AI가 정답을 알려주는 시대, 우리는 무엇을 공부해야 할까?

답이 없는 문제에 천착해야 하는 이유
1. AI가 글을 써주는 시대, 왜 글쓰기를 배워야 할까?
샘 올트먼과 글쓰기 선생님의 대화
OpenAI의 CEO 샘 올트먼(Sam Altman)은 한 인터뷰에서 어린 시절 선생님들과 나눈 두 가지 대화를 소개했다.
초등학교 2학년 때 선생님은 학생들에게 필기체를 가르쳤다. 하지만 어린 올트먼은 필기체를 배울 필요가 없다고 생각했다. 컴퓨터가 있는데 어른이 되어서도 필기체를 사용할 일이 있을 것 같지 않았기 때문이다. 그러나 선생님은 사회생활을 하려면 반드시 필요한 기술이라며 배워야 한다고 강조했다.
몇 년 뒤, 다른 선생님은 글쓰기를 가르쳤다. 이번에도 올트먼은 의문을 제기했다. 자신은 작가가 될 생각이 없고, 수학자가 되고 싶은데 왜 글쓰기를 배워야 하느냐는 것이었다.
그러자 선생님은 글쓰기가 단순히 글을 만드는 기술이 아니라고 설명했다.
글쓰기는 생각하는 방법을 배우고, 자신의 생각을 체계적으로 정리하는 데 중요한 도구라는 것이었다.
올트먼은 두 경험을 비교하면서 중요한 교훈을 얻었다고 이야기한다. 기술의 발전으로 더 이상 필요하지 않게 될 기술을 배우는 것과, 생각하는 능력을 길러주는 기술을 배우는 것은 다르다는 것이다.
이 이야기는 AI 시대를 살아가는 우리에게 흥미로운 질문을 던진다.
AI가 글을 대신 써주는 시대에도 우리는 왜 글쓰기를 배워야 할까?
공부의 목적은 정답을 얻는 것뿐일까?
오늘날 AI는 몇 초 만에 보고서를 작성하고, 복잡한 수학 문제를 풀고, 컴퓨터 프로그램까지 만들어낸다.
과거에는 상당한 시간과 훈련이 필요했던 일들을 이제는 AI의 도움으로 훨씬 쉽게 해낼 수 있다.
그렇다면 우리는 왜 여전히 글쓰기를 배우고, 수학을 공부하고, 코딩을 익혀야 할까?
글쓰기의 목적이 좋은 글을 완성하는 것이라면 AI에게 맡기면 된다. 수학의 목적이 정답을 구하는 것이라면 계산기나 컴퓨터가 훨씬 효율적이다. 코딩의 목적이 작동하는 프로그램을 만드는 것이라면 AI의 도움만으로도 상당 부분 해결할 수 있다.
그러나 공부의 목적이 반드시 결과물을 만드는 데 있는 것은 아니다.
글을 쓰면서 우리는 막연했던 생각을 구체적인 문장으로 표현한다. 주장과 근거를 연결하고, 생각의 모순을 발견하며, 다른 사람을 설득하기 위해 자신의 논리를 점검한다.
수학도 마찬가지다. 어떤 정리가 왜 성립하는지 이해하려면 가정을 확인하고, 논리적인 추론을 따라가며, 결론이 성립하는 조건을 따져야 한다.
코딩 역시 문제를 작은 단위로 나누고, 해결 절차를 설계하며, 예상과 다른 결과가 나왔을 때 오류의 원인을 추적하는 과정을 포함한다.
물론 글쓰기나 수학을 공부한다고 해서 이러한 사고 능력이 저절로 길러지는 것은 아니다. 정답을 암기하거나 풀이 방법을 기계적으로 반복하는 공부라면 그 효과는 제한적일 것이다.
중요한 것은 무엇을 공부하느냐뿐 아니라 그 과정에서 얼마나 깊이 생각하느냐다.
우리가 공부하는 이유는 단순히 정답을 얻기 위해서만은 아니다. 정답에 도달하는 과정을 통해 생각하는 방법을 배우기 위해서이기도 하다.
그런데 여기서 또 하나의 질문이 생긴다.
AI가 앞으로 인간보다 더 훌륭한 답을 찾아준다면, 우리가 굳이 생각하는 능력을 길러야 하는 이유는 무엇일까?
그 답을 찾으려면 먼저 현실에서 우리가 마주하는 문제들이 어떤 성격을 가지고 있는지 살펴볼 필요가 있다.
2. AI가 정답을 찾는 시대, 무엇이 인간에게 남을까?
매출이 줄었다. 무엇이 문제일까?
우리가 학교에서 배웠던 문제들을 떠올려 보자.
수학 문제에는 주어진 조건이 있고, 그 조건을 이용해 구해야 할 답이 있다. 문제를 올바르게 이해하고 적절한 방법을 적용하면 정답에 도달할 수 있다.
하지만 현실에서 마주하는 문제들은 조금 다르다.
예를 들어 어떤 기업의 매출이 감소하고 있다고 가정해 보자.
