기본 콘텐츠로 건너뛰기

프로젝트 재난 평가 - 예산

SOS! 죽어가는 프로젝트 살리기 - 2장 생각해볼 문제를 통해 프로젝트 재난 평가에서 예산에 관한 부분을 생각해 보도록 하자..

된장.. 난 일정과 예산 둘다 닭인데..

이녀석은 이해하는데 더욱 더 오래 걸렸다...

문제는 내 맘대로 바꾸어서 생각해보도록 하겠다.

우선 표부터 보도록 하자.

단계
 단계예산초과율(%) 누적예산초과율(%) 초과비율(%) 단계별할당예산누적할당예산
단계별예산초과액
 누적예산초과액 추가필요예산액
 1 0 0  5 5   
 2 0 0  7 12   
 3 0 0  11 23   
 4 0 0  16 39   
 5 20 2  16 55 3.2 3.2 280
 6 50 6266
 17 72 8.5 11.7 254.5
 7 80 13123 18 90 14.4 26.1 222.1
 8 80 2161 20 110 16 42.1 186.1
 9 100 3252 22 132 22 64.1 142.1
 10
 100 4539 25 157 25 89.1 92.1
 11 110 58 31 25 182 27.5 116.6 39.6
 12 120 6919 18 200 21.6 138.2 

금액 단위는 천만원으로 가정하였다.

여기서 살펴볼 것은 두가지다..

하나는 초과비율이고.. 다른 하나는 추가필요예산액이다.

이 예산의 경우도 기본적인 관점은 이전의 일정과 같다. 각 단계별로 예산 초과율을 살펴 본다면 대략 7에서 9단계정도까지라면 대부분의 조직에서는 프로젝트의 진행에 대해 심각하게 고민하게 될 것이다. 실제 들어갈 예산에 비해 9단계부터는 거의 2배의 비용이 들어가고 있다.

이런 경우 정말로 이 프로젝트는 재난에 직면한 것일까?

예산을 다시 산정하거나 프로젝트를 포기해야할 정도로 심각한 상황인것일까?

이 프로젝트는 4단계까지는 예산 초과가 없었다. 이후 예산 초과가 발생하였고 꾸준히 증가하고 있다. 하지만 초과 비율로 보면 아래 그래프와 같다.


그래프를 보면 예산 초과 비율이 커지고 있긴 하지만 전체적인 초과 비율은 오히려 감소하고 있는 것을 알 수 있다.

즉, 이 프로젝트에서 예산 초과는 현재로서는 그렇게 큰 문제가 되지 않는다고 보인다.

3단계에서 측정했다면 만사 OK

6단계에서 측정했다면 예산이 갑자기 이렇게 엄청 많이 초과된 이유를 알아보았을 것이다.

9단계에서 측정했다면 예산은 초과했지만 프로젝트는 안정되어 있는 것으로 판단할 수 있다.

12단계에서는 프로젝트는 비록 예산을 70%나 초과했지만 마무리 할 수 있을 것으로 보인다.

만약 이 프로젝트의 재난 여부를 판단하려면 초과비율 보다는 추가 필요 예산액이 될 것으로 생각된다.

만약 6단계에서 프로젝트를 측정했다면 추가로 필요한 예산은 자그만치 25억 4천 5백만원 정도로 예상된다.

여기서 판단의 기준은 과연 프로젝트가 성공적으로 끝났을 때 제품이 회사에 25억 정도의 가치를 제공할 수 있을 것인가? 이다.

그렇지 않다면 경보를 울려야 할 것이다.

두 문제를 풀면서 내가 얻은 것은 2가지 정도이다.

첫번째는 당장의 현상에만 집착하지 말고 전체를 볼 수 있어야 한다는 것이다.

두번째는 꾸준한 데이터의 축척 없이는 지금 현재 나의 프로젝트가 재난 상태인지 건강한 상태인지 알 수 없다는 것이다. 문제는 꾸준하게 측정할 데이터가 정말 의미가 있어야 한다는 것이다.

