개요
최근 세무냥이 사건과 리트냥이 논란을 보면서 여러 가지 생각이 들었다. 세무사 시험에서 AI를 이용한 부정행위가 드러났고, 그 여파로 다른 시험의 고득점자들에게까지 부정행위 의혹이 번지고 있다. 물론 의혹이 제기되었다는 사실만으로 실제 부정행위가 있었다고 단정할 수는 없다. 다만, AI가 모두가 안전하다고 생각했던 국가 공인 시험이라는 영역에까지 깊숙이 들어왔고, 사회 신뢰가 무너지게 되었으며, 이제는 뛰어난 성적을 거둔 사람들조차 자신의 실력을 의심받는 상황이 되었다는 점이 꽤 씁쓸하게 느껴졌다.
사실 이 글은 해당 사건들이 발생하기 전부터 작성하고 있던 글이다. AI와 함께 개발하면서 느꼈던 문제들을 정리하기 위해 조금씩 작성하고 다듬고 있었는데, 마침 이런 사건들이 연이어 발생했다. 원래도 AI에 대한 의존과 학습에 관해 고민하고 있었지만, 실제로 이러한 사건들을 접하고 나니 어딘가 싱숭생숭한 기분이 들었다. ▼


물론 시험에서 부정행위를 저지르는 것과 업무에서 AI를 활용하는 것은 전혀 다른 문제다. 정직함이나 도덕적인 측면에서도 명확하게 구분해야 한다. 다만 그런 부분을 떠나서, AI가 대신 만들어낸 성과를 우리는 어디까지 자신의 성과라고 생각할 수 있는지, 그리고 그 과정에서 개인에게 남는 것은 무엇인지 다시 생각해 보게 되었다.
무엇보다 나 스스로를 돌아보게 되었다. AI의 도움을 받아 많은 것들을 만들어 왔지만, 정작 그것들을 만들어내는 데 필요한 지식을 얼마나 이해하고 있는지에 대해서는 제대로 생각해 본 적이 없었던 것 같다. 결국 이 글은 최근 발생한 사건들을 분석하거나 누군가의 행동을 비판하기 위한 글이 아니다. (사실 그럴거였으면 개요에 그런 말을 적으면 안됐지만, 시기가 미묘하게 겹치고 마침 쓰던 글이 그 내용을 대변하는듯하여 약간의 허심탄회격으로 적어보았다) 이 글은 AI와 함께 개발하면서 내가 느낀 문제, 그리고 앞으로 무엇을 더 해야 할지에 대한 고민을 정리한 글이다.
AI 없이 아무것도 할 수 없다면
AI는 보조 도구여야 한다는 말
AI 시대에 AI와 함께 개발을 하다 보면 자연스럽게 AI에 의존하게 된다. 이에 대해 많은 사람들은 AI는 어디까지나 나를 돕는 보조 도구여야 한다고 말한다. AI가 핵심이 되어서는 안 되며, AI 없이는 아무것도 할 수 없는 사람이 되어서는 안 된다는 것이다. 나도 이 의견에 동의한다. AI 없이는 아무것도 할 수 없는 사람이라면 회사가 굳이 그 사람을 채용할 이유가 없기 때문이다. 차라리 AI를 사용하는 다른 사람을 채용하거나, AI 자체를 활용하는 편이 더 효율적일 것이다.▼

하지만 이게 말처럼 쉽지는 않다. 약간의 변명처럼 들릴 수도 있겠지만, AI가 존재하는 이상 AI와 완전히 독립적으로 일하는 것은 현실적으로 어려운 일이 되어가고 있다. AI를 사용하지 않고 직접 문제를 해결하는 것이 개인의 역량을 키우는 데에는 도움이 될 수 있겠지만, 그것이 항상 업무적으로 올바른 선택이라고 보기는 어렵다. 특히 같은 시간 안에 AI를 활용해서 더 많은 결과물을 만들어낼 수 있다면, 굳이 AI를 사용하지 않아야 할 이유를 찾는 것조차 어려워진다.
그렇기에 AI를 사용하지 않는 것이 정답이라고 생각하지는 않는다. 오히려 AI를 적절하게 활용하는 능력은 앞으로 더욱 중요해질 것이라고 생각한다. 다만 AI를 활용해서 일을 잘하는 것과 AI가 없더라도 해당 업무를 이해하고 판단할 수 있는 것은 구분할 필요가 있다. AI를 통해 할 수 있는 일이 많아졌다는 이유만으로 내가 할 수 있는 것, 나의 능력이 많아졌다고 생각해서는 안 된다는 것이다.
