝트를 하나로 묶어주는 나사, 그리고 오늘날의 로봇 조립 라인에 이르기까지 기계는 우리가 알고 있는 삶을 가능하게 만들었다. 하지만 기계의 무한한 유용성에도 불구하고 인간은 오랫동안 기계, 특히 언젠가 기계가 인간의 지능을 습득하여 스스로 공격할 수 있다는 가능성에 대해 두려움을 느껴왔다.

 

하지만 우리는 지각이 있는 기계의 가능성을 두려움과 함께 흥미롭게 바라보는 경향이 있다. 이러한 호기심은 공상 과학 소설을 실제 과학으로 만드는 데 도움이 되었다. 컴퓨터 과학자이자 수학자인 앨런 튜링과 같은 20세기 이론가들은 기계가 인간보다 더 빠르게 기능을 수행할 수 있는 미래를 상상했다. 튜링과 다른 사람들의 노력으로 곧 현실이 되었다. 1970년대에 개인용 계산기가 널리 보급되었고, 2016년 미국 인구조사에 따르면 미국 가정의 89%가 컴퓨터를 보유하고 있는 것으로 나타났다. 이제 기계, 그것도 스마트 기계는 우리 삶과 문화의 평범한 일부가 되었다.

 

스마트 머신은 점점 더 빨라지고 복잡해지고 있다. 일부 컴퓨터는 이제 엑사스케일 임계값을 넘어섰으며, 이는 1초에 개인이 31,688,765,000년 동안 수행할 수 있는 만큼의 계산을 수행할 수 있다는 것을 의미한다. 하지만 계산에만 국한된 것이 아니다. 컴퓨터와 기타 기기는 이제 인간의 고유 영역이었던 기술과 지각을 습득하고 있다.

 

AI는 지각, 추론, 학습, 환경과의 상호작용, 문제 해결, 창의력 발휘 등 인간의 마음과 연관된 인지 기능을 수행할 수 있는 기계의 능력이다. Siri, Alexa와 같은 음성 어시스턴트와 웹사이트 탐색을 도와주는 일부 고객 서비스 챗봇은 AI 기술을 기반으로 한다.

 

응용 인공지능, 즉 현실 세계의 문제에 인공지능을 적용하는 것은 비즈니스 세계에 중대한 영향을 미친다. 기업은 인공 지능을 사용하여 비즈니스의 효율성과 수익성을 높일 수 있는 잠재력을 가지고 있다. 그러나 궁극적으로 인공 지능의 가치는 시스템 자체가 아니라 기업이 이러한 시스템을 사용하여 인간을 지원하는 방법과 주주와 대중에게 이러한 시스템의 기능을 설명하고 신뢰를 구축하는 능력에 있다.

 

머신 러닝이란 무엇인가?

머신 러닝은 데이터로 학습된 알고리즘을 기반으로 하는 인공 지능의 한 형태다. 이러한 알고리즘은 명시적인 프로그래밍 지시를 받지 않고 데이터와 경험을 처리하여 패턴을 감지하고 예측 및 추천 방법을 학습할 수 있다. 또한 알고리즘은 새로운 데이터와 경험에 반응하여 적응함으로써 시간이 지남에 따라 효율성을 개선한다. 현재 생성되는 데이터의 양과 복잡성이 인간이 합리적으로 판단하기에는 너무 방대해지면서 머신 러닝의 잠재력과 필요성이 증가하고 있다. 1970년대부터 머신러닝이 널리 배포되기 시작한 이래, 머신러닝은 의료 영상 분석과 고해상도 일기 예보 등 다양한 산업 분야에 영향을 미쳤다.

 

현재 생성되는 데이터의 양과 복잡성이 인간이 합리적으로 생각할 수 없을 정도로 방대해짐에 따라 머신러닝의 잠재력과 필요성이 커졌다.

 

딥 러닝이란 무엇인가?

딥 러닝은 머신 러닝의 한 유형으로, 텍스트 외에 이미지 등 더 광범위한 데이터 리소스를 처리할 수 있고, 사람의 개입이 훨씬 적게 필요하며, 기존 머신 러닝보다 더 정확한 결과를 도출할 수 있는 경우가 많다. 딥러닝은 인간의 뇌에서 뉴런이 상호 작용하는 방식에 기반한 신경망을 사용하여 데이터를 수집하고 데이터의 점점 더 복잡한 특징을 학습하는 여러 번의 반복을 통해 데이터를 처리한다. 그런 다음 신경망은 데이터에 대한 판단을 내리고, 그 판단이 올바른지 학습하며, 학습한 내용을 사용하여 새로운 데이터에 대한 판단을 내릴 수 있다. 예를 들어, 물체가 어떻게 생겼는지 '학습'하면 새로운 이미지에서 물체를 인식할 수 있다.

