메타인지 생각의 기술

- 사회적 메타인지는 상대의 의도와 인지 체계, 그리고 반응을 예측할 수 있는 인지 능력을 의미한다. 위의 사업계획 업무 사례로 치자 면, 궁극적으로 CEO가 사업계획에 관심을 갖는 의도가 무엇일지 생각해보는 것이다. 또한 CEO가 사업계획을 바라보는 인지 흐름이나 체계를 이해하고자 노력하는 것을 의미하며, 마지막으 로 CEO가 보일 반응을 예측해보는 것이 사회적 메타인지의 영역이다.
만일 위에서 말한 대로 사회적 메타인지의 세 가지 세부 요소 가 완벽히 작동하는 사람이 있다면, 그 사람은 분명 CEO 본인이 거나 곧 CEO가 될 사람일 것이다. 그만큼 사회적 메타인지는 수 행이 쉽지 않은 영역이다. 그래서 사회적 메타인지 분야에서 일 정 수준의 성과를 거두는 사람은 업무 역량을 크게 인정받기도 한다.
- 이미 범용화가 진행되고 있는 AI 시대에 코딩보다 요긴한 역량은 '어떤 문제를 해결해야 하는 것인가를 판단하는 능력이며, '그 문제해결에 필요한 요소 중 내가 가진 것은 무엇인가'를 인지 할 수 있는 능력이다. 내가 갖고 있지 못한 것이 있다면 외부에서 조달할 수 있는 방법도 인지해야 한다.
그러나 외부 조달을 해야 하는 상황보다는 현재 주어진 수많 은 사전 개발 모델을 어떻게 꿰어야 하는지에 대한 고민이 더 많 을 것이다. “구슬이 서 말이라도 꿰어야 보배다."라는 속담에서 구슬을 꿰다는 것은 철저히 메타인지에 기반한 행위라는 것을 잊지 말자.
- 플레이메이커의 중요 역량으로는 먼저 전체 경기의 흐름을 읽는 능력을 꼽는다. 또한 팀 선수들의 장단점을 아는 것도 중 요하다. 승리를 위한 팀의 전략이 유효하게 작동하는지를 끊임 없이 확인하는 것도 필요하다. 이러한 역량 역시 메타인지 세 부 요소의 관점에서 해석이 가능하다. 전체 맥락을 인지하는 노 웨어(Know-where) 및 노웬(Know-when), 팀의 강점과 부족한 점을 인지하는 노왓(Know-what), 진행 과정에 대한 모니터링(Monitoring)이 바로 유능한 플레이메이커들의 메타인지를 지배 하는 요소다.
플레이메이커형 메타인지가 뛰어난 리더들은 특정 쟁점에 대 해 전체 맥락상 적절성을 먼저 인지하고자 하는 경우가 많다. 또 한 조직이 가진 역량을 기반으로 할 수 있는 일에 대한 우선순위 를 정하고자 한다. 이러한 과정을 넓은 시야를 바탕으로 변화하는 환경에 맞게 끊임없이 모니터링하면서 수정한다.
- CEO가 급작스러운 호출을 하면 5분 정도의 짧은 시간 동안 본인의 네트워커형 메타인지를 바탕으로 본인의 관점을 정리하고, CEO 집무실로 들어가는 모습을 보여 필자를 놀라게 했다. CEO 의 호출을 받은 이 리더의 대응은 다음의 세 가지로 요약된다.
1. 최근 회사를 둘러싼 쟁점들을 바탕으로 CEO가 나를 왜 부르는지, 어떤 이야기를 할지 빠르게 생각해본다.
2. 예측되는 쟁점이 있다면 왜 여러 임원 중 하필 나를 부르는 것인가를 빠르게 생각해본다. 즉 나에게 원하는 것이 무엇일지를 짧게 고민해본다.
3. 나의 관점을 피력했을 때 CEO가 어떤 반응을 보일지 짧게 고민해본다.
