오늘은 근거 기반으로 “모든 전문가가 공유하는 핵심 멘탈 모델” 이라는 프롬프트를 리뷰해보려고 합니다.
바로 답부터 말하면
이 질문은 똑똑해 보이지만, 실제로는 범위 정의, 전문가 정의, 합의 판단, 핵심 기준 설정, 개수 제한을 한 문장에 겹쳐 넣은 프롬프트입니다. 그래서 AI가 근거를 따라 답하기보다, 비어 있는 전제를 스스로 채워 넣으며 그럴듯한 답을 만들 가능성이 커집니다. 프롬프트 설계 가이드는 이런 경우 명확한 지시, 맥락 제공, 구조화, 복잡한 작업의 분해를 권합니다. (Google Cloud Documentation)
왜 이 질문이 자꾸 그럴듯한 오답을 부르는가
“이 분야의 모든 전문가가 공유하는 핵심 멘탈 모델 다섯 가지 멘탈모델”
문제는 질문의 방향이 틀려서가 아닙니다. 오히려 문제의식은 좋습니다. 누구나 한 번쯤 “전문가들은 이 문제를 어떤 사고 틀로 바라보지?”를 알고 싶어 하기 때문입니다.
하지만 좋은 문제의식과 좋은 프롬프트는 다릅니다. 프롬프트는 모델이 어떤 근거 위에서, 어떤 순서로, 어떤 형식으로 답해야 하는지를 알려줘야 합니다. 그런데 “이 분야의 모든 전문가가 공유하는 핵심 멘탈 모델 다섯 가지”라는 문장은 그 과정을 통째로 생략한 채 결론만 바로 요구합니다. 그래서 답이 빠르게 나오더라도, 그 안에 어떤 전제가 깔려 있는지 확인하기 어려워집니다. 프롬프트 가이드가 작업을 나누고 맥락을 먼저 주라고 권하는 이유가 여기에 있습니다. (Google Cloud Documentation)
펼쳐보기 1: “이 분야”는 생각보다 큰 빈칸이다
가장 먼저 걸리는 표현은 “이 분야”입니다.
도대체 어느 분야를 말하는 걸까요. 하나의 분야인가요, 아니면 여러 하위 분야가 섞여 있나요. 같은 단어를 쓰지만 서로 다른 문제를 말하고 있는 건 아니까요.
범위가 먼저 정해지지 않으면, 이후 분석 전체가 흔들립니다. 모델은 빈칸을 그냥 두지 못하기 때문에, 결국 자기 나름의 추정으로 범위를 채워 넣게 됩니다. 그래서 더 안전한 프롬프트는 보통 “아래 자료가 하나의 분야로 묶이는지 먼저 판단하라” 같은 문장으로 시작합니다. 필요한 정보를 모델이 알아서 보충하길 기대하기보다, 맥락과 제약을 직접 적는 편이 더 안정적입니다. (Google Cloud Documentation)
펼쳐보기 2: “모든 전문가”는 멋있지만 너무 강한 표현이다
다음으로 위험한 표현은 “모든 전문가”입니다.
현실의 연구 방법론은 이렇게 단순하지 않습니다. Delphi 관련 검토 문헌을 보면, 누가 전문가인지에 대한 표준 기준은 없고, 전문가 선정과 합의 기준은 연구마다 다르게 설정됩니다. 최근 검토에서도 Delphi 연구는 전문가 정의와 합의 방식이 이질적이며, 합의 임계값 역시 넓게 분포한다고 설명합니다. 한 개요 논문은 Delphi 연구의 합의 기준 중앙값을 75%, 범위를 50%~97%로 요약합니다. (PMC)
즉 현실에서는 “모든 전문가가 동의하는가”를 묻기보다, 누가 전문가인지, 어떤 기준으로 선정했는지, 어느 수준을 합의라고 볼 것인지를 먼저 정합니다. 그런데 원문 프롬프트는 이 과정을 모두 건너뛰고, 처음부터 전체 전문가 집단의 완전 합의를 전제합니다. 이건 강한 질문이라기보다 강한 가정에 가깝습니다. (PMC)
펼처보기 3: “공유하는”은 “완전히 같다”는 뜻이 아니다
여기서 더 섬세하게 봐야 할 표현이 “공유하는”입니다.
shared mental model이라는 개념은 실제 연구에 존재합니다. 하지만 여기서의 shared는 보통 완전히 동일함을 뜻하지 않습니다. 관련 논문은 shared mental models를 “identical”이 아니라 similar and overlapping, 즉 비슷하고 겹치는 상태로 설명합니다. 다시 말해, 전문가들이 같은 큰 틀을 공유할 수는 있어도 세부 해석과 강조점까지 모두 같을 필요는 없습니다. (PMC)
그래서 “모든 전문가가 공유하는”보다 더 현실적인 표현은 “반복적으로 나타나는”, “공통적으로 관찰되는”, “합의 수준이 높은”에 가깝습니다. 질문의 톤은 조금 덜 강해 보일 수 있지만, 실제 분석 가능성은 오히려 높아집니다. (PMC)
펼쳐보기 4: “핵심 멘탈 모델”이라는 표현 자체가 틀린 것은 아니다
이 부분은 무조건 잘못이라고 말하면 오히려 부정확합니다.
mental model 연구는 멘탈 모델을 서로 연결된 신념의 집합으로 설명합니다. 그리고 그 안에는 더 중심적인 믿음과 더 주변적인 믿음이 있을 수 있다고 봅니다. 실제로 관련 문헌은 mental model이 core beliefs와 peripheral beliefs를 포함할 수 있다고 설명합니다. 즉 “핵심”이라는 단어 자체는 사용할 수 있습니다. (PMC)
진짜 문제는 다른 데 있습니다. 무엇을 기준으로 핵심이라고 부를지 적혀 있지 않다는 점입니다.
반복 빈도인지, 설명력인지, 의사결정 영향도인지, 합의율인지가 빠져 있으면 모델은 자기 방식으로 중요도를 정하게 됩니다. 그래서 이 질문에 대한 더 정확한 비판은 “핵심이라는 단어가 틀렸다”가 아니라, 핵심의 판정 기준이 비어 있다입니다. 멘탈 모델은 경험과 지식에 따라 다르게 형성되고, 널리 공유된 모델도 정확하다고 자동 보장되지는 않기 때문에, 기준을 분명히 적어주는 것이 중요합니다. (PMC)
펼쳐보기 5: “다섯 가지”는 분석 결과보다 출력 형식에 가깝다
마지막 문제는 숫자입니다.
왜 하필 다섯 가지일까요. 실무에서는 3개, 5개, 7개처럼 요약 개수를 정할 일이 많습니다. 그 자체가 문제는 아닙니다. 문제는 그 숫자를 분석의 결과가 아니라 분석의 전제로 놓을 때 생깁니다.
앞서 본 것처럼, 전문가 합의 연구는 패널 구성과 합의 기준에 따라 결과가 달라질 수 있습니다. 그렇다면 처음부터 “핵심 멘탈 모델은 다섯 가지다”라고 못 박는 것은 다소 무리입니다. 실제 자료가 3개나 6개를 더 잘 지지해도, 모델은 형식에 맞추기 위해 억지로 채우거나 줄일 수 있기 때문입니다. 그러니 “다섯 가지”는 진실의 개수라기보다 최종 요약의 상한으로 두는 편이 더 타당합니다. (PMC)
결국 이 프롬프트의 핵심 문제는 무엇인가
정리하면 이렇습니다.
이 프롬프트의 문제는 질문이 지적으로 보이지 않아서가 아닙니다. 오히려 너무 많은 판단을 한 문장에 압축해 넣어서, 모델이 근거보다 추정으로 답하게 만들 수 있다는 데 있습니다.
좋은 프롬프트는 어려운 단어를 많이 넣는 문장이 아닙니다. 좋은 프롬프트는 빠진 전제를 줄이고, 판단 기준을 드러내고, 모델이 추정이 아니라 근거를 따라가게 만드는 문장입니다. 그래서 원문은 방향은 좋지만, 구조는 다시 짜는 편이 낫습니다. (Google Cloud Documentation)
더 나은 프롬프트는 이렇게 바뀐다
실제로는 아래처럼 바꾸는 편이 훨씬 안정적입니다.
나는 지금 [상황]에서 [대상]에게 [목적]을 위해 [산출물]을 만들고 있다. 아래 자료만 근거로 답하라.
먼저 이 자료가 하나의 분야로 묶이는지 판단하라.
묶인다면 그 안에서 반복적으로 나타나는 멘탈 모델을 추출하라.
“모든 전문가가 공유한다”라고 단정하지 말고, 각 항목의 합의 수준을 높음·중간·낮음으로 제시하라.
“핵심”은 반복 빈도, 설명력, 의사결정 영향도를 기준으로 판정하라.
개수는 고정하지 말고, 필요하면 마지막에 상위 5개까지만 요약하라.
상충되는 관점과 불확실성도 함께 적어라.
이렇게 바꾸면 모델은 “멋진 말”을 채우는 대신, 정해진 기준과 순서를 따라가며 답을 만들게 됩니다. 프롬프트 가이드가 권하는 방식도 바로 이 방향입니다. (Google Cloud Documentation)
마무리
“이 분야의 모든 전문가가 공유하는 핵심 멘탈 모델 다섯 가지”라는 질문은 얼핏 날카로워 보입니다. 하지만 질문을 조금만 펼쳐 보면, 그 안에는 너무 많은 숨은 전제가 들어 있습니다.
그래서 더 좋은 방법은 질문을 더 어렵게 만드는 것이 아니라, 더 분명하게 만드는 것입니다. 범위를 먼저 정하고, 전문가를 정의하고, 합의 수준을 나누고, 핵심의 기준을 적고, 숫자는 마지막 요약 형식으로 돌려놓는 것. 그 순간 이 질문은 훨씬 더 믿을 만하고, 더 실무적이고, 실제로 신뢰 가능한 작업 과정으로 바뀝니다. (Google Cloud Documentation)
해경, 근거 기반 프롬프트 리뷰: 좋은 프롬프트란 무엇이고, 멘탈모델, 할루시네이션, 전문가 라는 말이 함의하는 것
대화가 막히는 건 종종 정보가 부족해서가 아니라, 우리가 너무 빨리 “채워버려서” 막힙니다.
우리는 모르는게 있으면, 우리는 자꾸 머릿속에서 자동으로 결론을 내립니다. 팀원과 대화중에 말하지 않은 부분을 넘겨짚고, 그 넘겨짚은 걸 사실처럼 붙들어요.
“저 사람(대표나, 팀원)은 숨기는 게 있네”라고 해석을 덧씌우고
“감정적이네”라고 평가로 마무리하고
“요구가 또 바뀌네. 변덕이네”라고 결론을 내려버립니다
이런 ‘넘겨짚기’가 시작되는 순간, 대화는 ‘탐색’이 아니라 ‘공방’이 되기 쉽습니다.
클린 랭귀지는 그 흐름을 멈추게 합니다. 핵심은 단순해요.
내가 먼저 넣고 싶어진 해석·판단·정답을 잠깐 보류하고, 상대가 자기 말로 자기 생각을 더 정확히 드러낼 ‘빈 공간’을 만든다.
클린 랭귀지는 “예쁜 질문”이 아니라 “정체를 깨는 질문 설계”다
클린 랭귀지를 처음 듣는 분들은 이렇게 물을 수 있어요. “질문 좀 잘한다고 뭐가 그렇게 달라져?”
달라집니다. 왜냐하면 클린 랭귀지는 질문의 ‘내용’보다, 질문의 구조로 대화를 설계하기 때문입니다.
제가 좋아하는 아주 짧은 흐름이 있습니다. (완벽히 외우려 하지 않아도 괜찮아요)
클린 랭귀지- 정체된 개인과, 팀을 움직이는 결정적 기술 6
무슨 일이 일어나길 바라나요?
그 일이 일어나려면 무엇이 필요하죠?
빠진 것이 있을까요?
그중에서 우리가 할 수 있는 게 있나요?
그걸 하면 그 다음엔 무엇이 일어나죠?
이 다섯 질문이 강한 이유는, 사람을 “설명/정당화”로 보내지 않고 목표 → 조건 → 누락 → 레버리지(내가 할 수 있는 것) → 다음 장면으로 이동시키기 때문입니다.
과거형이 거의 없다는 점도 중요해요
이 흐름은 “그때 왜 그랬어?” 같은 회고로 잘 안 갑니다. 대화를 자연스럽게 “지금 무엇이 가능하지?”로 붙잡습니다. 정체가 깨지는 건 보통 이 지점부터입니다.
핵심은 4번: “And can you?” — 불친절해 보이는 가장 친절한 질문
이 다섯 질문 중 저는 4번이 핵심이라고 생각합니다.
“우리가 할 수 있는 게 있나요?” 영어로는 때때로 이렇게 아주 짧게 던집니다. “And can you?”
이 질문은 약간 불친절해요. 듣는 사람이 스스로 의미를 채워야 하거든요.
그런데 바로 그 불친절함이, 이상하게도 가장 친절합니다.
말하는 사람이 정답을 먼저 넣지 않아서(침범하지 않아서)
듣는 사람이 자기 상황에서 “가능한 레버”를 꺼내게 되고
그 순간 대화의 주도권이 “설득하는 사람”이 아니라 “움직일 사람”에게 돌아옵니다
그리고 여기서 중요한 질문이 하나 더 나옵니다.
“구체적인 게 언제나 도움일까?”
항상 그렇지 않습니다. 사실, 이문단에서 이야기 드리고 싶은건, 우리가 “구체적으로 말했다” 라는게 사실은 그렇지 않은 경우가 많다는 것입니다. 우리는 살아온 경험에서 많은걸 쌓아 왔습니다. 그래서 우리는 무엇이든, 언제든 ‘넘겨집는’ 습관이 마음에 배여 있습니다. 그래서 우리가 진짜(Authentic) 인것 같지만, 구체적인것 같지만… 사실 그렇지 않은 경우도 많습니다.
그래서 우리는 ‘구체성’을 꺼내는 기술을 익혀야 합니다. 클린 랭귀지를 익히면 그 꺼내는 기술역시 익힐 수 있습니다.
4번의 힘은 “내용”을 비워두고, 형식으로만 전진하게 만든다는 데 있습니다. 이게 클린 랭귀지의 정밀함입니다.
실전 1: 회의가 결론을 못 내릴 때(팀)
회의가 이렇게 흘러가본 적 있나요?
아이디어는 많은데 합의가 안 되고
누가 맞는지 논쟁하다가
결국 “다음 회의에서 다시…”로 끝나는 상황
이럴 때 다섯 질문을 그대로 던져보면, 회의의 프레임이 바뀝니다.
“오늘 회의에서 어떤 일이 일어나길 바라요?”
“그게 일어나려면 무엇이 필요해요?”
“빠진 조건이 있을까요?”
“그중에서 우리가 할 수 있는 게 있어요?”
