AI가 교수도 평생 한 번 봤다는 진단(OIH)을 찾아냈습니다 — 환자 의무기록 수만 장을 구조화한 결과 

https://news.hada.io/topic?id=30764

• 
  한국에서 오랜 기간 투병 중인 환자의 의무기록을 제주에서 서울까지 전국 병원에서 대신 발급해, 종이 수만 장을 스캔·OCR·구조화한 뒤 AI로 분석했다.
• 그 과정에서 AI가 OIH(오피오이드 유발 통각과민) 가능성을 제시했고, 담당 교수가 "평생 한 번밖에 못 본 케이스"라며 자신이 놓쳤음을 인정, 척수자극기 수술이 앞당겨졌다.

출발점: 흩어진 기록, 읽지 못하는 환자

• 오래 투병한 환자일수록 자신의 의료 기록을 하나로 통합해 보지 못한다. 기록은 병원마다 흩어져 있고, 전원할 때마다 종이 사본을 떼어 제출하는 방식으로만 흐른다.
• 이번 환자는 후종인대 골화증(OPLL)에 의한 척수병증으로 감압·유합술을 받았으나, 수술 후 통증이 심해지는 FBSS(척추수술 후 통증 증후군)가 발생했다.
• 거쳐 간 병원만 해운대백병원 → 서울대병원 → 부산성모병원, 그리고 교수가 옮겨 간 제주대병원까지. 서울대 한 곳에서만 종이 사본이 천 수백 장이었다.

우리가 한 일: 전국 발급 → 데이터화

• 환자를 대신해 부산·서울·제주에 흩어진 병원 4곳에서 의무기록을 직접 발급받았다. 종이로 수만 장 규모.
• 그 안에는 의사의 진료 노트, 수년치 검사 결과 추이, 수술·약물·행정 서류가 뒤섞여 있었다. 사람이 수만 장을 읽고 시계열로 정렬하는 것은 사실상 불가능하다.

파이프라인: 스캔 → OCR → 구조화 → 시계열 통합

• 스캔으로 디지털화하고, OCR로 손글씨 진료 노트·인쇄 검사지를 텍스트로 추출, 날짜·병원·검사 항목·수치·약물·수술 이벤트를 표준 스키마로 정규화했다.
• 병원 4곳의 기록을 하나의 타임라인으로 합쳐 5년치 longitudinal EMR을 구성. 단일 LLM에 몇 줄 입력하는 것과는 데이터 기반 자체가 다르다.

발견의 순간: 마약성 진통제의 역설

• 환자는 통증으로 마약성 진통제를 썼으나, 용량을 늘려도 통증이 잡히지 않고 오히려 심해지는 비정상 반응을 보였다.
• 이 비전형 경험을 기록과 함께 입력하며 질문을 이어가던 중, AI가 OIH(Opioid-Induced Hyperalgesia, 오피오이드 유발 통각과민)를 제시했다. 환자는 그 전까지 이 개념의 존재 자체를 몰랐다.

결과: 교수가 놓친 것, 그리고 앞당겨진 수술

• 다음 외래에서 교수에게 상의하자 교수는 "나도 평생 한 번밖에 못 본 케이스"라며 자신이 놓쳤음을 인정했다.
• OIH 해석이 서자 마약성 진통제를 줄이고, 척수자극기(SCS) 삽입 필요성에 확신을 얻었으며, 막연히 고려만 하던 수술을 확실히 진행하기로 결정. 정보 제공에서 멈추지 않고 실제 행동의 변화로 이어졌다.

이것이 의미하는 것

• 모델이 똑똑해서가 아니라 데이터 기반이 달라서 가능했던 일이다. 가장 어려운 일은 추론이 아니라 제주에서 서울까지 흩어진 수만 장의 종이를 기계 판독 가능한 하나의 데이터로 만드는 것이었다.

본 사례는 환자 동의 하에 개인 식별 정보를 제거하고 재구성했다. 의학적 판단은 반드시 담당 의료진과 상의해야 한다.

