AI의 답 뒤에는 누가 있는가

AI 페르소나를 하나 더 만드는 일은 어렵지 않다. 나이와 직업을 정하고, 사는 곳과 가족관계를 적고, 살아온 이야기를 붙인다. 그렇게 만든 인물에게 질문하면 답이 돌아온다. 수백 개의 카드를 준비하면 수백 개의 답을 얻는다.

그런데 답이 늘어나는 동안, 나는 사람을 얼마나 더 알게 된 것일까.

최근 AI 페르소나로 미래 사회에 대한 반응을 살피는 연구를 진행하며 자꾸 이 질문으로 돌아온다. 인구 구성을 참고해 만든 가상의 인물들에게 여러 미래상을 제시하고, 무엇을 기대하고 무엇을 걱정하는지 묻는 작업이다. 처음에는 어떤 답을 얻을 수 있을지가 궁금했다. 이제는 그 답이 어디에서 왔는지가 더 궁금하다.

화면에는 분명 데이터가 있다. 연령별로 묶을 수 있고, 평균을 낼 수 있고, 그래프를 그릴 수 있다. 다루는 방식이 익숙해서인지 어느 순간 실제 설문조사 결과를 읽는 듯한 기분이 든다. 이름이 붙은 행 하나를 사람 한 명으로 읽게 되는 것이다. 숫자에 인물이 붙고, 인물에 목소리가 붙으면, 그 뒤에 삶도 있을 것이라고 생각하기 쉽다.

하지만 그 행은 어떻게 만들어졌는가.

어디에서부터 왔지?

표본이라는 말에는 우리가 알고 싶은 전체와, 실제로 살펴본 일부 사이의 관계가 들어 있다. 사람을 조사할 때도 아무나 많이 모았다고 전체를 대표하지는 않는다. 누구를 어떤 방식으로 만났는지, 누가 응답하지 않았는지, 무엇을 어떻게 물었는지를 따져야 한다. 그 관계를 설명할 수 있어야 응답자 바깥의 사람들에 대해서도 조심스럽게 말할 수 있다.

AI 페르소나에서는 이 관계를 더욱 신중하게 물어야 한다. 한국 사회의 연령 비율에 맞춰 카드를 만들었다고 하자. 연령의 구성은 닮게 만들 수 있다. 그러나 그 나이의 사람들이 겪어온 일, 같은 사건을 다르게 기억하는 방식, 말하는 것과 실제로 선택하는 것 사이의 간격까지 함께 옮겨왔는지는 별개의 문제다. 분포표에 적힌 조건이 사람의 답을 보증해주지는 않는다.

그래서 처음에는 이렇게 생각했다. 합성 데이터에는 모집단이 없으니 표본이라고 할 수 없는 것 아닌가.

조금 더 들여다보니 그 문장도 다듬을 필요가 있었다. 만들어둔 페르소나 카드 전체에서 일부를 뽑을 수는 있다. 조건을 정해놓은 생성기에서 여러 출력을 얻어 그 경향을 분석할 수도 있다. 그때의 표본은 카드 집합이나 생성 과정에 관한 것이다. 우리가 알고 싶었던 실제 사람들과의 관계는 여전히 설명해야 한다. 어디에서 뽑은 답인가와, 누구에 대해 말할 수 있는 답인가는 함께 물어야 한다. 이 구분을 연구의 기본 원칙으로 적어두었다.

생성을 더 많이 하면 주어진 조건에서 AI가 어떤 답을 하는지는 더 자세히 볼 수 있다. 하지만 같은 방향의 편향을 가진 생성기를 오래 돌린다고 그 편향이 사라지지는 않는다. 그래프가 매끈해지고 평균이 안정되어도, 그것이 사람을 더 정확하게 보여준다는 보장은 없다. 사람에게 묻지 않은 부분은 생성 횟수만으로 채워지지 않는다.

사람을 그리는 도구도 함께 보인다

이런 한계를 확인할수록 내 관심은 페르소나에 무엇을 넣어야 하는가로 옮겨간다.

