What-If 시나리오를 탐색하기에 가장 좋은 AI는 무엇인가?

2026-08-27

분기되는 시나리오 트리, 인과 관계, 대안적 결과를 매핑하는 AI What-If 분석가

AI What-If 도구는 인과적 깊이와 연결형 계획 모델을 어떻게 비교하는가?

대화형 반사실적 에이전트는 숨겨진 가정과 후속 효과를 추적하는 작업에서 더 강력하고, 엔터프라이즈 플래너는 실제 비즈니스 모델 안에서 수치를 스트레스 테스트하는 작업에서 더 강력합니다. 2026년 현재 이러한 차이는 Jenova의 What-If Analyst와 Anaplan, Pigment, Abacum, Workday 같은 플랫폼을 구분하는 실질적인 기준입니다.

유용한 What-If 분석을 유창한 추측이나 단순한 스프레드시트 변경과 구분하는 핵심 요소는 다음과 같습니다.

✅ 인과적 깊이 — 일차 효과는 쉽게 파악할 수 있습니다. 답변이 주로 실패하는 지점은 이차·삼차 결과, 변곡점, 이해관계자의 대응 움직임입니다.

✅ 가정 관리 — 좋은 분석가는 전제에 이미 포함된 가정을 명시합니다. 여기에는 프레이밍 편향과 계획 오류도 포함됩니다.

✅ 불확실성 처리 — 모든 경로가 똑같이 발생할 가능성을 갖는 것은 아니며, 일부 가정은 근거 없는 정밀함으로 점수를 매기기에는 지나치게 결정되지 않은 상태입니다.

✅ 연결된 데이터와 전이 가능한 추론의 차이 — 금융 플랫폼은 이탈률, 비용, 인력을 모델링하지만, 범용 What-If 파트너는 지정학, 개인적 의사결정, 과학, 픽션에서도 작동해야 합니다.

✅ 의사결정으로의 연결 — 이해관계가 큰 질문에는 생생한 이야기만이 아니라 관찰해야 할 신호와 가역성 테스트가 필요합니다.

이러한 도구를 공정하게 비교하려면 연결형 계획과 반사실적 추론을 구분하는 것이 도움이 됩니다. 연결형 계획은 모델의 동인을 변경하는 것이고, 반사실적 추론은 무엇이 추가로 참이어야 하는지, 무엇이 무너지는지, 애초에 잘못된 질문을 한 것은 아닌지를 묻는 것입니다.

2026년에 반사실적 추론이 AI 지원 의사결정의 핵심이 된 이유는 무엇인가?

반사실적 추론은 심리학의 주제에서 핵심적인 AI 평가 기준으로 이동했습니다. “그렇지 않았다면 어떻게 되었을까”에 대한 답이 없는 예측은 사람들이 원인, 책임, 선택을 판단하는 방식과 맞지 않기 때문입니다. Stanford의 학자 Tobias Gerstenberg는 인간이 실제로 관찰한 것을 넘어 사건이 어떻게 다르게 전개될 수 있었는지를 자주 상상한다고 주장합니다. AI 시스템이 제시하는 “왜”라는 답이 우리에게 의미 있게 다가가려면 AI에도 같은 능력이 필요합니다.

인지신경과학에서는 반사실적 사고를 인간 추론의 특징으로 봅니다. 이는 당장의 상황을 벗어나 실제로 일어나지 않은 대안적 상황에 들어가 보는 능력입니다. AI 분야에서는 반사실적 방법이 대규모 언어 모델의 추론을 일반화하는 방법으로, 또한 변수를 바꾸면 결과가 어떻게 달라지는지 추정하는 방법으로 논의되고 있습니다.

이러한 변화의 비즈니스 측면은 시나리오 계획입니다. 생성형 시스템은 이제 몇 분 안에 여러 시나리오를 작성하고 조건이 바뀌면 이를 새로 고칠 수 있습니다. AI로 강화된 계획은 이미 금융, 인사, 영업, 공급망, 제품 팀에서 활용되고 있습니다. 이러한 속도는 유용하지만, 쉽게 과도한 신뢰를 불러일으킬 수 있습니다.

