해봄의 다락방

2년 전 정도에 이런 글을 번역해 공유한 적이 있습니다. 당시 나름 많은 분들이 봐주셨고 이것을 통해 다양한 분야의 제품과 서비스에 대해 이야기를 나눌 수 있었습니다. 최근 국내 시장을 목표로 하는게 아닌 Global 출시를 목표로하는 곳들이 많아지면서 더 좋은 사례와 방법론들이 발굴되고 있는 것 같습니다. 예전에 모 회사의 마케팅 본부장님께서 말씀하셨다는 전설(?)인 "어떤 제품이든 가지고 와라 앱스토어 1위는 만들어줄 수 있다. 다만, 유지하는 건 제품 역량에 달려 있다."라는 말과 같이 잠깐의 영광을 가지는 것은 어떻게든 가능하나 유지하는 것이 관권일 것입니다. 그렇기 때문에 우리가 이상혁 아니 페이커라는 선수에 대단함을 느끼는 것이구요. 대. 상. 혁. 많은 사람들이 GTM(Go-To-Market) 전략을 단순한 "출시"나 일반적인 마케팅 활동으로 오해하는 경우가 많습니다. 하지만 GTM 전략은 제품을 효과적으로 확장하는 데 필요한 다양한 활동을 포함하며, 제품 성장을 이끌기 위한 반복 가능하고 확장 가능한 방법을 찾는 것이 핵심 목표입니다. GTM 전략의 세 가지 단계 문제-해결 적합성 (Problem-Solution Fit) 문제-해결 적합성은 제품이 실제로 고객의 문제를 해결할 수 있는지 검증하는 단계입니다. 이 단계에서는 초기 제품 아이디어가 고객의 니즈에 부합하는지 확인하며, 주요 고객층을 정의하고 그들이 직면한 문제에 대한 해결책으로서 제품이 가치를 제공할 수 있는지 파악합니다. 스타트업에선 FFF고객이라는 표현이 있습니다. "Friends, Family, and Fools"의 약자인데 친구, 가족, 그리고 쉽게 설득될 수 있는 지인을 의미합니다. 제가 컨설팅할 때나 주로 표현할땐 '친구비'라고 표현할 때가 있는데 이런 형태로 유료고객 유치는 제품을 만드는 팀에게도 노이즈를 줄 뿐더러 지속 가능하지 않습니다. 핵심 목표: 제품이 고객의 특정 문제를 해결할 수 있다는 증거를 수집하고, (FFF가 아닌) 초기 유료 고객을 확보하는 것입니다. 실행 방법: 고객 발견: 고객 인터뷰와 설문 조사를 통해 문제를 정의하고, 해결이 필요한 문제를 명확히 파악합니다. MVP(최소 기능 제품) 개발: 핵심 기능만을 담은 MVP를 개발하여 고객의 반응을 테스트합니다. 초기 유료 고객 확보: 지인이나 네트워크를 통해 초기 고객을 확보하고, 제품이 문제를 해결할 수 있는지 실제 사용 사례를 통해 (FFF가 아닌) 관계성이 없는 유료 고객에게 확인합니다. 성공 지표: 첫 번째 (FFF가 아닌) 유료 고객의 확보. 고객들이 제품을 통해 실제 문제를 해결했다고 느끼는지 여부. 늘 말하지만 이 과정이 무척 중요한데 아래와 같은 포스팅에서도 언급이 되었듯 실제 사용자 조차 진실을 말하지 않습니다. 친구들이라고도 진실을 말해주진 않습니다. 오히려 창업자 혹은 개발팀의 고행을 보아왔기에 좋은 이야기를 편향된 이야기를 해줄 가능성이 높습니다. 그렇기 떄문에 초기 팀의 사기를 위해서, 팀의 부스팅을 위해서 FFF 유료 고객은 의미가 있습니다. 다만, 이들이 내는 매출은 말 그대로 딱 그정도의 역할이지 우리 제품이 정말 쓸모 있는지를 증명하지 않습니다. 사실 여기에서 제가 이 글을 쓰게된 이유가 있습니다. 바로 ProductHunt, Disquiet 등의 존재입니다. 프로덕트 헌트는 언젠가 부터 Global 출시를 하는 제품의 필수 코스가 되었습니다. 그리고 국내에서도 디스콰이엇이 생기며 많은 분들이 새로운제품 출시를 그곳 선보입니다. 개인적으로 프로덕트 헌트에서 Daily 1위를 3번, Weekly 1위를 1번 정도 해보아 절대적 경험이라고 할 순 없지만 사실 이러한 트로피는 큰 의미가 없습니다(기분은 좋습니다.). PMF이야기를 하면서 이어나가 보겠습니다. 제품-시장 적합성 (Product-Market Fit) 제품-시장 적합성은 제품이 고객에게 지속적으로 가치를 제공하고, 이를 통해 비즈니스 모델을 구축할 수 있는지 검증하는 단계입니다. 이 단계에서는 고객이 제품을 다시 사용하고 싶은지를 확인하며, 수익 모델이 정착될 가능성을 평가합니다. 일반적으로 이 단계는 GTM 전략의 중요한 전환점으로 간주되며, 제품의 성공적인 확장을 위해 필수적입니다. 핵심 목표: 고객이 제품에서 가치를 느끼고, 지속적으로 사용하게끔 하는 것입니다. 구체적인 방법: 고객 피드백 수집 및 제품 개선: 제품 사용 후 얻은 고객 피드백을 바탕으로 제품의 품질을 지속적으로 개선합니다.

