기본 콘텐츠로 건너뛰기

순환논리의 함정 - 인식의 한계를 넘어서

내재된 단순성을 찾는 다는 것은 사물을 명확하게 이해한다는 것이다.

그런데, 우리는 인식의 한계를 넘어서서 왜 사물을 명확하게 인지하지 못하는 것일까?

그 원인에는 순환 논리가 숨어 있다. 이 순환 논리는 너무나 강력해서 아주 당연한 것처럼 생각되고 절대 깰 수 없을 것처럼 보인다.

실제로 우리가 어떤 현상에 대해 왜? 라는 질문으로 파고 내려가다 보면 점점 우리가 쫓는 원인은 점점 추상화 되어 간다. 그리고 추상화의 범위는 점점 더 애매모호해지고 광범위해진다.

이렇게 추적하던 원인을 우리의 감각을 통해서 더 이상 검증 할 수 없는 단계에 다다르면 그 원인을 추상적 실체라고 한다.

예를 들면 물은 우리가 인식할 수 있는 범위에 속한다. 하지만 물을 구성하는 원인을 파고 든다면 물은 두개의 수소와 하나의 산소가 결합한 분자로 이루어진다. 그리고 각 분자는 핵과 전자로 구성되고 핵은 다시 중성자와 양성자로 구성된다. 그 아래로는 소립자와 쿼크와 같은 것들로 구성된다고 한다.

하지만 물 이후의 단계들은 우리의 감각을 통해서 더 이상 검증 할 수 없다. 그 이후의 단계는 논리적인 구조에 따라 증명된 것일 뿐 그 누구도 아직까지 본적도 만진적도 없는 완벽한 추상적 실체이다.

그런데 이건 과학의 얘기이다. 실제 생활에서는 어떨까?

우리 회사의 소프트웨어는 잘 팔리지 않는다. 그렇다면 왜 잘 팔리지 않는지 그 원인을 찾아야만 한다.

그런데 이러한 원인을 찾을 때 우리가 직접 관찰해서 검증 할 수 없는 실체에 다다르게 되면 그 이후의 원인을 찾고자 하는 노력을 멈춰버린다. 그냥 그 단계에서 대충 끝내 버리게 된다.

예를 들면, '소프트웨어가 잘 팔리지 않는 이유는 고객이 원하지 않는 것을 개발해서이다.' 같이 귀결되는 것을 생각해 볼 수 있다

그런데 대부분 이런 결론이 첨부된 보고서에는 그 어느 곳에도 고객이 원하지 않는다는 것에 대한 직접적인 증거의 흔적은 없는 경우가 많다. 물론 사용자 조사도 했을 것이고, 설문조사도 했을 것이고 각종 자료가 첨부되어 있겠지만 그것들이 정말로 우리 회사의 소프트웨어를 고객이 원하지 않는 다는 것에 대한 직접적인 증거는 아니다.

그런데, 이런 결론이 우리의 기존의 경험을 증폭시키는 역할을 하게 되면 아주 놀라운 효과를 보인다.

고객이 우리 소프트웨어를 원하지 않는 이유가 뭐지요? 라는 질문에 대한 답은 소프트웨어가 잘 팔리지 않았지요. 잘 팔리지 않았으니 그 소프트웨어는 고객이 원하지 않는 것입니다. 라는 대답을 하게 된다.

'소프트웨어가 잘 팔리지 않는 이유는 고객이 원하지 않는 것을 개발해서이다.'
'고객이 원하지 않는 것을 개발했기 때문에 소프트웨어는 잘 팔리지 않은 것이다.'

두 문장이 모두 그럴싸하게 보이는가? 논리적으로 아무 문제가 없어 보이는가? 이것이 바로 동어반복이자 순환논리이다.

이러한 예를 우리는 주변에서 아주 쉽게 찾아볼 수 있다.

OO 축구팀이 패배한 것은 투지가 부족해서이다.
OO 선수가 금메달을 따지 못한 것은 심리적 부담감때문이다.
품질이 낮은 제품은 잘 팔리지 않는다.

찾아보면 정말 많은 예를 찾아볼 수 있다.

이러한 순환논리에 빠지면 인식의 한계를 넘어서 내재된 단순성에 도달하지 못하게 된다.

많은 경우 이러한 순환논리가 우리의 경험과 함께 증폭된다면 순환논리가 옳은 것처럼 보이게 되고, 그걸 직접 검증할 수 없다면 우리는 그걸 당연한 것으로 받아들이는 경향이 있다.

그럼 이것을 어떻게 해서 극복할 수 있을까?

다시 한번 문제의 문장을 살펴보자.

소프트웨어가 잘 팔리지 않는 이유는 고객이 원하지 않는 것을 개발해서이다.

이 문장을 두 부분으로 나누어 보자.

소프트웨어가 잘 팔리지 않는다. / 고객이 원하지 않는다.

여기서 원인이 무엇인가? '고객이 원하지 않는다.'가 원인이다. 그런데 소프트웨어가 잘 팔리지 않는 이유가 과연 '고객이 원하지 않는다.' 뿐일까?

