기술 예측 (Technology Forecasting)
특정 기술의 도래의 시기나 미래의 모습을 과학적 분석을 통하여 예측하는 것을 의미합니다. 특히 시장이 급격히 변화하고 있는 시기의 기술예측은 기업의 성패을 결정 할 만큼 매우 중요한 작업입니다. 중요한만큼 많은 기업에서는 기술 현황 분석과 향후 예측을 위한 기획팀을 운영하거나 연구소를 가지고 있습니다.
하지만 미래는 수많은 활동 주체들의 현재 활동의 결과물이므로 그 경우의 수는 영향 인자의 승수만큼 배가됩니다. (2x2x2x2x...) 게다가 매우 많은 새로운 기술과 기업들이 해마다 시장에 선보이고 대부분은 도태되기 때문에 영향 인자는 계속 바뀌게 됩니다. 이렇게 복잡한 상황에서 새로운 기술의 탄생 시기, 변화의 속도 그리고 방향을 모두 예상해야만 정확한 기술 예측이 가능합니다.
설사 시장 지배력을 가지게 된 기술을 정확히 예측했다고 해도 그 영향력을 얼마나 지속 할지는 알기 쉽지 않습니다. 해마다 상황이 바뀌기 때문에 생각지도 못한 곳에서 대체 기술이 나타날 수 있기 때문입니다. MP3 플레이어와 자동차 네이비게이션은 한때 음악 감상과 운전의 필수템이었지만 스마트폰 속의 한낱 하나의 앱 때문에 그 시장 자체가 사라졌습니다. 통합형 혁신 제품의 등장이 소비자에게는 축복이었지만 흡수된 사업체에게는 재앙이었습니다.
Technology forecasting refers to the scientific analysis and prediction of when a particular technology will emerge and how it will shape the future. In rapidly changing markets, technology forecasting becomes critical for the success or failure of companies. For this reason, many corporations maintain planning teams or research departments dedicated to analyzing current technological trends and forecasting future developments.
However, predicting the future is a complex task, as it is influenced by the actions of numerous entities, multiplying the possible outcomes (e.g., 2x2x2x2...). Moreover, countless new technologies and companies enter the market annually, most of which fade away, altering the factors that impact forecasts. Accurate technology forecasting must account for the emergence timing, speed, and direction of these changes.
Even when a dominant technology is correctly forecasted, predicting its sustained influence can be difficult, as new, disruptive technologies can unexpectedly emerge and alter the market landscape. For example, MP3 players and in-car navigation systems were once essential, but the advent of smartphones, with their integrated apps, rendered these markets obsolete. While consumers benefited from such integrated innovations, the companies in these industries faced a crisis.
따라서 기술 예측을 위해서는 다음의 두 가지의 고려가 필요합니다.
Two Key Considerations for Technology Forecasting
무언가을 예측한다는 것은 전쟁터에서 날아오는 화살을 예상하는 것과 같습니다. 우선 사방에서 날라올 것이기 때문에 예측이 불가능하게 보이지만 화살의 수량, 방향, 속도를 모두 알수 있다면 이론적으로는 날아오는 화살을 막을수 있겠죠. 마치 이지스 함처럼요. 기술의 예측도 이와 유사합니다. 결국 방향과 속도를 예상해야 합니다. 여기서는 우선 화살이 하나만 있다고 가정합시다. 우리는 그 비싼 이지스함은 아니니까요.
Predicting something is similar to anticipating arrows flying in a battlefield. At first glance, it may seem impossible because the arrows are coming from all directions. However, if you can know the number, direction, and speed of the arrows, you could theoretically block them all—much like how an Aegis ship operates. Technology forecasting works in a similar way. Ultimately, it's about predicting both the direction and speed of technological changes. For now, let’s simplify things by imagining there’s only one arrow, as we are not as advanced as an Aegis ship.
첫번째, 기술 발전의 방향을 예측해야 합니다.