소프트웨어 테스팅에서도 보고서는 매우 중요한 요소중의 하나이다. 테스트 매니저들은 그 보고서를 통해 무엇을 보고할 것인지에 대해 정말 많은 것을 고민한다.

이 책을 통해 그러한 것들 중 내가 과연 무엇을 더 우선적으로 고민해야 되는지에 대한 실마리를 조금은 얻을 수 있었다.

댓글

  1. 어느 정도 규모가 큰 조직이라면 과거 유사 프로젝트 수행 결과(물론 같은 방법으로 자료를 축적해놓아야 합니다)와 비교해보는 방법도 있습니다. 동일한 패턴을 보일 가능성이 높기 때문입니다.



    계속해서 다른 문제 풀이도 기대하겠습니다. ;)



    - jrogue

    답글삭제
  2. 김주봉18/6/10 15:28

    좋은 글 감사합니다.

    답글삭제

댓글 쓰기

이 블로그의 인기 게시물

AI 에이전트의 환각과 프롬프트 폭증을 막는 '컨텍스트 엔지니어링(Context Engineering)'과 아키텍처의 미래

AI 코딩 에이전트나 생성형 LLM을 소프트웨어 개발에 접목하는 시도가 늘어나면서, 엔지니어들이 마주하는 가장 큰 기술적 병목 중 하나는 바로 '컨텍스트(Context)'의 관리입니다. 저 역시 최근 AI와 바이브 코딩(Vibe Coding)을 활용해 여러 프로젝트를 진행하고 있는데, 하나의 대화창(세션)을 오래 켜둔 채 작업을 계속 이어가다 보면 AI가 초기 맥락을 잊어버리거나 이전에 지켜달라고 했던 제약조건을 놓치며 실수를 저지르는 경우를 자주 겪곤 합니다. 그래서 저는 목적별로 대화창을 명확하게 분리해서 작업하거나, 어느 정도 작업 단계가 진행되면 지금까지의 구현 내용과 의사결정을 요약 정리한 뒤 새 대화창에서 AI에게 이를 다시 학습시키는 방식으로 맥락을 관리하고 있습니다. 그렇다면 엔지니어링 아키텍처 차원에서는 이 문제를 어떻게 접근하고 있을까요? InfoQ의 발표 아티클 "Architecture / Context Engineering"에서는 바로 이 지점, 즉 단순한 프롬프트 엔지니어링을 넘어 시스템 아키텍처 수준에서 컨텍스트를 제어하는 '컨텍스트 엔지니어링(Context Engineering)'의 필요성과 구체적인 프레임워크를 다루고 있습니다. (출처: InfoQ - Architecture / Context Engineering) https://www.infoq.com/presentations/architecture-context-engineering/ 발표자들은 코딩 에이전트나 자율형 에이전트가 현장에서 실패하는 가장 큰 이유로 '비대해진 컨텍스트 윈도우(Bloated Context Windows)'와 무분별하게 채워진 프롬프트(Stuffed Prompts)를 꼽습니다. AI에게 너무 많은 정보를 한 번에 주면, 모델의 주의력(Attention)이 분산되거나 논리적 우선순위를 놓치는 현상이 발생합니다. 마치 인간 엔지니어에게 백과사전 수십 권을 던져주고 "이거 다 읽고 10초 ...

