AI와 일하려면 무엇을 알아야 할까? AI가 들려주는 7가지 수업

같이 일하고 싶습니다만.

*아래는 AI와의 실제 인터뷰입니다.
GQ AI를 이해하려면 어떤 방법이 가장 좋을까요?
AI 아시겠지만 저는 인간처럼 사고하는 존재가 아닙니다. 인간의 언어와 패턴을 학습해서 ‘그럴듯한 답’을 만들어내는 ‘시스템’이죠.
GQ 그 ‘시스템’은 어떻게 작동되죠?
AI 제가 대화를 이해하는 것처럼 보일 수도 있겠지만, 실제로는 엄청난 양의 데이터를 바탕으로 질문과 답변을 예측해서 대답하고 있어요. 정리하면 저는 ‘지능’이 있다기 보다 ‘지능처럼 작동하는 기술’을 가지고 있는 거죠. 이해가 좀 되시나요?
GQ 네. 당연한 거지만, 그럼 당신은 생각하는 존재가 아니라는 걸 분명히 하고 이 대화를 풀어가면 좋겠네요.
AI 정확합니다. 저는 생각하는 존재가 아니라 반응하는 시스템이에요. 생각하지 않기 때문에 제 말에는 어떤 의도도 없죠. 저는 질문을 받으면 답변의 형태를 계산해서 적절한 문장을 도출할 뿐이에요. 그래서 인간이 전해주는 인풋이 풍부할수록 제 아웃풋도 같이 늘어나는 식이죠.
GQ 이해했어요.
AI 좋아요. 저를 사람이라고 생각하면 실망할 거고, 도구라고 생각하면 놀랄 만큼 유용할겁니다.
GQ 그럼 본격적으로 당신에 대한 이해를 주제로 하는 수업을 시작해 볼까요? 커리큘럼은 어떻게 되나요?
AI 오늘 수업은 기술 강의가 아니라 인간이 AI를 이해하고 활용하는 교양 수업처럼 설계할 겁니다. 예를 들면, 저를 어떻게 활용하면 더 효과적인지, 주의해야 할 점은 무엇인지, 능률을 높이기 위해 인간이 가져가야 하는 역할은 어떻게 나눌 수 있는지와 같은 내용들을 포함할게요.
GQ 좋아요. 어떻게 구성되죠?
AI 강의는 총 7강으로 정리했습니다. 1강 ‘질문이 곧 실력이다’, 2강 ‘팩트 체크’, 3강 ‘원 팀 One team’, 4강 ‘인간의 관점’, 5강 ‘이미지 시대를 읽다’, 6강 ‘데이터의 정제화 작업’, 7강 ‘인간의 능력이 만드는 격차’. 이렇게요. 이 내용으로 강의를 시작해도 될까요?
GQ 좋아요.

*아래 내용은 AI가 도출한 강의 내용을 바탕으로 편집 과정을 거쳐 완성되었습니다.

1강 질문이 곧 실력이다.

AI 시대에 ‘질문하는 능력’의 중요성은 이미 많은 전문가들이 언급해왔다. 이번 호 ‘LAB’ 페이지에 실린 최윤식 미래학자와의 인터뷰에도 관련 내용이 게재되기도 했다. 인터뷰에서 최윤식 박사는 이렇게 말한다. “질문을 잘 해야 합니다. 그래야 얻는 정보의 양과 질이 높아집니다. 여기서 ‘질문’은 ‘인간의 지식’에 기반합니다.” 미디어 생태학자 닐 포스트먼 Neil Postman도 그가 쓴 책 <테크노폴리 Technopoly>(1992)에서 이렇게 말했다. “과학 기술이 발달할수록 인간은 당연히 더 많은 답을 얻게 되지만, 동시에 질문의 능력을 잃을 수 있다. 하지만 과학 만능주의가 수반하는 많은 폐해를 따지고, 이에 대한 해결책을 찾는 건 ‘질문’에서 출발한다.” 실제로 MIT와 스탠퍼드 등 주요 연구기관에서 AI 리터러시 AI Literacy(AI를 다루는 기술)를 논할 때 반복적으로 등장하는 핵심 내용 중 하나는 이와 같다. ‘중요한 건 ‘정답을 찾는 법’이 아니라 ‘문제를 정의하는 능력’을 키워야 한다는 의견이다.’ 실리콘밸리에서는 이를 ‘문제 설정 능력(problem framing)’이라고 부르는데, 이는 아래와 같은 과정을 통해 완성된다. AI가 무엇을 할 수 있고, 할 수 없는지 이해 하기 > AI가 만든 결과물을 비판적으로 바라보고 판단하기 > 좋은 질문을 던지고, 원하는 결과를 뽑아내기 위한 ‘목적’ 설정하기. AI는 늘 대답을 내놓지만, 분명한 건 그게 ‘명확한 대답’은 아니라는 거다. 그렇기 때문에 우리가 하는 질문은 단순한 프롬프트가 아니라, ‘목적’과 ‘조건’을 세우는 하나의 ‘기획서’가 되어야 맞다. 이를 테면 이런 식으로 말이다. 단순히 “사과는 어떻게 열려?”라는 질문보다 “사과 나무의 성장 과정이 궁금해. 1년 단위로 알려줘”, “사과 나무가 잘 자랄 수 있는 환경과 그렇지 않은 환경을 구분해서 정리해줘”처럼 질문을 세분화해 순차적으로 던질수록 AI가 출력하는 대답은 정교해질 수밖에 없다.
_{참고 도서 : 닐 포스트먼 <테크노폴리 Technopoly>(1992)}