성과를 위해 의존할 수밖에 없는 현실
사회는 과정도 중요하다고 이야기하지만, 결국 평가받는 것은 성과인 경우가 많다. 그리고 그 성과를 달성하기 위해서는 자신이 어떤 능력을 가지고 있는 사람인지보다 당장 주어진 결과물을 만들어내는 것이 더 중요해지기도 한다. 물론 실력과 성과가 완전히 별개의 개념은 아니다. 실력이 좋은 사람이 좋은 성과를 낼 가능성이 높은 것은 당연하다. 다만 단기적인 성과만 놓고 보면 이야기가 조금 달라진다. 내가 어떤 기술을 완전히 이해하고 있는지, 어떤 원리로 작동하는지, 왜 이런 구조를 선택해야 하는지를 고민하는 시간보다 AI에게 질문하고 결과물을 받아 적용하는 편이 훨씬 빠르기 때문이다.
그렇게 결과물을 만들어내고 나면 또 다른 업무가 주어진다. 다음 업무에서도 마찬가지다. 주어진 시간 안에 결과를 만들어내기 위해 AI를 사용하고, 결과물을 완성하고, 다시 다음 업무로 넘어간다. 그러다 보면 어느 순간부터 AI 없이 작업하는 것 자체가 비효율적인 행동처럼 느껴지기 시작한다. 더 나아가 업무를 수행하는 과정에서 자신의 역량을 키우는 것보다 주어진 업무를 빠르게 끝내는 것이 당연한 목표가 되어버리기도 한다.
최근 논란이 된 AI를 이용한 시험 부정행위도 어느 정도 이러한 성과 중심의 환경과 연결해서 생각해 볼 수 있다고 본다. 물론 부정행위를 정당화할 생각은 없다. 하지 말아야 할 행동은 하지 말아야 하는 것이 맞다. 다만, 단순히 부정행위를 저지른 사람들이 못났거나 도덕적으로 문제가 있다고 결론짓기 전에, 그들이 어떤 환경에 놓여 있었는지도 생각해 볼 필요가 있다. 성과에 대한 압박은 존재하고, AI에 대한 접근성은 높아졌으며, 사용하는 방법은 너무나도 쉬워졌다. 심지어 AI가 만들어낸 결과물은 점점 더 자연스러워지고 있다.
물론 이런 환경이 부정행위의 직접적인 원인이라고 단정할 수는 없다. 하지만 AI를 사용하는 일이 너무나도 일상적인 행동이 되어버린 상황에서, 사람들이 AI의 도움을 어디까지 허용 가능한 것으로 받아들이는지는 생각해 볼 만한 문제다. 업무에서는 권장되던 AI의 활용이 시험에서는 부정행위가 될 수 있고, 개인이 만들어낸 성과와 AI가 만들어낸 성과의 경계도 상황에 따라 달라지기 때문이다. 그리고 나는 이러한 환경 속에서 도덕적인 문제와는 별개로 또 하나의 문제가 발생할 수 있다고 생각한다.
바로 자신이 그 결과물을 이해하고 있다는 착각이다.
이해하는 것과 사용할 수 있는 것은 다르다
우리가 무언가를 학습할 때는 이해, 인출, 응용과 같은 과정을 거친다. 어떤 개념을 이해하고, 이해한 내용을 기억에서 꺼내고, 이를 다른 문제에 적용하는 것이다. 현업에서는 여기에 실전이라는 영역을 하나 더 구분할 수 있다고 생각한다. 단순히 이해한 지식을 응용하는 것과 실제 비즈니스 환경에서 사용하는 것에는 차이가 있기 때문이다. 예를 들어, React의 렌더링 원리와 메모이제이션이 어떤 방식으로 동작하는지 이해하는 것과 실제 컴포넌트에 useMemo나 useCallback을 적용하는 것은 다르다. 그리고 실제 서비스에서 이러한 최적화를 적용할 때 불필요한 리렌더링이 발생하는 원인을 파악하고, 메모이제이션으로 인한 추가적인 비용이나 코드의 복잡성, 유지보수성까지 고려하여 적절하게 적용하는 것은 또 다른 이야기다. ▼

이해했다고 해서 반드시 응용할 수 있는 것은 아니고, 응용할 수 있다고 해서 반드시 실전에서 올바르게 사용할 수 있는 것도 아니다. 그런데 AI가 등장하면서 이 과정에 변화가 생겼다. 처음에는 이해와 인출의 영역을 AI가 도와주는 정도였다. 모르는 개념을 물어보면 설명해 주고, 기억나지 않는 문법을 물어보면 알려주고, 필요한 자료를 찾아 정리해 주는 식이었다. 하지만 AI의 성능이 발전하면서 이제는 응용의 영역까지 상당 부분 수행할 수 있게 되었다.
