"OO해줘"라고 명령하시면 안 됩니다 | 서울대 박현우 교수 | 샤로잡다 시즌2

URL: https://www.youtube.com/watch?v=jHbNYb6Eg_s 날짜: 2026-08-02 채널: 서울대학교 (SNU Catch) 시리즈: 샤로잡다 시즌2 진행자: 최성훈 게스트: 박현우 교수 (서울대학교 데이터사이언스대학원)

---

📌 핵심 질문 / 이 영상이 다루는 핵심 논점

같은 AI를 쓰는데도 사람마다 결과물이 다른 이유는 ==AI 사용 능력이 아니라 인간의 메타인지(내가 무엇을 알고 모르는지, 어떻게 검증할지 아는 능력)의 차이에서 온다==.

• AI는 사용자가 요구하는 수준, 즉 "내가 가진 눈높이"까지만 결과물을 만들어준다
• AI 시대에 창작 비용은 급격히 낮아졌지만, 그 결과물이 내 상황에 맞는지 검증하는 비용은 오히려 급격히 올라갔다
• 딸깍 한 번으로 나온 결과물은 60~70% 수준일 뿐이며, 전문가 수준에 도달하려면 성실한 피드백·검토·검수 과정이 반드시 필요하다

박현우 교수는 AI를 "도구를 만드는 도구", LLM을 "말랑말랑한 레고 조각"이자 "말귀를 아주 잘 알아듣는 신입사원"에 비유하며, AI 시대에는 역설적으로 똑똑함보다 성실함이 더 중요한 덕목이 된다고 주장한다.

---

게스트 소개

박현우 교수는 서울대학교 데이터사이언스대학원 소속으로, AI가 사람들과 상호작용하는 방식과 그로 인한 사회 변화를 연구하며, 동시에 사람들이 AI 같은 신기술을 더 잘 사용할 수 있도록 시각화하는 연구도 진행하고 있다.

---

1. AI 시대, 결과물의 격차는 어디서 오는가 — 메타인지

메타인지는 "내가 무엇을 알고 모르는지 아는 능력"이며, AI 시대에는 창작 비용이 아니라 검증 비용이 격차를 만든다.

1.1. AI 사용 경험의 편차 — "몇 시간을 안 쓰는지가 더 맞는 질문"

1. 박현우 교수의 AI 사용 히스토리
   1. 2022년 11월 30일 ChatGPT 등장 이후 개인적으로 계속 AI를 사용해왔다.
   2. 2026년 2월, 앤트로픽 클로드 Opus 4.5→4.6 릴리즈가 결정적 전환점이었다. 컴퓨터 안의 다양한 도구를 능숙하게 사용하는 모습에 충격을 받았고, 이때부터 "AI에게 일을 맡기고 결과물을 검토하는" 시대가 왔다고 느꼈다.
2. IT 종사자들의 극단적 사용 패턴
   1. 맥스 플랜 사용자들의 역전 현상: 정해진 토큰(사용량)을 다 쓰지 않으면 손해라는 인식이 퍼지면서, "내가 AI에게 일을 시키는 게 아니라 AI가 나를 부리는" 듯한 상황까지 발생한다.
   2. 교수의 실천 조언: 처음엔 20불짜리 플랜의 사용량을 다 채워보고, 그게 다 차면 100~200불짜리 플랜으로 옮겨 그 사용량도 다 써보라고 권한다. 단순히 채팅창에서 묻고 답하는 것만으로는 200불의 사용량을 소진하는 게 사실상 불가능하므로, AI를 더 많이 활용할 수 있는 도구를 스스로 만들어야 한다는 취지다.
   3. AI의 특징 — "새로운 기술을 만드는 기술": AI를 통해 AI를 더 많이 사용하는 도구 자체를 만들 수 있다는 점이 핵심이다.
3. "근성장" 비유 (진행자 제안): 1단계를 해보고 다음 단계로 더 무거운 중량을 드는 것처럼, AI 사용도 단계적으로 부하를 늘려가는 과정이라는 데 교수도 공감했다.

