“AI는 원래부터 잘 아는 사람을 더 강하게 만드는 도구다.” 이 말은 상당 부분 맞다. 하지만 그대로 받아들이면 중요한 한 가지를 놓친다. 여기서 ‘아는 사람’은 반드시 머릿속에 전문지식을 산더미처럼 쌓아 둔 사람만을 뜻하지 않는다.
더 중요한 것은 AI가 내놓은 결과를 보고 “이건 쓸 만하다”, “여기는 수상하다”, “비교 대상이 부족하다”, “아직 완료가 아니다”라고 판정할 수 있는가이다. 그리고 그 판정 기준을 처음부터 전부 갖고 있을 필요도 없다. 모르면 “다른 회사는 어떻게 하지?”, “업계 표준은?”, “실패 사례는?”, “가장 강한 반론은?”이라고 물어서 평가 기준 자체를 외부에서 가져오면 된다.
이렇게 보면 AI는 지식 자판기라기보다 비교하고, 추궁하고, 반증하고, 사고의 해상도를 높이는 무제한 스파링장에 가깝다.
1. “이미 아는 사람이 더 강해진다”는 말은 절반만 맞다
AI를 배율 장치라고 생각하면 이해하기 쉽다. 목표가 흐리면 흐린 상태를 빠르게 만들고, 좋은 질문과 평가 기준이 있으면 탐색 속도를 크게 높인다. 경험자나 전문가가 강한 AI를 쓸 때 유난히 큰 효과를 보는 이유도 여기에 있다.
하지만 증폭되는 것은 사전지식만이 아니다. 비교 대상을 찾는 힘, 이상함을 감지하는 힘, 가설을 의심하는 힘, 그리고 “어디까지 하면 끝인가”를 정하는 힘도 함께 증폭된다. AI가 검색과 정리를 더 많이 맡을수록 인간에게는 무엇을 보면 맞고 틀림을 가를 수 있는지 판단하는 능력이 더 중요해진다.
거칠게 식으로 쓰면 다음과 같다.
AI 실용 배율 ≈ 지식 × 평가 기준 × 비교 능력 × 반증 능력 × 반복 횟수
지식이 거의 없으면 어려운 분야도 분명 있다. 하지만 지식이 많아도 매끈한 답변을 전부 “그렇군” 하고 받아들인다면 배율은 크게 올라가지 않는다.
2. ‘안다’는 것은 지식 저장량보다 결과를 판정하는 능력이다
‘안다’를 다섯 가지 능력으로 나누면 더 명확해진다.
- 목적을 말할 수 있다: 무엇을 해결하고 싶은지, 최종 상태가 무엇인지 안다.
- 좋고 나쁨을 판정할 수 있다: 무엇이 합격이고 무엇이 실패인지 안다.
- 병목을 찾을 수 있다: 겉으로 드러난 증상보다 실제 제약이 어디인지 본다.
- 이상함을 감지할 수 있다: “그게 정말 맞아?”라고 멈출 최소한의 모델이 있다.
- 완료를 정의할 수 있다: 조사나 수정이 언제 끝나는지 정할 수 있다.
다섯 가지를 모두 전문가 수준으로 갖출 필요는 없다. 핵심은 “문장이 그럴듯하니까 OK”가 아니라, 목적과 기준에 비추어 결과를 판정하는 것이다.
정답을 아는 것과 정답을 평가할 수 있는 것은 서로 다른 능력이다. AI 시대에는 후자의 가치가 훨씬 커진다.
3. 평가 기준은 밖에서 가져와도 된다 — “다른 회사는 어떻게 하지?”
여기서 중요한 전환이 생긴다. 기준이 없다면 기준 자체를 조사하면 된다.
처음 보는 업무에서 “좋은 방식이 뭔지 모르겠다”고 멈출 필요는 없다. AI에 이런 질문을 던질 수 있다.
- 다른 회사는 어떻게 하는가?
- 업계 표준이 있는가?
- 상위 기업과 평범한 기업은 무엇이 다른가?
- 실패한 회사는 어디에서 무너졌는가?
- 인접 업종은 같은 문제를 어떻게 해결하는가?
- 법규나 표준이 요구하는 최소선은 무엇인가?
- 이용자는 무엇에 계속 불만을 제기하는가?
한 회사를 보면 무엇이든 “원래 이런가 보다”라고 느낄 수 있다. 다섯 회사를 보면 차이가 보이고, 실패 사례까지 보면 그 차이가 왜 중요한지 보이기 시작한다.
What do others do? 즉 “다른 곳은 어떻게 하지?”는 단순한 정보 수집이 아니다. 내가 갖고 있지 않던 채점표를 만드는 질문이다.
4. AI는 지식의 고속도로이면서 ‘비교축 조달 장치’다
낯선 분야에서도 AI를 쓰면 “완전 초보”에서 “최소한 무엇을 확인해야 하는지는 아는 사람”까지의 거리를 줄일 수 있다. 흐름은 대략 다음과 같다.
