3부 총정리
글 줄이기부터 일 맡기기까지 · 설명 한 겹 더 · DAY 21-35
3부는 AI가 실제로 할 수 있는 일을 열다섯 날에 걸쳐 하나씩 본 묶음이야. 요약·번역처럼 글을 다루는 일에서 시작해, 그림과 소리로 넘어가고, 마지막엔 일을 통째로 맡기는 이야기로 끝나.
이 글은 초급과 사실이 같고 깊이만 한 겹 더해. 왜 그렇게 되는지까지 붙였으니, 날마다 두 칸씩 읽으면 돼. 퀴즈도 실험도 없어.
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.
길이와 읽는 사람을 알려 주지 않으면 버릴 기준을 AI가 알아서 정해 버려. 마지막 칸에서 자기 말로 바꿔 쓰기 때문에 원문에 없던 표현이 섞일 수 있어. 그래서 받은 요약은 원문과 한 번은 맞춰 봐야 해.
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.
관용구는 낱말의 합이 아니라 덩어리 하나가 뜻을 가져. 우리말은 주어를 자주 생략하니까 문장 전체가 무슨 상황인지 봐야 채울 수 있어. 2016년에 구글이 이 방식을 실제 번역에 처음 넣었고, 어색한 직역이 확 줄었어.
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.
제목 후보를 스무 개 받는 일은 맡겨도 되는데, 고르는 순간 그 제목은 네 판단이 돼. 독후감의 내 생각 칸은 너만 가진 자료야 — 맡기면 책 소개가 되고 읽는 사람도 금방 알아챈다. 발표에 넣을 숫자는 그 숫자를 처음 낸 곳을 찾아 확인하고 출처를 적어.
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.
오류 메시지에는 몇 번째 줄에서 왜 멈췄는지가 적혀 있어. 줄여서 전하지 말고 통째로 보여 주는 게 제일 빠른 수리법이야. 큰 걸 만들 땐 토막마다 실행해 확인하면 고장 난 곳이 바로 보여.
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.
색도 자리도 시간도 분위기도, 말해 주지 않으면 흔한 쪽으로 채워져. 그래서 같은 설명이어도 매번 조금씩 다른 그림이 나와. 자세한 것과 욕심내는 것은 달라 — 한꺼번에 너무 많이 넣으면 오히려 몇 개가 빠져.
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.
가로 1920, 세로 1080짜리 그림 한 장에 점이 약 207만 개야. 1초면 점이 약 6,220만 개로 불어나고. 컵이 2번 장에서 왼쪽, 3번 장에서 오른쪽에 있으면 순식간에 이상한 영상이 돼.
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.
'안'과 '않'은 소리만 들으면 거의 같아. 그래서 AI는 옆 글자와 어울리는지까지 보고 골라. 처음 듣는 이름이 자주 틀리는 이유가 여기 있어.
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.
여러 자료가 한 덩어리로 녹아 섞이면 틀린 줄만 골라내기 어려워. AI가 링크를 달아 줘도 그 링크가 정말 그 말을 하고 있는지는 눌러 봐야 알아. 2023년 조사에서 문장의 51.5%만 링크로 완전히 뒷받침됐어.
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.
긴 글을 줄이는 과정에서 원문에 없던 말이 섞이기도 해. 원문에서 못 찾은 문장은 빼는 게 맞아. 2023년 미국에서는 변호사가 AI가 만들어 낸 가짜 판례를 법원에 냈다가 벌금을 물었어.
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.
'단계별로 설명해 줘' 한마디를 붙였더니 수학 문제 정답률이 크게 올랐다는 연구가 2022년에 나왔어. 같은 유형을 세 번 틀렸다면 중간 어딘가가 비어 있다는 신호야. 풀이를 읽은 것과 내가 풀 수 있는 건 다르니까, 보지 않고 다시 풀어 봐.
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.
줄 세우고 계산하는 건 AI가 빨라. 단위가 섞였는지, 빈칸이 있는지, 이상한 값이 끼었는지는 자료를 모은 내가 제일 잘 알아. 고치기 전에 그린 그래프는 예쁘지만 틀린 그림이야.
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.
무엇을 말할지 정하기, 숫자 확인, 연습, 질문에 답하기는 내 몫이야. 문장은 근사한데 한 줄만 물어도 무너지는 발표가 제일 위험해. 틀린 숫자도 내 이름으로 남으니까.
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.
손잡이를 올리면 쓸 만한 아이디어와 버릴 아이디어가 같이 늘어나. 번역과 요약은 낮추고, 아이디어 회의는 올리는 게 맞아. 화면에 손잡이가 안 보여도 '더 엉뚱하게 스무 개 더'라고 말하면 비슷한 효과가 나.
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.
기간·분량·내가 할 수 있는 것을 알려 줘. 조건이 없으면 AI는 아무 계획이나 그럴듯하게 만들어. 점검 칸은 일을 늘리는 게 아니라 되돌릴 시간을 버는 칸이야.
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.
사람이 쉽게 하는 일을 에이전트는 자주 놓쳐. 2023년 첫 평가에서 사람은 92%를 끝낸 심부름 문제를 에이전트는 15%만 끝냈어. 진짜 웹사이트 과제에서는 사람 78.2%에 에이전트 14.4%였지.
3부를 한 줄로
열다섯 날에 되풀이된 모양은 하나야. AI는 늘어놓고 줄이고 바꾸는 일을 빠르게 하고, 무엇을 고르고 무엇이 맞는지는 사람 쪽에 남는다.
그래서 '어디까지 맡길까'라는 질문의 답은 일마다 다르지 않았어 — 고칠 수 있는 조각은 맡기고, 되돌릴 수 없거나 내 이름이 붙는 조각은 내가 본다.
4부에서는 그 반대쪽을 봐. 틀릴 때 어떤 모양으로 틀리는지, 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