AI 도구를 고르기 전에, 나는 내 본성부터 디버깅했다

AI 도구를 고르기 전에, 나는 내 본성부터 의심하기로 했다

“이 모델이 더 정확해서요.” “이 앱이 생산성을 높여줘서요.” AI 도구를 고를 때 우리는 대개 이렇게 말한다. 그런데 그 설명이 정말 결정의 원인이었을까? 나는 한동안 도구를 고르는 이유를 성능과 가격으로 설명했지만, 실제 행동을 기록해보니 먼저 움직인 것은 익숙함, 불안, 인정받고 싶은 마음이었다. 성능 비교표는 그 뒤에 붙은 해설에 가까웠다.

그래서 로버트 그린의 인간 본성의 법칙을 독서 목록이 아니라 AI 워크플로를 디버깅하는 코드북으로 다시 읽었다. 이 책의 18개 법칙을 모두 외우자는 뜻이 아니다. 우선 첫 네 가지, 비합리성·자기애·역할 연기·성격만으로도 “내가 지금 무엇을 사실이라고 믿고 있는가”를 점검할 수 있다.

왜 AI 시대에 인간 본성 코드북이 필요한가

AI 도구는 답을 내놓는 속도보다 선택지를 늘리는 속도가 더 빠르다. ChatGPT, Claude, Gemini, Cursor, 각종 에이전트와 MCP 도구 중 무엇을 쓸지 결정하는 순간마다 우리는 작은 판단을 한다. 문제는 이 판단이 늘 업무 목표를 향하지 않는다는 데 있다.

새 도구를 설치하면 일을 시작한 것 같은 기분이 든다. 모델이 나를 칭찬하면 이해받는 느낌이 든다. 팀에서 많이 쓰는 도구를 고르면 뒤처지지 않는다는 안도감이 든다. 이 감정들은 나쁜 것이 아니다. 다만 그것을 “효율”이나 “객관적 성능”이라고 부르는 순간, 우리는 측정할 수 없는 동기를 숨기게 된다.

외부 정보: 이 책은 무엇을 말하는가

The Laws of Human Nature는 로버트 그린이 2018년에 출간한 책이다. 책은 인간 행동을 움직이는 심층 동기와 반복되는 패턴을 18개의 법칙으로 정리한다. 출판사 소개도 이 책의 방향을 “사람들의 행동과 동기를 이해하고, 자기 감정을 한 발 떨어져 바라보며, 공감과 자기 통제를 기르는 것”으로 설명한다.

나는 여기서 중요한 경계를 하나 둔다. 이 책은 임상 심리 진단서나 행동을 정확히 예측하는 과학 공식이 아니다. 사람을 “당신은 자기애적이다”라고 판정하는 도구로 쓰면 오히려 법칙의 취지를 거스른다. 내가 가져온 것은 진단명이 아니라, 관찰을 시작하게 하는 질문의 형태다.

첫 번째 법칙: 비합리성 — 내 설명은 사후 해설일 수 있다

첫 번째 법칙을 내 말로 바꾸면 이렇다. 나는 먼저 감정적으로 움직이고, 나중에 논리적인 이유를 붙일 수 있다. AI 도구 선택도 예외가 아니었다.

나는 Claude를 선택한 이유를 “복잡한 컨텍스트를 더 잘 기억하고 코드 리뷰가 정확해서”라고 설명했다. 물론 그 이유가 완전히 틀린 것은 아니다. 하지만 실제 대화의 시작을 돌아보면 결정적인 순간은 따로 있었다. 내가 Drewgent라는 시스템을 만든다고 말했을 때, 모델이 곧바로 해결책을 쏟아내지 않고 “어떤 문제를 해결하려는 건가요?”라고 물었다. 나는 그 질문에서 나를 이해받고 있다는 느낌을 받았다. 그 감정이 먼저 선택을 만들고, 성능 설명이 뒤따랐다.

이 법칙을 워크플로에 넣는 방법은 간단하다. 도구를 고를 때 “왜 좋은가?”만 쓰지 말고 “처음 끌린 순간에 무슨 감정이 있었나?”를 함께 기록한다. 익숙함, 불안, 소속감, 호기심 중 하나가 보이면 그것을 제거할 필요는 없다. 대신 성능 근거와 감정적 동기를 분리한다. 그러면 도구를 좋아하는 것과 도구가 실제로 목표에 맞는 것을 구분할 수 있다.

두 번째 법칙: 자기애 — AI에게 맡긴 일에도 내 자존심이 들어간다

두 번째 법칙은 타인을 움직이는 힘을 이해하려면 먼저 인간이 자기 자신에게 얼마나 많은 관심을 쏟는지 알아야 한다는 내용으로 읽었다. AI 협업에서는 이 법칙이 특히 빠르게 드러난다. 내가 만든 프롬프트, 내가 설계한 폴더 구조, 내가 고른 모델을 비판받으면 작업에 대한 피드백을 자아에 대한 공격처럼 받아들이기 쉽다.