단순한 함수 작성은 물론이고, 여러 파일에 걸친 기능 구현이나 기존 코드의 구조를 파악하고 수정하는 작업까지 수행한다. 과거에는 개발자가 직접 이해하고 응용해야만 만들 수 있었던 결과물을 이제는 그 과정을 AI에 상당 부분 맡긴 채 만들어낼 수 있게 된 것이다. 물론 아직 AI가 모든 실전 업무를 완벽하게 수행하는 것은 아니다. 비즈니스의 맥락을 완전히 이해하지 못하는 경우도 있고, 기술적으로는 올바르지만 사업적으로는 적절하지 않은 판단을 내리기도 한다. 그런데 여기서 중요한 것은 AI가 모든 것을 완벽하게 수행할 수 있느냐가 아니다. 완벽하지 않을 뿐이지, 이미 상당히 많은 영역을 수행할 수 있다는 점이다.
실전에서는 그 작은 불완전함이 사업에 큰 영향을 미칠 수 있기 때문에 여전히 사람의 관여가 필요하다. 하지만 그 사실이 AI가 이미 많은 업무를 수행할 수 있게 되었다는 사실을 부정하지는 않는다. 개발자라는 직업이 사라질 것이라는 이야기가 나오는 것도 이러한 변화와 무관하지 않을 것이다. 그렇다면 여기서 한 가지 의문이 생긴다.
'AI의 도움을 받아 어떤 문제를 해결한 사람은 정말 그 문제를 해결할 능력을 갖추고 있는 것일까?'
당연히 AI를 잘 활용하는 것도 하나의 능력이다. 적절한 질문을 만들고, 결과물을 검증하고, 이를 실제 업무에 적용하는 것 역시 역량이라고 생각한다. 하지만 AI를 활용해 결과물을 만들어낼 수 있는 능력과, 그 결과물을 만들어내는 데 필요한 지식을 갖추고 있는 능력은 구분해야 한다. AI를 활용하는 능력이 뛰어나다고 해서 해당 분야의 지식까지 충분히 가지고 있다고 볼 수는 없기 때문이다. 문제는 우리가 이 두 가지를 생각보다 쉽게 혼동한다는 것이다.
내가 알고 있다는 착각
요약본이 만들어내는 지식의 빈틈
뭐, 나만 그런 것일 수도 있다. 하지만 AI와 함께하는 시간이 길어지면 길어질수록, 나는 스스로가 AI가 출력하는 지식들을 이해하고 있다는 착각에 빠지는 일이 많아졌다고 생각한다. AI에게 질문하면 꽤 그럴듯한 설명이 돌아온다. 설명은 깔끔하게 정리되어 있고, 어려운 내용도 이해하기 쉽게 풀어준다. 이해하지 못한 부분이 있으면 추가로 질문할 수도 있다. 그리고 그 설명을 읽다 보면 자연스럽게 '아, 이런 원리였구나.'라는 생각을 하게 된다.
여기까지는 별문제가 없어 보인다. 실제로 이전에는 몰랐던 내용을 알게 되었을 수도 있고, 복잡한 개념을 이해하는 데 도움을 받았을 수도 있기 때문이다. 문제는 여기서 멈췄을 때다. 설명을 읽고 이해했다고 느끼는 것과, 실제로 그 내용을 이해하는 것은 다르다. 가장 단편적인 예가 AI가 제공하는 요약본이다. 요약본은 지식을 빠르게 습득할 수 있도록 도와준다. 긴 문서나 책을 전부 읽지 않아도 중요한 내용을 파악할 수 있고, 복잡한 개념의 전체적인 구조를 이해하는 데에도 유용하다.
하지만 요약본에는 필연적으로 생략된 내용이 존재한다. 어떤 지식이 왜 생겨났는지, 왜 필요한지, 어떤 시행착오를 거쳐 지금의 형태가 되었는지, 어떤 상황에서는 적용하면 안 되는지까지 모두 설명하려면 더 이상 요약본이라고 부르기 어려워지기 때문이다. 그 정도로 자세하게 설명하기 시작하면 하나의 서적이나 논문에 가까워질 것이다. 물론 모든 지식을 그렇게 깊게 학습할 필요는 없다. 문제는 요약본에서 생략된 내용이 무엇인지조차 모르는 상태에서, 그 요약본을 읽었다는 이유로 전체를 이해했다고 생각하는 것이다. ▼

여기서 배경지식의 차이가 드러난다. 이미 해당 분야에 충분한 지식을 가지고 있는 사람은 요약본만 읽어도 생략된 내용을 어느 정도 파악할 수 있다. 요약본에 쓰인 몇 가지 핵심 단어만으로도 이전에 학습했던 지식과 연결할 수 있고, 어떤 내용이 생략되어 있는지 짐작할 수 있기 때문이다. 하지만 배경지식이 부족한 사람은 다르다. 어떤 내용이 생략되어 있는지조차 알 수 없다. 그저 눈앞에 있는 문장이 자연스럽게 읽히고, 설명이 논리적으로 이어지며, 그 결론이 납득되기 때문에 자신이 이해했다고 생각할 뿐이다.
