🖼️ 인포그래픽

🖼️ 4컷 인포그래픽

💡 한 줄 요약

AI 시대의 성과 격차는 모델 성능보다 인간이 AI를 자동화 도구로 넘겨버리느냐, 검증과 탐구를 결합한 ‘사이보그’ 방식으로 통합하느냐에서 갈린다는 주장이다.

📌 핵심 요약

• 필자는 Fortune 편집자로서 AI를 초안 작성, 인터뷰 종합, 취재 과정 가속에 활용한다고 공개된 뒤 언론계 안팎에서 강한 반발을 경험했고, 이 반응이 단순한 저널리즘 윤리 논쟁을 넘어 직업 정체성과 경쟁 불안에 닿아 있다고 본다.
• 신경과학자 비비엔 밍은 UC 버클리 학생들을 대상으로 AI를 활용해 Polymarket의 현실 예측 과제를 수행하게 했고, 대부분은 AI 답을 복사하는 ‘자동화자’가 되거나 자기 신념을 확인하는 ‘검증자’가 되어 기대보다 낮은 성과를 냈다고 설명한다.
• 소수의 ‘사이보그’ 그룹은 인간의 가설 탐색과 AI의 근거 기반 보정을 반복적으로 결합했으며, 이들은 최고의 인간 개인과 단독 AI 모델보다 나은 성과를 내고 전문가 예측 시장에 가까운 수준에 도달했다.
• 밍은 사이보그 성과를 가른 핵심 요인으로 호기심, 유동지능, 지적 겸손, 관점 전환 능력을 제시했고, McKinsey의 케이트 스메이지가 말한 판단력, 개념적 문제 해결, 공감, 신뢰와도 거의 대응된다고 필자는 연결한다.
• 글은 조직이 AI 전환에 실패하는 이유가 기술 접근성 부족이 아니라 인간의 변화, 특히 잘 정의된 문제를 기계에 맡기고 모호하고 복잡한 문제를 인간이 다루도록 일과 정체성을 재구성하지 못하기 때문이라고 정리한다.

🧩 주요 포인트

1. 필자는 Fortune 편집자로서 AI를 초안 작성, 인터뷰 종합, 취재 과정 가속에 활용한다고 공개된 뒤 언론계 안팎에서 강한 반발을 경험했고, 이 반응이 단순한 저널리즘 윤리 논쟁을 넘어 직업 정체성과 경쟁 불안에 닿아 있다고 본다.
2. 신경과학자 비비엔 밍은 UC 버클리 학생들을 대상으로 AI를 활용해 Polymarket의 현실 예측 과제를 수행하게 했고, 대부분은 AI 답을 복사하는 ‘자동화자’가 되거나 자기 신념을 확인하는 ‘검증자’가 되어 기대보다 낮은 성과를 냈다고 설명한다.
3. 소수의 ‘사이보그’ 그룹은 인간의 가설 탐색과 AI의 근거 기반 보정을 반복적으로 결합했으며, 이들은 최고의 인간 개인과 단독 AI 모델보다 나은 성과를 내고 전문가 예측 시장에 가까운 수준에 도달했다.
4. 밍은 사이보그 성과를 가른 핵심 요인으로 호기심, 유동지능, 지적 겸손, 관점 전환 능력을 제시했고, McKinsey의 케이트 스메이지가 말한 판단력, 개념적 문제 해결, 공감, 신뢰와도 거의 대응된다고 필자는 연결한다.
5. 글은 조직이 AI 전환에 실패하는 이유가 기술 접근성 부족이 아니라 인간의 변화, 특히 잘 정의된 문제를 기계에 맡기고 모호하고 복잡한 문제를 인간이 다루도록 일과 정체성을 재구성하지 못하기 때문이라고 정리한다.

🧠 상세 정리

1. AI 활용 공개 이후의 반발

필자는 Wall Street Journal 기사에서 Fortune 편집 업무에 AI를 활용한다고 소개된 뒤 예상보다 훨씬 거센 반응을 받았다. 그는 AI로 초안을 만들고, 인터뷰 내용을 종합하며, 과거보다 오래 걸리던 보도 과정을 빠르게 만든다고 설명했지만, 일부 독자와 언론인은 이를 게으름이나 직업 윤리 문제로 받아들였다. 반면 몇몇 기자들은 자신들도 같은 방식으로 AI를 쓰고 있지만 공개적으로 인정하지 않겠다고 털어놓았다. 필자는 이 반응이 단순히 AI 사용의 옳고 그름을 따지는 논쟁이 아니라, 누군가가 새로운 지렛대를 얻었을 때 느끼는 불편함과 경쟁심에 가깝다고 해석한다.

