상상은 숫자가 될 때 현실이 된다. 그러나 숫자만 믿는 순간 길을 잃는다

우리는 무엇이 될 수 있는가보다, 무엇을 보며 바뀌는가

사람은 상상하는 대로 무엇이든 될 수 있을까? 더 정확히 말하면, 상상만으로도 무엇이든 될 수 있다는 믿음은 충분한가?

어떤 것을 만들어 본 사람이라면 안다. 처음 떠오른 아이디어는 대개 완성품과 거리가 멀다. 보이지 않던 문제가 나타나고, 예상과 결과가 어긋나며, 만들고 고치는 일이 반복된다. 그 과정에서 우리는 단순히 아이디어를 현실로 옮기는 것이 아니다. 현실에서 돌아오는 신호를 읽으며, 처음의 상상을 계속 수정한다.

축구 역시 비슷하다. 경기 전체를 내려다보는 카메라와 인공지능은 선수의 움직임을 추적하고, 패스와 슈팅을 기록하며, 공간의 변화까지 수치로 바꾼다. 득점 수만 보던 시대에는 드러나지 않던 기여가 xG, xT, xGOT 같은 지표를 통해 모습을 얻는다. 골을 넣지 않은 움직임, 어시스트로 기록되지 않은 전진 패스, 눈에 띄지 않는 압박과 공간 창출도 분석의 대상이 된다.

여기서 두 이야기가 만난다. 상상은 가능성의 언어이고, 데이터는 가능성이 현실에서 어떻게 움직였는지 보여주는 언어다. 좋은 창작과 좋은 경기 운영은 둘 다 이 두 언어 사이를 오가는 능력에 달려 있다.

상상은 미래를 그리는 능력이고, 측정은 그 미래에 가까워지고 있는지 확인하는 능력이다.

결과만 세면 중요한 움직임을 놓친다

우리는 사람을 평가할 때 결과를 먼저 본다. 축구 선수라면 골과 도움, 학생이라면 시험 점수, 제품이라면 매출, 창작자라면 조회 수를 본다. 결과는 간단하고 비교하기 쉽기 때문이다. 그러나 간단하다는 것은 충분하다는 뜻이 아니다.

예를 들어 두 공격수가 각각 열 번 슈팅해 세 골씩 넣었다고 하자. 겉으로는 동일한 성과다. 하지만 한 선수는 대부분 수비수에게 둘러싸인 먼 거리에서 슈팅했고, 다른 선수는 골대 앞에서 명백한 기회를 얻었다면 두 기록의 의미는 달라진다. xG는 바로 이 차이를 묻는다. 슈팅의 거리와 각도, 수비수의 수, 공이 전달된 과정 등을 고려해 그 기회가 원래 어느 정도의 득점 가능성을 가졌는지 계산한다.

이 관점은 골 결정력의 평가를 바꾼다. 실제 득점은 결과지만, xG와 실제 득점의 차이는 결과가 만들어진 조건과 그 조건에 대한 대응 능력을 보여준다. 기대 득점이 14.5인데 실제로 17골을 넣었다면, 단순히 17이라는 숫자보다 어려운 기회를 살려낸 능력에 주목할 수 있다.

미드필더의 경우는 더 분명하다. 어떤 선수는 마지막 패스를 하지 않지만 공을 위험 지역으로 꾸준히 옮긴다. xT는 공이 출발한 구역과 도착한 구역의 득점 가능성 차이를 계산해 이런 기여를 포착한다. 자기 진영에서 공을 받아 상대 진영의 위협적인 공간으로 운반하는 움직임은 전통적인 도움 기록에는 남지 않지만, 공격의 조건을 바꾸는 행동이다.

골키퍼도 마찬가지다. 강한 수비진을 둔 팀의 골키퍼는 슈팅 자체를 적게 허용하므로 클린시트가 많을 수 있다. 반대로 약한 팀의 골키퍼는 많은 슈팅을 막아도 실점할 가능성이 크다. xGOT와 실점의 차이는 슈팅의 위험도를 고려해 골키퍼가 기대보다 얼마나 더 막아냈는지를 살핀다. 즉, 숫자는 결과를 대체하는 것이 아니라 결과 뒤에 숨어 있던 조건과 과정을 복원한다.

이것은 창작과 학습에도 적용된다. 아이디어를 낸 횟수만으로 창작자를 평가할 수 없고, 완성된 작품의 반응만으로 실험의 가치를 판단할 수도 없다. 새로운 시도를 통해 어떤 가설을 검증했는지, 실패가 다음 시도를 어떻게 정교하게 만들었는지를 함께 보아야 한다.

데이터는 심판이 아니라 두 번째 눈이다

인공지능이 축구 경기의 모든 움직임을 기록한다고 해서 경기가 자동으로 이해되는 것은 아니다. 카메라 세 대의 영상을 하나로 이어 붙이고, 선수와 심판과 공을 식별하고, 각자의 위치를 추적하면 엄청난 양의 정보가 생긴다. 그러나 정보가 많다는 것과 의미를 발견한다는 것은 다른 일이다.