나는 이 부분이 굉장히 위험하다고 생각한다. 같은 요약본을 읽더라도 배경지식이 충분한 사람은 생략된 맥락을 스스로 채울 수 있지만, 그렇지 못한 사람은 무엇이 빠져 있는지도 모른 채 주어진 내용을 완전한 지식처럼 받아들일 수 있다. 그리고 이런 차이는 단순히 요약본을 여러 번 읽는다고 해서 해결되는 문제가 아니다. 애초에 어떤 부분이 비어 있는지조차 모르기 때문이다. 이해하기 쉽게 작성된 설명을 읽었다는 사실이 내가 그 내용을 이해했다는 증거는 아니다.
이해한 것과 이해했다고 느끼는 것
이런 문제는 AI가 등장하기 이전에도 존재했다. 대표적인 예가 유튜브를 통한 학습이다. 나는 개인적으로 유튜브를 통한 학습을 그다지 선호하지 않는다. 정확히 말하자면, 영상을 수동적으로 시청하는 것만으로 무언가를 학습했다고 생각하는 방식을 좋아하지 않는다. 유튜브에는 좋은 교육 자료가 많고, 글로는 설명하기 어려운 개념을 영상으로 쉽게 이해할 수 있는 경우도 있다. 또한 누구나 쉽게 교육 자료에 접근할 수 있다는 장점도 있다. 이러한 장점까지 부정할 생각은 없다. 다만 영상을 끝까지 시청했다는 것과 그 내용을 학습했다는 것은 다른 이야기다.
설명을 듣고 있을 때는 모든 것이 자연스럽게 이해되는 것처럼 느껴진다. 하지만 막상 영상을 끄고 방금 들었던 내용을 직접 설명하려고 하면 생각보다 쉽지 않은 경우가 많다. 중간중간 연결되지 않는 부분이 있고, 왜 그런 결론이 나왔는지 명확하게 설명하기 어려운 부분도 있다. 그런데 설명을 듣고 있을 때는 그런 빈틈을 알아차리기 어렵다. 누군가가 논리적인 순서로 설명을 이어가고 있기 때문에, 그 흐름을 따라가는 것만으로도 자신이 내용을 이해하고 있다고 생각하기 때문이다.
(유튜브나 인강이나 둘 다 영상이 아닌가? 라는 부분에 대해서는 요약이라는 관점에서 대답할 수 있다. 유튜브의 학습 매체들은 대부분 요약이 되어잇는 반면, 인강은 그 요약이 상당히 적으며 꽤나 호흡이 길게 구성이 되어있다.)
AI가 제공하는 요약본도 마찬가지라고 생각한다. 심지어 AI는 내가 이해하지 못한 부분을 다시 쉽게 설명해 준다. 어려운 개념을 더 쉬운 개념으로 바꾸고, 예시를 들어주고, 때로는 비유까지 사용한다. 그렇게 설명을 듣다 보면 점점 더 이해하고 있다는 느낌이 강해진다. 하지만 여기서 반드시 확인해야 하는 것이 있다. 내가 설명을 이해한 것인지, 아니면 단순히 이해하기 쉬운 설명을 따라간 것인지 말이다.
실제로 심리학에는 설명의 깊이에 대한 환상(Illusion of Explanatory Depth)이라는 개념이 있다. 사람들은 어떤 현상이나 사물이 작동하는 원리를 실제보다 더 깊게 이해하고 있다고 생각하는 경향이 있다. 하지만 그 원리를 직접 자세하게 설명하도록 요구받으면 자신의 이해가 생각보다 피상적이라는 사실을 발견하기도 한다. 나는 AI가 이러한 착각에 빠지기 쉬운 환경을 만들어준다고 생각한다. 물론 AI만의 문제는 아니다. 하지만 AI는 설명을 제공하는 것에서 그치지 않고, 그 설명을 바탕으로 실제 결과물까지 만들어준다. 그리고 그 결과물이 제대로 작동하기까지 한다. ▼

이쯤 되면 자신이 이해하지 못했다는 사실을 알아차리기가 더 어려워진다. 설명을 읽었고, 그 설명은 충분히 이해하기 쉬웠으며, 실제 결과물까지 정상적으로 작동했기 때문이다. 하지만 그 사이에서 내가 직접 이해하고 판단한 부분이 어디까지인지는 생각보다 불분명하다. 내가 이해했기 때문에 결과물을 만들 수 있었던 것인지, 아니면 AI가 이미 만들어준 결과물을 이해했다고 생각하는 것인지 구분하기 어려워지는 것이다.
