-->

“주식을 고르지 않는 최고의 주식 선택자”

2026년 봄, 테크 투자자 커뮤니티에서 흥미로운 평가 하나가 퍼졌습니다. “젠슨 황은 월스트리트에서 가장 탁월한 주식 선택자일지 모른다 — 그가 주식을 직접 고르지 않는데도.” 이 말은 황 본인의 발언이 아닙니다. 시장 관찰자들이 붙인 별칭이었습니다.

근거는 구체적이었습니다. 황이 공개 석상이나 키노트에서 거론한 기업들 — Nebius(+840%), Applied Digital(+1,400%), TSMC(+135%), Micron(+770%) — 은 그의 발언 이후 급등했습니다. “이 기업을 사세요”라는 말은 한 번도 없었는데도 그랬습니다.

왜 이 이야기가 의사결정 문화에 시사점을 줄까요? 황의 발언이 시장을 움직인 건 운이나 특별한 직관 덕분이 아닐 겁니다. 그는 AI 생태계의 데이터 흐름 — 칩 수요, 클라우드 인프라 투자, 소프트웨어 레이어의 수혜 구조 — 을 남다르게 읽고 있었습니다. 데이터를 체계적으로 보는 사람의 판단이 직관처럼 보였을 뿐입니다.

이것이 이 글의 출발점입니다. 직관처럼 보이는 탁월한 판단의 실체는 데이터 구조화입니다.

Moneyball 계승: 직관의 시대는 끝났는가

이전 글(머니볼 사고로 데이터 기반 조직 문화 만들기)에서 우리는 2002년 오클랜드 어슬레틱스 이야기를 했습니다. 빌리 빈이 출루율이라는 저평가 지표를 발굴해 예산의 3분의 1로 103승을 만든 사례였습니다.

그 글의 핵심 명제는 두 가지였습니다. 기존에 쓰던 지표가 틀렸을 수 있다. 데이터로 찾은 저평가 자원이 최대 효율을 만든다.

AI 시대의 지금, 이 명제는 훨씬 날카로운 질문으로 되돌아옵니다. 직관의 자리는 어디까지 남아있는가?

야구에서 스카우터의 경험과 눈은 수십 년간 최고의 평가 도구였습니다. 그것이 틀린 게 아니었습니다. 다만 데이터가 더 많은 변수를 통제하면서 더 나은 예측을 만들어냈습니다. 의사결정의 질은 사람의 경험보다 가용한 데이터의 양과 구조화 능력으로 더 잘 설명됐습니다.

AI 시대의 조직은 이 구조 변화를 더 근본적으로 마주합니다. 모델이 수천 개의 변수를 동시에 처리하고, 패턴을 발견하고, 예측의 오차를 스스로 줄여갑니다. 직관의 전통적 강점 — 경험 축적, 패턴 인식, 빠른 판단 — 은 바로 이 영역에서 AI에게 밀리고 있습니다.

그렇다면 조직의 의사결정 구조는 어떻게 달라져야 할까요.

결정을 계측하라: 의사결정의 데이터화

머니볼 사고의 핵심은 성과 지표를 바꾸는 것이 아닙니다. 결정 자체를 계측 가능하게 만드는 것입니다.

오클랜드 A’s가 출루율을 택한 건 단순히 “이 지표가 더 중요하다”는 믿음 때문이 아니었습니다. 득점과 출루율의 인과 관계를 수치로 증명했습니다. 지표와 결과 사이의 연결고리가 데이터로 뒷받침됐기 때문에 그 판단을 반복적으로 실행할 수 있었습니다.

조직의 의사결정도 같은 구조입니다.

좋은 결정과 나쁜 결정을 어떻게 구별하는가

대부분의 조직에서 의사결정 품질 평가는 결과로 역추론합니다. 잘 됐으면 좋은 결정, 안 됐으면 나쁜 결정. 하지만 이 방법은 두 가지 문제를 안고 있습니다.

좋은 결정도 나쁜 결과를 낼 수 있습니다. 당시 가용한 정보로 최선을 다해 결정했더라도 외부 변수가 예측을 빗나갈 수 있습니다. 결과로 결정을 판단하면 사후에 맞춰 스토리를 만드는 회고(hindsight bias)가 조직 학습을 막습니다.

