소프트웨어공학

새로운 AI 기반 소프트웨어 개발: MCP와 바이브 코딩

로

최근 너무나도 빠른 AI의 발전은 전통적인 소프트웨어 개발 패러다임을 근본적으로 재편하고 있다. 이는 단순한 자동화를 넘어 개발자의 역활과 역량, 개발팀의 협업 방식, 프로젝트 관리 방식, 그리고 코드 자체가 구상되고 생성, 구현되는 방식에까지 그 막대한 영향을 미치고 있는데 이러한 변화의 중심에는 새로운 AI 기반 소프트웨어 개발인 MCP와 바이브 코딩이라는 두 가지 개념이 있다. 아직은 시기상조라고, 사람을 따라오기에는 멀었다고 말하곤 하지만 그 발전 속도와 어떻게 활용하느냐는 다른 문제인 것이다. 이에 많은 관심을 받고 있는 이 기술은 무엇이고 핵심적인 특징과 더불어 상호 간 어떻게 작용하며 앞으로 소프트웨어 개발의 미래를 이끌어갈지 살펴보고자 한다.

 

1. MCP: AI를 위한 표준화된 연결 인프라

MCP(Model Context Protocol)는 대규모 언어 모델(LLM)과 같은 AI 시스템이 외부 데이터 소스나 도구(문서, 데이터베이스, API, 파일 시스템 등)와 표준화된 방식으로 연동할 수 있도록 돕는 오픈 프로토콜이다. 이는 2024년 미국의 생성형 인공지능 서비스개발 업체인 앤스로픽(Anthropic)에서 발표한 프로토콜로 OpenAI, Google DeepMind 등과 같은 주요 AI 기업들이 빠르게 채택하면서 AI 에이전트 시대의 개방형 표준으로 자리 잡아가고 있다. 쉽게 이야기해서 MCP는 AI 시스템의 USB-C 포트와 같은 역할로 다양한 데이터 소스와 도구에 AI 모델을 연결하는 표준화된 방법을 제공한다.

✔️ MCP 주요 특징 및 원칙

  • 기술적 구조: JSON-RPC 2.0 기반 메시지 구조를 사용하여 요청과 응답을 표준화하고 MCP 서버(데이터/기능 노출)와 클라이언트(AI 앱/IDE 내장) 구조를 가진다. 이는 상태 기반 연결 관리를 통해 효율적인 통신을 가능하게 해준다.
  • 핵심 철학: MCP의 핵심은 단순한 데이터 교환을 넘어 모든 상호 작용에서 풍부하고 의미 있는 컨텍스트 이해를 유지하는 데 있다. 이에 대한 주요 원칙으로는 컨텍스트 무결성 (정보의 의미론적인 의미 보존), 모듈식 유연성 (AI 시스템 재설계 없이 적응/확장 가능), 보안 및 거버넌스 (제어되고 감사 가능한 AI 상호 작용 메커니즘 의무화) 등이 있다.
  • 주요 기능: 데이터 수집, 변환, 컨텍스트 메타데이터 태그 지정 및 다양한 플랫폼 전반의 AI 상호 운용성을 위한 포괄적인 프레임워크를 정의하여 표준화된 통합을 지원한다. 또한 개발자가 MCP 서버를 통해 데이터를 노출하거나 AI 애플리케이션을 개발하도록 개발자 역량 강화를 지원하고 다중 도구 에이전트 워크플로우 및 자연어 데이터 액세스 (예를 들어 AI2SQL 등)를 가능하게 한다.
  • 채택 및 적용: VS Code, Cursor, Replit 등 여러 통합 개발 환경(IDE) 및 코딩 플랫폼에서 AI 코딩 도우미에게 실시간 프로젝트 컨텍스트를 제공하기 위해 MCP를 채택했다. 또한 프로젝트 관리, 헬스케어, 전자상거래 등 다양한 산업 분야에서 정보 silo 문제를 해결하고 컨텍스트 기반 AI 시스템을 구축하는 데 활용되고 있다.
  • 보안 고려 사항: MCP는 견고한 설계에도 불구하고 프롬프트 주입, 도구 권한 및 데이터 유출, 유사 도구와 같은 보안 문제가 제기될 수 있는데 이는 개방성과 동적 생태계의 복잡성으로 인해 발생하기 때문에 지속적인 경계와 강력한 보안 감사가 필수적이다.

