How AI Is Turning Figma''s Finance Team Into Builders

🖼️ 인포그래픽

🖼️ 4컷 인포그래픽

💡 한 줄 결론

AI는 Figma 재무팀이 반복 업무를 자동화하고 업무 도구를 직접 만드는 제작자로 전환하도록 돕고 있으며, 그 기반은 공통 데이터와 결과에 대한 책임이다.

📌 핵심 요점

1. 재무팀의 역할이 보고에서 제작과 운영으로 넓어진다. 채권 회수 담당자는 청구서 추적·현금 회수·NetSuite 대사를 연결하는 시스템을 만들었고, 기업개발팀은 제품 재현과 AI 검토를 실사에 활용한다.
2. 자동화의 출발점은 연결된 데이터와 일관된 지표다. Figma는 제품 사용량과 Stripe 재무 정보를 연결한 기준 테이블을 만들고, 이를 반복 데이터 처리와 다른 업무 시스템에 공급해 공통의 숫자로 사업을 논의할 기반을 마련했다.
3. 현업의 제작 능력에는 중앙 조직의 운영 지원이 필요하다. 현업은 업무 맥락을 바탕으로 시제품을 개선하고, CIO 조직은 공통 플랫폼·호스팅·시스템 의존성·제작자 이탈 이후의 유지보수를 맡는 방향이 제시된다.
4. AI가 초안을 만들어도 이해와 검토는 사람의 책임이다. 채용에서는 모델의 구조와 민감한 변수를 설명하는 능력을 확인하며, 문서는 작성자가 직접 읽고 요약해야 한다. 경비 분석과 감사 대응처럼 목적이 다른 업무에는 서로 다른 정밀도 기준이 필요하다.
5. 생산성 향상이 곧 인력 감소를 뜻하지는 않는다. 사업 복잡도가 유지될 때 같은 인원이 필요하지 않을 수 있다는 조건부 전망이며, 실제로는 신제품과 인수로 업무 복잡성도 커지고 있다. 확보한 시간은 사업 실험·분석·소통에 재배분된다.

🧩 배경과 문제 정의

• AI로 재무 업무의 자동화와 도구 개발이 쉬워지면서, CFO와 재무팀의 역할이 수치 보고와 통제를 넘어 사업 운영과 시스템 설계로 확장되고 있다.
• Figma는 제품 사용 데이터와 재무 데이터를 연결하고 지표 정의를 통일해, 수치의 진위를 논쟁하는 대신 사업 개선에 집중할 기반을 만들어 왔다.
• AI가 반복 업무를 줄여도 사업 이해와 판단까지 대신할 수는 없다. 결과물의 정확성, 독자의 시간, 업무별로 필요한 정밀도를 고려하는 책임이 여전히 중요하다.
• 현업이 직접 만든 자동화가 늘면서 중복 도구, 서로 다른 지표, 유지보수 문제가 생긴다. 현업의 개발 속도와 중앙 조직의 공통 기반을 어떻게 연결할지가 과제다.

🕒 시간순 섹션별 상세정리

1. CFO의 역할이 자동화와 시스템 설계로 확장된다

• 사업 복잡도가 지금과 같다면 1년 뒤에는 현재와 같은 수의 인력이 필요하지 않을 수 있다. 이는 복잡도가 유지된다는 조건이 붙은 전망이다 [00:47]
• AI 활용이 확대되면서 CFO의 업무에는 직접 도구를 만들고 자동화하며, 이를 지속할 시스템과 팀을 설계하는 역할이 점점 더 포함된다 [01:05]

2. SQL 자동화와 공통 데이터가 재무팀의 사업 기여를 키운다

• 재무 담당자는 사업 운영을 이끄는 역할을 맡아야 한다. Figma 합류 초기에는 자동화 기반이 없어 CFO가 직접 SQL과 데이터 테이블을 만들고, 회사 전반의 논의에 필요한 재무 정보를 구성했다 [01:41]
• 제품 지표와 사용량 데이터를 Stripe의 재무 정보에 연결하기 위해 400~500줄의 SQL을 작성했다. 이렇게 만든 기준 테이블은 다른 담당자와 시장 진출 관련 시스템에 전달했다 [03:05]

