시장이 없다면 만들어야 합니다

1995년 엔비디아가 세콰이어캐피탈의 자금을 유치했다고 하면 사업이 순탄했을 것 같지만 전혀 그렇지 않았습니다. 그 당시 우리와 비슷한 기술을 가지고 투자를 받은 기업이 못해도 89곳은 더 있었거든요.

당시 멀티미디어란 이름으로 PC 혁명이 시작되고 있었습니다. 윈도우 95가 출시되었고 팬티엄이 나왔죠. 당시만 해도 이미지 생성은 수십억 원이 필요한 작업이었습니다. 우리는 PC 스케일에 맞는 그래픽카드를 만들면 승산이 있을 것이라고 봤죠.

당시 우리가 가진 기술은 PC에 적합한 3D 그래픽 기술이었고 처음 타겟으로 정한 시장은 비디오게임이었습니다. 하지만 시장의 발전 속도는 그다지 빠르지 않았습니다. 그때 깨닫게 되었습니다. 엔비디아는 단순히 기술을 만드는데 그치는 것이 아니라 시장을 함께 만들어야 한다고 말이죠. 우리는 오랜 기간 PC 게이밍 시장 활성화를 위해 많은 노력을 기울였습니다.

초창기부터 e스포츠 활성화를 전폭 지원한 엔비디아
이후 기술 혁신과 시장 창출이 조화를 이뤄야 한다는 것은 엔비디아의 핵심 가치가 되었습니다. 우리는 당장 시장이 없어 재무적 기대 가치가 0에 수렴하더라도 미래가 가는 방향에 부합한다면 투자를 게을리하지 않았습니다. 엔비디아가 자율주행에서, 인공지능에서, 바이오 신약 개발에서도 앞서갈 수 있었던 이유입니다.
 

2️⃣ 때로는 책 한 권, 논문 한 편에서 답을 찾기도 합니다

1996년, 마이크로소프트가 Direct3D라는 3D 컴퓨터 그래픽 표준을 발표하였습니다. 우리가 개발한 3D 그래픽 기술은 마이크로소프트와 호환되지 않는 것이었습니다. 거금을 투자받아 PC에 적합한 그래픽 기술에 올인해 왔는데 한 순간 사업 방향을 완전히 틀거나 아니면 회사를 접어야 할 상황이었습니다. 문제는 우리가 마이크로소프트의 다음 전략을 알지 못한다는 것이었습니다.

실마리는 의외의 곳에서 찾을 수 있었습니다. 절박한 마음으로 찾아간 서점에서 OpenGL Reference Manual이란 책을 발견하였죠. 당시 그래픽 기술을 이끌던 실리콘그래픽스의 기술 로드맵이 모두 거기에 있었습니다. 당장 책 세 권을 사와 공동창업자들과 나눠서 읽어보며 기술로드맵을 다시 설계하였습니다. 책 한 권에서 힌트를 얻어 마이크로소프트의 기술 파이프라인을 앞서갈 수 있었던 것입니다.

OpenGL Reference Manual
이 경험은 제가 보다 자신감을 가지고 미래를 설계할 수 있는 원동력이 되었습니다. 때로는 미래를 가장 먼저 알지 않아도 앞서갈 수 있다는 자신감입니다. 요즘도 누군가 내게 찾아와 생소한 이야기를 늘어놓거나 답을 찾기 어려운 문제를 제시하면 제 첫 질문은 ‘어려워봐야 얼마나 어렵겠어?’입니다. 때로는 책 한 권, 때로는 논문 한 편에서 예상치 못한 실마리를 발견할 수 있기 때문입니다.
 

3️⃣ KPI가 중요한 것이 아닙니다. 미래 시장의 시그널을 찾아야 합니다

KPI(핵심성과지표, Key Performance Indicator)란 용어가 있습니다. 사실 KPI는 이해하기 어렵습니다. 무엇이 좋은 KPI이고 나쁜 KPI인지 알기 어렵습니다. 혹자는 영업마진이 KPI라고 이야기하는데 그것은 결과이지 지표가 아닙니다.