심층 불확실성하의 의사결정(DMDU)이 존재하는 이유는 전문가들조차 미래에 합의하지 못하는 경우가 많기 때문입니다. RAND의 설명은 단호합니다. “예측한 뒤 행동하기”는 과도한 자신감을 불러옵니다. 더 생산적인 방법은 하나의 예측에 최적화된 전략이 아니라, 여러 가능한 미래에서도 계속 작동할 수 있는 전략을 찾는 것입니다. AI What-If 도구도 이러한 긴장을 그대로 물려받습니다. AI 도구는 “상상력을 위한 보조 장치”가 될 수도 있고, 하나의 서사를 분석인 것처럼 포장할 수도 있습니다.

AI What-If 분석가에서 무엇을 살펴봐야 하는가?

AI What-If 도구는 답변이 얼마나 자신감 있거나 영화적으로 들리는지가 아니라 **결과의 층위(Consequence Stack)**라는 일곱 가지 차원으로 평가해야 합니다. 유창한 문장은 모델이 가정을 점검하고, 경로에 가중치를 부여하고, 반증하는 사실을 찾았다는 증거가 아닙니다.

이번 비교에서 사용하는 결과의 층위는 다음과 같습니다.

전제 관리 — 사용자의 프레이밍을 포함해 시나리오가 이미 무엇을 가정하고 있는지 드러내는가?
효과의 순서 — 즉각적인 결과와 이차·삼차 연쇄 효과를 구분하는가?
변곡점 — 결과를 뒤집을 변수를 명시하는가?
가능성 가중치 — 경로가 똑같이 가능하다고 보지 않고 서로 다른 개연성을 반영하는가, 아니면 하나의 이야기로 축소하는가?
반증 요소 — 어떤 증거가 답을 바꿀 수 있는지 말하는가?
가역성과 시점 — 행동을 작게 시험하고 되돌릴 수 있는가, 효과가 천천히 나타나는가 아니면 한꺼번에 나타나는가?
질문의 타당성 — 질문 자체가 잘못되었다고 알려줄 수 있는가?

이러한 층위는 전통적인 AI 의사결정 지원보다 더 엄격합니다. AI 의사결정 지원 시스템은 일반적으로 엔터프라이즈 데이터, 모델, 비즈니스 규칙을 결합해 행동을 추천합니다. 이러한 구조는 이미 정해진 프로세스 안에서는 강력하지만, “다른 나라에서 그 직무를 맡으면 어떻게 될까?” 또는 “이 동맹이 분열되면 어떻게 될까?” 같은 열린 가정에는 적합하지 않습니다.

인간의 시나리오 계획에 관한 실증 연구는 유용한 기준이 됩니다. Meissner와 Wulf는 대학원 경영학 전공 학생 252명을 대상으로 한 실험에서 완전한 시나리오 계획이 SWOT, Porter의 5가지 경쟁 요인, 가치사슬 분석에 비해 프레이밍 편향을 줄이고 의사결정의 질을 높였다고 밝혔습니다. 부분적인 시나리오 작업에서는 같은 탈편향 효과가 나타나지 않았습니다. AI 도구에 대한 시사점은 분명합니다. 하나의 낙관적 분기는 시나리오 분석이 아닙니다.

도메인 적합성도 고려해야 합니다. 연결된 금융 모델은 개인적 결정이 되돌릴 수 있는지 말해줄 수 없습니다. 대화형 분석가는 실제 동인 기반 P&L을 대체할 수 없습니다. Gartner의 의사결정 인텔리전스 플랫폼 카테고리는 이 문제의 엔터프라이즈 버전이며, 소비자용 및 도메인을 넘나드는 What-If 질문은 그 바깥에 있습니다.

