용사의 검으로 택배 상자만 뜯고 있다면

ChatGPT 3.5를 처음 썼을 때는 말 거는 법이 제일 궁금했다. 어떻게 물어야 원하는 답이 나오는지, 맥락은 얼마나 줘야 하는지, 한 번에 시킬지 나눠서 고칠지. 그때 AI는 설명서 없이 받은 신기한 기계 같았다.

그다음엔 뭘 할 수 있는지가 궁금했다. 글도 쓰고 그림도 그리고 코드도 짜고, 목소리와 영상까지 만든다. 새 모델이 나올 때마다 "이것 좀 해줘"를 반복했다. 어설프면 웃고 넘겼고, 그럴듯하면 저장해뒀다. 그렇게 저장한 것들은 대부분 다시 열어보지 않았다.

좀 쓸 만하다 싶어지자 일을 맡기기 시작했다. 자료 모으기, 초안 쓰기 같은 잔일로 시작해서, 나중엔 주니어 동료한테 설명했을 법한 일을 통째로 넘기기도 했다. 질문도 "어디까지 맡길 수 있을까?"로 바뀌었다.

이 질문이 틀린 건 아닌데 여기서 멈추면 좀 이상한 데 도착한다. 한 시간 걸리던 보고서가 십 분 만에 나온다. 그런데 아무도 읽지 않을 수준의 보고서이다. 보고서를 아무도 안 읽으면 아낀 오십 분은 뭘까. 콘텐츠를 열 배로 찍어낼 수 있게 됐는데 읽는 사람에게 도움 되는 게 하나도 없다면, 그걸 성과라고 부를 수 있을까.

그래서 네 번째 질문이 필요하다고 생각하게 됐다. AI로 뭘 더 만들 수 있냐가 아니라, 어떤 문제를 조금이라도 해결하게 만들 거냐. 칼이 얼마나 잘 드는지는 이제 충분히 봤다. 어디에 쓸지를 골라야 할 때다.

막상 "어떤 문제?"라고 물으면 답이 너무 커진다. 기후변화, 빈곤, 질병, 교육격차. 책상 앞에서 혼자 해결할 수 있는 건 하나도 없다. 그런 단어 앞에 서면 내 AI는 다시 서랍 속 아이패드 1이 되어 버린다.

그럴 때 펼쳐볼 만한 지도가 하나 있다. 유엔의 지속가능발전목표(SDGs)다. 2015년 유엔 회원국들이 채택한 2030 의제로, 빈곤 종식, 건강, 교육, 깨끗한 물, 불평등 완화, 기후행동 같은 17개 목표와 그 아래 169개 세부목표로 되어 있다. 처음엔 선언문처럼 읽히는데, 하나씩 들여다보면 꽤 구체적이다. 누가 어디서 무엇 때문에 힘든지, 그게 나아졌는지를 어떻게 확인할지가 적혀 있다.

이 지도는 현재 상황도 알려준다. 유엔의 2026년 SDG 점검 자료를 보면, 추세를 평가할 자료가 있는 139개 세부목표 중 달성 궤도에 올라 있는 건 15%, 완만하게 나아지는 건 21%다. 나머지 상당수는 거의 움직이지 않았고, 15%는 2015년보다 오히려 뒷걸음질 쳤다. 169개 전체가 아니라 자료가 충분한 139개만 따진 결과인데도 그렇다.

숫자만 보면 좀 막막하다. 하지만 이걸 개인 숙제로 받아들일 필요는 없다. 대부분은 정책과 예산, 제도, 국제 협력이 있어야 움직이는 일이다. 내가 이 목록을 펼치는 건 17개를 혼자 해치우려는 게 아니다. 평소 그냥 지나치던 문제를 한 번 더 보고, 내가 할 수 있는 일이 어느 정도 크기인지 가늠해보려는 거다.

'교육'이라고만 하면 막막하다. 그런데 "우리 동네에서 한국어 행정 안내문을 처음 읽는 외국인은 어디서 막힐까?"라고 바꿔 물으면 당장 알아볼 게 생긴다. '건강'도 그렇다. "검진 결과를 받았는데 결과를 이해 못 해서 후속 진료를 놓치는 사람은 없을까?" 이런 질문은 누군가에게 직접 물어볼 수 있다. 큰 목표는 방향을 알려주고, 작은 질문은 첫발을 떼게 해준다.

