NotesAI / Learning / PM / AX

AI에게 일을 맡길수록, 나는 어디까지 알아야 할까?

AI가 구현을 도와줄 때 모든 것을 직접 공부해야 할까요? 코드 전체를 아는 것과 결과를 확인할 수 있는 것 사이에서, 필요한 이해의 범위를 고민해봤습니다.

AI에게 작업을 맡기면 모르는 분야에서도 결과물을 만들 수 있다.

필요한 것을 설명하면 방법을 제안해주고, 실제로 움직이는 결과까지 만들어준다. 예전 같으면 공부부터 시작했을 일을, 먼저 해보고 질문하는 순서로 진행할 수 있다.

그런데 작업이 끝난 뒤에는 이런 생각이 남는다.

이제 내가 어디까지 알아야 하지?

모든 것을 직접 구현할 수 있을 만큼 공부해야 할까. 아니면 AI에게 원하는 것을 설명하고 결과를 확인할 수 있으면 충분할까.

아직 둘 사이의 기준을 찾는 중이다.

모든 것을 먼저 배우려고 하면 시작하기 어렵다

새로운 도구를 만들려면 알아야 할 것이 많다.

화면을 만들고, 데이터를 저장하고, 외부 서비스에 연결하고, 실행 환경을 준비하는 일까지 이어진다. 각각을 충분히 공부한 다음 시작하려고 하면 첫 결과물을 보기까지 오래 걸릴 수 있다.

AI가 도와주는 환경에서도 같은 순서를 고집해야 할지는 의문이다.

일단 작은 범위로 만들어보고, 그 결과를 이해하면서 필요한 공부를 이어가는 방식도 가능할 것 같다. 실제로 확인할 대상이 있으면 낯선 설명이 조금 더 구체적으로 보이기도 한다.

다만 먼저 만들 수 있다는 이유로 끝까지 모른 채 사용해도 되는지는 별개의 문제다.

시작하는 데 필요한 이해와 계속 사용하는 데 필요한 이해는 다를 수 있겠다.

목적과 입력, 결과부터 설명할 수 있으면 좋겠다

처음부터 모든 구현을 이해하려 하기보다, 도구의 바깥에서 확인할 수 있는 부분부터 알고 싶다.

무엇을 위해 만드는지, 어떤 정보를 넣는지, 어떤 결과가 나와야 하는지.

예를 들어 여러 자료를 모아 보고서를 만드는 자동화라면, 어떤 기간의 자료를 가져오는지와 무엇을 한 건으로 세는지부터 알아야 한다. 자료가 일부 빠졌을 때 결과에 어떻게 나타나는지도 중요하다.

구현이 복잡해도 이런 기준이 명확하면 확인할 방법을 찾을 수 있다.

반대로 내부 코드를 자세히 읽었어도 결과의 기준을 모르면, 그럴듯한 보고서가 제대로 만들어졌는지 판단하기 어렵다.

내가 먼저 이해해야 하는 것은 도구가 다루는 문제와 기대하는 결과인 것 같다.

문제가 생겼을 때의 흐름은 알아야 하지 않을까

정상적으로 동작할 때는 몰라도 되는 것처럼 보이는 부분이 있다.

하지만 결과가 나오지 않거나 이상한 값이 보이면 어느 단계에서 문제가 생겼는지 알아야 한다.

정보를 가져오지 못한 것인지, 가져온 정보를 잘못 처리한 것인지, 처리한 결과를 화면에 보여주지 못한 것인지에 따라 확인할 곳이 다르다.

모든 구현을 직접 수정할 수 없더라도, 작업이 어떤 단계로 이어지는지는 이해할 필요가 있어 보인다.

각 단계에서 무엇을 받아 무엇을 내보내는지 알고 있다면 AI에게 문제를 설명할 때도 더 구체적으로 이야기할 수 있다. “안 되니까 고쳐줘”에서 조금 더 나아갈 수 있는 것이다.

잘못된 수정으로 다른 부분에 영향을 주지 않았는지 확인하는 데도 이런 이해가 도움이 될 것 같다.

확인할 수 있는 범위부터 맡기는 방법

AI에게 맡길 수 있는 일이 늘어나면 한 번에 큰 작업을 요청하고 싶어진다.

