세계기상기구(World Meteorological Organization; WMO)가 발표한 2023년 지구 기후 현황 보고서(State of the Global Climate 2023)에 따르면, 온실가스 수준, 표면 온도, 해양 열 및 산성화, 해수면 상승, 남극 해빙 면적 및 빙하 감소에 대한 기록이 다시 한번 깨졌다. 

WMO 보고서는 2023년이 역대 기록상 가장 더운 해였으며, 지구 평균 표면 근처 온도는 산업화 이전 기준보다 섭씨 1.45°C±0.12°C 높아 기상 관측을 한 이래 최근 10년이 가장 따뜻한 10년이었다고 하였다. 

이로 인해, 폭염, 홍수, 가뭄, 산불이 빈번해졌고, 급속도로 강화되는 열대 저기압은 재난과 혼란을 불러와 수백만 명의 일상생활을 뒤흔들고 수십억 달러의 경제적 손실을 입히고 있다. 

지난 10년(2014~2023) 동안 해수면 상승률은 위성 기록의 첫 10년(1993~2002)보다 두 배 이상 증가했고, 남극의 해빙 면적은 이전 최저 기록보다 약 100만㎦ 낮아졌다고 한다. 

해빙 면적의 감소는 해수면의 상승으로 이어졌다. 이처럼 바닷물의 온도 상승과 홍수는 지구 환경의 극심한 변화를 초래하고 있다. 변화는 거의 재앙 수준이다.

인류가 닥쳐올 재앙에 대비하여 장기적으로 생존하기 위해서는 인간 활동이 변해야 한다. 그 과제는 매우 복잡하며, 즉각적이면서도 장기적으로 이루어져야한다. 그래서 고도의 기술 전문 지식이 필요하다. 

이런 관점에서 인공지능(Artificial Intelligence; AI)이 그 해결책으로 제시되고 있다. AI는 경험을 통해 학습하고, 새로운 입력에 적응하며, 인간과 유사한 작업을 수행할 수 있다(Helm et al., 2020). 

AI는 거의 실시간으로 엄청나게 큰 데이터 세트를 평가하는 자율 주행 자동차 및 스트리밍 기록에 영향을 받는 비디오 시청 추천(Netflix, Los Gatos, CA, USA)부터 온라인 구매 추천, 광고 및 사기 탐지(Amazon, Seattle, WA, USA)까지 사회의 다양한 측면에 적용되고 있다. 

AI의 하위 집합으로 간주되는 머신러닝(Machine Learning; ML)은 인간 지능과 관련된 경험적 학습을 보여주는 동시에 계산 알고리즘을 사용하여 분석을 학습하고 개선할 수 있는 능력도 갖추고 있다. 

이러한 알고리즘은 대규모 데이터 입력 및 출력 세트를 사용하여 패턴을 인식하고 효과적으로 학습하여 기계가 자율적인 추천 또는 결정을 내리도록 훈련한다. 알고리즘을 충분히 반복하고 수정한 후에 기계는 입력을 받고 출력을 예측할 수 있게 된다. 

그런 다음 알고리즘의 정확성을 판단하기 위해 출력을 일련의 알려진 결과와 비교한 다음 반복적으로 조정하여 추가 결과를 예측하는 능력을 완벽하게 만든다.

AI는 문제를 해결하고 목표를 달성하는 컴퓨터화된 능력을 설명하는 데 사용되며, 이 능력은 (1)외부 데이터를 이해하고 학습, (2)시각, 언어 등 인간의 인지 기능의 모방과 시도, (3)인간의 사고와 감정의 복잡성을 다룸 등의 세 가지 범주와 다양한 연구 주제가 있다(<표 1> 참조). 

Statista Market Insights에 따르면, AI 시장 규모는 2024년 3,059억 달러에 이를 것으로 예상되며, 연평균 성장률(CAGR 2024~2030) 15.83%로 2030년에는 7,388억 달러 규모에 달할 것으로 예상된다. 

글로벌시장에서 가장 큰 시장 규모는 미국(2024년 1,065억 달러)이다. 2023년 기준으로 산업별로는 헬스케어(15.70%), 금융과 제조(각각 13.65%), 비즈니스와 법률 서비스(13.60%), 운송(10.75%), 보안(9.90%), 에너지(5.29%), 미디어와 엔터테인먼트(4.92%), 소매(4.35%), 반도체(2.39%), 그리고 기타(5.81%)에서 AI가 적용되고 있다. 

