[인프런 세미나] AI 시대 나의 전문성을 재설계하는 법 (하용호)

 

• 구글 DORA 리포트에 따르면 AI 도입 후 생산성이 J 커브를 그린다고 한다.
• 대부분의 조직들이 이런 J 커브를 단계적으로 경험 중 
• 조직의 시행착오를 관찰하여 개인이 어떤 시행착오를 할 것인지 대비 해보자

 

 

AI/AX를 진행하는 회사들은 어떻게 바뀌어 나갈까?

• AX를 본격 도입하면 회사가 어떻게 바뀔까?
  • 놀랍게도 비숫한 시행착오 패턴이 있다.
  • 환호 → 정체 → 신남 → 혼란 → 우울 → 극복

 

[환호 단계]

• 회사에서 AI 도입, 교육하고 독려 단계
  • 전사 AI 회사 제품 도입 시작 (ChatGPT, Claude, Gemini)
  • 외부 강사 교육 프로그램 진행
  • 사내 AX팀이 만들어진다
  • AI 관련 TF팀이 만들어진다

밈 - 리액션 가이즈

[정체 단계]

• 사람들은 생각보다 AI를 사용하지 않는다
• AX TF팀에서 여러 발표를 하고 잘쓰는 팀도 있지만 안쓰는 팀이 더 많다.
• 무엇보다 비개발자는 AI를 사용하지 않는다

💡왜 안쓸까?

업무에 AI를 쓴다는 것이 무엇인지 사람들이 떠올리기 어렵다.

- 1950년대 사람이 컴퓨터를 받았을때, 어떻게 쓸지 생각할 수 있을까?
- 마찬가지, 현대인도 AI를 쓴다는 것이 무엇인지 모르고 불편하다. 

 

https://www.shutterstock.com/search/stuck-traffic-angry?dd_referrer=https%3A%2F%2Fwww.google.com%2F

 

[신남 단계]

 

AI 관심과 능력이 있는 선두 멤버(선구자)들이 업무 문제를 해결하기 시작한다.

• 선구자들이 보안팀과 싸워가며 LLM을 사내 시스템과 연결하기 시작한다.
• 사내 MCP, Skill 들이 잔뜩 만들어지기 시작
• 사내 지표시스템, 대시보드, 어드민 툴 같은 결과물이 등장하기 시작
• 사내 AI 해커톤 등장
• 인간은 따라하며 배운다. 선구자들 결과를 보고 따라하기 시작
  • 이때 비개발자 사용량이 크게 증가하기 시작한다.
• 토큰 리더보드가 생기고 독려하는 시기 (=token maxing)
  • 누가 토큰을 많이 사용하는지 순위 확인하기 시작
  • 제일 부진하게 사용하는 사람은 팀장님 면담 호출
  • 초기에는 나쁘지 않다. 매니저 입장에서 직관적으로 관리
  • 후기에는 토큰 맥싱 해킹 시작(순위 올리려고 무의미한 사용)
    • 성과 없이 토큰 낭비로 놀라서 비용 통제를 시작 됨

사용량 1등 누구인가..! https://stock.adobe.com/kr/search?k=leaderboard

 

[혼란 단계]

• 뭔가.. 뭔가.. 기대에 못미친다
  • 임원들, 리더들 입장에서 AI 도입 후 업무가 얼마나 빨라졌나 체감 안됨
  • 심지어 본인도 모르겠다. AI 사용으로 기분은 좋은데 성과가 빠르지 않다
  • 좋고 빨라진 것은 맞는데 10%, 20% 정도만 빨라진 것 같다
• 시간이 지나고 보니 AI로 만든 프로젝트를 구성원이 사용하고 있지 않다
• 비개발자, 토큰 적게 사용하던 사람들이 토큰을 다시 적게 사용한다
• 심지어 더 이상 토큰 리더보드에 아무도 신경도 쓰지 않는다.

mbc 무한도전

 

[우울 단계]

• 남의 작업 결과물을 주의깊게 보는 사람이 줄어들기 시작한다.
  • 아 또 AI로 만들었네… 보기 조차 싫어하기 시작한다
  • 기업 전체에 AI Slop 증가
• AI가 만들어낸 코드로 점차 사내 시스템이 불안해 지기 시작
  • 사고가 발생하기 시작한다
    • 운영환경 장애 발생
  • 코드 뿐만 아니라 AI 생성 문서에도 잘못된 의사 결정이 발견된다
• 극단적으로는 AI 사용 금지 선언 회사도 등장

우울의 근원

• 구글 DORA 팀에서 발표한 리포트 AI 지원 소프트웨어로 인한 ROI 보고서 발표 (The ROI of AI-assisted Software development)
  • AX 도입 시 J커브가 발생한다
  • 초반에 생산성이 더 하락하는 3가지 함정에 빠진다.