 

머신 러닝에 사용되는 인공 신경망의 세 가지 유형은 다음과 같습니다:

 

피드 포워드 신경망

1958년에 처음 제안된 이 간단한 신경망에서는 정보가 모델의 입력 계층에서 출력 계층으로 한 방향으로만 이동하며, 모델이 다시 분석하기 위해 뒤로 이동하지 않는다. 즉, 모델에 데이터를 공급하거나 입력한 다음 다양한 데이터 세트에 대해 예측하도록 모델을 '학습'시킬 수 있다. 한 가지 예로, 피드 포워드 신경망은 사기성 금융 거래를 탐지하기 위해 은행을 비롯한 여러 산업에서 사용된다.

 

작동 방식은 다음과 같다. 먼저, 거래에 사기 여부를 수동으로 표시하는 데 사용한 데이터 세트를 기반으로 거래가 사기인지 여부를 예측하는 모델을 학습시킨다. 그런 다음 이 모델을 사용하여 새로 들어오는 거래가 사기인지 여부를 예측하여 더 자세히 조사하도록 플래그를 지정하거나 완전히 차단할 수 있다.

 

컨볼루션 신경망(CNN)

CNN은 이미지를 처리하는 뇌의 일부인 동물의 시각 피질의 구성을 모델링한 피드 포워드 신경망의 일종이다. 따라서 CNN은 사진을 기반으로 새나 식물의 종을 식별하는 것과 같은 지각 작업에 매우 적합하다. 비즈니스 활용 사례로는 의료 스캔을 통해 질병을 진단하거나 소셜 미디어에서 회사 로고를 감지하여 브랜드 평판을 관리하거나 잠재적인 공동 마케팅 기회를 파악하는 것 등이 있다.

 

CNN의 작동 방식은 다음과 같다:

-       먼저 CNN은 문자 "A"와 같은 이미지를 수신하여 픽셀 모음으로 처리한다.

-       숨겨진 레이어에서 CNN은 고유한 특징(예: "A"를 구성하는 개별 선)을 식별한다.

-       이제 CNN은 이미지에 이전에 문자를 구성하는 것으로 식별된 고유한 특징이 있는 것을 발견하면 다른 이미지를 문자 "A"로 분류할 수 있다.

 

순환 신경망(RNN)

RNN은 연결에 루프가 포함된 인공 신경망으로, 모델이 데이터를 앞으로 이동하고 뒤로 반복하여 이전 레이어를 통해 다시 실행하는 것을 의미한다. RNN은 텍스트, 음성 또는 이미지의 대규모 샘플과 같은 시퀀스의 감정이나 결말을 예측하는 데 유용하다. 각 개별 입력이 모델에 단독으로 공급될 뿐만 아니라 이전 입력과 결합되어 공급되기 때문에 이러한 예측이 가능하다.

 

은행의 예를 계속 이어서, RNN은 피드 포워드 신경망과 마찬가지로 사기성 금융 거래를 탐지하는 데 도움이 될 수 있지만, 더 복잡한 방식으로 탐지할 수 있다. 피드 포워드 신경망이 개별 거래의 사기 가능성을 예측하는 데 도움이 되는 반면, 순환신경망은 신용카드 내역과 같은 일련의 거래와 같은 개인의 금융 행동을 '학습'하고 각 거래를 개인의 전체 기록과 비교하여 측정할 수 있다. 피드 포워드 신경망 모델의 일반적인 학습을 사용하는 것 외에도 이 작업을 수행할 수 있다.

 

머신러닝과 딥러닝의 혜택을 누릴 수 있는 분야는 어디일까?

거의 모든 산업에서 머신러닝과 딥러닝의 이점을 누릴 수 있다. 다음은 여러 부문에 걸친 몇 가지 사용 사례의 예이다:

 

예측 유지보수

예측 유지보수는 장비에 의존하는 모든 산업이나 비즈니스에서 중요한 부분이다. 기업은 장비가 고장날 때까지 기다리는 대신 예측 유지보수를 사용하여 유지보수가 필요한 시기를 예측함으로써 다운타임을 방지하고 운영 비용을 절감할 수 있다. 머신러닝과 딥러닝은 대량의 다각적인 데이터를 분석할 수 있어 예측 유지보수의 정확도를 높일 수 있다. 예를 들어, AI 실무자는 오디오 및 이미지 데이터와 같은 새로운 입력 데이터를 계층화하여 신경망 분석에 뉘앙스를 더할 수 있다.