선수의 좌표를 안다고 해서 곧바로 전술을 아는 것은 아니다. 중요한 것은 좌표 사이의 관계다. 선수들 사이의 간격은 얼마나 벌어졌는가? 압박이 시작된 지점은 어디인가? 공을 잃은 뒤 몇 초 안에 수비 대형이 회복되는가? 같은 패스라도 어떤 공간을 열고 어떤 위험을 감수했는가? 데이터는 이런 질문을 구체적인 정의로 바꾸어 준다.

예컨대 “우리 팀은 전방 압박을 잘 풀어내지 못한다”는 인상은 모호하다. 그러나 이를 “수비 지역에서 상대 선수가 일정한 속도로 접근하고, 수비 선수 반경 안으로 들어온 상황에서 전진 패스 성공률이 낮다”라고 정의하면 분석할 수 있다. 이제 지도자는 막연한 불안 대신 특정 장면을 반복해 볼 수 있고, 선수는 “더 침착해야 한다”는 충고 대신 어느 상황에서 어떤 선택을 연습해야 하는지 알 수 있다.

창작 과정에서도 같은 전환이 필요하다. “내 아이디어는 별로야”라는 판단은 너무 크고 अस्पष्ट하다. 대신 다음과 같이 쪼갤 수 있다.

1. 사람들이 처음 10초 안에 핵심을 이해하는가?
2. 가장 중요한 장면에서 시선이 멈추는가?
3. 내가 의도한 감정과 실제 독자가 느낀 감정이 일치하는가?
4. 한 번의 실패가 다음 버전의 구체적인 수정으로 이어졌는가?

이 질문들은 상상을 점수로 축소하기 위한 것이 아니다. 상상이 현실과 만나는 접점을 찾기 위한 것이다. 측정의 목적은 가능성을 제한하는 것이 아니라, 가능성이 막히는 지점을 발견하는 데 있다.

가능성은 측정할수록 커지지만, 잘못 측정하면 작아진다

여기에는 중요한 위험이 있다. 측정 가능한 것만 중요하다고 믿기 시작하면, 우리는 측정하기 어려운 가치를 버리게 된다. 축구에서 골과 도움만 세면 경기 조율 능력과 공간 창출을 놓친다. 반대로 특정 지표만 숭배하면 선수는 팀에 필요한 움직임보다 지표에 잘 잡히는 행동을 선택할 수 있다.

창작에서도 조회 수를 유일한 기준으로 삼으면 자극적인 시작과 짧은 반응을 유도하는 형식이 과도하게 늘어날 수 있다. 교육에서 정답률만 높이려 하면 학생은 새로운 문제를 정의하는 능력을 잃을 수 있다. 기업에서 단기 매출만 추적하면 장기적인 신뢰와 실험의 기반이 약해진다.

이 문제를 피하려면 데이터를 판결문이 아니라 대화의 상대로 다뤄야 한다. 데이터가 “이 행동은 옳다”라고 말한다고 생각하면 안 된다. 데이터는 “이 조건에서 이런 결과가 반복되었다”고 말할 뿐이다. 그 반복이 왜 생겼는지, 어떤 맥락이 누락되었는지, 다른 선택을 하면 무엇이 달라지는지는 사람이 해석해야 한다.

이를 위해 세 종류의 지표를 구분할 수 있다.

첫째, 결과 지표다. 득점, 매출, 완성도, 조회 수처럼 최종적으로 나타난 성과다. 둘째, 과정 지표다. 위협적인 지역으로 공을 운반한 횟수, 실험한 아이디어의 수, 학습한 내용을 실제 문제에 적용한 비율처럼 결과가 만들어지는 경로를 보여준다. 셋째, 방향 지표다. 지금의 활동이 내가 원하는 미래에 가까워지고 있는지 알려주는 질적 신호다. 팀의 신뢰, 문제의 중요성, 사용자의 실제 만족처럼 수치화하기 어렵지만 무시할 수 없는 요소가 여기에 들어간다.

좋은 의사결정은 세 지표를 함께 본다. 결과 지표는 도착한 곳을 알려주고, 과정 지표는 어떻게 왔는지 알려주며, 방향 지표는 애초에 올바른 곳으로 가고 있는지 묻는다.

상상을 현실로 만드는 피드백 루프

무언가를 만들 때 가장 위험한 순간은 첫 아이디어가 떠오른 순간이 아니라, 그 아이디어를 검증하지 않은 채 자기 정체성으로 받아들이는 순간이다. “나는 이런 사람이다”, “우리 팀은 원래 이런 방식이다”, “이 제품은 반드시 성공한다”라는 문장이 굳어지면 데이터는 학습의 재료가 아니라 자존심에 대한 공격처럼 느껴진다.

