AI 진입장벽 허물기: AI 시대에 필요한 것은 기술보다 태도다

0 0

AI를 잘 쓰는 사람과 못 쓰는 사람의 차이는 어려운 용어를 얼마나 많이 아느냐가 아닙니다. AI를 어떻게 신뢰하고 검증할지, 내 일에 어떻게 연결할지에 대한 태도에서 시작됩니다.

AI 진입장벽 허물기

AI 시대에 필요한 것은 기술보다 태도다

요즘 어디서나 비슷한 말을 듣습니다.

“다들 AI를 너무 잘 사용하는 것 같아요.”

“나만 뒤처지는 것 같아요.”

“지금이라도 배워야 할까요?”

“ChatGPT 정도는 쓰는데 그다음부터는 무슨 말인지 모르겠어요.”

AI FOMO라는 말까지 생겼습니다. 누군가는 AI로 영상을 만들고, 누군가는 프로그램을 만들고, 누군가는 자동화 시스템을 구축합니다. SNS를 열면 매일 새로운 AI가 등장하고, 어제 배운 것이 오늘은 옛날 기술처럼 느껴집니다.

그러다 보면 오히려 시작하기가 더 어려워집니다.

저도 처음부터 AI를 적극적으로 받아들였던 사람은 아닙니다. 오히려 목회와 교회 사역에 AI를 사용하는 것이 위험할 수 있다고 생각했던 사람에 가깝습니다. 지금도 그 우려가 완전히 사라진 것은 아닙니다.

그런데 세상이 바뀌는 모습을 지켜보고 직접 사용해 보면서 생각이 조금 달라졌습니다. 이제 질문은 “AI를 사용할 것인가, 사용하지 않을 것인가”에만 머물 수 없습니다. AI를 어떤 목적에 연결하고, 어디까지 맡기며, 무엇을 사람이 책임질 것인가를 정해야 하는 시점이 되었습니다.

자동차도, 비행기도 아닌 ‘전기’

자동차를 운전할 수 있게 되면 이동할 수 있는 영역이 넓어집니다. 비행기를 타면 걸어서는 평생 가기 어려운 곳을 몇 시간 만에 갈 수 있습니다.

AI를 써 보면서 자동차나 비행기보다 오히려 전기에 가깝다는 생각이 들었습니다. 글쓰기부터 연구, 개발, 디자인, 영상, 교육, 행정, 데이터 분석까지 지식 노동 곳곳에 붙기 때문입니다.

전기는 특정한 한 가지 일을 대신하는 기계가 아닙니다. 전기를 연결하면 수많은 기계가 작동합니다. 공장이 돌아가고, 컴퓨터가 켜지고, 통신망이 움직이고, 냉장고와 병원이 작동합니다.

AI도 이제 특정 프로그램 하나라기보다 여러 지적 작업에 붙는 기반 기술에 가까워지고 있습니다.

AI 연구자 앤드류 응은 AI를 **“새로운 전기”**라고 불러 왔습니다. 100여 년 전 전기가 산업 전반을 바꾼 것처럼 AI도 여러 산업의 일하는 방식을 바꿀 수 있다는 뜻입니다. 엔비디아의 젠슨 황도 AI를 인터넷이나 전기 같은 인프라로 설명합니다.

AI를 재미있는 앱 하나로만 보면 질문은 “어떤 기능이 있지?”에 머뭅니다. 하지만 AI를 기반 기술로 보면 질문이 달라집니다.

이 새로운 에너지를 나는 무엇에 연결할 것인가?

“AI 없이는 아무것도 못한다”는 말

“요즘 사람들은 AI 없이는 아무것도 못한다”는 비판에는 일리가 있습니다. 생각하지 않고 AI에게 모든 판단을 맡긴다면 분명 문제가 됩니다.

하지만 다른 관점도 필요합니다. 전기가 끊기면 현대인은 무엇을 할 수 있을까요? 전기가 없던 시대에도 사람들은 글을 썼고, 농사를 지었고, 건물을 지었고, 학문을 연구했습니다. 그렇다고 우리가 전기를 사용하지 않는 삶으로 돌아가야 한다고 말하지는 않습니다.

새로운 기술은 인간을 무능하게 만든 것이 아니라, 한 사람이 행사할 수 있는 능력의 범위를 확장해 왔습니다. AI도 마찬가지입니다. AI가 모든 것을 할 수 있게 된 것이 아니라, 인간이 AI를 통해 할 수 있는 일이 많아진 것입니다.

AI가 모든 것을 해준다는 말의 진짜 주어

AI에게 질문하면 답을 줍니다. 자료를 조사하고 비교할 수도 있고, 코드를 작성하고, 이미지를 만들고, 영상을 구성하고, 데이터를 분석할 수도 있습니다. 최근의 AI 에이전트는 여러 단계를 거쳐 실제 작업을 수행하기도 합니다.