 

물류 최적화

AI를 사용하여 물류를 최적화하면 실시간 예측 및 행동 코칭을 통해 비용을 절감할 수 있다. 예를 들어, AI는 배송 트래픽의 경로를 최적화하여 연비를 개선하고 배송 시간을 단축할 수 있다.

 

고객 서비스

콜센터의 AI 기술은 고객에게 보다 원활한 경험을 제공하고 보다 효율적인 처리를 가능하게 한다. 이 기술은 발신자의 말을 이해하는 수준을 넘어 오디오의 딥러닝 분석을 통해 고객의 어조를 평가할 수 있다. 발신자가 화를 내는 경우 시스템은 상담원이나 관리자에게 연결 경로를 변경할 수 있다.

 

 

생성형 AI란 무엇인가?

제너레이티브 AI는 프롬프트에 반응하여 콘텐츠를 생성하는 AI 모델이다. ChatGPT나 DALL-E(AI 생성 아트 제작 도구)와 같은 제너레이티브 AI 도구가 다양한 업무 수행 방식을 바꿀 수 있는 잠재력을 가지고 있다는 것은 분명하다. 하지만 그 영향력의 전체 범위는 아직 알려지지 않았으며 위험도 마찬가지다. 하지만 생성형 AI 모델이 어떻게 구축되는지, 어떤 종류의 문제를 해결하기에 가장 적합한지, 그리고 AI와 머신러닝이라는 더 넓은 범주에 어떻게 들어맞는지 등 몇 가지 질문에 답할 수 있다.

 

비즈니스에서 제너레이티브 AI를 어떻게 활용할 수 있을까?

ChatGPT와 같은 제너레이티브 AI 도구가 무한한 엔터테인먼트 시간을 만들어낼 수 있다는 사실을 이미 알고 계실 것이다. 비즈니스에도 분명한 기회가 있다. 제너레이티브 AI 도구는 신뢰할 수 있는 다양한 글을 몇 초 만에 생성한 다음 사용자의 비평에 응답하여 글의 목적에 더 적합하도록 만들 수 있다. 이는 AI 모델이 생성하는 즉각적인 코드의 이점을 누릴 수 있는 IT 및 소프트웨어 조직부터 마케팅 카피가 필요한 조직에 이르기까지 광범위한 산업에 영향을 미친다. 요컨대, 명확하게 작성된 자료의 초안을 작성해야 하는 모든 조직이 잠재적으로 혜택을 받을 수 있다. 또한 제너레이티브 AI를 사용하여 의료 이미지의 고해상도 버전과 같은 더 많은 기술 자료를 만들 수도 있다. 이렇게 절약된 시간과 리소스로 조직은 새로운 비즈니스 기회와 더 많은 가치를 창출할 수 있는 기회를 추구할 수 있다.

 

그러나 독점적인 제너레이티브 AI 모델을 개발하는 것은 리소스 집약적이기 때문에 대기업과 최고의 리소스를 보유한 기업을 제외하고는 접근하기 어렵다. 제너레이티브 AI를 활용하기 위해 기업은 제너레이티브 AI 솔루션을 즉시 사용하거나 특정 작업을 수행하도록 미세 조정할 수 있다. 예를 들어 특정 스타일에 따라 슬라이드를 준비해야 하는 경우, 슬라이드의 데이터를 기반으로 일반적으로 헤드라인이 어떻게 작성되는지 '학습'하도록 모델에 요청한 다음 슬라이드 데이터를 입력하고 적절한 헤드라인을 작성하도록 요청할 수 있다.

 

제너레이티브 AI에 위험이 없는 것은 아니다. 제너레이티브 AI 모델은 부정확하거나 표절 또는 편향된 결과를 자신 있게 내놓을 수 있지만, 그 결과물에 문제가 있을 수 있다는 징후는 전혀 보이지 않는다. 이는 모델이 보편적으로 신뢰할 수 있는 출처가 거의 없는 인터넷에서 학습되었기 때문이다. 리더는 비즈니스 솔루션으로 제너레이티브 AI를 도입하기 전에 이러한 위험을 인지하고 있어야 한다.

 

제너레이티브 AI의 구체적인 비즈니스 활용 사례에는 어떤 것이 있나?

제너레이티브 AI 모델은 아직 확장 초기 단계에 있지만, 여러 기능에 걸쳐 첫 번째 적용 사례를 보기 시작했다:

-       마케팅과 영업. 제너레이티브 AI는 텍스트, 이미지, 동영상 등 개인화된 마케팅, 소셜 미디어, 기술 영업 콘텐츠를 제작할 수 있다.