- 어떠한 방식이건 개선 사항이 도출되면 이를 강화할 수 있는 방안도 제시가 가능하다. 통상적 업무 상황에서 관찰되는 메타인 지적 개선이 필요한 유형으로는 앞서 메타인지 수준이 높은 사 람들의 대척점에 있는 다섯 가지 유형이 대표적이다. 이는 추종 자, 구멍, 꼰대, 고문관, 내로남불이었다. 이들의 대표적 문제는 다음과 같이 요약된다.
1. 추종자(Follower): 이 업무를 왜 하는지 모른다.
2. 꼰대(Boomer): 지엽적 경험을 일반화한다.
3. 구멍(Weakest Link) : 맥락을 파악하지 못한다.
4. 고문관(Military Advisor): 의도를 파악하지 못한다.
5. 내로남불(Double Standard): 상황 논리에 따라 시각이 바
뀐다.
이들의 메타인지 강화를 위한 조언을 하자면 다음 내용 정도가 될 것이다.
1. 업무의 목적을 정의해 왜 이 업무를 진행하는지 알고, 일정한 시각을 가질 수 있는 지향점을 찾는다.
2. 성급한 일반화를 피하기 위해 생각의 논리적 구조화를 연습한다.
3. 맥락 파악을 위해 항상 상위 인지를 인식한다.
4. 상대방의 의도를 생각해보는 습관을 가진다.
- 경영전략 컨설팅 회사로 유명한 맥킨지 앤드 컴퍼니(McKinsey & Company)는 최근 신입 컨설턴트 채용 과정에서 기존에 진행 하던 필기 시험을 없앴다. 과거에는 PST (Problem Solving Test) 등의 이름으로 불리는 논리력과 산술계산력 등을 평가하는 필기 시험이 맥킨지의 문을 두드리는 사람들에게 첫 번째 관문이었다. 그렇다고 서류 심사를 통과한 채용후보자가 아무런 필터링 없이 면접 단계까지 올 수 있는 것은 아니다. 맥킨지는 바로 메타인지 수준을 테스트하는 새로운 시험을 도입했다.
맥킨지 지원자들은 서류 심사를 통과하면 PC 앞에 앉아 일종 의 시뮬레이션 게임에 참여하게 된다. 배경은 외딴 무인도이며, 다양한 식물과 동물이 살고 있는 이 생태계에서 몇 가지 미션을 부여받게 된다. 전염병이 빠르게 퍼지는 상황에서 특정 동물 종을 구하는 것이 풀어야 하는 핵심 문제(핵심 질문)로 정의될 수도ㅜ있으며, 자연의 현상을 보고 지진, 화산, 해일 등의 재난 중 어떤 것이 닥칠 것인지를 판단해 동물을 대피시켜야 하는 미션도 주 어질 수 있다.
이 게임에서 좋은 성과를 내기 위해서는 일단 다양한 게임 요 소들에 대한 구조화된 이해가 필수적이다. 예를 들어 전염병 시 나리오에서는 전염병이 어떤 질병이며, 어떤 과정으로 질병이 퍼 지고 있는지, 어떤 동물들이 전염되는지, 무리를 짓는 동물들에 서 나타나는 양상은 무엇인지 등의 요소가 파악되고 구조화되어 야 할 것이다. 이를 바탕으로 세운 가설적 해결책을 테스트해 최 종적인 솔루션을 찾아내는 것이 게임의 전체적 흐름이다. 산술적 계산은 전혀 필요하지가 않다.
- 세계적 컨설팅 회사인 맥킨지는 왜 많은 비용을 들여가며 이런 시험을 도입했을까? 유수의 명문대를 졸업했다고 해서 반드시 업무를 잘하는 것이 아니라는 것은 우리 모두 본인의 경험 또는 여러 경로를 통해 알고 있다. 흔히 '일머리'라고 하는 업무적 지 능은 IQ와 큰 관계가 없기 때문이다. 업무적 지능은 순전히 메타 인지에서 비롯된다.
