AI가 대신 생각하게 둘 것인가

생성형 AI가 세상에 나온 지 3년 반이 지났다. 그사이 ChatGPT를 정기적으로 쓰는 사람은 9억 명, 구글 제미나이는 7억5천만 명을 넘었고, OpenAI는 가장 최근 투자 라운드에서 8520억 달러라는 가치를 인정받았다. 하버드 비즈니스 리뷰의 마크 자오-샌더스는 이 숫자들이 도달한 자리에서 한 가지 질문을 던진다. 사람들이 AI를 정말로 어떻게 쓰고 있는가. 도구를 손에 쥐는 일과 그 도구에 생각을 맡기는 일은 다르다.

9억이라는 숫자가 가리키는 것

ChatGPT를 정기적으로 쓰는 사람이 9억 명을 넘었다. 제미나이는 7억5천만 명을 지났다. 두 숫자를 더하면 지구 인구의 상당 부분이 매달 같은 종류의 도구 앞에 앉는다는 뜻이 된다. OpenAI가 가장 최근 투자 라운드에서 8520억 달러라는 가치를 인정받은 배경도 여기에 있다. 시장은 이 도구를 일시적 유행이 아니라 한 세대의 작업 방식을 바꿀 기반으로 판단했다. 숫자가 이 정도 규모에 이르면 의미가 달라진다. 초기에 AI를 먼저 만져 본 사람들은 호기심 많은 소수였다. 지금은 다르다. 메일을 정리하고, 보고서 초안을 잡고, 모르는 개념을 물어보는 일이 특별한 행위가 아니라 하루의 기본 동작으로 들어왔다. 도구가 흔해질수록 그 도구를 쓰는 방식의 차이가 사람 사이의 격차를 만든다. 같은 입력창을 열어도 누구는 답을 받아 적고 누구는 답을 의심한다. 9억이라는 숫자는 보급의 완성을 알리는 동시에, 이제부터 진짜 문제는 보급이 아니라 사용의 질이라는 신호다.

바이브 코딩과 에이전트 워크플로

지난 한 해의 변화를 한 단어로 줄이면 자동화의 깊이다. 바이브 코딩이 떠올랐다. 정교한 문법을 한 줄씩 짜는 대신 만들고 싶은 것을 말로 풀어 놓으면 AI가 코드를 채우는 방식이다. 프로그래밍의 문턱이 낮아졌다는 뜻이기도 하고, 사람이 직접 손대는 영역이 줄었다는 뜻이기도 하다. 기업은 에이전트 워크플로를 받아들였다. 사람이 단계마다 지시하던 작업을 AI가 여러 단계로 이어서 스스로 처리하는 구조다. 질문에 답하는 도구에서 일을 맡아 진행하는 동료 쪽으로 위치가 옮겨졌다. 두 변화의 공통점은 사람의 개입 지점이 뒤로 밀린다는 데 있다. 예전에는 AI가 내놓은 결과를 사람이 받아 검토하고 다음 단계로 넘겼다. 이제는 AI가 여러 단계를 한 번에 끝낸 뒤 결과만 사람 앞에 놓는다. 편하다. 동시에 중간 과정에서 무엇이 어떻게 결정됐는지 사람이 보지 못한 채 지나가는 구간이 길어진다. 속도와 통제는 맞바꾸기 쉬운 거래다. 그 거래의 조건을 의식하는 사람과 의식하지 못하는 사람의 결과물은 시간이 지날수록 벌어진다.

야생의 AI를 관찰한다는 일

이 글을 쓴 마크 자오-샌더스는 filtered.com의 공동 창업자다. 그는 한 번에 한 가지 일에 집중하는 시간 관리법을 다룬 책 『타임박싱』을 썼고, 사람들이 AI를 어떻게 쓰는지 추적하는 'AI in the Wild'라는 연구를 이끈다. 제목에 담긴 야생이라는 단어가 핵심이다. 실험실에서 통제된 조건으로 측정한 성능이 아니라, 사람들이 실제 생활과 업무에서 AI를 어떻게 붙잡고 쓰는지를 본다는 뜻이다. 기능의 목록과 실제 사용은 다르다. 도구가 무엇을 할 수 있는가와 사람이 그 도구로 무엇을 하는가 사이에는 늘 간격이 있다. 한 가지에 집중하는 법을 오래 연구한 사람이 AI 사용을 들여다본다는 점도 우연으로 읽히지 않는다. AI는 동시에 여러 일을 떠넘기기 좋은 도구다. 초안을 맡기고, 요약을 시키고, 아이디어를 받아 내는 일을 한꺼번에 돌린다. 집중의 가치를 아는 사람이 보기에, 그렇게 분산된 사용은 효율처럼 보이지만 정작 사람의 사고는 어디에도 깊이 머물지 못한다. 무엇을 할 수 있느냐보다 어떻게 쓰느냐를 묻는 시선이 이 연구의 출발점이다.

