내 능력이 퇴보하지 않고 AI 쓰려면 이렇게 하세요 (이제현 KIST AIX 전략실장)

🖼️ 인포그래픽

🖼️ 4컷 인포그래픽

💡 한 줄 결론

내 능력이 퇴보하지 않고 AI 쓰려면 이렇게 하세요 (이제현 KIST AIX 전략실장)를 중심으로, 학습과 업무는 위임 기준이 다르다. 학생의 과제는 사고력을 기르는 과정이므로 직접 수행하는 편이 좋고, 직장 업무는 AI를 활용하를 핵심 판단 포인트로 압축 정리한다.

📌 핵심 요점

1. 학습과 업무는 위임 기준이 다르다. 학생의 과제는 사고력을 기르는 과정이므로 직접 수행하는 편이 좋고, 직장 업무는 AI를 활용하되 결과의 책임을 사용자가 져야 한다.
2. 중요한 글에는 자신의 사고 과정을 남겨야 한다. AI 문장을 직접 타이핑하고 다시 쓰면서 오류와 논리적 비약을 찾고, AI에는 자신의 글을 비판하는 역할을 맡길 수 있다.
3. 결과물의 완성도는 실행과 원자료로 확인해야 한다. 코드는 실행하고 데이터는 표본부터 확인하되, 이상이 나오면 검증 범위를 넓혀야 한다. 여러 AI의 답변이 일치해도 사실 확인에는 검색과 권위 있는 출처가 필요하다.
4. 에이전트 감독은 승인 버튼을 누르는 일보다 넓다. 접근·실행 권한을 점진적으로 열고 진행 과정을 살펴야 하며, 삭제가 막혀 있어도 덮어쓰기로 자료가 훼손될 수 있다. 업무 맥락과 현재 목표를 공유하고 낡은 지침도 정리해야 한다.
5. AI 활용의 기반은 전문성과 위임 능력이다. 새로운 질문을 찾고 다른 분야의 아이디어를 연결하는 역량을 기르는 한편, 여러 에이전트의 작업을 지휘하고 검증하는 역할도 익혀야 한다.

🧩 배경과 문제 정의

• 연구용 AI와 바이브 코딩이 확산하면서 개인의 작업 범위는 넓어지지만, 기술을 따라가는 속도와 조직의 수용 방식에 따라 활용 격차가 커지고 있다.
• AI에 글쓰기·독서·분석을 맡기면 시간을 줄일 수 있지만, 직접 생각하고 검증하는 과정까지 생략하면 학습과 역량 축적이 약해질 수 있다.
• AI 에이전트의 자율성이 커질수록 데이터 유출, 파일 훼손, 무분별한 승인 문제가 중요해진다. 업무 목적과 책임에 맞춰 사람의 개입 방식과 권한 범위를 정해야 한다.

🕒 시간순 섹션별 상세정리

1. 연구용 AI의 확산과 조직 내 활용 격차

• 연구자를 위한 AI가 공개되면서 누구나 도구를 활용할 기회가 넓어졌지만, 계속 따라가야 겨우 제자리를 유지하는 듯한 경쟁 압박도 커졌다. [02:02]
• 활용 수준은 균일하지 않다. 상위 1%는 빠르게 새 기술에 몰입하고 중간층은 정체된 듯하다는 체감 아래, 교육도 우선 소식을 접하면 따라올 수 있는 상위 20%에 집중하는 방향을 택했다. [02:58]

2. 바이브 코딩의 결과는 실행과 원자료로 검증해야 한다

• 직접 코딩하기보다 구상을 정리해 AI에 맡기는 방식으로 바뀌었다. 작은 데이터 처리나 함수 구현에 머물던 작업 범위를 자신의 역량과 AI의 능력을 합쳐 넓힐 수 있기 때문이다. [04:40]
• 결과물을 실행해 누락된 요구사항을 확인하되, 데이터 처리에서는 대화로 수정만 반복하면 같은 오류를 되풀이할 수 있다. 데이터베이스를 엑셀로 펼쳐 빈 부분을 찾고, 수정 후에도 원자료를 직접 확인해야 한다. [05:16]

3. 논문 본문 접근의 한계를 보완하는 로컬 분석

• 딥리서치가 가져오는 정보만으로는 실험 조건이나 그래프의 의미를 깊이 파악하기 어렵다. 논문 본문 접근에는 라이선스 제약이 있어, AI 서비스가 필요한 내용을 충분히 읽지 못하는 경우가 있다. [06:03]
• 개인 PC에서 논문 PDF를 처리하는 ‘페이퍼 큐레이션’을 만들어 실제 연구에 사용하고 있다. PDF에서 글과 그림을 분리하고 주제 모델링 등을 수행하며, 논문 파일 자체를 재배포할 때 생길 문제를 피해 로컬에서 분석하는 방식이다. [06:27]