앞서 언급한 것처럼 맥킨지는 원래 PST라는 필기 시험을 한 두 차례 이름을 바꾸어 오랫동안 유지해왔다. 맥킨지 이외에도 딜로이트 컨설팅 등의 이름 있는 컨설팅사들은 유사한 체계를 도입한 곳이 많다. 이는 매년 회사에 지원하는 수많은 우수 지원 자들과 이들의 면접을 담당할 수 있는 면접관의 불균형에 그 첫 번째 이유가 있다. 이상적으로 보자면 지원자들을 모두 불러 일 대일 면접을 통해 확인하는 것이 가장 확실하다. 그러면 학력 및 경력에 대한 편향성을 제거하고 정말 문제해결력 및 업무 능력이 우수한 지원자를 걸러내는 것이 가능하다. 그러나 그러기에 면접관 수는 턱없이 부족하며, 면접관 수를 무작정 늘리면 면접 관간에 주관적 심사 기준의 편차가 너무 커지는 문제도 있다. 따라서 이에 대한 보완책으로 면접관들이 공통적으로 질문할 만한 내용이나 단답식으로 답변이 가능한 내용들은 필기 시험으로 대체하는 방법이 있다. 이를 통해 면접에서 잘할 수 있는 사람을 한 번 더 필터링하는 것이다. 예를 들면 기본적 산술 연산 문제 등은 꼭 사람이 대면 상태에서 물어보지 않아도 된다.
그러나 문제는 필기 시험 자체도 편향성을 드러낸다는 것이다. 다년간 자리 잡은 필기 시험은 익숙하고 빠른 필기 문제 풀 이가 가능한 지원자에게 유리한 환경을 만들어주었으며, 컨설팅 입사 시험도 단기간 족집게식 연습과 준비가 가능하다는 믿음을 주었다. 이에 따라 컨설팅사들은 보다 창의적으로 지원자들의 진 짜 업무 지능을 파악하기 위해 많은 시도를 하고 있다. 앞서 소개 한 맥킨지의 인지 능력 시뮬레이션 테스트가 대표적인 사례다. 해당 시뮬레이션 테스트의 개발사인 임벨루스(Imbellus)는 기본 적으로 이 시뮬레이션 게임이 지원자의 인지 능력, 판단력, 상황 파악력, 논리적 사고, 메타인지를 테스트한다고 밝히고 있다.
- 문제해결을 위해 대부분의 로스쿨 교육에서는 다음의 방식으로 메타인지 향상을 습관화한다.
첫째, 끊임없이 문제 정의를 요구한다. 케이스를 읽고 이 사 건의 이슈가 무엇인가 쟁점이 무엇인가를 늘 묻는다. 이를 케이스 브리프(Case Brief)상 이슈 스포팅(Issue Spotting)이라고도 부 르며, 모든 케이스에는 꼭 따라붙는 질문이다.
둘째, 사실관계를 구조화해 정리하도록 한다. 이른바 팩트(Fact)가 쟁점과 관련된 부분만 일목요연하게 정리가 되어야 한 다는 것이다.
셋째, 소크라테스식 질문을 통해 위 두 가지를 가지고 상대방 을 설득하는 연습을 시킨다. 즉 상대방(대부분 판사)의 관점과 사 고 흐름에 따라 이를 설명하도록 한다. 학생들의 주장에 계속해 서 반박과 질문을 던지는 것이다. 예를 들어 앞선 엑스맨 사례는 실제 법학 수업에서 토론의 주제로 등장해, 학생들이 한참을 사람이냐 괴물이냐를 놓고 언쟁했던 내용이다.