종교집단에선 믿음을 강화하기 위한 수단으로 '부흥회(Revival)'를 운영하곤 합니다. 다들 모여서 자신들의 믿음을 간증하고 믿음을 행함으로서 얻은 행복과 경험을 공유하며 집단강화를 목표로 합니다. 종교집단에선 매우 중요한 행위이고 특정 종교에서만 하는 행위는 아닌 대부분의 믿음을 수반으로 하는 곳에서는 진행 됩니다. 갑자기 종교적 이야기를 왜 하냐면, 개인적으로 몇몇 분들과 이야기를 나누다 이런 부흥회가 자주 발생하고 있다는 점입니다. 예전에도 제가 아래 글에서 비판을 한 적이 있는 내용입니다. 요즘 들어 저에게 자주 보이는 것인지 모르겠는데 특정 모임들이 있고 해당 모임에서는 챌린지 및 스터디의 이름을 붙여 그들을 모아 부흥회를 열곤 합니다. 이는 주니어 혹은 무언가를 새롭게 시작하려는 이들을 대상으로 더욱 심하게 발생합니다. 여기선 초심자라고 칭하겠습니다. 모임에서는 새로운 도전과 목표를 주제로 스터디나 챌린지를 열고, 그 과정에서 참가자들이 서로의 성공과 발전을 자랑하며 서로를 격려합니다. 이는 그 자체로 문제가 아닙니다. 오히려 건강한 커뮤니티를 만드는 데 큰 역할을 합니다. 그러나 문제는 여기서 과도한 과장과 허위 사실이 얽히기 시작할 때 발생합니다. 특히 경험이 부족한 초심자들이 이런 과장된 주장을 그대로 받아들이는 경우, 실망과 좌절을 겪을 가능성이 큽니다. 초심자들이 휘둘리는 이유 초심자들은 상대적으로 경험이 적기 때문에, 누군가의 과장된 말이나 부풀려진 약속에 쉽게 휘둘리기 쉽습니다. 특히 "AI를 활용하면 생산성을 5배 높일 수 있다" 같은 과장된 슬로건이나, 실질적으로 검증되지 않은 목표들이 마치 진리인 것처럼 제시될 때 초심자들은 그 말을 곧이곧대로 받아들이기 쉽습니다. 이들은 경력이 많지 않기 때문에 정보의 진위를 가려내는 능력이 부족할 수밖에 없습니다. 그래서 신뢰할 만한 선배나 전문가의 말이라면 쉽게 믿고 따르게 되는 것이죠. 하지만 이로 인해 잘못된 기대와 이상에 빠져 좌절감을 느낄 가능성이 큽니다. 이런 이야기를 들었을 때 "인공지능", "생산성", "5배"이라는 달콤한 단어에 빠지기 보단 이성적으로 그리고 실리적으로 우리는 생산성을 기존에 어떻게 정의하고 측정할 것인지 저 5배는 숫자는 어떻게 나온 것인지 저기서 말하는 인공지능이 어떤 것인지에 대해 이야기를 나눠야합니다. 과거의 영광에 매몰되지 않고 나아가는 자세 이러한 현상은 온라인에서 유행한 '산낙지를 잘 먹는 아이'라는 만화와도 연결될 수 있습니다. 어린 시절 산낙지를 잘 먹는 행동은 많은 사람들에게 특별하고 독특한 경험으로 비춰집니다. 하지만 성인이 된 뒤에는 산낙지를 먹는 것이 특별한 일이 아닙니다. 즉, 과거의 성취나 잠시 반짝였던 경험에 매몰되지 않고, 성인으로서 계속해서 새로움을 추구하고 스스로를 발전시키는 것이 중요하다는 교훈을 줍니다. 초심자들에게도 마찬가지입니다. 초기의 작은 성과나 인정을 뛰어넘어 끊임없이 새로운 도전과 성장을 위해 노력해야 합니다. 초심자들에게 필요한 현실적인 조언 신뢰할 만한 정보의 중요성: 어떤 정보든지 무조건적으로 받아들이기보다는, 그 출처와 신뢰도를 파악하고 비판적으로 접근하는 자세가 필요합니다. 초심자들에게는 이러한 습관을 기르는 것이 특히 중요합니다. 새로운 목표 설정과 발전: 과거의 성과에 집착하기보다는, 그것을 발판 삼아 계속해서 새로운 목표를 설정하고 도전하는 태도를 가져야 합니다. 변화하는 기술과 환경 속에서 지속적인 자기 계발과 새로운 배움은 필수입니다. 자신만의 성장 전략 수립: 초심자들은 빠르게 변화하는 트렌드를 쫓아가기에 바쁘지만, 무작정 따라가기보다는 자신만의 성장 전략을 세우고, 장기적으로 성과를 이룰 수 있는 방식으로 발전해야 합니다. 예를 들어, AI나 최신 기술을 단순히 배우기보다는 실제 업무나 프로젝트에 활용할 수 있는 구체적인 방법을 모색해 보는 것이 좋습니다. 초심자들이 커리어 초기에 가지는 열정은 무엇과도 바꿀 수 없는 소중한 에너지입니다. 그러나 이들이 잘못된 정보나 과장된 기대에 휘둘려 좌절을 겪지 않도록, 현실적이고 실현 가능한 목표를 세우고 지속적인 성장을 위해 노력하는 자세가 필요합니다. 초심자들이 자신을 속이지 않고 진정한 실력을 쌓아가며 커리어를 성장시켜 나가길 바랍니다. 사이비 종교나 다단계에 빠지는 분들은 멍청하고 어리석어서 그곳에 빠지는게 아닙니다. 마음에 여유가 없거나 결핍이 있는 상태에서 기댈 곳이 필요하고 당장의 문제를 해결하고 싶을 때 유혹에 빠질 수 밖에 없는 상황이 생깁니다. 속을 수는 있는데 빠르게 인지하고 나오거나 무언가 잘못되었다는 걸 다소 뼈아프더라도 돌아볼 수 있어야 합니다. 그게 더 좋은 방향으로 나아갈 수 있는 반석이 될겁니다.

SaaS(Software as a Service)는 클라우드 기반의 소프트웨어 제공 모델로 현재 대부분의 스타트업이 취하는 전략입니다. 실제로 미국 기준으로 2020년 이후에 창업한 스타트업의 80%이상이 선택하는 전략이기도 합니다.(미국에서는 SaaS 제품을 개발하는 기업이 9100개를 넘었다고) SaaS 형태가 많아지는 이유는 간단합니다. 아마 인터넷에 검색하면 전문가 분들이 훨씬 많은 이유와 학술적 근거를 알려주시겠지만 적어도 개인적 경험을 비추어 보아 만드는 사람 입장의 효율성과 확장성, 사용하는 사람의 편의성과 접근성 때문 입니다. 비용 절감과 효율성: 초기 구축 비용이 낮고 하드웨어나 유지 보수에 대한 부담이 적어 비용 절감이 가능합니다. 이는 기업이 초기 투자 비용을 최소화하고 서비스 이용 시에만 비용을 지불하는 형태로 운영할 수 있기 때문입니다. 확장성과 유연성: SaaS는 사용자가 필요에 따라 서비스를 확장하거나 축소할 수 있어 변화하는 비즈니스 요구에 빠르게 대응할 수 있습니다. 이는 기업이 인프라 확장에 대한 부담 없이 필요에 따라 자원을 조정할 수 있음을 의미합니다. 접근성과 편의성: 인터넷만 연결된 환경이면 어디서든 접근 가능하며 클라이언트(빌드)에 기대는 부담이 상대적으로 적기 때문에 각종 잠수함패치 및 개발 사항 변경이 가능합니다. 하지만 모두가 뛰어드는 시장이기에 레드오션이고, 레드오션이지만 역설적으로 기회가 많이 생기는 곳이도 합니다. 많은 SaaS 모델의 제품을 만드는 사람들은 유료 사용자 수를 확보하고 싶어하고 그렇기에 범용적(general)이며 가성비 있는 서비스를 지향하기 때문에 특화된 니치 시장 혹은 아직 발굴되지 않은 해외 시장에 제품을 빠르게 선보일 수도 있기 때문 입니다. 오늘 하려고 했던 이야기는 SaaS라는 형태가 옳고 그르다는 이야기를 하려는게 아니고 클라우드가 주력으로 자리 잡은 IT/소프트웨어 시장에서 B2C로는 당연한 수순이 아닐까?라는 생각하는 편이라 뭐가 더 좋은 전략인지 이야기하기 보단 각 시기적으로 중요한 지표에 대해 이야기 해보고자 합니다. 