경영진은 매출을 늘리기 위한 대책을 마련하라고 지시한다. 직원들은 광고비를 늘리고, 판매가격을 낮추고, 새로운 판촉 행사를 추진하는 방안을 검토한다.
AI를 활용한다면 각 대안의 예상 효과를 분석하고, 경쟁사의 전략을 비교하며, 적절한 광고 예산까지 계산할 수 있을 것이다.
그런데 여기서 한 가지 질문을 던져보자.
우리가 해결하려는 문제가 정말 매출 감소일까?
어쩌면 이 기업은 수익성이 낮은 고객을 지나치게 많이 확보하고 있을지도 모른다. 매출을 늘리는 것보다 수익성이 낮은 사업을 정리하는 편이 더 나을 수도 있다.
혹은 시장 자체가 축소되고 있어서 기존 사업을 유지하는 것보다 새로운 사업으로 전환해야 하는 상황일 수도 있다.
이 경우 매출을 늘리는 방법을 아무리 정교하게 계산하더라도 근본적인 문제는 해결되지 않는다.
문제 자체를 잘못 정의했기 때문이다.
문제 해결(Problem Solving)과 문제 정의(Problem Framing)는 다르다
여기서 우리는 두 가지 서로 다른 능력을 발견할 수 있다.
하나는 주어진 문제를 해결하는 능력(Problem Solving)이고, 다른 하나는 무엇이 문제인지 정의하는 능력(Problem Framing)이다.
문제 해결은 주어진 목표를 달성하기 위한 수단을 찾는 일이다. 반면 문제 정의는 무엇을 목표로 삼아야 하는지, 무엇이 진짜 문제인지를 판단하는 일이다.
앞선 기업의 사례에서 ‘매출을 어떻게 늘릴 것인가?’는 문제 해결에 관한 질문이다. 반면 ‘우리가 정말 해결해야 할 문제가 매출 감소인가?’는 문제 정의에 관한 질문이다.
두 질문의 차이는 생각보다 크다.
문제를 잘못 정의하면 아무리 뛰어난 해결책을 찾아도 원하는 결과를 얻기 어렵다.
반대로 문제를 올바르게 정의하면 기존에는 생각하지 못했던 해결 방법이 나타나기도 한다.
이는 문제 해결 능력이 중요하지 않다는 뜻이 아니다. 문제 정의와 문제 해결은 서로 보완적인 관계에 있다. 다만 문제 해결에 앞서 우리가 올바른 문제를 풀고 있는지 확인하는 과정이 필요하다는 것이다.
AI가 문제까지 정의한다면?
여기서 반론이 제기될 수 있다.
AI도 문제를 정의할 수 있지 않을까?
물론이다. AI는 이미 다양한 관점에서 문제를 분석하고, 우리가 놓친 가정을 찾아내며, 문제를 새롭게 정의하는 데 도움을 줄 수 있다.
앞으로 기술이 발전하면 이러한 능력은 더욱 강력해질 가능성이 높다.
따라서 문제를 정의하는 능력이 오직 인간에게만 있다고 주장하는 것은 적절하지 않다.
그러나 AI가 여러 가지 문제 정의와 해결책을 제시할 수 있다는 것과, 그중 무엇을 선택해야 하는지가 자동으로 결정된다는 것은 다른 이야기다.
다시 기업의 매출 감소 사례로 돌아가 보자.
AI가 세 가지 대안을 제시했다고 가정해 보자.
첫 번째는 가격을 낮춰 시장점유율을 높이는 방법이다. 두 번째는 수익성이 낮은 고객을 정리하여 이익률을 개선하는 방법이다. 세 번째는 단기적인 손실을 감수하고 새로운 사업에 투자하는 방법이다.
각 대안의 기대수익과 위험을 정교하게 추정할 수 있다고 하더라도 무엇을 선택할지는 여전히 판단의 문제로 남는다.
단기적인 수익성과 장기적인 성장 가능성 중 무엇을 중시할 것인가? 어느 정도의 위험을 감수할 것인가? 고객과 직원에게 미치는 영향은 어떻게 고려할 것인가?
AI가 더 많은 답을 제시할수록, 우리는 오히려 어떤 답을 선택해야 하는지 판단할 기준이 필요하다.
더욱 흥미로운 사실은 현실의 많은 문제가 단순히 정보를 더 수집하거나 계산 능력을 높인다고 해서 해결되는 것은 아니라는 점이다.
어떤 문제들은 애초에 모든 사람이 동의할 수 있는 하나의 정답을 가지고 있지 않기 때문이다.
이러한 문제의 특성은 AI가 등장하기 훨씬 전부터 학자들의 연구 대상이었다.
3. 세상에는 애초에 정답이 없는 문제가 있다
1973년, 두 학자가 발견한 ‘사악한 문제’
1973년, 호르스트 리텔(Horst Rittel)과 멜빈 웨버(Melvin Webber)는 Dilemmas in a General Theory of Planning이라는 논문을 발표했다.
두 학자는 도시계획이나 사회정책과 같은 현실의 문제들이 전통적인 과학이나 공학의 문제와 본질적으로 다르다는 점에 주목했다.