3. 데이터 확인 주기가 짧아지면서 대응 책임도 커진다

• 팬데믹 초기의 급격한 사용량 증가를 이해하는 데에는 수주가 걸렸지만, 지금은 비슷한 이상 변화를 한 시간 안에 파악할 수도 있다는 평가다. CFO도 시간별 대시보드와 일별 지표를 확인하며 이상 징후와 질문을 찾는다 [04:33]
• Figma 합류 초기에는 유료 플랜 가입자가 약 30명인 날에도 개인·회사 이메일 여부와 접촉 가능성을 한 명씩 살폈다. 이런 관찰은 이후 조직용 제품을 만드는 데 필요한 학습으로 이어졌다 [06:19]

4. 채용에서는 AI 사용 능력보다 사업 이해와 사고력을 검증한다

• 좋은 재무 인재의 핵심은 지적 호기심, 데이터 활용 능력, 좋은 질문, 생각을 구조화하고 전달하는 능력이다. 반복 업무가 줄어든 시간은 사업에서 성과를 더 키울 수 있는 지점을 찾는 데 쓸 수 있다 [07:46]
• 재무 부문 VP 채용의 사례 과제에서는 제한된 제공 정보와 공개 자료를 연결해 타당한 모델을 만드는지 확인한다. 결과물을 제출하는 데 그치지 않고 모델 구조, 변화에 민감한 변수, 실제 사업 작동 방식까지 이해해야 한다 [08:49]

5. 채권 회수 담당자가 업무 시스템을 직접 재구축한다

• 신용·채권 회수 담당자는 청구서 추적, 현금 회수, NetSuite 대사까지 연결하는 자체 시스템으로 전체 업무 흐름을 재구축했다. 이를 통해 매출채권 회수일수를 줄이는 데 중요한 업무에 더 집중할 수 있게 됐다 [11:27]
• 확보한 여력은 신용 조회 방식과 추가 반복 업무의 자동화로 이어졌다. 여러 데이터셋을 연결해 수작업 조회를 줄이고, 다른 사람도 만들어진 도구를 활용할 수 있게 했다 [11:53]

6. 기업개발팀은 제품 재현과 가상 검토로 실사의 깊이를 높인다

• 기업개발팀은 투자·인수 검토 대상의 제품을 바이브 코딩으로 재현해 보는 방식을 실사에 활용한다. 기술의 차별성과 재현 난도에 대한 직관을 얻는 방법이며, 개별 제품의 세부 차이까지 모두 판단할 수 있다는 뜻은 아니다 [12:19]
• 제품팀과의 협업은 계속하되, 재무 배경의 담당자가 직접 만든 결과와 관찰을 가지고 논의할 수 있다. 이는 실사 과정에서 더 구체적인 질문을 던지고 신뢰를 쌓는 데 도움이 된다 [12:58]

7. 범용 AI 도구와 Figma Make를 업무에 맞춰 함께 쓴다

• 자체 자동화는 여러 도구를 조합해 만든다. 기업개발팀은 Codex를 활용하고, 신용·채권 회수 업무에서는 ChatGPT와 에이전트용 스킬을 포함한 워크플로 자동화를 활용한다 [15:18]
• Figma Make로 자연어 지시를 통해 애플리케이션이나 웹사이트를 만들고, 백엔드와 호스팅을 갖춘 내부 도구를 만드는 사례도 생기고 있다. 재무팀의 직접 사용 경험이 제품 피드백으로 이어질 가능성도 있다 [15:42]

8. AI 문서의 양보다 독자가 감당할 비용과 품질을 관리한다

• AI로 짧은 시간에 많은 문서를 만들 수 있게 되면서 필요한 정보를 찾기 어려워지고, 좋은 재무 모델의 기준을 놓칠 수 있다는 우려가 생긴다. 채용에서도 도구에 익숙한 인재와 높은 완성도의 기준을 아는 경험자의 조합이 쟁점이 된다 [16:09]
• Figma는 AI로 작성한 내용임을 표시하는 정책을 마련했다. 독자에게 시간과 노력을 요구하는 결과물인 만큼 작성자가 직접 읽고 검토하며, 요약하고 단순하게 다듬어야 한다. 빠른 생성 속도가 내용 이해와 검토 책임을 없애지는 않는다 [17:07]