화살이 어디로 날라 오는지를 우선 알아야겠죠. 여기에서 방향성이란 어떤 기술이 향후에 시장을 지배 할지 예상 하는 것을 의미합니다. 예를 들어 디스플레이 제품을 생각해 보겠습니다. 무언가를 현실처럼 보고 싶은 욕구는 오래 전부터 존재 했습니다. 그 욕망이 텔레비전을 만들어 냈죠. 초기 TV는 유리 표면에 발라져 있는 현광체에 전자총을 발사해 영상을 만들었기 때문에 두껍고 무거웠습니다. 당시에는 유리를 크게 만들려면 두꺼워 질수 밖에 없었습니다. 그것이 CRT (Cathode-Ray Tube 또는 브라운관)입니다. 처음에는 흐릿하고 작으마한 흑백 영상만을 보여주던 것이 점점 발전해서 칼라까지 더해졌고 좀 더 실사에 가까워 졌습니다. 사람들은 멈추지 않고 더 가볍고, 더 크며, 더 높은 해상도의 디스플레이를 개발해 냈습니다. 결국 무언가를 현실에 가깝게 보여준다는 제품의 본질은 변하지 않았지만 시장을 지배하는 기술은 CRT, 프로젝션, PDP, LCD, OLED, Mirco-LED로 변신하였습니다. 이 경우 어떠한 디스플레이 방식이 시장 지배력을 가져갈지 분석하는 것이 기술 발전의 방향을 예측하는 것입니다. 앞으로도 어떠한 소재가 실사에 가깝게 표현이 가능할 지에 따라 시장에서의 생존 여부가 판가름 날 것입니다.
Predicting the Direction of Technological Development The first task in forecasting is to anticipate which direction a technology will take. For example, in the display industry, the desire to view images in a realistic manner has long existed, leading to the creation of televisions. Initially, cathode-ray tubes (CRTs) were used, but over time, the technology evolved to include projection TVs, plasma displays (PDPs), LCDs, OLEDs, and eventually Micro-LEDs. The underlying purpose of displaying realistic images remained unchanged, but the technologies dominating the market continuously evolved. Thus, analyzing which display technology will dominate the future is an essential aspect of forecasting technological direction.
이때 기술의 트랜드를 분석하기 위해서 무언가 객관적이면서도 누구나 수긍할 수 있는 방법론이 필요합니다. 근거도 없이 무언가를 주장할 수는 없으니까요. 이 방법론을 크게 두가지로 나눌 수 있는데 직관적이면서도 경험에 의존하는 정성적 방식과 데이터와 수치에 의존하는 정량적 방식이 그것입니다.
To analyze technological trends effectively, it’s essential to employ a methodology that is both objective and universally acceptable. After all, making claims without a solid foundation isn't credible. This methodology can generally be divided into two main approaches: qualitative methods, which rely on intuition and experience, and quantitative methods, which are based on data and numbers.
정성적 기법은 설문조사나 델파이 기법, 시나리오 구성, 브레인 스토밍과 같이 전문가의 경험에 의존하거나 토론을 통한 인사이트의 도출 또는 정교한 시나리오를 구성하는 방식입니다. 이중 대표적인 델파이 기법이란 다수의 전문가들을 대상으로 반복적인 익명 설문조사를 진행해서 결론을 도출하는 방법론입니다. 주로 우편, 최근에는 이메일로 진행되기 때문에 많은 인원을 한 장소에 모으지 않아도 되지만 결론이 날때까지 반복적으로 설문을 진행하는 방식이므로 의견 수렴까지는 상당히 긴 시간이 소요됩니다. 그리고 다수의 의견을 반복 선택하는 방식이므로 언듯 민주적으로 보이지만 소수의 의견이나 권위자의 의견이 배제 될 가능성도 있습니다.
Qualitative Methods: These methods include surveys, the Delphi technique, scenario building, and brainstorming, relying heavily on expert insights and discussions. For example, the Delphi technique involves multiple rounds of anonymous surveys sent to a panel of experts to reach a consensus. While this approach allows for a broad range of opinions, it can be time-consuming, and the voices of minority experts may be overlooked.
