생각의 미래

2025년 7월 현재의 AI 수준만 되어도 어느 정도 특이점이 왔다고 할 수 있을 것 같습니다. AI에 짧은 질문 하나만 던져도 몇 초 내로 그럴듯한 보고서 초안이 나옵니다. 프로 일러스트레이터가 그린 듯한 고품질 이미지가 나옵니다. 코딩도 순식간에 해냅니다. 월 20달러짜리 소프트웨어 하나로, 전문가라는 지위가 흔들리고 있습니다.

AI 활용 능력이 생산성과 직결되다 보니, 일부 얼리어답터들은 AI로부터 더 좋은 답변을 끌어내는 방법을 알려 주는 포스팅을 올립니다. 바로 활용할 수 있는 유용한 팁이 많습니다. 물론 저도 봤고요. 하지만 말 그대로 팁입니다. AI 모델이 업그레이드되면 언제든 달라질 수 있는 피상적인 조인입니다. 그럼, AI를 ‘근본적으로’ 더 잘 쓰려면 어떻게 해야 할까요. 사고방식 자체를 전환해야 합니다.

그동안 우리는 정답을 전제로 살아왔습니다. 목표를 세우고, 데이터를 모으고, 전략을 세우고, 실행에 옮겨 최적의 해답을 도출하는 식입니다. 일련의 과정은 수학 문제를 푸는 것과 비슷했습니다. 계획은 답을 향한 경로였고, 실행은 경로를 따라가는 기술이었습니다. 우리는 이걸 논리적 사고, 기획력, 또는 문제 해결 능력이라고 불렀습니다. 이 모든 건 하나의 가정을 전제합니다. 세상은 규칙으로 이루어져 있고, 충분히 분석하면 예측할 수 있다는 믿음입니다.

하지만 AI는 이 가정을 무너뜨립니다. 계산기는 같은 계산을 몇 번이고 반복해도 같은 답을 주지만, AI는 매번 다른 답을 줍니다. 엄밀히 따지면, AI가 주는 건 답이라고 할 수 없습니다. 수많은 가능성 중에 가장 그럴듯한 응답을 생성하고, 여러 개의 시나리오를 동시에 제안합니다. AI의 세계는 더 이상 하나의 답을 향해 수렴하지 않습니다. 병렬적이고, 확률적이며, 예측 불가능한 세계로 접어들고 있는 겁니다.

기술은 인간이 사고하는 방식을 바꿉니다. 문자가 발명되면서 기억력보다 분석력과 논리적 구조화가 중요해졌습니다. 시계가 발명되고서는 인간은 시간을 ‘쓰는’ 존재가 되었습니다. 효율과 생산성 중심의 사고가 확산했죠. AI 역시 인간의 사고방식을 바꿀 겁니다. 그런데 아직 AI 시대의 초입이라 우리는 과거의 사고방식으로 AI를 다룹니다. AI라는 확장된 지능을 절반밖에 활용하지 못하고 있죠. 사고방식을 더 빨리 전환하는 사람이 유리할 수밖에 없습니다.

답이 있던 세상

인간은 오랫동안 ‘정답’을 믿어 왔습니다. 문제는 풀기 위한 것이고, 답은 반드시 존재하며, 노력하면 도달할 수 있다고 믿었습니다. 근대 과학이 세상을 설명한 방식이었고, 산업 사회가 조직을 운영하는 원리였고, 교육이 인재를 양성하는 원칙이었습니다. 일종의 사유 체계라고도 할 수 있습니다. 이런 사고방식은 17세기 과학 혁명을 거치며 등장합니다. 이때 인간의 세계관이 극적으로 바뀌었죠.

뉴턴은 세상을 기계로 바라봤습니다. 물리적 법칙은 정확히 계산할 수 있었고, 원인과 결과는 명확히 연결되어 있었습니다. 이때 등장한 개념이 결정론입니다. 세상의 모든 움직임은 일정한 법칙에 따라 작동하며, 충분한 정보와 도구가 있다면 미래를 정확히 예측할 수 있다는 믿음입니다. 인간의 이성과 과학은 불확실성이라는 어둠을 걷어내고, 진리를 밝히는 등불로 여겨졌죠.

과학적 결정론은 사회 전반에 영향을 미쳤습니다. 경제학은 인간의 선택을 수학 기호로 표시했고, 경영학은 생산성을 공식화했습니다. 심지어 교육조차도 정답을 가르치고 평가하는 체계로 정비되었습니다. 복잡한 문제를 명확히 정의하고, 단계별로 쪼개고, 수치화하며, 분석과 기획을 통해 최적의 해답을 도출하는 것이 문제 해결의 정석이 되었습니다.

