AI는 내 생각을 개선하는가, 아니면 평균화하는가?
AI가 만든 결과물은 더 깔끔하고 좋아 보일 수 있다. 하지만 보기 좋은 결과물이 항상 더 나은 생각은 아니다. AI가 내 관점을 선명하게 만든 것인지, 아니면 무난한 평균값으로 바꾼 것인지 검증해야 한다.
AI에게 내 생각을 던졌더니 결과물이 나온다.
문장이 더 매끄럽다. 구조가 더 깔끔하다. 제목도 더 세련됐다. 흐름도 자연스럽다. 내가 쓴 것보다 훨씬 잘 정리된 것처럼 보인다.
그래서 이런 생각이 든다.
"내가 생각한 것보다 AI가 낸 결과가 더 좋은데?"
이 감각은 강하다. 거부하기 어렵다. 그리고 여기서 결정이 일어난다. 더 좋아 보이는 쪽을 선택한다.
그 선택이 언제나 옳은 것은 아니다. 하지만 이 감각이 너무 강해서, 그것을 의심하는 것 자체가 어색하게 느껴진다. "AI가 더 잘 쓴 것을 왜 안 쓰지?"가 자연스러운 반응이다.
하지만 그것이 정말 더 좋은 결과일까.
이 질문은 여기서 시작된다. AI를 쓰지 말자는 이야기가 아니다. AI가 만든 결과물이 더 좋아 보일 때 실제로 무슨 일이 일어나는지, 그리고 그 안에서 내 관점이 어떻게 바뀔 수 있는지를 확인하려는 것이다.
AI는 생각을 개선할 수 있다. 그리고 AI는 생각을 평균화할 수 있다. 이 둘은 모두 결과물을 더 좋아 보이게 만든다. 하지만 그 안에서 일어나는 일은 다르다. 개선은 내 관점이 더 선명해지는 것이고, 평균화는 내 관점이 더 무난해지는 것이다. 이 차이를 구분하는 것이 AI 협업에서 사람이 해야 하는 핵심 판단이다.
AI가 더 잘 쓴 것처럼 보이는 순간
AI에게 초안을 맡기거나, 아이디어를 정리해달라고 하거나, 구조를 잡아달라고 하면 결과물이 나온다. 처음 이 결과를 보는 순간이 있다.
그 순간에 자주 일어나는 일이 있다.
내가 머릿속에 갖고 있던 것보다 훨씬 잘 정리된 것처럼 보인다. 내가 흩어진 생각들을 AI가 단정하게 묶어준 것처럼 느껴진다. 내가 찾지 못한 제목을 AI가 찾아준 것처럼 보인다. 내가 빙빙 돌려 말하던 것을 AI가 한 문장으로 정리해준 것처럼 보인다.
이 감각에는 이유가 있다. 많은 AI 결과물은 읽기 편하고, 구조적이고, 논리적으로 이어진다. 그래서 자연스럽게 "이게 더 좋다"고 느끼기 쉽다.
한 가지 더 있다. 사람은 불확실한 상태를 불편하게 느끼고, 확실해 보이는 것을 더 믿는 경향이 있다. 내 머릿속에 흩어진 생각들은 불확실한 상태다. AI가 정리해준 결과물은 확실해 보이는 상태다. 이 대비만으로도 AI의 결과물이 더 낫다는 감각이 생길 수 있다. 실제로 더 낫기 때문이 아니라, 더 확실해 보이기 때문이다.
문제는 이 순간이 하나의 판단 지점이라는 것이다.
더 좋아 보인다는 감각은 강하다. 하지만 좋아 보인다는 것과 내 생각에 더 충실하다는 것은 다르다.
내 머릿속에는 처음에 어떤 가치, 관점, 문제의식이 있었다. AI가 결과물을 만들어버리는 순간 그것이 달라질 수 있다. AI가 더 좋은 글처럼 만들어준 것이 아니라, 내가 원래 붙잡고 있던 관점을 더 무난하고 평균적인 방향으로 바꿔버렸을 수 있다.
그리고 이 변화는 눈에 잘 띄지 않는다. 결과물이 잘 정리된 것처럼 보이기 때문이다.
"더 좋아 보인다"는 감각은 왜 이렇게 강한가
이 감각이 강한 이유를 먼저 이해해야 한다.
사람은 처리하기 쉬운 것을 더 좋은 것으로 느끼는 경향이 있다. 읽기 편하고, 이해하기 쉽고, 걸리는 데 없이 흐르는 문장은 더 설득력 있게 느껴진다. 이런 감각은 흔히 인지적 유창성으로 설명된다.
많은 AI 결과물은 이 유창성이 높은 편이다. 문장이 자연스럽고, 논리가 명확하고, 구조가 보인다. 그래서 더 좋다고 느끼기 쉽다. 문제는 이 좋다는 감각이 내용의 정확성이나 관점의 충실도를 판단하지 않는다는 것이다. 그냥 읽기 좋다는 감각이 "좋은 것"으로 번역된다.
여기에 또 다른 요인이 있다.
사람은 자신의 생각이 아직 정리되지 않을 때 불안을 느낀다. 흩어진 노트, 완성되지 않은 문장, 어딘가 걸리는 표현. 이 상태에서 AI가 깔끔하게 정리된 결과물을 내주면 그 불안이 해소되는 느낌을 받는다. 불안이 해소된 상태와 더 좋은 결과물을 얻은 상태는 다르다. 하지만 그 감각이 혼재된다.
"내가 쓴 것보다 낫다"는 감각은 언제 유용하고, 언제 위험한가.
이 감각은 실제로 유용할 때가 있다. AI가 내 생각을 더 선명하게 만들어줬다면, 그리고 내가 미처 발견하지 못한 빠진 전제나 불명확한 연결을 잡아줬다면, "더 낫다"는 감각은 정확한 평가다.
위험해지는 것은 이 감각이 방향의 변화를 포함하고 있을 때다. AI가 나보다 더 잘 썼다고 느끼는데, 그 "더 잘"이 내 관점을 살리는 방향이 아니라 더 평균적인 방향으로 이동한 결과라면, 그 감각은 오류다.
문제는 AI가 못 쓸 때가 아니다. 오히려 AI가 너무 잘 쓴 것처럼 보일 때, 사람은 자신의 관점이 바뀐 것을 늦게 알아챌 수 있다.
표면 품질은 왜 우리를 설득하는가
AI 결과물이 더 좋아 보이는 이유를 구체적으로 살펴볼 필요가 있다.
AI가 높여주는 것들이 있다.
문장의 매끄러움. 어색한 연결, 반복되는 표현, 흐름이 끊기는 지점이 줄어든다. 읽는 사람이 걸리지 않고 자연스럽게 따라갈 수 있다. 이것은 실제로 좋은 것이다. 독자가 내용에 집중할 수 있게 해준다.
구조의 명확함. 흩어진 생각들이 단락으로 묶이고, 단락들이 순서를 갖는다. 처음에 뭘 얘기하려고 했는지가 보이는 것 같다. 독자가 어디쯤 있는지 알 수 있게 된다.
전문적인 어조. 구어체가 줄고, 단어 선택이 더 세련된다. 읽는 사람에게 신뢰감을 준다. 이것도 좋을 수 있다. 단, 전문적인 어조가 반드시 더 정확한 내용을 뜻하지는 않는다.
균형 잡힌 표현. 너무 강하거나 너무 약한 주장이 조율된다. 치우침이 줄고 객관적으로 보인다. 하지만 여기서 문제가 생긴다. 때로 치우침이 관점이다. 균형을 잡는 과정에서 관점이 빠질 수 있다.
빠진 것 없이 보이는 구성. 빠진 항목이 채워지고, 전체가 완결된 것처럼 보인다. 하지만 AI가 채운 항목이 원래 내가 의도한 것과 다를 수 있다. "빠진 것처럼 보이는" 부분이 실제로는 내가 의도적으로 남겨둔 빈 공간이었을 수도 있다.
이 모든 것은 읽는 경험을 개선한다. 그래서 "더 좋다"는 감각이 생긴다.
하지만 이것들이 높아진다고 내 관점이 보존되는 것은 아니다.
결과물이 잘 읽힐수록 그 안에 무언가가 바뀌었다는 것을 알아채기 어려워진다. 표면 품질이 높을수록 관점의 변화가 잘 보이지 않는다.
표면 품질이 높을수록 검증을 덜 하게 된다
여기에 추가적인 문제가 있다.
사람은 잘 정리된 것을 볼 때 "이미 충분히 완성된 것"으로 느끼는 경향이 있다. 읽기 쉬운 것은 더 검토가 덜 필요한 것처럼 느껴진다. 앞서 말한 인지적 유창성과 같은 맥락이다.
AI가 만든 결과물이 잘 읽힌다면, 사람은 자연스럽게 더 적게 검토하게 된다. 거칠고 불완전한 초안은 더 많이 따져보게 만든다. 깔끔하게 정리된 문서는 "이미 된 것"처럼 보이게 한다.
이것이 표면 품질의 역설이다. 결과물이 좋아 보일수록, 관점 손실을 발견하기 위한 검토가 더 필요하다. 그런데 좋아 보이기 때문에 검토를 덜 하게 된다.
표면 품질이 높은 결과물에 숨어 있는 것
표면 품질이 높아진 결과물 안에는 이런 변화가 들어있는 경우가 많다.
원래의 날카로운 문제의식이 더 포괄적인 문장으로 바뀌어 있다. "이것은 틀렸다"가 "이것은 한계를 가질 수 있다"로 완화되어 있다. 개인적인 관점이 일반적인 주장으로 정리되어 있다. 불편한 질문이 자연스럽게 배제되어 있다. 내가 중요하게 생각했던 구분이 하나의 덩어리로 묶여 있다.
이 변화들은 하나하나 보면 작다. 오히려 더 나아진 것처럼 보이기도 한다. 하지만 그것들이 쌓이면 처음 내가 붙잡고 있던 것과 다른 결과물이 된다.
더 나빠진 것이 아니다. 달라진 것이다. 그리고 달라졌다는 사실을 표면 품질만으로는 알 수 없다.
Dechive Note
AI가 만든 결과물이 더 좋아 보일 때, 먼저 품질을 보지 말고 방향을 봐야 한다. 더 읽기 좋아졌는지보다, 처음의 질문이 살아 있는지를 먼저 확인해야 한다.
내 생각의 핵심은 보통 매끄럽지 않다
여기서 한 가지를 인식해야 한다.
사람의 진짜 관점은 처음부터 정돈된 문장으로 오지 않을 때가 많다.
불편함, 의심, 고집, 반감, 이상한 직감, "이건 아닌데?" 같은 감각이 먼저 온다. 뭔가가 걸린다. 어딘가가 이상하다. 근거를 대기 어렵지만 틀린 것 같다. 이 감각이 먼저 오고, 그것이 천천히 언어가 된다.