사업에서는 미래 성공의 초기 시그널을 찾는 것이 중요합니다. 어떻게 찾느냐? 중요한 문제를 푸는 것에 집중하면 됩니다. 때로는 아직 시장이 없더라도 풀어야 할 중요한 문제들이 있습니다. 딥러닝이라는 용어 조차 존재하지 않던 시절, 한 무리의 연구자들이 찾아와 자신들이 사용하는 알고리즘을 프로세서에서 처리하기 용이하도록 별도의 컴퓨터 언어를 만들어 달라고 요청해 왔습니다. 이것이 현재 엔비디아의 개발 플랫폼 CUDA의 시작입니다.

딥러닝 발전 단계
당시 던졌던 질문은 간단했습니다.

"Is this worthy work to do? Does this advance a field of science somewhere that matters?”

엔비디아는 시장의 규모가 아니라 중요한 문제를 푸는데 집중하는 것이 목표입니다. 그리고 우리가 아니라면 풀기 어려운 문제에 집중합니다. 만약 중요한 문제지만 우리가 아니라도 해결될 수 있다면? 엔비디아는 기꺼이 게으름을 선택합니다. 우리가 나서지 않아도 세상이 좋아질 수 있다면 분명 좋은 일입니다. 중요한 문제, 우리가 나서지 않으면 해결되기 어려운 문제에서 기업의 확신과 소명이 생긴다고 믿습니다.
 

4️⃣ 리더는 답을 몰라도 사람들 앞에 나서 설명하는 자리입니다.

저는 나서기를 좋아하는 사람이 아닙니다. 본성이 내성적인 사람입니다. 어린 나이인 16살에 대학에 가게 되니 항상 나서기 보다는 조용히 있는 것을 좋아하였습니다. 어려운 일이 있을 때면 밖에 나가지 않고 혼자 있는 것이 더 자연스러운 성격입니다.

위기에 직면했을 때 사람들 앞에 나서는 것이 쉬운 일은 아닙니다. 금융위기 당시 회사 시가총액의 80%가 증발했을 때 누군가는 우리가 망했다고 생각했을 테고 누군가는 경영진이 멍청하다고 생각했을 것입니다. 하지만 리더의 가장 중요한 역할은 온갖 불안과 의심에도 불구, 사람들 앞에 나서 대면하고 설명하는 것입니다. 내가 답을 모른다고 설명할 의무가 사라지는 것은 아닙니다.

엔비디아의 임원진
과거의 수직적 조직은 정보를 통제하기 위해 설계되었습니다. 왕에게 보고되는 정보에는 극소수만 접근할 수 있었기 때문에, 하위 병사들은 전투에 관한 어떠한 정보도 없이, 패배가 예상되는 전투에도 용감히 나설 수밖에 없는 구조였습니다. 현대의 조직은 다릅니다. 엔비디아에서 저는 50명 이상의 직원이 저에게 직접 보고할 수 있는 체계를 갖추었습니다. 조직이 성공하기 위해서는 정보를 최대한 공유하고 개개인이 역할을 할 수 있도록 북돋아줄 수 있어야 합니다.
 

5️⃣ 과거가 중요하지 않다는 것은 거짓말입니다. 좋은 과거를 만들어야 합니다.

엔비디아 초창기, 창업자들의 개인 자금이 바닥날 때 쯤 예전 보스였던 LSI Logic의 CEO 윌프레드 코리건을 만나 이야기를 할 기회가 있었습니다. 당시 절박한 마음으로 회사에 대해 설명하자 윌은 저에게 이렇게 이야기했습니다.

“I have no idea what you said."

그러고는 세콰이어 캐피탈의 돈 발렌타인에게 전화를 걸더니 ‘지금 젊은 친구 한 명을 그리로 보낼테니 이 친구에게 투자를 좀 해줬으면 하네. 내가 데리고 있었던 최고의 직원 중 한 명이야.’라고 이야기를 하더군요.

