1. 우리는 정말 AI를 이해하고 있는가
2025년의 우리는 겉보기에 더 똑똑해진 인공지능과 함께 살고 있다. 챗GPT나 미드저니, 클로드와 같은 생성형 AI는 이미 일상에 깊숙이 들어와 있으며, 단순한 문장 생성부터 법률 자문, 의료 영상 분석까지 다양한 업무를 소화하고 있다. 언뜻 보기엔 AI는 인간을 닮아가고 있는 것처럼 보인다. 그러나 그 실체를 들여다보면 다른 결론이 나온다. 우리는 AI가 "정답"을 말하는 데는 익숙해졌지만, 그것이 "어떻게" 그 정답에 도달했는지를 묻는 데는 여전히 소홀하다. 예측은 빠르고 화려하지만, 그 속의 추론은 모호하고 설명되지 않는다.
AI는 사고하는 존재인가? AI가 낸 답을 우리는 신뢰할 수 있는가? 더 나아가, 인간과 AI가 협업하는 시대를 준비한다면, 우리는 무엇을 기준으로 AI를 설계하고, 평가하고, 통제할 것인가? 이 질문에 답하려면, AI가 어떤 종류의 지식에 기반하여 어떤 방식의 추론을 수행하는지를 이해해야 한다. 단순히 "많은 데이터를 학습하면 똑똑해진다"는 식의 이해는 AI의 현재 능력도, 미래 가능성도 오해하게 만든다.
지금까지 대부분의 AI는 정보지식에 기반한 귀납적 추론, 즉 "정보 × 귀납"의 조합에 과도하게 의존해 왔다. 챗GPT 역시 마찬가지다. 이는 과거 데이터를 바탕으로 새로운 답을 생성하는 데 탁월하지만, 사고 과정의 투명성과 설명력, 그리고 낯선 문제 상황에서의 적응력에는 한계를 보인다. 이 한계를 극복하려면, 우리는 지식의 다양한 형태와 추론의 다양한 방식이 교차하는 사고의 공간을 이해해야 한다.
바로 이 지점에서 "지식의 종류(경험지식, 정보지식, 논리지식) × 추론의 종류(연역, 귀납, 유추, 가추)"라는 12셀 프레임워크가 필요하다. 이 프레임워크는 AI가 인간처럼 사고하기 위해 갖춰야 할 지적 구조를 입체적으로 그려내는 틀이며, 단순한 기술적 도구가 아닌 하나의 사고 설계 원칙이다.
2. 지식과 추론의 구조적 이해가 왜 중요한가
2.1 지식은 사고의 재료다: 경험, 정보, 논리
우리가 어떤 판단을 내릴 때, 그 판단은 무(無)에서 오지 않는다. 반드시 무엇인가를 근거로 한다. 이 근거가 바로 지식이다. 인간이 사고할 때 사용하는 지식은 크게 세 가지로 나뉜다.
첫째는 경험지식이다. 이는 개인이 직접 몸으로 부딪치고 겪으며 체화한 지식이다. 베테랑 상담원이 고객의 말투를 듣고 이탈 가능성을 직감하거나, 외과의사가 촉감만으로 이상 부위를 알아차리는 것이 이에 해당한다. 이러한 지식은 암묵적이고 설명하기 어렵지만, 의외로 많은 고급 의사결정에서 결정적인 역할을 한다.
둘째는 정보지식이다. 이는 디지털화된 데이터, 문서, 보고서, 통계 지표, 로그 기록 등 외부에 명시적으로 존재하는 지식이다. 대부분의 AI가 다루는 것은 이 영역이며, 오늘날의 머신러닝과 생성형 AI는 모두 이 범주에 속한다.
셋째는 논리지식이다. 규칙, 원칙, 법칙처럼 인간이 추상화와 일반화를 통해 만들어낸 지식이다. 수학 공식, 정책 규정, 논리 연산 구조, 기호 체계 등이 여기에 속한다. 이들은 보통 인간이 수 세기 동안 쌓아온 이론 체계에서 출발하며, 설명력과 예측력이 높다.
