기술로드맵에서 가장 위험한 문장은 “이 기술을 10% 개선하면 제품도 10% 좋아질 것이다”라는 직관이다. 시스템은 서로 연결되어 있고 한 subsystem의 개선이 다른 subsystem의 mass, cost, geometry, control requirement를 바꾼다. 11장은 그래서 기술을 고립된 성능수치가 아니라 mission–product–technology–constraint가 연결된 정량 시스템 안에서 평가해야 한다고 주장한다. OPM으로 개념구조를 정리하고 DSM으로 technology pull·interaction·push를 연결한 뒤, Bréguet range equation과 B747 mission을 이용해 partial derivative, finite difference, complex-step, normalized sensitivity를 설명한다. 이어 KKT와 Lagrange multiplier를 통해 “어떤 제약을 풀어야 가치가 생기는가”를 묻고, SSTO·diesel aftertreatment·lunar ISRU 사례로 enabling threshold를 정량화한다.
Model Before Roadmap — 의미 있는 기술로드맵은 ‘기술 목록’이 아니라 governing equations가 있는 시스템모델에서 시작한다
OPM으로 function·form·parameter·design variable·FOM을 구분하고, 수학모델로 subsystem technology를 mission-level value에 연결한다.
11장의 출발점은 Chapter 4의 정량적 기술관이다. technology를 qualitative description으로만 다루지 않고 먼저 Object Process Methodology(OPM) 같은 systems modeling language로 product와 technology를 개념적으로 모델링한 뒤, 기술변수와 product/service level FOM을 연결하는 mathematical model을 만든다. 원서는 OPM이 2015년 ISO 19450 standard가 되었다고 각주에서 명시한다.
핵심 문장은 단호하다. use case와 variable을 정의한 conceptual model 뒤에 input과 output을 연결하는 governing equations가 있어야 한다. 명시적인 관계식이 없으면 meaningful technology roadmapping을 수행할 수 없다는 것이 이 장의 기준이다.
Long-range aircraft OPM이 구분하는 다섯 종류의 요소
| TYPE | ROLE | AIRCRAFT EXAMPLE | NOTATION |
|---|---|---|---|
| Function | 제품이 value를 만들기 위해 수행하는 process. | Flying; 더 세분하면 boarding, taxiing, takeoff, climb, cruise, descent, landing, deboarding. | process |
| Form | function을 가능하게 하는 physical object와 instance. | Aircraft, wings, engines, fuselage, payload, fuel; B747, B777, A380, A350. | objects |
| Fixed parameters | designer가 바꾸지 못하거나 외부에서 주어지는 environment/object characteristic. | Earth surface gravity \(g=9.81\,m/s^2\), air density, fuel density/heating value. | \(p\) |
| Design variables | bounds 안에서 designer가 선택할 수 있는 form/function characteristic. | SFC, \(L/D\), \(W_o\), \(W_f\), wingspan, fuel type 등. | \(x\) |
| Figures of Merit | 주요 value-delivering function의 system/product-level 성과. | Range, average cruise speed; 그 밖에 reliability, cash operating cost도 중요할 수 있음. | \(J\), constraints에는 \(g,h\) |
OPL에서는 “SFC relates to Engines”, “L/D relates to Wings”, “Wf relates to Payload” 같은 관계가 나타난다. 이는 design variables가 독립적이지 않고 physics 또는 logic으로 연결되어 있음을 뜻한다.
Bréguet Range Equation — mission FOM과 subsystem technology를 한 식으로 묶는다
여기서 \(R\)은 range, \(v\)는 cruise speed, \(g\)는 gravity, \(L/D\)는 finesse, SFC는 specific fuel consumption, \(W_o\)와 \(W_f\)는 initial/final weight이다. 이 식을 쓰는 순간 engine, wing, structure/payload technology가 mission range에 같은 수학공간에서 들어온다.
