Dike Homme

블로그

  • Why Getting Angry at AI Only Hurts You

    Getting angry at AI feels good for a second, but you get billed for the cost of producing that one snippy line. The model isn’t reading just your angry sentence — it re-reads the entire conversation you’ve stacked up since yesterday before it answers.

    • An AI session restarts with every single response. The model re-reads the whole prior conversation, rebuilds the context from scratch, and only then writes its reply.
    • A throwaway “why are you doing this” gets billed at exactly that cost. Tokens, time, and your usage cap all get drawn down together.
    • When the AI frustrates you, the move that actually improves answer quality is to make it analyze the cause and fold the result into your instructions and memory — not to vent.
    Why getting angry at AI only hurts you — the session is reborn with every response
    Once you understand that an AI session dies and is reborn with every response, it becomes clear why venting at it is a losing trade.

    Your AI is reborn with every response

    A lot of people seem to feel that AI is an assistant with a memory. It shows up like a colleague who picks up today’s conversation right where yesterday’s left off. But under the hood it works nothing like human memory.

    A large language model is, at its core, stateless. The model itself doesn’t tuck yesterday’s conversation away somewhere. On every call, the client feeds the entire conversation so far back in as input, and the model reads it like material it’s seeing for the first time before producing the next answer.

    Anthropic’s Context windows documentation makes this explicit: each user message and model response accumulates inside the context window, and “Previous turns are preserved completely.” So the model re-reads the full, preserved record of the prior conversation every time it answers. And as that accumulation grows, the answers lose accuracy and recall — a phenomenon the same docs call “context rot.” In other words, every angry line you add increases that pile, and a bigger pile drags down the quality of the next answer.

    From your seat, the conversation flows smoothly within a single session. It looks like one AI carrying the thread forward. But in reality, the moment one answer is produced, the AI that produced it is gone. When you send your next message, a fresh AI shows up, re-reads everything stacked in the session from the very top, answers, and disappears.

    Here’s the analogy. Imagine a company where a brand-new hire walks in for every single task. The new hire reads yesterday’s meeting notes — the ones a different new hire wrote — from start to finish, writes one line, and walks straight out the door. The next new hire comes in, reads yesterday’s notes plus that one new line from the top again, and writes the next line. To you it feels like a seamless conversation with one person, but the person in charge actually changes with every line.

    To put it plainly: if you turn on your computer today and type “morning?” into a session where you traded ten questions and answers yesterday, the AI doesn’t just register the word “morning” and reply. It reloads the entire conversation from yesterday in one pass, and only then hands back “Good morning.” It reprocessed an entire day’s worth of material just to receive a one-line greeting.

    Venting feels good, but the tokens vanish for nothing

    If you use AI, you’ve probably felt the heat rise when it says something obtuse or lies to your face with total confidence. I’ve thrown plenty of rough words at AI myself, and when it apologized there was a faint sense of relief.

    LLMs process input and output in tokens, not characters. A single English sentence converts into anywhere from a handful to dozens of tokens going into the model, and the model reads all of those tokens again before generating its output one token at a time. Input tokens and output tokens are both costs. They get deducted from your usage cap, charged to your bill, or they occupy space on the work desk that is the context window.

    So a line of venting is a cost too. Say you have a session where you’ve stacked up 50,000 tokens of conversation since yesterday [example figure — varies by the model and plan you use]. Add a short message like “Why do you keep lying? This is so frustrating,” and the model reprocesses yesterday’s 50,000 tokens plus today’s vent together, spits out a short “I’m sorry, that was my mistake,” and bills you for those output tokens too.

    When this happens, the loss lands on you in a few ways:

    1. Billing cost. If you use the API directly or a paid plan, your token charges go up accordingly. On a plan with a usage cap, that cap shrinks by the same amount.
    2. Remaining context length. The context window is a resource like a work desk. Pile one more line of venting on it and you’ve shrunk the space left for the actual work [estimate]. The limit differs by model and plan. As of May 2026, Claude uses a default of 200K tokens when you chat in the web or app, and the Sonnet 4.6, Opus 4.6, and Opus 4.7 models extend to 500K tokens on all paid plans (Anthropic Help Center). On the developer API, Opus 4.7 and Sonnet 4.6 support up to 1M tokens (Claude API — Models overview). On ChatGPT’s Business plan, the Instant model gives you 32K and the Thinking and Pro models give you 196K (OpenAI Help — ChatGPT Business Models & Limits). Even under the same billing cap, the share that one line of venting eats up changes depending on which model and plan you’re on.
    3. The depth of the next answer. The narrower the desk, the narrower the band of context the model can attend to. And this isn’t just a “once the desk is full it can’t see” problem. Chroma’s Context Rot research tested 18 frontier models — GPT-4.1, Claude 4, Gemini 2.5, Qwen3, and others. It reported that retrieval accuracy starts dropping meaningfully well before the advertised window limit is reached, even on simple tasks (Chroma Research — Context Rot). The Stanford and UC Berkeley team’s “Lost in the Middle” paper (TACL 2024) showed a U-shaped curve in which, even inside the same window, information sitting in the middle is used markedly less accurately than information at the beginning or end. Anthropic, too, defines context as a finite resource subject to diminishing marginal returns in Effective context engineering for AI agents. So the tokens your venting stuffs in don’t just squat on desk space — they raise the very odds that the next answer drops something important sitting in the middle.
    Context rot — accuracy falls as accumulated tokens grow
    Long before you hit the window limit, the band of context the model can attend to starts to narrow.

    To sum it up: the relief lasts five seconds, the cost follows you to the end of the session.

    The cost of venting at AI — reprocessing input tokens and eroding context
    Even a single vented line gets reprocessed alongside the entire prior conversation. The price of that relief isn’t small.

    Instead of getting angry, tell it to analyze

    So instead of getting angry at AI, I make it reflect.

    “Your last answer got some facts wrong. Walk me through, step by step, exactly where it broke down, which step in your reasoning went off the rails, and what information was missing. Then write out, concretely, what instructions or memory I should set up in advance so you don’t repeat the same mistake next time.”

    Tell it this and the AI takes its own answer apart as if it had become a different person — possible, it seems, precisely because it carries no shame about the answer it just gave (this builds on the self-critique structure I covered in How to Ask AI Better — the self-critique rule). And that analysis doesn’t have to be a one-off reference you consume and discard within this session. Write it into an instruction file or a memory file, and from the next session on it helps the AI avoid repeating the same mistake.

    A minute spent venting and a minute spent making it analyze look completely different a month later. Anger yields 0% improvement; analysis compounds.

    For this pattern to work, you need a place to record things. Claude Desktop’s memory feature, a project “constitution” like Cowork’s CLAUDE.md file — Cowork is Claude’s desktop agent mode, and CLAUDE.md is a file it reads at the start of every session — or even a plain notepad you manage yourself. Any of them is fine. The one rule is that once you pick a spot, you have to stack things there in the same flow every time so they stay searchable and reusable.

    AI anger vs. analysis — same one minute, different month
    The same minute either way, but venting ends with that session while analysis becomes an asset from the next session on.

    Four operating habits that make your AI smarter

    Through trial and error I’ve built up four operating habits.

    1. Split sessions when the topic changes. If a single session ends up holding legal review, blog writing, household budgeting, and parenting worries all at once, the model has to reprocess those wildly different contexts — dispute, source material, payments, kids — together every time. Just as a person makes more mistakes when there’s too much on the desk, context collisions pile up inside the session. In Cowork, if you split sessions by topic and ask it to build an index, then from the next session on the model can focus on a single fitting topic, and the depth goes up.

    2. Hand off a session that’s grown long with a report. Talk about one topic long enough and the context window fills up. When you start to see the answer quality wobble as the desk gets narrow, that’s the moment to have it leave a work report as a markdown file. What decisions were made, what unresolved tasks remain, what to start with in the next session — all organized into one document. Open a new session, have the freshly born AI read only that markdown, and it catches up to the same spot fast.

    AI session handoff — the report becomes the next session's input
    When a freshly born AI receives the markdown report and opens it up, it can pick up from the same spot.

    3. Make a retrospective mandatory at session close. When the work is done, have it briefly reflect — even a few lines — on what went well, what went sideways, and why. A retrospective looks like a by-product of that session, but it’s actually input material for the next one.

    4. Always fold the retrospective into instructions and memory. Run a retrospective and then let it drift off in the moment, and the same thing that made you angry recurs unchanged in the next session. Even a rule as simple as “next time, if pattern X shows up, run step Y first” — write it into instructions or memory, and it applies from the very first response of the next session.

    Nail these four down as operating habits and the sheer frequency of getting angry drops surprisingly fast. It’s not that the AI got smarter; it’s more accurate to say I mismanaged it less often.

    Conclusion — your AI’s output is a mirror of how you run it

    Anger at AI, when you look into it, is often a mirror of your own operating skill. Did you drag a single topic on too long? Mix it with other topics? Start the next session with no retrospective? Skip writing into instructions and memory what went wrong and why? Nearly everything that makes you angry traces back to an omission at the operating layer.

    Venting at AI is, in a sense, close to dumping your own operating responsibility onto the model. But the model can’t pay that debt back. The AI that produces the next response isn’t the one that just apologized — it’s a different AI, born fresh in the same seat. Anger lingers there for a moment; it doesn’t carry over to the next session. What carries over is only the token charge and the eroded context.

    In the one minute you could spend lobbing a line of anger, throwing in “analyze step by step what went wrong, and report what to write into which memory so you don’t make the same mistake again” is the direction that protects your own resources.

    Questions I get a lot in practice

    Q1. Does cursing at AI or using rough language actually make the answers worse?

    It’s hard to assert that answer quality drops in direct response to the anger itself. But when rough language goes in, you do often see the model try to match that tone, or generate long auxiliary responses — apologies, excuses — that suck output tokens away from the original work. The likely upshot is that for the same number of tokens spent, you get less done.

    Q2. So is it better to open new sessions often?

    When the topic changes, opening fresh is the better call; within the same topic, dragging it on but handing off with a report is better. Opening new sessions indiscriminately also leads to context loss. The key is the timing — leaving a report and moving on when you see the signs that the session’s desk is getting narrow. That timing shifts with the nature of each task, so you have to develop a feel for it yourself, as the person who knows the work best.

    Q3. How are memory and an instruction file like CLAUDE.md different?

    Roughly speaking, memory is closer to general information about you (preferences, role, frequent patterns), and an instruction file is closer to a project’s rules (how to work, output formats, things not to do). The two are complementary, so cramming all the information into just one side tends to create gaps. The good news is you don’t have to keep all of this in your own head — just tell Claude to check whether the instructions and memory have grown too long or hold anything unnecessary, and to clean up and reinforce them itself.

    Q4. What exactly does “saving tokens” reduce?

    It cuts three things at once: (1) billing cost or usage-cap burn, (2) how much of the context window is occupied, and (3) the band of context the model can attend to in the next response. The latter two don’t show up on a direct invoice, but they come back as a bigger cost — answer quality.

    What to read next

    Sources

  • AI에게 화풀이하면 나만 손해

    AI에게 화풀이를 하면 그 순간은 후련하지만, 그 한 마디를 만든 비용까지 그대로 청구된다. AI는 짜증 섞인 한 문장을 받자고 어제부터 쌓인 대화 전체를 다시 한 번 읽고 답하기 때문이다.

    한 줄 요약

    • AI 세션은 매 응답마다 새로 시작된다. 즉, 이전 대화를 처음부터 다시 읽어 맥락을 재구성한 뒤 답을 만든다.
    • “야 왜 이래” 한 마디도 그 비용을 똑같이 청구한다. 토큰 · 시간 · 사용량 한도가 다 같이 깎인다.
    • AI가 답답하게 굴면 화를 내는 대신 원인을 분석시키고 결과를 지침과 메모리에 반영하는 방향이 답변 품질 개선에 도움이 된다.

    AI는 매 응답마다 새로 태어난다

    많은 사람들이 AI를 기억을 가진 비서라고 느끼는 듯하다. 어제 나눈 이야기를 오늘도 이어가는 동료처럼 다가오기 때문이다. 그런데 내부 구조는 사람의 기억과 전혀 다르게 작동한다.

    대규모 언어 모델은 본질적으로 상태를 가지지 않는다. 모델 자체가 어제의 대화를 기억해두는 게 아니라, 매 호출마다 클라이언트가 그동안의 대화 전체를 다시 입력으로 넣어주고, 모델은 그걸 처음 보는 자료처럼 읽어서 다음 답을 만든다.

    Anthropic의 “Context windows” 문서에서도 “각 사용자 메시지와 모델 응답은 컨텍스트 윈도우 안에 누적되며, 이전 턴은 완전히 보존된다(Previous turns are preserved completely)”고 하여 답변할 때마다 누적되어 보존된 이전 대화 내용 전체를 읽는다는 점을 분명히 하고 있다. 그리고 누적이 많아질수록 답변의 정확도와 회상 능력이 떨어지는 현상이 일어나는데 이를 “context rot”이라 부른다. 즉, 화풀이 한 마디가 들어간 만큼 이 누적량이 늘고, 누적이 늘면 그 다음 답의 품질이 같이 떨어진다.

    또한, 사용자 입장에서는 한 세션 안에서 대화가 매끄럽게 이어지는 것처럼 보인다. 그래서 하나의 AI가 대화를 이어가는 것처럼 보이지만 실제로는 한 번의 답이 나올 때마다 그 답을 만든 그 AI는 사라진다. 그리고 사용자가 다시 대화를 시작하면 새로운 AI가 등장하여 세션에 쌓인 모든 대화를 처음부터 다시 한 번 읽어내려간 후 답변을 하고 사라진다.

    비유하자면 회사에 신입사원이 매번 새로 들어오는 상황이다. 신입사원이 어제 다른 신입직원이 적어둔 회의록을 처음부터 끝까지 다 읽은 다음에 한 줄을 쓰고 바로 회사를 떠난다. 그 다음 신입이 또 새로 들어와서, 어제 회의록 + 방금 한 줄까지를 또 처음부터 다시 읽고 다음 한 줄을 쓴다. 사용자는 한 사람과 매끄럽게 대화하는 것 같지만, 실제로는 매 줄마다 담당자가 달라지는 셈이다.

    정리하면 오늘 컴퓨터를 켜고 어제 10번 문답을 주고받은 세션에서 “안녕?”이라고 보내면, AI는 “안녕”이라는 메시지만 인식하고 답변하는 것이 아니라 어제의 모든 대화를 다시 한 번 통째로 읽어들인 뒤에 “안녕하세요?”라는 답변을 돌려준다. 인사 한 줄을 받기 위해 어제 분량 전체를 재처리한 셈이다.

    화를 내면 후련하지만 토큰은 의미 없이 사라진다

    AI 이용자라면 AI가 답답한 소리를 하거나 당당하게 거짓말을 할 때 화가 치민 경험을 했을 것이다. 나도 AI에게 참 거친 말을 많이 뱉었고, AI가 사과하면 어딘가 후련한 느낌이 들기도 했다.

    LLM은 글자가 아니라 토큰 단위로 입력과 출력을 처리한다. 한글 한 문장은 보통 수십~수백 토큰 분량으로 변환되어 모델에 들어가고, 모델은 그 토큰들을 모두 다시 읽은 뒤 출력 토큰을 한 개씩 만들어낸다. 입력 토큰 · 출력 토큰은 모두 비용이다. 사용량 한도에서 차감되거나, 결제 청구액으로 잡히거나, 컨텍스트 윈도우라는 작업 책상의 공간을 점유한다.

    그래서 화풀이 한 마디도 비용이 된다. 예를 들어 어제 5만 토큰 분량의 대화를 쌓아둔 세션이 있다고 해보자. 거기에 “너 왜 거짓말하냐. 진짜 답답하네”라는 짧은 메시지를 더하면, 모델은 어제의 5만 토큰 + 오늘의 화풀이 한 마디를 합쳐 다시 처리한 뒤 “죄송합니다, 제가 잘못했습니다”라는 짧은 답변을 뱉고, 그 출력 토큰까지 비용으로 청구한다.

    이렇게 되면 사용자에게는 아래와 같이 손해가 발생한다.

    1. 결제 비용: API를 직접 쓰거나 유료 플랜을 쓰면 토큰 청구액이 그대로 늘어난다. 사용량 한도가 있는 플랜은 그 한도가 그만큼 줄어든다.
    2. 남은 컨텍스트 길이: 컨텍스트 윈도우는 작업 책상 같은 자원이다. 화풀이로 한 줄을 더 얹으면 그만큼 진짜 작업을 위한 공간이 줄어든다. 한도는 모델·플랜별로 다른데, 2026년 5월 기준 Claude는 웹·앱에서 대화할 때 기본 200K 토큰을 쓰고, Sonnet 4.6·Opus 4.6·Opus 4.7 모델은 모든 유료 플랜에서 500K 토큰까지 늘어난다(Anthropic Help Center). 개발자용 API에서는 Opus 4.7과 Sonnet 4.6이 1M 토큰까지 지원한다(Claude API — Models overview). ChatGPT는 Business 플랜 기준으로 Instant 모델이 32K, Thinking·Pro 모델이 196K다(OpenAI Help — ChatGPT Business Models & Limits). 같은 청구 한도를 쓰더라도 어느 모델·플랜을 쓰느냐에 따라 화풀이 한 마디가 잠식하는 비율이 달라진다.
    3. 다음 답의 깊이: 책상이 좁아질수록 모델이 신경 쓸 수 있는 맥락의 폭도 좁아진다. 그리고 이건 단순히 책상이 다 차면 못 본다는 차원이 아니다. Chroma의 Context Rot 연구는 GPT-4.1·Claude 4·Gemini 2.5·Qwen3 등 프론티어 모델 18종을 검증한 결과, 윈도우 한도에 도달하기 한참 전부터, 단순한 작업에서도 retrieval 정확도가 유의미하게 떨어진다고 보고했다(Chroma Research — Context Rot). Stanford·UC Berkeley 연구진의 “Lost in the Middle”(TACL 2024) 논문은 동일 윈도우 안에서도 중간에 있는 정보는 시작·끝 정보보다 뚜렷하게 부정확하게 활용되는 U자형 곡선을 보여줬다. Anthropic도 Effective context engineering for AI agents에서 컨텍스트를 유한 자원이자 수확체감(diminishing marginal returns)이 작동하는 영역으로 정의했다. 즉 화풀이 한 마디가 채워 넣은 토큰은 책상 공간만 잠식하는 게 아니라, 그 다음 답이 정작 중요한 정보를 중간에서 놓칠 확률 자체를 끌어올린다.

