기본 콘텐츠로 건너뛰기

PERT/CPM 그리고 CCPM

우선 이 글은 제 개인적인 이해를 적당히 정리한 글입니다.

세부적인 내용은 지금도 학습하는 중으로 물어보신다 하여도 대답해 줄만한 능력은 아니됩니다.

물론 제 개인적인 이해이기 때문에 잘못된 개념이 있을 수도 있으며 그런 부분에 대해 트랙백이나 댓글로 친절하게 알려주었으면 하는 바입니다.

지금부터 하고자 하는 얘기는 일정의 추정에 대한 얘기입니다.

PMP 자격증을 취득하셨거나 중비중인 모든 분들은 기본적으로 PERT/CPM에 대해 알고 계실 것입니다.

고로 아래 내용은 다 아실 것이라 생각합니다. 다시 한번 말씀드리면 혹시 틀린 내용이나 이해를 잘 못하고 있는 부분이 있다면 친절히 알려주셨으면 하는 바입니다.

일정을 추산하는데 사용하는 분포는 크게 3가지로 나뉩니다.

베타 분포, 정규 분포, 삼각 분포


가장 먼저 볼 것은 정규 분포입니다. 아래 보는 것과 같은 그래프가 가장 대표적인 정규 분포 곡선이며, 6시그마에서 많이 볼 수 있는 곡선이기도 합니다.
위와 같은 정규분포 곡선에 따라 일정을 추산해 본다면 평균치는 현재 5일입니다. 어떤 작업을 수행할 때 평균적으로 5일을 소요하는 경우가 가장 많다라는 것입니다.

그렇다면 우리는 실제로 일정을 추산할 때 5일로 추산할까요? 절대로 그럴리가 없습니다. 우리는 여러 이유로 안전시간이라는 것을 삽입합니다.

만약 우리가 일정으로 5일로 추산한다면 일정에 맞춰 작업을 완료할 확률은 50%입니다. 때문에 우리는 일정에 맞춰 작업을 완료할 확률이 대략 90% 쯤 되는 날짜를 추산하게 됩니다. 대략 7일쯤을 적는 것이지요.

하지만 이렇게 일정을 추산하고 나면 사람은 역시 게을러지게 됩니다. 추가로 이틀의 시간을 안전시간으로 집어넣었기 때문에 파킨슨 법칙과 학생증후군의 환상 조합에 따라 7일이 다시금 평균값이 되고 일정이 완료되는 것은 9일경이 될 것입니다.

문제는 이러한 것이 각각의 작업 단위마다 발생된다면 전체 일정은 각 작업 단위의 지연이 모두 합쳐지기 때문에 눈덩이처럼 지연된다는 것입니다.

또다른 문제는 이것은 표준정규분포라는 것입니다. 표준정규분포는 말 그대로 무지막지하게 많은 표본 데이터가 있어야 합니다. 하지만 실제 프로젝트는 대부분 일회성에 가깝습니다. 즉, 위와 같은 표준정규분포와 맞지 않는다는 얘기가 됩니다.

여기서 사용하는 것이 베타분포입니다.

베타분포는 아래와 같은 모양을 합니다.
똑같은 가정을 한다면 평균치에서 비관치까지의 간격이 표준정규분포보다 훨씬 길어지게 됩니다. 때문에 프로젝트의 전체 일정의 지연도 더욱더 길어질 수 밖에 없습니다.

일반적으로 우리는 우리가 할 수 있는 일정의 약 3배 정도를 안전시간으로 둔다고 합니다. 즉, 2일이면 할 수 있는 일에 대해서 대략 6~7일 정도의 일정을 세운다고 합니다.

그런 의미에서 우리가 추정한 일정은 실제 우리가 이룰 수 있는 목표와는 너무 멀리 떨어진 것이라는 겁니다. 다른말로 바꾸면 우리가 파킨슨 법칙이나 학생 증후군만을 이겨낼 수 있다면 우리는 정말 놀라울 정도로 일정을 단축시킬 수 있다는 것입니다.

TOC에서 제안하는 CCPM은 위와 같은 상황에 대해 아래와 같이 제안하고 있습니다.

1. 완료 예정 90% 추정은 의미가 없다. 기존에 추정된 일정 추정치의 절반으로 일정을 수립한다.
즉, 기존에 7일로 추정하던 일정을 3일 또는 4일로 추정하여 일정을 세운다는 것입니다. 이렇게 추정한다고 해도 낙관치보다 더 긴 일정이 됩니다.
각 작업단위마다 안전시간을 없애버림으로써 학생증후군이나 파킨슨 법칙이 작용할 여지를 줄이고자 하는 것입니다.

2. 보다 빠르게 일정을 완료하는 것을 정책과 성과지표로서 장려한다. 대신 일정의 지연에 대해서는 어떠한 처벌도 하지 않는다. 왜냐하면 추정한 일정은 절대로 완료 예정에 대한 확률이 높지 않기 때문입니다. 운이 좋으면 추정한 일정에 맞추거나 일찍 끝날 수도 있겠지만 늦을 수도 있습니다. 즉, 일정의 가변성을 인정한다는 것입니다.

3. 모든 작업 단위에 대하여 추정치를 절반으로 산정한 후 각 작업 단위의 안전시간을 모아서 프로젝트의 안전시간으로 사용한다. 이것을 버퍼라고 부릅니다.
어떤 작업 단위가 일찍 끝나고 늦게 끝날지 알 수 없기 때문에 각 작업 단위마다 안전시간을 두는 것이 아니라 프로젝트 전체가 사용할 수 있는 안전시간을 사용합니다.
만약 어떤 작업 단위가 일찍 작업을 끝낸다면 전체 프로젝트의 안전시간은 늘어날 수 있고 늘어난 안전시간은 예상치 못하게 지연되는 작업단위가 사용하게 되는 것입니다.
이것이 가능한 것은 모든 작업단위가 지연될 확률은 거의 없기 때문입니다. 어떤 작업은 일찍 끝날 것이고 어떤 작업은 늦을 것이고 그 평균은 일정할 것이라는 것입니다.

위에 소개하는 몇몇 제안은 사실 CCPM의 처음 개념의 설명에 제시되는 내용으로 위 내용 외에도 더 많은 내용이 있습니다.

요점은 우리가 기존에 사용하는 일정 추정은 낭비가 심하다는 것이고, 그러한 낭비가 학생증후군과 파킨슨 법칙을 야기시킨다는 것입니다.

그러한 낭비를 없애기 위한 정책을 장려함으로써 일정을 놀라울 정도로 단축시킬 수 있다는 것입니다.

그에 대한 자세한 내용은 나중에 다루기로 하고 이 포스팅에서는 간략한 소개로 마무리 지을까 합니다.

여러분은 위의 가정에 대해 어떻게 생각하시나요?

댓글

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 ...