『AI 이후의 미래 어떻게 될 것인가』를 읽으며 배움에 관한 대목에 밑줄을 그었다. 읽고 난 뒤 내게 남은 질문은 꽤 구체적이었다. AI가 코드를 작성하고 다른 AI가 검토까지 해주면, 그 사이에 나는 무엇을 배웠다고 말할 수 있을까.
작동하는 결과물을 얻는 것과 그 결과물을 설명하는 능력은 함께 늘지 않을 수 있다. 그렇다고 모든 작업을 AI 없이 다시 해야 한다는 결론도 과하다. 계산기를 쓰는 사람이 매번 손으로 긴 곱셈을 확인하지는 않는다. 내가 책임져야 하는 판단이 어디인지, 그 판단에 필요한 지식을 유지하고 있는지부터 구분하고 싶다.
책의 저자는 제이슨 솅커이고 한국어판은 김익성 번역, 더페이지 출간이다. 아래는 책 전체를 요약한 서평이 아니라 독서에서 출발한 내 공부법 정리다. 정확한 쪽수와 원문을 대조하지 못한 문장은 직접 인용하지 않았다. AI 가격이 반드시 오르거나 AI를 쓰면 사고 능력이 반드시 나빠진다는 예측도 이 글의 전제로 삼지 않는다.
결과물을 만드는 목표와 배우는 목표를 따로 적는다
예를 들어 블로그의 검색 기능을 고치는 과제가 있다고 하자. 납품 목표는 검색어에 맞는 글이 올바른 순서로 나오는 것이다. 학습 목표는 조금 다르다. 검색 조건이 어디에 적용되는지, 최신순 정렬이 언제 실행되는지, 빈 검색어가 어떤 결과를 만들어야 하는지 설명하는 것이다. 아래 사례는 실제 측정 결과가 아닌 학습 설계 예시다.
납품에 필요한 테스트를 통과했더라도 세 질문에 답하지 못한다면 작업은 끝났고 학습은 덜 끝난 상태다. 반대로 구조를 잘 이해했어도 배포가 깨져 있으면 학습 성취로 납품 실패를 덮을 수 없다. 두 목표를 나눠야 지금 부족한 것이 무엇인지 보인다.
작업을 시작할 때 노트에 두 줄만 써도 된다.
- 작업 완료 조건: 제목 검색, 최신순 정렬, 검색 결과가 없는 화면이 정해진 동작을 한다.
- 학습 완료 조건: 데이터가 들어온 뒤 화면에 나가기까지의 순서를 도움 없이 설명하고, 잘못 정렬되는 입력을 하나 만들 수 있다.
이후 AI에게는 완성 코드만 요청하지 않고 그 두 조건에 필요한 자료를 구분해 달라고 한다. 설명은 짧아도 괜찮다. 설명을 읽고 이해했다고 느끼는 데서 끝내지 않고, 실제 입력과 출력이 설명대로 움직이는지 확인하는 데 시간을 남긴다.
이 구분은 독서와 데이터 분석에도 쓸 수 있다. 보고서 한 장을 얻는 것이 작업 목표라면, 표본 수와 모집단을 구분하고 숫자의 분모를 찾는 것은 학습 목표가 된다. 모든 용어를 외우는 대신 다음 판단에서 다시 사용할 지식을 골라낸다.
큰 그림에서 시작하되 내려갈 지점을 검사한다
나는 먼저 전체 지도를 보고 필요한 곳을 파고드는 공부에 끌린다. 다만 이 방식이 언제나 더 빠르거나 기초부터 배우는 방식보다 우월하다고 생각하지는 않는다. 낯선 분야에서는 지도의 항목 자체를 오해할 수 있고, 빠진 기초를 모른 채 다음 단계로 넘어갈 수도 있다.
AI에게 전체 구조를 요청했다면 각 항목 옆에 세 가지 표식을 붙이는 방식이 낫겠다. 직접 설명할 수 있는 것, 자료를 보면 설명할 수 있는 것, 이름만 아는 것이다. 마지막 표식이 많다는 사실은 실패가 아니다. 공부할 범위가 드러난 것이다.