과학이나 공학에서 다루는 많은 문제는 해결해야 할 대상과 목표가 비교적 명확하다. 문제의 조건을 파악하고 적절한 방법을 적용하면 해결책을 찾을 수 있으며, 그 결과가 올바른지 검증할 수도 있다.
그러나 사회정책이나 도시계획의 문제는 그렇지 않다.
문제를 바라보는 사람마다 원인에 대한 해석이 다르고, 추구하는 목표도 다르다. 하나의 해결책이 어떤 사람에게는 바람직하지만 다른 사람에게는 불리할 수 있다.
리텔과 웨버는 이러한 문제를 Wicked Problems라고 불렀다.
우리말로는 흔히 ‘사악한 문제’라고 번역하지만, 여기서 Wicked는 도덕적으로 사악하다는 의미가 아니다. 복잡하게 얽혀 있어 정의하기도 어렵고 해결하기도 까다로운 문제라는 뜻에 가깝다.
이들은 이러한 문제를 비교적 명확하게 정의하고 해결할 수 있는 Tame Problems(잘 정의된 문제)와 구분했다.
예를 들어 방정식을 푸는 문제는 목표와 조건이 명확하다. 정답을 찾았는지 판단할 수 있는 기준도 존재한다.
반면 공정한 조세제도를 설계하는 문제는 그렇지 않다.
모든 사람에게 동일한 세율을 적용하는 것이 공정할까? 소득이 높은 사람이 더 높은 세율을 부담해야 할까? 아니면 납세자가 공공서비스로부터 얻는 편익을 반영해야 할까?
각각의 주장에는 나름의 논리가 있다.
문제는 계산이 어려운 것이 아니라, 무엇을 공정하다고 볼 것인지에 대한 기준 자체가 서로 다르다는 것이다.
Wicked Problems의 네 가지 특징
리텔과 웨버는 Wicked Problems가 가진 열 가지 특징을 설명했다. 그중 현실의 의사결정을 이해하는 데 특히 중요한 네 가지를 살펴보자.
첫째, 문제를 명확하게 정의하기 어렵다.
일반적인 수학 문제는 해결해야 할 대상이 주어져 있다. 그러나 Wicked Problem은 무엇이 진짜 문제인지부터 논쟁의 대상이 된다.
교통체증을 예로 들어보자.
도로가 부족한 것이 문제일까? 자동차 이용이 지나치게 많은 것이 문제일까? 아니면 주거지역과 일자리가 멀리 떨어져 있는 도시구조가 문제일까?
어떤 원인을 핵심 문제로 보느냐에 따라 도로를 확장할 수도 있고, 대중교통을 개선할 수도 있고, 도시의 공간구조 자체를 바꾸려 할 수도 있다.
문제를 정의하는 방식이 해결책을 결정하는 것이다.
둘째, 해결책은 참과 거짓이 아니라 좋고 나쁨으로 평가된다.
수학에서는 어떤 답이 옳은지 그른지 판별할 수 있다. 그러나 사회문제에서는 이해관계자들이 서로 다른 기준으로 해결책을 평가한다.
예를 들어 어떤 정책은 경제적 효율성을 높이지만 소득 불평등을 심화시킬 수 있다. 다른 정책은 형평성을 개선하지만 경제적 비용을 증가시킬 수 있다.
이때 무엇이 더 좋은 정책인지는 효율성과 형평성에 어떤 가치를 부여하느냐에 따라 달라진다.
물론 모든 대안이 똑같이 좋은 것은 아니다. 객관적인 자료와 분석을 통해 명백히 열등한 대안을 제외하고 더 나은 선택을 할 수 있다.
다만 모든 사람이 동의할 수 있는 유일한 정답이 존재한다고 보기는 어렵다는 것이다.
셋째, 문제가 완전히 해결되었는지 판단할 명확한 기준이 없다.
방정식은 정답을 구하면 문제 풀이가 끝난다.
하지만 교육제도는 언제 완성되었다고 할 수 있을까?
학생들의 학업 성취도가 높아지면 충분할까? 학생들의 행복이나 교육 기회의 평등도 개선해야 하지 않을까? 학업 성취도와 행복이 서로 충돌한다면 무엇을 우선해야 할까?
하나의 목표를 달성하더라도 또 다른 개선 과제가 나타날 수 있다.
결국 현실에서는 시간과 비용, 사회적 합의 등을 고려하여 어느 수준에서 결정을 내릴 것인지 판단해야 한다.
넷째, 하나의 문제를 해결하는 과정에서 새로운 문제가 발생할 수 있다.
도심의 교통체증을 줄이기 위해 도로를 확장했다고 생각해 보자.
일시적으로 교통 흐름이 개선될 수 있지만, 자동차 이용이 편리해지면서 장기적으로 교통량이 다시 증가할 수도 있다.
기업에서도 비슷한 일이 발생한다.
성과급 제도를 강화해 개인의 생산성을 높였지만, 직원들이 서로 협력하지 않게 되면서 조직 전체의 성과는 오히려 나빠질 수 있다.
하나의 문제를 해결하려는 행동이 다른 문제를 만들어내는 것이다.