How to Be a 30x AI Engineer with a Taste( 취향(taste)을 갖춘 30배 AI 엔지니어가 되는 법)

https://pakodas.substack.com/p/how-to-be-a-30x-ai-engineer-with-a-taste

https://news.hada.io/topic?id=30338

https://news.hada.io/topic?id=30263

1. AI 코딩 시대의 변화와 패러다임 전환

• 코드 생성의 상품화: 2025년 말 주요 AI 모델(Opus 4.5, GPT-5.2, Gemini 3 등)이 숙련된 엔지니어 수준의 코드를 수 분 만에 작성하게 되면서, 단순히 코드를 타이핑하는 기술의 가치는 급락했습니다.
• 엔지니어 역량의 재정의: AI가 코드의 대부분을 작성하는 세계에서 엔지니어의 진짜 차별점은 속도가 아니라 문제 분해, 아키텍처 설계, 신뢰성 검증, 트레이드오프 판단을 아우르는 ‘취향(Taste)’으로 이동했습니다.

2. '취향(Taste)'의 3가지 정의

최고의 엔지니어링 팀이 말하는 취향은 결국 '내부 평가 함수의 품질'이 어디로 향하는가에 따라 3가지 형태로 나뉩니다.

• 인식 (Recognition): 어떤 구현이 왜 더 나은지 논리적으로 설명하기 전에, 직관적·패턴 매칭으로 더 깔끔하고 확장 가능한 코드를 식별하는 능력입니다. (예: 팀의 행동 양식을 유도하기 위해 TypeScript 대신 Rust를 선택하는 결정)
• 나침반 (Compass): 무언가를 만들기 전에 '옳은 기능인지 아닌지' 방향을 아는 능력입니다. 수많은 프로토타입을 거치며 임의적이지 않고 필연적인 해법으로 수렴해 나가는 기준이 됩니다.
• 비전 (Vision): 현재가 아니라 2년 뒤에 중요해질 것을 내다보는 능력입니다. 지루한 코드 생성이 아닌, 시스템 설계 및 모델이 소프트웨어의 존재 이유를 이해하도록 만드는 제품 전략에 집중하는 것입니다.

3. 취향이 막대한 가치를 만드는 5가지 영역

4. 나쁜 취향 vs 좋은 취향 (실제 사례 비교)

• 기술 스택 선택: 관습이나 유행에 따라 선택하면 '취향 없음', 모델의 강점(예: Claude 모델이 이미 잘 다루는 분포)이나 구체적인 제약 조건에 근거해 선택하면 '취향 있음'입니다.
• AI 생성 코드 리뷰: AI가 짠 코드를 테스트만 통과했다고 바로 출시하면 '취향 없음', 전체 시스템 구조와 검증 계층(로컬 CI 등)의 정확성을 인지하고 코드보다 '생성 프롬프트(의도)'를 리뷰하면 '취향 있음'입니다.

5. 취향을 기르기 위한 90일 가이드 & 추천 프로젝트

[ 90일 훈련 계획 ]

• 1개월차 (인식 구축): 존경받는 개발자 도구 10개와 기술 논문 10편을 분석하며 첫 60초의 느낌과 우아한 방법론의 통찰을 기록합니다.
• 2개월차 (나침반 구축): 같은 종류의 예시(API 문서, 블로그 등) 두 개를 비교해 왜 하나가 더 나은지 구체적 메커니즘을 밝혀 적는 연습을 합니다.
• 3개월차 (비전 적용): 기존 프로젝트의 온보딩/README를 재설계하고, 모든 아키텍처 결정을 관습이 아닌 제1원칙(First Principles)으로 설명하는 시스템을 설계합니다.

