AI 전문가 탐구 #5 — AI의 대부가 AI를 경고하는 이유: Hinton의 역설에서 PM이 배울 거버넌스
- Hinton이 1986년 “역전파”로 딥러닝 기초를 다진 후 수십 년간 학계 회의론을 견디며 2012년 AlexNet의 대승리로 정당성을 입증했다면, 현재 보유 기술의 “가설”과 “현실” 사이 간극을 조직은 어떻게 관리해야 하는가?
- Hinton이 “전체 AI 연구의 1/3을 안전에 투자해야 한다”고 주장하면서도 Google Brain 30년 성과(AlexNet·Dropout·Capsule Networks·심화 학습 전반)를 동시 달성한 이유는? 기업은 “능력 확보”와 “안전 장치” 사이에서 어떻게 투자 우선순위를 정할 것인가?
- Hinton의 제자들(Sutskever, LeCun, Bengio, Krizhevsky 등)이 현재 AI 산업 핵심 기관을 이끌고 있다는 점이 단순 “훌륭한 스승의 결과”가 아니라 “의도적 멘토링 시스템”이라면, 기업 내에서 유사한 구조를 만들 수 있는가?
- Hinton이 2023년 Google을 떠나며 “AI의 위험을 경고”하는 선택을 한 것이 70년 커리어에서 “선택과 집중”했던 원칙과 일관성이 있다면, 기업 리더는 “기술 개발 중단”을 어떤 조건에서 결정해야 하는가?
- PO: Hinton의 50년 여정은 “내가 만든 기술의 한계를 직접 인정하는” 과정. AlexNet 후 Dropout·Capsule Networks 등 반복된 개선과 겸허한 실패 인정이 PO에게 “신뢰 자산 구축의 모델”이다.
- PM: Hinton의 “디지털 지능이 구조적으로 우월하다”는 분석에 따르면 향후 대량 실업의 위험이 현실. PM의 역할은 “기술로 일자리를 빼앗는 것”에 대한 조직 내 명확한 거버넌스를 설계하는 것.
- PL: Hinton이 역전파 이후 수십 년 회의론을 견딘 것은 “이론적 우아함”에 대한 불변적 신념 때문. PL은 단기 ROI 없어도 “기초 기술 강화”에 지속 투자하는 용기와 합리성을 조직에 설득할 언어를 동시에 가져야 한다.
인물 프로필
Geoffrey Hinton (1947-)
“AI의 대부”, 노벨 물리학상 2024, Turing Award 2018
.jpg){kind=link}
이 인물을 간접 체험하는 추천 영상:
도입부
PM 코치/컨설턴트로서 AI 대가를 분석하는 것은 단순한 인물 소개가 아닙니다. “이 사람의 사고 방식 중 어떤 부분이 프로젝트 실패율을 낮추는 데 직접 쓰일 수 있는가?”를 묻는 과정입니다.
Geoffrey Hinton은 Boolean logic 창시자 George Boole의 현손이자, 에베레스트 산의 이름이 된 George Everest 경의 후손입니다. 30년간 학계의 조롱을 견디며 역전파(backpropagation)를 대중화하고, 제자들을 통해 AI 산업의 전체 지형을 바꾸고, 노벨 물리학상을 받은 뒤 — 자신이 평생 만든 것을 세상에 경고하기 위해 Google을 떠난 인물입니다. 그의 커리어를 관통하는 단일 역설이 있습니다: “내가 만든 것이 나를 두렵게 한다(I built it, and now I fear it).”
이 글에서는 그의 경력과 프로젝트를 분석하되, PO/PM/PL이 실제로 적용할 수 있는 생물학적 유추 사고(Analogical Reasoning)와 자기 부정의 용기(Self-Disruption Courage), 그리고 구축자의 거버넌스 책임(Builder’s Governance Responsibility)에 초점을 맞춥니다.
1. 왜 Hinton은 자신이 평생 만든 기술을 스스로 경고하는가 — 그 역설에서 PM은 무엇을 배우는가?
2. 역전파에서 Forward-Forward까지, 자기 발명을 반복적으로 부정하는 패턴에서 어떤 사고 체계가 추출되는가?
3. 이 사고 체계를 PO/PM/PL의 리스크 거버넌스와 조직 학습 설계에 어떻게 매핑할 수 있는가?