결과물이 나의 실력을 증명하지는 않는다
개발을 하다 보면 어떤 문제를 해결했음에도 불구하고, 정작 그 문제가 왜 발생했는지 제대로 설명하지 못하는 경우가 있다. AI에게 오류 메시지를 전달하고, AI가 분석한 원인을 읽고, 제안한 코드를 적용했더니 문제가 해결되는 식이다. 기능은 정상적으로 작동하고, 테스트도 통과한다. 업무는 성공적으로 끝난 셈이다. 하지만 여기서 AI가 사라진다면 어떨까? 동일한 문제가 다시 발생했을 때 스스로 원인을 찾아낼 수 있을까? AI가 제안한 해결 방법이 왜 작동했는지 설명할 수 있을까? 다른 상황에서도 그 해결 방법이 유효한지 판단할 수 있을까? 나는 이 질문들에 항상 자신 있게 답할 수는 없다는 사실을 깨달았다.
물론 이는 모든 코드를 직접 작성해야만 한다거나, 사용하고 있는 모든 기술의 내부 구조를 완벽하게 알아야 한다는 이야기는 아니다. 애초에 현대적인 소프트웨어 개발은 수많은 추상화 위에서 이루어진다. 우리는 운영체제의 모든 동작을 이해하지 못해도 프로그램을 만들 수 있고, 브라우저 엔진의 모든 구현을 알지 못해도 웹 서비스를 개발할 수 있다. 그럼에도 좋은 소프트웨어를 개발하는 것은 충분히 가능하다. 그런 의미에서 AI 역시 개발자가 활용할 수 있는 또 하나의 추상화 도구라고 볼 수도 있을 것이다.
하지만 기존의 도구들과 AI 사이에는 중요한 차이가 하나 있다. 기존의 도구들은 주로 특정 기능이나 구현의 복잡성을 감춰주었다면, AI는 문제를 분석하고 해결 방법을 선택하는 사고의 과정까지 대신 수행할 수 있다는 점이다. 물론 기존에도 다른 개발자의 코드를 가져다 사용하거나, 검색으로 찾은 해결 방법을 그대로 적용하는 일은 있었다. 다만 AI는 그 과정의 범위를 훨씬 넓혀놓았다. 문제의 원인을 분석하고, 해결 방법을 제안하고, 코드를 작성하고, 발생한 오류를 다시 수정하는 일까지 하나의 대화 안에서 이루어진다.
그 과정에서 개발자가 직접 고민하고 판단해야 했던 단계들이 생략될 수 있다. 그럼에도 결과물은 정상적으로 만들어진다. 그러다 보니 내가 문제를 해결했다는 사실과 내가 문제를 해결할 수 있는 능력을 가지고 있다는 사실을 혼동하기 쉬워진다. 물론 AI를 활용해서 문제를 해결하는 것도 분명히 문제 해결 능력의 일부다. 하지만 그것이 모든 과정을 스스로 이해하고 수행할 수 있다는 의미는 아니다. 결과물을 만들어낸 경험이 쌓이고 있다고 해서 그만큼 자신의 지식도 쌓이고 있다고 단정할 수는 없는 것이다.
결과물의 완성도와 그것을 만든 사람의 이해도는 반드시 비례하지 않는다. 나는 이 사실을 이제야 제대로 받아들이게 된 것 같다.
(물론 AI가 사라진다면을 생각하는건 약간 비약이 심하긴 하다. 이건 마치 컴퓨터가 처음 나왔을 때 컴퓨터가 사라진다면? 이라고 물었던 것과 같다. 하지만 컴퓨터는 사라진 적이 없고 새로운 문제인 AI를 만들었다. 하지만 그렇다고 그 생각을 쉽게 지울 수 있는 것은 아니다. 또한 컴퓨터가 사라진다면과는 또 다른 이야기인 것이, 앞에서도 언급했지만 컴퓨터는 그 자체로 우리의 생각까지 해주지 않았다. 하지만 AI는 우리의 생각까지 대신 해준다. 컴퓨터는 어디까지나 도구의 영역이었지만 AI는 도구를 넘어서고 있다.)
무엇을 모르는지조차 모르는 상태
꼬리 질문 몇 개에 무너지는 지식
이해의 빈틈이 존재한다는 사실 자체는 큰 문제가 아닐 수도 있다. 애초에 모든 것을 아는 사람은 없고, 모르는 것이 있다면 학습하면 되기 때문이다. 내가 더 큰 문제라고 생각하는 것은 자신이 무엇을 모르는지조차 모르는 상태다. 어떤 내용을 학습했을 때, 우리는 모든 세부 사항을 기억하지 못하더라도 적어도 자신이 어느 부분을 제대로 이해하지 못했는지는 어느 정도 파악할 수 있어야 한다. 그런데 AI가 제공하는 정돈된 설명을 반복적으로 접하다 보면 그 경계가 흐려질 수 있다. 설명에서 생략된 부분을 스스로 알아차리지 못하고, 이해하지 못한 부분도 전체적인 맥락에 맞춰 자의적으로 해석해 버리기 때문이다.
