경험의 PM에서 예측의 PM으로
IPMA 보고타 2026이 던진 질문: 이제 프로젝트 관리자의 경쟁력은 AI 역량인가
2026년 4월 콜롬비아 보고타에서 열리는 제14회 IPMA Research Conference의 주제는 분명하다. 기술, 혁신, 지속가능성. 그런데 이 세 단어를 프로젝트관리 실무의 언어로 번역하면 결국 하나의 질문으로 모인다. “앞으로 프로젝트 성과를 더 잘 내는 PM은 누구인가?” 이번 행사 소개와 발표 세션을 보면, 이제 그 답은 단순한 리더십이나 커뮤니케이션 능력만으로 설명되기 어렵다. 데이터 해석, AI 도구 활용, 윤리적 통제까지 포함한 새로운 역량 체계가 PM의 실질 경쟁력으로 부상하고 있다. IPMA는 이번 콘퍼런스를 2026년 4월 15일부터 17일까지 Universidad EAN에서 개최하며, 연구자·전문가·실무자가 기술과 인간 중심 접근, 지속가능성, AI 등을 함께 논의하는 장으로 제시했다.
이 흐름을 가장 선명하게 보여주는 발표 중 하나가 NFN 강병준 대표(AI공학박사, 경영학박사, 서울대 EPM AI4PM단장, 서울대 CEPM)의「A Study on Clarifying Project Manager’s AI Competency and Systematizing」이다. 이 연구는 프로젝트관리자의 AI 역량을 추상적 구호가 아니라 측정 가능한 프레임워크로 정의하고, 이를 프로젝트 성과 예측 정확도와 연결해 검증하려는 시도다. 발표자료와 논문에 따르면 연구의 핵심 문제의식은 세 가지다. 첫째, PM에게 필요한 AI 역량은 무엇인가. 둘째, KPI는 어떻게 구조화돼야 하는가. 셋째, 그렇게 설계된 역량과 지표가 실제로 성과 예측을 개선하는가.
왜 지금 PM의 AI 역량을 다시 정의해야 하나
기존 프로젝트관리 논의는 오랫동안 경험, 직관, 리더십, 커뮤니케이션 중심으로 축적돼 왔다. 물론 그것들이 여전히 중요하지 않다는 뜻은 아니다. 문제는 그것만으로는 데이터 기반 프로젝트 환경을 설명하기 어려워졌다는 점이다. 연구진은 과거의 PM 역량 모델이 AI 활용 능력을 독립 변수로 충분히 다루지 못했고, KPI 역시 측정 수준과 우선순위, 인과 흐름이 없는 단순 목록으로 취급되는 한계가 있었다고 지적한다. 즉, 오늘의 프로젝트 환경에서는 “좋은 PM”의 정의 자체가 바뀌고 있다는 뜻이다.
이 연구가 제시한 PM의 AI 역량은 세 차원으로 구성된다. 첫째는 데이터 리터러시다. 프로젝트 데이터를 이해하고, 통계 기법이나 AI 모델의 출력을 해석해 의사결정에 반영하는 능력이다. 둘째는 AI 협업 및 도구 활용이다. 생성형 AI, 예측 모델링, 자동화 도구를 실제 업무 흐름에 적용하는 실천 역량이다. 셋째는 AI 윤리 및 거버넌스다. 알고리즘 편향, 개인정보 보호, 설명가능성 같은 리스크를 다루는 통제 역량이다. 발표자료는 이 프레임워크가 높은 신뢰도와 타당도를 보였다고 제시하며, 논문에서도 Cronbach’s α 0.91, CFA 적합도 CFI 0.95, RMSEA 0.051 수준을 보고한다.
KPI는 보고용 숫자 묶음이 아니라 예측 시스템이어야 한다
이번 연구의 또 다른 핵심 메시지는 강하다. “KPI는 목록이 아니라 시스템이다.” PM 실무에서는 KPI를 많이 관리하지만, 정작 예측 가능한 형태로 설계된 경우는 많지 않다. 연구는 KPI 체계화를 세 가지 요소로 정의한다. Level은 각 KPI를 수치적으로 측정 가능한 형태로 만드는 것이고, Weight는 각 지표가 성과에 미치는 상대적 중요도를 반영하는 것이며, Sequence는 선행지표-중간지표-결과지표의 인과 흐름을 명확히 하는 것이다. 예를 들어 팀 역량이 과업 완료율에 영향을 주고, 그것이 최종 성공률로 이어지는 식의 구조다.
이 포인트는 실무적으로 중요하다. 많은 조직이 KPI를 “관리 항목”으로는 보지만 “예측 변수”로 다루지는 않는다. 그러나 논문은 구조화되지 않은 KPI가 다중공선성과 낮은 변별력 때문에 예측모델 성능을 떨어뜨릴 수 있다고 본다. 반대로 Level, Weight, Sequence를 갖춘 KPI는 각 변수의 독립성과 예측 기여도를 더 분명하게 만들어 머신러닝 모델의 설명력을 높일 수 있다는 논리다. PM 관점에서 보면, 이는 성과관리 체계를 보고·평가 중심에서 조기경보와 사전대응 중심으로 바꾸라는 요구에 가깝다.
