생성형 AI 사용, 어떻게? - “무엇을 할까?”보다 “왜 하려는가?”를 먼저 묻자

 

생성형 AI 사용, 어떻게?
- “무엇을 할까?”보다 “왜 하려는가?”를 먼저 묻자

“요즘 다들 생성형 AI 쓴다는데, 우리도 뭔가 해야 하지 않을까?”
많은 이들이 이렇게 묻는다.
마이크로소프트의 과학자 바이런 쿡(Byron Cook)은 이런 질문에 이렇게 되묻는다고 한다.
    “그 질문을 왜 하셨습니까?”
그의 되물음은 단순하지만 핵심을 찌르고 있다. 실제로 많은 경우 연구자가 AI를 ‘써야 한다’고 느끼는 이유는 구체적인 연구 문제 때문이 아니라 ‘뒤처질까 봐 불안해서(FOMO, the fear of missing out)’ 이기 때문이다.

1. ‘불안형 도입’의 함정

지금 연구 현장에서는 AI 논문 정리 자동화, 데이터 분석 보조, 논문 초안 작성 등 다양한 시도가 이루어지고 있다.
그러나 이런 시도 가운데 상당수는 명확한 목적보다 막연한 필요감에서 출발한다.
이런 접근은 일시적인 흥미는 줄 수 있으나, 연구 생산성의 구조적 개선으로 이어지지 않는다.
AI는 ‘연구의 본질’을 대신할 수 없다. 문제 정의가 흐릿한 상태에서 도입한 AI는 오히려 새로운 혼란을 낳는다.
‘AI를 쓴다’는 행위 자체가 목표가 되어버리면, 기술은 방향을 잃는다.

2. “왜 AI인가?”를 먼저 묻자

AI 도입과 활용의 출발점은 기술이 아니라 연구 목표이다.
생성형 AI는 ‘모든 문제의 만능 해법’이 아니라 ‘연구 과정의 특정 구간을 도와주는 도구’이다.
따라서 연구자에게 필요한 첫 질문은 이것이다.

• “내 연구에서 어떤 부분이 가장 많은 시간을 소모하는가?”
• “AI를 활용하면 그 부분의 효율이나 통찰이 실제로 개선될 수 있는가?”

이 질문에 대한 답이 명확해질 때, AI는 비로소 연구 도구로 자리 잡는다.
그렇지 않다면, AI는 자칫 또 하나의 ‘유행하는 기술’에 불과할 수 있다.

3. 연구자에게 필요한 세 가지 관점

AI를 연구 현장에 적용하려는 이들에게 다음 세 가지 관점을 제안한다.

• 문제 중심(Problem-Oriented) - AI 도입은 기술이 아니라 문제 해결의 연장선
• 데이터 중심(Data-Aware) - 모델보다 중요한 것은 데이터 품질과 문맥
• 비판적 수용(Critical Adoption) - AI가 생성한 결과를 연구자의 판단으로 재구성

AI는 ‘보조 연구자(assistant)’이지 ‘공저자(co-author)’가 아니다.

4. 불안 대신 성찰을, 유행 대신 전략을

AI 시대의 진짜 경쟁력은 ‘누가 더 많은 도구를 쓰느냐’가 아니라,
‘누가 도구를 통해 더 명확한 질문을 던질 수 있느냐’이다.

연구자는 본질적으로 질문을 통해 세상을 탐구하는 사람이다.
따라서 생성형 AI를 다루는 첫 단계도 질문에서 시작해야 한다.
“이 도구로 무엇을 할 수 있을까?”가 아니라
“왜 나는 이 도구를 쓰려 하는가?”를 묻는 것이다.

결국, AI 도입과 활용의 첫 단추는 기술이 아니라 성찰이다.
FOMO가 아닌, 방향과 목적이 분명한 연구자만이 AI를 진정한 지적 도구로 만들 수 있다. ***