엔비디아에 투자한 세콰이어캐피탈 창업자 돈 발렌타인 - 뒷편에 LSI Logic의 로고가 보인다
때로는 인터뷰 스킬로 상황을 모면할 수도 있습니다. 가끔 최악의 인터뷰를 경험하기도 합니다. 하지만 과거로부터 도망칠 수는 없습니다. 때문에 우리는 항상 좋은 과거를 만들도록 노력해야 합니다.

세상에는 우리가 컨트롤할 수 없는 수많은 일들이 있습니다. 그럴 때마다 저는 미래를 예측하기 보다는 과거를 되돌아보라고 조언합니다. 우리의 핵심 신념은 변함 없는가? 우리의 원칙은 지켜지고 있는가? 그때 우리는 어떻게 난관을 이겨냈는가? 문제의 해결책은 미래가 아닌 과거에 있을 확률이 높습니다.

 
젠슨 황은 마지막으로 다음과 같은 메세지를 남기며 대담을 마무리하였습니다.

흔들리지 않는 신념을 가지세요 (Have a core belief)
매일 그 신념을 확인하세요 (Gut check it everyday)
최선을 다해 신념을 추구하세요 (Pursue it with all might)
매우 오랜 시간 그 신념을 추구하세요 (Pursue it for a very long time)
좋은 사람들을 곁에 두고 그 여정을 함께 하세요 (Surround yourself with people you love and take them on that)

Software revenue: $0.5t, Human payroll related expense $3.5t

10% of Human payroll market: $0.35t + Newly created market => ?

What if AI can expand human payroll related opportunities?

NVDIA Defensibility

- Chip performance
- CUDA
- Mellanox acquisition

The financial dynamics surrounding the use of GPUs (Graphics Processing Units) in the AI industry. It highlights a significant cost consideration: for every $1 spent on a GPU, an equivalent amount, approximately $1, is required for energy costs to operate the GPU within a data center. With Nvidia projected to achieve $50 billion in GPU revenue by year-end—a figure deemed conservative based on analyst forecasts—this scenario suggests that data center expenditures could reach around $100 billion. Furthermore, the article underscores the necessity for end users of GPUs, such as Starbucks, X (formerly known as SpaceX), Tesla, Github Copilot, or emerging startups, to achieve a 50% margin to sustain their operations and investments in GPU technology[1].

Sources
[1] AI’s $200B Question https://www.sequoiacap.com/article/follow-the-gpus-perspective/

1. Problem definition & Market sizing
- How much is it the task? -> How many/big?
- Could it be automated by AI or Could it be much better with AI?

2. Build your product
- Gain customers data and improve your AI
- Is your data unique your competitors cannot access?

3. Feedback loop
- Based on customers data and feedback, is your AI much better?

https://youtu.be/E4TldCRLyoo?si=NAU-4ckVk4DsAcGG

AI Startup들이 고민해야할 주제들

1. AI로 인해 변화될 기회
- 미국 소프트웨어 회사들의 매출 $0.5t
- 인건비 베이스로 지출하는 비용: $3.5t
- 이 중 10%가 AI로 대체된다면 약 $0.35t로 기존의 소프트웨어 매출과 비슷함. 여기에 AI로 새롭게 만들어질 기회까지 고려하면 시장은 더 커짐.
- 최근 Klarna가 AI를 적극 활용해서 고객응대의 비용은 줄이고 만족도는 높임. https://www.klarna.com/international/press/klarna-ai-assistant-handles-two-thirds-of-customer-service-chats-in-its-first-month/

2. 당신이 푸는 문제가 특별한 도메인인가? 아니면 특별한 Workflow인가?

- 당신이 보완/대체하려는 업무는 얼마짜리 업무이고 얼마나 많고 큰 기회인가?
- AI로 대체할 수 있는가 아니면 AI로 훨씬 더 낫게 만들 수 있는가?