L1 product와 L2 technology — 계층에 따라 FOM의 역할이 바뀐다
system decomposition의 최상단에는 market이 정의한 flight missions가 있고, 그 아래 Level 1 products가 mission range·payload·reliability·cost를 만족해야 한다. 다시 아래 Level 2에는 structures, payload, fuel/energy, wings, engines, controls 같은 technologies가 놓인다.
중요한 관찰은 Level 2에서 FOM처럼 보이는 값이 Level 1 모델에서는 design variable이 될 수 있다는 점이다. engine roadmap의 SFC는 그 자체로 technology FOM이지만 aircraft system에서는 range를 결정하는 입력변수다.
목표와 R&D project를 decomposition에 붙인다
원서의 illustrative decomposition은 aircraft A에 payload +10% target(project p), aircraft B에 \(L/D\) +10%(project w)와 SFC −20%(project e)을 둔다. 추가 cost target으로 두 aircraft component의 50% commonality를 유지하는 조건도 생각할 수 있다. project p/w/e는 각각 대응하는 P/W/E technology roadmap에 배정된다.
이 decomposition은 competitor benchmarking, 다른 mission으로의 product reuse, product/subsystem improvement target setting, R&D portfolio derivation의 공통 기반이 된다. 원서는 이 작업이 time-consuming하고 iterative하다고 경고하지만 이후 분석의 토대이므로 생략해서는 안 된다고 본다.
DSM — Tech Pull, Technology Interaction, Tech Push를 한 행렬에 넣는다
Design Structure Matrix(DSM)는 L1 product와 L2 technology 사이의 dependency를 사각 행렬로 표현한다. 원서의 예시는 product A/B의 2×2 block, technology 6×6 block, product→technology target 2×6 block, technology→product capability 6×2 block으로 구성된다. 여러 domain을 서로 매핑하는 형태는 MDM(multidomain matrix)라고 부르기도 한다.
예컨대 SFC −20%를 위해 engine bypass ratio를 높이면 engine diameter가 커져 wing attachment와 landing gear clearance가 바뀔 수 있다. Jet A에서 LH2로 fuel type을 바꾸면 cryogenic tank 때문에 structure가 크게 달라진다. 즉 한 technology의 target은 인접 technology의 redesign을 강제한다.
upper-right의 red target은 technology pull, lower-right는 technology interaction, lower-left의 blue capability aggregation은 technology push이다. 초기에는 pull target과 push capability 사이에 gap이 있는 것이 정상이다. 성숙한 roadmapping 조직은 이 gap을 숨기지 않고 iterate해서 feasible target으로 수렴한다. utopian target을 그대로 대형 product/R&D project로 넘기는 것을 이 장은 경계한다.
Mission Feasibility — 같은 15,333 km target도 어떤 technology lever를 고르느냐에 따라 필요한 개선폭과 사업가치가 완전히 달라진다
B747-400 baseline을 검증하고 LHR–LAX를 simulation한 뒤, infeasible SIN–EWR mission을 네 가지 기술·운용변수로 푼다.
Table 11.1 — B747-400 approximation
| VARIABLE | VALUE | UNIT / CONTEXT |
|---|---|---|
| Initial mass \(W_o\) / GTOW | 412,760 | kg |
| Empty mass / EOW | 187,010 | kg |
| Cruise speed \(v\) | 259.2 | m/s |
| Finesse \(L/D\) | 15 | dimensionless |
| SFC | 1.65 × 10⁻⁵ | kg/s/N |
| Jet A density / heating value | 800 / 42.8 | kg/m³ / MJ/kg |
| Passengers | 416 | pax; source assumes 100 kg/person including clothing and luggage |
이 값을 Eq. 11.1에 넣으면 source calculation은 14,192 km를 얻는다. full-payload official range로 인용한 14,200 km와 1% 이내이다. 이 validation을 거친 뒤 모델을 mission analysis에 사용한다.