한편, 우리나라의 AI 시장 규모는 2022년 18억 3천만 달러로 추산되며, 2022년부터 2032년까지 CAGR 27.5%로 성장이 예상되어, 2032년까지 207억 달러에 이를 것으로 예상된다. 

Amazon Web Services에 따르면, AI의 실제 응용 분야는 매우 다양하다. 
먼저, 지능형 문서처리이다. HM Land Registry(HMLR)社는 AI 애플리케이션을 배포하여 문서 비교를 자동화함으로써 검토 시간을 50% 단축하고 부동산 이전 승인 프로세스를 가속화시켰다. 

둘째, 애플리케이션 성능 모니터링이다. 애플리케이션 성능 모니터링(APM)은 소프트웨어 도구와 원격 측정 데이터를 사용하여 비즈니스 크리티컬 애플리케이션의 성능을 모니터링하는 프로세스로 Atlassian社는 팀워크와 조직을 간소화하는 제품을 만들었으며, AI APM 도구를 사용하여 애플리케이션을 지속적으로 모니터링하고, 잠재적 문제를 탐지하고, 심각도의 우선순위를 지정하여 ML 기반 권장 사항 신속 대응 및 성능 저하를 해결하고 있다. 

셋째, 예측 유지 보수이다. AI는 대량의 데이터를 사용하여 운영, 시스템 또는 서비스의 가동 중단으로 이어질 수 있는 문제를 식별할 수 있다. 예를 들어, Baxter社는 전 세계 70개의 제조 공장을 운영하고 있으며, 연중무휴 운영을 통해 의료 기술을 제공한다. 

넷째, 의학 연구 분야이다. AI를 사용하여 프로세스를 간소화하고, 반복적인 태스크를 자동화하며, 방대한 양의 데이터를 처리하여 신약 발견 및 개발의 전체 과정을 촉진하고, 의료 기록을 전사하며, 신제품 출시 시간을 단축할 수 있다. 

C2i Genomics社는 인공 지능을 사용하여 사용자 지정 가능한 대규모 유전체 파이프라인과 임상 검사를 실행. 연구원들은 계산 솔루션을 다루면서 임상 성과 및 방법 개발에 집중한다. 이 회사는 엔지니어링 팀 또한 AI를 사용하여 리소스 수요, 엔지니어링 유지 보수 및 NRE 비용을 줄였다. 

다섯째, 비즈니스 분석이다. Foxconn社는 AI로 강화된 비즈니스 분석을 사용하여 예측 정확도를 8% 높여 공장에서 연간 53만 3,000 USD를 절감했으며, 노동력 낭비를 줄이고 데이터 기반 의사결정을 통해 고객만족을 제고시키고 있다. 

반면에, AI Accelerator Institute는 AI로 인한 5가지 도전(전자 폐기물(e-waste) 생성, AI 모델의 높은 탄소 배출량, 높은 자원 활용도, 데이터 편향의 문제, 투명성 부족)을 다음과 같이 제시하고 있다. 

먼저, Global E-waste Monito 2020에 따르면, 전자폐기물은 2030년까지 7,400만 톤에 달할 것으로 예측된다. 이는 매우 빠른 기술 발전, 가전제품에 대한 수요 증가, 점점 더 짧아지는 장치 수명 때문이다. 

AI 기술이 빠른 속도로 발전하고 일상생활에 접목되면서 CPU, GPU, 메모리칩에 대한 수요가 높아지면서 전 세계의 전자폐기물 문제는 더욱 악화될 것으로 예상되어, 향후 전 세계적으로 매립되는 독성 폐기물의 약 70%가 전자폐기물이라고 예측된다. 

유해물질과 화학물질로 만들어져 매립지 주변 환경을 오염시킨다. 그러나 전문가들은 AI와 기계 학습을 통하여 전자 부품 식별 시 90% 이상의 정확도를 달성하여 전자 폐기물 재활용의 문제를 해결할 수 있다고 믿는다.

둘째, AI 모델이 높은 탄소 배출량을 높인다는 도전에 대하여 Google은 "4M"을 대안으로 제시한다. Google은 Google Cloud 서비스를 통한 4M을 이용하여 탄소배출과 에너지를 각각 1,000배와 100배까지 줄일 수 있다고 한다; 

⑴지도 최적화(Map Optimization): 고객은 가장 깨끗한 에너지를 사용하는 위치를 선택하여 총 탄소 배출량을 5배에서 10배까지 줄일 수 있다, 

⑵모델(Model): 효율적인 기계 학습 모델을 선택하면 계산을 3~10배 줄이면서 품질을 향상시킬 수 있다, 

⑶기계화(Mechanization): 클라우드 컴퓨팅은 온프레미스(on-premises: 자체 하드웨어에서 소프트웨어를 호스팅하는 것)에 비해 에너지 사용량을 줄여 배출량을 1.4x-2x로 줄인다, 

⑷기계(Machine): 기계 학습에 최적화된 시스템과 프로세서를 사용하면 에너지 효율성과 성능이 2~5배 향상된다. 