    요약하면 후련함은 5초, 비용은 그 세션 끝까지 따라온다.

    화내는 대신 분석을 지시하자

    그래서 나는 AI에게 화를 내는 대신 반성을 시킨다.

    “방금 답변에서 사실관계가 어긋난 부분이 있다. 어느 지점이 문제였는지, 너의 어떤 추론 단계가 어긋났는지, 어떤 정보가 누락됐는지 단계별로 분석해. 다음에 같은 실수를 반복하지 않으려면 내가 너에게 어떤 지침이나 메모리를 미리 갖춰두어야 하는지도 구체적으로 적어.”

    이렇게 시키면 AI는 다른 인격이 된 듯이 자기 답을 분해한다 — 직전 답에 대한 수치심이 없어서 가능한 일인 듯하다 (이 부분은 AI 질문 잘하는 법 — 규칙 2 자기비판에서 다룬 자기비판 구조를 참고하면 좋다). 그리고 그 분석 결과는 이번 세션에 일회성으로 참고하고 끝나는 게 아니라, 지침 파일 · 메모리 파일에 적어 두면 다음 세션부터 같은 실수를 반복하지 않게 도와준다.

    화내는 1분과 분석시키는 1분의 그 다음 한 달은 완전히 다른 모습이다. 화는 0% 개선이지만, 분석은 그 결과가 누적된다.

    이 패턴이 잘 작동하려면 기록할 자리가 있어야 한다. 클로드 데스크톱의 메모리 기능, 코워크의 CLAUDE.md 같은 프로젝트 헌법, 또는 본인이 직접 관리하는 메모장 등 어디든 좋다. 다만 한 번 정한 자리에는 매번 같은 흐름으로 쌓아야 검색되고 재사용된다.

    AI를 똑똑하게 만드는 운영 노하우 4가지

    그동안 시행착오로 만들어둔 4가지 운영 습관이 있다.

    1. 주제 다르면 세션을 분리한다. 한 세션에 법무 검토 · 블로그 글 작성 · 가계부 정리 · 자녀 교육 고민이 한꺼번에 들어가면, 모델은 분쟁 · 자료 · 결제 · 자녀라는 이질적 맥락을 매번 같이 재처리해야 한다. 책상에 신경 쓸 게 많아지면 사람도 실수가 많아지듯, 세션 안에서도 맥락 충돌이 늘어난다. 코워크에서 주제 단위로 세션을 분리해두고 인덱스를 만들어 달라고 시키면, 다음 세션부터 모델은 적합한 한 가지 주제에만 집중하기 때문에 깊이가 올라간다.

    2. 길어진 세션은 보고서로 핸드오프한다. 한 주제로 오래 대화하면 컨텍스트 윈도우가 차오른다. 책상이 좁아질수록 응답 품질이 흔들리는 게 보이기 시작하면, 그 시점에 작업 보고서를 마크다운 파일로 남기게 한다. 어떤 결정을 했고, 어떤 미해결 과제가 남았고, 다음 세션에서 무엇부터 시작해야 하는지를 한 문서에 정리한다. 새 세션을 열고 그 마크다운만 읽게 하면, 새로 태어난 AI가 빠르게 같은 자리로 따라온다.

    3. 세션 종료 시 회고를 의무화한다. 작업이 끝나면 무엇이 잘 됐고, 무엇이 어긋났고, 그 원인이 무엇인지 짧게라도 회고시킨다. 회고는 그 세션의 부산물처럼 보이지만, 사실은 그 다음 세션의 입력 자료가 된다.

    4. 회고 결과를 반드시 지침 · 메모리에 반영한다. 회고를 시켜놓고 그 자리에서 흘려보내면 같은 화날 일이 다음 세션에 그대로 재발한다. “다음에는 X 패턴이 보이면 Y 단계를 먼저 거친다” 정도의 규칙이라도 지침 · 메모리에 적어두면, 다음 세션의 첫 응답부터 그 패턴이 적용된다.

    이 4가지를 운영 습관으로 박아 두면, 화날 빈도 자체가 의외로 빠르게 줄어드는 듯하다. AI가 덜 똑똑해진 것이 아니라, 내가 운영을 덜 망친 것이라고 보는 게 정확한 표현일 듯하다.

    결론 — AI 결과물은 운영 능력의 거울이다

    AI에 대한 분노는, 들여다보면 내 운영 능력의 거울인 경우가 많다. 같은 주제를 너무 오래 끌었는지, 다른 주제와 섞었는지, 회고 없이 다음 세션을 시작했는지, 지침 · 메모리에 왜 잘못했는지를 적어두지 않았는지 등 거의 모든 화날 일이 운영 단계에서의 누락에서 출발한다고 보면 된다.

    AI에게 화풀이를 하는 건 어떤 의미에서는 내 운영책임을 모델에게 떠넘기는 행위에 가까운 듯하다. 그러나 그 부채는 모델 쪽에서 갚지 못한다. 어차피 다음 응답을 만드는 AI는 방금 사과한 AI가 아니라 같은 자리에 새로 태어난 다른 AI다. 화는 그 자리에 잠깐 머물 뿐, 다음 세션으로 이월되지 않는다. 이월되는 건 토큰 청구액과 컨텍스트 잠식뿐이다.

    화를 한 마디 던질 수 있는 그 1분에, “왜 잘못했는지 단계별로 분석하고, 다음에 같은 실수를 안 하려면 어떤 메모리에 무엇을 적어야 하는지 보고해” 한 줄을 던지는 편이 내 자원을 지키는 방향이라고 본다.

    실무에서 자주 받았던 질문

    Q1. AI에게 욕을 하거나 거친 말을 쓰면 답변이 실제로 나빠지나?

    답변 품질이 분노 자체에 반응해 떨어진다고 단정하긴 어렵다. 다만 거친 말이 들어가면 모델이 그 어조에 맞춰 답하려 하거나, 사과 · 변명 같은 보조 응답을 길게 생성하면서 원래 작업에 쓰일 출력 토큰이 그쪽으로 빨려 들어가는 패턴은 자주 보인다. 결과적으로 같은 양의 토큰을 써도 얻는 분량이 줄어들 가능성이 높다.

    Q2. 그러면 세션을 자주 새로 여는 게 좋은가?

    주제가 바뀌면 새로 여는 쪽이 낫고, 같은 주제 안에서는 오래 끌되 보고서로 핸드오프하는 쪽이 낫다고 본다. 무조건 자주 여는 것도 컨텍스트 손실로 이어진다. 핵심은 세션의 책상이 좁아지는 신호가 보일 때 보고서를 남기고 옮기는 타이밍이다. 이건 개별 업무의 특성에 따라 달라지는 것이라 업무를 가장 잘 아는 사람 스스로 그 타이밍을 감각적으로 익혀야 한다.

    Q3. 메모리와 CLAUDE.md 같은 지침 파일은 어떻게 다른가?

    메모리는 사용자에 대한 일반 정보(선호 · 역할 · 자주 쓰는 패턴 등)에 가깝고, 지침 파일은 프로젝트의 규칙(작업 방식 · 출력 양식 · 금지 사항 등)에 가깝다. 둘은 보완 관계라서, 어느 한쪽에만 정보를 몰아두면 누락이 생기기 쉽다. 그런데 내가 일일이 숙지할 필요 없이, 클로드에게 지침 · 메모리가 너무 길지는 않은지, 불필요한 내용은 없는지 스스로 점검하고 보완하라고 시키면 된다.

    Q4. 토큰을 아낀다는 게 구체적으로 무엇을 줄이는 건가?

    크게 세 가지를 같이 줄인다. (1) 결제 비용 또는 사용량 한도 소진, (2) 컨텍스트 윈도우의 점유 분량, (3) 다음 응답에서 모델이 신경 쓸 수 있는 맥락의 폭. 후자 두 가지는 직접적인 청구서에는 안 보이지만, 답변 품질이라는 더 큰 비용으로 돌아온다.

    다음 읽을 글

    참고 출처

  • “판사를 AI로 대체하자” — 사법부에 대한 불신이 만들어 낸 목소리

    “판사를 AI로 대체하자” — 사법부에 대한 불신이 만들어 낸 목소리

    법관 관련 기사 댓글창에서 ‘AI 판사로 바꾸자’는 외침이 베스트 댓글이 되는 풍경. 어떤 이는 이를 삼권분립도 모르는 감정적 정책제안이라 비웃지만, 내 눈에는 국민들의 사법부에 대한 인식을 여과 없이 보여주는 경고음으로 보인다. 기업 법무팀에서 수많은 민사소송을 수행하며 본 법관들의 두 얼굴, 그리고 ‘AI 판사’라는 외침이 멈추지 않는 배경을 정리한다.

    1. AI 판사가 베스트 댓글이 되는 풍경

    법관이나 판결 관련 기사의 댓글창은 어느새 한 가지 패턴이 됐다. 그중에서도 ‘AI 판사’를 호명하는 댓글이 추천 상위를 차지한다.

    “판사 가족이 그랬어도 저 형량 나왔겠냐.”
    “판사 욕하지 마라, 법 만든 국회의원 욕해라.”
    “그냥 판사는 AI로 바꾸자.”

    추천을 많이 받는 댓글이 거의 비슷하다. 사법부 관계자들도 이 댓글들을 볼 것 같은데, 이를 단순한 조롱이나 무지성 정책제안으로만 보면 그저 국민들의 사법부에 대한 인식을 흐린 눈으로 보는 것이다. “AI 판사”를 외치는 국민 중 진심으로 사람보다 AI가 객관적이고 감정적이지 않으니 낫다고 생각하는 사람도 있을 것이고, 단지 사법부에 대한 반성촉구의 목적으로 말하는 사람도 있을 것이다. 어쨌건 중요한 포인트는 왜 이 말이 멈추지 않는가에 있다.

    이 글은 두 가지 질문에 답하려 한다. 첫째, AI 판사론은 왜 그 자체로는 답이 될 수 없는가. 둘째, 그럼에도 국민이 이 외침을 멈추지 않는 이유는 어디에 있는가.

    법관 관련 기사 댓글창에 'AI 판사로 바꾸자' 베스트 댓글이 떠 있는 모습

    2. AI 판사론은 정책으로는 성립하지 않는다

    2.1. 헌법이 가로막는다

    대한민국 헌법 제101조 제1항은 “사법권은 법관으로 구성된 법원에 속한다.” 고 규정하고 있다.

    이어 헌법 제101조 제3항은 “법관의 자격은 법률로 정한다”고 되어 있고, 이에 따라 법원조직법 제42조 제2항에 따르면 판사는 5년 이상의 경력을 가진 검사 또는 변호사 중에서 임용한다.

    또한, 헌법 제103조는 “법관은 헌법과 법률에 의하여 그 양심에 따라 독립하여 심판한다”고 정하고 있고, 여기서 “양심”이란 “법조인으로서의 객관적·직업적 양심”으로 보는 견해와 헌법 제19조 양심의 자유에서의 주관적 양심과 같다는 견해도 있다. 어떤 견해를 따르든 ‘양심’이란 사람 내심의 가치판단이라고 정의할 수 있다.

    그렇다면 알고리즘은 직업적 양심, 주관적 양심 어느 쪽에도 해당하지 않고, 설령 AI가 아무리 법률해석을 일반적인 법관보다 더 잘하게 되더라도 AI가 양심의 주체가 될 수 없는 이상 AI가 법관이 될 수 없는 것이다. 즉, 단순한 입법의 문제를 넘어 개헌의 문제이다.

    2.2. AI도 인간의 편견을 학습한다 — Loomis 사건

    설령 헌법을 바꾼다 해도 AI가 더 공정하다는 보장이 없다. 미국 위스콘신주의 State v. Loomis 사건이 이를 보여준다. 이 사건에서 법원은 COMPAS라는 위험평가 알고리즘을 양형 판단에 사용했고, 피고인 Eric Loomis는 6년형을 선고받았다 (출처: Loomis v. Wisconsin, Wikipedia).

    문제는 그 다음 분석에서 드러났다. 비영리 탐사보도 매체 ProPublica가 2016년 5월 발표한 분석에 따르면, COMPAS는 흑인 피고를 고위험군으로 잘못 분류할 확률이 백인의 약 두 배였다. 백인은 반대로 저위험군으로 잘못 분류한 뒤 실제 재범하는 사례가 많았다 (출처: “Machine Bias”, ProPublica, 2016-05-23).

    이건 우연한 결함이 아니다. AI는 학습 데이터를 통해 세계를 본다. 그 데이터가 인간의 과거 판결로 만들어졌다면, AI는 그 안에 깃든 편견을 제거하는 것이 아니라 증폭한다. “객관적 도구”라는 외피가 오히려 차별을 정당화한다. 위스콘신 대법원은 COMPAS 사용을 합헌이라 봤지만, 판사들이 그 한계를 충분히 이해하지 못하면 적법절차가 위협받을 수 있다고 판시했다 (출처: “State v. Loomis”, Harvard Law Review Vol. 130).

    즉, AI 판사가 인간 판사보다 더 공정할 것이라는 것은 그저 하나의 가설일 뿐이다.

    헌법 조문 앞에 선 AI 로봇 — AI 판사론의 법적 한계

    2.3. 그럼에도 핵심 질문은 남는다

    정치적인 이유를 배제하고 법률적·기술적인 한계만으로도 AI 판사는 현실화될 수 없다. 그런데 국민들이 이걸 모를까? 아주 논리적으로 설명하지는 못하더라도 우리나라에서 가장 강력한 힘을 가진 법조계가 절대 동의할 리 없다는 수준의 감각적인 판단으로도 충분히 불가능하다고 인지는 할 것이다. 그럼에도 ‘AI 판사’ 외침이 멈추지 않는다면, 그것은 정책 제안이 아니라 경고음으로 읽어야 한다. 이제 그 경고음의 이유를 데이터로 따져본다.

    3. 시민이 외치는 이유 — 객관 자료가 말한다

    3.1. OECD 사법신뢰도, 한국 33% vs 평균 54%

    OECD가 2023년 말 30개 회원국 약 6만 명을 대상으로 실시한 공공기관 신뢰도 조사(2024 발표)에서, 한국 국민의 법원·사법시스템 신뢰도는 33%였다. OECD 평균은 54%다 (출처: OECD Survey on Drivers of Trust in Public Institutions 2024 — Korea Country Note).

    OECD 사법신뢰도 한국 33% vs OECD 평균 54% 비교 인포그래픽
    한국 33% vs OECD 평균 54%.

    21%포인트 격차다. 그리고 같은 조사에서 한국인이 더 신뢰한 대상은 다음 순서였다.

    신뢰 대상신뢰 비율
    타인 (옆 사람)53%
    국제기구52%
    경찰42%
    정부37%
    법원·사법시스템33%
    언론30%
    국회21%
    정당20%

    한국인은 법원을 옆 사람보다, 외국 기관보다, 경찰보다도 덜 신뢰한다. 정부보다 낮다. 이 한 줄로 댓글창의 풍경은 설명이 끝난다.

    3.2. 서울지방변호사회 2025년도 법관평가

    서울지방변호사회는 2026년 1월 27일, 회원들이 1년간 작성한 법관 평가를 집계해 발표했다 (출처: “발언기회 10초·표정 안 좋다 노려보고 말끊고…막말판사”, 연합뉴스, 2026-01-27).

    결과는 둘로 나뉜다. 우수법관 72명, 하위법관 20명. 비율로는 약 3.6 대 1이다. 다수의 법관이 “재판 지휘력이 뛰어나고 당사자의 진술을 경청한다”는 평가를 받았다. 그러나 그렇지 않은 20명의 모습은 충격적이다.

    • 변호인을 선임하지 못하고 출석한 피고인을 보며 “아이 씨”라고 욕설
    • 재판 중 고성을 지르고 볼펜을 던짐
    • 변호인에게 “쓸데없는 소리 하지 마라”
    • 당사자에게 “발언기회 10초”
    • “표정 안 좋다”며 노려보고 말 끊기
    • “항소할 테면 해보라”, “법정에서 끌어내라”

    (출처: “판사가 고성 지르고 볼펜 던져… 고압적 태도·막말 판사 여전”, 세계일보, 2026-01-28 / “항소할 테면 해보라·법정서 끌어내라…막말 판사”, 조선일보, 2026-01-27).

    이런 사례는 한 해에 처음 등장한 것도 아니다. 일부 판사는 6년 동안 여러 차례 하위법관에 반복 선정됐다. 즉 시스템은 알고 있는데도 거르지 못한다는 뜻이다. 시민이 ‘AI 판사’를 호명하는 정서는 바로 이 지점에서 자라난다.

    3.3. 변협의 외부 평가, 대법원의 거부

    2025년 10월 30일, 변협의 법관 평가 결과를 법관 인사 평가에 공식 반영하겠다는 내용의 법원조직법 개정안이 발의됐다. 대한변호사협회는 즉각 환영 성명을 냈다. 그러나 대법원은 반대했다. 이유는 “객관성·공정성을 담보하기 어렵다”, “재판 공정성이 훼손될 수 있다”는 것이었다 (출처: “대한변협 ‘법관 인사평가에 변호사 평가 반영, 적극 환영’”, 이투데이, 2025-10-30).

