목표와 현황의 차이, 데이터 분류, 파레토 차트, 원인 검증, AI 실행까지 도요타식 문제 해결과 전략 컨설팅을 비교해 보자.
결론부터 말하면, 두 방법의 문제 해결 구조는 상당히 비슷하다. 목표를 정하고, 현재와의 차이를 숫자로 확인하고, 데이터를 나눠 중요한 부분을 찾아 원인을 검증한 후 결과를 다시 측정한다.
대단한 컨설팅 기법을 배우러 갔더니 예전 직장에서 보던 파레토 차트가 나온다. 어, 여기서 또 만나네?
원인보다 먼저 현황을 숫자로
도요타식 문제 해결 교육은 이상적인 상태와 실제 상태 사이의 차이를 사실과 수치로 확인하도록 한다. 맥킨지가 소개한 7단계 접근법도 문제를 분해하고, 영향이 크면서 바꿀 수 있는 요인을 고르고, 자료로 분석하는 절차를 강조한다. 결국 목표 → 격차 → 데이터 분류 → 우선순위 → 원인 검증 → 실행 → 효과 확인이라는 흐름이 겹친다.
‘사이트에 사람이 없다’는 느낌이다. ‘검색 결과에 적게 노출되는가, 노출되지만 클릭되지 않는가’는 분석할 수 있는 질문이다.
가장 긴 막대가 가장 중요한 원인은 아니다
가상의 사이트가 한 달에 6,000페이지뷰를 기록하고 목표가 50,000이라면 44,000이 부족하다. 국내 조회가 80%, 해외가 20%라고 해서 국내부터 고치는 것이 정답일까? 아직 알 수 없다. 현재 비중과 앞으로 늘릴 수 있는 폭은 다르기 때문이다.
파레토 차트는 빈도나 비용이 큰 항목을 보여 주지만 원인을 자동으로 증명하지는 않는다. 현재 기여도, 개선 가능 폭, 실행 비용을 따로 살펴야 한다. 막대가 높다고 진범이라고 단정할 수는 없다.
로직 트리와 ‘왜?’ 분석은 함께 쓴다
검색 결과에 40,000회 나타나고 클릭률이 2%라면 검색 클릭은 약 800회다. 클릭률이 3%라면 약 1,200회로, 400회 더 많다. 검색 클릭 수와 페이지뷰는 다른 지표다.
먼저 노출 부족인지 클릭 부족인지 가로로 나눈 뒤, 클릭 부족이라면 제목이 검색자의 질문과 맞는지, 첫 부분에서 답이 보이는지 ‘왜?’를 반복해 살펴본다. 문제를 분해하는 도구와 원인을 파고드는 도구는 경쟁 관계가 아니다.
다른 점은 결정의 범위
품질 개선은 불량, 지연, 재작업처럼 반복되는 공정 문제와 효과를 유지하는 데 강하다. 전략 컨설팅은 시장 진입이나 투자 배분처럼 어떤 선택을 할지 자체를 다루는 일도 많다. 사고력의 우열이 아니라 결정 대상이 다를 수 있다는 뜻이다. 공장도 전략을 세우고 컨설턴트도 현장 데이터를 본다.
AI가 빨라질수록 확인은 더 중요하다
ChatGPT는 가설 정리, Claude Code는 코드 수정과 점검을 도울 수 있다. Claude Opus 5.5 같은 모델은 복잡한 코딩과 지식 작업을 겨냥한다. 하지만 제목, 내부 링크, 본문을 한꺼번에 바꾸면 방문자가 늘어도 어떤 변경이 효과적이었는지 알기 어렵다.
AI가 그럴듯한 용의자 쉰 명을 한꺼번에 데려올 수는 있어도 증거를 대신하지는 못한다. 변경 기록과 실제 수치가 필요하다.
결국 남는 것은 문제 해결의 습관
직장에서 배운 개선의 틀은 제조업, 웹사이트, 교육, 경영까지 옮겨 쓸 수 있다. 컨설팅의 비밀 도구를 찾았더니 이미 손에 익은 공구함이었다. 이제 그 안에 AI 전동드릴까지 들어 있을 뿐이다.
Toyota-style problem solving · McKinsey seven-step problem solving · ASQ Pareto chart · ASQ: Pareto pitfalls · Anthropic: Claude Opus 5.5
