현재 인류가 생산한 정보의 총량이 163제타바이트에 달합니다. 책으로 환산하면 54경 권이라는 수치입니다. 저는 최근 32가지 AI 도구를 자유자재로 다루는 전문가를 만나면서, 이 방대한 지식 앞에서 인간이 어떤 역량을 갖춰야 하는지 절실히 깨달았습니다. 제 사업은 2년째 정체되어 있었는데, 그 분이 AI로 시스템을 구현하면서 비로소 돌파구가 보이기 시작했습니다.
AI 시대, 전문가에게 요구되는 새로운 역량
과거에는 특정 분야의 지식이나 기술을 많이 보유한 사람이 전문가였습니다. 하지만 이제 AI는 지식 총량과 기술 숙련도 측면에서 인간을 압도합니다. 2024년 노벨 화학상 수상자들이 개발한 알파폴드(AlphaFold)는 유전자 시퀀스만 입력하면 단백질의 3차원 구조를 예측합니다. 여기서 알파폴드란 구글 딥마인드가 개발한 AI 모델로, 수백 년간 겨우 2만여 개만 파악할 수 있었던 단백질 구조를 빠른 속도로 밝혀내는 혁신적 도구입니다.
제가 만난 AI 전문가 역시 마찬가지였습니다. 그 분은 저보다 나이가 많았지만, 32가지 AI 도구를 업무에 맞게 조합하여 활용하는 능력이 탁월했습니다. 각 도구의 특성과 한계를 정확히 파악하고 있었고, 어떤 작업에 어떤 AI를 써야 효율적인지 단번에 판단했습니다. 이런 역량을 갖추기까지 그 분이 얼마나 많은 시간을 투자했을지 짐작이 갑니다.
AI 시대의 전문가는 다음과 같은 역량을 반드시 갖춰야 합니다.
- 문제의 본질을 파악하고 AI에게 던질 핵심 질문을 설계하는 기획력
- AI가 생성한 결과물의 오류와 환각 현상을 걸러내는 비판적 검증 능력
- 자신의 분야에서 쌓은 경험적 직관으로 AI 결과물의 적절성을 판단하는 능력
제 경험상 이 중에서도 '질문을 설계하는 능력'이 가장 중요합니다. 프롬프트 엔지니어링(Prompt Engineering)이라고도 불리는 이 역량은, 단순히 AI에게 지시어를 잘 입력하는 기술을 넘어섭니다. 여기서 프롬프트 엔지니어링이란 AI로부터 원하는 결과물을 얻기 위해 질문과 지시를 구조화하는 기법을 의미합니다. 제가 아이디어만 있고 시스템이 없었던 사업을 구현할 수 있었던 것도, 그 전문가가 제 문제를 정확히 정의하고 단계별로 AI에게 질문을 던지는 설계 능력을 갖췄기 때문입니다.
도메인 전문성이 사라지지 않는 이유
"이제 AI가 코딩도 다 해주니 개발자가 필요 없다"는 말을 종종 듣습니다. 하지만 이는 절반만 맞는 말입니다. AI가 생성한 코드나 분석 결과를 평가하고 수정하려면, 해당 분야의 탄탄한 기초 지식이 필수적입니다. 아인슈타인조차 상대성 이론을 수학적으로 증명하는 데 어려움을 겪어, 친구였던 마르셀 그로스만 교수의 도움을 받아 1913년 논문을 발표할 수 있었습니다. 아인슈타인이 물리학의 본질적 원리를 이해하고 있었기에, 그로스만이 계산해 온 수학 공식이 물리적 현실에 부합하는지 판단할 수 있었던 것입니다.
신약 개발 분야에서도 마찬가지입니다. LG AI연구원은 구글 클라우드 기반으로 제약 AI 기술을 개발 중인데, AI가 암세포 병리 현상만으로 유전자 돌연변이 정도를 예측할 수 있다면 임상시험 기간을 획기적으로 단축할 수 있습니다(출처: LG AI연구원). 하지만 이 예측 결과를 실제 환자 치료에 적용하려면, 의학과 생명과학 분야의 깊이 있는 전문성을 가진 연구자가 반드시 검증해야 합니다.
제가 겪은 상황도 비슷합니다. AI 전문가가 제 사업 아이디어를 시스템으로 구현했지만, 그 시스템이 실제 고객에게 가치를 줄 수 있는지는 결국 제가 판단해야 했습니다. 저는 2년간 이 분야에서 시행착오를 겪으며 쌓은 경험적 직관이 있었고, 그 직관 덕분에 AI가 제시한 여러 방안 중 어떤 것이 현실적으로 작동할지 단번에 알 수 있었습니다.
비판적 검증 능력이 핵심이 된 시대
AI가 생성한 결과물은 완벽한 진리가 아니라, 방대한 데이터의 확률적 조합에 불과합니다. 가장 중요해진 것은 '그럴듯한 거짓말'을 걸러내는 눈입니다. AI는 환각 현상(Hallucination)을 일으킬 수 있는데, 이는 AI가 학습 데이터에 없는 내용을 마치 사실인 것처럼 생성하는 현상을 의미합니다. 표면적으로 매끄러운 답변이라도, 전제나 논리 전개 과정에 비약이나 모순이 있을 수 있습니다.
NASA가 에어로 스파이크 엔진(Aerospike Engine) 개발 과정에서 겪은 사례가 좋은 예입니다. 에어로 스파이크 엔진이란 뾰족한 형태의 로켓 노즐로, 모든 고도에서 효율적으로 작동하는 혁신적 설계를 갖춘 엔진입니다. NASA 과학자들은 물리학까지 이해하는 AI인 Leap71을 활용하여 3,000도에 달하는 온도 냉각 문제를 단 3주 만에 해결했습니다(출처: NASA). 하지만 AI가 제시한 냉각 설계가 실제로 작동하는지는 과학자들이 직접 3D 프린터로 제작하고 3개월간 테스트하며 검증해야 했습니다.
저 역시 AI 전문가가 구현한 시스템을 무조건 신뢰하지 않았습니다. 제가 2년간 쌓은 현장 경험을 바탕으로 교차 검증을 진행했고, 몇 가지 부분에서는 수정을 요청했습니다. 솔직히 AI가 제안한 방식 중 일부는 이론적으로는 완벽해 보였지만, 실제 고객 반응을 고려하면 현실성이 떨어졌습니다. 이런 판단은 도메인 전문성과 비판적 검증 능력이 결합되어야만 가능합니다.
앞으로 5년 안에 AI는 더욱 급격히 발전할 것입니다. 많은 전문가들이 2030년까지 인공일반지능(AGI) 수준에 도달할 가능성을 언급하고 있습니다. 하지만 AI가 아무리 발전해도, 복잡한 이해관계 속에서 책임을 지고 최종 결정을 내리는 것은 결국 인간의 몫입니다. 윤리적 판단력, 공감과 소통 능력, 그리고 무엇보다 '이게 정말 옳은가'를 끊임없이 질문하는 비판적 사고가 AI 시대에 더욱 중요해질 것입니다. 저는 아직 젊은 나이에 이런 변화를 체감하게 되어 오히려 다행이라고 생각합니다. 지금부터 AI를 제 업무와 학습, 심지어 아이들 교육에까지 효율적으로 활용하는 방법을 연구하며, AI와 함께 성장하는 전문가가 되어야겠다고 다짐했습니다.