AI 시스템은 인지 부하를 조절하는 장치다
AI를 잘 쓰는 것은 단순히 더 많은 기능을 붙이는 일이 아닌 것 같다. 조금 더 깊게 보면, AI 시스템은 사람과 AI가 감당해야 하는 인지 부하를 조절하는 장치에 가깝다.
처음에는 AI에게 기억을 붙이는 것이 중요하다고 생각했다. 대화 기록, 작업 기록, 문서, 코드, 레포지토리 정보 등을 AI가 볼 수 있으면 더 좋은 결과가 나올 것이라고 봤다.
물론 그것은 맞다. AI는 맥락을 모르면 같은 이야기를 반복하고, 이전 결정을 잊고, 프로젝트의 방향을 놓친다. 그래서 기록과 문서화는 중요하다.
하지만 그것만으로는 부족했다. 기억을 붙여도 결과물이 평균적인 수준에 머무는 경우가 많았다. 특히 개발이 아닌 기획이나 디자인의 영역에서는 더 그랬다.
AI는 그럴듯한 결과물을 잘 만든다. 하지만 전문가급 결과물이 나오지는 않는 경우가 많다. 그 이유를 생각하다 보니, 좋은 결과물은 단순히 많은 정보를 알고 있어서 나오는 것이 아니라는 생각이 들었다.
좋은 결과물은 대개 어떤 사고 과정을 거친 결과다.
문제를 좁히고, 대안을 만들고, 평균적인 답을 버리고, 실패 가능성을 보고, 구현 가능성을 따지고, 무엇을 남기고 무엇을 버릴지 결정하고, 마지막으로 하나의 방향으로 압축한다.
이 과정은 전부 인지 과정이다.
그러니까 AI에게 많은 기억을 주는 것만으로는 부족하다. AI가 좋은 사고 과정을 거치게 만들어야 한다.
기억 부하
인지 부하의 첫 번째 층은 기억이다.
무엇을 했는지, 어떤 결정을 했는지, 지금 프로젝트의 상태가 무엇인지, 어떤 파일과 문서가 관련되어 있는지, 이전에 어떤 실패가 있었는지 기억해야 한다.
사람도 이걸 다 머릿속에 들고 있으면 힘들다. AI도 마찬가지다. AI는 피곤하지는 않지만, 필요한 맥락이 없으면 좋은 판단을 하기 어렵다.
그래서 기록, 문서, 작업 로그, 대화 요약, 레포지토리 정보 같은 것은 기억 부하를 낮추는 장치가 된다.
기억 부하를 낮추면 맥락을 잃지 않는다. 하지만 맥락을 잃지 않는 것과 좋은 판단을 하는 것은 다르다.
사고 부하
두 번째 층은 사고다.
이게 좋은 방향인지, 이 기획이 왜 약한지, 이 구조가 나중에 무너질지, 이 디자인이 평균적인지, 이 기능이 진짜 필요한지, 어떤 선택지를 버려야 하는지 판단해야 한다.
이것은 단순히 기억을 잘한다고 해결되지 않는다.
개발에서는 이 차이가 비교적 잘 보인다. 시니어 개발자는 코드를 보면서 단순히 돌아가는지만 보지 않는다. 구조, 예외, 유지보수, 테스트, 운영, 미래 변경 가능성을 같이 본다.
주니어 개발자는 기능이 되는지를 먼저 본다. 시니어 개발자는 기능이 되는 상태가 유지 가능한지를 본다.
이 차이는 지식의 양만으로 설명하기 어렵다. 여러 사고 모드를 동시에 돌릴 수 있느냐의 차이에 가깝다.
AI에게도 마찬가지다. 하나의 AI에게 “좋은 기획을 해줘”라고 하면 대체로 무난한 결과가 나온다. 하지만 좋은 기획자가 실제로 거치는 사고 과정을 쪼개서 시키면 결과가 달라질 수 있다.
생성하는 역할, 비판하는 역할, 사용자 관점에서 공격하는 역할, 구현 가능성을 보는 역할, 운영 부담을 보는 역할, 최종적으로 압축하는 역할은 서로 다르다.
좋은 사고는 한 번의 답변이 아니라 여러 관점의 충돌과 정리에서 나온다.
