기본 콘텐츠로 건너뛰기

집단 지성은 믿을 수 있는 것인가?

근래에 각광받는 분야 중 집단 지성이라는 것이 있습니다.

위키피디아가 가장 대표적인 집단 지성의 업적일 것입니다. 네이버의 지식인도 집단 지성을 이용한 서비스라고 할 수 있습니다.

집단 지성을 위키피디아에서 찾아보면 아래와 같습니다.

집단지성(集團知性)란 다수의 개체들이 서로 협력 혹은 경쟁을 통하여 얻게 되는 지적 능력에 의한 결과로 얻어진 집단적 능력을 말한다. 중지(衆智, 대중의 지혜), ...


이러한 집단 지성은 월드 카페나 어항 대화와 같은 다양한 형식으로 더 나은 회의 등을 기획하는데 응용되기도 합니다.

대부분의 사람들은 이러한 집단 지성의 신뢰도에 별다른 의심을 품지 않습니다.

그런데, 과연 이러한 집단 지성은 언제 어디서나 믿을만한 것일까요?

그렇다면 왜 위키피디아에 글을 올리기 위한 절차는 왜 나날이 더 어려워지는 것일까요?

우리가 그 결과에 무한한 신뢰를 보내고 있는 집단 지성에도 분명한 약점은 있습니다. 이러한 약점은 인터넷과 같은 온라인보다는 오프라인에서 더 잘 나타날 수 있습니다.

문제는 우리가 이러한 약점을 얼마나 잘 인지하고 그것을 극복하기 위한 노력을 하는 것인가? 라는 것입니다.

예를 하나 들어봅시다. (여러분이 명확하게 판단할 수 없는 것일수록 더 좋습니다. 집단지성의 경우 명확하게 판단할 수 없는 것에 대해 여러 사람의 생각을 모아 가장 최선의 판단을 하고자 하는 것이 목적인 경우에 많이 적용되기 때문에 아래와 똑같은 식으로 생각해 본다면 과연 집단지성을 통한 결정이 올바른 결정인가에 대해 생각해 보실 수 있으실 것입니다.)

여러분이 계획 회의에 들어가서 어떤 작업에 대한 일정을 추정하고 있다고 생각해 봅시다.

회의에 참석한 사람은 자신이 예상하는 날짜를 소리내어 말해야 합니다. 앞의 사람들이 모두 동일한 날짜를 말합니다.

그런데, 당신은 그들과 생각이 전혀 틀립니다. 당신은 그들 모두가 틀렸다고 생각합니다. 이제 당신의 차례가 되었습니다.

당신은 앞의 사람들이 말한 날짜를 말하시겠습니까? 아니면 당신이 생각한 날짜를 말하시겠습니까?

대부분의 사람들은 자신의 소신대로 말할 것이라고 말합니다. 그런데 정말로 다시 한번 생각해 보시기 바랍니다. 당신의 소신대로 말할 수 있습니까?

대부분의 경우 자신의 소신대로 말하기보다는 앞의 사람과 같은 날짜를 말하게 됩니다.

사람들은 익명성이 보장되지 않는 상황에서 어떤 결정을 내릴 때 다른 사람의 결정에 쉽게 동화됩니다.

사회 심리학자인 솔로맨 애시의 실험 결과에 따르면 이렇게 자신의 소신이 아닌 다른 사람들의 결정에 따라 자신의 의견을 결정하는 사람들의 비율이 20~40% 정도라고 합니다.

그렇다면 왜 우리는 다른 사람의 의견에 귀를 기울이는 것일까요? 그들의 결정에 자신의 소신을 왜 바꾸는 것일까요?

여기에는 크게 두가지를 생각해 볼 수 있습니다.

하나는 이전 사람들의 의견을 통해 우리가 새로운 정보를 취득하고 이렇게 취득한 정보에 따라 자신의 의견이 계속 수정된다는 것입니다.

다른 하나는 우리가 어떤 모임 안에서 홀로 거대한 압력과 맞서거나 비난을 마주하려 하지 않는다는 것입니다.

그리고 이러한 경향은 모임 안에서 자신의 의견을 확고하게 만드는 사람이 있을 경우 더 견고해지는 경향이 있습니다.

그 의견이 터무니 없고 믿을 수 없다고 하더라도 그 사람이 자신의 의견을 단호하게 표현한다면 많은 사람들이 암묵적으로 그 의견을 기준선으로 설정하게 된다는 것입니다.

즉, 어떤 작업 일정에 대해 정말 터무니 없는 추정이 나온다 하더라도 그 의견을 주장한 사람이 권력이 있거나 어떤 확신에 차 있다면 많은 사람들이 그 의견에 동조하게 된다는 것입니다.

그 사람이 추정치를 높게 잡는다면 다른 사람들의 추정치도 같이 높아지고 반대의 경우도 같은 양식을 보이게 됩니다.