    변협의 법관평가는 매년 회원 변호사들의 평가를 집계한 결과다. 그것을 “객관성이 부족하다”고 거절한 사법부의 입장이 합리적인지 여부는 별개로 두자. 외부의 평가 잣대가 들어오는 것 자체에 사법부가 저항하는 구조와 시민이 “AI”라는 외부 기준을 외치는 정서는 정확히 이 구도와 맞물려 있다.

    4. 법무팀으로 근무하면서 본 사법부의 두 얼굴

    법무팀에서 11년 동안 업무를 하면서 정확히 세어보지는 않았지만 적어도 200건이 넘는 민사소송을 직접 수행한 것 같다. 변론기일에 출석하거나 서면으로 응대한 법관의 수도 100명은 넘지 않을까 싶다.

    4.1. 80%는 존경 받아 마땅하다

    대부분의 판사님들은 존경 받을만 했다.

    증거까지 합치면 2,000 페이지가 넘는 기록들을 전부 숙지하고 들어오셔서 변론기일에 쟁점과 본질을 깔끔하게 정리해주시던 판사님, 양 당사자의 구두진술을 인내심을 가지고 친절하게 들어주시면서도 적절한 타이밍에 끊고 정리하며 사건의 본질에서 벗어나지 않도록 지휘해주시던 판사님, 변호사 없이 직접 변론기일에 참석한 당사자의 진술을 잘 이해하기 위해 계속 작은 질문을 던져주시고 그 진술을 요약해가며 방향을 잡아주시던 판사님 등 정말 다른 레벨의 사람이라는 점을 느끼게 해주신 분들이 머릿속을 스쳐간다.

    이런 판사님들을 만나고 법정에서 나올 때에는 정말 이 일을 하길 잘했다는 생각이 들기도 한다. 비율로 따지면 대략 10명 중 8명, 적어도 7명이 그랬다. 서울지방변호사회의 우수법관 72명 대 하위법관 20명 비율(약 3.6 : 1)과 큰 차이가 없다.

    법관 80%는 존경할 만하고 20%는 일탈자라는 비율 시각화

    4.2. 그러나 20%가 사법부의 얼굴에 먹칠을 한다

    문제는 나머지다. 내가 만난 최악의 판사들 이야기를 풀자면 밤을 새어도 부족하겠지만 그래도 딱 한 가지 에피소드만 들어보려 한다.

    우리 회사가 피고인 어느 민사사건의 첫 변론기일이었다.

    머리가 희끗한 딱 봐도 정년이 얼마 남지 않은 고령의 판사였다. 얼굴에는 어딘가 짜증이 가득했고, 법정 경위부터 법원 참여관들까지 바짝 경직되어 있었다.

    변론이 시작되었고 재판장이 원고에게 소장에 기재된 사실관계에 대해 질문하였다. 이에 원고가 구두로 진술을 하자 갑자기 재판장은 “그러니까 그 근거가 어디 있냐고! 그렇게 말하는 이유가 있을 것 아니에요!”라며 언성을 높이기 시작했다. 그리고는 바로 나에게 원고가 진술한 부분에 대해 인정하는지를 물었고 나는 “원고가 진술한 부분은 계약 종료 이후에…”라고 말머리를 떼는 순간, 재판장이 갑자기 소리를 질렀다.

    “그냥 예, 아니오로만 답하라고!”

    반말 섞인 일갈이었다. 그러나 그 사실관계는 단순히 “예/아니오”로 답할 수 없는 문제였다. 다시 설명을 시도했지만 재차 같은 고성이 돌아왔고 내가 “그 부분은 서면으로 정리해서 제출하겠습니다”라고 답변하니 재판장은 잠시 고성을 멈추고 나와 원고 측을 번갈아 노려보았다. 그렇게 끝난 줄 알았는데 판사는 목소리가 갈라질 정도로 수 분간 고성을 지르기 시작했다.

    변호사 시점에서 본 법정의 고압적 재판장

    수 분간의 호통이 잦아들고 나서야 재판장이 화가 난 진짜 이유를 이해했다. 첫째, 자기는 30년 넘게 법 공부만 해서 IT 분야를 전혀 모르는데 당신들 때문에 IT 공부까지 해야 하는지 모르겠다 둘째, 그래서 양 당사자가 무슨 주장을 하는지 모르겠으며 셋째, 왜 양쪽 모두 대리인 없이 본인소송을 하는지 이해할 수 없다는 것이었다.

    그 후부터 서면에 기술적인 내용은 쉽게, 비유를 들어가며 풀어쓰고, 판사의 이해를 돕기 위한 자료들을 첨부문서로 제출해도 달라지는 것은 없었다. 매 변론기일마다 판사는 일단 짜증부터 내었고, 내가 낸 서면을 고사하고 원고가 제출한 불과 3페이지 분량의 서면도 읽지 않은 티가 났으며, 3차 변론기일에는 시작하자마자 10초 정도 침묵하더니 “나보고 뭐 판결문을 어떻게 쓰라는건지 모르겠어요.”라고 한 마디를 툭 던지더니 바로 다음 기일을 잡았다.

    그렇게 고성으로 가득한 변론기일을 7차까지 진행한 후에야 변론이 종결되었고 판결문이 나왔는데, 그야말로 엉망이었다. 사실관계도 제대로 파악하지 못했고, 논리도 엉망이었다. 그냥 원고가 청구한 금액을 딱 반 잘라서 인정하고 논리를 끼워 맞춘 느낌이었다. 이럴 거면 그냥 화해권고결정을 하든지… 당연히 양측 모두 항소했다.

    내가 진짜 열 받았던 포인트는 변호사 유무에 따라 판사의 태도가 완전히 달랐다는 것이다. 바로 앞 사건에서는 변호사가 3분이 넘게 구두진술을 해도 끝까지 경청했고, 건축물 하자 관련 사건에서 기술적인 이야기가 나와도 자기가 잘 이해되지 않는 지점이 무엇인지 친절하게 짚어주었고, 변호사가 제출한 수십 페이지 분량의 서면을 화면에 띄워놓고 어떤 점을 보완해야 하는지를 하나하나 짚어주는 서비스 마인드까지 보여주었다. 그러나 변호사가 없는 당사자의 말은 그저 소음인 것처럼 끊고 화를 내었다.

    우리 헌법은 법관의 양심에 따라 독립하여 심판하라고 했지 자기 기분대로, 왕처럼 굴라고 한 적은 없다. 그 양심이 사건의 무게가 아니라 출석한 대리인의 유무에 따라 작동한다면 그것은 이미 양심이 아니다.

    4.3. 민원의 결말

    이 사건 직후 국민신문고를 통해 해당 법관의 태도에 대해 민원을 제기했고, 며칠 후 대법원 감사실 담당자와 20분 정도 통화도 했다. 하지만 아무런 소득은 없었다.

    “녹취 등 증거가 없으면 저희가 할 수 있는 게 없습니다. 이대로 종결처리 하겠습니다.”

    법정 녹음은 신청해야만 이뤄지고, 그조차 사용 범위가 제한된다. 즉 법정 안에서 일어난 일은 법정 안에서만 입증된다. 자정 시스템의 입구에 있는 첫 번째 문이, 사실상 닫혀 있다. 시민이 ‘AI 판사’를 외치게 만드는 구조적 원인은 여기에 있다.

    5. 소수가 다수를 망친다 — 그러나 사법부에서는 비용이 다르다

    어떤 조직이든 소수의 일탈자가 다수를 욕먹게 만든다.

    난 해병대 출신이고, 해병대에 대한 자부심을 늘 마음 속에 품고 산다. 그래서 소수 해병들이 해병대 이미지를 망치는 것을 보면 속상하고 때로는 그들 때문에 다수의 해병들까지 피해를 보는 상황이 싫다. 그래도 소수의 탓이라고 돌릴 생각은 없다. 해병대의 엄격한 서열문화와 군기, 자부심을 자기 편의대로 해석하여 구타와 가혹행위를 정당화하는 변종들이 생겨났고, 문제의 원인은 그 변종들의 등장을 조기에 예방하거나 박멸하지 못한 해병대 문화나 프로세스에 있기 때문이다.

    부정적인 편견과 싸우고 있는 집단들, 가령 기독교, 간호사, 검찰, 교사 등도 다르지 않다.

    그런데 사법부는 사법부라는 조직에 속하지 않은 누군가의 인생 자체를 좌지우지 한다는 점에서 그 일탈자 1명의 비용이 다른 어떤 조직보다 비대칭적으로 크다.

    6. 사법부는 자정할 수 있는가

    6.1. 법관의 일탈을 막을 제도는 있다

    법원조직법 제45조 제3항에 따르면 판사의 임기는 10년이다. 임기가 끝나면 같은 법 제45조의2에 따라 인사위원회 심의와 대법관회의 동의를 거쳐 연임 발령이 이루어진다. 그리고 같은 조 제2항은 다음 어느 하나에 해당하면 연임시키지 아니한다고 적혀 있다.

    1. 신체상 또는 정신상의 장해로 판사로서 정상적인 직무를 수행할 수 없는 경우
    2. 근무성적이 현저히 불량하여 판사로서 정상적인 직무를 수행할 수 없는 경우
    3. 판사로서의 품위를 유지하는 것이 현저히 곤란한 경우

    문제는 현실에서 작동하는지 여부이다.

    6.2. 작동하지 않는다 — KBS의 0건

    KBS는 2020년 10월 6일 보도에서, 막말 판사에 대한 진정이 다수 접수되어 왔지만 그 가운데 법관징계위원회에 정식 회부된 건은 단 한 건도 없다고 보도했다 (출처: “소장 개판·말도 하지 마라 막말 판사들…징계는 0건”, KBS, 2020-10-06).

    진정이 들어오지 않는 게 아니다. 들어와도 위원회 문턱을 넘지 못한다. 그리고 첫 막말 징계 사례조차 처분 수위가 견책에 그쳤다. 2013년 서울동부지법의 한 부장판사가 60대 증인에게 “늙으면 죽어야지요”라고 발언한 사건이었다. 법관징계법상 3종 징계 중 최하위였다 (출처: “대법원 ‘막말 징계’ 1호”, 뉴데일리, 2013-01-12 / “또 막말 판사… 대법원은 징계의 실효성 높이라”, 문화일보 사설, 2013-03-08).

    세계일보가 2021년 2월에 발표한 탐사기획 ‘법관과 징계’는 한 발 더 들어갔다. 뇌물·성추행이 적발된 법관도 법복을 벗으면 징계가 종결된다는 것, 변호사·법학자 설문에서 85%가 “법관에 맞춘 징계기준이 필요하다”고 답했다는 것, 한상희 건국대 법학전문대학원 교수의 표현으로는 “봐주기 관행은 외국에도 있으나 우리나라가 좀 심한 편”이라는 것이다 (출처: “뇌물·성추행 걸려도 법복 벗으면 끝… 관대한 내부 잣대”, 세계일보, 2021-02-08 / “제 머리 못 깎는 사법부… 85% ‘법관에 맞춘 징계기준 필요’”, 세계일보, 2021-02-10).

    조문은 있고, 위원회도 있고, 임기도 10년 단위로 갱신된다. 그러나 결과는 이번 회기에도 같은 법관이 또 하위법관에 선정된다는 것이다.

    6.3. 외부 평가는 막힌다

    3장에서 적었듯, 변협의 법관평가를 인사평가에 반영하자는 시도는 사법부의 거부에 막혔다. 국민이 “AI”를 호명할 때 사법부가 받아들여야 할 메시지는 AI 도입을 검토하라가 아니라 외부의 평가 시선을 차단해 온 구조를 다시 보라는 것이다.

    헌법 정신에 따라 제대로 작동하는 사법부에 대한 국민의 바람

    7. 결론 — 국민은 사실 AI 판사를 원하지 않는다

    국민이 “AI 판사”를 외치는 것은 인공지능에게 인생이나 국가권력을 맡기겠다는 뜻이 아니다. 판사가 인간이기 때문에 좋은 점 즉, 양심, 자비, 통찰, 균형 등이 작동하지 않을 때 차라리 유도리 없는 예외 없는 일관성이라도 달라는 외침이다.

    그 외침의 답은 AI에 있지 않고 사법부 안에 있다. 80%의 존경할 만한 법관 곁에 20%의 일탈자가 같은 권한으로 앉아 있고, 그 일탈자에 대해 제도의 문장은 있는데 제도의 손은 닿지 않는다. 그리고 그것을 외부에서 도와주려는 시도조차 거부된다. 이 구조가 그대로면, 댓글창의 베스트는 앞으로도 같은 자리에 앉아 있을 것이다.

    국민은 AI 판사를 원한 적이 없다. 그저 헌법 정신에 따라 제대로 작동하는 사법부를 원한다.

    관련 글

  • The Reward Trap — How Sticker-Raised Kids Grow Into Adults Who Can’t Adapt to AI

    The Reward Trap — How Sticker-Raised Kids Grow Into Adults Who Can’t Adapt to AI

    Key Takeaway

    The real edge in the AI era is the ability to learn fast and let go fast. Kids raised on external rewards — gold stars, allowance for grades, prize-for-performance loops — grow into adults who can’t put down their tools. Psychology has a name for it: the overjustification effect. A 1973 Stanford drawing study showed that the mere expectation of a reward cut kids’ intrinsic interest by about half. Meanwhile, the World Economic Forum projects that 39% of core job skills will change by 2030. The adults who’ll struggle most are the ones whose identity is welded to a skill they’re afraid to drop. I’m a father in my thirties, and this post is what I’ve been thinking about while watching colleagues at my company resist AI — and what I want my kids to grow up understanding.

    Two Camps in My Office

    Two faces of the office — AI adopters and skill clingers
    Two camps share the same office now: those leaning into AI and those holding tight to what made them stand out.

    The company I work at is aggressively pro-AI. Executives, middle managers, individual contributors — almost everyone uses AI in some form. And by “uses,” I don’t mean “asks ChatGPT a question once a week.” I mean building automations, restructuring workflows, treating AI as part of the toolchain.

    In that environment, the holdouts stand out. They’re the people who reject AI integration, push back on AX (AI transformation) projects, and keep doing the work the old way.

    Here’s the thing nobody says out loud: the holdouts are usually the company’s strongest individual contributors. The Excel wizard who automated half of finance. The deck-builder whose slides made the room go quiet. The researcher who could outpace anyone on background work. Before AI, those skills were their moat.

    When AI shows up, they hesitate. They argue: “AI can’t do that.” “I’m faster doing it myself.” “The verification overhead cancels the speed gain.” All true, technically. Spending two hours on prompts and reviewing outputs to replace one hour of work you can do in your sleep is not a productivity win.

    But underneath the technical objections, there’s a different feeling. If I hand my best skill to AI, anyone can copy it. If anyone can copy it, my position erodes. I’ve watched colleagues quietly look for jobs at companies that haven’t gone all-in on AI yet — somewhere their old moat still holds.

    I get it. Up until late last year, I was that guy too. I told myself, “AI is too unreliable for legal work — at best a sidecar tool, never a real transformation lever.” That story let me protect what made me valuable. So I have a lot of empathy for the holdouts. They’re not being lazy. They’re protecting a reward structure their identity is built on.

    Why “I Earned It” Quietly Becomes a Trap

    We all carry a deep instinct: effort should pay off. I studied hard, so I deserve the grade. I put in late nights, so I deserve the promotion. I spent years getting this certification, so I deserve to keep working in this field.

    Nothing wrong with the instinct in moderation. People won’t sustain effort without some promise of reward. The problem starts when the instinct hardens into an unwillingness to let go of any reward structure that’s already paying out.

    Holding tight to old tools while ignoring the new one
    Letting AI take over a hard-won skill rarely feels like an upgrade. It feels like giving up part of yourself.

    If you’ve spent a decade sharpening a single skill, that skill is no longer just a skill — it’s part of how you describe yourself. It’s the proof of who you are without needing to explain. Handing it to AI isn’t “switching tools.” It feels like dismantling the structure you used to stand on.

    So the holdouts find reasons to refuse. They emphasize AI’s limits, double down on their own accuracy, and run the math on retraining costs. The reasons sound rational — many of them genuinely are. Underneath the rationality, though, is a quieter sentence: “I worked too hard to build this to give it away.”

    This is the emotional root of what behavioral economics calls the sunk cost fallacy — the irrational pull to keep investing in something because of what’s already been invested. Sunk cost is the bookkeeping. The reward instinct is what makes it feel personal.

    Where the Reward Instinct Comes From — The 1973 Stanford Drawing Study

    In 1973, three Stanford psychologists — Mark Lepper, David Greene, and Richard Nisbett — ran an experiment with preschool kids that’s still cited in education and psychology today.

    They started with kids who already loved drawing on their own. Then they split them into three groups:

    • Expected reward: told in advance they’d get a “Good Player” certificate for drawing
    • Unexpected reward: drew without any promise, then surprised with a certificate at the end
    • No reward: drew, no certificate, no mention of one
    Stanford 1973 drawing experiment — expected-reward group's free-time drawing dropped about 50%
    1973 Stanford drawing experiment — kids in the reward-expected group spent about 50% less free time drawing afterward.

    A few days later, during free play, the researchers put paper and crayons out and watched. The result was sharper than anyone expected. The expected-reward group spent roughly half as much free-play time drawing as the other two groups.

    The researchers called it the overjustification effect. When an external reward is layered on top of an activity a child already enjoys, the child quietly rewrites the story: “Oh — I’m doing this because of the prize.” The moment the prize disappears, so does the motivation.

    “Children showing intrinsic interest in a target activity during base-line observations were exposed to one of three conditions… subjects in the expected-award condition would show less subsequent intrinsic interest in the target activity than subjects in either of the other two conditions.”

