2022년도 아닌데 아직도 청킹을 그렇게 하세요? — 유발 벨퍼, AI21 Labs

AAI Engineer
컴퓨터/소프트웨어AI/미래기술

스크립트

00:00:00안녕하세요, 여러분. 오늘 와주셔서 감사합니다. '아무것도 아닌 것'에 관한 강연에 오신 걸 환영합니다. 아, 죄송합니다.
00:00:21'검색(Retrieval)'에 관한 강연이죠. 제 이름은 유발이고 AI 연구소인 AI21에서 근무하고 있습니다.
00:00:29오늘 저는 대부분의 사람이 이야기하고 싶어 하지 않는 주제인 청킹(Chunking)에 대해 말씀드리고자 합니다.
00:00:37발표가 끝날 때쯤이면 청킹이 아직 죽지 않았고 이를 통해 할 수 있는 게 많다는 점을 납득시켜 드리고 싶네요.
00:00:45실제로 X나 링크드인 등 어디를 보든 RAG는 끝났다는 이야기를 자주 접하셨을 겁니다, 맞죠?
00:00:53최근에는 MCP도 끝났다고들 하더군요. 그리고 RAG도 또다시 끝났다고 하면서 오가닉 검색,
00:01:00오가닉 서치가 영원하길 외치죠. 그러다 보면 대체 RAG는 몇 번이나 죽어야 하는지 의문이 들 때가 옵니다.
00:01:07그렇지 않나요? 심지어 LlamaIndex의 CEO인 제리처럼 “RAG는 죽지 않았다”고 말하는 사람조차도
00:01:14무언가는 끝났다고 선언해야만 합니다. 그리고 그 대상은 바로 청킹인 듯하죠. “거기에 투자하지 마라,
00:01:23하지 마라”라면서요. 사람들이 청킹이 끝났다고 말하는 이유는 이제 누구나
00:01:30에이전틱 검색을 사용하기 때문입니다. grep, ls, find 명령어가 있죠. 다 훌륭하지만
00:01:36데이터가 방대하고 쿼리가 다양하다면 이것만으로는 여전히 충분하지 않습니다.
00:01:46잠시만요. 좋습니다. 많은 이들이 청킹에 대해 이야기하기 싫어하는 주된 이유는
00:01:51재미있는 부분이 아니기 때문일 겁니다. 모든 RAG나 파일 시스템에는
00:02:00두 단계가 있습니다. 첫 단계는 말하자면 지루한 단계인데요. 초반에 작업하는 단계로,
00:02:07방대한 데이터를 전처리하고 청크 크기를 결정해야 합니다. 그런 다음에는
00:02:13모든 것을 벡터 DB에 저장해야 하죠. 반면 다른 부분은 검색 단계인데, 기본적으로
00:02:20쿼리마다 발생하는 작업입니다. 이건 훨씬 다루기 쉽죠, 그렇죠? 최적화하기가
00:02:25훨씬 수월합니다. 다양한 쿼리를 사용하면서 max K, 아니 top K 값을 조절해 볼 수도 있고
00:02:32하이브리드 검색 같은 걸 시도해 볼 수도 있죠. 검색 튜닝을 만지는 편이 훨씬 재미있지 않습니까?
00:02:40그래서 저는 무언가를 끝내야 한다면, 무언가 생명을 다해야 한다면 그건 아마도
00:02:47검색 튜닝일 것이라고 주장합니다. 맞습니다, 에이전틱 검색이 아마 그걸 없앴을 겁니다. 하지만 에이전틱 검색이
00:02:55검색 튜닝을 대체했다는 사실을 인정하더라도 데이터가 방대할 때는 여전히 역부족입니다.
00:03:02비용도 많이 듭니다. 이 부분은 굳이 더 언급할 필요도 없겠죠. 토큰 맥싱은
00:03:09요즘 모두가 이야기하는 문제입니다. 게다가 그 이면에 깔린 근본적인 문제는, 데이터 자체가
00:03:17폴더나 디렉터리에 적절한 방식으로 정리되어 있지 않다면 여전히 비효율적인 결과가
00:03:25초래된다는 점입니다. 시의적절한 예시를 한번 생각해 볼까요? 지금 FIFA 월드컵 기간이죠.
00:03:33FIFA 월드컵에 관한 모든 정보가 담긴 데이터셋이 있다고 상상해 봅시다. 각 디렉터리가 가령