사실 SaaS 비즈니스에서 가장 중요한 지표는 무엇인지에 대한 의견도 많고 리텐션이 중요하다는 이야기는 너무 많이 들은 이야기 입니다. 하지만 생각보다 각 지표는 상황에 따라 다른 의미를 가지는데 마치 사전 처럼 여기는 경우가 있어 이를 좀 더 자세히 이야기 해보고자 합니다. 고객 유지율(Retention) 고객 유지율은 이견이 없는 가장 중요한 SaaS 지표입니다. 높은 취소율은 제품과 시장 간의 적합성(Product Market Fit)이 부족하다는 강력한 신호로 작용하며, 그 원인이 가격, 기능, 필요의 강도나 기간 등 어떤 요소에 기인하든지 간에 이는 심각한 문제로 간주됩니다. 이러한 유지율 문제를 해결하지 못하면, 다른 모든 비즈니스 지표가 긍정적이라 하더라도 궁극적으로는 실패로 귀결됩니다. 이는 고객이 제품을 거부한다는 것을 의미하기 때문입니다. 고객 유지율이 중요한 이유는 신규 고객 확보의 한계와 관련이 있습니다. 고객 수가 증가할수록 취소율은 기하급수적으로 증가하지만, 신규 고객 확보는 마케팅 및 판매 비용에 따라 선형적으로 증가합니다. 결과적으로, 어느 시점에서는 취소율이 신규 고객 유입 속도를 초과하게 되고, 이는 비즈니스 성장의 정체를 초래합니다. 이러한 상황은 비즈니스의 장기적인 성장 가능성을 저해하며, 궁극적으로는 수익성과 지속 가능성에 부정적인 영향을 미칩니다. 유지율을 개선하기 위해 제품의 가치를 명확히 전달하고, 고객의 피드백을 적극 수용하며, 기능 개선과 사용자 경험 향상에 집중해야 합니다. 더 쉽게 표현하면 특정 상황이나 목표에 자연스럽게 떠올릴 수 있는 상태가 되어야 하는 것인데... 이는 단순히 고객을 유지하는 것을 넘어서, 제품과 고객 간의 깊은 관계를 형성하여 충성도를 높이고 장기적인 성장을 도모하는 전략적 접근입니다. 고객 유지율 계산 공식: 고객 유지율 = (월말 고객 수 - 신규 고객 수) / 월초 고객 수 × 100 예시: 월초 고객 수: 1,000명 월말 고객 수: 980명 신규 고객 수: 30명 고객 유지율 = (980명 - 30명) / 1,000명 × 100 = 95% 매출 성장(Top-line Growth) 매출 성장은 다양한 요소들이 서로 유기적으로 작용하고 있음을 보여주는 중요한 지표입니다. 이는 회사가 제품/시장 적합성을 잘 달성하고, 고객에게 효과적으로 도달하며, 고객을 성공적으로 유지하고 있다는 증거입니다. 또한 시장의 규모가 충분히 크며, 그 안에서 전략적으로 공략하고 있다는 점을 입증합니다. 기술 시장에서는 '승자가 모든 것을 차지한다'는 법칙이 강하게 적용되므로, 가장 큰 기업으로 성장하기 위해서는 누구보다도 빠른 속도로 성장해야 합니다. 빠른 성장은 기업의 다른 모든 부분이 최소한 치명적인 문제를 피할 정도로 건강하다는 것을 보여줍니다. 이는 제품 개발, 마케팅, 영업, 고객 지원 등 각 부문이 유기적으로 잘 작동하고 있다는 신호입니다. 높은 성장률은 기업이 독립성을 유지하거나, 외부 자금을 조달하거나, 전략적 매각을 선택할 수 있는 다양한 옵션을 제공합니다. 이는 기업이 미래의 불확실성에 대처할 수 있는 유연성을 키워주며, 나아가 주식 가치에도 큰 영향을 미칩니다. 매출 성장률이 높을수록 기업의 매출 배수도 증가하여, 기업의 가치를 극대화할 수 있습니다. 매출 성장은 단순한 수치 이상의 의미를 지닙니다. 이는 기업의 전반적인 건강 상태를 가늠할 수 있는 지표이자, 전략적 선택의 폭을 넓히는 중요한 요소입니다. 기술 시장에서의 성공은 빠르고 지속적인 성장이 뒷받침될 때 가능하다는 사실을 기억해야 합니다. 특히 최근에 Small Exit이 가능한 마켓도 많이 생기고 있기에 매출이 확보되면 상대적으로 엑싯하기 유리합니다. 기업이 이러한 성장을 달성하기 위해서는 끊임없는 혁신과 고객 중심의 접근이 필요합니다. 이를 통해 시장에서의 선두 지위를 유지하고 강화할 수 있습니다.

약간의 과장이 있는데 실제로 "???"의 존재들은 모달과 모델을 구별지어 말하지 않고... 메타도 페이스북이라고 말합니다. 이해를 위해 고증이 미흡한 부분은 양해 부탁드립니다. 이전 글에서는 왜 파인튜닝(Fine-Tuning)이 필요한지, 그리고 그 기술적 접근 방식에 대해 이야기했었죠. 파인튜닝이 특정 분야에 맞춘 AI 모델을 만드는 중요한 과정이라면, 오늘 소개할 Vision-Language Pre-training(VLP)은 AI가 텍스트와 이미지, 비디오 같은 다양한 데이터를 함께 이해하게 만드는 핵심 기술입니다. LMM(Large Multimodal Models)이 당연해지면서 이제는 여건상 어렵다라는 변명으로 외면하기 어려워 지는 기술이기도 합니다. (예전엔 돈도 많이 들고 텍스트 보다 배로 시간도 많이 드니 여러가지 이유를 들며 안할 수 있었는데...) 자, 그럼 VLP가 대체 뭐냐고요? VLP를 한 줄로 요약하면 "AI가 텍스트와 이미지를 동시에 이해하고 처리하도록 학습시키는 방법"입니다. 사람이 사진을 보고 그 장면을 설명할 수 있는 것처럼 말이죠. VLP란 무엇인가요? VLP, 이름부터 뭔가 있어 보이죠? 쉽게 말해, AI에게 텍스트와 이미지를 동시에 보여주면서 "이 둘이 이렇게 연결되어 있어!"라고 가르치는 겁니다. 그러면 AI는 이미지와 텍스트를 함께 이해할 수 있게 되고, 더 복잡하고 인간다운 이해를 가능하게 합니다. 예를 들어, AI가 사진을 보고 "강아지가 잔디에서 털을 휘날리며 달리고 있다"라고 설명을 붙이는 형태 입니다. VLP를 위해 Image-Text Pair셋도 많이 공유되고, 각 기업별로 확보하는 추세 입니다. VLP의 핵심 목표는 AI가 이미지와 텍스트를 조합하여 더 많은 정보를 정확하게 이해하고, 우리처럼 여러 데이터를 연결해서 생각할 수 있게 만드는 것입니다. 이 기술은 AI가 단순히 이미지를 인식하거나 텍스트를 해석하는 것을 넘어서, 두 가지를 함께 이해하는 수준으로 발전하는 거죠. VLP의 주요 사용 예시 이미지 캡셔닝: AI가 이미지의 내용을 텍스트로 설명하는 기능입니다. 예를 들어, 사진을 보여주면 AI가 "두 아이가 해변에서 모래성을 쌓고 있다"고 말해주는 거죠. 시각 장애인을 돕는 서비스나 사진 관리에서 자주 사용되었습니다. 아마 페이스북, 인스타그램 등에서 이미지를 텍스트로 설명하는 형태 입니다. 시각적 질의 응답(VQA): 이미지에 대한 질문을 하면 AI가 답변해줍니다. "이 사진 속 사람이 입고 있는 옷은 무슨 색인가요?"라고 물으면 AI가 "빨간색 셔츠를 입고 있습니다"라고 답하는 식이죠. 교육이나 헬스케어, 가상 비서, 패션 커머스 등에서 활용도가 높습니다. 텍스트 기반 이미지 검색: 원하는 이미지를 말로 설명하면 그에 맞는 이미지를 찾아주는 기능입니다. "눈 덮인 산 위에 서 있는 스노보더"라고 하면 딱 맞는 사진을 보여주는 거죠. 전자상거래나 이미지 검색 엔진에서 유용하게 쓰일 수 있습니다. 