연구 과정에서 내 기록을 바탕으로 작은 비교 실험을 했다. 문서를 충분히 읽힌 조건, 요약한 프로파일을 준 조건, 인구통계 중심으로 만든 클론 조건 등을 놓고 답을 비교했다. 실험의 기록에는 어떤 근거를 제공했느냐에 따라 문항별 답과 선택이 달라진 모습이 남아 있다. 합성 프로파일을 받은 조건과 개인의 기록을 읽은 조건은 같은 방식으로 답하지 않았다.

다만 이 비교의 기준도 문서를 읽은 AI의 답이었다. 실제 내가 직접 답한 결과는 아니었다. 이 실험에서 본 것은 조건에 따라 달라지는 답이었다. 어느 답이 지금의 나와 가까운지는 나에게 다시 물어야 한다.

그래도 이 실험은 내게 익숙한 작업을 새롭게 보게 했다. 나는 오랫동안 옵시디언에 기록을 쌓아왔다. 어떤 책의 어떤 문장이 마음에 남았는지, 강의를 마치고 무엇을 고쳐야겠다고 생각했는지, 같은 문제 앞에서 왜 지난번과 다른 선택을 했는지를 적었다. 나이와 직업으로는 설명되지 않는 것들이 그 안에 있다. 나만의 확률값이라고 부른 것도 이런 기록이 답을 바꾸는 경험이었다.

다만 이제는 그 생각에 한 문장을 더 붙이고 싶다. 내 기록이 AI의 답을 바꾼다는 사실만으로 그 답을 나의 판단이라고 받아들일 수는 없다. 기록에는 내가 적은 나가 있고, 아직 적지 않은 나도 있다. 예전에 중요하게 여겼지만 지금은 달라진 것도 있다. AI가 내 문체를 능숙하게 재현할수록, 나는 오히려 그 말이 지금의 내 생각과도 맞는지 확인해야 한다.

다른 사람의 페르소나를 만들 때는 이 간격이 더 커진다. 내가 잘 모르는 사람일수록 몇 줄의 소개로 쉽게 설명할 수 있다고 느끼기 때문이다. 그 사람이 실제로 어떤 모순을 품고 사는지 모르니, 매끄러운 이야기를 만들어도 이상함을 알아차리기 어렵다. 정체성을 지정한 프롬프트가 집단 내부의 차이를 납작하게 만들 수 있다는 Wang et al. (2025)의 연구는 이 지점을 돌아보게 한다.

그래서 필요한 것은? 

이것이 내가 페르소나를 계속 연구하는 이유와도 연결된다. 내가 미처 생각하지 못한 관점을 찾아보는 데에는 여전히 쓸모가 있기 때문이다. 다만 새로 나온 답을 어디에 사용할 것인지가 달라진다. 나는 그 답에서 실제로 확인할 질문을 고르고 싶다. 페르소나를 복제보다 렌즈로 이해하려 했던 생각이 여기에서 구체적인 작업이 된다.

예를 들어 새로운 직업 전환 교육을 기획한다고 가정해보자. 가상의 참여자들에게 계획을 보여줬을 때 야간 수업에 대한 걱정이 나온다면, 실제 참여자에게 확인할 질문이 생긴다. 수업 시간에 아이를 맡길 수 있는지, 일을 마친 뒤 이동할 수 있는지, 교육 기간에 줄어드는 수입을 감당할 수 있는지. 나는 처음에 교육 내용과 취업 가능성만 생각했을지도 모른다.

그렇다고 가상의 걱정을 곧바로 참여자들의 요구라고 보고할 수는 없다. 실제로 물었더니 전혀 다른 문제가 중요할 수도 있다. 그때는 질문을 고치고 계획을 바꿔야 한다. 그렇게 할 준비가 되어 있을 때, 합성 응답은 사람을 만나기 전의 준비 자료로 기능한다. 나는 그 질문이 실제로 중요한 문제를 드러냈는지까지 확인하고 싶다.

페르소나 AI는 검증이 먼저다에 적어둔 원칙을 나는 지금 이렇게 실천하고 싶다. 어떤 답은 실제 사람의 응답과 비교하고, 어떤 답은 새 질문을 만드는 데 사용하고, 근거가 부족한 답은 판단을 보류한다. 잘 맞은 사례가 생겨도 다른 집단과 다른 질문에 그대로 옮기지 않는다. 지금 정리하는 검증 설계도 그 사용 범위를 알아내기 위한 것이다.

