The Algorithm: The Hypergrowth Formula That Transformed Tesla, Lululemon, General Motors, and SpaceX
초고속 성장의 알고리즘, 테슬라에서 발견한 혁신과 실행의 법칙
 
지은이 : Jon McNeill
출판사 : Portfolio
출판일 : 202603








[The Algorithm: The Hypergrowth Formula That Transformed Tesla, Lululemon, General Motors, and SpaceX]


테슬라와 스페이스X의 초고속 성장을 만든 ‘알고리즘’
- 조직의 속도를 다시 설계하는 다섯 단계

조직의 성장을 가로막는 것은 사람이나 기술의 부족이 아니라, 아무도 의심하지 않는 요구사항과 불필요하게 늘어난 절차일 수 있다. 테슬라에서 활용된 ‘알고리즘’은 기존 업무를 조금씩 개선하는 대신, 문제의 전제부터 다시 묻고 삭제와 단순화를 거쳐 실행 속도를 높였다. 다만 극단적인 목표와 압축된 실행 방식은 혁신을 촉진하는 동시에 품질 저하와 구성원 소진을 부를 수 있어, 적용 범위와 안전장치가 중요했다.

[Key Message]
* 조직의 성장을 막는 것은 자원의 부족보다 누적된 복잡성일 수 있다. 아무도 필요성을 설명하지 못하는 규정과 절차를 의심하는 데서 혁신이 시작된다.

* 개선에 앞서 불필요한 일을 먼저 삭제해야 한다. 없어도 되는 공정과 승인 절차를 최적화하면 조직은 가치 없는 일을 더 빠르고 능숙하게 반복하게 된다.

* 단순화는 실행과 학습의 속도를 높인다. 책임과 업무 흐름을 명확하게 만들면 병목이 빠르게 드러나고, 조직은 더 짧은 주기로 실험하고 수정할 수 있다.

* 자동화는 혁신의 출발점이 아니라 마지막 단계다. 검증되지 않은 프로세스를 AI와 로봇으로 자동화하면 잘못된 결과와 구조적 결함까지 더 큰 규모로 확산된다.

* 스트레치 목표는 기존 사고를 깨뜨리지만 안전장치가 필요하다. 높은 목표가 혁신으로 이어지려면 현장의 권한, 실패에서 학습할 여지, 안전과 윤리의 명확한 경계가 함께 마련돼야 한다.

***

점진적 개선을 넘어선 운영체계
기업은 성장할수록 복잡해졌다. 고객이 늘어나면 상품과 서비스가 다양해졌고, 조직이 커지면 부서와 관리 단계가 증가했다. 실패를 막기 위한 규정과 승인 절차도 계속 추가됐다. 처음에는 문제를 해결하기 위해 만들어진 장치였지만, 시간이 지나면 그 장치 자체가 새로운 문제가 됐다. 왜 필요한지 설명할 수 없는 규정, 책임 소재만 분산시키는 회의, 고객에게 아무런 가치를 주지 않는 보고서가 조직 곳곳에 쌓였다.

리더들은 이런 상황에서 대체로 효율화를 주문했다. 회의 시간을 10% 줄이고, 생산비를 5% 낮추며, 판매량을 전년보다 7% 높이는 식이었다. 기존 구조를 유지하면서 조금 더 나은 결과를 얻으려는 접근이었다. 안정적으로 운영되는 기업에는 유용했지만, 산업 질서가 급격히 바뀌거나 생존을 위협받는 상황에서는 충분하지 않을 때가 많았다. 자동차를 생산하는 방식, 제품을 판매하는 방식, 고객이 서비스를 받는 방식 자체가 경쟁력을 잃었다면 부분적인 개선만으로는 격차를 뒤집기 어려웠다.

존 맥닐(Jon McNeill)은 이러한 점진적 개선의 한계를 문제 삼았다. 테슬라의 글로벌 영업·서비스 부문을 이끌었던 McNeill은 기존 프로세스를 최적화하는 데 익숙한 경영자였다. 그는 창업자로서 여러 회사를 설립하고 매각했으며, 도요타 생산방식과 린 경영의 원리에도 영향을 받았다. 그러나 2015년 테슬라에 합류한 뒤에는 전혀 다른 수준의 목표와 실행 압력을 경험했다.