셋째, AI가 너무 많은 자원을 쓰고 있다는 것이다. 데이터 센터는 서버가 과열되지 않도록 시스템을 냉각하기 위해 많은 양의 물을 사용하는데, 20~50개의 질문이 포함된 모든 ChatGPT 대화가 데이터 센터에서 500㎖짜리 물병을 "취(drunk)"하는 것과 같다고 한다. 

예를 들어, Google은 물 사용량 정보를 게시하기 시작했는데, 2022년에만 전 세계 데이터 센터에서 52억 갤런(1 gallon = 3.785411784ℓ)의 물을 사용했다고 보고했다. 

2023년 구글은 하루 수백만 리터의 물을 소비하는 우루과이에 데이터 센터를 건설할 계획을 세웠는데, 이는 74년 만에 최악의 가뭄을 겪고 있는 우루과이를 분노케 했다고 한다. 

에너지 인프라 및 하드웨어로 인해 알루미늄, 실리콘, 플라스틱, 구리 등과 같은 탄소 집약적 원자재에 대한 수요가 증대된다는 것도 AI에 도전이 된다. 

또한, AI로 인한 전 세계 리튬 수요는 2040년까지 110만 톤으로 증가될 것으로 예상되는데, 이는 현재 생산되는 양의 10배가 넘는 수치이다. 

따라서 채굴되는 지역의 사회적 및 환경적 부담이 증가되고 있으며, 채굴되는 지역이 다른 지역을 위해 희생되는 희생지역(sacrificed zones)이 될 수 있다. 

넷째, AI가 데이터 편향의 문제를 발생시킨다는 것이다. Debnath et al.(2023)은 편향된 데이터 수집으로 인해 기후 과학에서 AI의 한계를 강조한다. 

이들은 불완전한 데이터, 핵심 관점 누락, 다양한 지역과 공동체, 특히 남반구의 정보에 대한 기술 의존으로 인해 기후 예측을 신뢰할 수 없게 되었다고 주장하며, 이러한 데이터 격차를 메우기 위해 보다 정확하고 포괄적인 AI 생성 기후 솔루션을 보장할 수 있는 인간 참여형(Human-In-The-Loop) 접근 방식을 이용해야 한다고 주장한다. 

이들은 전 세계적으로 다양한 데이터 세트의 필요성과 사회적으로 책임 있는 AI 도구를 만들기 위한 공공 필요성으로서 광대역 액세스의 중요성을 강조하면서, “깨끗하거나 편향이 없는 데이터는 없으며, 이는 전적으로 디지털 정보에 의존하는 AI의 경우 특히 문제가 된다”라고 하였다. 

다섯째, 투명성의 부족이다. AI의 '블랙박스' 문제는 머신러닝 모델, 특히 딥러닝 네트워크가 데이터를 처리하는 방식이 명확하지 않다는 것을 의미한다. 

이로 인해 AI의 의사결정 과정을 이해하기 어려워지고, 특히 의료 및 법률과 같은 분야에서 책임과 편향에 대한 우려가 발생될 수 있다. 

또한, 사용자가 내부 작업을 이해하지 않으면 쉽게 오류를 수정하거나 AI 시스템을 새로운 시나리오에 적응할 수 없기 때문에 확장성과 수용이 제한된다. 이러한 과제는 많은 조직에서 인정하고 있지만 포괄적인 데이터 및 윤리 정책을 갖춘 조직은 거의 없다. 

투명성 부족은 다음과 같은 다양한 이유로 문제가 된다. ⑴확장성(scalability). AI의 의사결정 과정이 명확하지 않기 때문에 오류를 식별하거나 AI가 새로운 데이터로 어떻게 작동할지 예측하기가 어렵다. 

이러한 불확실성은 AI 시스템을 다양한 애플리케이션에 맞게 개선하거나 적용하려는 노력을 복잡하게 만들어 잠재적인 이점을 제한한다. 