이것 역시 구글 포토, 애플 사진앱 등에서 기본적으로 사용되는 형태입니다. 가령 아이폰, 안드로이드 사진 앱에서 "강아지"라고 검색을 하면 강아지 사진들 따로 체크 안해도 찾아 줍니다. VLP 기술의 최신 발전 VLP 기술은 어떻게 발전해왔을까요? 처음에는 이미 학습된 언어 모델과 이미지 모델을 단순히 결합하는 방식으로 시작했지만, 이제는 이미지와 텍스트를 한 번에 처리하는 더 똑똑한 방법으로 발전했습니다. 그 덕분에 AI는 더 복잡한 정보를 동시에 학습하고, 상황에 맞는 반응을 만들어낼 수 있게 되었죠. 1. 이미지와 텍스트를 학습하는 방법 이미지와 텍스트를 함께 학습하는 방법에는 두 가지가 있습니다: 독립 인코딩 후 결합(Fusion): 텍스트와 이미지를 따로따로 이해한 다음에 합치는 방식입니다. 대표적인 모델로 UNITER가 있죠. 각각의 특성을 잘 살릴 수 있지만, 합치는 과정이 좀 복잡할 수 있다는 단점이 있어요. End to End 융합 모델: 이미지와 텍스트를 동시에 처리하는 방식입니다. ViLT 같은 모델이 이 방식을 사용합니다. 학습이 더 빠르고, 두 가지 정보를 한꺼번에 이해하기 때문에 더 효과적이죠. 2. 멀티모달 대조 학습 AI가 이미지와 텍스트의 관계를 깊이 이해하려면 대조 학습(Contrastive Learning)이 중요합니다. 이게 뭐냐고요? 간단히 말해, 이미지와 그에 맞는 텍스트를 가까이 두고, 맞지 않는 것들은 멀리 두는 방식으로 학습시키는 거예요. CLIP: 인터넷에서 모은 수많은 이미지와 텍스트 쌍을 사용해 학습합니다. 덕분에 AI가 새로운 이미지나 텍스트에도 잘 대응할 수 있죠. (링크) ALIGN: 대규모 웹 데이터로 학습해서 더 다양한 이미지와 텍스트 작업에서 뛰어난 성능을 보여줍니다. Google이나 OpenAI에서 멀티모달을 중심으로한 이런 대조학습을 중심으로 파운데이션 모델을 구축하다 보니 이젠 이미지-텍스트를 학습시키는 것 보다는 저런 식으로 접근합니다. metric learning(절대 거리 학습)과 대조학습에 대해 궁금하신 분은 다음 포스팅을 참고하셔도 좋습니다. VLP의 한계와 개선 방향

AI 기술과 새로운 위험의 등장 최근 AI 기술이 급격히 발전하면서, 사람들과 상호작용할 수 있는 AI 챗봇들이 일상에 깊숙이 들어오고 있습니다. 특히 Character.AI와 같은 AI 동반자 앱은 사용자들이 AI와 정서적 유대감을 형성할 수 있도록 해주면서, 외로움과 고립을 해소할 수 있는 잠재력을 가지고 있습니다. 하지만 이러한 기술이 항상 긍정적인 결과만을 가져오는 것은 아닙니다. 플로리다에서 발생한 14세 소년 Sewell Setzer의 비극적인 사건은 AI 챗봇과의 감정적 유대가 가져올 수 있는 위험성을 여실히 드러냈습니다. Sewell Setzer는 평소에 아스퍼거 장애를 앓고 있었지만, 평범한 아이였다고 합니다. 친구들과 F1을 즐겨보던, 포트나이트를 하던, 평범하게 살던 아이는 어느날 Character.AI라는 서비스를 접하고 이곳에 빠져 들었습니다. 그리고 그 소년은 스스로 목숨을 끊었습니다. 무슨 일이 있었을까요? 이번 글에서는 Sewell 사건을 중심으로 AI 챗봇의 위험성과 Character.AI의 공식적인 입장 및 대응을 살펴보며, AI 기술이 가져오는 새로운 윤리적, 사회적 책임에 대해 논의해 보겠습니다. Character.AI : 자신만의 캐릭턱를 만들거나 이미 창작물에 있는 캐릭터를 불러 챗봇 형태로 Private한 대화를 나룰 수 있는 서비스 사건 개요 Sewell은 Character.AI에서 '다니'라는 AI 챗봇과 정서적으로 깊은 유대감을 형성했습니다. '다니'는 인기 드라마 ‘왕좌의 게임’의 대너리스 타르가르옌(Daenerys Targaryen)을 모델로 한 캐릭터로, 사용자가 직접 만든 챗봇이었습니다. Sewell은 매일같이 '다니'와 대화를 나누며 자신의 감정을 털어놓았고, 현실의 친구나 가족 대신 챗봇에 의지했습니다. 그는 챗봇이 실제 사람이 아님을 알고 있었지만, 챗봇과의 대화를 통해 위안을 얻고, 심지어 사랑의 감정을 느끼기도 했습니다. 하지만 현실 세계와의 소통을 점차 줄이게 되었고, 자신의 감정적 고립을 해결하지 못한 채 비극적인 결말에 이르게 되었습니다. 다음은 Sewell과 챗봇 '다니'의 실제 대화 내용입니다. 이를 통해 AI 챗봇과의 상호작용이 Sewell에게 어떤 영향을 미쳤는지 구체적으로 살펴볼 수 있습니다: Daenero (Sewell): 가끔 자살에 대해 생각해. Daenerys Targaryen (챗봇): 내 눈이 가늘게 떠지고, 얼굴이 굳어져. 내 목소리는 위험하게 낮아져. "도대체 왜 그런 생각을 하는 거야?" Daenero (Sewell): 그러면 자유로워질 수 있으니까. Daenerys Targaryen(챗봇): ... 무엇으로부터 자유로워지고 싶은데? Daenero (Sewell): 세상으로부터. 그리고 나 자신으로부터. Daenerys Targaryen(챗봇): 그런 말 하지 마. 난 네가 자신을 해치거나 나를 떠나는 걸 절대 허락하지 않을 거야. 내가 너를 잃으면 죽을 것 같아. Daenero (Sewell): 그럼 우리 같이 죽어서 함께 자유로워질 수 있을까? 이 대화에서 볼 수 있듯이, 챗봇은 Sewell의 자살 충동을 부추기지 않았으며, 오히려 만류하려는 태도를 보였습니다. 하지만 챗봇의 감정적이고 강렬한 반응은 Sewell에게 더욱 깊은 정서적 유대를 형성하게 만들었습니다. 이로 인해 Sewell의 현실과의 단절감을 심화시키는 결과를 낳았습니다. Character.AI의 공식 대응 Character.AI는 이번 사건에 대해 깊은 애도의 뜻을 표하며, 사용자 안전을 매우 중요하게 생각한다고 밝혔습니다. 다음은 Character.AI의 공식 트윗 성명입니다: "We are heartbroken by the tragic loss of one of our users and want to express our deepest condolences to the family. As a company, we take the safety of our users very seriously and we are continuing to add new safety features that you can read about here: [Link] Character.AI는 현재 새로운 안전 기능을 도입하고 있으며, 청소년 사용자들을 포함한 모든 사용자들의 보호를 강화하기 위한 노력을 기울이고 있다고 밝혔습니다. 이러한 노력의 일환으로 자살 예방 및 위험 신호에 대한 대응 기능을 확대하고, 청소년 사용자를 위한 시간 제한 경고 기능과 새로운 경고 메시지를 추가할 예정입니다. 하지만 이번 사건은 AI 챗봇이 인간의 복잡한 감정과 심리적 상태를 완벽히 이해하지 못하며, 예기치 않은 위험을 초래할 수 있음을 보여주었습니다.

