오늘의 지식: 가로등 효과, 우리는 왜 찾기 쉬운 곳에서만 답을 찾을까

왜 오늘 이 주제인가

우리는 어느 때보다 많이 알고 있는 것처럼 느낀다. 검색창에 질문을 넣으면 몇 초 안에 답이 나오고, 회사의 대시보드는 실시간 숫자로 채워지고, AI는 긴 문서를 요약하고, 앱은 수면과 운동과 소비를 점수로 바꾼다. 정보가 부족해서 판단하지 못하는 시대라기보다, 정보가 너무 많아서 무엇을 봐야 하는지 헷갈리는 시대에 가깝다.

바로 그래서 가로등 효과(streetlight effect)를 알아둘 만하다. 이 말은 술 취한 사람이 어두운 골목에서 열쇠를 잃어버렸는데, 정작 밝은 가로등 아래에서만 열쇠를 찾는 농담에서 왔다. 왜 거기서 찾느냐고 묻자 대답은 이렇다. “여기가 밝으니까요.” 우스운 이야기처럼 들리지만, 현대의 지식 노동과 데이터 분석은 자주 이 농담을 반복한다. 우리는 답이 있을 법한 곳이 아니라 보기 쉬운 곳, 측정하기 쉬운 곳, 검색 결과가 잘 나오는 곳을 먼저 뒤진다.

가로등 효과가 무서운 이유는 그것이 게으름의 문제가 아니라 합리성의 표정을 하고 나타나기 때문이다. 접근 가능한 데이터는 깔끔하고, 그래프로 만들기 쉽고, 회의에서 설명하기 좋다. 반대로 정말 중요한 정보는 흩어져 있거나, 관찰하기 어렵거나, 오래 걸리거나, 사람을 직접 만나야 얻을 수 있다. 그러면 조직과 개인은 은근히 질문을 바꾼다. “무엇이 중요한가?”가 아니라 “무엇을 쉽게 확인할 수 있는가?”가 의사결정의 중심에 들어온다.

최근 NBER 작업 논문은 이 효과를 데이터 기반 탐색의 문제로 다룬다. 연구자들은 과거 데이터가 오히려 새로운 발견을 방해할 수 있음을 모델과 실험, 유전 질환 연구 사례로 분석했다. 데이터가 매력적으로 보이는 프로젝트를 비추면 사람들은 그쪽으로 몰리고, 아직 데이터가 부족하지만 더 큰 발견이 숨어 있을 수 있는 영역은 덜 탐색된다. 데이터가 많아질수록 더 넓게 보게 되는 것이 아니라, 이미 밝은 곳을 더 밝히는 일이 생기는 것이다.

핵심 배경

가로등 효과는 관찰 편향의 한 형태다. 사람은 모든 곳을 동시에 볼 수 없기 때문에 언제나 탐색 범위를 정한다. 문제는 탐색 범위를 정하는 기준이 “정답이 있을 가능성”이 아니라 “내가 보기 편한 정도”가 될 때다. 이때 우리는 합리적으로 조사하는 것처럼 보이지만, 실제로는 질문을 다루기 쉬운 형태로 축소하고 있다.

이 효과는 사회과학에서 오래전부터 언급되어 왔다. 1964년 철학자 에이브러햄 캐플런은 행동과학 방법론을 논하며 ‘술 취한 사람의 탐색 원리’라는 표현을 사용한 것으로 알려져 있다. 이름은 가벼워도 문제는 진지하다. 연구자는 측정 가능한 변수를 선호하고, 정책 담당자는 이미 있는 통계를 선호하고, 기업은 고객의 진짜 욕구보다 자사 시스템에 남은 로그를 선호한다. 이렇게 되면 연구와 전략은 현실 전체가 아니라 조명 아래의 현실만 다루게 된다.

가장 쉬운 예는 디지털 마케팅이다. 웹사이트 클릭, 체류 시간, 전환율, 광고 클릭률은 측정하기 쉽다. 그래서 많은 기업은 온라인에서 잘 보이는 행동을 고객 이해의 중심에 놓는다. 하지만 고객이 경쟁사 제품을 왜 선택했는지, 매장 직원과 어떤 대화를 나눴는지, 가족이나 동료의 권유를 어떻게 받아들였는지, 브랜드를 떠나기 전 어떤 작은 불편을 참았는지는 더 어둡다. 컬럼비아 비즈니스 스쿨의 오데드 네처 교수는 기업의 데이터 수집과 분석이 성장 전략과 맞지 않을 때, 접근하기 쉬운 데이터에 과도하게 의존하는 문제가 생긴다고 지적한다.