당시 테슬라는 일반 자동차 회사처럼 안정적인 생산 기반을 갖춘 기업이 아니었다. 빠르게 증가하는 수요를 감당하면서 생산과 판매, 인도와 서비스 체계를 동시에 확장해야 했다. 특히 모델3 생산 확대 과정에서는 자동화 설비의 오류, 부품 공급 지연, 복잡한 공정이 한꺼번에 드러났다. 생산 목표 달성 여부가 기업의 생존과 직결될 만큼 긴박한 상황이었다.

테슬라가 사용한 대응법은 기존 공정을 세밀하게 다듬는 것에 그치지 않았다. 요구사항을 의심하고, 필요 없는 공정과 부품을 없애며, 남은 구조를 단순화한 뒤 실행 주기를 극단적으로 줄였다. 자동화는 가장 마지막에 배치했다. Elon Musk는 이 순차적인 문제 해결 방식을 ‘알고리즘’이라고 불렀다. McNeill은 이를 다섯 단계의 경영 도구로 정리했다. 모든 요구사항을 의심하라. 가능한 모든 단계를 삭제하라. 단순화하고 최적화하라. 실행 주기를 단축하라. 마지막으로 자동화하라.

다섯 문장만 보면 익숙한 경영 원칙처럼 보였다. 차이를 만든 것은 원칙의 내용보다 적용 순서와 강도였다. 많은 기업이 복잡한 프로세스를 그대로 둔 채 디지털 기술부터 도입했다. 테슬라의 접근은 정반대였다. 존재 이유를 확인하고, 삭제할 것을 먼저 삭제한 다음에야 개선과 자동화를 허용했다.

요구사항에 대한 근본적 의심
첫 번째 단계는 모든 요구사항을 의심하는 일이었다. 조직에서 ‘반드시 해야 한다’고 여겨지는 일 가운데 실제로 반드시 해야 하는 것은 생각보다 많지 않았다. 법률과 안전 기준, 물리법칙처럼 피할 수 없는 제약도 있었지만, 상당수 요구사항은 오래된 관행이나 특정 부서의 선호, 과거 담당자의 판단에서 비롯됐다.

규정은 흔히 익명의 권위를 얻었다. “회사 정책상 불가능하다”, “원래 그렇게 해왔다”, “품질팀에서 요구했다”는 설명이 반복됐지만, 누가 언제 어떤 근거로 결정했는지는 분명하지 않았다. 요구사항에 이름과 근거가 붙지 않으면 누구도 책임지지 않았고 누구도 수정하지 못했다. 그 결과 임시방편으로 추가한 규정이 영구적인 절차가 됐다.

알고리즘은 요구사항마다 책임자를 지정하고, 그 사람에게 필요성을 설명하도록 요구했다. 직급이나 전문성이 높다는 이유만으로 예외가 인정되지는 않았다. 모든 요구사항은 법률, 안전, 물리적 한계 또는 고객 가치라는 기준 앞에서 다시 검증돼야 했다. 충분한 이유를 찾을 수 없다면 수정하거나 제거하는 것이 원칙이었다.

이 과정은 단순한 비용 절감과 달랐다. 비용 절감은 이미 정해진 방법을 더 싸게 수행하는 데 초점을 맞췄지만, 요구사항에 대한 의심은 그 일을 왜 수행하는지부터 물었다. 예를 들어 보고서 작성 시간을 줄이는 것보다 먼저 그 보고서가 의사결정에 실제로 사용되는지 확인했다. 승인 단계를 전산화하기보다 그 승인이 반드시 필요한지를 따졌다. 복잡한 제품 사양을 효율적으로 생산하기에 앞서 고객이 그 사양을 진정으로 원하는지 검토했다.