공정 부하
세 번째 층은 공정이다.
좋은 사고 과정을 알고 있어도, 매번 그 과정을 빠뜨리지 않고 실행하는 것은 또 다른 문제다.
무엇부터 해야 하는지, 어떤 순서로 검토해야 하는지, 어디서 멈추고 어디서 다시 봐야 하는지, 어떤 기준을 통과해야 다음 단계로 넘어갈 수 있는지 정해야 한다.
개발은 이 공정이 비교적 잘 만들어져 있다.
요구사항 정리, 설계, 구현, 테스트, 리뷰, CI/CD, 배포, 모니터링, 장애 대응 같은 흐름이 있다.
이것들은 단순한 절차가 아니다. 개발자가 매번 머릿속으로 감당해야 했던 사고 과정을 외부화한 장치다.
그래서 AI 개발이 좋아질 수 있었던 이유도 여기에 있는 것 같다. AI가 개발을 잘해서라기보다, 개발에는 AI가 올라탈 수 있는 레일이 이미 있었다.
테스트가 깨지면 고친다. 빌드가 실패하면 로그를 본다. 리뷰 기준에 맞지 않으면 수정한다. 타입이 맞지 않으면 다시 정렬한다.
이런 공정이 있기 때문에 AI가 반복적으로 개선할 수 있다.
반면 기획이나 디자인은 다르다. 전문가의 사고 과정은 분명히 있지만, 개발만큼 공정화되어 있지 않은 경우가 많다.
그래서 AI에게 기획을 시키면 문서는 잘 나오지만, 결과물이 평균적으로 느껴진다. 절차는 흉내 냈지만, 그 절차를 통과시키는 압력이 약하기 때문이다.
평균성은 생략된 사고 과정의 흔적이다
AI 결과물이 평균적으로 느껴질 때가 있다.
사용자 친화적, 직관적, 효율적, 맞춤형, 데이터 기반, 생산성 향상 같은 말이 반복된다.
틀린 말은 아니다. 하지만 어디에나 붙일 수 있다.
개발에서도 비슷한 일이 있다. 코드는 돌아가지만 구조가 애매하고, 책임이 섞여 있고, 예외 처리가 약하고, 테스트가 형식적이면 “대충 했다”는 느낌이 든다.
기획과 디자인에서 평균적이라는 느낌은 개발에서 대충 구현했다는 느낌과 닮아 있다. 표면은 맞췄지만, 깊은 판단이 덜 들어간 상태다.
그러니까 평균성은 단순히 창의성이 부족한 문제가 아닐 수 있다. 전문가가 거치는 사고 과정이 생략된 결과일 수 있다.
좋은 결과물은 평균적인 부분을 제거하는 과정에서 나온다. 그러려면 AI에게도 평균을 제거하는 공정이 필요하다.
이 문장은 다른 서비스에도 붙일 수 있는가? 이 기능은 진짜 문제를 해결하는가? 사용자가 이걸 안 쓸 이유는 무엇인가? 이 기획에서 무엇을 버렸는가? 한 문장으로 기억되는가? 구현 대비 효과가 충분한가?
이런 질문들이 통과 기준이 되어야 한다.
AI에게도 인지 과부하가 있다
AI는 사람처럼 피곤하지 않다. 하지만 AI에게도 과부하와 비슷한 현상이 있다.
맥락이 너무 많으면 중요한 것이 묻힌다. 목표가 너무 많으면 답이 평균으로 수렴한다. 역할이 섞이면 비평이 약해진다. 선택지가 너무 많으면 결정이 흐려진다. 검증 기준이 없으면 그럴듯한 오답이 나온다. 도구가 많고 상태가 동기화되지 않으면 각자 다른 맥락에서 판단한다.
그래서 AI 시스템은 AI에게 무작정 많은 일을 시키는 구조가 되어서는 안 된다.
필요한 기억만 주고, 사고 역할을 나누고, 공정을 강제하고, 선택지를 압축하고, 검증 기준을 두고, 현재 상태를 동기화해야 한다.
AI를 잘 쓰는 것은 AI에게 더 많은 것을 맡기는 일이 아니라, AI가 좋은 결과를 낼 수 있도록 인지 부하를 조절하는 일에 가깝다.