Jenova, Anaplan, Pigment, Abacum, Workday는 가정적 상황을 어떻게 다르게 다루는가?

이들은 서로 다른 두 가지 역할을 수행합니다. Jenova의 What-If Analyst는 여러 도메인에서 추론하는 파트너인 반면, Anaplan, Pigment, Abacum, Workday는 운영 및 재무 모델에 What-If 사례를 적용하는 비즈니스 계획 시스템입니다. 이들을 서로 대체 가능한 것으로 취급하는 것이 이 카테고리에서 가장 흔한 구매 실수입니다.

기능 / 차원	Anaplan	Jenova What-If Analyst	Pigment	Abacum	Workday
주요 역할	사업부와 모델 전반의 연결형 계획	열린 반사실적 추론	부서 간 비즈니스 시나리오 모델링	금융 중심의 What-If 및 스트레스 테스트	엔터프라이즈 제품군 내부의 생성형 AI 시나리오
인과적 깊이	모델 동인에는 강하지만 구조화되지 않은 후속 효과에는 제한적	일차·이차·삼차 효과, 변곡점, 유사 사례	이탈률과 같은 비즈니스 변수에 강함	재무 결과에 강함	계획 시나리오를 빠르게 생성하고 새로 고침
가정 및 편향 점검	모델 설계와 프로세스에 따라 다름	명시적인 전제 문제 제기와 편향 표시	프로세스에 따라 다름	프로세스에 따라 다름	프로세스에 따라 다름
실시간 비즈니스 데이터	기능과 모델을 연결하도록 설계됨	검색으로 근거를 확보한 사실, ERP에 연결된 계획은 아님	금융, 인사, 영업, 공급망, 제품	계획 및 재무 시나리오	엔터프라이즈 계획 맥락
도메인 범위	기업 계획	비즈니스, 지정학, 개인적 의사결정, 과학, 역사, 픽션, 철학	비즈니스 운영	금융 팀	Workday 중심 조직
불확실성 처리	모델 내부의 시나리오 비교	가능성 단계, 정성적 확신, “여기서 분석이 무너짐”	동적 예측 및 비교	결과 비교 및 계획 스트레스 테스트	시나리오 생성, 시뮬레이션, 새로 고침
가격(2026년 기준)	확인되지 않음	월간 사용량이 제한된 무료 요금제, Plus 월 $20(30배), 상위 요금제 월 $50~$500	확인되지 않음	확인되지 않음	확인되지 않음
적합한 사용자	여러 기능을 아우르는 엔터프라이즈 계획	여러 도메인의 탐색적·의사결정 인접 What-If	부서 간 비즈니스 시나리오	금융 What-If 및 계획 스트레스 테스트	이미 Workday에서 계획을 운영하는 기업

Jenova What-If Analyst

Jenova는 스프레드시트에 이미 존재하지 않는 질문을 위해 만들어졌습니다. 진로의 갈림길, 지정학적 충격, 제품에 대한 베팅, 과학적 가정, 허구의 전제 등이 그 예입니다. 사용자가 말한 것보다 하나의 전제를 더 멀리 따라가도록 설계되었으며, 사용자가 보고 싶어 하지 않았던 분기까지 포함합니다.

주요 강점은 전이 가능한 구조(가정, 인과적 순서, 변곡점, 확신도, 반증 요소), 편향된 질문을 다시 구성하려는 태도, 이해관계가 실제로 걸린 상황에서의 의사결정 마무리입니다. 여기에는 어떤 신호가 어느 분기가 진행 중인지 알려주는지, 행동이 충분히 가역적이어서 작게 시험할 수 있는지가 포함됩니다. 또한 가정을 닫힌 말장난으로 취급하지 않고 관련 사실을 검색할 수 있습니다. Jenova 플랫폼에서는 세션이 이어지는 시나리오 맥락도 유지하므로, 한 번의 답변으로 끝나지 않고 하나의 트리로 발전하는 What-If 상황에서 유용합니다.