00:03:4098년도, 2002년도 등등으로 구분되어 있다고 해보죠. 그런데 질문이 “어느 팀이 월드컵에서 가장 많이
00:03:50우승했는가?”라면 폴더 하나만 열어서 접근할 수는 없습니다. 모든 폴더에 들어가 누가 우승했는지 확인한 뒤
00:03:57취합해야 하니 매우 비효율적이죠. 바로 답을 드리자면 브라질입니다, 적어도
00:04:03이 발표가 진행되는 시점 기준으로는요. 그러니 검색은 실제로 끝난 게 아닙니다. 오늘 강연에서
00:04:13무언가의 명줄을 끊으려는 건 아니고요. 검색은 일종의 배관 작업(Plumbing)처럼 변했습니다. RAG 시스템을
00:04:21다뤄본 분이라면 다들 이 기분을 아실 텐데요. 첫날, 첫 주, 철저한 분이라면 첫 달쯤에
00:04:29적당한 청크 크기를 하나 정합니다. 예를 들어 512 정도로요. 그리고 아마 오버랩을
00:04:3610%, 20% 정도 준 뒤 전부 인덱싱하고는 완전히 잊어버리죠. 고정 크기 청킹 전략에 대해
00:04:43이야기를 많이 나누는데, 만약 청크 크기가 너무 크다면
00:04:49전체적인 그림을 파악하기엔 좋겠지만 세부적인 뉘앙스를 많이 잃게 됩니다. 그리고 모든
00:04:54청크가 유의미한 임베딩을 얻지 못하겠죠. 반대로 청크 크기를 너무 작게 설정하면
00:05:00전체적인 맥락을 놓치게 됩니다. 실질적인 효율도 떨어지고요. 즉, 이것이 시사하는 바는
00:05:07청킹이란 근본적으로 손실 압축이라는 점입니다. 어떤 방식을 취하든 무언가는 잃게 마련이죠.
00:05:15저는 정답인 청크 크기란 존재하지 않는다고 주장합니다. 데이터를 다뤄보신 분 중 다수는
00:05:23“아니다, 우리에겐 말뭉치와 데이터셋이 있고, 그 데이터에 최적화하여 시스템이
00:05:29아주 잘 작동하도록 맞췄다”고 말씀하시겠죠. 저희도 그렇게 생각했습니다. 다양한 유형의 에이전트와
00:05:35시스템, 워크플로를 다루며 풍부한 경험을 쌓았으니까요.
00:05:40벤치마크를 떠올려보면 모델을 특정 벤치마크에 과적합시키는 건 얼마나 쉬운 일입니까?
00:05:48하지만 RAG에서는 그렇게 되지 않습니다. 데이터셋별로 완벽히 최적화할 수가 없죠. 저는 청킹이
00:05:54쿼리 의존적이라는 것을 확인하는 방법을 보여드리고자 합니다. 제가 어떻게 이렇게 확신하며 주장할 수 있을까요?
00:06:00직접 실험을 거쳐 검증했기 때문이며, 이제 그 결과를 보여드리겠습니다. 그래서 저희는
00:06:06데이터별 최적의 청크 크기가 무엇인지 추측하는 대신 직접 확인해 보기로 했습니다. 데이터셋을 하나 가져와
00:06:14여러 번 복제했죠. 이 실험에서는 6벌을 만들었습니다. 복제본마다,
00:06:23즉 각 인스턴스마다 청크 크기를 다르게 설정했습니다. 청크 크기 2,000짜리 데이터베이스,
00:06:281,000짜리 데이터베이스 등을 구축한 것이죠. 이를 여러 데이터셋에 걸쳐 적용했습니다.
00:06:36회의록 데이터셋인 QMSUM, 소설 기반 질의응답 데이터셋인 Narrative QA,
00:06:41그리고 '아무것도 아닌 것'에 관한 퀴즈인 사인펠드(Seinfeld) 데이터셋까지요. 사실 농담이고,
00:06:49시트콤 사인펠드의 대본에 관한 퀴즈 질문들입니다. 저희가 자체 제작한 일종의 장난스러운 데이터셋이죠.
00:06:56끝나고 링크를 원하시면 공유해 드릴 수 있도록 공개도 해두었습니다. 이 모든 데이터셋에서 어떤 결과가 나오는지 테스트했습니다.
00:07:03우선 각 데이터셋마다 어떤 청크 크기가 가장 적합한지 확인하고자 했습니다. 지금
