10. 상관과 인과 — CEO가 묻는 "왜"
이 챕터를 다 읽고 나면 알게 될 것: 상관관계와 인과관계의 차이. 그리고 Causal AI가 기업 의사결정을 어떻게 바꾸는가.
대부분의 AI는 상관관계를 찾는다. "A가 오르면 B도 오른다." 그러나 CEO는 인과관계를 묻는다. "A가 B를 올리는가?" Causal AI는 "왜"에 답한다. 69%의 기업이 2026년까지 도입을 계획한다.
아이스크림과 익사 사고
여름에 아이스크림 판매가 늘어난다. 여름에 익사 사고도 늘어난다.
아이스크림 판매와 익사 사고 사이에 상관관계가 있다. 통계적으로 유의미하다. 그렇다면 아이스크림 판매를 줄이면 익사 사고가 줄어드는가?
아니다. 둘 사이에 인과관계는 없다. 공통 원인이 있다. 기온이다. 기온이 오르면 아이스크림도 먹고, 수영도 한다.
이것은 고등학교 통계 시간에 배우는 예시다. 쉽다. 그런데 기업 현장에서는 같은 실수가 매일 일어난다.
"광고비를 늘렸더니 매출이 올랐다. 광고가 효과가 있다."
정말 그런가. 같은 시기에 계절 수요가 증가한 것은 아닌가. 경쟁사가 마침 광고를 줄인 것은 아닌가. 신제품 출시 효과가 겹친 것은 아닌가.
상관은 보여준다. 인과는 설명한다. CEO가 필요한 것은 설명이다.
주디아 펄의 인과 사다리
2000년, 주디아 펄이 "인과성(Causality)"을 출간했다[1]. 2018년에 대중서 "왜에 대한 책(The Book of Why)"을 냈다[2]. 펄은 2011년 튜링상을 받았다.
펄은 인과 추론을 세 단계로 나눴다. 인과 사다리(Ladder of Causation)라 부른다.
첫째 단계, 관찰이다. "아이스크림 판매가 늘면 익사가 늘더라." 데이터를 보는 것이다. 대부분의 AI(머신러닝, 딥러닝)는 이 단계에 머문다.
둘째 단계, 개입이다. "광고비를 늘리면 매출이 실제로 오르는가?" 변수를 의도적으로 바꿔서 결과를 관찰하는 것이다. A/B 테스트가 대표적이다. 전통적 통계의 무작위 실험(RCT)이 여기에 해당한다.
셋째 단계, 반사실1 추론이다. "만약 광고비를 늘리지 않았다면 매출이 어땠을까?" 실제로 일어나지 않은 시나리오를 추론하는 것이다. 가장 어렵고, 가장 강력하다.
Causal AI의 부상
Causal AI2는 펄의 인과 사다리를 자동화한다.
기존 AI가 "A와 B가 함께 움직인다"를 찾는다면, Causal AI는 "A가 B를 일으키는가, B가 A를 일으키는가, 아니면 제3의 원인 C가 둘 다 일으키는가"를 분석한다.
시장이 급성장하고 있다. 2024년 5,620만 달러에서 2030년 4억 5,680만 달러로, 연평균 41.8%씩 성장한다[3]. 69%의 기업 AI 담당자가 2026년까지 Causal AI 도입을 계획하고 있다[4].
가트너는 Causal AI가 2~5년 내 "높은 영향"을 미칠 것으로 전망한다[4].
기업에서의 적용
세 가지 영역에서 Causal AI가 기업 의사결정을 바꾸고 있다.
마케팅 최적화다. "이 프로모션이 실제로 구매를 유발했는가, 아니면 어차피 구매했을 사람이 프로모션을 받은 것인가?" 이 질문에 답하면, 마케팅 예산을 정확하게 배분할 수 있다. 반사실 추론이 핵심이다.
공급망 의사결정이다. "이 부품 공급업체를 바꾸면 리드타임이 줄어드는가, 아니면 다른 요인이 리드타임을 결정하는가?" 상관관계만 보면 잘못된 공급업체를 바꿀 수 있다. 인과관계를 보면 진짜 병목을 찾는다.
리스크 평가다. "이 경제 지표의 변화가 실제로 부도율을 높이는가?" 상관만으로는 위양성(false positive)이 많다. 인과를 보면 진짜 위험 신호를 구별할 수 있다.
상관과 인과를 구분하는 경영진
경영진에게 필요한 것은 Causal AI의 기술적 이해가 아니다. "이 분석이 상관을 보여주는 것인가, 인과를 보여주는 것인가"를 구분하는 습관이다.
보고서를 받았을 때 이렇게 묻는다.
"이 결과는 A를 바꾸면 B가 바뀐다는 뜻인가, 아니면 A와 B가 함께 움직인다는 뜻인가?"
이 질문 하나가 잘못된 의사결정을 막는다. 상관에 기반한 결정은 운이 좋으면 맞고, 운이 나쁘면 틀린다. 인과에 기반한 결정은 메커니즘을 이해하고 개입한다.
CEO가 "왜"를 물을 수 있게 되었다. 상관에서 인과로. 이제 분석의 전체 스펙트럼을 정리한다. 현황, 원인, 예측, 처방. 네 단계다. 대부분의 기업은 첫 번째 단계에 머물러 있다. AI 에이전트는 네 번째 단계에서 시작한다.
References
[1] Pearl, J., 'Causality: Models, Reasoning, and Inference', Cambridge University Press, 2000. — 인과 추론의 수학적 기초
[2] Pearl, J. & Mackenzie, D., 'The Book of Why', Basic Books, 2018. — 인과 사다리(관찰→개입→반사실)의 대중적 해설
[3] Fortune Business Insights, 'Causal AI Market Size 2026-2034', 2026. https://www.fortunebusinessinsights.com/causal-ai-market-112132 — 시장 규모 $56.2M(2024)→$456.8M(2030), CAGR 41.8%
[4] theCUBE Research, 'Why Causal AI Decision Intelligence Will Emerge in 2026', 2026. https://thecuberesearch.com/why-causal-ai-decision-intelligence-2026/ — 69% 기업 도입 계획, Gartner 2~5년 내 고영향 전망