이 감각들은 초안 단계에서 거칠게 남아 있다. 완성된 문장이 아니라 메모처럼 있다. "이건 좀 이상한 것 같음", "근데 여기서 반론이 필요한 거 아닌가?", "이 단어가 맞긴 한데 뭔가 부족하다", "이 부분이 핵심인데 왜 이렇게 짧지?" 같은 형태로.
이 거친 상태가 불완성처럼 보일 수 있다. 하지만 그 안에 관점이 들어 있을 수 있다.
관점은 왜 처음부터 완성된 문장으로 오지 않는가
관점이 처음부터 깔끔하게 정리되어 있다면, 그것은 이미 다른 곳에서 본 생각일 가능성이 높다. 아무 저항 없이 자연스럽게 나오는 생각은 보통 이미 알려진 것을 재현하는 것이다.
진짜 관점은 뭔가와 부딪히면서 만들어진다. "이것은 아닌 것 같다"는 감각에서 시작해, "그러면 무엇인가"로 이어지고, "그러면 어떻게 봐야 하는가"를 찾는 과정에서 하나의 관점이 나온다. 이 과정은 깔끔하지 않다.
처음에 설명하기 어렵거나, 근거가 아직 부족하거나, 말이 자꾸 꼬이는 생각이 있다면, 그것이 아직 탐색 중인 관점일 수 있다.
불편함, 반감, 고집은 왜 중요한가
불편함은 신호다.
어떤 설명을 듣거나 결과물을 봤을 때 "이게 맞긴 한데 뭔가 불편하다"는 감각이 있다면, 그것은 아직 내가 붙잡지 못한 무언가가 있다는 신호일 수 있다. 그 불편함이 무엇인지 파면, 더 정확한 관점이 나올 수 있다.
반감도 마찬가지다. "이 주장 자체는 틀리지 않는데, 이 방향이 싫다"는 감각이 있다면, 그 방향성의 차이 안에 나만의 관점이 숨어 있을 수 있다. 반감을 무시하고 "틀리지 않으니까"로 넘어가면 그 관점의 씨앗을 버리게 된다.
고집도 정보다. "남들이 다 이렇게 설명하는데, 나는 이 방식이 마음에 안 든다"는 고집이 있다면, 그 고집이 단순한 취향인지 아니면 실질적인 판단 기준의 차이인지 확인해볼 가치가 있다.
AI가 다듬기 전에, 사람의 생각은 거칠 수 있다. 하지만 그 거친 부분 안에 관점이 들어 있을 수 있다.
AI는 왜 이런 거친 감각을 정리하거나 완화하려 하는가
AI는 출력의 일관성을 위해 훈련됐다. 어색한 부분을 매끄럽게 만들고, 걸리는 표현을 자연스럽게 바꾸고, 논리적 흐름을 맞추는 것이 AI의 기본 방향이다.
그 과정에서 AI는 거친 감각을 정리한다. 의도는 좋다. 읽기 더 편하게 만들려는 것이다. 하지만 그 거친 감각이 관점의 씨앗이었다면, 매끄럽게 만드는 과정에서 씨앗이 깎인다.
구체적으로 어떻게 일어나는가.
"이게 맞긴 한데 이 표현은 좀 이상하다"는 메모가 있었다. AI는 그 "이상한" 표현을 더 자연스럽게 바꿔준다. 사람은 이제 자연스러운 표현을 읽는다. 하지만 "이상하다"는 감각이 실제로 무언가를 가리키고 있었다면, 그것이 사라진다.
"이건 아닌데?"라는 직감이 있었다. AI는 그 주변 문장들을 논리적으로 연결해준다. 결과물은 논리적이 된다. 하지만 논리적이 됐다는 것이 "이건 아닌데"가 해결됐다는 뜻이 아니다. 그 직감이 가리키는 것이 여전히 해결되지 않은 채로 논리적인 문장들 사이에 묻혀 있을 수 있다.
정리된 문장 안에서 사라지는 것들
매끄럽게 정리된 결과물 안에서 자주 사라지는 것들이 있다.
작은 저항. 원래 표현에 있던 약간의 불편함이나 마찰. 그 마찰이 독자에게 "이 부분은 단순하지 않다"는 신호를 주고 있었을 수 있다.
의도적인 모호함. 확실하게 말할 수 없어서 모호하게 남겨둔 부분. AI는 이것을 채워버리거나 정리해버릴 수 있다. 하지만 그 모호함이 정직한 불확실성의 표현이었을 수 있다.
날카로운 질문. 글 중간에 던져둔 "이것은 정말 그런가?"라는 질문. AI는 이것을 답이 있는 것처럼 연결해줄 수 있다. 하지만 그 질문이 아직 답이 없는 열린 질문이었다면, 닫힌 것처럼 보이는 결과물은 거짓된 완결성을 갖는다.
개인적인 어조. 나만의 표현 방식, 특정 단어를 고른 이유, 약간 과하게 강조한 지점. 이것들이 정제되면 더 일반적인 문장이 된다. 읽기 좋아지지만, 내 글이 아닌 것처럼 된다.
AI가 정리한 결과물이 더 읽기 좋을 수 있다. 하지만 그 과정에서 씨앗이 깎였을 수 있다.
이것이 AI 결과물을 단순히 읽기 좋은지가 아니라, 내 관점이 살아 있는지로 검토해야 하는 이유다.
AI는 생각을 개선할 수도 있고, 평균화할 수도 있다
이 지점에서 구분이 필요하다.
AI가 만든 결과물이 더 좋아 보인다고 해서, 그것이 항상 더 나은 생각은 아니다.
AI는 생각을 개선할 수 있다. 그리고 AI는 생각을 평균화할 수도 있다. 이 두 가지는 다르다.
개선이 일어날 때
AI가 내 생각을 더 선명하게 만드는 경우가 있다.
흩어진 생각을 구조화한다. 뭘 말하려는지 알겠는데 순서가 없던 것을 정리해준다. 이때 AI는 내가 말하려던 것을 더 잘 전달되도록 도와준다. 생각의 방향은 그대로지만, 그 방향이 더 명확해진다.
불명확한 문장을 더 분명하게 만든다. 내가 의미한 것을 내가 표현하지 못했을 때, 더 정확한 표현으로 바꿔준다. 중요한 것은 AI가 "내가 의미한 것"을 더 정확하게 표현해주는 경우다. 내가 의미하지 않은 것을 더 분명하게 만들면 그것은 개선이 아니다.
빠진 전제를 드러낸다. 내가 당연하게 여긴 가정이 있었는데 그것을 명시적으로 꺼내준다. 독자가 모를 수 있는 전제를 드러내줌으로써 논리가 더 완결된다.
반론을 제안한다. 내 주장에 반대되는 관점을 보여줘서 더 정확하게 판단할 수 있게 한다. 반론이 추가됐을 때 내 관점이 더 단단해진다면 개선이다.
개념 사이의 관계를 정리한다. 내가 구분 없이 쓴 것들의 차이를 정리해준다. 이때 AI가 만든 구분이 내가 실제로 보려던 구분과 같은지 확인이 필요하다.
개선의 공통점은 이것이다. 원래 질문이 더 분명해진다. 내가 붙잡고 있던 방향이 더 선명해진다. 표현은 정돈되지만 문제의식은 약해지지 않는다.
AI가 내 생각을 더 명확하게 만들었다면 개선이다.
평균화가 일어날 때
AI가 내 생각을 더 무난하게 만드는 경우가 있다.
날카로운 표현을 무난하게 바꾼다. "이것은 잘못됐다"가 "이것은 제한이 있을 수 있다"로 바뀐다. "이 방향은 틀렸다"가 "이 방향은 장단점이 있다"로 바뀐다. 결과물이 더 신중하게 보이지만, 원래의 판단이 희석된다.
불편한 질문을 일반적인 문제로 바꾼다. 내가 붙잡은 구체적이고 불편한 질문이 더 추상적이고 일반적인 문제로 바뀐다. 누구나 동의할 수 있는 방향으로 이동한다. 그 과정에서 내가 왜 이 질문을 중요하게 봤는지가 희석된다.
개인적인 관점을 흔한 프레임으로 정리한다. 내가 다른 방식으로 보려 했던 것이 이미 알려진 설명 방식 안으로 들어간다. 결과물이 더 이해하기 쉬워지지만, 내가 제안하려던 새로운 각도가 사라진다.
강한 문제의식을 균형 잡힌 문장으로 완화한다. "이것이 문제다"가 "이것은 주의해야 한다"로 바뀐다. 독자를 배려하는 것처럼 보이지만, 문제의식의 강도가 낮아진다.
독특한 구분이 사라지고 익숙한 프레임에 흡수된다. 내가 만든 구분이 기존의 더 알려진 구분으로 합쳐진다. 독자가 이해하기 편해지지만, 내가 제안하려던 새로운 구분이 사라진다.
평균화의 공통점은 이것이다. 원래 질문이 일반적인 질문으로 바뀐다. 글은 좋아 보이지만 처음의 이유가 약해진다.
AI가 내 생각을 더 무난하게 만들었다면 평균화일 수 있다.
개선과 평균화를 나란히 놓으면
같은 입력에서 나온 두 결과물이 있을 때, 어느 쪽이 개선인지 평균화인지를 판단하는 기준을 정리하면 이렇다.
개선된 결과물: 원래 질문이 더 선명하게 남아있다. 내가 강조하려던 부분이 더 잘 보인다. 내가 중요하게 본 구분이 살아있다. 날카로운 표현이 필요한 부분에서 날카로움이 유지됐다. 결과물을 읽은 뒤 내가 처음 말하려던 것이 더 명확하게 느껴진다.
평균화된 결과물: 원래 질문이 더 일반적인 질문으로 바뀌었다. 내가 강조하려던 부분이 균형 잡힌 서술 안에 묻혔다. 내가 중요하게 본 구분이 하나의 개념으로 합쳐졌다. 날카로운 표현이 중립적인 표현으로 바뀌었다. 결과물을 읽은 뒤 처음의 불편함이 해소된 것 같지만 문제가 해결된 것 같지는 않다.
표면을 보면 두 결과물이 비슷하게 보인다. 둘 다 더 매끄럽고, 더 구조적이고, 더 완성된 것처럼 보인다. 그래서 이 두 가지를 표면만 보고 구분하기 어렵다.
구분이 어려운 이유
이 두 가지를 구분하기 어려운 이유가 있다.
결과물의 표면이 비슷하게 보인다. 개선된 결과물도 더 매끄럽고, 평균화된 결과물도 더 매끄럽다. 개선된 결과물도 더 구조적이고, 평균화된 결과물도 더 구조적이다. 둘 다 이전보다 더 완성된 것처럼 보인다.
