고졸·무경력에서 OpenAI 리서처까지: 가브리엘의 AI 시대 학습·커리어 전략

핵심 요약

스웨덴 시골에서 고등학교를 중퇴한 가브리엘은, 대학·학위 없이 스타트업과 ChatGPT를 발판으로 OpenAI 리서치 과학자가 되었습니다.

그의 핵심 무기는 '문제부터 파고드는 탑다운 학습', 'AI를 교사처럼 쓰는 법', '데모로 증명하는 실력', '압도적인 질문·피드백 루프'입니다.

이 글은 그가 사용한 학습·취업 전략을, 누구나 따라 할 수 있는 형태로 정리한 것입니다.

기초 스펙보다 중요한 것: 문제와 압력 속에서의 학습

가브리엘은 고등학교를 정식으로 "결심하고" 그만둔 것이 아니라, 기회가 왔을 때 그냥 버스를 타고 스톡홀름으로 가버렸습니다.

당시 그는 프로그래밍을 제대로 할 줄 몰랐고, 스타트업·영업·추천 시스템 어느 것도 모르는 상태에 가까웠지만, 실제 고객과 매출이 걸린 문제에 던져진 덕분에 빠르게 성장했습니다.

그는 이 경험을 통해, 학습이 잘 되려면 두 가지가 꼭 필요하다고 봅니다. 하나는 '실제로 돈과 결과가 걸린 진짜 문제', 다른 하나는 '시간·성과에 대한 압박'입니다.

"무한한 시간, 아무 보상·압력 없는 공부"는 거의 확실하게 실패한다고 보고, 차라리 일부터 시작해 그 과정에서 필요한 것을 역으로 배우는 방식을 택했습니다.

탑다운 학습: 문제 → 필요한 개념 → 더 깊은 기초

그가 강조하는 학습 방식은 흔히 학교에서 가르치는 '바텀업'과 정반대입니다.

바텀업은 "기초 수학 → 선형대수 → 통계 → 간단한 ML → 실전 모델"처럼 밑에서부터 이론을 쌓아 올리는 방식입니다. 확장·운영하기는 쉽지만, 실제로 쓰기까지 몇 년이 걸립니다.

가브리엘은 "문제부터 시작해 내려가는 탑다운"을 씁니다. 예를 들어,

"영상 생성 모델을 만들고 싶다" → 어떤 개념이 필요한지 AI에게 묻는다 (오토인코더, 확산 모델 등) → 확산 모델 코드 전체를 먼저 받아 돌려본다 → 동작하면서 생기는 버그를 같이 고치며 구조를 파악한다 → 특정 파트(예: ResNet, residual block)가 왜 필요한지 직관적으로 설명해 달라고 묻는다 → 그 설명 속에서 등장하는 선형대수, 행렬곱 등을 다시 파고든다

이렇게 실제 과제에서 출발해, 모르는 부분이 나올 때마다 거꾸로 내려가며 기초를 채우기 때문에, "배운 것을 어디에 쓰는지"가 처음부터 명확해집니다.

ChatGPT를 '교수'로 쓰는 법: 재귀적 갭 메우기

가브리엘이 말하는 핵심 스킬은 "내가 무엇을 모르는지 감지하고, 그 빈틈을 AI와 함께 메우는 능력"입니다.

무언가를 공부하거나 코드를 읽을 때, 머릿속에 "여기가 정확히 이해가 안 된다"는 감각이 들어올 때 그걸 그냥 넘기지 않고 질문으로 바꿔 ChatGPT에 던집니다.

그는 이 과정을 "재귀적 갭 채우기"로 설명합니다.

전체 개념을 대략 들은 뒤, 이해 안 가는 부분(갭)을 인지한다.
그 한 부분만 콕 집어 "12살에게 설명하듯" 다시 풀어 달라고 요청한다.
여전히 잘 안 잡히면, 다시 그 설명 중에서 모호한 지점을 골라 또 질문한다.
어느 순간 "아, 이제 알겠다"는 클릭이 오는 지점을 느끼고, 그때 자신의 이해를 글로 설명해보고, AI에게 "이해가 맞는지" 검증받는다.

