AI 나를 위해 일하게 하라

AI 나를 위해 일하게 하라

세달 닐리, 폴 레오나르디 지음

윌북 / 2024년 8월 / 316쪽 / 19,800원





서문 - 30%만 익혀도 충분하다.



이 책은 아래의 용어들을 이렇게 정의하기로 했다. 우리가 생각하는 ‘디지털’은 데이터와 기술의 상호작용이다. ’데이터’는 참조하고 분석하고 연산할 수 있는 일련의 정보를 의미한다. 소비자의 식료품 쇼핑 목록이나 일기 예보는 데이터다. 흔히들 데이터를 숫자로 국한해서 생각하지만, 이미지와 텍스트 역시 숫자로 바뀌어 처리하고 저장하고 변환하는 연산 과정을 거친다는 점에서 마찬가지로 데이터다.

’기술’은 데이터를 만들고 포착하고 변환하고 전송하고 저장한다. 우리 눈앞에 제시된 데이터는 센서, 컴퓨터, 소프트웨어 프로그램, 클라우드 기반 저장소에 이르기까지 상호 연결된 복수의 장치들을 통해 처리되어 나온 것들이다. 스마트폰만 봐도 서로 협력하며 데이터를 주고받는 수많은 기술의 결정체이다. 스마트폰을 구성하는 센서와 하드웨어, 소프트웨어가 서로 협력해 소리와 이미지 같은 아날로그 입력물을 이진 코드로 바꾸고 처리하고 저장한 후에 우리에게 음악이나 그림과 같은 결과물을 제시한다. 스마트폰은 데이터를 저장하는 데 그치지 않고 새로운 방식으로 데이터를 생산하고 재생산한다.

‘마인드셋’은 우리가 세상을 이해하기 위해 취하는 나름의 접근 태도이다. 당신이 무언가에 어떻게 접근하는지에 따라 그것을 생각하는 방식도, 그것이 지니는 의미도, 대응하는 행동도 달라진다. 따라서 ‘디지털 마인드셋’은 바꿔 말하면 데이터와 기술을 이해하고 활용하기 위한 우리 나름의 접근법을 의미한다. 디지털 마인드셋으로 생각하고 행동하는 사람과 조직은 새로운 가능성을 볼 수 있고 미래를 여는 새로운 길을 그릴 수 있다.

빅데이터, 알고리즘, AI, 로봇 팀원, 사내 소셜미디어, 블록체인, 실험 정신, 통계학, 보안, 급속한 변화 등은 우리의 생활과 근무 방식을 뿌리부터 다시 만드는 디지털의 강력한 힘 중 일부일 뿐이다. 디지털의 강력한 힘은 우리와 동료들이 서로 협동하는 방식을 파괴하고 있으며, 새로운 요구 사항을 들이밀며 조직이 경쟁력을 높이도록 구조를 개편해야 한다고 주장한다.

디지털 마인드셋을 기른다는 것은 세 가지 핵심 프로세스{협업(Collaboration), 연산(Computation), 변화(Change)}에 다가가는 접근법도 근본적으로 재정의한다는 의미이다. 이 세 가지 프로세스의 접근법을 재정의하려면 당연히 구체적인 스킬 몇 가지를 새로 배워야 하기는 한다. 그러나 스킬만 기른다고 해서 다가 아니다. 스킬은 더 큰 그림을 그리고 더 중요한 질문을 던지는 데 필요한 어휘와 지식, 직관을 늘려준다. 이런 스킬에서 ‘시작해’ 세상을 새로운 눈으로 보고 행동을 바꿀 수 있게 해주는 것이 바로 새로운 마인드셋이다. 이 책에서 우리는 당신이 협업과 연산, 변화에 대한 접근법을 재형성하고 디지털 마인드셋을 기르려 할 때 배워야 하는 스킬을 나름의 원칙에 따라 제시한다.