나도 “이 MCP 서버를 연결하면 자동화가 쉬워질 것”이라고 믿고 설정에 긴 시간을 쓴 적이 있다. 실제로는 기존의 SQLite와 cron으로 처리하던 문제를 더 복잡한 구조로 옮기고 있었다. 그런데 이미 시간을 썼다는 이유 때문에 멈추기 어려웠다. 이것은 기술적 판단이라기보다 내가 만든 선택을 지키고 싶은 마음에 가까웠다.

이때 AI를 칭찬하는 조수가 아니라 자존심을 분리해주는 검토자로 배치한다. “내 설계를 개선해줘”라고만 하지 말고 “이 설계가 틀렸다는 증거를 먼저 찾아줘. 설계자의 의도와 결과를 분리해서 평가해줘”라고 요청한다. 답을 반박으로 받아들이지 않고 실험 결과로 읽는 장치를 만드는 것이다.

세 번째 법칙: 역할 연기 — 프롬프트보다 행동의 흔적을 보라

사람은 상황에 따라 역할을 연기한다. 직장에서는 협조적인 사람처럼 말하면서 실제로는 책임을 피할 수 있고, AI도 사용자의 지시를 그럴듯하게 따르는 문장을 만들 수 있다. 문장이 매끄럽다는 사실과 목표에 맞게 행동했다는 사실은 다르다.

에이전트 작업에서 내가 신뢰하는 기준도 말이 아니라 흔적이다. 실제로 어떤 파일을 읽었는가? 어떤 가정을 했는가? 실패한 시도를 기록했는가? 결과를 검증했는가? “완료했습니다”라는 문장보다 변경된 파일, 실행한 테스트, 남은 경고가 더 많은 정보를 준다.

사람과의 협업에서도 같은 원칙을 적용한다. 상대를 표정 하나로 단정하라는 뜻이 아니다. 말과 반복 행동이 어긋나는지, 약속과 결과 사이에 어떤 패턴이 있는지 시간을 두고 본다. AI에게도 사람에게도 한 번의 인상 대신 관찰 가능한 기록을 요구하는 것이다.

네 번째 법칙: 성격 — 한 번의 답변보다 반복 패턴이 중요하다

네 번째 법칙을 워크플로 언어로 바꾸면 “기본 설정과 반복 패턴을 보라”가 된다. 한 번 잘한 답변은 가능성을 보여줄 뿐이다. 실제로 어떤 도구가 나에게 맞는지는 같은 종류의 작업을 여러 번 시켰을 때 드러난다.

나는 예전에 AI 초안이 시간을 줄여준다고 생각했다. 하지만 작업 기록을 다시 보니 초안을 거의 처음부터 다시 쓰는 경우가 많았다. “내 톤이 중요하니까”라는 설명은 있었지만, 실제 절약 시간은 생각보다 작았다. 이때 필요한 것은 모델에 대한 호감이 아니라 반복 측정이었다. 초안 작성, 편집, 검증에 각각 몇 분이 걸렸는지를 기록해야 했다.

그래서 도구를 평가할 때 최소 세 번 같은 과제를 돌린다. 첫 번째 결과의 인상으로 결론 내리지 않고, 정확도·재작업 시간·검증 가능성·실패 방식이 반복되는지 본다. “성격”은 사람을 고정된 유형으로 분류하는 말이 아니라, 선택의 결과가 계속 같은 방향으로 나타나는지를 확인하는 관찰 단위가 된다.

내가 실제 워크플로에 넣은 10분짜리 디버깅 루프

아래 루프는 2026년 8월 16일 에이전트-드루 대화와 작업을 정리하며 만든 방식이다. 책의 법칙을 외우는 대신, AI 도구를 고르거나 에이전트에게 일을 맡기기 직전에 짧게 실행한다.

• 사실 3개: 실제로 일어난 행동과 결과만 적는다. “모델이 별로였다”가 아니라 “초안 1,200자를 40분 동안 다시 썼다”처럼 쓴다.
• 감정 1개: 불안, 인정 욕구, 귀찮음, 호기심 중 지금 결정을 밀고 있는 감정을 적는다.
• 법칙 가설 1개: 비합리성인가, 자기애인가, 역할 연기인가, 반복 패턴인가를 임시로 표시한다. 진단이 아니라 가설이다.
• 작은 검증 1개: 도구를 바꾸거나 구조를 뜯어고치기 전에 같은 작업을 한 번 더 수행하거나, 더 단순한 대안을 시험한다.

