3부 총정리
글 줄이기부터 일 맡기기까지 · 짧게, 비유로 · DAY 21-35
3부에서는 AI가 실제로 뭘 할 수 있는지를 열다섯 날에 걸쳐 하나씩 봤어. 글 줄이기로 시작해서, 마지막에는 일을 통째로 맡기는 이야기까지 왔지.
여기는 퀴즈도 실험도 없어. 읽고 넘어가는 글이야. 기억이 흐릿한 날은 그 칸의 수업으로 바로 넘어가면 돼.
DAY 21 · 요약
요약은 버릴 것을 고르는 일
요약은 글을 앞에서부터 잘라 내는 게 아니야. AI는 글 전체를 먼저 훑고, 문장마다 이게 얼마나 중요한가를 따져. 그리고 점수 높은 것만 골라 자기 말로 다시 써.
DAY 22 · 번역
번역은 낱말이 아니라 뜻을 옮긴다
번역은 단어를 하나씩 맞바꾸는 일이 아니야. 문장 전체의 뜻을 먼저 잡고, 그 뜻을 다른 말로 다시 짓는 일이거든. 그래서 '고양이와 개가 내린다' 같은 직역은 뜻이 통하지 않아.
DAY 23 · 글쓰기 도우미
맡길 조각과 내가 할 조각
AI는 글을 대신 써 주는 기계가 아니라, 내가 쓴 글을 굴려 보게 해 주는 도구야. 내 생각·내 경험·사실 확인은 내가 하고, 다듬기와 줄이기는 맡겨도 돼. AI가 쓴 문장도 네 이름을 달고 나가니까.
DAY 24 · 코딩
코드를 받는 건 시작일 뿐
말로 설명하면 코드가 나오는 건 맞아. 그런데 코딩의 진짜 절반은 코드가 나온 다음에 있어. 실행하고, 오류를 읽고, 고치는 일이 거기 들어 있거든.
DAY 25 · 그림 그리기
잡티를 걷어 내며 그린다
그림 AI는 어디선가 그림을 찾아오는 게 아니야. 점 투성이 화면에서 잡티를 조금씩 걷어 내며 그려 나가. 네 설명은 그 걷어 내는 방향을 정하는 손잡이야.
DAY 26 · 영상 만들기
1초에 그림 서른 장
영상은 움직이는 그림이 아니라 멈춘 그림을 빠르게 이어 붙인 거야. 1초에 보통 스물네 장에서 서른 장쯤 들어가. 그래서 영상 만들기는 어제 본 그림 만들기의 수십 배로 무거워.
DAY 27 · 목소리
소리를 잘게 쪼개서 듣는다
AI는 네 말을 통째로 알아듣는 게 아니야. 소리를 1초에 1만 6천 번 숫자로 적고, 25밀리초짜리 창으로 훑어 가. 조각 하나하나는 그냥 높낮이 무늬야.
DAY 28 · 검색과 뭐가 다를까
목록을 주느냐, 한 덩어리를 주느냐
검색은 답을 주는 게 아니라 갈 곳 목록을 줘. AI는 이미 읽어 둔 걸로 한 덩어리 문장을 만들어 주지. 읽을 게 하나뿐이라 빠른데, 그 말이 어디서 왔는지는 안 적혀 있어.
DAY 29 · 자료 조사
빨라지는 건 앞부분
AI와 함께 조사하면 시작이 빨라져. 검색어와 목차 후보를 금방 뽑아 주니까 찾고 추리는 앞부분이 빨라지는 거야. 숫자·연도·사람 이름·인용문은 내가 원문을 눌러 확인해야 해.
DAY 30 · 공부 도우미
답을 받을까, 풀이를 받을까
같은 문제를 물어도 답을 달라고 하느냐 풀이를 달라고 하느냐로 돌아오는 게 달라져. 고르는 기준은 하나야 — 이걸 나중에 나 혼자 해야 하나. 혼자 해야 할 일이면 풀이를, 맞았는지만 보면 되는 일이면 답을 받아.