그럼 30% 규칙이란 무엇인가? 외국어 공부를 생각해보자. 비영어권 출신 화자가 영어에 ‘능통’하다고 내세울 정도가 되려면 대략 1만 2,000개의 어휘를 습득해야 한다. 하지만 직장에서 동료들과 무난히 의사를 주고받는 게 목표라면 필요한 어휘의 수는 약 3,500~4,000개이다. 영어 능통자가 되는 데 필요한 수준의 30%에 불과하다. 실제로도 비영어권 출신 화자는 굳이 영어 단어를 수만 개나 익히지 않아도 직장 동료들과 같이 일하는 데에는 지장이 없다.

마찬가지로, 업무상 필요한 디지털 마인드셋을 기르고 싶은 것이라면 코딩 실력자나 데이터 과학자가 되지 않아도 된다. 우리는 당신에게 필요한 스킬을 범주별로 나누고, 각각의 범주에서 알아야 할 30%의 역량이 어느 정도인지를 설명할 것이다. 일단 30%의 능력이 달성되면 (물론 흥미가 생기면 30% 이상을 아는 것도 말리지 않는다) 다르게 생각할 수 있는, 다시 말해 디지털 사고를 시작할 수 있는 플랫폼이 만들어진다. 이 책의 목표는 당신이 디지털 마인드셋을 가지는 데 꼭 필요한 각각의 영역에서 30%의 지식을 얻도록 돕는 것이다.



협업



기계와 함께 일한다는 것 - 인간 지능이 인공지능을 만날 때

늦은 오후, UCLA의 버트 스완슨 교수가 퇴근을 하고 집에 가려는 참에 이메일 하나가 그의 발길을 잡아끌었다. 제목이 이랬다. “교수님을 만나 뵙고 싶습니다.” 나라 반대편의 대학에서 일하는 토드라는 교수가 보낸 이메일이었다. 스완슨과 연구 분야가 비슷한 토드는 로스앤젤레스에 오는 길에 스완슨을 한번 만나보고 싶다고 했고, 다음과 같이 덧붙였다. “제 비서인 에이미에게도 참조 메일을 보냈습니다. 생각이 있으시면 편하신 시간과 장소를 말씀해주세요. 비서가 약속을 잡을 것입니다.”

스완슨은 토드의 비서에게 괜찮은 날짜와 시간을 제시했다. 집에 돌아오니 에이미가 벌써 답장을 보냈는데, 스완슨이 좋다고 말한 날짜들은 토드가 시간이 되지 않았다. 스완슨은 다른 날짜를 제시했다. 다음 날 아침 일찍 에이미는 약속을 잡았다. 그러나 몇 시간 후에 에이미한테서 다시 답장이 왔다. 스완슨이 말한 시간에는 토드가 도저히 시간이 나지 않는다며 다른 날짜들을 정해 의향을 물어왔다.

스완슨은 토드가 약속 날짜를 계속 바꾸는 것에 짜증이 났다. 더군다나 만나고 싶다고 한 사람은 토드인데 정작 날짜를 잡느라 고생하는 것은 자신이니 더 짜증이 났다. 그렇기는 해도 스완슨은 날짜를 새로 정했다. 그리고 이메일 마지막에 새로 정한 시간은 꼭 지켜주면 감사하겠다고 적었다. 기가 막히게도 에이미가 곧바로 회신을 보냈는데, 스완슨이 정한 일시에는 토드가 시간을 낼 수가 없다는 것이었다. 화가 치솟은 스완슨은 키보드를 두드리며 토드 교수의 방문 일정을 맞추려고 자신이 헛짓을 했다는 것이 불쾌하며 다른 때는 전혀 시간이 나지 않는다는 장문의 이메일을 에이미에게 보냈다.

몇 주 후 스완슨은 에이미가 사람이 아니라는 사실을 알고 놀랐다. 에이미는 x.ai라는 회사가 2015년에 선보인 AI 스케줄링 대리인이었다. 현재 디즈니와 코카콜라, 나이키를 포함하며 많은 기업이 이 제품을 사용 중이다. 그렇다면 스완슨이 약속 일정을 잡으며 겪었던 웃지 못할 상황도 AI의 기능이 좋지 않았기 때문이지 않았을까? 보통은 그런 결론을 내리기 십상이다. 하지만 틀린 결론이다.