그래서 개선인지 평균화인지를 결과물의 품질만으로 구분하기 어렵다.
구분의 기준은 결과물 안에 있지 않다. 내 원래 관점이 살아있는지를 내가 알고 있어야 한다. 비교할 기준이 없으면, AI가 만든 것이 더 나은 것인지 단지 다른 것인지 알 수 없다.
Dechive Note
AI가 틀린 답을 내면 사람은 쉽게 의심한다. 하지만 AI가 너무 그럴듯한 답을 내면 사람은 더 쉽게 받아들인다. 그래서 평균화는 오류보다 늦게 발견된다.
사례: 표면 품질과 관점 충실도의 차이
개념으로 설명하는 것만으로는 부족하다. 실제로 어떤 일이 일어나는지를 사례로 보는 것이 더 선명하다.
아래 사례들은 AI가 나쁜 결과를 낸다는 것을 보여주려는 것이 아니다. 표면 품질이 높아지는 동시에 관점 충실도가 낮아지는 순간이 어떤 것인지를 보여주려는 것이다.
사례 1 — 글쓰기: 문제의식이 부드러워지다
원래 관점: AI가 빠르게 만든 결과물일수록 검증 기준이 먼저 필요하다. 빠른 결과물에 취해 검증을 잃는 것이 AI 협업의 핵심 위험이다.
AI가 정리한 결과: AI 시대에는 생산성과 검증의 균형이 중요하다. 빠른 결과물의 이점을 살리면서 적절한 검증 과정을 유지하는 것이 핵심이다.
무엇이 달라졌는가:
후자는 더 부드럽고 균형 잡혀 보인다. 읽기도 편하고 반론하기도 어렵다. 하지만 원래의 문제의식인 "빠른 결과물에 취해 검증을 잃는 위험"은 훨씬 약해진다.
원래 표현은 경고의 성격을 갖고 있었다. AI가 정리한 표현은 양쪽 다 중요하다는 균형론이 됐다. 내용이 틀린 것은 아니지만, 문제를 바라보는 각도가 달라졌다.
처음 글을 쓴 사람이 강조하려던 것은 "빠른 결과물의 이점"이 아니라 "검증 없이 받아들이는 위험"이었다. 그 강조점이 균형론으로 희석됐다.
사례 2 — 기획: 검증 질문이 사라지다
원래 관점: 이 서비스는 기능을 많이 넣기보다, 사용자가 실제로 반복해서 겪는 불편함 하나를 검증하는 것이 먼저다. 그 검증 없이는 어떤 기능도 의미가 없다.
AI가 정리한 결과: 사용자 경험을 중심으로 핵심 기능을 단계적으로 설계하고 제공한다. 사용자 피드백을 지속적으로 반영하여 서비스를 발전시킨다.
무엇이 달라졌는가:
AI가 정리한 버전은 훨씬 그럴듯한 기획 문서처럼 보인다. 일반적인 서비스 기획 언어로 작성됐다. 하지만 원래 관점의 핵심인 "검증이 먼저다, 기능은 그 다음이다"는 표현이 빠졌다.
"핵심 기능을 단계적으로 설계하고 제공한다"는 문장은 기능을 단계적으로 추가하는 것이 목표라는 인상을 준다. 원래의 문제의식인 "그 검증 없이는 어떤 기능도 의미가 없다"는 말과 방향이 다르다.
AI는 더 일반적이고 이해하기 쉬운 기획 언어로 번역했다. 그 과정에서 원래의 강조점이 사라졌다.
사례 3 — 자동화 설명: 핵심 구분이 묻히다
원래 관점: 자동화는 모든 일을 대신하게 만드는 것이 아니다. 사람이 반복해서 감수하는 불편함을 발견하고, 그것을 구조로 바꾸는 일이다. 발견이 먼저고 구조화가 나중이다.
AI가 정리한 결과: 효과적인 자동화는 반복 작업을 줄이고 업무 효율성을 높입니다. 기존 워크플로우를 분석하여 자동화 가능한 영역을 식별하고 단계적으로 적용합니다.
무엇이 달라졌는가:
AI가 만든 버전은 자동화에 대한 표준적인 설명이다. 틀리지 않는다. 하지만 원래 관점의 핵심인 "발견이 먼저다"가 사라졌다.
원래 관점은 불편함을 먼저 발견해야 한다는 것을 강조한다. AI가 정리한 버전은 이미 식별된 반복 작업을 자동화하는 것에 초점을 맞춘다. 이 둘은 비슷해 보이지만 다른 출발점을 갖는다.
사람이 처음에 말하고 싶었던 것은 "자동화하기 전에 무엇을 자동화해야 하는지 발견하는 것이 더 어렵고 더 중요하다"는 것이었다. 그 긴장이 사라졌다.
사례 4 — 브랜드 정체성: 핵심 긴장이 희석되다
원래 관점: AI는 답을 만든다. Dechive는 그 답을 검증한다.
AI가 정리한 결과: Dechive는 AI 시대의 지식을 정리하고 공유하는 플랫폼입니다. AI 기술의 발전과 함께 변화하는 지식 환경에서 검증된 정보를 제공합니다.
무엇이 달라졌는가:
AI가 만든 버전은 더 친근하고, 더 넓은 독자에게 이해하기 쉽다. 하지만 원래 문장의 핵심인 "AI와 Dechive 사이의 긴장"이 사라졌다.
원래 문장은 짧지만 관계를 정의한다. AI는 만들고, Dechive는 검증한다. 이 둘은 역할이 다르다. 이 구분이 Dechive가 존재하는 이유다.
AI가 정리한 버전에서 Dechive는 "AI 시대에 지식을 정리하는 플랫폼"이 됐다. AI와의 대비가 사라지고, AI와 협력하거나 AI를 활용하는 것처럼 보인다. 그 차이가 작아 보이지만 정체성의 핵심에 해당하는 부분이다.
사례들이 말하는 공통점
네 가지 사례에서 반복적으로 나타나는 패턴이 있다.
원래 관점에는 "긴장"이 있다. 뭔가가 대비되고, 뭔가가 강조되고, 뭔가가 경계를 가지고 있다. 이 긴장이 관점의 핵심이다.
AI가 정리한 결과에서 그 긴장이 완화된다. 더 부드럽고, 더 균형 잡히고, 더 일반적으로 이해하기 쉽게 된다. 읽기 편해진다. 하지만 그 과정에서 원래 관점이 가지고 있던 날카로움이 사라진다.
이것은 AI가 나쁜 결과를 만들었다는 것이 아니다. AI는 자신이 받은 정보를 기준으로 가장 읽기 좋고, 완결되고, 균형 잡힌 결과를 만들어낸다. 그 결과가 원래의 긴장을 희석시킨 것이다.
긴장이 희석되면 더 편하게 읽힌다. 그리고 그 편함이 "더 좋다"는 감각을 만든다.
원래 관점의 긴장이 불편했다면, 그 불편함이 관점의 핵심이었다는 것을 인식해야 한다. AI가 그 불편함을 해소해줬다고 느껴질 때, 실제로는 관점의 핵심이 희석됐을 수 있다.
AI가 평균값으로 향하는 이유
많은 AI가 관점을 희석하는 것은 단순한 오작동이 아니다. 그보다는 AI가 훈련된 방식에서 자연스럽게 따라오는 결과에 가깝다.
이것을 이해하지 않으면, AI가 만든 결과물이 왜 자꾸 평균적인 방향으로 흐르는지 설명하기 어렵다. 그리고 이 배경을 알아야, 그것에 대응하는 방법도 더 명확해진다.
방대한 텍스트 패턴에서 시작된다
많은 생성형 AI는 인터넷에 존재하는 방대한 텍스트 패턴을 기반으로 결과를 만든다. 그 텍스트는 다양한 사람이 쓴 다양한 글이다. AI는 그 안에서 패턴을 파악한다. 어떤 문장 다음에 어떤 문장이 오는가. 어떤 맥락에서 어떤 표현이 쓰이는가. 어떤 구조가 자연스럽게 읽히는가.
이 과정에서 AI는 더 많은 사람에게 자연스럽게 느껴지는 방향을 반영하게 된다. 한 사람의 독특한 관점보다, 다양한 글에서 반복적으로 나타나는 패턴에 더 가까운 방향이다.
개인의 관점은 그 패턴에서 멀어지는 지점에 있는 경우가 많다. 남들과 다른 각도에서 보는 것, 흔한 결론에 반대하는 것, 당연하게 여겨지는 전제를 의심하는 것. 이것들이 개인의 관점을 만든다.
특별한 기준이 주어지지 않으면, AI는 더 많은 사람에게 통하는 방향, 즉 더 평균적인 방향으로 결과물을 만들기 쉽다.
사람의 피드백과 안전한 출력의 방향
많은 AI 모델은 학습 이후에도 사람의 피드백을 통해 추가로 조정된다. 사람이 좋다고 평가한 출력이 강화되고, 나쁘다고 평가한 출력은 약화된다.
이 과정에서 더 많은 사람에게 좋다는 평가를 받는 출력이 강화되는 경향이 있다. 더 많은 사람에게 좋다는 평가를 받는 출력은 보통 어떤 것인가. 더 읽기 편한 것, 더 균형 잡힌 것, 반론이 적은 것, 더 넓은 독자가 이해하기 쉬운 것이다.
날카롭고 구체적인 관점을 담은 문장은 더 좁은 범위의 독자에게만 공감을 받을 수 있다. 그 결과 많은 경우 AI는 더 넓은 독자에게 좋은 반응을 받는 방향, 즉 더 평균적인 방향으로 흐르기 쉬운 경향이 생긴다.
이것이 AI의 결함이라기보다는, AI가 더 많은 사람에게 유용하도록 만들어지는 과정에서 자연스럽게 따라오는 방향이다. 하지만 개인의 관점을 보존하는 것과 더 많은 사람에게 유용한 것은 항상 같은 방향이 아닐 수 있다.
안전한 출력을 선호하는 경향
많은 AI 모델은 해로울 수 있는 출력을 줄이도록 설계되어 있다. 잘못된 정보를 퍼트리거나, 특정 집단을 차별하거나, 위험한 행동을 조장하는 결과를 피하려 한다.
이 방향은 필요하다. AI가 만든 출력이 많은 사람에게 영향을 줄 수 있기 때문이다.
하지만 이 설계가 표현의 강도에도 영향을 주는 경우가 있다. 너무 강하거나 특정 입장에 치우쳐 보이는 표현이 더 중립적으로 조정되는 방향으로 작동할 수 있다.
관점의 날카로움이 안전 설계와 충돌하는 경우가 생길 수 있다. 날카로운 문제의식, 강한 비판, 특정 방향에 대한 명확한 반대 입장. 이것들이 상황에 따라 더 중립적인 방향으로 조정될 수 있다.