정량적 분석 방식은 지표를 분석하는 서지학 (bibliography)적 접근법이고 가장 객관적인 방식은 다수의 공개된 데이터를 분석하는 것입니다. 이때 기술 변화의 시기와 트랜드 분석에 가장 많이 활용하는 데이터가 특허와 논문입니다. 뉴스를 활용하는 경우도 있지만 기술 변화를 예측하는데에는 어렵고 주로 대중의 관심이나 여론의 변화를 도출하는데에 쓰입니다. 특허는 기술 수명주기와 트랜드 분석에 매우 광범위하게 활용되며 과학과 기술 간의 연계성을 정량적으로 표현하는 중요한 매개체 역할을 하고 있습니다. 또한 특허에는 등록번호, 출원일, 인용, IPC (International Patent Classification, 국제특허 분류) 등의 정보와 발명의 명칭, 요약, 청구항 등 기술적 정보가 모두 포함되어 있기 때문에 서지학적으로 활용가치가 높습니다. 논문은 특허와 함께 산업계에서 다룰 수 없는 학술적 영역으로 기술의 진보를 이끄는 중요한 데이터입니다. 기업의 경우 보안 문제로 특허를 통한 기술 공개가 되지 않거나 상업적 이유로 그 시기를 임의대로 조정하는 경우가 많지만 논문은 학술적 가치를 보존하는 것이 목적이므로 이러한 부분에서 상대적으로 자유롭습니다. 따라서 두 종류의 데이터 베이스는 상호 연관성이 높고 보완적인 관계를 가지고 있기 때문에 기술의 트랜드를 분석하고 미래 예측을 진행할 때 동시에 분석하면 좀 더 풍성한 결과 도출이 가능합니다. 이러한 대규모의 데이터를 분석을 하면 객관적이면서도 뛰어난 결과를 얻을수가 있지만 문제는 기술이 발전하면 할 수록 연구원 몇명이서 분석할 수 있는 범위를 넘어서 규모로 데이터가 존재한다는 점입니다. 실제로 단 몇 년의 데이터 축적 량이 지난 수세기 동안의 지식을 뛰어 넘고 있는 상황에서 연구자들은 과거의 방식대로 문서를 수작업으로 분석하여 기술의 트랜드 분석하고 향후 기술을 예측하는 것이 이제는 거의 불가능해 졌습니다. 이에 따라 최근에 많은 연구자들은 방대한 데이터 베이스로부터 수집된 대규모 데이터에 자동화 알고리즘을 적용한 빅데이터 분석 기법을 통해 트랜드를 이해하고 향후 기술을 예측하고 있습니다.
The quantitative analysis approach relies on bibliographic methods to analyze indicators, and the most objective approach involves analyzing a large amount of publicly available data. In the context of analyzing technological changes and trends, patents and academic papers are the most frequently used data. While news articles can reflect public interest or shifts in opinion, they are less effective in predicting technological changes.
Patents play a crucial role in analyzing technology life cycles and trends, serving as a quantitative link between science and technology. Since patents contain detailed technical information such as registration numbers, application dates, citations, and International Patent Classification (IPC) codes, they are highly valuable for bibliographic research. Academic papers, on the other hand, cover areas that are often outside the reach of industrial applications and are key to driving technological progress.
While companies may delay the disclosure of technologies via patents for security or commercial reasons, academic papers remain more transparent, aimed at preserving scholarly value. Therefore, these two databases—patents and academic papers—are complementary and highly interconnected. Analyzing them together provides a more comprehensive understanding of trends and forecasts for future technology.
However, the challenge with this method is the sheer volume of data. As technology advances, the amount of data accumulated in just a few years exceeds what was previously gathered over centuries, making manual analysis increasingly difficult. Consequently, researchers now apply big data analysis techniques and automated algorithms to process and understand the vast quantities of data, enabling them to forecast future technological trends with greater accuracy.
두번째, 기술 변화의 시기를 예상해야 합니다.
누구나 마찬가지 이겠지만 시간이 흐른 후에 과거의 변화를 분석하는 것은 쉬운 일입니다. 하지만 그냥 앉아서 눈감고 미래를 예측하라고 하는 것은 불가능에 가깝습니다. 더욱이 그 흐름 속에서 일을하거나 연구중인 사람들에게는 트렌드의 변화를 감지하는 것이 오히려 쉽지 않습니다. 등잔 밑이 어두운 것이고 매일 반복되는 일상이 변화의 흐름에 둔감하게 만들죠.
It’s easy to analyze changes in hindsight, but blindly predicting the future is almost impossible. For those deeply involved in the work or research, it’s even harder to sense trends as they unfold. Like the saying, “the darkest place is under the candlestick,” people become desensitized to gradual shifts due to daily routines.
변화의 시기를 예상하기 위해서는 기술도 하나의 생명체라고 가정하고 그 성장곡선을 분석하여 미래 변화 시기를 예측하는 기술수명주기 측정에 기반한 예측 방법이 있습니다. 기술의 성장 수명주기가 일반적으로 S-커브를 따른다는 가정에서 시작합니다. 원래 S-커브는 한정된 자원과 공간에서 (외부의 입력이 없다는 가정에서) 생명 군집의 개체 수의 성장 곡선이 S-커브 형태를 띄고 있는 점을 관찰하면서 발견한 원리인데요. 생물학이 아닌 다른 분야에서도 유사한 증상을 발견해서 제품 생산의 불량율 변화 곡선, 수학적 모델링 (모집합에서 특정 증상이 발생할 가능성을 수학적으로 증명) 등 많은 분야에서 보편적으로 활용되고 있는 모델링 방법입니다. 실제 상당수의 시장 지배적 기술들이 생명체와 유사하게 탄생 이후 소멸할 때까지 전형적인 S-커브의 형태를 보였기 때문에 정형화된 S-곡선에 현상을 맵핑하는 분석의 방법론으로 활용되고 있습니다. 많은 문헌에서는 그 현상을 기술의 S-커브 또는 기술 수용 곡선이라고도 표현하고 있고 발생 (Emerging), 성장 (Growth), 성숙 (Maturity), 포화 (Saturation)의 과정으로 단계를 나누어 설명하고 있습니다. 경제학에서도 특정 제품의 수용 또는 판매 실적 변화를 설명할 때 모델링의 한 방식으로 채용하고 있습니다.