이 때문에 Wicked Problems에서는 해결책의 직접적인 효과뿐 아니라 그로 인해 나타날 수 있는 간접적인 영향까지 고려해야 한다.
AI가 아무리 발전해도 정답이 없는 이유
앞서 살펴본 Wicked Problems의 특징을 종합하면 중요한 사실을 발견할 수 있다.
현실의 중요한 문제 중에는 계산 능력이 부족해서 해결되지 않는 것이 아니라, 애초에 무엇을 좋은 결과라고 볼 것인지 합의하기 어려운 문제가 존재한다.
공정한 성과급 제도를 다시 생각해 보자.
성과급을 개인 실적에 비례하여 지급하면 공정할까? 팀워크에 대한 기여를 반영해야 할까? 아니면 개인이 통제할 수 없는 환경적 요인까지 고려해야 할까?
AI가 모든 직원의 성과를 정확히 측정하고 각 제도의 장단점을 완벽하게 분석할 수 있다고 가정해도 이 문제는 남는다.
무엇을 공정하다고 판단할 것인지에 대한 기준은 계산 결과만으로 결정되지 않기 때문이다.
그렇다면 AI가 발전해도 이런 문제는 해결할 수 없는 것일까?
반드시 그렇지는 않다.
AI는 복잡한 이해관계를 분석하고, 정책의 예상 효과를 시뮬레이션하며, 인간이 미처 생각하지 못한 새로운 대안을 제시할 수 있다. AI의 발전은 오히려 이러한 문제를 더 잘 다룰 수 있도록 도와줄 것이다.
그러나 더 좋은 대안을 제시할 수 있다는 것과, 어떤 가치를 우선해야 하는지에 대한 논쟁이 사라진다는 것은 다른 이야기다.
예를 들어 AI가 어떤 정책을 시행하면 사회 전체의 경제적 이익이 가장 커진다는 사실을 정확하게 계산했다고 가정해 보자.
그렇다고 그 정책이 반드시 최선이라고 단정할 수 있을까?
그 정책으로 인해 특정 집단이 지나치게 큰 피해를 본다면 어떻게 해야 할까? 경제적 효율성을 위해 어느 정도의 불평등까지 허용할 수 있을까?
이러한 질문은 계산의 문제인 동시에 가치판단의 문제다.
물론 충분한 토론과 합리적인 분석을 통해 사회적 합의에 도달할 수도 있다. 중요한 것은 이러한 합의 자체가 단순히 정답을 계산하는 과정과는 다르다는 것이다.
AI가 정답을 찾는 능력을 높여줄수록, 우리는 무엇이 올바른 문제인지, 무엇을 좋은 답이라고 평가해야 하는지 더 깊이 고민해야 한다.
이것이 AI 시대에 생각하는 능력이 여전히 중요한 이유다.
우리는 AI의 도움을 받아 과거보다 훨씬 더 많은 문제를 해결할 수 있을 것이다. 그러나 어떤 문제를 해결해야 하는지, 서로 충돌하는 목표 중 무엇을 우선해야 하는지, 그리고 자신의 판단이 잘못되었을 가능성은 없는지 끊임없이 검토해야 한다.
그렇다면 이러한 사고 능력은 어떻게 기를 수 있을까?
흥미롭게도 조직의 학습과 의사결정을 연구해 온 학자들은 이 질문에 대해서도 중요한 통찰을 제시했다.
다음에 살펴볼 것은 크리스 아지리스(Chris Argyris)의 이중고리 학습(Double-loop Learning) 이론이다.
이는 단순히 잘못된 답을 수정하는 것을 넘어, 우리가 당연하게 받아들이는 질문과 가정 자체를 다시 검토하는 학습 방법이다.
4. 정답을 찾기 전에 질문부터 의심하라
오류를 수정하는 학습과 전제를 수정하는 학습
우리는 문제가 발생하면 해결책부터 찾으려는 경향이 있다.
매출이 감소하면 판매를 늘릴 방법을 고민하고, 직원들의 성과가 낮아지면 성과를 높일 방법을 찾는다. 고객들의 불만이 증가하면 불만을 줄이기 위한 대책을 마련한다.
이러한 접근은 자연스럽고 때로는 매우 효과적이다.
그러나 앞서 살펴본 것처럼 우리가 해결하려는 문제 자체가 잘못 정의되어 있다면 어떻게 될까?
매출을 늘리기 위해 광고비를 늘렸지만 실제 문제는 수익성이 낮은 사업구조에 있을 수 있다. 직원들의 성과를 높이기 위해 성과급을 확대했지만 실제 문제는 비현실적인 목표 설정에 있을 수도 있다.
이 경우 기존의 해결책을 아무리 개선하더라도 근본적인 문제는 해결되지 않는다.
필요한 것은 단순히 더 좋은 해결책을 찾는 것이 아니라, 우리가 당연하게 받아들이고 있는 목표와 가정 자체를 다시 검토하는 것이다.
이와 관련하여 흥미로운 이론이 있다.
이중고리 학습(Double-loop Learning)이란?