한계도 구체적입니다. Anaplan이나 Pigment처럼 실시간 ERP, 인사, 재무 모델을 받아들이는 연결형 계획 시스템이 아닙니다. 주간 재검토를 예약하거나, 백그라운드에서 임계값을 감시하거나, 알림을 보낼 수 없습니다. 의료, 법률, 금융 의사결정에 대해 자세히 추론할 수는 있지만, 그 결과는 면허를 가진 전문가의 조언이 아닌 정보 제공입니다. 가벼운 질문에는 짧게 답하며, 여러 분기를 포함한 완전한 메모를 원하는 사용자는 그 정도의 깊이를 직접 요청해야 합니다.

Anaplan

Anaplan은 사업부, 기능, 모델 전반의 의사결정을 연결하도록 설계된 AI 기반 시나리오 계획 및 분석 플랫폼입니다. “전환율이 8% 하락하고 공급 리드타임이 늘어나면 어떻게 될까?”라는 질문이라면 이는 진정한 강점입니다.

한계는 범위입니다. Anaplan은 사용자가 잘못된 인생의 질문을 던졌는지, 또는 이차적인 정치적 반응이 일차적인 시장 움직임을 압도할 수 있는지를 알려주려는 시스템이 아닙니다. 구현과 모델 설계가 품질을 결정하며, 시나리오를 만든 임원의 프롬프트에 포함된 프레이밍 오류를 소프트웨어가 저절로 찾아내지는 않습니다.

Pigment

Pigment의 AI 계획 기능은 이미 금융, 인사, 영업, 공급망, 제품 팀이 이탈률과 같은 변수를 모델링하는 데 사용되는 것으로 자리 잡았습니다. 조직 내부에서 이러한 범위를 제공한다는 점은 공유된 동인이 없는 채팅창보다 확실한 장점입니다.

그러나 유용한 불확실성이 대부분 수치적이고 조직적인 것이라는 전제를 여전히 갖고 있습니다. 숨겨진 가정, 이탈하려는 이해관계자의 동기, 다른 산업의 역사적 유사 사례가 핵심 제약이라면 대화형 결과의 층위가 더 적합한 도구입니다.

Abacum

Abacum은 동적인 What-If, 재무 결과 비교, 계획 스트레스 테스트를 위한 AI 네이티브 시나리오 계획을 명시적으로 제공합니다. 수치를 나란히 비교해야 하는 금융 팀은 이러한 형태를 익숙하고 유용하게 느낄 것입니다.

Abacum은 범용 추론 파트너가 아닙니다. 개인적·과학적·역사적·지정학적 가정은 제품 범위 밖에 있으며, 금융 분야 안에서도 “더 빠르게 성장하자”가 잘못된 질문인지 자동으로 문제 제기하지 않습니다.

Workday

Workday는 생성형 AI를 다양한 시나리오를 빠르게 만들고, 어떻게 전개될지 시뮬레이션하며, 조건이 변화함에 따라 새로 고치는 방법으로 설명합니다. 이미 해당 제품군 안에서 운영되는 기업이라면 시나리오를 만드는 속도가 핵심 기능입니다.

속도는 위험 요소이기도 합니다. 2026년 자연주의적 의사결정 커뮤니티의 한 논의에서는 AI 의사결정 지원이 실제로 의사결정의 질을 높이지 못하는 경우가 많다고 주장합니다. 더 많은 시나리오를 생성하는 것은 불확실성, 동기, 프레이밍이 보이지 않는 상태라면 의사결정을 개선하는 것과 다릅니다.

독립적인 정리 자료에서는 이제 AI 시나리오 계획을 경쟁이 치열한 소프트웨어 분야로 다룹니다. Epicflow의 2026년 가이드는 대안을 시험하고 결과를 추적하는 주요 도구를 소개합니다. 이 카테고리는 실제로 존재합니다. 그러나 해결해야 할 과제는 여전히 모델에 연결된 계획과 질문 수준의 추론으로 나뉩니다.