이렇게 "갭 감지 → 질문 → 재설명 → 내 언어로 정리 → 검증" 루프를 반복하는 것이, 그의 학습에서 가장 중요한 도구입니다.

AI에게 어떻게 질문하는가: 좋은 프롬프트의 요소

그는 ChatGPT를 쓸 때, 기본적으로 다음과 같은 요구 사항을 자주 붙입니다.

"매우 직설적이고 구체적으로 설명해 달라."
"코드나 수식이라면 중간 단계와 각 변수의 모양(차원)을 모두 보여 달라."
"왜 이런 설계가 다른 옵션보다 나은지, 다른 연구·실패한 접근과 비교해서 설명해 달라."
"지금 설명이 충분히 직관적이지 않다면, 다른 비유나 예시를 2~3개 더 들어 달라."

그리고 이해가 안 되는 상황에서는 "내가 정말 바보라고 생각하고, 훨씬 더 쉽게, 현실 비유 위주로 다시 설명해 달라", "이 개념이 애초에 발견되지 않았더라도, 사람들이 다른 길로 도달할 수 있었을지 가정하며 설명해 달라" 같은 다소 엉뚱한 요구도 과감히 던집니다.

이 과정에서 중요한 것은 "한 번 설명 듣고 끝내려 하지 않는 것"과 "이해될 때까지 표현 방식을 계속 갈아 달라고 요청하는 것"입니다. 그는 같은 질문을 수십 번씩 다른 방식으로 재질문하며 이해를 쥐어짜내는 편입니다.

'AI로 숙제 대신 하기'에서 'AI로 뇌 확장하기'로

학교에서는 학생 입장에선 "AI = 숙제 대신 해주는 도구", 교사 입장에선 "AI = 부정행위 도구"라는 인식이 강해 서로를 강화시키는 악순환이 생긴다고 지적합니다.

하지만 그가 실제로 사용하는 방식은 정반대입니다.

모르는 문제를 대신 풀게 하는 것이 아니라,
과거 시험 문제들을 넣고 "공통으로 시험이 겨냥하는 핵심 개념이 무엇인지"를 추출하게 하거나,
기존 문제들을 바탕으로 유사하지만 새롭고 더 어려운 문제를 생성하게 해, 스스로 풀어보게 합니다.

이렇게 AI를 "출제자·튜터"처럼 쓰면, 오히려 학교 수업보다 더 빠르게 핵심을 파악할 수 있고, 이해 수준에 맞춘 맞춤형 훈련이 가능합니다.

그는 "이런 사용법을 가르치지 않는 대학을 더 이상 진지하게 보기 어렵다"고까지 말하며, ChatGPT 활용법이 초등학교 때부터 가르쳐져야 한다고 주장합니다.

학위 대신 포트폴리오: 3초 안에 실력을 보여주는 데모

가브리엘은 "대부분의 회사는 사실 학위에 크게 관심 없다. 그저 돈을 벌어 줄 수 있는 사람인지 알고 싶을 뿐"이라고 말합니다.

그럼에도 기업이 학력을 보는 이유는 단 하나입니다. 실제 실력을 볼 수 있는 명확한 증거가 없기 때문입니다. 이력서에는 "○○% 효율 개선", "유명 대학 졸업", "인턴십 경험"만 적혀 있고, 이걸로는 정말로 일을 잘하는지 가늠하기 어렵습니다.

그래서 그는 "학위 대신 즉시 눈에 보이는 데모"를 강조합니다. 좋은 데모의 기준은 복잡함이 아니라,

링크를 열어보고
3초 만에
"아, 이 사람은 진짜로 만들 줄 아는 사람이구나"가 느껴지는 것입니다.

예를 들어,

아주 빠르고 부드럽게 동작하는 웹 그리드 컴포넌트,
간단하지만 완성도 높은 미니 게임,
실제 데이터와 연결된 작은 추천 시스템 프로토타입 등은 좋은 재료가 됩니다.