검색 기능 예시라면 데이터베이스의 인덱스까지 모두 공부할 필요는 없을 수 있다. 그러나 정렬을 화면에서 하는지 서버에서 하는지조차 모르면 성능이나 페이지네이션 문제를 판단하기 어렵다. 현재 문제의 원인과 연결되는 빈칸부터 메운다. 먼저 도착한 설명이 그럴듯하다는 이유로 주변의 모든 기초를 건너뛰지는 않는다.
이때 쓸 질문은 “쉽게 설명해 줘”보다 좁은 편이 좋다. “검색 결과를 먼저 열 개로 자른 뒤 정렬하면, 전체 결과를 정렬한 뒤 열 개를 고를 때와 언제 달라지는가?”라고 물으면 경계 조건을 확인할 수 있다. 답을 받은 뒤에는 직접 숫자 다섯 개를 놓고 두 순서를 계산해 본다. 다른 사람이 쓴 해설을 반복해서 읽는 것과 내 판단을 만들어 보는 차이가 여기에서 생긴다.
설명을 닫고 기억에서 꺼내 보는 시간을 둔다
Roediger와 Karpicke의 2006년 연구는 산문을 읽은 학생들이 다시 읽기와 회상 시험을 거친 뒤 내용을 얼마나 기억하는지 비교했다. 지연된 평가에서는 앞서 회상을 했던 조건의 기억 유지가 더 좋았다. AI 도구를 대상으로 한 실험은 아니므로 이 결과로 AI 사용의 장기 효과를 단정할 수는 없다. 다만 해설을 더 읽는 시간 일부를 스스로 꺼내 보는 시간으로 바꾸는 근거는 된다. 논문 초록
내 공부에 적용할 절차는 다음과 같다. 먼저 AI와 자료를 보며 문제를 푼다. 그다음 대화창을 닫고 핵심 원리와 실패 조건을 빈 노트에 적는다. 마지막으로 원문을 다시 열어 틀린 부분만 표시한다. 막혔다고 바로 전체 정답을 다시 붙여 넣으면 어느 지점이 비어 있었는지 기록이 사라진다.
다음날에는 같은 답을 외워 말하기보다 입력을 바꾼다. 검색 대상에 날짜가 없는 글이 추가되면 어떻게 할지, 표의 분모가 전체 응답자에서 특정 집단으로 바뀌면 결론이 유지되는지 물어본다. 날짜를 하루 미룬 것은 연구에서 도출한 필수 간격이 아니라 실천하기 위한 제안이다. 과목과 목적에 따라 간격은 바꿀 수 있다.
평가도 “잘 이해했다” 대신 남길 수 있는 결과로 한다. 입력을 바꿔도 설명이 유지됐는가, 처음 보는 오류를 적절한 단계로 분류했는가, 다른 사람에게 조건을 빠뜨리지 않고 전달했는가. 셋 중 하나가 부족하면 그 부분만 다시 학습한다. 학습 기록을 멋지게 정리하는 일보다 작은 오해를 발견하는 일이 우선이다.
암묵지는 신비한 감각이 아니라 판단의 흔적에서도 찾는다
암묵지라는 말을 쓰면 문서로 설명할 수 없는 경험 전부를 특별한 능력처럼 취급하기 쉽다. 경험이 많다고 언제나 올바른 판단을 하는 것도 아니다. 익숙한 방식이 달라진 환경에서는 방해가 될 수 있다. 그래서 경험을 권위로 내세우기보다 어떤 조건에서 판단했는지 남기고 싶다.
오류 하나를 고친 뒤 적을 기록은 길 필요가 없다. 처음 무엇을 의심했는지, 어떤 증거 때문에 방향을 바꿨는지, 다음에는 어떤 신호를 먼저 볼지를 적는다. 정답만 저장하면 같은 상황을 알아보는 데 도움이 될 수 있지만, 틀린 가설을 버린 이유까지 있어야 다른 상황으로 옮겨 쓰기 쉽다.
가상의 기록을 만들면 이렇다. “검색 결과 누락을 데이터 수집 실패로 생각했다. 원본에는 값이 있었고 화면에서 필터와 정렬을 적용하는 순서가 문제였다. 다음에는 원본 유무, 필터 조건, 정렬, 개수 제한을 나눠 확인한다.” 이것은 성공담이 아니라 재사용 가능한 진단 절차다. AI가 같은 가설을 제시하더라도 내가 확인할 순서를 알고 있으면 답변을 무조건 받아들이지 않을 수 있다.