그렇게 불완전한 지식들이 하나둘 쌓인다. 그리고 어느 순간부터는 그 불완전한 지식들을 기반으로 새로운 지식을 받아들이기 시작한다. 어떤 개념에 대한 이해가 부족한 상태에서 다른 개념을 학습하고, 그 지식을 바탕으로 또 다른 개념을 이해했다고 생각하는 것이다. 겉으로 보기에는 꽤 많은 것을 알고 있는 것처럼 보일 수 있다. 다양한 기술에 대해 이야기할 수 있고, 어떤 개념을 설명하는 글을 읽으면 대체로 무슨 말인지 이해할 수 있으며, AI를 활용해서 실제 결과물까지 만들어낼 수 있기 때문이다.
하지만 자세히 들어가 보면 이야기가 달라진다. 누군가 왜 그렇게 동작하는지 물어보면 답변하는 데 시간이 걸린다. 어떻게 사용하는지는 알고 있지만 왜 사용해야 하는지는 명확하게 설명하지 못한다. 설명에 성공하더라도 몇 가지 꼬리 질문이 이어지면 순식간에 막혀버리기도 한다. 모든 질문에 즉시 대답할 수 있어야 한다는 의미는 아니다. 아무리 잘 알고 있는 내용이라도 기억이 나지 않을 수 있고, 생각을 정리하는 데 시간이 필요할 수도 있다. 다만 충분히 생각할 시간을 가졌음에도 설명할 수 없다면, 혹은 조금만 다른 상황이 주어져도 배운 내용을 적용하지 못한다면 자신의 이해 수준을 다시 확인해 볼 필요는 있다.
그리고 특정 질문에 대한 답변을 외워서 준비한다고 해결되는 문제도 아니다. 예상한 꼬리 질문에는 답할 수 있게 되겠지만, 그 질문에서 조금만 벗어나도 다시 막힐 수 있기 때문이다. 이는 단순히 답변을 준비하지 못한 문제가 아니라 해당 지식의 구조를 충분히 이해하지 못한 문제에 가깝다. 예를 들어 어떤 기술을 사용해야 하는 이유에 대해서는 답할 수 있지만, 해당 기술을 사용하지 말아야 하는 상황에 대해서는 답하지 못할 수도 있다. 결국 자신이 학습한 몇 가지 사례 안에서만 설명할 수 있을 뿐, 그 지식을 다른 상황에 적용하거나 판단하는 단계까지는 도달하지 못한 것이다.
나는 이런 상황을 겪으면서 자신이 생각했던 것보다 훨씬 많은 부분을 피상적으로 이해하고 있었다는 사실을 느꼈다. 더 정확히 말하자면, 무엇을 모르는지조차 제대로 파악하지 못하고 있었다.
AI 시대에도 기본 지식이 필요한 이유
이런 문제를 해결하기 위해서는 결국 기본적인 지식을 더 많이 알고 있어야 한다고 생각한다. 물론 단순히 지식의 양이 많다고 모든 문제가 해결되는 것은 아니다. 하지만 기본적인 지식이 부족하면 새롭게 접하는 정보가 올바른지 판단하기 어렵고, 그 정보에서 어떤 부분이 생략되어 있는지도 알아차리기 어렵다. 예를 들어 어떤 기획안이나 이슈의 맥락을 잘 모른다면 해당 문서를 더 자세하게 읽거나 관련된 사람에게 질문하는 방식으로 보완할 수 있다. 하지만 기술적인 지식은 조금 다르다. 기술 문서를 더 읽는 것만으로 충분하지 않은 경우가 많다. 그 문서에서 전제로 하고 있는 개념을 이해하지 못하고 있다면 아무리 자세하게 읽어도 내용의 일부만 이해할 수 있기 때문이다.
그 상태에서 다시 AI에게 요약이나 쉬운 설명을 요청하면 당장의 이해에는 도움이 될 수 있다. 하지만 설명의 난이도만 낮추는 것으로는 부족한 기초 지식이 모두 채워지지 않는다. AI를 통해 기초 지식을 학습할 수도 있다. 나 역시 AI를 활용한 학습 자체가 잘못되었다고 생각하지는 않는다. 오히려 잘 활용한다면 굉장히 좋은 학습 도구가 될 수 있다고 생각한다. 중요한 것은 AI를 통해 정보를 얻는 것과 그 정보를 자신의 지식으로 만드는 것을 구분하는 일이다.
AI가 어떤 개념을 설명해 주었다고 해서 내가 그 개념을 이해한 것은 아니다. AI가 어떤 코드를 작성해 주었다고 해서 내가 그 코드를 작성할 수 있는 것은 아니다. AI가 어떤 문제를 해결해 주었다고 해서 내가 그 문제를 독립적으로 해결할 수 있는 것도 아니다. 이러한 구분이 필요한 이유는 단순히 AI 없이도 개발하기 위해서만은 아니다. 오히려 AI를 제대로 사용하기 위해서다. 기본적인 지식이 있어야 AI가 제공하는 결과물에서 잘못된 부분을 발견할 수 있고, 제시된 해결 방법 중 어떤 것이 적절한지 판단할 수 있다. 또한 자신이 무엇을 모르는지 알아야 AI에게 무엇을 질문해야 하는지도 알 수 있다.