이 세 가지 지식은 서로 고립되어 있지 않다. 실제 인간의 사고는 이 셋을 유기적으로 넘나들며 작동한다. 그런데 현재 AI는 정보지식에만 과도하게 편향되어 있으며, 경험지식이나 논리지식을 충분히 반영하지 못한다. 이로 인해 AI는 맥락을 읽지 못하거나, 명확한 설명을 제공하지 못하는 한계를 보인다.
2.2 추론은 사고의 엔진이다: 연역, 귀납, 유추, 가추
지식이 사고의 재료라면, 추론은 사고를 움직이는 엔진이다. 우리가 어떤 주장이나 결론에 도달할 때, 그 과정은 단지 정보의 나열이 아니라 정보 간의 연결, 즉 추론의 작용을 통해 이루어진다. 추론에도 여러 종류가 있다.
연역은 전제로부터 필연적인 결론을 이끌어내는 방식이다. "모든 사람은 죽는다"는 전제와 "소크라테스는 사람이다"라는 사실이 주어졌을 때, 우리는 "소크라테스는 죽는다"는 결론에 도달한다. 법률, 정책, 수학과 같은 분야는 연역 추론을 바탕으로 작동한다. AI가 이 방식으로 사고하려면 명시적 규칙 체계와 일관된 기호 구조가 필요하다.
귀납은 반복된 사례로부터 일반적인 결론을 도출하는 방식이다. 머신러닝은 수천 수만 개의 사례를 보고 그 안의 패턴을 추출해 새로운 상황에 적용한다. 오늘날의 AI 대부분은 이 방식에 의존한다. 그러나 귀납은 언제나 예외 가능성을 내포한다. 백 개의 흰 백조를 봤다고 해서 모든 백조가 흰 것은 아니다.
유추는 A와 B가 유사하다면, A에서 성립하는 것이 B에서도 성립할 것이라는 추론 방식이다. 인간은 새로운 개념을 이해할 때 항상 익숙한 개념에 빗대어 설명한다. "심장은 펌프다"라는 표현은 심장의 기능을 이해하는 데 강력한 유추적 도구가 된다.
가추는 관찰된 현상으로부터 그 원인을 역으로 추정하는 방식이다. 의사가 열, 기침, 통증이라는 증상을 보고 독감을 의심하거나, 탐정이 범죄 현장의 단서로부터 범인을 추정하는 것이 이에 해당한다. AI가 진정한 문제 해결자가 되려면 이 가추 능력을 갖추어야 한다.
2.3 12셀 사고 공간: 우리가 지금 서 있는 곳과 나아가야 할 방향
지식의 세 가지 유형과 추론의 네 가지 방식이 결합하면 총 12개의 셀이 만들어진다. 이 12셀은 인간 사고의 전체 지도이며, AI가 닮아가야 할 사고의 구조이기도 하다. 그러나 오늘날의 AI는 "정보지식 × 귀납"이라는 단 하나의 셀에 과도하게 집중되어 있다. 이 조합은 많은 데이터를 빠르게 분석하고, 예측하거나 생성하는 데 강점을 가진다. 그러나 새로운 문제에 직면했을 때, 또는 고차원의 전략적 판단이 필요할 때, 이 조합은 설명력과 적응력 모두에서 한계를 보인다.
예를 들어 자율주행차가 불법 유턴을 학습 데이터로부터 정상 행위로 인식하는 오류는, 정보지식과 귀납 추론만으로는 법과 윤리라는 논리지식을 반영하지 못했기 때문이다. 혹은 고객지원 챗봇이 단순 문의에는 잘 대응하지만, 예외 상황에 대한 적절한 설명이나 감정적 공감에는 실패하는 것도 같은 맥락이다.
우리는 이 한계를 극복하기 위해 AI가 모든 셀을 사용할 수 있도록 설계해야 한다. 경험지식 × 가추 추론을 통해 위기 대응 역량을 강화하고, 논리지식 × 연역 추론을 통해 고차원 정책 판단에 활용하며, 정보지식 × 유추 추론을 통해 새로운 응용 사례를 확장해야 한다. 이 12셀 프레임워크는 단지 기술적인 체크리스트가 아니라, 사고 설계의 철학이자 AI 시대의 리터러시이다.
