정답을 틀리는 것보다 문제의 종류를 틀리는 게 더 위험하다

회의가 길어지면 조직은 보통 정보가 부족하다고 생각한다. 데이터를 더 모으고, 전문가를 더 부르고, 보고서의 경우의 수를 늘린다. 그런데 아무리 분석해도 결론이 나지 않는다면 부족한 것은 정보가 아니라 문제를 보는 방식일 수 있다.

어떤 문제는 분석하면 답을 찾을 수 있다. 어떤 문제는 행동하기 전에는 무엇이 답인지 알 수 없다. 둘 다 어렵지만 같은 종류의 어려움은 아니다. 이 차이를 무시하면 유능한 전문가와 충분한 데이터가 오히려 결정을 늦춘다.

Dave Snowden과 Mary Boone이 2007년 Harvard Business Review에 소개한 Cynefin 프레임워크는 의사결정의 출발점을 바꾼다. 먼저 답을 찾는 대신 지금 다루는 상황이 어떤 시스템에 속하는지 묻는다. 현재 공식 설명은 이를 명료한 문제, 복합적인 문제, 복잡한 문제, 혼돈, 그리고 아직 어느 영역인지 알 수 없는 혼란으로 구분한다.

어려운 문제에도 서로 다른 문법이 있다

명료한 문제에서는 원인과 결과가 반복된다. 주문서의 누락 항목을 확인하거나 정해진 소독 절차를 수행하는 일처럼 규칙과 모범사례가 잘 작동한다. 여기서 매번 창의적인 토론을 여는 것은 신중함이 아니라 낭비다.

복합적인 문제는 구성요소가 많고 답을 찾기 어렵지만, 충분히 분석하면 원인과 결과를 밝혀낼 수 있다. 건물의 구조 안전성을 계산하고, 예상 거래량에 맞춰 서버 용량을 설계하고, 계약의 법적 위험을 검토하는 일이 그렇다. 답이 하나가 아닐 수 있어도 전문지식과 분석은 선택지를 크게 줄인다.

복잡한 문제는 다르다. 신제품의 어떤 기능이 습관을 만들지, 조직문화 개편이 실제 협업을 바꿀지, 새로운 가격이 고객의 인식을 어떻게 움직일지는 사전에 완전히 계산하기 어렵다. 원인과 결과가 행위자들의 반응 속에서 함께 만들어지기 때문이다. 여기서는 분석한 뒤 실행하는 것이 아니라, 작게 시도하고 반응을 관찰하며 다음 행동을 정해야 한다.

혼돈에서는 그 작은 실험조차 먼저가 아니다. 서비스 전체 장애나 대량 품질사고처럼 피해가 번지고 있다면 원인 분석보다 안정화가 앞선다. 우선 멈추고, 격리하고, 질서를 만든 다음에야 상황을 다른 영역으로 옮겨 판단할 수 있다.

이 분류의 가치는 이름을 외우는 데 있지 않다. 같은 조직이 서로 다른 영역에 같은 의사결정 방식을 강요하고 있다는 사실을 드러내는 데 있다.

예를 들어 신제품 출시도 하나의 문제처럼 보이지만 실제로는 섞여 있다. 개인정보 처리와 결제 정합성은 전문가가 검증해야 하고, 고객이 어떤 메시지에 반응할지는 시장에서 작게 시험해야 한다. 앞의 일에 실험을 쓰거나 뒤의 일에 정답형 분석을 쓰는 순간, 같은 프로젝트 안에서도 방법과 문제가 어긋난다.

분석할 수 없는 것을 분석하면 확신만 늘어난다

복잡한 문제를 복합적인 문제로 착각하면 조직은 예측 정확도를 높이겠다는 명목으로 회의를 반복한다. 아직 시장에 존재하지 않는 고객 반응을 스프레드시트 안에서 찾고, 실행하기 전에는 생기지 않을 학습을 전문가의 의견으로 대신한다. 보고서는 더 정교해지지만 불확실성은 줄지 않는다.

반대 오류도 비싸다. 복합적인 문제를 복잡한 문제로 취급하면 이미 축적된 전문지식을 무시하고 모든 것을 실험한다. 구조 계산, 보안 설정, 세무 처리처럼 분석 가능한 일까지 “일단 해보자”로 접근하면 학습이 아니라 사고가 남는다. 실험은 전문성을 대신하는 태도가 아니라, 인과관계를 미리 알 수 없는 영역에서 쓰는 방법이다.