미지 → 전체상 → 비교 → 가설 → 실제 사례 → 반론 → 예외 → 1차 자료 → 평가 기준 → 잠정 판정
목표는 즉석 전문가가 되는 것이 아니다. 전문가에게 좋은 질문을 던질 수 있고, 약한 근거를 알아차리고, 대안을 비교할 수 있는 수준까지 해상도를 높이는 것이다. 그 지점에 도달하면 다음 탐색의 질이 급격히 좋아진다.
AI 이전에도 가능한 일이었다. 다만 경쟁사 열 곳을 찾고, 용어를 배우고, 실패 사례를 읽고, 다른 업종까지 건너가는 비용이 컸다. AI는 탐색·정리·맥락 변환의 마찰을 낮춘다. 그래서 강해지는 사람은 ‘이미 아는 사람’뿐 아니라 아는 상태로 빠르게 이동할 수 있는 사람이기도 하다.
5. 핵심은 끝까지 파고드는 힘 — 첫 답변을 종착역으로 만들지 않는다
AI 활용에서 큰 차이를 만드는 습관은 첫 답변을 끝이 아니라 시작으로 보는 것이다. “그렇구나” 하고 나가지 않고 계속 판다.
“근거는?” “구체적으로 무엇이 달라져?” “다른 회사는?” “이게 정말 일반적이야?” “예외는?” “반대 사례는?” “상관관계와 인과관계를 섞은 건 아니야?” “진짜 병목은?” “이 가설이 틀렸다면 무엇이 관측돼야 하지?”라고 한 단계씩 내려간다.
처음의 일반론은 비교를 넣으면 상대화되고, 예외를 넣으면 경계조건이 보이며, 반증을 넣으면 약점이 드러난다. 1차 자료를 대면 현실과 접촉해도 남는 부분과 사라지는 부분이 갈린다. 그때부터 그럴듯한 문장이 의사결정 자료로 바뀐다.
AI를 잘 쓰는 사람이 첫 프롬프트부터 예술 작품을 쓰는 것은 아니다. 두 번째, 세 번째, 열 번째 턴에서 가차 없이 해상도를 올린다. 그게 핵심이다.
6. 왜 사람에게는 같은 수준의 추궁이 어려운가
사람끼리 질문을 반복하면 정보 탐색 외의 비용이 생긴다. 상대 시간을 쓰고, 의심받는 느낌을 줄 수 있고, 지위나 자존심을 건드리며, 설명 피로도 쌓인다. 이것은 논리 문제가 아니라 대인 마찰이다.
좋은 동료나 전문가는 꽤 오래 함께 파고들 수도 있다. 그래도 “근거는?”, “예외는?”, “그 전제 이상하지 않아?”를 서른 번 연속 던지면 질문이 정당해도 분위기는 바뀐다.
일부러 과장해 시각화하면 이렇다.
- 5번째 질문: 눈썹 한쪽이 움직인다.
- 12번째 질문: 한숨이 회의실 공용 설비가 된다.
- 25번째 질문: “이거 지금 꼭 필요한가요?”가 등장한다.
- 30번째 질문: 질문에 답하는 것보다 회의를 끝내는 것이 새 KPI가 된다.
사람이 나빠서가 아니다. 사람에게는 시간, 감정, 역할, 다른 일이 있다. 무한 재귀 질문에 응답하기 위해 존재하는 존재가 아니다.
7. AI는 ‘추궁 무제한 스파링장’이 될 수 있다
AI 상대라면 이런 대인 마찰이 훨씬 작다. 28번째 질문에서 “그래서 근거는?”이라고 돌아가도 눈썹이 움직이지 않는다. 15분 전으로 돌아가 “아까 설명이랑 모순되지 않아?”라고 물어도 회사에서 전설이 될 걱정은 없다.
따라서 AI의 가치는 지식량에만 있지 않다. 사고 반복 비용을 낮추는 것도 큰 가치다. 같은 가설을 다른 각도에서 공격하고, 경쟁사를 추가하고, 전제를 뒤집고, 초보자용 설명과 전문가용 설명을 번갈아 만들 수 있다.
다만 “No social cost”를 문자 그대로 비용 0으로 이해하면 안 된다. 시간은 쓰이고, 틀린 방향으로 서른 바퀴 돌 수도 있으며, 유창한 AI 문장에 끌리는 인지 비용도 있다. 공짜 무한 진리 기계는 아니다.
8. 강한 부스트는 틀린 생각도 강하게 만든다
배율 장치의 무서운 점은 오류도 곱한다는 것이다. 처음 가설이 틀렸는데 지지 자료만 모으도록 시키면, 나쁜 생각이 놀라운 속도로 잘 정리된 나쁜 생각이 된다.
특히 네 가지 실패를 조심할 만하다.
- 확증편향 자동화: 원하는 결론을 지지하는 사례만 수집한다.
