AI 활용 능력도 실력일까? 'AI는 도구다' 논쟁으로 본 핵심 정리

AI 활용 능력은 실력이라고 볼 수 있어요. 다만 프롬프트 문장을 잘 쓰는 요령이 아니라, 무엇을 AI에 맡기고 무엇을 직접 할지 가르고 결과를 검증해 책임지는 판단력까지 포함할 때 그래요. 2026년 10월 개발자 커뮤니티 해커뉴스에서는 프로그래밍 언어 클로저(Clojure)를 만든 리치 히키의 글 'AI는 도구가 아니다', 이를 반박한 'AI는 도구이고 잘 쓰려면 실력이 필요하다', 그리고 '생각은 취미가 될 것'이라는 글이 동시에 많은 관심을 받았어요. 이 글은 2026년 10월 13일 기준으로 세 글의 원문과 관련 연구를 직접 읽고, 각 주장의 핵심과 실무에서 쓸 수 있는 점검법을 정리해요.

'AI는 도구다' 논쟁은 무엇을 두고 다투나요

겉으로는 단어 정의 싸움처럼 보이지만, 실제 쟁점은 AI를 쓰는 동안 사람이 무엇을 배우고 무엇을 잃느냐예요. 'AI는 그냥 도구일 뿐'이라는 말은 흔히 '쓰는 사람 하기 나름'이라는 뜻으로 쓰여요. 히키는 바로 이 표현이 자동화가 가진 고유한 성질을 가린다고 봤고, 반론 측은 오히려 도구라는 틀이 사람의 숙련과 책임을 강조한다고 봤어요.

리치 히키: LLM은 휘두르는 도구가 아니라 자동화예요

히키는 링크드인 글에서 도구를 '손에 쥐고 휘두르는 것'으로 정의했어요. 손에 쥔다는 것은 통제와 감각적 피드백의 원천이고, 사용자가 의도를 가지고 일의 흐름을 계속 이끈다는 뜻이에요. 그는 좋은 도구가 예측 가능하고 신뢰할 수 있으며 결정적이고 기능 범위가 한정돼 있는데, LLM에는 이런 성질이 없다고 썼어요. 그래서 LLM은 요청을 받으면 사람의 지속적인 조종 없이 스스로 일을 처리하는 자동화라는 결론이에요.

그의 비유는 드라이브스루예요. 드라이브스루는 요리를 위한 도구가 아니라 요리를 피하기 위한 자동화라는 거예요. 마찬가지로 연구 논문을 AI에 요약시키면 '논문을 읽은 것은 AI이지 내가 아니다'라고 지적했어요. 그 과정에서 잘 쓰는 사람에게서 글쓰기를 배우고, 논증을 세우고, 어떤 저자를 신뢰하고 어떤 저자를 의심할지 익히는 기회를 놓친다는 주장이에요. 또 모델의 버릇에 맞춘 주문 같은 지침은 소프트웨어 업데이트 한 번으로 쓸모없어질 수 있다고 경고했어요.

반론: AI는 도구이고, 잘 쓰는 데 실력이 들어요

곧이어 yyhh.org의 Huahai는 반론 글을 올렸어요. 톱을 든다고 반듯하게 자를 수 있는 것은 아니고, 끌을 쥐었다고 조각가가 되는 것도 아니라는 거예요. 도구의 유용성은 사용자가 방향을 정하고, 피드백을 해석하고, 실수를 알아보고 고치는 능력에 달려 있고, 이 조건은 LLM에도 그대로 적용된다고 봤어요. 예측 가능성과 신뢰성은 도구를 평가하는 기준이지, 도구에 속하기 위한 자격 요건이 아니라는 지적도 했어요.