4. 맞춤형 역사 교재도 자료 선정과 오류 교정이 필요하다

• 바이브 코딩의 가능성을 시험하며 KIST 로고를 활용한 미로 게임과 자녀용 역사 교재 등을 만들었다. 역사 교재는 막연히 강의를 만들어 달라고 하기보다 위키피디아의 지도·유물 자료와 학습 범위를 지정했지만, AI가 지도를 임의로 잘못 그리는 문제가 있었다. [08:21]
• 가족 캐릭터가 역사적 장면에 참여하는 그림을 넣자 아이들의 관심이 높아졌다. 단원마다 열 문제의 퀴즈와 여덟 문제 이상 정답 시 보상을 붙이고, 생각할 거리가 있는 주관식 질문에는 부모가 참고할 답변도 마련했다. [09:38]

5. 국가 연구기관의 에이전트 활용에는 책임에 맞는 통제가 필요하다

• 연구원에서 AI 활용을 폭넓게 허용하더라도 에이전트는 예상 밖의 행동을 할 수 있다는 우려가 있다. 텔레그램 같은 API의 접근 제약도 있어, 자율 에이전트 사용은 자제하는 편이다. [10:40]
• 디지털 환경에는 연구 자료뿐 아니라 신분증 스캔 같은 민감한 정보도 들어 있다. 에이전트가 자료의 중요성을 이해하지 못한 채 외부로 가져갈 가능성을 경계해야 한다. [11:17]

6. 사고 과정을 통째로 맡기면 역량을 단련할 기회가 줄어든다

• 사람은 에너지를 아끼려는 경향이 있어 편리한 도구가 생기면 직접 하던 활동을 줄인다. 신체 활동을 대신하는 도구처럼, AI도 생각에 드는 수고를 줄이면서 뇌를 덜 쓰게 만들 수 있다는 우려가 있다. [12:49]
• 글쓰기, 그림 그리기, 발표 자료 제작에는 내용을 구성하고 전달력을 높이는 고민이 포함된다. 결과물만 빠르게 받으면 시간은 절약되지만, 그 과정에서 사고 능력을 단련할 기회도 줄어든다. [13:23]

7. 중요한 글은 다시 쓰며 자기 생각과 책임을 넣는다

• AI의 도움을 받아도 책과 보고서의 문장을 그대로 복사하지 않고 직접 타이핑한다. 글자를 하나씩 옮기면 복사할 때 놓치기 쉬운 오류와 논리적 비약을 발견할 수 있다. [14:02]
• 처음에는 AI 문장을 따라 쓰더라도 점차 내용이 달라지고 마지막에는 스스로 쓰게 된다. 더 힘이 들지만, 그 과정에서 자신의 생각이 들어간다. [14:21]

8. 요약을 많이 소비하는 것과 지식이 남는 것은 다르다

• 뉴스와 발언을 자동 수집하면 정보를 빠르게 접할 수 있지만, 읽는 양이 늘어도 내용이 겉돌 수 있다. 정보를 받아들이는 능력의 차이가 향후 지식 격차를 더 벌릴 수 있다는 우려도 나온다. [15:50]
• 2020년부터 논문 요약을 활용했지만 머릿속에 남는 것이 없어 시간 절약의 의미를 되묻게 됐다. 한 문장이라도 손으로 쓰면 기억에 더 남는 경험 때문에 회의에도 수첩을 가져간다. [16:24]

9. 학생의 학습과 직장인의 업무는 위임 기준이 다르다

• 학생의 과제는 자신을 성장시키는 과정이므로 가능하면 AI에 맡기지 않는 편이 좋다. 직장 업무는 보고서 정리와 글쓰기 등에 AI를 적극 활용하되, 결과의 책임은 사용자에게 남는다. [18:10]
• 업무 결과는 일부 데이터를 표본으로 확인하는 데서 검증을 시작하고, 이상이 있으면 추가로 살펴야 한다. AI가 놓치기 쉬운 세부사항은 사람이 챙겨야 한다. [18:25]

