경험 많은 기업 아키텍트(Enterprise Architect)는 비용이 많이 듭니다.

이는 그리 놀라운 일이 아닙니다. 아키텍트 가치의 상당 부분은 축적된 경험, 정보 시스템(Information System)의 여러 계층을 이해하는 능력, 그리고 완벽한 옵션이 없는 상황에서 의사결정을 내리는 능력에서 나오기 때문입니다.

하지만 저는 오늘 역설적으로 들릴 수 있는 주장을 펼치고자 합니다:

기업 아키텍처(Enterprise Architecture)가 이토록 저렴했던 적은 없었다.

아키텍트의 일일 단가가 폭락할 것이라는 뜻은 아닙니다. 몇 개의 프롬프트(Prompt)가 20년의 실무 경험을 대체할 수 있다고 생각하지도 않습니다.

제가 말하는 것은 유용한 아키텍처 역량에 접근하는 비용에 관한 것입니다.

생성형 AI(Generative AI)는 직무의 매우 많은 시간을 잡아먹는 부분, 즉 분산된 정보를 공유 가능하고 논의 가능하며 실행 가능한 표현으로 변환하는 과정을 압축함으로써 이 비용을 변화시키고 있습니다.

다시 말해, AI는 근본적인 작업을 대체하는 것이 아니라, 그 작업을 공식화(Formalization)하는 비용을 크게 줄여줄 수 있습니다.

아키텍트의 비용은 일차적으로 시간의 비용이다

아키텍처 미션은 단순히 목표 다이어그램(Target Diagram)을 제작하는 것만이 아닙니다.

특히 다음과 같은 작업이 필요합니다:

• 현황 탐색;
• 비즈니스 및 기술 팀의 의견 경청;
• 과거의 결정 사항 추적;
• 의존성(Dependencies) 식별;
• 실제 제약 조건과 관습의 구분;
• 여러 시나리오 비교;
• 절충안(Trade-offs)의 가시화;
• 의사결정 준비;
• 지시된 사항에 대한 이해 가능한 기록 유지.

제 실무 경험상, 시간 배분은 대략 파레토 법칙(Pareto Law)과 유사한 양상을 보였습니다:

Ce ratio는 보편적인 벤치마크(benchmark)가 아닙니다. 이는 맥락, 문서화의 성숙도, 대화 상대, 도구 및 미션의 유형에 따라 달라집니다. 저는 이를 과학적인 측정치가 아닌 하나의 **현장 관찰(observation de terrain)**로서 제시합니다.

그럼에도 불구하고, 이는 실제적인 경제적 문제를 드러냅니다. 청구된 시간의 상당 부분은 새로운 정보를 발견하거나 의사결정을 내리는 데 사용되지 않습니다. 대신, 그 지식을 다른 사람들이 활용할 수 있는 형태로 만드는 데 사용됩니다.

공식화(Formalization)는 부차적인 작업이 아니다

'공식화(formalization)'라는 말은 가치가 낮은 행정적인 작업이라는 인상을 줄 수 있습니다. 하지만 이는 오류입니다.

공식화는 다음과 같은 필수적인 활동들을 포함합니다:

• 인터뷰 내용을 구조화된 진단 결과로 변환
• 서로 다른 대상(audience)을 위해 동일한 시스템에 대한 여러 가지 뷰(view) 생성
• 비즈니스 역량(capabilities), 애플리케이션, 데이터, 흐름(flow) 및 인프라를 연결
• 아키텍처 옵션과 그에 따른 결과(consequences) 작성
• ADR(Architecture Decision Records), 리스크 매트릭스 또는 맵핑(mapping) 유지 관리
• 동일한 결정을 개발 팀, 도메인 책임자, 경영진에게 각각 설명
• 때로는 용어가 서로 충돌하는 수십 개의 문서 통합
• 목표 상태(target)를 경로(trajectory)로, 그리고 실행 가능한 첫 번째 증분(increment)으로 변환

이러한 작업은 가치를 창출합니다. 하지만 현대적인 AI 어시스턴트가 등장하기 전까지, 이 작업의 비용은 이를 수행하는 데 필요한 인간의 시간에 거의 전적으로 비례했습니다.