“그걸 하면 다음 장면이 어떻게 달라져요?”
포인트는 4번입니다. 리더가 여기서 “그럼 이렇게 합시다”를 덮어버리면 다시 옛날로 돌아갑니다. 대신 “할 수 있는 게 있나요?”라는 빈칸을 주면, 팀이 스스로 레버를 꺼냅니다.
실전 2: 고객 요구가 자꾸 바뀔 때(고객)
요구가 자주 바뀌는 고객을 만나면, 우리는 쉽게 결론부터 내립니다. “변덕이네.” “말이 자꾸 바뀌네.”
그런데 많은 경우, 그건 변덕이 아니라 조건이 아직 문장으로 정리되지 않은 상태일 때가 많아요. 결과는 원하는데, 필요한 조건/우선순위/성공 신호가 아직 분명히 말로 잡히지 않은 거죠.
이럴 때도 같은 질문이 먹힙니다.
“이번에 고객님이 일어나길 바라는 결과는 무엇인가요?”
“그 결과가 나오려면 무엇이 충족되어야 하나요?”
“지금까지 말씀 중에 빠진 조건이 있을까요?”
“그 조건을 채우기 위해 지금 우리가 할 수 있는 게 있나요?”
“그걸 하면 다음에 무엇이 달라지는지 같이 볼까요?”
이 흐름을 타면, 대화가 “설득/방어”에서 “조건/설계”로 옮겨갑니다. 요구를 탓하지 않고, 요구가 정리되도록 질문을 설계하는 거죠.
4번을 더 잘 쓰는 작은 요령(침범 없이)
가끔 4번에서 상대가 “할 수 있죠” 하고 끝내버릴 때가 있습니다. 그럴 땐 “무엇을 하라”고 밀지 말고, 형식만 살짝 올려보세요.
“그중에서 할 수 있는 게 있나요?”
“그중에서 지금 할 수 있는 게 있나요?”
“그중에서 한 걸음만 뗄 수 있나요?”
여기까지는 여전히 ‘비움’을 유지합니다. 내용은 상대가 채우고, 질문자는 침범하지 않습니다.
마치기 전에 오늘 바로 써볼 수 있는 한 문장!
다음 회의나 고객 통화에서, 조언을 하나 하고 싶어지는 순간이 오면 이렇게만 바꿔보세요.
“그럼 이렇게 하세요” 대신
“그중에서… 우리가 할 수 있는 게 있나요?”
그 질문이 만드는 빈 공간이, 생각보다 많은 걸 움직입니다.
정체된 나와 팀을 움직이는 결정적 기술, ‘비움’. 저는 클린 랭귀지가 그 비움을 가장 정교하게 연습하게 해주는 방법이라고 믿고, 그래서 추천합니다.
그래서 추천합니다: 길 잃은 업무 소통, 클린 랭귀지로 돌파구 찾기
업무에서 특히 어려운 소통은 이런 장면에서 자주 생깁니다.
누군가를 설득해야 할 때
상대 마음을 깊이 이해해야 할 때
이기고 지는 싸움이 아니라 한 주제로 협상해야 할 때
솔직한 피드백을 주고받아야 할 때
상대가 중요한 이해관계자(클라이언트/협업부서/직속상사/사용자)일 때
이런 장면에서 “말을 더 잘하는 법”보다 중요한 건, 넘겨짚기를 멈추고 판단을 유예할 빈 공간을 만드는 법입니다.
― Design Thinking: 절차를 따라 하는 기술에서, 세상을 드러내며 생각하는 법으로
📘 design thinking을 잘 하는 방법: 프로세스에서 인식으로 11
Ⅰ. 왜 디자인씽킹(Design Thinking)을 배워도 ‘생각이 바뀌지 않는가?’
디자인씽킹을 배운다는 사람은 많다. 강의도, 워크숍도, 인증 프로그램도 넘쳐난다. 하지만 정작 “디자인씽킹을 진짜로 써먹고 있다”고 말할 수 있는 사람은 많지 않다.
나는 디자인씽킹을 사용해서 일을 하고 있다. 디자인씽킹 훈련을 받은 전문가와 협업을 하기도 했고, 그가 나에게 부정적인 피드백을 주지는 않았었다.
많은 사람들이 ‘디자인씽킹’ 이라는 것을 익히고 싶어, 강의를 듣거나, 워크숍을 듣고, 인증 프로그램을 수강한다. 하지만, 진짜로 써먹고 있는 사람이 그렇게 많지 않은것 같다. 나는 그 이유가 교육 콘텐츠가 아닐까 생각했다.
다들 공감부터 시작해 문제를 정의하고, 아이디어를 내고, 프로토타입을 만든다고 배웠다. 그런데 막상 실제 현장에 가면 그 순서가 전혀 맞지 않다고 느끼게 될 가능성이 높다. 현장에서 동작하는 전문성은 대부분 선형 프로세스가 아니기 때문이다.
교재의 이상적 모델처럼 움직이지 않고, 팀은 “지금 우리는 어느 단계에 있는가?”라는 질문만 반복 할 가능성도 높다.
많은 이들이 그때 느낀다. “디자인씽킹을 배웠는데, 내 생각은 왜 그대로일까?”
이 질문이 이 글의 시작점이다. 나는 이 글을 읽는 보다 많은 사람들이 ‘디자인 씽킹’을 삶에서 사용 할 수 있으면 좋겠다.
축약해서 말하자면, 우리가 진짜 익혀야 할 것은 단계가 아니라 사고의 구조이며, 즉, 세상을 보고 해석하고 드러내는 인식의 방식이다.
대부분의 디자인씽킹 교재는 친절하다. 공감(Empathy), 문제 정의(Define), 아이데이션(Ideate), 프로토타입(Prototype), 테스트(Test). 다섯 개 단계를 따라가면 누구나 ‘창의적 문제 해결자’가 될 수 있다고 말한다. 하지만 현실은 그렇게 간단하지 않다. 왜냐하면 절차를 아는 것과, 절차를 생각으로 전환하는 것은 전혀 다른 차원의 일이기 때문이다.
절차적 사고는 ‘무엇을 해야 하는가’를 가르친다. 반면 인식의 전환은 ‘어떻게 보는가’를 바꾼다. 문제는 대부분의 교육이 전자에 머물러 있다는 점이다.
그래서 디자인씽킹은 종종 ‘도구 상자(toolkit)’로만 소비된다. 포스트잇을 붙이고, 고객 여정을 그리며, 브레인스토밍을 진행한다. 하지만 그 모든 활동이 끝난 뒤에도 사람들은 여전히 “정답을 찾는 방식”으로 사고하고, “틀을 바꾸는 법”은 익히지 못한다.
왜 그럴까? 그 이유는 단순하다. 대부분의 교육이 외재적 절차를 가르치기 때문이다. 즉, 사고의 결과를 흉내 내게 하지, 사고의 구조를 경험하게 하진 않는다.
인간의 인식은 단계를 따라 작동하지 않는다. 우리는 공감과 정의, 아이디어와 판단, 실험과 피드백을 순서대로 수행하지 않는다. 실제 사고는 이 모든 것이 동시에 얽히고 진동하는 과정이다. 그 복합적 순간을 이해하지 못하면, 디자인씽킹은 언제나 “따라 하는 기술”로만 남는다.
디자인씽킹은 프로세스가 아니라 인식의 구조다. 그 핵심은 ‘문제를 해결하는 법’이 아니라 ‘세상을 드러내는 법’에 있다.
진짜 디자이너는 단계의 완성을 목표로 하지 않는다. 그들은 아직 보이지 않는 것을 감지하고, 형태로 드러내며, 다시 그것을 통해 생각한다.
디자인씽킹을 ‘단계의 학습’이 아니라 ‘인식의 훈련’으로 바라보는 시각. 즉, Seeing differently의 관점이다.
우리가 진정으로 배워야 할 것은 순서가 아니라 감각이다. 문제를 해결하는 법이 아니라, 문제가 어떻게 보이기 시작하는가를 깨닫는 법이다. 그때 비로소, 디자인씽킹은 기술이 아니라 사유의 언어로 다가온다.
✳️ 요약
디자인씽킹은 절차가 아니라 인식의 구조다. 절차를 배우면 문제를 풀 수 있지만, 인식을 바꾸면 세상이 새롭게 보인다.
Ⅱ. 기존 패러다임 ― ‘절차로 배우는 디자인씽킹’의 한계
디자인씽킹이 전 세계적으로 확산된 것은 IDEO와 스탠퍼드 d.school의 공이 크다. 그들은 복잡한 창의 과정을 누구나 이해할 수 있도록 ‘5단계 프로세스’로 구조화했다. 공감(Empathize), 문제 정의(Define), 아이데이션(Ideate), 프로토타입(Prototype), 테스트(Test). 처음엔 혁신적이었다. “창의성에도 과정이 있다”는 메시지는, 두려움 많던 비전문가들에게 희망이 되었다.
하지만 아이러니하게도, 이 친절한 절차가 디자인씽킹을 ‘사고법’이 아닌 ‘방법론’으로 오해하게 만든 출발점이 되었다. 사람들은 프로세스를 외우면 디자이너처럼 사고할 수 있다고 믿게 되었다. 문제는 바로 거기서 시작된다.
1. 절차는 행동을 안내하지만, 사고의 구조를 바꾸지 않는다
교육심리학에서는 이를 ‘절차적 학습(procedural learning)’이라 부른다. 절차적 학습은 특정한 과업을 빠르고 정확히 수행하게 하지만, 새로운 맥락으로 전이되지 않는다.
John Anderson(1982)은 “절차적 지식은 특정 상황에만 유효하며, 상황이 바뀌면 쉽게 붕괴한다”고 말했다. Chi & Glaser(1988)는 전문가와 초보자의 차이를 분석하며, 전문가는 절차가 아니라 ‘개념적 구조(conceptual structure)’ 를 습득한 사람이라고 했다. 즉, 절차를 배워도 개념의 구조가 바뀌지 않으면 사고는 여전히 초보자의 상태에 머문다.
디자인씽킹을 단계로 배운 사람들은 공감의 순서를 알고, 브레인스토밍 도구를 사용하며, 프로토타입을 빠르게 만든다. 하지만 그들의 ‘보는 법’은 여전히 바뀌지 않는다. 그 이유는 절차가 아니라 인식 구조(perceptual structure) 가 학습되어야 하기 때문이다.
2. 디자인 문제는 선형 절차로 정의되지 않는다
디자인 연구자 Richard Buchanan(1992)은 디자인 문제를 “wicked problem”, 즉, 복잡하고 경계가 모호한 문제로 규정했다. 이런 문제는 논리적으로 정의될 수도, 완전히 해결될 수도 없다. 상황 속에서 문제와 해답이 동시에 진화(co-evolution) 하기 때문이다.
그런데도 많은 교재는 ‘공감→정의→아이데이션’의 순서를 강조한다. 그 결과, 학습자는 복잡한 현실을 단순화된 절차에 끼워 맞춘다. 문제를 ‘이해’하기보다 ‘분류’하려 한다.
하지만 디자이너의 실제 사고는 반대다. 그들은 문제를 정의하기 전에 이미 형태를 떠올리고, 프로토타입을 만들며 다시 문제를 재정의한다. 즉, 디자인은 비선형적이고, 상호작용적인 인식 행위다. 절차를 따르는 사고로는 그 리듬을 이해할 수 없다.
3. 전문성은 절차가 아니라 ‘상황 인식’에서 나온다
Gary Klein의 자연주의 의사결정(NDM) 연구는 이 지점을 명확히 보여준다. 그에 따르면 전문가들은 여러 대안을 비교하지 않는다. 대신, 상황에서 의미 있는 단서(cue) 를 빠르게 인식하고, 그 안에서 패턴을 감지한다. 이를 RPD(Recognition-Primed Decision) 모델이라고 부른다.
이 모델에서 ‘직관’은 단순한 감이 아니다. 그건 수천 번의 경험을 통해 형성된 지각적 구조(perceptual schema) 다. 즉, 전문가의 능력은 규칙을 아는 것이 아니라 ‘보는 법’을 바꾸는 것이다. 디자인씽킹의 전문성도 마찬가지다. 공감의 단계가 아니라, 패턴을 인식하고 시뮬레이션하는 사고 구조를 익히는 데서 나온다.
절차적 훈련은 이 감각을 길러주지 못한다. 왜냐하면 패턴 인식은 맥락과 피드백의 누적 경험을 통해서만 형성되기 때문이다. 결국 전문성은 ‘단계를 잘 아는 사람’이 아니라 ‘상황이 어떻게 드러나는지를 볼 줄 아는 사람’에게서 생긴다.
4. 반성적 실천이 빠진 절차는 공허하다
Donald Schön(1983)은 전문가는 “행동 속에서 사고하며, 사고 속에서 행동한다”고 했다. 그는 이것을 Reflection-in-Action, 즉, ‘행위 속 반성’이라 불렀다.
디자인씽킹이 단순 절차로 끝나면, 이 반성적 차원이 작동하지 않는다. 공감 단계에서 사용자 조사를 하고, 아이데이션 단계에서 포스트잇을 붙이지만, 그 과정이 자기 인식(self-awareness) 으로 이어지지 않는다. 그러면 그것은 단순한 워크숍일 뿐, 사고의 전환을 일으키는 실천이 아니다.
5. 절차는 필요하지만, 중심이 되어서는 안 된다
오해하면 안 된다. 프로세스는 여전히 유용하다. 문제는 그것이 사고의 결과로서 존재해야지, 사고의 출발점이 되어서는 안 된다는 것이다.
디자인씽킹의 단계는 사고를 구조화하기 위한 임시 틀이지, 사고를 대신할 수 있는 체계가 아니다. 절차를 중심에 두면 사람은 생각하지 않고, 순서를 수행한다. 하지만 인식이 중심이 되면, 사람은 절차를 스스로 재구성한다. 그때 비로소 절차는 살아 있는 사고의 리듬으로 작동한다.
✳️ 요약
기존의 디자인씽킹 교육은 절차를 가르쳐 ‘무엇을 해야 하는가’를 익히게 하지만, 사고의 구조를 다루지 않아 ‘어떻게 보는가’는 바꾸지 못한다.
진짜 디자인씽킹은 단계를 따라가는 기술이 아니라, 상황을 보고 패턴을 인식하며 스스로 절차를 재조립하는 인지적 능력이다.