그는 자동화와 도구를 둘로 나누는 구분 자체가 틀렸다고 봤어요. 컴파일러는 프로그래머가 매 연산을 지시하지 않아도 많은 일을 하고, 스프레드시트는 사람이 계산하지 않아도 값을 다시 계산하지만 우리는 둘 다 도구라고 불러요. 개발자가 AI에 낯선 코드를 설명하게 하고, 그 설명을 반박하고, 원본 코드를 확인하고, 제안된 수정안을 테스트해 거절하거나 요청을 다듬는 과정은 사람이 이끄는 피드백 루프라는 주장이에요. 다만 그도 논문을 읽는 대신 요약만 받아들이는 사용법에 대해서는 히키의 우려가 타당하다고 인정했어요.

'생각은 취미가 될 것'이라는 또 다른 시각

같은 시기 소프트웨어 공학자 디오미디스 스피넬리스는 블로그에 더 큰 그림을 그렸어요. 성능 향상, 비용 하락, 24시간 가용성이라는 세 요인 때문에 대부분의 인지 노동을 AI가 맡게 되고, 사냥이나 서예처럼 생각도 생계 수단에서 여가 활동으로 바뀔 것이라는 전망이에요. 그는 이런 전환을 버티려면 AI의 발전을 따라가면서도 일 밖에서 의미 있는 삶을 꾸려야 한다고 적었어요. 이는 연구 결과가 아니라 저자 개인의 예측이라는 점을 구분해서 읽어야 해요.

연구로 본 AI 의존: 무엇을 믿느냐가 갈랐어요

논쟁을 판단할 때 참고할 만한 실증 자료로 마이크로소프트 리서치와 카네기멜런대 연구진의 CHI 2025 논문이 있어요. 연구진은 업무에 생성형 AI를 쓰는 지식노동자 319명을 설문하고 실제 사용 사례 936건을 모았어요. 그 결과 AI가 일을 잘할 것이라는 신뢰가 높을수록 비판적 사고를 덜 했고, 스스로 그 일을 잘할 수 있다는 자신감이 높을수록 비판적 사고를 더 했다고 응답하는 경향이 나타났어요. 자기 실력을 믿는 사람은 더 많은 인지적 노력을 들였다고 답했어요.

마이크로소프트 리서치 블로그 요약에 따르면, 정확성이 중요한 고위험 업무에서는 AI를 쓸 때 오히려 비판적 사고에 더 많은 노력을 들였고, 시간에 쫓기는 일상적 저위험 업무에서는 노력을 덜 들였다고 답했어요. 또 비판적 사고의 내용이 직접 작업에서 정보 검증, 결과물 통합, 작업 관리 쪽으로 옮겨 갔다고 봤어요. 비판적 사고를 막는 요인으로는 검증 필요성에 대한 인식 부족, 시간 압박 같은 동기 부족, 익숙하지 않은 분야에서 요청을 다듬기 어려운 능력 부족이 꼽혔어요.

이 결과는 두 진영 모두에게 일부 근거를 줘요. AI를 믿고 검증을 건너뛰는 사용은 히키가 말한 자동화, 즉 일을 넘겨 버리는 모습과 닮았어요. 반면 자기 판단을 유지하며 결과를 따지는 사용은 Huahai가 말한 피드백 루프와 비슷해요. 결국 같은 AI라도 사용자의 태도에 따라 도구처럼 쓰이기도 하고 자동화처럼 쓰이기도 한다고 해석할 수 있어요.

실무에서 말하는 AI 활용 능력 다섯 가지

논쟁과 연구를 겹쳐 보면 AI 활용 능력은 하나의 기술보다 여러 판단의 묶음에 가까워요. 아래 다섯 가지는 원문과 연구에서 반복된 행동을 실무 언어로 옮긴 거예요. 특정 도구나 모델의 기능을 전제로 하지 않아요.

