깊은 불확실성 의사결정 (Robust Decision Making)

한 줄 정의

이해관계자가 모델·확률·가치에 합의하지 못하는 "깊은 불확실성(deep uncertainty)" 상황에서, 하나의 예측을 맞히는 대신 수많은 그럴듯한 미래에 전략을 스트레스 테스트해 어느 미래에서도 크게 망가지지 않는 견고한(robust) 선택을 찾는 의사결정 방법(RDM) [Lempert 2006].

일상 한 줄

미래를 하나로 맞히기 어렵다면, 여러 미래에서 살아남는 선택을 고른다.

흔한 장면

단일 시나리오 계획: AI가 내 직업을 어떻게 바꿀지 한 가지 시나리오로만 커리어를 설계한다.
하나의 전망에 올인: 부동산·투자·진로를 특정 경제 전망 하나에 걸고, 그 전망이 틀리면 대안이 없다.
장기 문제를 점추정으로: 부모 돌봄, 가족 건강, 기후 리스크처럼 확률조차 합의 안 되는 문제를 "최적해" 하나로 푼다.
예측 의존의 취약성: 예측이 빗나가는 순간 계획 전체가 동시에 무너진다(견고성 없는 최적화의 전형).
불편한 미래 회피: 가능성은 낮지만 치명적인 미래(실직 장기화, 큰 의료비)를 시야에서 지운다.

왜 빠지나 (메커니즘)

단일 서사 선호: 사람은 확률 분포보다 하나의 그럴듯한 미래 "이야기"를 선호한다 — RDM은 이 점추정 예측을 의도적으로 거부하고 모델을 수백~수천 번 돌려 다중 미래를 만든다 [Lempert 2006].
예측 패러다임의 한계: 깊은 불확실성에서는 모델을 "더 나은 예측"의 도구로 쓰는 것 자체가 부적절하며, RDM은 모델을 예측이 아니라 "더 나은 결정"을 위한 스트레스 테스트 도구로 재정의한다 [Marchau 2019].
최적화의 가정 취약성: 가장 가능성 높은 미래에 최적화한 전략은 그 가정이 깨지는 순간 무너진다 — 그래서 평균 최적보다 만족화(satisficing) 기반 견고성을 추구한다 [Lempert 2006].
인지 부담: 여러 미래·여러 전략을 동시에 비교하는 것은 부담스러워, 시각화·통계 분석으로 취약성을 드러내는 시나리오 발견(scenario discovery)이 필요하다 [Marchau 2019].

빠져나오는 법

1. 다중 미래 생성: 예측 하나 대신 가정을 넓게 바꿔 가며 다양한 미래를 만든다(탐색적 모델링, exploratory modeling) [Marchau 2019]. 2. 시나리오 발견: 각 선택지가 어떤 조건에서 실패하는지 찾는다 — 실패/성공을 가르는 핵심 요인을 특정한다(scenario discovery) [Marchau 2019]. 3. 견고성 기준 적용: 최상의 기대치보다 후회와 파산 위험이 낮은, 넓은 미래에서 허용 가능한 선택을 고른다. 4. 조기 경보 부착: 작은 실험과 조기 경보 지표를 붙여 가정이 깨지는 시점을 미리 잡는다. 5. 적응 경로 설계: 미래가 드러날 때 경로를 바꿀 수 있는 옵션을 남긴다(adaptive pathways) [Haasnoot 2013].

함께 쓰기 좋은 도구

2차 사고 — 부작용과 지연 효과
시스템 사고 — 피드백 루프
예측 보정 — 예측 가능한 범위 확인
프리모템 — 실패 경로 상상

통념이 무너지는 순간

"좋은 결정은 가장 가능성 높은 미래에 맞추는 것이다"

⚠ 흔한 말: "베이스 시나리오를 정하고 거기에 최적화하면 된다." ✓ 학술: Lempert et al. (2006) — 깊은 불확실성에서는 단일 점추정 예측을 거부하고, 모델을 수백~수천 번 돌려 넓은 범위의 미래에 전략을 스트레스 테스트한다. 평균 최적이 아니라 여러 미래에서 허용 가능한 견고성(robustness)이 기준이다. [Lempert 2006]