LAO와 사고 공정
LAO를 만들면서 잡고 싶었던 문제도 결국 여기에 가까웠던 것 같다.
처음에는 좋은 기획을 만들어주는 도구처럼 생각했다. 하지만 지금은 조금 다르게 보인다.
LAO는 단순히 기획안을 생성하는 도구라기보다, 기획자가 거치는 사고 과정을 공정으로 만드는 장치에 가까워야 한다.
문제를 정의하고, 대안을 만들고, 평균적인 표현을 제거하고, 실패 가능성을 검토하고, 구현 가능성을 보고, 운영 부담을 따지고, 선택과 탈락의 이유를 기록해야 한다.
기억을 관리하는 도구는 맥락을 잃지 않게 한다. 운영을 점검하는 도구는 검증과 유지보수 부하를 줄인다. 여러 AI와 도구를 묶는 시스템은 공정과 조정의 부담을 낮춘다.
그중 LAO는 사고 부하를 낮추는 쪽에 가깝다. 좋은 기획자가 머릿속에서 지불하던 사고 비용을 AI가 단계별로 지불하게 만드는 장치가 되어야 한다.
회사도 인지 부하를 낮추는 구조였다
조직도 비슷하게 볼 수 있다.
회사는 사람이 많이 모인 곳이 아니라, 한 사람이 감당하기 어려운 기억, 판단, 실행, 검증, 책임, 조정을 나누는 구조다.
기획자는 문제를 정리하고, 개발자는 구현하고, QA는 검증하고, 운영자는 상태를 보고, 관리자는 우선순위를 정하고, 법무와 재무는 리스크를 본다.
큰 회사가 큰 매출을 유지할 수 있는 이유 중 하나는 이 인지 부하가 역할과 시스템으로 분산되어 있기 때문이다.
반대로 작은 회사는 한 사람이 너무 많은 것을 감당한다. 기획도 해야 하고, 개발도 봐야 하고, 운영도 해야 하고, 고객도 봐야 하고, 다음 방향도 생각해야 한다.
그러면 단순히 시간이 부족한 것이 아니라 인지 과부하가 생긴다.
AI는 이 구조를 바꿀 수 있다. AI는 1인 창업자에게 작은 조직의 일부 기능을 만들어줄 수 있다.
하지만 큰 회사라고 해서 AI로 자동으로 크게 증폭되는 것은 아니다. 기존 조직은 권한, 보안, 책임, 레거시, 승인 구조가 있다. AI가 일하려면 단순히 도구를 도입하는 것이 아니라, AI가 읽고 판단하고 실행하고 기록할 수 있는 구조로 바뀌어야 한다.
AI 시스템의 목적
결국 AI 시스템의 목적은 단순 자동화가 아닌 것 같다.
자동화는 중요한 결과 중 하나다. 하지만 더 본질적인 것은 인지 부하의 재배치다.
사람이 기억해야 할 것을 시스템이 기억하고, 사람이 혼자 따져야 할 것을 여러 사고 역할로 나누고, 사람이 매번 빠뜨리기 쉬운 절차를 공정으로 만들고, AI가 평균으로 흐르지 않도록 통과 기준을 둔다.
좋은 AI 시스템은 똑똑한 답을 한 번에 내는 시스템이 아니다. 좋은 답이 나올 가능성이 높은 상태를 만드는 시스템이다.
기억을 붙이면 AI는 맥락을 잃지 않는다. 사고를 분해하면 AI는 평균으로 흐르지 않는다. 공정을 강제하면 좋은 판단이 누락되지 않는다.
그래서 앞으로의 서비스와 시스템은 사람뿐 아니라 AI의 인지 부하도 함께 고려해야 한다.
사람이 쓰기 쉬운 시스템을 넘어서, AI가 일하기 쉬운 시스템이 필요하다.
그리고 더 나아가, 사람과 AI가 함께 좋은 판단을 만들 수 있도록 인지 부하를 조절하는 시스템이 필요하다.
AI 시스템은 기능을 추가하는 일이 아니라, 인지 부하를 설계하는 일일 수 있다.