1. 맡길 일 고르기: 배우고 싶은 핵심 기술과 결과만 필요한 반복 작업을 나눠요. 전자는 직접 하는 구간을 남겨 둬요.
   1. 예: 처음 다루는 분야의 개념 공부는 원문부터 읽고, 형식 변환이나 초안 정리는 AI에 맡겨요.
2. 목표와 기준 명시: 원하는 결과물의 목적, 독자, 품질 기준을 먼저 정해 요청에 담아요. 연구 참여자들도 명확한 목표 설정을 비판적 사고의 일부로 꼽았어요.
3. 검증: 결과를 외부 출처, 테스트, 원본 자료와 대조해요. 그럴듯한 문장은 정확성의 근거가 아니에요.
4. 통합: AI 결과를 내 맥락에 맞게 고치고 빠진 부분을 채워요. 그대로 붙여 넣는 순간 판단의 주체가 바뀌어요.
5. 최종 책임: 결과물에 이름을 거는 사람은 나예요. 틀렸을 때 설명할 수 없는 부분이 남아 있다면 아직 끝난 작업이 아니에요.

이 목록에서 보듯 실력의 상당 부분은 AI 밖에 있어요. 해당 분야 지식이 있어야 오류를 알아보고, 무엇을 물어야 할지도 알 수 있어요. 연구에서 익숙하지 않은 분야일수록 요청을 다듬기 어렵다는 응답이 나온 것도 같은 이유예요. 그래서 AI 활용 능력을 키우는 가장 확실한 방법 중 하나는 역설적으로 자기 분야의 기본기를 계속 다지는 거예요.

AI 의존을 점검하는 실전 단계

1. 1

   작업 전에 내 답을 먼저 적어요

   AI에 묻기 전에 내 가설이나 초안 방향을 한두 줄로 적어 두세요. 결과를 비교할 기준이 생기고, AI 답을 그대로 받아들이는 습관을 줄일 수 있어요.

2. 2

   위험도에 따라 검증 수준을 정해요

   돈, 건강, 법, 보안처럼 틀렸을 때 비용이 큰 일은 출처 대조와 테스트를 반드시 거쳐요. 시간 압박이 있을수록 검증을 생략하기 쉽다는 연구 결과를 기억하세요.

3. 3

   원문 읽기를 대체하지 말고 보강해요

   중요한 자료는 직접 읽은 뒤 AI로 내 해석에 반론을 받아 보거나 놓친 부분을 물어보세요. 요약만 읽고 판단하는 일은 줄여요.

4. 4

   정기적으로 AI 없이 해 봐요

   핵심 업무 일부를 주기적으로 AI 없이 처리해 보면 실력이 유지되는지, 의존이 커졌는지 스스로 확인할 수 있어요.

AI 논쟁은 개발자 커뮤니티와 텔레그램 채널에서 빠르게 퍼지고 새 반론이 이어져요. 더따리의 AI 텔레그램 트렌드와 블로그 트렌드 대시보드에서 지금 어떤 주제가 많이 언급되는지 확인하고, 관심 있는 글은 원문을 직접 찾아 읽는 출발점으로 활용할 수 있어요. 언급량이 많다는 것이 주장이 옳다는 뜻은 아니므로 근거를 따로 확인하세요.

페이지 참고

트렌드theddari.com›트렌드텔레그램 · AIAI 채널 실시간 포스팅 피드

페이지 참고

트렌드theddari.com›트렌드블로그 대시보드네이버 블로그 활동량 랭킹

논쟁에서 가져갈 것과 한계

히키의 글은 정의를 엄격하게 세워 '그냥 도구'라는 말에 숨은 위험을 드러냈고, 반론은 그 정의가 컴파일러 같은 기존 도구와도 맞지 않는다는 점을 짚었어요. 두 글 모두 개인 의견이며, 어느 쪽이 맞다고 판정할 공식 기준은 없어요. 그래도 공통분모는 분명해요. 일을 넘겨 버리면 배움을 잃을 수 있고, 판단과 검증을 쥐고 있으면 AI는 실력을 키우는 수단이 될 수 있다는 점이에요. 오늘 AI에 맡긴 작업 하나를 골라, 내가 직접 검증하고 설명할 수 있는지 확인해 보는 것부터 시작해 보세요.