DORA report

1. AI Learning Curve (학습 비용)

• AI 도구 학습에 들어가는 시간

2. Verification Tax (검증세)

• AI 결과물 검증에 들어가는 비용
• AI 시대의 부채 관리 비용
  • 기술부채 (Technical debt)
    • 빠른 출시를 우선한 선택의 누적이 생산성을 저해하는 현상
    • AI가 만든 코드는 당장 목적을 달성하는데 집중하여 해결한다.
    • 시스템 전역적인 이해를 가진 존재가 체크해야 발견 가능한 버그를 심는다.
    • 빠르게 생성 = 빠르게 부채
      • 뒷수습해야할 것들이 빠르게 늘어나고, 이것이 속도를 저하
    • AI 폭증 부채에 대한 별도 조치 하지 않으면 5-19개월 안에 회사의 속도가 망가지더라
      • 훌륭한 시니어가 리뷰를 빡세게 해주면 안되나? 안되더라
  • 인지부채 (Cognitive debt)
    
    • 현재 가장 문제가 되고 있는 부채
      • “팀이 지금 시스템을 얼마나 함께 이해하고 있는가”에 대한 부채이다.
    • LLM이 엄청나게 많은 코드와 문서를 쏟아내며 읽을 수 없는 상황
    • 기존에는 본인 손으로 코드를 절차적으로 만들어 일과 관련한 맥락은 자연스럽게 학습했다.
    • 그러나 작업 주체가 AI가 되면서 뭉터기로 결과가 와르르 쏟아진다.
      • 결과물 파악이 의도적으로 따로 해야하는 업무가 되어 버렸다.
    • 인지적 항복 상태 발생
      • 결론 부분 정도만 눈여겨 읽고, 전체 검토는 포기
      • 카파시 : “thinking은 아웃소싱해도 결과물 understanding은 아웃소싱 하면 안된다” 조언에 반하는 행동
    • 멤버들의 생산량은 늘었으나, 결과물의 확신은 잃었다.
    • 리더들은 올라온 보고서나 결과에 대해 데이는 경험을 반복하게 됨
      • ex) AI를 써서 분석한 리포트를 직원에게 받았다. “뉴스 트래픽 증가가 없습니다.” > ??? 20-30% 가까이 평균이 확 늘었는데?
    • 인지부채가 쌓여있는 상태에서 장애가 일어나면 AI가 해결책으로 내놓은 여러 대안들중 뭐가 정답인지 알수가 없다.
    • 큰 사고로 이어짐 
  • 의도부채 (Intent debt)
    • 대표적인 의도부채의 예시
      • “왜 이 코드 시간 제한이 5초?”
      • “결산할 때 A 고객사는 매출 절반만 잡아요?”
      • 어… 언제 변경됬는데 아는 분이 퇴사했는대…
    • 산출물이 있고 시스템도 돌아가지만 당시의 의도는 휘발
      • 당시 만들었던 제약, 트레이드 오프, 맥락 유실
      • 기존에도 있던 문제지만 AI 시대에 극대화 됨
    • 예전에는 여러명이 구성된 팀이 회의/공유하며 서로간 백업을 하며 여러 족적을 남기며 근무
    • 그러나 AI 시대에는 1인이 맡는 일의 범위가 커지며 1명의 ‘의도, 고민 결정이 프롬프트에서만 남았다.’
      • 과정이라는 중요한 정보가 prompt에서만 이루어져 휘발
      • 복원할 수 있는 소스가 없는 상태로 빠지며 의도 부채 폭증
    • 의도부채 관리 체계가 없던 회사들이 비용절감을 위해 인력을 해고 후 다시 채용 중이다.