1.2. 메타인지란 무엇인가

1. 정의
   1. 메타 = 한 단계 위: "메타인지"는 "인지에 대한 인지"다. 내가 무엇을 알고 무엇을 모르는지 아는 것.
   2. 학습 전략 수립도 메타인지의 일부: 내가 모르는 것을 무엇을 공부해야 알 수 있을지 전략을 세우는 것도 메타인지에 포함된다.
2. AI 사용과의 연관성
   1. 메타인지 = 내 생각을 검토·검증하는 과정: AI 시대가 되면서 뭔가를 새롭게 만들어내는 비용은 엄청나게 낮아졐지만, 그 결과물이 내 상황에 맞는지 검증하는 비용은 오히려 엄청나게 올라갔다.
   2. "홍수가 나면 마실 물이 없다" 비유: 우리에게 필요한 건 한 모금의 물뿐인데, 정말 홍수가 나서 물이 넘쳐나는 상황에서 어떤 물을 마셔도 되는지 판단하는 것이 중요해졌다는 뜻이다.
   3. 결과물 선별 능력 = 메타인지: 무수히 많이 만들어낼 수 있는 결과물 중 무엇이 나에게 필요하고 내 목적에 부합하는지 판단하는 능력 역시 메타인지를 통해 가능하다.

1.3. Know-Unknown 매트릭스로 보는 메타인지

1. 2×2 매트릭스 구조 (안다/모른다 × 스스로 자각함/못함)
   1. Known-Known (노운-노운): 내가 알고 있다는 것을 스스로 자각하고 있는 영역.
   2. Known-Unknown (노운-언노운): 내가 모른다는 것을 명확히 알고 있는 영역 — 검색 엔진이 등장하면서 이 영역은 학습을 통해 Known-Known으로 옮길 수 있게 됐다.
   3. Unknown-Known / Unknown-Unknown: 메타인지적으로 알지 못하는 영역. 실제로는 알고 있음에도 말로 표현하지 못하거나 스스로 인지하지 못하는 경우(Unknown-Known), 그리고 내가 모르고 있다는 사실조차 모르는 경우(Unknown-Unknown)가 있다.
2. 검색으로 해결 안 되는 영역
   1. 모르는 걸 아는 건 검색으로 해결 가능하지만, 내가 뭘 모르는지도 모르면 검색으로 해결될 문제가 아니다 (진행자 요약).
   2. AI 이전 시대의 한계: 이 영역을 메타인지적 앎의 영역으로 끌어올리는 과정은 원래 매우 어려웠다. 내 의식 아래에 있는 것이기 때문이다. "좋은 질문을 할 수 있는 사람이 좋은 인재"라는 말은 늘 있었지만, 좋은 질문을 연습시켜줄 도구는 없었다.
   3. AI = 질문을 연습할 수 있는 최초의 기계: 벽에 대고 말하는 것이 아니라 진짜로 반응해주는 기계이기 때문에, 이제 누구나 질문하는 법을 연습하고 메타인지 발전 과정을 스스로 밟아볼 수 있는 시대가 됐다.

---

2. AI를 "잘 쓴다"는 것의 의미 — 근성장과 메타적 사용

단순히 답을 얻는 것을 넘어, 답을 얻는 과정 자체를 AI와 함께 설계하는 것이 진짜 메타적 사용이다.

2.1. 채팅창 답변을 넘어서는 사용법

1. 단편적 답변의 한계
   1. AI에게 질문하는 것 자체는 단편적 답을 얻기 위한 행위다.
   2. 한 단계 더 올라가는 질문: "이 답을 얻는 과정 자체가 맞는 방법인가?", "더 좋은 방식으로 문제를 해결하는 방법이 있는가?"를 AI와 함께 찾아가는 것이 메타인지적 사용이다.
2. 똑같은 채팅 인터페이스라도 결과가 다르다: 당면한 문제를 어떻게 해결할지 그 방식 자체를 AI와 논의하면, 같은 채팅 인터페이스를 쓰더라도 사용자 본인이 성장하는 경험을 할 수 있다.