우리는 이 한계를 극복하기 위해 AI가 모든 셀을 사용할 수 있도록 설계해야 한다. 경험지식 × 가추 추론을 통해 위기 대응 역량을 강화하고, 논리지식 × 연역 추론을 통해 고차원 정책 판단에 활용하며, 정보지식 × 유추 추론을 통해 새로운 응용 사례를 확장해야 한다. 이 12셀 프레임워크는 단지 기술적인 체크리스트가 아니라, 사고 설계의 철학이자 AI 시대의 리터러시이다.
아래는 각 셀별 주요 예시이다. 각 예시는 해당 조합이 실제로 어떤 방식으로 인간 또는 AI 사고에 활용될 수 있는지를 설명한다.
1) 경험지식 × 연역 추론: 장인의 숙련된 손놀림처럼 수많은 시행착오를 통해 내재화된 규칙은 연역적으로 활용될 수 있다. 예를 들어, 숙련 용접공은 보편화된 안전기준에 따라 상황을 즉각적으로 판단하고 행동으로 옮긴다. 이 규칙은 명시적이지 않지만 내부화되어 있어, 사고 없이도 정확하게 연역 추론을 수행하게 된다.
2) 경험지식 × 귀납 추론: 반복적인 현장 경험에서 자연스럽게 일반화된 규칙이 생긴다. 노련한 간호사가 환자의 미세한 표정 변화와 피부색만 보고도 통증의 강도를 추론하는 것처럼, 이러한 경험은 수없이 쌓인 사례에서 비롯된다.
3) 경험지식 × 유추 추론: 과거 사례의 구조와 유사한 문제를 마주했을 때, 기존 해결 방식을 전이하는 형태다. 자동차 정비사는 이전 세대 모델에서 발생한 엔진 문제 해결 방식을 신형 모델에도 적용해보며 문제 해결의 실마리를 찾는다.
4) 경험지식 × 가추 추론: 매우 불확실하고 급박한 상황에서 빠른 판단이 요구될 때, 사람은 경험 기반 직관으로 원인을 추정한다. 예를 들어, 소방관이 현장에 진입하자마자 특정 연기의 색과 냄새를 감지하고 전기 누전 가능성을 추론하는 상황이 여기에 해당한다.
5) 정보지식 × 연역 추론: 명시적 규칙과 데이터를 기반으로 논리적 계산을 수행한다. 예를 들어, 기업 회계 시스템이 세법 조항에 따라 자동으로 세금액을 계산하는 것은 정보지식과 연역 추론의 결합이다.
6) 정보지식 × 귀납 추론: 머신러닝 모델이 대표적이다. 고객의 구매 패턴 데이터를 수천 개 학습한 후, 새로운 고객의 이탈 가능성을 예측하는 고객 이탈 예측 모델은 이 조합의 전형이다.
7) 정보지식 × 유추 추론: 사용자 행동이 유사한 과거 사례를 찾아 그 행동을 기반으로 추천을 제공하는 시스템이 여기에 해당한다. 넷플릭스의 추천 엔진이 대표적이며, "이 영화를 본 사람은 이 영화도 좋아했다"는 식의 유추적 사고를 기반으로 작동한다.
8) 정보지식 × 가추 추론: 이상 탐지 시스템은 정보지식 기반에서 동작하면서도, 예상치 못한 패턴이나 이상 현상을 보고 잠재적 원인을 추정한다. 예를 들어, 평소와 전혀 다른 방식의 금융 거래가 발생했을 때 이를 사기 가능성으로 추정하는 시스템이 여기에 해당한다.
9) 논리지식 × 연역 추론: 형식 논리와 법칙을 기반으로 한 판단 체계다. 법률 AI가 판례와 조항을 연계해 특정 사건에 대해 법적 판단을 내리는 방식은 전형적인 연역 추론이며, 논리적 완결성이 가장 중요시된다.