합성 사용자(Synthetic Users)의 5가지 유형과 AI 테스팅 현장에서의 활용법

AI와 생성형 모델 기술이 발전하면서, 사용자 경험(UX) 연구와 테스팅 현장에서 가상 퍼소나를 활용해 테스트 데이터를 수집하거나 사용성을 평가하려는 시도가 급격히 늘고 있습니다. 이를 흔히 '합성 사용자(Synthetic Users)'라고 부릅니다. 하지만 막연히 "AI에게 사용자 역할을 시켜 테스트를 돌린다"고 할 때, 그 가상 사용자가 어떤 방식과 데이터로 생성되었는지 명확히 구분하지 않으면 자칫 왜곡된 결과에 빠질 위험이 있습니다. UX 및 사용성 리서치 분야의 권위 있는 기관인 MeasuringU에서 이 합성 사용자의 개념을 명쾌하게 분류한 아티클을 공개했습니다. 바로 "What Are the Different Types of Synthetic Users?"라는 글입니다. (출처: MeasuringU - What Are the Different Types of Synthetic Users? / Jeff Sauro, PhD & Jim Lewis, PhD) https://measuringu.com/what-are-the-different-types-of-synthetic-users/ Jeff Sauro와 Jim Lewis 박사는 합성 사용자를 단순히 하나의 개념으로 뭉뚱그리지 않고, 생성 기술의 근거와 데이터 기반에 따라 크게 5가지 유형으로 깔끔하게 정리해 줍니다. 첫째는 규칙 기반(Rule-Based) 합성 사용자입니다. AI 모델이 아니라 사전 정의된 조건문, 정규식, 시나리오 스크립트에 따라 움직이는 전통적인 형태의 가상 사용자입니다. 예측 가능하고 정확하지만, 인간 사용자의 복잡한 정서나 미묘한 변수를 반영하진 못합니다. Selenium, Playwright, K6 같은 도구를 통해 지정된 경로대로 버튼을 누르고 데이터를 입력하는 방식을 들 수 있습니다. 둘째는 퍼소나 기반 LLM(Persona-Based LLM) 합성 사용자입니다. 생성형 AI에게 "너는 50대 비테크놀로지 사용...

AI가 만들고 사람이 고친 글, 과연 'AI 생성물'일까? — 무너지는 경계선과 각국의 표기 가이드라인

이미지, 음성, 텍스트를 가리지 않고 생성형 AI의 산출물이 전 세계 디지털 공간에 폭포수처럼 쏟아져 나오고 있습니다. 가짜 뉴스, 딥페이크 오정보, 저작권 침해 등 여러 사회적 문제를 일으키면서, 최근 EU를 비롯한 세계 각국의 규제 기관들이 "AI가 만든 콘텐츠에는 반드시 표시(Labelling)를 하라"는 강제 가이드라인을 잇달아 꺼내 들고 있습니다. 이와 관련해 Smashing Magazine에 비탈리 프리드만(Vitaly Friedman)이 기고한 아티클은 EU의 최신 규제가 실무 인터페이스(UI/UX)에 어떤 변화를 요구하는지 잘 보여줍니다. (출처: Smashing Magazine - New EU Guidelines For AI Labelling / Vitaly Friedman) https://www.smashingmagazine.com/2026/08/eu-guidelines-ai-labelling/ EU AI Act 제50조 투명성 규정에 따르면, 딥페이크나 AI 챗봇 대화, 인간의 검수 없이 AI가 100% 작성한 공공 텍스트 등에는 전용 AI 마크나 암호화된 메타데이터(Watermark)를 반드시 내장해야 합니다. 기존에 서비스들이 유행처럼 쓰던 모호한 '반짝이 아이콘(✨ Sparkles)' 수준으로는 법적 기준을 충족할 수 없게 된 것입니다. 하지만 현장의 개발자, 에디터, 테스터들이 마주한 진짜 혼란은 규제의 유무가 아닙니다. 바로 "도대체 어디까지를 AI가 만들었다고 볼 것이며, 어디서부터를 사람이 만든 것으로 정의할 것인가?"라는 근본적인 경계선의 모호함입니다. 프롬프트 한 줄 던져서 AI가 뽑아낸 초안을 사람이 문장 몇 개 다듬었다면, 이것은 AI 산출물일까요, 인간의 글일까요? AI가 코딩한 1,000줄의 소스 코드를 엔지니어가 한 시간 동안 디버깅하고 검수했다면 이 코드의 주인은 누구일까요? 글로벌 규제 기관들도 이 모호함을 인지하고 명확한 자격 기준을 세우기 위해 격렬한 논의를 ...