- 미팅에서 논의된 내용에 대한 회의록을 자동으로 작성해주는 AI는 이미 상용화되었다. 대표적으로 지난 2019년 시스코 (Cisco)에 인수된 보이시아(Voicea)라는 업체가 개발한 '에바 (EVA, Enterprise Voice Assistant)'가 있다. 작동법도 아주 간단하 다. 스마트폰에 애플리케이션(앱)을 깔고 에바를 초대하면 끝이 다. 그럼 에바는 회의 내용을 음성인식 기술을 이용해 모두 받아 적고 보기 좋은 회의록으로 만들어준다. 에바는 현재 말하는 사 람을 분별하는 기능, 실시간 번역 및 자막 기능까지 가능하다. 이 후에는 특정 주제가 언급되면 이를 실시간으로 해당 업무 담당자에게 이메일로 전송하는 기능이 고려되고 있다. 그렇게 되면 기계적으로 회의에 참석하는 직장인들은 이제 회의에 초대조차 되지 않을 수 있다. 자기 업무에 필요한 언급이 나오는지 확인하러 관성적으로 회의를 가던 사람들은 더욱 그럴 것이다.

- "그럼요. 많이 들어보셨다시피 얼굴이 갸름하고 이마가 좁으 면 AI가 여성으로 인지하고, 턱이 크고 이마가 넓으면 남성으로 인식하는 등의 편향성은 잘 알려졌지요. 또한 직업과 성별을 매 칭할 때도 마찬가지로 간호사, 베이비시터 등의 직업은 여성이라 고 판단한 반면에 대통령, 판사, 의사 등은 남성이라고 판단하는 편향성이 유명해요. 이런 사례는 모두 데이터가 편향되어 있었기 때문입니다. 우리 사회가 그래왔다는 것이지요. 마찬가지로 임상 시험 성공률을 예측하는 우리 프로젝트도 대형 제약사의 사례 및 북미나 유럽에서 진행된 사례 등의 경우 상대적으로 성공률 이 높게 예측되는 편향성이 있을 수 있어, 그 부분을 상당히 걱정 했습니다."
"그럼 편향을 방지하기 위한 방법은 없을까요?"
"일단 서로 다른 미션을 가진 2개의 AI가 서로 체크하면서 결 과를 도출하는 GAN(Generative Adversarial Network) 활용과 적화 방지 툴이 있어요. 쉽게 이야기해서 하나의 AI 모델은 다른 AI가 도출한 결과에 편향이 있는지만 계속 체크하고, 나머지 AI 는 답을 낸 다음에 자신을 체크하는 AI를 통해 편향성 검사를 받아 통과한 것만 최종 제시하는 방식입니다. 그 밖에도 구글, IBM같은 회사에서 개발한 데이터 편향성 탐지를 위한 툴이 있어요." "우리 회사의 품질 및 위험 관리 부서 같은 역할인 거네요." "하하, 그렇지요. 회사의 한쪽에서는 계속해서 품질 높은 컨 설팅 서비스가 제공되는지 체크하고, 다른 한쪽에서는 그 기준을 뛰어넘는 서비스를 제공하기 위해 노력하는 것이죠. 조직적 메타 인지 수준이 높은 곳에서 가능한 일입니다."

- 집단사고라는 개념을 처음 제시한 어빙 재니스는 집단사고를 예방하는 방법으로 다음 다섯 가지 내용을 제시했는데, 이는 메타인지의 각 개념과도 매우 유사하다. 핵심 내용을 간략히 정리하면 다음과 같다.
1. 조직 내 비판하는 평가자 역할 부여
2. 리더 본인의 의견 제시 자제
3. 조직 밖의 멘토에게 조언 요청
4. 사안에 대한 노하우(Know-how)가 있는 전문가 초빙
5. 회의시 악역 (Devil's Advocate, 의무적으로 반론만 계속 펴는 사람) 지명
- 집단사고를 사전에 방지하는 것에서 나아가 그 대안을 구조적으로 논의하는 것을 조직의 구조적 논의 문화라고 부를 수 있다. 구조적 논의는 조직 구성원들이 핵심 질문을 세우고 이를 공유한 상태에서 그 해결책을 구조화하기 위해 진행하는 공식·비공식 회의가 그 실체다. 정의된 문제를 놓고 자유롭게 토론하는 브레인스토밍(Brainstorming)과는 다른 개념이므로 혼동이 없어 야 한다. 브레인스토밍이 참신한 아이디어나 초기 논의를 위한 것에 가깝다면, 구조화 논의는 산발적으로 존재하는 해결과 관련 된 아이디어, 인식과 인지를 정리하기 위한 것이다. 

