나만의 AI 용어 찾아보기
들어가며
요즘 개발자 채용 공고에서 “AI 네이티브”라는 용어를 자주 접했다. 단순히 AI를 잘 활용하는 사람을 뜻하는 걸까, 아니면 AI를 활용해서 성과를 잘 내는 사람을 말하는 걸까? 무엇을 뜻하는지 모르니, 나 스스로가 AI 네이티브한지, AI 시대에 잘 적응하고 있는 건지 알 수가 없었다.
AI를 적극적으로 사용한 지 1년이 조금 넘었을까? 이제는 AI 용어에 대한 나만의 정의가 필요하다고 느꼈다.
나만의 AI 용어 정의
AI 네이티브 말고도 AI 리터러시, AI 네이티브 엔지니어링 같은 용어도 함께 자주 보였다. 이 용어들이 왜 생겼는지, 차이는 무엇인지, 무엇을 중요하게 여기는지를 고민해 보았다.
AI 리터러시
AI 리터러시는 찾아보니 학술적으로 이미 정의되어 있었다. 그중 널리 인용되는 것이 Long과 Magerko가 2020년에 낸 정의다.
AI 기술을 비판적으로 평가하고, AI와 효과적으로 소통하고 협업하며, 온라인과 가정과 직장에서 AI를 도구로 사용할 수 있게 하는 역량의 집합
많은 걸 담고 있지만 나에게는 피부로 와닿지 않는 정의였다. 그래서 내 경험을 토대로 다시 정의해 보기로 했다.
최근 AI를 쓰면서 원래 하던 일은 더 빨리 끝낼 수 있게 되었고, 개발 외에 기획이나 디자인 영역의 허들도 낮아졌다. 요즘 흔히 이야기하는 직무의 경계가 흐려졌다는 걸 많이 느낀다.
다만 AI는 100% 정확하지 않다. 잘하는 영역은 일의 양이 늘어난 만큼 검증할 것도 많아지고, 모르는 영역은 정확한 정보인지 확인하는 비용이 더 든다. 검증 없는 일은 잘못된 방향으로 눈덩이처럼 불어날 가능성이 크다.
최근에 앱 서비스와 하드웨어를 연동하는 기능을 개발하면서 이걸 경험했다. 제조사가 준 SDK 가이드를 믿고 AI로 기능을 구현했는데, 기기의 실제 동작이 가이드와 달라 결국 기능을 엎고 새로 만들었다. 가이드의 문제도 있었지만, AI가 그럴싸한 계획을 세우고 얼핏 동작하는 기능을 빠르게 만들어 줘서 덜 의심한 부분도 있었다.
그래서 요즘은 AI에게 조사를 맡기든 모르는 것을 물어보든, 답변의 근거를 함께 요청한다. 그리고 그 근거를 보고 답을 어디까지 믿을 수 있는지 판단해 본다.
학술 정의에서는 “비판적으로 평가한다”는 부분에 눈길이 갔다. AI의 말을 비판적으로 평가하고 믿을 만한 답변인지 판단할 수 있어야 AI와 잘 소통하고 협업할 수 있는 게 아닐까? “도구로 사용한다”는 말도 있지만, 너무 당연한 이야기 같아서 정의에는 살짝만 담았다.
그래서 나의 AI 리터러시는 이렇게 정해 보았다.
나를 강화해 주는 도구이지만, 정확하지 않을 수 있기 때문에 답을 어디까지 믿을지 판단할 줄 아는 능력
AI 네이티브니스
AI 네이티브라는 용어도 찾아보니 산업에서 쓰는 정의가 있었다. 에릭슨 백서는 이렇게 설명한다.
신뢰할 수 있는 AI 역량을 내재하여, 설계와 배포와 운영과 유지보수에서 AI가 기능의 자연스러운 일부가 되는 것
설계와 배포, 운영과 유지보수에 AI를 쓴다는 건 이해가 갔지만, “신뢰할 수 있는 AI 역량”이 무엇이고 그 신뢰를 어떻게 확인하는지는 백서를 통해서는 알기 어려웠다. 신뢰성과 공정성, 설명 가능성을 보장해야 한다는 말뿐이었다. 처음에 AI 네이티브라는 말이 막연하게 들렸던 것도 이 때문이 아니었을까?
그래서 신뢰할 수 있다는 게 무엇인지 내 경험 안에서 찾아보기로 했다.
앞에서 AI의 답을 어디까지 믿을지 판단해야 한다고 했는데, 판단을 위한 근거가 중요하다. 그 근거에는 검증이 뒷받침되어야 한다.
AI에게 “잘 만들었어?”라고 물으면 대개 요구사항에 맞게 잘 구현했다고 답한다. “이거 이상한데?”라고 하면 너무나도 쉽게 “미안, 잘못 이해했어”라며 말을 바꾼다. 그래서 AI가 만든 결과는 한 번 더 직접 확인한다.
다만 AI가 만드는 속도가 빨라지면서, 그 결과가 내가 예측한 대로인지, 정말 제대로 동작하는지 매번 수동으로 확인하는 일이 병목이 되었다. 반복되는 확인은 테스트 코드와 스크립트, 스크린샷으로 남겨 이 병목을 최소화했다.
그런데 이렇게 해도 결국 내가 병목이 된다. 내가 누락하거나 생각하지 못한 것은 검증의 대상에 포함되지 않기 때문에, 다른 AI를 제삼자의 시각으로 활용해 이런 누락을 보완하고 있다.
나에게 이런 행동들은 AI가 만든 결과를 믿기 위한 방법들이었다. 그래서 에릭슨이 말한 “신뢰할 수 있는 AI 역량”을 나는 이렇게 정의해 보았다.
AI를 믿을 수 있는 구조를 만드는 능력
AI 네이티브 엔지니어링
두 용어를 정의하고 나니 질문이 하나 남았다. 나는 AI를 어디에 쓰고 있을까?
내 시간을 가장 많이 쏟는 일부터 AI를 활용하다 보니, 버그를 고치거나 새 기능을 만들 때 계획하고 구현하고 검증하는 데 집중되어 있었다.
그렇게 AI에게 일을 맡길수록 시간이 생겼고, 그 시간에 지표를 자동으로 받아 보는 워크플로우를 만들었다. 내가 만든 기능이 잘 쓰이고 있는지, 사용자가 불편해하는 곳은 없는지, 더 개선할 부분은 없는지 보고 싶었다. 실제로 건강검진 연동의 완료율이 낮은 게 보였고, 원인을 찾아 인증을 다시 시도할 수 있게 바꾸자 완료율이 55.6%에서 73.8%로 올랐다.
지표를 보는 데서 결과를 확인하는 데까지 AI를 적극적으로 이용했다. 그래서 이 용어는 이렇게 정의해 보았다.
AI를 코드 쓰는 구간에만 두지 않고, 문제를 정의하는 데서 결과를 확인하는 데까지 모든 구간에 활용하는 능력
끝으로
처음에는 AI 네이티브라는 게 막연했는데, 세 가지 정의를 만들어 보니 무엇이 중요한지 조금 보이기 시작했다. AI의 답을 어디까지 믿을지 판단하고, 믿을 수 있는 구조를 만들고, AI를 코드 밖의 구간까지 넓혀 쓰는 것. 이 정의가 얼마나 지속될지는 모르겠지만, 이 기준으로 나의 AI 역량을 키워 나가 보려고 한다.
참고
- Long, D. & Magerko, B. (2020). What is AI Literacy? Competencies and Design Considerations. CHI ‘20
- Ericsson. A detailed study of the AI Native concept