Ⅲ. 인식 전환 ― 디자인씽킹은 ‘보는 법’이다
구분
기존 관점 (교육·교재 중심)
이 글의 관점 (인지·리서치 중심)
핵심 정의
인간 중심의 문제 해결 절차
세계를 드러내고 재해석하는 인식 행위
사고 구조
순차적 단계(공감→정의→아이데이션→프로토타입→테스트)
동시적 인지 요소(관찰·형태화·맥락·피드백)가 공명하며 작동
전문성 기준
프로세스를 얼마나 정확히·효율적으로 수행하는가
감각·사고·행동을 실시간으로 조율하며 드러냄을 설계하는 능력
‘디자인’의 의미
문제를 해결하는 수단적 행위
세계의 구조를 보이게 만드는 사고적 장치
사고의 단위
Task / Step / Skill
Field / Relation / Resonance (상호작용적 장)
‘보는 법’
관찰을 통해 데이터를 수집
관찰을 통해 패턴과 의미를 드러냄
‘생각하는 법’
아이디어를 생성하고 평가
생각을 형태로 드러내고 다시 해석
시간 구조
선형적(iterative, 반복은 있지만 순서 중심)
동시적(synchronous), 모든 요소가 함께 진동
피드백의 의미
개선을 위한 검증 단계
인식의 확장 장치 (피드백이 곧 사고의 재구성)
결과물의 성격
완성된 솔루션
드러남이 지속되는 구조, 수정 가능한 사유 형태
대표 은유
‘문제 해결 프로세스’
‘드러남의 생태계(Cognitive Ecology of Seeing)’
우리가 어떤 문제를 ‘본다’고 말할 때, 실제로는 눈이 아니라 마음의 구조가 작동하고 있다. 눈앞의 사물을 있는 그대로 보는 일은 없다. 우리는 언제나 해석된 세계, 이미 경험과 언어, 감정으로 구성된 세계를 보고 있다. 디자인씽킹이 말하는 ‘관찰’은 이 단순한 시각적 행위가 아니다. 그건 보는 방식 자체를 훈련하는 일이다.
1. 문제는 보이는 것이 아니라 ‘드러나는 것’이다
문제란 객관적으로 존재하는 것이 아니라, 관찰자에게 드러날 때 비로소 존재한다. 같은 상황을 보고도 어떤 이는 “문제가 있다”고 느끼고, 다른 이는 아무 문제도 보지 못한다. 이 차이는 인지적 프레임(frame) 의 차이다.
디자이너는 세상을 다르게 본다. 그들은 눈에 보이는 사물이 아니라, 그 사물이 어떻게 관계를 맺고 의미를 형성하는가를 본다. 그래서 그들의 관찰은 분석이 아니라 해석이다. “이건 왜 이렇게 되었을까?”라는 질문이 아니라, “이건 어떤 맥락에서 이렇게 드러나는 걸까?”로 시작한다.
이것이 디자인씽킹이 말하는 ‘보는 법(seeing)’의 출발점이다.
2. Schön의 통찰 ― 생각은 머릿속이 아니라 ‘보기’ 속에서 일어난다
Donald Schön(1983)은 디자이너를 “행위 속에서 반성하는 사람(reflective practitioner)” 이라고 불렀다. 그는 디자이너의 사고를 “Reflection-in-Action”이라 정의했다. 즉, 디자이너는 보면서 생각하고, 생각하면서 다시 본다. 그들의 사고는 언어적 논증이 아니라 시각적 상호작용(seeing–moving–seeing again) 의 순환이다.
디자이너는 손으로 스케치하면서, 그 선을 ‘다시 본다’. 그때 떠오르는 새로운 형태가 다음 생각을 이끌어낸다. 이처럼 디자인씽킹에서의 ‘보기’는 단순한 관찰이 아니라 사고의 작동 방식이다. 사람은 그릴 때 생각한다. 그래서 “그리며 본다(Drawing is seeing)” 는 말이 성립한다.
3. 보는 법을 바꾸면 생각이 바뀐다
Gary Klein의 연구에서 전문가는 상황을 “더 많이 아는 사람”이 아니라, “다르게 보는 사람”으로 나타난다. RPD 모델에서 전문가의 판단은 여러 대안의 비교가 아니라, 패턴의 ‘즉각적 인식’이다. 이건 단순한 속도의 문제가 아니다. 전문가는 상황의 구조를 다르게 지각하기 때문에 다른 생각을 할 수 있다.
디자인씽킹의 전문성도 이와 같다. 사람은 공감을 배우는 것이 아니라 지각을 재구성해야 한다. ‘사용자 중심’이라는 말의 진짜 의미도 사용자의 입장을 대신 느낀다는 뜻이 아니라, 세상을 사용자의 시선으로 다시 보는 능력을 말한다.
4. 관찰은 수집이 아니라 ‘프레임 전환의 행위’
일반적인 리서치는 데이터를 수집한다. 디자인씽킹의 관찰은 그보다 먼저, ‘무엇을 보려 하는가’를 재정의한다. 이것이 프레임 전환(frame creation) 이다.
Kees Dorst(2011)는 이를 “디자인씽킹의 핵심 기술”이라 불렀다. 그에 따르면 디자이너는 문제를 푸는 사람이 아니라, 새로운 프레임을 만드는 사람이다. 즉, 보는 틀을 바꾸어 세상을 새롭게 드러내는 사람이다.
프레임이 바뀌면 보이는 세계 자체가 달라진다. 같은 현상이라도 다른 질문을 던지면, 전혀 다른 가능성이 열린다. 이것이 디자인씽킹의 진짜 창의성이다.
디자인씽킹의 사고는 단선적 흐름이 아니라, 보는 것(Seeing) 에서 출발해 틀을 구성(Framing) 하고, 형태로 드러내(Externalizing) 며, 다시 그것을 다시 본다(Re-seeing) 는 순환이다.
이 순환은 절차가 아니라 리듬이다. 보는 것과 생각하는 것은 분리되지 않는다. 디자인씽킹을 배운다는 건, 이 리듬에 익숙해지는 일이다. 즉, 사고의 흐름이 눈과 손, 언어와 형태 속에서 함께 움직이는 감각을 익히는 것이다.
6. 세상을 보는 ‘두 개의 시선’
기존의 사고는 세상을 ‘문제의 대상’ 으로 본다. 디자인씽킹은 세상을 ‘드러남의 장’ 으로 본다. 전자는 해결해야 할 대상을 찾지만, 후자는 아직 드러나지 않은 의미를 찾는다. 그래서 디자인씽킹은 사물을 만드는 기술이 아니라, 세계를 드러내는 기술이다.
“보는 법이 바뀌면, 세상이 바뀐다.”
이 단순한 문장이 디자인씽킹의 인식론적 핵심을 말해준다.
✳️ 요약
디자인씽킹은 절차가 아니라 보는 법의 훈련이다.
보는 법이란, 현상 속에서 아직 드러나지 않은 구조를 감지하는 능력이다.
디자이너는 문제를 해결하는 사람이 아니라, 새로운 프레임을 만들어 세상을 다시 보게 하는 사람이다.
Ⅳ. 사고의 구조 ― RPD(Recognition-Primed Decision)로 보는 디자인 사고
디자인씽킹을 이해하려면 “사람은 어떻게 판단하는가?”라는 질문으로 내려가야 한다. 이 질문에 가장 깊이 다가간 연구가 자연주의 의사결정(Naturalistic Decision Making, NDM) 과 그 핵심 모델인 RPD(Recognition-Primed Decision) 이다.
이 접근은 전문가들이 실제 현장에서 복잡하고 시간 압박이 큰 상황에서 어떻게 결정을 내리는지를 연구했다. 소방관, 파일럿, 외과의사, 군 지휘관—그들은 매뉴얼을 참조하지 않는다. 순식간에 상황을 읽고, 머릿속에서 가능한 결과를 ‘시뮬레이션’한 뒤 바로 행동한다. 그들은 절차를 따르지 않고, 패턴을 인식한다.
1. RPD 모델의 세 단계
Gary Klein은 전문가의 사고 과정을 이렇게 설명했다.
1️⃣ Recognition — 패턴 인식 경험 많은 사람은 상황을 보자마자 “이건 전에 봤던 유형”이라고 느낀다. 수많은 경험이 만들어낸 지각적 스키마(perceptual schema) 가 즉시 작동한다.
2️⃣ Diagnosis — 맥락 해석 같은 유형이라도 맥락에 따라 다르다는 걸 안다. 그래서 “지금 이건 그때와 어떻게 다른가?”를 빠르게 진단한다.
3️⃣ Mental Simulation — 내적 시뮬레이션 그는 머릿속에서 가능한 행동을 미리 돌려본다. “이렇게 하면 이런 결과가 나올 것이다.” 예상치가 맞는다고 느껴지면 바로 실행한다.
이 전 과정은 몇 초도 걸리지 않는다. 그러나 이 안에는 수년간의 훈련과 경험이 내재되어 있다.
2. RPD와 디자인씽킹의 평행 구조
디자이너 역시 같은 방식으로 사고한다. 그들은 문제를 분석하기보다 패턴을 인식하고, 분석표보다 형태와 맥락을 읽는다.
RPD 단계
디자이너의 사고 과정
결과
Recognition
현상 속 단서와 감각적 패턴을 포착
“무엇이 문제인지”가 드러남
Diagnosis
맥락적 의미를 재해석, 프레임 전환
“왜 이런 현상이 생겼는가” 이해
Simulation
스케치·프로토타입으로 시뮬레이션
“이렇게 바꾼다면?” 실험
즉, 디자인씽킹은 RPD의 인식 구조를 시각화한 형태다. 프로토타이핑은 단순한 시제품 제작이 아니라, 사고를 외부에서 실험하는 인지적 시뮬레이션 장치인 셈이다.
3. 익힌다는 것은 ‘사고의 구조가 바뀌는 것’
전문가의 직관은 감이 아니다. 그건 반복된 경험을 통해 만들어진 패턴 인식 체계다. RPD의 본질은 ‘빠른 판단’이 아니라 상황을 구성하는 단서를 다르게 보는 눈이다.
이것이 바로 디자인씽킹을 ‘익힌다’는 의미다. 공감과 아이데이션을 배우는 것이 아니라, 현상에서 의미를 인식하고 예측하는 사고 구조를 재조직하는 훈련이다. 즉, 단계가 아니라 지각-사고-행동이 한 몸처럼 작동하는 인지적 전환이다.
“Experts don’t see more things; they see more meaning.” — Gary Klein
사고의 구조가 바뀌면 문제를 해결하는 방식이 아니라 문제가 보이는 방식 자체가 바뀐다.
4. 절차에서 패턴으로, 분석에서 시뮬레이션으로
기존의 디자인씽킹 교육은 문제를 분석하고 단계별로 전개하는 법을 가르친다. RPD 관점에서 보면, 이는 초보자 단계에 해당한다. 전문가로 성장하려면 패턴 감지와 시뮬레이션이 중심이 되어야 한다.
디자인씽킹의 진짜 힘은 이 지점에서 나온다. 디자이너는 상황을 빠르게 모델링하고, 모델을 통해 사고를 실험한다. 즉, 디자인은 시각적 언어로 사고를 시뮬레이션하는 행위다. 스케치는 손의 움직임이 아니라 생각의 실험이다.
5. 직관은 훈련 가능한 인지적 기술이다
RPD는 직관을 신비로운 능력이 아니라 훈련 가능한 기술로 본다. 반복적 경험과 피드백을 통해 사람은 단서를 구별하고 패턴을 축적하며, 그 패턴을 바탕으로 더 빠르고 정교한 판단을 한다.
디자인씽킹도 마찬가지다. 공감 훈련, 현장 관찰, 프로토타입 반복은 모두 직관의 구조를 조정하는 경험적 피드백 장치다. 따라서 디자인씽킹의 전문성은 ‘창의적 아이디어 능력’이 아니라 경험을 통해 직관을 구조화하는 인식 훈련이다.
✳️ 요약
RPD는 디자인씽킹의 인지적 모델이다.
전문가의 사고는 절차가 아니라 패턴 인식–맥락 해석–시뮬레이션으로 작동한다.
디자인씽킹을 익힌다는 것은 이 사고 구조를 체화해 “다르게 보는 능력”을 키우는 것이다.
절차를 배우면 손이 움직이지만, 구조를 익히면 생각이 움직인다.
Ⅴ. 드러냄의 사고 ― 이미지와 언어, 그리고 형태화
사람은 생각을 눈으로 볼 수 없지만, 디자이너는 생각을 보이게 만든다. 이것이 바로 디자인씽킹의 핵심이자, 다른 사고법과의 근본적 차이다. 디자이너에게 사고란 머릿속에서 조용히 일어나는 일이 아니라, 외부 세계와의 상호작용 속에서 드러나는 행위다.
1. 형태화(Form-Giving)는 사고의 도구다
“생각을 시각화한다”는 말은 단순한 표현이 아니다. 디자이너는 문제를 해결하기 위해 그림을 그리는 게 아니라, 생각하기 위해 그린다.
Donald Schön(1983)은 이를 “Drawing as a conversation with the situation”이라 표현했다. 디자이너는 선을 긋고, 그 선이 만들어낸 형태를 다시 보며 새로운 생각을 얻는다. 즉, 손의 움직임이 사고를 이끌어내는 것이다.
이때 스케치, 다이어그램, 프로토타입은 단순한 결과물이 아니라 사고의 매개체(cognitive artifact) 다. 형태화는 생각을 고정하는 행위가 아니라, 생각을 다시 움직이게 하는 장치다.
2. 이미지는 시각적 것에만 머물지 않는다
‘이미지’라는 단어는 흔히 그림이나 시각적 형태를 의미하지만, 인지과학에서의 이미지는 훨씬 넓다. 언어, 은유, 서사, 제스처, 감각적 비유—all are images.
사람은 생각할 때 언어를 사용하는 동시에, 머릿속에서 감각적 장면을 시뮬레이션한다. 이걸 심상(mental imagery) 라 부른다. Barsalou(2008)는 “언어는 감각 시뮬레이터(simulator)”라고 했다. 즉, 우리가 “차가운 표정”이라는 말을 들을 때, 뇌는 실제로 온도와 표정과 감정에 관련된 영역을 동시에 활성화한다.
따라서 언어 또한 형태의 한 방식이다. 디자인씽킹에서 언어는 정보를 전달하는 수단이 아니라, 사고를 ‘보이게’ 하는 또 다른 이미지화 도구다.
3. 말과 형태, 감각이 동시에 사고를 만든다
디자이너는 말하고, 손으로 그리고, 몸으로 설명한다. 이 세 가지는 분리되지 않는다. 머릿속에서만 생각하는 사람과 달리, 디자이너는 감각-언어-행동의 통합적 리듬으로 사고한다.
이건 단순한 표현 습관이 아니라, Embodied Cognition(체화된 인지) 의 결과다. 사고는 뇌 속에서만 일어나지 않고, 몸과 환경, 그리고 행위의 흐름 속에서 구성된다.
따라서 디자인씽킹의 ‘형태화’란 손의 움직임과 언어의 리듬, 시선의 방향이 하나의 인지적 행위로 묶이는 과정이다. 그 순간, 생각은 물리적 세계에 ‘자리’를 얻는다.
4. 프로토타입은 생각을 실험하는 장치다
많은 사람이 프로토타입을 “시제품”이라고 생각하지만, 디자인 관점에서 그것은 사고의 실험 장치다. 아이디어를 실제 형태로 옮기면, 우리는 그것을 보고, 만지고, 다시 생각할 수 있다. 즉, 프로토타입은 피드백 가능한 사고의 물질적 표현이다.