조직학습 연구로 잘 알려진 크리스 아지리스(Chris Argyris)는 사람들이 문제를 해결하고 경험을 통해 학습하는 방식을 설명하면서 **단일고리 학습(Single-loop Learning)**과 **이중고리 학습(Double-loop Learning)**을 구분했다.
단일고리 학습은 기존의 목표와 규칙을 유지한 채 행동을 수정하는 방식이다.
예를 들어 실내 온도를 22도로 유지하도록 설정된 온도조절기를 생각해 보자.
실내 온도가 20도로 떨어지면 난방을 작동하고, 22도에 도달하면 난방을 멈춘다.
온도조절기는 설정된 목표와 실제 결과의 차이를 발견하고 이를 수정한다. 그러나 왜 실내 온도를 22도로 유지해야 하는지는 질문하지 않는다.
이것이 단일고리 학습의 대표적인 사례다.
반면 이중고리 학습은 조금 다르다.
단순히 온도를 22도로 유지하는 방법을 개선하는 것이 아니라, 애초에 온도를 22도로 설정한 이유가 타당한지 질문하는 것이다.
그 온도가 사용자에게 적절한가? 에너지 비용을 고려하면 다른 온도가 더 바람직하지 않을까? 모든 시간대에 동일한 온도를 유지해야 할까?
기존의 목표와 가정 자체를 검토하고 필요하다면 수정하는 것이다.
기업의 사례로 돌아가 보자.
매출이 감소했을 때 광고비를 늘리고, 판매가격을 조정하고, 판촉 활동을 강화하는 것은 주로 단일고리 학습에 해당한다.
반면 우리가 왜 매출 성장을 최우선 목표로 설정했는지, 현재의 고객과 사업모델이 여전히 적절한지, 매출보다 수익성이 더 중요한 것은 아닌지 질문하는 것은 이중고리 학습에 해당할 수 있다.
두 학습 방식 중 하나가 언제나 더 우월한 것은 아니다.
기존의 목표가 타당하고 문제가 명확하다면 단일고리 학습으로 충분할 수 있다. 모든 상황에서 목표와 가정을 처음부터 다시 검토하는 것은 오히려 비효율적이다.
그러나 반복적으로 문제가 발생하거나 기존의 해결책이 기대한 효과를 내지 못한다면, 문제의 전제 자체를 검토할 필요가 있다.
우리는 올바른 문제를 풀고 있는가?
이중고리 학습이 중요한 이유는 우리가 자신의 가정을 쉽게 의심하지 않기 때문이다.
인간은 일단 어떤 문제를 특정한 방식으로 이해하면 그 틀 안에서 해결책을 찾으려는 경향이 있다.
문제가 발생하면 자신이 설정한 목표나 가정이 잘못되었을 가능성보다, 해결 방법이 충분히 효과적이지 않았을 가능성을 먼저 생각하기 쉽다.
예를 들어 어떤 조직에서 직원들의 성과가 낮다고 가정해 보자.
관리자는 직원들의 동기부여가 부족하다고 판단하고 성과급을 확대한다. 하지만 성과가 개선되지 않는다.
이번에는 성과평가 기준을 강화하고, 보고 횟수를 늘리고, 목표 달성 여부를 더욱 철저하게 관리한다.
그런데도 성과는 나아지지 않는다.
이때 필요한 질문은 성과관리를 어떻게 더 강화할 것인가가 아닐 수 있다.
애초에 직원들에게 부여한 목표가 현실적인가? 성과를 측정하는 지표가 조직이 실제로 원하는 결과를 반영하고 있는가? 개인별 성과를 강조하는 방식이 조직 전체의 협력을 방해하고 있지는 않은가?
이러한 질문을 던지는 순간 문제를 바라보는 관점이 달라진다.
여기서 중요한 것은 기존의 생각을 무조건 부정하는 것이 아니다.
자신의 가정을 하나의 검증 가능한 가설로 취급하는 태도다.
내가 옳다고 생각하는 이유는 무엇인가? 그 생각이 틀렸다면 어떤 증거가 나타날까? 다른 관점에서 문제를 바라보면 어떤 해결책이 가능할까?
이런 질문은 자신이 내린 판단을 더욱 합리적으로 만드는 데 도움이 된다.
AI 시대에는 이러한 태도가 더욱 중요해질 수 있다.
AI는 우리가 제시한 문제를 빠르게 분석하고, 그럴듯한 해결책을 제안할 수 있다. 하지만 사용자가 잘못된 목표나 가정을 제시하면 AI 역시 그 틀 안에서 정교한 답을 만들어낼 수 있다.
따라서 AI에게 해결책을 요청하는 것만큼 중요한 것은 AI에게 우리가 던진 질문 자체를 비판적으로 검토하도록 요구하는 것이다.
“이 문제를 해결해 줘”라고 묻는 것에서 한 걸음 더 나아가 “내가 이 문제를 잘못 정의했을 가능성은 없을까?”라고 질문하는 것이다.
어쩌면 AI 시대에 필요한 능력은 AI보다 더 빨리 답을 찾는 능력이 아니라, AI와 함께 자신이 당연하게 여겼던 질문을 다시 검토하는 능력인지도 모른다.
