최근 글로벌 경영 컨설팅 기업 맥킨지가 인공지능(AI)의 영향으로 대규모 해고를 단행했다는 소식은 우리 사회에 큰 파장을 던졌습니다. 이는 단순히 생성형 AI가 일반 업무를 대체하는 것을 넘어, 이제 인공지능이 과거 인간의 전유물로 여겨지던 고도의 의사결정 영역에 본격적으로 진입하고 있음을 보여주는 상징적인 사건입니다. 그러나 인공지능을 단순히 무언가를 ‘생성(Generate)’하는 도구로 넘어, 실제 ‘결정(Make)’을 내리고 지원하는 수준으로 활용하기 위해서는 특별한 접근 방식이 요구됩니다. 본 기고문에서는 그 핵심에 ‘논증 기술’과 ‘뉴로심볼릭 AI’의 융합이 있음을 설명하고, 이 두 가지를 어떻게 결합하여 고도의 논증이 가능한 AI 에이전트를 구축할 수 있는지에 대해 논하고자 합니다. 이 모든 논의의 출발점은 인간이 어떻게 의사결정을 하는지에 대한 깊이 있는 이해에 있습니다.
(이미지 출처: Gemini Imagen3로 생성)
1. 인간 의사결정 방식에 대한 이해: AI를 위한 통찰
인공지능이 인간 수준의 의사결정을 돕거나 직접 수행하려면, 먼저 인간의 의사결정 과정을 면밀히 분석해야 합니다. 인간의 의사결정은 지능(Intelligence)과 감정(Emotion)의 조화를 통해 이루어지며, 특히 지능적인 측면은 세 가지 체계로 나눌 수 있습니다.
- 가치 체계(Value System): 오너의 경영 철학, 전략 방향성, 의사결정자의 선호 등 의사결정의 기준을 제공합니다.
- 판단 체계(Judgment System): 지식을 활용하여 의사결정을 수행하는 일련의 사고 엔진, 즉 추론(Reasoning)을 의미합니다.
- 정보 체계(Information System): 의사결정에 필요한 지식의 종류를 의미하며, 이는 다시 세 가지로 분류됩니다.
⬞ 정보 지식(Information Knowledge): 빅데이터, MES, ERP, CRM 시스템 등에 담긴 데이터와 같이 우리가 일반적으로 접하는
사실 정보입니다. 현재 대부분의 인공지능은 이 정보 지식을 기반으로 패턴을 찾아 추론을 구성합니다.
⬞ 경험 지식(Experiential Knowledge): 현장 엔지니어의 본능적인 ‘감’과 같이 개인의 경험을 통해 얻어진 지식입니다.
⬞ 논리 지식(Logical Knowledge): 경험하거나 정보로 들은 적은 없지만, 필연적인 판단의 근거를 제시하는 지식입니다. 예를 들어,
“모든 인간은 죽는다. 소크라테스는 인간이다. 고로 소크라테스는 죽는다”와 같은 명제는 논리 지식의 영역입니다.
인간은 의사결정을 할 때 이 세 가지 지식을 통합적으로 활용합니다. 따라서 인공지능이 인간 수준의 의사결정을 하려면 이 세 가지 지식을 모두 다룰 수 있어야 합니다. 그러나 현재 주류 인공지능은 주로 정보 지식에만 의존하는 한계를 가지고 있습니다.
더 나아가, 인간의 판단 체계를 구성하는 추론(Reasoning)은 단순히 정보를 요약하는 것을 넘어 ‘생각의 도약’을 의미합니다. 추론의 종류는 크게 네 가지로 나뉩니다:
- 연역 추론(Deductive Reasoning): 상식을 기반으로 결론을 도출하는 행위입니다.
- 귀납 추론(Inductive Reasoning): 많은 관찰을 통해 일반적인 규칙을 결론으로 채택하는 행위입니다. 현재 대규모 데이터를 학습하는 인공지능(뉴로 인공지능)은 귀납 추론에 매우 강합니다.