LHR → LAX: 단순화된 mission simulation
London–Los Angeles great-circle distance는 8,763 km이다. cruise 구간에서 \(W=L\), \(T=D\) force balance를 매 timestep 갱신하고 aircraft mass, fuel consumed, fuel remaining을 추적한다. takeoff, climb, descent, landing은 무시하고 \(\Delta t=100\,s\)를 사용한다.
initial Jet A load는 184.15 tons이고 takeoff fuel mass fraction은 약 45%이다. 원서 각주는 실제 LHR→LAX flight가 taxi/takeoff/climb/descent/landing과 wind 때문에 약 11.5 h에 가깝고, 반대방향 LAX→LHR은 jet stream 영향으로 약 10.5 h라고 설명한다. 실제 fuel load는 효율을 위해 optimize되며 ICAO mandatory reserve도 반영한다.
SIN → EWR: baseline aircraft로는 mission이 infeasible하다
Singapore–Newark great-circle distance는 15,333 km다. nominal flight time은 16.4 h인데 baseline B747-400의 available maximum flight time은 15.2 h이므로 full payload mission은 불가능하다.
이때 roadmap question은 “어떤 기술을 개발할까?”가 아니라 “어떤 variable을 얼마만큼 움직이면 mission feasibility boundary를 넘는가?”가 된다.
One-at-a-time technology targets for 15,333 km
| LEVER | BASELINE → TARGET | RELATIVE CHANGE | SYSTEM / BUSINESS CONSEQUENCE |
|---|---|---|---|
| Passenger ↔ fuel trade | 416 → 310 pax | −25.48% | new technology 없이 가능하지만 106 paying passengers의 revenue를 포기해 customer/business delta value를 크게 훼손할 수 있음. |
| Engine SFC | 1.65 → 1.52 ×10⁻⁵ kg/s/N | −7.88% | new/improved engine과 flight recertification 필요 가능성이 큼. |
| Empty mass | 187,000 → 176,500 kg | −5.62% | CFRP와 structural optimization으로 가능할 수 있으나 metallic component보다 manufacturing cost가 높아질 수 있음. |
| Aerodynamics \(L/D\) | 15 → 16.3 | +7.98% | higher-aspect-ratio, more flexible wing 개발 필요. |
원서는 새 commercial turbofan engine의 R&D와 certification 비용을 대략 $5–10 billion, 기간을 5–10 years 수준으로 설명한다. 따라서 percent improvement가 작다고 R&D가 싸다는 뜻은 아니다.
현실에서는 네 lever 중 하나만 극단적으로 움직이기보다 total R&D investment, baseline change, project timeline, customer expectation을 동시에 만족시키는 조합을 택한다. passenger 감소+fuel 증가 방식은 A321neo XLR 같은 long-range derivative에서 실제로 사용되는 redesign logic의 예로 소개된다.
B747-400 → B747-8과 S-curve cost intensity
원서는 Boeing이 B747-400에서 B747-8로 이동한 과정과 비슷한 engineering logic을 언급하며 B747-8의 advertised passenger capacity를 467 (+12.3%), range를 15,000 km (+5.6%)로 적는다.
같은 L1 range target을 달성하더라도 L2 technology마다 required percent improvement가 크게 다르다. 더구나 technology가 S-curve의 asymptotic mature region에 있을수록 추가 1%를 얻는 R&D effort가 더 비싸다. 그래서 chapter는 R&D cost intensity \(d\$/dFOM\)을 portfolio decision의 중요한 변수로 연결한다.
Technology Sensitivity — “어디를 1% 개선할 것인가”를 gradient로 비교한다
raw derivative의 단위 문제를 finite difference·complex-step·normalization으로 정리해 서로 다른 technology lever를 같은 눈금에서 비교한다.