도구에서 사고로 넘어가는 경계

AI 사용의 단계는 조용히 한 칸 넘어갔다. 처음에는 검색을 대신하는 도구였다. 모르는 것을 묻고, 긴 글을 줄이고, 표현을 다듬는 일을 맡겼다. 사람이 생각의 주체였고 AI는 손을 덜어 주는 보조였다. 지금은 그 경계가 흐려진다. 무엇을 쓸지 정하기 전에 AI에게 방향을 묻고, 판단을 내리기 전에 AI의 의견을 먼저 듣는다. 결정의 출발점이 사람의 머릿속이 아니라 모델의 응답으로 옮겨 가는 순간이 늘어난다. 보조에서 멈추던 개입이 사고의 안쪽으로 들어온 것이다. 이 차이는 미세해서 알아채기 어렵다. 보고서를 쓸 때 AI에게 자료 정리를 시키는 일과, 무엇을 주장할지를 AI에게 정하게 하는 일은 겉으로 비슷해 보인다. 그러나 앞의 경우 결론은 여전히 사람의 것이고, 뒤의 경우 결론까지 빌려 온 것이다. 빌려 온 결론은 빠르고 그럴듯하다. 문제는 그것이 내 사고를 거치지 않았다는 사실을 스스로도 잊기 쉽다는 데 있다.

맡길수록 흐려지는 판단

자오-샌더스가 짚는 위험은 AI가 사람을 대신해 생각하게 두는 일이다. 도구에 작업을 맡기는 것과 도구에 사고를 맡기는 것은 다른 종류의 일이다. 계산기를 쓴다고 해서 수의 감각이 사라지지는 않는다. 그러나 무엇이 옳은 질문인지, 받은 답이 말이 되는지 판단하는 능력은 쓰지 않으면 무뎌진다. 근육과 같다. 매번 답을 받아 적기만 하면 답을 의심하는 힘이 먼저 약해진다. 한국에서 AI를 업무에 들인 직장인이라면 이 변화를 이미 몸으로 느낀다. 막히던 보고서가 몇 분 만에 초안으로 나오고, 낯선 분야의 개념이 한 문단으로 정리돼 돌아온다. 편의는 분명하다. 그런데 그 초안을 그대로 제출하기 전에 한 번 멈춰 사실을 확인하는 사람과, 그럴듯하니 넘기는 사람의 차이는 당장 드러나지 않는다. AI가 그럴듯하게 틀린 답을 내놓을 때, 그 틀림을 잡아내는 것은 결국 사람의 판단이다. 그 판단을 계속 AI에게 미루면, 정작 틀림을 잡아야 할 순간에 잡을 힘이 남아 있지 않다.

검증을 습관으로 되돌리는 법

그래서 바뀌어야 할 것은 도구가 아니라 도구를 대하는 순서다. AI에게 답을 받은 뒤에 검증하는 것이 아니라, 검증할 수 있는 형태로 묻는 데서 시작한다. 결론만 달라고 하는 대신 근거를 함께 요구하고, 그 근거가 실제로 존재하는지 한 번 더 확인하는 절차를 사용의 기본값으로 둔다. 답을 받았을 때 가장 먼저 할 일은 받아 적기가 아니라 의심하기다. 이 답이 어디서 나왔는가, 빠진 것은 없는가, 내가 직접 생각했다면 다른 결론에 닿았을까. 세 질문을 던지는 데는 몇 분이면 충분하다. 그 몇 분이 빌려 온 결론과 내 결론을 가른다. AI를 덜 쓰자는 말이 아니다. 9억 명이 매일 여는 도구를 외면하는 선택은 현실적이지 않다. 다만 무엇을 맡기고 무엇을 끝까지 쥘지 스스로 정하는 일은 사람의 몫으로 남겨 둬야 한다. 자동화의 깊이가 더해질수록, 마지막에 판단을 내리는 자리를 비워 두지 않는 사람만이 그 도구를 자기 것으로 쓴다. AI가 대신 생각하게 둘지, AI와 함께 더 깊이 생각할지는 도구가 아니라 쓰는 사람이 정한다.