선별로 품질을 사는 방식 — 합격률이 낮아도 남는 계산 (2026)

결론부터 말하면, 품질을 올리는 길은 “고치기”와 “버리기” 두 가지다.

버리기는 합격률이 낮아 보여도, 시도 한 번이 싸고 불량을 일찍 걸러내면 합격품 1개당 비용이 오히려 감당할 만해진다.

그래서 선별 방식은 합격률 하나가 아니라, 시도 비용과 남는 품질을 같이 봐야 판단할 수 있다.

이런 구조를 숫자로 확인해 보고 싶다면 Passive 앱(https://dinsightlab.com)에서 관련 지표를 함께 살펴볼 수 있다.

고치기와 버리기는 다른 산수다

고치기는 만들어진 것을 손봐서 품질을 끌어올린다.

공정이 길고, 한 개를 살리는 데 드는 비용이 크다.

버리기는 만들자마자 검사하고, 기준에 못 미치면 바로 폐기한다.

한 개 한 개는 싸지만, 많이 버려야 한다.

둘 중 무엇이 나은지는 “합격품 1개를 얻는 데 평균 얼마가 드는가”로 비교한다.

합격품 1개당 비용 계산법

공식은 단순하다.

합격품 1개당 비용 = 시도 1회 비용 ÷ 합격률.

예를 들어 시도 1회 비용이 1이고 합격률이 8%라면, 1 ÷ 0.08 = 12.5다.

합격품 하나를 얻으려면 평균 12.5번 시도한다는 뜻이다.

반대로 고치기 방식이 1개를 살리는 데 15가 든다면, 합격률 8%짜리 버리기가 더 싸다.

합격률이 4%로 떨어지면 1 ÷ 0.04 = 25가 되어 순서가 뒤집힌다.

합격률은 절반이 됐는데 비용은 두 배가 된다.

그래서 선별 방식에서는 합격률이 조금만 흔들려도 경제성이 크게 바뀐다.

불량을 얼마나 일찍 버리느냐가 핵심이다

같은 합격률이라도, 불량을 공정 초반에 걸러내면 버리는 비용이 작다.

마지막 단계에서야 불량을 발견하면, 앞선 공정에 들인 비용이 통째로 날아간다.

선별 방식이 통하는 곳은 대부분 “싸게 검사하고, 일찍 버리는” 구조를 갖고 있다.

중간 점검을 여러 번 두고, 하나라도 걸리면 그 자리에서 멈추는 식이다.

투자에서도 비슷하다. Passive 앱(https://dinsightlab.com)의 종목 스크리너처럼 조건 검색으로 후보를 먼저 거르고, 남은 소수만 깊게 보는 방식이 같은 원리다.

사례: 구글의 매직 스테이트 배양

2026년 10월 15일 구글 퀀텀 AI는 양자컴퓨터에 필요한 “매직 스테이트”를 만드는 새 방식을 실제 칩에서 시연했다고 발표했다.

매직 스테이트는 한 번 쓰면 사라지는 소모품이라 계속 만들어야 하고, 일부 추산에선 양자컴퓨터 용량의 최대 95%가 여기에 쓰일 수 있다고 한다.

구글이 쓴 “배양” 방식은 거친 상태를 작은 영역에 넣고, 여러 차례 점검해 오류가 보인 시도를 버리는 방식이다.

구글 발표 기준으로 배양을 거친 상태는 거치지 않은 상태보다 오류가 40배 적었고, 논리 충실도는 99.99%였다.

충실도 99.99%는 오류율 0.01%다.

여기에 40배를 곱해 단순 역산하면, 배양 전 오류율은 약 0.4% 수준이 된다(논문의 정확한 정의와는 다를 수 있다).

보도에 따르면 대부분의 시도는 버려졌다.

그래도 의미가 있는 이유는 앞의 계산과 같다. 시도가 빠르고 작아서, 많이 버려도 합격품 1개당 비용이 감당할 만하다는 것이다.

구글도 실용화하려면 더 큰 규모의 시연이 필요하다고 덧붙였다.

선별 방식을 볼 때 확인할 세 가지

첫째, 합격률이다. 낮을수록 합격품 1개당 비용이 반비례로 커진다.

둘째, 시도 1회 비용이다. 시도가 싸야 낮은 합격률을 버틸 수 있다.

셋째, 남는 품질이다. 합격품이 얼마나 좋아지는지가 버리는 비용을 정당화한다.

세 숫자 중 하나만 보고 “많이 버리니 비효율”이라거나 “품질이 좋으니 성공”이라고 판단하면 틀리기 쉽다.

기업 발표를 볼 때도 “몇 %를 버렸나”와 “남은 것이 얼마나 좋아졌나”를 함께 물어보면, 성과의 크기를 더 정확히 가늠할 수 있다.

관련 뉴스와 시장 지표는 Passive 앱(https://dinsightlab.com)에서 한 화면에 이어서 확인할 수 있다.