3. 빠른 Feedback loop를 만들 수 있는가?
- 스타트업이 가진 Unfair Advantage는 속도인데, AI 스타트업에게 속도란 제품-데이터-모델-제품개선 사이클의 속도.
- 제품을 만들어서 고객의 Unique한 데이터, 피드백을 받아서 내가 가진 모델이 지속적으로 나아지면서 모델의 개선이 고객의 경험 만족과 지불로 이어지는가? 그리고 그 속도가 아주 빠른가?

The Buffett Index: Why Warren Buffett might be selling more Apple soon

@chamath
's insight:

One way to tell if
@WarrenBuffett
has gotten disengaged from a company is the number of mentions in his annual letter to shareholders

the facts:

-- Buffett first bought $AAPL in 2016

-- his position was worth ~$175B at the end of 2023

-- 2020 letter: 11 $AAPL mentions

-- 2021: 10 mentions

-- 2022: 2 mentions

-- 2023: 1 mention

-- in Q4 23, Berkshire sold close to ~$2B worth of $AAPL (~1% of its ~$175B position)

So here's the precarious setup for $AAPL:
1) Apple has a lot of headwinds (flat iPhone revenue, regulatory scrutiny, etc.)
2) Annual letter mentions have gone down
3) Buffett just started selling

BONUS: Buffett followed a similar pattern with his Wells Fargo position!

-- Buffett first bought $WFC in 1989/1990

-- $WFC was at one point one of Berkshire's largest holdings

-- annual shareholder letter mentions went to 0 starting in 2016

-- Buffett started selling around late 2017/early 2018, and closed his position in 2022

*note: mentions = written mentions, not including appearances in charts or tables
**note: not investment advice

https://bluedskim.github.io/posts/tech/%ED%95%A8%EA%BB%98-%EC%9E%90%EB%9D%BC%EA%B8%B0_%EA%B9%80%EC%B0%BD%EC%A4%80_%EB%A9%94%EB%AA%A8/