- 유비 추론(Analogical Reasoning): 비슷한 상황에서 작동했던 결론이 다른 비슷한 상황에서도 작동할 것이라고 생각하는 행위입니다 (예: 벤치마킹).
- 가추 추론(Abductive Reasoning): 경험적 직관을 기반으로 가장 그럴싸한 답을 가정하고 의사결정을 진행하는 방식입니다.
이러한 추론 방식들은 증거 능력의 강도에서 차이가 있습니다. 연역 추론이 가장 강하고, 귀납, 유비, 가추 추론으로 갈수록 증거 능력이 약해집니다. 현재의 주류 인공지능 담론은 주로 정보 지식 기반의 귀납 추론에 집중되어 있으며, 나머지 연역, 유비, 가추 추론에는 매우 취약합니다. 특히, 인공지능은 ‘상식’이 부족하여 연역 추론에 약점을 보이며, 데이터 변화에 따라 결론이 바뀌는 경향이 있어 인간의 연역 추론과는 차이가 있습니다.
2. 기존 AI 접근 방식의 한계와 뉴로심볼릭 AI의 필요성
인간의 복합적인 의사결정 과정을 이해한 바탕 위에서, 기존의 인공지능 접근 방식이 가진 한계를 짚어볼 필요가 있습니다.
가. 뉴로 인공지능(Neuro AI)의 한계
최근 주목받는 LLM(Large Language Model)으로 대표되는 뉴로 인공지능은 딥러닝 기법을 통해 데이터의 패턴을 파악하여 성과를 발휘합니다. 이는 주로 방대한 데이터에서 경향성을 추출하는 귀납 추론에 강점을 보입니다. 그러나 고도의 의사결정을 위한 인공지능으로서 다음과 같은 명확한 한계를 지닙니다:
- 정확성 및 일관성 부족: LLM은 답변의 정확성과 일관성이 떨어지는 경향이 있습니다.
- 설명 불가능성(Lack of Explainability): 뉴로 인공지능은 특정 결론이 왜 도출되었는지 그 과정을 설명하기 어렵습니다. 이는 CEO와 같은 고위 의사결정권자들이 AI의 제안을 신뢰하고 채택하는 데 큰 걸림돌이 됩니다. “왜 그렇게 했는가?”라는 질문에 답할 수 없기 때문에, B2B 솔루션이나 중요한 전략적 의사결정에서는 활용하기 어렵습니다.
- 전략적 의사결정의 한계: 신규 사업 진출, 구조 조정, 포트폴리오 재조정 등 답이 없거나 상대방과의 수싸움이 필요한 전략적 의사결정(Strategic Decision-making)에는 뉴로 인공지능만으로는 한계가 있습니다. 의사결정자는 틀리더라도 그 과정의 절차적 타당성(따짐)을 통해 심리적 안도감을 얻고 동기를 부여받기 때문입니다.
나. 심볼릭 인공지능(Symbolic AI)의 한계
뉴로 인공지능보다 먼저 등장했던 심볼릭 인공지능은 기호 체계를 기반으로 한 인공지능으로, 인간의 논리적 사고를 닮아 기호적으로 표현하려는 연구에서 시작되었습니다. 이는 수학적 공리나 규칙에 기반한 연역 추론에 강점을 가지지만:
- 유연성 부족: 수학적 방법론처럼 고지식하고 일상생활의 모든 문제를 설명하는 데 유연성이 떨어집니다.
- 적응성 부족: 현실 세계의 복잡하고 예측 불가능한 상황에 대한 적응력이 낮아 광범위한 문제에 적용하기 어렵습니다.