9. 출장·경비 분석은 데이터 연결과 목적에 맞는 정밀도가 핵심이다

• 2027년 계획을 위한 출장·경비 검토에서는 여러 시스템에 흩어진 정보를 연결해 정책 변경 기회와 미준수 영역을 찾았다. 오프사이트 참석을 위한 출장인지, 현지 거주자의 방문인지처럼 단순 일치만으로 분류하기 어려운 데이터가 많았다 [18:02]
• 이 사례에서는 과제의 95%가 데이터를 적절히 정리하는 데 있었다는 평가다. 모델의 추정과 유사도 기반 매칭을 활용하되, 정책상 어디에 집중해야 할지 파악하는 목적에는 완벽한 정확성보다 방향을 판단할 수 있는 정보가 필요했다 [18:25]

10. 모든 실험이 살아남지 않아도 자동화를 먼저 생각하는 습관은 남는다

• AI는 여러 데이터 소스를 빠르게 연결하고 대사하는 부담을 줄인다. 과거에는 SQL 실행을 기다리고 결과를 확인한 뒤, 담당자가 직접 BI 분석까지 이어가야 했다 [19:35]
• 한 성장 단계 기업에서는 한두 달 사이 팀이 에이전트 40~50개를 만들었다는 사례가 나온다. 모두 사용되는 것은 아니며 약 90%가 더는 쓰이지 않을 수 있다는 수치는 추정이지만, 반복 업무를 만나면 직접 자동화부터 시도하는 습관을 기르는 데 의미가 있다 [20:02]

11. 부서별 자동화를 공통 플랫폼으로 묶어 중복과 수치 불일치를 줄인다

• 내부 감사의 증빙 요청, GRC의 ISO·SOC 2 감사 대응, 매입채무 업무의 발생액 처리에는 정보 요청·수집·분류·대사라는 공통 과정이 있다. 시스템팀이 이를 하나의 플랫폼으로 제품화하면 여러 사람이 비슷한 도구를 따로 만드는 일을 줄이고, 최초 제작자가 떠난 뒤에도 운영할 수 있다 [20:48]
• 다른 성장 단계 기업에서는 고객 성공 담당자들이 각자 만든 대시보드에 서로 다른 수치를 표시한 사례도 있다. 현업의 제작 능력이 커질수록 결과와 기준을 조정하는 기능이 필요하다 [22:00]

12. 현업 전문가는 시제품을 만들고 CIO 조직은 지속 가능한 기반을 맡는다

• 현업 전문가는 원하는 결과와 업무 과정을 잘 알기 때문에 아이디어를 내고 시제품을 반복 개선하는 데 적합하다. 다만 상위 시스템 의존성, 호스팅, 제작자 이탈 이후의 운영, 다른 부서의 유사 수요까지 모두 책임지는 역할은 별도로 필요하다 [22:43]
• CIO 조직 안의 중앙 제품 관리 기능은 사업팀과 협력해 효과가 확인된 도구를 찾고, 다른 사람이 그 위에 추가로 만들 수 있는 기반을 구축할 수 있다. 기존 시스템 조직과 닮았지만 반복 개선의 속도와 현업의 참여 범위가 달라지고 있다 [23:22]

13. 분산된 제작 속도를 중앙 지원 체계가 따라잡는 과도기에 있다

• Figma는 조직의 성장과 현업의 제작 속도가 지원 도구 구축보다 빨랐다. 일부 팀은 중앙화가 더 진행됐지만 다른 팀은 자체 개발이 앞서 있어, 현재는 속도를 유지하면서 지원 체계를 보완하는 중간 단계에 있다 [24:02]
• 재무 엔지니어의 인력 구성도 아직 정착되지 않았다. 재무팀 안에서 엔지니어링 배경을 가진 사람이 자동화할 업무를 찾기도 하고, 다른 팀의 제품 엔지니어를 빌려 개발하기도 한다 [24:33]

14. 재무 엔지니어의 역량에는 회계 맥락과 통제에 대한 이해가 포함된다

• 데이터 과학자가 협업 부서의 맥락을 깊이 이해할수록 더 좋은 제안을 할 수 있듯, 재무 엔지니어도 기술 외에 해당 업무의 판단 기준을 알아야 한다. 제품팀과 긴밀히 일하는 데이터 과학자는 핵심 팀의 일원으로서 제품 방향을 함께 발전시킨다 [25:09]
• Figma 재무 조직을 지원하는 데이터 과학자 중 일부는 회계 배경을 갖고 있다. 정확성, 상호 검증, 환불과 회수 불능 채권 등의 개념을 이해하면 더 나은 시스템을 만들 수 있다. 이런 맥락은 학습할 수 있으며, 다른 구성원의 사고를 확장하는 데에도 필요하다 [25:42]