자라기(학습)
2종류의 학습, 야생학습 ⇔ 학교 학습
야생학습의 특징
협력적
비순차적
자료에 한정이 없음
평가기준이 없음
정답이 없음
목표가 불명확하고 변경되기도 함. 불확실성이 높을수록 야생학습이 중요함. 즉 학습하는 방법을 학습해야 한다
개발자의 실력과 년차
일반적으로 개발자의 가치는 그 사람의 경력(년차)로 판단. 경력이 몇년 되지 않았을 때는 쓸만한 기준이 될 수 있음. 하지만 일정 정도 년차가 지나면 경력으로 채용할 때와 관심사로 채용할 때와 상관성은 거의 동일함(5년차와 10년차는 성과 측면에서 큰 차이가 없음). 결과적으로 경력이라는 요소는 조직에 손해를 줄 수 있는 방식. 경력과 실력은 비례하지 않는다. 단 경험의 폭이 넓고 다양하다면 변별력이 있다.
개발자 채용 방법
구조화된 인터뷰: “지난 프로젝트에서 동료가 어려움을 겪을 때 어쩐 행동을 하셨는지 구체적으로 예를 들어주세요”
작업 샘플 테스트
실제로 같이 일해보기(Trial Sourcing)
같이 일할 사람들이 같이 인터뷰에 참여하기
이미 채용한 인력을 어떻게 할 것인가
구성원이 요즘에 얼마나 공부하고 수련하느냐로 그직원의 성과가 결정. 조직은 개인이 전문성을 좀 더 발전시고 관리할 수 있게 최대한 지원하는것이 효과적.
하지만 시스템과 문화에 문제가 있다면 아무리 훌륭한 구성원도 묻혀버리기 쉽다. 반대로 훌륭한 시스테과 문화속에서 평범한 구성원이 성과를 낼 수 도 있음
개발자 개개인은 년수만 늘릴것이 아니라 본인의 기량을 향상시킬 수 있는 의도적 수련이 필요. 이 수련에는 짧은 피드백이 필수.
자기 계발
자기 계발은 복리로 돌아온다(자기 계발을 하면 할 수록 가속도가 붙는다)
자신이 이미 가지고 있는 것들을 최대한 활용
외부의 자극을 최대한 빨리 체화
자신을 개선하는 프로세스 만들기
더 일찍, 더 자주 실패하고 실패에서 배우자
자신의 능력을 키워주는 도구를 점진적으로 개발
조직의 3가지 차원의 작업
A : 원래 하기로 한 일
B : A를 잘 하기 위한 작업
C : B를 잘 하기 위한 작업, 부트 스트래핑, 지수적 향상
조직의 형태
워크 그룹 : 일을 나눠서 하는 분업 조직
팀 : 집단의 지능을 높혀 생산성을 향상시키는 조직
학습 프레임 VS 실행 프레임
실행 프레임 : 성과(‘잘하기‘)가 중요함
학습 프레임 : 배우기(‘자라기‘)가 중요함
학습에 유리한 조건
목표가 분명하고 객관적으로 정해져 있으며 변경되지 않음
선택할 수 있는 행동과 종류가 유한함
매 순간 자신이 목표에 얼마나 근접했는지 알 수 있음
주로 닫힌 시스템 속에서 활동
과거의 선택과 결과에 대한 구조화된 기록이 많음
학습에 불리한 조건(암묵지, 직관이 작동하는 회색 영역) 아래에서 필요한 능력
독창성(Originality)
사회적 민감성(Social Perceptiveness)
협상(Negotiation)
설득(Persuation)
타인을 돕고 돌보기(Assisting and caring others)
코더와 개발자의 차이 : AI가 대체할 수 있는가? 가장 학습하기 힘든 직업이 살아남는다
달인이 될 수 있는 조건
실력을 개선하려는 동기
구체적인 피드백을 적절한 시기에 받을 수 있어야 함
작업의 난이도와 실력향상
가장 잘 몰입하기 위해 적절한 난이도가 필요. 어떤 난이도가 적절한지 판단하기 위해 메타인지 능력이 필요.
구성원의 실력향상을 위한 리더의 역할
구성원이 스스로 몰입 상태를 조절할 수 있는 능력을 키워줘서 자기효능감을 높혀준다.
의도적 수련의 일상적 예시
(구체적 예들이 많이 나옴...)
실수는 예방하는 것이 아니라 관리하는 것이다.
