AI가 만든 결과물이 좋아졌다고 해서 그것을 사용하는 사람의 판단도 함께 좋아졌다고 말할 수는 없다. 문서를 빨리 완성한 것, 내용을 이해한 것, 다른 상황에서 스스로 판단한 것은 각각 확인해야 한다.
나는 AI 협업을 이야기할 때 이 차이를 ‘증강’이라는 말과 연결하고 싶다. 도구의 출력만 개선하는 데서 더 나아가, 사람이 복잡한 문제를 다루는 작업 전체를 어떻게 바꿀 것인지 묻는 것이다.
도구와 일하는 방식을 함께 보기
[더글라스 엥겔바르트의 1962년 보고서](https://dougengelbart.org/content/view/138/)는 인간의 지적 능력을 돕는 체계를 다루며 도구뿐 아니라 언어, 방법, 훈련이 연결되는 방식을 논의한다. 이 보고서는 현재 LLM의 학습 효과를 시험한 연구가 아니다. 내가 가져오는 것은 작업 체계 전체를 함께 보자는 관점이다.
자료를 찾는 도구가 좋아졌다면 확인하는 방식도 바뀌어야 할 수 있다. 초안을 빨리 만들 수 있게 됐다면 무엇을 검토하고 누가 채택할지 더 분명히 해야 한다. 도구가 하는 일과 사람이 판단할 자리를 함께 설계하는 것이다.
전문가의 답보다 판단 과정을 묻기
인지 과업 분석, CTA는 과업을 하는 사람이 무엇을 알아차리고 어떤 판단을 하는지 드러내려는 접근이다. 이 관점을 AI 협업에 적용할 때는 전문가처럼 말하게 하는 요청보다 실제 사례에서 단서와 판단을 묻는 질문이 필요하다.
어떤 신호를 보고 상황이 달라졌다고 생각했는가. 처음에 무엇을 예상했는가. 초보자가 놓치기 쉬운 것은 무엇인가. 무엇이 나타나면 진행하던 행동을 바꾸는가. 이런 질문으로 얻은 답은 실제 경험이나 기록과 연결돼야 한다. AI가 만들어낸 전문가의 경험을 실제 사례로 취급해서는 안 된다.
한 과업을 정해 AI가 자료를 정리하게 한 뒤, 담당자가 빠진 조건을 표시해 볼 수 있다. 수정한 이유를 기록하면 다음 대화에 필요한 맥락이 된다. 다만 이런 절차가 곧바로 학습 효과를 보장하는 것은 아니다. 사람이 이후에 무엇을 더 잘하게 됐는지는 따로 확인한다.
프롬프트에 넣을 것은 정답의 주문보다 작업의 맥락
무엇을 결정하려는지, 어떤 자료가 있는지, 이미 확인한 조건은 무엇인지, 아직 모르는 것은 무엇인지 적는다. AI의 답을 어떤 용도로 쓸지도 밝힌다. 아이디어 탐색과 최종 판단에 필요한 근거는 같지 않기 때문이다.
답을 받은 뒤에는 실제로 쓸 부분과 보류할 부분을 나눈다. 보류한 이유가 자료 부족이면 자료를 찾고, 조건이 맞지 않으면 상황 설명을 고친다. 답변이 바뀌었다는 사실을 모델 자체가 지속적으로 학습했다는 증거로 읽지는 않는다.
협력의 성과를 남기기
결과물의 품질과 사람의 이해를 별도로 기록해 보자. 결과물에는 오류와 누락이 무엇이었는지, 사람에게는 답을 보지 않고 설명하거나 다음 사례에 적용할 수 있는지를 살핀다. 시간을 줄였는지와 검토 부담이 늘었는지도 함께 본다.
내가 말하는 인지적 프롬프트는 이런 협력에 주의를 기울이자는 표현이다. 용어의 어원이나 이름만으로 효과가 증명되지는 않는다. 실제 작업에서 무엇을 보고 질문을 바꿨으며 어떤 근거로 채택했는지가 남아야 한다.
좋은 답을 받는 경험에서 한 걸음 더 나아가고 싶다. 다음 결정에서 무엇을 확인해야 하는지 더 잘 알게 되는 경험이다. 증강의 목표는 그 변화가 실제로 있었는지 살필 수 있는 작업을 만드는 데 있다.