나쁜 결정이 좋은 결과를 내기도 합니다. 이것이 더 위험합니다. 근거 없는 직관이 우연히 맞아떨어지면 그 직관을 신뢰하게 되고, 결국 다음 번의 실패로 이어집니다.

데이터 기반 의사결정 문화는 결과보다 결정 당시의 근거를 기록하고 평가하는 것에서 시작합니다.

결정 로그: 판단의 감사 추적

결정 당시에 다음 세 가지를 명시적으로 기록해두는 것이 시작입니다.

  • 이 결정의 전제 가정은 무엇인가
  • 그 가정을 뒷받침하는 데이터는 무엇인가
  • 이 결정이 틀렸음을 어떻게 알 수 있는가 (반증 조건)

세 번째 질문이 핵심입니다. “이 기능이 리텐션을 5% 높일 것이다”라는 결정은 그 자체로는 검증할 수 없습니다. 그런데 “출시 후 8주 이내에 7일 리텐션이 5% 이상 상승하지 않으면 이 가정은 틀렸다”고 쓰면 결정이 계측 가능한 형태가 됩니다.

NVIDIA는 GTC Taipei 2026 키노트에서 엔지니어 기본 연봉의 일부를 토큰 예산으로 배분해 생산성을 측정하는 방식을 공개했습니다. 단순한 보상 구조 변경이 아닙니다. AI 도구 활용이라는 의사결정의 결과를 실제로 계측하겠다는 선언입니다. 결정을 숫자로 추적할 수 있어야 조직이 배웁니다.

직관이 이기는 영역: 데이터의 한계

데이터 기반 의사결정이 직관을 대체한다는 주장은 절반만 맞습니다. 데이터가 더 잘하는 영역과 직관이 여전히 필요한 영역이 다릅니다.

데이터가 강한 곳

반복 가능한 패턴이 있는 의사결정에서 데이터는 직관을 압도합니다.

  • 충분한 이력이 있는 예측 (전환율, 이탈율, 수요 예측)
  • 명확한 성공 지표가 있는 실험 (A/B 테스트, 피처 플래그)
  • 대규모 데이터에서 신호를 뽑는 작업 (사용자 세그먼트, 이상 탐지)

여기서 직관은 데이터를 이기지 못합니다. 경험 많은 PM이 “이 기능은 사용자가 좋아할 것”이라고 해도, 실험을 돌리면 틀리는 경우가 생각보다 훨씬 많습니다. 대형 IT 기업들의 A/B 테스트 경험에서 공통적으로 보고되는 것은, 내부적으로 “확실하다”고 본 기능조차 실제 실험에서는 기대만큼 성과를 내지 못하는 경우가 흔하다는 점입니다.

직관이 아직 필요한 곳

데이터가 약한 영역은 전례가 없는 상황입니다.

새로운 시장, 새로운 기술 패러다임, 아직 데이터가 충분히 쌓이지 않은 초기 단계의 결정 — 이런 곳에서는 패턴을 학습할 데이터 자체가 없습니다. 오클랜드 A’s가 출루율을 발굴할 수 있었던 건 수십 년간의 야구 기록이 있었기 때문입니다. 전혀 새로운 스포츠라면 출루율이라는 개념 자체를 만들어야 합니다.

여기서 직관의 역할은 데이터 수집의 방향을 정하는 것입니다. “어떤 데이터를 모아야 하는가”를 결정하는 것은 여전히 인간의 판단입니다. 황이 AI 인프라 수요의 흐름을 읽을 수 있었던 건 수십 년간 반도체·소프트웨어 생태계를 직접 경험한 데서 나왔습니다. 그 판단이 데이터로 검증될 때 비로소 “직관처럼 보이는 시스템적 통찰”이 됩니다.

데이터 극장의 함정

한 가지 더 경계해야 할 것이 있습니다. 데이터를 쓰는 것처럼 보이지만 실제로는 결론을 정당화하려고 데이터를 선택하는 패턴 — 이것을 ‘데이터 극장(data theater)’이라 부릅니다.