그런데 내가 결과를 확인할 수 없는 범위까지 작업이 커지면, 완료됐다는 설명을 받아도 무엇을 봐야 할지 막막해질 수 있다.

그래서 이해가 부족한 분야에서는 요청을 작은 단위로 나누는 편이 좋겠다는 생각이 든다.

먼저 입력한 내용이 제대로 저장되는지 확인하고, 그다음 저장한 내용을 조회해보고, 이후에 필요한 계산을 추가하는 식이다.

작게 나눈다고 전체 구조를 무시해도 되는 것은 아니다. 다만 단계별로 무엇이 달라졌는지 확인하면서 따라갈 여지가 생긴다.

나에게 필요한 공부도 그 과정에서 조금 더 선명해질 수 있다. 잘 모른다는 사실을 발견한 지점부터 배우는 것이다.

실수의 영향이 커지면 이해의 기준도 높아져야 한다

개인적으로 시험하는 화면과 여러 사람이 사용하는 도구에는 같은 기준을 적용하기 어렵다.

파일을 읽어 보여주는 작업과 원본을 수정하거나 삭제하는 작업도 다르다. 메시지 초안을 만드는 일과 실제로 발송하는 일 사이에도 차이가 있다.

작업이 실패했을 때 어떤 일이 생기는지에 따라, 맡기기 전에 알아야 할 내용이 달라질 것 같다.

실수해도 쉽게 다시 해볼 수 있다면 작은 실험으로 배울 수 있다. 다른 사람의 데이터나 업무에 영향을 준다면, 실행 전에 범위와 복구 방법을 더 분명히 확인해야 한다.

AI가 구현할 수 있는 범위가 넓어졌다고 내가 확인할 수 있는 범위도 같은 속도로 넓어지는 것은 아니다. 특히 되돌리기 어려운 작업에서는 이 간격을 의식해야겠다.

AI에게 설명을 듣는 것에서 한 번 더 나아가기

모르는 내용은 AI에게 물어보면 된다. 다만 설명을 읽고 고개를 끄덕였다고 실제로 이해한 것은 아닐 수 있다.

그 설명을 내 말로 바꿔보거나, 조건을 하나 바꿨을 때 어떤 결과가 나올지 예상해보는 방법이 도움이 될 것 같다.

예를 들어 자료가 없으면 어떻게 되는지 먼저 예상하고 직접 실행해본다. 같은 자료를 두 번 넣으면 어떤 결과가 나올지도 확인해본다.

예상과 결과가 다르면 그 지점이 다음 질문이 된다.

한 번에 모든 것을 공부할 수는 없지만, 내가 한 예측을 실제 결과와 비교하는 경험은 남길 수 있다. 설명을 듣는 공부가 직접 확인하는 공부로 이어지는 것이다.

어디까지 알아야 하는지 계속 조정해보기

지금은 모든 것을 직접 구현할 수 있어야 한다는 기준도, AI가 알아서 하니 결과만 보면 된다는 기준도 충분하지 않다고 느낀다.

대신 내가 맡기려는 일에 맞춰 이해의 범위를 정해보고 싶다.

작업의 목적과 입력·결과를 설명할 수 있는지, 주요 단계가 어떻게 이어지는지 아는지, 무엇을 확인해야 하는지, 잘못됐을 때 멈추거나 되돌릴 수 있는지.

처음에는 이것만으로도 모르는 것이 꽤 많이 드러날 것 같다. 그중 지금 필요한 내용을 배우면서 다음 작업의 범위를 조금씩 넓혀갈 수 있겠다.

AI에게 일을 맡기는 경험이 늘어날수록 공부가 줄어들기만 하지는 않을 것 같다. 먼저 배워야 했던 것 중 일부는 뒤로 미룰 수 있지만, 결과를 판단하려면 새롭게 알아야 할 것도 생긴다.

이번 작업에서, 내가 확인할 수 없어서 그냥 믿고 넘어간 부분은 무엇이었을까?

다음에 무엇을 공부할지 막막해지면 이 질문부터 해보려고 한다. 전부 알아야 한다는 부담보다, 이번에 놓친 부분 하나를 이해하는 데서 시작해볼 수 있을 것 같다.