- 조직 내 논의가 구조적으로 진행될 수 있도록 하는 것이 조직적 메타인지를 향상하기 위해 리더가 해야 하는 일인데, 구조적 논의 문화를 조성하기 위해 리더가 해야 하는 일은 다음 세 가지 로 요약된다.
1. 제시된 대안이 전부인지 질문하라. 대안을 상위 인지로 레 벨업 (Level-up)해보면 다른 각도의 대안이 나올 수 있는 것 은 아닌지, 레벨다운(Level-down)했을 때 더 구체화되어 나타날 수 있는 대안은 없는지 끊임없이 질문해야 한다. 
2. 직관의 영역도 사유의 대상이 되고 있는지 확인하라. 업계 의 신념이나 관행에 대한 오래된 믿음을 깨야 한다. 당연 하게 받아들이던 것에 대해 '왜'라는 질문을 던져보라. 특 히 코로나19 이후의 상황처럼 새로운 노멀(뉴노멀, New Normal)이 자리 잡고 있는 환경에서는 더욱 유효한 방식 이다.
3. 구조화 담당자를 선임하라. 회의마다 의견들을 구조화해 판서하거나 정리해 참여자들의 논의가 어떻게 정리되고 있는지를 보여줘야 한다. 또한 논의 내용 정리를 담당할 기회를 고르게 부여해 이를 습관화해야 한다.
- 사실관계, 노하우, 시각차를 알면 회의가 효율적이다
이렇듯 조직에서 업무에 따라 생기는 이견은 사실관계에 대한 이슈, 노하우에 대한 견해 차이, 같은 문제에 대한 시각차 중 하 나에 속한다. 구성원들이 이 세 가지 원인 중 무엇에서 비롯된 언 쟁을 벌이고 있는지를 인지하고 확인하는 과정에서 조직적 메타 인지가 향상된다. 이 측면에서 조직적 메타인지 수준을 올리고, 구성원들이 문제해결을 위한 합리적인 방안을 찾는 데 리더가 도움을 줄 수 있는 방법은 다음과 같다.
1. 사실관계가 문제라면 회의를 중단하고 사실관계를 파악하 도록 유도한다. 가정을 수립하는 데 필요한 사실관계에 격 차가 크면, 각 시나리오를 적용했을 때 달라지는 결과값의 차이가 얼마나 큰지를 보게 하라. 만일 대세에 지장이 없 다면 언쟁할 필요도 없다. 반면 차이가 크다면 사실관계에 대한 부분을 확인하고 다음 단계로 넘어가도록 독려하라. 
2. 노하우에 대한 인식 차이가 있다면, 객관적인 전문가의 조 언을 얻어라. 외부 전문가를 구하는 것도 좋은 방법이다. AI 시대에는 몇 번의 인터넷 검색과 간단한 계약 절차를 거쳐 해당 산업에 정통한 베테랑을 시간 단위로 연결해주 는 서비스가 넘쳐난다. 소중한 구성원들의 시간을 노하우 에 대한 언쟁으로 소비하게 하지 마라.
3. 시각차가 발생하면 문제 정의와 원인에 대한 시각부터 일치시켜라. 노사 문제부터 시작해서 화장실 방향제의 향을 결정하는 사소한 문제까지 기업 구성원들의 첫 번째 갈등 요소는 이 시각차 때문임을 명심하자. 서로의 시각에 대한 언쟁을 하고 있으면 문제에 대한 인식이 같은지 확인하고, 원인에 대한 인식이 같은지 확인한다. 그다음에는 문제를 해결하려면 어떤 시각으로 바라보는 것이 좋은지에 대한 논의를 유도하라. 구체적인 시각에 대한 논쟁으로 레벨다 운시키면 절대 안 된다.