15. 지표 산출물의 책임과 정의의 일관성을 재무팀이 지킨다

• 초기 기업에서 창업자가 만든 지표 정의는 보고, 투자자 소통, 사업 의사결정에 사용된다. AI로 코드와 Stripe 로직에 접근하기 쉬워진 상황에서 정의의 소유권과 재검토 주기를 어떻게 정할지가 쟁점이다 [26:26]
• Figma에서는 재무팀이 해당 산출물에 책임을 지며, 초기 기업보다 더 많은 통제를 갖추고 있다. 지표를 일관된 방식으로 설명하는 것이 중요하다는 입장이지만, 제공된 구간에서는 정의를 얼마나 자주 재검토하는지에 대한 구체적인 답변까지 이어지지는 않는다 [27:02]

16. 공시와 과거 실적의 일관성이 신뢰를 지탱한다

• 이사회와 경영진이 재무 정보를 신뢰하려면 과거 실적이 바뀌지 않고, 이전에 제시한 정보와도 일관돼야 한다. 사업을 새롭게 해석하는 시도가 유익하더라도, 공시 관련 결정은 나중에 돌아봐도 타당하고 장기간 유지할 수 있어야 한다 [27:45]

17. 자동화의 확산에는 데이터 이해와 공동 학습이 필요하다

• 예측 모델 담당자부터 경쟁사 벤치마킹과 가격 조사를 수행하는 비즈니스 운영팀까지 자동화에 참여한다. 특정 개인보다 서로의 시도를 보고 더 나은 방법을 만드는 팀 차원의 경쟁과 협력이 중요하다 [28:21]
• 리더가 먼저 새로운 업무 방식을 시도하면 팀에도 같은 기대를 전달할 수 있다. 빠르게 진전하는 사람들은 데이터셋의 연결 구조를 이해하고, 모델이 정해진 규칙대로 처리하는 부분과 추론하는 부분을 구분해 업무별 허용 범위를 판단한다 [29:10]

18. 핵심 시스템은 구매하고 업무 자동화는 직접 만든다

• 오류를 허용하기 어려운 핵심 기록 시스템은 외부 솔루션을 구매한다. 직접 만드는 영역은 반복적인 일상 업무를 자동화해 시간을 재배분할 수 있는 업무 흐름에 집중한다 [31:12]
• 탐색을 허용하는 정책과 자율성은 업무의 재미와 잔류 의향에 영향을 준다. 기술과 학습 기회에 대한 접근성을 채용 대화에서도 활용하기 시작했으며, 특히 기술 업계 밖의 인재에게 새로운 기회가 될 수 있다 [31:48]

19. 자료 작성 시간을 줄여 사업 실험과 판단에 집중한다

• 셀프서비스 사업을 담당하는 재무팀은 지난주나 지난달 수치를 대사하는 대신, 진행 중인 실험과 추세를 분석하고 추가 지출이 필요한 곳을 판단하는 데 더 집중할 수 있게 됐다 [34:10]
• 형식이 일정한 자료의 생성을 자동화하면 해설, 발견, 이해에 시간을 쓸 수 있다. 관련 작업의 속도와 품질이 개선되고 Figma 플러그인을 활용한 빠른 반복 작업도 나타났지만, 늘어나는 사업 복잡성과 전략 업무에 확보할 시간 사이의 균형은 계속 관리해야 한다 [34:38]

20. 자동화된 결과와 감사 추적 기록이 함께 필요하다

• 재무 도구는 업무 진행을 추적하는 방식에서 결과를 직접 제공하는 방식으로 이동하고 있다. 대사 결과가 어떻게 도출됐는지 확인할 수 있는 감사 추적 기록도 제품의 일부가 돼야 한다 [35:20]
• 에이전트가 백그라운드에서 작업하면, 과거에는 데이터 과학 담당자를 섭외하고 이메일과 회의를 거쳐 한 달가량 조사하던 일을 더 빠르게 반복할 수 있다 [35:54]