이 사고방식은 조직 운영 방식에도 뿌리내렸습니다. 테일러의 과학적 관리법은 기업을 기계로 간주하고, 모든 작업을 최적화하려 했습니다. 효율성을 높이기 위해 사람을 분업화하고, 각 부문에 명확한 책임과 권한을 부여했습니다. 문제가 생겼을 때는 — 사람을 포함해서 — 그 부품만 교체하면 해결된다고 믿었죠. 이른바 기계적 조직의 탄생입니다.

SWOT 분석, KPI, 5개년 계획, 이 모든 것은 사업의 불확실성을 제거하고 통제 가능한 세계를 만들려는 시도였습니다. 정답을 예측하고, 거기에 맞게 조직을 설계하면, 시장이라는 복잡한 환경도 통제 가능하다는 믿음이 있었죠. 여기에다 빅데이터와 IT 시스템까지 더해지면서 더 많은 기업이 더 정교하게 세계를 설계할 수 있다고 믿게 되었습니다. 조직 구성원들은 가설을 이야기하는 사람보다 답을 아는 사람을 신뢰하도록 길들여졌고요.

답이 없는 세상

그런데 그 견고한 세상이 무너졌습니다. 금융 위기, 팬데믹, 기후 위기, 미·중 갈등과 지정학적 리스크까지, 이 모든 사건은 단일한 정답으로 설명할 수 없습니다. 계획을 아무리 촘촘히 세워도 예측할 수 없습니다. 특히 2008년 금융 위기 이후 복잡계 이론이 급부상합니다. 세상은 비선형적이고, 복잡하며, 작은 원인들이 상호 작용해 예측 불가능한 결과를 초래할 수 있다는 게 드러나기 시작합니다.

경제학자이자 사상가인 나심 탈레브는 《블랙 스완》에서 “사람들은 측정할 수 없는 것을 측정할 수 있다고 스스로를 기만해 왔다”면서 예측 불가능한 극단적 사건이 역사의 방향을 결정짓는다고 주장했습니다. 세상의 본질은 예측할 수 없는 확률적 사건의 누적으로 이루어진다는 겁니다. 탈레브는 “우리는 우리가 모른다는 사실을 모른다”는 진리를 깨달아야 한다고 강조합니다.

그리고 마침내 AI 시대가 도래하면서 결정론의 환상은 더욱 빠르게 해체되고 있습니다. AI는 우리가 수백 년 넘게 고수한 정답 중심의 사고를 근본부터 뒤흔듭니다. AI는 문제를 정확히 정의하고 하나의 답을 도출하는 기계가 아니라, 수많은 가능성을 동시에 탐색하며 확률적으로 판단을 내리는 기계입니다.

이 근본적인 차이를 인식하지 못하면 챗GPT에게 질문 잘하는 법을 아무리 익혀도 AI와의 진정한 협업은 기대하기 어렵습니다.

확률만 있는 세상

AI는 뭔가를 생각하는 것처럼 행동합니다. 글을 쓰고, 그림을 그리고, 코드를 짜고, 개인적 조언까지 해주는 AI는 단순히 데이터를 정리하는 도구를 넘어, 점점 지적인 파트너의 위치로 이동하고 있습니다. 하지만 AI는 인간처럼 직관적으로 결론을 내리는 게 아닙니다. 수학처럼 정확한 답을 계산하는 것도 아닙니다. AI는 전적으로 확률적으로 사고합니다.

우리는 컴퓨터를 결정론적 존재로 간주해 왔습니다. 명확한 규칙을 실행하는 기계이고, 정확한 입력이 있으면 정확한 출력이 나오는 기계로 여깁니다. 계산기의 고급 버전 정도로 컴퓨터를 인식합니다. 그러나 생성형 AI는 그런 기계와 구조가 다릅니다. 생성형 AI는 다음에 올 단어나 문장, 이미지를 예측하는 과정에서 가능성이 가장 큰 선택지를 골라냅니다. 챗GPT는 매 순간 다음 단어의 확률 분포를 계산하고, 그중에 확률이 가장 높은 단어를 이어 붙이는 식으로 작동합니다.

예들 들어 사용자가 “한국의 수도는”이라고 입력하면 AI는 그다음 단어로 “서울”이 나올 확률이 가장 높다고 계산합니다. 하지만 “서울”이라는 응답은 어떤 규칙의 결과가 아니라, 수많은 데이터에서 관찰된 경향의 추정치입니다. 텍스트 생성뿐만 아니라, 번역, 음성 인식, 이미지 생성, 추천 시스템, 자율주행 등 거의 모든 AI 기술은 확률을 기반으로 의사 결정을 내립니다. AI는 언제나 확률로 판단하지, “이것이 정답이다”라고 선언하지 않습니다.