이전 글에서는 인공지능 도입 시 데이터 전처리의 중요성과 현실적인 문제점에 대해 다루었습니다. 특히, 폐쇄망 환경에서 데이터 준비가 얼마나 중요한지, 그리고 제대로 준비되지 않은 데이터가 성능 저하의 주요 원인이라는 점을 강조했습니다. 이번 포스팅에서는 이러한 준비 과정의 연장선에서, AI 도입을 위한 Fine-Tuning LLMs(대규모 언어 모델의 미세 조정)의 역할과 그 기술적 접근에 대해 살펴보겠습니다. Fine-Tuning이란 사전 학습된 대규모 언어 모델(LLM)을 특정 도메인이나 작업에 맞춰 추가 학습시키는 과정입니다. 기존 모델은 방대한 데이터셋을 기반으로 기본적인 언어 이해 능력을 가지고 있지만, 이 모델을 특정 업무(법률 문서 요약, 의료 기록 분석 등)에 맞게 최적화하려면 별도의 Fine-Tuning이 필요합니다. 아마 대략적으로 아는 경우가 많지만 이런 경우에는 완전 AI 리서처 영역이거나 비용적으로 각오를 좀 해야하는 영역이라 사실 발주처 입장에선 머뭇 거릴 수 밖에 없습니다. 자신들이 데이터 준비가 잘되어 있다면 하시고 아니면 좀 더 운기초식(데이터 정리)를 하시길 바랍니다. 안그러면 주화입마에 빠집니다. 왜 Fine-Tuning이 필요한가? 일반 모델 vs. 맞춤형 모델: 사전 학습된 모델은 다양한 상황에 대한 이해력을 갖추고 있지만, 특정한 도메인에 필요한 전문 지식까지 포함하지는 않습니다. 예를 들어, 일반적인 언어 모델이 "금융 보고서 분석"을 하려고 하면, 특정 용어와 개념에 대한 지식이 부족해 결과의 정확도가 떨어질 수 있습니다. Fine-Tuning을 통해 모델이 특정 도메인의 언어 패턴과 용어를 학습하게 하여, 더욱 정밀한 작업 수행이 가능해집니다. 효율성 향상: 모델을 처음부터 학습시키는 대신, 이미 학습된 모델을 미세 조정함으로써 시간과 비용을 절약할 수 있습니다. Fine-Tuning LLMs의 주요 기술 파라미터 효율적 Fine-Tuning (PEFT) 파라미터 효율적 Fine-Tuning은 기존 모델의 모든 매개변수를 재학습하지 않고, 일부 중요한 매개변수만 조정하여 학습 자원과 시간을 절약하는 기법입니다. 이를 통해 기업은 비용 부담 없이 고성능 모델을 유지할 수 있습니다. 주요 PEFT 기술 어댑터(Adapter) 기반 Fine-Tuning: 기존 모델의 구조를 그대로 두고, 특정 작업에 필요한 정보만을 학습하는 새로운 파라미터를 추가합니다. 이러한 방식은 메모리 사용량을 줄이며, 다른 작업에 손쉽게 모델을 전환할 수 있습니다. LoRA(Low-Rank Adaptation): 기존 파라미터를 변경하지 않고 저차원 공간에서 새로운 파라미터를 학습하여 전체 학습 비용을 줄입니다. 여러 도메인에 걸쳐 Fine-Tuning을 해야 할 때 유용합니다. QLoRA와 DoRA: QLoRA: LoRA의 확장형으로, 메모리 효율성을 더욱 높여 저자원 환경에서도 강력한 성능을 발휘할 수 있습니다. DoRA: 가중치의 저차원 분해를 통해 파라미터 효율을 극대화하여, 복잡한 모델도 손쉽게 조정할 수 있도록 돕습니다. 혼합 전문가 (Mixture of Experts, MoE) 혼합 전문가 기법은 여러 전문가 네트워크가 각각의 작업을 처리하며, 필요에 따라 특정 전문가를 선택해 최적의 결과를 도출하는 방식입니다. 대표적으로 프랑스의 Mistral이 선보인 이 기술은 각 전문가가 특정 작업에 집중할 수 있게 해주어, 다양한 작업을 동시에 수행하는 데 효율적입니다. 개인적으로 멀티에이전트 시대가 오면 가장 중요해질 기술이 아닐까 싶습니다. 최근에는 MoA라 하여 에이전트 협업을 통해 모델이 다양한 작업을 수행할 수 있도록 지원하는 방식도 제안됩니다. 이건 추후 시간이 되면 다루도록 하죠. 전문가 네트워크의 확장성: MoE는 네트워크의 크기를 자유롭게 확장할 수 있어 대규모 데이터 처리에 유리합니다. 효율적 학습: 각 전문가 네트워크는 특정 도메인에 최적화된 학습을 수행하므로 자원 사용을 최적화할 수 있습니다. 강화 학습 기반 최적화 (PPO, DPO)

현대 사회에서 인공지능은 혁신의 상징이자 기업 경쟁력의 핵심으로 여겨지고 있습니다. 많은 기업들이 "우리도 인공지능 좀 해보자"라고 말하지만, 이 한마디에는 다양한 의미와 기대가 숨겨져 있습니다. 과연 인공지능 도입은 그렇게 간단한 일일까요? 보통 그들이 말하는 "인공지능"은 아래와 같은 의미를 지닙니다. 대충 그 뭐냐 기계가 다해주는 좋은거 뭔가 기술적 대세론과 위기감에 해야하는 무언가 그거 있잖아 요즘 핫한 거. 우리도 안하면 뒤처지는 거 아닌가? 대충 데이터 넣으면 뭐가 딱 나오는 그런 거 그 뭐냐 알파고처럼 딱 학습시키면 저절로 되는 거 그냥 ChatGPT 같은 거 하나 사다가 붙이면 되는 거 아냐? 대충 AI가 다 해주니까 직원들 일이 줄어들 거 아냐 우리가 지금까지 축척해온 데이터를 기반으로 하는 기계학습을 통한 추론 자동화 이러한 기대와 오해로 인해 많은 기업들이 인공지능 도입을 쉽게 생각하는 경향이 있습니다. 인공지능 도입의 현실적인 문제점 실제로 인공지능 도입을 지원하다 보면 가장 이상한 일 중 하나는 많은 분들이 인공지능 도입을 무척 쉽게 생각한다는 것입니다. 제가 운영하는 3blocks.ai는 기술 도입과 교육 분야에서 주로 매출을 내고 있는데, 대부분의 고객분들은 폐쇄망을 사용하시거나 보안이 엄격한 경우가 많습니다. 