경영은 결과의 학문입니다. "이 투자가 성공했다" "이 위기를 잘 헤쳤다" "이 마케팅 캠페인이 매출을 올렸다" — 모든 사건에는 앞서 누군가 내린 판단이 있고, 그 판단의 뒤에는 이유가 있습니다.
크라우니인베스트와 같은 경영 AI는 이 결과들을 거꾸로 캐냅니다. 왜 성공했을까? 무엇이 위기를 막았을까? 이번엔 어떤 것들이 맞아떨어져서 좋은 결과가 나왔을까?
예를 들어봅시다. 작년에 성공한 신사업 진출이 다섯 건 있다고 하겠습니다. AI는 그 다섯 건을 하나하나 살핍니다. 초기 투자는 얼마였나, 기존 고객층의 반응은 어땠나, 경쟁사는 몇 개였나, 우리 팀의 경험은 충분했나, 시장의 성장률은 얼마였나. 하나의 프로젝트가 성공한 이유는 이런 요소들의 조합입니다.
그렇다면 실패한 경우도 있을 겁니다. 왜 실패했을까요? 같은 질문을 던집니다. 초기 투자는, 기존 고객층의 반응은, 경쟁사 수는, 팀 경험은, 시장 성장률은. 성공한 경우와 실패한 경우의 차이가 보이기 시작합니다.
"아, 초기 투자가 1000만 원을 넘으면 성공률이 확 떨어지는군요."
"우리 기존 고객층의 신뢰도가 높으면 새 사업도 잘 도입되는군요."
"경쟁사가 10개를 넘으면 우리 진출이 어려워지는군요."
이런 패턴들이 데이터에서 떠오릅니다. 규칙이 생기는 겁니다. 단순한 통계가 아니라, "만약 이 조건이면, 이 결과가 나올 확률이 높다"는 인과관계가 보이는 것입니다.
그런데 한 회사에서는 통하지만 다른 회사에서는 통하지 않는 경우가 있습니다. 우리가 다루는 고객층이 다르거나, 시장 상황이 바뀌었거나, 계절이 다를 수 있기 때문입니다.
경영 AI는 여기서 중요한 판단을 합니다. 같은 결정도 상황마다 다른 규칙을 적용한다는 것입니다.
예를 들어봅시다. "신사업 진출"이라는 판단이 필요할 때, AI는 먼저 현재 상황을 묻습니다.
"우리 현금 흐름은 지금 넉넉한가, 아니면 빠듯한가?"
"우리 기존 고객 신뢰도는 높은가, 낮은가?"
"시장은 지금 성장 중인가, 쇠락 중인가?"
이 질문들의 조합에 따라 아예 다른 규칙이 활성화됩니다. 현금이 풍부한 회사라면 "초기 투자가 좀 크더라도 괜찮다"는 규칙이 일어나고, 현금이 빠듯한 회사라면 "초기 투자는 최소화하고, 기존 고객의 신뢰도로 승부한다"는 규칙이 일어납니다. 같은 판단이지만 각각의 조건에 맞는 다른 규칙 세트인 겁니다.
크라우니인베스트가 투자 포트폴리오를 관리할 때 이런 세그먼트 규칙이 수천 개에 이릅니다. 회사 규모별, 산업 특성별, 성장 단계별, 위기 수준별, 현금 상황별 — 각각의 조합마다 AI는 과거의 경험을 재정렬해 "이 상황에서는 이렇게 한다"는 독립적인 규칙을 만들어냅니다.
이렇게 되면 무엇이 달라질까요? 의사결정이 더 정교해집니다. 일반적인 룰 하나(예: "신사업은 신중하게")보다는, 지금 이 상황에 정말 맞는 판단(예: "현금이 풍부한 우리의 현재 상황이라면, 이 신사업은 전략적 의미가 크므로 진출을 추천한다")을 할 수 있기 때문입니다.
그렇다면 이렇게 쌓인 수천 개의 규칙들은 어떻게 일하나요?
경영 AI는 매일 밤, 또는 주간마다 현재 상황을 스캔합니다. 투자사라면, 포트폴리오의 모든 회사의 최신 데이터를 가져와 각 규칙에 대입합니다. 그리고 각 규칙은 4상으로 판정을 내립니다.