아키텍트는 읽고, 분류하고, 재구성하고, 대조하고, 작성하고, 그리고 그리고, 수정하고, 다시 다른 대상을 위해 이 과정을 반복해야 했습니다.

바로 이 메커니즘을 기점으로 직업의 경제성이 변하기 시작했습니다.

비공식화(Non-formalization)의 비용은 여러 번 지불된다

이 이득은 현재 진행 중인 미션에만 국한되지 않습니다. 이는 눈덩이 효과(snowball effect)를 일으킵니다.

불과 몇 달 전에 이미 조사되었던 범위에 대해 전문가(sachants)들을 인터뷰하며 몇 시간을 허비한 적이 몇 번이나 있었던가?

정보는 이미 조사되었고, 인터뷰 대상자들도 이미 동원되었습니다. 맥락은 파악되었으며, 때로는 옵션들을 비교하고 결정까지 내려지기도 했습니다. 하지만 전임자가 지식을 충분히 형식화(formalization)하지 못했고, 대부분은 시간이 부족했기 때문이었습니다.

따라서 작업의 일부를 다시 시작해야만 했습니다:

• 적절한 인터뷰 대상자를 다시 찾기
• 맥락을 재구성하기
• 이미 제공된 설명을 반복해서 듣기
• 무엇이 왜 결정되었는지 이해하기
• 원래의 사실과 사후에 재구성된 기억을 구분하기

따라서 누락된 문서화(documentation)의 비용은 단 한 번만 지불되는 것이 아닙니다. 그 비용은 다음 조사로 전가됩니다.

그러면 다음과 같은 악순환에 빠지게 됩니다:

형식화가 미흡한 조사 → 소멸되는 지식 → 새로운 조사 → 가용 시간 감소 → 불완전한 새로운 형식화

문서화 부채(dette documentaire)는 점진적으로 **교육 부채(dette d’instruction)**가 됩니다. 아키텍트(architecte)는 새로운 문제를 조사하기도 전에, 이전 문제에 대한 재발견 비용을 먼저 지불해야 합니다.

AI 보조(assistance IA)가 문서의 구조, 추적 가능성(traçabilité), 적응성을 개선하는 동시에 형식화의 부담을 줄여준다면, 이 흐름은 반대로 바뀔 수 있습니다:

구조화된 캡처(capture) → 초안의 신속한 생성 → 인간의 검증 → 재사용 가능한 지식 → 다음 조사의 단축 → 이해와 문서화를 위한 더 많은 시간 확보

이 이득은 단순히 오늘 몇 시간을 아끼는 것에 그치지 않습니다. 올바르게 자산화된 각 조사는 잠재적으로 다음 조사의 비용을 줄여줍니다.

또한, 아키텍트의 시간보다 훨씬 더 귀한 시간을 보내는 동일한 전문가들을 끊임없이 다시 동원하는 일을 방지해 줍니다.

선순환은 초기 투자를 요구한다

이 메커니즘은 조직이 언어 모델 (Language Model)에 대한 접근 권한을 연다고 해서 자발적으로 시작되지 않습니다.

장비를 갖추고, 초기에는 시간을 벌기 위해 시간을 소비하는 것을 받아들여야 합니다.

이는 구체적으로 다음을 의미합니다:

• 활용 가능한 문서 코퍼스 (Corpus) 구조화
• 아티팩트 (Artefact) 모델 및 공통 어휘 정의
• 정보의 출처, 날짜, 범위 및 상태 유지
• 접근 권한 및 민감 데이터 보호 체계 조직
• 도구 및 사용 조건 선택
• 인터뷰 및 결정 사항 이후의 캡처 루틴 구축
• 생성된 결과물을 생산, 검증(Challenge) 및 승인하는 법 학습
• 문서 업데이트를 프로젝트의 마지막이 아닌 일상적인 업무 프로세스에 통합

이 단계 동안 조직은 오히려 속도가 더 느려진다는 인상을 받을 수도 있습니다. 기존 데이터를 정제하고, 모델을 조정하며, 초기 결과물을 수정하고, 단순히 그럴듯해 보이는 결과물과 실제로 신뢰할 수 있는 공식화 (Formalization)를 구분하는 법을 배워야 하기 때문입니다.