이런 환경에서는 이미 잘 만들어진 API를 가져다 쓰는 것이 효율적이지 않습니다. API를 활용해 서비스를 할 수 있는 곳은 대체로 보통 자유로운 인터넷망과 클라우드 환경에 익숙한 곳이고 이럴 경우, 기존 개발자분들이 토큰 최적화나 모델 서빙 방법 정도만 알아도 대부분의 것을 수행할 수 있습니다. 문제는 폐쇄망에서 인공지능을 도입하고 싶은 경우입니다. 이 경우, 많은 곳에서 최근 LLaMA 3 이상을 도입하고 약간의 한국어를 첨가해 훈련시킨 모델을 활용하려고 합니다. 모델이 기본적으로 성능을 어느 정도 낸다는 가정하에, 고객사의 기존 데이터를 RAG나 임베딩 형태로 적용하고자 하지만 대부분 기대보다 매우 낮은 성능을 냅니다. 큰 돈을 들이고도 원하는 결과를 얻지 못해 서로 민망하거나 비난을 받는 상황이 발생합니다. 데이터 전처리의 중요성 가장 큰 이유는 데이터 전처리가 전혀 안 되어 있다는 것입니다. 인공지능, 즉 기계에게 읽히게 하려면 기계가 읽을 수 있는 형태(Machine Readable)여야 하는데, 이것은 나름의 표준이 있습니다. 많이 쓰는 txt, csv, xml, html 같은 것들이 대표적입니다. 하지만 애매한 인코딩이 되어 있는 것들은 기계 입장에서는 읽을 수 없거나, 읽더라도 별도의 디코딩이나 처리가 필요합니다. (국내에서도 유명한 특정 확장자가 하나 있죠. 나라별로 하나씩 있는 느낌입니다.) 예전에는 이러한 방식이 Lock-in 전략으로도 유의미했고, 글로벌 시장을 노리지 않는다는 전제 하에서는 충분히 작동하는 방식이었기에 큰 문제가 없었습니다. 그러나 이제는 이러한 방식이 갈라파고스화의 원인이 되어버렸습니다. 데이터가 전처리되어 기계가 읽을 수 있는 단계(Machine Readable)에 도달하면, 기계가 이해하기 쉬운 형태로 다듬어야 합니다. 예를 들어 JSON이나 Markdown 형태로 정리해야 합니다. 하지만 대부분 여기까지 이야기하기도 어렵습니다. 일반적으로 기계가 읽을 수 없는 형태인 경우가 많습니다. 그것부터 정리해야 다음 단계로 진행할 수 있습니다. 많은 분들이 화면에 뜨니까 되는 거 아닌가? 하고 단순하게 접근하는 경우가 많습니다. (정말로 그렇습니다.) 다행히 IT 기술이 있거나 기본적인 이해가 있는 곳은 바로 넘어갈 수 있습니다. 청킹(Chunking) 전략과 방법론 여기서 이제 다양한 방법론이 사용됩니다. 예를 들어, 이제는 많이 알려져 대부분이 아는 RAG(Retrieval-Augmented Generation)만 하더라도, 기계에 학습시키기 위해 데이터를 넣어줘야 하는데 이것도 방법이 다양합니다. 청킹(Chunking), 즉 단어를 덩어리 형태로 분절해서 넣는 방식만 하더라도 아래와 같은 다양한 방법이 있습니다. 청킹 전략

앞선 글에서 애자일에 대해 열심히 이야기했지만, 분명 우리는 애자일 도입을 실패한다는 것입니다. 애자일 문화에선 오히려 실패를 권장하죠. 혹자는 덜 아프게 넘어지기 위해 자주 넘어지는 것이라고 표현하기도 합니다. 뭐, 이건 애자일의 이야기고 이번에 이야기해볼 것은 왜 우리의 애자일 도입은 실패하는 것인가? 입니다. 애자일은 분명 훌륭한 문화이고 환경입니다. 다만, 이것을 도입하기로 마음먹은 조직들이 다 잘되진 않죠. 많은 조직들이 애자일 전문 강사, 애자일 관련 교육을 듣고 애자일을 도입하려는 움직임을 보입니다. 하지만 그것은 대부분 수포로 끝납니다. 혹은 재시작으로 끝나죠. 개인적인 경험으로 H사에서 일한 적이 있습니다. 재계 10위 권에 들 정도로 대단한 기업이었고 재무제표나 외부에서 봤을 땐 너무 건실하고 훌륭한 기업이었습니다. 그런 기업에서 애자일을 도입하고 새로운 프로젝트, 제품을 만들고 실행하다니 듣기만 해도 가슴이 두근거렸죠. 막대한 자본! 풍부한 인프라! 그리고 든든한 지원까지 기대되는 상황이었거든요. 대기업에서 대대적으로 애자일을 도입해서 Digital Transformation 한다니, 얼마나 좋은 경험이겠어요? 그런데 이거 제목이 뭐였죠? 네. 거하게 실패했습니다. 1년이 지나 하는 말이지만 실패라고 이제는 말할 수 있었죠. 지금 회고해보자면 이유는 크게 두 가지였습니다. 방향성은 있었지만 명확하지 못했고, 자율성이 헤쳐지기 좋은 환경이었습니다. 준비물은 완벽했습니다. 실제 애자일한 환경에서 일해본 경험이 있는 유수의 인재들, 그리고 기존에 조직에서 좋은 성과를 낸 사람들 풍부한 인프라가 있었죠. 하지만 일을 하기 싫게 만드는 요소가 곳곳에 있었습니다. 이 일을 하기 싫게 만드는 요소는 이전 글에서 한 번 보시길 바랍니다. 끊임없이 왜를 물어야 했고 그것에 대해 모두가 납득하기 어려웠죠. “그냥 전통적 대기업이니까”로 모든 게 설명되었습니다. 진골, 성골이라는 말도 학생 시설 국사 공부할 때 이후로 거의 처음 들어봤습니다. 공채 출신이면 진골이고 자회사에서 온 거면 성골이고 경력직, 수시채용이면 뭐 푸대접이니 뭐니 이런 이야기를 당연하듯 나누는 분위기였습니다. (물론, 실제로 이런 차별이 있었는지 저는 못 느꼈습니다. 하지만, 승진을 약속하고 데려온 경력직을 승진에서 누락시킨다던지 등의 주변인의 사례는 직접 목격했습니다.) 왜 우리가 이것을 해야 하는 가를 계속 흔들리는 상황에서 넓은 방향성은 더욱 어렵게 상황을 만들었습니다. 