실수는 발생한다. 실수가 나쁜 결과를 내기 전에 조기에 발견하고 빠른 조취를 취하자. 이후예는 실수를 공개하고 실수에 대해 얘기하고 실수에서 배우자.
실수 예방보다 관리에 비중을 더 둘 수록 기업의 혁신 정도가 더 높다. 왜냐하면 실수가 없으면 학습하지 못하기 때문. 실수 관리를 하는 문화일 수록 학습을 더 잘한다.
“더 뛰어난 스케이터가 더 자주 엉덩방아를 찧는다”
나홀로 전문가에 대한 미신
어떤 기술적 실천법이라도 그걸 현실에서 적용하기 위해서는 사회적 자본(신뢰)과 사회적 기술(소프트 스킬)이 필요. 사회적 기술을 높히기 위해 마이크로 인터렉션에 주의한다(기록, 복기, ‘그것이 최선이었을까’ 회고해보기)
함께
소프트웨어 개발을 잘 관리하기 위한 3가지 능력
복잡한 상황을 이해하는 능력 : 시스템적 사고(Systems Thinking)
관찰하는 능력 : 일차적 측정(First-Order Measurement)
행동하는 능력 : 일치적 행동(Congruent Action)
변화를 기대하기(Anticipating Change)
프로젝트 성공요소
관리 : 관리방식, 관리자
시스템 : 조직체계
사람
도구
협력을 통한 추상화
다른 시각을 가진 두 사람이 협력하기(페어 프로그래밍)
신뢰자산이 높은 조직은 커뮤니케이션 효율과 생산성이 높음
신뢰(communication trust)자산을 높히는 방법
투명성
공유
인터렉션
이해(상대성을 인정하자) : 사고 과정에 대한 이해, 어떤 가치관을 가지고 있는지, 어떤 방식을 선호하는지
하향식 VS 상향식
문제를 분류하자
잘 정의된 문제(well-defined) : 디자인이 필요
정의되지 않은 문제(ill-defined) : 디자인 불필요
실제로는 하향식과 상향식 방법을 번갈아 가면서 사용한다.
조직이 문제를 해결하는 방법(협력 모델)
의사소통의 문제 : 바통터치에 너무 많은 비용이 발생
모든 사람들이 모든 단계의 전문가가 되도록 하거나 VS 바통 터치의 비용을 줄인다
삼투압식 의사소통, 은연중에 정보가 조직에 스며들도록 한다
한번에 처리되는 일의 양을 줄인다
전문가팀이 실패하는 이유 : 전문가들의 ego 때문에 협력을 안하려 한다
협력을 위해서는 신뢰가 바탕이 되어야 함
쾌속 학습팀
학습 환경을 만들 수 있는 리더가 필요(하지만 학습 의지가 있는 구성원이 없다면 -.-)
팀원들이 심리적으로 보호받고 있는가
새로운 것을 제안하고 시도하는데 열려있는가
실패에 관대한가
잠재적 문제를 지적하고 실수를 인정하는데 부담을 느끼는가
애자일 확률론
관심사의 섞임(mingling of concern)을 통해 서로서로 많은 것을 배울 수 있다.
팀원들을 최대한 섞이도록 한다. 한명이라도 중요한 발견을 하면 나머지 모든 구성원이 공유(copy)할 수 있도록 한다.
직렬적 조직 vs 병렬적 조직 : 직렬적 조직에서는 가장 약한 개체의 능력이 그 조직의 능력(AND 조건), 병렬적 조직은 각 개체 능력의 평균치가 그 조직의 능력치(OR조건)
애자일은 좋은 일에 대해서는 ‘그리고’ 확률을 ‘또는’ 확률로 바꾸고 나쁜 일에 대해서는 ‘또는’ 확률을 ‘그리고’ 확률로 바꿉니다.
애자일 : 함께 자라기
불확실성이 더 높은 프로젝트에 적합
불확실성이 낮은 프로젝트는 비즈니스적 가치가 떨어짐
미래의 불확실성은 자연스러운 것
‘학습‘과 ‘협력’이 불확실성에 대한 대안이다
“고객(모든 이해 당사자)에게 매일(자주) 가치를 전하라”
애자일 성공요인
고객참여
리팩토링
자동화 테스트
코드 공유
뛰어난 애자일 코치
당신의 조직에 새 방법론(애자일)이 먹히지 않는 이유
조직의 당신에 대한 신뢰가 부족하기 때문
문화적 풍토, 생성적 과정