코드량이 많을 필요는 전혀 없습니다. 오히려 "짧은 코드로 세련된 걸 만든 사람"이라는 인상을 주는 것이 더 강력합니다.

비학위자 취업 전략: 우회로와 고에이전시

그는 "리크루터를 우회하라"고 말합니다. 회사 밖에서 사람을 뽑을 때, 특히 대기업의 리크루터는 본인이 기술 검증을 할 수 없고, '안전한 선택'을 위해 명문대·대기업 경력 같은 스펙을 찾을 수밖에 없습니다.

반대로 스타트업 창업자·CTO는 직접 실력을 보고 싶어 합니다. 이들은 "좋은 사람만 데려오면 된다"는 인센티브가 강하기 때문에, 스펙보다 데모와 태도를 봅니다.

그가 추천하는 접근은 다음과 같은 흐름입니다.

온라인에 자신이 만든 간단하지만 강렬한 데모를 올려두고, 사람들이 보기 쉽게 설명을 붙인다.
밋업, 해커톤, 스타트업 행사 등에 나가서 사람들에게 먼저 말을 걸고, 대화 중 "제가 이런 걸 만들어봤습니다"라며 데모를 보여준다.
상대의 눈이 반짝이는 순간, 바로 "혹시 이런 사람을 찾는 팀을 아냐"고 묻고, 그 자리에서 소개 메일을 함께 쓰자고 제안한다.
어떤 팀에든 "1주일 무료로 같이 일해보자, 당신 시간은 거의 안 쓰이도록 내가 다 준비하겠다"고 제안해, 리스크 없는 시험 기회를 제공한다.

이 정도의 '고에이전시(high agency, 스스로 기회를 만들고 움직이는 태도)'를 보여주면, 학력과 상관없이 "한 번 같이 해보자"는 쪽으로 흐르기 쉽습니다.

피드백 중독자 되기: 코드 리뷰·AI 리뷰를 최대 활용

가브리엘은 초기 커리어에서 일부러 "코드에 집착하는 시니어 엔지니어"가 있는 팀을 찾아 들어갔습니다.

그는 PR 하나에 코멘트 100개를 달아주는 동료를 만나, 매번 전화나 화상 통화를 걸어 "각 코멘트의 이유를 원칙 수준에서 설명해 달라"고 요청했습니다.

이렇게 인간 멘토에게서 얻는 "직관·관행·첫 원리"를 학습하고, 동시에 ChatGPT에게도

"이 코드에 잠재 버그가 있는지",
"더 간결하고 명확하게 리팩터링할 수 있는 방법이 있는지"를 수십 번씩 물어보며, 하루에 수십~수백 번의 피드백 루프를 돌립니다.

여기서 그의 원칙은 단순합니다.

"잘 되는 것"을 발견하면, 그걸 아주 과하게 활용하라.
코드, 아이디어, 글, 기획 등 무엇이든, AI와 사람 모두에게 피드백을 구할 수 있으면 최대한 자주 구하라.

이런 빈도의 피드백 루프는, 같은 시간을 들이더라도 주변 사람들보다 훨씬 빨리 성장하게 만들어 줍니다.

커리어 빌드업: 여러 회사를 짧게, 최고의 사람과 깊게

그는 초반 커리어에서 "한 회사에 너무 오래 머무르는 것"을 가장 큰 함정 중 하나로 봅니다. 특히 아직 성장 속도가 급격해야 할 때는, 다양한 환경과 문제를 경험하는 것이 훨씬 중요하다고 생각합니다.

그래서 그는 주로 '계약직' 위주의 포지션을 선택했습니다. 덕분에 한 회사에 1~2년 묶이지 않고, 좋은 팀을 발견하면 옮겨가며 더 뛰어난 동료에게서 배울 수 있었습니다.

회사 선택 기준도 명확했습니다.