하지만 이러한 부담은 아키텍처 메모리 (Architecture Memory)에 대한 투자입니다.

이러한 투자 없이는 AI가 단순히 더 많은 문서를 만들어낼 뿐입니다. 하지만 이 투자가 뒷받침된다면, AI는 정보의 검색, 이해 및 전달 비용을 지속적으로 줄이는 데 기여할 수 있습니다.

AI가 실제로 압축할 수 있는 것

AI를 올바르게 사용하면, 이미 수집된 자료로부터 첫 번째 수준의 공식화 (Formalization)를 수행할 수 있습니다:

• 인터뷰 노트 합성 (Synthesize) ;
• 서로 다른 용어 간의 연관성 도출 ;
• 역량 (Capabilities), 애플리케이션 또는 흐름 (Flows)에 대한 첫 번째 목록 제안 ;
• 구두 결정을 ADR (Architecture Decision Record) 초안으로 변환 ;
• 동일한 분석으로부터 여러 수준의 결과물 생성 ;
• 옵션 및 기준 매트릭스 (Matrix) 준비 ;
• 텍스트 기반 다이어그램의 첫 번째 버전 생성 ;
• 문서의 두 버전 비교 ;
• 불일치, 모호한 용어 또는 누락된 요소 식별 ;
• 용어집 (Glossary) 또는 결정 레지스터 (Decision Register) 유지 관리 ;
• 기술적 이해도가 낮은 스폰서를 위해 기술적 콘텐츠 재구성.

중요한 단어는 첫 번째 (Première) 입니다.

생성된 요약이 자동으로 정확한 것은 아닙니다. 그럴듯해 보이는 다이어그램이 자동으로 실제 시스템에 충실한 것도 아닙니다. 잘 정리된 매트릭스가 자동으로 올바른 기준에 근거한 것도 아닙니다.

AI는 구조화된 초안을 만드는 생산 비용을 낮춰줍니다. 하지만 그 초안을 진실로 바꾸어주지는 않습니다.

AI가 담당하지 못하는 것

대체 불가능한 직무의 핵심은 여전히 다른 곳에 있습니다.

아키텍트는 여전히 다음을 수행해야 합니다:

• 어떤 소스가 신뢰할 수 있는지 결정하기 ;
• 도메인에 따라 동일한 단어가 두 가지 서로 다른 개념을 지칭함을 감지하기 ;
• 겉보기에 불합리해 보이는 예외가 왜 존재하는지 이해하기 ;
• 어떤 문서에도 나타나지 않는 정치적, 규제적 또는 운영적 제약 사항 식별하기 ;
• 숨겨진 이견을 끌어내기 ;
• 가역적인 선택과 구조적인 약속 (Commitment)을 구분하기 ;
• 매력적이지만 실행 불가능한 시나리오에 이의 제기하기 ;
• 권고 사항에 책임을 지기 ;
• 허용 가능한 불확실성의 수준을 결정하기 .

AI는 옵션의 공간을 탐색하는 데 도움을 줄 수 있습니다. 하지만 AI는 결정에 대한 책임을 지지 않으며, 맥락에 대한 완전한 이해를 갖지 못하며, 어려운 중재안을 수용하게 만드는 데 필요한 신뢰 관계를 형성하지도 못합니다.

그녀는 또한 운영 (run)의 실질적인 경험, 즉 통제 범위를 벗어나는 프로그램, 중요한 비즈니스 규칙 (business rules)을 계속해서 지탱하고 있는 레거시 시스템 (legacy systems), 또는 현실적인 경로가 부족하여 실패하는 목표 아키텍처 (target architectures) 등에 대한 경험도 가지고 있지 않습니다.

