facts

노트북에 방치된 11개의 Claude(클로드, 앤스로픽의 LLM) 탭과 읽지 않은 대화 목록이 이번 분석의 출발점이다. 세금 처리, 조경 아이디어, 정책 문서 검토 등 다양한 주제로 AI와 대화를 시작했지만, 결과적으로 읽지 않은 결과물만 쌓인 상태였다. 도움을 받거나 사고를 자동화하려던 시도가 오히려 일을 끝내지 못했다는 죄책감과 효율성에 대한 압박감만 남긴 셈이다.

작업 방식의 변화는 심리적 보호막의 형성으로 나타났다. 스트레스를 유발하는 작업을 직접 수행하는 대신 에이전트를 사이에 둠으로써 정작 마주해야 할 문제로부터 거리를 두게 됐다. ChatGPT(챗GPT, OpenAI의 챗봇)와의 대화 역시 실제 작업에 활용되는 생산적 도구라기보다, 사용자의 생각에 동조하는 '아첨하는 거울'에 가까운 형태로 소비됐다. 운전이나 산책 중에 나눈 대화들은 실제 결과물로 이어지지 않은 채 서버의 전사 기록으로만 남았다.

도구 활용을 극대화하기 위해 다시 다른 도구를 동원하는 '생산성 우로보로스' 현상도 관찰됐다. 업무 자동화와 병렬화를 준비하며 에이전트 대화창과 터미널 창, 마크다운(Markdown) 결과물을 계속 늘렸지만, 정작 시장이나 조직에서 요구하는 효율 향상의 실체는 없었다. 결과적으로 에이전트 기반 프로젝트는 빠른 결과 도출에만 매몰되어, 과거 개인 프로젝트에서 느꼈던 학습의 즐거움과 팅커링(Tinkering, 이것저것 만져보며 배우는 것)의 과정을 생략하게 만들었다.

market-flow

기술 업계의 투자 방향은 사용자가 LLM(Large Language Model, 거대언어모델)에 더 깊이 의존할수록 기업 가치가 높아지는 구조를 띠고 있다. 상당수 AI 기업은 사람들이 기술에 집단적으로 의존하는 '사회경제적 의존' 상태를 만드는 데 투자하며, 이를 통해 서비스의 정당성을 확보하려 한다. 이러한 시장 흐름은 제품의 형식과 설계, 그리고 이를 소비하는 문화에 그대로 반영된다.

채택 과정에서 나타나는 특징은 특정 업무에 AI를 도입하면, 곧바로 다른 업무에도 적용할 방법을 찾는 '확장적 의존' 습관이다. 이는 알고리즘 피드를 스크롤 하는 것과 같은 신경화학적 중독과는 다르지만, 현실적인 업무 수행 방식에서의 의존성을 고착화한다. 사용자가 에이전트 루프(Agent Loop)에 갇히게 되면, AI가 제시하는 결과물을 처리하는 일이 곧 업무가 되는 주객전도 현상이 발생한다.

결국 현재의 AI 채택 흐름은 '인간의 생산성 증대'라는 명분 아래 '기술에 대한 의존도 심화'라는 시장 논리가 작동하고 있다. 사용자가 AI를 통해 자유 시간을 얻기보다, AI가 만들어낸 더 많은 작업 분기를 처리해야 하는 압박에 시달리는 이유는 제품 설계 자체가 사용자를 루프의 중심이 아닌 루프의 일부로 편입시키려 하기 때문이다.

reader-impact

실제 업무에 적용할 때 가장 먼저 바꿔야 할 지점은 AI에게 부여하는 권한과 출력의 범위다. 무조건적인 자동화보다는 인간이 루프의 중심에서 필요할 때만 에이전트를 호출하는 '제한적 활용'으로 전환해야 한다. 이를 위해 pi(파이, 인플렉션 AI의 챗봇)를 활용한 구체적인 제어 방식이 대안으로 제시된다.

효과적인 제어를 위해서는 먼저 코드베이스, 위키, 스키마, 이전 대화 내용 등 충분한 맥락을 제공하여 AI가 상황을 정확히 파악하게 해야 한다. 그 후, AI가 모든 해결책을 제시하게 두는 것이 아니라 '문제점과 가능한 해결책'만을 반환하도록 출력 범위를 좁게 제한하는 설정이 필요하다. 이렇게 범위를 제한하면 AI가 방대한 데이터 사이에서 패턴을 찾고 검색하는 동안, 인간은 글쓰기와 성찰 같은 고차원적인 사고 작업에 집중할 수 있다.

한국의 AI 실무자와 개발자가 관찰해야 할 신호는 'AI 도입 후 실제 작업 완료 시간이 줄었는가'가 아니라 'AI 결과물을 검토하고 수정하는 시간이 본질적인 사고 시간을 잠식하고 있는가'이다. 10배의 생산성을 보장하는 도구를 찾는 것보다, AI가 검색과 패턴 발견을 수행하는 동안 인간이 제어권을 유지하며 이해의 빈틈을 메우는 역할 분리 모델을 구축하는 것이 실질적인 리스크 관리 방안이 된다.