3. Pipeline Adaption (업무 워크플로우 적응)

• 옛날 업무를 살펴보자
  • IT 도입으로 업무의 가속이 어떻게 발전했을까
    • (도입 전) 종이 기반 = 수기작성 > 종이 전달 > 대면검토 > 대면결제
    • (과도기) 컴퓨터 초기 기반 = 컴퓨터 작성 > 출력 > 대면검토 > 대면결제 > 프린트 파일철 해서 보관
    • (성숙기) 통합 시스템(채팅, ERP) > 전자결재 > 실시간 협업
  • 종이 결제 대신에 메신저로 일하고 있는 것 처럼 업무의 틀 자체를 바꿔야 한다.
  • 틀을 바꾸지 못하면 해고가 시작된다.
    • 오랜 업무 플로우에 갇혀 개혁이 엄두가 나지 않는다.
      • AI ROI가 있는가? (200달러짜리 클로드 사용했는데?)
      • 이익(+)을 못내면 절감(-)으로 이익을 간다
      • 적어도 같은 일을 더 적은 사람이 할 수 있다는 것을 확인
      • 자르자..!
    • 한 명이 10배 생산량을 내면 해고 대신 20배 생산량을 가지는 것이 맞지 않나?
• 업무의 Pipeline이 개혁되어야 한다.

 

[극복 단계]

AI 잘하는 회사는 어떨까?

AI Native 회사의 조건

• 자료는 물론 회의와 작은 결정까지도 기록으로 남고, 머신이 읽어 AI가 검색 참조 가능해야함
• queryable한 회사의 정보와 지난 시도의 결과들이 다음 시도의 입력이 되어, 더 나은 시도가 되도록 loop
• 이를 통해 이전보다 더 나은 시도를 지속적으로 반복하게 한다.

https://www.youtube.com/watch?v=EN7frwQIbKc

회사 Components의 변화

• 회사의 많은 시스템은 인간이 쓰는 것을 전제로 설계
• 업무 프로세스 역시 ‘인간’을 중심에 두고 구축됨
• 가위를 사람이 쓴다면 손잡이가 그렇게 생겨야 겠지만, 로봇이 가위를 쓴다면?
• 사용자가 AI일 때 사내 시스템의 가장 자연스러운 인터페이스는?
  • 회사의 모든 컴포넌트가 AI가 사용자다로 재편되어야한다.
• 사람은 9시간 일하지만, AI는 24시간 일한다
• 시스템 컴포넌트를 AI 조작 친화적으로 변화시켜야한다
• 그리고 인간에게는 검증 친화적으로 재설계하는 작업이 필요하다.

(이런 과정이 없다면 우리 조직은 앞단 있구나…가 될 것)

 

 

극복 해결책

• 다시 정리해보는 우울의 근원 부채
  • 기술부채
  • 인지부채
  • 의도부채

 

이러한 부채는 사람들의 역할 변화 + 시스템 도입으로 복합적으로 해결되는 경향이 있다.

 

사람의 역할 변화 - 검증 레이어를 만드는 전문가로 변화

• 사람의 메인 작업은 ‘검증’으로 바꾼다
  • 과거 (사람생산 + 사람검증)
  • 미래 (AI생산 + 사람검증)
• 사람은 최종 결과물만 철저하게 검증한다.
  • 검증 레이어를 만들기에 역량을 집중
  • 가능한 모든 것을 자동화
    • Test Code
    • Profiling
    • LLM as Judge
  • 세밀하게 만든 검증 레이어를 만들면서 의도부채가 해결된다.
  • 검증으로 가는 인식변화의 중심 사건
    • claude code의 소스코드 유출 사건
    • 생각보다 코드 퀄리티가 낮다?
      • A급의 잘 정리된 코드가 필요했던 것은 인간의 인지공간 사이즈에 맞춰 작업하기 위해서 였다.
      • A급으로 조직화되지 않은 코드라도 AI가 자유롭게 다룰 수 있다면?
      • C,D급이여도 검증을 잘 통과하고 결과를 담보하면 최적의 과정은 필요 없는게 아닐까?
  • 검증 레이어를 실천 예시
    • 발표자 님은 본인 돈을 AI로 주식 투자 되게 설정해 둠
    • 수백개의 검증레이어를 두었기 때문에 할 수 있는 결정
• 검증 레이어란 무엇인가
  • build-time의 검증
    • 통과/실패로 구분되는 것들
    • 숫자 점수로 표시되는 것들 (Quantitative Metrics)
      • 초당 처리량(TPS)
      • 결과 나오는데 걸리는 시간(레이턴시)
    • 숫자로 표현하기 힘든 정성적인 기준들 (Qualitative rubrics)
      • 과도하게 추상화 안되고 확장 가능 아키텍처인가
      • UX가 직관적 동선을 가지고 있나
      • 디자인에 너무 많은 색상이 있지는 않은가
      • 보통 LLM을 전문가라 생각하고 스케일 1~5로 표현해보라 함
  • Run-time의 검증
    • 업무 수행 단계에서의 상시 검증 레이어도 필요하다.
• 검증 레이어를 설계하는 것이 미래 업무가 될 것
• 누가 좋은 검증레이어를 만들까?
  • 업에 대한 깊은 이해가 있어야한다.
  • ‘이러한 것이 옳은 것이다’ 라는 것을 정의할 수 있다.
  • 전문가는 좋은 검증을 만든다
    • 좋은/나쁜 결과물 구분에 대한 안목이 있어야한다.
  • 검증레이어를 쌓아가며 전문가가 될 수 있다.

