AI가 읽고 쓰는 시대, “왜 결국 내가 읽어야 하냐”에 대한 가장 현실적인 답 (이은수 서울대 교수 핵심 정리)
오늘 글에서는 단순히 “AI가 인간을 대체한다/안 한다” 같은 얘기 말고요.
현업에서 바로 체감되는 4가지 핵심 질문을 한 번에 정리해볼게요.
1) AI가 패턴을 찾아주는 시대에 ‘발견’의 주체는 누구인가?
2) AI가 ‘수집/요약’까지 다 해주는데, 인간의 경쟁력은 어디서 나오나?
3) 기계가 읽는 시대(it reads)에서 “내가 읽는 능력”은 왜 더 중요해지나?
4) AI 상담이 일상화된 지금, 인간 ‘소통’의 고유함은 무엇인가?
그리고 마지막에는 뉴스나 유튜브에서 잘 안 짚는 “진짜 중요한 포인트”만 따로 뽑아서 정리해둘게요.
(AX 로드맵 짜는 리더/기획자/분석가라면 특히 여기서 갈립니다.)
1) 뉴스 브리핑: 이은수 교수가 말하는 “AI 시대 인간지능”의 재정의
1-1. 핵심 메시지: 인간의 고유함은 ‘상수’가 아니라 ‘변수’다
예전에는 “인간만 할 수 있는 것”이 고정된 능력(상수)처럼 느껴졌죠.
그런데 생성형 AI 이후 현실은 반대에 가깝습니다.
기술이 바뀔 때마다 인간은 역할을 다시 정의했고, 그 ‘재정의 능력’ 자체가 인간의 고유함이라는 관점이에요.
이건 글로벌 경제전망 관점에서도 의미가 커요.
생산성 혁신이 빨라질수록 직무의 본질(책임/기획/의미부여)이 더 비싸지는 구조로 가니까요.
1-2. 왜 ‘역사’가 필요한가: 미래 예측보다 “방향(벡터)”을 보자
AI는 전례 없는 기술 같지만, 인간은 늘 지능을 확장하려고 도구를 만들어왔습니다.
문자, 주판, 계산기, 검색, 위키피디아… 그리고 생성형 AI.
교수의 포인트는 이거예요.
“점 하나”로 미래를 단정하지 말고, 과거를 통해 기술-인간 관계가 움직이는 방향을 보자.
이게 기업 AX(업무 혁신)에서도 로드맵 설계의 기본 프레임이 됩니다.
2) 인간지능을 4가지 동사로 다시 쪼개기: 발견·수집·읽고쓰기·소통
2-1. (발견) AI 시대 인간은 ‘1차 목격자’가 아니라 ‘2차 목격자’가 된다
과거 발견은 내가 자연을 직접 관찰(1차 목격)해서 “법칙/패턴”을 찾아내는 일이었죠.
현대는 데이터가 너무 방대해서, AI가 먼저 패턴을 추출하고 인간은 결과를 보고 해석합니다.
그래서 인간은 “2차 목격자”가 된다는 표현이 나옵니다.
이때 인간의 역할이 사라지냐?
오히려 더 날카롭게 남는다는 주장입니다.
인간이 해야 할 일은 “기획”입니다.
내가 어떤 세계를 탐구할지, 어떤 가설을 세울지, 어떤 변수와 범위를 설계할지.
이건 단순 업무 자동화를 넘어, 산업 구조 변화 속에서 ‘결정권’이 어디에 남는지와 직결됩니다.
참고로 이 지점은 투자 관점에서도 중요해요.
AI가 패턴을 찾는 능력은 확산되지만, “무슨 문제를 풀지 정하는 능력”은 희소해지거든요.
결국 프리미엄은 기획/제품/전략으로 이동합니다.
2-2. (수집) AI가 모아주는 건 ‘밀키트’, 마지막 한 끗은 인간의 ‘셰프 터치’
사람들이 AI를 좋아하는 본질적 이유 중 하나는 수집의 피로 때문입니다.
정보가 너무 많아 “탐색”보다 “필터링”이 더 중요해진 시대죠.
AI는 방대한 정보를 비교해서 그럴듯한 답을 뽑아주는 데 강합니다.
하지만 교수는 AI가 주는 결과물을 “밀키트”에 비유해요.
평균적으로 괜찮고, 기본기는 탄탄하지만, 그 자체로 ‘내 요리’는 아니죠.
인간은 여기서 “의미 부여”를 합니다.
왜 이 정보가 나에게 중요한지.
무엇을 버리고 무엇을 남길지.
A와 B를 연결해 새로운 관점을 만들지.
이게 요즘 말하는 생산성 혁신 이후의 역설이기도 해요.
남들도 다 같은 정보·같은 요약을 가지게 되면, 차이는 “선택과 편집”에서 발생합니다.
2-3. (읽고 쓰기) “it reads” 시대: 내가 읽지 않으면, 우리가 모일 이유가 사라진다
교수가 강하게 경고하는 대목이 여기입니다.
요약이 보편화되면서, 학생/조직 모두 ‘비슷한 말’만 하게 된다는 거죠.
왜냐하면 각자가 텍스트를 직접 씹어 읽지 않으니까요.
기업으로 치면 이게 진짜 무섭습니다.
회의 전에 모두 AI 요약본만 들고 오면, 결론은 “평균의 합”이 됩니다.
현장에서 필요한 건 종종 ‘주변부’에 숨어있는 힌트인데, 그걸 놓치기 쉬워져요.
요약/번역의 장점은 분명합니다.
‘읽을 가치가 있는지’ 1차 판단에 엄청 유용하죠.