5. AI 시대에 우리가 길러야 할 세 가지 사고 능력
앞에서 살펴본 두 가지 이론을 다시 생각해 보자.
Wicked Problems는 현실의 중요한 문제 중에는 명확한 정답이 존재하지 않거나 문제 자체를 정의하기 어려운 경우가 많다는 사실을 보여준다.
Double-loop Learning은 문제를 해결하는 데 그치지 않고, 우리가 전제로 삼고 있는 목표와 가정을 검토해야 한다는 점을 강조한다.
두 이론을 AI 시대에 적용해 보면 우리가 길러야 할 사고 능력을 세 가지로 정리해 볼 수 있다.
첫째, 올바른 질문을 던지는 능력
우리는 흔히 좋은 답을 찾는 능력을 중요하게 생각한다.
그러나 현실에서는 좋은 질문을 던지는 것이 더 중요할 때가 있다.
예를 들어 회사에서 비용을 절감하라는 지시를 받았다고 가정해 보자.
일반적인 접근은 비용 항목을 분석하고, 절감할 수 있는 부분을 찾아내는 것이다.
하지만 한 걸음 더 나아가 생각해 볼 수 있다.
우리가 해결하려는 문제가 정말 비용이 높은 것인가? 불필요한 업무 절차 때문에 비용이 발생하고 있는 것은 아닐까? 단기적으로 비용을 줄이는 것이 오히려 장기적인 손실을 초래하지는 않을까?
질문을 바꾸면 해결책도 달라질 수 있다.
비용을 줄이는 대신 업무 절차를 없애거나, 초기 투자를 늘려 장기적인 비용을 낮추거나, 비용 자체보다 비용 대비 가치를 높이는 방법을 선택할 수도 있다.
좋은 질문은 기존의 해결책을 개선하는 데 그치지 않고, 이전에는 보이지 않았던 새로운 선택지를 발견하게 한다.
AI는 좋은 질문을 만드는 데도 도움을 줄 수 있다. 중요한 것은 AI가 제시하는 질문을 이해하고, 어떤 질문이 실제로 중요한지 판단할 수 있어야 한다는 점이다.
둘째, 불확실성과 상충하는 가치 속에서 판단하는 능력
학교에서 배우는 많은 문제에는 정답이 존재한다.
그러나 현실에서는 충분한 정보를 확보할 수 없는 경우가 많고, 어떤 선택이 더 좋은지 판단하는 기준도 명확하지 않을 때가 있다.
예를 들어 기업이 새로운 사업에 투자할지를 결정한다고 생각해 보자.
투자하면 높은 수익을 얻을 수도 있지만 큰 손실을 볼 가능성도 있다. 투자를 포기하면 손실은 피할 수 있지만 새로운 성장 기회를 놓칠 수도 있다.
AI가 시장의 성장 가능성과 투자 위험을 정교하게 분석하더라도 미래를 완벽하게 예측할 수는 없다.
따라서 우리는 불확실성을 인정한 상태에서 결정을 내려야 한다.
여기에 상충하는 가치까지 개입하면 문제는 더욱 복잡해진다.
예를 들어 기업의 경영진이 비용 절감을 위해 인력 구조조정을 검토하고 있다고 가정해 보자.
구조조정은 단기적으로 수익성을 개선하고 기업의 생존 가능성을 높일 수 있다. 그러나 직원들의 고용안정성을 해치고 조직의 신뢰를 약화시킬 수도 있다.
기업의 생존과 직원의 고용안정성 중 무엇을 우선해야 할까?
이러한 문제는 단순히 경제적 효과만 계산해서 해결하기 어렵다.
서로 다른 가치와 이해관계를 비교하고, 가능한 대안을 검토하고, 어떤 선택이 더 바람직한지 판단해야 한다.
그렇다고 주관적인 직관에만 의존해야 한다는 뜻은 아니다.
데이터와 논리적인 분석을 통해 불확실성을 줄이고, 각 선택의 결과를 비교하고, 판단의 근거를 명확하게 만들 수 있다.
다만 분석이 아무리 정교해지더라도 서로 충돌하는 목표 사이에서 무엇을 우선할 것인지는 결국 선택의 문제로 남을 수 있다.
AI 시대에 중요한 것은 모든 판단을 혼자 내리는 능력이 아니라, AI의 도움을 받아 분석하되 그 결과를 비판적으로 평가하고 자신의 선택을 합리적으로 설명할 수 있는 능력이다.
셋째, 자신의 가정을 검증하고 생각을 수정하는 능력
앞의 두 능력만큼 중요한 것이 자신의 판단을 수정하는 능력이다.
인간은 자신이 합리적으로 생각한다고 믿지만, 실제로는 기존의 믿음을 뒷받침하는 증거를 더 쉽게 받아들이는 경향이 있다.
인지심리학에서는 이러한 경향을 확증편향(Confirmation Bias)이라고 부른다.
예를 들어 어떤 기업의 주가가 상승할 것이라고 믿는 투자자가 있다고 생각해 보자.
그는 해당 기업의 성장 가능성을 강조하는 보고서에는 관심을 기울이지만, 경쟁 심화나 수익성 악화를 경고하는 자료는 대수롭지 않게 여길 수 있다.