We are an applied AI lab focused on reasoning, and today we're excited to introduce Devin, the first AI software engineer.
‍
We’re building AI teammates with capabilities far beyond today’s existing AI tools. By solving reasoning, we can unlock new possibilities in a wide range of disciplines—code is just the beginning.

We are well funded, including a $21 million Series A led by Founders Fund And we’re grateful for the support of industry leaders including Patrick Collison, John Collison, Elad Gil, Sarah Guo, Chris Re, Eric Glyman, Karim Atiyeh, Erik Bernhardsson, Tony Xu, Fred Ehrsam and so many more.

More about Devin:
- Devin is the new state-of-the-art on the SWE-Bench coding benchmark, has successfully passed practical engineering interviews from leading AI companies, and has even completed real jobs on Upwork.

- Devin is an autonomous agent that solves engineering tasks through the use of its own shell, code editor, and web browser.

- When evaluated on the SWE-Bench benchmark, which asks an AI to resolve GitHub issues found in real-world open-source projects, Devin correctly resolves 13.86% of the issues unassisted, far exceeding the previous state-of-the-art model performance of 1.96% unassisted and 4.80% assisted.

Our team is small and talent-dense. Among our founding team, we have world-class competitive programmers, former founders, and leaders from companies at the cutting edge of AI including Cursor, Scale AI, Lunchclub, Modal, Google DeepMind, Waymo, and Nuro.
‍
Building Devin is just the first step—our hardest challenges still lie ahead. If you’re excited to solve some of the world’s biggest problems and build AI that can reason, learn more about our team and apply to join us here: https://lnkd.in/eZq3s_KQ

<당신은 영웅의 여정을 걷고 있습니까 : 30분만에 내 커리어가 더 소중해지는 방법>

이번에 올리는 글은 30분만에 커리어 의미를 더 느끼고 직무 만족도가 올라가는 비법입니다.
우선 다음의 질문들에 솔직하게 답을 해보세요. 7점은 매우 그렇다, 1점은 전혀 아니다.
1. 내 커리어를 생각할 때, 나는 매우 명확한 목표와 목적이 있다.
2. 내 커리어에서 나의 존재는 그 자체로 목적과 의미가 충분히 있다.
3. 나는 커리어에서 명확한 목표와 만족할 만한 목적을 갖고 있다.
4. 나는 내 커리어에서 의미나 목적 혹은 사명을 찾는 능력이 매우 우수하다고 자부한다.