좋은 의사결정은 정답을 빨리 고르는 능력이 아니라, 정답을 찾는 방법부터 바꿀 수 있는 능력이다. 명료한 문제에는 절차를, 복합적인 문제에는 전문가 분석을, 복잡한 문제에는 안전한 탐색을, 혼돈에는 즉각적인 안정화를 써야 한다.

그렇다면 하나의 프로젝트가 여러 종류의 문제를 동시에 품고 있을 때는 무엇을 기준으로 움직여야 할까?

그때 필요한 것은 프로젝트 전체에 이름표 하나를 붙이는 일이 아니라, 결정을 더 작은 단위로 나누는 일이다. 같은 서비스 장애 안에도 지금 당장 트래픽을 차단해야 하는 혼돈, 로그를 분석해 원인을 찾는 복합성, 재발 방지 행동이 현장에서 작동할지 시험하는 복잡성, 이후 런북으로 고정할 수 있는 명료성이 함께 존재한다.

영역은 성숙도 등급이 아니라 현재의 관계다

Cynefin을 낮은 단계에서 높은 단계로 올라가는 성숙도 모델처럼 읽으면 또 하나의 오해가 생긴다. 학습이 쌓이면 복잡했던 일이 분석 가능한 일이 되고, 마침내 표준 절차로 굳어질 수는 있다. 그러나 모든 문제가 혼돈에서 출발해 한 방향으로만 이동하는 것은 아니다.

익숙한 절차도 환경이 바뀌면 다시 불안정해진다. 규제 변경, 새로운 경쟁자, 기술 전환, 인력 구성의 변화는 어제의 모범사례를 오늘의 위험으로 만들 수 있다. 특히 명료한 영역의 절차를 맹신하면 변화 신호를 무시한 채 혼돈으로 떨어질 수 있다. 표준화는 학습의 종착지가 아니라 조건이 유지되는 동안만 유효한 압축이다.

따라서 분류의 단위는 “우리 회사는 복잡하다” 같은 거대한 선언이 되어서는 안 된다. 지금 결정하려는 가격, 기능, 사고 대응, 채용, 계약을 각각 놓고 원인과 결과를 사전에 알 수 있는지 물어야 한다. 알 수 있다면 분석하고, 상호작용 뒤에야 드러난다면 작고 가역적인 행동으로 배워야 한다.

리더의 역할도 영역마다 달라진다

명료한 문제에서 리더는 좋은 절차가 지켜지게 만들면 된다. 복합적인 문제에서는 서로 다른 전문가의 분석을 비교하고 판단 기준을 분명히 해야 한다. 복잡한 문제에서는 정답을 선언하는 대신 여러 작은 탐색이 안전하게 벌어지도록 경계를 설계하고, 예상 밖의 신호를 포착해야 한다. 혼돈에서는 토론을 잠시 멈추고 피해를 제한할 명령을 내려야 한다.

문제는 리더가 자신에게 익숙한 한 가지 방식만 반복할 때 생긴다. 분석에 강한 리더는 모든 상황을 복합적인 문제로 만들고, 창업가형 리더는 모든 문제를 실험으로 바꾸며, 위기 대응에 익숙한 리더는 평시에도 명령을 남발한다. 능력의 부족보다 능력의 과잉 적용이 더 자주 조직을 망친다.

AI는 영역 착각을 더 그럴듯하게 만든다

AI는 명료하고 복합적인 문제에서 특히 강하다. 규칙을 반복 적용하고, 많은 문서를 비교하고, 가능한 원인을 빠르게 좁힐 수 있다. 문제와 평가 기준이 분명할수록 기계가 만드는 속도와 일관성은 큰 이점이 된다.

그러나 복잡한 문제에 AI를 넣는 순간 인과관계까지 계산 가능해지는 것은 아니다. AI는 실험안을 만들고 약한 신호를 정리하며 관찰 범위를 넓힐 수 있지만, 아직 일어나지 않은 시장 반응을 확정된 답으로 바꾸지는 못한다. 오히려 유창한 보고서가 “분석하면 알 수 있다”는 착각을 강화할 수 있다.

그래서 AI 시대의 중요한 구분은 인간과 기계 중 누가 더 똑똑한가가 아니다. 지금 하는 일이 규칙의 실행인지, 전문가 분석인지, 현실과 상호작용해야만 배울 수 있는 탐색인지 먼저 구별하는 것이다. 복잡한 영역에서 AI의 역할은 예언자가 아니라 더 싸고 빠른 탐색 보조자에 가깝다.