이 부분이 중요하다고 생각한다. AI는 내가 질문한 내용에 대해서는 상당히 자세한 답변을 제공할 수 있다. 하지만 내가 무엇을 질문해야 하는지조차 모른다면 어떻게 해야 할까? 물론 AI에게 무엇을 확인해야 하는지 질문할 수도 있다. 하지만 AI가 제시한 확인 항목이 충분한지, 빠진 것은 없는지 판단하는 데에도 결국 해당 분야에 대한 이해가 필요하다. AI가 아무리 좋은 답변을 제공하더라도 그 답변이 자신의 상황에 적절한지 판단하는 역할까지 무조건 맡길 수는 없는 것이다.
결국 AI를 잘 사용하기 위해서도 스스로 생각하고 판단할 수 있는 지식이 필요하다는 것이다. 당연한 이야기이면서도 상당히 역설적인 이야기다. AI 덕분에 많은 지식을 직접 기억하지 않아도 되는 시대가 되었지만, AI가 제공하는 지식을 올바르게 활용하려면 여전히 지식이 필요하다. 오히려 AI가 더 많은 일을 수행할 수 있게 될수록 사람이 무엇을 이해하고 있어야 하는지에 대한 고민은 더 중요해질지도 모르겠다.
AI가 줄여버린 스스로 막히는 시간
여기까지 생각하다 보니 한 가지 의문이 들었다. AI를 사용하면서 나 스스로가 잃어버린 것은 무엇일까? 단순히 지식이 부족해진 것일까? 그렇게만 보기는 어렵다고 생각한다. AI를 사용하면서 이전보다 훨씬 많은 기술을 접했고, 혼자서는 쉽게 시도하지 못했을 작업에도 접근할 수 있게 되었다. 개발 과정에서 마주치는 문제들을 더 빠르게 해결할 수 있었고, 이전에는 많은 시간을 투자해야 했던 작업을 비교적 짧은 시간 안에 끝낼 수 있게 되었다. 그런 의미에서 AI가 나의 능력을 확장해 준 것은 분명하다.
하지만 그 과정에서 줄어든 것이 하나 있다. 바로 스스로 막히는 시간이다. 과거에는 어떤 문제를 해결하지 못하면 관련 문서를 찾아보고, 여러 방법을 시도해 보고, 왜 작동하지 않는지 고민해야 했다. 그 과정은 분명히 비효율적이었다. 어떤 문제는 몇 시간씩 고민해도 해결되지 않았고, 나중에 알고 보면 아주 사소한 원인 때문이었던 경우도 있었다. 하지만 그 과정에서 자연스럽게 알게 되는 것들이 있었다. 내가 어떤 개념을 이해하지 못하고 있는지, 어떤 부분에서 잘못된 가정을 하고 있는지, 지금 가진 지식만으로는 왜 문제를 해결할 수 없는지 말이다.
AI를 사용하면 이러한 시행착오를 상당 부분 줄일 수 있다. 그리고 시행착오가 줄어드는 것은 분명히 좋은 일이다. 문제는 그 과정에서 자신의 부족함을 발견할 기회까지 함께 줄어들 수 있다는 것이다. 물론 모든 시행착오가 학습에 도움이 되는 것은 아니고, 일부러 비효율적인 방법을 선택할 필요도 없다. 하지만 스스로 문제를 해결하려고 시도하는 과정에서 자신의 이해 수준을 확인하는 경험은 여전히 필요하다고 생각한다.
AI가 없었다면 직접 부딪혔을 문제를 AI가 대신 해결해 주고, 내가 고민했어야 할 부분까지 AI가 정리해 주면서, 정작 내가 어느 부분에서 막혔을지는 알 수 없게 되는 것이다. 그 결과 문제를 해결하지 못하는 경험은 줄어들었지만, 자신이 무엇을 몰라서 해결하지 못했을지를 깨닫는 경험도 함께 줄어들 수 있다. 나는 이 부분이 단순히 학습량이 부족해지는 것보다 더 큰 문제일 수 있다고 생각한다. 모르는 것이 있다는 사실을 알면 공부할 수 있지만, 자신이 모른다는 사실조차 모르면 무엇을 공부해야 할지도 알 수 없기 때문이다.
그래서 나는 AI를 사용하면서 단순히 지식을 잃어버렸다기보다, 자신이 무엇을 모르는지 확인하는 과정을 잃어버린 것은 아닐까 생각한다. 내가 모르는 것을 모른다고 인식할 수 있는 능력, 자신의 이해 수준을 스스로 판단할 수 있는 능력, 흔히 말하는 메타인지의 문제다. 어쩌면 AI 시대에 가장 경계해야 할 것은 AI에 의존하는 것 자체가 아니라, AI에 의존하고 있다는 사실조차 제대로 인식하지 못하는 것일지도 모르겠다.