- 유창한 오류: 문장이 좋으니 근거도 좋다고 착각한다.
- 벤치마크 카고컬트: 조건이 다른데도 다른 회사 방식을 그대로 복사한다.
- 가짜 다수 의견: 몇 사례만 보고 “보통 다 이렇게 한다”고 일반화한다.
대책은 단순하지만 귀찮다. 그래서 효과가 있다. “이 주장에 대한 가장 강한 반론은?”, “반대 사례를 찾아줘”, “1차 자료에는 실제로 뭐라고 쓰여 있어?”, “이 비교가 무효가 되는 조건은?”이라고 묻는다. AI를 결론을 꾸미는 데만 쓰지 말고 내 결론을 부수는 데도 사용한다.
조향장치 없는 부스터는 벽에 더 빨리 도착할 뿐이다.
9. 강한 루프는 비교 → 반증 → 1차 자료 → 재판정이다
실전에서는 다음 순서가 강하다.
- 가설을 둔다: 현재 원인이라고 생각하는 것은 무엇인가?
- 비교 집합을 만든다: 다른 회사, 나라, 제도, 업종, 과거 사례를 본다.
- 평가 기준을 뽑는다: 어떤 차이가 결과를 가르는가?
- 잠정 판정한다: 현재 가장 유력한 설명을 정한다.
- 반증한다: 반대 증거, 예외, 대안 가설을 찾는다.
- 1차 자료로 간다: 표준, 원문, 측정치, 공식 기록을 확인한다.
- 판정을 갱신한다: 첫 가설을 자존심 때문에 지키지 않는다.
- 완료를 정한다: 추가 조사로 의사결정이 거의 바뀌지 않는 지점에서 멈춘다.
질문을 용도별로 정리하면 재사용하기 쉽다.
| 필요한 것 | AI에 물을 질문 |
|---|---|
| 비교 | “다른 회사·나라·방식은?” |
| 일반성 | “이건 일반적이야, 특수해? 관련 모집단은?” |
| 예외 | “반대가 되는 조건은?” |
| 원인 | “보이는 증상 말고 병목은?” |
| 반증 | “이 가설을 부정하는 증거는?” |
| 완료 | “결정 전에 어디까지 확인하면 충분해?” |
이것은 AI에게 정답을 받는 방식이라기보다 AI로 내 판정 시스템을 단련하는 방식이다.
10. 새로운 ‘아는 사람’은 모든 것을 아는 사람이 아니다
AI 시대의 정의를 다시 쓰면 이렇다.
모르는 것을 인식하고, 필요한 비교 대상을 모으고, 평가 기준을 만들거나 가져오며, 가설을 반증하고, 출력의 질을 스스로 판정하고, 증거가 바뀌면 빠르게 업데이트할 수 있는 사람.
머릿속에 백과사전을 넣어 둔 사람과는 다르다. 오히려 내가 무엇을 모르는지, 무엇을 조사해야 문제를 판정 가능한 상태로 만들 수 있는지 아는 사람에 가깝다.
그래서 낯선 분야에서도 승부가 된다. 전문가가 큰 지식 우위를 갖고 시작하더라도 비교와 반증 루프를 빠르게 돌리면 최소한 “무엇이 쟁점인지조차 모르는 상태”에서는 꽤 빨리 빠져나올 수 있다.
전문가가 필요 없어지는 것도 아니다. 깊은 암묵지, 현장 감각, 책임을 지는 판단은 남는다. 달라지는 것은 비전문가가 전문가의 말을 이해하고, 약한 주장을 검증하고, 다음 조사 지점을 찾기 위한 발판을 만드는 속도다.
11. 결론 — AI에게 답만 시키지 말고 계속 해상도를 올려라
“AI는 이미 아는 사람을 더 강하게 만든다”는 말은 맞다. 더 정확하게 말하면 다음과 같다.
AI는 평가 기준을 이미 가진 사람뿐 아니라, 평가 기준을 빠르게 만들고 외부에서 가져오고, 결론을 반복해서 압박 시험할 수 있는 사람을 강하게 만든다.
처음부터 다 알 필요는 없다. “다른 곳은?”, “이게 보통이야?”, “예외는?”, “근거는?”을 반복하고 마지막에 “무엇이 나오면 이 가설을 버릴 것인가?”까지 가면 낯선 분야에서도 보는 눈이 생긴다.
사람에게 이것을 서른 번 하면 회의실 산소가 옅어지는 느낌이 들 수 있다. AI는 29번째 “근거는?”에도 응답한다. 하지만 중요한 것은 29번 물을 수 있다는 사실 자체가 아니다. 29번째에 내 가설이 무너졌을 때 30번째에 제대로 다시 생각할 수 있는가가 중요하다.
The point is: pressure-test the output. 답을 받는 데서 끝내지 말고 약한 부분이 깨질 때까지 시험한 뒤 남은 것을 판단 재료로 써라. 그것이 ‘부스트’의 큰 정체다.