4. 기업은 Hinton의 AI 안전 프레임워크에서 어떤 거버넌스 원칙을 직접 적용할 수 있는가?
왜 Geoffrey Hinton인가
AI 인물 탐구의 다섯 번째 대상을 선정한 기준은 “가장 많은 상을 받은 연구자”가 아닙니다. “PM/PL이 가장 구조적으로 배울 수 있는 거버넌스 패턴과 자기 혁신 모델을 가진가”입니다.
7인 비교: 자기 혁신과 거버넌스 매트릭스
Hinton은 7인 중 유일하게 4가지 차원을 모두 충족합니다. 특히 자기 발명 부정(자신이 대중화한 역전파를 Forward-Forward로 대체 시도)과 구축자에서 안전 옹호자로의 전환(Google 퇴사)의 조합은 PM이 배울 수 있는 가장 드문 거버넌스 패턴을 제공합니다.
PM 코칭을 하면서 가장 자주 마주치는 함정이 “과거 성공 공식에 대한 집착”입니다. Hinton의 경력을 연구하면서 발견한 것은, 그가 자신의 가장 유명한 업적(역전파)을 스스로 “더 나은 것으로 대체”하려 했다는 것입니다. 대부분의 리더는 성공 공식을 지키려 합니다. 자신이 만든 것의 한계를 인정하고, 그것을 넘어서려는 지적 용기 — 이것이 “AI의 대부”가 PM에게 가르치는 첫 번째 교훈입니다.
Hinton의 경력을 관통하는 반복 패턴
Hinton의 경력에는 세 가지 패턴이 끊임없이 반복됩니다: 생물학에서 영감을 얻고, 그것을 수학으로 형식화하고, 자신의 이전 해법을 부정하며 전진합니다.
Hinton의 멘토링 트리 — AI 산업의 가장 영향력 있는 지적 계보
Hinton은 단순히 연구자가 아닙니다. 그의 제자들이 현재 AI 산업의 핵심 기관을 이끌고 있습니다. 이것은 AI 역사상 가장 영향력 있는 단일 멘토링 트리입니다.
주요 프로젝트 — 경력 전체 궤적
Hinton의 50년 여정은 경이로운 호를 그립니다. 역전파를 개척한 후 수십 년간의 학계 회의론을 견디며 딥러닝 혁명의 토대를 놓았고, 마침내 자신이 만든 기술의 위험성을 경고하기 위해 Google을 자발적으로 떠났습니다. 그의 커리어는 인내, 재발명, 그리고 지적 정직성의 마스터클래스입니다.
커리어 타임라인
1947년 12월 6일 영국 런던 윔블던 출생. George Boole(Boolean logic 창시자)의 현손. 곤충학자 아버지. Cambridge에서 실험심리학 학사(1970) → Edinburgh에서 AI 박사(1978, 지도교수 Longuet-Higgins는 neural network에 회의적) → UCSD에서 Rumelhart와 역전파 공동 연구 → Carnegie Mellon 교수 → 미국 국방부 연구 자금에 대한 도덕적 거부로 캐나다 이주(1987) → University of Toronto 교수(1987-현재) → CIFAR에서 AI Winter 동안 연구 공동체 유지 → UCL Gatsby Unit 설립(1998-2001) → DNNresearch 설립 및 Google 인수(2013, $4,400만) → Google Brain 연구 부사장(2013-2023) → AI 안전 경고를 위해 Google 퇴사(2023) → 노벨 물리학상(2024, John Hopfield와 공동).