미국 실리콘밸리 벤처 투자사 세쿼이아캐피털의 파트너 콘스탄틴 뷜러는 이런 구조에서 착안해, 우리가 AI와 함께 일하려면 기획 중심의 ‘결정적 사고’에서, 가설 중심의 ‘확률적 사고’로 전환해야 한다고 주장합니다. 뷜러는 이런 사고방식을 ‘확률적 사고방식(stochastic mindset)’이라고 부릅니다. AI는 정답을 알려 주지 않습니다. 대신, 여러 가능성을 제공합니다. 그러니 그 가능성 사이를 비교하고 실험하고 피드백을 통해 개선하는 사고방식입니다.

확률적 사고방식에서는 명확한 계획보다 다양한 가설의 생성과 실험이 더 중요합니다. 병렬적으로 시도하고, 실패를 빠르게 받아들이고, 새롭게 조합해 나가는 사고 전략이 필요합니다. 전략적 사고라기보다 실험적 사고에 가깝습니다. 그리고 이 실험적 사고는, 인류가 갖고 있지 않은 특질도 아닙니다.

사냥과 항해가 대표적입니다. 선사 시대부터 인류는 특정 계절, 특정 지역, 특정 짐승의 이동 경로를 관찰해 사냥 성공 확률이 높은 장소와 시간대를 선택해 이동했습니다. 항해와 무역도 그랬습니다. 항해자들은 날씨, 계절, 정치 상황, 해적 가능성 등을 고려해 항해 시기와 경로를 선택했습니다. 정교한 통계는 없었지만, 결과 발생 가능성에 대한 반복적 관찰에서 추정하고 선택하는 순환이 이루어졌습니다. 확률적 사고의 초기 형태입니다.

결정적 사고는 인간 본성이라기보다 근대를 거치며 생긴 환상입니다. 불확실성을 제거하고 세상을 질서화하려 했던 근대 과학과 산업이 만든 산물이죠. 데카르트의 이원론, 뉴턴의 물리학, 생산 시설의 표준화는 모두 복잡한 현실을 예측 가능하게 만들려는 시도였습니다. 그 속에서 우리는 ‘정답이 존재한다’는 전제하에 사고를 훈련받았고, 불확실성은 피해야 할 오류로 여겨졌습니다.

그러나 AI가 작동하듯, 선사 시대의 인간이 행동했듯, 세상은 본래 불확실하고 인간의 판단은 본래 확률적입니다. AI는 단순히 컴퓨팅 파워를 이용하는 새로운 도구가 아닙니다. AI는 지금 인간의 사고방식을 거울처럼 비추고 있습니다. 인간이 본래의 사고방식을 너무 오래 잊고 있었을 뿐입니다.

풍부한 컴퓨팅 자원

확률적 사고는 단지 AI 기술을 이해하기 위한 개념이 아닙니다. 조금 확장하자면 일하는 방식을 전환하기 위한 것이고, 더 확장하자면 세상을 해석하는 방식을 전환하기 위한 것입니다. 정답 중심의 세계에서는 오직 하나의 길만 유효합니다. 그러나 확률 중심의 세계에서는 수많은 경로가 존재하고, 그 경로들의 조정과 조합이 가치를 만들어 냅니다.

현대 사회는 희소성의 경제학을 기반으로 움직여 왔습니다. 돈이든 사람이든 시간이든 자원은 한정되어 있고, 효율은 그 한정된 자원을 얼마나 잘 배분하느냐의 문제였습니다. 컴퓨팅 자원 역시 마찬가지였습니다. 1960년대 미국 항공우주국에 배치된 IBM 7090은 달 착륙 궤도를 계산하는 데 몇십 분이 걸렸습니다. 이 고성능 계산기로 뭘 해결할지 선택하는 것부터가 일의 시작입니다. 실행 버튼을 누르기 전에 꼼꼼히 조사하고 계획해야 했습니다.

그러나 지금은 다릅니다. 컴퓨팅 자원이 거의 무한한 시대가 됐죠. 세쿼이아캐피털은 “이제는 먼저 사고하고 나중에 계산하는 방식이 아니라, 계산을 통해 사고할 수 있게 됐다”라고 주장합니다. 사고 전략의 순서가 달라지는 것이죠. 하나의 문제를 두고 10가지, 20가지 경로를 테스트할 자원이 부족했을 때는 한두 가지 경로에 집중할 수밖에 없습니다. 그러나 지금은 30가지, 50가지, 100가지 경로를 몇 초 만에 탐색할 수 있게 됐습니다.

