AI 시대에 전문가로 남으려면, 먼저 ‘AI 없이도 할 줄 아는 단계’가 필요하다는 칼럼

이 칼럼은 AI 도구 이야기를 하면서 뜬금없이 마리 퀴리부터 꺼냄. 그런데 비유가 꽤 세게 들어맞음

• 마리 퀴리는 러시아 점령하 폴란드에서 여성이 대학에 갈 수 없고, 폴란드어 고등교육도 불법이던 시절을 살았음
• 그래서 비밀 교육 조직인 이동 대학(flying university)에서 학생이자 교사로 활동하다가, 23세가 돼서야 프랑스로 가 대학에 들어감

마리 퀴리 사례의 포인트는 “천재였으니 성공했다”가 아니라, 계속 새 영역을 배웠다는 데 있음

• 박사학위 연구에서는 아무도 손대지 않은 방사능 연구에 뛰어들었고, 라듐과 폴로늄을 발견함
• 1903년 노벨물리학상, 1911년 노벨화학상을 받았고, 서로 다른 과학 분야에서 노벨상을 받은 인물은 지금도 마리 퀴리가 유일함

더 인상적인 건 1914년 제1차 세계 대전 때의 행보임. 이미 노벨상을 두 번 받은 47세 석학이 자동차 운전, 정비, 해부학을 새로 배움

• 이유는 부상병 몸에 박힌 파편 위치를 현장에서 빠르게 찾기 위해서였음
• 이동식 X선 촬영 차량을 개발했고, 직접 전선에 가려고 운전을 배웠고, 차량 고장에 대응하려고 정비도 익힘
• 이 이동진단차량은 100만 명이 넘는 부상병을 돕는 데 쓰였다고 소개됨

칼럼이 AI 시대로 끌고 오는 메시지는 이거임. 전문성은 한 번 따놓는 자격증이 아니라 계속 유지하고 갱신해야 하는 상태라는 것

• 사람은 누구나 초보(novice)에서 시작해 능숙한(competent), 숙련(proficient), 전문가(expert) 단계로 간다는 설명이 나옴
• 최소한 능숙한 단계에 도달하고 유지해야 의료진이든 연구자든 안전하고 수월하게 기능할 수 있다는 주장임

여기서 칼럼은 AI의 위험을 세 가지로 나눔

• never-skilling: 배움과 훈련이 필요한 시기에 AI에 과하게 의존해서 애초에 능숙한 단계에 도달하지 못하는 상태
• de-skilling: 이미 가진 지식과 기술이 AI 의존 때문에 둔해지는 상태
• mis-skilling: AI의 편향이나 환각 때문에 잘못된 지식이나 기술을 받아들이는 상태

가장 취약한 영역으로는 글쓰기가 꼽힘. 이건 개발자도 남 얘기가 아님

• 생성형 AI는 자연스러운 글을 쓰도록 설계된 도구라서, 보고서·논문·문서·이메일을 바로 대신 써주기 쉬움
• 동시에 많은 사람이 글쓰기를 부담스럽게 느끼기 때문에, 훈련해야 할 부분까지 AI에 넘기기 쉬움
• 개발자로 치면 설계 문서, 장애 보고서, 코드 리뷰 코멘트, 의사결정 기록을 계속 AI에 맡기다가 정작 자기 논리 전개 능력이 약해지는 그림임

칼럼의 결론은 AI를 쓰지 말자는 쪽이 아님. ‘어느 정도 숙련도를 갖춘 영역에서 조수로 쓸 때’ 가장 안전하고 유용하다는 쪽임

• 기본기가 없는 상태에서 AI 결과를 검증하지 못하면 빠른 게 아니라 위험한 상태가 됨
• 반대로 자기 기준과 판단력이 있으면 AI는 초안 작성, 구조화, 표현 다듬기에서 꽤 강력한 보조 도구가 될 수 있음

이 글은 의료 연구자 대상 칼럼이지만, 한국 개발자에게도 그대로 적용됨

• 코딩 AI를 쓰더라도 디버깅, 추상화, 요구사항 해석, 문서화 같은 기본기를 건너뛰면 나중에 본인이 만든 결과를 설명하지 못하는 상황이 옴
• 결국 중요한 건 “AI를 쓰느냐”가 아니라 “내가 검증할 수 있는 일을 AI에 맡기고 있느냐”임