Serendipity with Generative AI: Repurposing knowledge components during polycrisis with a Viable Systems Model approach

이 논문은 생성형 AI 를 '우연성 엔진'으로 활용하여 기존 문서에서 지식 구성 요소를 추출하고 비어의 VSM(생존 시스템 모델) 에 맞춰 재배치함으로써 조직이 다중 위기 상황에서 지식 재사용을 체계화하고 혁신 포트폴리오를 전환할 수 있음을 보여줍니다.

핵심

1. 핵심 비유: "지식 보물상자"와 "AI 탐정"

상황:
우리는 지금 기후 위기, 전쟁, 팬데믹 등 여러 가지 큰 문제 (폴리크라이시스) 가 동시에 터지는 시대에 살고 있습니다. 기업이나 조직은 매일 새로운 문제를 해결해야 하는데, 매번 처음부터 아이디어를 짜내거나 (Breakthrough) 연구하는 것은 너무 느리고 비쌉니다.

문제:
사실 조직 안에는 이미 해결책이 될 만한 '지식 조각들'이 수천 개나 쌓여 있습니다. 하지만 이 조각들은 각자의 문서 (논문, 보고서) 속에 숨겨져 있어, 필요한 사람이 찾아내기 어렵습니다. 마치 거대한 도서관에 필요한 책이 있는데, 책장이 너무 높고 책 제목이 다르면 찾을 수 없는 상황과 같습니다.

해결책 (이 논문의 제안):
여기에 생성형 AI를 'AI 탐정'으로 투입합니다.

• 이 AI 는 수백 편의 문서를 순식간에 읽어내며, "아! 이 글에 쓰인 '모델'이나 '체크리스트'는 다른 문제에도 쓸 수 있겠네!"라고 찾아냅니다.
• 논문 206 편을 분석한 결과, AI 는 **711 개의 유용한 지식 조각 (모델, 프레임워크, 패턴 등)**을 찾아냈습니다. 이는 한 조직이 5 년 동안 만든 것인데, 우리가 그걸 몰랐을 뿐입니다.

2. 이론적 배경: "조직의 두뇌"와 "전령관" (VSM)

이 논리는 스탠리 비어 (Stafford Beer) 의 **생존 시스템 모델 (VSM)**이라는 이론을 기반으로 합니다. 이 모델을 쉽게 설명하면 다음과 같습니다.

• System 1 (현장 노동자): 매일 일을 하는 부서들. 여기서 새로운 지식 (논문, 보고서) 이 만들어집니다.
• System 4 (전략가/두뇌): 외부 환경을 보고 "어! 저쪽에서 큰일이 나는데, 우리한테 해결책이 있을까?"라고 고민하는 부서.
• 전통적인 문제: System 1 이 만든 지식은 System 4 에게 전달되기까지 너무 많은 과정 (번역, 요약, 보고) 을 거쳐야 해서, 정보가 왜곡되거나 늦게 전달됩니다. 이를 **'전달 비용 (Transduction Cost)'**이라고 합니다.

AI 의 역할:
이 논문에 따르면, AI 는 이 '전달 비용'을 없애주는 '초고속 전령관' 역할을 합니다.

• AI 는 System 1 이 만든 복잡한 문서를 바로 System 4 가 이해할 수 있는 '유용한 지식 조각'으로 바꿔줍니다.
• 덕분에 전략가 (System 4) 는 외부의 위기가 닥쳤을 때, "아, 우리 조직 안에 이미 이 문제를 해결할 '패턴'이 있었구나!"라고 바로 찾아내어 빠르게 대응할 수 있습니다.

3. 실전 예시: "레고 블록"으로 위기 극복하기

이론이 어떻게 실제로 작동하는지 레고에 비유해 볼까요?

• 기존 방식 (새로 만들기): 회사가 위기를 맞으면, "새로운 레고 세트를 하나부터 새로 발명하자!"라고 합니다. 시간이 오래 걸리고 실패할 확률이 높습니다.
• 이 논문의 방식 (재사용/Repurposing): "우리가 이미 가지고 있는 레고 상자를 열어보자!"라고 합니다.
  • 예시: 어떤 회사가 공급망이 끊어졌을 때, AI 가 과거의 연구 자료에서 **'공급망 위기 대응 체크리스트'**와 **'대체 공급처 찾기 패턴'**을 찾아냅니다.
  • 이걸로 새로운 해결책을 5 일 안에 만들어냅니다. (논문의 'Box 1' 사례 참조)

4. 이 연구가 주는 4 가지 큰 선물

이 논문은 단순히 기술을 소개하는 것을 넘어, 다음과 같은 가치를 제안합니다.