증상은 이렇습니다. 결정이 먼저 내려집니다. 그리고 그 결정을 지지하는 데이터만 보고에 등장합니다. 반증하는 데이터는 “맥락이 다르다”, “샘플이 작다”는 이유로 제외됩니다. 형식은 데이터 기반이지만 실제로는 직관의 포장지입니다.

데이터 극장이 순수한 직관보다 더 위험한 이유가 있습니다. 직관은 틀렸을 때 “내 판단이 틀렸다”고 인정할 수 있습니다. 데이터 극장은 틀렸을 때 “우리가 본 데이터가 잘못됐다”는 방어로 이어지고 학습이 차단됩니다.

조직에서 데이터가 직관을 이기는 조건

좋은 데이터가 있어도 조직의 결정이 바뀌지 않는 경우가 많습니다. 데이터가 직관을 이기는 것은 기술 문제가 아니라 문화와 구조의 문제입니다.

조건 1: 반증이 안전해야 한다

“이 데이터가 우리 가설을 반박합니다”라고 말할 수 있는 환경이 필요합니다.

많은 조직에서 임원이 제안한 기능이 실험에서 효과가 없다는 결과가 나왔을 때, 그 결과를 그대로 보고하기 어렵습니다. 직급 구조가 데이터를 왜곡합니다. 리더가 “내 가설이 틀릴 수 있다”는 것을 먼저 보여줄 때 조직 전체가 따라옵니다.

아마존의 “disagree and commit” 문화는 이 지점을 다룹니다. 동의하지 않더라도 결정이 내려지면 실행하는 것과, 실행하면서도 데이터로 검증을 계속하는 것은 모순이 아닙니다. 이 두 가지가 함께 작동할 때 데이터가 의미를 가집니다.

조건 2: 결정의 단위가 작아야 한다

한 번에 큰 결정을 내리는 구조에서는 데이터가 의사결정에 반영되기 어렵습니다. 반기마다 로드맵을 정하는 회사는 중간에 데이터가 나와도 방향을 바꾸기 어렵습니다.

결정을 쪼개는 것이 데이터 기반 문화의 실질적 구조입니다. “이 기능을 3개월 동안 개발할 것인가”가 아니라 “2주 만에 프로토타입으로 핵심 가정을 검증할 수 있는가”가 더 나은 질문입니다. 작은 결정은 빠른 학습을 가능하게 하고, 데이터가 실제로 방향을 바꿀 수 있게 합니다.

머니볼 글에서 이야기한 “A/B 테스트를 돌리는 데 3주 걸리는 팀과 3일 걸리는 팀은 1년 후 학습량이 10배 차이 난다”는 명제가 여기서 더 깊어집니다. 학습 속도의 차이는 데이터의 양 차이가 아니라 결정 단위의 크기와 빈도 차이입니다.

조건 3: 과거 결정이 추적 가능해야 한다

“왜 이렇게 됐지?”라는 질문에 답할 수 있어야 합니다.

많은 조직에서 중요한 결정의 근거가 사라집니다. 당시 회의에 있었던 사람이 퇴사하거나, 슬랙 채널이 아카이빙되거나, 당시의 데이터가 저장되지 않습니다. 새로운 팀원은 결정의 결과만 보고 그것이 왜 만들어졌는지 알 수 없습니다.

결정 로그가 코드 리뷰만큼 당연한 문화가 됐을 때, 조직은 자신의 판단 패턴에서 배울 수 있게 됩니다. 어떤 종류의 결정에서 우리가 자주 틀리는가, 어떤 가정이 반복적으로 무너지는가 — 이것이 보이기 시작하면 직관의 편향을 데이터로 교정할 수 있습니다.

AI 에이전트와 의사결정 구조의 변화

황은 GTC Taipei 2026 키노트에서 “모든 엔지니어는 수백 개의 에이전트를 갖고 관리하게 된다”고 했습니다. 단순히 도구의 변화가 아닙니다. 의사결정의 구조 자체가 바뀌는 것입니다.