리더가 이러한 질문을 던지려면 조직의 현장으로 들어가야 했다. 대시보드와 요약 보고서만으로는 불필요한 요구사항을 찾아내기 어려웠다. 생산라인에서 작업자가 왜 같은 정보를 여러 번 입력하는지, 고객이 온라인 구매 과정에서 왜 수십 번 클릭해야 하는지, 서비스 직원이 문제를 해결하기 전에 왜 여러 부서의 승인을 받아야 하는지를 직접 확인해야 했다.

테슬라의 온라인 차량 구매 과정은 이 원칙을 보여주는 사례였다. 당시 구매 과정에는 60회가 넘는 클릭이 필요했던 것으로 알려졌다. 테슬라는 자동차 업계의 평균적인 구매 절차를 기준으로 삼지 않았다. 온라인에서 피자를 주문하는 과정과 비교하며 클릭 수를 대폭 줄이는 목표를 세웠다. 고가의 자동차와 피자는 전혀 다른 상품이었지만, 고객이 주문 과정에서 경험하는 불편이라는 관점에서는 비교할 수 있었다. 산업 내부의 관행을 벗어난 기준이 기존 요구사항의 허약함을 드러냈다.

삭제에서 시작된 혁신
두 번째 단계는 가능한 모든 과정과 부품을 삭제하는 일이었다. 일반적인 개선 활동은 기존 요소를 어떻게 더 잘 활용할지 고민했지만, 알고리즘은 그 요소가 없어도 되는지부터 물었다. 삭제되지 않은 복잡성은 이후의 모든 단계에서 비용을 발생시켰기 때문이다.

하나의 부품이 추가되면 구매와 재고, 품질검사, 조립, 유지보수 항목도 함께 늘어났다. 하나의 승인 절차가 추가되면 문서와 회의, 대기시간, 책임 분산이 뒤따랐다. 개별 요소의 비용은 작아 보여도 전체 시스템에서는 복잡성이 기하급수적으로 커졌다. 따라서 삭제는 비용을 한 번 줄이는 조치가 아니라, 여러 단계에서 반복될 비용을 원천적으로 없애는 일이었다.

과감한 삭제에는 실패 가능성이 포함됐다. 조직은 무엇인가를 없앴다가 문제가 생길 가능성을 두려워했다. 그래서 삭제 여부를 검토하는 동안 아무것도 바꾸지 않는 경우가 많았다. 알고리즘은 일부 항목을 다시 복구해야 할 정도로 충분히 공격적인 삭제를 요구했다. 삭제한 것 가운데 아무것도 되돌릴 필요가 없었다면, 애초에 충분히 많이 제거하지 않았다고 판단했다.

이 원칙은 상당히 도발적이었다. 모든 조직이 실패를 실험할 수 있는 것은 아니기 때문이다. 항공, 의료, 금융, 원자력처럼 작은 오류가 생명과 사회적 신뢰를 위협하는 분야에서는 삭제의 한계가 명확했다. 규제기관의 요구나 안전 검증 절차를 단순히 관료주의로 간주해서도 안 됐다. 따라서 중요한 것은 무조건적인 삭제가 아니라, 되돌릴 수 있는 영역과 되돌릴 수 없는 영역을 구분하는 일이었다.

소프트웨어 화면의 버튼, 내부 보고서, 중복 승인처럼 빠르게 복구할 수 있는 항목에는 과감한 실험이 가능했다. 반면 안전장치, 품질검사, 법적 의무처럼 실패의 피해가 큰 요소에는 더 엄격한 검증이 필요했다. 삭제의 속도는 실패 비용과 가역성에 따라 달라져야 했다.

삭제는 조직 정치와도 충돌했다. 절차와 보고서는 누군가의 업무이자 권한이었다. 특정 회의를 없애는 것은 시간 절약의 문제가 아니라 그 회의를 주관하던 부서의 영향력을 줄이는 일이 될 수 있었다. 관리 단계의 축소 역시 관리자의 지위와 연결됐다. 그래서 복잡성을 제거하려면 최고경영자의 선언만으로는 부족했다. 삭제로 인해 역할이 사라지는 구성원에게 새로운 책임과 성장 경로를 제시하고, 절차의 양이 아니라 창출한 가치로 성과를 평가해야 했다.