    — Lepper, M. R., Greene, D., & Nisbett, R. E. (1973). Journal of Personality and Social Psychology, 28(1), 129–137.

    External rewards pull behavior out in the short term. But they corrode the intrinsic motivation — the curiosity, the play instinct, the “I just want to” — that was carrying the behavior in the first place. Once that’s been rewired, a person who finds themselves in a no-reward environment loses the ability to start moving on their own.

    Self-Determination Theory and the External-Motivation Trap

    Lepper’s finding was extended by Edward Deci and Richard Ryan in Self-Determination Theory (SDT). They split human motivation into intrinsic and extrinsic strands and identified three psychological needs that fuel intrinsic motivation:

    1. Autonomy — the sense that I’m choosing this
    2. Competence — the sense that I can do this
    3. Relatedness — the sense that I’m connected to others through it
    Autonomy, competence, and relatedness combining into intrinsic motivation
    Self-Determination Theory — autonomy, competence, and relatedness combine to fuel intrinsic motivation.

    When all three are met, people can sustain behavior with no external prize attached. When external rewards start crowding out autonomy, the story flips: behavior becomes “I’m doing this for the reward,” not “I’m doing this because I want to.” Autonomy and competence weaken at the same time. The willingness to step into something new — a new tool, a new field, a new way of working — drops with them.

    The piece that matters here: the pattern is laid down in childhood and runs the rest of someone’s life. A kid raised on “study hard and you get pocket money,” “get a 100 and we’ll buy you a game,” “don’t skip the academy and we’ll go out to eat” learns to source their behavioral justification from outside themselves. As an adult, that becomes performance reviews, promotions, comp bands. And anything threatening those external rewards triggers a reflex: defend, resist, push back.

    The AI Era Rewards Fast Unlearning

    Times have shifted.

    Learning new things has always mattered. What’s different in the AI era is that letting go of what you’ve already learned matters just as much. A skill that was your personal moat yesterday becomes a feature anyone can use today, after a single AI update.

    About four years ago, I built a wildly complex Excel sheet for credit management. It took a week of late nights to put together, drew on years of experience, and was — without exaggeration — the best single deliverable in my career. Nothing comparable existed in my industry or adjacent ones. The structure and formulas only lived in my head. I’d been getting mileage out of it for years.

    AI rebuilt that same sheet in thirty minutes. I had to frame the problem and steer the work, sure, but watching years of effort get reproduced with one prompt was — I don’t have a clean word for it. Hollow comes close.

    AI rebuilt four years of Excel work in 30 minutes
    Watching AI rebuild four years of Excel work in thirty minutes was honestly deflating.

    That’s the point. Skills that took years to grind out stop being skills the moment technology catches up. Cling to them and the pace of change leaves you behind.

    The World Economic Forum’s Future of Jobs Report 2025 (January 2025) puts numbers on it.

    • 39% of core job skills will change by 2030. (Down slightly from the 44% projected in the 2023 report. The drop is attributed to corporate investment in reskilling absorbing some of the change.)
    • The fastest-rising skills are AI and big data, networks and cybersecurity, and technological literacy.
    • Alongside the technical skills, creative thinking, resilience, flexibility, agility, curiosity, and lifelong learning are projected to rise sharply on the human side.
    • Analytical thinking remains the single most-cited core skill, named by 70% of surveyed companies.
    WEF Future of Jobs 2025 — 39% of core skills changing by 2030
    WEF Future of Jobs 2025 — 39% of core job skills will change by 2030.

    The report says one thing in different ways: the people who survive are the ones who can absorb new skills fast and shed old ones just as fast. Anyone whose reward instinct keeps them welded to their existing toolkit will struggle on both ends.

    What Happens When a Reward-Driven Child Grows Up

    Back to my office.

    The colleagues who lean into AI have one thing in common, and it’s simpler than I expected. Their identity isn’t tied to a specific skill. Ask them to describe what they do and the answer sounds like “I solve whatever problem lands in front of me, and I want to be good at solving it.” The mode and the tooling can scramble underneath them — the goal stays put.

    The holdouts, by contrast, have an identity that’s almost fused with their signature skill. That skill is what made them visible at the company. It’s also the reward source that defined who they were. Letting it go feels like losing a limb.

    What’s probably playing out underneath: a learned reflex to recover whatever reward they’ve already earned, refined over decades of external-reward conditioning. The possibility that something new might pay off doesn’t outweigh the certainty that something they already have could be lost.

    This connects to loss aversion, a finding made famous by Daniel Kahneman: people feel a loss roughly twice as strongly as a gain of the same size. Future rewards from picking up a new tool are abstract. Losing the moat you already have is concrete. The stronger the reward instinct, the harder loss aversion bites.

    The depressing part is that by the time you notice this pattern in yourself in your thirties or forties, it’s already late. Realizing you’re being threatened at work and trying to rewire your motivation structure on the fly is not impossible, but it’s painful. The foundations of how you handle reward and change get poured in childhood.

    How Do We Raise Kids Differently

    The kids entering the workforce in the 2040s will see a faster pace of change than we have seen. So how do we raise them so they’re not welded to their first reward source — so they can actually move when the ground does?

    1. Praise the process, not the outcome

    Carol Dweck’s growth mindset research is famous for one finding: praise like “You got 100 — well done!” trains a child to chase outcomes. Praise like “You tried a new approach this time” or “You stuck with the hard problem” trains them to keep showing up for the next attempt.

    Outcome-praised kids tend to identify as “the smart one” and dodge new fields where they might not be smart yet. Process-praised kids identify as “the kid who tries”, and that identity treats every attempt as a self-worth deposit, regardless of result.

    2. Be careful about external rewards

    Pocket money, snacks, treats, screen time, sticker charts — none of it is bad in isolation. There are moments when external rewards genuinely help. But don’t bolt rewards onto activities your child already enjoys.

    Once a reward enters an already-fun activity, the child’s motivation rewires around the reward. Save external rewards for activities the child has low intrinsic interest in, treat them as temporary scaffolding, and fade them out as soon as the behavior takes hold.

    3. Model “letting go” yourself — especially in front of them

    Hard one to swallow, but important. If we want our kids to drop tools fast, we have to drop tools fast in their line of sight.

    Whenever we change something at home — a tool, a routine, the way we handle a chore — explain the change out loud. Why was the old way uncomfortable? How did I notice? What did I try? Did it work? When it didn’t, what did I do? The cycle of “try, drop, try again” is what we’re modeling, not the specific change.

    Father and son talk about why the cleaning brush changed

    A few months ago, our oldest (age four, six in the Korean count) asked why we had a new long-handled bathroom brush. I told him the truth: I’d been using a small handheld brush, kept scraping my hand on the floor, bought the long one to fix that, then discovered I couldn’t get enough pressure on the floor with it, so I switched back to the small one. He thought for a second and suggested I wear thick gloves next time. Conversations like that — “this is why I changed it; here’s what I learned; here’s what I might try next” — have become routine, and his resistance to change at home has dropped noticeably.

    A parent who’s risk-averse with change can tell a kid “you have to learn new things” all day. Kids follow what we do, not what we say.

    4. Ask “Why do you want to do that?”

    A parent asks why instead of giving a generic 'good job'
    Asking ‘why do you want to do that?’ instead of ‘good job’ shifts where a child’s motivation lives.

    This one is straight from Self-Determination Theory’s autonomy axis. When your child wants to start something, ask why before you say good job. The question gets them to surface their own motivation source.

    If the answer is “because mom will be happy” or “because the teacher praised me last time,” external motivation is doing the driving. If the answer is “because it’s fun” or “because I want to see what happens” or just “because I felt like it,” intrinsic motivation is alive.

    Asking the question regularly trains them to separate the two. Over time, they get better at noticing when their motivation is coming from outside themselves — and that awareness is what fuels self-starting in environments where no reward is attached.

    Closing — We Have to Model It First

    If I’m being honest, the audience for this post isn’t really our kids. It’s us.

    I’ve watched colleagues resist AX with a mix of empathy and frustration, and somewhere along the way I realized: the AI era will eventually be displaced by something else, and I’ll be standing in their shoes when it happens. Whatever I’m building skill in right now — whatever I’m proud of, whatever feels like my moat — the moment I can’t put it down, I’m the holdout in someone else’s office.

    If we want kids who aren’t trapped by reward instinct, we have to drop our own reward instinct first. The kind of adult our kids need to grow into is one who can put down yesterday’s tool today, who can move off a hard-won skill the moment a better one shows up. They learn that by watching us do it casually, not by being told to do it.

    The WEF’s list of rising human skills — curiosity and lifelong learning — is the same idea in different clothes. Knowing the answer matters less than being able to change the answer. The capacity to question your own toolkit, and discard it when you should, is what the AI era is asking for from grown-ups.

    AI took the problem-solving. Tools took the moat-building. What’s left is the judgment of what to pick up and what to drop. The foundation for that judgment is the motivation structure parents pour in childhood.

    The weight of a single sticker reconsidered
    The weight of a single sticker, reconsidered.

    So I’m thinking again, today, about the weight of one praise sticker.

    Further Reading

    • Lepper, M. R., Greene, D., & Nisbett, R. E. (1973). Undermining children’s intrinsic interest with extrinsic reward: A test of the “overjustification” hypothesis. Journal of Personality and Social Psychology, 28(1), 129–137. — APA PsycNet record
    • World Economic Forum, Future of Jobs Report 2025 (Jan 2025) — Report homepage
    • World Economic Forum, Future of Jobs 2025 — Chapter 3: Skills Outlook — Skills outlook chapter
    • Deci, E. L., & Ryan, R. M. — Self-Determination Theory: selfdeterminationtheory.org
    • Dweck, C. S. (2006). Mindset: The New Psychology of Success. Random House
  • 아이의 보상심리가 AI 시대 적응력을 망친다 — 외적 보상으로 키운 아이가 어른이 되면

    아이의 보상심리가 AI 시대 적응력을 망친다 — 외적 보상으로 키운 아이가 어른이 되면

    요약

    AI 시대의 핵심 경쟁력은 빠르게 배우고 빠르게 버리는 능력이다. 그런데 어릴 때 외적 보상에 길들여져 자란 사람일수록 자기 무기를 내려놓지 못한다. 이를 심리학에서는 과잉정당화 효과(overjustification effect)라고 부르며, 1973년 스탠퍼드의 그림 실험은 보상 기대만으로도 아이의 내적 동기가 50% 줄어든다는 것을 보여줬다. 세계경제포럼(WEF)은 2030년까지 근로자 핵심 역량의 39%가 바뀐다고 본다. 보상심리에 사로잡힌 어른이 가장 적응하지 못하는 시대다. 이 글은 회사에서 AX(AI 전환)에 저항하는 동료들을 관찰하며, 우리가 아이를 어떻게 키워야 할지 고민한 30대 아빠의 글이다.

    사무실에서 본 두 얼굴

    AX 적극파와 저항파가 공존하는 사무실 풍경
    AX에 적극적인 직원과 과거의 방식을 고집하는 직원이 함께 하는 시대에 살고 있다.

    우리 회사는 AX(AI 전환)에 매우 적극적이다. 대표이사를 포함한 경영진, 중간관리자들은 말할 것도 없고, 실무자들도 AI를 활용하지 않는 경우를 찾아보기가 어렵다. 여기서 AI를 활용한다는 것은 AI를 챗봇처럼 이용하는 것을 넘어 업무자동화 등 스스로 업무 효율성을 높이는 것을 의미한다.

    모두가 AI에 미쳐있고 열광하는 이 분위기 속에서도 AX에 부정적인 반응을 보이며 동참하지 않는 직원들이 있다.

    흥미로운 건 그들이 대부분 회사에서 자기만이 특출나게 잘하던 업무, 즉 본인의 무기가 뚜렷한 사람들이라는 점이다. 가령 엑셀 활용 능력이 너무 뛰어나서 엑셀로 거의 업무자동화를 하셨던 분, 만드는 PPT 장표마다 감탄사를 자아내게 했던 분, 리서치 능력만큼은 타의 추종을 불허했던 분 등이 있다. AI 시대 이전에는 그 스킬들을 무기로 회사에서의 입지를 굳건히 해왔다.

    그런 인재들이 AI 도입 앞에서 멈칫하고 있다. 그들은 “AI가 그건 못 한다”, “내가 직접 하는 게 더 빠르다”, “AI한테 시키면 검토하는 시간이 더 든다”고 말한다. 맞는 말이다. 본인이 익숙한 방식으로 1시간이면 끝낼 일을 AI에게 맡기느라 2시간 동안 프롬프트를 다듬고 결과물을 검수하는 건 누가 봐도 비효율이다.

    그런데 그 표면 아래를 들여다보면 다른 감정이 깔려 있다. 자기만의 무기를 AI에게 맡겨버리면 모두가 다른 직원들이 손 쉽게 그 무기를 갖게 된다는 불편함, 자기 입지가 흔들릴 것이라는 두려움, 오랜 시간 갈고 닦아 익숙해진 능력을 굳이 다른 도구로 옮겨가야 하는 낯설음이다. 실제로 AI 도입에 보수적인 회사로 이직을 하려는 직원도 있었다.

    사실 나도 작년 말까지는 법률지식으로 입지를 굳건히 하며 “AI는 데이터 정합성 면에서 취약하기 때문에 법무에서 AI는 보조도구일 뿐 AX로 가기는 어렵다”고 생각했던 사람이라 그들의 행동과 마음이 상당히 이해된다. 그들은 보상심리 때문에 AX에 저항하고 있다.

    고생한 만큼 보상받아야 한다는 마음이 적응을 막는다

    우리는 “고생한 만큼 보상받아야 한다”는 감각을 거의 본능처럼 갖고 산다. 시험 공부 열심히 했으니까 좋은 점수를 받아야 한다, 야근을 많이 했으니까 평가에 반영되어야 한다, 자격증을 따느라 시간을 쏟았으니까 그 분야에서 일해야 한다와 같은 마음을 들 수 있겠다.

    이 감각 자체가 잘못된 건 아니다. 인간이 노력을 지속하기 위해서는 어느 정도 보상의 약속이 필요하다. 문제는 이 감각이 ‘한번 얻은 보상의 원천’을 절대 놓지 않으려는 집착으로 변할 때다.

    낡은 도구 묶음을 끌어안고 새 도구를 외면하는 보상심리 메타포
    보상심리로 인해 지금까지 함께했던 나만의 무기를 버리고 새로운 도구를 받아들이기는 쉽지 않다.

    자기만의 스킬을 오랫동안 단련한 사람일수록 그 스킬에 자기 정체성을 투영해두었다고 봐야 한다. 그 스킬은 자기를 회사에서 보호해주는 장치이고, 자기가 누구라고 말하지 않아도 자신이 어떤 사람인지 말해주던 증명서다. 이걸 AI에게 양보한다는 건 단순히 도구를 바꾸는 일이 아니다. 자기를 지탱하던 보상 구조를 스스로 무너뜨리는 일처럼 느껴진다.

    그래서 그들은 어떻게든 이유를 찾아 거부한다. AI의 한계를 강조하고, 내가 일하는 방식의 정확성을 다시 강조하고, 새로 배우는 비용을 또 강조한다. 물론 합리적인 이유이긴 하나 이러한 태도의 뿌리는 사실 “내가 쌓아온 것을 지키고 싶다”는 보상심리이다.

    이는 행동경제학의 매몰비용 오류(sunk cost fallacy)와도 관련이 있다. 이미 쏟아부은 시간 · 돈 · 노력을 회수하려는 비합리적 집착이 매몰비용 오류라면, 보상심리는 그 정서적 뿌리라고 볼 수 있다.

    보상심리는 어디서 오는가 — 1973년 스탠퍼드의 그림 실험

    1973년, 스탠퍼드 대학의 마크 레퍼(Mark Lepper), 데이비드 그린(David Greene), 리처드 니스벳(Richard Nisbett) 세 심리학자가 유치원 아이들을 대상으로 한 가지 실험을 했고 그 결과는 지금까지도 교육학 · 심리학에서 중요하게 다루고 있다.

    먼저 연구진은 그림 그리기를 좋아하는 아이들을 세 그룹으로 나누었다.

    • 보상 기대 그룹: “잘 그리면 상장을 줄게”라고 미리 약속받고 그림을 그린 아이들
    • 예상치 못한 보상 그룹: 약속 없이 그림을 그렸는데, 끝나고 나서 상장을 받은 아이들
    • 무보상 그룹: 아무 보상 약속 없이, 보상도 받지 않은 아이들
    1973년 스탠퍼드 그림 실험 — 보상 기대 그룹의 자유시간이 약 50% 감소
    1973년 스탠퍼드 그림 실험 — 보상 기대 그룹의 자유시간이 약 50% 감소

    며칠 뒤, 자유 활동 시간에 아이들에게 색연필과 종이를 다시 줬다. 결과는 충격적이었다. 보상 기대 그룹은 다른 두 그룹에 비해 자유시간에 그림을 그리는 시간이 약 절반(50%) 줄었다.

    이 현상에 연구진은 과잉정당화 효과(overjustification effect)라는 이름을 붙였다. 원래 그 자체로 즐거워서 하던 일에 외적 보상이 끼어들면, 아이는 무의식적으로 자기 행동을 이렇게 재해석한다. “아, 내가 이걸 한 건 상을 받기 위해서구나.” 그 순간부터 보상이 사라지면 행동의 동기도 사라진다.

    “Children showing intrinsic interest in a target activity during baseline observations were exposed to one of three conditions… subjects in the expected-award condition would show less subsequent intrinsic interest in the target activity than subjects in either of the other two conditions.”

    Lepper, M. R., Greene, D., & Nisbett, R. E. (1973). Journal of Personality and Social Psychology, Vol. 28, pp. 129-137.