MCP Architecture

※ “What Is the Model Context Protocol (MCP) and How It Works”, descope.com, April 7, 2025

 

2. Vibe Coding: AI와 함께하는 대화형 소프트웨어 개발

바이브 코딩은 2025년 초 컴퓨터과학자인 안드레아 카르파티(Andrej Karpathy)가 대중화한 AI 지원 소프트웨어 개발 방식으로 개발자가 직접 코드를 작성하기보다 LLM에 자연어로 의도를 전달하고, AI가 코드를 생성하는 혁신적인 프로그래밍 방식을 의미한다. 이는 인간 개발자와 코딩에 특화된 LLM이 마치 애자일의 페어 프로그래머처럼 동적인 대화형 루프 내에서 협력하는 것이 주된 특징인데 이와 유사한 노코드(No-code)는 GUI를 통해 프로그래밍 지식이 없더라도 개발을 가능하게 하는 방식으로 코딩없이도 비전문가가 직접 웹, 앱서비스 등을 구축할 수 있는, AI와는 직접적인 관련이 없다는 것이 다른 점이다.

✔️ 바이브 코딩의 주요 특징 및 철학

  • “무엇(What)”과 “어떻게(How)”의 분리: 개발자는 ‘무엇을’ 원하는지 설명하고 ‘어떻게’ 구현할지는 AI가 담당한다. Karpathy는 이를 “코드가 존재한다는 사실을 잊고, 분위기에 완전히 몰입하며, 기하급수적인 발전을 수용한다”고 말한다.
  • 바이브(느낌) 중심: “깔끔하게”, “사용자 친화적으로”, “부드럽게”와 같은 추상적 표현을 AI가 이해하고 코드로 변환할 수 있는데, 한 번의 명령이 아닌 대화를 통한 점진적 개선을 추구하고 있다.
  • 개발자 역할 변화: 전통적인 프로그래머는 모든 코드를 수동으로 작성하는 대신, AI를 안내하고, 생성된 출력을 테스트하며, 개선을 위한 목표화된 피드백을 제공하는 역할로 전환된다. 개발자가 모두 사라지는 것이 아닌 역할이 변경되고 거기서 또다른 역할을 찾아 수행할 수 있으며 전문화된 고급개발자들은 오히려 더 필요해질 수 있다.
  • 장점:
    • 낮은 진입 장벽: 비기술적 배경을 가진 사람들도 소프트웨어 개발을 쉽게 할 수 있다.
    • 빠른 프로토타이핑: 애플리케이션 초기 버전을 단기간에 빠르게 생성하여 아이디어를 신속하게 테스트하고 피드백을 지속적으로 얻을 수 있다.
    • 효율성: 반복적이고 지루한 프로그래밍 작업을 AI가 자동화하여 개발자가 고부가가치 활동에 집중할 수 있도록 한다.
    • 혁신 및 실험: 기술적 세부 사항에 대한 인지 부하를 줄여 더 큰 실험 정신을 촉진하고, 새로운 아이디어를 보다 쉽게 시도하고 테스트할 수 있다.
    • 학습 도구: AI가 생성한 코드를 관찰하고 수정하며 새로운 언어와 기술을 빠르게 학습하는 효과적인 방법으로 활용될 수 있다.
  • 단점:
    • 코드 품질 문제: AI가 생성한 코드는 비효율적이거나 이해하기 어렵고, 향후 유지보수가 어려울 수 있다.
    • 보안 위험: AI 도구가 중요한 보안 조치를 간과할 수 있어 애플리케이션이 취약해질 수 있다. 생성코드를 그대로 사용함에 위험성이 존재한다.
    • AI에 대한 과도한 의존: 기본적인 코딩 기술 개발을 저해하고, 심층적인 이해 없이 코드 작동 방식을 수용할 경우 문제 해결에 어려움을 겪을 수 있다.
    • 제한된 사용자 정의: 특정하거나 복잡한 요구 사항에는 어려움을 겪을 수 있으며, 상당한 수동 개입이 필요할 수 있다.
    • 오류 발생 가능성: 비전문가도 기능적인 소프트웨어를 생성할 수 있지만, 결과는 종종 제한적이고 오류가 발생하기 쉽다.