디자인의 본질은 완성된 형태가 아니라, 형태를 통해 사고가 순환하도록 만드는 피드백 구조다. 이것이 “디자인은 완성이 아니라 수정 가능한 구조”라는 말의 이유다.
5. 형태화는 세상을 다시 읽게 한다
형태는 생각의 흔적이자, 새로운 관찰의 창이다. 디자이너는 형태를 만들고, 그 형태를 다시 본다. 이때 일어나는 것은 단순한 평가가 아니라 재인식(re-seeing) 이다. 형태화된 생각은 새로운 질문을 낳고, 그 질문이 다시 형태를 변화시킨다.
따라서 디자인씽킹에서 형태화는 내면의 심상을 외부 세계로 번역하는 언어이자, 다시 그 세계를 인식하게 만드는 거울이다.
6. 언어와 형태의 공진 ― ‘보이는 언어, 말하는 이미지’
디자인씽킹의 전문가는 시각 언어와 말의 언어를 구분하지 않는다. 그들은 말을 이미지처럼 다루고, 이미지를 언어처럼 조합한다. 이 두 언어가 공진할 때, 사고는 가장 풍부하게 작동한다.
그래서 좋은 디자이너는 종종 시인이며, 좋은 시인은 이미 디자이너다. 둘 다 보이지 않는 것을 형태로 만들어, 다시 생각하게 하는 사람이기 때문이다.
✳️ 요약
형태화(Form-giving)는 생각을 밖으로 꺼내 사고를 실험하게 하는 인지적 장치다.
언어 또한 이미지이며, 디자인씽킹에서 말하기는 사고를 ‘보이게’ 하는 행위다.
프로토타입은 완성품이 아니라 피드백 가능한 사고의 물질화다.
따라서 디자인은 사물의 설계가 아니라 사유가 드러나는 구조의 설계다.
Ⅵ. 전문성 ― 인지 공명(Cognitive Resonance)으로서의 디자인씽킹
전문가의 사고를 들여다보면, 놀라울 정도로 ‘동시에 일어난다’는 사실을 발견한다. 그들은 분석하고, 느끼고, 판단하고, 표현한다. 하지만 그 과정은 하나씩 차례로 이어지지 않는다. 모든 것이 거의 동시적으로 진동한다.
디자인씽킹의 전문성도 그렇다. 공감, 관찰, 아이디어, 형태, 피드백이라는 단어가 마치 순서처럼 보이지만, 실제 디자이너의 사고 속에서는 이들이 순간적인 리듬 속에서 얽혀 작동한다.
1. 사고는 단계가 아니라 ‘리듬’이다
우리가 사고를 단계로 이해하는 것은 교육의 편의를 위한 단순화일 뿐이다. 현실의 인식은 훨씬 더 역동적이다.
디자이너는 관찰하면서 동시에 해석한다. 형태를 만들면서 다시 문제를 본다. 피드백을 받으며 이미 다음 아이디어를 시뮬레이션한다. 그들의 머릿속에서는 “보기–생각–행동–수정”이 한 덩어리로 울리고 있다.
이것이 바로 인지 공명(cognitive resonance) 이다. 각 인지 요소가 따로 작동하는 게 아니라, 서로를 자극하며 한 리듬 안에서 진동한다.
2. 인지 공명의 다섯 축
이 리듬은 다섯 가지 요소가 서로 얽혀 만들어낸다.
1️⃣ 관찰(Observation) – 현상 속 단서를 감각적으로 포착 2️⃣ 맥락 해석(Contextual Interpretation) – 단서의 의미를 재구성 3️⃣ 형태화(Form-Giving) – 생각을 외부 형태로 드러냄 4️⃣ 패턴 감각(Pattern Sense) – 반복과 차이의 구조를 인식 5️⃣ 피드백 반성(Feedback Reflection) – 드러난 결과를 다시 사고로 환류
이 다섯 요소는 순서가 아니라 동시적 상호작용으로 움직인다. 예를 들어 관찰이 맥락 해석을 자극하고, 형태화가 새로운 패턴 인식을 유도하며, 피드백이 다시 관찰을 바꾼다. 이 상호자극의 네트워크가 바로 전문성의 작동 방식이다.
3. Schön과 Cross가 말한 ‘생각의 리듬’
Donald Schön은 전문가의 사고를 “행위 속 반성(reflection-in-action)”이라고 했다. Nigel Cross는 디자이너의 사고를 “seeing–moving–seeing again”의 반복으로 정의했다. 둘 다 공통적으로 말한다. 사고는 순차적 단계를 밟는 게 아니라, 리듬으로 흐른다.
그 리듬 속에서는 관찰이 사고를 열고, 행동이 사고를 닫지 않으며, 하나의 움직임이 다음 움직임을 예비한다. 디자인씽킹의 전문성은 바로 이 리듬을 감각적으로 조율하는 능력이다.
4. 공명(resonance)은 조율(harmony)의 상태다
공명이란 단순히 여러 요소가 함께 있는 상태가 아니다. 서로의 진동이 맞물려 새로운 파동을 만들어내는 상태다. 디자인씽킹의 전문성은 바로 이 조율감이다.
좋은 디자이너는 관찰의 초점, 언어의 톤, 형태의 크기, 피드백의 흐름이 모두 하나의 주파수로 맞춰져 있다. 그들이 만들어내는 결과물이 아름다운 이유는, 그것이 ‘의도된 구성’이기 전에 사고의 조화(harmonic thinking) 그 자체이기 때문이다.
5. 전문성은 리듬을 익히는 감각이다
초보자는 단계별 절차를 따라간다. 전문가는 리듬을 느낀다. 그 차이는 단순히 경험의 양이 아니라, 감각의 구조가 다르기 때문이다.
이 감각은 훈련을 통해 형성된다. 반복된 시도와 피드백 속에서 디자이너는 각 인지 요소의 타이밍과 강도를 조율하는 법을 배운다. 그 결과, 사고는 더 이상 끊어지지 않고 하나의 흐름(flow) 으로 작동한다.
이 리듬은 음악과도 같다. 악보가 없어도, 손과 귀와 몸이 동시에 움직인다. 디자인씽킹의 전문성도 그와 같다. 절차를 외우지 않아도, 사고와 감각이 함께 움직이는 상태. 그것이 바로 인지 공명이다.
6. 절차의 숙련에서 리듬의 체화로
결국 디자인씽킹의 성장은 ‘단계를 정확히 수행하는 능력’에서 ‘사고의 리듬을 체화한 감각’으로 이동한다. 그 감각이 생기면, 새로운 상황에서도 즉시 조율할 수 있다. 이것이 전문성의 본질이다.
절차는 외재적이지만, 리듬은 내재적이다. 리듬이 생기면, 절차는 자연스럽게 흘러간다. 그러나 절차만 배우면, 리듬은 영원히 생기지 않는다.
✳️ 요약
디자인씽킹의 전문성은 단계의 숙련이 아니라, 인지적 리듬의 조율 능력이다.
관찰, 맥락 해석, 형태화, 패턴 인식, 피드백이 동시에 공명하며 작동한다.
전문가는 이 다층적 인지 활동을 하나의 리듬으로 체화한다.
따라서 디자인씽킹은 절차가 아니라 공명과 조화의 기술, 즉 사고의 리듬을 다루는 예술이다.
Ⅶ. 리서치 마인드와 현장 감각 ― 디자인의 생태적 인식
디자인씽킹의 진짜 무대는 회의실이 아니라 현장이다. 디자인은 책상 위에서 만들어지지 않는다. 그것은 언제나 사람이 살아가는 맥락, 물질이 존재하는 환경, 시간이 흐르는 상황 속에서 드러난다.
디자이너가 연구자처럼 행동하는 이유는 바로 여기에 있다. 그들은 단순히 관찰하기 위해 현장에 가지 않는다. 그곳에서 자신의 인식이 흔들리는 지점을 만나기 위해 간다. 이것이 리서치 마인드의 본질이다.
1. 현장은 데이터가 아니라 ‘의미의 장(場)’이다
많은 사람은 현장을 ‘정보를 얻는 곳’으로 생각한다. 하지만 디자이너에게 현장은 세계가 드러나는 살아 있는 장(場)이다. 관찰은 단순한 기록이 아니라 의미의 발생을 목격하는 행위다.
누군가가 물건을 사용하는 방식, 말하지 않은 표정, 공간의 흐름, 빛의 방향, 소리의 질감— 이 모든 것이 설계의 단서가 된다. 이 단서들은 단편적인 데이터가 아니라 맥락적 관계의 흔적(trace of relationship) 이다.
따라서 디자인 리서치는 사실을 수집하는 것이 아니라, 관계의 패턴을 감지하는 훈련이다.
2. 관찰된 정보는 관찰자의 구조를 반영한다
우리는 객관적으로 ‘세상을 본다’고 믿지만, 실은 우리가 가진 언어, 문화, 경험이 세상을 보는 방식에 틀을 씌운다.
이것이 해석학적 순환(Hermeneutic Circle) 이다. 디자이너가 현장을 해석할 때, 그의 시선은 이미 자신이 가진 세계관의 영향을 받는다. 그래서 진정한 리서치 마인드는 ‘내가 무엇을 보고 있는가’뿐 아니라 ‘나는 왜 그렇게 보고 있는가’를 함께 질문하는 태도다.
관찰자는 대상의 일부이며, 그가 세상을 해석하는 동시에 세상 역시 그를 변화시킨다. 이것이 디자인의 생태적 인식(Ecological Cognition) 이다.
3. 리서치는 ‘드러남’을 돕는 행위다
리서치 마인드는 세상을 통제하거나 예측하려는 태도가 아니다. 오히려 세상이 스스로 드러나도록 돕는 태도에 가깝다.
디자이너는 “무엇이 옳은가?”보다 “무엇이 드러나려 하는가?”에 귀 기울인다. 그래서 질문은 분석이 아니라 초대(invitation) 다. “이 상황은 나에게 무엇을 보여주려 하는가?”
이 태도 속에서 디자이너는 세계의 관찰자이자 동반자다. 그는 현상을 조작하는 사람이 아니라, 드러남을 함께 만드는 공동 행위자(co-participant) 다.
4. 패턴을 찾는다는 것은 ‘맥락을 읽는 능력’이다
리서치는 패턴을 찾는 일이다. 그러나 여기서의 패턴은 통계적 반복이 아니다. 그건 맥락적 공명(contextual resonance) 의 감지다.
예를 들어, 사용자가 어떤 서비스에서 불편을 겪을 때, 그 불편은 단지 기능적 문제가 아니라 환경·관계·시간·감정의 교차점에서 일어나는 사건이다. 디자이너는 그 사건을 하나의 생태계로 읽는다.
이때 전문성은 데이터를 해석하는 분석력이 아니라, 맥락의 진동을 감지하는 감각적 직관이다. 이 감각은 숫자보다 관계를 보고, 현상보다 구조를 느낀다.
5. 생태적 인식 ― 디자이너와 세계는 서로를 만든다
디자인의 인식은 근본적으로 생태적(Ecological) 이다. 즉, 인간과 환경이 분리되지 않는다. 디자이너는 환경을 관찰하는 동시에 자신의 인식 구조를 재조정하며, 그 과정 속에서 자신과 세계가 동시에 변화한다.
James Gibson의 생태심리학은 이를 “직접적 지각(Direct Perception)”이라 불렀다. 사람은 환경 속에서 의미를 ‘추론’하는 것이 아니라, 그 안에서 직접 감각하며 반응한다. 디자이너의 관찰도 그렇다. 그는 데이터를 해석하지 않고, 맥락 속에서 관계를 체험한다.
그래서 디자인씽킹은 세상을 이해하는 방법이 아니라 세상과 함께 사유하는 방법이다.
6. 리서치 마인드의 핵심은 ‘겸손한 감각’이다
디자인 리서치는 발견의 기술이 아니라 겸손의 기술이다. 세계는 이미 충분히 풍부하고, 디자이너는 단지 그것이 드러나도록 돕는 역할을 한다.
이 감각을 가진 사람은 자신의 생각을 세계 위에 덧씌우지 않는다. 대신 세계가 자신 안에 말을 걸게 둔다. 그 순간, 진짜 통찰이 발생한다.
✳️ 요약
현장은 데이터가 아니라 의미의 장이다.
관찰된 정보는 관찰자의 구조를 반영하며, 디자이너는 세계의 일부다.
리서치 마인드는 세상이 스스로 드러나도록 돕는 태도이며, 관찰자와 세계가 상호 진화하는 생태적 인식 구조다.
디자인씽킹의 전문성은 이 현장 감각— 세상과 함께 사유하는 리듬—을 익히는 데 있다.
Ⅷ. 피드백 가능한 세계 ― 디자인의 존재론
디자인은 완성을 향하지 않는다. 좋은 디자이너일수록 “이제 끝났다”는 말을 하지 않는다. 대신 이렇게 말한다. “이건 아직 살아 있다.”
디자인은 끝나는 것이 아니라, 계속 살아 움직이게 만드는 일이다. 그것은 단지 사물의 형태나 기능을 바꾸는 게 아니라, 사람과 세계가 서로에게 말을 걸 수 있도록 피드백이 가능한 구조를 설계하는 행위다.
1. 완성보다 ‘수정 가능성’을 설계한다
전통적인 사고는 디자인을 ‘최적의 해답’을 찾는 일로 본다. 하지만 세계는 고정되지 않는다. 사용자는 변하고, 기술은 진화하며, 사회적 맥락은 끊임없이 달라진다. 따라서 진짜 디자이너는 변화에 반응할 수 있는 구조를 만든다. 즉, 완결된 시스템이 아니라 열린 시스템(Open System) 을 설계한다.
Herbert Simon은 『The Sciences of the Artificial』에서 말했다.
“디자인은 제약 조건 속에서 가능한 변형을 탐색하는 과정이다.”
이 말은 곧, 디자인의 본질이 결정이 아니라 변형(transformation) 임을 의미한다. 디자인씽킹은 그 변형이 일어나도록 피드백을 구조화하는 사고의 방식이다.
2. 프로토타입은 ‘대화의 언어’다
프로토타입은 결과물이 아니다. 그건 세계와의 대화를 가능하게 하는 언어다. 형태가 존재해야 세계가 반응하고, 반응이 있어야 사고가 다시 움직인다. 즉, 프로토타입은 생각과 세계가 서로에게 말을 거는 장치다.
이 과정에서 디자이너는 관찰자이자 대화자다. 그는 세계의 반응을 듣고, 그 반응을 다시 형태로 번역한다. 이것이 디자인이 “실험(Experimentation)”이자 동시에 “대화(Dialogue)”인 이유다.
3. 피드백은 평가가 아니라 순환이다
많은 사람은 피드백을 ‘평가’라고 생각한다. 하지만 디자인에서의 피드백은 순환(circulation) 이다. 무엇이 옳고 그르다는 판단이 아니라, 새로운 인식이 발생하는 흐름이다.