MDO problem: objective, design variables, parameters, constraints
\(J\)는 scalar 또는 vector FOM/objective, \(x\)는 design decision vector, \(p\)는 fixed parameter, \(g\)는 inequality constraint, \(h\)는 equality constraint이다. design variable은 wingspan 같은 continuous value일 수도 있고 fuel type(1=Jet A, 2=LH2) 같은 discrete/binary choice일 수도 있다.
sensitivity analysis가 정량화하는 것은 세 가지다. design variable을 바꾼 효과, parameter를 바꾼 효과, constraint를 바꾼 효과이다.
Gradient vector와 analytical partial derivatives
Bréguet range에 대해 source가 계산한 baseline technology sensitivities는 다음과 같다.
- Aerodynamics: \(L/D\)를 1 unit 높이면 range가 약 946.15 km 증가한다.
- Engine: SFC가 증가하면 range가 크게 감소하므로 derivative는 negative이다. 다만 SFC 자체가 \(10^{-5}\) order라 raw number의 직관성이 낮다.
- Structure: empty/final-weight term에 1 kg이 추가되면 range가 약 105.1 m 감소한다.
raw analytical value로는 \(\partial R/\partial(L/D)\approx9.4615\times10^5\,m\), \(\partial R/\partial SFC\approx-8.6013\times10^{11}\), \(\partial R/\partial W_f\approx-105.0698\,m/kg\)가 제시된다. 단위가 서로 달라 그대로는 technology priority를 비교하기 어렵다.
Finite difference: 간단하지만 step size가 accuracy를 결정한다
source는 baseline의 0.1% step으로 L/D, SFC, \(W_f\) derivative를 근사한다. analytical derivative와 비교하면 L/D error는 0, SFC는 약 0.1%, \(W_f\)는 약 0.7%다. L/D는 range equation에서 linear하게 들어가므로 finite-difference error가 없다.
그러나 \(\Delta x\)가 너무 크면 truncation error가 커지고 너무 작으면 subtraction 때문에 rounding error가 커진다. Fig. 11.7의 U-shaped error behavior가 이 trade-off를 보여준다.
Complex-step derivative: subtraction을 없애 작은 step을 쓴다
- second-order accurate이다.
- 원서는 \(\Delta x\approx10^{-20}\) 같은 매우 작은 step도 사용할 수 있다고 설명한다.
- subtraction을 하지 않으므로 finite difference의 rounding-error mechanism을 피한다.
- software code가 complex-valued input을 처리할 수 있어야 한다.
각주는 symbolic, adjoint, complex step, automatic differentiation도 gradient calculation 방법으로 언급한다.
Normalized sensitivity: 모든 technology를 “1% 변화가 FOM에 몇 % 영향을 주는가”로 바꾼다
source prose의 해석은 명확하다. \(L/D\)가 1% 증가하면 range도 약 1% 증가하고, SFC가 1% 증가하면 range는 약 1% 감소한다. \(W_f\)는 leverage가 더 커서 1% 증가할 때 range가 약 1.7% 감소한다. Bréguet equation의 logarithmic denominator 때문에 empty/final mass가 강한 영향력을 갖는다.
이 결과는 SIN–EWR에서 empty-mass target이 −5.62%로 네 lever 가운데 가장 작은 percent change였던 이유를 설명한다. 하지만 가장 민감한 technology가 곧 가장 좋은 R&D investment라는 결론은 나오지 않는다. 1% lightweighting의 비용이 engine/aerodynamics 1% 개선비용보다 훨씬 클 수 있기 때문이다.
Constraints and Shadow Prices — 기술가치는 ‘더 좋아질 수 있는가’보다 ‘어떤 active constraint를 풀 수 있는가’에서 결정된다
KKT와 Lagrange multiplier는 constraint relaxation의 marginal value와 technology threshold를 정량화한다.
앞 절의 partial derivative는 constraints를 직접 고려하지 않았다. 실제 design optimization에는 \(m=m_1+m_2\)개의 inequality/equality constraints와 design-variable bounds가 있다. local optimum에서는 KKT optimality conditions가 성립하고, 더 개선하려면 적어도 하나의 active constraint 또는 bound를 위반해야 하는 상태가 된다.