[ 실행해 볼 수 있는 5가지 프로젝트 ]

1. AI 코드 평가 프레임워크 구축: AI가 생성한 PR이 프로덕션에 적합한지 채점하는 자체 루브릭 정의 (품질 판단력 향상)
2. 오픈소스 온보딩 재설계: 타 기여자가 첫날 바로 PR을 보낼 수 있도록 개발자 경험(DX)의 첫 5분을 개선 (사용자 공감 능력 향상)
3. 팀 내 '취향 테스트' 만들기: 엔지니어 간의 의견 불일치 지점을 찾아내어 조직의 표준과 아키텍처 기준을 정렬
4. 48시간 제약 내 제품 출시: 극단적인 시간 제약 속에서 기능을 쳐내고 포함하는 필수적 취향 결정 강제 수행
5. 사고를 바꾸는 기술 블로그 작성: 단순 튜토리얼이 아닌, 독자의 관점을 뒤흔드는 독창적인 시각 공유 (스토리텔링 능력 향상)

💡 결론

AI가 타이핑을 대신해 주면서 엔지니어의 전통적인 '손코딩 상실감'은 현실이 되었습니다. 하지만 어떤 코드가 존재해야 하고, 어떻게 구조화되어야 하며, 언제 충분한지를 아는 '취향'은 언제나 엔지니어링의 본질이었습니다. 앞으로 번창할 엔지니어는 이 취향 중심의 판단력에 경력을 최적화하는 사람입니다.

"AI시대에 가장 중요한 스킬은 뭘까요?"

https://brunch.co.kr/@hongchanchoi/11

AI시대에 가장 중요한 스킬은 비판적·분석적 사고력이다. 가장 뻔한 질문에 가장 원초적인 답변이다. 그러나 이 진부함에는 그럴만한 이유가 있다.

비판적·분석적 사고력은 다양한 모습으로 나타난다.

첫째는 AI에게 날카롭고 의미 있는 질문을 던지는 능력이다. 좋은 답은 언제나 좋은 질문에서 출발한다. 질문의 수준은 결국 질문자가 가진 주제에 대한 이해도와 감각(Taste), 그리고 '내가 무엇을 원하는가'라는 의도성(Intentionality)과 주체성(Agency)에 비례한다. 그렇기 때문에 경험과 지식이 많은 T형 인재들이 유리할 수밖에 없다. 통찰력 있는 좋은 질문이 결국 모든 AI 워크플로우의 출발점이다. 

둘째는 AI가 내놓은 결과를 비판적으로 분석하는 능력이다. AI의 결과물이 기술적, 표면적으로 완벽에 가까워 보일수록, 그 겉치레를 넘어 오류와 빈틈을 꿰뚫어 보는 비판적 판독력이 반드시 필요하다. 내용도 제대로 이해하지 못한 채 결과물만 가져다 쓰다 보면 인지 부채(Cognitive Debt)가 쌓이게 된다. 이 문제가 증폭되는 것을 막기 위해, 내가 만들어낸 AI 결과물을 온전히 이해한 뒤, 책임감을 가지고 타인의 프로세스에 병목을 만들지 않는 것이 매우 중요하다.

셋째는 AI 사용자로서 자기 자신을 성찰하는 능력이다. AI의 진정한 위험은 '사유의 마찰(불편하고 느린 숙고의 과정)'을 제거해버리는 데 있다. 자신도 모르게 이러한 패턴에 빠지고 있지 않은지 끊임없이 돌아보아야 한다. 그와 반대로 AI를 너무 단순한 도구처럼 최소한으로 사용하고 있지는 않은지도 생각해봐야 한다. 이 스펙트럼 위에서 적절한 밸런스를 유지하면서, AI 사용을 언제 멈춰야 할지 아는 것, 즉 사람이 개입하여 마무리 지어야 하는 타이밍을 아는 능력도 중요하다.