10) 논리지식 × 귀납 추론: 이론적 가설을 실험이나 통계적 방법을 통해 검증할 때 사용된다. 의학에서 신약의 효과를 무작위 임상시험으로 검증하는 방식이 대표적이다. 이 경우, 통계적 귀납을 통해 일반화 가능한 이론을 도출한다.
11) 논리지식 × 유추 추론: 서로 다른 개념 체계 간 유사한 구조를 포착해 새로운 통찰을 만드는 방식이다. 예컨대 양자역학의 수학 구조를 인공지능 알고리즘 설계에 적용하는 연구는 논리지식 기반의 유추에 해당한다.
12) 논리지식 × 가추 추론: 기존 개념을 결합하거나 새롭게 비틀어 새로운 가설을 구성하는 창의적 사고에 해당한다. 과학자가 기존 이론과 다른 분야의 개념을 연결해 실험 가설을 만드는 경우가 여기에 해당한다.
이처럼 12셀 각각은 서로 다른 종류의 지식과 추론 방식이 만나 만들어지는 독립된 사고 유형이며, AI가 인간과 같이 사고하려면 이들 전체를 설계하고 균형 있게 통합할 수 있어야 한다.
지식 X 추론 | 연혁 | 귀납 | 유추 | 가추 |
경험지식 | 노하우로 내재화된 작업 절차 (예: 숙련 용접공의 조인트 강도 추정) | 숙련자의 반복된 관찰로 얻은 규칙 (예: 노련한 간호사의 통증 징후 해석) | A 사례를 B에 적용 (예: 자동차 정비사가 전 세대 모델의 문제 해결 방식을 신형에 적용) | 사고 현장에서의 직관적 판단 (예: 응급상황에서 소방관의 빠른 원인 추정) |
정보지식 | 명시적 규칙 기반 시스템 (예: 세금 규정에 따른 자동 계산) | 머신러닝 모델 (예: 고객 이탈 예측 모델) | 유사 사용자 행동 기반 추천 (예: 넷플릭스 추천 시스템) | 이상 탐지 시스템 (예: 금융거래에서의 사기 탐지) |
논리지식 | 형식 논리 기반 판단 (예: 법률 인공지능의 조항 적용) | 통계적 검증 (예: 임상시험을 통한 가설 검증) | 개념적 전이 (예: 양자역학 개념을 AI 학습 구조에 적용) | 창의적 설계 기반 (예: 과학자가 비유를 통해 새로운 실형 가성 구성) |
모든 지식의 종류에 대해 모든 추론을 할 수 있는 AI를 만드는 게 리터러시이다.
3. AI 리터러시는 사고 설계의 문제다
우리는 지금까지 AI를 너무 결과 중심으로 바라보았다. 얼마나 잘 예측했는가, 얼마나 자연스럽게 문장을 생성했는가에만 집중했다. 그러나 진정한 AI의 가치는 그 사고 과정, 즉 어떤 지식에 기반하여 어떤 추론을 수행했는가에 있다. 이는 단지 기술의 문제가 아니라, 사고 설계의 문제이며, 리터러시의 문제다.
첫째, 이제는 기술자만이 아니라 모든 리더가 12셀 사고 프레임을 이해해야 한다. 조직의 의사결정 구조를 설계하는 사람이라면, 어떤 판단이 어떤 지식에 기반하고, 어떤 추론 방식으로 이어졌는지를 명확히 볼 수 있어야 한다. 그래야 AI가 조직 내 의사결정에 개입할 때 그 신뢰성과 정당성을 판단할 수 있다.
둘째, AI를 기획하거나 설계하는 사람은 각 셀이 갖는 의미와 구현 방식을 고민해야 한다. 어떤 셀은 데이터 중심의 통계 모델로, 어떤 셀은 지식그래프와 규칙 기반 엔진으로, 또 다른 셀은 사례기반 추론(CBR)이나 설명 가능한 AI(XAI) 방식으로 접근해야 한다.
셋째, 교육과 훈련 체계도 달라져야 한다. 우리는 지금까지 데이터 분석 교육에 치중했지만, 이제는 사고의 구조와 추론의 방식, 그리고 다양한 지식의 통합 사용에 대한 훈련이 병행되어야 한다. AI 리터러시는 결국 인간 사고에 대한 메타 인지적 이해에서 출발한다.