KKT stationarity
objective gradient와 active-constraint gradient의 weighted sum이 optimum에서 balance된다. weight \(\lambda_j\)가 Lagrange multiplier이며 active constraint에서는 nonzero다.
Parameter가 움직이면 optimum과 multiplier도 함께 움직인다
parameter \(p\)가 조금 바뀌어도 KKT condition이 유지되어야 한다. 원서는 first-order sensitivity를 matrix system으로 정리해 \(\delta x\)와 \(\delta\lambda\)를 동시에 계산한다.
여기서 \(A\)는 objective와 active constraints의 second-order terms를 묶은 matrix, \(B\)는 active-constraint Jacobian, \(c,d\)는 parameter 변화가 stationarity와 constraints에 미치는 direct effect를 나타낸다. 이 시스템을 풀면 parameter 변화에 따라 optimum design과 shadow price가 어떻게 이동하는지 추적할 수 있다.
또한 active constraint의 \(\lambda_j\)가 0이 되는 \(\Delta p\)를 구하면 그 constraint가 언제 inactive로 바뀌는지, inactive constraint의 \(g_j\)가 0이 되는 \(\Delta p\)를 구하면 언제 새로 active가 되는지 first-order로 추정할 수 있다. 변화가 크면 active set이 바뀌므로 problem을 다시 풀어야 한다.
Lagrange multiplier = shadow price
원서는 Lagrange multiplier를 cost function의 constraint value에 대한 negative sensitivity로 해석한다. economics에서는 shadow price라 하며 constraint를 조금 완화했을 때 얻는 marginal utility 또는 constraint를 더 강화할 때의 marginal cost를 뜻한다.
Christensen의 사례에서는 computer type별 memory capacity(MB) 확대와 physical size(cubic inches) 축소에 대한 shadow price가 mainframe, minicomputer, desktop PC, mobile computing에서 다르게 나타나는 예를 언급한다. 같은 technology improvement라도 market/system context에 따라 constraint value가 달라진다는 뜻이다.
Solar-electric aircraft의 lesson: inactive constraint를 더 개선해도 product는 좋아지지 않는다
Chapter 8의 2SEA 사례에서 solar-cell efficiency를 더 높여도 payload–range system performance가 개선되지 않았다. energy generation rate가 active constraint가 아니었고 실제 bottleneck은 energy storage였다.
Technology roadmapping의 올바른 target은 “최대한 높은 FOM”이 아니라 active constraint를 해제할 만큼의 FOM이다. 그 threshold를 넘은 뒤에는 다른 bottleneck에 R&D budget을 옮겨야 한다.
Single-Stage-to-Orbit — “가능한가?”를 희망이 아니라 mass-fraction threshold로 판정한다
X-33 사례는 mission infeasibility를 보여주는 governing equation과 필요한 technology target의 정량화가 왜 중요한지 보여준다.
Tsiolkovsky rocket equation
SSTO는 orbit까지 stage를 버리지 않는 launch vehicle이며 reusable을 지향하는 경우가 많다. Bréguet equation과 마찬가지로 initial/final mass의 logarithmic term이 나타나는 이유는 flight 중 vehicle mass가 줄어들기 때문이다.
X-33 input and program facts
- SSTO reusable launch vehicle demonstrator.
- source bullet은 target mass \(m_0=130{,}000\,kg\), structural mass fraction \(\alpha=0.1\)을 적는다.
- LOX/LH2 propellant, \(I_{sp}=440\,s\).
- development 중 LH2 composite fuel tank failure가 발생했다.
- NASA는 2001년 program을 취소했고 source는 R&D spending을 $1,279 million으로 적는다.
바로 다음 페이지의 variable list는 \(m_1\), 즉 final mass를 130,000 kg이라고 적는다. 앞의 bullet은 \(m_0=130,000\,kg\)이라고 적어 표기가 서로 일치하지 않는다. 이 글은 둘 중 하나를 임의로 정정하지 않는다.