00:07:10보시는 것은 사인펠드 데이터셋의 예시인데요, 본질적으로 성격이 다른
00:07:16두 쿼리가 청크 크기에 따라 서로 다른 결과를 얻는 모습을 보여줍니다. 첫 번째 질문은
00:07:24“제리가 가장 좋아하는 셔츠의 이름은?”입니다. 보시다시피 매우 집중되고 구체적인 질문이죠.
00:07:28이에 대한 답변 역시 매우 제한적인 범위에 있을 것입니다. 이런 질문은 청크 크기가 작을 때
00:07:33가장 성능이 좋습니다. 100토큰 고정 청크 크기에서 순위 1위를 차지한 반면,
00:07:43다른 크기에서는 50위 밖으로 밀려나는 것을 볼 수 있죠. 반면 “제리가 자신의 숙적이자 순수한 악이라고 묘사한 인물은 누구인가?”라는 질문은,
00:07:50저도 사인펠드의 대단한 팬은 아니지만 답이 뉴먼이라는 건 알고 있습니다. 하지만 대본 전체를
00:07:56살펴보면 그렇게 쉽게 찾을 수 있는 내용이 아닙니다. 결과가 확연히 달라지는 게 보이시죠? 작은 청크
00:08:02크기를 사용하면 답을 찾지 못합니다. 그래서 이 모든 실험을 수행한 후 저희가 취한 방식은,
00:08:10“만약 각 쿼리마다 검색에 가장 적합한 청크 크기를 알려주는 오라클, 일종의 요정이 있다면 어떨까?”라는 가정을 해본 것입니다.
00:08:19그게 바로 이 오라클 실험입니다. 최대 잠재력을 확인해 보고 싶었기 때문이죠. 이건 당장 구현 가능한 시스템을
00:08:25구축하겠다는 것이 아니라, 우리가 얻을 수 있는 잠재력이 어느 정도인지 확인하려는 의도였습니다.
00:08:33여기 그래프에서 보시는 것처럼, 우선 y축은 재현율(Recall)이며 높을수록 좋습니다.
00:08:38x축은 검색된 청크의 수입니다. 즉 k에 따른 Recall@k를 나타내죠. 파란색 선들은
00:08:46서로 구분하기 어려울 수 있지만, 각각 특정 고정 청크 크기의 성능을 의미합니다.
00:08:52반면 주황색 선은 오라클 곡선입니다. 매 쿼리마다 이 크기들 중 가장 최적의 크기를 선택한 결과죠.
00:09:01이러한 현상이 여러 데이터셋에 걸쳐 동일하게 나타납니다. 수많은 데이터셋에서 파란색 선들이
00:09:09서로 교차하는 것을 볼 수 있는데, 이는 특정 청크 크기 하나가 항상 우세하지는 않음을 뜻합니다.
00:09:16더 흥미로운 점은 잠재력이 엄청나다는 것입니다. 주황색 선과 다른 파란색 선들 사이의
00:09:24격차가 매우 큽니다. 크다고 말씀드린 건, 단지 청킹 전략 하나만으로
00:09:3020~40%가량 차이가 난다는 뜻입니다. 그것도 매우 단순한 전략을 썼을 때 말이죠.
00:09:38이 격차가 바로 512나 1,000 같은 임의의 수치를 선택했을 때 치러야 하는 대가입니다.
00:09:47여기서의 문제는 조금 까다로운데, 각 단계에서 필요한 정보가 부족한 정보 문제에 가깝기 때문입니다.
00:09:56무슨 뜻이냐 하면, 청크 크기를 제어할 수 있는 인덱싱 단계에서는
00:10:07어떤 쿼리가 들어올지 알지 못합니다.
00:10:12추측하거나 가늠해 보고 시도할 수는 있어도 어떤 쿼리일지 확신할 수 없으니
00:10:18청크 크기를 그에 맞춰 조정할 수가 없습니다. 반대로 쿼리가 주어지는 검색 단계에서는
00:10:25청크 크기를 조절할 수 없죠. 이미 고정되어 있으니까요. 매 쿼리마다 전체
00:10:31프로세스를 처음부터 다시 수행할 수도 없는 노릇이고요. 그래서 저희는 각 청크를 강화하는 Anthropic의
00:10:37콘텍스추얼 검색(Contextual Retrieval) 같은 선행 연구나, 각 청크의 잠재 공간(Latent Space)을 개선하려는