학문 연구에서도 같은 일이 일어난다. 이미 연구 도구와 데이터셋이 잘 갖춰진 분야는 후속 연구가 더 쉽다. 인용이 많고, 실험 프로토콜이 있고, 비교 가능한 수치가 있다. 반대로 중요한 질문이라도 데이터 수집이 어렵거나 방법론이 거칠면 덜 다뤄진다. 시간이 지나면 연구 생태계는 “중요해서 많이 연구된 것”과 “많이 연구되었기 때문에 더 연구하기 쉬운 것”을 구분하기 어려워진다.

기술 분야에서는 로그가 가로등이 된다. 서버 오류, 클릭 이벤트, 매출, 가입자 수, 모델 정확도 같은 숫자는 잘 보인다. 그래서 개발팀은 그 숫자를 개선하는 데 집중한다. 하지만 사용자가 기능을 오해하는 순간, 고객지원에 연락하지 않고 조용히 이탈하는 이유, 팀 내부에서 문서가 읽히지 않는 이유, AI 모델이 특정 상황에서 왜 신뢰를 잃는지는 로그만으로는 잘 보이지 않는다. 중요한 문제일수록 대개 정성적 맥락과 현장 관찰이 필요하다.

가로등 효과는 굿하트의 법칙과도 닮았지만 초점이 조금 다르다. 굿하트의 법칙은 지표가 목표가 되면 지표가 망가진다는 이야기다. 가로등 효과는 그보다 앞선 단계에서, 애초에 무엇을 볼지 선택하는 순간의 편향을 말한다. 숫자를 목표로 삼기 전에 이미 우리는 숫자로 만들기 쉬운 것만 현실로 인정하고 있을 수 있다.

사람들이 자주 놓치는 포인트

• 데이터가 많다는 것은 시야가 넓다는 뜻이 아니다. 같은 종류의 데이터가 많이 쌓이면 정밀도는 올라갈 수 있지만, 사각지대가 사라지는 것은 아니다. 밝은 곳을 더 세밀하게 보는 일과 어두운 곳까지 보는 일은 다르다.

• 측정하기 쉬운 것은 종종 덜 중요한 것이 아니다. 클릭률이나 매출 같은 지표가 쓸모없다는 뜻은 아니다. 문제는 그것들이 중요하다는 이유로 쓰이는지, 아니면 쉽게 얻을 수 있다는 이유로 중심이 되는지 구분하지 않는 데 있다.

• 검색도 가로등이다. 검색 결과 상위에 있는 정보는 찾기 쉬운 정보이지 반드시 가장 중요한 정보는 아니다. SEO가 잘 된 글, 영어로 쓰인 자료, 유명 기관의 페이지, 최근에 많이 링크된 콘텐츠가 더 잘 보인다. 조용하지만 중요한 1차 자료나 현장 지식은 검색창 바깥에 있을 수 있다.

• AI는 조명을 더 강하게 만들 수 있다. 생성형 AI는 이미 디지털화되어 있고 공개적으로 많이 언급된 내용을 매우 능숙하게 다룬다. 그러나 문서화되지 않은 경험, 소수자의 맥락, 현장의 미묘한 제약, 최신이지만 검증되지 않은 변화는 잘 빠질 수 있다. AI의 답이 유창할수록 그 답이 비추지 않는 영역을 의식해야 한다.

• 조직은 ‘알고 있는 것’을 사랑한다. 회의에서 숫자로 제시할 수 있는 근거는 힘이 세다. 반면 “고객 인터뷰에서 반복적으로 느껴진 불편함”이나 “현장에서 들은 이상한 침묵”은 설득력이 약해 보인다. 하지만 새로운 기회와 위험은 종종 정돈된 숫자가 되기 전에 먼저 나타난다.