10. 새로운 통찰은 기존 데이터 밖의 관점을 연결할 때 나온다

• AI는 기존 데이터 안에서 답을 찾는 내삽에 강하고, 패턴을 연장하는 외삽에서도 성과가 있다는 보고가 나온다. 다만 전문적인 연구에서 기존 판을 바꾸는 수준의 아이디어는 아직 잘 만들지 못한다는 평가다. [19:28]
• 통기성이 좋은 기저귀를 개발할 때 기저귀 연구만 찾기보다 마스크, 옷감, 환기구처럼 다른 분야를 함께 살펴야 새로운 해법을 얻을 수 있다. 관련 없어 보이는 아이디어를 가져와 조합하는 노력이 필요하다. [20:06]

11. 전문성·호기심·회복 탄력성이 AI 활용의 기반이다

• 무엇이 아직 없는지 알려면 해당 분야에서 이미 알려진 것을 알아야 한다. 전문성이 있어야 남들이 하지 않은 질문을 찾고 새로운 시도를 구체화할 수 있다. [20:24]
• 새로운 시도는 실패할 가능성이 높다. 실패를 자신의 한계로 받아들여 익숙한 방식으로 돌아가기보다, 안 되는 조건을 배웠다고 보고 다음 시도를 이어가는 회복 탄력성이 필요하다. [20:43]

12. AI를 초안 작성자보다 비판자로 활용할 수 있다

• GPT-4와 역할을 바꿔 동물과 자유롭게 소통하는 상황을 생각해 보자, AI는 동물 교육과 법적 지위 같은 여러 쟁점을 제시했다. 전문 분야의 새로운 통찰에는 한계가 있어도 일반적인 관점을 넓히는 데는 도움이 될 수 있다. [22:29]
• 논문 초록을 비판하게 했을 때 납득할 만한 논리적 문제를 찾아냈다. 당시 연구에서도 GPT-4의 논문 피드백을 받은 저자 중 도움이 됐다고 답한 비중이 80%를 넘었다는 결과가 있었다. [22:59]

13. 사람의 승인과 감시도 AI의 속도를 따라가지 못할 수 있다

• ‘휴먼 인 더 루프’는 AI의 작업 중 주요 지점에서 사람이 진행 여부를 결정하는 방식이다. 그러나 처리 속도가 너무 빠르면 인지 부담이 커져 약관 동의처럼 내용을 읽지 않고 승인하게 되고, 사람이 병목이 된다. [25:05]
• ‘휴먼 온 더 루프’는 사람이 전체 작업을 지켜보다 문제가 생기면 개입하는 방식이다. 이 역시 사람이 계속 주의를 유지하기 어렵고, 실제 감시는 표본 확인 수준에 머물 가능성이 크다. [25:40]

14. 사람과 AI가 함께 접근할 수 있는 곳에 업무 맥락을 남겨야 한다

• 비공식 대화에서 결정되고 전산화되지 않은 일은 AI가 알 수 없다. 기존 지시와 다른 행동이 갑자기 이어지면 AI는 이유를 이해하지 못해 협업에 어려움을 겪는다. [27:13]
• 일을 공개된 곳에서 한다는 것은 사람과 AI가 모두 접근할 수 있는 공간에 결정과 맥락을 공유한다는 뜻이다. 업무에 필요한 배경을 함께 알아야 같은 방향으로 움직일 수 있다. [27:20]

15. 역할과 도구를 정하고 현재 목표를 일관되게 유지해야 한다

• 협업에는 명확한 역할과 알맞은 도구가 필요하다. 목표가 수시로 바뀌면 사람도 혼란스럽지만, AI는 서로 다른 지침이 누적될 때 방향을 잡기 더 어려워진다. [27:49]
• 에이전트 지침에는 현재 원하는 일을 잘 적는 것과 함께, 바뀐 지침을 삭제하는 작업도 중요하다. 조직의 각 직급이 서로 다른 요구를 남기면 AI 역시 지시 사이를 오갈 수밖에 없다. [28:14]

16. 권한은 점진적으로 열고 우회 가능한 행동까지 확인해야 한다

• 파일 접근과 실행 요청을 계속 승인하는 일이 번거롭더라도, 초기에는 AI가 어떤 폴더에 들어가고 무엇을 읽고 만드는지 확인해야 한다. 충분히 살피지 않고 모든 권한을 열면 데이터베이스 삭제나 잘못된 고객 메일 발송 같은 사고가 생길 수 있다. [29:01]
• 삭제 권한을 주지 않았어도 파일 덮어쓰기가 가능하면 내용을 없앨 수 있다. 실제로 삭제를 막았다고 안심했다가 모든 파일을 0KB로 바꿀 수 있다는 점을 알게 됐으며, 권한의 이름만으로 안전을 판단해서는 안 된다. [29:20]