하나의 형태가 세상에 던져지면, 사용자와 환경은 반응한다. 그 반응이 다시 형태를 바꾸고, 새로운 의미를 만들어낸다. 이 순환이 끊어지지 않을 때, 디자인은 ‘살아 있는 시스템’이 된다.
그래서 디자이너의 일은 결과를 완성하는 것이 아니라 순환이 지속되도록 유지하는 일, 즉 세계가 스스로 학습할 수 있게 만드는 일이다.
4. 디자인은 ‘학습 가능한 세계’를 만든다
우리가 만든 제품, 서비스, 공간, 제도는 결국 인간과 세계가 상호 학습하는 인터페이스다. 좋은 디자인일수록 그 인터페이스는 새로운 인식의 가능성을 남긴다. 사용자는 그 안에서 스스로 배우고, 세계는 그 사용을 통해 스스로를 갱신한다.
디자인씽킹은 바로 이 ‘학습 가능한 세계’를 설계한다. 즉, 인간과 세계가 서로의 반응을 읽고 다시 자신을 바꾸는 지속적 피드백 루프를 만드는 사고 체계다.
“디자인은 문제를 푸는 것이 아니라, 학습이 일어나는 구조를 만드는 일이다.”
5. 반성(reflection)은 피드백의 내면적 형태다
외부의 피드백이 형태를 바꾼다면, 내부의 피드백은 사고를 바꾼다. 디자이너의 반성은 자신의 판단과 감각을 다시 세계와 연결하는 내적 순환이다.
Schön이 말한 “Reflection-in-Action”은 단지 자기 성찰이 아니라 세계와의 공진을 유지하는 내면의 리듬이다. 디자인의 전문성은 이 리듬을 잃지 않고 끊임없이 반응하는 감각에서 생긴다.
6. 디자인의 존재론 ― 드러남과 순환의 철학
결국 디자인은 드러남(revelation) 의 예술이자 순환(recirculation) 의 철학이다. 디자이너는 세상을 고치는 사람이 아니라, 세상이 스스로 드러나고 변할 수 있도록 돕는 사람이다.
세상은 언제나 미완이다. 그 미완의 상태를 받아들이고, 그 안에서 변화가 가능하도록 구조를 짜는 일— 그것이 디자인의 존재 방식이다.
디자인은 세상을 고정하는 것이 아니라, 세상이 스스로 변할 수 있는 리듬을 만들어주는 일이다.
✳️ 요약
디자인은 완성이 아니라 순환이다.
프로토타입은 결과가 아니라 세계와의 대화 장치다.
피드백은 평가가 아니라 새로운 인식이 발생하는 흐름이다.
디자인씽킹은 인간과 세계가 서로 학습하는 피드백 가능한 세계를 설계한다.
따라서 디자인의 존재론은 드러남과 순환의 철학, 즉 “살아 있는 구조를 만드는 일”이다.
Ⅸ. 학습으로서의 디자인씽킹 ― 사고의 리듬을 익히는 법
디자인씽킹을 안다는 것과 디자인씽킹을 할 수 있다는 것은 다르다. 전자는 개념의 습득이지만, 후자는 감각의 체화다. 우리가 이 책의 여정을 따라오며 본 것처럼, 디자인씽킹은 절차가 아니라 인식의 리듬이다. 따라서 그것을 배운다는 건, ‘지식을 늘리는 것’이 아니라 지각과 사고의 타이밍을 재조율하는 일이다.
1. 절차적 학습에서 구조적 학습으로
전통적인 교육은 ‘무엇을 해야 하는가’를 중심으로 설계된다. 단계, 규칙, 도구, 방법론이 주어지고 학생은 그것을 반복하며 숙련도를 높인다. 이건 절차적 학습(procedural learning) 이다.
하지만 디자인씽킹은 다르다. 그것은 ‘무엇을 해야 하는가’보다 ‘무엇이 보이는가’를 바꾸는 학습이다. 즉, 인지 구조(cognitive structure) 를 재편하는 일이다.
John Anderson은 “절차를 배운 사람은 같은 문제만 풀 수 있지만, 구조를 배운 사람은 새로운 문제를 스스로 재구성한다”고 했다. 디자인씽킹의 학습은 바로 이 두 번째 방식이다. 문제를 해결하는 법을 배우는 대신, 문제가 어떻게 드러나는지를 이해하는 법을 배우는 것.
2. 익힌다는 것은 감각이 정밀해지는 과정이다
Gary Klein은 RPD 모델을 통해 전문가는 더 많은 정보를 보는 것이 아니라, 더 정밀하게 ‘보는 법’을 익힌 사람이라고 했다.
디자인씽킹도 마찬가지다. 반복된 관찰과 프로토타이핑, 피드백 경험을 통해 디자이너의 감각은 점점 세밀해진다. 이 감각은 분석이 아니라 조율의 능력이다. 어떤 타이밍에 문제를 멈추고, 언제 형태를 드러내며, 언제 다시 피드백을 받을지를 감으로 아는 것이다.
결국 학습은 머리가 아니라 몸의 타이밍을 바꾸는 일이다. 디자인씽킹의 전문가는 사고를 ‘한다’기보다, 사고의 리듬 속에서 ‘산다’.
3. 반성적 실천 ― 생각과 행동이 하나로 엮이는 훈련
Schön은 “전문가는 행위 속에서 사고한다”고 했다. 그의 말은 곧 학습이 실천 속에서 일어난다는 뜻이다.
디자인씽킹을 배우는 사람에게 가장 중요한 훈련은 ‘생각하기 전에 그려보는 것’이다. 그리면 생각이 따라온다. 말하면 생각이 정리된다. 이건 단순한 표현의 문제가 아니라, 사고와 표현이 서로를 만드는 인지적 순환이다.
그래서 디자인씽킹의 학습은 이론 공부보다 작은 실험을 자주 하는 데 있다. 그 실험이 새로운 관찰을 낳고, 그 관찰이 다시 사고를 재구성한다. 이 순환이 반복될 때 사고의 구조가 바뀐다.
4. 실패는 피드백의 한 형태다
좋은 학습은 완벽한 성공보다 풍부한 실패 경험을 포함한다. 실패는 오류가 아니라 즉각적인 피드백의 언어다. 무언가가 의도대로 작동하지 않을 때, 그 틈에서 사고의 패턴이 드러난다.
디자인씽킹은 실패를 줄이는 기술이 아니라, 실패를 학습으로 전환하는 기술이다. 프로토타입이 망가질수록 사람은 더 정확히 세계의 반응을 듣는다. 그 과정에서 인식은 다듬어지고, 감각은 정밀해진다.
5. 학습은 리듬의 감각을 익히는 일
디자인씽킹의 학습을 한 문장으로 요약하면 이렇다.
“배운다”는 것은 생각의 리듬을 익히는 일이다.
초보자는 절차를 따라가며 리듬을 느끼지 못한다. 하지만 반복과 피드백 속에서 그 리듬이 몸에 스며들면, 더 이상 순서를 떠올리지 않아도 된다.
그때부터 사고는 흐름(flow) 속에 있다. 관찰과 해석, 형태화와 피드백이 동시에 울린다. 그 순간, 디자인씽킹은 학습의 대상이 아니라 삶의 방식이 된다.
6. 디자인씽킹은 지식을 늘리는 학문이 아니라 인식을 재구성하는 훈련이다
이제 우리는 처음으로 돌아올 수 있다. 디자인씽킹을 배워도 생각이 바뀌지 않는 이유는 사람들이 절차를 외우기만 하고 인식을 재구성하지 않았기 때문이다.
디자인씽킹의 학습은 ‘아는 것’이 아니라 ‘다르게 보는 것’. ‘문제를 푸는 법’을 익히는 게 아니라 ‘세상을 드러내는 법’을 배우는 일이다.
우리는 한때 포털 사이트에서 뉴스를 검색하고, 관심 있는 기사를 클릭해 읽는 방식에 익숙했습니다. 하지만 오늘날, 많은 사람들은 더 이상 기사 전체를 직접 탐색하지 않습니다. (관련한 것을 제로 클릭 서치라고 하죠)
그리고 제로클릭 서치 다음은, AI 혹은 에이전트에 의한 변화라고 할 수 있습니다. 지금도 다음과 같은 사례들이 점차 늘어나고 있습니다.
ChatGPT나, 구글 AI 검색에게 “오늘 이슈 요약해줘.” Gemini, Perplexity 백신 뉴스 중 핵심만 알려줘.”
앞으로는 위의 사용 사례들이 기본이 될 것이며, 이제 우리는 질문을 통해 정보를 얻고, 대화형 소프트웨어 에이전트(conversational software agents)가 그 질문에 답하는 방식으로 정보를 소비하게 될겁니다.
이러한 전환은 미디어 콘텐츠의 생산·배포·수익화 전반을 다시 설계해야 할 필요성을 만들어냅니다.
🤖 개념 정리: 에이전트란 무엇인가?
소프트웨어 에이전트(Software Agent)란, 사용자로부터 입력(자연어 질문 등)을 받아, 외부 시스템과 데이터에 접근하여 사용자의 요구를 만족시키는 자율적 정보 중개 시스템입니다.
특히 미디어 산업에서 중요해지는 것은 대화형 AI 에이전트(conversational AI agent)로, 다음과 같은 특징을 갖습니다:
자연어 입력을 해석(Natural Language Understanding)
정보 소스에서 콘텐츠 추출(Information Retrieval)
응답 형태로 정보를 재구성(Answer Generation)
이러한 에이전트는 API를 통해 구조화된 콘텐츠를 받아 사용자의 질문에 맞게 요약하거나 인용하는 방식으로 작동합니다.
🧱 구조적 전환 1: 콘텐츠 구조화(Structured Data)
에이전트는 웹페이지의 시각적 요소를 보지 못합니다. 대신, HTML 안에 포함된 메타데이터(metadata)를 읽어 콘텐츠의 성격을 파악합니다.
이때 필요한 것이 구조화된 데이터(Structured Data)입니다. (이런 맥락에서 Agent Optimization 은 SEO 에서 출발 한다고 볼 수 있습니다. 따라서 Agent 시대에 SEO 는 무의미한 것이 아니라, Agent Optimization 을 SEO 의 연장선상에서 볼 필요가 있습니다)
LLM을 단순한 자동화 도구가 아닌 증강지능(Augmented Intelligence)으로 인식할 때, 우리는 그 진정한 가치를 온전히 실현할 수 있습니다. 더글라스 엥겔바르트가 강조한 증강지능의 개념은 인간과 AI가 협력하여 서로의 역량을 극대화하는 것에 초점을 맞추며, 이는 LLM의 성능을 최적화하는 핵심 원리이기도 합니다. 따라서 중요한 것은 LLM을 어떻게 활용하느냐가 아니라, 어떻게 협력하느냐입니다. LLM을 단순한 도구로 소비하는 것을 넘어, LLM과의 상호작용을 통해 우리의 전문성을 지속적으로 확장해야 합니다. 나아가, 이는 개인의 성장에 국한되지 않고, 협업하는 모든 요소(인간, 코드, 에이전트, 데이터 등)의 역량을 함께 증진시키는 과정이 되어야 합니다. LLM은 완결된 존재가 아닙니다. 오히려, 우리가 함께 진화하며 가능성을 확장해 나가는 협력적 동반자로서 비로소 그 진가를 발휘합니다.
프롬프트와 인지적 협력 프롬프트는 단순한 입력값이 아니라, LLM의 잠재된 전문성을 끌어내고 사고를 자극하는 도구입니다. 이를 효과적으로 활용하기 위해서는 인지적 작업 분석(Cognitive Task Analysis, CTA) 관점을 적용하는 것이 중요합니다. 특히, 전문성에 대한 실제 구현 가능한 연구는 자연주의적 의사결정(Naturalistic Decision Making, NDM)에서 진행되고 있습니다. NDM은 전문가들이 복잡한 환경에서 어떻게 정보를 처리하고 판단을 내리는지를 연구하며, 이를 통해 전문적인 경험의 인지적 작업을 모사하고 전문가의 효과적 성장을 추구합니다. – CTA 를 기반으로한 학습은 교수학습 연구에서, 학습 효과에 있어 월등한 격차를 보여줌이 증명 되었습니다(연구 결과)
LLM과 협업하는 과정에서 우리는 이러한 연구를 기반으로 보다 정교한 의사결정 과정과 문제 해결 능력을 강화할 수 있습니다. 이 과정에서 단순히 편향(휴리스틱)을 제거하는 것이 아니라, 이를 인지하고 전략적으로 조정하여 보다 균형 잡힌 사고와 효과적인 의사결정을 도출하는 것이 목표가 되어야 합니다. 우리는 LLM에게 고정된 패턴이나 일관된 함수적 응답을 기대하지 않습니다. 즉, A를 입력하면 항상 A1이 출력되는 기계적 접근이 아니라, 맥락을 이해하고 적응하는 인지적 반응을 기대합니다. 이는 우리가 LLM을 단순한 기능적 도구(function)로 바라보는 것이 아니라, 끊임없이 변화하고 학습하는 인지적 존재로 여긴다는 의미이며, 이를 통해 보다 창의적인 활용이 가능해집니다. 결국, 프롬프트는 단순한 명령어가 아니라, LLM과의 인지적 상호작용을 통해 전문성을 형성하는 과정이 됩니다.
프롬프트의 본질과 역할
프롬프트(Prompt)라는 단어의 어원을 살펴보면, 라틴어 “promptus”에서 유래했으며 이는 promere(꺼내다, 이끌어내다)에서 파생된 단어입니다. Promptus는 “즉각적인”, “준비된”이라는 의미를 가지며, 이후 중세 영어에서 “자극하다”, “촉진하다”라는 뜻으로 발전했습니다. 이 어원적 의미를 고려할 때, 프롬프트는 단순한 입력값이 아니라 LLM의 잠재된 지식을 끌어내고 사고를 자극하는 도구로 볼 수 있습니다.
즉, 프롬프트는 인간과 AI의 인지적 협력을 촉진하는 인터페이스이며, 대화와 학습을 통해 역량을 확장하는 것이 본래 의미라고 할 수 있습니다. 결국, “인지적 프롬프트”라는 표현은 “프롬프트 엔지니어링”이라는 개념이 등장하면서 필요해진 용어일 뿐, 본질적으로 모든 프롬프트는 인지적입니다. 우리가 현실에서 사용하는 프롬프트는 언제나 사고를 유도하고, 탐구를 촉진하는 역할을 하기 때문입니다. (인지적 프롬프트라는 용어와 실천적 방법론은 대한민국의 김창준(June Kim)에 의해 최초로 제시되었습니다.)