단순화와 속도의 선후관계
세 번째 단계는 삭제를 거쳐 남은 구조를 단순화하고 최적화하는 일이었다. 여기서 순서가 중요했다. 없애야 할 공정을 먼저 최적화하면 불필요한 일을 더 능숙하게 수행하게 될 뿐이었다. 복잡한 승인 절차를 소프트웨어로 빠르게 처리하더라도 승인 자체가 필요 없다면 기술 투자는 낭비였다.

단순화는 일을 대충 처리한다는 의미가 아니었다. 핵심 목적이 분명하게 보이도록 시스템을 재설계하는 일이었다. 선택지를 줄이고, 책임자를 명확하게 하며, 정보가 이동하는 거리를 단축했다. 여러 부서가 순차적으로 처리하던 업무를 하나의 팀이 끝까지 책임지게 만들 수도 있었다. 고객이 이해하기 어려운 상품 구조를 줄이고, 생산 과정에서 지나치게 다양한 부품을 표준화할 수도 있었다.

네 번째 단계는 실행 주기를 단축하는 일이었다. 속도는 생산량을 높이는 수단이면서 문제를 발견하는 진단 도구이기도 했다. 느린 조직에서는 문제가 일정과 재고, 추가 인력 뒤에 가려졌다. 업무 속도를 높이면 병목 구간과 책임의 공백이 빠르게 드러났다. 의사결정이 특정 관리자에게 집중돼 있는지, 정보가 어느 부서에서 멈추는지, 품질 문제가 어느 단계에서 반복되는지를 확인할 수 있었다.

실행 주기의 단축은 학습 속도와도 연결됐다. 한 달에 한 번 제품을 수정하는 기업과 하루에 여러 차례 실험하는 기업은 같은 기간에 축적하는 학습량이 달랐다. 첫 번째 시도가 완벽하지 않더라도 빠른 피드백과 수정이 가능하다면 시장 변화에 더 민첩하게 대응할 수 있었다. 초고속 성장의 실체는 단순히 직원들이 더 오래 일하는 데 있지 않았다. 가설을 세우고 실행하고 결과를 확인하는 한 주기의 시간을 줄이는 데 있었다.

그러나 속도가 항상 성과로 이어지는 것은 아니었다. 목표가 불분명한 상태에서 속도만 높이면 잘못된 방향으로 더 빨리 이동했다. 구성원이 문제를 보고할 시간을 잃으면 품질과 안전에 관한 경고가 묻혔다. 빠른 의사결정이 리더 한 사람의 직관에 지나치게 의존하면 조직 전체의 판단 능력도 약화됐다.

따라서 속도에는 멈춤의 기준이 필요했다. 고객 안전과 법적 책임에 영향을 주는 결정, 되돌리기 어려운 대규모 투자, 조직문화에 장기적인 상처를 남길 수 있는 인사 결정에는 충분한 검토가 요구됐다. 반대로 비용이 작고 쉽게 되돌릴 수 있는 실험은 현장에 권한을 주고 신속히 실행해야 했다. 모든 일을 빠르게 하는 것이 아니라, 빠르게 처리해도 되는 일을 구별하는 능력이 중요했다.

자동화를 마지막에 두는 원칙
다섯 번째 단계는 자동화였다. 오늘날 기업들은 자동화를 혁신의 출발점으로 여기는 경향이 강했다. 인공지능과 로봇, 업무 자동화 소프트웨어를 도입하면 생산성이 자연스럽게 높아질 것으로 기대했다. 하지만 불필요하거나 잘못 설계된 프로세스를 자동화하면 문제가 사라지지 않았다. 잘못된 결과가 더 빠르고 더 큰 규모로 생산될 뿐이었다.

테슬라는 자동화를 지나치게 앞세운 대가를 모델3 생산 과정에서 치렀다. ‘기계를 만드는 기계’라는 비전 아래 대규모 자동화 설비를 구축했지만, 충분히 검증되지 않은 공정에 로봇이 투입되면서 생산 병목과 유지보수 문제가 발생했다. 일부 작업은 사람이 수행하는 방식으로 되돌려야 했다. 자동화할 수 있다는 사실과 자동화해야 한다는 판단은 서로 달랐다.

