Project Management Pitfalls and the Ambivalent Role of Artificial Intelligence: A Scoping Review of Bad Practices

수십 년 동안, 무언가를 만드는 세계는 복잡한 노력이 무너지는 것을 막기 위해 설계된 일련의 규칙들에 의존해 왔습니다. 교량을 건설하든, 인공위성을 발사하든, 혹은 새로운 소프트웨어를 출시하든, 팀들은 프로젝트 관리라는 규율을 따릅니다. 이 분야는 만약 당신이 신중하게 계획하고, 적절한 사람을 배정하며, 예산을 감시한다면 성공할 것이라는 아이디어 위에 세워졌습니다. 그러나 정교한 소프트웨어의 발명과 수백만 명의 전문가 양성에도 불구하고, 프로젝트는 여전히 매우 높은 비율로 실패합니다. 예산이 바닥나거나, 마감 기한을 놓치거나, 아무도 원하지 않는 제품을 내놓기도 합니다. 이러한 실패의 원인은 대개 도구의 부족이나 지식의 부족 때문이 아닙니다. 대신, 그것들은 종종 뿌리 깊은 인간의 습관에서 기인합니다. 우리는 일이 얼마나 걸릴지에 대해 지나치게 낙관하는 경향이 있고, 새로운 요청에 "아니오"라고 말하는 데 어려움을 겪으며, 한 번에 너무 많은 일을 하려고 노력합니다. 이러한 패턴은 너무 흔해서 수년간 연구되어 왔으며, 탈출이 불가능해 보이는 실수들의 목록을 형성하고 있습니다.

이제, 새로운 질문이 논의에 등장했습니다. 데이터로부터 학습하고 예측을 수행할 수 있는 컴퓨터 시스템인 인공지능이 더욱 강력해짐에 따라, 많은 이들이 이것이 마침내 우리의 오래된 문제들을 해결해 주기를 희망하고 있습니다. 기계는 인간의 낙관주의나 피로로부터 자유롭기 때문에 완벽한 타임라인을 계산하고, 숨겨진 위험을 포착하며, 오류 없이 자원을 관리할 수 있을 것이라는 생각입니다. 그러나 최근의 최신 연구 검토는 그 답이 그렇게 간단하지 않음을 시사합니다. 기술은 실질적인 가능성을 보유하고 있지만, 우리가 주의하지 않는다면 우리의 가장 오래된 실수들을 악화시킬 위험 또한 안고 있습니다.

홀귄 기술 공원(Technological Park of Holguín)과 홀귄 대학교(University of Holguín)의 연구진은 바로 이 긴장 관계를 조사하기 위해 나섰습니다. 그들은 프로젝트가 왜 실패하는지와 이를 해결하기 위해 인공지능이 어떻게 사용되고 있는지에 대한 연구를 찾기 위해 Scopus, Web of Science, DOAJ, OpenAlex, Google Scholar라는 다섯 가지 특정 데이터베이스를 통해 2021년부터 2026년 사이에 발표된 과학 문헌에 대한 범위 검토(scoping review)를 수행했습니다. 또한 매일 이러한 실패를 다루는 업계 실무자들의 보고서도 검토했습니다. 그들의 목표는 단일 이론을 테스트하는 것이 아니라, 분야를 계속 괴롭히고 있는 20가지 특정한 나쁜 관행의 지형을 그려내는 것이었습니다. 그들은 이러한 실수들을 네 가지 주요 그룹으로 분류했습니다: 계획 및 소요 시간 예측에서의 실패, 인력 및 업무 범위 관리에서의 실패, 팀의 소통 및 의사결정 방식에서의 실패, 그리고 실제로 업무를 완수하는 과정에서의 실패입니다.

연구진은 이 20가지 나쁜 관행이 새로운 것이 아님을 발견했습니다. 그것들은 이전 연구들에서 묘사된 것과 동일한 패턴이며, 이는 우리가 무엇을 해야 하는지 알고 있는 것과 실제로 하고 있는 것 사이의 간극이 여전히 넓다는 것을 증명합니다. 가장 지속적인 오류 중 하나는 "계획 오류(planning fallacy)"로, 사람들이 자신의 프로젝트가 다른 모든 이들의 프로젝트와는 다를 것이며 더 나을 것이라고 스스로를 설득하며, 그렇지 않음을 시사하는 역사적 데이터를 무시하는 습관입니다. 또 다른 흔한 문제는 변화하는 요구사항에 "아니오"라고 말하지 못하는 능력 부족이며, 이는 프로젝트가 원래의 한계를 넘어 서서히 커지다가 스스로의 무게에 짓눌려 붕괴하게 만드는 "범위 크립(scope creep)"으로 이어집니다. 또한 검토 과정에서는 팀원들이 너무 많은 방향으로 끌려다녀 번아웃을 겪고 작업 속도가 느려지게 만드는 멀티태스킹의 파괴적인 본성에 대해서도 강조했습니다.