2. 비비엔 밍이 제시한 인지적 격차의 틀

필자가 자신의 경험을 이해하는 데 도움을 준 인물은 언론 비평가나 저널리즘 교수가 아니라 신경과학자 비비엔 밍이었다. 밍은 1999년부터 기계학습과 인간의 인지, 보조 기술의 접점을 다뤄왔고, 실제 인간의 뇌가 듣는 법을 배우는 과정과 함께 작동하는 인공와우 AI 시스템을 만든 이력도 있다. 그는 채용 편향, 알츠하이머 연구, 산후우울증 등 다양한 영역에서 AI를 적용해온 인물로 소개된다. 글에서 밍은 사람들이 AI를 어떻게 쓰는지가 기술 자체보다 더 중요하며, 그 차이가 인간의 사고 방식과 능력을 드러낸다고 설명하는 핵심 해설자로 기능한다.

3. Polymarket 예측 실험과 자동화자의 문제

밍은 UC 버클리 학생 팀들에게 AI 도구를 사용해 Polymarket의 실제 사건 결과를 예측하게 했다. 이 과제는 지정학적 사건, 원자재 가격, 경제 지표처럼 단순 암기나 사전 공부만으로 맞힐 수 없는 문제였고, 밍은 AI가 도움이 되는지보다 사람들이 AI를 어떤 방식으로 쓰는지를 보고자 했다. 일부 참가자에게는 EEG 모니터도 부착했는데, 다수 학생이 질문을 AI에 넘기고 답을 제출할 때 감마파 활동이 약 40% 감소한 것으로 나타났다. 밍은 이들을 ‘자동화자’라고 부르며, 강력한 도구 앞에서 스스로 사고하기보다 값비싼 복사-붙여넣기 기능처럼 행동했다고 비판적으로 묘사한다.

4. 검증자와 사이보그의 차이

두 번째 유형은 ‘검증자’로, 이들은 AI를 새로운 사고의 파트너로 쓰기보다 자신이 이미 믿고 있는 것을 확인하는 데 활용했다. 이들은 자신에게 유리한 근거를 골라내고 반대되는 신호를 무시했으며, 결과적으로 AI가 단독으로 작동했을 때보다도 낮은 성과를 보였다. 반면 세 번째 유형인 ‘사이보그’는 인간과 기계의 역할 구분이 흐려질 정도로 긴밀하게 상호작용했다. 인간은 가설을 세우고 직감을 따라 탐색하며 데이터가 즉각 보여주지 않는 가능성을 제기했고, AI는 과도한 추론을 근거 쪽으로 되돌리며 보정했다. 이 반복적 상호작용이 단순한 도구 사용과 질적으로 다른 성과를 만들었다.

5. 모델 성능보다 인간의 질이 결과를 좌우한다

밍이 특히 놀란 지점은 사이보그 팀의 성과가 사용한 AI 모델의 최신성이나 비용에 크게 좌우되지 않았다는 점이다. 최첨단 모델을 쓰든 휴대전화에서도 돌릴 수 있는 저렴한 오픈소스 모델을 쓰든, 결과를 예측한 것은 모델 벤치마크가 아니라 인간 사용자의 특성이었다. 사이보그들은 연구에서 최고의 개인 인간과 단독 AI 모델을 모두 능가했고, 실제 돈을 걸고 예측하는 Polymarket 전문가 시장과 비슷한 수준에 도달했다. 글은 이 대목을 통해 AI 기업과 투자자들이 중시하는 기술 지표만으로는 실제 업무 성과를 설명하기 어렵다고 강조한다.

6. 사이보그를 만드는 네 가지 인간 능력

밍은 사이보그적 성과를 예측하는 네 가지 특성으로 호기심, 유동지능, 지적 겸손, 관점 전환 능력을 제시한다. 호기심은 AI가 그럴듯한 답을 내놓은 뒤에도 더 찾아보고 묻는 태도이며, 유동지능은 기존 틀에 맞지 않는 새로운 문제를 추론하는 능력이다. 지적 겸손은 기계의 반박이나 새로운 근거 앞에서 자신의 믿음을 수정할 수 있는 태도이고, 관점 전환은 다른 사람이 세계를 보는 방식을 상상하며 데이터가 바로 드러내지 않는 가능성을 탐색하는 힘이다. 밍은 이 특성들이 아동기에 측정됐을 때 평생 소득과 사망률 같은 삶의 결과도 예측한다고 말하며, 단순 업무 기술보다 더 깊은 인간 역량으로 제시한다.