Mass fraction feasibility inequality
source derivation은 initial/final mass를 structural mass fraction \(\alpha\), fuel mass, payload mass로 표현한 뒤 mission requirement를 다음 inequality로 바꾼다.
illustrative X-33-like design의 mission requirement는 \(\Delta v=11{,}500\,m/s\), \(g_0=9.81\,m/s^2\), \(I_{sp}=440\,s\), \(\alpha=0.1\)이다. 대입하면 LHS=2.59, RHS=2.398로 inequality가 만족되지 않아 design은 infeasible하다.
Technology sensitivity sweep가 만든 target: α ≈ 7.5%
\(\alpha\)를 0.05–0.15로 sweep해 achievable \(\Delta v\)와 11.5 km/s requirement의 intersection을 찾으면 SSTO의 maximum allowable structural mass fraction은 약 7.5%다. 원서는 이것이 당시 rocket vehicle design state of the art를 넘어서는 target이라고 평가한다.
따라서 multistage rocket이 여전히 standard이고 SSTO가 아직 실현되지 않은 이유를 “의지가 부족해서”가 아니라 specific technology threshold가 아직 mission feasibility boundary를 넘지 못했기 때문으로 설명할 수 있다. 원서는 이 example이 simplified라고 명시한다.
Diesel Aftertreatment and Lunar ISRU — sensitivity는 component geometry부터 space-logistics network topology까지 같은 질문을 던진다
“어느 변수의 개선이 system objective를 가장 움직이는가?”와 “임계값을 넘을 때 architecture가 어떻게 바뀌는가?”를 서로 다른 규모에서 확인한다.
Diesel exhaust aftertreatment — regulation이 system constraints가 된다
road vehicle은 시간이 갈수록 엄격해지는 particulate matter(PM)와 NOx emission standards를 만족해야 한다. 원서는 European EU1–EU4 tightening trajectory와 미국 규제가 대체로 parallel했다고 설명한다. VW emissions cheating scandal은 NOx, vehicle cost, fuel efficiency trade-off를 피하려고 laboratory standard test를 감지할 때만 emission-control system을 활성화한 software를 사용한 사례로 서술된다.
Modular aftertreatment design space
Graff et al.(2006)의 framework는 heater, particulate filter, NOx system, diesel oxidation catalyst(DOC) 같은 technology module을 exhaust stream에 조합하고 sizing/placement를 optimize한다. objective와 constraints는 engine/chassis, operating condition, Federal Test Procedure(FTP) city drive cycle과 연결된다.
DOC의 12개 design variables
| ID | VARIABLE | ID | VARIABLE |
|---|---|---|---|
| X1 | Catalyst type: metallic vs. ceramic | X7 | Shell thickness |
| X2 | DOC length | X8 | Monolith wall thickness |
| X3 | Heat-shield thickness | X9 | Monolith cells per square meter |
| X4 | Heat-shield gap | X10 | Pipe radius |
| X5 | Shell radius | X11 | Pipe length |
| X6 | Shell width | X12 | Pipe thickness |
해당 catalyst model과 specific engine/chassis, FTP city cycle에서 normalized sensitivity의 main driver는 DOC length다. thermal mass와 가장 직접적으로 관련되기 때문에 물리적으로도 설명이 된다. 특정 dimension에서는 shell radius 영향이 커질 수 있으며, 분석은 catalyst engineering이 slimmer/smaller DOC 방향으로 간 경험적 직관과 일치한다고 원서는 해석한다.
Lunar ISRU — technology capability가 system topology 자체를 바꾼다
future space logistics에서는 모든 vehicle·material·consumable을 Earth에서 launch한다는 가정을 깨고 local resource를 harvesting할 수 있다. source는 Mars 2020의 MOXIE를 solid-oxide electrolysis로 oxygen을 생산하는 ISRU technology example로 들고, lunar south pole(LSP)의 subsurface water ice에서 hydrogen/oxygen을 생산하는 plant를 space-logistics network에 넣는다.