지금은 단지 데이터를 잘 다루는 AI보다, 설명 가능한 구조 속에서 사고할 수 있는 AI가 필요한 시대다. 12셀 프레임워크는 그 전환을 위한 사고의 지도이며, 우리가 함께 설계하고 보완해나가야할 사고의 생태계다. AI는 점점 더 우리 삶 깊숙이 들어올 것이다. 이제는 우리가 그 안을 들여다볼 때다. 그것이 바로 진짜 똑똑한 AI를 만드는 첫걸음이다.
1. 우리는 정말 AI를 이해하고 있는가
2025년의 우리는 겉보기에 더 똑똑해진 인공지능과 함께 살고 있다. 챗GPT나 미드저니, 클로드와 같은 생성형 AI는 이미 일상에 깊숙이 들어와 있으며, 단순한 문장 생성부터 법률 자문, 의료 영상 분석까지 다양한 업무를 소화하고 있다. 언뜻 보기엔 AI는 인간을 닮아가고 있는 것처럼 보인다. 그러나 그 실체를 들여다보면 다른 결론이 나온다. 우리는 AI가 "정답"을 말하는 데는 익숙해졌지만, 그것이 "어떻게" 그 정답에 도달했는지를 묻는 데는 여전히 소홀하다. 예측은 빠르고 화려하지만, 그 속의 추론은 모호하고 설명되지 않는다.
AI는 사고하는 존재인가? AI가 낸 답을 우리는 신뢰할 수 있는가? 더 나아가, 인간과 AI가 협업하는 시대를 준비한다면, 우리는 무엇을 기준으로 AI를 설계하고, 평가하고, 통제할 것인가? 이 질문에 답하려면, AI가 어떤 종류의 지식에 기반하여 어떤 방식의 추론을 수행하는지를 이해해야 한다. 단순히 "많은 데이터를 학습하면 똑똑해진다"는 식의 이해는 AI의 현재 능력도, 미래 가능성도 오해하게 만든다.
지금까지 대부분의 AI는 정보지식에 기반한 귀납적 추론, 즉 "정보 × 귀납"의 조합에 과도하게 의존해 왔다. 챗GPT 역시 마찬가지다. 이는 과거 데이터를 바탕으로 새로운 답을 생성하는 데 탁월하지만, 사고 과정의 투명성과 설명력, 그리고 낯선 문제 상황에서의 적응력에는 한계를 보인다. 이 한계를 극복하려면, 우리는 지식의 다양한 형태와 추론의 다양한 방식이 교차하는 사고의 공간을 이해해야 한다.
바로 이 지점에서 "지식의 종류(경험지식, 정보지식, 논리지식) × 추론의 종류(연역, 귀납, 유추, 가추)"라는 12셀 프레임워크가 필요하다. 이 프레임워크는 AI가 인간처럼 사고하기 위해 갖춰야 할 지적 구조를 입체적으로 그려내는 틀이며, 단순한 기술적 도구가 아닌 하나의 사고 설계 원칙이다.
2. 지식과 추론의 구조적 이해가 왜 중요한가
2.1 지식은 사고의 재료다: 경험, 정보, 논리
우리가 어떤 판단을 내릴 때, 그 판단은 무(無)에서 오지 않는다. 반드시 무엇인가를 근거로 한다. 이 근거가 바로 지식이다. 인간이 사고할 때 사용하는 지식은 크게 세 가지로 나뉜다.
첫째는 경험지식이다. 이는 개인이 직접 몸으로 부딪치고 겪으며 체화한 지식이다. 베테랑 상담원이 고객의 말투를 듣고 이탈 가능성을 직감하거나, 외과의사가 촉감만으로 이상 부위를 알아차리는 것이 이에 해당한다. 이러한 지식은 암묵적이고 설명하기 어렵지만, 의외로 많은 고급 의사결정에서 결정적인 역할을 한다.