유엔 세계식량계획(WFP)의 HungerMap Live는 식량 안보 자료에 기후, 시장, 농업, 경제 정보를 합쳐 예측 모델을 돌린다. 어디서 식량 위기가 심해질지 미리 보고 대응하려는 도구다. 그 뒤에는 WFP 분석가 300여 명과 여러 협력기관의 자료가 있다. 지도에 식량 위기 지역이 표시된다고 식량이 알아서 도착하진 않는다. 그래도 한정된 사람과 돈을 어디에 먼저 보낼지 정해야 하는 사람에게는 훨씬 나은 근거가 된다.

세계보건기구(WHO)는 결핵 검진에서 흉부 X선 사진을 컴퓨터로 보조 판독하는 소프트웨어를 쓰라고 권고해왔다. 2025년에는 독립 평가를 거쳐, 15세 이상 결핵 선별검사용으로 성능 기준을 통과한 제품 여섯 개를 확인했다. 핵심은 '선별'이라는 말이다. 소프트웨어가 확진하고 치료하는 게 아니라, 의료진이 추가 검사가 필요한 사람을 더 빨리 찾게 돕는 거다.

과테말라에서는 유엔개발계획(UNDP)과 협력기관이 항공영상과 AI로 불법 폐기물 투기가 의심되는 장소를 찾았다. 발표 당시 표시된 곳이 1,200곳이 넘었다. 물론 '치운 곳'이 아니라 '의심 가는 곳'이다. 가서 확인하고, 누가 책임질지 정하고, 실제로 치우는 일은 여전히 사람 몫이다. 그래도 어디부터 봐야 할지 모르는 채로 출발하는 것과 확인할 목록을 손에 들고 출발하는 건 다르다.

세 사례 모두 AI가 주인공은 아니다. 현장을 아는 사람, 믿을 만한 자료, 예산과 제도가 먼저 있고, AI는 그 사이에서 놓치기 쉬운 신호를 잡거나 사람이 볼 대상을 추려준다. 결과물은 그럴 듯한 겉모습 대신 그다음 행동이 나아졌냐로 평가받는다.

개인이 AI를 쓸 때도 마찬가지다. 폭염 때 동네에 돌릴 안내문을 만든다고 해보자. "폭염 대비 안내문 써줘" 한 줄이면 그럴듯한 글이 금방 나온다. 그런데 그걸 누가 읽어야 하는지, 그 사람한테 어떤 식으로 전해져야 하는지, 적힌 쉼터 주소와 전화번호가 맞는지는 그 글만 봐서는 알 수 없다.

순서를 바꿔보면 일이 달라진다. 먼저 지자체나 공공기관이 이미 낸 안내에서 확인되는 정보와 날짜를 모은다. 실제로 안내문을 받을 사람들한테 뭐가 헷갈리는지 들어본다. AI에게는 어려운 말을 쉽게 풀거나 길이별 초안을 만드는 일만 맡긴다. 연락처와 운영시간은 원문과 다시 대조한다. 그리고 나중에, 그걸 읽은 사람이 실제로 필요한 곳에 갈 수 있었는지 물어본다.

솔직히 아직 해본 일은 아니다. 해볼 수 있겠다 싶어 적어본 순서다. 그래도 차이는 분명해 보인다. "AI로 안내문 한 장 제작"에서 끝나면 폴더에 파일이 하나 늘 뿐이다. "필요한 사람이 정보를 찾게 돕기"까지 가봐야 이 도구가 정말 쓸모 있는지 알 수 있다.

문제를 작게 잡는다고 뜻까지 작아지는 건 아니라고 생각한다. 한 동네의 정보를 찾기 쉽게 만드는 일, 어느 단체가 매번 손으로 정리하던 자료를 조금 더 빠르게 정리되도록 고치는 일, 신청 절차에서 막히던 지점을 찾아내는 일. 모두 큰 일은 아니다. 다만 이러한 노력을 계속하며 어떻게 더 넓게 적용해 나갈지 고민하다 보면 결국 더 큰 목표와 만난다. 거창한 비전은 처음부터 이름을 달고 오기보다, 내가 할 수 있는 작은 일을 계속하다보면 슬그머니 찾아오는 것 같다.

