같은 생성형 AI를 써도 사용 방식은 크게 다르다.
어떤 사람은 하나를 물어보고 답을 받으면 끝난다.
다른 사람은 그 답에서 원인, 비교, 예외, 다른 업계, 반론, 응용으로 계속 이동한다.
차이는 긴 프롬프트를 잘 쓰느냐만이 아니다.
더 큰 차이는 AI가 답한 직후 이런 질문이 떠오르느냐에 있다.
“왜 그렇지?”
“다른 것과 비교하면?”
“반대 사례는?”
“이 구조를 다른 곳에도 적용할 수 있나?”
AI 활용의 일부는 검색 기술이 아니라 연상 게임이다.
검색창처럼 쓰면 한 번의 문답으로 끝나기 쉽다. 사고 파트너처럼 쓰면 하나의 답이 다음 질문의 재료가 된다.
1. 결론 — 완벽한 질문 하나를 맞히기보다 질문 나무를 키워라
좋은 프롬프트는 중요하다. 하지만 매번 처음부터 완벽한 질문을 만들 필요는 없다.
실제 탐색에서는 첫 답을 보고 나서야 무엇이 흥미로운지 보이는 경우가 많다.
더 강한 흐름은 다음과 같다.
- 우선 합리적인 첫 질문을 한다.
- 답에서 흥미로운 점 하나를 고른다.
- 원인·비교·예외·응용·유사 사례 중 하나로 뻗는다.
- 다음 답에서 다시 가지를 만든다.
- 중요한 사실은 외부 자료로 확인한다.
첫 질문이 씨앗이라면 가치는 나무가 된 뒤 커진다.
2. 왜 한 문답에서 멈출까 — 정보를 얻는 것과 탐색하는 것은 다른 행동이다
“내가 아는 회사를 설명해 줘” 같은 질문은 좋은 출발점이다.
문제는 설명을 받은 순간 과제가 끝났다고 느끼는 데 있다.
탐색형 사용에서는 답을 완성품이 아니라 다음 질문의 부품으로 읽는다.
회사 설명을 읽은 뒤에는 회사 이름 자체에서 벗어나도 된다.
- 왜 이 업계의 수익 구조는 다른가?
- 경쟁사와 무엇이 다른가?
- 약점은 어디인가?
- 다른 업계에도 같은 구조가 있는가?
- 어떤 조건에서 이 모델이 무너지는가?
하나의 고유명사를 조사하다가 업계 구조, 경제, 기술, 조직 문제로 이동한다.
이것이 질문이 증식하는 상태다.
3. 연상 게임의 핵심 — 같은 선반만 파지 말고 다른 선반으로 이동하라
의미 기억을 탐색하는 연구에서는 가까운 아이디어를 한 묶음 안에서 계속 내는 움직임과 다른 의미 묶음으로 전환하는 움직임을 구분한다.
앞은 같은 선반을 깊게 찾는 것이고, 뒤는 선반 자체를 바꾸는 것이다.
2022년 연구에서는 이런 전환이 멀리 떨어진 개념을 결합하는 능력, 의미 기억 구조, 실행 기능과 관련되었다.
AI 사용으로 바꾸면 쉽다.
“이 회사 제품은?” “다른 제품은?” “또 다른 제품은?”
이것은 같은 선반이다.
반면,
“왜 이런 제품 구성이 되었나?” “경쟁사는 왜 다른 구성을 갖나?” “같은 방식으로 돈 버는 다른 업계는?”
라고 묻는 순간 선반이 바뀐다.
연상 탐색을 키우려면 사실을 많이 모으는 것뿐 아니라 범주 전환을 연습해야 한다.
4. 처음부터 자유 연상을 할 필요는 없다 — 다섯 개의 레일을 깔자
“더 많이 연상해 봐”라는 말은 연상이 어려운 사람에게 거의 도움이 되지 않는다.
처음에는 다섯 방향만 사용하면 된다.
| 방향 | 다음 질문 |
|---|---|
| 원인 | 왜 이렇게 되었나? |
| 비교 | 다른 사례와 무엇이 다른가? |
| 예외·반증 | 반대 사례나 무너지는 조건은? |
| 응용 | 다른 문제에 사용할 수 있나? |
| 유사 | 같은 구조를 가진 다른 사례는? |
질문 생성 훈련 연구에서도 단순히 질문을 만들라고 하는 것보다 질문을 만들기 위한 단서를 제공한 조건에서 메타인지 지식과 자기조절 향상이 더 크게 나타났다.
처음부터 완전 자유형일 필요는 없다.
보조 바퀴를 달면 된다.
5. AI에는 답뿐 아니라 ‘가지’를 만들게 하라
생성형 AI는 후보를 많이 만드는 데 강하다. 발산적 사고 과제에서 GPT-4가 평균적인 인간 참가자보다 더 독창적이고 상세한 응답을 보였다는 연구도 있다.
그렇다고 다음 질문까지 전부 AI에 맡기면 사용자는 선택만 하게 된다.
실용적인 절충안은 이렇다.
“내가 1개 → AI가 3개 → 그중 1개 선택.”
답을 읽고 자신이 후속 질문 하나를 만든 뒤 AI에 이렇게 요청한다.
이 답에서 다음에 파고들 질문을 원인·비교·예외·응용·유사 중에서 3개 만들어 줘. 아직 답은 하지 말고 질문만 보여 줘.
AI가 탐색 범위를 넓혀 주면서도 자신의 질문 생성 연습은 남는다.