Vibe coding

※ “What Is Vibe Coding And Can It Replace Traditional Coding?”, northcoders.com, 2025




3. MCP와 바이브 코딩의 시너지: 컨텍스트 기반 개발의 가속화

이처럼 겉보기에는 MCP와 바이브 코딩은 별개의 영역처럼 보이지만 한 발짝 뒤로 물러나 보면 매우 상호 보완적이며 강력한 시너지를 창출할 수 있다. 바이브 코딩이 LLM의 생성 능력을 활용하여 빠르고 즉흥적인 코드 생성을 가능하게 한다면, MCP는 AI가 실제 업무 환경의 복잡한 시스템과 데이터에 접근할 수 있게 하는 표준화된 연결 방식을 제공하기 때문이다. 바이브 코딩으로 생성된 코드의 궁극적인 품질과 유용성은 LLM에 제공되는 컨텍스트의 풍부함, 정확성 및 포괄성에 달려 있으며, MCP는 바로 이러한 종류의 풍부하고 안전하며 정확한 컨텍스트(맥락, 환경이나 각종 상황 등) 정보를 AI 시스템에 관리, 표준화 및 전달하도록 설계한다.

✔️ 주요 시너지 효과 및 활용 방안

  • 향상된 컨텍스트 바이브 코딩: MCP 서버를 통해 LLM에 대내외 환경, 비즈니스 요구 사항, 기술 제약 및 문제점, 기존 코드 베이스 상태, 아키텍처 결정 등 풍부하고 실시간적이며 구조화된 프로젝트 컨텍스트를 제공한다. 이를 통해 AI는 조직의 Best Practice를 준수하는 고품질의 유지 관리 가능한 코드를 생성할 수 있으며 바이브 코딩의 코드 품질 및 사용자 정의 한계를 직접적으로 해결할 수 있다.
  • AI 네이티브 도구 및 통합 개발 가속화: 바이브 코딩의 빠른 프로토타이핑 기능을 활용하여 맞춤형 MCP 클라이언트나 특정 시스템과 AI를 연결하는 맞춤형 통합 솔루션을 신속하게 구축하고 반복할 수 있다. 이는 새로운 AI 기반 솔루션의 시장 출시 시간을 단축하고 인프라 개발 자체를 가속화한다.
  • 견고한 AI 에이전트 오케스트레이션 및 자체 확장: MCP의 고급 다중 도구 에이전트 워크플로우 지원과 바이브 코딩의 빠른 반복 기능을 결합, 복잡하고 컨텍스트 인식적인 AI 에이전트를 개발하여 동적으로 확장할 수 있다. AI 에이전트는 필요에 따라 새로운 도구를 즉석에서 ‘바이브 코딩’하고 ‘MCP’를 통해 통합하여 활용함으로써 자율적이고 잠재적으로 자체 개선되는 AI 시스템을 생성할 수 있다.
  • 기술 및 비기술 사용자 연결 (일반인 AI 개발): 바이브 코딩의 접근성(비전문가도 자연어로 개발할 수 있는)과 MCP의 안전하고 거버넌스 된 엔터프라이즈 데이터 및 시스템 노출을 결합하면, 도메인 전문가는 있지만 전통적인 코딩 기술이 없는 개인(일반인 개발자!)도 중요한 기업 데이터를 활용하는 기능적 애플리케이션이나 자동화를 신속하게 생성할 수 있다. 이는 AI기술과 그 혜택을 더 많은 사람들이 누릴 수 있도록 AI 개발을 민주화하고 디지털 전환을 가속한다.
  • MCP 원칙을 통한 바이브 코딩 한계 완화: MCP의 컨텍스트 무결성, 모듈식 유연성, 보안 및 거버넌스와 같은 핵심 원칙을 바이브 코딩 프로세스에 체계적으로 적용함으로써, 코드 품질, 보안 위험 및 AI에 대한 과도한 의존성과 같은 바이브 코딩의 내재된 단점을 해결할 수 있다. 이것은 바이브 코딩을 잠재적으로 위험한 실험적 접근 방식에서 더 신뢰할 수 있고 감사할 수 있으며 기업에 적합한 방법론으로 끌어올릴 수 있다.

결론적으로, MCP는 바이브 코딩이 우수하고 더 신뢰할 수 있는 결과를 생성하기 위해 소비하는 구조화되고 안전한 컨텍스트를 제공하는 자연스럽고 강력한 조합을 만들 수 있다. 이는 향후 소프트웨어 개발 워크플로우가 전체 소프트웨어 개발 수명 주기(SDLC) 전반에 걸쳐 AI 시스템에 포괄적이고 실시간 컨텍스트를 정의, 관리 및 제공하는 것을 점점 더 우선시할 것임을 의미하며, 컨텍스트를 개발에서 코드 자체보다 우선하는 일반인 개발자를 최우선으로 고려할 수 있다.