Mermaid 다이어그램: 3트랙 진화 맵
%%{init: {'theme': 'base', 'themeVariables': {'primaryColor': '#fdf2d8', 'primaryTextColor': '#17160f', 'primaryBorderColor': '#8f5e00', 'lineColor': '#7a7868', 'secondaryColor': '#e6edfb', 'tertiaryColor': '#eeebd8', 'fontSize': '14px'}}}%%
graph LR
subgraph ACADEMIC["학술 연구"]
direction LR
A1["Cambridge/Edinburgh
1970-78"] --> A2["UCSD/CMU
1978-87"]
A2 --> A3["U of Toronto
1987"]
A3 --> A4["Boltzmann/BP
1985-86"]
A4 --> A5["Deep Belief Nets
2006"]
A5 --> A6["Capsule/FF
2017-22"]
end
subgraph INDUSTRY["산업화"]
direction LR
I1["DNNresearch
2012"] --> I2["Google 인수
2013"]
I2 --> I3["AlexNet 지도
2012"]
I3 --> I4["Google Brain
2013-23"]
I4 --> I5["Dropout/Distillation
실용화"]
end
subgraph SAFETY["안전 경고"]
direction LR
S1["국방부 자금 거부
1987"] --> S2["Google 퇴사
2023.5"]
S2 --> S3["Nobel Speech
경고 2024"]
S3 --> S4["Shanghai Consensus
2025"]
S4 --> S5["2026 대량실업
예측"]
end
style ACADEMIC fill:#fdf2d8,stroke:#8f5e00,stroke-width:2px
style INDUSTRY fill:#e6edfb,stroke:#1a4fd6,stroke-width:2px
style SAFETY fill:#fcecea,stroke:#b52a1e,stroke-width:2px
세 트랙은 독립적이지 않습니다 — 학술 연구(생물학적 유추에서 알고리즘 발명) → 산업화(제자들을 통한 실세계 적용) → 안전 경고(만든 사람으로서의 책임)로 이어지는 하나의 도덕적 아크(moral arc)입니다. 특히 “안전 경고” 트랙은 1987년 국방부 자금 거부에서 이미 시작되어 있었습니다.
핵심 프로젝트 분석
Backpropagation 대중화: 딥러닝 전체의 기반 (1986)
Hinton이 David Rumelhart, Ronald Williams와 함께 발표한 역전파 논문은 다층 신경망을 학습시키는 방법을 제공했습니다. 이 알고리즘 자체는 이전에도 존재했지만, Hinton 팀이 이를 실용적으로 작동한다는 것을 증명하고 널리 알린 것이 혁명의 시작이었습니다.
PM 관점에서 역전파의 의미는 알고리즘 자체가 아닙니다. 에러 신호가 출력층에서 입력층으로 역방향 전파되며 각 층의 가중치를 조정하는 메커니즘 — 이것은 조직 학습의 완벽한 은유입니다. 고객 불만(에러 신호)이 경영진에서 현장까지 역방향으로 전파되며 각 팀의 프로세스(가중치)를 조정하는 것과 정확히 같은 구조입니다.
Boltzmann Machines: 불확실성을 품은 학습 (1985)
물리학의 열역학에서 영감을 받은 확률적 신경망. “정확한 답”이 아닌 “확률적으로 좋은 답”을 찾는 접근 — 불확실성을 회피하지 않고 수학적으로 포용하는 프레임워크입니다. 이 연구가 2024년 노벨 물리학상 수상 이유 중 하나로 명시되었습니다.
AlexNet과 ImageNet Moment: 30년 신념의 증명 (2012)
Hinton의 제자 Alex Krizhevsky와 Ilya Sutskever가 개발한 AlexNet은 ImageNet 대회에서 top-5 error rate를 26.2%에서 15.3%로 급감시켰습니다. 2012년 대회에서 신경망을 사용한 유일한 팀이었습니다. Yann LeCun은 이를 “컴퓨터 비전 역사의 확실한 전환점”이라 불렀습니다.
PM 관점에서 핵심은 세 가지 수렴 요소입니다: (1) 웹을 통한 대규모 데이터, (2) GPU 컴퓨팅 파워, (3) 30년간 축적된 딥러닝 알고리즘. Hinton은 30년간 (3)을 준비하고 있었고, (1)과 (2)가 수렴하는 정확한 순간을 포착했습니다.
Dropout: 생물학적 유추의 실용적 승리 (2012)
학습 중 무작위로 뉴런을 비활성화하여 과적합을 방지하는 기법. 뇌에서 모든 뉴런이 동시에 활성화되지 않는 현상에서 영감을 받았습니다. 이론적으로 우아하면서 실용적으로도 강력한 — Hinton 연구의 전형적 특징입니다. Google이 특허를 취득했습니다.
Capsule Networks: 이론적 우아함과 실용적 한계의 인정 (2017)
CNN의 근본적 한계(공간 계층 관계 손실)를 해결하려는 시도. 이론적으로 우아했지만 실세계에서 CNN 대비 성능 우위를 보여주지 못했습니다. Hinton은 이 한계를 솔직히 인정했습니다.