이것이 AI가 관점을 희석할 수 있는 세 번째 배경이다.
이 배경들이 알려주는 것
AI가 평균적인 방향으로 흐르는 것은 AI의 결함이 아닐 수 있다. 많은 경우 그것은 더 많은 사람에게 더 유용하고, 더 안전하도록 만들어지는 과정에서 자연스럽게 따라오는 방향에 가깝다.
이것을 알면 두 가지가 더 명확해진다.
첫째, AI에게 관점을 지켜달라고 요청하는 것만으로는 충분하지 않을 수 있다. 특별한 기준이 없으면 AI는 더 평균적인 방향으로 흐르기 쉽기 때문에, 구체적인 기준과 명시적인 제약이 함께 필요하다.
둘째, 관점 보존 설계가 구체적일수록 AI가 더 잘 따라올 수 있다. "내 관점을 지켜줘"가 아니라 "이 표현은 강하게 유지해줘", "이 구분은 없애지 마", "이 결론 방향은 피해줘"처럼 구체적인 기준을 주면, AI는 그 기준 안에서 더 잘 기여한다.
이 배경을 알면, AI와 협업할 때 어떻게 다르게 접근해야 하는지도 더 명확해진다.
Dechive Note
많은 AI의 평균화 경향은 단순한 버그라기보다, 더 많은 사람에게 유용하고 안전하도록 만들어지는 과정에서 자연스럽게 따라오는 방향에 가깝다. 개인의 관점을 보존하려면, AI가 어떤 방향으로 흐르기 쉬운지와 내 관점이 어디서 다른지를 먼저 파악해야 한다.
AI가 먼저 프레임을 잡으면, 사람은 그 안에서 읽게 된다
AI 결과물을 검토하는 방법에 대해 자주 이런 말이 나온다.
"AI가 쓴 답변을 잘 읽으면 된다."
맞는 말이다. 하지만 이 말이 전제하는 것이 있다. 읽는 사람이 자신의 원래 관점을 갖고 결과물을 읽는다는 것이다.
현실에서는 다른 일이 일어날 수 있다.
AI가 결과물을 먼저 구조화해버리면, 사람은 자기 원래 관점이 아니라 AI가 만든 구조 안에서 "괜찮은지"를 판단하게 된다. AI가 잡아놓은 제목, AI가 세운 단락 순서, AI가 선택한 강조점을 기준으로 읽게 된다.
내가 원래 A라는 관점으로 생각하고 있었는데, AI가 B라는 구조로 결과물을 만들었다고 하자. B가 더 깔끔하고, 더 논리적이고, 더 읽기 좋다. 그 결과물을 받아서 읽으면서 "이게 내가 생각한 것과 맞는가"를 묻지 않는다. "이 구조가 맞는가, 빠진 것이 없는가"를 묻게 된다.
판단의 기준이 A에서 B로 이동한 것이다.
더 정확히 말하면, A를 잃은 것을 눈치채지 못한 채 B 안에서 검토하게 된다. AI가 이미 내 생각의 프레임을 바꿔놓은 뒤에 내가 그것을 읽게 되는 것이다.
AI가 먼저 프레임을 잡아버리면, 사람은 나중에 그 프레임 안에서만 고치게 된다.
프레임 안에서 고치는 것과 프레임 자체를 바꾸는 것은 다르다. 표현을 다듬고 논리를 연결하는 것은 프레임 안에서의 수정이다. 그 프레임이 내가 원하던 것과 다른지를 묻는 것은 프레임 밖에서 보는 일이다. AI 결과물을 받고 나서 프레임 밖에서 볼 수 있으려면, 프레임이 만들어지기 전에 내 기준이 있어야 한다.
AI가 제목을 먼저 정하면 어떤 일이 생기는가
제목은 글이 무엇에 대한 것인지를 정한다. 독자의 기대를 만들고, 글의 방향을 규정한다. 그래서 제목이 바뀌면 글도 달라진다.
AI에게 글의 내용을 주고 제목을 만들어달라고 하면, AI는 그 내용을 가장 잘 요약하는 것처럼 보이는 제목을 만든다. 그 제목이 내가 원래 의도한 방향과 완전히 같지 않을 수 있다.
하지만 사람은 AI가 만든 제목을 보고 "이게 맞는 방향이구나"라고 느끼는 경우가 많다. 제목이 그럴듯하게 보이기 때문이다. 그 이후에 글을 읽을 때는 그 제목이 가리키는 방향으로 글을 해석하게 된다.
원래 글이 질문을 던지는 것이 목적이었다면, 답을 요약하는 제목이 붙으면서 글의 성격이 달라진다. 원래 글이 특정 대상에게 하는 말이었다면, 더 일반적인 독자를 가정한 제목이 붙으면서 날카로움이 줄어든다.
AI가 목차를 먼저 정하면 어떤 질문이 사라지는가
목차는 무엇을 다루고 무엇을 다루지 않을지를 결정한다.
AI가 목차를 먼저 만들면, 그 목차 안에 있는 항목들만 다루게 된다. 목차 밖에 있는 것들은 자연스럽게 제외된다.
문제는 목차 밖에 있는 것이 실제로는 중요한 것일 수 있다는 것이다. 내가 원래 다루려던 불편한 질문, 내가 붙잡으려던 좁고 구체적인 관점, 내가 제안하려던 새로운 구분이 AI가 만든 목차에는 없을 수 있다.
AI는 주어진 내용을 기반으로 가장 논리적이고 완결된 것처럼 보이는 목차를 만든다. 하지만 논리적이고 완결된 것처럼 보이는 목차가 내가 붙잡으려던 것을 담고 있는 것은 아니다.
목차가 먼저 만들어지고 그 안에서 글이 쓰이면, 목차 밖에 있는 것들은 글 쓰는 사람의 머릿속에서도 점차 중요하지 않게 느껴진다.
AI가 결론 방향을 먼저 잡으면 사람은 무엇을 놓치는가
결론은 글 전체의 방향을 소급해서 결정한다. 어떤 결론을 향해 가느냐에 따라, 중간의 내용들이 다르게 읽힌다.
AI가 결론의 방향을 먼저 잡으면, 사람은 그 결론에 맞게 글을 수정하게 된다. 결론과 어울리지 않는 부분은 줄어들고, 결론을 뒷받침하는 부분이 강조된다. 이것이 자연스럽게 일어난다.
하지만 내가 원래 말하려던 것이 AI가 잡은 결론과 방향이 달랐다면, 그 결론을 향해 글을 맞추는 과정에서 내 원래 방향이 약해진다.
결론이 "AI를 잘 활용하면 된다"는 방향이면, 중간에 있는 경고나 제한 조건들이 덜 강조된다. 결론이 "판단 기준이 중요하다"는 방향이면, 같은 내용도 다르게 배치된다.
"읽고 고치면 된다"는 말은 왜 충분하지 않은가
결과물을 받고 읽어보고 마음에 안 드는 부분을 고치는 것, 이것이 일반적인 AI 협업 방식이다.
문제는 이 과정에서 고치는 것이 대부분 AI가 잡아놓은 프레임 안에서 이루어진다는 것이다.
표현이 어색하면 고친다. 논리가 연결되지 않으면 고친다. 빠진 항목이 있으면 채운다. 이것들은 AI가 만든 구조 안에서의 수정이다.
내가 원래 전달하려던 관점이 AI가 만든 구조에서 제대로 살아있는지를 묻는 것은 다른 종류의 확인이다. 이것은 AI가 잡아놓은 프레임을 벗어나서 보는 것이다. 프레임 안에서 검토하는 것만으로는 프레임 자체가 맞는지 알 수 없다.
AI 결과물을 읽는 것보다 먼저 필요한 것은, 내가 무엇을 기준으로 읽을 것인지를 정하는 일이다.
그 기준이 없으면, AI가 잡아놓은 프레임 안에서만 판단하게 된다.
결과물을 받은 뒤에 기준을 만들면 왜 늦을 수 있는가
AI에게 결과물을 받은 뒤에 "이게 맞는지 기준을 세우자"고 하면, 이미 늦을 수 있다.
기준을 만들 때 이미 AI가 만든 결과물이 머릿속에 들어와 있다. 그 결과물이 어떻게 보이는지가 기준에 영향을 준다.
"이 결과물에서 무엇이 중요한가"를 묻는 것과, "내가 처음부터 이 작업에서 무엇이 중요하다고 생각했는가"를 묻는 것은 다른 질문이다. 결과물이 나온 뒤에는 두 번째 질문을 정확하게 묻기 어려워진다.
결과물을 받은 뒤에 기준을 만들면, 기준 자체가 이미 AI가 만든 구조에 영향을 받을 수 있다.
그래서 기준은 결과물을 받기 전에 만들어야 한다. 결과물이 나오기 전에 내 관점이 고정되어 있어야, 결과물이 나왔을 때 그것을 내 관점으로 읽을 수 있다.
설계 단계는 결과물을 지시하는 단계가 아니다
AI와 협업하는 방식에 관한 이야기가 많아지면서 "설계"라는 말이 자주 등장한다.
요즘 많은 AI 워크플로우는 goal 문서, design 문서, skill 정의, 에이전트 워크플로우를 강조한다. 무엇을 만들지 적고, 어떻게 만들지 정리하고, AI에게 역할을 주는 것이다. 그 자체는 필요하다. 막연하게 시작하는 것보다 구조가 있는 것이 낫다.
하지만 그 설계가 답해야 할 더 중요한 질문이 있다.
그 goal 문서는 내 관점을 보존하고 있는가. 그 design 문서는 내가 피하려던 방향을 막고 있는가. 그 skill 정의는 결과물을 잘 만드는 기술인가, 아니면 내 판단 기준을 지키는 구조인가.
설계는 왜 결과물 요청보다 먼저 와야 하는가
AI에게 무엇을 만들어달라고 하기 전에 설계가 와야 하는 이유는 간단하다.
AI는 요청받은 것을 만든다. 그 요청이 내 관점을 포함하지 않으면, AI는 관점을 스스로 채운다. AI가 채운 관점은 가장 일반적이고 평균적인 방향이다.
설계가 없다는 것은 AI에게 방향을 맡기는 것이다. AI가 방향을 잡으면, 그 방향 안에서 사람은 결과물을 검토하게 된다.
설계가 먼저 있으면, AI는 그 설계 안에서 결과물을 만든다. 사람은 설계를 기준으로 결과물을 검토할 수 있다.
goal.md, design.md, skill.md는 왜 충분하지 않을 수 있는가
이 문서들은 "무엇을 만들 것인가"를 정의한다.
goal.md는 이 작업의 목표가 무엇인지 적는다. design.md는 어떤 방식으로 만들지 적는다. skill.md는 어떤 기준으로 잘 만들었는지를 정의한다.