"확률을 모르니 합리적으로 결정할 수 없다"

⚠ 흔한 말: "확률 분포를 모르면 기대값 계산이 안 되니 결정 불가." ✓ 학술: deep uncertainty는 모델·확률·가치 세 가지 모두에 합의가 안 되는 상태로 정의되지만, 그래도 취약 조건·후회·회복 가능성은 비교할 수 있다 — RDM은 "더 나은 예측"이 아니라 "더 나은 결정"을 목표로 한다. [Marchau 2019]

"예측 정확도를 높이는 게 핵심이다"

⚠ 흔한 말: "모델만 더 정교하게 만들면 불확실성이 줄어든다." ✓ 학술: RDM은 모델을 예측 도구가 아닌 스트레스 테스트 도구로 쓴다 — 정확도 경쟁 대신 "어떤 가정에서 전략이 깨지는가"를 시나리오 발견으로 찾는다. [Marchau 2019]

1차 출처

Lempert, R. J., Groves, D. G., Popper, S. W., & Bankes, S. C. (2006). "A general, analytic method for generating robust strategies and narrative scenarios." Management Science, 52(4), 514-528. DOI: 10.1287/mnsc.1050.0472.
Marchau, V. A. W. J. et al. (Eds.). (2019). Decision Making under Deep Uncertainty. Springer.

원문 핵심 인용

"Deep uncertainty means that the various parties to a decision do not know or cannot agree on how the system works, how likely various possible future states of the world are, and how important the various outcomes of interest are." — Marchau et al. (2019), Decision Making under Deep Uncertainty, p.3 (citing Lempert et al. 2003)

"Robust Decisionmaking (RDM) is a set of concepts, processes, and enabling tools that use computation, not to make better predictions, but to yield better decisions under conditions of deep uncertainty." — Marchau et al. (2019), Ch.2 "Robust Decision Making (RDM)" (Lempert)

핵심 정의·메커니즘

| 개념 | 정의 (출처 기반) | |---|---| | Deep uncertainty | 이해관계자가 ①시스템 모델 ②핵심 변수의 확률분포 ③대안 결과의 가치, 셋 중 무엇에도 "모르거나 합의하지 못하는" 상태 [Lempert 2006; Marchau 2019] | | Robustness | 단일 미래의 최적이 아니라, 넓은 범위의 그럴듯한 미래에서 허용 가능한 성과를 내는 정도(만족화 기반) [Lempert 2006] | | Exploratory modeling | 가정·모델 구조·가치 체계를 넓게 바꿔 가며 계산 실험으로 다양한 미래를 탐색 [Bankes 1993; Marchau 2019] | | Scenario discovery | 대량 모델 실행 결과에서 전략의 성패를 가르는 취약성/기회 요인을 통계적으로 식별 [Marchau 2019] | | Adaptive pathways | 시간이 지나 정보가 쌓이면 경로를 바꿀 수 있게 설계하는 동적 적응 정책(DAPP) [Haasnoot 2013] |

주요 후속 연구·메타분석

Lempert (2019). "Robust Decision Making (RDM)." In Decision Making under Deep Uncertainty. DOI: 10.1007/978-3-030-05252-22.
Kwakkel, Haasnoot & Walker (2016). "Comparing Robust Decision-Making and Dynamic Adaptive Policy Pathways." Environmental Modelling & Software, 86, 168-183. DOI: 10.1016/j.envsoft.2016.09.017.
Haasnoot, M., Kwakkel, J. H., Walker, W. E., & ter Maat, J. (2013). "Dynamic adaptive policy pathways: A method for crafting robust decisions for a deeply uncertain world." Global Environmental Change, 23(2), 485-498. DOI: 10.1016/j.gloenvcha.2012.12.006.

비판·한계

개인 일상 판단에는 전체 RDM 절차가 무거울 수 있다.
시나리오 수가 많아지면 분석 마비가 생길 수 있다.
견고성만 추구하면 큰 기회를 놓칠 수 있다.

앱 활용 방법

진로, 부모 돌봄, 장기 투자, AI 직업 변화 시나리오에 적용한다.
질문: "이 선택은 어떤 미래에서 망가지는가?", "작게 실험할 수 있는가?", "되돌릴 수 있는가?"