기본 콘텐츠로 건너뛰기

Lean & TOC

Lean 과 TOC는 처음 접하는 사람들은 두 방법론이 매우 유사하다는 것을 알 수 있다.

하지만 두 방법론이 정확하게 무엇이 일치하고 무엇이 다른지에 대해서는 선뜻 말하기 쉽지 않다.

아래 글은 2005년도 자료인 http://www.cm-sys.com/ideas/documents/TOCandLEAN-CMUC2005.pdf 을 기준으로 작성된 것이기 때문에 현재의 린과는 분명 다른 점도 있겠지만 적어도 내가 알고 있는 바로는 내용에 있어 크게 잘못된 부분은 없다고 생각된다.

혹시 린에 대해 잘 알고 계시는 분이 이글을 보시다가 잘못된 부분이 있다면 댓글이나 트랙백으로 알려주시기 바랍니다.

실제로 린과 TOC는 지금도 두 방법론을 통합하고 적용하기 위해 많은 부분에서 활발히 논의되고 있다. 위 PDF 자료의 뒷부분에도 그런 내용일 일부 들어있다.

린과 TOC 두 방법론을 통합하고 적용하기 위해서는 두 방법론이 무엇이 같고 무엇이 다른지 알 필요가 있다고 본다.

아래 구글 문서는 위 PDF 자료 중 린과 TOC의 유사점과 차이점에 대한 슬라이드를 나름대로 번역하여 기록한 것이다.

읽어 본 소감은 어떠한가? 린과 TOC의 차이에 대해 알 수 있었는가?

이해가 잘 되지 않는 분들을 위해 내 나름의 설명을 덧붙여 보도록 하겠다. 이건 어디까지나 내 개인적인 생각과 결론이기 때문에 린에 대해 잘 알고 있는 전문가의 의견과는 차이가 있을 수 있다는 것을 다시 한번 밝히는 바이다.

우선 린과 TOC는 기본적으로 당김 시스템이다. 이에 관해서는 일전의 쓴 글에서 얘기한 바 있다.

하지만 당김 시스템을 구축하는 데 있어 린과 TOC는 다른 방식으로 접근한다.

우선 린은 분명 전체 최적화를 주장하지만 린에서 말하는 전체 최적화는 고객의 수요에 기반해서 전체 조직을 모두 개선하는 전체 최적화 방법을 취한다.

반면 TOC는 전체 조직 중 병목 조직 즉, 가장 취약한 단 한 조직 또는 두 개의 조직에만 집중한다.

이것은 도구에 있어서도 차이를 가져오는데, 린의 칸반 시스템은 그 위치가 모든 조직에 위치하게 된다.

반면 TOC에서 칸반 시스템 역할을 하는 버퍼는 오직 병목 조직 앞에만(꼭 병목 조직 앞에만 버퍼가 존재하지는 않는다. 실제 TOC에서는 몇가지 버퍼가 더 있다.) 존재하게 된다.

때문에 린은 최적화 이후 결과를 얻는데 생각보다 오랜 기간이 필요하다. 그리고 많은 투자가 수반되는 경우도 있다.

그리고 이러한 접근법의 차이는 생산 능력에도 영향을 미친다.

린은 놀고 있는 모든 자원은 낭비로 간주한다. 그리고 그러한 낭비는 반드시 제거되어야만 하는 것이 목표다. 때문에 이러한 낭비를 없애기 위해서 자동화에 주력하고 이러한 자동화에 맞춰서 프로세스를 개선하는 방향을 추진한다.

실제로 소프트웨어 개발에서의 린도 산업 특성상 자동화가 두드러보이지는 않지만 분명 그러한 경향을 볼 수 있다.

문제를 이러한 개선이 모든 조직의 능력을 가장 능력이 취약한 조직으로 하향 평준화 되는 경향이 있다는 것이다.

그리고 이러한 능력은 고객의 수요 변동에 매우 심하게 영향을 받는다. 하지만 린은 고객의 수요를 능동적으로 조절하는 것에 대한 뚜렷한 방법이 없다. 즉, 린은 프로세스 자체에 집중하는 경향이 있다.