더 나은 방법은 상상을 가설로 다루는 것이다. 가설은 믿음이지만 수정할 수 있는 믿음이다. 예를 들어 “사람들은 이 기능을 좋아할 것이다”라는 생각을 “이 기능을 처음 본 사용자 열 명 중 일곱 명이 설명 없이 사용을 시작할 것이다”라는 관찰 가능한 문장으로 바꾼다. 결과가 기대에 미치지 못하면 꿈이 틀렸다고 결론 내리는 대신, 어떤 조건에 대한 이해가 부족했는지 살핀다.

축구의 분석 과정은 이 피드백 루프를 잘 보여준다.

1. 지도자는 상대의 압박을 예상하고 전술이라는 가설을 세운다.
2. 경기 영상과 선수 추적 데이터로 실제 상황을 확인한다.
3. xT, 압박 관련 지표, 패스 성공 장면을 함께 검토한다.
4. 실패가 선수의 기술 문제인지, 공간 배치 문제인지, 선택의 타이밍 문제인지 나눈다.
5. 다음 훈련에서 하나의 조건을 바꾸고 다시 관찰한다.

창작자도 같은 방식으로 일할 수 있다. 한 번에 모든 것을 고치려 하지 말고, 제목만 바꾸거나 첫 장면만 바꾸거나 독자가 행동하는 지점만 바꾸어야 한다. 그래야 변화와 결과의 관계를 알 수 있다. 한 작품에 열 가지 수정을 동시에 적용하면 결과가 좋아져도 무엇이 효과를 냈는지 배울 수 없다.

만드는 사람의 성장은 실패하지 않는 데서 오지 않는다. 실패를 다음 판단의 재료로 바꾸는 속도에서 온다.

여기서 중요한 것은 피드백의 양이 아니라 해상도다. “잘했다”와 “별로다”는 정보량이 적다. “처음에는 흥미롭지만 중간부터 목적이 보이지 않는다”, “수비가 좁혀지는 순간 왼쪽 공간이 열리는데 그곳을 활용하지 못한다”처럼 구체적인 피드백이 다음 행동을 바꾼다. 기술은 관찰의 해상도를 높여 주고, 인간의 해석은 그 관찰에 목적을 부여한다.

Key Takeaways

1. 결과와 조건을 분리해 보라. 성공이나 실패의 숫자만 기록하지 말고, 어떤 상황에서 그 결과가 나왔는지 함께 적어라.
2. 추상적인 문제를 관찰 가능한 행동으로 바꿔라. “집중력이 부족하다” 대신 “회의 후 24시간 안에 다음 행동이 정해지지 않는다”처럼 정의하라.
3. 결과 지표와 과정 지표를 함께 관리하라. 최종 성과와 그 성과를 만들기 위한 반복 행동을 각각 하나씩 정하라.
4. 지표를 하나의 정답으로 숭배하지 말라. 숫자가 포착하지 못하는 맥락, 감정, 장기적 방향을 정기적으로 질문하라.
5. 작은 수정으로 피드백 루프를 짧게 만들어라. 한 번에 하나의 변수를 바꾸고, 무엇이 달라졌는지 관찰하라.

무엇이든 될 수 있다는 말의 새로운 의미

“우리는 무엇이든 될 수 있다”는 문장은 무한한 가능성을 약속하는 말처럼 들린다. 하지만 현실에서 무엇이든 된다는 것은 아무 노력 없이 원하는 모습이 된다는 뜻이 아니다. 그것은 상상한 모습을 작은 조각으로 나누고, 하나씩 만들어 보고, 현실의 반응을 받아 다시 조립할 수 있다는 뜻에 가깝다.

인공지능과 데이터는 이 과정을 더 빠르고 정밀하게 만든다. 이전에는 보이지 않던 선수의 움직임과 팀의 공간이 보이고, 막연했던 기여가 새로운 지표로 설명된다. 그러나 보이는 것이 곧 중요한 것은 아니다. 데이터는 우리의 시야를 넓혀 주지만, 무엇을 볼 가치가 있는지는 여전히 질문하는 사람이 결정한다.

결국 창조의 반대편에 있는 것은 실패가 아니다. 검증되지 않은 상상과 해석되지 않은 데이터에 머무르는 것이다. 상상만 있으면 현실에 닿지 못하고, 데이터만 있으면 이미 측정된 것 안에 갇힌다.

가장 강한 사람과 팀은 꿈을 크게 꾸면서도 관찰은 세밀하게 한다. 그들은 숫자를 두려워하지 않지만 숫자 앞에 무릎 꿇지도 않는다. 오늘의 결과를 정체성이 아니라 피드백으로 받아들이고, 그 피드백을 이용해 내일의 자신을 다시 설계한다.

무엇이든 될 수 있는 사람은 모든 것을 한 번에 이루는 사람이 아니다. 가능성을 상상하고, 현실을 측정하고, 측정한 현실을 다시 상상할 수 있는 사람이다.