파트타임 CTO

엔지니어링은 투자다. 적절한 비율은 8:2, 적정과 도전.

오버엔지니어링이라는 단어는 대개 부정적 문맥에서 나온다. 전임자가 과하게 만들어 놔서 이해하기 어렵다, 유지보수가 힘들다. 그런데 나는 엔지니어링을 투자로 본다. 미래를 대비해 미리 준비하는 것. 1억 명을 대비해 설계했는데 사용자가 10만이면 실패한 투자다. 반대로 사용자가 폭발했는데 준비가 되어 있었다면 성공한 투자다. 문제는 이런 투자가 성공하는 경우가 생각보다 적다는 것이다. 규모가 클수록 실패 확률이 높았다. 그래서 적정 엔지니어링이 필요하다. 비즈니스 상황에 맞는 수준으로만 투자하고, 필요할 때 조금씩 늘려간다. 실제로 MySQL 운영에서 이를 실천했다. 처음부터 샤딩을 하지 않고, Slave 추가 → Scale-Up → 모니터링 기반 점진 대응으로 진행했다. 이를 위해서는 용기, 비즈니스 이해, 기술력 세 가지가 필요하다. 다만 적정 엔지니어링만 추구하면 개발자는 재미를 잃는다. 직접 경험해봤다. 반년 넘게 실천하며 성숙해진 느낌은 좋았지만, 기술적 도전이 사라지면서 지쳐갔다. 적절한 비율은 8:2. 8은 적정, 2는 도전이다.

잘해야 제자리인 대응과, 새로운 성장축을 만드는 접근은 다르다.

AI 기술의 발전 속도가 무섭다. 많은 기업이 뒤처지지 않으려 분주하다. 그런데 자세히 보면, AI에 "대응한다"는 말 속에 두 가지 흐름이 있다. 하나는 붉은 여왕 효과다. 열심히 뛰어야 제자리. 내부 효율화, GEO, MCP 대응 같은 활동이 여기 해당한다. 필요한 일이지만, 대부분의 기업이 비슷하게 실행할 수 있어 결국 수렴한다. 잘해야 제자리다. 다른 하나는 성장이다. 예를 들어 A/B Testing 가설 설계를 AI에게 맡기면 실험의 속도와 다양성이 완전히 달라진다. AI 친화적인 Private 데이터를 쌓아 플라이휠을 만들 수도 있다. AI로 핵심 사용자 경험을 직접 바꿀 수도 있다. 이런 접근은 제자리를 넘어 새로운 성장축을 만든다. 한 가지 더. "AI가 일하기 좋은 환경인가?" 나는 이것을 AI-cooperability라 부르고 싶다. Testability처럼, 사람과 AI가 자연스럽게 협업할 수 있는 환경을 설계하는 것이 앞으로 중요한 고려 요소가 될 것이다.

데이터가 모든 것을 해주진 않는다. 하지만 감으로 판단하는 것보다 훨씬 낫다.

프로 e스포츠에서 MVP는 누구인가. 화려한 플레이가 인상 깊었던 선수가 MVP일 수 있지만, 아닐 수도 있다. 감독의 눈에 든 선수의 실력이 실제로는 별로일 수도 있다. 누구도 주관의 위험에서 벗어나지 못한다. 그런데 참고할 객관적 데이터가 별로 없었다. KDA는 너무 단순했다. GGtics에서 이 문제를 풀기로 했다. 승리 공헌도라는 새 지표를 설계하고, 이를 계산하는 엔진 GG(x)를 2년간 개발했다. 핵심 원칙은 셋. 모든 행동에 승패 영향도를 부여한다. 같은 행동이라도 시간대에 따라 가중치가 다르다. 역할별 기대치가 다르다. 분석 끝에 교전 승리의 핵심을 포지셔닝, 맵리딩, 성장 세 축으로 정리했다. 결과는 마스터 수준(상위 0.1%) 전문가 판단과 90% 일치. 이 지표로 팀의 약점을 파악하고, 개선하고, 다시 측정하는 사이클을 돌릴 수 있게 됐다. 이후 업계 최초로 LCK와 데이터 계약을 체결했고, 샌드박스 게이밍 등 프로 구단에 데이터 자문을 제공했다. 유료 마케팅 없이 MAU 120만까지 자연 성장했으며, 최종적으로 Gen.G에 인수되었다. 데이터가 모든 것을 해주진 않는다. 하지만 "저 선수 못하는 것 같은데?" 하고 감으로 판단하는 것보다 훨씬 낫다. 야구에 머니볼이 있었듯, e스포츠에도 데이터 기반의 혁신은 가능하다.