3. 논증 기술과 뉴로심볼릭 AI의 융합: 고도 의사결정을 위한 황금 균형
뉴로 인공지능과 심볼릭 인공지능 각각의 한계를 깨달은 사람들은 이 둘을 합치는 것이 해답이라고 판단했습니다. 이것이 바로 뉴로심볼릭 AI의 개념이 등장하게 된 배경입니다. 뉴로심볼릭 AI는 ‘데이터에서 나오는 패턴(Neuro)’과 ‘합의된 규칙에서 나오는 명확성(Symbolic)’을 결합하여 인공지능을 구동하는 방식입니다. 이 방법론은 세 가지 지식(정보, 경험, 논리)과 네 가지 추론(연역, 귀납, 유비, 가추) 방법을 균형 있게 다룰 수 있는 잠재력을 지니고 있습니다. 최근 AWS가 전사 기술 방향으로 뉴로심볼릭 접근 방식을 발표한 것 또한 이러한 흐름을 반영합니다.
뉴로심볼릭 AI의 핵심은 마치 영어를 배울 때 대규모 노출을 통해 패턴을 익히는 방식(Neuro)과 문법 규칙을 통해 정확성을 확보하는 방식(Symbolic)을 병행하는 것에 비유할 수 있습니다. 즉, 유연성(Flexibility)과 명확성(Clarity)의 균형을 동시에 확보하는 것입니다.
뉴로심볼릭 AI가 고도 의사결정에 적용되기 위해서는 논증 기술(Argumentation Technology)과의 합체가 필수적입니다. 논증 기술은 인공지능이 어떻게 논증하거나, 인간의 논증을 식별하거나, 인간의 논증을 돕는 방법을 연구하는 학문 분야입니다. 수십 년간 축적된 이 학문적 지식은 LLM의 추론 엔진과 만나면서 산업적으로 폭발적인 가치를 창출하기 시작했습니다.
(출처: 딥스킬) 의사결정은 생성되지 않고 결정의 과정에서 나온다.
그러므로 인간이 어떻게 의사결정을 하는지를 섬세하게 구조화한 기호체계를 기반으로
논증할수 있는 AI를 만들어야 고급 의사결정이 가능하게 할수 있다.
그렇다면, 이 둘을 융합하여 고도 논증이 가능한 AI 에이전트를 어떻게 만들 수 있을까요? 핵심은 인간의 판단 과정을 모방한 의사결정 알고리즘에 있습니다.
- 단어(Words)의 명확화: 모든 논증적 사고의 기본은 단어의 명확한 정의와 표준화에 있습니다. 인간의 대화에서 발생하는 ‘우리’와 같은 모호한 단어의 의미 차이가 논증의 충돌을 야기하듯이, AI는 온톨로지나 날리지 그래프 기술을 활용하여 개념 간의 연결을 명확히 정의합니다.
- 문장(Propositions)의 식별: 단어들이 모여 독립된 사상(생각)을 형성하는 문장을 식별합니다.
- 논증(Arguments) 구조화: 고도의 의사결정은 단순히 설명문을 넘어섭니다. 인간의 모든 논증은 ‘가정(Assumption), 증거(Evidence), 이유(Reason), 주장(Claim)’이라는 기본 구조를 가집니다. AI 에이전트는 사용자의 발화 내용을 단어, 문장 단위로 식별한 후, 이를 논증 구조로 추출하여 정리합니다. 이 과정에서 LLM은 학문적 지식과 결합되어 자연스러운 대화를 논증 구조로 변환하는 추론 엔진 역할을 수행합니다.
- 변증(Dialectic)을 통한 평가: 구조화된 논증들은 서로 만나 내적/외적 정합성을 따지며 우열을 가립니다. 이를 통해 의사결정이 발생합니다.
DeepSkill과 같은 회사에서는 이러한 과정을 통해 개발된 AI 에이전트를 실제 제품으로 구현하고 있습니다.
- 이해력 평가 에이전트: 교수의 강의 내용을 난리지 그래프로 전환하고, 학생이 특정 개념(예: 기회비용)을 정확히 연결하고 이해하는지 측정합니다.
- 판단력 평가 에이전트: 정답이 없는 개방형 질문에 대해, 사용자의 사고 골격과 일관성을 평가하며, 오판 유형 등 상세한 피드백을 제공합니다.