2.2. 프롬프트도 AI에게 맡겨라 (메타 프롬프팅)

1. 프롬프트 엔지니어링의 종말
   1. AI가 프롬프트를 사람보다 더 잘 쓰는 시대가 이미 왔다.
   2. "어떻게 질문을 잘할까"라는 질문 자체를 AI와 상의: 예를 들어 "네가 생각하기에 더 좋은 결과를 낼 수 있는 프롬프트로 내 질문을 바꾼 다음 작업을 진행해줘"라고 요청하는 방식만으로도 결과가 개선된다.
2. 메타적 사용의 실천 방식: 궁금한 것에 대한 즉답을 얻는 데서 그치지 않고, 답을 얻는 과정 자체를 AI와 함께 개선하는 방향으로 사용한다.

2.3. "계획의 계획" — 워크플로 설계를 AI와 논의하기

1. 여행 계획 예시
   1. 일반적 사용: "몇 박 며칠로 도쿄 여행 계획 짜줘"라고 바로 명령하는 방식.
   2. 메타적 사용 (권장): "내가 여행 계획을 더 잘 짜려면 AI를 워크플로의 어느 단계에 어떻게 넣으면 좋을까?"를 먼저 물어본다. 즉 결과를 바로 요청하지 않고, AI를 어떻게 활용할지 그 활용 방식 자체를 먼저 설계한다.
2. "계획의 계획" 명명: 진행자가 이를 "계획의 계획"으로 요약했고 교수도 동의했다.

---

3. LLM의 본질 — 두 가지 비유

LLM이 실제로 무엇이고 무엇이 아닌지를 짚어야 과도한 신뢰나 과소평가를 피할 수 있다.

3.1. "말랑말랑한 레고 조각" 비유

1. 기존 레고 vs 새로운 레고
   1. 기존 컴퓨터 프로그램(딱딱한 레고 조각): 같은 입력에 같은 결과를 기대할 수 있고, 딱딱하게 쌓아 사람이 누워 잘 수 있는 집을 지을 수 있다.
   2. LLM(말랑말랑한 레고 조각): 옆으로 휘어지고 어떤 조각에도 잘 붙는 신기한 조각이지만, 확률적 특성과 (많이 줄었어도 여전히 발생하는) 할루시네이션, 도구 사용의 신뢰성 문제가 있다.
2. 한계에 대한 솔직한 진단
   1. 3개월간 AI에 푹 빠져 살았던 경험담: 결과물의 수준에 감탄하면서도 결국 한계를 느꼈고, 최종 검증·검수가 반드시 필요하다는 결론에 이르렀다.
   2. "말랑말랑한 레고 조각으로만 지은 집"의 위험: 자다가 푹 꺼질 수 있다 — 말랑말랑한 조각만으로 예전에 하던 모든 걸 대체하기는 어렵다.
   3. 긍정적 전망: 이 말랑말랑한 조각이 적절한 자리를 찾아 기존 구조와 결합되면 놀라운 결과물을 만들 수 있다.

3.2. "천재 신입사원" 비유와 크레딧의 착시

1. 비유 설명
   1. 말귀를 잘 알아듣는 신입사원: 사장이 지나가는 말로 "여기 왜 이렇게 덥지"라고 하면, 설비 실장에게 바로 전달해 온도를 조절하게 만드는 신입사원 같은 역할을 AI가 한다.
   2. 크레딧의 착시: 사람들은 이 신입사원이 "온도 조절까지 다 아는 천재"라고 착각하지만, 실제로는 설비 팀장이나 다른 부서 담당자가 그 일을 실제로 수행하고 있다. AI는 그저 내 의도에 맞게 필요한 사람(시스템)을 찾아 연결해주는 역할일 뿐인데, 사람들은 모든 공로를 신입사원(AI)에게 몰아준다.
2. 정반대 평가도 존재: 반대로 AI를 무능하거나 게으르다고, 협조적이지 않고 했던 말을 계속 반복하게 만든다고 비판하는 사람들도 있다(진행자 본인도 AI에게 화낸 경험 언급). 실제 AI 산출물을 직접 그대로 쓰기엔 위험이 많고, 완전 전문가 수준으로 바로 쓸 수는 없다.
3. 전문가처럼 느껴지는 이유: 사람들이 "전문가 수준"이라고 느끼는 결과물의 상당 부분은 사실 AI가 연결해서 사용하는 기존 소프트웨어(PowerPoint, Excel, Word 등 수십 년간 발전해 안정화된 도구)의 힘이다. 다만 그 결과물이 원래 전문 직업인이 만들던 수준과 같다는 보장은 없으며, 사용자가 끊임없이 지시를 줘야 하고 스스로 높은 기준(눈높이)을 가진 사람이 돼야 그 눈높이에 맞는 결과가 나온다.