한 연구에서 피실험자 450명의 평균 점수는 약 5점이었습니다. 본인의 점수는 어떤가요? 만약 본인의 점수가 5점이 안된다면 아래 글을 꼭 진지하게 읽어보실 거를 권합니다.
이 측정은 스스로 삶과 커리어의 의미를 얼마나 느끼나를 평가합니다. 이 점수는 짐작을 하시겠지만 본인의 웰빙, 삶의 만족도와 큰 관련이 있습니다.
흥미로운 연구가 있습니다[1]. 본인의 삶이 소위 영화나 소설에서 보는 영웅의 여정과 유사하다고 느낄수록 이 삶의 의미가 높은 겁니다. 아래 질문들에 높은 점수를 주면 자신의 삶을 영웅의 여정으로 본다는 뜻이 됩니다.
나는 내 삶을 어떤 스토리로 보는 경우가 자주 있다.
내 삶에는 명료한 서사적 궤적이 있다.
내 삶은 모험으로 가득 차 있다.
나는 다른 사람들의 지지를 받는다.
나는 살아오면서 장애물을 극복했어야 했다.
나는 시간이 지나면서 한 사람으로서 성장해 왔다.
나는 남들에게 지속적인 영향을 남길 것이다.
조셉 캠벨이라는 신화학자는 <천의 얼굴을 가진 영웅>이라는 책 등을 통해 여러 문화권의 영웅 신화가 공통된 원형을 갖고 있다고 주장했습니다. 예를 들어 초기에 주인공이 소명을 거부하거나 혹은 스승을 만나거나, 또는 시련을 겪고 각성을 한다든가 하는. 우리가 익히 알고 있는 스타 워즈나 반지의 제왕 같은 영화들도 이 영웅신화의 구조를 갖고 있죠.
이 연구는 이 조셈 캠벨의 영웅 신화 구조를 이용했습니다. 그걸 7개 단계로 통계 분석을 통해 더 단순화 했습니다. 그리고 자신의 삶이 영웅 신화 구조와 얼마나 유사하게 느끼는가가 그 사람의 삶의 의미를 예측한다는 걸 발견했고, 더 나아가 실험을 통해, 사람들이 자신의 삶을 영웅 신화 구조에 맞게 풀어 쓰도록 유도를 하면, 실제 삶의 의미가 증가하는 걸 찾아냈습니다. 그리고 단순히 삶의 의미 증가로 끝나는 게 아니라, 흥미롭게도 직무 만족도도 바로 향상되고 우울 증상도 줄어들었습니다. 중요한 부분은 이는 단순히 상관관계 연구가 아니라 인과관계를 볼 수 있는 연구였다는 점입니다.
여러분들도 직접 해볼 수 있습니다. 실제로 연구에서 사용한 개입의 축약판입니다. 자신의 삶에서 주인공은 누구였는지, 내가 처음 어떤 전환/새로운 경험을 맞이 했고, 그를 통해 어떤 퀘스트를 수행해 왔으며, 내가 만난 협력자/멘토는 누구였고, 대마왕은 누구이고(큰 도전), 그를 통해 나는 어떻게 변신했고, 유산은 무엇인지. 그리고 마지막으로 이 모든 걸 고려해서 내 삶을 영웅의 서사시적 여정으로 어떻게 볼 수 있는지 쓰기. 순서가 중요합니다. 이걸 그냥 글로 딱 30분간 쓰는 것만으로도 여러분의 삶과 커리어의 의미가 더 생기게 됩니다.
삶의 의미가 이렇게 간단한 개입만으로도 유의미하게 증가할 수 있다는 점도 놀랍지만, 심지어 자신의 최근 몇년간 삶에서 힘들었던 고난과 문제(예컨대 실직, 건강문제, 관계 등)에 대한 “회복력“(resilience)이 하루 사이에 유의미하게 증가했습니다. 자신의 문제를 긍정적인 시각에서 새롭게 보는 긍정적 재평가(positive reappraisal)가 증가했고, 회복적 대응 전략(Resilient Coping)을 더 적극적으로 사용한다고 보고했습니다.
저는 이 연구를 보고 영감을 받아 워크숍을 만들어보기로 했습니다. 그래서 탄생한 것이 바로,
<스토리 게임을 통한 커리어 재설계 워크숍>입니다.
사람들의 인지적 고착 때문에 자신의 삶을 다른 각도로 보는 것이 어렵다는 것에서 착안해서 자신의 삶을 “사이버펑크” 시대의 캐릭터로 대응을 시켜서 스토리 게임을 하게 됩니다. 이건 TRPG(테이블톱 롤플레잉 게임이라고 하고 던전 앤 드래곤 같은 게임이 대표적)에서 몇가지 형식을 빌려온 겁니다. 저희는 이걸 “미러 월드“라고 부릅니다. 참가자는 “미러 월드“와 “리얼 월드“를 오가면서 참가자와 캐릭터간의 협력을 통해 영웅의 여정을 만들어 가게 됩니다.
이걸 하고 나서는 참가자 중 한분은 ‘내가 현실에서 하는 일을 대수롭지 않다고 생각했는데, 스토리 게임을 하면서 그 일들이 엄청 의미있는 일이었구나 하는 깨달음을 얻었다‘고 말씀해주시기도 했습니다.
그리고 여기에서 한 걸음 더 나아갑니다. 위 논문의 연구에서는 자기 과거 삶을 새롭게 해석하는 거에서 멈추는데 저희는 이걸 미래로 확장해서 향후 커리어를 디자인하게 돕습니다. 전혀 새로운 시각에서요. 이 부분은 잡 크래프팅의 연구를 참고해서 “커리어” 크래프팅으로 확장했습니다.
이걸 한 후에는 ‘자신이 꿈에 그리는 커리어 발전을 위해 오늘 당장 시작해볼 수 있는 일들이 분명해져서 좋았다’는 분도 계셨어요.
심지어 여기에서 한걸음 더 나아가서, 워크숍 종료 후 3주 후에는 온라인 세션을 통해 행동계획의 진행상황을 함께 체크하고 피드백 드리는 시간도 준비되어 있습니다.
그래서 결과적으로 저희 프로그램에서도 삶의 의미 향상이 일어났을까요? 앞서 삶의 의미를 측정하는 질문을 했을 경우, 워크숍 전과 후를 비교했을 때 7점 척도에서 약 1.9점의 향상이 있어서 상당히 큰 폭의 향상이 있었습니다. 참고로 언급된 연구에서는 약 0.5점의 향상이 있었고, 저희가 설계한 인터벤션에서는 이 향상의 4배에 달하는 향상이 일어난 겁니다. 근데 이것도 사실 온라인 세션을 하기 전의 향상치라는 걸 염두에 둬야 합니다.