따라서 올바른 역할 분담은 다음과 같지 않습니다:

아키텍트 20%, AI 80%

오히려 다음과 같은 모습에 가깝습니다:

아키텍트는 이해하고, 지시하며, 중재하는 데 더 많은 시간을 할애합니다. AI는 이 작업을 사용 가능한 산출물 (artefacts)로 변환하는 데 필요한 비용을 줄여줍니다.

이득을 취하는 두 가지 방법

이러한 공식화 (formalization) 비용의 하락은 두 가지 방식으로 활용될 수 있습니다.

1. 동일한 예산으로 더 나은 지시 (instruction) 생성

아키텍트는 동일한 투입 시간을 유지하되, 이를 재배분합니다.

그는 다음과 같은 일을 할 수 있습니다:

• 더 많은 이해관계자들을 만나기
• 대안 시나리오를 더 진지하게 탐색하기
• 운영 (run) 제약 조건과 목표 아키텍처 간의 일관성 테스트하기
• 가설을 더 잘 문서화하기
• 전환 리스크 (transition risks)를 심층적으로 분석하기
• 첫 번째 인크리먼트 (increment)와 피벗 (pivot) 역량에 더 많은 공을 들이기

이 경우, AI는 서비스 자체를 저렴하게 만드는 것이 아닙니다. AI는 동일한 비용으로 서비스를 더 깊이 있게 만듭니다.

2. 더 적은 투입으로 동일한 유효 역량 제공

어떤 조직들은 일주일 내내 기업 아키텍트 (enterprise architect)가 상주할 필요가 없습니다.

그들은 다음과 같은 일을 위해 정기적인 역량이 필요합니다:

• 구조적인 결정에 대한 지시
• 일관된 비전 유지
• 프로젝트에 대한 챌린지 (challenge)
• 중재안 (arbitrations)의 보존
• 이니셔티브 간의 불일치 감지
• 다음 단계의 움직임 준비

준비 및 공식화 과정의 일부가 적절히 보조를 받는다면, 이러한 역량은 상황에 따라 한 달에 며칠 또는 일주일에 1~2일과 같이 공유된 시간 (part-time) 형태로 제공될 수 있습니다.

이 모델은 5일간의 업무량을 인위적으로 하루로 압축하는 것이 아닙니다. 대신 한계 가치(marginal value)가 낮은 곳에서 인간의 시간을 제거함으로써, 실제 판단이 필요한 곳에 인간의 존재를 보존하는 것입니다.

공유형 아키텍처(Shared Architecture)의 모습

신뢰할 수 있는 운영은 짧고 추적 가능한 루프(loop)에 기반합니다:

1. 재료 수집 (Collect the matter): 문서, 결정 사항, 인터뷰, 제약 조건 및 프로젝트에서 발생하는 신호들을 수집합니다.
2. 아티팩트(Artifacts) 준비: AI가 노트를 구조화하고, 정보를 연결하며, 초안을 작성하는 것을 돕습니다.
3. 의미 검증 (Validate the meaning): 아키텍트가 개념, 관계, 모순 및 가설을 검증합니다.
4. 옵션 교육 (Instruct the options): 명시적인 기준에 따라 시나리오들을 비교합니다.
5. 이해관계자와의 중재 (Arbitrate with stakeholders): 결정은 여전히 인간이 내리며, 맥락을 파악하고 책임을 집니다.
6. 아키텍처 메모리 업데이트 (Update the architecture memory): 결정 사항, 리스크, 궤적 및 재검토가 필요한 요소들을 보존합니다.

이 루프의 이점은 더 많은 문서를 만들어내는 데 있는 것이 아니라, **추론의 연속성 (continuity of reasoning)**을 유지하는 데 있습니다.

이로써 기업 아키텍처(Enterprise Architecture)는 일회성 대규모 연구의 연속이라기보다, 시간이 흐름에 따라 유지되는 의사결정 역량에 가까워집니다.

주요 리스크: 잘못된 이해의 산업화

이 새로운 경제 모델에는 명백한 사각지대가 존재합니다.

AI는 매우 빠르게 깔끔하고 겉보기에는 일관성 있지만, 본질적으로는 완전히 틀린 문서를 만들어낼 수 있습니다.