 

시스템의 도입 - 회사차원에서의 드라이브

• AI 초기에는 ‘생산량’을 언급 했으나
• 시간이 지나면 ‘당신이 추가한 검증량과 구조’를 요구하도록 변화
• 사람들의 일, 조직의 시스템도 해당분야로 가도록 한다

 

---

 

번외

 

소소한 검증 팁

• 검증은 항상 별개의 에이전트 인스턴스를 띄워서 진행한다.
  • LLM은 기본적으로 본인 작업을 옹호한다. 맥락을 공유하지 않은 에이전트를 진행해라 (sub-agent도 좋다.)
  • ex) “서로 다른 관점에 대해 비판, 돌아온 비판이 타당하면 메인세션에서 재검증하고 타당하면 수용하도록 위 전체 과정을 2회 반복해”
• auto research (by 안드레아 카파시)로 AI로 AI를 반복해서 개선하도록 작업
  • AI가 AI를 만드는 세상
  • 사람들이 자고 있을때 AI가 일하는 세상
  • 인간의 역할은 AI에게 도구를 쥐어주고, Agent 친구들을 풀어놓고, 검증 경계를 보수하는 일
  • 자고 있을때 이뤄지는 것이 없다면, 아직 멀은 것
  • 랄프가 Loop라는 이름으로 유행중
  • AI가 모든 수단을 사용해가며 끊임없이 반복하며 작업해 간다.

 

개인을 위한 팁

• 의도부채를 더 적극적으로 해결하는 방법
  • 문제의 근원은 암묵지 (tacit knowledge)
  • 문서화 되지 않은 암묵지가 너무 많다.
  • 암묵지는 내가 아는데, 내가 안다는 사실을 모르는 지식이다.
    • AI가 나에게 물어봐 주고, 물어본 내용을 문서화 하는 방법 추천
      • mattpocock의 skill 활용해 볼 것 → “grill me”, “grill-with-docs”
        • 인간과 AI가 어떻게 상호작용하냐 관점이 굉장히 좋다.
          • AI의 plan이 내 머릿속 의도와 틀린점이 없을까?
          • 뭐가 좋은 질문인지 모를때가 많다.
          • grill me의 질문들은 AI가 주요고민해야할 관점들을 질문해줘서 질문하는 방법을 배울 수 있다.
      • “grill-with-docs” 같은 과정을 하지만, 산출물로 MD 문서(ADR) 정보를 남긴다.
      • 자신을 검증자이자 조언자로 개념화하고, AI를 매우 적극적인 질문자로 만들어 역활 변화를 느껴보자
    • 관계 역전으로 나의 생각/사고/판단을 트레이닝 하는 도구가 되어준다.
      • 너가 나를 인터뷰해줘
      • 너가 나에게 고민할 수 있는 것들을 던져줘

 

회사 차원 암묵지 캡쳐 팁

• Company-with 메모리 제작
  • 직원들의 프롬프트 작업을 누적하여 문제 해결의 도움
  • A부서 에이전트, B부서 에이전트
    • 둘다 같이 시행착오 비용을 중복할 필요 있는가.
  • 회사 차원에서 공통 관리되는 거대 메모리
    • 사람들의 에이전트와 티키타카 프롬프트, 에이전트의 시행착오 극복 기록
    • 주기적으로 여러 에이전트 세션들을 모아 맥락을 배우고, 암묵지를 캡쳐한다.
    • 이를 공통 메모리에 업데이트, 1회성이 아니라 continuous learning
  • 엔트로픽에서 이미 이런 제품을 만들었다.
    • A unified memory system
    • 엔터프라이즈 제품에서 지원
    • 엔터프라이즈에 소속된 직원들이 작성한 prompt들이 기록됨
  • 회사 메모리 성공 사례로 Harvey라는 법관련 AI 제품
    • 기존대비 6배 벤치마크 상승한 제품 출시 됨
  • 이런 도구만드는 회사도 있다
    
    • memory.store
• 개인차원에서도 메모리 시스템을 만들어 작업 했던 내용을 쌓으면
  • 내 전문성이 쌓이는 공간이 된다.