1. 계획된 행운 (Planned Serendipity): "운 좋게 발견하는 것"을 기다리지 말고, AI 를 이용해 의도적으로 숨겨진 보물을 찾아내는 시스템을 만드세요.
2. 속도와 효율: 위기가 닥쳤을 때, 새로운 것을 invention(발명) 하는 것보다, 기존 것을 repurpose(재사용) 하는 것이 훨씬 빠르고 안전합니다.
3. 지속 가능성: 지식을 한 번 쓰고 버리는 게 아니라, 계속 재활용 (Upcycling) 하면 시간과 자원 낭비가 줄어듭니다. 이는 환경과 사회적 가치에도 도움이 됩니다.
4. 조직의 생존력: 외부 환경이 얼마나 혼란스러워도, 조직 내부에 다양한 해결책 (지식 조각) 이 준비되어 있다면 조직은 살아남을 수 있습니다.

요약: 한 문장으로 정리하면?

"생성형 AI 를 이용해 우리 조직이 이미 가지고 있는 수천 개의 '지식 레고 블록'을 찾아내고 분류하면, 위기가 닥쳤을 때 새로운 것을 발명할 필요 없이, 이 블록들을 빠르게 조립해서 즉각적인 해결책을 만들 수 있습니다. 이것이 바로 AI 시대의 조직 생존법입니다."

이 논문은 AI 를 단순히 "글을 써주는 도구"가 아니라, **"조직의 숨겨진 지능을 깨워주는 핵심 엔진"**으로 바라보게 해줍니다.

기술 요약

1. 연구 배경 및 문제 제기 (Problem)

• 다중 위기 (Polycrisis) 상황: 기후 위기, 분쟁, 팬데믹, 기술 급변 등 여러 위기가 동시에 발생하는 복잡한 환경에서 조직은 지속적인 혁신이 필요합니다.
• 지식의 잠금 (Knowledge Lock-in): 조직은 방대한 양의 지식 (논문, 보고서, 프로세스 등) 을 보유하고 있지만, 이는 특정 맥락 (System 1) 에 갇혀 있어 다른 부서나 전략적 차원 (System 4) 에서 재사용되기 어렵습니다.
• 전환 비용 (Transduction Costs): 조직 내 하위 시스템 간 지식을 변환하고 전달하는 과정에서 발생하는 인지적, 운영적 비용이 너무 높아 지식 재사용이 지연되거나 실패합니다.
• 기존 접근법의 한계: 기존 지식 관리 시스템은 수동 큐레이션에 의존하거나, '새로운 발견 (Breakthrough)'에만 집중하여 기존 자산을 활용하는 '재활용 (Repurposing)'을 체계적으로 지원하지 못합니다.

2. 연구 방법론 (Methodology)

이 연구는 **생존 가능 시스템 모델 (Viable Systems Model, VSM)**을 이론적 틀로 삼고, 생성형 AI 를 활용하여 지식 구성 요소를 추출하는 실험적 파이프라인을 구축했습니다.

• 데이터셋: 영국 솔퍼드 대학교의 한 학과에서 5 년간 (2021~2025) 출판된 206 편의 학술 논문을 수집했습니다.
• AI 도구 및 프로세스:
  • 모델: OpenAI 의 GPT-4o 사용.
  • 설정: Temperature 0.2 (일관성 유지), Max tokens 3,000.
  • 프롬프트 엔지니어링: 논문 텍스트에서 재사용 가능한 '지식 구성 요소 (Knowledge Components)'를 추출하도록 설계된 시스템 프롬프트와 사용자 프롬프트를 개발했습니다.
  • 분류 체계 (Taxonomy): 템플릿, 체크리스트, 스코어카드, 모델, 프레임워크, 패턴, 툴킷, 이론, 원칙 등 18 가지의 지식 구성 요소 유형을 정의하고 계층화했습니다.
• 분석 단계:
  1. PDF 를 텍스트로 파싱.
  2. 생성형 AI 를 통해 각 논문에서 구성 요소 추출 및 분류.
  3. 추출된 711 개의 구성 요소를 VSM 에 부합하는 리포지토리로 구조화.
  4. 정량적 (빈도 분석) 및 정성적 (사례 분석) 결과 도출.