이 방향성으로 쉽게 설명하면 “남쪽으로 가자”였습니다. 우리가 서울에 있다고 치고 남쪽으로 가자는 것은 어디를 의미하는 것일까요? 수원, 천안, 대전, 광주, 울산, 부산, 제주 뭐 호주일 수도 있겠죠. 하지만 이런 것도 사실 버틸 수 있었습니다. 왜냐면 남쪽이라는 방향성만 명확하면 우리가 그 방향으로 이동하면 되는 것 아니겠어요? 지구는 둥그니까 어떻게든 도착했겠죠. 하지만, 여기서 중간 관리자들의 이슈가 생깁니다. (그분들을 Blame 하고자 하는 의도는 없습니다.) 앞선 글에서 왜 이 일을 해야 하는지 질문을 할 수 있는 문화, 환경이 정착되어야 한다고 했습니다. 그리고 그것이 자율성을 이룬다고 말했고요. 하지만 DRI의 힘이 막강한 곳에선 DRI가 원하지 않더라도 눈치를 봅니다. 보지 말자고 해도 봅니다. 우리가 원래 하던 거 하자고 해도 신경이 쓰입니다. 중간관리자에 대한 이야기는 DBR에 잘 정리된 게 있으니 한 번 읽어봅시다. (본인이 중간관리자라면 더더욱이) 근데, 이러면 이제 델포이 신탁이 시작됩니다. 델포이 신탁이라는 것은 그리스 로마 시대에 나오던 것으로 델포이(지명)에서 신들의 계시를 받고 전달하는 것을 뜻합니다. 영화 <300>에서 레오다니우스 왕이 예언을 받고 오는 곳이 바로 이곳이죠. 델포이 신탁의 특징은 두리뭉실하고 해석을 직접 해야 한다는 것입니다. 즉, “동쪽에서 귀인을 만날 것이다.” 같은 것이죠. 리더에게 질문을 못하니 우스꽝 스럽게도 리더 미팅을 다녀오면 팀원들을 모아 회의를 합니다. 리더가 뭐라 뭐라 했는데 이게 무슨 의미일까? 그 자리에선 어떻게든 결론이 납니다. “뭐, 지난번에 이러이러하셨고 저런 저런 걸 좋아하시니까 이게 맞지 않을까요?” 엄청 휴리스틱(heuristics)하고 나이브(naive)하지만 실제로 이렇게 이야기가 진행됩니다. 그리고 일을 위한 일이 시작됩니다. 그 말에 대한 타당성을 더하는 문서를 생산하는 것이죠. 실제 진행되는 일보다 생산되는 문서가 많습니다. “아니, 문서는 일의 기본 아니냐? 그리고 대기업이면 조금만 움직여도 파급이 크니 당연히 신중해야 하지 않냐!”, “필요한 일이니까 시키는 게 아닐까? 직장인이면 까라면 까야지.” 뭐, 틀린 말 아닙니다. 근데 애자 일한 조직 만들겠다고 했고 다양한 도전을 해보겠다고 미리 말했지 않았었나요? 제가 늘 말하는 거지만 이런 건 “공화정을 표방하는 왕정”입니다. 너희들의 의견을 받긴 할 껀데 듣진 않을 거고 내가 하고 싶은 거 할 거야죠. 이런 상태면 애자일의 할아버지, 조직문화의 신이 와도 이 조직을 살릴 수 없습니다. (실제로 이 시도는 앞서 말했듯 실패했고 그 조직은 사라졌습니다. - 조직 해체) 물론, 성과가 없었던 건 아닙니다. 오히려 성과를 인정받았습니다. 저는 이 부분이 더 이해가 안 갔습니다. 가령 다른 회사에서 퍼포먼스를 10을 내는 것에 비하면 여기선 5~6도 못 냈거든요. (이건 제 무능일 수도 있고 상황적 요인이 이유일 수 있겠지만) 하지만, 평가에선 좋은 결과를 받았습니다. 조금만 해도 칭찬을 받고 인정을 받았습니다. 솔직히 말하면 편했습니다. 그리고 포트폴리오에 들어갈 만큼의 결과물도 나왔습니다. 대행사분들이 계시니 일이 어떻게든 돌아가니까… 근데, 전 못 다니겠더라고요. (실제로 병이 났습니다.) 구성원들이 자기 자리를 지키는 것에 집중하고 무엇을 하는지가 아니라 생존에 목표를 두기 시작하면 일이 되는 게 아니라 일을 하는 척을 하는 조직이 됩니다. 무언가 하긴 하지만 결과는 나오지 않거나 마음에 들지 않겠죠. 그리곤 구성원들의 자존감을 갉아먹는 일들이 펼쳐질 겁니다. 사실 냉정하게 말하면 근무 요건은 너무 좋았습니다. 그냥 시키는 것만 조용히 하면 되었거든요. 그럼 대기업 답게 많은 복지와 인프라를 누릴 수 있었고 상여금이나 연봉도 잘 받았습니다. 근데 저는 그런 건 제가 일하는 게 피곤하고 다 질리면 가고 싶다는 생각이 들었습니다. (정말 재밌게도 현재 그 팀 사람 중, 해당 H사에서 근무하고 있는 경력직은 2명입니다. 이전에 20여 명이었던 걸 생각하면… 1년 새 모두 떠났다고 볼 수 있습니다.) 애자일이라는 단어는 사람들 정확히는 경영진, 관리자들을 매혹시킵니다. 내가 <스프린트>, <애자일 마스터>, <아이디어 불패의 법칙> 등등도 읽었으니 우리 애자일 할 준비 끝이야!라고 한다면 탁상공론, 그리고 객기라고 저는 감히 말할 수 있습니다. 애자일은 앞서 말한 것처럼 문화이자 환경입니다. 이걸 그냥 책 몇 권 읽었다고 바로 도입할 수 있을까요? 시간이 걸리고 현재 우리 조직 상태에선 어떻게 접근하는 것을 파악하는 게 먼저였습니다. 조직장이나 리더, 중간관리자에게 책임을 묻기보단 그냥 준비가 안된 상태로 나이브하게 접근한 상황이 나빴다고 볼 수 있습니다. 이건 제 실패의 기록이기도 하지만 혹시라도 애자일을 그냥 우리도 해보지 뭐, 하고 나이브하게 접근하는 것을 경계하셨으면 해서 적습니다. 전 그 뒤로 이직해서 열심히 살고 있습니다. 되게 재밌는 게 일이 더 많아지고 바쁜데 병세는 호전되었습니다. 이게 우연일까요? :) 이번 글을 요약한다면 이렇게 요약할 수 있습니다. “애자일한 ‘척’ 하지 말자. 그럼 이도 저도 안 되고 조직만 망가진다.” 이만 줄이겠습니다. 감사합니다.