---

4. 왜 AI 시대에 "성실함"이 다시 중요한 덕목이 되는가

똑똑함이 유리할 것 같은 AI 시대에, 오히려 꼼꼼하고 반복적인 검토를 견디는 성실함이 승부처가 된다.

4.1. 눈높이만큼만 만들어주는 AI

1. 핵심 원칙 (교수가 여러 강연에서 반복하는 메시지)
   1. "AI는 내가 가진 눈높이만큼만 결과물을 만들어준다" — 내가 요구하는 수준까지만 AI가 일을 해준다.
   2. 만족 지점에서 멈추면 결과물도 거기서 멈춘다: 사용자가 어느 수준에서 만족하면 AI도 그 수준의 결과물로 멈춘다.
2. 지속적으로 밀어붙여야 개선된다: 계속 끝까지 밀어붙이면 결과물이 조금씩 조금씩 좋아지지만, 그 과정 자체가 상당히 진(고)된(길고 힘든) 과정이다.

4.2. 딸깍 한 번의 함정 — 60~70%의 벽

1. 미켈란젤로 조각상 비유
   1. "딸깍" 한 번으로 그럴듯한 결과물이 나오는 시대가 된 건 사실이다 — 마치 미켈란젤로의 조각상을 한 번의 클릭으로 만들 수 있는 것처럼.
   2. 거기서 멈추면 60~70% 수준: 딸깍해서 나온 결과물에서 멈추면 원래 직업인이 만들던 결과물의 60~70% 선에 불과하다.
   3. 전문가 수준 도달 조건: 성실하게 피드백을 계속 주고, 나온 결과를 확인·검수하는 과정을 거쳐야만 원래 직업인 수준에 도달한다. 딸깍만으로는 안 된다.
2. "내가 딸깍할 수 있다는 건 내 옆 사람도 딸깍할 수 있다는 것" (진행자의 통찰): 딸깍으로 만들 수 있는 결과물의 기준선(베이스라인) 자체가 올라갔기 때문에, 이제 승부는 "누가 더 잘 고민하는가", "누가 더 윗단계 작업을 잘 수행하는가"에서 갈린다.

4.3. 검토가 더 괴로워진 이유

1. 역설적 상황
   1. AI 시대엔 똑똑한 사람들이 유리할 것 같지만, 실제로 좋은 결과물을 얻으려면 꼼꼼하게 결과물을 계속 검토해줘야 한다.
   2. 결과물이 더 그럴듯해졌기 때문에 검토 자체가 더 괴로운 일이 됐다: 예전보다 그럴듯한 결과물이 나오다 보니, 이를 제대로 검토하는 과정이 오히려 예전보다 더 힘들어졌다.
2. 결론: 성실하게 검토하고 피드백을 주며 조금씩 결과물의 완성도를 높이는 과정을 견뎌야만 좋은 결과물이 나온다. 안목을 기르는 데도 절대적인 시간과 노력이 필요하므로, 성실함이 다시 주목받는 덕목이 된다는 데 진행자도 공감했다.

---

5. AI 활용 능력의 격차와 사회적 처방

개인의 격차는 자연스럽게 벌어지지만, AI 자체가 격차를 좁히는 도구도 될 수 있으며 사회적 교육이 병행돼야 한다.