위에서 묘사한 것과 같은 상황은 사람들이 AI나 챗봇, 기계학습 알고리즘과 길건 짧건 어떤 관계를 시작하려 할 때 흔히 나타나는 상황이기도 하다. 문제는 AI의 기능 결함에 있는 것이 아니라, 우리가 그런 기계들과 상호 행동했던 경험이 부족하다는 데 있다. 기계가 인간의 기능성을 흉내 내서 만들어졌다는 이유로 우리는 기계를 사람처럼 대하려고 한다.

디지털 마인드셋을 개발한다는 것은 그런 잘못된 인식을 극복하고 AI 에이전트가 인간과 비슷한 특징을 가지고 움직이도록 프로그래밍되어 있을지라도 컴퓨터에는 컴퓨터만의 방법이 있으며 그 방식으로 대해야 한다는 사실을 안다는 뜻이다. 기계한테 화를 내거나 정중하게 말을 하는 것은 아무 도움이 되지 않는다! 그러므로 우리는 기계가 어떤 식으로 일하는지를 이해해야 한다. 다시 말해 다음과 같은 AI의 기본을 이해해야 한다.

① AI는 로봇에 내장된 컴퓨터다. 오늘날의 자동차와 비행기, 온도조절기, 심지어는 이메일 필터도 인공지능에 의지해서 부여된 특정 작업을 수행한다. 우리가 기계와 대화나 편지를 주고받는다면 그 일을 해주는 것은 대화형 사용자 인터페이스이다. ② 컴퓨터 과학자들이 AI를 개발할 때 이용하는 세 가지 기본 요소는 데이터, 처리 능력, 알고리즘이다.

③ 기술 스택은 하나의 앱을 개발하고 구동하는 데 필요한 모든 하드웨어와 소프트웨어의 집합이다. 일반적으로 기술 스택은 프런트엔드 시스템, 백엔드 시스템, 미들웨어가 포함된다. ④ 기계는 학습과 문제 해결이라는 방법으로 인간의 ‘인지’ 기능을 흉내 낸다. ⑤ 기계학습은 여러 가지 예시를 종합해 일반화를 하고 인간이 명확하게 프로그래밍을 해주지 않아도 ‘학습’하는 능력을 확보하는 인공지능의 유형이다. 기계학습은 오랜 시간에 걸쳐 노출된 누적 데이터를 기반으로 컴퓨터가 새로운 상황에 맞게 행동을 수정할 수 있도록 한다.

⑥ 대량의 데이터 확보와 컴퓨터 연산 능력의 발전으로 기계는 인간의 뇌보다 빠르고 정확하게 많은 계산이 가능해졌다. 이런 이유에서 디지털 마인드셋은 AI에게 수행 작업을 명확하고 구체적으로 지시하는 것을 의미한다. ⑦ 우리는 AI의 계산 방식을 정확히 이해하지는 못한다. 그저 명령만 내릴 뿐이다. 디지털 마인드셋을 기른다는 것은 기계가 도출한 결과를 언제 신뢰해도 좋고, 언제 신뢰하면 안 되는지, 그리고 그 결과가 직관적으로 이해가 되는지 언제 확인해야 하는지를 배우는 것을 의미한다.

앞으로는 기계와 같은 팀원으로 일할 상황이 더욱 늘어날 것이다. 그런 상황에서 AI의 기본적인 작업 방식을 이해한다면 나름의 어휘와 개념을 갖추게 되어 언제 기계를 많이 신뢰하고 언제 적게 신뢰해야 하는지 판단하는 데에도 도움이 될 것이다. 무엇보다도 기계와 협업을 할 때는 AI가 당신의 감정이 아니라 당신이 프로그램으로 명확하게 설정한 명령에 반응한다는 사실을 기억해야 한다.

