인간은 무엇을 해야 하는가

AI가 정리하고, 인간이 판단한다

LLM Wiki를 만들기 시작하면 금방 깨닫게 된다. AI는 생각보다 많은 일을 잘한다. 회의록을 정리하고, 긴 글을 요약하고, 흩어진 메모에서 공통 주제를 찾고, 관련 페이지를 연결하고, 오래된 주장과 새 자료 사이의 충돌을 찾아낸다. 예전에는 사람이 몇 시간씩 해야 했던 지식 정리 작업을 몇 분 안에 처리한다.

그렇다면 인간은 무엇을 해야 할까.

답은 단순하다. AI가 정리하게 하고, 인간은 판단해야 한다.

AI가 잘하는 일과 인간이 책임져야 하는 일을 구분하지 못하면 두 가지 문제가 생긴다. 하나는 AI를 너무 적게 쓰는 것이다. 여전히 모든 자료를 사람이 직접 복사하고, 요약하고, 분류한다. 그러면 LLM Wiki는 그냥 예쁜 폴더가 된다. 다른 하나는 AI를 너무 많이 믿는 것이다. 자료 선택, 질문 설정, 결론 판단까지 AI에게 넘긴다. 그러면 위키는 빠르게 커지지만, 방향을 잃는다.

좋은 LLM Wiki 운영자는 AI를 비서처럼 쓰지 않는다. 지식 작업의 일부를 맡기는 운영 파트너로 쓴다. 다만 최종 책임자는 언제나 인간이다.

AI에게 맡겨야 할 일

AI에게 먼저 맡겨야 할 일은 반복되는 정리 작업이다. 예를 들어 이런 일들이다.

• 긴 자료에서 핵심 주장 추출하기

• 회의록을 결정 사항, 할 일, 쟁점으로 나누기

• 새 자료와 관련된 기존 위키 페이지 찾기

• 비슷한 개념 페이지끼리 연결하기

• 출처 없는 주장 표시하기

• 오래된 정보와 새 정보의 충돌 찾기

• 초안 작성하기

• 페이지 템플릿에 맞춰 문서 구조화하기

이 작업들의 공통점은 '판단의 방향'보다 '처리의 양'이 중요하다는 점이다. 사람이 하면 지루하고 시간이 많이 걸린다. 그러나 AI는 지치지 않는다. 같은 규칙을 반복 적용하고, 수십 개 파일을 훑고, 일정한 형식으로 결과를 정리하는 데 강하다.

예를 들어 고객 인터뷰 20개가 있다고 하자. 사람이 처음부터 모든 내용을 읽고, 주요 불만을 분류하고, 제품 개선 아이디어로 바꾸려면 시간이 오래 걸린다. AI에게 먼저 맡기면 다음과 같은 초안을 만들 수 있다.

• 반복 등장한 고객 불만

• 고객군별 차이

• 기능 요청 목록

• 기존 제품 비전과 충돌하는 요구

• 다음 인터뷰에서 확인할 질문

이 결과가 곧 최종 결론은 아니다. 하지만 인간이 판단을 시작할 출발점으로는 충분히 유용하다. AI는 빈 화면을 없애준다. 인간은 빈 화면에서 생각을 시작하는 대신, 정리된 초안 위에서 비교하고 의심하고 선택할 수 있다.

모순 탐지도 AI에게 맡기기 좋은 일이다. 사람은 자신이 쓴 문서의 모순을 잘 보지 못한다. 예전 문서에서 "초기 고객은 개인 사용자"라고 해놓고, 새 전략 문서에서 "초기 고객은 중소기업 팀"이라고 써도 그냥 지나칠 수 있다. AI는 이런 충돌을 비교적 잘 찾아낸다. 특히 Lint 루틴을 통해 "서로 다른 페이지에서 다른 주장을 하는 부분을 찾아라"라고 지시하면, 위키의 건강 상태를 점검하는 데 큰 도움이 된다.

링크 생성도 마찬가지다. 위키의 가치는 연결에서 나온다. 하지만 사람이 모든 페이지를 읽으며 관련 링크를 추가하기는 어렵다. AI는 새 페이지를 읽고 기존 개념, 인물, 프로젝트, 결정 기록과 연결할 후보를 제안할 수 있다. 이 작업은 단순하지만 누적 효과가 크다. 링크가 많아질수록 위키는 검색 저장소가 아니라 사고의 지도에 가까워진다.

인간이 끝까지 책임져야 할 일

반대로 인간이 넘기면 안 되는 일이 있다. 첫째는 자료 선택이다.

AI는 주어진 자료를 정리할 수 있다. 하지만 어떤 자료를 읽을지, 어떤 자료를 버릴지, 어떤 질문에 시간을 쓸지는 인간이 정해야 한다. 모든 자료를 위키에 넣는다고 좋은 위키가 되지 않는다. 오히려 잡음이 많아진다. 좋은 위키는 많이 모은 위키가 아니라, 중요한 자료가 잘 고른 방식으로 축적된 위키다.