이것들이 잘 되어 있으면 AI가 더 일관되고 완성도 있는 결과물을 만든다. 유용하다.
하지만 이것들은 기본적으로 결과물을 더 잘 만들기 위한 문서다. 내 관점을 보존하기 위한 문서가 아니다.
goal.md에 목표가 명확하게 적혀 있어도, 그 목표가 내 원래 관점을 담고 있는지는 별개의 문제다. design.md에 방법이 잘 정리되어 있어도, 그 방법이 내가 피하려던 방향을 막는지는 별개의 문제다.
목표 문서가 오히려 내 관점을 평균화할 수도 있는가. 그럴 수 있다.
목표를 적을 때 "읽기 쉬운 글을 쓴다", "사용자에게 유용한 콘텐츠를 만든다"처럼 일반적인 표현을 쓰면, AI는 그 일반적인 목표를 기준으로 결과물을 만든다. 이미 목표 설정 단계에서 관점이 평균화된 것이다.
설계 단계에서 "무엇을 만들 것인가"보다 먼저 정해야 할 것
설계란 AI에게 무엇을 만들지 알려주는 일이 아니다. AI가 결과물을 만들 때 바꾸면 안 되는 관점과 기준을 먼저 고정하는 일이다.
이 차이가 작아 보이지만 결과가 달라진다.
"좋은 글을 써줘"라고 설계한 것과, "이 문제의식이 살아있어야 한다, 이 방향으로 흐르면 안 된다, 이 구분이 없어지면 안 된다"를 먼저 고정한 것은 다른 결과를 만든다.
전자는 AI에게 결과를 만드는 권한을 준다. 후자는 내가 잃으면 안 되는 것을 먼저 정하고 그 안에서 AI가 결과를 만들도록 한다.
설계 단계에서 먼저 정해야 할 것은 이것이다.
내가 이 작업에서 절대 잃으면 안 되는 관점은 무엇인가. 결과물이 어떤 방향으로 흘러도 반드시 남아 있어야 하는 것은 무엇인가. AI가 더 그럴듯하게 바꾸더라도 내가 거절해야 할 방향은 무엇인가.
이것이 고정되어 있을 때, AI는 더 제한된 영역에서 더 효과적으로 기여할 수 있다.
AI에게 일을 맡기기 전에 사람이 먼저 물어야 할 질문은 이것이다.
"내가 이 작업에서 절대 잃으면 안 되는 관점은 무엇인가?"
설계는 AI에게 더 좋은 결과물을 만들게 하는 절차만이 아니다. AI가 내 생각을 다른 방향으로 끌고 가지 못하게 하는 기준이기도 하다.
관점 보존 설계가 필요하다
이 질문에 답하는 것이 관점 보존 설계다.
AI에게 결과물을 맡기기 전에, 내가 먼저 적어두는 것들이 있다. 이 여섯 가지를 충분히 고정하지 않으면, AI가 더 그럴듯한 결과물을 만들 때 그것을 그대로 받아들이게 된다.
Dechive Note
관점 보존은 고집이 아니다. 원래 생각을 무조건 지키자는 뜻도 아니다. 비교할 기준을 잃지 않기 위해, 처음의 관점을 기록해두는 일이다.
1. 내가 이 문제를 왜 중요하게 보는가
AI에게 결과를 요청하기 전에 이 질문에 먼저 답해야 한다.
왜 필요한가. 이 이유가 고정되어 있지 않으면, AI가 만든 결과물이 더 좋아 보일 때 그것을 그대로 받아들이게 된다. 내 원래 이유가 기억나지 않기 때문이다. "더 좋아 보이니까"가 기준이 된다.
이것을 적지 않으면 어떤 문제가 생기는가. AI가 더 일반적인 방향으로 문제를 다루더라도 그것이 충분해 보인다. 내가 왜 이 문제를 다르게 봤는지가 흐려진다. 결과물이 좋아 보이면 원래 이유가 필요 없게 느껴진다.
AI가 어떻게 이 부분을 평균화할 수 있는가. 특별한 기준이 없을 때 AI는 더 많은 사람에게 이해되는 방식으로 문제를 설명하기 쉽다. 내가 그 문제를 특별하게 보게 된 개인적인 맥락이나 구체적인 이유가 더 일반적인 설명으로 바뀔 수 있다.
검토할 때 어떤 질문을 던져야 하는가. "AI가 만든 결과물에서 내가 왜 이 문제를 중요하게 생각했는지 여전히 보이는가?" 이 이유가 결과물 안에 살아있지 않다면, 결과물이 좋아 보이더라도 방향이 달라진 것이다.
2. 내가 절대 잃으면 안 되는 관점은 무엇인가
결과물이 달라져도 반드시 살아있어야 하는 것이 있다.
왜 필요한가. 이 글이 다른 글과 구분되는 이유, 이 기획이 흔한 기획과 다른 지점, 이 코드가 특정 방향을 선택한 이유. 이것이 명확하지 않으면 AI가 더 일반적인 방향으로 정리했을 때 그것이 더 낫다고 느끼게 된다.
이것을 적지 않으면 어떤 문제가 생기는가. AI가 결과물을 만들 때 기준이 없다. AI는 최선을 다해 만들지만, "최선"의 기준이 내 관점과 다를 수 있다. 이 관점이 고정되어 있지 않으면, 결과물이 더 그럴듯해 보일수록 원래 관점이 중요하지 않게 느껴진다.
AI가 어떻게 이 부분을 평균화할 수 있는가. 내가 중요하게 본 특정 구분이 더 익숙한 구분으로 흡수된다. 내가 강조하려던 특정 지점이 더 균형 잡힌 표현으로 완화된다. 각각의 변화는 작지만 쌓이면 원래 관점이 약해진다.
검토할 때 어떤 질문을 던져야 하는가. "AI가 만든 결과물에서 내가 절대 잃으면 안 된다고 적어둔 것이 살아있는가?" 이것이 없다면 결과물 전체를 다시 검토해야 한다.
3. AI가 무난하게 바꾸면 안 되는 표현은 무엇인가
내가 의도적으로 선택한 표현이 있을 수 있다.
왜 필요한가. 더 강하게 쓴 이유가 있는 문장이 있다. 불편하게 남겨둔 이유가 있는 질문이 있다. 의도적으로 완화하지 않은 주장이 있다. 이 선택들은 내가 독자에게 특정 감각을 주려는 의도에서 나왔다.
이것을 적지 않으면 어떤 문제가 생기는가. AI는 표면 품질을 높이는 과정에서 이 의도적인 선택들을 부드럽게 만든다. "이것은 틀렸다"를 "이것은 한계가 있을 수 있다"로 바꾸는 것처럼. 이 변화 하나하나는 작지만, 그 표현들이 모여 원래의 강도를 만들고 있었다.
AI가 어떻게 이 부분을 평균화할 수 있는가. 표면 품질을 높이는 과정에서 AI는 너무 강하거나 단정적으로 보이는 표현을 부드럽게 만드는 경향이 있다. 독자에게 불편함을 줄 수 있는 표현이 중립적으로 조정되면서, 의도적인 날카로움이 깎일 수 있다.
검토할 때 어떤 질문을 던져야 하는가. "내가 의도적으로 선택한 표현들이 AI가 만든 결과물에서 그대로 남아있는가? 부드러워졌다면 그것이 내 의도와 같은가?"
4. 이 결과물이 피해야 할 흔한 결론은 무엇인가
많은 주제에는 흔한 결론이 있다.
왜 필요한가. "균형이 중요하다", "장단점이 있다", "상황에 따라 다르다", "올바른 사용이 중요하다". 이 결론들이 틀린 것은 아니다. 하지만 그것으로 끝나면 내 관점이 빠진 것이다. 내가 그 주제에 대해 특별히 보려던 것이 이 흔한 결론 안으로 흡수된다.
이것을 적지 않으면 어떤 문제가 생기는가. 특별한 제약이 없을 때 AI 결과물은 반론이 적고 안전해 보이는 결론으로 정리되기 쉬운 경향이 있다. 내가 제안하려던 더 구체적이고 날카로운 판단 기준이, 더 균형 잡힌 결론으로 완화될 수 있다.
AI가 어떻게 이 부분을 평균화할 수 있는가. 글의 후반부에서 "따라서 이것들을 균형 있게 고려하는 것이 중요하다"는 식으로 정리한다. 이런 결론은 읽기 편하고 반론이 없지만, 처음의 문제의식이 무엇이었는지를 흐린다.
검토할 때 어떤 질문을 던져야 하는가. "결과물의 결론이 내가 피하려던 흔한 결론과 다른가? 내가 원래 제안하려던 더 구체적인 판단 기준이 살아있는가?"
5. 내가 반대하는 일반적인 프레임은 무엇인가
이 문제를 보통 어떤 식으로 설명하는가.
왜 필요한가. 대부분의 주제에는 이미 알려진 설명 방식이 있다. 그 방식이 내가 보려는 것과 어떻게 다른지를 명확하게 알고 있어야, AI가 흔한 프레임으로 결과물을 만들었을 때 그것을 알아챌 수 있다.
이것을 적지 않으면 어떤 문제가 생기는가. 특별한 제약이 없을 때 AI는 더 널리 알려진 설명 방식을 따르기 쉽다. 내가 그 설명 방식과 다른 각도에서 보려 했다면, AI가 만든 결과물은 나도 모르게 익숙한 프레임으로 돌아가 있을 수 있다.
AI가 어떻게 이 부분을 평균화할 수 있는가. 내가 새로운 각도를 제안하려던 부분을 기존에 알려진 개념으로 연결해서 설명한다. 독자가 이해하기 쉬워지지만, 새로운 각도가 사라진다. "이것은 기존의 X 개념과 비슷합니다"라는 방식으로 흡수된다.
검토할 때 어떤 질문을 던져야 하는가. "내가 반대한 일반적인 프레임이 결과물 안에서 다시 나타나지 않았는가? 내가 제안하려던 새로운 각도가 기존 프레임에 흡수되지 않았는가?"
6. 결과물이 좋아 보여도 거절해야 할 방향은 무엇인가
이것이 가장 중요하다.
왜 필요한가. AI가 만든 결과물이 잘 정리됐고, 읽기 좋고, 전문적으로 보여도, 이 방향이면 받아들이지 않는다고 미리 정해두는 것이다. 이것이 없으면 좋아 보인다는 감각에 쉽게 설득된다.
이것을 적지 않으면 어떤 문제가 생기는가. 결과물이 더 좋아 보일수록 거절하기 어려워진다. 명시적인 거절 기준이 없으면 "더 좋아 보이니까 이게 맞겠지"로 결정이 일어난다. 이 방향이 내 원래 관점과 달라졌는지를 확인하는 것보다 좋아 보인다는 감각이 먼저 작동한다.