디지털 존재감(digital presence) 기르기 - 디지털에서는 없어도 있는 존재가 되어야 한다디지털 시대의 번영에는 면밀한 협업 관계 구축이 모두의 필수 조건이다. 이를 위해서는 상호 파악의 장애를 예상하고 보완 전략을 배우는 마인드를 길러야 한다. 우리는 그런 보완 전략을 ‘디지털 존재감’이라고 부른다. 효과적인 디지털 존재감을 기르는 방법을 알아보자. 어도비, AT＆T, 블루 크로스 블루 실드, 시스코, 플레시먼힐러드, 휴렛 패커드, IBM, 로그미인, 버라이즌 와이어리스, 타이코, 웰스 파고를 비롯해 다양한 산업과 다양한 직무에 종사하는 원격 근무자들을 만나 디지털 존재감의 모범 사례를 찾았다. 이 회사들에서 디지털 존재감이 높은 사람과 아닌 사람들을 비교한 결과, 타인과의 업무 관계에서는 ‘지속성 유지’가 디지털 존재감의 포인트임을 발견할 수 있었다.

아무튼 인터넷 근무를 가능하게 하는 디지털 기술이 사람들의 협업 방식을 바꾸고 있다. 사회적 결속에는 비언어적 소통과 비자발적 소통으로 만들어지는 공통의 경험과 이해가 필수이지만, 원격 근무에는 그런 것이 없다. 상호 파악이 어려워지는 것이다. 디지털 마인드셋을 기른다는 것은 상대방, 관리자들, 고객들, 그리고 조직 전체에 디지털 존재감을 높이기 위한 새 방법을 배운다는 의미이다.

디지털 존재감의 토대를 닦는 모범 행동은 다음과 같다. ① 요청받을 때까지 기다리지 않고 당신의 상황을 업데이트하라. - 중간에 수정하는 일이 생기더라도 현재 당신이 일이 이만큼 진척되었고 열심히 일하고 있음을 팀이 알게 하라. ② 호기심을 유발하라. - 필요하면 모호한 표현을 이용해서 팀원들의 관심을 끌어도 좋다. 다만 과용은 금물이다. ③ 내 시간이 아니라 동료의 시간에 맞춰 소통하라. - 팀원들과 원활한 소통을 원한다면 팀원들의 스케줄과 시간대에 맞춰야 한다.

한편 디지털 존재감을 높이기 위한 최상의 사내 소셜미디어 툴 이용 전략은 다음과 같다. ① 목적을 분명히 알린다. - 소셜미디어에서의 상호 행동은 팀원들이 조직에 얼마나 적합한지, 어떤 역할을 하는지, 얼마나 공헌하는지를 파악하도록 도와준다. ② 배울 거리를 찾아다닌다. - 유용한 정보가 올라오지는 않았는지 열심히 찾아본다. 소셜미디어 툴은 대화 내용이 비공개인 사적인 이메일과는 다르게 모든 대화가 공개된다.

③ 스스럼없고 사교적인 분위기를 만든다. - 직원들이 소셜미디어 툴에서 편안하게 업무 외적인 대화를 나누도록 장려하라. 팀원들이 나누는 일상적인 대화는 더 성공적인 협업으로 이어지는 자연스러운 관계를 만들어준다. ④ 적절한 데이터에 초점을 맞추라. ⑤ ‘눈’에서 멀어지면 ‘마음’에라도 남으라. - 소셜미디어 플랫폼에서 적극적으로 활동하라! 다른 사람들이 당신의 존재를 잊게 해서는 안 된다.

디지털 시대에서 번성하기를 원한다면 긴밀하게 협업할 줄 아는 업무 관계 구축이 필수 조건이다. 다른 말로 하면, 디지털 툴에 의존하는 소통에는 상호 파악의 장애가 발생할 수 있다는 사실을 이해하고. 보완 전략을 배우려는 마인드셋을 개발해야 하는데, 열쇠는 디지털 존재감이다!



연산



데이터와 분석 - 셀 수 있어야 중요하다

마이클 루이스의 책 『머니볼』에 자세히 나오듯이, 빌리 빈 단장이 운영한 미국의 프로야구단 오클랜드 애슬레틱스 선수들의 연봉은 다른 강팀들에 비하면 초라할 정도로 낮았다. 그런데도 어떻게 좋은 성적을 유지할 수 있었을까? 이유는 빌리 빈이 선수 성적에 대해 방대한 데이터를 수집해 통계 분석을 적용한 메이저리그 최초의 단장이었기 때문이다. 그는 데이터를 분석해 애슬레틱스 구단의 선수 스카우트 방식과 경기 운영 방식을 강화해 기적에 가까운 성과를 냈다.