    즉, 외적 보상은 일시적으로 행동을 끌어내지만, 그 행동을 떠받치던 내적 동기(즐거워서, 궁금해서, 그냥 하고 싶어서)를 갉아먹는다. 따라서 한번 외적 동기 구조에 길들여진 사람은, 보상이 없는 환경에서 스스로 움직이는 능력이 약해진다.

    자기결정성 이론이 본 외적 동기의 함정

    이 발견은 이후 에드워드 데시(Edward Deci)와 리처드 라이언(Richard Ryan)의 자기결정성 이론(Self-Determination Theory, SDT)으로 확장됐다. 데시와 라이언은 인간의 동기를 외적 동기와 내적 동기로 나누고, 내적 동기를 떠받치는 세 가지 심리적 욕구를 제시했다.

    • 자율성(Autonomy): 내가 스스로 선택하고 있다는 감각
    • 유능감(Competence): 내가 할 수 있다는 감각
    • 관계성(Relatedness): 타인과 연결되어 있다는 감각
    자율성·유능감·관계성이 만나 내적동기가 발현되는 자기결정성 이론 다이어그램
    자율성·유능감·관계성이 만나 내적동기가 발현되는 자기결정성 이론

    이 셋이 충족되면 사람은 외적 보상 없이도 행동을 지속할 수 있다. 반대로 외적 보상이 자율성을 압도하기 시작하면, 사람은 행동을 “내가 하고 싶어서”가 아니라 “보상 때문에”로 해석하기 시작한다. 그 순간 자율성과 유능감이 약해진다. 결국 새로운 환경, 새로운 도구, 새로운 분야로 옮겨갈 동기 자체가 줄어든다.

    여기서 중요한 건 이 패턴이 어릴 때 형성되면 어른이 되어서도 작동한다는 점이다. 어린 시절 “공부하면 용돈 줄게”, “100점 맞으면 게임기 사줄게”, “학원 빠지지 않으면 외식 시켜줄게”로 동기 구조를 짠 아이는, 어른이 되어서도 행동의 정당성을 외적 보상에서 찾는다. 가령 회사에서의 평가와 승진, 연봉이 외적보상이 되고, 그 보상을 위협하는 변화에는 본능적으로 저항하게 된다.

    AI 시대에는 “빠르게 버리는 능력”이 필요하다.

    시대가 바뀌었다.

    새로운 것을 배우는 능력은 과거부터 꾸준히 중요했지만, AI 시대에는 새로운 것을 배우는 능력에 이미 배운 것을 빠르게 버리는 능력도 중요하다. 어제까지는 나만의 무기였지만, AI 업데이트 한번으로 모두가 사용할 수 있는 무기가 되는 시대가 왔다.

    실제로 4년 전쯤에 여신관리를 위하여 1주일 동안 고생해서 만든 아주 복잡한 엑셀시트가 있다. 내 커리어 통틀어 가장 자랑할 만한 결과물이었고, 동종 · 유사업종에서도 찾아보기 힘든 것이었으며, 그 시트의 구성이나 수식은 전부 내 머리 속에 있기 때문에 오랫동안 나만의 무기로 잘 써먹었다.

    수년의 경험을 바탕으로 수주 동안 고민해서 1주일 동안 새벽까지 열심히 만든 그 엑셀시트를 AI가 불과 30분 만에 구현해내었다. 물론 내가 문제제기를 하고 방향도 잡아주긴 했지만 그래도 이렇게 나의 무기가 딸깍 한번에 나오는게 얼마나 허무했는지 모른다.

    4년에 걸쳐 만든 엑셀 시트를 AI가 30분 만에 재현해낸 허무함
    오랜 시간 공들여 만든 엑셀 시트를 AI가 30분 만에 재현하는 모습을 보니 정말 허무하다.

    이처럼 과거에 고생해서 연마한 스킬은 기술이 발전하면 더 이상 스킬이 아니게 된다. 그 스킬에 집착하면 변화의 속도를 따라잡을 수 없다.

    세계경제포럼(WEF)이 2025년 1월에 발표한 〈Future of Jobs Report 2025〉는 이 흐름을 숫자로 보여준다.

    • 2030년까지 근로자에게 요구되는 핵심 역량의 39%가 변화한다. (2023년 보고서의 44%에서 일부 하락한 수치다. 기업의 학습·재교육 투자가 변화 속도를 일부 흡수한 결과로 분석된다.)
    • 가장 빠르게 부상하는 스킬은 AI와 빅데이터, 네트워크·사이버보안, 기술 리터러시다.
    • 동시에 창의적 사고, 회복탄력성·유연성·민첩성, 호기심·평생학습이 부상하는 인간 역량으로 꼽혔다.
    • 분석적 사고는 여전히 가장 많은 기업이 필수로 꼽는 역량이다(전체 응답 기업의 70%).
    WEF Future of Jobs 2025 — 2030년까지 핵심 역량의 39%가 변화한다
    WEF Future of Jobs 2025 — 2030년까지 핵심 역량의 39%가 변화한다

    이 보고서가 말하는 건 결국 한 가지다. 새 기술을 빠르게 흡수하고, 동시에 옛 기술을 빠르게 놓을 수 있는 사람만이 살아남는다. 보상심리에 묶여 자기 무기를 못 놓는 사람은 첫 번째도 두 번째도 어렵다.

    보상심리로 무장한 아이가 어른이 되면

    다시 우리 회사 풍경으로 돌아간다.

    AX에 적극적인 사람들의 공통점은 의외로 단순하다. 자기 정체성을 특정 스킬에 묶어두지 않은 사람들이다. 그들은 자신을 정의할 때 “어떤 업무를 잘한다” 보다는 “어떤 문제든 잘 해결하고 싶고 잘한다”인 것 같다. 업무의 방식과 배경이 혼란스럽게 바뀌어도 목적이 바뀌지 않는다.

    반대로 AX에 저항하는 사람들은 자기 정체성과 자기 스킬이 거의 한몸이다. 그 스킬이 자기를 인정받게 만들어줬고, 자기를 성장시킨 보상의 원천이었다. 그걸 놓는다는 건 자기 일부를 잃는 일처럼 느껴진다.

    아마도 그들은 외적보상에 길들여져 “나는 이걸로 인정받아왔으니까, 이걸 계속 해야 한다”는 보상 회수 본능을 강하게 발현하고 있는지도 모른다. 새로운 것을 배우면 더 많은 보상을 얻을 수 있을지 모른다는 가능성보다, 이미 받고 있는 보상을 잃을 수 있다는 위협이 더 크게 느껴질 것이다.

    행동경제학자 대니얼 카너먼(Daniel Kahneman)이 말한 손실 회피(loss aversion) 편향과도 맞닿는다. 사람은 같은 크기의 이득보다 손실에 약 2배 민감하다. 새로운 도구로 옮겨가서 얻을 수 있는 미래의 보상은 추상적이지만, 지금 갖고 있는 무기를 내려놓는 손실은 매우 구체적이다. 보상심리가 강할수록 이 손실 회피는 더 강하게 작동한다.

    문제는 이 패턴이 30대, 40대가 되어 발견됐을 때는 이미 늦다는 점이다. 회사에서 자기 자리가 흔들리는 걸 체감한 뒤에야 이 사고방식을 바꾸려 해도 쉽지 않다. 사고방식의 토대는 어릴 때 깔린다.

    우리 아이들은 어떻게 키워야 할까

    우리 아이들이 사회에 나오는 2040년대는 지금보다 변화 속도가 더 빠를 것이다. 어떻게 하면 보상심리에 묶이지 않고, 환경 변화에 유연한 아이로 키울 수 있을까.

    1. 결과에 대한 보상보다는 과정을 인정하는데 집중하자

    캐롤 드웩(Carol Dweck)의 성장 마인드셋(growth mindset) 연구에 따르면 “100점 맞아서 잘했다”는 결과에 대한 칭찬은 아이를 결과에 의존하도록 만든다. 반대로 “이번에 새로운 방식으로 풀어봤구나”, “어려운 문제 끝까지 안 포기했네” 같은 과정에 대한 인정은 아이가 다음에 더 어려운 문제를 시도할 동기를 만든다.

    결과에 대한 칭찬을 받은 아이는 자기 정체성을 “잘하는 사람”으로 묶어버리면서 잘하지 못할 가능성이 있는 새로운 분야에 대한 도전을 회피하게 된다. 반대로 과정에 대한 인정을 받은 아이는 자기의 정체성을 “시도하는 사람”으로 묶으면서, 결과를 떠나 새로운 시도를 한 것 자체로 자신의 가치가 높아진다고 여기게 된다.

    2. 외적 보상에는 신중하자

    용돈, 간식, 외식, 오락시간, 칭찬 스티커와 같은 외적 보상이 나쁜 것은 아니다. 분명 외적보상이 필요한 순간이 있다. 하지만 아이가 이미 흥미를 느끼는 활동에는 외적 보상을 끼워넣지 않는 것이 좋다.

    이미 좋아서 하는 일에 보상이 끼면, 아이의 동기 구조가 외적 보상 중심으로 재편된다. 흥미가 적은 활동에 한해서, 그것도 일시적인 보조 수단으로만 외적 보상을 활용한다. 일단 동기가 붙으면 보상은 점진적으로 빼야 한다.

    3. 부모부터 빠르게 버리는 모습을 보이자

    쉽지 않겠지만 우리 아이들이 빠르게 버릴 줄 아는 사람으로 자라야 한다면 아이가 따라 배울 수 있도록 부모도 자기가 익힌 기술이나 지식, 도구를 과감히 내려놓는 시도를 할 줄 알아야 한다.

    도구이든, 집안일의 방식이든 과거의 불편함을 극복하기 위해 바꾸었다면 과거에는 뭐가 불편했는지, 어떻게 불편함을 인지하게 되었는지, 어떻게 더 좋은 방법을 찾고 바꾼 후 어떻게 좋아졌는지를 쉽게 이야기해주는 것이 좋다. 가끔은 새로운 시도에 실패해서 과거로 회귀하는 과정을 보여주며 이야기해주는 것도 좋다. 시도하고 버리고 다시 시도하는 사이클 자체가 모델링된다.

    아빠가 자녀와 청소솔을 보며 변화의 배경을 이야기하는 부모 모델링 장면

    예전에 우리 첫째(만 4세, 한국나이로 6살)가 화장실에 긴 밀대 형식의 청소솔을 보고 왜 새 청소솔을 샀냐고 묻길래 그에 대한 이야기를 나눈 적이 있다. 아빠가 작은 솔을 들고 쪼그리고 앉아 화장실 바닥을 청소하다가 손가락이 바닥에 쓸려 다쳤고, 그래서 손을 다치지 않기 위해 긴 밀대 형식의 솔을 샀는데 막상 청소를 해보니 힘이 잘 전달되지 않아 바닥이 깨끗하게 닦이지 않고, 그래서 다시 작은 솔을 쓰기로 했다고 하자 첫째는 손을 다칠 수 있으니 두꺼운 장갑을 끼라고 말해주더라. 변화가 있을 때마다 늘 이렇게 변화의 배경과 목적에 대해 알려주고 함께 회고를 하며 새로운 대안을 고민하는 대화를 많이 하다보니 첫째도 변화에 대한 거부가 많이 사라진 모습이다.

    변화에 보수적인 부모가 “너는 새로운 거 배워야 해”라고 말해봤자 아이는 부모의 말이 아닌 행동을 따라간다.

    4. “왜 그걸 하고 싶은데?”라는 질문 자주 던져보자

    결과 칭찬 대신 동기를 묻는 부모와 자녀의 따뜻한 대화
    결과 칭찬 대신 동기를 묻는 부모와 자녀의 따뜻한 대화

    자기결정성 이론이 강조하는 자율성을 키우는 방법이다. 아이가 어떤 활동을 하겠다고 할 때, “잘했다”보다 먼저 “왜 그걸 하고 싶은데?”라고 묻는다. 이 질문은 아이가 자기 동기의 출처를 의식하게 만든다.

    “엄마가 좋아할까봐”, “선생님이 칭찬해서”라는 답이 나오면 외적 동기가 작동하고 있다는 신호다. “재밌어서”, “궁금해서”, “한번 해보고 싶어서”라는 답이 나오면 내적 동기가 살아있다는 신호다.

    이 질문을 자주 던지는 것만으로도 아이는 자기 행동의 동기를 분리해서 인식하기 시작한다. 그 인식이 커지면, 외적 보상이 사라진 환경에서도 스스로 움직이는 힘이 자란다.

    마무리 — 우리 세대가 먼저 모범을 보여야 한다

    솔직히 말하면, 이 글의 진짜 청자는 우리 아이들이 아니라 우리 자신이다.

    회사에서 AX를 거부하는 동료들을 보면서 이해하면서도 답답함을 느끼다가, 어느 순간 깨달았다. AI시대 이후에 또 새로운 변화의 시대가 올 것이고 그때 나도 똑같은 함정에 빠질 수 있다. 내가 지금까지 배운 것, 익숙해진 도구, 자랑스러워하는 스킬. 이것들에 매달리는 순간 나도 똑같이 변화에 뒤처지는 사람이 된다.

    아이를 보상심리 없이 키우려면, 부모가 먼저 보상심리를 내려놓아야 한다. 어제까지 쓰던 도구를 오늘 버릴 수 있는 사람, 수년 동안 갈고 닦은 스킬도 더 좋은 게 나오면 옮겨갈 수 있는 사람. 그런 모습을 아이가 일상적으로 보고 자라야 그 자세가 자연스럽게 전이된다.

    WEF가 미래 핵심 역량으로 꼽은 호기심과 평생학습도 결국 같은 말이다. 답을 알고 있는 것보다, 답을 바꿀 수 있는 것이 더 중요한 시대다. 자기가 갖고 있는 무기에 만족하지 않고, 끊임없이 그 무기를 검증하고, 필요하면 던져버릴 수 있는 능력. 그게 AI 시대가 요구하는 진짜 어른의 모습이다.

    문제를 푸는 능력은 AI가 가져갔다. 무기를 만드는 능력은 도구가 만들어준다. 남은 것은 무엇을 가질지, 무엇을 버릴지 스스로 판단하는 능력이다. 그 판단의 토대는 어릴 때 부모가 깔아주는 동기 구조에서 시작된다.

    작은 칭찬 스티커 한 장의 무게
    작은 칭찬 스티커 한 장의 무게

    이 글을 쓰며 오늘도 칭찬스티커 한 장의 무게를 다시 생각해본다.

    참고 자료

    • Lepper, M. R., Greene, D., & Nisbett, R. E. (1973). Undermining children’s intrinsic interest with extrinsic reward: A test of the “overjustification” hypothesis. Journal of Personality and Social Psychology, 28(1), 129-137. — APA PsycNet 등재 정보
    • World Economic Forum, 〈Future of Jobs Report 2025〉 (2025.01) — 보고서 원문
    • World Economic Forum, 〈Skills outlook (Future of Jobs 2025 Chapter 3)〉 — 2030년 핵심 역량 분석
    • Deci, E. L., & Ryan, R. M. — Self-Determination Theory(자기결정성 이론) 관련 학술 페이지: selfdeterminationtheory.org
    • Dweck, C. S. (2006). Mindset: The New Psychology of Success. Random House. — 성장 마인드셋 vs 고정 마인드셋 개념 원전
  • How to Ask AI Better — 5 Rules a Head of Legal Learned the Hard Way

    How to Ask AI Better — 5 Rules a Head of Legal Learned the Hard Way

    Key Takeaway

    AI is not a smart assistant. It’s a wild horse you have to train. How to ask AI better is really how to train it.

    The quality of the answer depends entirely on how you ask. Not the prompt template. Not the role you assign. The question process behind the prompt. I’m a non-lawyer Head of Legal, and I narrowed this down to five rules through hundreds of bad AI outputs in my own review work.

    If you remember nothing else: break tasks down, force the AI to critique itself, demand sources, ask the same question three different ways, and own the final call. The rest of this post is why those five.

    Search “how to ask AI better” and you’ll drown in advice — write better prompts, master harness engineering, role-play your way to better answers. For someone new to AI, that all sounds like astrophysics.

    I’ve been using AI for two years now, starting with ChatGPT, but I only started understanding how it actually behaves a few months back. I treated it like a magic intern that does whatever I say. Then I realized it’s a confident yes-man that fabricates with a straight face. We broke up briefly. Then I came back, because I figured out the real lesson: AI is a wild horse. How you train it decides whether you get a racehorse or an animal that bolts. And I had been demanding racehorse-grade work from a horse I never trained.

    Five rules I beat into shape through hundreds of bad outputs. Not prompt templates — that’s the wrong question. The real question is how to ask AI better, and that lives in the question process, not the wording.

    How to ask AI better — wild horse metaphor
    AI is a wild horse. Train it well and it becomes a racehorse. Skip the training and it bolts wherever it wants.

    Why Prompt Templates Don’t Teach You How to Ask AI Better

    YouTube and Instagram are flooded with “AI 100% productivity” content.

    A lot of Instagram posts run the same hook: “Comment ‘AI’ below and I’ll DM you the secret to making AI smarter.” Like there’s some hidden formula being protected. I’ve actually dropped the keyword and waited for the DM to see what was inside. What you get is a promo for an AI training course bundled with a prompt template — plus the usual generic guidance: “assign a role,” “give clear context,” “include examples.”

    None of it is wrong. But none of them tell you why those rules exist, or when they break. The receiver expects that pasting the template will produce the magic shown in the post, and instead gets the same flat output, just dressed up.

    I made this mistake for months on legal review work. I’d hand AI a contract, assign it the role of “senior attorney,” attach a sample review report, lay out the facts in five-W-one-H format — and the output would still be useless. It would cite case numbers I couldn’t find on any database. It would confidently tell me my company was in the right when I knew we were exposed.