자신의 판단을 강화하는 정보는 적극적으로 받아들이면서, 그 판단에 반하는 정보는 무시하는 것이다.
이런 방식으로는 새로운 정보를 아무리 많이 수집하더라도 더 합리적인 판단에 도달하기 어렵다.
오히려 자신의 믿음만 더욱 강해질 수도 있다.
따라서 우리는 자신의 판단을 뒷받침하는 증거뿐 아니라, 그 판단이 틀렸음을 보여줄 수 있는 증거도 적극적으로 찾아야 한다.
예를 들어 어떤 기업에 투자하기 전에 다음과 같은 질문을 던질 수 있다.
내가 이 기업의 성장 가능성을 높게 평가하는 근거는 무엇인가? 어떤 상황이 발생하면 내 투자 판단이 잘못되었다고 인정할 것인가? 나와 반대되는 의견을 가진 투자자들은 어떤 근거를 가지고 있는가?
이러한 질문은 단순히 자신감을 낮추기 위한 것이 아니다.
잘못된 판단을 더 빨리 발견하고, 새로운 정보에 맞춰 자신의 생각을 수정하기 위한 것이다.
AI는 이 과정에서도 유용한 도구가 될 수 있다.
자신의 주장을 AI에게 제시하고 논리적인 허점이나 반대 근거를 찾아달라고 요청할 수 있다. 자신의 가정이 틀렸을 때 어떤 결과가 나타날지 분석하도록 할 수도 있다.
그러나 AI가 제시한 반론 역시 무조건 옳다고 받아들여서는 안 된다. 반론의 근거가 충분한지, 자료가 정확한지 다시 검토해야 한다.
결국 중요한 것은 자신의 생각을 고집하는 능력이 아니라, 더 나은 근거가 나타났을 때 기꺼이 생각을 바꿀 수 있는 능력이다.
이 세 가지 능력을 종합하면 하나의 결론에 도달한다.
AI 시대에 중요한 것은 정답을 많이 아는 것만이 아니다. 올바른 질문을 던지고, 불확실성 속에서 판단하며, 자신의 생각을 끊임없이 검증하고 수정하는 능력이다.
그렇다면 이러한 능력은 어떻게 길러야 할까?
특별한 교육과정이나 새로운 기술을 배워야만 할까?
나는 그 답이 반드시 새로운 것에 있다고 생각하지 않는다.
오히려 우리가 오래전부터 배워 온 글쓰기, 수학, 코딩, 철학과 같은 공부가 이러한 사고 능력을 기르는 좋은 도구가 될 수 있다고 생각한다.
6. 그래서 나는 오늘도 수학책을 펼친다
수학을 공부하는 이유는 계산을 잘하기 위해서가 아니다
나는 요즘 시간이 날 때 수학책을 조금씩 읽는다. 해석학을 공부하고 있다.
해석학은 미적분학의 기초가 되는 개념과 정리들을 엄밀하게 다루는 수학의 한 분야다. 익숙하게 사용하던 수식과 개념들이 왜 성립하는지, 어떤 조건에서 참이 되는지를 논리적으로 설명한다.
당연히 내가 수학자가 되려는 것은 아니다.
지금 공부하는 내용이 실제 업무에서 직접 사용될 일은 없을 것이라고 단언한다.
0 · x = 0
이 당연해 보이는 것을 이걸 증명하라고 하는 데, 당연히 쓸 일 없다.
그런데도 수학을 잠깐씩 공부하는 이유가 있다.
수학은 내가 당연하게 받아들이던 사실을 의심하고, 그 사실이 왜 참인지 이해하도록 요구하기 때문이다.
어떤 정리가 성립하려면 어떤 조건이 필요한가? 그 조건 중 하나가 빠지면 결론은 여전히 성립하는가? 증명의 각 단계는 앞선 가정으로부터 논리적으로 도출되는가?
수학책을 읽다 보면 평소에는 쉽게 지나쳤을 질문들을 끊임없이 마주하게 된다. 그리고 이러한 사고습관은 회사업무나 일상생활에 너무도 많이 적용하고 있다.
누군가에게는 글쓰기가, 누군가에게는 코딩이
물론 생각하는 능력을 기르기 위해 수학을 공부해야 하는 것은 아니다.
샘 올트먼이 어린 시절 선생님에게 배웠던 것처럼 글쓰기도 훌륭한 사고의 도구가 될 수 있다.
막연한 생각을 문장으로 표현하려면 자신이 무엇을 주장하는지 명확하게 이해해야 한다. 주장을 뒷받침할 근거를 찾고, 논리적인 모순을 발견하고, 다른 사람의 관점에서 자신의 주장을 검토해야 한다.
누군가에게는 코딩이 더 적합할 수도 있다.
코딩을 하려면 해결하려는 문제를 구체적으로 정의하고, 복잡한 과정을 작은 단계로 나누며, 예상과 다른 결과가 나왔을 때 오류의 원인을 찾아야 한다.
철학이나 논리학을 공부하거나 다른 사람과 토론하는 것도 좋은 방법이다.