⑵수용(adoption). AI 솔루션을 이해하고 설명하는 데 어려움이 있다는 점은 AI를 고려하고 있거나 현재 구현 중인 조직에게 큰 장애물이다. 이러한 명확성이 부족하면 의사결정 위험에 대한 우려가 제기되어 비즈니스 리더가 기술을 수용하지 못하게 된다. 

⑶윤리적과 사회적 영향(ethical and social implications). 인간 운영자가 AI 결정 이면의 논리를 파악할 수 없으면 특히 법률 및 의료와 같은 중요한 영역에서 책임이 문제가 된다. AI 시스템의 불투명성은 편향을 숨기고 오류 감지를 어렵게 만들 수 있다.

그러나 Forbes(2023)에 따르면, AI는 14가지 방법으로 비즈니스와 산업의 지속가능성을 높이는데 도움이 된다. 

⑴일관된 ESG 보고이다. 엔터프라이즈 생성 AI 기반 플랫폼은 비즈니스 정보를 보다 빠르고 정확하게 추적, 측정 및 요약할 뿐만 아니라 지역 전반에 걸쳐 일관된 ESG 보고 전략을 제공한다. 

⑵AI는 재활용을 더욱 효율적으로 만든다. AI는 폐기물 관리 및 재활용 프로세스에 사용되어 분류를 자동화하고 오염을 방지하며 유지 관리 요구 사항을 예측할 수 있다. 

⑶공급망의 효율적 관리이다. AI 기반 재고 최적화 및 실행을 사용하면 과잉 재고를 줄이고 운송을 최적화하며 공장-공급업체 조정 및 협업을 강화하여 생산 및 정시 납품이 가능하다. 

⑷AI는 사업 운영 점검을 해준다. 환경 센서가 장착된 AI 기반 드론 기술을 활용하여 기업은 실시간 항공 검사를 수행하고 오염원을 식별하며 생태적 영향 평가하고 탄소 배출량을 최소화할 수 있다. 

⑸AI는 재료 발견 및 배터리 설계 개선을 가능하게 해준다. 재료 발견 및 디지털 화학 분야에서 AI는 연구자가 화학적 특성을 예측하는 데 도움이 되는 정확한 통찰력을 제공하여 자원 활용도를 높일 수 있다. 

⑹AI는 실시간 규제 변화를 추적할 수 있다. ESG 규범이 전 세계적으로 발전함에 따라 AI는 기업이 규제 제안 및 변경 사항을 실시간으로 추적하여 지역 간 준수를 보장할 수 있도록 지원한다. 

⑺AI는 지속가능성 데이터 분석이 가능하다. 지속가능성 전문가가 연중무휴 24시간 운영의 모든 측면을 검토하고 환경친화적인지를 확인하기 위해 즉석에서 권장 사항을 제시하는 것과 같은 효과를 누릴 수 있다. 

⑻AI는 장비 수명주기 예측이 가능하다. 장비의 정확한 수명주기 예측은 지속가능성을 크게 향상시켜 대부분의 회사에는 언제든지 다운될 수 없는 장비를 구비하도록 해준다. 

⑼AI는 IT 활동에 사용되는 전력 관리가 가능하다. AI는 사후 대응적인 전력 관리에서 사전 예방적인 전력 관리로 전환하여 지속가능성 목표를 더 잘 달성할 수 있도록 해준다. 

⑽AI는 컴퓨터 칩의 검증을 할 수 있다. 자동화된 테스트 및 이상 탐지는 리소스를 많이 사용하는 프로세스를 간소화하고 칩 개발 속도를 높일 수 있다. 

⑾AI는 에너지 모니터링 및 제어가 가능하다. AI 기반 시스템은 센서와 장치의 데이터를 지속적으로 분석하여 에너지 사용, 물 소비 및 자원을 최적화하고 폐기물과 탄소 배출량을 줄일 수 있다. 

⑿AI는 기초모델의 활용이 가능하다. 이러한 기성 솔루션은 모델 훈련과 관련된 에너지 소비와 탄소배출을 줄이는 데 도움이 된다. 

⒀AI는 직원들의 쓰레기와 재활용품의 분리에 도움이 된다. 
⒁AI는 지속가능한 제품(또는 서비스) 개발이 가능하다. AI는 신제품 개발 과정에서 더 많은 재생 가능 소재를 사용하는 방법을 찾아 지속가능성 향상에 도움을 줄 수 있다. 

AI가 지속가능성에 도움이 될 것인가, 아니면 그 반대인가에 대한 갑론을박(甲論乙駁)이 계속되고 있다. AI가 사람의 일자리를 빼앗는다, 사람의 가치를 낮춘다 등의 주장을 하는 반대론자들은 AI 개발의 속도를 조절해야 한다고 주장한다. 