알고리즘이 제시한 순서는 이를 분명히 했다. 먼저 요구사항을 의심하고, 필요 없는 일을 삭제하며, 남은 과정을 단순화하고, 수작업으로 충분히 반복하면서 안정성을 확인해야 했다. 그다음에야 자동화가 의미를 가졌다. 자동화는 혼란을 해결하는 마법이 아니라, 이미 검증된 흐름을 확장하는 마지막 수단이었다.

이 원칙은 생성형 AI를 도입하는 기업에도 적용될 수 있었다. 많은 조직이 보고서 작성, 고객 상담, 채용, 성과평가에 AI를 접목하려 했지만, 기존 업무의 목적과 책임 구조는 그대로 둔 경우가 많았다. 아무도 읽지 않는 보고서를 AI로 더 빨리 작성하거나, 편향된 평가 기준을 알고리즘으로 자동화하는 것은 생산성 향상이 아니었다. 오히려 오류를 발견하기 어렵게 만들고 책임 소재를 ???????하게 할 위험이 있었다.

AI 도입에 앞서 무엇을 없앨 것인지 결정해야 했다. 어떤 보고가 의사결정에 실제로 필요한지, 어떤 승인을 현장에 위임할 수 있는지, 어떤 판단은 인간이 계속 책임져야 하는지를 먼저 정리해야 했다. 자동화의 수준은 기술의 가능성이 아니라 실패했을 때의 피해와 인간의 개입 필요성을 기준으로 결정돼야 했다.

스트레치 목표가 바꾼 사고방식
알고리즘의 다섯 단계가 작동하려면 조직의 목표 설정 방식도 달라져야 했다. 기존 방법으로 달성할 수 있는 목표는 기존 사고방식을 강화했다. 전년보다 5% 높은 목표를 받은 조직은 더 많은 예산과 인력을 요청하거나 현재 프로세스를 조금 개선하려 했다. 반면 10배의 개선을 요구받으면 같은 방식으로는 답을 찾을 수 없었다. 제품 구조, 공급망, 판매 채널, 조직의 역할을 근본적으로 다시 생각해야 했다.

테슬라식 스트레치 목표의 목적은 숫자 자체보다 사고의 전환에 있었다. 불가능해 보이는 목표가 주어지면 구성원은 기존 자원을 어떻게 늘릴지보다 문제를 어떻게 재정의할지 고민했다. 자동차 구매에 필요한 클릭 수를 소폭 줄이는 대신 피자 주문만큼 간단하게 만들라는 요구가 대표적이었다. 자동차 업계의 관행을 따르는 한 도달할 수 없는 목표가 새로운 비교 기준과 설계를 끌어냈다.

그러나 비현실적인 목표가 항상 혁신을 낳는 것은 아니었다. 자원과 권한은 주지 않은 채 높은 수치만 제시하면 구성원은 문제를 숨기거나 데이터를 왜곡할 수 있었다. 단기 목표를 맞추기 위해 품질과 안전, 고객 신뢰를 희생할 가능성도 커졌다. 목표 미달이 곧 무능력으로 해석되는 문화에서는 도전적인 실험보다 방어적인 보고가 늘어났다.

스트레치 목표가 생산적인 긴장으로 작동하려면 몇 가지 조건이 필요했다. 목표는 조직의 핵심 목적과 연결돼야 했고, 현장에는 기존 규칙을 의심하고 바꿀 수 있는 권한이 주어져야 했다. 실패에서 학습할 수 있는 여지도 필요했다. 무엇보다 목표 달성 과정에서 침해해서는 안 되는 안전, 윤리, 인권의 경계를 분명히 해야 했다.

