과거에 투입한 시간, 금전, 자원이 더 이상 유용하지 않음에도 불구하고, 단지 '이미 투자했다'는 이유만으로 비합리적인 투자를 지속하려는 심리적 성향 [1].
🧠 핵심 개념 (Core concepts)
투자 지속성 (Continued Investment): 자산의 현재 가치나 미래 수익성보다 과거의 누적 투자액에 근거하여 의사결정을 내림 [1].
약속의 에스컬레이션 (Escalation of Commitment): 실패하고 있는 프로젝트임에도 불구하고 초기 결정을 정당화하기 위해 추가 자원을 투입하는 현상 [2, 3].
확인 편향과의 결합 (Link to Confirmation Bias): 경영진이 상황을 객관적으로 재평가하기보다 초기 결정을 지지하는 증거만을 선택적으로 수집하며 발생함 [2].
중단 시점의 부재 (Lack of Exit Strategy): "언제 멈춰야 하는가?"라는 질문에 답할 수 있는 객관적 데이터나 기준이 부족할 때 강화됨 [4].
🧩 추출된 패턴 (Extracted patterns)
사후적 합리화 (Post-hoc Rationalization): 예상보다 낮은 성과(예: 8% 채택률)가 나왔음에도 불구하고, 특정 소수 사용자의 만족도 등을 근거로 프로젝트를 유지하려는 경향 [5, 6].
임계값 설정 (Threshold Setting): 실험 시작 전 성공과 실패를 가르는 명확한 수치적 기준(Success Threshold)이 없을 때 매몰 비용 오류에 빠지기 쉬움 [3, 6, 7].
비합리적 정당화: 유용성이 상실되었음에도 투자를 지속하는 것을 '책임감'이나 '의지'로 오인함 [1, 3].
📖 세부 내용 (Details)
가설 주도 사고와의 충돌: 가설 주도 사고는 '실패를 통한 학습'과 '빠른 포기(Fail Fast)'를 강조하지만, 매몰 비용 오류는 실패를 인정하지 않고 자원을 낭비하게 함으로써 전략적 효율성을 저해함 [8, 9].
전략적 가드레일: 매몰 비용 오류를 방지하기 위해 가설 수립 단계에서 반드시 "언제 이 가설을 폐기할 것인가?"와 "어떤 데이터가 충분한 정보인가?"에 대한 기준을 정의해야 함 [4].
실패의 가치 재인식: 비합리적인 지속보다는 실패한 실험을 통해 얻은 '문제에 대한 이해'와 '데이터 기반의 통찰'을 가치 있는 결과물로 간주하는 문화가 필요함 [9, 10].
구조적 방어 기제: 프로젝트나 실험을 실행하기 전, 예상 결과에 따른 의사결정 경로(성공 시 build, 모호할 시 iterate, 실패 시 kill)를 미리 문서화하여 감정적 개입을 차단함 [3, 11, 12].
⚖️ 모순 및 업데이트 (Contradictions & updates)
소스 데이터 내에서 매몰 비용 오류와 직접적으로 상충되는 정보는 발견되지 않았으나, Evidence-First Problem Solving 모델은 가설에 의한 '고착(Anchoring)' 자체를 경계하며 데이터 수집과 해석을 완전히 분리할 것을 제안함 [13]. 이는 가설 설정 자체가 매몰 비용이나 약속의 에스컬레이션을 유도할 위험이 있음을 시사함 [14].
🛠️ 적용 사례 (Applied in summary)
B2B SaaS 기능 개발 사례: 사용자 요청에 따라 '대량 편집(Bulk Editing)' 기능을 개발했으나 실제 채택률이 8%에 그침. 팀은 사전에 해당 기능이 실제 워크플로우 문제를 해결할 것이라는 가설을 검증하지 않았으며, 결과적으로 개발 자원과 기회비용을 낭비함 [5].
프로덕트 가설 검증 프로세스: Centercode 가이드에 따르면, 기능 출시 전 'Strong Success(40% 사용)', 'Moderate Success(25-39%)', 'Failure(<15%)' 등의 임계값을 미리 설정하여 매몰 비용에 의한 비합리적 유지를 방지함 [11].
Antigravity Agent
c24165b8bc