연구진이 인공지능이 이러한 문제들과 어떻게 상호작용하는지 살펴보았을 때, 그들은 양날의 검을 발견했습니다. 긍정적인 측면에서, 기술은 특정 과업을 개선할 수 있는 진정한 잠재력을 보여줍니다. 예를 들어, 고급 컴퓨터 모델은 방대한 양의 역사적 데이터를 분석하여 프로젝트가 얼마나 걸릴지에 대해 더 정확한 추정치를 만들어낼 수 있으며, 종종 전통적인 방법보다 뛰어난 성능을 보입니다. 이러한 도구들은 또한 자원을 추적하여 아무도 과로하지 않도록 보장하고, 프로젝트가 경로를 벗어날 때 자동으로 경고를 보낼 수 있습니다. 어떤 경우에는 이러한 시스템들이 예측 오류를 상당한 수준으로 줄여주는 것으로 나타났으며, 인간 기획자가 맞추기 힘든 정밀함을 제공합니다.

그러나 검토 결과는 단순히 컴퓨터를 켠다고 해서 근본적인 인간의 문제가 해결되는 것은 아니라고 경고합니다. 만약 인공지능 시스템에 입력되는 데이터가 결함이 있거나, 편향되었거나, 불완전하다면, 기계는 그 오류를 단순히 반복할 것이며, 어쩌면 인간보다 더 확신을 가지고 그 오류를 재현할 수도 있습니다. 연구진은 만약 어떤 회사가 비용을 과소평가해 온 역사가 있다면, 그 회사의 과거 데이터를 학습한 인공지능 역시 비용을 과소평가하도록 학습할 것이라고 언급했습니다. 나아가, 팀들이 이러한 도구에 너무 의존하여 기계의 출력을 의심 없이 믿게 될 위험이 있습니다. 이는 나쁜 결정들이 컴퓨터의 뒷받침을 받아 더 빠르고 더 권위 있게 내려지는 상황으로 이어질 수 있습니다. 검토는 또한 많은 인공지능 프로젝트 자체가 너무 복잡하거나, 잘못된 문제를 해결하거나, 결론에 도달한 방식에 대한 명확한 설명이 부족하여 배포 단계에 도달하지 못한다는 점을 지적했습니다.

이 연구의 핵심 결과는 이러한 실패들이 기술적인 문제가 아니라 근본적으로 조직적이고 행동적인 문제라는 것입니다. 낙관주의, 서툰 소통, 우선순위를 정하지 못하는 문제는 인간의 심리와 기업 문화에 뿌리를 두고 있습니다. 인공지능은 강력한 도구이지만, 깨진 문화를 고칠 수 있는 마법 지팡이는 아닙니다. 연구진은 기술이 인간의 판단을 대체하는 것이 아니라 지원하는 데 사용되어야 한다고 주장합니다. 인공지능은 데이터 분석과 패턴 인식이라는 힘든 일을 처리함으로써, 사람들이 기계가 할 수 없는 일들, 즉 복잡한 정치적 관계를 탐색하고, 팀의 사기를 감지하며, 고위험 상황에서 빈번하게 발생하는 어려운 윤리적 선택을 내리는 데 집중할 수 있도록 해줄 수 있습니다.

궁극적으로, 앞으로 나아가는 길은 균형 잡힌 접근 방식을 요구합니다. 성공을 원하는 조직은 데이터의 품질을 개선하고 이러한 새로운 도구를 현명하게 사용하는 데 사람들을 교육하는 데 투자해야 합니다. 그들은 인공지능이 투명성을 유지하고 인간이 최종 결정 과정에 개입하도록 보장하는 거버넌스 구조를 구축해야 합니다. 검토는 기술이 우리가 함정을 더 명확하게 볼 수 있도록 도와줄 수는 있지만, 그것을 피하는 것은 우리에게 달려 있다는 결론을 내립니다. 가장 효과적인 프로젝트는 인공지능의 속도와 정확성을 숙련된 인간 리더의 지혜, 공감, 그리고 비판적 사고와 결합한 프로젝트가 될 것입니다.