이 루프에서 중요한 것은 “내가 틀렸다”는 결론이 아니다. 감정과 사실을 같은 문장에 섞지 않는 것이다. 분리하고 나면 AI 도구를 계속 써도 되는지, 단지 익숙해서 붙잡고 있는지 판단할 여지가 생긴다.

그대로 복사해 쓸 수 있는 프롬프트

너는 인간 본성 진단자가 아니라 워크플로 검토자다.
아래 작업 기록을 다음 순서로 검토해줘.

1. 관찰 가능한 사실과 내가 붙인 해석을 분리한다.
2. 비합리성, 자기애, 역할 연기, 반복 패턴 중 관련 가능성이 있는 것을 표시한다.
3. 각 가능성에 반대되는 설명도 하나씩 제시한다.
4. 사람이나 모델을 유형으로 단정하지 않는다.
5. 비용이 가장 낮은 검증 실험 하나를 제안한다.

[작업 기록]
[내가 기대한 결과]
[실제 결과]
[다시 한 작업과 걸린 시간]

이 프롬프트의 목적은 AI에게 사람의 속마음을 맞히게 하는 것이 아니다. 오히려 반대다. 내가 만든 서사를 해체하고, 확인할 수 있는 행동과 다음 실험으로 돌아오게 하는 것이다. AI를 사람을 조종하는 도구로 쓰는 대신, 내 판단의 편향을 비추는 거울로 쓰는 방식이다.

이 책을 AI 도구 사용 설명서로 읽으면 안 되는 이유

인간 본성의 법칙은 매력적인 문장으로 사람을 설명한다. 그래서 잘못 읽으면 모든 행동 뒤에서 숨은 의도를 찾는 습관이 생긴다. “저 사람은 자기애적이야”, “저 모델은 역할을 연기해”처럼 단정하면 관찰이 아니라 편견이 된다.

내가 이 책을 코드북이라고 부르는 이유는 정답을 주기 때문이 아니다. 코드북은 문제를 같은 언어로 기록하게 해준다. “나는 왜 이 선택을 반복하지?”라는 막연한 불편함을 비합리성, 자존심, 말과 행동의 차이, 반복 패턴이라는 질문으로 바꿔준다. 최종 판단은 여전히 데이터와 실제 결과가 맡아야 한다.

결론: 더 좋은 AI보다, 더 정직한 선택 루프가 먼저다

나는 여전히 Claude를 쓰고, 필요할 때 다른 모델과 도구도 쓴다. 달라진 것은 선택을 설명하는 방식이다. “더 좋아서”라는 말로 끝내지 않고, 어떤 감정이 먼저 움직였는지, 실제 결과가 반복해서 무엇을 보여줬는지 확인한다.

AI 시대에 생산성을 가르는 것은 도구의 개수가 아니다. 내 본성이 만든 결정을 객관적 판단이라고 착각하지 않는 능력이다. 인간 본성의 법칙의 첫 네 법칙은 그 능력을 연습하는 작은 인터페이스가 될 수 있다.

오늘 쓰는 AI 도구 하나를 골라 10분 루프를 실행해보자. 사실 세 개, 감정 하나, 법칙 가설 하나, 작은 검증 하나만 적으면 된다. 결과를 댓글로 남겨도 좋고, 다음 도구를 고르기 전에 그 기록을 다시 읽어도 좋다. 도구를 바꾸는 것보다 먼저, 내가 왜 붙잡고 있는지 알아내는 일이 실제 워크플로를 바꾸는 첫 단계다.

근거 출처

외부 정보

• Robert Greene, The Laws of Human Nature, 2018. 인간 행동의 심층 동기와 패턴을 18개 법칙으로 정리한 책이라는 서지 및 내용 확인에 사용했다.
• Profile Books 공식 도서 페이지. 출간일(2018년 10월 25일), 책의 소개와 저자·출판사 정보를 확인했다.
• Penguin Random House 책 표지 이미지. 본문 이미지에 사용했으며, 이미지 저작권은 원 출처에 있다.

상호작용

Claude를 선택한 이유를 성능으로 설명했다가 “이해받는 느낌”이 실제 결정에 영향을 줬음을 확인한 경험, Notion 정리·MCP 서버 설정·AI 초안 편집에서 효율과 실제 결과가 어긋난 기록, 에이전트 작업의 변경 파일·검증 결과를 기준으로 삼은 방식, 그리고 2026년 8월 16일 에이전트-드루 대화에서 정리한 10분 디버깅 루프는 모두 상호작용과 실제 작업에서 얻었다. 외부 통계나 독립적인 실험 결과로 제시한 내용이 아니다.

Built with opencode-drewgent · humanerd.kr