- 승진을 시켜야 하는 인재들, 보너스를 좀 더 많이 받아야 하는 인재들, 급여 인상이 되어야 하는 인재들은 구분되어야 한다. 결국 특정 상위 등급, 중 간 등급, 개선의 필요성이 큰 등급 정도의 그룹화는 반드시 필요 하며, 이것이 가능한 체계라면 등수가 매겨지는 서열화까지는 필 요 없다.
그러나 지난 세월간 딜로이트의 평가를 보면, 이 정도 간단한 등급을 구분하기 위해서라고 보기에는 너무나 많은 자원과 전문 가들이 투입되었다. 이는 평가 과정을 통해 얻을 수 있는 다른 효 과가 더 컸기 때문이다. 바로 이 평가 과정을 통해 인재를 양성하 고 그들의 인생에 잊을 수 없는 교육을 제공할 수 있었다.
해당 평가 과정을 간략히 설명하면 다음과 같다. 우선 모든 피평가자에게는 1명의 카운슬러가 배정된다. 카운슬러는 피평가 자를 평가한 프로젝트 매니저를 만나 평가의 배경과 피평가자가 더 나은 성과를 거두는 데 필요한 진솔한 조언을 듣는다. 카운슬 러는 또한 피평가자를 만나 왜 이런 평가 결과가 나왔는지에 대 한 본인의 생각과 업무 중 겪었던 애로사항을 듣는다. 이 과정을 몇 차례 반복 진행한다.
만일 평가자와 피평가자의 말이 엇갈리면, 카운슬러는 해당 업무에 참여했던 동료 및 후임자 등 다양한 이해관계자를 통해 최대한 객관적인 시각을 확보한다. 이렇게 종합한 내용을 바탕으로 카운슬러가 가장 객관적으로 정리된 피평가자의 1년간 성취와 추후 개선점을 정리해 모든 카운슬러 및 조직 리더가 모인 자리에서 브리핑을 진행한다.
카운슬러들과 조직 리더는 도출된 개선 방안이 해당 인재를 육성하는 데 최적의 방안인지에 대해 토의한다. 인재를 1명 더 개발하고 육성하는 데 필요한 조직적 메타인지가 최대한 발휘 될 수 있도록 설계된 체계다. 이 체계는 딜로이트 한국에서도 아 직 사용하고 있는 유효한 시스템이다. 그러나 딜로이트 미국은 2016년, 평가 과정을 통한 인재 육성이라는 당초 의도를 더욱 강화하는 형태로 체계를 뜯어고쳐 운영 중이다.
- 2015년 4월 <하버드 비즈니스 리뷰>에 소개된 딜로이트의 새로운 평가 체계는 직원의 평가 등급에 대해 논의하는 시간을 줄이고, 직원의 미래 성과 개선에 더 초점을 맞춘 형태다. 딜로이 트가 평가 체계를 다시 한번 수정한 이유는 조직적 메타인지의 아주 좋은 사례가 되었다. 딜로이트가 지난 10년간의 성과 평가 데이터를 놓고 보니, 실제 장기적 성과와 평가 등급은 아무런 상 관관계가 없다는 것을 인식했던 것이다. 10년 전 평가에서 그저 그런 등급을 받았으나 최고 임원이 되어 있는 경우도 있었고, 그 반대로 기대가 컸던 인재는 지지부진한 성과를 내는 경우도 많았 다. 통계적으로 설명하기가 어려운 지경이었다. 그래서 데이터를 잘 살펴보니 평가 결과와 가장 상관관계가 뛰어난 하나의 요소는 바로 평가자의 성향이었다. 결국 평가 결과는 평가 대상보다는 평가를 내리는 사람의 성향만을 알려준다는 것이다.
- 이에 따라 딜로이트 미국은 이른바 '강점 중심 인재 개발 평가모델'이라는 것을 도입했다. 이 체계는 평가자에게 많은 것을 묻 지 않는다. 어차피 물어봐도 평가자의 개인 성향만 반영된다고 보 았기 때문이다. 새로운 체계에서 물어보는 핵심은 딱 세 가지다.