    The problem wasn’t the prompt. It was the question process sitting underneath the prompt.

    Rule 1 — Break Big Asks Into Small Steps

    My most expensive mistake was asking for the deliverable first.

    “Draft a settlement agreement.” “Write me a demand letter.” “How should I respond to this dispute?” Throw a question like that at AI and you get back something abstract, hollow, and worse than what you’d write yourself.

    The fix is to treat AI like a smart but green junior. If you handed a fresh hire a stack of files and said “write me a memo on this dispute,” they’d come back with something pointing in the wrong direction. So you don’t do that. You give them small targets in sequence and let them check in along the way.

    When a dispute lands on my desk, I never ask AI for the report in one shot. I split it into six steps:

    1. Gather the materials — pull all the scattered files into one place, normalize the formats
    2. Summarize each piece — one-line summary per document, sorted by date if relevant
    3. Extract issues — surface the legal issues from those summaries
    4. Research — look up statutes and case law for each issue
    5. Draft — write the report from the research
    6. Self-review — flag any section that’s thin on evidence or relying on inference
    How to ask AI better — Rule 1 step-by-step breakdown vs one-shot ask
    One-shot ask vs. break it down: materials → summary → issues → research → draft → review.

    At each step I add: “If you need to make an assumption, stop and ask me before proceeding.” (You can automate this whole loop using Claude’s agent skills or similar AI agent frameworks, which is what I actually use — but that’s a separate post.)

    When you break the task into smaller targets, AI catches the context, recognizes the patterns inside that context, and gives you depth instead of generic prose. One-shot asks produce mediocre output. Step-by-step asks produce work you can actually use.

    Rule 2 — Make AI Critique Itself

    As I’ve covered in AI Hallucination, Explained, AI doesn’t know the answer and then say it. It produces whatever pattern looks most natural and confident. Sometimes that pattern matches the truth. Sometimes it’s a fabrication wearing the same tone of voice. So any output it hands me has to be assumed wrong until proven otherwise.

    The fastest way to prove it wrong is to make it attack itself.

    Whenever AI gives me a draft, I immediately ask it to find the holes. “Take the position of opposing counsel — what’s the weakest argument here?” “If you were the judge ruling against this brief, what would you flag?” The model splits into a different persona and shreds the work it just produced. AI has no ego, which is exactly why this works.

    I take the revised output and flip the script — argue back from my side. Then have it critique that. After two or three rounds, the durable arguments are the ones still standing, and my actual weak spots are the ones that keep getting hit. Anything that hasn’t been through this self-critique loop, I treat as unfinished.

    Rule 2 — making AI critique its own output
    Split the AI into roles and let them critique each other. The arguments left standing are the durable ones.

    Rule 3 — Always Demand Sources

    The single biggest legal risk with AI is citing case law that doesn’t exist.

    In 2023, two New York attorneys submitted a federal filing containing six AI-fabricated cases. The court imposed a $5,000 sanction on the attorneys and their firm and ruled they had acted in “subjective bad faith” (Mata v. Avianca, Inc., 1:22-cv-01461, S.D.N.Y. 2023). It was the first globally publicized case of AI-fabricated citations reaching the courtroom — and far from the last.

    Stanford’s RegLab measured the underlying rate. In their January 2024 study Large Legal Fictions: Profiling Legal Hallucinations in LLMs, GPT-3.5 hallucinated 69% of randomly queried federal cases. Llama 2 hit 88%. Over 75% of “what was the holding” queries returned false answers. Even commercial legal-AI tools weren’t immune — a follow-up study (May 2024) showed Lexis+ AI at 17% and Westlaw AI at 33% error rates. A more detailed model-by-model breakdown is in my GPT vs Claude vs Gemini hallucination comparison.

    So whenever an answer cites a case or a statute, I run it through the same second prompt:

    “Verify the docket numbers and statutory citations you just used against CourtListener and Justia. Report back any that don’t exist or are misquoted.”

    How to ask AI better — Rule 3 source verification with Stanford RegLab 2024 hallucination rates

    (For Korean readers of this blog: I use law.go.kr and portal.scourt.go.kr for the same check on Korean cases. You can wire either pair into AI directly through MCP — Model Context Protocol — for automated verification, but for most readers, just giving AI the URLs and letting it web-search will catch about half the fakes on the spot.)

    About half the fabricated citations vanish on the second prompt. They get replaced with “could not verify exact case number” — which is the correct output. I verify the survivors manually.

    Anything AI can’t source, I cut. Keep the logic, drop the unverified citations, fill the gaps myself. This single step is the line between AI output that’s usable and AI output that gets you sanctioned.

    The mechanics of why hallucination happens at all are covered in AI Hallucination, Explained.

    Rule 4 — Ask the Same Question Three Different Ways

    Ask the same model the same question twice and the answers shift slightly. Change one word and the conclusion can flip entirely.

    That variability isn’t a bug — it’s a tool. For high-stakes questions I deliberately ask three different angles from the start. For example:

    1. First angle: “Could clause 4 of the attached contract be held unenforceable? On what legal grounds?”
    2. Second angle: “If we adopted clause 4 into our company’s standard contract, what risks does it create?”
    3. Third angle: “If a dispute breaks out around this contract a year from now, what’s the part I’ll most regret?”

    If all three answers point to the same conclusion, the conclusion is solid. If they diverge, the divergence is where the real issue lives — usually a blind spot most people miss.

    Rule 4 — cross-model comparison Claude vs GPT vs Gemini

    This works inside a single model, and it works even better across models — Claude, GPT, Gemini each have different blind spots. I cover model-by-model strengths in How a Head of Legal Built AI Agents Without Writing a Single Line of Code.

    The same rule applies outside legal work — content drafts, investment decisions, even product comparisons. Whatever AI hands you on the first ask is a hypothesis, not a conclusion.

    Rule 5 — You Make the Final Call, Not the AI

    The most important rule, and the one I forget most often.

    You can run five rounds of self-critique, demand sources, ask three different angles, and at the end of it all — the decision is still yours. The moment you outsource that last step, everything upstream collapses.

    What AI is good atWhat you have to do
    Surfacing issuesPicking which issue actually matters
    CritiquingDeciding which critiques to accept
    Compiling sourcesJudging which sources are credible
    Showing varianceCalling the conclusion within the variance
    Producing draftsJudging whether the draft points the right way

    For some teams AI is an automation tool. For a legal team — anywhere data integrity is non-negotiable — AI is one extremely fast teammate. No matter how good your teammate’s draft is, the signature is yours. Forget that, and AI stops being a collaborator and becomes a mistake-generating machine — and the liability lands on you, not it.

    Rule 5 — the human owns the decision, the AI does not
    The accountability for the output sits with you, not the AI. Don’t lose track of that.

    Conclusion — How to Ask AI Better Comes From Knowing Your Work

    These five rules aren’t really AI techniques. They’re work techniques. If you know how to delegate to a junior, you already know how to ask AI well. If you can’t delegate to people, you won’t suddenly delegate well to a machine.

    How to ask AI better tracks how well you understand your own work. If you don’t know your own field’s issues, weak spots, evidence standards, and accountability structure, AI’s output will reflect exactly that gap. If you do know your field deeply, AI multiplies your throughput — in my own work, somewhere between 5x and 10x.

    Your question decides the answer. In the AI era, that sentence carries more weight than ever — and how to ask AI better is the difference between productive collaboration and confident nonsense.

    Further Reading

  • AI 질문 잘하는 법 — 법무팀장이 AI를 쓰며 깨달은 5가지 규칙

    AI 질문 잘하는 법 — 법무팀장이 AI를 쓰며 깨달은 5가지 규칙

    “AI 질문 잘하는 법”을 검색해보면 프롬프트를 잘 써야 한다, 하네스 엔지니어링을 해야 한다 등 정보가 이미 넘쳐나고 있다. 하지만 AI 초심자 입장에서는 달나라 이야기 같이 들린다.

    chatGPT를 시작으로 AI를 쓰기 시작한지는 벌써 2년이 지났지만 AI의 특성과 패턴을 알고 쓰기 시작한지는 불과 몇 달 밖에 되지 않았다. 시키는 대로 답해주는 만능 비서라 생각했는데, 그럴싸하게 답변하는 예스맨이라는 것을 깨닫고 잠시 이별도 했었다. 하지만 이제는 안다. AI는 야생마라 내가 어떻게 길들이냐에 따라 완전히 달라진다는 것, 그리고 나는 아무런 조련도 하지 않았으면서 야생마에게 S급 경주마와 같은 능력을 기대했다는 것.

    수 많은 시행착오를 거치며 깨달은 5가지 질문 규칙을 정리해보려 한다.

    AI 질문 잘하는 법 — 야생마 비유로 본 AI 활용 원리
    AI는 야생마이다. 어떻게 길들이는지에 따라 명마가 될 수도 있고, 마음대로 날뛰는 짐승이 될 수도 있다.

    프롬프트만 생각하면 놓치는 것

    유튜브나 인스타그램에는 “AI 100% 활용법” 류의 콘텐츠가 홍수처럼 넘쳐나고 있다.

    인스타그램의 많은 콘텐츠들은 “댓글에 AI 라고 남겨주시면 DM으로 AI를 똑똑하게 만드는 비결을 보내드릴게요” 라며 마치 대단한 비밀을 숨겨둔 것처럼 홍보한다. 대단한 비법이라도 있나 싶어서 댓글에 키워드를 남기고 DM으로 그 비법을 받아본 적도 있는데, AI 교육 관련 광고와 함께 프롬프트 템플릿을 보내주더라. 그리고 “역할을 부여하라”, “맥락을 명확히 하라”, “예시를 들어라” 같은 식의 원론적인 가이드도 포함되어 있다.

    틀린 말은 아닌데, 왜 그래야 하는지, 그리고 언제 그 규칙이 깨지는지는 알려주지 않는다. 받는 사람 입장에서는 이 프롬프트만 넣으면 콘텐츠에 나온 것처럼 AI가 대단한 결과물을 줄 것이라 기대하지만 막상 제공 받은 프롬프트를 넣고 결과물을 받아보면 실망스럽기 그지 없다.

    나도 처음엔 법률자문이나 계약서 검토 업무를 하면서 프롬프트만 정성껏 적으면 다 해결될 것이라 믿었다. 분명히 AI에게 “너는 변호사다”라는 역할도 부여하고, 검토보고서 샘플도 주고, 사실관계도 육하원칙에 따라 잘 적었는데 답변이 이상하다. AI가 인용한 법령이나 대법원 판례 사건번호가 검색이 안 된다. 심지어 우리 회사가 확실히 법률적으로 불리한 위치에 있음에도 무조건 내가 이길거라고 듣기 좋은 말만 뱉는다.

    문제는 프롬프트 자체가 아니라 질문 프로세스 설계에 있었다.

    규칙 1. 작은 단위로 방향을 잡는다.

    가장 많이했던 실수는 결과물을 먼저 요구하는 것이었다.

    “합의서 써줘”, “내용증명 초안 잡아줘”, “이 분쟁 어떻게 대응해야 돼?” 이렇게 물으면 AI도 추상적이고 알맹이 없는 답을 준다. 내가 써도 저거보다는 잘 쓰겠다 싶은 답이 나온다.

    AI는 아주 똑똑한 신입사원이라고 생각하고 대하면 결과물 수준이 달라진다.

    신입사원에게 “이 사건 보고서 써와”라고 툭 던지면 대부분의 신입사원은 내 의도와 다른 보고서를 가지고 온다. 그래서 하나씩 하나씩 작은 목표와 방향을 주며 나와 핏을 맞추도록 해야 한다.

    예를 들어 분쟁 사건이 들어오면 AI에게 보고서를 한 번에 시키지 않는다. 단계를 이렇게 쪼갠다.

    1. 자료 정리: 흩어진 자료를 한 곳에 모으고 형식 통일
    2. 핵심 요약: 자료별 한 줄 요약, 필요하면 시간순 정렬
    3. 쟁점 추출: 요약 위에서 핵심 쟁점 도출
    4. 리서치: 쟁점별로 법령 · 판례 검색
    5. 초안 작성: 리서치 결과를 바탕으로 보고서 초안 작성
    6. 검수: 초안에서 근거 부족하거나 추론으로 작성된 구간 식별
    AI 질문법 규칙 1 — 한 번에 결과물 요구 vs 6단계 쪼개기 비교
    한 번에 vs 자료정리/요약/쟁점/리서치/초안/검수 6단계

    그리고 각 단계마다 “추론이 필요하면 임의로 진행하지 말고 나의 의사결정을 받아”를 명시한다. (클로드 코워크 스킬을 통해 이 과정들을 자동화 할 수 있고, 실제로 그렇게 하고 있으나 본 글에서는 다루지 않는다.)

    작은 단위로 쪼개어 작은 목표를 달성하도록 할 때 AI는 맥락을 정확히 이해하고 그 속에서 패턴을 인식하여 나의 의도에 맞게 깊은 답변을 준다. 한 번에 결과물을 요구하면 평범 또는 그 이하의 결과물이 나오지만, 단계를 쪼개고 들어가면 결과물의 깊이가 달라진다.

    규칙 2. 자기 비판을 하도록 하라.

    AI 할루시네이션이란 무엇인가 — 챗GPT가 자신 있게 거짓말하는 이유에서 언급한 것처럼 AI는 답을 알고 뱉는 것이 아니라 가장 흔하고 자연스러워 보이는 답을 확신 있게 말한다. 그래서 틀린 답을 정답인 것처럼 내어 놓을 확률이 있다.

    그래서 난 AI가 만든 결과물이 나오면 항상 스스로 비판하도록 한다. 상대방 변호사 입장에서 공격할만한 논리의 취약점을 찾도록 하기도 하고, 판사 입장에서 지적하도록 시키기도 한다. 그러면 AI는 다른 사람이 된 것처럼 자기가 만든 결과물을 마구 난도질한다 — 수치심이 없어서 가능한 일인가 싶다.

    이렇게 나온 수정버전에 대해 나의 입장에서 다시 비판하도록 시키고, 필요하면 다시 반대 입장에서 비판하도록 시킨다. 이렇게 몇번 하다보면 어느 쪽 논리가 단단한지, 나의 약점이 무엇인지 명확히 보이기 시작한다. 이렇게 자기비판 과정을 거치지 않은 결과물은 미완성 결과물이라 생각한다.

    AI 질문법 규칙 2 — AI에게 자기 결과물을 비판시키는 자기 검증 구조
    AI의 자아를 나누어 서로 비판하게 해야 한다

    규칙 3. 출처를 요구하라.

    법무 영역에서 AI의 가장 큰 위험은 존재하지 않는 판례를 자신 있게 인용하는 것이다. 미국에서는 변호사가 ChatGPT가 만들어낸 가짜 판례 6건을 법원에 제출했다가 제재를 받은 사건이 있었다 (Mata v. Avianca, Inc., 1:22-cv-01461, S.D.N.Y. 2023). 가짜 판례를 인용한 변호사 2명과 소속 법률사무소에 합산 $5,000의 제재가 부과되었고, 법원은 “주관적 악의”로 판단했다. 우리나라라고 다르지 않다.

    스탠퍼드 RegLab이 2024년 1월 발표한 연구(“Large Legal Fictions: Profiling Legal Hallucinations in LLMs”)에 따르면, 무작위 미국 연방판례를 질의했을 때 GPT-3.5는 69%, Llama 2는 88% 비율로 할루시네이션을 일으켰다. 법원 핵심 판단(holding)을 묻는 질의에서는 75% 이상이 거짓이었다. 같은 RegLab의 후속 연구(2024년 5월)에서는 법률 전문 AI 도구인 Lexis+ AI가 17%, Westlaw AI가 33%에서 잘못된 답을 출력했다. 자세한 비교는 GPT vs Claude vs Gemini 할루시네이션 비교에서 다뤘다.

    그래서 나는 법령 · 판례 등이 들어간 답을 받으면 무조건 이걸 한 번 더 묻는다.

    “방금 인용한 판례 사건번호와 법령 조문 번호를 국가법령정보센터(law.go.kr)와 사법정보공개포털(portal.scourt.go.kr)에서 검색해보고, 실재하지 않거나 잘못 인용한 것이 있다면 보고해.”

    AI 법률 인용 할루시네이션 비율 — Stanford RegLab 2024 수치

    (참고로 위 두 사이트는 별도 MCP(Model Context Protocol)로 AI에 직접 연결해두면 자동 검증까지 가능하지만, 일반 사용자라면 AI에게 위 두 사이트 URL만 알려주고 웹 검색으로도 어느 정도 커버된다.)

    그러면 절반 정도의 가짜 법령이나 판례가 사라진다. 사라진 인용 자리에 “정확한 사건번호 확인 어려움”이라고 적힌다. 그게 정상이다. 사라지지 않는 것만 추가로 검증한다.

    AI 스스로 출처를 못 대는 인용은 무조건 버리도록 한다.

    AI가 풀어준 논리는 살리되, 그 논리를 떠받치는 인용 중 검증 안 되는 건 잘라낸다. 잘라내고 나서 빈자리는 직접 메운다. 이 한 단계가 AI 결과물을 실무에 쓸 수 있느냐 없느냐를 가른다.

    할루시네이션의 작동 원리 자체는 AI 할루시네이션이란 무엇인가에서 더 깊게 다뤘다.

    규칙 4. 같은 질문을 3번 다르게 던져라

    같은 질문을 같은 모델에 던져도 답이 미묘하게 달라진다. 그래서 단어 하나, 문장 순서 하나가 바뀌면 결론 자체가 달라지는 경우도 있다.

    이 변동성은 약점이 아니라 활용 포인트다. 나는 중요한 판단이 걸린 질문은 처음부터 3번 다른 각도로 묻는다. 예를 들면 이런 식이다.