둘째는 정보지식이다. 이는 디지털화된 데이터, 문서, 보고서, 통계 지표, 로그 기록 등 외부에 명시적으로 존재하는 지식이다. 대부분의 AI가 다루는 것은 이 영역이며, 오늘날의 머신러닝과 생성형 AI는 모두 이 범주에 속한다.
셋째는 논리지식이다. 규칙, 원칙, 법칙처럼 인간이 추상화와 일반화를 통해 만들어낸 지식이다. 수학 공식, 정책 규정, 논리 연산 구조, 기호 체계 등이 여기에 속한다. 이들은 보통 인간이 수 세기 동안 쌓아온 이론 체계에서 출발하며, 설명력과 예측력이 높다.
이 세 가지 지식은 서로 고립되어 있지 않다. 실제 인간의 사고는 이 셋을 유기적으로 넘나들며 작동한다. 그런데 현재 AI는 정보지식에만 과도하게 편향되어 있으며, 경험지식이나 논리지식을 충분히 반영하지 못한다. 이로 인해 AI는 맥락을 읽지 못하거나, 명확한 설명을 제공하지 못하는 한계를 보인다.
2.2 추론은 사고의 엔진이다: 연역, 귀납, 유추, 가추
지식이 사고의 재료라면, 추론은 사고를 움직이는 엔진이다. 우리가 어떤 주장이나 결론에 도달할 때, 그 과정은 단지 정보의 나열이 아니라 정보 간의 연결, 즉 추론의 작용을 통해 이루어진다. 추론에도 여러 종류가 있다.
연역은 전제로부터 필연적인 결론을 이끌어내는 방식이다. "모든 사람은 죽는다"는 전제와 "소크라테스는 사람이다"라는 사실이 주어졌을 때, 우리는 "소크라테스는 죽는다"는 결론에 도달한다. 법률, 정책, 수학과 같은 분야는 연역 추론을 바탕으로 작동한다. AI가 이 방식으로 사고하려면 명시적 규칙 체계와 일관된 기호 구조가 필요하다.
귀납은 반복된 사례로부터 일반적인 결론을 도출하는 방식이다. 머신러닝은 수천 수만 개의 사례를 보고 그 안의 패턴을 추출해 새로운 상황에 적용한다. 오늘날의 AI 대부분은 이 방식에 의존한다. 그러나 귀납은 언제나 예외 가능성을 내포한다. 백 개의 흰 백조를 봤다고 해서 모든 백조가 흰 것은 아니다.
유추는 A와 B가 유사하다면, A에서 성립하는 것이 B에서도 성립할 것이라는 추론 방식이다. 인간은 새로운 개념을 이해할 때 항상 익숙한 개념에 빗대어 설명한다. "심장은 펌프다"라는 표현은 심장의 기능을 이해하는 데 강력한 유추적 도구가 된다.
가추는 관찰된 현상으로부터 그 원인을 역으로 추정하는 방식이다. 의사가 열, 기침, 통증이라는 증상을 보고 독감을 의심하거나, 탐정이 범죄 현장의 단서로부터 범인을 추정하는 것이 이에 해당한다. AI가 진정한 문제 해결자가 되려면 이 가추 능력을 갖추어야 한다.
2.3 12셀 사고 공간: 우리가 지금 서 있는 곳과 나아가야 할 방향
지식의 세 가지 유형과 추론의 네 가지 방식이 결합하면 총 12개의 셀이 만들어진다. 이 12셀은 인간 사고의 전체 지도이며, AI가 닮아가야 할 사고의 구조이기도 하다. 그러나 오늘날의 AI는 "정보지식 × 귀납"이라는 단 하나의 셀에 과도하게 집중되어 있다. 이 조합은 많은 데이터를 빠르게 분석하고, 예측하거나 생성하는 데 강점을 가진다. 그러나 새로운 문제에 직면했을 때, 또는 고차원의 전략적 판단이 필요할 때, 이 조합은 설명력과 적응력 모두에서 한계를 보인다.