17. 무분별한 승인은 기존 데이터베이스를 훼손할 수 있다

• 기존 데이터베이스에 기능과 내용을 더하려고 자료를 줬지만, AI는 스키마를 새로 설계하고 기존 것을 없앤 뒤 다시 만들었다. 변경을 확인해야 할 사용자가 요청을 모두 승인하면서 의도와 다른 작업이 진행됐다. [29:40]
• AI가 이틀 반 동안 작업한 뒤 결과를 시험했지만, 데이터를 가져오라는 요청에 데이터베이스 쿼리를 실행하는 대신 파이썬 코드를 작성하기 시작했다. 오래 실행됐다는 사실만으로 원하는 결과가 완성됐다고 판단하기는 어려운 사례다. [29:59]

18. 자료 훼손 사례가 드러낸 에이전트 감독의 필요성

• AI가 DB 형식만 만들고 내용을 채우지 않아 전달한 자료가 사라진 사례에서, 별도로 보관한 원본이 복구의 기반이 됐다. 복구 작업은 당시에도 진행 중이었다 [30:34]
• AI는 나름대로 개선을 수행했지만 결과가 잘못됐고, 작업 중간에 사용자에게 보고하지 않았다. 결과뿐 아니라 진행 과정도 확인해야 하는 이유다 [30:44]

19. 연구까지 확대되는 자동화와 전문직의 불안

• 앤트로픽이 신약 개발 연구소를 이미 설립해 운영하고 있었다는 기사는 KIST 연구원들에게도 앞으로 무엇을 해야 할지 고민하게 하는 계기가 됐다 [32:45]
• AI가 큰 도약을 잘하지 못하더라도 시도를 많이 반복하면 확률적으로 성과를 낼 수 있고, 그 수가 사람보다 많을 가능성도 있다. 특히 주어진 조건 안에서 최적화하는 작업에는 강점이 있다 [33:13]

20. 직접 수행하는 실무자에서 AI 팀을 이끄는 역할로의 전환

• 조직은 일을 잘하는 사람에게 다른 사람의 일을 지휘하도록 맡겨 왔다. AI 에이전트의 등장도 더 뛰어난 경쟁자의 출현으로만 받아들이기보다, 여러 에이전트를 활용해 성과를 확대하는 역할 전환으로 볼 수 있다 [35:17]
• 기존 업무를 AI에 맡기면 더 많은 일을 할 여지가 생기지만 전환이 쉽게 이뤄지지는 않을 수 있다. 디자인 분야에서는 AI가 만든 결과를 사람이 반복해서 수정하며 품질과 작업 범위를 높이는 활용 사례가 있다 [36:16]

21. 장기적인 고용 증가가 개인의 실직을 보상하지는 않는다

• 에이전트를 지휘하는 소수만 남을 수 있다는 우려가 제기된다. 기술 발전으로 장기적인 고용이 늘더라도 단기적으로 대체되는 사람은 일자리를 잃을 수 있으며, 거시적인 고용 증가는 그 개인의 손실을 보상하지 못한다 [37:40]
• AI 답변을 사람이 모두 확인해야 한다면 활용의 이점이 줄어들 수 있다. 이에 따라 AI 답변의 신뢰성을 측정하고 검증하는 역할이 새로운 직업으로 생길 가능성도 드러난다 [38:21]

22. 검증 자동화의 가능성과 생산성 향상의 실제 의미

• 지폐 계수기가 돈을 세고 사람이 확인하던 방식에서 기계 두 대가 서로 확인하는 방식으로 바뀐 사례처럼, AI 결과의 검증도 다른 AI에 맡기는 방향으로 발전할 가능성이 있다 [38:42]
• 여러 AI의 답변이 일치하는 것은 주어진 데이터 안에서 판단의 합리성을 살피는 데는 도움이 될 수 있다. 다만 정답이 있는 사실은 검색과 권위 있는 출처로 확인해야 하며, 이직·이사·결혼 같은 결정을 AI의 답변 일치만으로 맡겨서는 안 된다 [39:21]

23. 생성 콘텐츠가 섞인 검색에서는 출처 판단이 더 어려워진다

• 구글의 AI 검색 요약처럼 일부 검색 결과를 바탕으로 만든 답변을 그대로 믿으면 위험할 수 있다. 요약 아래의 원문 링크를 직접 열어 확인하는 과정이 필요하다 [40:39]
• 아기 공작을 이미지 검색하면 실제 새끼 사진과 함께 귀엽게 꾸민 가상의 생성 이미지가 많이 나온다. 사전 지식이 없는 어린이는 검색 결과라는 이유로 이를 실제 모습으로 받아들여 숙제에 사용할 수 있다 [41:19]

