haegyung.com 의 모든 글은, LLM 과 협력적 글쓰기를 통하여 작성된 글이며,
근거 기반 프롬프트 리뷰 는 한국어 버전은 이곳에, 영문버전은 Augmentedtechnology SUBSTACK 에 발행됩니다.

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.

1. 먼저 이 자료가 하나의 분야로 묶이는지 판단하라.
2. 묶인다면 그 안에서 반복적으로 나타나는 멘탈 모델을 추출하라.
3. “모든 전문가가 공유한다”라고 단정하지 말고, 각 항목의 합의 수준을 높음·중간·낮음으로 제시하라.
4. “핵심”은 반복 빈도, 설명력, 의사결정 영향도를 기준으로 판정하라.
5. 개수는 고정하지 말고, 필요하면 마지막에 상위 5개까지만 요약하라.
6. 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)

판단을 유예하는 ‘빈 공간’을 만드는 기술이 문제를 해결한다 — 넘겨짚기를 멈추게 하는 클린 랭귀지 추천

업무를 하다 보면 정말… “일의 8~9할이 소통”이라는 말이 과장이 아니라는 걸 자주 느낍니다.
그런데 소통이 꼬이는 순간은 대체로 비슷해요. 말은 많아지는데 결론은 멀어지고, 감정은 올라가고, 서로를 설득하느라 지칩니다.

저는 이런 정체를 풀어주는 핵심을 요즘 한 단어로 정리합니다.
‘비움’.

여기서 말하는 비움은 “아무 말도 안 하기”가 아닙니다.
판단을 유예하는 빈 공간을 만드는 기술입니다.
그리고 이 빈 공간을 가장 정교하게 다루는 방법 중 하나가 바로 클린 랭귀지(Clean Language)입니다.

개인적으로 요즈음 듣는 말 중에 “너, 진짜 회춘했나봐. 이제 검은 머리 많이 난다(from. 어머니)” 입니다.
여기에 일조한 것중 하나가 클린랭귀지라고 생각합니다.

이런 클린 랭귀지를 익힐 수 있는 좋은 기회가 있는데, 아직 알려지지 않은것 같아 오늘 이 글을 적게 되네요.

우리가 대화에서 막히는 진짜 이유: 빈칸을 ‘넘겨짚기’로 채워버리기

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)

• 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.

1. “오늘 회의에서 어떤 일이 일어나길 바라요?”
2. “그게 일어나려면 무엇이 필요해요?”
3. “빠진 조건이 있을까요?”
4. “그중에서 우리가 할 수 있는 게 있어요?”
5. “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.

1. “이번에 고객님이 일어나길 바라는 결과는 무엇인가요?”
2. “그 결과가 나오려면 무엇이 충족되어야 하나요?”
3. “지금까지 말씀 중에 빠진 조건이 있을까요?”
4. “그 조건을 채우기 위해 지금 우리가 할 수 있는 게 있나요?”
5. “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.

그래서 저는 오늘 이 강의를 소개해보려고 합니다.
신청링크: https://gyung.me/clean

“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)

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.