깨달았다고 해서 달라진 것은 아니다
여기까지 적고 보니 결국 굉장히 당연한 이야기로 돌아온 것 같다. 모르는 것은 공부해야 하고, 이해하지 못한 것은 이해할 때까지 고민해야 하며, 자신이 알고 있다고 생각하는 내용도 실제로 알고 있는지 확인해야 한다는 것이다. 누구나 알고 있는 이야기다. 나 역시 이전부터 알고 있었다고 생각한다. 그런데 돌이켜 보면 바로 그 생각부터가 문제였던 것 같다. 알고 있다는 생각과 실제로 알고 있다는 것은 다르다고 지금까지 이야기해 놓고, 정작 나 자신도 그 사실을 알고 있다고 착각하고 있었던 셈이다.
AI를 사용해서 결과물을 만들어내는 일이 익숙해졌고, 이전보다 더 많은 일을 할 수 있게 되었으며, 다양한 기술에 대해 이야기할 수 있게 되었다. 그러다 보니 그만큼 자신의 실력도 성장했다고 생각했던 것 같다. 물론 실제로 성장한 부분도 있을 것이다. 하지만 성장했다고 생각했던 모든 부분이 온전히 나의 능력은 아니었을 것이다. 그중 일부는 AI가 대신 수행해 준 것이고, 일부는 이해하기 쉬운 설명을 읽으며 이해했다고 착각했던 것이며, 또 다른 일부는 그저 익숙해졌을 뿐 제대로 이해하지 못한 지식이었을지도 모른다.
최근 발생한 사건들을 보면서 느꼈던 싱숭생숭한 감정도 어쩌면 여기에서 비롯된 것 같다. 부정행위 자체에 대한 판단은 명확하다. 하지만 AI가 만들어낸 성과와 개인의 능력 사이의 경계가 점점 흐려지는 상황에서, 나는 스스로 그 경계를 얼마나 명확하게 구분하고 있었는가 하는 의문이 들었다. 물론 업무에서 AI의 도움을 받아 결과물을 만드는 것을 시험 부정행위와 동일하게 볼 수는 없다. 다만 정직함과 도덕적인 문제를 떠나, AI가 만들어준 결과물을 자신의 능력으로 착각하고 있지는 않았는지 돌아볼 필요는 있다고 느꼈다.
그리고 나는 이 사실을 이제야 깨달았다. 조금 더 정확하게는, 자신이 알고 있다고 생각했던 것들 중 생각보다 많은 부분을 제대로 알지 못하고 있다는 사실을 이제야 인정하게 되었다. 면접이나 중요한 평가의 자리에서야 이 사실을 깨닫지 않았다는 것을 그나마 다행으로 여기고 있다. 허나 깨달았다는 것과 그에 대한 대비가 되어 있다는 것은 또 다른 이야기다. 자신이 부족하다는 사실을 알게 되었다고 해서 부족했던 지식이 갑자기 채워지는 것은 아니기 때문이다.
앞으로 AI를 사용하지 않겠다는 이야기도 아니고, 모든 것을 처음부터 다시 공부하겠다는 거창한 다짐을 하려는 것도 아니다. 당장 AI 없이 개발하는 것이 더 좋은 개발 방법이라고 생각하지도 않는다. 다만 앞으로는 AI가 만들어낸 결과물을 이해했다고 생각하는 순간, 그것이 정말 자신의 이해인지 한 번쯤 더 의심해 봐야 할 것 같다. 설명을 읽고 이해하는 것과 스스로 설명할 수 있는 것은 다르고, 결과물을 만들어내는 것과 그 결과물이 만들어지는 과정을 이해하는 것도 다르다. 그리고 자신이 모른다는 것을 깨닫는 것과, 그 모르는 부분을 실제로 채우는 것 역시 다르다.
나는 이제야 그 차이를 조금이나마 실감하게 되었다. 그렇다고 지금 당장 무엇이 달라진 것은 아니다. 여전히 모르는 것은 많고, 무엇을 모르는지조차 모르는 부분도 많을 것이다. 그저 오늘은 내가 알고 있다고 착각하고 있었다는 사실을 알아차렸고, 그 시점을 잊지 않기 위해 글로 남긴다.
'회고' 카테고리의 다른 글
| 1D1S를 출시하며 (0) | 2026.08.23 |
|---|---|
| 2026 상반기 개발 회고 (0) | 2026.07.09 |
| 2025년 하반기 개발회고 (0) | 2026.01.01 |
| 2025년 상반기 개발회고 (2) | 2025.07.21 |
| 하지톤 회고 (0) | 2024.08.02 |