하지만 “읽기를 종말”시키면 인지 구조가 어떻게 변할지 아무도 모른다는 비유로 위고비(체중감량 약)를 듭니다.
단기 효율은 확실하지만, 장기 누적 효과는 모른다.
2-4. (소통) AI 상담이 늘수록, 인간 소통의 ‘유한함/불완전함’이 더 가치가 된다
요즘 AI 사용 목적 상위권이 심리상담/대화 파트라는 점을 언급합니다.
사람들이 그만큼 “들어줄 대상”을 찾고 있다는 신호죠.
그럼 AI가 인간 소통을 대체하나?
교수의 관점은 좀 다릅니다.
인간 소통의 고유함은 “유한함”에서 나오는 절실함, 그리고 “불완전함”에서 생기는 깊이라는 거예요.
AI는 평균적으로 부드러운 반응을 주지만, 관계는 원래 마찰과 조정의 역사이기도 하잖아요.
실패하고, 오해하고, 다시 맞춰가는 과정이 관계의 실력인데
그걸 “마찰 없는 경험”으로 바꾸는 게 과연 관계 능력을 키우는지에 대해 질문을 던집니다.
3) 현업 관점 해석: AX 로드맵(2026)에서 바로 써먹을 포인트
3-1. “AI가 한다”가 아니라 “내가 책임질 수 있나”가 기준이 된다
AI와 협업한 결과물이 내 결과냐 아니냐를 퍼센트로 자르기 어렵죠.
교수는 기준을 깔끔하게 제시해요.
내 이름을 걸고 외부에 공개할 수 있나.
문제가 생겼을 때 내가 책임질 준비가 되어 있나.
그리고 무엇보다 “왜 그렇게 했는지 설명 가능”한가.
이건 기업의 AI 거버넌스/리스크 관리와 바로 연결됩니다.
결국 규정이 아니라 “설명 가능성과 책임 소재”로 운영체계를 짜야 합니다.
3-2. ‘발견’ 업무는 더 중요해지고, 더 비싸진다
AI가 분석을 대체할수록, “무엇을 분석할지”를 정하는 사람이 상류를 잡습니다.
즉 기획, 문제정의, 실험 설계, 데이터 수집 설계가 핵심 역량이 돼요.
이 흐름은 디지털 전환이 다음 단계(AX)로 넘어가면서 더 빨라집니다.
생성형 AI는 실행 속도를 올리고, 그만큼 잘못된 방향의 비용도 커지거든요.
3-3. ‘읽기 부채’가 조직 경쟁력을 갉아먹는다
요약본만 보는 문화가 쌓이면, 조직은 점점 “좋은 말은 많은데 결정이 없는 상태”로 갑니다.
보고서가 화려해질수록 메시지가 사라지는 역설이 생겨요.
그래서 리더가 해야 할 건 단순합니다.
“요약본 금지” 같은 원시적 규칙이 아니라,
핵심 텍스트를 일부라도 ‘직접 읽고’ 해석해오는 사람에게 보상을 주는 구조가 필요해요.
4) 다른 유튜브/뉴스가 잘 안 말하는 “가장 중요한 포인트” (핵심만 별도 정리)
4-1. AI 시대의 가장 큰 리스크는 ‘실력 저하’가 아니라 ‘다양성 붕괴’다
AI 요약/생성에 기대면 결과물이 점점 정규분포의 평균으로 모입니다.
조직 안에서 관점이 비슷해지고, 회의가 비슷해지고, 제품이 비슷해져요.
이게 장기적으로 혁신을 죽입니다.
4-2. “2차 목격자”가 되는 순간, 인간의 책임은 더 커진다
AI가 “패턴이 있다”고 말했을 때,
그걸 믿고 의사결정하는 건 결국 인간입니다.
즉 자동화가 될수록 책임이 줄어드는 게 아니라, 책임이 더 상층으로 이동합니다.
4-3. AI 협업의 진짜 기준은 ‘저작권’이 아니라 ‘설명 가능성’이다
현업에서 자꾸 “이거 AI가 쓴 건데요?” 뒤로 숨는 순간 실무 신뢰가 깨집니다.
반대로 AI를 써도 논리와 근거를 내 언어로 설명할 수 있으면 그건 내 역량이 됩니다.
이 차이가 2026년 인재 시장에서 연봉을 가를 가능성이 큽니다.
4-4. AX의 본질은 “업무 자동화”가 아니라 “인간 주체성의 재배치”다
자동화는 수단이고요.
핵심은 누가 문제를 정의하고(기획), 누가 의미를 부여하고(편집), 누가 책임지는지(거버넌스)를 다시 짜는 일입니다.
이걸 못 하면 디지털 전환은 했는데 성과는 없는 상태로 남습니다.
[관련글…]
< Summary >
인간의 고유함은 고정된 능력이 아니라 기술 변화에 맞춰 스스로 역할을 재정의하는 ‘변수’다.
AI 시대 인간지능은 발견·수집·읽고쓰기·소통으로 정리되며, 특히 인간의 주체성은 ‘기획’과 ‘의미 부여’에 남는다.
AI가 준 결과물은 밀키트에 가깝고, 마지막 해석·편집·책임은 인간이 해야 한다.
요약/생성이 늘수록 조직은 평균화되고 다양성이 붕괴할 수 있어, “내가 직접 읽고 해석하는 능력”이 경쟁력이 된다.
AI 협업 결과의 기준은 퍼센트가 아니라 “내 이름을 걸고 공개할 수 있는가, 설명 가능하고 책임질 수 있는가”다.