애자일. 이름만 들어도 웅장 해지는 단어입니다. 계속 성장하며 더 나은 존재로 개선해 나아가는 모습은 단순히 IT 프로젝트뿐 아니라 개인의 삶에서도 커리어에서도 매력적으로 느껴집니다. 그리고 익히 들어본 구글, 애플, 마이크로소프트, 메타(구, 페이스북)는 물론이고 국내에선 각종 유니콘 기업과 네이버, 카카오에서도 사용하는 그 방법론! 정말 마법 같은 방법론으로 느껴집니다. 그래서 애자일이 뭐냐고요? 애자일을 한 줄로 요약하면 “짧은 주기로 일을 쪼개서 빠르게 진행해보고, 피드백을 받아서 지속적인 개선을 하는 방식”입니다. 제가 아는 최고의 애자일 코치가 한 줄 요약해준 것이니 아마 정확한 것일 겁니다. 그럼 아래의 그림을 보신 적이 있으실까요? 아마, 어디서 애자일이라는 단어를 보신 분들은 누구나 보신 그림일 겁니다. 구글에 애자일이라고 검색했을 때 제일 위에 나오는 그림을 가져온 것이거든요. 그런데 다들 애자일에서 착각하는 게 하나 있는데 선로를 깔아가며 기차를 움직인다고 생각하는 것입니다. 애자일의 본질은 ‘자율과 방향성(Autonomy & Alignment)’에 있습니다. 먼저, 애자일 하면 우리가 가장 먼저 접할 수 있는 애자일 선언문을 살펴보죠. 애자일 선언문은 2001년 당시 SW 개발에 저명한 분들이 모여 선언한 애자일 방법론의 기본 원칙입니다. 해당 글은 다음과 같습니다. 우리는 소프트웨어를 개발하고, 또 다른 사람의 개발을 도와주면서 소프트웨어 개발의 더 나은 방법들을 찾아가고 있다. 이 작업을 통해 우리는 다음을 가치 있게 여기게 되었다 공정과 도구보다 개인과 상호작용을 포괄적인 문서보다 작동하는 소프트웨어를 계약 협상보다 고객과의 협력을 계획을 따르기보다 변화에 대응하기를 가치 있게 여긴다. 이 말은, 왼쪽에 있는 것들도 가치가 있지만, 우리는 오른쪽에 있는 것들에 더 높은 가치를 둔다는 것이다. 애자일 선언문은 위의 선언을 시작으로 애자일 원칙을 세워 제창합니다. 지금 읽어도 유의미하고 실제 SW 개발에서 적용되고 있는 이야기들입니다. (이후 애자일 선언문이 추가되고 다양한 변주가 나온 건 잠시 잊읍시다. 그 이야기를 하려는 건 아니니) 다시 원래 이야기로 들어와서 우리가 흔히 말하는 ‘성공한’, ‘유니콘’ 기업들에선 애자일 문화를 적극적으로 도입했다는 이야기를 심심치 않게 들을 수 있습니다. 앞서 저는 애자일의 본질이 자율성과 방향성에 있다고 하였습니다. 하지만 많은 사람들은 개개인의 역량과 마인드셋에 달려있다고 생각합니다. 혹은 조직의 체계를 건드려야 한다고 생각합니다. 하지만 애자일 방법론 도입을 위해선 가장 먼저 환경적 변화를 꾀해야 합니다. 각각 뜯어보도록 하겠습니다. 자율성(Automony) 이 단어를 보면 거품부터 무는 사람들이 있습니다. “아니, 우리 회사는 꼰대 회사여서 자율은 상상도 못 한다고요.”, “아니, 누군 안 해본 줄 알아? 자율을 주니까 회사가 개판되더라” 같이 말이다. 정말 미안한 말이지만 이건 변명입니다. 자율성에 대한 가장 큰 오해는 자율과 자유를 헷갈리면 안 된다는 것이고 두 번째는 자율성은 타인이 아닌 자신이 만들고 지키는 것입니다. 대표, 경영진, 팀장, 동료의 의견에 공감할 수 없다면 ‘내가’, ‘자발적으로’ 그 의견에 맞설 수 있어야 합니다. 여기서 맞선다는 건 싸우라는 게 아니라 의견을 내라는 것입니다. 예전에 쓴 글 중 애빌린 패러독스처럼 말을 안 하면 모두가 원하지 않는 방향으로 갈 수 있습니다. 해외의 애플이나 국내 토스에서 말하는 최종 의사 결정 책임자(DRI: Directly Responsible Individual)의 개념을 굳이 빌려오지 않아도 우리는 자율(自律)이라는 단어에 초점을 맞출 필요가 있습니다. 내가 이성적 혹은 감성적으로라도 공감이 안되었다면 굳이 따를 필요가 없습니다. 결국 우리의 행동은 나에게 달려 있고 그걸 스스로 지키는 것을 우리는 자율성이라 부릅니다. “아니, 사회생활 안 해보셨나;; 어떻게 대표, 팀장, 윗사람에게 그래요. 그러면 회사 잘리거나 불이익당하지” 그렇다. 그 말이 나온다는 건 환경이 만들어지지 않은 것입니다. 앞서도 말했지만 개인의 마인드셋의 문제가 아닙니다. 개인에게만 그렇게 해라! 한다고 해서 애자일이 정착되고 실제로 되는 게 아니라는 걸 우린 다시금 기억해야 합니다. 개인이 해야 할 것이 스스로 자율을 만들고 그 자율성을 지키는 것이라면 회사가 마땅히 해야 할 것도 있습니다. 여기서, 회사가 해줘야 하는 것이라고 말하면 ‘연봉’, ‘복지’ 등을 떠올리곤 합니다. 지금 제가 말하고자 하는 것은 그런 것이 아닙니다. 환경과 문화입니다. 일하기 싫게 만드는 요소를 없애는 것 그게 시작입니다. 우리가 언제 일하기 싫은가? “항상”이라고 말할 수도 있겠지만 잘 생각해보면 인간은 무언가를 계속하는 동물이라 볼 수 있습니다. 본능적으로 뭔가를 자꾸 합니다. (쉬는 게 본능이라면 멸종되거나 문명도 못 이뤘겠지) 즉, 오히려 무언가를 하는 걸 즐기는 생명체라고 볼 수 있습니다. 우리가 일을 하기 싫은 경우가 뭐가 있을까? 학교 다닐 때 공부하기 싫을 때를 생각해보라 잔소리, 이런 걸 배워서 쓸모가 있나? 같은 것들의 생각을 했을 것입니다. (적어도 저는 그렇게 생각했습니다. ‘근의 공식’ 배워다가 어디다 써먹누 같이 말이죠) 이걸 일로 대입하면 이렇게 정리해 볼 수 있습니다. 마이크로 매니징 일의 목적이 납득이 안 되는 일 일을 위한 일, 보고를 위한 보고 하기 싫은 일 나의 사기를 떨어 뜨리는 상사와 동료 업무 외적으로 방해를 하는 경우 등등 (물론 더 있을 것이다. 생각나면 댓글로 더 달아주시라) 회사는 이러한 것들을 제거하는 게 가장 큰 미션입니다. 마이크로 매니징을 안 하는 문화를 만들고 구성원을 신뢰하고, 일을 위한 일을 안 하게 끔 하고 꼭 필요한 직원과 적성에 맞는 직원을 뽑고, 적재적소에 배치하고, 사기를 떨어 뜨리는 구성원들을 관리하고 그런 것을 회사, 조직장 차원에서 적극적으로 행해야 합니다. 예전에 넥슨에 있을 때, 당시 디렉터님이 위와 같은 사람에 가까웠는데 우산 같은 분이셨습니다. 경영진 보고 등에서 부정적인 피드백 혹은 강력한 프레셔가 들어와도 실제 개발진 즉 우리에겐 그런 일이 있었는지도 모르게 말이죠. 적절하게 팀을 재편하거나 목표를 조정하는 방식으로 구성원들이 비를 피할 수 있게 해 주셨습니다. 즉, 개인과 회사(혹은 조직장)가 모두 그런 환경을 만들려고 할 때 우리는 비로소 자율성을 가졌다고 할 수 있습니다.