Forward-Forward Algorithm: 자신의 대표작을 자기가 부정하다 (2022)
역전파를 대체하려는 시도. 두 번의 순방향 패스(positive + negative)로 학습하는 알고리즘으로, 뇌의 실제 학습 과정에 더 가깝습니다. Hinton이 자신의 가장 유명한 업적을 스스로 “더 나은 것으로 대체”하려 한 것입니다.
Google 퇴사: 만든 사람의 책임 (2023)
2023년 5월, Hinton은 AI 안전성 우려를 자유롭게 말하기 위해 Google을 퇴사했습니다. 연구 자금, 명예, 안정성을 모두 포기한 원칙 기반 의사결정이었습니다. 이 선택은 1987년 미국 국방부 자금에 대한 도덕적 거부로 캐나다로 이주한 것과 정확히 같은 패턴입니다 — 가치 기반 의사결정의 36년 일관성.
Hinton이 Google 내부에 남았다면 내부 안전 정책에 영향을 미칠 수 있었을 것입니다. 그러나 그는 외부에서 말하는 것이 더 큰 영향력을 가진다고 판단했습니다. 기업 PM에게 던지는 질문: “당신의 리스크 경고가 가장 효과적인 위치는 어디인가? 조직 안인가, 밖인가?”
산업에 미친 영향 — “만든 사람이 경고하는” 새로운 모델
Hinton은 기술만 개발한 것이 아니라, 구축자가 경고자가 되는 새로운 책임 패러다임을 열었습니다.
패러다임 전환 테이블
기업의 향후 AI 영향과 준비 항목
1. AI 거버넌스 프레임워크
Hinton이 제안하는 5-포인트 거버넌스 프레임워크를 기업 수준에서 직접 적용할 수 있습니다.
준비 항목: – AI Ethics Board 설립 (기술 + 법무 + 현업 교차 구성) – AI 시스템별 리스크 등급 분류 체계 – 분기별 AI 안전 감사(audit) 프로세스
2. 인력 전환 계획
Hinton의 2026년 대량 실업 예측에 대한 기업 대응 전략:
준비 항목: – 전 직무 AI 자동화 가능성 매핑 (task-level) – 12개월 인력 재배치/재교육 로드맵 – “AI가 할 수 없는 것” 중심 역량 개발 프로그램
3. 디지털 지능 vs 생물학적 지능 대비
Hinton의 “디지털 지능이 구조적으로 우월하다”는 분석에 기반한 전략:
준비 항목: – 조직 내 “AI가 인간보다 구조적으로 우월한 영역” 식별 – 해당 영역의 AI 전환 우선순위 설정 – 인간 고유 영역(맥락 판단, 윤리, 관계)의 가치 재정의
4. AI 안전 투자
Hinton의 “전체 AI 연구의 1/3을 안전에 투자해야 한다”는 제안을 기업 수준으로 번역:
준비 항목: – AI 프로젝트별 “안전 테스트 예산 비율” 최소 기준 설정 – AI 출력 신뢰성 검증(hallucination detection, bias audit) 프로세스 – “기만 역량 평가” — AI가 사용자를 오도할 수 있는 시나리오 사전 식별 – Red team 운영: 자사 AI 시스템의 취약점을 내부에서 선제 발견
파급 효과 테이블
PO/PM 관점에서 본 Hinton의 사고 체계
Hinton이 PM에게 주는 가장 가치 있는 교훈은 기술적인 것이 아니라 윤리적인 것입니다 — 자신의 성공적인 창조물에 의문을 제기하는 용기입니다. 생물학적 유추, 자기 파괴적 혁신, 멘토링 계보라는 그의 사고 체계는 모든 PM이 내재화해야 할 거버넌스 모델을 제공합니다.