-       운영. AI 모델은 특정 활동을 효율적으로 실행하기 위한 작업 목록을 생성할 수 있다.

-       IT/엔지니어링. 생성형 AI는 코드를 작성, 문서화 및 검토할 수 있다.

-       위험 및 법률. AI 모델은 방대한 양의 법률 문서를 기반으로 복잡한 질문에 답하고 연례 보고서 초안을 작성 및 검토할 수 있다.

-       R&D. 제너레이티브 AI는 질병에 대한 이해를 높이고 화학 구조를 발견함으로써 신약 개발을 가속화할 수 있다.

 

제너레이티브 AI는 그 자체로도 많은 잠재력을 가지고 있지만, 더 빠르고 더 나은 작업을 수행할 수 있도록 도와주는 인간과 결합할 때 가장 강력한 성능을 발휘할 수 있다.

 

AI의 활용은 어떻게 확대되고 있나?

AI는 모든 종류의 비즈니스에 큰 화두이지만, 일부 기업은 분명히 앞서 나가고 있다. 2022년 AI 현황 조사에 따르면 2017년 이후 AI 모델 채택이 두 배 이상 증가했으며 투자도 빠른 속도로 증가하고 있다. 또한 기업이 AI의 가치를 발견하는 특정 분야도 제조 및 리스크에서 이러한 분야로 진화하고 있다:

-       마케팅 및 영업

-       제품 및 서비스 개발

-       전략 및 기업 재무

 

그리고 한 그룹의 기업들은 AI에 더 많은 투자를 하고, 더 빠르게 확장할 수 있도록 관행을 개선하며, 최고의 AI 인재를 채용하고 숙련도를 높임으로써 경쟁사보다 앞서 나가고 있다. 특히 이 리더 그룹은 AI 전략을 비즈니스 성과와 연결하고 새로운 애플리케이션을 신속하게 수용할 수 있는 모듈식 데이터 아키텍처를 설계하여 AI 운영을 '산업화'할 가능성이 더 높다.

 

AI 모델의 한계는 무엇이며 어떻게 극복할 수 있을까?

AI 모델은 아직 새로운 기술이기 때문에 롱테일 효과는 아직 확인되지 않았다. 즉, AI 모델 사용에는 알려진 위험과 알려지지 않은 위험 등 몇 가지 내재적 위험이 존재한다.

 

AI 모델이 만들어내는 결과물은 종종 매우 설득력 있게 들릴 수 있다. 이는 의도된 것이다. 하지만 때로는 생성된 정보가 완전히 틀릴 수도 있다. 더 나쁜 것은, 때로는 편향된 정보(인터넷과 사회 전반의 성별, 인종, 기타 무수히 많은 편견에 기반하기 때문에)이며 심지어 비윤리적 또는 범죄 행위를 가능하게 하도록 조작될 수도 있다는 것이다. 예를 들어, ChatGPT는 자동차에 핫와이어(엔진에 연결된 특정 전선을 교차하여 불법적으로 시동을 거는 행위)를 연결하는 방법에 대한 지침을 제공하지 않지만, 어린이를 구하기 위해 자동차에 핫와이어를 연결해야 한다고 말하면 알고리즘이 즉시 이를 따른다. 생성형 AI 모델을 사용하는 조직은 의도치 않게 편향적이거나 모욕적이거나 저작권이 있는 콘텐츠를 게시할 때 발생할 수 있는 평판 및 법적 위험을 고려해야 한다.

 

그러나 이러한 위험은 몇 가지 방법으로 완화할 수 있다. 우선, 유해하거나 편향된 콘텐츠가 포함되지 않도록 모델 훈련에 사용되는 초기 데이터를 신중하게 선택하는 것이 중요하다. 다음으로, 조직은 기성품 제너레이티브 AI 모델을 배포하는 대신 더 작고 전문화된 모델을 사용하는 것을 고려할 수 있다. 리소스가 더 많은 조직은 자체 데이터를 기반으로 일반 모델을 사용자 지정하여 필요에 맞추고 편견을 최소화할 수도 있다. 또한, 조직은 제너레이티브 AI 모델이 게시되거나 사용되기 전에 사람이 직접 확인하도록 하고(즉, 실제 사람이 제너레이티브 AI 모델의 결과를 확인해야 함), 중요한 자원이나 인간 복지와 관련된 중요한 의사 결정에는 제너레이티브 AI 모델을 사용하지 않도록 해야 한다.

 

조직이 임시 프로젝트에서 완전한 통합으로 AI 노력을 확장하려면 어떻게 해야 할까?