AI 이야기, 이제 지겹지 않나요?

https://news.hada.io/topic?id=27827

• AI가 워크플로를 완전히 바꿔놓았고 생산성도 크게 높여줬지만, 매일 쓰다 보니 이제 더 이상 새로울 게 없는 일상이 됨
• Hacker News 등 개발자 커뮤니티가 거의 동일한 Claude Code 워크플로 자랑과 AI 도구 설정 이야기로 뒤덮여, 흥미로운 프로젝트와 문제 해결 논의가 밀려남
• 2023년에는 코드보다 제품 가치(Product Engineer) 에 집중하자는 흐름이 있었는데, 지금은 엔지니어링에서 가장 쉬운 부분을 더 쉽게 만드는 도구에 집착하는 방향으로 퇴보
• 경영진까지 AI에 올라타면서 개발자당 토큰 사용량 같은 무의미한 지표를 측정하기 시작, 과거 코드 줄 수 측정과 다를 바 없음
• 도구가 아니라 그 도구로 무엇을 만들고 있는지, 누군가에게 가치를 전달하는 진짜 목적을 이야기해야 함

AI 피로감: 놀랍지만 이제는 일상

• AI는 놀라운 기술이고 매일 사용하며 워크플로를 완전히 바꿔놓았지만, 일상적으로 쓰다 보니 더 이상 대화할 거리가 남지 않은 느낌
• 최근 새 역할을 맡아 까다로운 도메인에서 웹 스케일 작업을 시작했는데, AI 덕분에 몇 주 만에 생산성이 0에서 1로 올라감
• 변화의 속도가 빠른 건 맞지만, 하루하루 체감하는 수준에서는 루틴화된 상태

개발자 커뮤니티의 AI 편중

• Hacker News는 원래 흥미로운 프로젝트와 문제 해결로 가득했지만, 지금은 세 명이 올리는 거의 동일한 Claude Code 워크플로와 OpenClaw로 고양이 쓰다듬고 비디오 게임 하면서 절약한 시간으로 또 AI 도구를 설정한다는 포스트로 변질
• 이 현상이 자기 충족적(self-fulfilling) 순환 구조를 만들고 있음
• Kagi Small Web도 같은 현상의 예시로, 'next' 버튼을 20번 누르면 AI 관련 글이 얼마나 되는지 확인해볼 만함

Product Engineer에서 도구 집착으로의 퇴보

• 2023년, 누구든 Claude Code 터미널을 열 수 있는 사람을 'AI 엔지니어'라 부르기 전, 'Product Engineer' 가 가장 뜨거운 개념이었음
• 코드에 대한 집착에서 벗어나 제품이 전달하는 가치에 집중하자는 방향이었고, 매우 합리적이었음
• 하지만 지금은 코드 대신 과도하게 비대해진 자동완성 도구(overgrown auto-complete) 에 집착하는 상태로 퇴보
  • 엔지니어링에서 가장 쉬운 부분을 더 쉽게 만드는 데 몰두하는 꼴
• 목공 커뮤니티에 비유하면, 만든 테이블 사진을 올리던 곳에서 모두가 같은 망치를 같은 방식으로 쓰면서 망치 이야기만 소리치는 상황

경영진의 AI 개입과 무의미한 지표

• 과거 매니저들은 데이터베이스 기술, IDE, JavaScript 프레임워크에 관심이 없었고 기능 완성과 판매만 원했음
• 이번에는 경영진이 구현 세부사항에 직접 발을 들여놓기 시작
• 대부분의 개발자가 올해 목표에 'AI를 더 사용하라' 는 회사 이니셔티브를 받았을 것
• 기존 경영진의 SDLC 개입은 DORA 메트릭스 등 산출물(faster deploys, time to respond) 중심이었지만, 지금은 개발자당 토큰 사용량을 측정하고 있음
  • 이는 과거 코드 줄 수(lines of code) 측정만큼이나 무의미한 지표

결론: 도구가 아니라 만드는 것을 이야기하자

• 사용하는 도구보다 그 도구로 만드는 멋진 결과물을 더 이야기해달라는 요청
• 코딩을 포함한 모든 크래프트의 본래 목적은 누군가에게 가치를 전달하는 것, 그 누군가가 자기 자신이더라도
• AI에 대한 글을 불평하는 글 자체가 AI에 대한 글이라는 아이러니를 인지하고 있음

[AI] AI 오케스트레이션: 여러 AI 에이전트를 조율하여 프로젝트를 완수하는 리더십.

https://app-place-tech.com/post/dd7ab6d3-b94e-434e-a960-ec172557a885

AI 시대 개발자 수요 전망 분석 (제번스의 역설 관점 포함)

소프트웨어 산업의 가장 뜨거운 화두인 'AI 도입에 따른 개발자 수요 전망'에 대해 심층적인 분석을 공유해 보고자 합니다.

