성능과 책임은 같은 문제가 아니다 → Accountability / 거버넌스 모델 정확도가 95%라면, 그 시스템은 안전한가?파일럿 테스트에서 오류가 거의 없었다면, 도입해도 되는가?성능 지표가 높으면 책임 구조도 함께 설계된 것인가? 이 질문은 비슷해 보이지만 전혀 다른 층위에 있다.우리는 여전히 성능과 책임을 같은 문제처럼 다룬다. AI 도입 회의에서 가장 많이 나오는 문장은 이것이다.“정확도는 충분합니다.”그 다음 질문은 잘 나오지 […]
성능과 책임은 같은 문제가 아니다 → Accountability 더 읽기"
스케일링은 구조를 해결하지 않는다 → 모델 크기 vs 구조 model scaling does not fix structure model size vs architecture 모델을 더 크게 쓰면 문제가 해결될까?파라미터 수가 늘어나고, 학습 데이터가 많아지면우리 조직의 판단 오류도 줄어들까? 요즘 현장에서 자주 듣는 말이다.“우리도 대형 모델로 바꾸면 정확도가 올라가지 않겠습니까?”이 질문이 나올 때, 나는 먼저 다른 것을 묻는다. 지금 당신의
스케일링은 구조를 해결하지 않는다 → 모델 (model)크기 vs 구조 더 읽기"
데이터(Data)가 있어도 판단이 흔들리는 이유 → 의사결정 구조 데이터는 충분한데 왜 결론은 매번 달라질까?회의 때는 숫자를 보며 동의했는데, 막상 실행 직전이 되면 왜 다시 망설일까?대시보드는 매일 업데이트되는데, 결정은 여전히 사람 기분에 따라 흔들리는 이유는 무엇일까? 이 글은 데이터 분석 기법이나 통계 정확도를 다루지 않는다.또 “사람은 원래 비합리적이다”라는 이야기로 끝내지도 않는다.현장에서 반복되는 장면 하나에 집중한다.숫자는 있는데,
데이터(Data)가 있어도 판단이 흔들리는 이유 더 읽기"
AI현장감독 이동주는 현장에서 AI 도입 실패 사례(AI adoption failure)를 반복적으로 마주해왔다.AI를 도입하면 성과가 자동으로 나온다고 말하지 않는다.“AI는 미래다”라는 선언도 여기서는 다루지 않는다. 이 글은 기술 선택의 문제가 아니라, AI 도입 실패가 반복되는 구조 설계 문제를 분석한다.특히 AI 도입 기업이 1년 안에 멈추는 구조적 패턴을 중심으로 살펴본다. Fieldbly는 이러한 구조적 실패를 재설계하는 방법론을 연구해왔다 현장에서 가장
AI 도입 기업이 1년 안에 멈추는 이유 (AI adoption failure) 더 읽기"
이 글은 모델의 기술적 개선 방법이나 파라미터 구조를 설명하려는 것이 아니다. 윤리 논쟁을 하려는 것도 아니다. 현장에서 AI를 쓰는 사람 입장에서, 왜 그럴듯한 거짓이 반복되는지를 구조로 보려는 시도다.(Process Failure) 언어 모델은 질문을 받으면 멈추지 않는다. 빈칸을 남겨두지 않는다. 모르면 모른다고 말하도록 설계하지 않는 한, 가장 그럴듯한 다음 단어를 선택한다. 문제는 그 선택이 ‘정답’이 아니라 ‘확률적으로
환각은 단순한 오류일까, 아니면 구조적 압력의 결과일까?(Process Failure) 더 읽기"
AI가 말을 잘하면, 우리는 왜 그것이 이해했다고 느낄까?(ai fluency illusion) 이 글은 “AI가 위험하다”는 주장이나, 기술을 비판하려는 목적이 아니다. 또 모델의 내부 알고리즘을 설명하려는 글도 아니다. 현장에서 반복적으로 목격되는 하나의 착각을 정리하려는 것이다. 말이 매끄럽다는 이유로 사고까지 깊다고 믿는 순간이 어디서 발생하는지. 나는 이 문제를 기능이 아니라 구조의 관점에서 본다. AI는 문장을 생성한다. 의미를 확인하는
우리는 왜 AI의 유창함(ai fluency illusion)을 이해로 착각하는가 더 읽기"
데이터는 매일 쌓이는데, 왜 의사결정은 여전히 느릴까?(Decision-Making Delay)보고서는 늘어나는데, 결정은 회의 다음 회의로 넘어가는 이유는 무엇일까? 이 글은 데이터 분석 기법을 설명하려는 글이 아니다.대시보드 도구를 비교하거나 AI 도입을 권하는 글도 아니다.현장에서 반복되는 한 가지 구조적 문제를 점검하기 위한 정리다. 1. 데이터는 많은데, 판단 기준은 있는가 많은 조직이 이렇게 말한다.“우리 회사는 데이터가 부족하지 않다.” 매출 데이터가
데이터가 있는데도 의사결정이 느린 이유(Decision-Making Delay) 더 읽기"
현장에서 기준 세우기 대시보드를 만들면 회사가 달라질까?Power BI 같은 도구를 도입하면 의사결정이 빨라질까?데이터 시각화를 시작하면 문제가 줄어들까? 이 글은 대시보드 제작 방법을 설명하는 글이 아니다.Power BI 기능을 나열하지도 않는다.화려한 화면이 왜 필요한지 설득하려는 목적도 없다. 나는 질문을 하나만 다루려고 한다.“우리 회사는 지금 대시보드가 필요한 상태인가?” 1. 왜 대시보드를 구조의 문제로 보는가 대시보드는 화면이 아니다.정보 흐름의
대시보드가 필요한 회사 vs 필요 없는 회사 더 읽기"
“손님 줄었어요. 느낌이 달라요.” 대표는 이렇게 말합니다.직원은 매출표를 보여줍니다. “작년이랑 거의 비슷합니다.” 둘 중 누가 맞을까요? 나는 무엇을 말하려는가 이 글은 감각을 믿으라는 이야기가 아닙니다.데이터를 더 공부하라는 이야기도 아닙니다. 다루고 싶은 것은 단 하나입니다.왜 같은 가게를 보면서도 서로 다른 결론이 나오는가입니다. 감각은 도대체 무엇인가 감각은 근거 없는 느낌이 아닙니다. 매일 가게를 여는 사람은의자에 앉는 속도,주문하는
AI를 도입하면 문서 업무는 줄어들어야 하지 않는가?보고서 자동화, 문서자동화, ChatGPT 업무 활용을 시작했는데 왜 오히려 수정과 검토 시간이 늘어나는가?도대체 어디에서 문제가 시작되는가? 나는 이 글에서 특정 도구를 비판하려는 것이 아니다. ChatGPT가 문제라고 말하려는 것도 아니다. 기술 숙련도만 높이면 해결된다고 주장하려는 것도 아니다.관심은 하나다. 현장에서 왜 ‘복사 붙여넣기’가 반복적으로 문제를 만드는가라는 구조적 질문이다. 1. 문서가 빨라졌는데,
“현장형 AI 활용: ‘문서 복붙’이 왜 계속 문제를 만들까” 키워드: 문서자동화, 보고서 자동화, ChatGPT 업무, 복사 붙여넣기 더 읽기"