3. 주요 기여 (Key Contributions)

이 논문은 다음과 같은 4 가지 측면에서 기여합니다:

1. 이론적 기여 (Conceptual):
   • 계획된 우연성 (Planned Serendipity) 이론: 생성형 AI 가 조직 내 System 1 (운영) 과 System 4 (전략/적응) 간의 전환 비용을 낮추어, 우연한 발견을 체계적인 역량으로 전환한다는 이론을 제시합니다.
   • VSM 과 AI 의 통합: AI 를 '지식 변환기 (Transducer)'로 정의하여, 조직의 생존 가능성 (Viability) 을 높이는 메커니즘으로 설명합니다.
2. 실증적 기여 (Empirical):
   • 지식 구성 요소 리포지토리: 206 편의 논문에서 추출된 711 개의 재사용 가능한 구성 요소 (모델, 패턴, 프레임워크 등) 데이터셋을 구축했습니다.
   • 패턴 발견: 논문당 평균 약 3.4 개의 구성 요소가 존재함을 확인하고, 주제별/연도별 분포 패턴을 제시했습니다.
3. 관리적 기여 (Managerial):
   • 조직 도입을 위한 청사진: 지식 재사용을 위한 프로세스와 비전 (Vignette) 을 제시하며, 조직이 어떻게 AI 를 활용해 혁신 포트폴리오를 '새로운 발명'에서 '체계적 재활용'으로 전환할지 안내합니다.
4. 사회적 기여 (Social):
   • 지속 가능성: 기존 지식의 재활용 (Upcycling) 을 통해 혁신의 환경적, 사회적 비용을 줄이고 지속 가능한 혁신 경로를 제시합니다.

4. 연구 결과 (Results)

• 지식 구성 요소 추출: 206 편의 논문에서 총 711 개의 지식 구성 요소를 추출했습니다 (논문당 평균 약 3.5 개).
• 주요 구성 요소 유형:
  • 모델 (Model): 171 개 (24.1%) - 가장 빈번하게 발견됨.
  • 패턴 (Pattern): 129 개 (18.1%).
  • 프레임워크 (Framework): 118 개 (16.6%).
  • 그 외: 모범 사례 (Best Practice), 체크리스트, 스코어카드 등.
• VSM 시스템별 역할:
  • System 1 (운영): 지식 생성 및 추출.
  • System 2 (조정): 중복 제거 및 재사용 조정.
  • System 3 (통제/자원): AI 시스템 지원 및 문서화.
  • System 4 (적응): 외부 변화에 대응하기 위해 내부 지식 재발굴 및 재조합.
  • System 5 (정책/정체성): 재사용 문화를 조성.
• 실증적 검증: AI 가 인간이 놓치기 쉬운 암묵적 패턴 (예: 제목에 명시되지 않은 프레임워크나 패턴) 을 효과적으로 식별하여, 기존 지식의 재사용 가능성을 극대화함을 입증했습니다.

5. 연구의 의의 및 시사점 (Significance)

• 다중 위기 대응 전략: 불확실성이 높은 '다중 위기' 상황에서, 새로운 아이디어를 기다리는 것보다 기존에 검증된 지식 구성 요소를 빠르게 재조합 (Recombination) 하는 것이 더 효율적이고 위험 부담이 적습니다.
• 조직의 생존 능력 강화: VSM 관점에서 AI 는 조직이 외부 환경의 복잡성 (Variety) 에 대응하기 위해 내부 해답의 다양성을 확보하도록 돕는 '변수 증폭기' 역할을 합니다.
• 혁신의 패러다임 전환: 혁신을 '선형적인 발견'이 아닌 '순환적인 재활용'으로 재정의합니다. 이는 연구 개발 (R&D) 비용 절감과 지속 가능성 향상에 기여합니다.
• 실무적 적용: 조직은 생성형 AI 를 활용한 지식 리포지토리를 구축하고, 이를 통해 '재사용률', '해결 시간 단축', '지속 가능성 지표' 등을 측정함으로써 경쟁 우위를 점할 수 있습니다.

결론적으로, 이 연구는 생성형 AI 가 단순한 콘텐츠 생성 도구를 넘어, 조직이 보유한 방대한 지식 자산을 체계적으로 발굴하고 재조합하여 다중 위기 시대에 적응하고 혁신할 수 있게 하는 핵심 인프라임을 입증했습니다.