AI가 어떻게 이 부분을 평균화할 수 있는가. AI가 만든 결과물이 설득력 있게 보이면, 사람은 "내가 처음에 잘못 생각했던 것이 아닐까"라고 느낄 수 있다. 좋아 보이는 결과물이 원래 관점이 틀렸다는 증거처럼 느껴질 수 있다. 이 감각을 방어하기 위해서도 거절 기준이 필요하다.
검토할 때 어떤 질문을 던져야 하는가. "결과물이 좋아 보이더라도 내가 미리 정한 거절 기준에 해당하는가? 이 방향은 내가 처음부터 피하려던 것이 아닌가?"
관점 보존 설계는 제약이 아니다
이것들을 적는 것이 AI의 활용을 줄이는 것처럼 느껴질 수 있다. 하지만 반대다.
이것들이 먼저 고정되어 있을 때, AI는 내 관점 안에서 더 많은 것을 도울 수 있다. 내가 무엇을 원하는지 명확하기 때문에 AI가 더 정확하게 기여할 수 있다. "여기서 표현을 더 강하게 해줘"라고 하면, AI는 그 방향으로 정확하게 기여한다. "여기서 균형을 잡아줘"라고 하면, AI는 그 방향으로 기여한다.
관점이 고정되어 있지 않으면, AI는 자신의 기준으로 판단한다. 그 기준은 가장 일반적이고 평균적인 방향이다.
관점 보존 설계는 AI를 덜 쓰기 위한 것이 아니다. AI가 내 생각을 더 선명하게 만드는 방향으로 기여하도록 하기 위한 것이다.
이 설계가 처음에는 번거롭게 느껴질 수 있다. AI에게 바로 맡기면 빠른데, 미리 적어두고 확인하고 다시 요청하는 과정이 더 느린 것처럼 보인다.
하지만 실제로는 반대인 경우가 많다. 관점이 고정되어 있지 않은 채로 AI와 반복 협업을 하면, 방향이 달라진 결과물을 받고, 다시 요청하고, 또 달라진 결과를 받는 과정이 반복된다. 원하는 것을 정확하게 요청하지 못하기 때문에 수정 횟수가 늘어난다.
관점이 먼저 고정되어 있으면, 첫 번째 요청부터 더 정확한 방향을 줄 수 있다. AI가 만든 결과물에서 무엇을 수정해야 하는지도 더 빠르게 알 수 있다. 결국 총 작업 시간이 줄어든다.
관점 보존 설계는 속도를 줄이는 것이 아니라, 방향을 먼저 잡음으로써 나머지를 더 빠르게 만드는 일이다.
AI 결과물을 읽을 때 확인해야 할 것은 품질이 아니라 방향이다
관점 보존 설계를 했더라도, AI가 만든 결과물을 받았을 때 검토해야 한다.
"AI가 쓴 결과물을 읽어라"는 말은 맞다. 하지만 읽을 때 단순히 좋은지, 자연스러운지, 오류가 없는지만 보면 부족하다.
AI 결과물을 검토한다는 것은 오탈자를 고치는 일이 아니다. 내 생각이 다른 방향으로 바뀌지 않았는지 확인하는 일이다.
검토의 순서
검토할 때 순서가 있다.
첫 번째는 방향이다. 내 관점이 살아 있는가. 내가 처음 붙잡은 문제의식이 결과물 안에 있는가. 없다면 더 일반적인 방향으로 바뀐 것이다.
두 번째는 문제의식의 강도다. 처음에 내가 불편하게 느꼈던 지점이 결과물 안에 살아 있는가. 그 불편함이 부드럽게 정리됐다면 평균화된 것일 수 있다.
세 번째는 결론이다. AI가 더 흔한 결론으로 바꾸지 않았는가. "상황에 따라 다르다", "균형이 중요하다", "장단점이 있다"로 끝났다면 내 관점이 빠진 것일 수 있다.
네 번째는 구분이다. 내가 중요하게 본 구분이 남아 있는가. 내가 의도적으로 나눴던 것이 하나로 묶였다면 그 구분이 사라진 것이다.
다섯 번째는 처음 질문이다. 내가 답하려던 질문과 결과물이 답하는 질문이 같은가. 달라졌다면 다른 결과물이다.
마지막이 표면 품질이다. 문장이 어색하지 않은가, 흐름이 자연스러운가, 오탈자는 없는가.
이 순서가 뒤집히면, 잘 정리된 것처럼 보여서 내 관점이 바뀐 것을 놓치게 된다. 표면이 좋아 보일수록 방향을 먼저 확인해야 한다.
Dechive Note
AI 결과물 검토의 순서가 있다. 먼저 내 관점이 살아 있는지를 본다. 그 다음 문제의식이 흐려지지 않았는지를 본다. 마지막에 표면 품질을 본다. 이 순서가 뒤집히면, 잘 정리된 것처럼 보여서 내 관점이 바뀐 것을 놓치게 된다.
검토는 거부하기 위한 것이 아니다
이 확인은 결과물을 거부하기 위한 것이 아니다. 내가 원하는 것과 AI가 만든 것의 간격을 정확하게 보기 위한 것이다.
간격이 없으면 그대로 쓰면 된다. AI가 정확하게 내 관점을 유지하면서 더 잘 표현해줬다면, 그것은 좋은 협업이다.
간격이 있다면 그 부분을 수정하거나 다시 요청한다. 어디서 달라졌는지 알면, 그 부분에 대해 더 구체적인 방향을 AI에게 줄 수 있다.
이 반복이 실제로 AI 협업을 개선한다. AI에게 "이 방향이 아니라 이 방향으로 해줘"를 구체적으로 말할 수 있게 된다. 점점 더 정확한 결과물이 나온다.
검토 없이 받아들인 결과물이 쌓이면, 내가 무엇을 말하려 했는지보다 AI가 더 잘 만드는 방향이 기준이 된다. 반대로 검토를 반복하면, 내 관점이 무엇인지 더 명확해지고, AI와의 협업도 더 정확해진다. 검토는 일회성이 아니라 관점을 단련하는 과정이다.
표면 품질과 관점 충실도
이 두 개념을 정리해두는 것이 검토할 때 도움이 된다.
표면 품질은 결과물이 얼마나 읽기 좋은가의 문제다. 문장이 매끄러운가, 구조가 깔끔한가, 논리 흐름이 자연스러운가, 전문적으로 보이는가. AI가 잘 높여줄 수 있는 영역이다. 표면 품질이 높은 것은 좋다. 독자가 내용에 집중할 수 있게 해준다. 이 기준은 외부에서 관찰할 수 있다. 결과물을 처음 보는 독자도 표면 품질을 느낀다.
관점 충실도는 결과물이 얼마나 내 생각에 충실한가의 문제다. 내가 처음 붙잡은 문제의식이 살아 있는가, 내가 중요하게 본 기준이 남아 있는가, 내가 피하려던 방향으로 흐르지 않았는가, 내 생각의 날카로운 부분이 무난하게 깎이지 않았는가. 사람이 반드시 확인해야 하는 영역이다. 이 기준은 내부에서만 알 수 있다. 처음의 관점을 갖고 있는 사람만이 이것이 살아있는지를 판단할 수 있다. 그래서 관점 충실도 확인은 외주가 되지 않는다.
AI는 표면 품질을 높이는 과정에서 관점 충실도를 낮출 수 있다. 이것이 항상 일어나는 것은 아니다. 표면 품질을 높이면서 관점 충실도도 함께 높이는 것이 가능하다. AI와 협업이 잘 됐을 때 그런 결과가 나온다.
두 기준이 함께 높아진 결과물이 가장 좋은 결과물이다. 읽기도 좋고, 내 생각도 더 선명하게 담겨있다. 이것이 AI 협업의 목표가 되어야 한다. "표면 품질만 높아진 것"이 아니라 "관점 충실도도 함께 높아진 것"이다.
하지만 구분 없이 결과물을 받으면 표면 품질이 높아졌을 때 관점 충실도가 낮아진 것을 알아채기 어렵다.
AI는 틀린 답을 줄 수도 있다. 하지만 더 주의해야 하는 경우는 AI가 내 관점을 더 그럴듯한 평균값으로 바꾸는 것이다. 그것은 틀리지 않았지만, 내 것이 아닌 결과물이다.
Dechive Note
좋은 AI 협업은 AI가 내 문장을 대신 써주는 일이 아니라, 내 생각의 방향을 더 분명하게 확인하게 만드는 일이다.
반론들
이 글의 주장에 대해 자연스럽게 나올 수 있는 반론들이 있다. 이것들을 다루지 않으면 글이 한쪽 방향만 보는 것이 된다.
반론 1. AI가 더 좋게 바꿔줬으면 그냥 좋은 것 아닌가
그럴 수 있다. 실제로 AI가 개선한 경우는 많다.
AI가 내 흩어진 생각을 구조화해주고, 빠진 전제를 드러내주고, 불명확한 표현을 더 정확하게 만들어준다면, 그것은 실제로 더 나은 결과물이다. 그 경우 "더 좋아 보인다"는 감각과 "실제로 더 나은 것"이 일치한다.
하지만 더 좋아 보인다는 감각만으로는 개선인지 평균화인지 구분할 수 없다. 개선된 결과물도 더 좋아 보이고, 평균화된 결과물도 더 좋아 보인다. 그 감각이 같기 때문에 구분하기 어렵다.
이 글이 말하려는 것은 AI가 더 좋게 만든다는 것 자체를 의심하자는 것이 아니다. 더 좋아 보인다는 감각이 내 관점을 보존하면서 좋아진 것인지를 확인하자는 것이다.
반론 2. 사람의 원래 관점이 틀렸을 수도 있지 않은가
맞다. 사람의 원래 관점이 틀릴 수 있다.
내가 처음에 가진 관점이 편향됐거나, 전제가 잘못됐거나, 더 넓은 맥락을 고려하지 못한 것일 수 있다. AI가 더 균형 잡힌 방향으로 정리해줬을 때, 그것이 실제로 더 정확한 것일 수 있다.
관점 보존은 원래 생각을 무조건 지키자는 뜻이 아니다.
관점을 보존해놓아야 AI의 제안과 비교하고 수정할 수 있다. 내 원래 관점이 명확하게 있어야, AI가 다른 방향을 제안했을 때 "그게 더 나은가, 아니면 다른 방향인가"를 판단할 수 있다.
원래 관점이 없거나 흐릿하면, AI가 제안하는 것이 더 나은 것인지 그냥 다른 것인지 구분할 수 없다. 비교할 기준이 없기 때문이다.
