유명한형제들
적은 예산으로 마케팅 업무를 처리해야 하는 1인 사업자에게 생성형 인공지능은 작업 시간을 크게 줄여주는 유용한 수단이다. 그러나 인공지능이 제시하는 정보의 정확성과 독창성에는 명확한 한계가 존재한다. 방대한 데이터를 수집하여 패턴을 모방하는 기술적 특성을 이해하고, 인간이 직접 담당해야 하는 기획과 최종 판단의 영역을 구분하는 태도가 필요하다.
인공지능의 데이터 학습 원천
대규모 언어 모델은 수천억 개의 단어와 구문으로 구성된 원시 데이터 세트를 수집하여 학습을 진행한다. 웹 페이지, 서적, 학술 논문, 정부 문서 등 다양한 종류의 텍스트가 학습용 원천데이터로 활용된다. 인터넷 정보 외에도 약 5,700만 페이지에 달하는 위키피디아 데이터와 커먼 크롤 데이터베이스가 대표적인 수집 대상이다. 이처럼 인공지능은 방대한 정보 속에서 단어 간의 연관성과 언어적 패턴을 계산하여 다음 단어를 예측하는 방식으로 작동한다. 마케팅 문구나 원고 초안을 생성할 때 인공지능이 유연한 문장을 만들어내는 것은 새로운 지식을 스스로 창조했기 때문이 아니라 기존에 존재하는 수많은 데이터를 종합하여 모방한 결과다.
생성형 인공지능의 환각률 분석
생성형 인공지능은 학습한 데이터를 바탕으로 작동하지만, 사실과 다른 내용을 마치 진실인 것처럼 출력하는 환각 현상을 보인다. 여러 조사 결과에 따르면 챗GPT의 환각률은 15%에서 20% 수준으로 나타났다. 이전보다 성능이 개선된 GPT-4 모델 역시 환각 현상을 대폭 낮췄다고 발표했으나 여전히 8.4% 수준의 환각률을 기록하고 있다. 광고 문구나 마케팅 콘텐츠를 제작할 때 이러한 환각 현상을 검증하지 않고 활용하면 브랜드 신뢰도에 타격을 입을 수 있다. 아무리 최신 모델을 활용하더라도 일정 비율로 왜곡된 정보나 존재하지 않는 사실이 포함될 위험이 존재하므로, 사용자는 출력된 결과를 직접 확인하고 사실관계를 대조해야 한다.
인간과 인공지능의 가설 생성 비교
에믈리옹 비즈니스 스쿨과 인디애나 대학교 연구팀의 실험에 따르면 챗GPT4는 과제를 완료하는 데 12.66분이 걸린 반면, 인간 참가자들은 평균 23.02분이 소요됐다. 작업 속도 면에서는 인공지능이 빠른 효율성을 보여주었다. 그러나 제시한 가설의 수에서는 상반된 결과가 나왔다. 챗GPT4가 5개의 가설을 제시하는 데 그친 반면 인간은 평균 14개의 가설을 도출했다. 인공지능은 주어진 패턴 내에서 정답에 가까운 대안을 신속하게 찾아내는 데 유리하지만, 다양하고 독창적인 시각으로 문제를 바라보고 수많은 가설을 설정하는 능력에서는 여전히 인간이 우위를 차지한다.
인공지능 집단지성의 다수결 행동
인공지능 모델들이 다수로 모여 집단을 이룰 때 생물체 집단과 유사한 다수 따르기 행동을 보인다는 연구 결과가 발표됐다. 연구에 따르면 대형언어모델 에이전트들은 개별적인 판단보다는 다수가 선택한 옵션을 우선적으로 채택하는 경향을 나타냈다. 이러한 다수결 선택 양상은 사용된 모델의 종류나 네트워크의 크기와 관계없이 모든 에이전트에서 공통으로 관찰됐다. 이는 인공지능이 스스로 비판적인 사고를 거쳐 새로운 결론을 내리기보다, 데이터 집단 내에서 가장 출현 빈도가 높고 우세한 선택지를 우선적으로 수용한다는 점을 보여준다.
인간 고유의 역할과 판단
인공지능은 기존 데이터의 패턴을 종합하고 처리 속도를 높이는 도구로서 유용하다. 그러나 진정한 의미의 독창성을 발휘하거나 근본적인 아이디어를 제시하는 것에는 명확한 한계가 존재한다. 유머나 비틀기처럼 의외성에 의존하는 마케팅 요소나 기존에 없던 마케팅 가설을 도출하는 일은 인간의 사고 과정에서 나온다. 인간과 인공지능이 협업하는 구조에서 마지막까지 인간이 담당해야 할 역할은 고통을 동반하는 최종 판단이다. 1인 사업자는 광고 초안 작성이나 데이터 정리 등 단순 실행 업무를 인공지능에 맡기되, 차별화된 마케팅 기획과 최종 의사결정에 역량을 집중해야 한다.
참고
댓글 0개
아직 댓글이 없습니다. 첫 댓글을 남겨보세요.