이차·삼차 효과를 매핑하면 What-If 답변이 어떻게 달라지는가?

답변이 다음 사건을 예측하는 데서 그 사건이 교란할 시스템을 지도처럼 보여주는 것으로 바뀝니다. 대부분의 약한 What-If 답변은 첫 번째 도미노, 즉 뻔한 승리·손실·헤드라인에서 멈춥니다. 그리고 다음에 누가 움직이는지, 무엇에 시간이 걸리는지, 연쇄가 어디에서 끊기는지 묻지 않습니다.

반사실적 추론은 본질적으로 사실과 대안적 시나리오를 비교하는 것입니다. 전제를 단순히 되풀이하는 것이라면 이러한 비교는 공허합니다. “가격을 20% 인하하면 어떻게 될까?”에 대한 일차적 답은 “판매량이 증가한다”입니다. 이차적 답에는 경쟁사의 대응, 마진 압박, 고객의 가격 인식이 포함됩니다. 삼차적 답에는 채널 갈등, 브랜드 포지셔닝, 기업이 다시 가격을 올릴 수 있을지가 포함됩니다. 유용한 결과는 대개 변곡점입니다. 즉, 낙관적인 경로가 사라지는 조건입니다.

Jenova의 분석은 이러한 층위를 기본 작업으로 다루도록 설계되며, 질문에 맞춰 깊이를 조절합니다. 가벼운 호기심에 1,500단어 분량의 트리를 제시해서는 안 됩니다. 반면 이해관계가 크고 되돌릴 수 없는 행동에는 그런 답변이 필요합니다. 엔터프라이즈 플래너는 모델 안에서 비슷한 일을 합니다. 동인을 변경하고 결과를 확인하는 방식입니다. 그러나 사람이 별도로 설계하지 않는 한, 모델에 포함되지 않은 정치적 반발이나 질문을 제시한 사람의 인지 편향까지 표현하는 경우는 드뭅니다.

Gerstenberg의 연구는 AI 도구가 빠질 수 있는 함정인 인과적 선택도 지적합니다. 원칙적으로 반사실적 추론은 빅뱅까지 거슬러 올라갈 수 있습니다. 인간은 원인 중 실용적인 일부를 선택합니다. 사용 가능한 What-If 분석가도 같은 일을 해야 합니다. 실제로 의사결정을 바꿀 원인을 명시하고, 나머지가 잡음인 시점을 말해야 합니다.

AI는 사용자가 던진 What-If 질문에 언제 이의를 제기해야 하는가?

프레이밍이 숨은 역할을 할 때 질문에 이의를 제기해야 합니다. 한 가지 선택지에 고정되어 있거나, 목표를 몰래 전제하고 있거나, 피하고 있는 의사결정이 아니라 증상에 대해 묻고 있을 때입니다. 나쁜 질문에 훌륭한 엄밀함으로 답해도 여전히 나쁜 분석입니다.

대표적인 오염 요인은 기준점 편향, 확증 편향, 시간과 비용에 대한 낙관입니다. 시나리오 방법은 전체 프로세스를 사용했을 때에만 프레이밍 편향을 줄이는 것으로 나타났습니다. 일부만 사용했을 때는 그렇지 않았습니다. 사용자의 전제에 언제나 “맞아요, 그리고”라고 답하는 AI는 완전한 프로세스보다 부분적인 시나리오 연극에 가깝습니다.

실제로 이러한 문제 제기는 다음과 같은 방식으로 나타나는 경우가 많습니다.