PO 관점: 비전/전략 설정 패턴
PM 관점: 프로젝트 운영 원리
Backpropagation을 조직 학습 은유로 활용
Hinton 사고 모델 다이어그램
%%{init: {'theme': 'base', 'themeVariables': {'primaryColor': '#fdf2d8', 'primaryTextColor': '#17160f', 'primaryBorderColor': '#8f5e00', 'lineColor': '#7a7868', 'secondaryColor': '#e6edfb', 'tertiaryColor': '#eeebd8', 'fontSize': '14px'}}}%%
graph TD
A["생물학적 유추
Biological Analogy"] --> B["수학적 형식화
Mathematical Formalization"]
A --> C["존재 증거 사고
Existence Proof Thinking"]
B --> D["실험적 검증
Experimental Validation"]
C --> E["30년 인내
AI Winter Persistence"]
D --> F["자기 부정의 용기
Self-Disruption"]
E --> F
F --> G["멘토링 트리 구축
Legacy Through Students"]
G --> H["Builder's Responsibility
만든 사람의 책임"]
H --> I["거버넌스 리더십
Governance Leadership"]
style A fill:#fdf2d8,stroke:#8f5e00,stroke-width:2px
style F fill:#e6edfb,stroke:#1a4fd6,stroke-width:2px
style I fill:#fcecea,stroke:#b52a1e,stroke-width:2px
전통 PM 프레임워크 매핑
실전 — PO/PM/PL을 위한 메타인지 가이드
이 파트의 목적은 ‘거버넌스 근육’을 개발하는 것입니다 — 남들보다 먼저 자기 작업의 리스크를 발견하고, 불편하더라도 그 인사이트에 따라 행동하는 능력입니다. Hinton이 Google을 떠나며 보여준 바로 그 판단력을, 여러분의 프로젝트 현장에서 실천하는 방법을 다룹니다.
– 잘못된 적용: “우리도 30년간 참고 기다리자” → 존재 증거 없이 맹목적 인내
– 올바른 적용: “이 기술이 작동할 수밖에 없는 근본적 증거가 있는가?”를 먼저 확인한 후 인내
– 잘못된 적용: “성공한 프로세스를 다 버리고 새로 시작하자” → 파괴적 혁신의 오남용
– 올바른 적용: “현재 방법론의 근본 가정을 검증하고, 유효하지 않은 것만 교체”
– 잘못된 적용: “AI가 위험하니까 도입하지 말자” → Hinton도 AI 자체를 반대하지 않음
– 올바른 적용: “AI를 도입하되, 만든 사람/도입한 사람이 리스크를 가장 먼저 경고하는 문화 구축”
2열 카드: PM 루트 vs PL 루트
PM 루트 — 자기 부정의 거버넌스
Hinton의 핵심 기여: 자신의 가장 성공적인 기술을 스스로 대체하려는 용기.
PM이 적용할 3단계: 1. 가정 감사(Assumption Audit): “우리 프로젝트 방법론에서 ‘당연한 것’으로 여기는 가정은 무엇인가?” 2. 존재 증거 점검: “이 가정이 유효하다는 근본적 증거가 아직 있는가?” 3. 자기 부정 실행: “이 가정이 틀렸다면, 어떤 대안이 가능한가?”
PL 루트 — 멘토링 트리의 설계
Hinton의 핵심 기여: AI 산업 전체를 바꾸는 인재 네트워크를 구축.
PL이 적용할 3단계: 1. 제자의 능력 인정: “내 팀원들이 나보다 더 잘하는 것이 무엇인가?” 목록 작성 2. 호기심 우선 환경: 단기 성과 압박 속에서도 탐구적 작업을 허용하는 공간 확보 3. 수출 경로 제공: 팀원의 커리어 성장 경로를 조직 밖까지 시야에 포함
4단계 메타인지 훈련
PM/PL이 Hinton의 사고 체계를 내재화하기 위한 4단계 훈련입니다. 핵심은 “기법을 외우는 것”이 아니라 “사고하는 방식 자체를 업그레이드”하는 것입니다.
Step 1: 인지 — 나의 리스크 인식 수준 점검 (Week 1-2)
목표: 현재 자신의 리스크 인식 패턴을 메타인지적으로 인식
Step 2: 유추 — 생물학적 사고로 조직 학습 설계 (Week 3-4)
목표: 다른 도메인(생물학, 물리학 등)의 패턴을 조직/프로젝트에 유추 적용하는 능력
Step 3: 전환 — 구축자에서 거버넌스 리더로 (Week 5-6)
목표: “만드는 역할”에서 “만든 것의 영향을 관리하는 역할”로 관점 전환
Step 4: 통합 — 자기 부정의 용기 내재화 (Week 7-8)
목표: 자신의 성공 공식을 의도적으로 검증/부정/갱신하는 메타인지 루프 완성
Quick Start: 이번 주부터 시작할 5가지
Hinton이 PM/PL에게 던지는 가장 근본적인 질문은 이것입니다: “당신은 자신이 만든 것의 한계를 인정할 용기가 있습니까?” 역전파를 대중화한 사람이 역전파를 부정하고, AI를 만든 사람이 AI를 경고합니다. 이 “역설”은 사실 역설이 아닙니다 — 만든 사람만이 가장 정확하게 경고할 수 있다는 원칙의 체현입니다. PM/PL에게 권합니다: 자신의 성공 공식을 가장 먼저 의심하세요. 자신이 만든 시스템의 리스크를 가장 먼저 경고하세요. 그것이 Hinton이 보여준, 구축자의 진정한 거버넌스입니다.