새로운 경쟁 소프트웨어가 먼저 출시되어서라든지 우리의 AS 가 개판이 되어서라든지 우리가 가격을 인상해서라든지 다른 여러 이유를 더 생각해 볼 수 있다.

이렇게 발견된 원인은 검증할 필요가 있다. 우리가 원인이라고 여기는 많은 것들이 원인이 아닌 경우도 있다.

원인이 되기 위해서는 그 원인으로부터 비롯되는 결과가 최소한 2개 이상이어야 한다. 그리고 이 원인과 결과는 직접적인 관찰을 통해 검증 가능한 것이어야 한다.

예를 들면, '고객이 원하지 않는다.'가 원인이 되기 위해서는 우리의 소프트웨어가 잘 팔리지 않는 만큼 다른 회사의 제품을 잘 팔려야 한다. 하지만 다른 회사의 제품 역시 잘 팔리지 않는다면 '고객이 원하지 않는다.' 는 원인이 될 수 없다.

이렇게 원인이 증명되면 다시 더 생각해서 더 깊은 원인을 찾고 이러한 과정을 반복해서 근본 원인을 찾아야 한다.

즉, 우리는 원인에 대한 이해의 폭을 더 넓게 생각해 볼 필요가 있다. 너무 쉽게 포기하기 전에 더 깊이 생각해 볼 필요가 있다.

그런데, 우리는 왜 원인을 확장하지 않고 멈추는 것일까?

이것은 안전지대와 연관되어 있다. 우리는 우리가 통제할 수 있는 범위 안에서 편안함을 느낀다.

즉, 우리는 안전지대를 넘어서서 원인을 확장하려 하지 않는다. 안전지대를 넘어서는 것은 불확실성의 세계에 진입하는 것이고 이러한 불확실성은 그 존재만으로도 우리의 판단력을 마비시킬 수 있다.

때문에 우리는 그러한 안전지대 안에서 더 이상 다른 결과가 없다면 찾는 것을 포기하고 동어 반복에 빠지게 되는 것이다.

하지만 안전지대를 넘어서서 생각하는 것을 멈추지 않도록 훈련할 필요가 있다. 우리가 원인을 아무리 확장하고 싶어도 확장된 원인들은 언젠가는 다시 수렴하게 되어 있다.

수렴이 되는 것을 확인하는 방법은 결과가 많은 원인을 찾아가는 것이다. 결과가 많을수록 더 강력하고 유효성이 높은 원인인 것이다.

그것이 내재된 단순성에 대한 확신의 힘이다.

결론적으로 우리가 왜? 라는 질문을 통해서 도달한 원인이 추상적 실체를 포함하게 된다면 그것을 올바른 것으로 받아들이지 않아야 한다.

그것은 진실이 아닌 가설일 뿐이다. 그러한 원인에 의해 도달할 수 있는 결과가 2개 이상이 되는지 검증해 보자. 그리고 그러한 원인과 결과에 대해 우리가 실질적으로 검증할 수 있는 것인지 생각해 보자.

그리고 2개 이상의 결과를 찾을 수 없다면 자신이 안전지대 안에 머물러 있는지 살펴보도록 하자.

순환논리를 부정하고 한번 더 생각해 볼 수 있는 힘을 길러보도록 하자.

댓글

이 블로그의 인기 게시물

합성 사용자(Synthetic Users)의 5가지 유형과 AI 테스팅 현장에서의 활용법

AI와 생성형 모델 기술이 발전하면서, 사용자 경험(UX) 연구와 테스팅 현장에서 가상 퍼소나를 활용해 테스트 데이터를 수집하거나 사용성을 평가하려는 시도가 급격히 늘고 있습니다. 이를 흔히 '합성 사용자(Synthetic Users)'라고 부릅니다. 하지만 막연히 "AI에게 사용자 역할을 시켜 테스트를 돌린다"고 할 때, 그 가상 사용자가 어떤 방식과 데이터로 생성되었는지 명확히 구분하지 않으면 자칫 왜곡된 결과에 빠질 위험이 있습니다. UX 및 사용성 리서치 분야의 권위 있는 기관인 MeasuringU에서 이 합성 사용자의 개념을 명쾌하게 분류한 아티클을 공개했습니다. 바로 "What Are the Different Types of Synthetic Users?"라는 글입니다. (출처: MeasuringU - What Are the Different Types of Synthetic Users? / Jeff Sauro, PhD & Jim Lewis, PhD) https://measuringu.com/what-are-the-different-types-of-synthetic-users/ Jeff Sauro와 Jim Lewis 박사는 합성 사용자를 단순히 하나의 개념으로 뭉뚱그리지 않고, 생성 기술의 근거와 데이터 기반에 따라 크게 5가지 유형으로 깔끔하게 정리해 줍니다. 첫째는 규칙 기반(Rule-Based) 합성 사용자입니다. AI 모델이 아니라 사전 정의된 조건문, 정규식, 시나리오 스크립트에 따라 움직이는 전통적인 형태의 가상 사용자입니다. 예측 가능하고 정확하지만, 인간 사용자의 복잡한 정서나 미묘한 변수를 반영하진 못합니다. Selenium, Playwright, K6 같은 도구를 통해 지정된 경로대로 버튼을 누르고 데이터를 입력하는 방식을 들 수 있습니다. 둘째는 퍼소나 기반 LLM(Persona-Based LLM) 합성 사용자입니다. 생성형 AI에게 "너는 50대 비테크놀로지 사용...

