기본 콘텐츠로 건너뛰기

변화에 대한 저항 6계층

언젠가 글로 썼다고 생각했는데.. 검색해보면 언제나 없었던 주제 중 하나를 이제서야 제 블로그에 남겨봅니다.

바로 변화에 대한 저항의 얘기입니다.

여러분은 변화에 대하여 어떤 경험이 있으신가요?

이직, 결혼 부터 시작해서 우리 회사의 프로세스 변화까지 공과 사로 우리는 일생을 살면서 무수한 변화를 거치게 됩니다.

변화가 없는 삶이란 사실 존재하지 않는다고 할 수 있습니다.

우리는 이러한 변화에 대하여 죽음을 받아들이는 5단계(부정 -> 분노 -> 교섭 -> 우울 -> 인정)처럼 6계층의 저항을 펼칩니다.

첫번째는 문제에 동의하지 않습니다.

변화의 원인에 동의하지 않는 단계입니다. 변화의 원인을 부정합니다.

두번째는 해결방안의 방향에 동의하지 않습니다.

자신의 이익을 포기하려 하지 않습니다.

세번째는 문제 해결능력에 동의하지 않습니다.

슬슬 자아비판을 시작합니다. 경우에 따라서는 이 단계에서 컨설턴트를 부르기도 합니다.

네번째는 부작용이 있어 곤란하다고 말합니다.

구더기가 무서워서 장을 담그면 안된다고 주장하는 단계입니다. 포괄적인 저항을 시작합니다.

다섯번째는 다 좋지만 현실적인 장애물이 있다고 합니다.

다시 한번 현실을 끌어들여 부정을 합니다.

여섯번째는 나 혼자 하는 것은 부담스럽다고 말합니다.

동귀어진의 자세로 책임을 회피하고 모두 같이 죽자는 자세입니다.

저항은 위의 6가지가 순차적으로 발생하는 것이 아니라 변화를 수용하는 과정에서 동시 다발적으로 발생됩니다.

이러한 저항을 이겨내고 사람들의 적극적인 협력을 이끌어 내려면 각각에 대한 해결책을 제시할 수 있어야 합니다.

각 단계에 대하여 아래와 같은 질문을 해보면 좋습니다.

첫번째 단계에는 문제를 올바로 짚었는가?를 물어봅니다.

우리가 원인이라고 생각하는 것이 원인이 아닌 경우가 많습니다. 모두가 공감하는 근본원인을 찾아볼 필요가 있습니다.

두번째 단계에는 해결책에 대한 방향을 올바로 잡고 있는가?를 물어봅니다.

세번째는 해결책이 정말 문제를 해결할 수 있고, 어떤 의미가 있는지? 물어봅니다.

네번째는 해결책으로 잘못될 일은 없는지? 어떤 부작용은 없는지? 물어봅니다.

다섯번째는 해결책을 어떻게 실현할 수 있는지? 물어봅니다.

여섯번째는 과연 우리들이 모두 해결책을 해낼 수 있을지? 물어봅니다.

위의 질문에 대한 해답을 정리하면 아래와 같이 적을 수 있습니다.

첫번째는 핵심문제에 대한 총의(總意) 또는 컨센서스(consensus)를 확보합니다.

두번째는 해결책의 방향에 대한 총의(總意) 또는 컨센서스(consensus)를 확보합니다.

세번째는 해결책이 문제를 해결하여 좋은 결과를 달설할 것이라는데 대한 총의(總意) 또는 컨센서스(consensus)를 확보합니다.

네번째는 어떠한 부작용도 모두 파악되어서 제거되었다는 것을 확인합니다.

다섯번째는 실현을 방해하는 모든 장애물들이 파악되고 그 대책이 마련되었다는 것을 확인합니다.

여섯번째는 성공적 실현을 위하여 모든 리더쉽이 발휘될 것이라는 경영층의 확고한 의지를 확인시켜줍니다.

이러한 총의(總意) 또는 컨센서스(consensus)를 확보하고 해결책을 찾는 것이 바로 제약이론 사고 프로세스의 핵심입니다.

제약이론의 사고 프로세스는 핵심 제약을 찾아내어 첫번째와 두번째 저항을 무력화 시키며 해결방안을 찾아내어 세번째와 네번째 저항을 무력화시킵니다. 마지막으로 실행계획을 만들어 다섯번째와 여섯번째 저항을 무력화시킵니다.

그리고 이 모든 과정을 반복함으로써 더 나은 상태로 도약을 합니다.

개인적인 경험으로는 조직이나 저 개인적인 변화에는 나름 도움이 되지만 아내나 자식만큼은 마음대로 안되는 것 같습니다.

하지만 저항 각각에 대한 대응보다는 저항을 전체적으로 바라보고 그에 대한 대응을 고민할 수 있다는 프레임웍을 가진다는 것은 여러모로 유용한것 같습니다.

오랜만에 적어보는 글인데.. 역시나 끝은 결론이 없는 망글이군요.. 죄송합니다.

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...

AI의 UX, 단 5개 문항으로 측정하는 방법: SUXAI

테스트 관리에는 아주 유명한 명언이 있습니다. 어쩌면 이 말은 테스트 관리에서만 유용한 얘기는 아닐거고.. 어쩌면 여러분도 다른 곳에서 들었을 수도 있습니다. "측정할 수 없으면 개선할 수 없다" 지난 글(https://murianwind.blogspot.com/2026/07/ai_01010698011.html)에서 생성형 AI 시대에는 기존의 일반적인 사용성 지표(SUS 등)만으로는 부족하며 정확성, 신뢰성, 설명 가능성, 제어 가능성이라는 AI 에 특화된 품질 특성이 필요하다고 정리해 드린 바 있습니다. 하지만 실무자의 입장에서 항상 부딪히는 현실적인 고민이 있습니다. "이론은 좋은데, 당장 매주 업데이트되는 AI 기능의 UX를 바쁜 현장에서 어떻게 빠르고 정량적으로 측정할 것인가?"라는 점이죠. MeasuringU에서 이에 대한 명확하고 실용적인 해답을 제시하는 후속 아티클을 공개했습니다. 바로 "Streamlined Measurement of the UX of AI"입니다. (출처: MeasuringU - Streamlined Measurement of the UX of AI / Jeff Sauro, PhD & Jim Lewis, PhD) https://measuringu.com/streamlined-measurement-of-the-ux-of-ai/ Jeff Sauro와 Jim Lewis 박사는 실무 연구자들과 테스터들이 긴 설문이나 복잡한 프레임워크 없이도 AI 제품의 핵심 품질을 빠르게 측정할 수 있도록 SUXAI(Streamlined UX of AI)라는 간소화된 측정 모델을 구축했습니다. 기존에 수많은 문항으로 분산되어 있던 지표들을 통계적 요인 분석을 통해 쥐어짜고 압축하여, 핵심적인 5가지 5점 척 문항 으로 표준화했습니다. SUXAI를 구성하는 5가지 핵심 평가 문항 정확성 (Accuracy): "이 AI가 생성한 결과물은 정확하다." 신뢰성 (Trust/Re...