To predict the timing of changes, one can approach technology as a living organism and analyze its growth curve to forecast future developments. A common assumption is that technological life cycles follow an S-curve. This model, originally observed in biology, shows how populations grow in a limited space and resources, and it has been applied across various fields, including product defect rates, mathematical modeling, and more.
Many dominant technologies have exhibited an S-curve throughout their life cycles, from birth to obsolescence. Therefore, mapping real-world phenomena to a standardized S-curve helps analyze and predict technological changes. The phases—emergence, growth, maturity, and saturation—are used to describe the stages of technology adoption and market dominance. Economists also use this model to explain the adoption and sales performance of products.
따라서 이 주기를 특정 패턴으로 수식화 할 수 있다면 기술 변화의 시기를 어느정도 예측이 가능합니다. 여기서 주의해야 할 점은 기술의 수명주기가 각 분야마다 다르다는 것입니다. 예를 들어 스마트폰과 같은 개인용 전자 제품의 경우 교체 주기가 짧기 때문에 적용되는 기술도 유행에 민감하고 매우 빠르게 바뀝니다. 하지만 자동차나 선박과 같은 중형 또는 대형 제품의 경우 사이클이 매우 길고 신 기술 자체가 큰 투자가 필요한 경우가 많아 상대적으로 그 수명주기는 길수 밖에 없습니다. 메디컬 분야에서 신약은 수년에서 10년 이상 테스트를 거치고 할아버지대부터 복약하던 제품이 아직도 팔리고 있으니 제품 수명주기가 100년 이상인 그린란드상어 같은 기술이 있는 것도 이상한 것이 아니죠. 마지막으로 처음에 언급했던 것처럼 전쟁터에서 화살은 하나만 날라오는 경우는 실제로는 없습니다. 핵 미사일이면 모를까. 아무튼 유사한 기술이 거의 동일한 시기에 탄생하거나 대체 기술이 어느날 나타나서 타노스와 같이 기존 기술 체계를 학살하는 경우도 빈번합니다. 따라서 유사 기술을 군집화 해서 한번에 분석하는 것이 훨신 현실에 가까운 결과를 얻을 수 있습니다.
If we can mathematically model this cycle into specific patterns, it becomes somewhat possible to predict the timing of technological changes. However, it’s important to note that the life cycle of technology varies across different fields. For example, consumer electronics like smartphones have short replacement cycles, meaning that the technologies they adopt are highly sensitive to trends and evolve quickly. In contrast, larger products such as cars or ships have longer cycles, as they often require significant investment for new technologies, resulting in a relatively long lifespan.
In the medical field, new drugs undergo testing for several years, sometimes even over a decade, and some products, like those from a century ago, continue to sell due to their long life cycles. It’s not uncommon for technologies with life cycles extending beyond 100 years, much like the Greenland shark that has an incredibly long lifespan.
As mentioned earlier, there’s rarely only one “arrow” flying in a battlefield. Similar technologies often emerge at nearly the same time, or a replacement technology may suddenly appear, disrupting and "eliminating" existing systems, much like Thanos wiping out half the universe. Therefore, grouping and analyzing related technologies together offers a more realistic and comprehensive result.
첫 번째 포스팅에서는 기술 예측에 대한 개괄적인 내용만을 우선 살펴 보았습니다.
다음 포스팅에서는 정량적, 정성적 실제 접근 방식에 대하여 조금 더 알아보도록 하겠습니다.
This first post provides an overview of technology forecasting and introduces key concepts such as the direction and timing of technological change, as well as qualitative and quantitative forecasting methods. In future posts, we will delve deeper into the specific methods used for both qualitative and quantitative technology forecasting.
감사합니다.
Thanks
'데이터 기반의 기술 예측 > 1. 기술 예측 이란?' 카테고리의 다른 글
| 기술 예측은 어떻게 쓰이는지? (공공기관편) (10) | 2024.09.18 |
|---|---|
| 기술 예측은 어떻게 쓰이는지? (업체편) (11) | 2024.09.18 |
| 기술 예측 방법론 (4) | 2024.09.18 |