AI 에이전트의 환각과 프롬프트 폭증을 막는 '컨텍스트 엔지니어링(Context Engineering)'과 아키텍처의 미래

AI 코딩 에이전트나 생성형 LLM을 소프트웨어 개발에 접목하는 시도가 늘어나면서, 엔지니어들이 마주하는 가장 큰 기술적 병목 중 하나는 바로 '컨텍스트(Context)'의 관리입니다. 저 역시 최근 AI와 바이브 코딩(Vibe Coding)을 활용해 여러 프로젝트를 진행하고 있는데, 하나의 대화창(세션)을 오래 켜둔 채 작업을 계속 이어가다 보면 AI가 초기 맥락을 잊어버리거나 이전에 지켜달라고 했던 제약조건을 놓치며 실수를 저지르는 경우를 자주 겪곤 합니다. 그래서 저는 목적별로 대화창을 명확하게 분리해서 작업하거나, 어느 정도 작업 단계가 진행되면 지금까지의 구현 내용과 의사결정을 요약 정리한 뒤 새 대화창에서 AI에게 이를 다시 학습시키는 방식으로 맥락을 관리하고 있습니다. 그렇다면 엔지니어링 아키텍처 차원에서는 이 문제를 어떻게 접근하고 있을까요? InfoQ의 발표 아티클 "Architecture / Context Engineering"에서는 바로 이 지점, 즉 단순한 프롬프트 엔지니어링을 넘어 시스템 아키텍처 수준에서 컨텍스트를 제어하는 '컨텍스트 엔지니어링(Context Engineering)'의 필요성과 구체적인 프레임워크를 다루고 있습니다. (출처: InfoQ - Architecture / Context Engineering) https://www.infoq.com/presentations/architecture-context-engineering/ 발표자들은 코딩 에이전트나 자율형 에이전트가 현장에서 실패하는 가장 큰 이유로 '비대해진 컨텍스트 윈도우(Bloated Context Windows)'와 무분별하게 채워진 프롬프트(Stuffed Prompts)를 꼽습니다. AI에게 너무 많은 정보를 한 번에 주면, 모델의 주의력(Attention)이 분산되거나 논리적 우선순위를 놓치는 현상이 발생합니다. 마치 인간 엔지니어에게 백과사전 수십 권을 던져주고 "이거 다 읽고 10초 ...

AI가 만들고 사람이 고친 글, 과연 'AI 생성물'일까? — 무너지는 경계선과 각국의 표기 가이드라인

이미지, 음성, 텍스트를 가리지 않고 생성형 AI의 산출물이 전 세계 디지털 공간에 폭포수처럼 쏟아져 나오고 있습니다. 가짜 뉴스, 딥페이크 오정보, 저작권 침해 등 여러 사회적 문제를 일으키면서, 최근 EU를 비롯한 세계 각국의 규제 기관들이 "AI가 만든 콘텐츠에는 반드시 표시(Labelling)를 하라"는 강제 가이드라인을 잇달아 꺼내 들고 있습니다. 이와 관련해 Smashing Magazine에 비탈리 프리드만(Vitaly Friedman)이 기고한 아티클은 EU의 최신 규제가 실무 인터페이스(UI/UX)에 어떤 변화를 요구하는지 잘 보여줍니다. (출처: Smashing Magazine - New EU Guidelines For AI Labelling / Vitaly Friedman) https://www.smashingmagazine.com/2026/08/eu-guidelines-ai-labelling/ EU AI Act 제50조 투명성 규정에 따르면, 딥페이크나 AI 챗봇 대화, 인간의 검수 없이 AI가 100% 작성한 공공 텍스트 등에는 전용 AI 마크나 암호화된 메타데이터(Watermark)를 반드시 내장해야 합니다. 기존에 서비스들이 유행처럼 쓰던 모호한 '반짝이 아이콘(✨ Sparkles)' 수준으로는 법적 기준을 충족할 수 없게 된 것입니다. 하지만 현장의 개발자, 에디터, 테스터들이 마주한 진짜 혼란은 규제의 유무가 아닙니다. 바로 "도대체 어디까지를 AI가 만들었다고 볼 것이며, 어디서부터를 사람이 만든 것으로 정의할 것인가?"라는 근본적인 경계선의 모호함입니다. 프롬프트 한 줄 던져서 AI가 뽑아낸 초안을 사람이 문장 몇 개 다듬었다면, 이것은 AI 산출물일까요, 인간의 글일까요? AI가 코딩한 1,000줄의 소스 코드를 엔지니어가 한 시간 동안 디버깅하고 검수했다면 이 코드의 주인은 누구일까요? 글로벌 규제 기관들도 이 모호함을 인지하고 명확한 자격 기준을 세우기 위해 격렬한 논의를 ...