책을 쓸 때도 마찬가지다. 인터넷의 모든 글을 수집한다고 좋은 원고가 나오지 않는다. 어떤 관점을 중심에 둘지, 어떤 반론을 반드시 다룰지, 어떤 사례를 제외할지 결정해야 한다. 이것은 AI가 대신할 수 없는 편집자의 일이다.

둘째는 질문 설정이다.

AI에게 "이 자료 요약해줘"라고 하면 요약을 준다. 하지만 "이 자료가 우리 제품 전략의 어떤 가정을 흔드는가?"라고 물으면 완전히 다른 답을 준다. "이 논문이 기존 연구 흐름에서 어디를 바꾸는가?"라고 물으면 또 다른 결과가 나온다.

LLM Wiki의 품질은 질문의 품질을 따라간다. 질문이 얕으면 위키도 얕아진다. 질문이 날카로우면 같은 자료에서도 더 깊은 지식이 나온다. 그래서 인간의 중요한 역할은 답을 쓰는 것이 아니라, 좋은 질문을 유지하는 것이다.

셋째는 가치 판단이다.

AI는 여러 선택지를 정리할 수 있다. 장단점을 비교할 수 있다. 위험 요소도 나열할 수 있다. 그러나 무엇을 더 중요하게 볼지는 인간이 정해야 한다.

예를 들어 스타트업 운영 위키에서 두 가지 전략이 있다고 하자. 하나는 빠른 성장에 유리하지만 고객 지원 부담이 크다. 다른 하나는 성장 속도는 느리지만 제품 품질을 안정적으로 유지할 수 있다. AI는 두 전략의 장단점을 표로 정리할 수 있다. 하지만 지금 우리 팀이 감당할 수 있는 리스크가 무엇인지, 어떤 고객과 오래 가고 싶은지, 어떤 회사를 만들고 싶은지는 인간의 판단이다.

넷째는 방향 전환이다.

위키는 과거의 축적물이다. 축적은 강력하지만, 때로는 관성을 만든다. 기존 페이지가 많을수록 우리는 그 방향이 맞다고 느끼기 쉽다. AI도 기존 위키를 바탕으로 답하기 때문에 현재의 방향을 강화하는 경향이 생길 수 있다.

그래서 인간은 가끔 위키 밖으로 나와야 한다. 지금까지 모은 지식이 틀렸을 가능성은 없는지, 더 중요한 문제가 생긴 것은 아닌지, 우리가 계속 같은 질문만 반복하고 있는 것은 아닌지 점검해야 한다. 좋은 운영자는 위키를 잘 키우는 사람인 동시에, 필요할 때 위키의 전제를 의심하는 사람이다.

지식 노동의 중심은 작성에서 운영으로 이동한다

AI 이전의 지식 노동은 주로 작성 중심이었다. 보고서를 쓰고, 회의록을 만들고, 기획안을 작성하고, 문서를 정리하는 일이 핵심이었다. 결과물은 대개 파일 하나였다. 문서를 완성하면 일이 끝났다고 여겼다.

AI 이후의 지식 노동은 운영 중심으로 바뀐다. 이제 중요한 것은 문서 하나를 잘 쓰는 것만이 아니다. 자료가 어떻게 들어오고, 어떤 규칙으로 정리되고, 어디에 연결되고, 언제 검토되고, 어떻게 다시 사용되는지가 중요해진다.

LLM Wiki에서는 글쓰기와 운영이 분리되지 않는다. 새 자료를 넣으면 AI가 관련 페이지를 업데이트한다. 질문을 던지면 답변이 새 페이지가 된다. 오래된 문서는 Lint를 통해 수정 후보가 된다. 회의에서 나온 결정은 decision 페이지로 남고, 다음 회의에서 다시 참조된다.

이때 인간의 역할은 '모든 문장을 직접 쓰는 사람'에서 '지식 흐름을 설계하는 사람'으로 바뀐다. 어떤 폴더 구조를 둘지, 어떤 페이지 유형을 만들지, 어떤 문서는 반드시 출처를 요구할지, 어떤 업데이트는 사람 검토 후 반영할지 정한다.

말하자면 인간은 저자이면서 편집장이고, 연구자이면서 운영자다. AI는 빠르게 초안을 만들고 정리하지만, 지식 체계의 방향을 설계하는 일은 인간에게 남는다.

이 변화는 작아 보이지만 매우 크다. 앞으로 지식 노동자의 경쟁력은 "얼마나 빨리 쓰는가"보다 "어떤 지식 시스템을 운영하는가"에 더 가까워진다. 같은 AI를 쓰더라도 어떤 사람은 매번 새 질문을 던지고 답을 소비한다. 다른 사람은 질문과 답을 위키에 남기고, 다음 작업의 재료로 만든다. 몇 달 뒤 두 사람의 차이는 크게 벌어진다.