21. 재무의 영향력은 소통과 신뢰에서 나온다

• AI가 대사와 오류 탐색을 빠르게 해도 FP&A는 사람과 대화해야 하는 업무로 남는다. 개인의 분석 능력만으로 만들 수 있는 변화에는 한계가 있으며, 다른 사람들이 같은 방향을 이해하고 움직이게 해야 한다 [37:25]
• 소통, 관계 형성, 설득과 신뢰 구축은 재무 리더의 핵심 역량이다. 채용에서도 다른 사람의 신뢰와 지지를 얻을 수 있는 능력을 높게 평가한다 [37:37]

22. 인력 수요는 자동화 속도와 사업 복잡성의 관계에 달려 있다

• 정기적인 업무를 처리하기 위해 계속 인력을 늘리는 구조에서 벗어나고자 한다. 다만 신제품 출시와 팀·기업 인수로 복잡성이 커지고 있어, 효율이 꾸준히 개선돼도 이를 모두 상쇄하지는 못하고 있다 [38:45]
• 완전 자동화는 우선 규칙이 명확한 업무부터 확대할 수 있다는 기대가 있다. 사업 핵심 시스템에서 감사에 대응할 수 있는 결과를 만들려면 신뢰 수준이 매우 높아야 하며, 감사인이 무엇을 근거로 수용할지도 논의해야 한다 [39:43]

23. Excel의 직접 조작은 이해와 직관을 만드는 수단이다

• Excel은 모델을 직접 바꾸면서 이해와 신뢰를 쌓는 도구로 평가된다. 자연어로 초안을 만들 수 있어도, 색상환을 움직이며 색을 고르듯 손으로 조정하는 방식이 탐색과 판단에 더 편리한 경우가 있다 [40:35]
• 다른 참여자도 Excel의 공간적 구성이 생각을 정리하는 데 유용하다고 본다. AI 모델이 아직 예측이나 재무 모델을 충분히 잘 만들지는 못한다는 평가와 함께, 스프레드시트 구조의 가치를 강조한다 [41:37]

24. 도구가 바뀌어도 분석의 기본기와 적응력은 남는다

• 한 대학 교수와의 대화에서는 새 모델이 나올 때마다 한 학기 안에서도 강의계획서를 여러 차례 바꿔야 했다는 어려움이 나온다. 그 사례에서는 분석적 사고와 Excel 등 기본기를 가르치는 방향으로 돌아갔다 [42:38]
• 훌륭한 재무 인력의 핵심 역량은 유지되지만, 도구를 활용해 더 나은 결정을 내리는 방법은 계속 달라진다. SQL이 과거에 역량을 확장했듯 AI도 새로운 가능성을 제공하며, 지속적으로 적응하는 사람이 장기적으로 가치를 유지할 수 있다는 관점이다 [43:11]

25. CFO는 사업을 이해하고 변화를 실행하는 리더여야 한다

• 자동화를 우선 고려하고 상황에 따라 도구를 만들거나 구매하는 사고방식이 요구된다. CFO 채용에서는 CEO에 버금가는 사업 주인의식과 운영의 엄밀함을 갖추고, 손익에 대한 이해를 바탕으로 변화를 추진할 사람을 중시한다 [43:48]
• 회계 기본기와 계획 수립 능력에 더해, 사업모델을 쉽게 설명해 조직을 같은 방향으로 움직이게 하는 능력이 중요하다. 이러한 기대는 상장사와 초기 기업에 모두 적용되며, 고객·행동·지표의 투입과 결과를 이해하는 기본도 유지된다 [44:49]

26. 자동화의 출발점은 데이터 무결성과 보고의 기초다

• 먼저 데이터에 제대로 접근할 수 있는지, 필요한 항목을 실제로 추적하고 있는지 확인해야 한다. 초기 기업에서는 추적 체계 자체가 없거나 매출 계산이 사업모델에 맞지 않는 경우가 있어, 결산과 이사회 보고에 앞서 기반을 구축하거나 고쳐야 할 수 있다 [47:09]
• 데이터 기반 위에 보고 규율과 지표를 세우고, 이를 바탕으로 사업의 이야기를 구성한다. 숫자로 사업의 가능성을 설명하는 요구는 IPO 준비 단계뿐 아니라 시리즈 A·B 투자 유치처럼 더 이른 단계로 확대되고 있다 [47:57]