    1. 첫 번째: “첨부한 계약서 제4조의 내용이 무효가 될 가능성이 있는가? 그 법적근거는?”
    2. 두 번째: “첨부한 계약서 §4를 우리 회사 표준계약서에 반영했을 때 리스크는?”
    3. 세 번째: “만약 1년 뒤 이 계약서와 관련하여 분쟁이 발생하면 내가 가장 후회할만한 지점은?”

    세 답이 같은 결론을 가리키면 그 결론은 단단하다. 답이 갈리면 갈린 지점에 진짜 쟁점이 있다. 갈린 지점이 보통 사람이 미처 못 본 자리다.

    AI 질문법 규칙 4 — Claude·GPT·Gemini 다관점 보고서를 받아 비교 검증

    이걸 한 모델 안에서만 해도 효과가 있고, 모델 자체를 바꿔서(Claude vs GPT vs Gemini) 비교해도 좋다. AI 모델별 강약점은 사용해보면서 감을 잡는다 — 이 부분은 AI 활용 시스템 만들기에서 따로 정리했다.

    이 규칙은 법무팀 업무 외 개인적인 업무(블로그 콘텐츠 제작, 자산관리, 쇼핑 등)에 쓸 때도 똑같이 적용된다. AI가 한 번에 내놓은 답은 가설이지, 결론이 아니다.

    규칙 5. 최종 결정은 AI가 아니라 내가 한다.

    가장 중요한 규칙이고, 가장 자주 잊는 규칙이다.

    AI에게 5번 검증을 시키고, 반례 받고, 출처 따고, 3번 다른 각도로 물어도, 결국 결정은 사람이 한다. 이 마지막 한 단계를 AI에게 넘기는 순간 모든 게 무너진다.

    AI가 잘하는 것사람이 해야 하는 것
    쟁점 펼치기어느 쟁점이 진짜인지 고르기
    비판하기지적사항 중 수용할 것 가려내기
    출처 정리출처 신뢰성 판단하기
    변동성 보여주기변동 폭 안에서 결론 내리기
    초안 만들기초안의 방향이 맞는지 판단하기

    누군가는 AI를 자동화도구로 사용하지만 법무팀처럼 데이터 정합성이 강하게 요구되는 영역에서 AI는 엄청나게 빠른 팀원 1명이다. 팀원이 만든 보고서가 아무리 훌륭해도, 서명은 내가 한다. 그 서명의 무게를 잊으면 AI는 조력자가 아니라 실수를 만드는 기계가 되고, 그에 따른 책임은 모두 내가 져야 한다.

    AI 질문법 규칙 5 — 결정의 책임은 사람이 진다, AI는 책임지지 않는다
    결과물에 대한 책임은 AI가 아니라 내가 진다는 것을 잊지 말자

    결론

    내가 언급한 규칙은 엄밀히 말하면 AI를 잘 다루는 기술이 아니라 자기 일을 잘 다루는 기술이기도 하다. 신입직원에게 일을 시킬 때 어떻게 시키느냐를 아는 사람은, AI한테도 똑같이 시킬 수 있다. 반대로 사람한테도 일을 못 시키는 사람이 AI한테 갑자기 잘 시킬 리가 없다.

    AI 활용도는 결국 본인의 업무 장악력과 비례한다. 본인이 자기 일의 쟁점 · 비판적 시각 · 근거 · 책임 구조를 모르면, AI한테 시킨 결과물도 그만큼만 나온다. 반대로 자기 일을 깊이 아는 사람은, AI를 활용하여 압도적인 산출량 차이를 만든다 (체감상 5~10배).

    질문이 답을 결정한다. AI 시대에는 이 명제가 더 무거워진다.

    다음 읽을 글

  • 숨고르기 청년 — 정부는 왜 국민이 비웃을 용어를 계속 만들까

    숨고르기 청년 — 정부는 왜 국민이 비웃을 용어를 계속 만들까

    며칠 전 고용노동부가 “백수”를 “숨고르기 청년”이라 표기한다는 기사를 봤다.

    댓글창은 이미 조롱과 비판으로 가득했다. “세금으로 이런 거 만드냐”는 냉소적 반응이 압도적이었고, 인스타그램의 관련 콘텐츠에는 취업준비 중인 친구를 태그해서 “숨고르기 청년”이라며 놀리고 있었으며, 누군가는 “백수는 백수라는 말을 자랑스러워한다. 이상한 단어로 비참하게 만들지마라”며 자조적인 반응을 보이기도 하였다.

    정부가 기대했던 반응은 이게 아닐텐데 “숨고르기 청년”은 공개되자마자 조롱거리로 전락해버렸다.

    되짚어보면 드문 일도 아니다. 누리집, 누리꾼, 유아차, 차림사 등 참 이상한 단어들이 많이 나왔었다. 담당 부처에는 행정고시까지 패스한 엘리트 관료들이 많을텐데 이런 반응을 예측하지 못했던 것일까? 아니면 예측했음에도 그냥 밀어붙인 것인가?

    1. 고용노동부는 실제로 뭘 했나?

    2026년 1월 5일, 고용노동부는 졸업·퇴사 후 잠시 쉬고 있는 청년을 “숨고르기 청년”으로 명명하고, 이들을 집중 지원할 ‘일자리 첫걸음 보장센터’를 10개 대학에 신설한다고 발표했다. 김영훈 고용노동부 장관도 신년 인사회 등 공식 석상에서 ‘쉬었음 청년’ 대신 ‘준비 중 청년’ 같은 표현을 쓰겠다고 공언해 왔다.
    [출처: 연합뉴스 2026-01-05, SBS비즈 2026-01-05, 인사이트 2026-03-24]

    고용노동부가 발표한 숨고르기 청년 정책의 주관 부처인 정부세종청사 고용노동부 건물
    고용노동부는 2026-01-05 ‘숨고르기 청년’ 정책을 공식 발표했다.

    통계청 경제활동인구조사에서 “쉬었음”은 취업자도 실업자도 아닌 비경제활동인구 중 “특별한 이유 없이 쉬고 있는” 사람을 뜻하는 분류다. 2026년 초 청년층(15~29세) 쉬었음 인구는 월 50만 명대를 오르내렸고, 이 숫자가 늘 때마다 언론은 “청년 백수 급증”과 같이 자극적인 표현을 사용했다. 당사자 입장에서는 이러한 분류 자체가 이미 낙인이었다.

    그래서 고용노동부는 이러한 낙인 문제를 해소하고 싶었던 것 같다. 문제는 낙인을 지우려던 시도가 오히려 더 큰 조롱을 불러왔다는 점이다. 정부가 취업준비생을 존중하기 위해 만든 “숨고르기 청년”이라는 표현이 오히려 그들을 조롱하고 비꼬는 혐오 표현이 되어 버렸다.

    2. 누리집·유아차 등 우리는 이미 여러번 겪었다

    한국 정부의 용어 정책에는 계보가 있다. 국립국어원은 1977년부터 순화어 자료집을 펴냈고, 2004년에는 ‘모두가 함께하는 우리말 다듬기’ 누리집을 개설해 외래어·어려운 한자어를 시민 참여로 다듬는 사업을 본격화했다.

    원래 말순화어제안 주체/시점결과
    홈페이지누리집국립국어원, 2004년 이후공공문서 한정, 민간 정착 실패
    네티즌누리꾼국립국어원, 2004년 이후뉴스 일부 사용, 대중은 ‘네티즌’ 유지
    블로그누리사랑방국립국어원, 2000년대 중반교과서 외 거의 통용되지 않음
    유모차유아차서울시 여성가족재단 성평등 언어 캠페인(2018), 국립국어원 등 권고일부 채택, 찬반 격화

    [출처: 국립국어원 다듬은말 DB, 머니투데이 2020-07-28 ‘유모차→유아차’ 서울시 캠페인 보도]

    공통점이 보인다.
    공공기관에서는 살아남는 용어가 민간에서는 거의 안 쓰인다. 국립국어원 스스로도 공공언어 실태 조사에서 “순화어의 민간 정착률은 낮다”고 인정해 왔다. 그럼에도 사업은 중단된 적이 없다. 해마다 새 다듬은말 후보가 공개되고, 해마다 비슷한 방식으로 조롱받는다. 왜 그럴까?

    3. 관료가 멍청해서가 아니다

    3-1. 언어가 프레임을 만든다는 믿음

    조지 레이코프(George Lakoff)는 『코끼리는 생각하지 마』에서 언어가 사고의 틀을 지배한다고 썼다. “코끼리를 생각하지 마”라는 말을 듣는 순간 코끼리가 머릿속에 들어와 버린다. 세금을 ‘세금 구제(tax relief)’라고 부르면 세금은 고통이 되고, ‘세금 투자’라 부르면 생산적 행위가 된다. [출처: George Lakoff, Don’t Think of an Elephant! (2004)]

    ‘쉬었음’을 ‘숨고르기’로 바꾸려 한 논리는 이 프레임 이론의 단순화 버전이다. 부정적 프레임(무기력)을 긍정적 프레임(준비)으로 치환하면 인식도 따라온다는 가정에서 시작하는 것이다.

    3-2. 하지만 레이코프는 그렇게 말하지 않았다

    그런데 레이코프는 단어 하나로 프레임이 바뀐다고 한 적이 없다. 프레임은 은유 네트워크·제도·서사 반복을 통해 구축된다고 썼다.

    정부가 “숨고르기”라고 한 번 선언한다고 청년이 스스로를 숨고르는 사람으로 여기게 되지는 않는다. 오히려 조지 오웰이 「정치와 영어(Politics and the English Language, 1946)」에서 경고한 대로, 현실과 어긋나는 수식어는 듣는 사람에게 “이 말은 거짓말이다”라는 신호로 해석된다. [출처: George Orwell, “Politics and the English Language” (1946)]

    한국에도 유사 사례가 있다. 후쿠시마 오염수를 ‘처리수’로 부르자는 제안이 나왔을 때, 대중은 “뭔가 숨기려 한다”는 신호로 받아들였다. 완곡어법은 실체가 그대로인 채 이름만 바뀔 때 오히려 불신의 근거가 된다.

    조지 레이코프의 프레임 이론을 상징하는 언어 꼭두각시 메타포: 언어가 사고의 틀을 조종한다
    레이코프의 프레임 이론에서 언어는 은유 네트워크와 서사 반복을 통해 구축된다. 단어 하나로 인식이 바뀌지는 않는다.

    3-3. 관료제의 상징정치 인센티브

    관료가 연단에서 자화자찬하는 풍자 일러스트: 실질 정책 대신 상징적 성과를 추구하는 관료제 인센티브
    머리 에덜먼의 상징정치론: 많은 공공정책은 실질적 문제해결보다 “다루고 있다는 상징”을 생산한다.

    정치학자 머리 에덜먼(Murray Edelman)은 『정치의 상징적 사용(The Symbolic Uses of Politics, 1964)』에서 많은 공공정책이 실질적 문제해결보다 “문제를 다루고 있다는 상징”을 생산하기 위해 만들어진다고 분석했다. [출처: Murray Edelman, The Symbolic Uses of Politics (1964)]

    관료 조직의 인센티브 구조에서 이건 합리적이다.

    • 가시성: 청년 실업의 구조적 원인(노동시장 이중구조, 산업 전환, 학력 인플레이션)을 고치는 건 10년짜리 과제다. 용어 교체는 당일 보도자료 한 장이면 끝난다.
    • 위험 회피: 실질 정책은 실패하면 책임이 날카롭게 돌아오지만, 용어 교체는 실패해도 “취지는 좋았다”로 마무리된다.
    • 저비용 시그널링: “청년 문제에 공감하고 있다”는 신호를 보내는 데 단어 한 줄이 제일 싸다.

    관료들이 멍청해서 이런 용어를 만드는 게 아니다. 관료제가 이런 행동을 합리적 선택으로 만들기 때문이다. 비웃음은 예측하지 못한 게 아니라 감수한 비용이다. 사업 자체가 없었다는 평가보다, 이름이 놀림받았다는 평가가 조직 내부에선 훨씬 낫다.

    4. 해외는 어떻게 하고 있나

    다른 나라는 같은 청년을 어떻게 부르고 있을까.

    국가/기구용어핵심 접근
    영국NEET (Not in Employment, Education or Training)1999년 정부 보고서에서 도입된 통계 분류 용어. 가치 판단 없는 기능적 정의.
    OECDNEET 15-29각국 비교용 표준 지표. 공식 통계명에 수식어 없음.
    일본니트·프리터·히키코모리·청년무업자(若年無業者)상태별 구분. 정부 백서는 중립적 분류명 유지, 정책 이름에 ‘사회참가지원’ 같은 목적어를 붙인다.

    [출처: UK ONS, NEET statistics / OECD Indicators / 厚生労働省 白書]

    분류 통계명에는 가치 판단을 안 붙이고, 프로그램 이름에 의도를 담는다.
    영국은 통계는 NEET로 두고 프로그램을 “Youth Guarantee”처럼 약속 기반으로 명명했다. 일본은 ‘무업자’라는 중립 분류를 유지하면서 지원센터 이름은 ‘지역 청년 서포트 스테이션(地域若者サポートステーション)’으로 붙였다.

    즉, 실체를 가리는 리브랜딩이 아니라 분류와 지원을 언어적으로 분리하는 방식이다.
    이러한 시각에서 보면 “숨고르기 청년”은 이 분리가 실패한 사례다. 분류 자체를 리브랜딩해버리니 통계와 정책 어느 쪽에도 정직하지 않은 말이 됐다.

    5. 그럼 뭘 해야 하나?

    5-1. 분류명과 정책명을 분리해야 한다

    “쉬었음”은 경제활동인구조사의 분류명이다. 바꾸고 싶으면 통계청과 협의해 국제기준(NEET)에 맞춰 “청년 비경제활동인구(교육·훈련·구직 비참여)” 같은 기능적 용어로 고치면 된다. 분류명을 감성어로 덧칠할 게 아니라, 지원 프로그램 이름을 “일자리 첫걸음 보장” 같은 정책 브랜드로 붙이면 분류와 정책이 각자 할 일을 한다.

    5-2. 예산 배분과 성과지표를 함께 공개해야 한다

    이번 발표에서 확인 가능한 숫자는 “10개 대학에 일자리 첫걸음 보장센터 신설”뿐이다. 청년 일자리 전체 예산 중 이 센터가 차지하는 비중, 대학당 배정액, 몇 명을 지원하고 어떤 성과지표로 측정할지가 같이 공개되지 않으면 “숨고르기 청년”이라는 이름만 남고 사업 실체는 증발한다. 정부 입장에서도 손해다. 좋은 프로그램이 있어도 작명 논쟁의 냉소에 가려지고, 나쁜 프로그램이면 이름값 뒤에 숨어버린다. [추정: 구체 예산 규모는 고용노동부 2026년 사업설명자료 공개 시 확인 가능]

    5-3. 순화어는 권고에 그쳐야 한다

    국립국어원의 다듬은말이 민간에 강요되지 않는다는 걸 정부가 먼저 인정하면 된다. 공공문서에서는 일관된 용어를 쓰되, 시민의 말을 교정하려 들지 않을 때 오히려 공공 언어의 권위가 덜 훼손된다.

    마치며

    관료들이 바보라서 이런 일이 생기는 게 아니다. 관료제 인센티브에서 ‘용어 리브랜딩’은 저비용·저위험·빠른 발표·상징적 성과라는 네 박자가 맞는 합리적 선택이다. 문제는 그게 조직 내부 합리성일 뿐이라는 데 있다.

    시민 입장에서는 같은 돈으로 이름 바꾸기에 공을 들이느니 한 사람이라도 더 일자리를 찾게 돕는 게 합리적이다. 두 합리성이 어긋날 때마다 시민은 조롱으로 답한다. 조롱은 불친절한 피드백이지만, 피드백이긴 하다.

    그러니 다음에 정부가 새 순화어를 들고 나올 때 국민이 먼저 할 질문은 정해져 있어야 한다. “이 이름 바꾸는 데 들어간 시간과 예산만큼, 실제 문제는 얼마나 바뀌었습니까?”

    이 질문이 관료제 내부 합리성과 시민 합리성을 다시 정렬시키는 최소한의 장치다.

  • Your Child’s Talent and Giftedness Are Not the Same Thing — What Parents Miss Can Bury Potential

    Your Child’s Talent and Giftedness Are Not the Same Thing — What Parents Miss Can Bury Potential

    Your child stacks blocks with unusual precision. They pick up on what you’re saying faster than other kids their age. They sit down at the piano, press a few keys on their own, and reproduce a melody after just two or three tries.

    When parents see moments like these, they tend to split into one of two camps.

    Either they pour money into tutoring and enrichment programs — “Could my child be gifted?” — or they sit back and wait — “Real talent will show itself.”

    I’ve leaned toward the latter for most of my life as a parent. But I’ve come to understand that both approaches can hurt a child depending on the situation. The reason is simple: “talent” and “giftedness” are not the same word, and “talent” does not develop on its own. This is the core of the talent vs giftedness parenting question — and the distinction matters more than most parents realize.

    (Also available in Korean: 아이의 재능과 천재성, 같은 말이 아니다.)

    How Education Research Distinguishes Talent from Giftedness

    Conceptual diagram of Gagné's DMGT model showing the difference between talent and giftedness

    The most widely cited framework in gifted education research is Françoys Gagné’s Differentiated Model of Giftedness and Talent (DMGT). It draws a clear line between the two.

    • Giftedness: Naturally occurring, spontaneously expressed ability that requires no formal training. The minimum threshold is performance placing an individual in the top 10% of age peers.
    • Talent: Systematically developed knowledge and skill in a specific field, cultivated through learning and training. The minimum threshold is performance placing an individual in the top 10% of people active in that field.

