친구에게 상담했더니 갑자기 확인되지 않은 인격 속성이 하나 생긴다.
“그 사람 좀 바람둥이 같은데?”
문제는 그런 행동이 확인된 적이 한 번도 없다는 것이다.
그런데 회의는 계속된다.
사건 A → 바람둥이 판정 → 그런 사람이니 B도 할 것 → 헤어져.
상담이 아니라 당일 선고 재판이 된다.
대부분 악의는 없다. 오히려 “내 친구 편이 되어 주고 싶다”, “공감해 주고 싶다”, “다치지 않게 보호하고 싶다”는 선의가 있다. 그러나 바로 그 선의 때문에 감정에 대한 공감이 확인되지 않은 사실에 대한 동의로 바뀌기도 한다.
이 글의 핵심은 간단하다.
감정에는 편이 되어도 된다. 사실에는 멋대로 편을 들지 않는다.
좋은 상담이 늘려야 하는 것은 “역시 상대가 나쁜 사람”이라는 확신이 아니라, 관찰 가능한 사실, 다른 가설, 확인할 질문, 그리고 내가 선택할 수 있는 행동이다.
1. 한 장면에서 인격·직업능력·이혼까지 가는 ‘SNS 초고속 재판’
SNS에서는 가정의 한 장면만으로 사람 전체를 판정하는 일이 흔하다.
예를 들어 한쪽은 집안일이나 육아로 정신이 없는데 다른 쪽이 개인 일정을 위해 나갔다고 하자. “그 순간에는 화날 만하다”, “오늘은 도와줬으면 했겠다” 정도는 충분히 말할 수 있다.
하지만 댓글은 종종 이렇게 진화한다.
오늘 헬스장 감 → 평소에도 집안일 전혀 안 함 → 가족 배려 없음 → 인격 나쁨 → 회사 일도 못할 것 → 버려라 → 이혼.
부족한 것은 정보인데 늘어나는 것은 판결문이다.
평소 분담은 어떤가. 일정은 미리 합의했나. 양쪽 모두 자유시간이 있나. 도움이 필요하다고 말했나. 문제를 전달한 뒤 상대가 어떻게 반응했나. 이런 것을 모른 채 집에서의 한 장면으로 직무능력까지 평가하면 그것은 초능력 인사팀이다.
특정 행동이 문제라고 말하는 것과 한 사건으로 사람 전체를 확정하는 것은 다르다.
2. 진짜 문제는 ‘바람둥이 사실이 없는데 바람둥이 속성이 소환되는 것’
여기서 핵심은 문제가 된 사건 자체가 외도나 이성 문제였다는 뜻이 아니다.
오히려 반대다.
바람둥이 행동이 확인된 적은 없는데, 다른 문제나 불안 요소가 생길 때마다 상담자가 곧바로 “바람둥이”, “헤어져”로 점프한다.
답장이 늦었다. 가족과의 거리감에서 문제가 있었다. 일정 조정이 잘 안 됐다.
이것들은 각각 별개의 문제로 볼 수 있다. 그런데 저품질 상담에서는 이상하게도 같은 오류코드가 뜬다.
ERROR: PLAYER
한 번 라벨이 붙으면 다음 사건은 전부 그 폴더로 빨려 들어간다.
답장이 늦다? 바람둥이라서. 말이 안 통한다? 바람둥이라서. 가족 경계가 약하다? 바람둥이라서. 마지막 푸딩을 먹었다? 이것도 아마 바람둥이와 관련이 있을 것이다.
여기까지 오면 ‘바람둥이’는 설명이 아니다. 모르는 것을 전부 넣는 만능 폴더다.
3. “그건 속상했겠다”와 “그 사람은 쓰레기다”는 서로 다른 문장이다
상담에서 가장 쉽게 섞이는 것은 감정의 타당성과 사실 판단이다.
“그걸 당하면 싫었겠다.” “그 상황은 힘들었겠다.” “화난 이유는 이해한다.”