이렇게 구단의 체질과 성적마저도 바꾼 성공적인 데이터 분석은 데이터를 현명하게 사용할 줄 아는 디지털 마인드셋을 가진다면 데이터가 얼마나 큰 힘을 발휘하게 되는지를 잘 보여주는 사례이다. 또한 제대로 이해하지 못한 데이터가 얼마나 큰 오판과 좌절을 이끄는지 보여주는 사례이기도 하다.

예로 『머니볼』의 독자이며 ‘스포츠를 좋아하는 수학광’을 자처하는 닉 돌턴은 자신이 코치를 맡은 고등학교 농구팀의 성적을 올리기 위해 빌리 빈의 방법을 시도해보기로 했다. 돌턴은 이 생각을 친구에게 이야기했고, 《뉴욕타임스 매거진》에 마이클 루이스가 농구 분석학에 대해 기고한 글을 추천 받았는데, 기사에서 루이스는 203센티미터 정도의 키에, NBA 휴스턴 로키츠의 가드이며, NBA 드래프트에서 1라운드 6순위로 지명을 받은 선수 셰인 배티어를 언급했다.

셰인 배티어는 누구나 인정하는 선수였다. 하지만 전통적인 성적 기준에서 본다면, 이를테면 필드골, 자유투 시도, 리바운드, 어시스트 중 어느 것에서도 뛰어난 선수가 아니었다. 그의 기량은 쉽게 측정되지 않았다. 루이스는 설명했다. “그의 기량은 박스 스코어나 슬램덩크 경합 등으로는 드러나지 않는다. 그러나 배티어가 코트에 오르면 그의 팀은 평소보다 잘하거나 굉장히 잘하고 상대 팀은 평소보다 못하거나 아주 많이 못한다.”

돌턴이 이 기사를 본 소감을 설명했다. “가장 인상적이었던 부분은 배티어가 ‘효율성이 가장 낮은 존’에서 상대팀 선수들에게 슛을 하도록 만드는 능력이 뛰어나다는 내용이었어요. 그걸?상대 팀의 ‘효율성이 가장 낮은 존’이 어디인지?알아내고 우리 선수들에게 그 데이터를 알려줄 수 있으면, 어쩌면 우리 선수들이 상대 선수들을 그 자리로 유도해서 슛을 던지게 만들고 공을 뺏어올 수 있지 않을까 하는 생각이 들더군요. 한 마디로 고등학교 농구부에 맞는 ‘머니볼’을 찾아내야 하는 거죠.” 고등학교 수학교사이기도 한 돌턴은 비장의 무기를 가졌다고 자신했다. 농구부의 스타 선수 중 하나가 루이스의 기사를 읽었고 또 마침 그 선수가 돌턴의 미적분학 수업을 듣는 학생이기도 했기 때문이었다.

그러나 돌턴은 곧 큰 오산이었다는 것을 깨달았다. 돌턴은 같은 지역에 속한 고등학교 농구팀들의 한 해 박스 스코어를 추적하고 간단한 통계학을 이용해 선수들이 경기 전반과 후반 중 언제 필드골 미스가 더 많이 나는지, 코트의 어느 존에서 슛 실패율이 가장 높은지 등을 계산했다. 그런 다음 돌턴은 선수들에게 통계 수치 읽는 방법도 가르치기 시작했다. 돌턴이 말했다. “재앙이었어요. 교실에서의 수학 수업은 곧잘 따라왔지만 응용이 중요한 통계학은 이해하지 못하더군요. 그래서 데이터를 보여줬죠. 몇몇은 이해하면서 흥미를 보였고, 몇몇은 자신들의 직관이 더 믿을 만하다며 무시했어요. 그 숫자가 정확하다는 것을 납득시키지 못한 거예요.” 즉, 농구부 선수들이 수학을 제법 잘하는 학생들이라고 해서 데이터를 생산적으로 사용하는 능력인 디지털 마인드셋을 길렀다고 볼 수는 없는 일이었다.