2022년 말 챗GPT의 등장 이후, 개발 현장에서는 "이제 코딩은 AI가 다 하는데, 개발자가 더 필요할까?"라는 근본적인 의문이 제기되고 있습니다. 특히 주니어 개발자들의 채용 문턱이 높아지면서 위기감이 고조되고 있는 것도 사실입니다. 하지만 경제학적 이론과 현재 글로벌 시장의 지표를 교차 검증해 보면, 우리는 단순히 '대체'의 시대를 넘어선 '수요의 대폭발' 시점에 서 있을지도 모릅니다.

1. 생산성의 임계점 돌파: "코딩의 한계 비용이 0에 수렴하다"

인공지능 코딩 어시스턴트는 이제 단순한 보조 도구를 넘어섰습니다. 통계에 따르면 AI를 활용하는 개발자는 비활용 그룹 대비 업무 속도가 약 55.8% ~ 56% 향상되는 것으로 나타났습니다. 깃허브(GitHub)의 데이터에서도 AI 도구 사용 시 주당 코드 배포량이 평균 46% 증가하며 실질적인 생산성 폭발이 입증되고 있습니다.

이러한 변화는 개발자 1인이 감당할 수 있는 프로젝트의 규모와 복잡도를 비약적으로 높였습니다. 이제 구글 내 신규 코드의 25% 이상이 AI에 의해 생성되고 있으며, 인간 엔지니어는 이를 검토하고 승인하는 '디렉터'의 역할에 집중하고 있습니다.

2. 고용 시장의 양극화: '주니어 절벽'과 시니어 레버리지

하지만 생산성 향상의 혜택은 경력 수준에 따라 다르게 나타나고 있습니다. 현재 고용 시장에는 이른바 '주니어 절벽' 현상이 관측됩니다.

• 주니어의 위기: 단순 구현 및 반복 업무(Boilerplate, Test Case 작성 등)를 AI가 저렴하게 대체하면서, 한국 내 IT 신입 채용 공고는 전년 대비 18.9%에서 많게는 43%까지 급감했습니다.
• 시니어의 가치 상승: 반면, AI가 쏟아내는 코드의 논리적 오류를 잡아내고 복잡한 아키텍처를 설계할 수 있는 숙련된 시니어에 대한 수요는 여전히 견고합니다. 실제로 26세 이상의 숙련 노동자 고용은 오히려 6~9% 성장하는 기염을 토하고 있습니다.

3. 제번스의 역설(Jevons Paradox): 왜 수요는 줄어들지 않는가?

그렇다면 개발자의 총 수요는 결국 줄어들까요? 경제학의 '제번스의 역설'은 정반대의 미래를 시사합니다. 기술 발전으로 어떤 자원의 이용 효율이 높아지면 비용이 낮아지고, 이는 오히려 해당 자원의 총 소비량을 늘린다는 이론입니다.

1. 잠재 수요의 현실화: 과거에는 높은 개발 단가 때문에 포기했던 소규모 프로젝트(사내 자동화 툴, 마이크로 SaaS 등)들이 AI 덕분에 경제성을 갖게 되며 시장이 확장됩니다.
2. 복잡성의 역설: 코딩 비용이 낮아지면 기업은 개발자를 해고하는 대신, 더 많은 기능을 구현하고 더 자주 배포하는 전략을 택합니다. 깃허브의 풀 리퀘스트(PR) 수가 전년 대비 23~25% 증가했다는 점이 이를 뒷받침합니다.
3. 시장 규모의 확대: 전 세계 AI 지출 규모는 2026년 2조 달러를 돌파할 것으로 보이며, 특히 맞춤형 소프트웨어 시장은 2034년까지 연평균 22.7%의 경이적인 성장을 기록할 전망입니다.