그래서 우리는 쉽게 이렇게 말합니다.

“이제 AI가 다 해주네.”

하지만 이 문장의 주어를 다시 생각해 볼 필요가 있습니다. AI가 모든 것을 해주는 것이 아닙니다. AI를 활용하는 사람이 할 수 있는 일이 많아진 것입니다.

AI는 답을 제시하고 방법을 설계하며 상당 부분을 구현할 수 있습니다. 무엇을 만들지 정하고 왜 해야 하는지 판단하는 사람, 결과에 책임지고 조직과 공동체에 연결하는 사람은 여전히 사람입니다.

AI 시대에 남는 경쟁력은 프롬프트 기술 하나가 아닙니다. 목적을 세우고 판단하고 질문하는 힘입니다.

AI를 신뢰하면서 불신해야 한다

AI를 쓰면서 처음 배운 태도는 모순처럼 들립니다.

AI를 신뢰하되, 동시에 불신해야 합니다.

AI를 계속 의심하기만 하면 제대로 활용할 수 없습니다. 어려운 문제를 맡겨 보고, 내가 하지 못했던 일을 시켜 보고, 새로운 분야에도 사용해 봐야 가능성을 알 수 있습니다.

반대로 AI를 무조건 믿으면 위험합니다. AI는 자신 있게 틀릴 수 있습니다. 존재하지 않는 자료를 말할 수도 있고, 실행되지 않는 코드를 그럴듯하게 설명할 수도 있습니다.

제가 지키는 원칙은 이렇습니다.

AI를 신뢰하라. 그러나 AI의 결과는 검증하라.

처음에는 비효율적으로 느껴집니다. “결국 내가 확인해야 한다면 그냥 내가 하는 게 빠르지 않은가?”라는 생각도 듭니다.

다만 익숙해지면 일하는 순서가 바뀝니다. 처음부터 만드는 대신 AI가 만든 결과를 검토하고 고칩니다. 검증을 없애는 게 목표가 아니라, 생성과 탐색에서 아낀 시간이 검증에 드는 시간보다 커지게 만드는 겁니다.

AI를 잘 사용하는 사람은 AI의 답을 가장 잘 믿는 사람이 아닙니다. 어디까지 맡겨도 되는지, 무엇을 반드시 확인해야 하는지 아는 사람입니다.

처음에는 단어부터 막힌다

AI를 처음 접하면 단어부터 어렵습니다.

LLM, Markdown, Context, RAG, Embedding, Vector DB, Token, Agent, MCP, LLM Wiki.

“AI에게 내 데이터를 학습시키세요”라는 말까지 들으면 새로운 외국어를 배우는 느낌이 듭니다.

하지만 모든 분야의 입문 장벽은 단어에서 시작합니다. 카메라의 조리개·ISO·셔터스피드, 영상 편집의 코덱·비트레이트·프레임레이트, 컴퓨터의 CPU·RAM·SSD도 처음에는 낯섭니다.

AI도 똑같습니다. 처음부터 모든 원리를 공부할 필요는 없습니다. 자주 등장하는 몇 개의 단어만 이해하면 됩니다.

AI 입문자가 먼저 알아둘 단어

LLM
Large Language Model, 대규모 언어 모델입니다. ChatGPT 같은 서비스에서 우리의 말을 이해하고 답을 만드는 핵심 AI라고 생각하면 충분합니다.

Markdown 또는 MD
제목·목록·링크를 간단한 기호로 표현하는 가벼운 텍스트 문서 형식입니다. 사람과 AI가 모두 읽고 다루기 쉬워 AI 프로젝트에서 자주 사용됩니다.

Context
AI가 답변을 만들 때 참고하고 있는 정보의 범위입니다. 대화 내용, 첨부 문서, 시스템 지침 등이 포함될 수 있습니다. AI가 책상 위에 펼쳐 놓고 보는 자료라고 생각하면 쉽습니다.

RAG
내 자료를 AI가 필요할 때 찾아 참고하도록 만드는 방식입니다. 거대한 자료실을 통째로 외우게 하는 대신, 질문과 관련된 자료를 먼저 찾아 보여 주는 구조입니다.

Embedding
글의 의미를 컴퓨터가 비교할 수 있는 숫자로 표현하는 방법입니다. 정확히 같은 단어가 없어도 의미가 비슷한 자료를 찾는 데 활용됩니다.

Vector Database
Embedding으로 변환한 자료를 저장하고, 의미가 비슷한 자료를 빠르게 찾는 데이터베이스입니다.

Agent
질문에 답하는 것을 넘어 목표를 받고 여러 단계의 작업을 수행하는 AI 시스템입니다. 자료를 찾고, 비교하고, 문서를 작성하고, 파일로 저장하는 흐름이 대표적인 예입니다.

MCP
AI가 외부 도구나 데이터와 연결될 수 있도록 만든 개방형 표준입니다. AI가 파일·개발도구·데이터베이스와 연결될 수 있게 하는 규격이라고 이해하면 됩니다.