예를 들어 자율주행차가 불법 유턴을 학습 데이터로부터 정상 행위로 인식하는 오류는, 정보지식과 귀납 추론만으로는 법과 윤리라는 논리지식을 반영하지 못했기 때문이다. 혹은 고객지원 챗봇이 단순 문의에는 잘 대응하지만, 예외 상황에 대한 적절한 설명이나 감정적 공감에는 실패하는 것도 같은 맥락이다.
우리는 이 한계를 극복하기 위해 AI가 모든 셀을 사용할 수 있도록 설계해야 한다. 경험지식 × 가추 추론을 통해 위기 대응 역량을 강화하고, 논리지식 × 연역 추론을 통해 고차원 정책 판단에 활용하며, 정보지식 × 유추 추론을 통해 새로운 응용 사례를 확장해야 한다. 이 12셀 프레임워크는 단지 기술적인 체크리스트가 아니라, 사고 설계의 철학이자 AI 시대의 리터러시이다.
우리는 이 한계를 극복하기 위해 AI가 모든 셀을 사용할 수 있도록 설계해야 한다. 경험지식 × 가추 추론을 통해 위기 대응 역량을 강화하고, 논리지식 × 연역 추론을 통해 고차원 정책 판단에 활용하며, 정보지식 × 유추 추론을 통해 새로운 응용 사례를 확장해야 한다. 이 12셀 프레임워크는 단지 기술적인 체크리스트가 아니라, 사고 설계의 철학이자 AI 시대의 리터러시이다.
아래는 각 셀별 주요 예시이다. 각 예시는 해당 조합이 실제로 어떤 방식으로 인간 또는 AI 사고에 활용될 수 있는지를 설명한다.
1) 경험지식 × 연역 추론: 장인의 숙련된 손놀림처럼 수많은 시행착오를 통해 내재화된 규칙은 연역적으로 활용될 수 있다. 예를 들어, 숙련 용접공은 보편화된 안전기준에 따라 상황을 즉각적으로 판단하고 행동으로 옮긴다. 이 규칙은 명시적이지 않지만 내부화되어 있어, 사고 없이도 정확하게 연역 추론을 수행하게 된다.
2) 경험지식 × 귀납 추론: 반복적인 현장 경험에서 자연스럽게 일반화된 규칙이 생긴다. 노련한 간호사가 환자의 미세한 표정 변화와 피부색만 보고도 통증의 강도를 추론하는 것처럼, 이러한 경험은 수없이 쌓인 사례에서 비롯된다.
3) 경험지식 × 유추 추론: 과거 사례의 구조와 유사한 문제를 마주했을 때, 기존 해결 방식을 전이하는 형태다. 자동차 정비사는 이전 세대 모델에서 발생한 엔진 문제 해결 방식을 신형 모델에도 적용해보며 문제 해결의 실마리를 찾는다.
4) 경험지식 × 가추 추론: 매우 불확실하고 급박한 상황에서 빠른 판단이 요구될 때, 사람은 경험 기반 직관으로 원인을 추정한다. 예를 들어, 소방관이 현장에 진입하자마자 특정 연기의 색과 냄새를 감지하고 전기 누전 가능성을 추론하는 상황이 여기에 해당한다.
5) 정보지식 × 연역 추론: 명시적 규칙과 데이터를 기반으로 논리적 계산을 수행한다. 예를 들어, 기업 회계 시스템이 세법 조항에 따라 자동으로 세금액을 계산하는 것은 정보지식과 연역 추론의 결합이다.
6) 정보지식 × 귀납 추론: 머신러닝 모델이 대표적이다. 고객의 구매 패턴 데이터를 수천 개 학습한 후, 새로운 고객의 이탈 가능성을 예측하는 고객 이탈 예측 모델은 이 조합의 전형이다.
7) 정보지식 × 유추 추론: 사용자 행동이 유사한 과거 사례를 찾아 그 행동을 기반으로 추천을 제공하는 시스템이 여기에 해당한다. 넷플릭스의 추천 엔진이 대표적이며, "이 영화를 본 사람은 이 영화도 좋아했다"는 식의 유추적 사고를 기반으로 작동한다.