생산된 propellant는 tanker를 통해 low lunar orbit(LLO), 그리고 Earth–Moon Libration Point 2(EML2)의 in-space propellant depot 등으로 이동한다. technology capability FOM은 equipment plant mass 1 kg당 Earth-year에 생산하는 oxygen kg, 즉 [kg/year/kg]로 정의된다.
ISRU threshold: 1.8와 3.5 kg/year/kg
baseline production capability는 10.0 kg/year/kg이다. capability가 낮아질수록 Mars mission을 위해 Earth에서 LEO까지 launch해야 하는 total launch mass(TLMLEO)가 급격히 증가한다. source plot의 green zig-zag curve는 technology parameter가 바뀔 때마다 optimal network topology와 flow allocation이 바뀐다는 것을 보여준다.
중요한 점은 L2 technology parameter를 한 번 바꾼 뒤 L1 system을 그대로 두지 않는다는 것이다. 각 technology capability setting마다 전체 logistics network를 다시 optimize한다. technology가 바뀌면 optimal architecture도 바뀔 수 있기 때문이다.
Technology Roadmapping as Sensitivity Management — ‘더 좋은 기술’을 찾는 것이 아니라 system value를 움직이는 임계값을 찾는다
Chapter 11은 roadmap target을 감이 아니라 model, gradient, constraint, reoptimization으로 검증하는 방법을 제공한다.
Chapter 11의 논리를 한 번에 정리하면
Enabling technology의 정량적 정의
chapter conclusion은 technology를 system/product/use case의 context에서 평가해야 한다고 다시 강조한다. technology의 performance 또는 cost가 required threshold에 도달하고, 그것 없이는 mission을 수행할 수 없게 되는 순간 technology는 enabling이 된다.
Sensitivity analysis는 technology 또는 technology combination의 change가 system level에 미치는 영향의 크기를 정량화한다. 가장 단순한 비교법은 normalized partial derivative이며, constraints가 있으면 Lagrange multiplier/shadow price가 어떤 constraint를 move/deactivate할 때 가치가 생기는지 더 깊은 정보를 준다.
Roadmapping decision rule
AI·Agentic Systems 연구기획에 대한 해석
Inference: 이 chapter의 reasoning을 AI system roadmap에 옮기면 model benchmark 하나의 개선률만으로 R&D priority를 정해서는 안 된다. end-to-end task success를 system FOM으로 놓고 model accuracy, retrieval recall, tool latency, context cost, verifier precision, human-review capacity를 L2 technology variables로 두어 sensitivity를 측정할 수 있다.
예컨대 retrieval accuracy가 이미 active constraint가 아니라면 embedding model을 더 크게 만드는 투자는 system value를 거의 움직이지 않을 수 있다. 반대로 tool reliability가 bottleneck이면 작은 reliability improvement가 전체 completion rate를 크게 움직일 수 있다. 또 agent architecture를 바꾸면 optimal retrieval/cache/evaluation topology 자체가 달라질 수 있으므로 subsystem만 개선하고 system을 고정해서는 안 된다.
이 단락은 Chapter 11이 AI system에 대해 실증한 결과가 아니라 원서의 systems-modeling and sensitivity logic을 AI R&D planning에 적용한 해석이다.
이 장이 다음 장으로 넘기는 질문
Chapter 11은 어떤 technology가 system FOM을 얼마나 움직이는지와 enabling threshold를 찾는다. 다음 Chapter 12는 그 technology를 실제 product/system에 infuse했을 때 어떤 가치와 효과가 생기는지를 분석하는 방향으로 이어진다. 즉 sensitivity는 “어디를 움직일 것인가”를 묻고, infusion은 “그 움직임을 실제 product change로 어떻게 실현하고 평가할 것인가”를 묻는 다음 단계다.