코드 리뷰를 진지하게 하는 팀인가?
시니어들이 "왜 이렇게 해야 하는지"를 논리적으로 설명해주려 하는가?
나에게 의미 있는 프로젝트를 맡기고, 잡무만 떠넘기지는 않는가?

이 과정을 반복하면서 그는 DataLand, Midjourney 같은 수준 높은 팀을 거쳐, 결국 OpenAI까지 도달했습니다. 중간에 미국 비자(O1)를 준비할 때도, Stack Overflow 답변, GitHub 활동 등 온라인에서의 기술적 기여를 근거로 삼아 "학계 인정"을 대신했습니다.

AI 시대에 커리어를 시작하려는 10대·20대를 위한 조언

마지막으로, "무엇을 해야 할지 모르겠다"는 10대·20대에게 그는 다음과 같은 방향을 제시합니다.

첫째, 소프트웨어(혹은 마케팅 등 디지털 스킬)를 한 번 진지하게 고려해보라고 합니다. 이유는 간단합니다.

결과물이 모두 온라인으로 공유 가능하다.
아주 작은 실력만 있어도 남이 볼 수 있는 무언가를 만들 수 있다.
ChatGPT를 잘 쓰면, 입문 난이도가 극적으로 낮아진다.

둘째, "학교 → 졸업 → 진로 결정" 순서를 절대적으로 믿지 말라고 합니다.

원한다면 대학에 입학하되, 동시에 바깥의 회사, 스타트업, 프로젝트에 무작정 지원해보라고 합니다.
실제로 돈을 받고 일하는 경험이 생기는 순간부터, 그전까지의 스펙(학점, 학교 이름)은 급격히 중요도가 떨어집니다.

셋째, "결정 미루기"에 중독되지 말라고 합니다.

대학, 대학원, 자격증, 공무원 준비 등은 모두 어느 정도 "결정 유예 장치" 역할을 합니다.
물론 이들이 나쁜 선택이라는 뜻은 아니지만, "내가 정말로 하고 싶은 일을 테스트해보는 경험"을 끝없이 미루는 수단이 되지 않게 스스로 경계해야 합니다.

그의 관점에서, AI가 보편화된 지금 가장 좋은 전략은 다음 문장으로 요약할 수 있습니다. "ChatGPT를 두 번째 뇌로 쓰고, 문제부터 붙잡고, 데모로 증명하고, 사람과 AI에게 피드백을 중독적으로 구하라. 그러면 학력과 출신지는 생각보다 빨리 중요성을 잃는다."

인사이트

가브리엘의 이야기는 "천재니까 가능했다"는 전형적인 신화와는 조금 다릅니다. 그는 스스로를 여러 번 "나는 좀 둔한 편"이라고 표현하면서도, 둔해서 남들보다 더 많이 캐묻고, 더 자주 피드백을 요청하고, AI를 더 집요하게 쓴 결과 지금 위치에 왔다고 설명합니다.

AI가 보편화된 시대에 중요한 것은, IQ보다 "질문 빈도"와 "실험 빈도"입니다. 하루에 AI에게 묻는 질문 수, 만들었다가 버리는 작은 데모의 개수, 리뷰를 요청하는 횟수가 곧 성장 속도를 좌우합니다.

당장 실천해볼 수 있는 작은 실험을 정리하면 이렇습니다.

오늘부터 1주일 동안, 하루에 최소 30번 이상 ChatGPT에 질문해본다. (코드, 개념, 인생, 진로 무엇이든)
매우 단순하더라도, "3초 안에 뭘 하는지 알 수 있는" 작고 완결된 프로젝트를 하나 만든다.
주변의 조금 더 잘하는 사람에게 코드·글·아이디어를 보여주고, "가능한 한 잔인하게 피드백해달라"고 요청한다.

이 세 가지만 꾸준히 반복해도, 1년 뒤의 실력·기회·자신감은 지금과 완전히 다른 수준이 되어 있을 가능성이 큽니다. AI를 두려워하기보다, 가장 집요하게 사용하는 사람이 결국 앞서 나가게 됩니다.

출처 및 참고 :