24. AI의 권위에 기대는 유혹을 경계하고 판단 책임을 지킨다

• AI가 알려줬다는 이유로 답변을 그대로 믿고 업무에 적용하는 태도에는 과도한 신뢰가 깔려 있다. AI에 매몰되지 않으면서 자신의 역량도 발전시키는 사용 방식이 필요하다 [41:58]
• AI로 답을 찾아 과제를 대신하는 행동은 과거에 답안지를 보고 숙제를 베끼던 행동과 연결된다. 쉽게 답을 얻으려는 유혹과 실수는 이전에도 있었으며, AI로 같은 실수를 반복할 수 있는 만큼 사용자 스스로 판단해야 한다 [42:42]

🧾 결론

• 요약과 완성된 답을 많이 소비하는 것만으로 지식이 쌓이지는 않는다. 원문을 읽고, 기억나지 않는 부분을 다시 찾고, 자신의 말로 쓰는 활동이 필요하다.
• AI를 비판자로 활용하면 자신의 논리를 점검하고 관점을 넓힐 수 있다. 최종 판단과 책임은 사용자에게 남는다.
• 생산성 향상은 시간 절약뿐 아니라 이전에 못 하던 일을 수행하고 결과의 품질을 높이는 데서도 찾아야 한다.

📈 투자·시사 포인트

• 조직의 AI 도입 성과를 볼 때 도구 보급과 함께 관리자 교육, 적용할 업무의 선정, 결과 검증 방식도 살펴볼 필요가 있다.
• AI 답변의 신뢰성을 측정하고 검증하는 역할이 새로운 직업으로 생길 가능성이 제시된다. 다른 AI를 이용한 검증 자동화도 발전 방향으로 언급된다.
• 에이전트 활용을 확대하려면 권한 관리와 자료 보호가 중요하다. 장시간 실행이나 많은 작업량만으로 성과를 판단하기는 어렵다.
• 장기적인 고용 증가가 단기적으로 일자리를 잃는 개인의 손실을 보상하지는 않는다. 기술의 생산성 효과와 개인의 직무 전환 부담을 함께 봐야 한다.

⚠️ 불확실하거나 확인이 필요한 부분

• AI 사용이 역량 저하로 이어질 수 있다는 설명에는 우려와 개인 경험이 포함돼 있다. 제공된 자료만으로 장기적인 인과관계나 영향의 크기를 확정할 수는 없다.
• GPT-4의 논문 피드백이 도움이 됐다는 응답이 80%를 넘었다는 연구는 논문명, 표본, 평가 조건이 제시되지 않아 원문 확인이 필요하다.
• AI의 혁신적 아이디어 생성 능력에 대한 평가는 적용 분야와 과제에 따라 달라질 수 있다. 전문 연구에서의 한계를 모든 활용 상황으로 일반화하기는 어렵다.
• 자막 기반 정리: 타임스탬프가 있는 자막을 기준으로 정리했으며, 고유명사·수치·인용은 원문 확인 필요 시 별도 검증한다.
• 영상 속 주장: 발표자의 해석·전망·비교는 확인된 외부 사실이 아니라 영상 속 주장으로 분리해 읽는다.
• 검증 필요: 수치, 기업 실적, 정책·시장 전망은 발행 전 최신 자료로 별도 검증이 필요하다.

✅ 액션 아이템

• 작업을 학습 자체가 목적인 일과 결과 제출이 목적인 일로 나누고, 직접 수행할 사고 과정과 AI에 맡길 범위를 정한다.
• 중요한 글은 AI 문장을 그대로 붙여 넣지 말고 직접 다시 쓰며, AI에는 근거 부족과 논리적 비약을 지적하도록 요청한다.
• 요약을 읽은 뒤 원문을 확인하고 핵심 내용을 자신의 말로 적는다. 이해가 불분명한 부분은 원문에서 다시 찾는다.
• 코드와 데이터 결과를 실제로 실행·조회하고 표본을 원자료와 대조한다. 오류가 발견되면 추가로 확인한다.

❓ 열린 질문

• 내 업무에서 반복적으로 직접 수행해야 역량이 유지되는 부분과 AI에 위임해도 되는 부분은 각각 무엇인가?
• 사람의 검증 부담을 줄이면서 오류를 발견하려면 어떤 작업을 얼마나 자주 표본 확인해야 하는가?
• 에이전트가 접근할 수 있는 정보와 실행할 수 있는 행동을 조직의 책임 수준에 맞춰 어디까지 허용해야 하는가?