1. 이 사람은 다음 단계의 역할(승진을 의미함)을 수행할 수 있습니까?
2. 이 사람이 활용한 본인의 강점은 무엇입니까?
3. 피평가자 본인은 자신이 강점을 활용할 수 있는 업무를 맡았다고 생각합니까?
- 카운슬러들이 피평가자마다 배 치되며, 이들은 1년에 2번 모여 장시간 피평가자들에 대한 논의 를 진행한다. 다만 그 주제가 '평가 등급'이 아니라 '어떻게 이사 람을 우리 회사의 인재로 만들 것인가?'로 바뀌었다는 점만 다르 다. 구체적으로는 회사가 이 사람에게 강점을 발휘할 수 있는 업 무를 맡겼는가?'를 논의한다. 만약 그렇지 않았다면 '왜 그럴 수 밖에 없었던 것인지' 그리고 '다음에 이 사람에게 강점 영역을 맡 기려면 무엇을 해야 하는지'에 대해 토의한다. 만일 강점 영역에 서 업무를 진행했다면 '무엇을 더 잘할 수 있을지' '그를 위해 우 리가 해줘야 하는 것은 무엇인지'를 토론한다.
- 딜로이트의 사례가 다른 많은 조직의 리더들에게 전달하는 시사점은 명확하다. 바로 장기적으로 조직적 메타인지 향상을 위 해 업무 과정에서 배울 수 있는 체계를 만들어야 한다는 점이다. 이는 보통 평가 체계와 연동된다. 그리고 이러한 체계가 잘 작동 하고 있는지 확인하기 위해 다음 내용을 지속적으로 질문해야 한다.
1. 조직 구성원은 본인이 희망하는 업무를 수행하고 있는가?
2. 무엇을 잘하는지 알 수 있는 피드백을 받은 적이 있는가?
3. 무엇을 더 잘할 수 있는지에 도움이 되는 피드백을 받은 적이 있는가?

- 일론 머스크는 AI에 대해 부정적 견해를 피력해왔다. 그랬던 그가 마이크로소프트에서 1조 원이 넘는 돈 을 투자받아 오픈AI(OpenAI)라는 단체를 조직했다. 이 조직에서 만든 GPT-3라는 자연어처리 AI 알고리즘이 2020년 6월 공개 되면서 많은 화제를 모았다. 역사상 인간과 가장 유사하게 텍스 트를 생성하는 알고리즘이었기 때문이다. 한 대학생은 GPT-3를 이용해 블로그에 올리는 제목과 콘텐츠를 자동 생성했고, 몇 시 간만에 방문자가 2만 6천 명을 넘어섰다. 방문자 중에 해당 블 로그가 AI에 의해 작성되었다는 사실을 의심한 사람은 단 1명이 었다고 한다.
- GPT-3와 같은 사례는 코어 AI 기술로 분류된다. 사실 AI 발 전을 이끄는 가장 핵심적인 기술 분야는 당연히 이 코어 AI 기 술 분야다. 과학으로 치자면 기초과학과 같은 것이다. 그러나 대 부분의 사람들은 수백억 원에서 조 단위까지의 투자가 요구되는 코어 AI 기술 분야보다는 그 밖의 분야에 관심을 갖는 것이 타당 하다. AI 응용 분야, 기업용 AI 및 산업별 AI 시장도 그 성장세가 기하급수적이며, 시장의 규모도 코어 AI 기술 분야를 압도하기 때문이다.
결국 하루가 다르게 발전하는 AI를 활용하기 위해 우리가 던져야 하는 질문은 다음과 같다.
1. 지속적 데이터 수집이 가능한 체계를 어떻게 수립하는가?
2. 업무 중 자동화가 가능한 곳은 어디인가? 즉 일정한 패턴이 있는 곳은 어디인가?
3. 그 부분을 왜 자동화해야 하는가? 꼭 해야 하는가?
4. 해야 한다면 얼마나 자동화해야 하는가?