에이전트가 반복적이고 패턴 기반인 작업을 처리할 때, 인간의 판단이 집중되어야 하는 영역이 달라집니다. 에이전트에게 위임할 수 있는 결정과 인간이 직접 판단해야 하는 결정을 구분하는 것 — 이 구분 자체가 새로운 핵심 역량이 됩니다.

에이전트를 도입하는 것이 데이터 기반 의사결정 문화의 완성이 아닙니다. 오히려 에이전트가 내리는 결정의 전제와 결과를 인간이 어떻게 감사하고 검증하는지가 더 중요한 문제가 됩니다. 에이전트도 편향된 데이터로 학습하면 편향된 결정을 내립니다. 에이전트의 결정에도 “이 결정의 전제는 무엇인가, 반증 조건은 무엇인가”를 물어야 합니다.

Moneyball에서 폴 디포데스타가 통계 모델을 만든 것처럼, 에이전트를 운영하는 조직은 어떤 의사결정을 에이전트에게 위임하고 어떤 근거로 그 결정을 신뢰하는지 명시적으로 설계해야 합니다.

조직에의 함의: 실천 가능한 세 가지

데이터 기반 의사결정 문화는 대시보드를 더 많이 만드는 것이 아닙니다. 결정의 구조를 바꾸는 것입니다.

첫째, 결정의 반증 조건을 미리 쓰십시오. 기능을 출시하기 전에, 어떤 데이터가 나오면 이 결정이 틀렸다고 판단할지 팀이 함께 합의합니다. 결과가 나왔을 때 해석의 여지를 미리 좁혀두는 것이 데이터 극장을 막는 가장 실용적인 방법입니다.

둘째, 틀린 결정을 학습 자산으로 만드십시오. 실패한 실험이 사라지지 않고 팀 전체가 접근할 수 있는 곳에 남아야 합니다. “이 기능은 왜 효과가 없었는가”를 기록한 포스트모템이 다음 기획의 입력이 됩니다. 과거의 실패가 미래의 직관을 교정합니다.

셋째, 에이전트의 결정도 감사 추적이 가능하게 설계하십시오. 에이전트가 내린 결정에 대해 “어떤 데이터로 어떤 판단을 했는가”를 사후에 설명할 수 있는 구조가 필요합니다. 에이전트의 판단이 블랙박스가 되는 순간, 그 조직은 데이터 기반이 아니라 에이전트 기반 직관으로 돌아갑니다.

ThakiCloud가 Kueue 기반 에이전트 스케줄링 인프라를 구축하는 것도 이 맥락에서 읽을 수 있습니다. 에이전트가 워크로드를 어떻게 배분하는지, 그 결정의 근거가 로그로 남는지 — 이것이 플랫폼 신뢰의 기반입니다.

결론: 직관은 사라지지 않는다, 자리가 바뀔 뿐이다

“AI가 최고의 의사결정자라면”이라는 질문은 전제가 틀렸습니다. AI와 데이터가 더 잘하는 결정이 있고, 인간의 경험과 판단이 더 잘하는 결정이 있습니다. 중요한 것은 어느 쪽이 더 우월한가가 아니라 각 결정의 특성에 맞게 판단 주체를 설계하는 것입니다.

Moneyball의 빌리 빈은 스카우터의 직관을 버리지 않았습니다. 데이터가 설명하지 못하는 부분 — 선수의 멘탈, 팀 케미스트리, 새로운 시장에서의 포지셔닝 — 에는 여전히 인간의 판단이 필요했습니다. 그가 만든 것은 “직관을 없앤 조직”이 아니라 “직관이 개입해야 할 자리를 명확히 한 조직”이었습니다.

황이 시장에서 “최고의 주식 선택자”로 불리게 된 것도 직관이 없어서가 아닙니다. 수십 년간 반도체 생태계를 데이터로 읽어온 경험이 쌓여서 그의 판단이 패턴처럼 보이게 된 것입니다. 결국 탁월한 직관의 실체는 오랜 데이터 구조화의 결과입니다.

데이터가 직관을 이기는 결정 문화는, 데이터로 시작해 직관이 반성하는 루프를 조직에 만드는 것입니다. 그 루프를 지속적으로 돌리는 조직이 장기적으로 더 나은 결정을 합니다.

출처

참고