활성(티): 지금 이 규칙이 권장하는 행동을 할 때다.
예를 들면, "이 회사는 매출이 기준 이상으로 성장 중이고, 현금흐름도 건강하며, 시장이 확장 중이므로, 추가 투자를 고려하세요" 같은 판정입니다.
보류(옴): 아직 판단하기에 정보가 부족하다. 좀 더 봐야 한다.
예를 들면, "이 회사의 기술은 좋은데 경영진의 신뢰도가 아직 검증되지 않았으므로, 한 분기를 더 지켜본 후 판단하겠습니다" 같은 상황입니다.
취소(타): 이전의 판정을 바꿔야 한다. 위험 신호가 명확하다.
예를 들면, "우리는 이 회사의 지속성을 기대했는데, 핵심 인물이 떠났고 경쟁 회사가 같은 시장에 뛰어들었으므로, 투자를 정리할 시점입니다" 같은 판정입니다.
이관(음): 이건 내 범위를 벗어난다. 전문가의 판단이 필요하다.
예를 들면, "이 회사의 법적 분쟁이 생겼으므로 법무팀에 문의하세요" 같은 상황입니다.
흥미로운 것은, 이 4상 판정이 자동으로 실행된다는 점입니다. 사장님이 매번 확인하지 않아도, 매일 밤 규칙들이 깨어나 각자의 역할을 합니다. 활성 판정이 나온 규칙들은 "지금 이 일을 해야 한다"고 신호를 보내고, 취소 판정이 나온 규칙들은 "지금 중단해야 한다"고 경고합니다.
그런데 여기서 가장 중요한 부분이 있습니다. 이 수천 개의 규칙이 자동으로 실행되지만, 최종 승인은 항상 사람의 몫이라는 것입니다.
AI가 "이 투자를 중단하세요"라고 권고하면, 사장님은 그 근거를 봅니다. "왜 중단해야 하나요?" 물을 수 있습니다. 근거를 보고 "맞네, 내가 미처 본 신호였다"고 인정할 수도 있고, "아니다, 너는 이 회사의 장기 가능성을 못 봤다"고 반박할 수도 있습니다. 반박이 타당하면, 사장님의 판단이 새로운 규칙이 됩니다. 이렇게 축적된 예외 사항들이 또 다른 규칙으로 진화합니다.
이것이 중요한 이유는, 규칙은 사장님이 쌓은 경험의 결정체이기 때문입니다. 규칙이 생기는 과정은 AI가 주도하지만, 그 규칙을 검수하고 "맞다" 또는 "아니다"를 판정하는 것은 사장님입니다. 마치 대학원 지도교수가 제자의 논문을 심사하는 것처럼요.
이렇게 되면 무엇이 달라질까요? 기술이 경영을 대신하는 것이 아니라, 기술이 당신의 경험을 정교하게 기록하고, 다음 결정에 다시 소환하는 것입니다.
하지만 여기서 우리 앞에 새로운 질문이 생깁니다.
규칙은 자라난다. 매년 수백 개씩 새 규칙이 추가될 수 있습니다. 그렇다면 규칙은 무너지지 않고 계속 쌓일까요? 과거의 규칙과 새로운 규칙이 충돌하지는 않을까요? 한 번 만든 규칙을 어떻게 지속적으로 개선하고, 버리지 않고 더 강하게 만들까요?
규칙이 수천 개에 이르면, 그것을 관리하는 원칙이 필요합니다. 단순히 모으는 것이 아니라, 스스로 정렬되고, 층을 이루고, 서로를 강화하는 구조 말이죠.
다음 장에서 우리는 그 비밀을 이야기합니다. 버리지 않고 세 배로 쌓는다는 것이 정확히 무엇을 의미하는지. 그리고 그 비결이 왜 한국의 언어 — 한선씨라고 부르는 우리의 프로그래밍 언어에 숨어있는지 말입니다.
공유로 세 챕터를 즐기셨네요. 무료 회원가입하면 이어서 모두 읽고, 맘을 보내고, 게시판에 함께할 수 있어요.