알파고가 이세돌 9단을 상대로 승리를 거둔 사례는 AI에 대한 우려를 고조시키기도 했다. 특히, 로봇이 인간을 지배하려고 전쟁을 일으키는 공상과학 영화를 보면 그 주장이 더욱 공감된다. 

반면에, 찬성론자들은 AI는 로봇, 자율주행자, 가상현실 등 미래산업을 이끌 핵심기술로 지속적 개발과 속도가 더 빨라야 한다고 주장했다. 어떻든 글로벌 AI 시장의 성장은 지속될 것이며, 그 적용 분야도 점차 확대되고 있다. 

그러한 산업과 분야에서 우리 기업이 경쟁적 우위를 차지하기 위해서는 우리만의 독특한 AI 기술 개발이 필요한 시점이다. ‘구더기 무서워서 장 못 담근다’라는 속담이 있다. 반드시 해야 할 일은 어떤 어려움과 방해가 있어도 해야 한다는 뜻이다. 

물론 AI 데이터의 편향이 있을 수 있으나, Debnath et al.(2023)이 주장한 것처럼, 인간 참여형(Human-In-The-Loop) 접근 방식을 이용하여 이를 해결하기 위한 노력이 절대적으로 필요하다. 

이미 우리는 구글 지도나 네이버, 티맵 등의 네비게이션에 익숙해져 있어 AI 기술을 사용하지 않았던 시대로 회귀하긴 쉽지 않을 것이다. 그렇다면, AI 기술을 이용하여 인류의 지속가능성과 기업의 ESG 경영을 위해 AI가 올바르게 활용되도록 하면 된다. 

이런 관점에서, AI 및 기술에 대한 윤리 교육은 더 강화되어야 한다. 그러나 현실은 인문사회 분야에서 중요한 윤리 교육에 대한 중요성이 점차 사라지고 있어 안타깝다. 

교육과 과학을 책임지고 있는 사람들의 인문학적이며, 인류지향적 사고 전환이 그 어느 때보다도 필요한 시점이다. 

참고문헌
State of the Global Climate 2023, WMO-No. 1347 https://library.wmo.int/records/item/68835-state-of-the-global-climate-2023; Helm, J. M., Swiergosz, A. M., Haeberle, H. S., Karnuta, J. M., Schaffer, J. L., Krebs, V. E., Spitzer, A. I., & Ramkumar, P. N. (2020). Machine learning and artificial intelligence: definitions, applications, and future directions. Current Reviews in Musculoskeletal Medicine, 13(1), 69-76.; https://www.statista.com/outlook/tmo/artificial-intelligence/worldwide#market-size; Amazon Web Services, 인공 지능(AI)이란 무엇입니까? https://aws.amazon.com/ko/what-is/artificial-intelligence/; Forbes (2023). 14 Ways AI Can Help Business And Industry Boost Sustainability.  https://www.forbes.com/sites/forbestechcouncil/2023/11/22/14-ways-ai-can-help-business-and-industry-boost-sustainability/?sh=75ca3df7ed04; Nishant, R., Kennedy, M., & Corbett, J. (2020). Artificial intelligence for sustainability: Challenges, opportunities, and a research agenda. International Journal of Information Management, 53, 102104.; AI Accelerator Insitutue. AI and sustainability: 5 top challenges you need to know. Retrieved from https://www.aiacceleratorinstitute.com/ai-and-sustainability-5-top-challenges-you-need-to-know/ (April 28, 2024).; Debnath, R., Creutzig, F., Sovacool, B.K. et al. Harnessing human and machine intelligence for planetary-level climate action. npj Clim. Action 2, 20 (2023). https://doi.org/10.1038/s44168-023-00056-3

● 세종대학교 경영학과 교수
● 세종대학교 탄소중립ESG연구소 소장
● 세종대학교 대학원 경영학과 ESG경영전공 Founder(2020)/코디네이터
● 세종대학교 공공정책대학원 시니어산업학과 석사과정 Founder(2020)
● 세종대학교 산업대학원 마케팅학과 Founder(2007)(현, 유통산업학과)
● 세종대학교 경영전문대학원 프랜차이즈석사과정 Founder(2006)
● 세종사이버대학교 경영학과 Founder(2005)
● (사)한국프랜차이즈경영학회 회장
● SDX재단 교육연구원 자문단장
● ㈜ESG_BB 자문교수
● 논문과 통계 research and statistics professor 유튜브 채널 운영자