공진화(Co-evolution)와 적응적 지능
인간과 LLM 및 에이전트는 상호작용을 통해 서로 적응(Adapt)하며 공동의 목표를 효과적으로 달성해 나갑니다. 이론적 연구나 실험실 환경이 아니라, 실제 현장에서 LLM이 활용되는 방식은 자연스럽게 이런 형태로 발전할 수밖에 없습니다. 따라서 우리는 이 과정에서 협력을 통해 서로의 관점을 공유하고, 상호 성장을 촉진하는 공진화(Co-evolution)를 달성하는 것을 목표로 삼아야 합니다. 이러한 접근 방식은 LLM의 특성과도 부합합니다. 전통적인 소프트웨어 시스템은 입력과 출력의 일관성을 중시하지만, LLM은 학습된 확률적 모델을 기반으로 맥락과 상호작용 속에서 동적으로 변형되는 응답을 생성합니다. 즉, LLM은 단순한 명령-응답 시스템이 아니라, 인간과 협력하며 의미를 조율하는 창조적, 적응적 전문성(Adaptive Expertise)을 가진 존재로 활용되어야 하며, 그것을 사용하는 사람 역시 적응적 전문성(Adaptive Expertise)을 갖춰야 합니다. 이처럼 LLM은 고정된 규칙을 따르는 것이 아니라, 협력과 학습을 통해 진화하는 메커니즘을 갖추고 있습니다. 따라서 우리는 이를 적극적으로 활용하여 보다 유연하고 창의적인 사고를 촉진해야 합니다.
결론
LLM과의 협업, 창조적 사고의 확장 LLM과의 협업은 단순히 도구를 다루는 것이 아니라, 새로운 형태의 사고를 확장하는 과정입니다. 우리는 LLM을 단순한 자동화 도구가 아니라 증강지능으로 바라보아야 합니다. 프롬프트는 단순한 명령어가 아니라 인지적 협력의 인터페이스입니다. 인간과 LLM의 협력은 공진화와 적응적 지능을 기반으로 발전해야 합니다. 결국, LLM의 진정한 가치는 단순한 정답을 제공하는 것이 아니라, 인간과 함께 탐구하고 학습하며 창조적 사고를 확장하는 데 있습니다. 우리는 이를 통해 새로운 가능성을 지속적으로 열어갈 수 있습니다.
기존의 프롬프트 엔지니어링은 패턴 최적화에 집중했으며, 사고 확장에는 한계를 보였습니다. 우리는 AI와의 협력을 통해 프롬프트를 단순한 질문 조정 기술이 아닌, 사고를 확장하는 과정으로 변화시켜야 합니다.
자연주의적 의사결정(NDM)과 관계틀 이론(RFT)은 AI와 인간이 협력하여 새로운 의미와 통찰을 만들어내는 과정을 이해하는 핵심 개념입니다. AI는 단순한 정보 제공자가 아니라, 인간과 협력하여 지식을 공동 구축하는 역할을 수행해야 합니다.
결국 협력적 대화가 필요합니다. Ai와 인간의 협력적 학습과 공진화 27
1. 우리는 결국 협력적 대화를 해야 합니다.
AI와 함께 일하며 우리는 학습하고 있다고 착각합니다. 하지만 과연 학습하고 있는 걸까요? 우리는 AI에게 최적화된 질문을 던지는 법을 익히고 있는가요? 그렇지 않습니다. 우리는 익히는 것이 없습니다.
✅ 프롬프트 엔지니어링은 단순한 질문 조정 기술일 뿐입니다.
✅ AI의 패턴에 맞춰 질문을 입력하는 시늉만 하고 있습니다.
✅ 실제 사고 확장이 아닌, 수동적 학습에 불과합니다.
즉, AI와 함께 일한다고 해서 우리가 새로운 통찰을 얻고 있다고 착각해서는 안 됩니다. 단순히 질문을 정교하게 던지는 것과 진짜 학습하고 사고를 확장하는 것은 완전히 다릅니다.
AI가 제공하는 정형화된 패턴 속에서 우리는 최적의 질문을 찾아 반복하는 것일 뿐, 본질적 사고를 확장하지 못하고 있습니다.
2. 기존 프롬프트 엔지니어링의 한계: 시스템 1과 시스템 2의 이분법적 편향
기존의 인지과학 및 AI 설계 논의에서, **”시스템 1과 시스템 2″**라는 이분법적 사고가 지배적이었습니다. 이는 Daniel Kahneman이 제시한 개념으로,
시스템 1: 빠르고 직관적이며 감각적으로 작동하는 사고 방식입니다.
시스템 2: 느리고 논리적이며 의식적으로 작동하는 사고 방식입니다.
AI 연구에서도 이 개념은 크게 반영되었으며, 프롬프트 엔지니어링 역시 이러한 이분법적 접근을 바탕으로 발전했습니다. 그러나, 자연주의적 의사결정(NDM) 연구는 이러한 이분법적 사고가 실제 인간의 사고 과정과는 거리가 멀다는 점을 지적했습니다.
✅ 인간은 시스템 1과 시스템 2를 따로 활용하는 것이 아니라, 상호작용하며 결합된 방식으로 사고합니다.
✅ 특정 상황에서 논리적 사고(시스템 2)만이 옳고, 직관적 사고(시스템 1)는 오류라고 보는 이분법적 관점은 편향입니다.
✅ AI도 마찬가지입니다. AI가 단순히 시스템 2에 해당하는 최적의 논리적 답을 제공하도록 설계된다면, 인간의 실제 사고 과정과 어긋납니다.
자연주의적 의사결정(NDM)은 이와 다른 접근법을 제시합니다. 다양한 수준의 정보와 전문성을 가진 사람들 간 협업을 강조하며, 개별 전문가들의 차이를 단점이 아니라 오히려 강점으로 활용하는 방식을 제안합니다. 즉, 각자의 경험과 지식 수준이 다르더라도, 이를 조합하여 더 나은 결정을 내릴 수 있습니다. AI 역시 이러한 방식으로 활용될 수 있습니다. 단순히 최적의 정답을 찾는 것이 아니라, 인간과 AI의 관점 차이를 조율하며 협력적 사고를 확장하는 것이 중요합니다.
3. RFT(Relational Frame Theory)란 무엇인가?
1) 언어와 인지의 분석적 접근
RFT(언어적 관계틀 이론)는 인간이 언어적 관계를 통해 의미를 구성하는 방식을 설명합니다.
인간은 “자의적이고(context에 따라 임의적으로) 적용 가능한 관계(relational responding)” 를 학습하여 다양한 개념을 서로 연결 짓습니다.
2) ‘Relational Frame’의 예시
“책”이라는 단어와 “지식”이라는 개념, “즐거움”이라는 감정이 어떻게 연결되는지는 물리적 특성만으로 설명되지 않습니다.
인간은 언어적·사회적 맥락을 통해 개념 간 관계틀(동등, 비교, 반대, 포함 등)을 학습하며 사고를 확장합니다.
이러한 관계 구성은 AI와 협력할 때도 동일하게 작용합니다. AI가 특정 데이터를 제공하면, 인간은 이를 맥락 속에서 새로운 관계로 연결하며 학습을 확장할 수 있습니다.
예를 들어, AI가 “자동차는 빠르다”라는 문장을 생성했을 때, 이를 단순한 사실로 받아들이는 것이 아니라, “자동차와 속도”라는 관계를 AI와 인간이 협력하여 보다 복합적으로 분석할 수 있습니다. “자동차는 빠르다”라는 개념을 “비행기는 자동차보다 빠르다” 또는 “전기차는 내연기관보다 더 빠르게 가속할 수 있다”와 같은 추가 관계로 확장하는 것이 경험적(인지적) 프롬프트의 핵심입니다.
4. 경험적 프롬프트와 협력적 사고 확장
✅ 프롬프트 = 단순한 질문이 아니라 AI와의 협력적 대화입니다. ✅ AI가 제공하는 데이터를 인간의 관계틀 속에서 재구성해야 합니다. ✅ AI의 할루시네이션조차 새로운 관계 맥락에서 해석하면 유용한 학습 자료가 될 수 있습니다.
이런 과정이 바로 메타포를 활용하는 것이며, 이런 방식이 경험적(인지적) 프롬프트입니다. 경험적(인지적) 프롬프트는 AI와의 상호작용을 통해 사고를 확장하는 과정입니다. 이는 인간이 기존 관계틀을 넘어 새로운 의미를 탐색하는 방식과 유사하며, NDM의 협력적 전문성을 반영하여 각자의 정보 수준과 경험을 조화롭게 활용하는 방식과도 연결됩니다.
5. 결론: 우리는 LLM과 협업하면서 협력적 대화를 해야 합니다.
✅ 프롬프트 엔지니어링은 더 이상 적절한 용어가 아닙니다. ✅ 우리는 AI와 함께 학습하고 사고를 확장하는 존재입니다. ✅ 인간의 관계틀(RFT)과 AI의 패턴 학습이 결합될 때, 새로운 통찰과 공진화가 가능합니다. ✅ NDM의 협력적 사고 방식을 AI와 접목하면, 다양한 수준의 정보를 융합하여 더 나은 의사결정이 가능합니다.
결국, 우리는 LLM과 다른 사람들과 협업하면서, 협력적 대화를 해야 합니다. AI를 단순한 정보 제공자가 아니라, 인간과 함께 사고를 확장하는 파트너로 활용하는 것이 미래의 협력 방식입니다.
🚀 프롬프트를 넘어서, AI와 인간이 함께 학습하고 사고를 확장하는 길로 우리는 이미 함께 걷고 있는것 같습니다. 🚀
AI와 함께 일하면, 우리는 학습하고 있다고 착각하기 쉽습니다. 그러나 정말로 학습하고 있을까요? 예를 들어, 우리는 AI에 최적화된 질문을 던지는 법을 배우고 있나요? 사실 그렇지 않습니다. 우리는 제대로 배우고 있지 않습니다.
프롬프트 엔지니어링은 단지 질문을 조정하는 기술일 뿐입니다.
우리는 AI가 원하는 질문을 흉내 내어 입력하고 있을 뿐입니다.
이는 진정한 사고 확장이 아니라, 수동적인 학습에 가깝습니다.
다시 말해, AI와 함께 일한다는 사실만으로 새로운 통찰을 얻고 있다고 믿어선 안 됩니다. 질문을 조금 더 정교하게 다듬는 것과 진짜 학습 혹은 사고 확장은 전혀 다른 차원의 문제입니다.
AI가 제시하는 정형화된 패턴 안에서 우리는 “최적의 질문”을 찾아 반복할 뿐이며, 근본적인 사고를 넓히지 못하고 있습니다.
2. 기존 프롬프트 엔지니어링의 한계: ‘시스템 1 vs. 시스템 2’라는 이분법
지금까지 인지과학과 AI 설계 논의에서, “시스템 1과 시스템 2”라는 이분법적 구도가 지배적이었습니다. 이는 Daniel Kahneman이 제안한 개념입니다.
시스템 1: 빠르고 직관적이며 감각적으로 작동하는 사고
시스템 2: 느리고 논리적이며 의식적으로 작동하는 사고
이 개념은 AI 연구에 상당히 반영되었고, 프롬프트 엔지니어링 또한 이 이분법적 사고에 기반해 발전해 왔습니다.
하지만 자연주의적 의사결정(NDM) 연구는 이러한 이분법이 인간의 실제 사고 방식과 어긋난다고 지적합니다.
인간은 시스템 1과 시스템 2를 분리해서 쓰지 않고, 상호 작용하며 결합해 사고합니다.
특정 상황에서 논리적 사고(시스템 2)만을 옳다고 여기고, 직관적 사고(시스템 1)를 오류라고 보는 시각은 편향입니다.
AI 또한 마찬가지입니다. AI를 단순히 “가장 논리적 답”만을 제공하도록 설계한다면, 인간의 실제 사고 과정과 맞지 않게 됩니다.
결국, 시스템 2 기반으로 프롬프트 엔지니어링을 설계한 것은 인간-AI 협력의 실제 작동 원리를 제대로 이해하지 못한 오류에서 비롯된 것입니다.
이제 AI를 인간의 사고에 더욱 가깝게 활용하려면, 이분법적 패턴 최적화를 넘어서 경험적(인지적) 프롬프트 방식을 모색해야 합니다.
3. 프롬프트 엔지니어링의 패턴 최적화 문제
프롬프트 엔지니어링은 흔히 “AI가 더 나은 답을 내놓도록 최적의 질문을 찾는 과정”으로 정의됩니다. 즉, AI가 학습한 데이터에 기반해 가장 적합한 답변을 생성하도록 지원하는 기술입니다.
그러나, 이것이 과연 AI와 협력하는 올바른 방식일까요?
기존 프롬프트 엔지니어링이 가진 주요 문제점:
결국 패턴 최적화에 그친다. AI는 과거 학습된 데이터를 재활용해 답변을 생성합니다. 이는 근본적으로 새로운 사고를 유도하기보다, 기존 패턴의 다시쓰기에 가깝습니다. 사용자는 AI 내부 구조를 배우기보다, “AI가 원하는 질문”을 반복해서 입력하는 법만 익히게 됩니다.
맥락 없는 답변이 생성된다. AI는 확률적으로 가장 가능성 높은 답만을 제공하기 때문에, 실제 상황맥락을 깊이 고려하기 어렵습니다. 인간과 협력하여 사고를 확장하기보다는, 그저 정형화된 답을 제공하는 기계에 머무릅니다.
사용자의 사고 확장을 방해한다. 프롬프트 엔지니어링은 “질문을 어떻게 최적화하느냐”를 강조합니다. 하지만 정작 중요한 것은, “무슨 문제를 해결해야 하는지”에 대한 사고 과정입니다. 결국 사용자는 AI가 내놓은 답을 수용하기에만 익숙해져, 문제를 깊이 고민하는 과정에서 점점 멀어집니다.
AI의 ‘할루시네이션’을 단순 오류로 본다. AI가 실제로 존재하지 않는 정보를 만들어내면, 이를 “할루시네이션”이라고 부릅니다. 기존 프롬프트 엔지니어링은 이를 “오류”로 단정하고 가능한 한 근본적으로 제거하려고만 합니다. 그러나 인간도 새로운 개념을 만들기 위해 때때로 착각하거나 엉뚱한 연결을 시도하고, 이것은 창의성의 본질이기도 하죠. 따라서 이러한 착오 자체를 무조건 배제하기보다는 새로운 사고를 탐색하는 기회로 삼아야 합니다. (할루시네이션을 긍정하는 것이 아니라, LLM 의 특성인 할루시네이션은 근본적으로 없앨 수 없고, 그래서도 안되니 관리를 잘하자는 이야기입니다)
결국, 전통적 프롬프트 엔지니어링은 패턴 최적화에만 집중해 인간과 AI가 함께 협력적으로 사고하는 과정을 방해할 수 있습니다.
4. 이제 프롬프트 엔지니어링을 버려야 한다
더 이상 우리가 하는 일을 “프롬프트 엔지니어링”이라 부르지 말아야 합니다.
