기본 콘텐츠로 건너뛰기

씽크 & 블링크 그리고 제약이론

블링크 - 8점
말콤 글래드웰 지음, 이무열 옮김, 황상민 감수/21세기북스(북이십일)

Think 싱크! - 6점
마이클 르고 지음, 임옥희 옮김/리더스북

우리의 사고 과정은 크게 2가지로 나눠 생각해 볼 수 있습니다.

하나는 자동 사고이고 다른 하나는 숙고 체계입니다.

이것을 통찰 또는 직관과 비판적 사고 또는 논리라고 이해해도 상관 없습니다.

이 두가지 과정은 발견법과 편향(Heuristics and Bias) 학파와 자연주의 의사결정론(Naturalistic Decision Making) 학파로 나뉘어 있습니다.

그런데 우리의 사고 과정을 이렇게 2가지로 나누어 생각하는 것은 별 의미가 없습니다.

이 2가지를 나눠서 생각하는 것은 우리의 뇌를 직관과 통찰에 따라 생각하는 부분과 비판하고 논리적으로 생각하는 부분을 따로 나누어 놓는 것과 같습니다. 만약 우리의 뇌를 그렇게 나누어 버린다면 우리는 살아갈 수 있을까요?

2가지 사고 과정 중 어느것이 더 믿을만하고 좋은것인가라는 싸움은 닭이 먼저냐? 달걀이 먼저냐? 라는 논리와 똑같다고 생각합니다.

우리가 어떤 상황에서 판단을 내릴 때 직관이나 통찰을 사용하는가 아니면 비판적인 논리 과정 위에서 판단하는가는 그때 그때의 상황에 따라 좌우된다고 봅니다.

그리고 직관과 통찰이 신뢰성을 얻기 위해서는 분명 올바른 방법에 의해 비판적인 논리 과정에 대해 충분한 연습과 경험이 있어야 한다고 생각합니다.

전 개인적으로 굳이 선행되어야 할 것을 본다면 비판적이고 논리적인 사고를 하기 위해 끊임없이 노력해야하는 것이라고 봅니다.

예를 들면 우리가 테니스를 배울 때 분명 손목과 팔꿈치, 무릎, 발, 허리 등 각각의 자세와 라켓을 휘두르는 방법을 상세하게 배웁니다. 하지만 그렇게 배운다고 해도 우리가 정말로 노력하지 않으면 실제로 테니스를 칠 수는 없습니다. 정말로 상대방이 친 공을 치기 위해 테니스를 치기 위해서는 끊임없는 노력이 필요합니다.

처음에는 상대방이 친 공이 어디로 날아오는지 내가 어떤 자세를 취해야하는지 의식적으로 생각하게 되지만 그 과정이 반복되면 우리는 그러한 사고 과정을 거치지 않아도 테니스를 칠 수 있게 됩니다.

직관이나 통찰이 믿을 수 없다는 쪽의 의견은 이러한 사고 과정의 훈련 없이 우리가 즉흥적으로 내리는 결정들 그리고 우리가 환경과 같은 외부 요인에 의해 영향을 받아 내리는 즉흥적인 견해를 말한다고 생각합니다.

이것이 '싱크!' 에서 말하고자 하는 내용입니다. 하지만 '블링크'역시 그러한 직관이나 통찰을 경계하고 논리적인 사고 과정의 훈련에 의한 직관이나 통찰만이 가치가 있다고 말하고 있습니다.

즉, 정보가 부족하거나 시간이 부족해서 즉흥적인 판단을 내리거나 논리적인 사고 과정의 훈련 없이 단순히 경험에 기반한 즉흥적인 판단을 극복하기 위해서는 논리적인 사고를 하기 위해 많은 노력을 기울여만 합니다.

결론적으로 이 두가지 사고 과정은 서로 보완재로 작용해야 하고 그것은 끊임없는 훈련에 의해서만 가능하다고 생각합니다.

제약이론은 그러한 훈련과정을 도와주는 도구로 가치있다고 생각합니다.

개인적으로 '블링크'에는 5점 만점에 4점, '싱크!'에는 5점 만점에 3점을 부여하는 바입니다. 전 직관이나 통찰의 힘보다는 논리적이고 비판적인 사고의 힘을 더 중요하다고 생각하는 입장이지만 책의 내용은 '블링크'의 내용이 더 좋다고 봅니다.

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 ...

AI의 UX, 단 5개 문항으로 측정하는 방법: SUXAI

테스트 관리에는 아주 유명한 명언이 있습니다. 어쩌면 이 말은 테스트 관리에서만 유용한 얘기는 아닐거고.. 어쩌면 여러분도 다른 곳에서 들었을 수도 있습니다. "측정할 수 없으면 개선할 수 없다" 지난 글(https://murianwind.blogspot.com/2026/07/ai_01010698011.html)에서 생성형 AI 시대에는 기존의 일반적인 사용성 지표(SUS 등)만으로는 부족하며 정확성, 신뢰성, 설명 가능성, 제어 가능성이라는 AI 에 특화된 품질 특성이 필요하다고 정리해 드린 바 있습니다. 하지만 실무자의 입장에서 항상 부딪히는 현실적인 고민이 있습니다. "이론은 좋은데, 당장 매주 업데이트되는 AI 기능의 UX를 바쁜 현장에서 어떻게 빠르고 정량적으로 측정할 것인가?"라는 점이죠. MeasuringU에서 이에 대한 명확하고 실용적인 해답을 제시하는 후속 아티클을 공개했습니다. 바로 "Streamlined Measurement of the UX of AI"입니다. (출처: MeasuringU - Streamlined Measurement of the UX of AI / Jeff Sauro, PhD & Jim Lewis, PhD) https://measuringu.com/streamlined-measurement-of-the-ux-of-ai/ Jeff Sauro와 Jim Lewis 박사는 실무 연구자들과 테스터들이 긴 설문이나 복잡한 프레임워크 없이도 AI 제품의 핵심 품질을 빠르게 측정할 수 있도록 SUXAI(Streamlined UX of AI)라는 간소화된 측정 모델을 구축했습니다. 기존에 수많은 문항으로 분산되어 있던 지표들을 통계적 요인 분석을 통해 쥐어짜고 압축하여, 핵심적인 5가지 5점 척 문항 으로 표준화했습니다. SUXAI를 구성하는 5가지 핵심 평가 문항 정확성 (Accuracy): "이 AI가 생성한 결과물은 정확하다." 신뢰성 (Trust/Re...

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...