단, 회사의 장애 기록이나 고객 자료를 외부 모델에 그대로 넣을 수 있다는 뜻은 아니다. 개인용 노트에도 원본 비밀값과 이름은 필요하지 않을 수 있다. 학습에 필요한 조건은 남기되, 실제 계정이나 민감한 내용을 별도의 접근 통제 없이 복제하지 않는 것이 좋다.
가격과 서비스가 바뀌어도 공부 기록은 가져갈 수 있어야 한다
초안에서는 AI의 저가 전략을 앞으로의 가격 인상과 강하게 연결했다. 하지만 특정 서비스의 요금이 어떤 방향으로 움직일지는 경쟁, 원가, 상품 구성에 따라 달라진다. 가격이 반드시 오른다는 예측 없이도 지금 확인할 수 있는 의존 비용은 있다.
대화 안에서만 정리한 지식이 서비스 밖에서도 읽히는가. 유료 기능을 끄면 기존 노트를 볼 수 있는가. 다른 모델을 쓰려면 설명과 자료를 처음부터 다시 만들어야 하는가. 대화 기록의 양보다 이동 가능한 작업 설명서와 참고자료가 얼마나 있는지가 실용적인 점검 항목이다.
내가 제안하는 최소 학습 폴더에는 문제 설명, 검증한 원자료 링크, 내 설명, 틀린 가설, 작은 테스트 입력을 둔다. 대화 전문은 선택 사항이다. 비밀번호나 API 키는 학습 폴더에 저장하지 않는다. 중요한 내용은 일반 텍스트처럼 특정 서비스에 덜 묶인 형태로 보관하고 복사본이 실제로 열리는지도 확인한다.
비용을 계산할 때는 월 구독료에만 집중하지 않는다. 결과를 고치는 시간, 자료를 다시 정리하는 시간, 서비스가 멈췄을 때의 대체 작업도 구분한다. 모든 AI를 끄고 혼자 해결할 능력이 있어야 한다는 기준은 지나치게 높다. 적어도 원자료를 찾아 설명을 검토하고, 다른 도움을 받을 수 있도록 작업 상태를 넘길 수 있으면 의존을 관리할 여지가 생긴다.
그럴듯한 정보 앞에서 멈추는 연습도 공부다
AI가 존재하지 않는 근거를 붙이거나 사실을 잘못 연결할 가능성은 기술 발전을 기다리는 동안 무시할 문제가 아니다. NIST의 생성형 AI 위험 관리 문서는 사실과 다른 내용을 자신 있게 제시하는 문제를 다룬다. 문서가 있다는 사실이 개별 답변의 정확성을 판정해 주지는 않지만, 확인 절차를 설계할 때 빠뜨리지 말아야 할 위험을 보여 준다. NIST 생성형 AI 프로파일
특히 읽다가 분노하거나 크게 안도하게 만드는 주장은 한 번 더 원문을 찾는다. 발언자가 실제로 한 말인지, 기사 날짜와 사건 날짜가 같은지, 숫자가 어느 집단을 가리키는지 확인한다. 두 개의 요약이 같은 말을 해도 둘 다 같은 잘못된 글을 재인용했을 수 있다. 출처의 개수보다 독립된 근거인지가 중요하다.
AI에게 의심할 점을 물을 수는 있다. 최종 확인까지 같은 대화의 자신감에 맡기지는 않는다. 책을 읽고 든 불안도 이 절차에 포함된다. 불안을 뒷받침할 자료가 없으면 우려라고 적고, 내가 실제로 이해하지 못한 부분은 짧은 과제로 확인한다. 다음 공부를 마친 뒤에는 결과 파일 옆에 내 설명 한 장이 남아 있기를 바란다.
참고자료
- 제이슨 솅커, 『AI 이후의 미래 어떻게 될 것인가』 도서 정보: 저자·번역자·출간 정보 확인. 이 글의 학습 절차는 독서 후 작성한 제안이다.
- Roediger·Karpicke, Test-Enhanced Learning, Psychological Science, 2006: 다시 읽기와 회상 시험을 비교한 연구의 초록.
- NIST AI 600-1, Generative Artificial Intelligence Profile: 생성형 AI의 부정확한 정보 등 위험을 검토하는 문서.