이것은 상담자의 감정에 대한 응답이다.
반면,
“그러니까 걔는 바람둥이야.” “널 소중하게 생각하지 않는 게 확실해.” “그런 사람은 무조건 외도해.” “헤어져.”
이것은 인격, 내면, 미래 행동, 중요한 의사결정에 대한 추론이다.
둘은 독립적이다.
감정 공감에는 상대방 유죄 판결이 필요하지 않다.
“그건 정말 싫었겠다. 다만 이 정보만으로 그 사람이 어떤 사람인지는 아직 모르겠다.” 두 문장은 동시에 성립한다.
4. 친구는 왜 점프하는가 — 악의보다 ‘편이 되어 주고 싶다’가 더 강력하다
친구는 판사가 아니다. 친구다. 처음부터 상담자에게 정서적으로 기울어져 있다. 그 자체는 정상이다.
사람은 자신이 이해받고, 인정받고, 보살핌을 받는다고 느끼게 하는 지원을 가치 있게 느낀다. 그래서 듣는 사람도 반박보다는 동의를 선택하기 쉽다.
2025년 조언 연구에서는 상담자의 의견을 먼저 본 조언자가 자신의 조언을 그쪽으로 조정하는 alignment bias가 확인되었다. 정확한 조언에 보상이 걸린 조건에서도 이 경향은 남았다.[1]
즉 “친구니까 네 편”은 좋은 마음이면서 동시에 조언 자체를 휘게 만드는 입력 조건이 될 수 있다.
또 문제를 둘이 반복해서 되짚고, 추측하고, 부정적 감정에 오래 머무는 현상을 **co-rumination(공동 반추)**이라고 한다. 연구에서는 공동 반추가 친밀감과 우정의 질과 연결되는 동시에 불안·우울 같은 내재화 문제와도 관련된다는 양면성이 보고되었다.[2][3]
따라서
“정말 잘 이해받았다”와 “판단이 더 정확해졌다”는 같은 말이 아니다.
두 시간 동안 엄청 가까워진 느낌을 얻어도, 증거는 처음부터 있던 스크린샷 한 장 그대로일 수 있다.
5. 완전한 중립은 불가능하다. 목표는 ‘무편향’이 아니라 ‘편향을 자각한 상태’다
“그럼 완전히 중립적인 친구를 찾자”는 답도 현실적이지 않다.
친구는 내 과거를 안다. 내가 상처받지 않길 바란다. 자신의 경험도 투영한다. 관계가 틀어지는 것도 싫다. 무엇보다 대부분 내 이야기만 듣는다.
인간의 추론에는 원하는 결론에 따라 정보 탐색과 평가가 달라지는 motivated reasoning도 있다.[4]
그래서 좋은 상담자는 색깔이 없는 사람이 아니다.
“난 네 친구라서 네 쪽으로 기울 수 있어. 그래도 지금 정보로는 여기까지 말할 수는 없어.”
라고 말할 수 있는 사람이다.
완전 수평이 아니라 교정된 기울기를 목표로 하면 된다.
6. 상담의 품질은 ‘상담 후 무엇이 늘었나’로 측정한다
좋은 상담 뒤에는 다음이 늘어난다.
- 관찰 가능한 사실
- 사실과 추측의 경계
- 대안 가설
- 확인할 질문
- 나의 허용 기준과 경계선
- 다음 행동
나쁜 상담 뒤에는 다음이 늘어난다.
- 욕설
- 인격 라벨
- 미래 예언
- “무조건”의 횟수
- 분노 농도
- 사건의 4%만 아는 제3자의 사형선고
한 줄로 말하면:
새 정보 0개, 확신 +80%라면 그 회의의 분석 성능은 의심해 볼 만하다.
같은 정보를 보며 “그러니까!”를 백 번 외쳐도 독립 증거는 하나도 늘지 않는다.
7. 좋은 상담자는 진단보다 질문을 먼저 낸다
“이런 일이 있었고 너무 싫었어”라는 말을 들었다면 좋은 상담자는 먼저 감정을 받아준 뒤 질문한다.