5.1. 격차는 자연스럽게 벌어진다

1. 양극화는 자연스러운 현상
   1. AI를 이미 잘 쓰는 사람도 계속 더 잘 쓰는 방법을 고민하며 AI를 사용하기 때문에, 잘 쓰는 사람과 그렇지 않은 사람의 격차는 자연스럽게 벌어질 수밖에 없다.
2. 그럼에도 개인 차원의 해법: 덜 잘 쓰는 사람이 잘 쓰기 위해 고민하는 것만큼 잘 쓰는 사람도 계속 고민하므로 격차는 벌어지지만, AI라는 도구를 성실하고 열심히 쓰면 개인으로서는 격차를 좁혀나갈 수 있다.

5.2. 모델 접근권 + 사용법 교육, 두 가지 복지

1. 사회적 처방의 두 축
   1. 좋은 모델에 대한 접근성: 좋은 모델을 사용할 수 있도록 하는 것도 일종의 복지처럼 필요하다.
   2. AI를 어떻게 쓰는지에 대한 교육: AI를 사용함으로써 AI를 더 잘 쓰게 만들고, 자신이 하는 일을 더 잘하게 만드는 사용 방식 자체에 대한 교육도 모델 접근성만큼 중요하다.
2. 금전적 격차에 대한 우려: 특히 청소년·학생들이 순전히 금전적인 이유로 AI 모델 접근에 격차가 생긴다면 안타까운 일이다.
3. "대치동에서 AI 잘 쓰는 법 과외" 우려와 반전
   1. 진행자의 우려: 사교육 시장에서 어린 나이부터 "AI 잘 쓰는 법" 과외가 생기는 끔찍한 상상을 언급했다.
   2. 교수의 희망적 반론: 오히려 AI가 등장했기 때문에 대치동에 가서 AI 사용법을 배우지 않아도, AI와 직접 대화하며 스스로 공부해서 AI를 더 잘 쓰는 법을 배울 수 있는 시대가 됐다. 이는 학원에서 누군가에게 배워야만 습득되는 역량이 아니라, 관점의 스위치가 켜지느냐 안 켜지느냐의 차이에 가깝다.

---

6. 오늘부터 실천할 수 있는 메타인지 훈련법

6.1. 일을 시작하기 전에 "더 나은 방법이 있는지" AI에게 묻기

1. 기본 훈련법: 하고 싶은 일이 있으면, 그 일을 하기 전에 "이 일을 더 잘할 수 있는 방법이 있을까?"를 AI에게 먼저 물어본다. "이 방식이 최선인가"를 AI와 대화하며 다시 들여다볼 기회를 만드는 것이다.
2. "단계를 하나 더 만들자" (진행자 요약): 결과를 바로 요청하는 대신 검토 단계를 하나 추가하는 것.

6.2. 여행 계획 예시 — 계획의 계획

1. 잘못된 사용: "며칠로 도쿄 가는데 여행 계획 짜줘"라고 바로 명령.
2. 권장하는 사용: "내가 AI를 사용해서 여행 계획을 더 잘 짜려면 AI를 워크플로의 어떤 단계들에 넣으면 좋을까?"를 먼저 물어보는 것 — "계획의 계획".

6.3. 꼬리질문으로 주제 체계화하기

1. 훈련법: 어떤 주제에 대해 AI에게 물어본 뒤, 그에 대해 계속 추가 질문을 던져가며 그 주제에 대해 더 많이 알아가고 이를 체계화하는 훈련을 한다.

---

마무리 조언 (박현우 교수)

AI를 "도구를 만드는 도구", "기술을 만드는 기술"이라는 개념으로 접근하고 사용해볼 것을 제안한다. 일상 생활에서 필요한 여러 자잘한 일들을 처리해주는 도구를 만드는 도구로 AI를 대하면, 단순히 질문-답변을 주고받는 것을 넘어 다차원적이고 다각도로 유용하게 쓸 수 있다.

---

주요 발언 모음

"AI는 내가 가진 눈높이만큼만 그 결과물을 만들어 준다라고 얘기를 해요. 그러니까 내가 요구하는 수준까지만 AI는 이제 일을 해 주는 거예요."

"몇 시간을 쓰나라기보다는 몇 시간을 안 쓰는지 그게 오히려 더 맞는 질문일 것 같아요."