 

AI시대 인재상

• 무엇이 좋은지 아는 안목을 가진 사람
• 도메인에 대한 깊이 이해하고 있는 사람
• 빠르게 만들고, 빠르게 고치고, 빠르게 배우는 사람
• 생산보다 판단을 더 많은 시간하는 사람
• 대표님 같은 사람이 되라
  • 나보다 마케팅 전문가도 아님
  • 나보다 개발 전문가도 아님
  • 나보다 디자인 전문가도 아님
  • 대표
    • AI 구독하듯, 월급으로 우리를 구독하고 있다.
    • 일의 시작과 끝을 책임지는 사람
    • 문제를 쪼개는 사람
    • 실패를 빠르게 판별하는 사람
      • 확실한 것은 맡겨두고 방치하면 망한다
    • 일이 되게 하는 구조를 찾는 사람
      • 조직 개편
  • 애매한 상황에서 답을 찾아가는 능력
    • 훈련하고 있나요?
    • 아니면 팀장으로 승진해라 (강제로 훈련됨)

 

유달리 중요해지는 새로운 강점들

빠른 맥락 파악 능력

• AI시대 새 핵심 기본기는 빠른 맥락 파악이다.
  • 어떻게 더 쉽게, 빠르게 맥락을 파악할까?
• 예전 세대는 문서로 맥락 파악
  • 문서란 어떤 실체
  • 잘 정리된 문서를 찾아 다녔다.
• 그러나 요즘의 신입사원 온보딩 문서는 다르다.
  • 온보딩 시 AI에게 해야할 질문 리스트 들이 있다.
  • 신입사원은 여러 질문을 해가며, 자신에게 맞는 타입의 설명문서를 라이브로 얻는다
• AI Native 시대의 문서
  • 문서란 잠시 생겼다가 사라지는 휘발성 가스 같은 것
  • 문서를 만들 기저 데이터(Source of Truth)만 튼튼히 있으면 된다.

mind-sized bites의 변환력

• 한 입 크기의 지식을 능동적으로 ‘생성해 읽는 스킬’이 필요하다.
• 누구나 읽기 쉬운 문서가 아니라, 나에게 특별하게 맞는 방식의 지식 변화력 필요
  • 나의 인지부하를 적게 일으키는 방식
  • 이를 위해선 나 자신에 대한 이해가 필요
  • 똑같은 내용이라도 나에게는 어떻게 설명하면 더 잘 이해하는가
  • 1시간 분량 내용을 10분만에 이해할 수 있게 rewite 하는 능력이 필요하다.
• 짧은 시간에 많은 context를 소화하는 능력

어그로력 (마케팅력)이 필요하다

• 수백개 제품중에 어떻게 간택받을 것인가
  • 가장 중요해지는 능력
• 오히려 모든 직군의 핵심 능력이 된다.
• 물량에 밀려 발견되기 어려운 시대이다.
  • 동일 수준 제품이라면 더 어그로 끄는 능력이 필요하다
• 개인과 제품에 대한 막대한 스타성을 추구하는 노력 배분이 필요하다
• 악플보다 무플이 중요한 시대

취향(Taste)

• 제품이 너무 많다보니, 취향이 반영
• 만든 사람의 철학, 취향, 고집등이 강하게 반영되고
• 색다른 결이 묻어나는 제품이 선택 받게 된다.
• 이제 우리는 전체 공정 일부분을 맡는 전문가가 아니라 시작부터 끝까지 취향을 입히는 사람이 되어야한다

더하기 말고 빼기 능력

• AI 시대의 가장 흔한 실수 “와~ 빠르게 만든다” → 다 만들자
• feature creep
  • 관리 포인트
  • 대체 무슨 제품이냐
• 무엇을 할 것인가가 아니라 무엇을 덜 할 것인가
• 어떤 일관성 안에서 연계가 이뤄나는가
• 더하는 비용이 0으로 줄어드는 시대 빼는 것이 명확한 취향의 발현
• 빼는 것은 더불어 기술 부채를 피하는 길이기도 하다.

