기본 콘텐츠로 건너뛰기

제약이론으로 바라본 프로젝트가 서쪽으로 간 까닭은

오늘로 프로젝트가 서쪽으로 간 까닭에 대한 정리를 얼추 끝냈습니다.

더 깊은 부분까지는 더 많이 고민해봐야겠지만 오늘까지 정리한 것들을 공유하고 의견을 듣는 차원에서 글을 적어 봅니다.

이 책은 분명 피와 살이 되는 좋은 내용들이 적혀 있는 것은 맞지만 단점이라면 각각의 현상들을 유기적으로 파악하기 힘들고, 명확한 해결책이 제시되지 못했고, 나쁜 패턴과 좋은 패턴이 뒤섞여서 제시되기 때문에 꼼꼼이 읽지 않으면 저자의 의도를 쉽게 파악하기 힘든것이 아닌가 생각합니다.

그래서 책에 나와 있는 모든 패턴의 내용을 다시 한번 정리하고 각 패턴의 논리적인 연관 관계와 핵심적인 원인에 대해 제약이론의 사고 프로세스를 응용해서 정리하고 아주 쪼끔 고민해 보았습니다.

이 책에는 총 86가지의 패턴이 소개되어 있는 데 개인적인 기준으로 분류했을 때 나쁜 패턴이 50가지이고 나머지 36가지를 좋은 패턴이라고 볼 수 있습니다.

각각의 패턴 이름과 패턴 유형을 정리한 표는 아래와 같습니다. 패턴의 내용은 책을 사서 읽어보시기 바랍니다.
목록 중에서 나쁜 패턴을 UDE라고 가정하고 각각의 나쁜 패턴의 연관 관계를 그려본 자료는 아래와 같습니다.
프로젝트가 서쪽으로 간 까닭은 UDE Map
위 UDE Map을 통해 생각해 볼 수 있는 근본원인을 정리해 보면 아래와 같습니다.
  • 불필요한 정보과잉
  • 특정 이론 신봉
  • 잘못된 인력관리
  • 비용 절감 강조
  • 계속되는 기능 추가
  • 감정 표현을 억눌러서 충돌이 표출되지 못하는 조직 문화
제약이론에 따르면 조직의 많은 나쁜 패턴(UDE, 좋지 않은 현상)들의 근본원인은 하나 또는 아주 드물게 두개 정도의 아주 극소수라고 가정한다면 '프로젝트가 서쪽으로 간 까닭은' 책을 정리해서 나온 위 리스트도 분명 어떤 논리적인 관계에 따라 좀 더 깊은 곳까지 생각해 볼 수 있을 것입니다.

많은 경우 우리들은 위의 리스트를 뽑는 작업까지는 잘 합니다. 하지만 여러 이유로 더 깊은 곳까지는 들어가지 않습니다.

그에 관련되어서는 제가 이전에 적은 '순환논리의 함정 - 인식의 한계를 넘어서' 를 읽어보시기 바랍니다.

그럼 위의 리스트를 다시 한번 더 살펴보도록 하겠습니다.

위 리스트를 다시 한번 더 분류한다면

외부적인 요인과 내부적인 요인에 따라 아래 표처럼 분리해서 생각해 볼 수 있습니다.

내부 요인
외부 요인
  • 특정 이론 신봉
  • 잘못된 인력관리
  • 비용 절감 강조
  • 감정 표현을 억눌러서 충돌이 표출되지 못하는 조직 문화
  • 불필요한 정보 과잉
  •  계속되는 기능 추가

내부 요인을 다시 한번 더 살펴보기 위해 우리가 쓸 척도는 PMB(Policy - Measurement - Behavior)입니다. PMB는 나중에 기회가 된다면 소개해 드릴 수 있을 것 같습니다. 기본적인 컨셉은 이전에 제가 쓴 '올바른 선택은 올바른 환경에 의해서만 가능하다.'를 확인하시면 될 것 같습니다. 어찌 되었든 PMB에 따라 내부요인을 분류하면 아래처럼 생각해 볼 수 있습니다.

 Policy Measurement Behavior
  •  특정 이론 신봉
  • 비용 절감 강조
  • 잘못된 인력 관리
  • 불필요한 정보 과잉
  • 가정 표현을 억눌러서 충돌이 표출되지 못하는 조직 문화

결론적으로 조금은 더 생각해 보고 다듬을 필요가 있겠지만 '프로젝트가 서쪽으로 간 까닭은'이라는 책에서 소개되는 50여개의 나쁜 패턴의 근본 원인은 조직의 구성원 특히, 관리자나 경영층의 특정 이론 신봉에 있다고 볼 수 있습니다.

특정 이론에 대한 신봉이 조직의 문화를 결정하고 조직의 측정지표를 결정하게 되고 그러한 것들이 조직의 유연성을 파괴함으로써 조직을 침묵하게 만드는 것이라고 생각해 볼 수 있습니다.

이 세상에 은총알은 없습니다. 열린 사고로 살아서 숨을 쉬는 경영자, 관리자가 많아지는 세상이 되었으면 합니다.

하고 싶은 말은 많지만 여기서 줄일까 합니다. 이미 하고 싶은 많은 말들은 블로그와 트위터를 통해 많이 했다고 생각합니다.

결론적으로 저 자신도 어떤 한 방법론의 맹신도가 되지 않기 위해 이성적으로 사고하기 위해 많이 노력하고 있습니다. 다른 의미에서 저는 표준을 무턱대고 따르자고 하는 사람도 그다지 좋아하지 않기도 합니다.

여러분의 생각도 먼댓글(트랙백)이나 댓글로 달아주시면 고맙겠습니다.

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 ...