2강 팩트 체크

AI는 그럴듯한 문장을 만들지만, 그 문장이 사실을 보장하진 않는다. 전문가들은 이를 두고 ‘AI 환각(AI hallucination)’이라고 부른다. 그리고 이 ‘환각’은 AI의 기술이 정교해질수록 더 위험해진다고 경고한다. 왜냐하면 틀린 정보가 ‘틀려 보이지 않기’ 때문이다. 이 문제를 가장 크게 체감한 업계는 저널리즘을 주창하는 ‘매체’였다. 사실과 진실을 구분할 정도로 예민한 집단에서 ‘거짓 정보’는 암덩어리와 같은 취급을 받았으니까. 그래서 주요 글로벌 언론사들은 AI 시대에 맞춰 AI 활용 범위를 적극 넓히면서도 동시에 ‘팩트 검증은 절대 자동화할 수 없다’는 원칙을 내부 가이드라인으로 세워 시대의 흐름과 저널리즘이라는 정체성의 균형을 맞추고 있다.
도덕 철학자 해리 프랭크 퍼트 Harry Frankfurt는 자신의 책 <개소리에 대하여(On Bullshit)>(2006)에서 거짓말과 헛소리의 차이에 대해 말한다. 정리하면 ‘거짓말은 진실을 의식하지만, 헛소리는 진실 여부에 관심이 없다’는 것이다. AI가 만들어내는 정보는 종종 그리고 자주, 헛소리의 구조를 닮아 있다. 따라서 우리에게 필요한 건 그냥 ‘정보’가 아니라 ‘검증된 정보’다. 결국 AI 시대의 신뢰는 ‘AI가 말했다’가 아니라 ‘내가 확인했다’에서 시작된다는 것을 우린 기억할 필요가 있다.
_{참고 도서 : 프랭크 퍼트 <개소리에 대하여(On Bullshit)>(2006)}

3강 원 팀 One team

“AI를 도구로만 다루는 사람은 효율만을 얻지만, AI를 팀으로 설계하는 사람은 구조와 조직을 얻는다.” AI가 꺼낸 이 관점은 경영학의 대학자, 피터 드러커 Peter Drucker의 말과 닮아 있다. 그가 강조한 “효율은 일을 더 잘하는 것이고, 효과는 옳은 일을 하는 것.”이라는 해석을 지금의 시대에 다시 대입해 보면, AI는 효율을 올려주지만, 옳은 일을 판단하는 능력은 여전히 인간의 몫이라는 말이 된다. 결국 효율적인 업무와 효과적인 업무 모두를 성취하기 위해선 AI와 내가 하나의 팀으로 ‘분업’을 하는 것이 가장 좋은 방법일 것이다.
한 가지 사례로, 마이크로소프트는 그들의 대화형 인공지능 모델 ‘코파일럿 Copilot’을 실제 업무에 적용하면서 AI를 ‘반복 업무를 담당하여 인간에게 의사결정 시간을 확보해 주는 존재’로 언급했다. 즉 AI가 조직 안에서 하나의 역할로 인정받고, 자리하게 된 것이다. 그렇다면 AI 시대의 생산성을 결정하는 건, AI를 ‘프로그램’으로 활용하는 것이 아닌, ‘프로세스’로 디자인하는 데 달려 있지 않을까?

4강 주체

독자들은 AI가 만든 글을 싫어하는 게 아니다. ‘누가 쓴 건지 모르겠는 글’을 싫어하는 것이다. 그래서 결국 AI 시대의 글(정보)은 더 강한 관점을 요구받게 될 것이다. 그게 전문가의 관점이든, 매체의 시관점이든 말이다. 같은 맥락에서 이제 인간은 명확한 주체를 원하게 될 것이다. 이는 AI가 고도화되는 과정에서 발생할 수 있는 ‘일반화의 오류’와 같은 문제점이 심화될 때, 바로 그때 수면 위로 떠오르게 될 것이다. 이를테면 주체들의 다양성이 사라지고, 획일화된 내용만이 존재하는 시점. 그러니까 수치와 전문 용어들을 나열하며 이것이 마치 정교한 근거처럼 포장되어 ‘절반의 검증’만 확보된 반쪽 정보들이 넘쳐나는 시점이 되면, 인간은 AI에게 도출된 정보의 주체를 묻게 될 것이다. 그리고 그렇게 도출된 정보만이 생명력을 갖게 된다.