AI Native 기업으로 변신할 때 주요 병목 포인트

• SSOT
  • 회사의 모든 정보다 믿을 수 있게 유지된 싱글소스
  • AX는 커녕 다들 테이터화도 안되어 있음 (DX도 안됨)
  • 작은 커뮤니케이션도 디지타이즈하는 습관이 형성 안되어 있음
  • 이미 너무 많은 정보 파편화 되어 있음
  • 한번 DX 세팅 해도 시간이 지나면서 자꾸 괴리가 일어난다
  • 무엇이 진리인지 기계적으로 판단하기 어무 어려움
  • SSOT를 끊임없이 자동 빌드하는 체계/시스템이 필요함
• 사람들의 번아웃이 빨리온다.
  • 작업속도가 빨라지면 아무리 좋은 검증레이어를 만들어도 인간이 결정해야하는 문제들이 적체
    • 막대한 인지부하가 생긴다
    • 일은 빨라져도, 사람의 속도는 빨라지지 않는다
  • 번아웃의 징조
    • 출근 시간 늦어지고, 연차쓰는 사람들이 많아짐
  • AX 시대에 오히려 멘탈, 에너지 관리가 중요하다.
• Taste(취향)의 수렴
  • Taste는 정답이 없고, 명문화 하기 어렵다.
    • 아키텍처의 호불호
    • 생각하는 유저의 페르소나
    • 유저들이 처음에 겪어야하는 UX 흐름
    • 전반적인 디자인 방향성
  • 이러한 취향을 합치하는 과정은 인간들의 느린 커뮤니케이션(회의) 기반으로 이루어진다.
    • 즉 인원수 비례 속도 저하가 발생
  • Taste가 수렴되지 않아 연결된 후속 작업들이 일시정지 하게 된다.
    • 이런 sync 프로세스가 다시 AI 회사의 속도를 일반 회사 속도로 만든다.

데이터 직군의 미래

• ㅠㅠ… 가장 많은 채용이 줄어든 직군
• amplitude? 원본 데이터 소스에 클로드 연결하면 해주는데?
• quaryable
  • AX를 위한 DX는 누가 잘할끼?
  • 모든 회사의 데이터는 2가지 타입이다
    • 없거나, 쓸 수 없다
  • 기존 문제 : DX에 목적이 없었다.
  • AX라는 목적에 기반한 DX를 가장 잘할 수 있는 사람은 데이터 직군이다.
    • 우리 회사에서 안시켜주면, 다른 회사 승진해서 이직하자. SSOT 그거 내가 할 수 있다 마인드 

 

끝으로 이 시대에 전문성은 여전히 필요한가

• 겔만 암네시아 이펙트 (Gell-Mann Amnesia Effect)
  • “신문에서 내 전문분야 기사 읽으면 오류 투성이가 보인다”
  • “다른 비전문 분야 기사를 읽으면 그건 정확할 거라고 믿는 망각 현상”
  • 인지적 편향이 존재
• ‘그럴듯한 가짜’를 걸러내고 ‘진짜’를 확신하려면 전문성이 필요하다
• 가장 타당하고 안전한 검증레이어를 만들 수 있는 것은 전문가

 

쉬운 결정은 AI가 다 하고나면 사람에게 올라오는 것은 어려운 결정뿐

• AI가 못하고 올리는 것은 보통 가치를 다루는 어려운 트레이드 오프 질문
  • ‘옳은 가치1’ vs ‘옳은 가치2’
  • 효율성
    • 전분가는 10분만에 쟁점 파악, 비전문가는 1시간 파악
    • 결정에 걸리는 시간동안 모든 것이 멈춘다. 누구를 써야할까
  • 정확성
    • 비 전문가는 ‘부존재’를 눈치못챔 (있어야할 것이 없는데, 눈치 채지 못한다)
    • AI가 미쳐 검토하지 못한 각도의 발견이 정확성을 가져온다.

책임이 부가되는 결정은 인간이 한다.

• 완전 자율 AI 식당이라도, 길 가는 6살에게 책임을 맡길 수 없다.
  • 식중독이 나면?
• 세상의 많은 결정들 중 어려운 결정들은 ‘책임이 딸린 결정’
  • 실패시 어떤 문제가 발생하는지 이해, 예측
  • 사고를 수습할
  • 책임의 자격은 타인의 납득이 필요하다
  • 현재로선 AI는 책임을 질수 있는 주체가 아니다.

---