LLM Wiki
많은 문서와 지식을 LLM이 탐색하고 이해하기 좋은 지식 구조로 조직하는 접근법입니다. MD가 문서 형식이라면, LLM Wiki는 지식을 연결하고 탐색하는 구조에 가깝습니다.

“내 데이터를 AI에게 학습시킨다”는 말

일반 사용자가 말하는 “AI에게 내 데이터를 학습시킨다”는 표현은 실제 모델을 다시 훈련하는 파인튜닝과 다른 경우가 많습니다.

내 문서를 AI에게 제공하거나, 필요할 때 검색하도록 RAG를 구성하거나, 프로젝트 지침과 참고자료를 넣어 두거나, AI가 검색하기 좋은 지식베이스를 만드는 것까지 일상적으로 ‘학습’이라고 부릅니다.

그러니 처음부터 Fine-tuning, Vector DB, Knowledge Graph의 내부 원리를 모두 공부할 필요는 없습니다.

내가 가진 정보를 AI가 필요할 때 제대로 참고할 수 있게 만드는 방법을 배우는 것.

그것부터 시작하면 됩니다.

모르는 단어 때문에 AI를 포기하지 않기

모르는 단어가 나온다는 것은 AI를 못한다는 뜻이 아닙니다. 그 분야에 이제 막 들어왔다는 뜻입니다.

저도 새로운 AI 기술을 접할 때마다 모르는 단어를 만납니다. 그때는 하나씩 묻습니다.

이게 무엇인지 초등학생도 이해하게 설명해 줘.
이것과 저것은 무엇이 달라?
실제로 어디에 쓰는 거야?
내 업무에 적용하면 어떤 모습이야?

AI 시대에는 모르는 것을 배우는 비용 자체가 낮아졌습니다. 예전에는 단어 하나 때문에 책이나 강의를 찾아야 했지만, 이제는 그 단어를 AI에게 바로 물어볼 수 있습니다.

그러니 모든 것을 알고 시작할 필요가 없습니다. AI를 이용해서 AI를 배우면 됩니다.

AI 시대의 격차는 어디에서 생길까

앞으로 중요한 격차는 단순히 AI를 아는 사람과 모르는 사람 사이에서만 생기지 않을 것입니다.

AI에게 무엇을 맡겨야 하는지 아는 사람과 모르는 사람
좋은 질문을 만드는 사람과 그렇지 않은 사람
결과를 검증할 수 있는 사람과 그대로 받아들이는 사람
AI의 가능성을 현실의 문제와 연결할 수 있는 사람과 그렇지 않은 사람

AI가 강력해질수록 인간에게 필요한 능력이 사라지는 것이 아니라 종류가 달라집니다. 무엇을 만들지 결정하고, AI에게 일을 맡기고, 결과를 평가하고, 틀린 것을 찾아내고, 현실에 구현하는 능력이 중요해집니다.

목회 현장에서의 안전한 시작

목회자라면 AI에게 설교문을 대신 작성하게 하는 것부터 시작할 필요가 없습니다. 오히려 목회자의 판단과 영적 책임을 지키면서 다음과 같은 보조 업무부터 시작하는 편이 좋습니다.

지난 설교의 핵심 주제와 반복되는 표현 정리
성경공부 자료의 질문 초안 만들기
설교 후 회고 기록을 주제별로 분류
회의록 요약과 후속 업무 정리
오래된 설교문·독서노트·연구자료의 출처와 주제 연결
새가족 교육자료의 누락된 안내 항목 점검
교회 행정 문서의 형식과 문장 일관성 검토

AI는 목회자의 해석과 결정을 대신하는 권위가 아닙니다. 자료를 다시 찾고, 질문을 넓히고, 반복적인 정리를 줄이는 보조 도구입니다. 상담 기록과 성도 개인정보처럼 민감한 자료는 별도 보안 원칙을 먼저 세우고 AI 입력 대상에서 제외해야 합니다.

일단 사용해 보자

AI가 정말 전기와 같은 변화인지 아직 확신이 들지 않을 수 있습니다. 그렇다면 논쟁하기보다 직접 사용해 보는 것이 좋습니다.

목회자라면 지난 설교를 정리하고, 회의록을 요약하고, 성경공부 자료의 질문을 함께 만들어 보십시오. 미디어 담당자라면 영상 제목과 설명을 정리하고 촬영 계획을 검토하게 해 보십시오. 교사라면 수업안을 점검하고 학습자의 수준에 맞는 질문을 만들어 보십시오. 개발자가 아니어도 반복해서 하던 일을 자동화할 방법이 있는지 물어볼 수 있습니다.

자신이 잘 아는 분야에서 사용하면 AI가 잘하는 것과 못하는 것이 눈에 들어옵니다. 그리고 어느 순간 이런 생각이 듭니다.