- 설득력 평가 에이전트: 사용자의 글을 논증 구조(컨텍스트, 질문, 답변, 행동 유도, 이유, 증거, 가정 등)로 분석하고, 편향을 식별하며, 각 추론 유형의 약점(예: 귀납 추론의 대표성 문제)을 바탕으로 비판적 질문을 자동적으로 생성하여 피드백합니다.
이러한 ‘컴퓨테이셔널 논증(Computational Argumentation)’ 기술은 회의 중 여러 의견의 논증 강도를 수치적으로 측정하여, 누가 더 강력한 논증을 가졌는지 즉각적으로 분석하고 추가 검토가 필요한 부분을 제시하는 등의 방식으로 활용될 수 있습니다. 이는 단순히 정보를 찾아주는 채봇을 넘어, 생각을 유도하고 행동을 유발하는 ‘공격형 채봇’ 시장을 창출할 잠재력을 가집니다.
4. 고도 의사결정 AI의 미래와 우리의 과제
뉴로심볼릭 AI와 논증 기술의 융합은 교육, 마케팅, 영업, 안정 관리, 법률, 의료 등 규칙과 논리적 판단이 중요한 다양한 도메인에서 폭넓게 적용될 수 있습니다. 특히, 과거 전문가 시스템(Expert System) 구축의 어려움을 LLM이 보완하면서, 인간의 ‘암묵지(Tacit Knowledge)’를 형식지화하고 이를 정보 지식과 논리 지식과 결합하는 것이 중요한 국가적 의제가 되고 있습니다. 고도 성장기를 이끌었던 숙련된 전문가들의 퇴직을 앞둔 지금, 그들의 암묵지를 AI에 학습시켜 지식 자산으로 활용하는 것은 균형 잡힌 AI 발전의 핵심 과제입니다.
결론적으로, 뉴로심볼릭 AI는 패턴 학습의 유연성과 규칙 기반의 명확성을 동시에 확보함으로써, 단순한 정보 생성을 넘어 고도 의사결정을 수행하고 지원하는 인공지능의 황금 균형을 제시합니다. 이는 AI가 인간의 지능을 보완하고 확장하는 새로운 시대를 열 것이며, 우리 사회와 산업 전반에 걸쳐 혁신적인 변화를 가져올 것입니다.
최근 글로벌 경영 컨설팅 기업 맥킨지가 인공지능(AI)의 영향으로 대규모 해고를 단행했다는 소식은 우리 사회에 큰 파장을 던졌습니다. 이는 단순히 생성형 AI가 일반 업무를 대체하는 것을 넘어, 이제 인공지능이 과거 인간의 전유물로 여겨지던 고도의 의사결정 영역에 본격적으로 진입하고 있음을 보여주는 상징적인 사건입니다. 그러나 인공지능을 단순히 무언가를 ‘생성(Generate)’하는 도구로 넘어, 실제 ‘결정(Make)’을 내리고 지원하는 수준으로 활용하기 위해서는 특별한 접근 방식이 요구됩니다. 본 기고문에서는 그 핵심에 ‘논증 기술’과 ‘뉴로심볼릭 AI’의 융합이 있음을 설명하고, 이 두 가지를 어떻게 결합하여 고도의 논증이 가능한 AI 에이전트를 구축할 수 있는지에 대해 논하고자 합니다. 이 모든 논의의 출발점은 인간이 어떻게 의사결정을 하는지에 대한 깊이 있는 이해에 있습니다.
(이미지 출처: Gemini Imagen3로 생성)
1. 인간 의사결정 방식에 대한 이해: AI를 위한 통찰
인공지능이 인간 수준의 의사결정을 돕거나 직접 수행하려면, 먼저 인간의 의사결정 과정을 면밀히 분석해야 합니다. 인간의 의사결정은 지능(Intelligence)과 감정(Emotion)의 조화를 통해 이루어지며, 특히 지능적인 측면은 세 가지 체계로 나눌 수 있습니다.
