어제 TSMC 결산에서 한 가지 흥미로운 사실이 밝혀졌습니다.

TSMC는 지난 4년간 매년 6월에 전월 대비 매출액이 감소해 왔습니다. 이는 컨슈머(Consumer)용 전자 기기의 수요가 여름철에 약화된다는 전통적인 패턴을 반영한 것이었습니다. 하지만 2024년 6월의 전월 대비 6.2% 증가는 이 패턴을 깨뜨리고 있으며, 이는 AI 구동형 수요가 더 이상 컨슈머의 사이클을 따르지 않고 있음을 시사합니다.

'4년간 지속된 패턴이 올해 사라졌다'는 이 사실을 SE(System Engineer)·PL(Project Leader)로서의 업무에 빗대어 생각해 보겠습니다.

시스템 개발에서도 '전제가 붕괴되는 일'은 일어난다

보험 업계의 시스템 개발에서도 '지금까지 계속 이랬다'라는 전제가 갑자기 무너지는 경우가 있습니다.

예를 들면, '이 화면은 월차 배치(Monthly Batch)로 업데이트하면 충분했다'라는 전제가 실시간성 요구에 의해 무너집니다. '이 데이터량이라면 현행 DB로 처리할 수 있었다'라는 전제가 AI 도입에 따른 데이터 폭증으로 무너집니다. '이 업무는 사용자가 수동으로 하고 있었다'라는 전제가 자동화 요구로 인해 무너집니다.

TSMC에게 있어 '여름철 감속 패턴'은 설계상의 '전제 조건'에 해당합니다. 그리고 AI 수요의 확대가 그 전제를 깨뜨렸습니다.

'전제의 붕괴'를 어떻게 설계에 반영할 것인가

PL로서 요건 정의(Requirement Definition)를 할 때, '현재의 업무 플로우'만을 보고 설계하면 반드시 나중에 곤란해집니다. 중요한 것은 '무엇이 변하면 이 설계가 통용되지 않게 될 것인가'를 처음부터 상정해 두는 것입니다.

구체적으로는 설계 단계에서 다음 3가지 질문을 확인하도록 하고 있습니다.

① 이 시스템은 몇 년 후까지 사용할 상정인가

5년 후에 사용한다면, 5년 후의 업무량·데이터량·이용자 수를 상정합니다. 현재의 전제만으로 설계하면 몇 년 후에 '재구축'이 발생합니다.

② 'AI 도입 후'의 업무 플로우를 고려하고 있는가

지금의 업무 플로우를 그대로 시스템화하더라도, AI 도입 후에 업무 플로우가 바뀌면 무용지물이 됩니다. 'AI가 담당할 부분', '인간이 담당할 부분'의 경계가 어디가 될지를 지금부터 설계에 포함해 둘 필요가 있습니다.

③ '예상치 못한 부하'가 왔을 경우의 설계가 있는가

TSMC의 '여름 수요가 멈추지 않았다'는 사태는 예상치 못한 호재(Good case)입니다. 시스템에서는 반대로 '예상치 못한 부하'로서 현상화됩니다. 장애 시의 전환 설계·스케일 업(Scale-up) 메커니즘을 처음부터 포함해 두는 것이 중요합니다.

'전제를 다시 묻는 습관'이 AI 시대에 특히 중요해지는 이유

G 검정(G-test) 학습을 하며 느끼는 점이 있습니다. AI의 세계에서는 '모델이 학습한 데이터의 전제'가 현실과 괴리되면 정밀도가 급격히 떨어집니다.

이를 '데이터 드리프트 (Data Drift)'라고 부릅니다.

시스템 요건 정의에서도 같은 일이 일어나고 있습니다.

'요건을 정의했을 때의 업무 전제'가 AI 도입이나 외부 환경의 변화에 의해 바뀌면, 설계가 현실과 괴리되어 갑니다.

TSMC의 '여름철 감속 패턴 소멸'은 투자의 이야기이지만, 설계자로서 '전제는 항상 다시 물어야 한다'라는 교훈을 새삼 확인시켜 준 사건이었습니다.

특정 기업·프로젝트에 관한 내용이 아닙니다. 공개 정보와 개인의 학습 기록을 바탕으로 기술하고 있습니다.

Discussion