관점을 먼저 고정하는 것은 변경을 막기 위한 것이 아니다. 의식적으로 변경하기 위해서다. "AI가 이 방향을 제안하는데, 내 원래 관점과 비교했을 때 이게 더 나은가"라는 판단을 하기 위한 기준이다.
반론 3. AI가 평균화하는 것이 꼭 나쁜가
항상 나쁜 것은 아니다.
상황에 따라 평균화가 필요할 때가 있다. 전문적인 독자를 대상으로 쓴 글을 일반 독자에게 소개할 때, 날카로운 전문 용어와 전제들을 더 일반적인 언어로 바꾸는 것은 필요하다. 특정 커뮤니티 안에서만 통하는 비유를 더 넓은 독자가 이해할 수 있는 표현으로 바꾸는 것도 필요할 수 있다.
이런 경우 평균화는 의도적인 선택이다. 내가 그 선택을 알고 있고, 왜 그렇게 하는지를 알고 있다.
문제는 평균화가 일어났다는 사실을 모르고 받아들이는 것이다.
내가 의도하지 않은 평균화가 일어났을 때, 그것을 모르고 받아들이면 내 관점이 바뀐다. 평균화 자체가 나쁜 것이 아니라, 그것이 내 선택이 아닌 채로 일어나는 것이 문제다.
반론 4. 결국 사람이 잘 읽으면 되는 것 아닌가
읽는 것은 필요하다. 그 자체는 맞다.
하지만 읽기 전에 기준이 없으면, AI가 만든 프레임 안에서만 판단하게 될 수 있다.
음식을 먹을 때 맛있는지를 판단하는 것과 비슷하다. 먹어보면 맛있는지 알 수 있다. 하지만 내가 원래 어떤 맛을 원했는지를 알고 있어야, 이 맛이 내가 원하는 것에 맞는지를 판단할 수 있다. 원하는 것이 없으면 그냥 맛있는 것을 선택하게 된다.
AI 결과물도 마찬가지다. 잘 읽으면 좋은지 나쁜지는 알 수 있다. 하지만 내가 처음에 무엇을 원했는지를 알고 있어야, 이 결과물이 그것에 맞는지를 판단할 수 있다.
잘 읽는 것은 필요하다. 읽기 전에 무엇을 기준으로 읽을지를 정하는 것도 필요하다.
반론 5. AI와 협업을 아예 안 하거나 최소화하면 되지 않는가
이 반론도 자연스럽다. 이 글이 말하는 위험을 피하는 가장 단순한 방법은 AI와 협업하지 않는 것이다.
하지만 이 문서는 AI를 안 쓰자는 것이 아니다. 그리고 AI를 피하는 것이 문제를 해결하지도 않는다.
AI가 만드는 평균화의 문제는 AI만의 문제가 아니다. 글쓰기에서 편집자가 관점을 희석할 수 있다. 기획에서 리뷰 과정이 날카로운 아이디어를 둥글게 만들 수 있다. AI는 그 과정을 더 빠르고, 더 매끄럽게 만들 뿐이다.
관점 보존의 필요성은 AI 협업 이전부터 있었다. AI는 이 문제를 더 자주, 더 빠르게, 더 보이지 않게 일어나게 만들 뿐이다.
따라서 AI를 피하는 것이 해결책이 아니다. AI와 협업하면서 관점을 지키는 방법을 아는 것이 더 실용적이다.
AI에게 맡기기 전에 남겨야 할 관점 체크리스트
이 체크리스트는 AI에게 결과물을 맡기기 전에, 그리고 결과물을 받아서 검토할 때 쓸 수 있다.
도구처럼 사용하려는 것이 아니다. 이 질문들이 필요한 이유가 있다. AI에게 맡기기 전에 이것들을 한 번이라도 생각했는가 아닌가가, 결과물을 받았을 때 어떻게 읽는지를 결정한다.
이것들을 따로 문서에 적어두는 것이 좋다. 머릿속에만 있으면 AI가 만든 결과물을 보는 순간 흐릿해진다. 명시적으로 적혀 있으면, 결과물을 받았을 때 비교할 수 있다.
맡기기 전에
내가 이 작업을 왜 하려는가?
이 질문에 답하는 것이 가장 먼저다. 단순히 "이런 글을 써야 한다"가 아니라, 왜 이 글이어야 하는지, 내가 무엇을 말하려고 하는지의 이유다. 이 이유가 명확하지 않으면 AI가 더 그럴듯한 다른 이유로 채워도 알아채기 어렵다.
내가 이 문제를 남들과 다르게 보는 지점은 무엇인가?
다르게 보는 지점이 없다면 AI가 가장 일반적인 방식으로 만들어줘도 충분하다. 하지만 다르게 보는 지점이 있다면 그것을 적어둬야 AI가 그것을 희석하지 않는다.
AI가 절대 완화하면 안 되는 문제의식은 무엇인가?
이것이 결과물에서 약해지면 그 결과물은 받아들이지 않는다. 이 선이 어디인지를 먼저 알고 있어야 결과물을 받았을 때 판단할 수 있다. 모호하게 "좋아 보이면 된다"는 기준으로는 이 선을 지킬 수 없다.
이 결과물이 피해야 할 흔한 결론은 무엇인가?
이 주제를 다룰 때 자주 나오는 결론들이 있다. 그것들을 먼저 적어두면, AI가 그 결론으로 흘러갔을 때 바로 알아챌 수 있다. 피해야 할 결론을 모른 채로 결과물을 받으면 그 결론이 오히려 자연스럽게 느껴진다.
AI가 만들어도 거절해야 할 방향은 무엇인가?
결과물이 아무리 잘 정리됐어도 이 방향이면 받아들이지 않는다는 기준이다. 이것이 명확하면 결과물이 좋아 보인다는 감각에 덜 흔들린다. 이것이 없으면 "더 좋아 보이니까 이게 맞겠지"가 기준이 된다.
받고 나서
결과물이 좋아 보여도 반드시 확인해야 할 기준은 무엇인가?
이 기준이 결과물을 받기 전에 이미 있어야 한다. 결과물을 받은 뒤에 기준을 만들면 이미 AI가 만든 것에 영향을 받은 기준이 된다. 결과물이 좋아 보일수록 이 기준을 꺼내보는 것이 중요하다.
내가 처음 던진 질문은 결과물 안에 그대로 남아 있는가?
결과물의 구조, 제목, 흐름이 내가 처음 던진 질문에 답하고 있는가. 다른 질문에 더 잘 답하고 있다면, 내 질문이 바뀐 것이다. 더 좋아 보여도 다른 방향이다.
결과물이 더 보기 좋아졌는가, 아니면 내 생각이 더 선명해졌는가?
이 두 가지는 함께 일어날 수 있다. 하지만 더 보기 좋아지면서 내 생각이 흐릿해졌을 수도 있다. 읽을 때 어떤 감각이 드는지가 아니라, 내가 처음에 말하려던 것이 더 명확하게 전달되고 있는지를 물어야 한다.
AI에게 다시 돌려줄 때 구체적으로 어디를 어떻게 고쳐달라고 할 수 있는가?
수정할 것이 있을 때, "다시 써줘"가 아니라 "이 부분의 이 표현이 이 방향으로 달라졌다, 원래 방향으로 바꿔줘"를 말할 수 있어야 한다. 그게 가능하면 검토가 제대로 된 것이다. 무엇이 왜 달라졌는지 설명할 수 없다면, 아직 방향을 확인하지 않은 것이다.
이 질문들에 바로 답이 떠오르지 않으면, 아직 AI에게 맡길 준비가 안 된 것일 수 있다. AI에게 맡기기 전에 이것들을 먼저 정리하는 것이 설계다.
반대로 이 질문들에 답이 명확하다면, AI가 만든 결과물에서 무엇을 확인해야 하는지도 명확해진다.
AI 협업이 반복될수록 나타나는 것들
한 번의 AI 협업에서 관점이 평균화되는 것은 그나마 알아챌 수 있다. 처음의 것이 아직 기억에 있기 때문이다.
문제는 반복이다.
AI와 협업을 반복할수록, 그리고 매번 관점을 확인하지 않을수록, 변화가 쌓인다.
작은 평균화가 반복되면
한 번의 협업에서 내 문제의식이 5% 희석됐다고 하자. 그 결과물을 다시 AI에게 던지면, 이번에는 그 5% 희석된 상태를 기준으로 다시 정리한다. 또 5%가 희석된다. 이것이 반복되면, 어느 순간 처음의 관점이 어디 있었는지 알 수 없게 된다.
각각의 변화는 작다. 하나하나 볼 때는 더 나아진 것처럼 보인다. 하지만 전체를 보면 처음과 다른 방향에 서있다.
글쓰기에서 이 현상이 특히 두드러진다. 초고, 1차 정리, 2차 정리, 최종본을 거치면서 매번 AI가 관여했다면, 최종본은 누가 쓴 글인가. 표면 품질은 높을 수 있다. 하지만 처음의 문제의식이 살아있는지는 확인이 필요하다.
기준이 이동한다
더 심각한 것은 기준 자체가 이동하는 것이다.
처음에는 내 관점을 기준으로 AI의 결과물을 평가한다. 하지만 반복적으로 AI의 결과물을 받다 보면, AI가 만드는 방식이 "좋은 글"이나 "좋은 기획"의 기준처럼 느껴지기 시작하는 경우가 있다. AI의 결과물에서 자주 보이는 구조, 결론 방식, 표현들이 나도 모르게 내 기준으로 스며들 수 있다.
이 상태에서는 AI의 결과물이 더 좋아 보이는 것이 자연스럽다. 내 기준이 이미 AI의 방향에 맞춰져 있기 때문이다.
반복된 AI 협업에서 지켜야 하는 것은 단지 한 번의 결과물이 아니다. 내가 무엇을 좋다고 판단하는 기준 자체가 이동하지 않도록 하는 것이다.
AI와 오랫동안 협업하면 관점이 사라지는가
반드시 그런 것은 아니다.
반복하면서도 관점이 선명해지는 경우가 있다. 매번 결과물을 받을 때 "이것이 내 관점과 같은가"를 확인하면, AI가 다른 방향을 제안할 때마다 내 관점이 더 명확해진다. 내가 왜 이 방향을 원하는지를 AI에게 설명하는 과정에서 나 자신이 더 명확하게 이해하게 된다.
이것이 AI 협업이 실제로 좋은 방향으로 작동하는 경우다.
반복할수록 관점이 흐려지는 경우는, 매번 결과물이 더 좋아 보인다는 감각만으로 받아들이는 경우다. 각 단계에서 기준을 확인하지 않으면, 반복이 관점을 단련시키는 것이 아니라 희석시킨다.
반복 자체가 문제가 아니다. 반복할 때마다 기준을 갖고 보는지가 핵심이다.