답을 들을 사람에게 돌아가기

그리고 예측이 아무리 좋아져도 남는 차이가 있다. 한 사람의 답을 잘 예상하는 것과, 그 사람에게 직접 의견을 묻는 것은 다른 일이다. 정책의 영향을 받을 사람에게는 내가 정해놓은 질문에 답하는 것뿐 아니라, 질문 자체가 잘못되었다고 말할 기회도 필요하다. 우리가 만든 카드가 놓친 사정을 당사자가 설명할 수 있어야 한다. 그 자리를 대신할 수 있는지는 정확도만으로 결정되지 않는다.

이 연구를 시작할 때보다 지금 내게는 답이 많아졌다. 그런데 정말 오래 남을 것 같은 것은 답을 읽다가 생긴 질문들이다. 왜 이 인물들은 같은 표현을 쓰는가. 기록을 넣었을 때 달라진 것은 무엇인가. 내가 그럴듯하다고 느끼는 이유는 무엇인가. 그리고 이 중 무엇을 실제 사람에게 확인해야 하는가.

나는 질문한다. 고로 기록한다.에서 나는 찾고 싶은 답에 따라 찾아가야 할 출처도 달라진다고 썼다. AI 페르소나를 연구하다가 다시 그 문장으로 돌아왔다. 생성된 답을 읽는 일은 나를 새로운 질문 앞으로 데려갈 수 있다. 그 질문에 답해줄 사람에게까지 가는 일은 여전히 남아 있다.

당신이 오늘 AI에게서 얻은 답은, 내일 누구에게 무엇을 물어보게 하는가.

— 🌌 지식을 연결하고 지휘하는 새로운 경험, 커맨드스페이스 —

💬 이번 주 더배러 톡방 하이라이트

이번 주 더배러에서는 새로운 AI와 도구에 대한 소식이 쏟아졌습니다. 하지만 대화의 중심에는 기술보다 더 본질적인 질문이 있었습니다.

AI가 더 많은 일을 대신하게 된 지금, 사람에게 남는 일은 무엇일까요?

1. “요약해줘”를 넘어, 다시 정독하기

서울대학교의 AI 탐지기 사용 중단 소식에서 시작된 대화는 ‘AI 사용을 어떻게 막을 것인가’보다 AI를 사용해도 사고의 과정을 확인할 수 있도록 과제와 평가를 어떻게 설계할 것인가로 이어졌습니다. 대학원 수업에서 논문 PDF와 NotebookLM, 옵시디언을 동시에 띄워놓고 읽게 한 사례도 공유됐습니다. AI에게 요약을 맡긴 학생들은 정작 논문의 세부 내용을 묻자 답하지 못했습니다.

“NotebookLM이야말로 궁극의 정독 도구인데, 리딩용으로 쓰는 사람이 드물더라고요.”
— ACH 안창현님

AI는 읽지 않아도 되게 만드는 도구가 아니라, 더 깊이 읽도록 도와주는 도구가 될 수도 있습니다. 결국 차이를 만드는 것은 기능이 아니라 어떤 질문을 던지며 읽느냐였습니다.

2. AI가 써줄수록, 내 문장은 평범해진다

자신의 글과 말투를 몇 달 동안 AI에 학습시켰지만, 결과물은 오히려 평균적이고 평범한 문장으로 수렴했다는 경험담도 인상적이었습니다. AI가 정리한 글을 반복해서 읽고, 다시 AI에게 글을 맡기다 보면 나의 취향과 안목까지 희미해질 수 있다는 우려가 이어졌습니다. 취업 멘토링 과제를 AI 답변 그대로 제출하는 사례를 두고는 이런 말도 나왔습니다.

“내가 AI를 멘토링하는 건지, 사람을 멘토링하는 건지 헷갈릴 때가 많습니다.”
— 이문기님

AI 시대의 경쟁력은 그럴듯한 결과물을 빨리 만드는 능력보다, 그 결과물이 정말 나의 생각인지 판별하고 책임지는 힘에 가까워 보입니다.