7. McKinsey가 본 AI 전환의 인간 조건

필자는 McKinsey의 글로벌 기술·AI 리더 케이트 스메이지와의 대화에서 밍의 분석과 거의 같은 결론을 듣는다. 스메이지는 여러 대륙과 산업의 고객사 경험을 바탕으로 AI 증강 시대에 필수적인 인간 능력을 판단력, 개념적 문제 해결, 공감, 신뢰로 정리했다. 판단력은 처리할 수 없을 만큼 많은 출력 속에서 무엇이 중요한지 고르는 능력이고, 개념적 문제 해결은 모델이 놓치는 연결을 보고 새로운 것을 만드는 역량이다. 공감은 기계가 복제할 수 없는 인간 간 이해이며, 신뢰는 AI 생성물이 넘쳐나는 세계에서 인간 관계를 통해서만 쌓이는 희소한 자원으로 설명된다.

8. 잘 정의된 문제와 모호한 문제의 재배치

필자는 자신의 저널리즘 작업을 예로 들며 AI가 잘 정의된 문제를 처리하고, 자신은 모호한 문제를 다루려 한다고 설명한다. 예컨대 녹취록이 무엇을 말하는지, 특정 자료와 어떤 관련이 있는지 같은 작업은 AI가 빠르게 수행할 수 있지만, 진짜 이야기가 무엇인지, 그것이 왜 중요한지, 독자에게 어떤 의미가 있는지는 인간의 판단이 필요하다고 본다. 밍은 이를 ‘잘 정의된 문제’와 ‘잘 정의되지 않은 문제’의 차이로 설명한다. 그는 현대 고용 시스템이 사람들이 교육을 받아 잘 정의된 질문에 답하도록 설계됐지만, 이제 그런 문제는 기계가 더 잘 풀 수 있게 됐다고 말한다. 따라서 AI 전환의 핵심은 직무를 없애거나 도구만 도입하는 것이 아니라 인간이 맡아야 할 문제의 성격을 다시 정하는 데 있다.

9. AI 공포의 상당 부분은 타인에 대한 불안

밍은 사람들이 느끼는 AI 공포의 상당 부분이 실제로는 기술 자체보다 ‘다른 사람’에 대한 두려움이라고 말한다. 그는 자율무기나 채용, 의료, 치안 알고리즘이 시민권에 영향을 미치는 결정들을 순식간에 내리는 문제처럼 실제 위험을 가볍게 보지 않는다. 그러나 직장 동료가 AI를 자신보다 더 잘 활용해 더 빠르고 다른 방식으로 일하게 될 때 나타나는 분노와 불안은 별개의 문제라고 본다. 사이보그형 동료는 단순히 일을 빨리 끝내는 사람이 아니라, 그 일이 무엇인지에 대한 기준 자체를 바꾸는 사람이다. 그래서 기존 방식으로 자신의 전문성을 정의해온 사람들에게는 그 존재가 암묵적인 비판처럼 느껴질 수 있다.

🧾 핵심 주장 / 시사점

• AI 도입의 핵심 병목은 도구 접근성이 아니라 사용자의 사고 습관일 수 있다. 같은 AI를 써도 어떤 사람은 사고를 중단하고, 어떤 사람은 자신의 편견을 강화하며, 소수만이 인간의 탐색과 기계의 검증을 결합해 성과를 높인다.
• 조직의 AI 전환은 기술 교육만으로는 충분하지 않다. 판단력, 호기심, 지적 겸손, 관점 전환처럼 측정과 채용에서 자주 주변화된 인간 능력을 실제 업무 설계와 평가 기준의 중심에 놓아야 한다.
• AI에 대한 직업적 반발은 윤리 논쟁의 외피를 띠더라도 종종 정체성의 위기와 연결된다. 누군가 AI로 업무의 정의를 바꾸는 순간, 기존 숙련과 역할에 기대어 온 사람들은 자신의 가치가 재평가되는 압박을 느끼게 된다.

✅ 액션 아이템

• 모델 성능 경쟁보다 업무 산출물에서 AI 자동화 구간과 사이보그형 탐구·보정 구간을 단계별로 구분해 운영 기준을 정한다.
• Polymarket 예측 과제에서 드러난 자동화자와 검증자 패턴을 기준으로 결과 편향과 성과 격차를 점검해 사이보그 전환 지점을 추적한다.
• 조직에서 기술 접근성보다 직무 정체성 요인에 초점을 두어, 명확한 문제는 AI로 위임하고 복합·불확실 문제는 인간 판단으로 남기는 역할 재구성을 검토한다.

❓ 열린 질문

• 호기심·유동지능·지적 겸손·관점 전환을 실제 팀 과제에서 어떻게 측정해 사이보그 성과 요소로 반영할 것인가?
• AI가 생성한 답을 단순 복사하는 자동화자와 검증자 패턴을 현장에서는 어떤 지표로 조기에 구분할 수 있는가?
• 조직의 일과 정체성 충돌을 줄이려 어떤 범주 문제를 기계에 맡기고 어떤 판단을 인간이 직접 다루어야 하는가?