27. 재무팀이 문서 작성 보조를 넘어 직접 자동화를 만드는 단계로 이동한다

• CFO와 컨트롤러 모임에서 관찰한 변화에 따르면, 약 9개월 전부터 AI 활용이 세무 메모나 온보딩 문서 작성에서 핵심 데이터 대사와 여러 업무 흐름의 자동화로 확대됐다. 일부 리더는 이를 추진하지 않으면 조직 안에서 뒤처진다고 평가받을 수 있다고 느낀다 [48:38]
• 재무팀이 자동화 해커톤에서 성과를 내는 모습도 이러한 변화를 보여준다. Figma의 내부 해커톤인 ‘메이커 위크’에 예전에는 어떻게 참여할지 몰랐지만, 이제는 여유만 있다면 만들고 싶은 아이디어가 매우 많고 팀도 비슷할 것이라는 자신감이 생겼다 [49:24]

🧾 결론

• Figma 재무팀의 변화는 AI 활용이 문서 작성 보조에서 데이터 대사와 업무 흐름의 직접 자동화로 확대되는 모습을 보여준다.
• 지속 가능한 성과를 내려면 현업의 빠른 실험을 공통 지표, 운영 책임, 감사 추적 기록과 연결해야 한다.
• 도구가 바뀌어도 회계 기본기, 분석적 사고, 사업 이해, 설득과 신뢰 구축은 재무 인력의 핵심 역량으로 남는다.

📈 투자·시사 포인트

• 기업의 AI 도입 효과를 살필 때는 만든 도구의 수와 함께 실제 사용 여부, 반복 업무 감소, 의사결정 속도, 유지보수 책임을 확인필요가 있다.
• 투자·인수 실사에서 제품을 직접 재현하면 기술의 차별성과 재현 난도를 묻는 데 도움이 된다. 다만 개별 제품의 세부 차이까지 판단할 수 있다는 의미는 아니다.
• 핵심 기록 시스템은 구매하고 주변 업무 흐름은 직접 자동화하는 접근이 제시된다. 이는 AI 도구의 사업 기회를 검토할 때 정확성·통제·감사 요구를 함께 살펴야 함을 시사한다.
• 제공된 사례만으로 Figma의 이익 개선 폭이나 인력 감축 규모를 추정하기는 어렵다. 자동화로 확보한 여력과 사업 복잡성 증가를 함께 봐야 한다.

⚠️ 불확실하거나 확인이 필요한 부분

• 인력 수요 감소는 사업 복잡도가 유지된다는 조건부 전망이다. 실제 감원 계획이나 확정된 인원 감소 수치는 제시되지 않는다.
• 에이전트 40~50개 제작과 약 90% 미사용 가능성은 다른 성장 단계 기업의 사례와 추정이다. Figma의 실적이나 일반적인 도입 성공률로 해석해서는 안 된다.
• 채권 회수, 분석 속도, 자료 작성의 개선 사례는 있지만 비용 절감액·회수일수 단축 폭·투자수익률을 일관되게 비교할 수 있는 수치는 제공되지 않는다.
• 자막 기반 정리: 타임스탬프가 있는 자막을 기준으로 정리했으며, 고유명사·수치·인용은 원문 확인 필요 시 별도 검증한다.
• 영상 속 주장: 발표자의 해석·전망·비교는 확인된 외부 사실이 아니라 영상 속 주장으로 분리해 읽는다.
• 검증 필요: 수치, 기업 실적, 정책·시장 전망은 발행 전 최신 자료로 별도 검증이 필요하다.

✅ 액션 아이템

• 자동화할 업무를 고르기 전에 데이터 접근권, 추적 항목, 매출 계산 방식과 지표 정의를 점검한다.
• 반복적인 정보 수집·분류·대사 업무 하나를 골라 시제품을 만들고, 실제 사용 여부와 줄어든 수작업을 확인한다.
• 탐색용 분석과 결산·공시·감사 업무를 구분해 필요한 정확도, 사람의 검토 범위, 감사 추적 기록을 정한다.
• 효과가 확인된 도구에는 운영 담당자와 유지보수 책임을 지정하고, 다른 부서의 유사 수요를 공통 플랫폼으로 묶을지 검토한다.

❓ 열린 질문

• 현업이 만든 시제품을 중앙 조직이 운영하는 공통 도구로 전환하는 기준과 시점은 무엇이어야 할까?
• 지표 정의의 일관성과 새로운 사업 해석의 필요성을 조율하려면 소유권과 재검토 주기를 어떻게 정해야 할까?
• 자동화로 절약한 시간 중 얼마나 사업 판단에 재배분되고, 얼마나 늘어난 복잡성을 처리하는 데 쓰이는가?