⬞ 정보 지식(Information Knowledge): 빅데이터, MES, ERP, CRM 시스템 등에 담긴 데이터와 같이 우리가 일반적으로 접하는
사실 정보입니다. 현재 대부분의 인공지능은 이 정보 지식을 기반으로 패턴을 찾아 추론을 구성합니다.
⬞ 경험 지식(Experiential Knowledge): 현장 엔지니어의 본능적인 ‘감’과 같이 개인의 경험을 통해 얻어진 지식입니다.
⬞ 논리 지식(Logical Knowledge): 경험하거나 정보로 들은 적은 없지만, 필연적인 판단의 근거를 제시하는 지식입니다. 예를 들어,
“모든 인간은 죽는다. 소크라테스는 인간이다. 고로 소크라테스는 죽는다”와 같은 명제는 논리 지식의 영역입니다.
인간은 의사결정을 할 때 이 세 가지 지식을 통합적으로 활용합니다. 따라서 인공지능이 인간 수준의 의사결정을 하려면 이 세 가지 지식을 모두 다룰 수 있어야 합니다. 그러나 현재 주류 인공지능은 주로 정보 지식에만 의존하는 한계를 가지고 있습니다.
더 나아가, 인간의 판단 체계를 구성하는 추론(Reasoning)은 단순히 정보를 요약하는 것을 넘어 ‘생각의 도약’을 의미합니다. 추론의 종류는 크게 네 가지로 나뉩니다:
이러한 추론 방식들은 증거 능력의 강도에서 차이가 있습니다. 연역 추론이 가장 강하고, 귀납, 유비, 가추 추론으로 갈수록 증거 능력이 약해집니다. 현재의 주류 인공지능 담론은 주로 정보 지식 기반의 귀납 추론에 집중되어 있으며, 나머지 연역, 유비, 가추 추론에는 매우 취약합니다. 특히, 인공지능은 ‘상식’이 부족하여 연역 추론에 약점을 보이며, 데이터 변화에 따라 결론이 바뀌는 경향이 있어 인간의 연역 추론과는 차이가 있습니다.
2. 기존 AI 접근 방식의 한계와 뉴로심볼릭 AI의 필요성
인간의 복합적인 의사결정 과정을 이해한 바탕 위에서, 기존의 인공지능 접근 방식이 가진 한계를 짚어볼 필요가 있습니다.
가. 뉴로 인공지능(Neuro AI)의 한계
최근 주목받는 LLM(Large Language Model)으로 대표되는 뉴로 인공지능은 딥러닝 기법을 통해 데이터의 패턴을 파악하여 성과를 발휘합니다. 이는 주로 방대한 데이터에서 경향성을 추출하는 귀납 추론에 강점을 보입니다. 그러나 고도의 의사결정을 위한 인공지능으로서 다음과 같은 명확한 한계를 지닙니다:
나. 심볼릭 인공지능(Symbolic AI)의 한계
뉴로 인공지능보다 먼저 등장했던 심볼릭 인공지능은 기호 체계를 기반으로 한 인공지능으로, 인간의 논리적 사고를 닮아 기호적으로 표현하려는 연구에서 시작되었습니다. 이는 수학적 공리나 규칙에 기반한 연역 추론에 강점을 가지지만:
3. 논증 기술과 뉴로심볼릭 AI의 융합: 고도 의사결정을 위한 황금 균형
뉴로 인공지능과 심볼릭 인공지능 각각의 한계를 깨달은 사람들은 이 둘을 합치는 것이 해답이라고 판단했습니다. 이것이 바로 뉴로심볼릭 AI의 개념이 등장하게 된 배경입니다. 뉴로심볼릭 AI는 ‘데이터에서 나오는 패턴(Neuro)’과 ‘합의된 규칙에서 나오는 명확성(Symbolic)’을 결합하여 인공지능을 구동하는 방식입니다. 이 방법론은 세 가지 지식(정보, 경험, 논리)과 네 가지 추론(연역, 귀납, 유비, 가추) 방법을 균형 있게 다룰 수 있는 잠재력을 지니고 있습니다. 최근 AWS가 전사 기술 방향으로 뉴로심볼릭 접근 방식을 발표한 것 또한 이러한 흐름을 반영합니다.