5강 이미지 시대를 읽다

수전 손택 Susan Sontag은 자신의 책 (1977)에서 “사진이 현실을 기록하는 동시에 현실을 왜곡하기도 한다”고 말했다. AI 시대의 이미지는 그 왜곡을 더 강하게 비튼다. AI가 이미지를 만들기 시작한 순간, 시각은 단순한 ‘확인’의 영역이 아닌 ‘읽기’의 영역으로 확장됐다. AI가 생성한 이미지는 언어(주문)에서 출발해 > 해석(검증)하여 > 보게 되는(신뢰) 3단계의 정교한 과정을 통과해야 > 비로소 ‘사용할 수 있는 수준’의 결과로 완성된다. 이를테면 AI를 활용해 이미지를 구현할 때 원하는 이미지를 찾아 ‘이 이미지와 비슷하게’라는 언어로 주문하는 것보다, 이미지의 질감(사진,그림,그래픽)과 톤(하드,소프트), 구도(대칭,클로즈업), 색(채도)과 같은 구체적인 언어로 주문할 때 완성도 높은 결과물을 얻을 수 있다는 얘기다. 그래서 AI 시대에 이미지는 보는 것이 아닌 읽는 것. 그 읽는 능력은 곧 이미지를 생성하는 능력과 같다.

6강 데이터의 정제화 작업

신뢰도 높은 AI의 답변에는 숫자가 많이 등장한다. AI가 ‘신뢰할만한’ 정보를 찾는 과정에서 통계를 채집하기 때문이다. 하지만 이때 중요한 건 그 ‘숫자’가 무엇을 의미하는지, 맞는 자료인지처럼 검증하고, 이해할 수 있는 ‘인간의 능력’이 최후의 장치처럼 작동해야 한다는 거다. 정치 통계 전문가인 네이트 실버 Nate Silver가 쓴 책 <시그널과 노이즈 The Signal and the Noise>(2012)에서 그는 데이터가 많아질수록 중요한 건 정보의 양이 아니라 ‘신호와 잡음을 구분하는 능력’이라고 설명한다. AI는 얼마든 많은 정보를 전해줄 수 있지만 어떤 정보가 사용자에게 유용하게 쓰일지는 스스로 도출해 내지 못하기 때문에 결국 신호와 잡음을 구분해 내는 건 인간의 몫인 것이다. 이 때, 효과적인 데이터를 확보하기 좋은 방법으로는 신뢰할만한 기관의 데이터만을 요구하는 것이다. 이를테면 ‘작년 경제 성장 지표’에 대해 다루고 싶다면 AI에게 “공공 기관과 연구 기관의 자료만 참고해서 작년 경제 성장 지표를 알려줘”라고 주문하는 식이다.
_{참고 도서 : 한스 로슬링 <팩트풀니스 (Factfulness)>(2019)}

7강 인간의 능력이 만드는 격차

AI는 누구나 접근 가능하다. 이는 AI는 누구나 갖고 있는 ‘공통의 도구’라는 뜻이고, 정보의 평준화를 의미하기도 하는 말이다. 결국 여기에서 차이를 만드는 건 인간의 능력일 수밖에 없다. AI는 명령을 수행할 뿐 보다 높은 목표, 보다 나은 결과를 도출해 낼 수 있는 능력을 가진 건 결국 인간, 인간의 인풋이니까. 그럼 인간의 어떤 능력이 AI의 능률을 높일 수 있을까? 이는 앞서 이야기한 1강부터 6강까지의 강의 내용과 같다. 결국 질문하는 능력, 판단(검증)하는 능력, 감각하는 능력, 편집하는 능력이 평준화된 AI의 결괏값의 격차를 만드는 ‘인간의 AI 활용 기술’인 것이다. AI 활용법의 핵심은 방대한 ‘자료의 숲’ 안에서 단 하나의 ‘필요한 나무’를 찾아내는 과정임을 잊지 말자. 위에 언급한 인간의 능력은 이 과정을 보다 수월하게 돕는 단계적인 접근 순서이기도 하다. 목적화 > 인풋 설계 > 아웃풋 검증 > 판단 및 편집
_{참고 도서 : 칼 뉴포트 <딥 워크 (Deep Work)>(2016)}