3-1. (반대의견) 개발자의 수요가 전반적으로 감소될 것 (대체론)

"효율성 증가는 곧 필요 인력의 감소를 의미한다."

비관적인 전망에 따르면, 소프트웨어 프로젝트 하나를 완수하는 데 필요한 총 노동 시간이 급감합니다. 기업은 비용 절감을 위해 채용 규모를 동결하거나 축소할 것입니다.

• 기존 인력의 생산성 2배 증가 = 신규 채용 필요성 50% 감소
• 단순 SI, 웹 에이전시 등 진입 장벽이 낮은 시장부터 타격
• '코딩' 자체의 부가가치 하락

4. 대한민국 시장의 특수성: AX(AI 전환)의 가속화

한국 시장 역시 글로벌 흐름과 궤를 같이하고 있습니다. 네이버, 카카오 등 빅테크는 신규 채용을 축소하고 '경력직 수시 채용' 체제로 완전히 전환했습니다. 흥미로운 점은 현대자동차나 삼성SDS 같은 전통적인 대기업들이 AX(AI 전환)를 위해 개발자 채용을 오히려 확대하고 있다는 점입니다.

5. 결론: "코더에서 오케스트레이터로"

결국 미래의 개발자에게 요구되는 핵심 역량은 문법 암기가 아닌 '판단력(Judgment)'입니다.

• 시스템 아키텍처 역량: AI가 만든 코드 조각들을 안전하게 결합하는 설계 능력.
• 비즈니스 도메인 지식: 어떤 문제를 해결해야 비즈니스 가치가 생기는지 정의하는 능력.
• AI 오케스트레이션: 여러 AI 에이전트를 조율하여 프로젝트를 완수하는 리더십.

우리는 지금 '개발자의 종말'이 아니라, 개발자의 업무가 더 가치 있고 전략적인 영역으로 격상되는 '위대한 소프트웨어 시대'의 입구에 서 있습니다. 기술의 효율성이 높아질수록 우리가 해결해야 할 세상의 문제는 더 방대해질 것이며, 이를 설계할 인간 개발자의 중요성은 역설적으로 더 커질 것입니다.

https://stibee.com/api/v1.0/emails/share/j7_tY4bW3WJePiXnsdTmVt24i_2jmeQ

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

* AI 시대, 살아남으려면 어떤 역량을 길러야 할까? 

우리는 매일 판단을 내려야 합니다. 몇 시에 일어날지부터 시작해서 점심에 무엇을 먹을지 고민하는 것도 일종의 판단이 되겠죠. 하지만 그 판단이 매번 완벽할 수는 없습니다. (저의 경우 조금이라도 앉아서 출근하려고 일부러 지하철을 놓친 적이 있습니다만, 그다음 지하철에도 사람이 많아서 서서 간 적이 부지기수였습니다. 그럴 땐 그냥 이전 지하철을 탈걸..이라며 후회 가득한 표정으로 지하철 손잡이를 꽉 잡습니다.)

AI는 판단을 할 수는 있으나, 책임이 있는 결단은 하지 못합니다. 윤리적인 결단, 의미와 방향을 정하는 결단 혹은 관계 기반 결단이 책임 있는 결단에 포함됩니다. 앞서 말한 5명의 AI 전문가들은 공통적으로 ‘논리적인 사고’를 길러야 한다는 말을 했는데요. 논리적 사고를 구성하는 핵심 요소는 '비판적 사고'입니다.

우리가 흔히 생각하는 ‘비판적인 사고’는 약간 부정적으로 느껴질 수도 있습니다. 이는 우리가 가장 유용하고 믿을만한 정보만 빼고 나머지를 모두 제외하기 때문인데요. 비판적인 사고력을 기르면 상황을 신중히 분석하고, 편견과 조작 같은 숨겨진 문제를 찾아낼 수 있습니다. 다시 말해서 탁월한 선택을 할 수 있다는 것입니다. (여기서 탁월하다는 것은 무결점의 완벽한 결정이 아닌, 좋지 않은 선택을 할 확률을 줄여줄 수 있다는 것을 의미합니다.)