00:10:47다른 시도들을 살펴보았습니다. 하지만 저희가 택한 방향은 그게 아니었습니다. 그 연구들은 모두
00:10:54고정된 청크 크기를 사용하는 틀 안에 머물러 있었던 반면, 저희는 다른 접근 방식을 취했죠.
00:11:01하나만 고집할 필요 없이 여러 개를 사용하면 되지 않겠습니까? 저희는 이를 '멀티스케일 인덱싱'이라 부릅니다.
00:11:08기본적으로 앞서 보셨던 방식을 그대로 적용한 것인데요. 데이터베이스를 확인한 뒤
00:11:16이를 복제하여 다양한 청크 크기나 윈도우 크기로 분할합니다. 이것이 인덱싱 단계에서 일어나는 일이고,
00:11:26검색 시점에는 그 모든 인덱스를 대상으로 쿼리를 날립니다. 즉 n개의 데이터베이스 복제본과 윈도우 크기가 있다면
00:11:34이제 쿼리당 6개의 서로 다른 검색 호출을 실행해야 합니다. n이 6이라고 할 때요.
00:11:43그렇다면 이 결과들을 어떻게 병합할까요? 당연히 오라클을 쓸 수는 없습니다, 맞죠? 오라클은 잠재력을 확인하기 위한 것일 뿐,
00:11:52실제 환경에서는 정답을 알지 못하니까요. 대신 저희가 할 수 있는 일은 적절한 병합 알고리즘을 찾는 것입니다.
00:11:57이렇게 보면 어떤 문제가 발생할 수 있는지 궁금하실 텐데요. n개의 순위 결과가 나오지만
00:12:06그 순위는 청크들에 대한 순위라는 점입니다. 서로 다른 크기의 청크는 직접적인 비교가
00:12:13어렵죠, 그렇지 않나요? 그래서 저희는 요즘 꽤 널리 쓰이는 방식을 택했습니다.
00:12:19실제로 많은 RAG 시스템이 이렇게 동작하는데, 청크만 가져오는 대신
00:12:25RAG 시스템이 실제로 이렇게 작동하는데, 청크만 검색하는 대신 청크를
00:12:30가져올 때 문서 전체를 검색하는 방식이죠. 컨텍스트 창이 커짐에 따라 더 많은
00:12:35컨텍스트를 제공하고자 하니까요. 이제 이 경우에는 더 이상 청크 단위가 아니기 때문에
00:12:44동일한 문서들에 대한 n개의 순위가 생성됩니다. 이건 서로 비교가 가능하죠. 이 경우 검색은 본질적으로
00:12:50투표와 같다고 생각하시면 됩니다. 순수하게 하나의 랭킹만 매기는 게 아니죠. 하나의 랭킹을 매긴 뒤
00:12:56재순위화하는 것이 아니라, 관련 문서들에 대해 n개의 서로 다른 순위를 얻고 이를
00:13:03하나로 종합하는 것입니다. 그래서 저희는 꽤 단순한 공식인
00:13:11RRF(상호 순위 융합)라는 방식을 사용하고 있습니다. 여러 시도를 해봤지만 이게 가장 효과적이었죠. 보시다시피 이건
00:13:17별도의 모델이 아닙니다. 특별히 복잡한 작업을 거쳐야 하는 것도 아니고요. 그저 실행하는 데
00:13:23시간이 전혀 걸리지 않는 간단한 스크립트일 뿐입니다. 전체 시스템의 구성은 이렇습니다. 우선
00:13:32인덱싱을 n번 수행하고, 모든 데이터베이스에서 각 쿼리를 검색한 뒤 RRF를 사용해 이를 하나로
00:13:40통합합니다. 그리고 결과는 예상하시겠지만 아주 좋습니다. 그렇지 않았다면 제가 여기에 서서
00:13:48이렇게까지 자신만만하게 말하지 못했겠죠? 보시다시피 QMSum,
00:13:56Narrative QA, Seinfeld, Finance Bench 등 여러 데이터셋에서 테스트했습니다. 이 모든 데이터셋에서 저희 방식은 최고 성능의
00:14:05고정 크기 청크와 대등하거나 이를 능가했습니다. 그래프로 살펴보죠. 여기서는 조금 보기 어려우니 천천히 설명해 드릴게요. 각 행은