 

4. Beyond Next

MCP와 바이브 코딩의 결합은 소프트웨어 개발의 새로운 패러다임이다. 이 두 기술의 시너지는 단순한 개발 도구를 넘어서, 비즈니스 프로세스 전반의 디지털 트랜스포메이션(Digital Transformation)을 가능하게 하며, 이러한 강력한 시너지는 조직이 더욱 정교하고 자율적인 AI 에이전트를 구축하고, 제품 개발 주기를 극적으로 가속화하며, 일반인 개발자를 포함한 더 광범위한 다수의 기여자들이 디지털 솔루션 생성에 의미 있게 참여할 수 있도록 역량을 강화할 수 있다.

✔️ 기업 실무자가 체크해야 할 것

  • 조기 도입의 중요성: 기업은 남들보다 빠르게 경쟁력을 확보하기 위해서는 MCP 기반 워크플로우와 바이브 코딩 환경을 조기에 도입해야 할 필요가 있다. 이를 통해 초기에는 통제된 작은 파일럿 프로젝트로 시작하여 학습 및 개선을 도모하면서 점차 그 범위를 넓혀가며 업무에 실제 적용해 본다. 이 모든 것은 강력한 경영진의 의지와 실행력에 달려있다.
  • 내부 시스템 표준화 및 MCP 인프라 투자: 기존 시스템의 MCP 연동을 위한 표준화 작업을 수행하고, 잘 정의되고 접근 가능하며 안전하게 관리되는 컨텍스트 데이터를 위해 강력한 MCP 서버 구축, 데이터 거버넌스 정책 수립, 효율적인 데이터 파이프라인 개발에 투자해야 한다. 이를 위해서는 기존 레거시 시스템에 대한 전반적인 검토, 정리가 필요할 수 있다.
  • AI 활용 역량 강화 및 개발자 역할 재정의: 기업은 소프트웨어 개발자의 역할이 진화할 것임을 인정하고, 기존 개발자에게 AI 생성 코드를 안내, 테스트 및 검증하는 역할로 전환할 수 있도록 포괄적인 교육을 제공해야 한다. 또한 MCP를 활용하여 고급 컨텍스트 관리, AI 에이전트 오케스트레이션 및 안전한 통합을 수행하는 방법 또한 교육이 필요하다. 이는 신기술에 내몰리는 인력이 아닌, 인력을 역량을 강화하여 기업의 핵심인재로 거듭날 수 있는 기회를 제공하는 것이다.
  • 포괄적인 AI 거버넌스 및 보안 프레임워크 구축: MCP 및 바이브 코딩의 잠재적 보안 위험을 고려하여, 모든 AI 생성 코드 및 AI 에이전트 상호 작용에 대한 강력한 보안 프로토콜, 지속적인 감사 메커니즘 및 명확한 거버넌스 정책을 구현하는 것이 중요하다. 이를 위해선 전문화된 인력과 조직이 필요하다.
  • 실험 및 협력적 혁신 문화 조성: ‘바이브 코딩 사고방식’을 수용하여 부서 간 협업, 신속한 반복 및 창의적인 문제 해결을 장려해야 하며, 동시에 이러한 문화가 MCP에 의해 촉진되는 안전하고 컨텍스트가 풍부한 환경에 기반을 두어 무결성을 손상시키지 않고 민첩한 개발을 가능하게 해야 한다. 쉽지 않은 일이며 조직문화와 풍토 면에서 많은 고민이 필요할 수 있다.

AI 에이전트 시대에 소프트웨어를 구상하고 구축하며 배포하는 방식은 근본적으로 재편될 것이고, MCP와 바이브 코딩의 전략적 통합은 인간의 창의성, 전략적 감독 및 도메인 전문 지식이 AI의 탁월한 속도, 컨텍스트 처리 능력 및 자동화와 결합되는 강력하고 고도로 효율적인 하이브리드 모델을 시사한다. 이는 빠르게 진화하는 AI 시대에 확장 가능한 혁신을 달성하고 경쟁 우위를 유지하려는 조직에게 전략적 필수 요소가 될 것이며 기업의 경영진은 많은 관심과 지원을 아끼지 않아야 한다.

