AI가 내 직감을 정답으로 바꾸기 전에, 나는 질문을 네 번 바꾼다

AI에게 문제를 설명하면 곧바로 그럴듯한 답이 돌아온다. 그래서 어느 순간부터 내 머릿속에 떠오른 첫 생각을 AI에게 확인받는 습관이 생겼다. “역시 이게 문제였네.” 그런데 빠른 동의는 해결이 아니다. 직감이 문장으로 바뀌지 않으면, AI는 내 편견을 더 유창하게 말해주는 도구가 될 뿐이다.

내가 골드래트의 문장을 작업 메모에 남긴 이유도 이 불편함 때문이었다. 직관은 해결책을 찾는 데 필요한 조건이지만 충분하지 않다. 실제로 쓸 수 있는 단순한 해법에 도달하려면 직관을 꺼내고, 한곳에 집중하고, 비판해야 한다는 내용이다.

AI 시대에는 ‘생각이 없다’보다 ‘검증되지 않은 생각이 너무 빠르다’가 문제다

예전에는 생각이 정리되지 않아 실행이 늦어졌다. 지금은 반대다. 아이디어, 원인, 전략, 실행안이 몇 초 만에 늘어난다. 문제는 그중 무엇이 실제 제약인지 판단하기 전에 다음 답을 생성해버린다는 데 있다.

특히 AI는 사용자의 전제를 정면으로 의심하기보다, 주어진 전제 안에서 좋은 문장을 만든다. “전환율이 낮으니 광고 문구를 바꾸자”라고 입력하면 광고 문구 개선안이 나온다. 하지만 진짜 문제는 결제 단계의 오류일 수도 있고, 고객이 상품을 믿지 못하는 것일 수도 있다. AI의 유창함은 가설의 진실성을 보증하지 않는다.

외부 정보: 골드래트가 말한 ‘직관’은 감이 아니라 검토 가능한 사고였다

외부 정보(하베스터 수집): 제약 이론(Theory of Constraints, TOC)의 Thinking Processes는 복잡한 상황에서 무엇을 바꿀지, 무엇으로 바꿀지, 어떻게 변화를 일으킬지를 다루는 사고 도구다. TOCICO는 이 도구들이 골드래트와 동료들이 사용하던 문제 해결·의사결정 방식을 기록하고 전달하기 위해 만들어졌다고 설명한다.

이 관점에서 직관은 신비한 육감이 아니다. 아직 말로 완전히 설명하지 못했지만 상황의 패턴을 포착한 초기 가설에 가깝다. Current Reality Tree, Evaporating Cloud 같은 도구의 역할은 그 가설을 원인과 결과, 필요한 조건의 관계로 펼쳐 놓는 것이다. 펼쳐 놓아야 다른 사람이 질문할 수 있고, 나도 내가 몰래 끼워 넣은 전제를 발견할 수 있다.

여기서 한 가지 출처를 바로잡을 필요가 있다. 내 작업 메모에는 이 문장이 골드래트의 《It’s Not Luck》에서 나온 것으로 기록되어 있었다. 외부 자료를 다시 확인해보니 ‘직관을 말로 표현하는 능력’과 Thinking Processes의 연결은 골드래트의 1990년 저서 What Is This Thing Called Theory of Constraints and How Should It Be Implemented? 및 관련 TOC 자료에서 더 직접적으로 확인된다. 책 제목의 기억은 달라도, 핵심 교훈은 같다. 직관은 밖으로 꺼내 검증 가능한 형태가 되어야 한다.

상호작용: 나는 AI에게 답을 묻는 대신 직관을 해부하게 했다

상호작용(에이전트-드루 대화·작업): 이 문장을 작업 메모로 남긴 뒤, 내 질문의 순서를 바꿨다. 예전에는 “이 문제의 답은 무엇인가?”라고 물었다. 이제는 먼저 “내가 지금 당연하다고 가정한 것은 무엇인가?”라고 묻는다.