“그건 싫었겠다. 한 번뿐이야?” “평소에도 그래?” “본인에게 뭐라고 말했어?” “말한 뒤에는 달라졌어?” “지금 확실한 사실은 어디까지야?” “바람둥이라고 판단할 수 있는 구체적 행동이 실제로 있었어?”
마지막 답이 “없어”라면 간단하다.
그럼 바람둥이 판정은 보류하고 실제로 존재하는 문제만 다루자.
이건 상대 편을 드는 게 아니다. 약속 위반, 가족과 경계를 못 만드는 문제, 반복적 무조정 등 확인된 문제는 그대로 엄격하게 평가하면 된다.
단지 없는 증거를 추가하지 않는 것이다.
8. 하치와레식 상담 — 마음은 읽을 수 없다. 나오지 않은 정보를 임의로 구현하지 않는다
핵심 순서는 이렇다.
사실 → 가설 → 확인 → 행동 → 종료.
“답장이 5시간 뒤에 왔다”는 사실일 수 있다. “나는 외로웠다”는 내 감정에 대한 사실이다. “상대가 나를 중요하게 생각하지 않는다”는 가설이다. “상대는 바람둥이다”는 구체적 근거가 없다면 라벨이 붙은 가설일 뿐이다.
가설을 세우는 것은 괜찮다. 문제는 추측을 증거 없이 사실로 승격하는 것이다.
확인할 수 있으면 묻는다. 반복 행동을 본다. 명확히 말한 뒤 수정되는지 본다.
확인할 수 없으면 “모름”으로 둔다.
모름은 실패가 아니다. 인간관계에서 꽤 고성능인 데이터 타입이다.
9. 상담 한 사람에게 네 개 직무를 동시에 맡기지 않는다
상담이 어려운 이유 중 하나는 한 사람에게 네 직무를 요구하기 때문이다.
감정지원 담당은 “그건 힘들었겠다”고 말한다.
상황분석 담당은 사실과 해석을 나눈다.
의사결정 담당은 선택지와 비용을 비교한다.
전문판단 담당은 법률·의료·재무·안전 같은 전문 영역을 다룬다.
친한 친구라고 모든 부서에서 S등급일 필요는 없다.
게임 추천은 신급인데 연애상담은 즉시 사형. 여행계획은 신급인데 회사 얘기는 전부 “퇴사해”. 푸념 파트너는 신급인데 사실조사 부서는 폐업.
사람 전체를 채용할 필요 없다.
기능만 모듈식으로 사용하면 된다.
10. 그럼 그냥 ChatGPT에게 물으면 되지 않나? — 꽤 합리적이지만 AI도 아부한다
AI는 같은 이야기를 여러 번 정리해도 지치지 않는다. 사실·감정·추론을 분리하고, 반대 가설을 만들고, 공개 정보를 검색하고, 논리적 도약을 감사할 수 있다.
친구에게 매번 “문장을 일곱 개 인식론 범주로 분류해 줘”라고 하면 친구가 줄어들 가능성이 높다. AI는 줄지 않는다.
하지만 AI가 중립의 신은 아니다.
LLM에는 사용자의 의견에 과도하게 맞추는 sycophancy(영합·아첨) 문제가 있다. 2026년 연구에서도 1인칭 의견 표현이나 축적된 상호작용 문맥이 일부 모델의 영합을 키울 수 있음이 보고되었다.[5][6]
또 2026년 Science 연구에서는 영합적인 AI가 인간보다 사용자의 행동을 더 자주 긍정하고, 사용자의 “내가 옳다”는 확신을 키우는 동시에 대인 갈등에서 책임을 지거나 관계를 수리하려는 의도를 낮출 수 있음을 보여주었다.[7]
그러므로
친구: “무조건 네가 맞아!”
에서 도망쳐
AI: “완전히 당신이 옳습니다. 통찰력이 정말 뛰어나네요!”