이론이 아니라 검증으로 갔다는 점이 이번 연구의 강점
이번 연구는 단순 개념 제안에 머무르지 않았다. 방법론은 315명의 유효 응답을 활용한 설문, 4개 알고리즘(Random Forest, XGBoost, Neural Networks, SVM) 비교, 그리고 112개 프로젝트 보고서에 대한 텍스트 마이닝을 결합한 혼합연구다. 응답자의 평균 PM 경력은 8.7년, 평균 프로젝트 예산은 1,260만 달러 수준이며, 산업 분포는 IT/소프트웨어, 건설/엔지니어링, 제조, 금융/서비스로 구성됐다.
가설 검증 결과도 명확하다. 논문과 발표자료에 따르면 PM의 AI 역량은 프로젝트 성과에 유의한 정(+)의 영향을 보였고, AI 역량을 기존 PM 역량모델에 추가했을 때 설명력은 R² 0.41에서 0.58로 상승했다. 또한 KPI 체계화 수준 역시 예측력 향상에 유의미하게 작용했다. 특히 KPI가 잘 구조화된 조직에서는 AI 역량의 효과가 더 크게 나타났고, 체계화 수준이 낮은 조직에서는 그 효과가 절반가량 약화됐다. 이는 PM 개인 역량과 조직의 성과관리 체계가 따로 노는 것이 아니라, 서로를 증폭시키는 관계라는 뜻이다.
머신러닝 결과는 더 직접적이다. XGBoost 기준으로, 기존 변수만 사용한 Model A 대비 AI 역량과 체계화된 KPI를 포함한 Model B는 Accuracy 73.7%에서 86.3%, F1-score 0.703에서 0.857, AUC-ROC 0.781에서 0.912로 개선됐고, 회귀문제 기준 RMSE는 14.27에서 9.84로 31.0% 감소했다. 연구진은 여기서 중요한 결론을 제시한다. 성능 향상의 핵심은 알고리즘 교체보다도 변수 설계와 구조화에 있다는 것이다. 다시 말해, “어떤 AI를 쓰느냐”보다 먼저 “무엇을 입력하느냐”가 중요하다는 얘기다.
성공한 프로젝트는 이미 다른 언어를 쓰고 있었다
텍스트 마이닝 결과도 흥미롭다. 성공 프로젝트 보고서에서는 실패 프로젝트보다 AI 관련 키워드가 더 자주 등장했다. 논문에 따르면 성공 프로젝트 문서의 AI 관련 키워드 평균 빈도는 문서당 18.7회, 실패 프로젝트는 11.3회였다. 특히 data, prediction, automation 같은 표현의 출현 빈도 차이가 컸고, 반대로 전통적 PM 용어인 경험, 직관, 판단은 유의미한 차이를 보이지 않았다. 이것은 단순한 단어 빈도 이상의 의미를 갖는다. 성공하는 프로젝트는 단지 결과가 다른 것이 아니라, 문제를 해석하고 보고하고 판단하는 언어 체계 자체가 달라지고 있다는 신호일 수 있다.
PM 실무와 조직에 던지는 세 가지 메시지
첫째, PM 교육의 커리큘럼이 바뀌어야 한다. 이제 PM 교육에서 AI를 “부가 주제”로 다루는 수준으로는 부족하다. 데이터 해석, 생성형 AI 활용, 예측모델 이해, 윤리와 거버넌스를 기본 역량으로 넣어야 한다. 발표자료도 PM 교육 프로그램에 데이터 리터러시, AI 도구 사용, 윤리 교육을 포함할 것을 제안한다.
둘째, 조직의 KPI 설계 철학이 바뀌어야 한다. KPI는 더 이상 사후평가용 대시보드가 아니라 예측과 개입을 위한 운영체계여야 한다. 숫자를 모으는 것이 아니라, 어떤 지표가 선행인지, 어떤 지표가 결과인지, 무엇에 더 높은 가중치를 둘 것인지를 구조적으로 설계해야 한다. 이 전환이 없으면 AI를 도입해도 예측 품질은 기대만큼 올라가지 않는다.
셋째, 채용·평가 기준도 달라져야 한다. PM 선발과 승진에서 경력 연차와 자격증만으로는 부족하다. 연구에서는 AI Data Literacy와 AI Collaboration & Tool Usage가 높은 중요도를 보였고, 전통 변수인 PM 경험 연수의 중요도는 상대적으로 낮게 나타났다. 이는 조직이 앞으로 PM을 평가할 때 “경험이 많은 사람”보다 “데이터와 AI를 통해 더 나은 판단을 만드는 사람”을 더 정교하게 가려내야 한다는 뜻이다.
보고타 2026이 상징하는 것
이번 IPMA Research Conference Bogotá 2026은 단순한 학술행사가 아니다. 이 행사는 프로젝트관리가 어디로 이동하고 있는지 보여주는 일종의 방향 지시계다. 경험의 축적만으로 버티던 시대에서, 이제는 데이터를 읽고, AI를 다루고, KPI를 구조화해, 실패를 사전에 줄이는 체계가 PM 경쟁력의 핵심으로 이동하고 있다. 이번 세션이 시사하는 바는 선명하다. 미래의 PM은 “AI를 아는 관리자”가 아니라, AI와 데이터를 통해 프로젝트의 성공확률을 높이는 설계자여야 한다는 것이다. 그리고 그 전환은 이미 시작됐다.