AI 예절: LLM 응답을 붙여넣는 것이 대화의 막다른 길인 이유

Large Language Model(LLM)의 등장은 우리가 정보를 찾는 방식을 근본적으로 바꾸었지만, 새로운 좌절스러운 사회 현상인 “AI 덤프”도 가져왔습니다. 우리 모두 경험해봤을 겁니다—동료나 친구에게 미묘한 질문을 했을 때, “좋은 질문이에요! 단계별로 풀어보죠.”라는 문구로 시작하는 완벽하게 포맷된, 글머리표가 달린, 완전히 일반적인 텍스트 벽을 받는 상황을.

보낸 사람은 자신이 도움이 되고 효율적이라고 느낄 수 있지만, 받는 사람은 종종 반대 느낌을 받습니다. 이 행동은 단순히 스타일의 문제가 아니라 인간 커뮤니케이션의 붕괴입니다. 특정 사람에게 의견을 물을 때 우리는 가장 통계적으로 가능성이 높은 답변을 찾는 것이 아니라, 그 사람만의 독특한 관점, 경험, 취향을 원합니다.

“Meat RPA” 문제

근본적으로, 편집되지 않은 AI 응답을 그대로 붙여넣는 것은 낮은 노력의 신호입니다. 이는 받는 사람에게 “당신의 질문을 충분히 읽을 여유가 없어서, 대신 챗봇이 추측한 답을 여기 제공한다”는 의미를 전달합니다.

이러한 행동을 “meat RPA”(Robotic Process Automation)라고 부르는 관찰자도 있습니다—기계의 전달자 역할만 하는 인간을 의미합니다. Hacker News의 한 댓글자가 날카롭게 지적했듯이:

"내가 사람을 가치 있게 여기는 이유는 그 사람의 뇌 가중치와 편향이 독특하기 때문입니다. 그에 접근할 수 없고 대신 ChatGPT/Claude/Gemini의 가중치와 편향을 얻게 된다면, 그 사람은... 본질적으로 나와 세상에 죽은 존재가 되는 것이 아닐까요?"

자신의 목소리를 모델의 출력으로 대체하면 가치를 추가하는 것이 아니라, 받는 사람이 4초 만에 스스로 할 수 있는 과정을 중간자만 추가하는 것입니다.

AI 출력이 종종 부실한 커뮤니케이션이 되는 이유

사회적 마찰을 넘어, 원시 LLM 출력이 직업적·개인적 상황에서 자주 실패하는 기술적 이유가 있습니다:

1. 공유된 맥락 부족

LLM은 두 사람 사이에 공유된 암묵적인 지식을 이해하지 못합니다. 기술적으로 “정답”인 응답이라도, 불필요한 부가 설명(팀 모두가 이미 알고 있는 개념을 설명)이나 인간만이 고려할 중요한 내부 맥락을 놓치면 실질적으로 쓸모없게 됩니다.

2. 권위의 착각

AI 모델은 자신감 있게 일반적입니다. 종종 “슬롭”을 만들어냅니다—전문적으로 보이지만 실질이 없는 텍스트. 기술 환경에서는 특히 위험할 수 있습니다. 한 보고서에 따르면, 한 시니어 엔지니어가 Claude를 사용해 전체 코드 변경을 검토했으며, 10,000자 응답 중 80%가 사소한 문제라 팀의 시간을 낭비했다고 합니다.

3. “하나의 진정한 답변” 함정

사용자가 종합할 수 있는 10개의 파란 링크를 제공하는 검색 엔진과 달리, AI는 종종 하나의 권위 있게 들리는 답변을 제공합니다. 이는 정보의 수동적 소비와 비판적 사고의 감소를 촉진하며, 이는 발신자와 수신자 모두에게 해당됩니다.

앞으로의 길: AI를 최종 산출물이 아닌 시작점으로 활용하기

AI를 사용하는 것이 문제가 아니라, 사고의 대체물로 사용하는 것이 문제입니다. 전문적 존중과 진정한 연결을 유지하려면 AI 출력을 주니어 인턴의 초안처럼 다루세요.

AI를 커뮤니케이션에 올바르게 통합하는 방법:

읽고 검증하기: 읽지 않고 절대 붙여넣지 마세요. 모델은 자신감이 있지만 자주 틀립니다. 실제로 옳은 것을 판단하고 불필요한 부분은 버리세요.
통합하고 압축하기: 자신의 통찰 3문장이 로봇식 슬롭 3단락보다 더 가치 있습니다. AI를 아이디어 도출에 활용하고, 답변은 자신의 목소리로 작성하세요.
투명하게: 특정 AI 출력이 실제로 유용하다면 인용하세요. “이 특정 엣지 케이스에 대해 Claude에 물었고, 이 부분은 실제로 맞았습니다”와 같이 AI를 사용한 이유를 제공하면 도움이 됩니다.
침묵할 때를 알기: 기본 AI 프롬프트가 생성할 수 있는 것 외에 추가할 것이 없으면, “덧붙일 것이 없습니다”라고 말하는 것이 일반적인 답변을 덤프하는 것보다 낫습니다.

반론: 언제 허용될 수 있는가?

맥락이 중요합니다. AI 출력을 붙여넣는 것이 적절한 상황이 있습니다:

협업 디버깅: 팀이 복잡한 출력을 함께 해석해 실마리를 찾으려 할 때.
노력 요약: AI에 몇 시간을 투자해 문제의 근본 원인을 찾았다면, 최종 요약을 작업 기록으로 공유하는 것이 효율적입니다. 단, “Claude와 몇 시간을 보낸 뒤, 결론은 다음과 같습니다”라는 식으로 제시해야 합니다.
저노력 질문: 질문 자체가 노력 없이 할 수 있다면, 제로 노력의 응답이 정당하다는 주장도 있습니다—현대판 “제가 구글해 드릴게요”(LMGTFY)와 같습니다.

궁극적으로 커뮤니케이션의 목표는 의미를 전달하고 이해를 구축하는 것입니다. 그 과정을 완전히 기계에 맡기면, 단순히 시간을 절약하는 것이 아니라 인간 협업을 가치 있게 만드는 요소들을 침식시키는 것입니다.