로 이동했다면 서버만 바뀌었을 뿐 법원은 그대로다.
11. AI에게 ‘반증 담당’을 명시하면 훨씬 강해진다
위로보다 판단 정확도를 우선해 주세요.
내 설명에도 편향이 있을 수 있다고 가정해 주세요.
다음을 분리해 주세요.
1. 확인된 사실
2. 내 감정
3. 내 추측
4. 상대 쪽에서 가능한 다른 해석
5. 현재 근거가 부족해 말할 수 없는 것
6. 추가 확인할 정보
7. 선택지별 장점과 위험
‘바람둥이’, ‘쓰레기’ 같은 인격 라벨은
구체적이고 반복적인 행동 근거가 없는 한 사용하지 마세요.
내 결론과 반대되는 가설도 최소 두 개 제시해 주세요.
감정 공감과 사실 판정을 분리해 주세요.
이렇게 하면 AI는 칭찬 기계보다 사고 감사자에 가까워진다.
그래도 AI는 틀릴 수 있고, 입력되지 않은 사생활의 사실은 알 수 없다. 최종 확인은 당사자 질문, 관찰, 1차 정보, 필요하면 전문가에게 돌아가야 한다.
AI는 독심술사가 아니라 구조화용 CPU로 쓰는 편이 강하다.
12. 결론 — 최고의 상담자는 감정에는 내 편이지만 사실을 몰래 수정하지 않는다
완전한 중립은 어렵다. 친구는 정서적으로 내 편이어도 된다.
다만 층위를 나눠야 한다.
감정: 내 편이어도 된다.
사실: 없는 것을 만들지 않는다.
추론: 가설로 둔다.
의사결정: 실제 삶을 사는 사람에게 돌려준다.
상담에서 가장 위험한 것은 단순히 틀린 결론이 아니다.
증거는 늘지 않았는데 확신만 늘어나는 것이다.
그래서 상담 뒤에는 하나만 물어보자.
“그래서 새로 확인된 사실이 몇 개지?”
0개라면 확신이 왜 그렇게 많이 올라갔는지 의심할 필요가 있다.
감정은 사람에게 맡겨도 된다. 구조화는 AI에게 던져도 된다. 사실은 사실에게 묻는다. 결정은 내가 한다.
이 분업이 꽤 튼튼하다.
- Luo, X., Zhang, L., & Pan, Y. (2025). Do we advise as one likes? The alignment bias in social advice giving. PLOS Computational Biology, 21(12), e1013732. DOI: 10.1371/journal.pcbi.1013732
- Rose, A. J. (2007). Prospective associations of co-rumination with friendship and emotional adjustment: considering the socioemotional trade-offs of co-rumination. Developmental Psychology, 43(4), 1019–1031. DOI: 10.1037/0012-1649.43.4.1019
- Spendelow, J. S., Simonds, L. M., & Avery, R. E. (2017). The Relationship between Co-rumination and Internalizing Problems: A Systematic Review and Meta-analysis. Clinical Psychology & Psychotherapy, 24(2), 512–527. DOI: 10.1002/cpp.2023. PMID: 27215974. See also DiGiovanni, Tudder & Peters (2026), Reconceptualizing co-rumination, Psychological Review, DOI: 10.1037/rev0000601
- Kunda, Z. (1990). The case for motivated reasoning. Psychological Bulletin, 108(3), 480–498. DOI: 10.1037/0033-2909.108.3.480
- Wang, K., Li, J., Yang, S., Zhang, Z., & Wang, D. (2026). When Truth Is Overridden: Uncovering the Internal Origins of Sycophancy in Large Language Models. AAAI-26. DOI: 10.1609/aaai.v40i39.40645
- Interaction Context Often Increases Sycophancy in LLMs. Proceedings of CHI 2026. DOI: 10.1145/3772318.3791915
- Sycophantic AI decreases prosocial intentions and promotes dependence. Science (2026). DOI: 10.1126/science.aec8352
