어느 나라든지 정부의 경우 정치적인 이유로 인해 다른 조직들보다 실패와 위험에 더 민감하다.

많은 결정들은 본질적으로 단기적인 정치적 흐름과 장기적인 도시 전략간 균형에 크게 의존한다.

AI와 IoT 스마트시티에서의 AI의 역할처럼 주제가 진화하므로 도시에서 첫 번째 경험을 긍정적으로 만드는 것은 중요하다. 현실적인 예측과 위험 통제 조치 없이 처음부터 바로 구현에 뛰어들면 실패 가능성만 높아질 뿐이다.

AI 애플리케이션에 대한 긍정적인 첫 번째 경험을 통해 내부 신뢰를 구축하고 비즈니스 내에서 이러한 긍정적인 경험을 공유해야 한다.

이 전략은 다른 사업 영역으로 비즈니스를 확장하고 AI가 어떻게 프로세스를 변화시킬 수 있는지에 대한 협업을 장려함으로써 선순환을 만들고 장기적인 성공을 이끌어내는 데 도움이 된다.

그동안 AI 기술에 대한 시장의 희망, 두려움, 기대는 지나치게 높았던 것도 사실이다. 진부한 솔루션과 로드맵이 없다면 스마트시티 내 대부분의 AI 프로젝트는 시행착오를 겪느냐 아니냐의 문제일 것이다.

지나치게 낙관적인 기대는 CIO의 평판을 해칠 수 있는 한편 지나치게 비관적인 기대는 도시의 경쟁력과 차별화를 저해할 수 있다.

비현실적인 기대를 설정하는 것의 위험과 지지를 얻기 위한 목표 사이의 균형을 이뤄야 한다. 모든 관련 당사자들이 AI를 사려 깊게 생각하고 IoT 구축의 가치를 올리기 위해 제공할 수 있는 것을 현실적으로 인식할 때 에야 비로소 현실적인 기대치를 설정할 수 있다.

리더들은 미디어나 업체로부터 AI와 관련한 과대광고를 민감하게 받아들이지 않도록 충분한 지식을 제공받아야 한다. 또 정부 각 부서의 리더들에게 AI와 가장 관련 있는 내용을 교육하여 의사결정이 최대한 영향력을 가지도록 해야 한다.

그러나 이들이 IT 조직을 간과하거나 무시하여 적절, 부적절한 IoT 사용사례에 기술을 억지로 적용하지는 않아야 하므로 지나치게 실행 가능한 내용을 제공하지 않도록 주의해야 한다.

낮은 기대감으로 작게 시작하고 초기의 사례에서 더 많은 비즈니스 사례들이 뻗어 나올 수 있는 미래 로드맵을 구축하는 것이 중요하다. 이정표를 세우고 모든 이해관계자들이 IoT 스마트시티에 AI를 통합하는 장기적인 목표에 동의하도록 해야 한다.

목표는 IoT 기기를 통해 수집되고 축적된 방대한 양의 데이터를 수익화하면서 예상 비즈니스 결과를 달성하는 것이다.

도시 내외의 맥락에서 다른 도시들이나 조직들이 무엇을 하고 있는지 이해하고 평가하며 그를 활용하려는 열린 태도를 가져야 한다.

다른 조직들이 AI로 IoT 데이터를 활용하기 위한 접근 방식을 어떻게 발전시키는지, 그리고 그것이 긍정적인 경험인지 부정적인 경험인지 알아봄으로써 학습 곡선을 줄이고 예상치 못한 방식으로 아이디어를 떠올릴 수도 있다.

AI가 제공하는 상당한 이점에도 불구하고 초기 비용과 위험은 매우 높을 수 있다. 대부분의 도시에서 AI의 도입은 초기 단계에서의, 즉 학습 수준의 실험이다. 원치 않는 부작용을 줄이기 위해서는 세심하게 비용, 위험, 이점의 균형을 맞춰야 한다.

AI의 위험은 주로 기술과 시장의 미성숙에서 비롯된다. 많은 AI 기술이 입증됐음에도 불구하고 일반적으로 이러한 기술을 사용하는 시장은 아직 초기 단계에 있다.

현재 제품이나 솔루션은 하나의 플랫폼이나 업체에 매여 있기에는 너무 크고 빠르게 변화하고 있어 이에 대한 대비가 필요하다. 빠른 노후화에 대비하기 위해 비즈니스 가치 창출에 드는 시간을 단축할 것을 계획해야 한다.

적용 가능한 곳이라면 어디든 통신서비스 업체를 통해 비용 효율적인 컴퓨팅 리소스를 활용할 수 있도록 해야 한다. 또 전문화된 인하우스 개발에 투자하는 것보다는 기성 AI 알고리즘 및 모델 사용을 고려해야 한다.

초기 비용을 낮추고 추후 요구 사항을 수용할 수 있는 확장 기능을 고려하고, 다수의 머신러닝 프레임워크와 툴킷을 갖춘 오픈 아키텍처를 고려해 퍼블릭 클라우드에서 프로젝트를 시작하는 것을 심도있게 고려해봐야할 시점이다.

IoT 데이터를 활용하는 과정에 관련된 정보의 민감성에도 잠재적인 위험이 존재한다. 이 문제는 도시의 맥락에서 특히 두드러진다.

법적·윤리적 문제에 많은 관심을 쏟고 사물(Thing) 데이터를 다루는 정책을 확장하여 기존 데이터 거버넌스 분야와 고감도 IoT 데이터의 위험 증가를 해결할 수 있는 기능을 개선해야 할 것이다. [파이낸셜신문]