3. 세 줄의 프롬프트가 실제 결과물이 되기까지

새롭게 공개된 GPT-6 Astra를 활용한 실험도 빠르게 이어졌습니다.

• 세 줄의 프롬프트로 제작한 8인용 레이싱 게임
• 갤럭시워치용 녹음 앱
• 29분 만에 완성한 메시 헌정 영상
• 752개 항목의 PRD를 바탕으로 만든 러닝화 쇼핑몰
• 강의 영상에서 쇼츠 후보를 찾아 편집하는 자동화

이제 AI는 초안을 제안하는 수준을 넘어, 실행 가능한 결과물까지 만들어내기 시작했습니다. 다만 사용량과 배터리 소모, 세부 조율과 검수처럼 실제로 써봐야 발견되는 문제들도 함께 공유됐습니다.

“자꾸 파일럿 버전만 만들고 그만두려고 하길래 그건 좀 뭐라고 했습니다.”
— 앤드류님

좋은 결과물은 여전히 한 번의 프롬프트보다, 끝까지 완성도를 요구하는 사람의 개입에서 나왔습니다.

4. 구독하는 대신 직접 만드는 사람들

유료 번역 서비스의 구독료가 부담돼 Codex를 연동한 번역기를 직접 만든 사례와, Qwen 음성인식 모델을 활용해 로컬 음성 입력 도구를 사용하는 후기가 공유됐습니다. 플라우드 노트와 젠스파크 세컨드브레인 같은 전용 기기부터 Voicebox, Alt, screenpipe, Circleback 같은 무료·로컬 기록 도구까지 비교도 이어졌습니다.

AI가 개발의 진입장벽을 낮추면서 선택지는 조금씩 달라지고 있습니다.

“어떤 서비스를 구독할까?”에서 “내게 필요한 기능만 직접 만들 수 있을까?”로.

5. 윈도우를 밀고, AI에게 운영체제를 맡기다

그램 17에 CachyOS를 설치하고 카카오톡 설정까지 Claude와 Codex에 맡긴 실험은 리눅스 설치 열풍으로 번졌습니다. 성능을 중시한 CachyOS, 안정성을 고려한 Fedora, 접근성이 좋은 HamoniKR 사이에서 의견이 갈렸고, 오래된 노트북을 원격 머신으로 활용하는 방법도 공유됐습니다. 부팅하자마자 옵시디언이 실행되는 ‘PKM 전용 OS’를 만들어보자는 아이디어까지 나왔습니다. 이제 AI는 프로그램 안에서만 일하는 도구가 아니라, 각자의 일하는 환경 자체를 재설계하는 동료가 되어가고 있습니다.

6. 지식관리 다음은 ‘개인 통찰관리’

주 후반의 대화는 이번 주를 관통하는 질문으로 모였습니다.

좋은 지식을 수집하고 정리하는 비용이 거의 사라진다면, 앞으로 무엇을 관리해야 할까요?

옵시디언이 외부의 지식과 장기 기억을 보관하는 공간이라면, 에이전트 메모리는 AI와 나눈 대화에서 경험과 반복되는 패턴을 축적합니다. 여기에서 PKM을 넘어 PIM, 즉 개인 통찰관리가 필요하다는 이야기가 나왔습니다.

“지식뿐 아니라 통찰을 어떻게 행동으로 넘겨 지혜로 실천할 것인가.”
— 브라이언님

자료를 얼마나 많이 모았는가보다, 그 안에서 무엇을 발견했고 어떻게 행동으로 옮겼는지가 더 중요해지고 있습니다. 이도형님은 이 변화를 ‘요리’에 비유했습니다. 직접 손으로 요리하는 시간은 줄어들지만, 완성된 맛을 평가하고 방향을 잡는 일은 더욱 중요해졌다고요.

이번 주 더배러의 대화를 한 문장으로 정리하면 이렇습니다.

AI가 만드는 속도는 빨라졌지만, 무엇을 만들고 왜 만들어야 하는지를 결정하는 일은 여전히 사람의 몫입니다.