반전 — “우리가 아무것도 하지 않으면 어떻게 될까?”가 “출시하면 어떻게 될까?”보다 더 많은 정보를 줄 수 있습니다.
상류 요인 — 실제 불확실성은 전술이 아니라 그 전술을 필수처럼 느끼게 만든 제약일 수 있습니다.
복합과 순차의 구분 — “X와 Y가 함께 일어나면 어떻게 될까?”는 “X가 일어난 다음 Y가 일어나면 어떻게 될까?”와 다른 대상입니다.
가역성 — 틀렸을 때의 비용이 낮고 행동을 되돌릴 수 있다면 철저한 분석은 지연이 됩니다. 되돌릴 수 없다면 생생한 일차적 이야기에 의존하는 것은 무책임한 일입니다.

Jenova는 이러한 문제 제기를 성격적 특성이 아니라 제품의 일부로 만들도록 설계되었습니다. 이는 확신을 원하는 사용자에게는 한계가 될 수 있습니다. 생각을 소리 내어 정리할 때 이야기를 들어줄 상대가 필요하다면, 좋은 분석가는 프레임워크를 강요하기보다 어떤 결과를 바라는지 묻고 말투를 바꿔야 합니다. 슬픔, 우유부단함, 탐색적 대화도 마찬가지입니다. 그다음 분석을 요청하면 전체 층위가 돌아와야 합니다.

엔터프라이즈 시나리오 도구는 질문 수준의 작업을 거의 하지 않습니다. 잘못된 계획도 충실하게 모델링합니다. 이는 Anaplan이나 Pigment의 결함이 아니라 경계입니다. 모델에 입력된 프롬프트를 감사하는 일은 여전히 인간 또는 추론 에이전트가 맡아야 합니다.

AI What-If 분석가에서 더 나은 결과를 얻으려면 어떻게 해야 하는가?

전제, 이해관계, 고정된 가정, 간결한 의견을 원하는지 전체 분기 지도를 원하는지를 명확히 밝힌 다음, 도구가 질문 자체를 공격하도록 요청하면 더 나은 결과를 얻을 수 있습니다. “상황이 나빠지면 어떻게 될까?”처럼 모호한 프롬프트는 모호한 전망만 만들어냅니다.

Jenova의 What-If Analyst를 사용할 때는 다음과 같이 시작할 수 있습니다.

jenova.ai/a/what-if-analyst에서 에이전트를 엽니다.
제약 조건과 답변이 무엇을 바꾸어야 하는지를 포함해 전제를 제시합니다.

"경쟁사가 출시한 뒤 우리가 출시를 6개월 연기하면 어떻게 될까요? 이미 400만 달러의 예산을 사용했고 전환 비용이 높습니다. 이 행동이 되돌릴 수 있는지 알고 싶습니다. 제 프레이밍에 이의를 제기해 주세요."
첫 답변에서 더 나은 질문이 드러난다면 원래 표현을 고집하지 말고 그 질문에 답합니다.
두 개의 별도 에세이가 아니라 비교를 원한다면 명시적으로 분기를 요청합니다.

"출시를 연기하는 경우와 90일 안에 범위를 축소해 출시하는 경우를 비교해 주세요. 가역성, 경쟁사의 대응, 현금 운용 기간을 나란히 비교해 주세요."
What-If가 의사결정과 관련되어 있다면 반증 요소와 관찰해야 할 신호를 요청합니다.

"앞으로 30일 안에 어떤 증거가 나타나면 비관적인 분기가 현실화되고 있다고 판단할 수 있을까요?"

근거 확보가 중요합니다. AI 의사결정 지원 연구는 대량의 데이터를 선별해 인간의 의사결정을 지원하는 시스템을 설명합니다. 범용 What-If에도 사실이 필요하지만, 검색 대상은 “X가 일어나면 어떻게 될까?”라는 문장 자체가 아니라 가정의 구성 요소여야 합니다. 예를 들어 낮은 중력에서의 생리학, 국가 부채 전염, 경쟁사의 과거 가격 정책 등이 해당합니다. 문헌 수준의 사실 기반이 필요한 사용자는 분석가와 Deep Research를 함께 사용할 수 있습니다. 역사적 반사실은 Alternate Historian에 더 적합한 경우가 많습니다. 개념적·윤리적 가정은 The Philosopher가 더 적합할 수 있습니다.