• 어두운 곳을 찾는 일은 비용이 든다. 가로등 효과를 피하려면 더 많은 시간, 더 불편한 질문, 더 지저분한 자료가 필요하다. 그래서 좋은 탐색은 효율만으로 평가하면 안 된다. 때로는 비효율적으로 보이는 현장 방문, 인터뷰, 관찰, 실패한 실험이 가장 중요한 정보를 준다.

현대적으로 읽는 법

가로등 효과를 현대적으로 읽는 첫 번째 방법은 질문을 먼저 고정하는 것이다. 데이터부터 열면 데이터가 질문을 끌고 간다. “우리가 가진 로그로 무엇을 볼 수 있나?”보다 “우리가 정말 알고 싶은 것은 무엇인가?”를 먼저 물어야 한다. 고객이 왜 떠나는지 알고 싶다면, 이탈률 그래프만으로 충분한지, 떠난 고객에게 직접 물어봐야 하는지, 경쟁 제품의 경험을 조사해야 하는지 따져야 한다.

두 번째는 밝은 자료와 어두운 자료를 일부러 섞는 것이다. 밝은 자료는 정량 데이터, 검색 가능한 문서, 공개 통계, 로그처럼 빠르게 확인할 수 있는 정보다. 어두운 자료는 인터뷰, 관찰, 현장 방문, 실패 사례, 불만 글, 소수 의견, 아직 체계화되지 않은 메모다. 좋은 판단은 둘 중 하나를 고르는 것이 아니라, 둘이 서로를 보완하게 만드는 데서 나온다. 숫자는 패턴을 보여주고, 현장은 숫자가 놓친 이유를 보여준다.

세 번째는 “없는 데이터”를 기록하는 습관이다. 분석 보고서에는 보통 있는 데이터만 들어간다. 하지만 더 중요한 것은 없는 데이터일 때가 많다. 어떤 고객군은 표본에서 빠졌는가, 어떤 채널은 추적되지 않는가, 어떤 실패는 기록되지 않았는가, 어떤 질문은 설문 문항에 없었는가. 모르는 것을 빈칸으로 남기지 않으면, 독자는 그 빈칸이 없다고 착각한다.

네 번째는 AI와 함께 일할 때 출처의 조명을 의심하는 것이다. AI가 어떤 답을 내놓았다면, 그 답이 어떤 종류의 자료에 기대기 쉬운지 생각해야 한다. 널리 알려진 개념, 많이 인용된 프레임워크, 공개 웹에 많은 영어 자료가 있는 주제는 잘 다룰 가능성이 높다. 반대로 지역적 관행, 사내 맥락, 최근 내부 결정, 비공개 고객 경험은 사람이 별도로 채워야 한다. AI는 탐색을 빠르게 해주지만, 무엇을 탐색할지의 책임까지 대신하지는 않는다.

다섯 번째는 의사결정 회의에서 “우리가 안 보는 것은 무엇인가?”라는 질문을 공식화하는 것이다. 제품 로드맵을 논할 때는 고객 요청 수뿐 아니라 요청하지 못한 고객을 봐야 한다. 채용을 논할 때는 지원자 데이터뿐 아니라 지원하지 않은 인재가 왜 오지 않았는지 봐야 한다. 콘텐츠 전략을 논할 때는 조회수뿐 아니라 사람들이 읽고 나서 실제로 무엇을 기억하는지 봐야 한다. 좋은 질문은 조명을 옮긴다.

가로등 효과의 교훈은 반데이터주의가 아니다. 오히려 데이터를 더 성숙하게 쓰자는 말이다. 데이터는 우리가 세상을 보는 강력한 조명이다. 하지만 조명은 무대 전체가 아니다. 밝은 곳에서 찾는 일은 필요하다. 다만 잃어버린 열쇠가 정말 거기에 있는지, 아니면 우리가 밝다는 이유만으로 그곳을 뒤지고 있는지 계속 확인해야 한다.

더 알아보기

• NBER: The Streetlight Effect in Data-Driven Exploration
• Columbia Business School: Beware the Streetlight Effect
• Stanford CASBS: The Conduct of Inquiry; Methodology for Behavioral Science
• O’Reilly: Universal Principles of Design - Streetlight Effect

오늘의 한 문장

답은 빛이 있는 곳에 있는 것이 아니라, 질문이 정말 가리키는 곳에 있다.