반면, TOC는 기본적으로 각 조직의 능력 차이가 매우 당연한 것으로 인정한다. 때문에 이러한 생산 능력의 차이는 병목 조직을 기준으로 앞 부분은 조정을 하지만 뒷 부분은 별다른 조정을 하지 않는다.

TOC에서는 과잉 능력을 낭비로 본다. 과잉 능력이란 조직의 효율성이 항상 100%를 유지하는 것을 말한다. TOC에서는 변동성을 고려해야 하기 때문에 조직의 능력을 변동성을 흡수하기 위해 조직의 능력 자체에도 일종의 버퍼를 두어서 조직의 능력을 보호한다. 그리고 이러한 최대 효율성은 고객의 수요가 아닌 병목 조직의 능력에 따라 조정한다.

TOC는 지속적인 개선 작업을 진행할 경우 분명 회사 전체의 생산성의 고객의 수요를 넘어서는 과잉 공급이 된다는 것을 염두에 두고 있다. 때문에 고객의 수요에 능동적으로 대처하고자 하는 부분에도 걸쳐 있다. 즉, TOC는 단순히 프로세스를 개선하는 것 뿐만 아니라 유통, 마케팅, 판매 에 관한 모든 부분에 걸쳐 새로운 시장을 창출함으로써 회사 전체의 생산성을 유지한다.

즉, 린은 시장이 축소될 경우 구조 조정이 불가피해진다. 시장이 축소되면 회사의 과잉 생산 능력은 분명 낭비가 되고 이 낭비는 제거해야할 대상이 되어 버린다. 반면, TOC는 시장이 축소되어 회사의 공급이 시장의 수요보다 커지게 되면 새로운 시장을 창출하는 방식으로 대응한다.

그리고 이러한 생산 능력을 보존하기 위해 인원 감축 보다는 인원을 필요한 곳으로 이동을 시키는 것을 우선으로 한다.

린에서는 인력이 놀고 있다면 이 역시 낭비다.. 그 결과는 ㅡㅡ 웬지 무섭다..

결론적으로 린과 TOC의 최대 차이 점은 조직의 생산 능력에 대한 접근 방법이다. 두 방법론은 분명 같은 당김 시스템이지만 린은 조직의 효율성에 집중한다. 즉, 제품을 생산함에 있어서 자원을 최대한 활용하는 것에 집중한다.
반면, TOC는 효과에 집중한다. 전체 생산 능력을 보존하기 위해서라면 린에서 얘기하는 낭비도 용인한다. 하지만 TOC에서도 생산 능력을 저해하는 과잉 재고는 분명 낭비로 보고 제거하기 위해 조치를 취한다.

그리고 두번째 차이점은 변동성(머피의 법칙)에 대한 접근 방법이다.
린은 변동성 자체를 용인하지 않는다. 변동성은 낭비를 가져오기 때문에 변동성은 항상 0에 가까워야 한다.

반면 TOC는 변동성을 인정한다. 그리고 그 변동성에 대처하기 위한 관리 방법에 주력한다.

간단하게 린과 TOC의 차이점에 대해서만 설명해 보았다.

좀 더 자세한 것은 각자의 몫으로 남겨두기로 하겠다.

혹자는 이러한 얘기 뒤에 꼭 물어보는 질문이 있다. 그렇다면 린과 TOC 중 어느 것이 더 좋은 방법인가?

어느 것이 더 좋은 방법론이라는 것은 세상에 없다. 어떻게 적용하느냐의 문제라고 생각한다.

그리고 이러한 방법론을 적용하기 위해서는 조직의 규칙도 역시 바뀌어야 한다.

린은 이러한 규칙을 바꾸고 조직의 생산성을 증대시키는 데 생각보다 오랜 시간이 걸린다.

TOC는 이러한 단점을 극복하고 실제적으로 효과가 있는 결과를 빠른 시간안에 제공할 수 있는 역할을 할 수 있다.

아래 도표를 보면 린과 TOC를 각각 적용했을 때와 동시에 적용했을 경우에 대하여 비교해 볼 수 있다.



린은 그 자체로 매우 좋은 방법론임에는 틀림 없다. 하지만 린을 도입해서 그 효과에 대해 의심이 된다면 TOC를 같이 도입해 보는 것도 고려해 볼 수 있을 것이다.

댓글

이 블로그의 인기 게시물

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...

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 ...

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 ...