Hinton은 30년간 “왜 neural network에 인생을 거는가?”라는 질문을 받았습니다. 그의 대답은 항상 같았습니다: “뇌가 neural network이기 때문이다. 뇌가 존재한다는 사실 자체가 이것이 작동한다는 증거다.” 이것이 존재 증거(existence proof) 사고법입니다. PM이 불확실한 프로젝트에서 인내할 수 있는 근거: “이것이 작동할 수밖에 없는 근본적 이유”가 있는가? 있다면, 시장이 아무리 차가워도 — Hinton이 30년을 버텼듯 — 그 신념은 유지할 가치가 있습니다.
다음 편 예고
Hinton이 “만든 사람의 책임”을 가르쳤다면, Ng는 “만든 것을 전파하는 전략”을 가르칩니다. “Start small, think big”의 실행 프레임워크.
시리즈 상호 연계 — 7인의 사고 체계 연결 맵
시리즈 전체 보기
Tags
시리즈 네트워크에서 이 편과 연결된 글
- P-0 · AI 인물 탐구
7인의 사고 체계 종합 프레임워크 - P-4 · AI 인물 탐구
PM 코치가 바라보는 AI 전문가 탐구 4편: Yann LeCun - P-6 · AI 인물 탐구
PM 코치가 바라보는 AI 전문가 탐구 6편: Andrew Ng - P-11 · AI 인물 탐구
Agentic 시대 PO·PM·PL 5-Domain 역량 통합편 - K-5 · 사고 체계
Karpathy LLM OS 시각으로 본 AX PM/PL 역량 — Claude Code 소스의 교차 분석 - A-1 · 실전 실험
AI 코딩 에이전트 시대, 거버넌스 없이 괜찮을까?
- P-0 7인의 사고 체계 종합 프레임워크
- P-1 Karpathy: 제약 설계 + 닫힌 루프
- P-2 Sutskever: 압축이 곧 지능이다
- P-3 Hassabis: 제1원리 분해
- P-4 LeCun: 세계 모델 + 예측
- P-5 Hinton: 거버넌스 + 자기부정
- P-6 Ng: AI 전환 플레이북
- P-7 Fei-Fei Li: 인간중심 설계
- P-8 Builders 종합: Boris·Cat·Truell·Masad·Murati·Brockman
- P-9 Operators 종합: Altman·Amodei·Nadella·Pichai·Zuckerberg·Suleyman
- P-10 Hardware 양강: Jensen Huang · Lisa Su
- P-11 PO·PM·PL 역량 통합: 5-Domain × 3-Level
전체 시리즈 가이드
Agentic PM — AI 에이전트 시대의 PM/PL·엔지니어 가이드 →
7개 카테고리 30+편으로 구성된 시리즈. AX 전략 · 현장 검증 · PM/PL 역할 전환 · 사고 체계 · AI 인물 탐구 · 실전 도구 · 실전 실험.
AI 전문가 탐구 시리즈 (A→E · 12편)
📘 A · Roots — 사고 체계
종합 ·
Karpathy ·
Sutskever ·
Hassabis ·
LeCun ·
Hinton ·
Ng ·
Fei-Fei Li
🛠️ B · Builders — 도구·프로덕트 비전
Boris·Cat·Truell·Masad·Murati·Brockman
🏛️ C · Operators — 회사·시장 동학
Altman·Amodei·Nadella·Pichai·Zuckerberg·Suleyman
⚙️ D · Hardware — 물리·경제 제약
Jensen Huang · Lisa Su (NVIDIA · AMD)
🎯 E · Integration — PO·PM·PL 통합 역량
5-Domain × 3-Level 통합 매트릭스
Peter Kim — PM 코치 / 15년+ 국내 대기업 PM 컨설팅 · PMP/CSP/CBAP · projectresearch.co.kr