기준이 있는 반복은 관점을 단련한다. 기준이 없는 반복은 AI의 방향에 점점 더 맞춰진다. 같은 반복이지만 결과가 완전히 다르다. 그 차이를 만드는 것이 매 단계의 관점 확인이다.
Dechive Note
AI 협업이 반복될수록 평균화의 위험도 쌓인다. 한 번은 작은 변화이지만, 열 번이 쌓이면 처음의 관점이 어디 있었는지 알 수 없게 된다. 매번 결과물을 받을 때 "이것이 내 관점을 보존했는가"를 묻는 것이 반복 협업에서 가장 중요한 습관이다.
반복 협업에서 관점을 지키는 방법
이것이 반복 협업에서의 관점 보존 설계다. 한 번 쓰고 끝나는 것이 아니라, 매 단계마다 확인하는 구조다.
결과물이 나올 때마다 처음에 적어둔 관점 보존 설계로 돌아간다. 처음의 이유, 처음의 문제의식, 피해야 할 결론이 여전히 기준이 되고 있는지 확인한다.
처음에 적어둔 것이 낡아 보인다면 두 가지 가능성이 있다. 하나는 내 생각이 실제로 발전해서 더 나은 방향을 찾은 것이다. 다른 하나는 AI의 평균값에 맞게 내 기준이 이동한 것이다. 이 두 가지를 구분하는 것이 중요하다.
처음 적어둔 기준이 낡아 보일 때, "이게 더 나아진 방향인가, 아니면 다른 방향인가"를 물어야 한다. 나아진 방향이면 기준을 갱신하면 된다. 다른 방향이라면 그 차이를 의식적으로 인식해야 한다.
좋은 AI 협업은 더 선명한 생각을 남겨야 한다
AI는 더 좋은 문장과 더 좋은 구조를 줄 수 있다.
그 자체는 가치 있다. 표면 품질이 높아지면 내 생각이 더 잘 전달된다. 읽는 사람이 더 쉽게 따라올 수 있다. 이것이 나쁜 것이 아니다. AI가 실제로 생각을 개선할 때, 이 두 가지는 동시에 일어난다. 표면 품질이 높아지면서 관점도 더 선명해진다.
하지만 AI 협업의 최종 기준이 "보기 좋은가"가 되면, 결과물이 잘 정리됐을 때 멈추게 된다. 내 관점이 살아있는지를 묻지 않게 된다.
AI를 쓰지 말자는 이야기가 아니다
AI가 생각을 평균화할 수 있다는 것을 알게 됐을 때, 쉬운 결론은 "그러면 AI를 쓰지 말자"가 될 수 있다.
그 결론이 이 글에서 나와야 할 것은 아니다.
AI는 실제로 생각을 더 선명하게 만들 수 있다. 흩어진 생각을 구조화하고, 빠진 전제를 드러내고, 불명확한 표현을 더 정확하게 만드는 것을 AI는 잘 한다. 이것들이 일어날 때, AI를 쓰는 것은 생각을 발전시키는 데 도움이 된다.
문제는 AI의 능력이 아니라, AI가 더 보기 좋은 결과물을 만들수록 사람이 자기 관점이 평균화됐는지 확인하지 않게 될 수 있다는 것이다.
사람의 역할이 이동한다
AI와 협업할 때 사람의 역할이 없어지는 것이 아니다. 다른 위치로 이동한다.
모든 것을 직접 만드는 것에서, 관점과 기준을 지키는 쪽으로 이동한다.
AI가 문장을 쓰는 동안, 사람은 그 문장이 처음 의도한 것을 담고 있는지 확인한다. AI가 구조를 잡는 동안, 사람은 그 구조가 내가 말하려던 것을 담고 있는지 확인한다. AI가 결론을 향해 글을 이어가는 동안, 사람은 그 결론이 내가 원래 말하려던 것과 같은 방향인지 확인한다.
이 역할이 없으면, AI가 더 잘 쓸수록 사람의 생각이 AI의 평균값에 가까워진다.
좋은 AI 협업이 남기는 것
좋은 AI 협업은 더 보기 좋은 결과물이 아니라 더 선명한 생각을 남겨야 한다.
내가 원래 붙잡고 있던 관점이 결과물 안에 더 명확하게 드러나야 한다. AI를 거쳤을 때, 내 생각의 핵심이 더 잘 보여야 한다. 표면 품질이 높아졌을 뿐만 아니라, 관점 충실도도 유지되거나 높아져야 한다.
그렇지 않다면, 표면 품질이 높아지더라도 내 생각이 아닌 것을 만든 것이다. 더 잘 쓰인 글이지만, 내 글이 아닌 것이다.
이것이 AI 협업에서 사람이 반드시 지켜야 하는 부분이다.
AI 협업이 실제로 잘 작동하는 조건
AI와 협업이 잘 된 경우를 돌아보면 공통점이 있다.
내가 이미 방향을 갖고 있었다. 무엇을 말하려는지, 왜 그것이 중요한지, 어떤 결론 방향을 원하는지. 이것들이 먼저 있었다.
AI에게 구체적인 제약을 줬다. "이 표현은 강하게 유지해줘", "이 구분은 없애지 마", "이 결론 방향은 피해줘". 자유롭게 써달라는 것이 아니라, 내 관점의 경계 안에서 만들어달라는 것이었다.
결과물을 받고 방향부터 확인했다. 읽기 좋은지보다 내가 말하려던 것이 살아있는지를 먼저 봤다.
달라진 부분을 구체적으로 말해서 수정을 요청했다. "다시 써줘"가 아니라 "이 부분에서 이 방향으로 달라졌는데 원래 방향으로 바꿔줘"였다.
이 과정이 있을 때, AI는 내 생각을 더 선명하게 만드는 방향으로 기여한다. 표면 품질이 높아지면서 관점 충실도도 유지된다.
AI 협업의 기준을 "AI가 더 잘 써줬다"에서 "내 생각이 더 선명하게 전달됐다"로 바꾸는 것이 출발점이다.
어떤 AI 협업이 생각을 선명하게 만드는가
AI와 협업을 반복하다 보면 차이가 보인다.
어떤 협업은 결과물을 받은 뒤 "이게 내가 말하려던 것이다"라는 감각을 준다. 처음보다 훨씬 잘 표현된 것 같고, 내가 보려던 것이 더 선명하게 드러난다. 이 경우 AI를 거친 것이 생각을 발전시켰다.
어떤 협업은 결과물을 받은 뒤 "이것도 맞는 말인데..."라는 감각을 준다. 무언가 아쉽지만 뭐가 아쉬운지 잘 모르는 상태. 더 좋아 보이는데 처음의 것을 잃은 것 같은 감각. 이 경우 AI를 거친 것이 생각을 평균화했을 가능성이 있다.
전자를 만들기 위한 조건이 있다. 내 관점이 먼저 고정되어 있어야 한다. 설계가 먼저 있어야 한다. 결과물을 받아서 방향을 먼저 확인해야 한다. 이 과정이 있을 때, AI는 생각을 개선하는 방향으로 기여한다.
이 모든 것의 출발점
표면 품질과 관점 충실도. 개선과 평균화. 관점 보존 설계. AI가 프레임을 먼저 잡는 문제. 설계 단계. 반복 협업에서의 기준 이동.
이것들이 각각 다른 이야기처럼 보일 수 있지만 하나의 지점에서 출발한다.
AI가 만든 것이 더 좋아 보인다는 감각이 실제로 더 나은 것인지를 확인하는 일이다.
이 확인이 일어나지 않으면 나머지 모든 것이 무너진다. 관점 보존 설계를 하지 않게 되고, 프레임이 먼저 잡혀도 그 안에서만 검토하게 되고, 반복할수록 기준이 이동한다.
이 확인이 제대로 있으면 나머지가 따라온다. 무엇을 먼저 고정해야 하는지 알게 되고, AI의 결과물을 어떤 기준으로 읽어야 하는지 알게 되고, 어디서 다시 요청해야 하는지 알게 된다.
그리고 그 확인은 결과물이 좋아 보일 때, 정확히 그 순간에 해야 한다.
결과물이 나쁠 때는 의심한다. 결과물이 좋아 보일 때 더 세심하게 확인해야 한다.
이것이 AI 시대에 사람이 지켜야 하는 판단 기준이다. AI의 결과물이 좋아 보일 때 더 세심하게 보는 것, 이것이 검증의 시작이다.
AI를 판단 기준 자체에 쓸 수 있는가
여기서 하나의 질문이 생긴다.
AI에게 "내 관점이 보존됐는지 확인해줘"라고 요청하면 어떻게 되는가.
이것도 가능하다. AI에게 원래 관점을 적어주고, 새로 만든 결과물을 함께 주면서 "원래 관점과 비교해서 어떤 점이 달라졌는가"를 물을 수 있다.
AI는 이 비교를 꽤 잘 한다. 두 텍스트 사이의 표현 차이, 강조점의 변화, 결론의 방향 차이를 알아챌 수 있다. 이것을 활용하면 관점 충실도 검토에 도움이 된다.
하지만 한계가 있다.
AI가 원래 관점이 더 낫다고 판단하는 기준은 무엇인가. AI는 맥락에서 충실하게 비교할 수 있지만, "이것이 더 정확한 관점이다"를 판단하는 것은 사람이 해야 한다. AI가 알아챈 차이를 보고, 그 차이가 문제인지 아닌지를 결정하는 것은 사람의 판단이다.
AI를 관점 검토의 도구로 쓰는 것은 가능하다. 하지만 관점이 맞는지의 최종 판단은 사람이 한다. AI를 관점 판단의 주체로 두면, 관점을 지키는 일 자체를 AI에게 맡기는 것이 된다.
AI에게 관점 보존을 요청하는 구체적인 방법
구체적인 방법이 있다.
결과물을 요청하기 전에 관점을 짧게 요약해서 주는 것이다. "이 글의 핵심 주장은 이것이다. 이 구분이 살아있어야 한다. 이 결론 방향은 피해줘." 이 정도면 AI가 더 정확하게 기여할 수 있다.
결과물을 받은 뒤 달라진 지점을 AI에게 물어보는 것도 유용하다. "내가 처음에 말한 것과 이 결과물에서 달라진 부분이 있는가." AI는 이 질문에 비교적 솔직하게 답할 수 있다.
수정을 요청할 때 방향이 아니라 기준을 주는 것이 더 효과적일 수 있다. "다시 써줘"가 아니라 "이 문장에서 이 표현은 강하게 유지해줘. 이 구분은 없애지 마. 이 결론 방향으로는 가지 마." AI는 이런 구체적인 기준이 있을 때 더 잘 따라오는 경향이 있다.
나는 AI가 만든 결과물이 더 좋아 보인다고 느끼는가, 아니면 그 결과물이 내 관점을 더 선명하게 만들었는지 확인하고 있는가.