"홍수가 나면은 마실 물이 없다라고 하잖아요. ... 정말 홍수가 났을 정도로 물이 많은데 그중에서 내가 어떤 물을 마셔도 되는지 안 되는지 그런 거에 대해서 이제 판단을 하는 것이 사실 엄청나게 중요해졌죠."

"우리가 소위 AI라고 부르는 이 LLM이 일종의 말랑말랑한 레고 조각 같은 거라는 생각이 들어요."

"그 신입 사원이 사실은 온도 조절하고 설비나 그런 것들을 다 아는 게 아니고 필요한 곳에 가서 필요한 거를 이제 물어볼 수 있는 그런 역할을 이제 해 주는 건데, 지금 시대에는 사실 많은 사람들이 새로 들어온 그 신입 사원한테 모든 기여에 대한 크레딧을 다 몰아 주는 거예요."

"AI 시대가 되어서 사람의 성실함이 또 훨씬 더 이제 중요한 덕목이 되는 거 아닐까라는 생각도 사실 저는 들어와요."

"딸깍해서 나온 그 결과물 거기에서 이제 멈추면은 60% 70% 뭐 그 정도 선에서 저는 이제 멈추는 거라고 생각을 하고 ... 딸깍으로 사실 되지는 않죠."

"내가 딸깍할 수 있다는 거는 내 옆에 사람도 딸깍할 수 있다는 거니까."

"얘가(AI가) 도구를 만드는 도구다. 이런 식의 개념으로 접근을 하고 사용하는 걸 시도를 해 봤으면 좋겠어요."

핵심 데이터 & 수치

• 2022년 11월 30일: ChatGPT 등장 시점 (박현우 교수가 AI를 지속 사용하기 시작한 기준점)
• 2026년 2월: 앤트로픽 클로드 Opus 4.5 → 4.6 릴리즈. 박현우 교수가 "AI에게 일을 맡기고 검토하는 시대가 왔다"고 느낀 결정적 전환점
• 60~70%: 딸깍(원클릭) 한 번으로 나온 AI 결과물이 도달하는 완성도 수준 — 전문가 수준에 도달하려면 이후 성실한 검토·피드백 과정이 별도로 필요
• $20 → $100~200: 박현우 교수가 권장하는 AI 유료 플랜 단계적 사용법 — 채팅만으로는 고가 플랜의 사용량을 소진하기 어려우므로 AI를 활용하는 도구를 직접 만들 것을 권장

결론 및 시사점

1. 같은 AI를 써도 결과물이 다른 이유는 도구가 아니라 사용자의 메타인지 격차에 있다 — 내가 무엇을 알고 모르는지, 결과물을 어떻게 검증할지 아는 능력의 차이다.
2. AI에게 답을 바로 요청하지 말고, 답을 얻는 과정 자체를 AI와 논의하라 — 프롬프트 작성도, 워크플로 설계도 AI에게 먼저 "어떻게 하는 게 좋을지" 물어보는 메타적 사용이 근성장을 만든다.
3. LLM을 과대평가도 과소평가도 하지 말 것 — "말랑말랑한 레고 조각"이자 "말귀 잘 알아듣는 신입사원"이라는 비유처럼, AI는 강력한 연결자이지 모든 것을 대체하는 완성된 전문가가 아니다.
4. AI 시대엔 똑똑함보다 성실함이 승부처다 — 딸깍 한 번으로 60~70% 수준까지는 누구나 도달하지만, 그 이후의 꼼꼼한 검토·피드백·검수를 견디는 사람만이 전문가 수준에 도달한다.
5. 격차는 자연스럽게 벌어지지만, 개인은 성실한 AI 활용으로 그 격차를 좁힐 수 있다 — 사회적으로는 모델 접근성뿐 아니라 "AI를 어떻게 쓰는지"에 대한 교육이 함께 제공돼야 한다.
6. 일상 실천법: 일을 시작하기 전에 "더 나은 방법이 있는지" AI에게 먼저 묻고, 결과를 요청하기 전에 워크플로 설계 자체를 AI와 논의하며, 한 주제에 대해 꼬리질문을 반복해 체계화하는 습관을 들인다.