리더의 역할 역시 목표를 던지고 결과를 독촉하는 데 그치지 않았다. 직접 제품과 서비스를 사용하고, 현장에서 병목을 확인하며, 불필요한 요구사항을 제거하는 일을 맡아야 했다. 높은 목표는 높은 수준의 경영 참여를 요구했다. 조직에만 극단적인 속도를 요구하면서 리더가 기존 보고 체계와 권한을 유지한다면 알고리즘은 실행 도구가 아니라 압박의 언어로 변질될 수 있었다.

초고속 성장 방식의 빛과 그늘
McNeill이 정리한 알고리즘은 복잡성에 갇힌 기업에 강력한 질문을 던졌다. 기업이 느린 이유는 직원들이 충분히 열심히 일하지 않아서가 아니라, 가치 없는 일을 너무 많이 수행하고 있기 때문일 수 있었다. 조직의 성장을 위해 더 많은 자원을 투입하기 전에 무엇을 중단하고 삭제할지 결정해야 한다는 메시지는 분명했다.

테슬라에서 McNeill이 근무한 약 30개월 동안 매출은 약 20억 달러에서 200억 달러 수준으로 늘었다. 물론 이 성장을 다섯 단계의 알고리즘만으로 설명할 수는 없었다. 전기차 시장의 확대, 제품 경쟁력, 자본 조달, 브랜드와 기술력, 충전 인프라 구축 같은 다양한 요인이 함께 작용했다. 그럼에도 빠르게 커지는 수요를 실제 매출로 전환하려면 판매와 인도, 서비스 시스템을 동시에 확장해야 했다. 알고리즘은 그 실행 역량을 구축하는 하나의 운영 언어가 됐다.

동시에 테슬라식 조직 운영에는 높은 대가가 따랐다. 극단적인 일정과 목표는 강한 집중력을 만들었지만, 장시간 노동과 번아웃, 높은 임원 이직률을 동반할 수 있었다. 리더의 빠른 판단은 관료주의를 깨뜨렸지만, 반대 의견과 충분한 숙고가 설 자리를 좁힐 위험도 있었다. 위기 상황에서 효과적인 ‘특수부대형 조직’이 모든 사람과 모든 시기에 적합한 것은 아니었다.

알고리즘은 개인 관계나 조직의 모든 문제를 해결하는 보편 공식도 아니었다. 공정은 삭제할 수 있지만 신뢰를 만드는 시간까지 삭제할 수는 없었다. 의사결정 주기는 단축할 수 있지만 구성원의 불안과 갈등을 기계적으로 최적화할 수는 없었다. 창의성과 헌신은 압력만으로 지속되지 않았다. 심리적 안전과 공정한 보상, 성장 기회가 뒷받침되지 않으면 초고속 조직은 핵심 인재를 빠르게 소모했다.

따라서 다른 기업이 배워야 할 것은 특정 경영자의 행동을 그대로 모방하는 일이 아니었다. 요구사항을 의심하고, 불필요한 절차를 제거하고, 단순화한 뒤 속도를 높이며, 검증된 프로세스만 자동화하는 사고의 순서였다. 여기에 산업별 안전 기준과 조직의 역량, 구성원의 지속 가능성을 결합해야 했다.

한국 기업에도 이 순서는 의미 있는 질문을 제시했다. 새로운 시스템을 도입하기 전에 없애야 할 보고서는 무엇인가. AI로 승인 업무를 자동화하기 전에 그 승인은 왜 필요한가. 매출 목표를 높이기 전에 고객이 구매를 포기하게 만드는 절차는 무엇인가. 관리자는 구성원에게 속도를 요구하기 전에 어떤 장애물을 제거해야 하는가.

조직의 미래 경쟁력은 더 많은 일을 더 빨리 처리하는 데서만 나오지 않았다. 하지 않아도 되는 일을 구별하고, 핵심 가치가 만들어지는 흐름에 자원을 집중하는 능력이 중요했다. 알고리즘이 남긴 가장 실용적인 교훈은 자동화나 초고속 성장이라는 화려한 결과보다 그 앞에 놓인 세 가지 동사에 있었다. 의심하고, 삭제하고, 단순화하는 일이었다. 속도는 그 선택이 제대로 이뤄졌을 때 따라오는 결과였다.