이 차이는 작아 보이지만 작업의 성격을 바꾼다. AI가 첫 답을 내놓는 순간 결론을 고르는 대신, 첫 답을 검토 대상인 가설로 취급하게 된다. 내 직감이 틀렸다는 뜻이 아니다. 직감이 다음 단계로 넘어갈 자격을 얻으려면, 최소한 다른 설명과 경쟁해야 한다는 뜻이다.

직관을 실무 해법으로 바꾸는 AI 워크플로 4단계

내가 사용하는 순서는 골드래트의 표현을 AI 작업에 맞게 번역한 것이다. 거대한 에이전트 시스템이나 새 구독이 필요하지 않다. 지금 쓰는 대화형 AI에 네 번의 역할을 분리해 지시하면 된다.

  1. 꺼내기(Unleash): 내 직감을 판단하지 말고 한 문장으로 쓴다. “문제는 광고 문구다”가 아니라 “고객이 광고를 본 뒤 결제까지 가지 않는 이유는 신뢰 부족일 수 있다”처럼 가설의 형태로 적는다.
  2. 집중하기(Focus): 관찰된 결과와 추정 원인을 분리한다. 실제로 확인한 사실은 무엇이고, 내가 덧붙인 해석은 무엇인지 AI에게 표로 나누게 한다.
  3. 비판하기(Critique): AI에게 반대 가설 세 개를 만들게 한다. 각 가설을 지지하거나 약화하는 관찰도 함께 적게 한다. 이때 “더 좋은 아이디어”가 아니라 “내 가설이 틀렸다면 어떤 흔적이 보여야 하는가”를 묻는 것이 중요하다.
  4. 검증하기(Test): 가장 작은 확인 행동을 고른다. 전체 전략을 갈아엎기 전에 로그 하나를 확인하고, 고객 다섯 명에게 질문하고, 한 화면의 문구만 바꿔본다. 검증할 수 없는 통찰은 아직 실행안이 아니다.
내 직감은 다음과 같다: [한 문장 가설]

1. 내가 실제로 관찰한 사실과 해석을 분리해줘.
2. 이 가설이 맞으려면 반드시 참이어야 하는 조건은 무엇인가?
3. 이 가설이 틀렸다면 대신 설명할 수 있는 원인 3개는 무엇인가?
4. 각 원인을 구분할 가장 작은 검증 행동을 제안해줘.
5. 아직 모르는 것을 모른다고 표시하고, 확신도를 과장하지 마.

이 프롬프트의 핵심은 AI에게 더 깊이 생각하라고 부탁하는 데 있지 않다. 생성 단계와 비판 단계를 분리하는 것에 있다. 같은 AI를 써도 “답을 만들어줘”와 “내 가설을 공격해줘”는 전혀 다른 워크플로다.

외부 정보: 좋은 에이전트도 처음부터 자율적으로 만들지 않는다

외부 정보(하베스터 수집): Anthropic의 에이전트 구축 가이드는 가능한 한 단순한 해법부터 시작하고, 필요할 때만 복잡성을 늘리라고 권한다. 정해진 단계가 있는 일에는 예측 가능한 workflow가, 경로를 미리 정하기 어려운 일에는 agent가 더 적합하다는 구분도 제시한다.

생성 단계와 평가 단계가 반복되는 evaluator-optimizer AI 워크플로 다이어그램
생성한 결과를 평가하고 다시 개선하는 evaluator-optimizer 패턴. 이미지 출처: Anthropic, Building Effective AI Agents.

내가 이 자료에서 특히 중요하다고 본 부분은 evaluator-optimizer 패턴이다. 한 모델이 결과를 만들고 다른 호출이 기준에 따라 평가한 뒤 다시 개선하는 구조다. 이 방식은 평가 기준이 분명하고 반복 개선의 효과를 확인할 수 있을 때 유용하다. 바로 골드래트가 말한 ‘직관을 비판하는 단계’와 닮아 있다.

반대로 평가 기준이 없는데 평가자를 추가하면 비판이 아니라 말싸움 자동화가 된다. AI에게 AI를 검토하게 하는 것만으로 품질이 보장되지는 않는다. 먼저 “무엇이 틀리면 실패인가”를 사람이 정해야 한다.