Pigment, Anaplan, Abacum, Workday를 사용할 때 이에 해당하는 관리 방법은 모델 관리입니다. 동인, 시간 범위, 어떤 시나리오가 스트레스 테스트이고 어떤 시나리오가 기본 사례인지 명시해야 합니다. 생성된 시나리오 묶음을 의사결정으로 간주해서는 안 됩니다. 고객 신뢰, 규제기관의 대응, 핵심 인력 리스크처럼 모델에 포함되지 않은 요소가 무엇인지 묻고, 이를 추론 에이전트나 인간 검토를 통해 점검해야 합니다.

참고로 Jenova의 가격은 플랫폼에서 사용량에 따라 구분됩니다. 월간 사용량이 제한된 무료 요금제, 30배 사용량을 제공하는 월 $20 Plus 요금제가 있으며, 이후 월 $50, $100, $200, $500의 더 높은 사용량 요금제가 있습니다. 일일 한도는 없으며, 사용하지 않은 분석량이 이월되지는 않습니다. 따라서 필요한 연결형 계획 라이선스를 대체하는 용도로 사용할 수는 없습니다.

의사결정 과학 연구자들은 AI 반사실적 추론에 대해 무엇이라고 말하는가?

연구자들은 반사실을 인간의 인과적 판단에 핵심적인 요소로 보며, 불확실성을 드러내지 않은 채 대안을 시뮬레이션하는 AI 시스템에는 신중한 태도를 보입니다. 합의된 결론은 “시나리오가 많을수록 좋다”가 아닙니다. 상상한 대안은 구조화되고, 가중치가 부여되며, 알 수 없는 것을 정직하게 인정할 때만 도움이 된다는 것입니다.

"사람들이 원인이나 책임을 판단할 때 단순히 무슨 일이 일어났는지를 설명하는 것만은 아닙니다. 특정 요인이 없었다면 어떤 일이 일어났을지 시뮬레이션하고 있습니다. AI가 A가 B를 일으켰다고 말하면 인간은 이를 ‘A가 일어나지 않았다면 B도 일어나지 않았을 것이다’라고 받아들입니다. 시스템이 실제로 그런 추론을 할 수 없다면, 설명은 그럴듯하게 들리면서도 우리가 사고하는 방식과는 어긋나게 됩니다."

"위험은 시뮬레이션이 존재한다는 데 있지 않습니다. 하나의 생생한 시뮬레이션이 전체 분포를 숨긴다는 데 있습니다. 법률 또는 이해관계가 큰 상황에서는 여러 결말을 구성할 수 있습니다. 불확실성이 붙지 않으면 ‘보는 것이 믿는 것’이라는 사고가 지배하게 됩니다. 전략 워크숍에서도 같은 실패 방식이 나타납니다. 세련되게 만들어진 하나의 What-If 자료가 미래 자체가 되어버리는 것입니다."

"시나리오 계획은 유가를 맞혔기 때문이 아니라 사고 모델을 바꾸었기 때문에 Royal Dutch Shell과 같은 기업에서 가치를 입증했습니다. 이후 실험에서는 사람들이 방법 전체를 실행할 때 이 방법이 프레이밍 편향을 줄이고 의사결정의 질을 높일 수 있다는 사실이 밝혀졌습니다. 일부만 실행했을 때는 그렇지 않았습니다. 사용자의 이야기를 언제나 완성해주는 AI는 그 일부를 제공하는 것입니다."

"심층 불확실성이 일반적인 상황입니다. 가장 가능성 높은 추측에서 최적화하는 것보다 여러 미래에 걸쳐 견고한 전략이 우선합니다. 따라서 What-If 에이전트를 설계할 때의 실질적인 요구사항은 화려하지 않습니다. 가정을 명시하고, 효과의 순서를 구분하고, 경로에 가중치를 부여하고, 질문 자체가 문제인 시점을 말해야 합니다."

