전략 실행 피드백 루프: 조직이 학습하고 적응하는 방법

저는 2000년대 초반에 AI에 처음 관심을 갖게 되었고, 손글씨 OCR(광학 문자 인식)에 초점을 맞춘 프로젝트로 주니어 대회에서 우승하기도 했습니다. 흥미롭게도 2000년 당시에도 오늘날까지 사용되는 핵심 알고리즘의 거의 대부분을 이미 갖추고 있었습니다. 다만 그때는 충분한 연산 자원이 없었습니다…

시간이 지나면서 제 관심은 성과 측정으로, 그리고 이후에는 전략 실행이라는 더 넓은 분야로 옮겨갔습니다. 오늘날 LLM이 헤드라인을 장식하는 상황에서, 우리는 기초로 되돌아가는 일이 드뭅니다.

신경망에서 학습을 가능하게 하는 것은 실제로 무엇입니까?

몇 가지 간단한 수학적 원리가 현대 AI의 핵심에 자리하고 있습니다. 그리고 저는 이러한 동일한 원리가 조직이 전략을 실행할 때에도 어떻게 활용될 수 있으며 또 활용되어야 하는지에 대해 분명한 유사점을 봅니다.

AI가 학습할 수 있게 만드는 요인은 무엇인가

신경망의 수학적 토대 중 하나는 함수의 합성에 적용되는 미적분학의 연쇄법칙입니다. 신경망은 많은 단순한 미분 가능한 연산으로 구성된 계층형 시스템입니다. 연쇄법칙은 전체 합성에 걸쳐 기울기(그래디언트)를 계산할 수 있게 해줍니다. 이것이 대규모로 학습이 가능해지는 이유입니다.

• 순전파 동안 신경망은 처음에는 틀린 출력값을 생성합니다.
• 라벨이 있는 데이터와 손실 함수를 사용하여, 결과가 원하는 출력에서 얼마나 벗어났는지를 측정할 수 있습니다.
• 모든 내부 연산이 미분 가능하므로, 각 변환에 대한 국소 도함수를 계산할 수 있습니다.
• 연쇄법칙을 적용하면, 이러한 국소 도함수들이 결합되어 모델의 모든 파라미터에 대한 손실의 기울기(그래디언트)가 됩니다.

이 시스템은 오류가 발생했다는 사실만 감지하는 것이 아닙니다. 각 개별 파라미터가 그 오류에 어떻게 기여했는지, 그리고 그것을 어느 방향으로 바꾸면 결과가 어떻게 이동하는지를 판단합니다.

조직 학습 시스템으로서의 전략 실행

조직에서도 동일한 문제가 존재합니다…

좋은 전략 구현은 목표, 하위 목표, 이니셔티브, 성과 지표로 이루어진 구조화된 시스템입니다.

실행 과정에서 조직은 의도한 방향에서의 일탈을 가능한 한 조기에 감지해야 합니다. 그래서 성과 측정이 존재합니다. 성과 측정은 현실이 가정에서 벗어나고 있음을 알리는 첫 번째 신호를 제공합니다.

하지만:

“무언가 잘못되었다”는 사실을 아는 것만으로는 그 자체로는 거의 쓸모가 없습니다…

실행은 조직이 시스템의 어떤 요소에 조정이 필요한지, 그리고 그러한 조정이 결과에 어떤 영향을 미칠 가능성이 있는지를 파악할 수 있을 때에만 개선됩니다.

신경망에서는 이는 연쇄 법칙에 의해 수학적으로 가능해집니다. 전략 구현에서는 전략이 적절하게 분해되고, 이해관계자의 기대와 정렬되며, 모호한 열망에서 다층의 구체적이고 인과적으로 연결된 목표와 지표로 번역될 때에만 가능해집니다.

제대로 구현된 전략을 실행하라

이런 의미에서 효과적인 전략 실행은 잘 설계된 신경망처럼 보이기 시작합니다.

편차가 발생하면 조직은 빠르게 학습할 수 있습니다. 단지 성과가 기대치에 못 미친다는 사실뿐 아니라, 이해관계자의 기대에 더 가까워지기 위해 어떤 이니셔티브, 프로세스, 역량, 또는 가정을 조정해야 하는지도 학습할 수 있습니다.

전략이 제대로 명확히 표현되지 않으면(추상적 목표, 인과관계 부재, 의미 있는 지표 부재) 조직은 사용 가능한 그래디언트가 없는 모델과 같은 처지에 놓이게 됩니다. 결과가 나쁘다는 것은 알지만, 무엇을 바꿔야 할지 결정할 신뢰할 만한 방법이 없습니다.

신경망과 조직 모두에서, 피드백이 전파될 수 있도록 상호 연결된 구성요소들로 시스템이 구축될 때에만 학습이 가능해집니다.

다음이 있을 때:

• 구조,
• 현장 단위의 책임, 그리고
• 측정 가능한 동인

… 지속적인 개선이 가능해집니다. 이것들이 없으면 조직에는 성공/실패 신호 정도만 남고, 어떻게 개선할지 이해할 메커니즘이 없습니다.

그렇다면 우리는 마케팅 지출이 어디로 가는지 마침내 알게 된 것일까요?

짧게 답하자면: “아니요” (신경망도 마찬가지입니다).

AI에서는 특정 뉴런 하나를 가리키며 “이것이 결과를 만들었다”고 말할 수 없습니다. 그럼에도 학습이 가능한 이유는, 피드백이 서로 연결된 많은 부분을 통해 흐르도록 시스템이 구축되어 있고, 그 과정에서 점진적으로 형태가 재구성되기 때문입니다.

“마케팅이 효과가 있다”라고 말하는 것은 “모델이 개선되었다”라고 말하는 것과 유사합니다. 방향은 보여주지만, 다음에 무엇을 바꿔야 하는지는 알려주지 않습니다.

유용해지는 것은 시스템 내부에서 패턴을 보는 것입니다.

예를 들어 매출은 정체되어 있는데 트래픽은 증가하고, 콘텐츠 참여도는 개선되며, 더 많은 리드가 생성되는 반면, 거래 성사율은 떨어지고 거래를 마무리하는 데 더 오래 걸릴 수 있습니다.

분석적으로 이는 더 이상 단순한 성공/실패가 아닙니다. 시스템의 일부는 개선되는 반면 다른 일부는 불일치하는 상태임을 보여주는 신호들의 패턴입니다.

시스템은 단 하나의 ‘유죄’ 캠페인을 특정하지 않습니다. 대신 어디에 조정이 필요한지를 시사합니다.

이것이 제대로 작동할 때의 학습 모습입니다.

모든 돈이 정확히 어디로 갔는지를 알려주지는 못할지라도, 그보다 훨씬 더 가치 있는 것, 즉 조직이 다음에 어디로 움직여야 하는지를 알려줍니다.

알려진 결함: 국소 최소값 찾기

신경망과 마찬가지로, 전역 최소값이 아니라 국소 최소값을 찾는 알려진 한계가 있으므로, 조직은 측정 프레임워크를 100% 신뢰해서는 안 됩니다.

전략 실행은 실제에서 가설을 검증하는 지속적인 과정입니다. 때로는 하위 수준의 가설을 검증하면 모든 것이 타당해 보입니다. 때로는 분해 트리를 따라 상위로 올라가다가, 결국 이해관계자와 그들의 요구에 대한 우리의 이해를 의문시하게 됩니다.