뉴로심볼릭 AI의 핵심은 마치 영어를 배울 때 대규모 노출을 통해 패턴을 익히는 방식(Neuro)과 문법 규칙을 통해 정확성을 확보하는 방식(Symbolic)을 병행하는 것에 비유할 수 있습니다. 즉, 유연성(Flexibility)과 명확성(Clarity)의 균형을 동시에 확보하는 것입니다.
뉴로심볼릭 AI가 고도 의사결정에 적용되기 위해서는 논증 기술(Argumentation Technology)과의 합체가 필수적입니다. 논증 기술은 인공지능이 어떻게 논증하거나, 인간의 논증을 식별하거나, 인간의 논증을 돕는 방법을 연구하는 학문 분야입니다. 수십 년간 축적된 이 학문적 지식은 LLM의 추론 엔진과 만나면서 산업적으로 폭발적인 가치를 창출하기 시작했습니다.
(출처: 딥스킬) 의사결정은 생성되지 않고 결정의 과정에서 나온다.
그러므로 인간이 어떻게 의사결정을 하는지를 섬세하게 구조화한 기호체계를 기반으로
논증할수 있는 AI를 만들어야 고급 의사결정이 가능하게 할수 있다.
그렇다면, 이 둘을 융합하여 고도 논증이 가능한 AI 에이전트를 어떻게 만들 수 있을까요? 핵심은 인간의 판단 과정을 모방한 의사결정 알고리즘에 있습니다.
DeepSkill과 같은 회사에서는 이러한 과정을 통해 개발된 AI 에이전트를 실제 제품으로 구현하고 있습니다.
이러한 ‘컴퓨테이셔널 논증(Computational Argumentation)’ 기술은 회의 중 여러 의견의 논증 강도를 수치적으로 측정하여, 누가 더 강력한 논증을 가졌는지 즉각적으로 분석하고 추가 검토가 필요한 부분을 제시하는 등의 방식으로 활용될 수 있습니다. 이는 단순히 정보를 찾아주는 채봇을 넘어, 생각을 유도하고 행동을 유발하는 ‘공격형 채봇’ 시장을 창출할 잠재력을 가집니다.
4. 고도 의사결정 AI의 미래와 우리의 과제
뉴로심볼릭 AI와 논증 기술의 융합은 교육, 마케팅, 영업, 안정 관리, 법률, 의료 등 규칙과 논리적 판단이 중요한 다양한 도메인에서 폭넓게 적용될 수 있습니다. 특히, 과거 전문가 시스템(Expert System) 구축의 어려움을 LLM이 보완하면서, 인간의 ‘암묵지(Tacit Knowledge)’를 형식지화하고 이를 정보 지식과 논리 지식과 결합하는 것이 중요한 국가적 의제가 되고 있습니다. 고도 성장기를 이끌었던 숙련된 전문가들의 퇴직을 앞둔 지금, 그들의 암묵지를 AI에 학습시켜 지식 자산으로 활용하는 것은 균형 잡힌 AI 발전의 핵심 과제입니다.
결론적으로, 뉴로심볼릭 AI는 패턴 학습의 유연성과 규칙 기반의 명확성을 동시에 확보함으로써, 단순한 정보 생성을 넘어 고도 의사결정을 수행하고 지원하는 인공지능의 황금 균형을 제시합니다. 이는 AI가 인간의 지능을 보완하고 확장하는 새로운 시대를 열 것이며, 우리 사회와 산업 전반에 걸쳐 혁신적인 변화를 가져올 것입니다.