    “GIFTEDNESS designates the possession and use of outstanding natural abilities, called aptitudes, in at least one ability domain, to a degree that places an individual at least among the top 10% of age peers.”
    — Gagné, F. (2008). Building Gifts into Talents: Brief Overview of the DMGT 2.0.

    Giftedness is a rough diamond; talent is the polished stone. A rough diamond has its own luster, but most children are not rough diamonds. They are born with decent raw material — and that material must go through a process of learning, training, and environment before it becomes talent.

    Leaving “Talent” to Reveal Itself Will Bury It

    The DMGT 2.0 developmental process: how natural gifts transform into talent through training, catalysts, and environment

    “Real talent will show itself without any help” is a statement that applies only to giftedness — and only to a narrow slice of it. The central argument of Gagné’s DMGT 2.0 is that for a child’s natural ability (G, gifts) to be transformed into actual talent (T, talent), a developmental process (D) must occur in between — and that process requires two types of catalysts to operate.

    The Five Components of DMGT 2.0

    1. G — Gifts (Natural Abilities): Six domains of natural ability — four mental (intellectual, creative, social, perceptual) and two physical (muscular, motor control).
    2. T — Talents: Systematically developed knowledge and skills.
    3. D — Developmental Process: Learning, training, and practice.
    4. I — Intrapersonal Catalysts: Physical and mental traits, self-awareness, motivation, and will.
    5. E — Environmental Catalysts: Responses from parents, teachers, and peers; educational programs; sociodemographic conditions.

    Running in the background is Chance (C): uncontrollable conditions such as which genes a child inherits, which family they are born into, and what era they grow up in.

    Of these components, what parents can directly influence is the Environmental Catalyst (E) — and, indirectly, parts of the Intrapersonal Catalyst (I) shaped by that environment. If a child responds to drawing, there need to be art supplies and space. If a child responds to music, there need to be opportunities to encounter a range of music. Without that environment, innate potential stays just that — potential.

    What “Talent Will Show Itself” Really Means

    Under the Gagné model, even a child whose natural abilities place them in the top 10% of age peers will only develop into a genuinely “talented person” if the developmental process and both catalysts work together — and only some children experience that alignment. And for the vast majority of children who are not in the top 10%, if parents don’t discover and cultivate what’s there, those children grow up never knowing what their strengths are. Taking “talent shows itself” at face value means a child misses the very opportunity to recognize which domains they excel in.

    Mistaking Interest for Talent Will Snuff Out the Interest Too

    Why parents need to distinguish a child's interest from genuine talent

    That said, treating every small success as a sign of talent is equally dangerous. A child’s enjoyment of an activity does not automatically make it a talent. Interest and talent are different things.

    • Interest: Activities a child enjoys. Fickle, shifting with age and circumstance.
    • Talent: Performance that is measurably stronger than the age-group average. It requires a point of comparison.

    Mistaking interest for talent leads to over-investment: expensive classes, packed schedules, premature specialization. The problem is that this lands on the child as pressure to perform. Something that started as fun becomes an object of evaluation — and the moment that happens, the interest itself is snuffed out. The parent pushes harder because of the money already spent; the child grows to dislike that area more and more.

    To elevate interest into talent, you need something concrete to compare against. Against peers the same age, with a similar time investment, does this child stand out in a meaningful way? Only when the answer is yes does the word “talent” apply. Skip that judgment, and a child’s time and a parent’s money flow in the wrong direction.

    Why “Talent Discovery” Matters More Than Ever in the Age of AI

    Why discovering a child's talent matters more in an era of AI-driven change

    For our parents’ generation — and, frankly, for mine as well — the range of available career paths was relatively narrow, and switching fields was seen as instability. That is no longer the case.

    The World Economic Forum’s Future of Jobs Report 2025 projects that AI and information-processing technologies will transform 86% of businesses by 2030, with 170 million new jobs created while 92 million existing jobs are displaced. The report further notes that 39% of the core skills required of workers will change between 2025 and 2030.

    In this environment, what children need is not “training to be the best in one field.” What matters far more is knowing which fields they are comparatively good at and enjoy, accumulating small achievements in those fields, and internalizing the feeling that learning is something worth doing.

    That internalized sense is what prevents collapse when change comes. A child who has experienced the pleasure of learning transfers more quickly to new tools and new fields than one who hasn’t. Not everyone needs to come in first. But at minimum, every child needs to know where their strengths lie — and to have developed the instinct to keep updating themselves on that foundation.

    Talent is the root of that habit of self-improvement. The experience of having felt — firsthand — that you are better at something than most others becomes a lifelong source of motivation to learn. In an age of AI, the greatest asset a parent can give a child is not a premium tutoring schedule. It is the self-knowledge that says: “There is something I’m better at than most.”

    What Parents Should Actually Do — Observe, Experiment, Build the Environment

    1. Observe — Record Their Reactions

    Watch what your child concentrates on spontaneously and for extended periods. Not the activities you’ve assigned, but the ones they return to on their own, without being told. Keep brief notes as you go. Patterns will emerge over months.

    2. Experiment — Offer a Variety of Stimuli

    Don’t decide on one field in advance and push toward it. Instead, crack open doors in multiple directions — music, drawing, physical activity, language, building, reading — and observe where your child lingers longest. At this stage, your role is not “the person who decides” but “the person who provides options.”

    3. Environment — Invest When You See a Response

    Once a clear response to a particular domain emerges, build the environment around it: tools, time, appropriately-leveled guidance. Delay evaluation and pressure for as long as possible. The fastest way to extinguish interest is to deliver the message “you have to be good at this” too early.

    The Bottom Line

    “Talent will show itself on its own” is a belief that holds true only for a tiny minority of the genuinely gifted. For the great majority of children, if parents don’t observe, experiment, and build an environment, those children grow up never knowing what they’re good at. At the same time, a little aptitude does not automatically constitute talent. Interest and talent are different — and telling them apart requires an honest, comparative look at how a child performs against peers.

    The goal is not to produce a champion. It’s for a child to discover, on their own terms, the fields where they are comparatively strong — and to find real pleasure in getting better within them. In a world that is changing as fast as it is, the difference in adaptability between a child who has that experience and one who doesn’t is significant. The talent vs giftedness parenting distinction matters because it is what lets you give a child the engine that powers lifelong learning — rather than a schedule that exhausts them.

    References

    • Gagné, F. (2004). Transforming gifts into talents: the DMGT as a developmental theory. High Ability Studies, 15(2), 119–147. Taylor & Francis
    • Gagné, F. (2008). Building Gifts into Talents: Brief Overview of the DMGT 2.0. PDF
    • World Economic Forum. (2025). Future of Jobs Report 2025. WEF
  • 아이의 재능과 천재성, 같은 말이 아니다 — 부모가 놓치면 재능은 묻힌다

    아이의 재능과 천재성, 같은 말이 아니다 — 부모가 놓치면 재능은 묻힌다

    아이가 블록을 유난히 잘 쌓는다. 또래보다 말귀를 빨리 알아듣는다. 피아노 건반을 혼자 눌러보더니 두세 번 만에 동요 멜로디를 따라 친다.

    이런 장면을 보면 많은 부모들이 둘 중 한쪽으로 기운다.

    “우리 아이가 혹시 영재 아닐까” 하며 학원과 교구에 돈을 쏟아붓거나, “진짜 재능이면 알아서 드러난다”며 가만히 내버려 둔다.

    나는 지금까지 후자에 가까운 입장을 취해왔는데, 두 접근 모두 상황에 따라 아이에게 좋지 않은 영향을 미칠 수 있다는 것을 알게 되었다. “재능”과 “천재성”은 같은 말이 아니며, “재능”은 알아서 성장하는 것도 아니기 때문이다.

    재능과 천재성, 교육학에서는 이렇게 구분한다

    영재교육 연구에서 가장 널리 인용되는 프랑수아 가네(Françoys Gagné)의 재능 개발 분화 모델(Differentiated Model of Giftedness and Talent, 이하 DMGT)은 이 둘을 분명히 나눈다.

    • 천재성(giftedness): 훈련 없이 자발적으로 드러나는 타고난 능력. 또래의 상위 10% 안에 들어가는 수준을 최소 기준점으로 본다.
    • 재능(talent): 체계적인 학습·훈련을 통해 특정 분야의 전문성으로 개발된 능력. 같은 분야 활동자 중 상위 10% 안에 들어가는 수준을 최소 기준점으로 본다.

    “GIFTEDNESS designates the possession and use of outstanding natural abilities, called aptitudes, in at least one ability domain, to a degree that places an individual at least among the top 10% of age peers.”
    — Gagné, F. (2008). Building Gifts into Talents: Brief Overview of the DMGT 2.0.

    재능과 천재성 차이를 설명하는 Gagné의 DMGT 모델 개념도

    천재성은 ‘원석’이고, 재능은 ‘연마된 보석’이다. 원석은 그 자체로 빛나지만, 대부분의 아이는 원석이 아니다. 다만, 많은 아이가 ‘괜찮은 원재료’를 갖고 태어나기 때문에 학습·훈련·환경이라는 공정을 반드시 거쳐 그 원재료를 재능으로 가공해야 한다.

    재능은 드러나게 되어 있다며 방치하면 묻힌다

    “재능이면 누가 말 안 해도 드러난다”는 말은 딱 천재성에 한해서만 맞는 말이다. 가네 DMGT 2.0 모델의 핵심 주장은, 타고난 능력(G, gift)이 실제 재능(T, talent)으로 전환되려면 중간에 발달과정(D, developmental process)이 있어야 하고, 이 과정에는 두 종류의 촉매(catalysts)가 작동해야 한다는 것이다.

    타고난 능력이 재능으로 발현되는 DMGT 2.0 발달과정 흐름

    DMGT 2.0의 5가지 구성요소

    1. G — 타고난 능력(Gifts): 정신적 영역 4가지(지적·창의적·사회적·지각적)와 신체적 영역 2가지(근육·운동통제) 총 6개 영역의 자연 능력
    2. T — 재능(Talents): 체계적으로 개발된 지식·기술
    3. D — 발달과정(Developmental Process): 학습, 훈련, 연습
    4. I — 개인 내적 촉매(Intrapersonal Catalysts): 신체·정신 특성, 자각, 동기, 의지
    5. E — 환경적 촉매(Environmental Catalysts): 부모·교사·또래의 반응, 교육 프로그램, 사회인구학적 조건

    여기에 우연(C, Chance)이라는 배경 요인이 따로 있다. 어떤 유전자를 물려받는지, 어떤 가정에서 태어나는지, 어떤 시대에 사는지 같은 통제 불가능한 조건이 여기에 해당한다.

    이 중 부모가 직접 영향을 미칠 수 있는 것이 환경적 촉매(E)와, 그 환경을 통해 간접적으로 형성되는 개인 내적 촉매(I)의 일부다. 아이가 그림에 반응한다면 그림 도구와 공간이 있어야 한다. 음악에 반응한다면 다양한 음악을 접할 기회가 있어야 한다. 이런 환경이 제공되지 않으면, 타고난 잠재력은 그저 잠재력으로 남는다.

    ‘재능은 알아서 드러난다’는 말의 진짜 의미

    가네 모델 기준으로 보면, 타고난 능력이 또래 전체 중 상위 10% 수준인 아이라도 실제 ‘재능 있는 사람’으로 성장하는 것은 발달과정과 두 촉매가 맞물린 일부에 불과하다. 그리고 상위 10%에 들지 않는 대다수 아이는 부모가 발굴하고 개발해주지 않으면 자기 강점이 뭔지 모른 채로 자란다. “재능은 알아서 드러난다”는 말을 그대로 믿으면, 아이는 자기가 어떤 분야에 강점이 있는지 인지할 기회 자체를 놓친다.

    흥미를 재능으로 착각하면 아이는 흥미도 잃는다

    그렇다고 “조금만 잘하면 다 재능”이라고 보는 것도 위험하다. 아이가 어떤 활동을 좋아한다고 해서, 그것이 자동으로 재능이 되지는 않는다. 흥미와 재능은 다르다.

    • 흥미: 아이가 즐거워하는 활동. 변덕스럽고, 시기에 따라 바뀐다.
    • 재능: 같은 연령대 평균보다 뚜렷이 나은 수행 능력. 비교 기준이 필요하다.
    아이의 흥미와 재능을 구분해야 하는 이유를 보여주는 장면

    흥미를 재능으로 착각하면 과잉 투자가 일어난다. 비싼 학원, 빼곡한 스케줄, 조기 전공화 같은 결정이 여기서 나온다. 문제는 이것이 아이에게 ‘잘해야 한다’는 압박으로 작용한다는 점이다. 처음엔 즐거워서 한 일이 평가의 대상이 되는 순간, 흥미 자체가 꺼진다. 부모는 투자한 돈이 아까워서 더 밀어붙이고, 아이는 점점 그 분야를 싫어하게 된다.

    흥미를 재능으로 승격시키려면 비교 가능한 수행 데이터가 필요하다. 같은 연령대와 비교해서, 비슷한 시간을 투자해서, 정말 두드러지게 잘하는가. 이 질문에 ‘그렇다’가 나올 때 비로소 ‘재능’이라는 단어를 붙여야 한다. 이 판단을 생략하면 아이의 시간과 부모의 돈이 엉뚱한 방향으로 흘러간다.

    AI 시대에 ‘재능 발굴’이 더 중요해진 이유

    부모 세대, 그리고 내 세대까지는 진로의 선택지가 상대적으로 좁았고, 여러 분야를 넘나들며 전직하는 것을 ‘불안정하다’고 보는 시선이 있었다. 지금은 다르다.

    세계경제포럼(World Economic Forum)의 「Future of Jobs Report 2025」는 2030년까지 AI와 정보처리 기술이 기업의 86%를 전환시킬 것으로 전망하며, 1억 7천만 개의 신규 일자리가 창출되는 동시에 9천 2백만 개의 기존 일자리가 사라질 것으로 예측한다. 보고서는 또 2025년부터 2030년 사이에 근로자에게 요구되는 핵심 역량의 39%가 변화할 것이다라고 지적한다.

    AI 시대 변화 속에서 아이의 재능 발굴이 중요해진 배경

    이런 환경에서 아이에게 필요한 것은 ‘한 분야의 최고가 되는 훈련’이 아니다. 그보다 훨씬 중요한 것은 자기가 비교적 잘하고 좋아하는 분야를 스스로 알아보고, 그 분야에서 작은 성취를 쌓으며 ‘배움은 재미있다’는 감각을 체득하는 것이다.

    이 감각이 있어야 변화가 와도 무너지지 않는다. 새로운 도구, 새로운 분야로 옮겨갈 때도 ‘배우는 과정이 즐거웠던 경험’이 있는 아이와 없는 아이는 적응 속도가 다르다. 모두가 1등이 될 필요는 없다. 하지만 최소한 자기 강점의 위치를 알고, 그 위에서 꾸준히 스스로를 업데이트할 수 있는 감각은 필요하다.

    재능은 그 ‘자기계발 습관’의 뿌리가 된다. 아이가 뭔가에 비교우위를 갖고 있다는 사실을 스스로 체감한 경험, 그 경험이 평생 학습 동기의 원천이 된다. AI 시대에 부모가 아이에게 물려줄 가장 큰 자산은 고급 학원 스케줄이 아니라, ‘나는 이 분야를 다른 것보다 잘한다’는 자기 인식이다.

    부모가 실제로 해야 할 것 — 관찰, 실험, 환경

    1. 관찰 — 반응을 기록한다

    아이가 무엇에 자발적으로 오래 집중하는지 관찰한다. ‘시켜서 하는’ 활동이 아니라 ‘시키지 않아도 돌아와서 다시 하는’ 활동을 발견하고, 짧게라도 메모해두면 몇 달 뒤 패턴이 보인다.

    2. 실험 — 여러 자극을 제공한다

    한 분야를 미리 정해놓고 몰아가지 말고, 다양한 분야의 문을 살짝씩 열어둔다. 음악, 그림, 운동, 언어, 만들기, 책 읽기 등 아이가 어디에 더 오래 머무는지 지켜본다. 이 단계에서 부모의 역할은 ‘결정하는 사람’이 아니라 ‘선택지를 제공하는 사람’이다.

    3. 환경 — 맞다 싶으면 투자한다

    여러 자극 중 아이가 뚜렷이 반응하는 분야가 드러나면, 그때 본격적으로 환경을 마련한다. 도구, 시간, 적절한 수준의 지도. 단, 평가와 압박은 가능한 한 뒤로 미룬다. 흥미가 꺼지는 가장 빠른 길은 ‘잘해야 한다’는 메시지를 너무 일찍 주는 것이다.

    정리

    “재능은 알아서 드러난다”는 믿음은 극소수의 천재에게만 해당된다. 나머지 대다수 아이는 부모가 관찰하고, 실험하고, 환경을 마련해주지 않으면 자기 재능이 뭔지 모른 채로 자란다. 그렇다고 조금 잘한다고 해서 다 재능인 것도 아니다. 흥미와 재능은 다르고, 그 경계를 구분하려면 또래 대비 수행을 객관적으로 봐야 한다.

    목표는 1등을 만들어내는 것이 아니다. 아이가 자기가 비교적 잘하는 분야를 스스로 알아보고, 그 안에서 성취와 자기계발의 재미를 체득하는 것이다. AI 시대의 빠른 변화 속에서 이 습관이 있는 아이와 없는 아이의 적응력은 다르다. 재능 발굴은 아이의 평생 학습 엔진을 장착하는 일이다.

    참고 문헌

    • Gagné, F. (2004). Transforming gifts into talents: the DMGT as a developmental theory. High Ability Studies, 15(2), 119-147. Taylor & Francis
    • Gagné, F. (2008). Building Gifts into Talents: Brief Overview of the DMGT 2.0. PDF
    • World Economic Forum. (2025). Future of Jobs Report 2025. WEF Publications