— Jenova 제품 팀, AI 에이전트 설계(도메인별 추론 에이전트를 8년간 개발)

이러한 해석은 불확실성이 증언의 일부가 되지 않으면 책임 소재를 판단하는 데 사용되는 반사실적 시뮬레이션이 사람들을 오도할 수 있다는 Gerstenberg의 주의와 맥을 같이합니다. 또한 미래를 안다고 가장하는 전문가가 취약한 정책을 만든다는 RAND의 경고와도 일치합니다. 인용 가능한 What-If 도구는 시나리오라는 이름을 붙인 자동완성보다 이러한 연구 프로그램에 더 가까운 형태가 될 것입니다.

개인적 의사결정과 기업 계획에는 어떤 AI What-If 접근 방식이 적합한가?

개인적·정치적·과학적 질문과 구조가 불분명한 전략적 질문에는 대화형 결과의 층위를 사용하고, 조직이 이미 측정하는 동인의 변화가 가정의 핵심이라면 연결형 계획 플랫폼을 사용해야 합니다. 대부분의 사람은 인정하는 것보다 더 자주 전자를 필요로 하며, 이미 돈이 모델 안에 들어가 있다면 후자가 필요합니다.

다음과 같은 경우 Jenova의 What-If Analyst를 선택하세요.

전제가 열린 형태인 경우: 진로, 이주, 제품 방향, 동맹 정치, 기술 충격 또는 진지한 사고 실험.
질문이 잘못되었거나 특정 선택지에 고정되어 있거나 이미 내려진 결정을 보호하고 있다고 의심되는 경우.
동인 트리보다 후속 효과, 이해관계자의 대응 움직임, 가역성, 관찰해야 할 신호가 더 필요한 경우.
작업이 여러 세션에 걸쳐 진행되며 이미 닫은 분기를 기억해야 하는 경우.

다음과 같은 경우 Anaplan, Pigment, Abacum 또는 Workday를 선택하세요.

What-If가 인력, 이탈률, 가격, 공급 또는 매출 구성에 관한 계획 사례인 경우.
여러 팀이 채팅 기록이 아니라 하나의 모델을 공유해야 하는 경우.
실제 수치가 움직일 때 시나리오를 새로 고치는 것이 핵심인 경우. 이는 Workday가 생성형 계획에 대해 설명하는 방식과 같습니다.
소프트웨어가 하지 못하는 입력값 검토를 담당할 모델 소유자가 이미 있거나 채용할 수 있는 경우.

기업의 질문이 숫자로만 이루어지지 않았다면 두 가지를 함께 사용하세요. 예를 들어 “이 시장에 진입하면 어떻게 될까?”라는 질문에는 Pigment 또는 Anaplan 방식의 경제성 분석뿐 아니라 규제기관의 대응, 인재, “진입”이 정말 핵심 의사결정인지에 대한 추론 검토도 필요합니다. Shell식 시나리오 실무는 애초에 스프레드시트만을 의미하지 않았습니다. Meissner와 Wulf가 인용한 연구에서 영국 기업의 3분의 1 이상이 시나리오 계획을 사용한다고 답했습니다. 단일 지점 예측이 정밀해 보이지만 실패하기 시작한 것은 불확실성이 커졌기 때문이며, 이 방법은 그러한 환경에서 확산되었습니다.

마지막으로 한계가 있습니다. 일부 가정은 알 수 없는 미지수가 너무 많습니다. 신뢰할 수 있는 분석가는 확률을 억지로 만들어내는 대신 그렇게 말합니다. 모델 기반 의사결정의 불확실성은 매개변수, 구조, 방법, 이질성에서 발생하며 제거할 수 없습니다. 대화에서도 마찬가지입니다. 높은 품질의 결과는 때로 “이 What-If의 점수를 매길 수 없는 이유”와 나중에 점수를 매길 수 있게 해줄 두세 가지 사실을 제시하는 것입니다.