물론 AI를 쓴다고 좋은 일을 하게 되는 건 아니다. 그럴듯한 답이 틀릴 수 있고, 자료에서 빠진 사람은 AI의 답에서도 빠지기 쉽다. 앞에서 본 유엔 2026년 SDG 모니터링 분석도 AI가 낡거나 검증 안 된 정보를 공식 수치처럼 내놓을 위험을 언급한다. 도우려고 만든 안내문에 날짜가 틀려 있으면, 차라리 안 만든 것보다 못할 수 있다.

일자리 얘기도 한쪽으로 단정하기 어렵다. 국제노동기구(ILO)의 2025년 분석은 전 세계 노동자 네 명 중 한 명이 생성형 AI의 영향을 어느 정도 받는 직업에 있다고 본다. 그렇다고 그 일자리가 통째로 사라진다기보다는, 하는 일이 바뀔 가능성이 크다고 한다. "이 역할을 AI한테 넘길 수 있나?"를 물을 때 "그럼 사람의 일은 어떻게 바뀌어야 하나?"도 같이 물어야 하는 이유다.

처음에 반쯤 농담으로 한 전기료 얘기도 마냥 농담은 아니다. 국제에너지기구(IEA)에 따르면 데이터센터는 2024년 전 세계 전력 소비의 약 1.5%를 썼고, 기본 시나리오대로라면 2030년까지 두 배 넘게 늘어난다. 데이터센터 전체 얘기라 내가 오늘 던진 질문 몇 개와 바로 연결할 순 없다. 그래도 AI를 더 많이 쓰는 사회라면 에너지와 환경 비용도 같이 따져야 한다는 건 분명하다.

이렇게 부정적인 얘기를 늘어놓으면 AI 쓰기가 좀 겁날 수도 있지만, 나한테는 오히려 기준이 생긴 느낌이다. 출처를 확인할 수 있는가. 당사자가 원치 않는 정보를 넣고 있진 않은가. 마지막에 사람이 검토하는가. 만들고 나서 뭐가 나아졌는지 알 수 있는가. 여기에 대답이 안 나오면 잠깐 멈춘다.

앞으로도 나는 AI로 쓸데없는 걸 계속 만들 거다. 실없는 농담이나 엉뚱한 그림이 꼭 쓸데없기만 한 것도 아니다. 재미도 가치니까. 다만 가끔은 순서를 거꾸로 해보고 싶다.

새 기능을 보고 쓸 데를 찾는 대신, 오래 붙들고 있을 만한 문제를 먼저 하나 고른다. 그 문제를 직접 겪는 사람이나 다루는 곳의 얘기를 듣는다. 이미 나와 있는 자료와 시도를 찾아본다. 그다음에야 AI에게 맡길 작은 부분을 정한다. 자료 정리일 수도 있고, 어려운 말을 풀어주는 일일 수도 있고, 사람이 확인할 후보를 추리는 일일 수도 있다. 끝나고 나서는 몇 개를 만들었는지 말고, 누가 그걸 써봤고 뭐가 달라졌는지를 본다.

혼자 못 하는 일이라는 걸 알게 되는 것도 수확이다. SDGs의 마지막 17번 목표가 ‘목표를 위한 파트너십’인 데는 이유가 있을 거다. 좋은 정보도 전해줄 사람이 있어야 하고, 찾아낸 위험도 대응할 기관이 있어야 한다. AI로 혼자 모든 역할을 해보려 애쓰기보다, 이미 그 문제와 씨름하는 사람들의 일을 어디서 거들 수 있을지 묻는 게 현실적이다.

생각해보면 소설 속 용사도 검 한 자루로 마왕을 잡진 않는다. 길을 아는 동료가 있고, 다치면 치료해주는 사람이 있고, 싸워야 할 이유가 있다. 무엇보다 마왕이 어느 산에 사는지 알아야 길을 나설 수 있다.

내 책상 위 AI가 전설의 검인지는 아직 모르겠다. 확실한 건, 칼이 잘 드는지 보려고 택배 상자만 계속 뜯을 필요는 없다는 거다. 이번엔 지도부터 펼쳐보려고 한다. 풀고 싶은 문제 하나를 고르고, 그 문제를 이미 마주하고 있는 사람을 찾아가서, 내 도구가 어디서 조금이라도 보탬이 될지 물어볼 생각이다.

세상을 구했다는 얘기는 한참 뒤에도 못 할 것 같다. 대신 다음 호에서는 좀 더 작고 확실한 얘기를 하고 싶다. 뭘 만들었는지보다, 그게 누구한테 쓸모가 있었는지.