더 심각한 경우는 이러한 잘못된 결정이 다음 번 결정에도 영향을 미칠 수 있다는 것입니다.

이것을 '집단 보수주의(collective conservatism)'라고 합니다. 즉, 기존의 결정이 틀렸고 새로운 결정이 필요함에도 불구하고 집단이 기존의 결정으로 아주 옹골차게 고집하는 경향을 말합니다.

기존의 추정 과정에서 어떤 작업에 대해 우리가 30%의 안전시간을 추가해서 추정하는 관행이 한번 자리를 잡게 되면 그러한 관행이 전체 프로젝트의 지연에 아주 커다란 영향을 미치게 된다는 사실을 알게 된다고 하더라도 그것을 바꾸지 않고 지속적으로 수행하는 경우를 생각해 볼 수 있습니다.

이러한 기존의 잘못된 관행이 바뀌기 위해서는 정말 확실한 결정적인 증거등을 통해 엄청난 충격을 가하지 않는 이상 쉽게 바뀌지 않습니다.

이러한 '집단 보수주의'가 발생하는 이유로 생각해 볼 수 있는 것이 '다원적 무지(pluralistic ignorance)' 입니다.

'다원적 무지' 란 '집단적 보수주의'를 통해 고착화된 관행을 우리가 옳다 그르다로 판단하는 것이 아니라 단지 다른 사람들 대부분이 좋아한다로 판단하는 것을 말합니다.

즉, 우리가 어떤 관행을 고집하는 것은 그것을 좋아한다거나 지지해서가 아니라 다른 사람들이 그것을 좋아하기 때문에 집단이 그것을 지지하고 있기 때문이고, 이것은 우리가 다른 사람의 생각을 알지 못하기 때문에 또는 알려고 하지 않기 때문에 발생한다는 것입니다.

예를 들면, 폭포수 모델에 대해서 우리는 그것을 좋아하거나 지지하기 때문에 수용하는 것이 아니라 다른 많은 조직들에서 여전히 그 모델을 지지하기 때문에 수용하는 경우가 더 많을 수 있다는 것입니다.

이러한 것은 우리가 조직에 어떤 방법론이나 자동화 도구를 도입할 때 기존의 적용사례를 요구하는 경우도 같은 맥락으로 생각해 볼 수 있습니다.

어떤 방법론이나 자동화 도구를 도입할 때 기존의 회사 중 80% 이상의 회사가 이 방법론이나 도구를 도입하였다고 하였을 때와 단순히 이 방법론이나 자동화 도구가 현재의 상황을 극복할 수 있다는 두가지 정보가 주어졌을 때 많은 사람들이 앞의 정보가 주어졌을 때 해당 방법론이나 자동화 도구를 선택할 확률이 더 높다는 것입니다.

즉, 집단 지성을 이용한 토론에서 우리는 어떤 특정 인물의 발언이나 어떤 특정 조건 하에서 서로의 생각을 모아 발전시키기 보다는 다른 누군가 또는 집단의 의견에 동조하고 그 의견에 살을 붙이는 양상이 될 수도 있다는 것입니다.

이렇게 우리가 다른 사람 또는 집단의 의견에 쉽게 동조하고 잘못된 결론을 도출할 수 있다는 것은 심각한 문제입니다.

하지만 다른 문제도 있습니다. 많은 사람들이 모여 있을 때 자신의 소신을 굽혔던 사람들이 모임을 끝내고 혼자 남겨졌을 때 심한 자괴감을 보이는 경우도 있고 초라한 저항을 하는 경우도 있다는 것입니다.

어떤 경우든 조직의 단합에 좋지 않은 영향을 끼칠 것이라는 것은 분명합니다. 특히 그러한 사람들이 정말 능력있는 사람들이고 그러한 사람들이 지속적으로 회사를 등진다면 회사 전체에 대한 타격은 이루 말할 수 없을 것입니다.

지금까지 조금 비관적인 이야기를 하였지만 실제로 집단 지성을 도출하기 위한 많은 방법들은 이미 이러한 것을 염두에 두고 예방을 위한 많은 기본적인 장치들이 내포되어 있습니다.

하지만 우리가 실제로 이러한 것은 염두에 두지 않는다면 그러한 장치들이 정상적으로 작동하지 않을 수도 있습니다.

저 역시 집단 지성의 힘을 믿습니다. 집단 지성을 올바로 사용된다면 정말 강력한 힘을 낼 수 있습니다.

하지만 그 반대의 효과도 분명 생길수도 있습니다. 중요한 것은 우리가 서로의 의견에 대해 솔직하게 알려고 노력하고 마주보려 노력하느냐는 것입니다.

여러분은 어떠신가요? 무늬만 집단지성인 무의미한 토론을 하고 계시지는 않습니까?

한번 고민해 보시면 좋을 것 같습니다.


댓글

이 블로그의 인기 게시물

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 ...

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...

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 ...