00:14:12청크 크기입니다. 50, 100 등 여러 수치가 보이죠. 맨 아래 행이 저희 방식입니다. 모든 크기에서
00:14:21검색한 뒤 하나로 결합하는 방식이죠. 그리고 각 열은 특정 k 지점에서의 재현율입니다. 즉, Recall@1부터
00:14:312, 3, 최대 10까지를 나타냅니다. 여기서 확인할 수 있는 점은 두 가지입니다. 우선 어떤
00:14:39Recall@k 기준에서도 저희 방식이 여전히 앞선다는 것입니다. 당연해 보일 수도 있지만, 이 모든 것을
00:14:46하나로 결합해야 한다는 점을 고려하면 결코 단순한 일이 아닙니다. 또한 검색 품질이
00:14:53실제로 향상된다는 점도 확인할 수 있습니다. 히트맵을 보면 훨씬 더 짙은 초록색을 띠고 있죠. 다시 말씀드리지만 이건
00:14:58크게 확대해서 보여드리고 싶었던 것뿐입니다. 여기 보시는 4개의 데이터셋 모두에서 저희는
00:15:06더 나은 결과를 얻었습니다. 여러 항목에서 실제로 20%, 30%, 심지어 40%까지 향상되었죠. 또한 여기에는
00:15:14보여드리지 않았지만 MTab에 대한 결과도 있습니다. 나중에 링크를 공유해 드릴 저희 블로그에서 확인하실 수 있는데,
00:15:22거기서도 데이터셋에 따라 약 10%에서 40% 사이의 상당한 성능 향상을 보였습니다.
00:15:30그렇다고 제가 순진하게 이 방식에 아무런 비용이 들지 않는다고 주장하려는 건 아닙니다. 당연히 대가가 따르죠.
00:15:36세상에 공짜 점심은 없으니까요. 모든 것에는 트레이드오프가 있습니다. 맞습니다, 추가 메모리가 필요합니다.
00:15:43데이터베이스의 사본들을 모두 보관해야 하므로 상수 배율로 약 2배에서 5배, 즉 O(1) 수준의
00:15:51추가 메모리 비용이 발생합니다. 하지만 지연 시간 관점에서 생각해 보면, 이에 따른 영향은
00:15:59거의 없습니다. 검색 과정을 모두 병렬로 처리할 수 있고, RRF 단계 자체도 시간이 거의 걸리지 않기 때문입니다.
00:16:10이번 연구는 저희가 진행한 매우 흥미로운 프로젝트였고, 정말 멋진 결과를 얻었다고 말씀드리고 싶습니다.
00:16:16물론 개선할 부분도 있습니다. 보완해야 할 점도 있고 향후 연구 과제도 남아 있죠. 구체적으로는
00:16:23얼마나 많은 청크 크기가 필요하고 어떤 크기를 선택해야 하는지 알아내고자 합니다. 50, 100,
00:16:32200 등으로 설정했던 건 솔직히 꽤 자의적이었습니다. 따라서 이를 어떻게 계산할지,
00:16:40정확히 몇 개의 복사본이 필요한지 파악하는 방법이 필요합니다. 또한 RRF를 넘어서는 방법도 찾아야겠죠.
00:16:46저희가 RRF를 쓴 것은 시도해 본 방법 중 가장 효과적이었기 때문이지, 이것보다 더 나은 방법이
00:16:52없다는 뜻은 아니니까요. 마지막으로 여러분께 전하고 싶은 메시지가 있다면, 에이전트가 등장했다고 해서 검색이
00:16:59끝난 건 아니라는 점입니다. 사라진 것은 아무것도 없습니다. 인프라일 뿐이죠. 안타까운 점은 그것이
00:17:072022년 수준의 인프라라는 것입니다. 매우 간단한 방법만으로도 기존 RAG 시스템이나 데이터를
00:17:17저장하고 검색하는 모든 시스템의 성능을 지나치게 복잡한 기법 없이도 20%에서 40%까지 끌어올릴 수 있습니다.
00:17:26자세한 내용이 궁금하시다면 블로그를 확인해 보세요. 예제 코드와
00:17:34Seinfeld 데이터셋도 함께 공개되어 있습니다. 여기까지입니다. 저는 유발이었습니다. 참석해 주셔서 정말 감사합니다.
00:17:47다음에 또 뵙겠습니다.

