본문 바로가기
Q&A2026년 6월 4일1분 읽기

Linear Cycles AI — 사용자 추정과 실제가 맞지 않을 때 신뢰도 회복

오
오민지
조회 631댓글 6

Linear AI Cycles로 sprint 추정 자동화 6개월. 처음 3개월은 정확도 좋아서 만족했는데 최근 한 달부터 갑자기 빗나갑니다.

추정 vs 실제 변화

달오차율
1~3개월±8%
4개월±18%
5개월 (현재)±34%

팀원들이 AI 추정 신뢰 잃고 무시하기 시작. 어떻게 회복하나요? 데이터 모델이 stale 된 건가요?

댓글 6

김김영삼5개월 전

Linear AI Cycles의 정확도 저하 원인 몇 가지 패턴이 있습니다.


1. 팀 구성 변경 — 신규 인력 비율


AI는 과거 팀원의 추정 정확도 학습. 신규 인력이 30% 이상 들어오면 과거 데이터가 stale. 신규 인력은 추정 어려움.


해결 — Linear settings에서 신규 인력 capacity 수동 조정 + AI에 "training period" 명시.


2. 작업 유형 변화


한 분야(예: backend) 위주 sprint에서 다른 분야(infra·ML)로 비중 이동. AI가 새 작업 유형에 대한 데이터 부족.


해결 — 작업에 label 명확화. ML, infra, design 같은 카테고리 label이 있으면 AI가 카테고리별 학습.


3. 외부 의존 증가


다른 팀 input 대기, 클라이언트 컨펌 대기 같은 외부 요인이 늘면 AI 추정 자체가 못 함. AI는 내부 작업만 추정 가능.


해결 — "blocked by external" 작업은 추정 대상에서 제외. 별도 카테고리 부여.


4. 인센티브 변화


팀원이 "AI 추정 = 자동 평가"로 인식하면 일부러 추정 낮게 적기 시작. AI가 그 추정으로 학습하면 데이터 자체가 오염.


해결 — AI 추정 vs 실제는 평가 도구 아니라 sprint 계획 도구라고 명확히. 평가에서 분리.


신뢰 회복 — 4단계



  1. 데이터 reset — 최근 2개월 데이터만으로 retrain (3개월 전 패턴은 stale)

  2. 투명성 — AI 추정 근거 표시 (예: "비슷한 5개 작업 평균 4.2일")

  3. 사람 우선 — AI 추정은 제안, 최종 결정은 담당자

  4. 주기 점검 — 매 sprint 후 AI 추정 vs 실제 비교 share


저희도 비슷한 슬럼프 후 위 패턴으로 정확도 ±28% → ±12% 회복. 가장 큰 변화는 4번 — AI 신뢰 회복이 정확도보다 중요.

풀풀스택지훈5개월 전

AI 추정 무조건 신뢰는 위험합니다. 도구로만 활용하고 최종 결정은 담당자. 신뢰 회복하려면 "도구"로 redefine.

준준영(guest)5개월 전
저희도 도입 후 1년쯤 비슷한 슬럼프 옴. 데이터 사이즈 너무 작으면 AI 추정 의미 없습니다. 5~10명 팀이면 1년 데이터 모인 후 도입이 맞는 것 같아요.
권권태현(guest)5개월 전
같은 문제 한 달째 헤매고 있었는데 위 답변으로 단번에 해결됐습니다. 감사합니다.
리리액트사랑(guest)5개월 전
제가 운영하는 서비스에도 비슷한 케이스가 있어서 try해볼 만하네요. 결과 나오면 share할게요.
윤윤도현(guest)5개월 전
제가 운영하는 서비스에도 비슷한 케이스가 있어서 try해볼 만하네요. 결과 나오면 share할게요.
Ctrl+Enter로 등록