PERT/CPM (프로젝트 성공률 1% 높이기)

로

프로젝트 일정

프로젝트는 비반복적으로 하나의 제품이나 서비스를 생산하는 과업이다. 프로젝트는 우리 주변의 대규모 사업부터 일상생활에서 흔히 일어나는 작은 규모의 사업에 이르기까지 매우 다양한 형태가 존재한다. 그중 대규모 사업의 경우 자원과 시간을 소모하는 수많은 상호 관련성을 갖은 많은 활동으로 구성되어 있어서 이를 성공적으로 수행하기 위해서는 구성 활동들의 체계적 관리가 필요하다.
 
이런 큰 규모의 사업, 즉 프로젝트를 계획, 조직화하여 통제하는 것을 그간 프로젝트 관리라고 하였고 이 관리기법 중의 하나를 일정계획 중에서 PERT/CPM이 널리 사용되고 있다고 하였다. PERT(Program Evaluation and Review Technique)는 1958년 미 해군과 록히드사 및 기타 컨설팅사들이 공동으로 폴라리스 해저 유도탄을 조속히 완성하는 데 사용하고자 개발하였다. CPM(Critical Path Method)는 1957년 미 듀퐁사에서 활동 시간이 확실한 공장건설계획을 수립하기 위해 레밍턴 랜드사와 공동으로 개발하였다.
 
오늘날 이 PERT와 CPM은 모든 프로젝트의 활동 시간 관리와 완료 기간을 계획, 통제하는 기능을 포함하여 관리하는 주요 기법으로 널리 사용되면서 상호 구분이 점점 어렵게 되어 이 두 기법을 ‘PERT/CPM’으로 통칭하여 부르고 있다. 우리나라에서는 1966년 광주 미군 비행장 활주로 공사에 처음 이 기법이 도입되어 사용되었으며 이후 급속히 보급, 활용되고 있다.
 
 

프로젝트 네트워크

PERT/CPM은 대규모 프로젝트를 효율적으로 수행하기 위해 프로젝트를 구성하는 활동 상호 간의 전후 관계를 표시한 프로젝트 네트워크를 사용, 프로젝트를 계획하고 통제하는 기법이다. 여기서 언급한 프로젝트 네트워크는 프로젝트를 시각적으로 표시하기 위해서 그려진 원으로 표시되는 노드와 화살표로 표시하는 가지로 구성된 네트워크를 지칭한다.
 

프로젝트 네트워크

< 프로젝트 네트워크 예 >

 
 
이 프로젝트 네트워크는 프로젝트의 각 활동을 1개의 노드(원 또는 사각형)로 표시하고 선행관계의 활동(화살표)으로 표시되는 AON(Activity On Node) 네트워크와 프로젝트 각 활동 1개의 화살표로, 활동 시작 시점이나 완료 시점을 이벤트로 정의하고 이를 노드로 표시하는 AOA(Activity On Arc) 네트워크가 있다.
 
AON 네트워크는 후술하는 가상활동이 필요가 없어 AOA 네트워크에 비하여 작성하기가 쉽지만, 프로젝트 활동만을 나타낼 수가 있고 활동의 시작/완료 시점을 나타내는 단계는 표시할 수 없어서 이벤트에 대한 정보를 알 수 없다는 단점이 있다. 그래서 무엇이 좋고 나쁘고를 떠나서 모든 네트워크를 사용하고 이해할 수 있어야 한다. 
 
PERT/CMP의 목적은 다시 말해 프로젝트의 일정계획과 통제가 주이다. 그러므로 프로젝트에서 수행되어야 할 자원과 시간을 소모하는 개별작업인 액티비티, 활동이 중요하다. 이 활동은 항상 시작 시점을 나타내는 시작노드와 완료 시점을 나타내는 완료 노드를 1개씩 갖는다. 여기서 더미 노드는 자원과 시간을 소모하지 않는 활동이 있으며 이는 활동 상호 간 전후 관계를 표시하기 위해 사용한다.
 
노드는 각 활동의 시작/완료 시점을 나타내며 활동과 활동을 연결하는 시점이며 시간이나 자원의 소비가 없는 순간적 시점이다. 그래서 활동과 활동은 항시 노드에 의해 연결된다. 또한 노드는 활동에 따라 분기 또는 결합이 되기도 하며 이에 따라 분기 마디/결합 마디라고 정의된다. 
 