핵심 요약

매일 1퍼센트의 미세한 개선과 정체성 변화를 담은 시스템 구축이 일 년 뒤 37배의 성장을 만든다.

하이라이트

  • 매일 1퍼센트씩 나아질 경우 1년 뒤에는 37배의 성장을 이룬다.

  • 영국의 사이클 팀은 모든 영역에서 1퍼센트의 개선을 적용하여 올림픽 금메달을 휩쓸었다.

  • 의지력만으로는 한계가 존재하며 원하는 행동을 쉽게 만드는 시스템 구축이 필수적이다.

  • 하루에 책 한 페이지 읽기처럼 실패할 수 없을 만큼 아주 작게 시작하는 방식이 진입 장벽을 낮춘다.

  • 흡연을 거절할 때 끊는 중이라고 말하는 대신 비흡연자라는 정체성을 드러내는 편이 행동 변화에 효과적이다.

타임라인

의지력의 한계와 시스템 구축의 필요성

  • 사소한 결정들이 모여 하루 전체의 흐름을 좌우한다.
  • 뇌는 에너지를 아끼기 위해 많은 행동을 자동화하려고 한다.
  • 의지력만으로는 한계가 존재하며 시스템을 만드는 것이 중요하다.

아침에 알람을 끄고 일어나는 것 같은 사소한 선택들이 하루 전체의 방향을 결정한다. 인간의 뇌는 에너지 절약을 위해 행동을 자동화하려 하므로 단순한 의지력에만 의존해서는 지속적인 변화를 만들기 어렵다. 따라서 의지보다 구조와 시스템을 설계하는 접근 방식이 요구된다.

마찰력 조절을 통한 환경 정돈

  • 첫 번째 단계는 원하는 행동을 하기 쉽고 나쁜 행동은 멀리하도록 환경을 정돈하는 것이다.
  • 책을 읽고 싶다면 침대 옆에 두어 마찰력을 줄이는 원리를 적용한다.
  • 구조적인 문제를 해결할 때 작심삼일의 악순환에서 벗어날 수 있다.