지금이 IBM 7090 시대도 아닌데, 우리는 여전히 그 시절의 습관을 갖고 있습니다. 컴퓨팅 자원이 비약적으로 확장된 지금도 아폴로가 달에 처음 갈 때처럼 AI 도구를 아껴서 씁니다. 스스로 가능성을 제한하는 겁니다. 세쿼이아캐피털은 이걸 ‘절약적 사고방식’이라고 부르는데요, 이 사고방식에선 AI 도구를 이렇게 사용합니다.
 

• 질문 완벽주의: 불완전한 프롬프트를 여러 개 실행하기보다는, 더 많은 시간을 들여 ‘완벽한’ 프롬프트를 만들려는 경향
• 단일 작업 처리: 여러 접근 방식을 동시에 시도하기보다 한 번에 하나의 작업만 수행하는 방식
• 확증 편향: 처음 작동한 해결책에 집착하며, 더 나은 대안을 탐색하지 않는 경향
• 과잉 분석: AI 도구를 활용해 즉각적인 통찰을 얻을 수 있는데도, 문제를 지나치게 분석한 후에야 비로소 접근하는 태도

제가 지금 AI를 사용하는 방식과 — 인정하고 싶진 않지만 — 정확히 일치합니다. 세쿼이아캐피털은 인간 사고의 병렬화(parallelization)가 필요하다고 말합니다. 컴퓨팅 자원이 풍부해졌으니까, 기존처럼 직렬적으로 사고하는 대신 병렬적으로 사고하라는 거죠. 사고방식의 전환은 새로운 문제 해결 전략을 가능하게 합니다. 세쿼이어캐피털은 AI를 이런 방식으로 사용해 보라고 제안합니다.
 

• 샷건 탐색(Shotgun exploration): 무엇이 효과적인지 보기 위해 여러 접근을 동시에 실험하는 방식
• 반복적 정련(Iterative refinement): 다양한 버전을 빠르게 순환하며 최적의 해법을 찾아가는 방식
• 가설 다중화(Hypothesis multiplication): 경쟁하는 여러 이론을 차례대로 탐색하는 게 아니라 동시에 탐색하는 방식
• 우연한 발견(Serendipitous discovery): 깊이 있는 분석보다는 넓은 실험 범위를 통해 예상치 못한 해답을 발견하는 방식

쉽게 말해, 연산의 가격이 사실상 0원에 수렴하고 있으니, 아이디어 탐색을 아끼지 말라는 얘기입니다. 컴퓨팅 자원의 풍요는 확률적 사고와 연결됩니다. 확률적 사고가 하나의 정답 대신 여러 시나리오의 가능성을 동시에 탐색하는 것이라면, 컴퓨팅 자원의 풍요 — 또는 풍요롭다는 자각 — 는 선택지를 늘리고 가능성을 증폭합니다.

생각의 미래

개인이든 조직이든 챗GPT한테 더 잘 질문하는 법을 익히기 전에 어떻게 사고를 재설계할 것인지 생각해야 합니다. 실험 구조와 병렬 사고를 도입해야겠죠. 단일 전략이 아니라 다중 시나리오 기반의 전략이 필요합니다. AI를 통해 수많은 가능성의 경로를 탐색하고, 인간이 그중에서 선택하는 법을 익혀야 합니다.

정답을 묻기보다는 가능한 경로를 몇 가지 제안해 달라고 하고, 그렇게 했을 때 생길 수 있는 변수가 뭔지 물어야 합니다. 이런 질문을 던지는 훈련이 필요합니다. 이건 단지 도구를 잘 쓰는 능력을 넘어 생각하는 방식을 전환하는 일입니다. 사고방식의 전환은 곧 존재 방식의 전환입니다.

이 사고방식에서 인간은 더 이상 완벽한 계획을 짜는 존재가 아닙니다. 인간은 수많은 경로를 시뮬레이션하고, 가능성 사이에서 방향을 잡아가는 실험 설계자입니다. 조직 역시 명령하고 통제하는 구조에서, 구성원 모두가 동시다발적으로 실험하는 네트워크로 바뀌어야 합니다. 교육은 정답을 가르치는 체계에서, 가설을 세우고 의심하며 탐색하는 법을 훈련하는 장이 되어야 합니다.

인간은 AI와 함께 사고하는 존재로 나아가고 있습니다. 기계에다 대고 말하는 게 아직은 좀 어색하지만 몇 년만 지나면, ‘나 + AI’라는 확장된 존재가 나타날 겁니다. 그들은 확률적 사고를 하고 있겠죠. 정답은 없습니다. 대신 수많은 가능성이 있고, 그 가능성들의 상대적 확률만이 존재합니다. 생각의 미래는 정답을 찾는 것에서 가능성을 탐색하는 것으로 이동합니다.

---