DAY 31 · 표와 데이터 정리
모으기 → 표 → 고치기 → 그래프
흩어진 자료를 바로 그래프로 그리면 안 돼. 표에는 규칙이 있어 — 한 줄에 한 건, 한 칸에 한 값. 이렇게 줄을 세워 놓으면 사람도 AI도 바로 계산할 수 있어.
DAY 32 · 발표 준비
발표는 조각으로 쪼개진다
발표 준비는 한 덩어리가 아니야. 주제 좁히기·자료 모으기·슬라이드 만들기·연습 같은 조각으로 쪼개져. AI가 맡기 좋은 조각은 밑그림과 손이 많이 가는 일이야.
DAY 33 · 아이디어 내기
뻔한 답과 엉뚱한 답을 가르는 손잡이
AI는 다음 낱말을 확률로 골라. 확률 높은 것만 집으면 뻔해지고, 낮은 것까지 집으면 엉뚱해져. 이 폭을 넓혔다 좁혔다 하는 손잡이가 진짜로 있고, 이름이 '온도'야.
DAY 34 · 계획 세우기
목표 → 쪼개기 → 순서 → 점검
막막할 때는 AI에게 답을 묻지 말고 일을 쪼개 달라고 해. 계획은 정답을 아는 게 아니라 뭘 먼저 하느냐를 정하는 일이거든. 목표·쪼개기·순서·점검, 이 네 칸만 채우면 계획이 돼.
DAY 35 · 일 통째로 맡기기
되돌릴 수 있으면 맡긴다
목표만 주면 스스로 검색하고, 파일 열고, 실패하면 다시 해 보는 AI를 에이전트라고 불러. 맡겨도 되는 일을 가르는 기준은 하나야 — 틀렸을 때 되돌릴 수 있느냐. 파일 이름은 되돌리고, 보낸 돈과 낸 보고서는 못 되돌려.
3부를 한 줄로
열다섯 날을 한 줄로 줄이면 이거야 — AI가 할 수 있는 일이 늘어날수록, 내가 확인해야 하는 칸도 또렷해진다.
4부에서는 반대쪽을 봐. 잘못될 때 어떻게 잘못되는지, 조심할 것들을 하나씩 짚을 거야.
더 알아보기
- Learning to summarize from human feedback (2020) — 사람 평가로 요약을 가르친 연구arxiv.org/abs/2009.01325
- A Neural Network for Machine Translation, at Production Scale (Google, 2016) — 신경망 번역이 서비스에 들어간 발표research.google/blog/a-neural-network-for-machine-t…
- Evaluating Large Language Models Trained on Code (2021) — 코드를 쓰는 모델을 처음 크게 재 본 논문arxiv.org/abs/2107.03374
- High-Resolution Image Synthesis with Latent Diffusion Models (2021) — 압축한 공간에서 잡티를 걷어 내는 방법arxiv.org/abs/2112.10752
- Video generation models as world simulators (OpenAI, 2024) — 영상 생성 모델을 설명한 글openai.com/index/video-generation-models-as-world-s…
- Robust Speech Recognition via Large-Scale Weak Supervision (2022) — 잡음 섞인 소리로 크게 학습한 받아쓰기arxiv.org/abs/2212.04356
- Evaluating Verifiability in Generative Search Engines (2023) — 답에 붙은 링크가 정말 뒷받침하는지 재 본 조사arxiv.org/abs/2304.09848
- Retrieval-Augmented Generation (2020) — 먼저 자료를 찾아와 답하게 하는 방법arxiv.org/abs/2005.11401
- Large Language Models are Zero-Shot Reasoners (2022) — '단계별로 생각해 보자' 한마디의 효과arxiv.org/abs/2205.11916
- The Curious Case of Neural Text Degeneration (2019) — 다음 낱말을 어떻게 뽑을지에 관한 연구arxiv.org/abs/1904.09751
- Least-to-Most Prompting (2022) — 어려운 문제를 작게 쪼개 차례로 풀기arxiv.org/abs/2205.10625
- GAIA (2023) — 일상 심부름 과제로 에이전트를 재 본 평가arxiv.org/abs/2311.12983
- Tidy Data (2014) — '한 줄에 한 건, 한 칸에 한 값' 규격jstatsoft.org/article/view/v059i10