변화를 가로막는 원인은 개인의 의지 박약이 아니라 구조적인 문제에 있다. 책을 침대 옆에 두거나 스마트폰을 다른 방에 두는 방식으로 행동의 마찰력을 조절하면 행동 변화가 수월해진다. 방식을 바꿀 때 반복되던 실패 패턴이 변화한다.

진입 장벽을 낮추는 소형화 전략과 복리 효과

  • 실패할 수 없을 만큼 아주 작게 시작하는 것이 두 번째 단계이다.
  • 하루에 책 한 페이지 읽기나 팔굽혀펴기 한 개 같은 작은 성취가 큰 성공을 만든다.
  • 매일 1퍼센트씩 나아지면 1년 뒤에는 37배의 결과로 이어진다.

팔굽혀펴기 한 개처럼 진입 장벽을 극단적으로 낮추면 일단 행동을 시작하게 만들 수 있다. 일단 책을 펼치면 한 페이지로 끝나지 않고 추가적인 행동으로 이어지는 경향이 나타난다. 이러한 미세한 성취들이 모여 복리의 마법처럼 거대한 성장을 창출한다.

행동을 이끄는 정체성의 변화

  • 세 번째 단계는 무엇을 얻을 것인가보다 어떤 사람이 될 것인가라는 정체성에 집중하는 것이다.
  • 담배를 거절할 때 비흡연자라는 믿음을 드러내는 방식이 정체성 변화를 반영한다.
  • 행동이 정체성을 만들고 정체성은 다시 행동을 강화하는 선순환이 형성된다.

행동 변화의 깊은 차원은 정체성 설정에 좌우된다. 금연을 시도할 때 단순히 끊는 중이라고 말하는 것보다 나는 담배를 피우지 않는 사람이라고 정의하는 것이 효과적이다. 자신을 스스로 어떻게 정의하느냐에 따라 일상의 작은 투표들이 모여 정체성을 확립한다.

영국 사이클 팀의 1퍼센트 개선 사례

  • 부진을 겪던 영국의 사이클 팀은 모든 영역에서 1퍼센트의 개선을 추구했다.
  • 안장 교체, 최적의 타이어 공기압 유지, 선수들의 베개 관리 등 사소한 요소들을 개선했다.
  • 이러한 변화의 총합은 올림픽 금메달 휩쓸기와 뚜르 드 프랑스 우승이라는 결과로 나타났다.

영국의 사이클 팀은 거대한 혁신 대신 모든 세부 영역에서 1퍼센트의 개선점을 찾아내는 방식을 택했다. 안장을 편하게 바꾸고 타이어 공기압을 최적화하며 수면 환경까지 세심하게 챙긴 결과 세계적인 대회들을 제패했다. 사소한 개선의 총합이 거대한 성과를 만들어냄을 보여주는 대표적인 사례이다.

과정 중심 시스템과 지속 가능한 변화

  • 복리 효과는 시간이 지날수록 눈에 띄지 않던 차이를 엄청난 결과로 벌려놓는다.
  • 목표 설정보다 과정 중심의 사고방식에 집중할 때 결과는 자연스럽게 따라온다.
  • 작은 행동들이 모여 정체성을 형성하고 꾸준함은 결국 승리한다.

단기적인 목표에만 매몰되기보다 매일 1퍼센트씩 발전하는 과정 중심의 시스템을 유지해야 한다. 좋은 습관은 성장을 만들고 나쁜 습관은 기반을 무너뜨린다. 포기하고 싶을 때 지금까지의 과정을 돌아보며 작은 행동들을 지속하는 것이 유일한 비결이다.

커뮤니티 글

아직 글이 없습니다. 이 영상에 대한 첫 번째 글을 작성해 보세요!

이 영상에 대해 글쓰기