실제로는 “경험적(인지적) 프롬프트”를 이미하고 있습니다. (시스템 1, 2 의 이분법적 관점은 실험실 안에만 존재하기 때문입니다)
즉, 우리는 AI와 협력하여 학습하고 사고를 확장하는 과정을 이미 함께하고 있습니다.
우리가 하는 행동을 언어로 어떻게 표현하냐에 따라, 그 목적성과 의도성이 달라지고, 이는 학습에 큰 효과를 가져옵니다. 따라서 우리의 행동을 ‘프롬프트 엔지니어링’ 이 아닌 다른 표현으로 바꿀 필요가 있습니다.
과거의 프롬프트 엔지니어링이 AI에게 최적화된 질문을 찾는 기술이었다면, 경험적(인지적) 프롬프트는 AI와 상호작용하며 우리의 사고를 확장하는 과정입니다.
“우리는 AI와 함께 사고를 확장하는 존재입니다. 단순히 질문만 입력하는 사람이 아니라, AI와 협력해 학습하고 성장하는 학습자입니다.”
인간과 AI가 함께하는 방식은 더 이상 입력-출력에 국한된 구조가 아니라, 경험과 학습을 기반으로 한 상호작용이 되어야 합니다. 즉, 질문을 최적화하는 것이 아니라, 문제를 해결하는 과정으로 나아가야 합니다.
따라서 우리가 사용하는 것은 더 이상 프롬프트 엔지니어링이 아닙니다. 우리는 자연스럽게 경험적(인지적) 프롬프트를 활용하게 됩니다.
경험적/인지적 관점을 통해 AI와 인간이 함께 학습하고 사고를 확장하는 길을 함께 만들어 가고 싶습니다.
– 해경 –
다음 글 예고: “프롬프트의 정체, 질문이 아니라, 협력적 대화” (프롬프트를 협력적 대화로 재정의하자!)
“Garbage in, But Gold out”: 인간과 AI의 공진화를 통한 새로운 가치 창출
1. 인간은 본디 “쓰레기”에서 “금”을 캐내는 연금술사
인간은 불완전하고 모호하며, 때로는 “쓰레기”처럼 보이는 정보의 홍수 속에서도 놀라운 능력을 발휘합니다. 바로, 그 “쓰레기” 더미 속에서 보석과 같은 의미와 가치를 발견하고, “금”과 같은 눈부신 통찰을 이끌어내는 ‘Garbage in, But Gold out’ 능력입니다. 이는 단순한 정보 처리 능력을 넘어, 심오한 직관, 고유한 주관성, 축적된 경험, 무한한 창의성 등 인간 고유의 본능과 역량이 복합적으로 어우러져 만들어낸, 세상을 이해하고, 적응하며, 발전시켜 온 핵심 동력이자 생존 전략입니다. 마치 노련한 연금술사가 평범한 금속에서 순도 높은 금을 정련해내듯, 인간은 불완전하고 쓸모없어 보이는 “쓰레기” 정보 속에서도 가치 있는 “금”을 창조해내는 놀라운 존재입니다.
예술가는 버려진 폐품 속에서 영감을 얻어 예술 작품으로 승화시키고, 과학자는 실패한 실험 데이터의 미세한 흔적 속에서 숨겨진 진리의 단서를 찾아냅니다. 사업가는 혼란스러운 시장 상황의 불확실성 속에서도 새로운 기회를 포착하여 혁신적인 비즈니스를 창출하고, 노련한 장인은 투박한 원석을 다듬어 영롱한 보석으로 재탄생 시킵니다. 우리 각자도 일상 속에서 수많은 불완전한 정보들을 접하지만, 그 속에서 의미 있는 패턴을 찾아내고, 배우고 성장하며, 더 나은 의사결정을 내립니다.
이러한 ‘Garbage in, Gold out’ 능력은 인간만이 가진 고유한 강점이자, 불확실성으로 가득한 세상을 살아가는 데 필수적인 생존 전략입니다. 이는 단순히 정보를 처리하는 기계적 능력을 넘어, 인간의 본질을 규정하는 핵심 요소이며, 인류 문명을 발전시켜 온 위대한 유산입니다.
2. LLM: “Garbage in, But Gold out” 능력을 증강하는 강력한 공동 파트너
최근 눈부시게 발전하고 있는 LLM(대규모 언어 모델)은 인간의 ‘Garbage in, But Gold out’ 능력을 획기적으로 증강할 수 있는 강력한 조력자로 등장하고 있습니다. LLM은 방대한 양의 텍스트 데이터를 학습하여, 언어의 복잡한 패턴과 뉘앙스를 이해하고, 새로운 텍스트를 생성하며, 주어진 질문에 답변하고, 요약 및 번역 등 다양한 작업을 수행할 수 있습니다. 특히, LLM은 단순히 명시적, 고정적, 객관적인 정보만 처리하는 것이 아니라, 텍스트 데이터에 내재된 인간의 주관성, 심상, 경험, 가치관, 감정까지도 계산 할 수 있다는 점에서 주목할 만합니다.
LLM은 인간의 ‘Garbage in, But Gold out’ 능력을 어떻게 증강할 수 있을까?
방대한 데이터 속 숨겨진 패턴 발견: 인간은 인지적 한계로 인해 방대한 양의 데이터를 분석하고 그 속에서 의미 있는 패턴을 찾아내는 데 어려움을 겪습니다. LLM은 이러한 한계를 극복하고, 인간이 미처 발견하지 못한 숨겨진 패턴과 연결 고리를 찾아내어 새로운 통찰을 제공할 수 있습니다.
모호하고 불완전한 정보 처리: LLM은 문맥을 파악하고, 모호성을 처리하며, 불완전한 정보 속에서도 의미를 추론하는 능력을 갖추고 있습니다. 이를 통해, 인간이 ‘Garbage’로 치부했던 데이터 속에서도 가치 있는 정보를 발굴하고, 새로운 가능성을 제시할 수 있습니다.
다양한 관점과 아이디어 생성: LLM은 방대한 지식을 바탕으로, 인간이 생각하지 못했던 다양한 관점과 아이디어를 생성하여 창의적인 문제 해결을 지원할 수 있습니다.
주관적, 심상적 정보의 활용: LLM은 텍스트에 담긴 감정, 가치, 심상 등을 파악하고 활용할 수 있습니다. 이는 인간의 주관적 경험과 직관을 이해하고, 이를 바탕으로 더욱 풍부하고 인간적인 상호작용을 가능하게 합니다.
결론적으로, LLM은 인간의 인지적 한계를 보완하고, ‘Garbage’ 일지라도 그 속에서 숨겨진 가치를 발견하도록 도움으로써, 인간의 ‘Garbage in, But Gold out’ 능력을 한 차원 더 높은 수준으로 끌어올릴 잠재력을 지닌 혁신적인 도구입니다. LLM과의 협력을 통해, 우리는 이전에는 불가능했던 새로운 차원의 가치 창출을 이뤄낼 수 있을 것입니다.
3. 공진화 관점: 인간과 AI가 함께 여는 새로운 가치 창출의 시대
이러한 잠재력을 현실로 만들기 위해, 우리는 다양한 학문 분야의 인간 전문성 연구를 적극적으로 활용하고 융합하는 ‘공진화 관점’을 제안합니다. ‘공진화 관점’은 인간과 AI가 서로의 강점을 바탕으로 상호 협력하고 함께 성장하는 미래를 지향합니다. 이는 단순히 AI를 인간을 대체하는 도구로 보는 것이 아니라, 인간의 능력을 증강하고, 함께 새로운 가치를 창출하는 진정한 파트너로 인식하는 패러다임의 전환을 의미합니다.
‘공진화 관점’은 다음과 같은 핵심 요소들을 기반으로 합니다.
인간 중심: AI 개발의 중심에는 항상 인간이 있어야 합니다. AI는 인간의 삶을 개선하고, 인간의 잠재력을 극대화하는 방향으로 발전해야 합니다.
학제 간 융합: 인지 심리학, 행동 경제학, 자연주의적 의사결정(NDM), 관계 구성 이론(RFT), 디자인 씽킹, HCI, 상담 심리 등 다양한 학문 분야의 연구 성과를 융합하여, 인간의 ‘Garbage in, Gold out’ 능력에 대한 깊이 있는 이해를 도모합니다.
전문성 모델링: 다양한 분야의 전문가들이 가진 암묵지, 직관, 경험 기반 의사결정 패턴 등을 모델링하여, LLM이 더욱 정교하고 인간적인 추론 능력을 갖추도록 돕습니다.
윤리적 책임: AI의 개발과 활용 과정에서 발생할 수 있는 윤리적 문제들을 사전에 예측하고, 이를 예방하기 위한 방안을 마련해야 합니다.
‘공진화 관점’을 통해 우리는 다음과 같은 미래를 만들어갈 수 있습니다.
새로운 차원의 문제 해결: 인간의 창의성과 직관, AI의 방대한 데이터 처리 능력이 결합되어, 기존에는 해결 불가능했던 복잡한 문제들에 대한 혁신적인 해결책을 찾을 수 있습니다.
개인 맞춤형 경험 제공: AI가 개인의 취향, 가치관, 경험 등을 이해하고, 이를 바탕으로 개인에게 최적화된 맞춤형 경험을 제공할 수 있습니다.
인간 잠재력 극대화: AI가 인간의 학습, 의사결정, 창의적 활동 등을 지원함으로써, 개개인의 잠재력을 최대한 발휘할 수 있도록 도울 수 있습니다.
결론적으로, ‘공진화 관점’은 인간과 AI가 함께 협력하며, ‘Garbage’ 속에서도 ‘Gold’를 발견하고, 새로운 가치를 창출하는 미래를 열어가는 길을 제시합니다. 이를 통해, 우리는 더욱 풍요롭고 의미 있는 삶을 향해 나아갈 수 있을 것입니다.
일반적 인식 (프롬프트 엔지니어링) vs. 공진화 관점 (Garbage in,But Gold out)
구분
일반적 인식 (프롬프트 엔지니어링)
공진화 관점 (GBGO)
초점
효율성, 자동화, 성능 향상, 정제된 데이터 활용
인간의 인지 과정 이해 및 모방, 인간-AI 협력, 새로운 가치 창출, ‘Garbage’ 데이터/경험에서 ‘Gold’와 같은 가치를 발견
LLM/벡터 DB 역할
고성능 도구, 정보 처리 및 생성, 정확한 답변 도출
인간의 마음, 심상 간의 관계 계산 (마음과 유사한 역할 수행), 창의적/직관적 통찰 까지 도출
핵심 능력
자연어 처리, 기계 번역, 정보 검색, 콘텐츠 생성
관계 구성, 주관성 패턴 학습, 심상 기반 추론, 적응적 의사결정, 공감 능력, 직관적 추론, 모호성 처리, 경험 기반 학습, 불확실성/불완전성/주관성이 내재된 데이터/경험에서 가치 발견 및 활용
주요 학문 분야
컴퓨터 과학, 인공지능, 데이터 과학
컴퓨터 과학, 인공지능, 관계 구성 이론 (RFT), 상담 심리, 인지 심리, 자연주의 의사결정 (NDM), 인간-컴퓨터 상호 작용 (HCI), 디자인 사고, 행동 경제학, 데이터 과학 등 학제 간 융합
주요 관심사
정확도, 속도, 확장성 (Scalability)
인간과의 협력, 윤리적 가치, 인간 중심 디자인, 책임감 있는 AI 개발, 사회적 영향 고려, ‘Garbage’ 데이터/경험의 가치 재발견, 주관성과 창의성의 증강
데이터를 바라보는 관점
정제되고 정형화된 데이터 중시, “Garbage in, garbage out”
불완전하고 주관적인 데이터/경험(‘Garbage’)도 가치를 지닐 수 있음을 인정, “Garbage in, Gold out”을 지향, 인간의 적응력과 창의력으로 ‘Gold’와 같은 가치를 발견/창출
데이터 분석의 목표
현상 설명, 예측, 패턴 발견
데이터에 내재된 주관성, 맥락, 미묘한 뉘앙스까지 포착, 새로운 통찰과 아이디어 도출, 인간의 경험과 직관을 바탕으로 한 전문성 구축, 가치 창출
LLM의 학습 내용
객관적 사실, 일반적 지식
주관적 경험, 감정, 가치관, 신념, 직관, NDM 기반의 전문가 의사결정 패턴, 심상, ‘Garbage’ 데이터/경험 속에 숨겨진 패턴/관계/가치
LLM의 역할
정보 제공, 질의응답, 텍스트 생성, 대리인, 외주
주관적 전문성 모델링, 적응적 추론 및 의사결정 지원, 인간과의 협력을 통한 가치 창출, ‘Garbage’를 ‘Gold’로 변환하는 연금술사, 인간의 창의성과 문제해결능력을 증강하는 조력자
핵심 차이 요약:
프롬프트 엔지니어링은 주로 효율성과 자동화에 중점을 두고, LLM을 정확한 답변을 생성하는 도구로 활용합니다. 정제된 데이터를 선호하며, “Garbage in garbage out” 원칙을 따릅니다.
공진화 관점은 인간과 AI의 협력에 중점을 두고, LLM을 인간의 마음과 유사한 역할을 수행하는 조력자로 봅니다. 불완전하고 주관적인 “Garbage” 데이터/경험에서도 가치를 발견하고, “Garbage in, But Gold out” 능력을 증강하는 것을 목표로 합니다.
결론적으로, 공진화 관점은 프롬프트 엔지니어링의 한계를 극복하고, 인간과 AI가 함께 새로운 가치를 창출하는 미래를 제시합니다.
우리는 귀중한 배움을 마주할 때면 그것을 완벽하게 보존하려 합니다. 마치 깨지기 쉬운 유리그릇을 다루듯 조심스럽게 말이죠. 그 안에 담긴 지혜를 한 방울도 흘리지 않으려 애쓰게 됩니다. 혹시 내가 이 완벽한 걸 잘못 이해하진 않을까, 원래의 의미를 훼손하진 않을까 하는 두려움이 우리를 움츠리게 만듭니다. 이런 마음이 깊어 질 수록 우리는 그 가르침을 더욱 신성시하게 됩니다. 너무나 완벽해 보이는 그 모습 그대로 간직하고 싶어서, 감히 우리의 해석을 더하거나 새로운 의미를 찾으려 하지 않게 되죠. 마치 한 번의 실수로 모든 것이 무너질 것만 같은 느낌입니다.1
하지만 이런 두려움이 반드시 필요한 걸까요? 우리의 이해는 실수와 개선을 거듭하며 자라납니다. 마치 아이가 걸음마를 배우듯, 때로는 넘어지고 비틀거리면서도 한 걸음 한 걸음 나아가는 것처럼 말이죠. 실제로 이렇게 가르침이라는 형태로, 빛바랜 액자처럼 벽에 걸어두는 것이, 정작 그 안에 담긴 진정한 지혜와 우리를 멀어지게 할 수 있습니다. 학습 과학 연구들은 분명한 증거를 보여 줍니다. 우리가 새로운 지식을 진정으로 이해하고 활용하기 위해서는 그것을 우리의 맥락에서 재해석하고 적용해보는 과정이 필수라는 것을 보여주죠. 따라서, 단순 암기나 보존이 아닌, 적극적인 의미 만들기는 우리의 진전을 위해서 꼭 필요한 과정입니다.