교육 전문가 사만다 어구스(Samantha Agoos)가 제시한 문제를 해결하는데 도움을 주는 ‘비판적 사고를 기르는 5가지 단계’는 다음과 같습니다. 

1. 질문을 체계적으로 구성한다: 내가 무엇을 바라는지 찾아낸다. e.g. 다이어트를 한다 (X) / 혈당을 낮추기 위해 건강한 식단을 진행한다 (O)
2. 정보를 수집한다: 질문에 대한 분명한 생각이 관련성을 찾는 데 도움이 될 것이다.
3. 수집한 정보를 적용한다: 비판적으로 질문하기 e.g. 어떤 개념이 들어있는가? 어떤 가정이 존재하는가? 정보에 대한 나의 해석은 논리적인가?
4. 영향력을 고려한다: 단기적, 장기적인 영향력을 고려해야 한다.
5. 다른 관점에서도 생각한다: 대안을 고려할 수 있고, 자신이 내린 결정을 평가해 보며 결과적으로 더 나은 결정을 내릴 수 있도록 도와준다.

* 가장 강력한 훈련 도구는 바로 책 

비판적 사고의 핵심은 맥락 파악과 복선 이해입니다. 이 사고를 기르기 위해 제일 좋은 방법은 바로 책을 읽는 것입니다. 책의 저자는 근거와 논리를 쌓고, 독자는 그 근거와 논리가 맞는지 계속 생각하며 글을 읽습니다. 때문에 책 읽기로 긴 호흡의 집중을 만들어 낼 수 있죠. 이 과정을 통해 인지적 웨이트 트레이닝이 가능합니다. 여기서 인지적 웨이트 트레이닝이란 뇌의 사고력을 키우기 위해 의도적으로 ‘어려운 생각’이라는 부하를 거는 과정을 말합니다. 쉽게 말해 뇌 근육을 키우기 위해 바벨을 드는 것입니다. 

사실 요즘 같은 시대에 책을 읽지 않아도 유튜브나 인스타그램, 혹은 챗GPT나 제미나이를 통해서 정보를 쉽게 체득할 수 있습니다. 책을 굳이 읽어야 하는 것은 아니죠. 이동진 평론가의 말을 인용하면 그럼에도 불구하고 책을 읽어야 하는 이유는 ‘정보의 과다’ 때문입니다. 지식의 체계와 진위 여부가 더 중요해진 현대사회에서 인터넷의 글들은 편집과 체계가 제대로 갖춰지지 않을 가능성이 큽니다. 고도화된 편집 과정을 거친 책은 전체적인 틀을 파악하는 데도 유용하며 총체적인 시각을 가질 수 있습니다.

이러한 시각은 말씀드렸다시피 비판적인 사고를 훈련하는 데 굉장히 중요합니다. 전체적인 맥락을 파악하면 핵심을 파악할 수 있기 때문이죠.

AI는 점점 더 우리들의 삶에 들어오게 될 것입니다. 이미 데이터를 분석하거나, 문장을 만들거나, 콘텐츠를 제작하는 것도 AI로 가능한 일이 되어버렸죠.

하지만 AI에겐 치명적인 단점이 있습니다. 바로 인간이 아니라는 것이죠. 그들은 감정을 느끼며, 판단을 할 수 없고, 삶의 방향성을 선택할 수 없으며 그 선택에 책임을 지지도 않습니다. 

비판적으로 사고하는 힘, 변화에 빠르게 적응하는 민첩함과, 유연함 그리고 사회적인 관계를 맺는 힘. 아직은 AI가 따라잡을 수 없는 인간만의 고유한 능력입니다.

앞으로 우리는 질문의 방향을 바꿔야 합니다. 어떤 질문을 던질 수 있는지, 어떤 선택을 하는지가 더 중요해질 것입니다.