깊은 이해를 포기하지 않는 법

AI가 정리를 잘할수록 한 가지 위험이 커진다. 원문을 읽지 않게 되는 것이다.

요약은 편하다. 특히 긴 논문, 두꺼운 책, 복잡한 회의록은 AI 요약만 읽고 넘어가고 싶다. 하지만 요약만 읽으면 지식의 밀도가 낮아진다. 중요한 뉘앙스, 저자의 망설임, 개념이 등장한 맥락, 반론의 힘을 놓치기 쉽다.

LLM Wiki를 깊은 이해의 도구로 쓰려면 원문 읽기와 AI 정리를 균형 있게 써야 한다. 모든 자료를 처음부터 끝까지 읽을 필요는 없다. 그러나 중요한 자료는 반드시 직접 읽어야 한다. 특히 다음에 해당하는 자료는 원문 확인이 필요하다.

• 내 주장이나 전략의 근거가 되는 자료

• 여러 페이지에서 반복 인용되는 핵심 자료

• AI 요약만으로는 결론이 애매한 자료

• 숫자, 법률, 계약, 의학, 보안처럼 오류 비용이 큰 자료

• 기존 믿음을 바꿀 수 있는 반대 근거

좋은 방식은 3단계다.

첫째, AI에게 먼저 구조를 잡게 한다. "이 자료의 핵심 주장, 근거, 반론, 모르는 점을 정리해줘"라고 요청한다. 이렇게 하면 원문을 읽기 전에 지도를 얻을 수 있다.

둘째, 사람이 중요한 부분을 직접 읽는다. 전체를 다 읽지 않더라도 핵심 주장, 데이터, 결론, 반론 부분은 직접 확인한다. AI가 강조한 부분이 정말 중요한지, 빠뜨린 맥락은 없는지 본다.

셋째, 다시 AI에게 위키 업데이트를 맡긴다. 사람이 확인한 내용을 바탕으로 개념 페이지, 주장 페이지, 출처 요약, 관련 링크를 갱신하게 한다.

이 방식은 AI를 우회하는 것이 아니다. 오히려 AI를 더 잘 쓰는 방법이다. AI에게 읽기 전 지도와 읽은 후 정리를 맡기고, 인간은 중간에서 중요한 판단을 한다.

인간의 일은 더 어려워지고, 더 중요해진다

AI가 많은 일을 대신하면 인간의 일이 쉬워질 것처럼 보인다. 실제로 반복 작업은 쉬워진다. 하지만 전체적으로 보면 인간의 일은 더 중요해진다. 왜냐하면 더 많은 자료, 더 빠른 초안, 더 많은 선택지가 생기기 때문이다.

예전에는 자료가 부족해서 문제였다. 이제는 자료가 너무 많아서 문제다. 예전에는 초안을 쓰는 데 시간이 오래 걸렸다. 이제는 초안이 너무 빨리 많이 생겨서 무엇을 채택할지 결정해야 한다. 예전에는 연결을 만들 시간이 없었다. 이제는 AI가 수많은 연결 후보를 만들기 때문에 어떤 연결이 의미 있는지 골라야 한다.

따라서 AI 시대의 인간 지식 노동자는 더 많이 타이핑하는 사람이 아니다. 더 잘 고르고, 더 잘 묻고, 더 잘 의심하고, 더 잘 결정하는 사람이다.

LLM Wiki는 이 변화를 잘 보여준다. 위키를 키우는 과정에서 AI는 자료를 정리한다. 그러나 어떤 자료를 넣을지, 어떤 질문을 중심에 둘지, 어떤 결론을 믿을지, 언제 방향을 바꿀지는 인간이 정한다.

이 구분을 기억하면 AI를 두려워할 필요가 없다. AI에게 빼앗기는 것은 반복 정리의 많은 부분이다. 인간에게 남는 것은 더 본질적인 일이다. 무엇을 알고 싶은가. 왜 그것이 중요한가. 어떤 결정을 내려야 하는가. 어떤 삶과 조직을 만들 것인가.

LLM Wiki의 목표는 인간을 지식 노동에서 밀어내는 것이 아니다. 인간이 더 중요한 판단에 집중하도록 반복 작업을 덜어내는 것이다.

좋은 위키는 AI 혼자 만들 수 없다. 좋은 질문을 가진 인간이 필요하다. 좋은 자료를 고르는 인간이 필요하다. 출처를 확인하고, 모순을 받아들이고, 방향을 바꿀 줄 아는 인간이 필요하다.

AI가 정리한다. 인간이 판단한다. 이 단순한 원칙이 AI 시대 지식 운영의 출발점이다.