기본 콘텐츠로 건너뛰기

실패하는 팀이 빠지기 쉬운 5가지 함정

팀이 빠지기 쉬운 5가지 함정 - 8점
페트릭 렌시오니 지음, 서진영 옮김/위즈덤하우스
이 책은 1부와 2부로 나뉘어 실패하는 팀이 빠지기 쉬운 5가지 함정과 현재 팀이 그런 함정에 빠져 있는지 검사하고 그것을 극복해 내기 위한 방법에 대해 제시해 주고 있습니다.

1부는 소설 형식으로 실패하는 팀이 어떤 함정에 빠져 있고 그 함정에서 빠져나오기 위한 과정을 제시하고 있습니다.

소설형식의 실용서가 가지는 장점은 상황에 몰입하기 쉽고 빠르게 읽을 수 있기는 하지만 읽고 나면 핵심이 잘 기억이 나지 않는다거나 다른 상황에 대입하여 생각하기 쉽지 않다는 단점이 있습니다.

이 책은 그런 단점들을 2부에서 좀 더 객관적으로 현재 팀이 5가지 함정에 빠져 있는지 검사하고 각 함정마다 빠져나오기 위해 할 수 있는 방법들에 제시해 줌으로써 1부에서 읽었던 내용들을 다시 한번 차분하게 정리할 수 있도록 도와주고 있습니다.

아무래도 5가지 함정이다 보니 전체적인 맥락에서 다루어지는 내용이 많고 세부적인 내용들이 조금 약한 것이 이 책의 단점이 아닌가 싶습니다.

이 책을 읽으면서 제약이론의 적용에 대해서 고민했던 많은 잃어버린 고리들에 대한 아이디어를 얻을 수 있어 개인적으로 좋았습니다.

이 책의 내용과 제약이론의 차이점은 책에서는 함정에 빠진 팀과 그 극복 방법에 대해 팀 구성원의 개인적인 면에 좀 더 집중하는 반면에 제약이론은 각 개인보다는 전체적인 조화와 흐름에 집중하는 점이 다르다고 생각됩니다.

팀이 빠지기 쉬운 5가지 함정으로 제시된 여러 방법들은 팀워크를 증강시키는 효과 뿐만 아니라 제약이론 뿐만 아니라 다른 방법론이나 프로세스를 조직에 도입할 때에도 충분히 활용할 수 있는 좋은 방법들이라고 생각됩니다.

하지만 조금 아쉬운 것은 말로는 쉬워보이는 방법들이지만 그러한 과정에 도달하기 위해 사람들이 겪을 수도 있는 개인적인 박탈감이라든지 상처들에 대해 좀 더 심도있게 다루었으면 하는 아쉬움이 있습니다.

실제로 1부에서도 함정에서 빠져나오기 위한 과정에 적응하지 못하고 회사를 떠나는 몇몇 사람들에 대한 이야기가 나오는데 과연 그들에 대한 배려가 충분했는지 그리고 그들을 충분히 설득했는지에 대해서는 확신이 서지 않습니다.

개인적인 느낌으로는 적응하지 못하면 버린다라는 느낌이 강해서 조금은 비인간적이지 않는가라는 생각도 듭니다.

어쨌든 혹시 자신의 조직의 팀워크에 문제가 있거나 팀워크가 강한 조직을 만들고 싶으신 분들이라면 꼭 한번씩 읽어보시기를 권해드리는 바입니다.

이 책에 5점 만점에 4점을 부여하는 바입니다.

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 ...