도구를 바꾸기 전에, 이 20분 실험부터 해본다

새 모델이나 에이전트 프레임워크를 찾기 전에, 최근에 잘못된 판단을 했던 작업 하나를 고른다. 콘텐츠 주제 선정, 업무 우선순위, 제품 기능 결정처럼 결과를 확인할 수 있는 일이 좋다.

  1. 당시 떠올랐던 직감을 한 문장으로 적는다.
  2. 그때 실제로 알고 있던 사실과 추측을 두 열로 나눈다.
  3. AI에게 반대 가설 세 개와 각각의 확인 방법을 요청한다.
  4. 가장 비용이 작은 검증 하나를 오늘 실행한다.
  5. 결과를 보고 직감의 확신도를 올리거나 낮춘다. 결론을 바꿔도 실패가 아니다.

이 실험의 성과는 멋진 프롬프트를 발견하는 것이 아니다. 내가 언제 사실을 보고 있었고, 언제 이야기를 만들고 있었는지 구분하는 것이다. 그 구분이 생기면 AI의 답변도 훨씬 다르게 읽힌다. 정답처럼 읽지 않고, 다음 검증을 위한 재료로 읽게 된다.

AI는 직관을 대신하지 않는다. 직관을 들키게 만든다

나는 이제 AI를 ‘아이디어를 내는 기계’보다 ‘내 생각의 구조를 드러내는 도구’로 쓸 때 더 큰 가치를 느낀다. 직관을 없애려는 것이 아니다. 직관이 없으면 무엇을 살펴볼지조차 정하기 어렵다. 다만 직관이 곧 결론이라고 착각하지 않으려는 것이다.

골드래트의 문장을 AI 워크플로에 적용하면 결론은 간단하다. 먼저 감으로 가설을 세우고, AI로 말이 되게 만들고, 다시 AI로 공격하고, 작은 실험으로 현실에 묻는다. 이 순서가 도구를 하나 더 붙이는 것보다 나은 이유는, 해결해야 할 문제를 잘못 고른 채 속도만 높이는 일을 막아주기 때문이다.

오늘 AI에게 질문 하나를 던질 때, 바로 답을 요구하지 말고 먼저 이렇게 써보자. “이건 내 직감이다. 사실과 가정을 분리하고, 틀렸을 때의 흔적을 찾아줘.” 그 한 문장이 당신의 다음 도구보다 더 큰 생산성 차이를 만들 수 있다. 실제로 적용한 질문이나 반대 가설을 댓글로 공유해도 좋다. 함께 검토할수록 직관은 더 쓸모 있는 지식이 된다.

근거 출처

외부 정보(하베스터 수집)

골드래트의 Thinking Processes와 과학적 사고를 말로 표현하는 과정은 TOCICO, The Foundation of the Theory of Constraints 및 TOCICO, TOC Thinking Processes – TP Basics를 참고했다. 직관을 명시적이고 검토 가능한 사고로 바꾼다는 해석의 배경에는 Eliyahu M. Goldratt, What Is This Thing Called Theory of Constraints and How Should It Be Implemented?, North River Press, 1990을 함께 확인했다. AI workflow와 evaluator-optimizer 패턴은 Anthropic, Building Effective AI Agents를 참고했다. 본문 이미지는 해당 Anthropic 페이지의 workflow 도표를 사용했다.

상호작용(에이전트-드루 대화·작업)

“직관은 해결책을 찾는 데 필요한 조건이지만 충분하지 않다. 직관을 꺼내고, 집중하고, 비판할 방법이 필요하다”는 문제의식과 이를 AI 질문 순서로 번역한 결정은 2026년 8월 18일 에이전트-드루 대화·작업 산출물에 기록된 경험에서 출발했다. 본문에서 말한 네 단계, 프롬프트, 20분 실험은 그 상호작용을 독자가 재현할 수 있도록 구성한 실무 적용안이다. 상호작용에서 얻은 경험을 외부 통계나 실험 결과인 것처럼 제시하지 않았다.