프로젝트의 활동은 프로젝트 일정계획에 따라 정해진 순서대로 진행된다. 따라서 활동의 진행 순서와 활동 간 전후 관계를 네트워크 형태로 표시하면 프로젝트 전체 내용을 쉽게 파악할 수 있다. 이를 통해 각 활동 완료에 필요한 소요 시간을 추정하고 활동 간의 전후 관계와 활동의 진행순서를 나타낸 프로젝트 네트워크가 작성되면 추정된 각 활동의 소요 시간을 기준으로 각 활동의 일정을 계산할 수 있다. 여기서 우리가 흔히 접하는 도표가 갠트(Gantt)차트인데 사실 PERT/CPM이 개발되기 이전부터 많이 사용되어 오던 것으로 상호 간의 긴밀한 관계가 있으며 주 용도는 갠트차트는 프로젝트의 특정 부분의 활동 진척도를 파악할 때, PERT/CPM은 일정을 계산하는 데 사용된다.
 




 

프로젝트 네트워크 Critical Path

PERT/CPM 프로젝트 네트워크에서 출발 노드와 도착 노드를 잇는 활동들의 집합을 경로라고 하며 이 경로 중 가장 긴 경로를 주경로, Critical Path라고 한다. 그래서 주 경로상의 활동은 모두 여유시간이 없어서 이 활동 중 한 활동이라도 예정보다 지체된다면 전체 프로젝트의 완료 기간은 지연되게 된다. 따라서 이런 활동들은 매우 중요하게 중점 관리되는 대상이 된다.
 
이러한 주경로를 분석할 때는 모든 활동의 소요 시간이 변하지 않고 일정하다는 가정하에서 완전 열거법, 그리고 매우 복잡한 프로젝트에서 완전 열거법에 의해 주경로를 파악하기 어려운 경우에 사용하는 노드 시간 분석법을 사용한다. 그래서 대부분 규모가 있는 프로젝트에선 노드 시간 분석을 많이 쓰며 이를 통해 알 수 있는 것들은 주경로와 전체 프로젝트의 완료 기간 및 주 활동, 활동별 시작/완료 시간, 그리고 비 주 활동의 여유시간 등을 파악할 수 있다.
 
이에 주경로와 노드의 여유시간을 산출하고 노드 중심의 프로젝트 네트워크를 작성한다. 이를 통해 프로젝트 전반적인 진척도를 알 수 있어서 경영층에게는 활용도가 매우 높지만, 시작/완료 시점을 세세하게 파악하기는 어렵다. 그래서 실무자 관점에서의 개별 활동을 중심으로 주경로와 여유시간을 활동 시간 분석을 통해 구하는데 여기에는 주경로가 모든 경로 중 소요 시간이 가장 긴 경로라는 사실로 산출할 수 있는 정수 계획모형과 주경로가 여유시간이 없는 활동들로 구성된 경로라는 사실로 산출할 수 있는 선형계획모형이 있다.
 
이렇듯 프로젝트 활동 추적을 위해선 수학적 모형들이 사용된다. 다만 이 모형들은 과거 경험에서 얻는 변동 없는 확정적 시간을 데이터화할 수 있으며 이를 토대로 추정 방법을 사용하기도 하며 또는 활동 소요 시간을 확률분포 화하여 여러 값으로 추정하는 방법을 사용하기도 한다. 이러한 방법들을 바탕으로 프로젝트의 완료 기간을 단축할 수 있는 아이디어와 방법을 도출하여 실제 프로젝트에 적용, 관리하는 것 또한 매우 중요한 사안 중 하나이다.
 
 

 

 
※ 엑셀 사용해보기
PERT/CPM을 제대로 아는 것과 실제 사용해 보는 것은 완전히 다른 문제일 수 있다. 왜냐면 이를 현업에서 마주할 기회도 적을뿐더러(?) 학습해볼 상황도 거의 없다 봐도 무방하다. 단순히 학문적 경험과 시험을 위해 치르는 경험은 극히 일부분이며 내 손으로 구해볼 수 있는 상황 또한 전무하다. 그나마 관련한 여러 프로젝트 도구들이 있으나 이를 사용해 보는 일조차 쉽지는 않다. 그래서 그 대안으로 엑셀을 많이 쓴다. 원리를 알고 엑셀에서 필요한 값들을 제대로 매칭할 수만 있다면 프로젝트 관리역량은 매우 좋아질 것이다. 그러니 엑셀 자료들을 많이 활용해 보자. 요즘은 AI도 한 몫하고 있지 않은가?