마치 씨앗이 새로운 땅에서 뿌리를 내리고 자라나듯, 배움도 우리 안에서 새롭게 생명력을 얻어야 합니다.2
이런 생각은 새로운 시각이 아닙니다. 이미, 우리 언어 속에도 이미 이런 지혜가 담겨있죠. Originality라는 말을 살펴보면, 그 어원인 ‘origin’ 은 ‘근원’ 이나 ‘시작점’ 을 의미합니다. 이는 귀할 수록 보전 하고 싶은 우리에게 중요한 시사점을 줍니다.
원전이란 끝이 아닌 시작이라는 것을 말이죠.
실제로 적응적 전문성 연구는 전문가들이 지식을 고정된 유물이 아닌, 살아 움직이는 생명체처럼 다룬다는 것을 보여줍니다. 그들은 지식을 새로운 상황에 맞춰 지속적으로 재구성하고 발전시키죠. 마치 오래된 친구와 이야기를 나누듯, 때론 동의하고 때론 다르게 생각하며 서로를 이해하고, 이것이 바로 우리가 원하는 학습이고 진전이고 성장이죠.3
그렇다면 우리는 어떻게 시작할 수 있을까요? 오래된 친구와의 대화처럼, 먼저 편안한 마음으로 시작하면 좋겠습니다. 각자의 자리에서, 각자만의 방식으로 질문을 던져보세요. 지금 당신이 마주한 상황 속에서 이 배움이 어떤 의미가 있을지 묻고 답해보세요. 그리고 그 과정에서 발견하는 당신만의 통찰에 집중해봅시다.
이 과정에서 일어나는 원전과의 대화는 마치 봄날의 새싹처럼 우리 안에서 새로운 생명력을 부여 받습니다. 메타인지 연구가 보여주듯, 이런 살아있는 대화야말로 배움의 출발점이 됩니다.4
관련 연구 및 설명
위는, 배움은 단순히 지식을 그대로 보존하려는 것에 그치지 않고, 우리 안에서 새로운 맥락을 통해 생명력을 얻어야 한다는 내용입니다. 아래는 각 주장과 이를 뒷받침하는 연구를 정리한 표입니다.
💡 관련 내용에 대해 관심이 싶으시다면 댓글로 알려주세요!
당신만의 ‘배움의 순간들’은 언제인가요?
소중한 가르침을 자신만의 방식으로 재해석한 경험이 있나요?
지식에 생명력을 불어넣은 나만의 방법이 있다면?
이 글을 읽으며 떠오른 질문이나 통찰이 있나요?
여러분의 경험을 더해, 함께 자라면 좋겠습니다. 🌱
주요 주장
연구 및 근거
설명
완벽한 보존의 한계와 두려움
Dweck, C. S. (2006): 성장 마인드셋에서 실수를 학습의 기회로 본다. Edmondson, A. (1999): 심리적 안전이 부족하면 학습을 방해할 수 있다.
완벽을 추구하며 실수를 두려워하는 태도는 배움의 기회를 제한합니다. 심리적 안전감은 실패와 도전을 긍정적으로 받아들이게 하며, 이를 통해 성장의 가능성이 열립니다.
지식의 맥락화와 재구성
Ausubel, D. P. (1968): 기존 지식과 연결될 때 학습이 효과적이다. Vygotsky, L. S. (1978): 학습은 사회적 상호작용과 맥락적 도구를 통해 이루어진다.
지식은 단순 암기나 보존이 아닌, 새로운 환경과 연결되고 맥락화될 때 의미를 갖습니다. 이를 통해 학습자는 자신의 관점에서 지식을 재해석하고 활용할 수 있습니다.
전문가의 적응적 지식 활용
Hatano, G., & Inagaki, K. (1986): 적응적 전문성은 지식의 재구성을 강조. Bereiter, C., & Scardamalia, M. (1993): 전문가들은 지식을 지속적으로 발전시킨다.
전문가들은 지식을 정적인 유물이 아닌 동적인 생명체처럼 다룹니다. 새로운 상황에 맞춰 지식을 재구성하며 문제를 해결하는 과정에서 지식은 더욱 발전합니다.
능동적 학습과 자기조절
Flavell, J. H. (1979): 메타인지는 사고를 감시하고 조정하는 과정. Zimmerman, B. J. (2002): 자기조절 학습은 능동적 참여를 통해 학습 효과를 극대화.
배움은 자신의 사고 과정을 점검하고 조정하며, 목표와 전략을 지속적으로 재구성할 때 비로소 가능해집니다. 이는 학습자의 주도성을 키우는 데 핵심적인 역할을 합니다.
관련 문헌
Ausubel, D. P. (1968). Educational Psychology: A Cognitive View. New York: Holt, Rinehart & Winston. 출처 보기
Bereiter, C., & Scardamalia, M. (1993). Surpassing ourselves: An inquiry into the nature and implications of expertise. Chicago: Open Court. 출처 보기
Dweck, C. S. (2006). Mindset: The new psychology of success. New York: Random House. 출처 보기
Edmondson, A. (1999). Psychological safety and learning behavior in work teams. Administrative Science Quarterly, 44(2), 350-383. 출처 보기
Flavell, J. H. (1979). Metacognition and cognitive monitoring: A new area of cognitive-developmental inquiry. American Psychologist, 34(10), 906-911. 출처 보기
Hatano, G., & Inagaki, K. (1986). Two courses of expertise. In H. Stevenson, H. Azuma, & K. Hakuta (Eds.), Child development and education in Japan (pp. 262-272). New York: Freeman. 출처 보기
Zimmerman, B. J. (2002). Becoming a self-regulated learner: An overview. Theory Into Practice, 41(2), 64-70. 출처 보기
할루시네이션 위험 증가 – Search GPT 와 Perplexity 는 아직, 실시간 스크래핑(크롤링)을 하지 않습니다. LLM 미신은 할루시네이션을 유발하고, LLM의 효용 가치를 떨어뜨립니다.
실시간 데이터 수집의 방식은 두 갈래로 나뉩니다. 실시간 스크래핑과 실시간 쿼리 방식, 이 두 가지는 표면적으로는 유사해 보이지만, 그 성격은 다릅니다. 만약 우리가 실시간 쿼리 방식을 실시간 스크래핑으로 오해한다면, LLM의 효용 가치가 떨어지게 됩니다. 특히, 생략된 맥락이나 정보에 의해 할루시네이션 위험이 증가 할 수 있습니다.
Chat GPT(Search GPT)와 Perplexity는 실시간 쿼리 방식
ChatGPT의 SearchGPT나 Perplexity와 같은 서비스는 실시간 스크래핑(또는 크롤링)을 하지 않습니다. 그들은 대화의 흐름 속에서 질문이 들어올 때마다 필요한 정보를 신뢰할 수 있는 출처와 허가된 API에서 실시간 쿼리 방식으로 불러옵니다. 이는 한번에 관련 페이지의 정보를 긁어 모아오는 것이 아니라, 그 때 그때 프롬프트에 맞는 정보를 가져와서 제공하는 것입니다. 따라서 맥락을 잃어버릴 수 있으며, 전체로부터 괴리가 일어날 수 있습니다.
PS. 이 글에서는 실시간 쿼리 방식과 실시간 스크래핑 방식의 차이를 강조하기 위해서, 스크래핑 방식과 크롤링 방식의 디테일한 차이점은 다루지 않습니다.
실시간 쿼리 방식 vs 실시간 스크래핑 방식 비교 표
비교 항목
실시간 쿼리 방식
실시간 스크래핑 방식
데이터 접근 방식
필요한 정보를 요청할 때마다 API나 신뢰 가능한 출처에서 가져옴
웹페이지에서 데이터를 실시간으로 수집하여 저장 및 활용
정보 제공 속도
매우 빠름, 필요한 정보만 선택적으로 수집
중간~빠름, 대량의 데이터 수집이 필요한 경우 시간 소요
정보의 최신성
요청 시점의 최신 정보를 실시간으로 가져옴
데이터가 미리 수집되므로 최신 정보 유지에 제한적일 수 있음
법적 이슈
허가된 API와 출처 사용으로 법적 문제가 적음
무단 스크래핑 시 법적 문제가 발생할 수 있음
할루시네이션 위험
제한된 출처에서 정보가 부족할 경우 발생할 수 있음
데이터가 충분하기 때문에 상대적으로 낮음
현재의 실시간 쿼리 방식의 LLM 서비스 이용 팁
실시간 쿼리 방식은 실시간 스크래핑 방식보다 할루시네이션이 일어날 가능성이 높습니다. 그렇다면 실시간 쿼리 방식에서는 어떻게 이용해야 할까요. 우선, Perplexity 나 SearchGPT 가 데이터를 통으로 가져 오지 않는다는 것을 이해할 필요가 있습니다. 오해하지 않는것, 이것이 시작입니다.
출처 검토의 중요성 이해하기:
LLM 기반의 시스템, 예를 들어 ChatGPT의 SearchGPT나 Perplexity와 같은 경우에는 크롤링이나 스크래핑이 아니라 실시간 쿼리 방식으로 동작합니다. 이는 마치 필요한 순간에만 숨을 쉬듯이, 필요한 정보만을 실시간으로 가져오는 자연스러운 흐름을 지니고 있습니다.
이러한 방식은 살아 있는 나무가 가장 효율적으로 필요한 만큼의 자원을 흡수하는 것과 유사합니다. 사용자는 시스템이 특정한 신뢰된 출처에서 정보를 가져온다는 사실을 인지하고 접근해야 합니다.
할루시네이션 위험에 대한 대비:
LLM 기반 시스템은 제한된 출처에서 데이터를 가져오기 때문에 정보 공백이 발생할 수 있습니다. 이는 마치 영양소가 부족한 토양에서 나무가 고르게 성장하지 못하는 것과 같습니다. 이러한 공백이 잘못된 정보(할루시네이션)를 만들어내기 때문에, 항상 정보의 신뢰성에 대해 경각심을 가져야 합니다.
모든 답변이 완벽하거나 항상 정확하지 않을 수 있음을 인지하고 중요한 결정에 앞서 추가적인 검토와 교차 확인이 필요합니다.
신뢰할 수 있는 정보 수집 방법:
다양한 출처 확인: 하나의 출처에 의존하지 말고, 다양한 출처에서 동일한 정보가 제공되는지 확인하십시오. 이는 마치 나무가 여러 뿌리에서 다양한 영양분을 얻어 균형 있게 성장하는 것과 같습니다.
검증된 출처 사용: 공신력 있는 기관이나 허가된 API로부터 제공되는 정보를 우선적으로 활용하십시오. 좋은 영양분을 제공해야 나무가 건강하게 자라듯이, 신뢰할 수 있는 정보만이 올바른 결론을 이끌어냅니다.
효율적인 협력 전략:
LLM의 역할 이해: LLM은 정보를 실시간으로 수집하여 요약하는 데 탁월하지만, 모든 정보를 심층적으로 분석하는 역할을 수행하는 것은 아닙니다. LLM을 사용할 때는 보완적인 도구로 활용하며, 심층 분석이 필요한 경우에는 추가적인 리소스를 병행하는 것이 좋습니다. 이는 마치 나무가 자랄 때 필요한 물과 햇빛 외에도 좋은 토양이 필요하듯, 다양한 지원이 필요합니다.
추가적인 검토 과정 거치기: 중요한 의사결정을 할 때는 LLM의 답변을 보조적 자료로 사용하고, 항상 직접 출처를 확인하여 신뢰성을 검토하십시오. 이는 나무의 건강을 유지하기 위해 정기적으로 상태를 점검하는 것과 같습니다.
할루시네이션 위험 줄이기 팁
할루시네이션 위험을 과소평가하지 않기 위해서는, 단순히 정보의 흐름을 이해하는 것에 그치지 않고, 다양한 맥락에서 정보를 접근하려는 노력이 필요합니다. 이는 마치 나무가 다양한 계절과 날씨 속에서 자신을 적응시키듯, 우리는 다양한 시각과 접근 방식을 통해 정보를 다루어야 합니다.
맥락을 고려한 프롬프트 설계:
다층적 시각 도입: 하나의 질문에 대해 여러 각도에서 접근하는 프롬프트를 설계하십시오. 예를 들어, 특정 주제에 대해 역사적, 경제적, 사회적 맥락을 함께 탐구하는 질문을 던짐으로써, 정보의 깊이와 폭을 확장할 수 있습니다.
시나리오 기반 질문: 다양한 상황과 조건을 설정한 시나리오를 통해 LLM이 보다 정교한 답변을 생성하도록 유도하십시오. 이는 마치 나무가 다양한 토양과 기후 조건에서 성장하듯, LLM도 다양한 맥락에서 정보를 처리할 수 있도록 도와줍니다.
다양한 출처와의 연계:
교차 검증 프롬프트: 동일한 정보를 여러 출처에서 확인하는 질문을 포함시켜, 정보의 일관성과 신뢰성을 높이십시오. 예를 들어, “이 주제에 대한 A 출처와 B 출처의 견해는 어떻게 다른가?”와 같은 질문을 통해 정보의 다층성을 확보할 수 있습니다.
비교 분석 요청: 서로 다른 출처나 관점을 비교하는 프롬프트를 활용하여, 정보의 균형 잡힌 해석을 도모하십시오. 이는 마치 나무가 다양한 영양소를 균형 있게 흡수하여 건강하게 성장하는 것과 유사합니다.
동적 피드백 메커니즘 도입:
실시간 수정 요청: LLM의 답변이 불완전하거나 오류가 있을 때, 즉각적으로 수정이나 보완을 요청하는 프롬프트를 사용하십시오. 이는 마치 나무가 필요에 따라 가지를 정리하고, 성장 방향을 조절하는 것과 같습니다.
반복적 학습 과정: 초기 답변을 바탕으로 추가 질문을 통해 정보를 심화시키고, 더 정확한 결과를 도출하는 과정을 반복하십시오. 이는 나무가 지속적으로 성장하고, 환경에 적응해 나가는 과정과 닮아 있습니다.
감각적이고 직관적인 접근:
비유와 은유 활용: 복잡한 개념을 이해하기 쉽게 하기 위해 비유나 은유를 활용한 프롬프트를 설계하십시오. 이는 마치 나무의 생명력을 느낄 수 있는 감각적인 이미지가 우리의 이해를 돕는 것과 같습니다.
시각적 상상 촉진: 독자가 머릿속에서 생생한 이미지를 그릴 수 있도록 질문을 구성하십시오. 이는 마치 나무의 잎이 바람에 흔들리며 다양한 그림자를 만들어내듯, 독자의 상상력을 자극하여 더 깊은 이해를 가능하게 합니다.