우리가 당연하게 받아들이는 개념의 의미를 질문하고, 서로 다른 주장의 근거를 비교하며, 자신의 생각을 반박하는 논리를 검토할 수 있기 때문이다.
중요한 것은 어떤 분야를 선택하느냐가 아니다.
자신이 흥미를 느끼는 분야에서 깊이 생각하고, 논리적으로 검토하며, 자신의 이해를 끊임없이 수정하는 경험을 쌓는 것이 중요하다.
물론 주의할 점이 있다.
수학을 잘한다고 해서 합리적인 투자자가 되는 것은 아니고, 코딩을 잘한다고 해서 조직의 갈등을 잘 해결하는 것도 아니다.
특정 분야에서 익힌 사고방식이 다른 분야에도 자연스럽게 적용된다고 보장할 수는 없다.
따라서 공부를 통해 익힌 사고 습관을 현실의 문제에 의식적으로 적용하는 노력이 필요하다.
예를 들어 수학에서 가정의 중요성을 배웠다면 업무에서도 자신의 주장이 어떤 가정에 기초하는지 살펴볼 수 있다.
글쓰기를 통해 논리적인 주장을 구성하는 방법을 배웠다면 회의에서도 주장과 근거를 구분할 수 있다.
코딩을 통해 오류를 찾아내는 방법을 익혔다면 자신의 판단이 예상과 다른 결과를 낳았을 때 무엇이 잘못되었는지 체계적으로 검토할 수 있다.
이렇게 공부에서 익힌 사고방식을 현실의 문제와 연결할 때, 배움의 가치는 더욱 커질 것이다.
AI 시대에도 우리가 계속 공부해야 하는 이유
AI가 발전할수록 우리는 점점 더 많은 일을 AI에게 맡기게 될 것이다.
글을 쓰고, 자료를 조사하고, 수학 문제를 풀고, 프로그램을 만드는 일까지 AI가 대신하거나 도와줄 수 있다.
이는 어찌보면 반가운 변화다.
과거에는 많은 시간과 노력을 들여야 했던 일을 훨씬 빠르게 처리할 수 있기 때문이다.
그러나 이러한 변화가 우리가 더 이상 공부할 필요가 없다는 뜻은 아니다.
오히려 공부의 목적을 다시 생각해 볼 필요가 있다.
만약 공부의 목적이 정답을 외우거나 정해진 절차를 반복하는 데 있다면, 그러한 공부의 가치는 AI의 발전과 함께 달라질 수 있다.
하지만 공부의 목적이 문제를 이해하고, 논리적으로 판단하고, 자신의 생각을 검증하는 능력을 기르는 데 있다면 이야기는 달라진다.
AI가 아무리 발전하더라도 우리는 여전히 중요한 문제들을 마주하게 될 것이다.
어떤 직업을 선택해야 할까? 어떤 기업에 투자해야 할까? 조직의 이해관계가 충돌할 때 무엇을 우선해야 할까? 자녀에게는 어떤 교육이 필요할까?
이러한 질문에는 모든 사람에게 적용되는 하나의 정답이 없을 수 있다.
AI는 더 많은 정보를 제공하고, 우리가 생각하지 못했던 대안을 제시하며, 각 선택의 결과를 분석하는 데 도움을 줄 수 있다.
그러나 어떤 삶을 살고 싶은지, 무엇을 중요하게 생각하는지, 어느 정도의 위험을 감수할 것인지는 결국 우리가 고민하고 선택해야 할 문제다.
그렇기 때문에 생각하는 능력이 중요하다.
그리고 생각하는 능력을 기르는 데는 지름길이 없을지도 모른다.
어려운 글을 읽고, 이해되지 않는 수학적 증명을 따라가고, 자신의 생각을 글로 정리하고, 다른 사람과 의견을 나누는 과정에서 우리는 조금씩 더 깊이 생각하는 방법을 배운다.
처음에 소개했던 샘 올트먼의 일화로 돌아가 보자.
그의 선생님은 글쓰기를 배우는 이유가 반드시 작가가 되기 위해서만은 아니라고 설명했다.
어쩌면 AI 시대에 우리가 수학과 코딩, 글쓰기와 철학을 계속 공부해야 하는 이유도 이와 같을 것이다.
그 분야의 전문가가 되기 위해서만이 아니라, 세상을 더 깊이 이해하고 더 나은 질문을 던지며 스스로 판단하는 방법을 배우기 위해서다.
나는 그 방법으로 지금은 수학을 선택했다.
누군가는 글쓰기를, 다른 누군가는 코딩이나 철학을 선택할 수 있을 것이다.
어떤 분야든 좋다. 중요한 것은 답을 구하는 데서 멈추지 않고, 그 답이 왜 옳은지, 어떤 조건에서 성립하는지, 다른 가능성은 없는지 계속 질문하는 일이다.
AI가 정답을 찾는 일을 점점 더 잘하게 될수록, 우리는 정답이 정해져 있지 않은 문제를 더 깊이 고민할 필요가 있어보인다.
그래서 나는 오늘도 수학책을 펼친다.