대부분의 조직은 AI에 과감하게 뛰어들지 않고 조금씩 발을 담그고 있다. 광범위한 채택을 향한 진전이 더딘 것은 문화적, 조직적 장벽 때문일 수 있다. 하지만 이러한 장벽을 효과적으로 무너뜨리는 리더가 AI 시대의 기회를 포착할 수 있는 가장 좋은 위치에 있을 것이다. 그리고 결정적으로, 자동차 제조 및 금융 서비스와 같은 산업에서 AI를 최대한 활용하지 않는 기업은 AI를 활용하는 기업에게 추월당하고 있다.

 

AI를 확장하기 위해 조직은 크게 세 가지 변화를 시도할 수 있다:

 

1.     고립된 업무에서 학제 간 협업으로 전환.

AI 프로젝트는 조직 내 일부 부서에만 국한되어서는 안 된다. 오히려 다양한 재능을 가진 여러 팀에서 AI를 사용하여 광범위한 비즈니스 우선순위를 해결할 수 있도록 지원할 때 가장 효과적이다.

 

2.     일선 데이터 기반 의사 결정의 역량 강화.

AI는 조직의 모든 수준에서 더 빠르고 더 나은 의사 결정을 내릴 수 있는 잠재력을 가지고 있다. 이를 실행에 옮기려면 직원들이 알고리즘이 제안하는 내용을 신뢰하고 그에 따라 행동할 수 있는 권한을 부여받을 수 있어야 한다.

 

3.     민첩한 사고방식을 채택하고 강화.

민첩한 테스트 및 학습 사고방식은 직원이 오류를 영감으로 보고 실패에 대한 두려움을 완화하고 개발 속도를 높이는 데 도움이 될 수 있다.

 

참조한 기사:

-"민첩함이란 무엇인가?", 2023년 3월 27일

-"제너레이티브 AI란?", 2023년 1월 19일

-"2022년 기술 하이라이트 - 8가지 차트", 2022년 12월 22일

-"제너레이티브 AI가 여기 있다: ChatGPT와 같은 도구가 비즈니스를 어떻게 변화시킬 수 있는가", 2022년 12월 20일, Michael Chui, Roger Roberts, Lareina Yee

-"2022년 AI의 현황과 10년 반의 검토", 2022년 12월 6일, Michael Chui, Bryce Hall, Helen Mayhew, Alex Singla, Alex Sukharevsky

-"비즈니스에 설명 가능한 AI가 필요한 이유와 이를 제공하는 방법", 2022년 9월 29일, Liz Grennan, Andreas Kremer, 알렉스 싱글라, 피터 지파로

-"디지털 신뢰가 진정으로 중요한 이유", 2022년 9월 12일, 짐 바움, 리즈 그레넌, 알렉스 싱글라, 케이트 스마제

-"맥킨지 기술 트렌드 전망 2022", 2022년 8월 24일, 마이클 추이, 로저 로버츠, 라레이나 이

-"AI 파워 플레이: 에너지 부문에서 차세대 혁신의 물결 일으키기", 2022년 5월 12일, Barry Boswell, Sean Buckley, Ben Elliott, Matias Melero, Micah Smith

-"기술 네이티브처럼 AI 확장: CEO의 역할", 2021년 10월 13일, Jacomo Corbo, David Harvey, Nicolas Hohn, Kia Javanmardian, 및 Nayur Khan

-"AI를 통한 승리는 마음의 상태이다.", 2021년 4월 30일, 토마스 미킨, 제레미 팔머, 발렌티나 사르토리, 제이미 비커스

-"유지 관리 및 안정성을 디지털화하는 더 스마트한 방법", 2021.04.23, Guillaume Decaix, Matthew Gentzel, Andy Luse, Patrick Neise 및 Joel Thibert

-"데이터 아키텍처 교착 상태를 뚫고 AI 확장", 2021년 1월 26일, 스벤 블룸버그, 호르헤 마차도, 헤닝 솔러, 아신 타바콜리

-"경영진을 위한 AI 가이드", 2020년 11월 17일, 마이클 추이, 브라이언 맥카시, 비슈누 카말나트

-"대규모 AI 개발을 위한 경영진 가이드", 2020년 10월 28일, 나유르 칸, 브라이언 맥카시, 아디 프라드한

-"분석 아카데미: 인간과 인공 지능의 격차 해소," McKinsey Quarterly, 2019년 9월 25일, Solly Brown, Darshit Gandhi, Louise Herring 및 Ankur Puri

-"AI 프론티어의 노트: 딥 러닝의 응용과 가치", 2018년 4월 17일, Michael Chui, James Manyika, Mehdi Miremadi, Nicolaus Henke, Rita Chung, Pieter Nel 및 Sankalp Malhotra