2025년 생성형 AI 검색 연구에서도 이해를 돌아보고 다른 관점을 생각하게 하는 메타인지적 프롬프트가 더 넓은 주제 탐색과 더 깊은 후속 질문으로 이어졌다.
6. ‘AI를 키운다’는 말의 실제 의미 — 기반 모델을 재훈련하기보다 쓸 수 있는 맥락을 쌓는다
오래 사용한 AI의 답은 점점 자신에게 맞는 것처럼 느껴질 수 있다.
현재 대화, 과거 정보, 선호나 메모리 기능을 사용할 수 있는 환경에서는 AI가 무엇을 중요하게 보는지, 전에 무엇을 결정했는지 참고할 수 있다.
이것은 개인화에 도움이 되지만, 보통 사용자가 기반 모델 자체를 개인적으로 재훈련했다는 뜻은 아니다.
실용적인 장점은 매번 배경을 처음부터 설명하지 않아도 된다는 것이다.
목표, 피하고 싶은 것, 과거 비교, 판단 기준이 공유되어 있으면 같은 “추천해 줘”도 시작점이 달라진다.
하지만 맥락이 많다고 항상 좋은 것은 아니다.
과거 선호를 너무 강하게 참조하면 새로운 선택지가 보이지 않을 수 있다.
중요한 판단에서는 가끔 이렇게 묻는다.
내 과거 선호와 결론을 잠시 빼고, 반대편에서 가장 강하게 반증해 줘.
맥락을 키우는 것과 세계를 닫는 것은 생각보다 가까울 수 있다.
7. 비교하면 개별 사례보다 높은 규칙이 보인다
연상을 강화하는 쉬운 방법은 비교다.
두 사례를 따로 읽는 것보다 공통점과 차이를 명시적으로 비교하면 표면적 이름을 넘어 공통 구조를 뽑기 쉬워진다.
협상 학습 연구에서는 두 사례를 비교해 공통 원리를 찾은 집단이 같은 사례를 각각 분석한 집단보다 그 원리를 새로운 협상에 더 잘 전이했다.
AI에서도 같은 틀을 쓸 수 있다.
“A를 설명해 줘” 다음에 “B와 구조적으로 무엇이 다른가?”라고 묻는다.
그 뒤에 “그 차이를 만든 원인은?” “C에도 같은 구조가 있나?”로 이어 간다.
비교는 고유명사를 재사용 가능한 규칙으로 바꾸는 다리다.
8. 단, AI의 연상은 사실이 아니다
가지가 많아지면 흥미로운 방향도 늘지만 오류 가능성도 늘어난다.
AI는 의미상 가까워 보이는 개념을 연결할 수 있지만 그 연결이 실제 인과관계나 사실을 증명하지는 않는다.
역할을 나누자.
- AI: 가지, 비교축, 반론, 가설을 제안한다.
- 1차 자료와 신뢰할 만한 자료: 숫자, 제도, 가격, 인물, 최신 사양을 확정한다.
- 사용자: 어떤 가지가 중요한지 결정한다.
AI 후속 질문은 기존 발견을 더 깊게 만들 수 있지만 항상 새로운 문제를 찾는 것은 아니다. 60명을 대상으로 한 사용성 연구에서는 GPT-4 후속 질문이 기존 발견을 자세히 하는 데 효과적이었지만 새로운 사용성 문제 발견은 더 적었다.
질문이 많다고 자동으로 진실에 가까워지는 것은 아니다.
가지를 만드는 과정과 검증하는 과정을 분리해야 한다.
9. 연상력은 늘 수 있지만 마법은 아니다
창의성 훈련 169개 연구를 모은 2024년 메타분석에서는 보정 전 평균 효과가 0.53 표준편차였지만 출판 편향을 보정하면 약 0.29~0.32 표준편차로 줄었다.
즉 훈련은 도움이 될 수 있지만 며칠 만에 완전히 다른 사고자가 되는 것은 아니다.
별도 학습 시스템을 만들기보다 평소 AI 사용에서 “답 읽기 → 다섯 방향 중 하나로 한 가지 뻗기”를 반복하는 편이 실용적이다.
10. 바로 쓸 수 있는 네 가지 질문
다음 가지 만들기
원인·비교·예외·응용·유사 중에서 후속 질문 3개를 만들어 줘. 아직 답하지 마.
사각지대 찾기
지금 질문 방식 때문에 잘 보이지 않는 중요한 관점은 뭐야? 다른 관점 3개를 줘.
비교로 추상화하기
비슷한 사례 하나를 들고 공통 구조와 중요한 차이를 나눠 줘.
기존 틀 깨기
이전 대화의 결론을 전제로 삼지 말고 반대편에서 가장 강한 반론을 만들어 줘.
결론 — AI를 답 상자에서 질문 증폭기로 바꾸자
AI를 잘 쓰는지는 비밀 프롬프트를 몇 개 아는지만으로 결정되지 않는다.
첫 답 다음에 또 질문할 수 있는가.
비교할 수 있는가.
범주를 바꿀 수 있는가.
반증할 수 있는가.
중요한 사실을 확인할 수 있는가.
이 순환이 돌기 시작하면 AI는 검색 대체재를 넘어 사고 파트너가 된다.
한 번 묻고 끝내지 말고 질문 나무를 키워 보자.
AI를 키우는 동시에 자신의 질문 방식도 함께 자라고 있을 수 있다.