8) 정보지식 × 가추 추론: 이상 탐지 시스템은 정보지식 기반에서 동작하면서도, 예상치 못한 패턴이나 이상 현상을 보고 잠재적 원인을 추정한다. 예를 들어, 평소와 전혀 다른 방식의 금융 거래가 발생했을 때 이를 사기 가능성으로 추정하는 시스템이 여기에 해당한다.
9) 논리지식 × 연역 추론: 형식 논리와 법칙을 기반으로 한 판단 체계다. 법률 AI가 판례와 조항을 연계해 특정 사건에 대해 법적 판단을 내리는 방식은 전형적인 연역 추론이며, 논리적 완결성이 가장 중요시된다.
10) 논리지식 × 귀납 추론: 이론적 가설을 실험이나 통계적 방법을 통해 검증할 때 사용된다. 의학에서 신약의 효과를 무작위 임상시험으로 검증하는 방식이 대표적이다. 이 경우, 통계적 귀납을 통해 일반화 가능한 이론을 도출한다.
11) 논리지식 × 유추 추론: 서로 다른 개념 체계 간 유사한 구조를 포착해 새로운 통찰을 만드는 방식이다. 예컨대 양자역학의 수학 구조를 인공지능 알고리즘 설계에 적용하는 연구는 논리지식 기반의 유추에 해당한다.
12) 논리지식 × 가추 추론: 기존 개념을 결합하거나 새롭게 비틀어 새로운 가설을 구성하는 창의적 사고에 해당한다. 과학자가 기존 이론과 다른 분야의 개념을 연결해 실험 가설을 만드는 경우가 여기에 해당한다.
이처럼 12셀 각각은 서로 다른 종류의 지식과 추론 방식이 만나 만들어지는 독립된 사고 유형이며, AI가 인간과 같이 사고하려면 이들 전체를 설계하고 균형 있게 통합할 수 있어야 한다.
모든 지식의 종류에 대해 모든 추론을 할 수 있는 AI를 만드는 게 리터러시이다.
3. AI 리터러시는 사고 설계의 문제다
우리는 지금까지 AI를 너무 결과 중심으로 바라보았다. 얼마나 잘 예측했는가, 얼마나 자연스럽게 문장을 생성했는가에만 집중했다. 그러나 진정한 AI의 가치는 그 사고 과정, 즉 어떤 지식에 기반하여 어떤 추론을 수행했는가에 있다. 이는 단지 기술의 문제가 아니라, 사고 설계의 문제이며, 리터러시의 문제다.
첫째, 이제는 기술자만이 아니라 모든 리더가 12셀 사고 프레임을 이해해야 한다. 조직의 의사결정 구조를 설계하는 사람이라면, 어떤 판단이 어떤 지식에 기반하고, 어떤 추론 방식으로 이어졌는지를 명확히 볼 수 있어야 한다. 그래야 AI가 조직 내 의사결정에 개입할 때 그 신뢰성과 정당성을 판단할 수 있다.
둘째, AI를 기획하거나 설계하는 사람은 각 셀이 갖는 의미와 구현 방식을 고민해야 한다. 어떤 셀은 데이터 중심의 통계 모델로, 어떤 셀은 지식그래프와 규칙 기반 엔진으로, 또 다른 셀은 사례기반 추론(CBR)이나 설명 가능한 AI(XAI) 방식으로 접근해야 한다.
셋째, 교육과 훈련 체계도 달라져야 한다. 우리는 지금까지 데이터 분석 교육에 치중했지만, 이제는 사고의 구조와 추론의 방식, 그리고 다양한 지식의 통합 사용에 대한 훈련이 병행되어야 한다. AI 리터러시는 결국 인간 사고에 대한 메타 인지적 이해에서 출발한다.
지금은 단지 데이터를 잘 다루는 AI보다, 설명 가능한 구조 속에서 사고할 수 있는 AI가 필요한 시대다. 12셀 프레임워크는 그 전환을 위한 사고의 지도이며, 우리가 함께 설계하고 보완해나가야할 사고의 생태계다. AI는 점점 더 우리 삶 깊숙이 들어올 것이다. 이제는 우리가 그 안을 들여다볼 때다. 그것이 바로 진짜 똑똑한 AI를 만드는 첫걸음이다.