지능실행화 사회에 부치는 글

지능이
일을 한다.

정보를 찾는 시대에서, 판단하고 실행하는 시대로.
우리에게는 새로운 이름이 필요하다.

자바스크립트가 꺼져 있어 읽기 전용으로 표시합니다. 전체 본문과 참고 자료를 읽을 수 있습니다.

01 · 새 이름이 필요한 이유

이제, 정보만으로는
설명되지 않는다.

바뀐 것은 정보의 양만이 아니다. 정보를 받은 뒤, 누가 다음 일을 하는지가 바뀌고 있다.

우리는 오랫동안 더 많은 정보를 더 빨리 얻기 위해 기술을 발전시켰다. 문서를 전자화하고, 인터넷으로 연결하고, 검색창에 질문을 넣었다. 필요한 자료를 찾은 뒤에는 사람이 읽고, 판단하고, 다른 프로그램을 열어 일을 마무리했다. 정보화는 그 출발점을 크게 바꿨다.

이제 변화는 그다음에서 일어난다. 인공지능은 자료를 요약하고 답을 만드는 데서 더 나아가, 목표를 여러 작업으로 나누고 도구를 써서 결과를 만들 수 있다. 답변을 받은 사람이 모든 단계를 이어 붙이던 구조에 새로운 실행 주체가 들어오는 것이다.

그래서 사회의 이름을 다시 생각할 필요가 있다. 정보화가 정보의 저장과 연결을, 지능화가 학습과 판단의 확산을 가리켰다면, 지능실행화는 그 판단이 실제 업무와 행동으로 이어지는 변화에 초점을 맞춘다. 새로운 이름은 우리가 무엇을 관찰해야 하는지 알려 준다.

정보·지식·지능은 같은 말이 아니다

정보는 전달하고 해석할 수 있는 내용이다. 지식은 그 정보를 맥락과 관계 속에서 이해한 것이다. 지능은 주어진 상황에서 배우고 추론하며 목표에 맞는 판단을 내리는 능력이다. 실행은 그 판단을 작업과 행동으로 구현하는 일이다. 서로 이어져 있지만 어느 하나가 다른 것을 모두 대신하지는 않는다.

따라서 ‘지식정보’를 ‘지능정보’로 바꾸는 일은 단순한 단어 교체가 아니다. 전자는 무엇을 알고 공유하는지에, 후자는 정보를 어떻게 처리하고 판단에 쓰는지에 무게가 실린다. 여기에 실행을 넣으면 질문은 더 구체적이 된다. 그 판단으로 실제 무엇을 끝낼 수 있는가.

이 변화가 과거를 지우지는 않는다. 실행하는 지능도 정확한 정보와 축적된 지식 위에서 작동한다. 정보화·지능화·지능실행화는 서로 단절된 세 시대라기보다, 앞선 기반 위에 새로운 역할이 더해지는 흐름이다.

사회의 이름은 기술의 성능보다, 기술이 맡게 된 역할을 드러내야 한다.

02 · 지식과 압축, 그리고 학습

많이 담는 것에서,
규칙을 배우는 것으로.

지식을 모으는 일과, 그 지식으로 새로운 문제를 푸는 일 사이에는 중요한 간격이 있다.

정보는 이미 압축되어 있을까. 우리가 쓰는 언어와 개념은 많은 경험을 짧게 묶는다. ‘계절’이라는 말은 반복되는 날씨와 시간의 변화를 담고, 하나의 공식은 수많은 계산을 대신한다. 이런 의미에서 지식에는 경험을 추려 내고 관계를 요약하는 과정이 들어 있다.

하지만 모든 정보가 압축된 것은 아니다. 원시 센서 기록처럼 정리되지 않은 데이터도 있고, 같은 내용을 반복해 담은 자료도 있다. 정보를 디지털 파일로 바꾸는 것과, 그 안의 중복을 줄이거나 중요한 규칙을 찾아내는 것은 별개의 작업이다.

지능을 만드는 데 중요한 것은 단순히 파일 크기를 줄이는 일이 아니다. 여러 사례에서 반복되는 구조를 배우고, 처음 보는 상황에도 그 구조를 적용하는 일이다. 구구단의 모든 답을 외우는 것과 곱셈의 원리를 이해하는 차이를 떠올리면 된다.

압축은 지능을 이해하는 하나의 관점이다

언어 모델은 학습 자료에서 발견한 패턴을 수치로 된 매개변수에 반영한다. 이를 지식과 언어의 규칙성을 압축하는 과정으로 볼 수 있다. 실제로 다음 내용을 잘 예측하는 일과 데이터를 효율적으로 압축하는 일 사이에는 수학적 연결이 있다. 다만 모델은 원문을 빠짐없이 복원하는 완벽한 압축 도서관이 아니다.

학습된 패턴은 새로운 문장을 만들고 여러 문제를 풀 수 있게 하지만, 사실의 정확성을 자동으로 보증하지는 않는다. 최신 정보가 필요하면 자료를 찾아야 하고, 계산은 계산 도구로 확인해야 한다. 지능의 쓸모는 기억한 양뿐 아니라, 배운 것을 적용하고 결과를 검증하는 능력에서 나온다.

그러므로 ‘지식의 압축으로 지능을 만든다’는 말은 유용한 출발점이다. 더 정확하게 말하면, 많은 사례에서 재사용할 수 있는 표현과 규칙을 학습해 일반화 능력을 기르는 것이다. 압축률 하나로 지능 전체를 설명할 수는 없다.

중요한 것은 얼마나 많이 담았는가를 넘어, 배운 것으로 무엇을 풀 수 있는가다.

03 · 지능의 물리적 기반

작아진 회로.
커진 가능성.

화면 속의 지능은 물질 위에서 움직인다. 계산을 하는 회로와 데이터를 공급하는 메모리가 필요하다.

집적회로, 즉 IC는 여러 전자 부품과 연결을 작은 반도체 위에 구현했다. 많은 부품을 따로 조립하던 방식에서 벗어나 더 작고 복잡한 전자 시스템을 만드는 토대가 됐다. 이후 반도체 집적 기술의 발전은 컴퓨터와 통신 장치, 오늘의 인공지능 하드웨어까지 이어진다.

GPU는 많은 계산을 병렬로 처리하는 데 강점이 있다. 인공지능 학습과 추론에는 행렬 연산이 반복해서 등장한다. 이런 계산을 동시에 대량으로 수행할 수 있는 구조가 대규모 모델을 다루는 데 유리하다. 여기에 연산을 잘 배치하는 소프트웨어와 여러 장치를 연결하는 기술이 함께 작동한다.

계산 장치가 빨라도 필요한 데이터가 제때 도착하지 않으면 기다려야 한다. HBM은 메모리를 여러 층으로 쌓고 넓은 데이터 통로를 제공해 이 병목을 줄이는 데 쓰인다. 계산을 맡는 GPU와 데이터를 공급하는 고대역폭 메모리는 서로 다른 역할로 성능을 뒷받침한다.

하나의 발명으로 끝나는 이야기가 아니다

이 흐름을 ‘IC가 GPU가 되고, GPU가 HBM이 됐다’고 이해하면 역할을 놓친다. IC는 집적된 전자회로라는 넓은 기반이고, GPU는 연산 장치, HBM은 메모리 기술이다. 서로 대체하는 세 세대가 아니라, 오늘의 계산 시스템 안에서 함께 쓰이는 층위다.

또한 작은 공간에 회로를 더 넣는 물리적 집적과, 데이터에서 규칙을 배우는 학습은 다르다. 전자는 연산을 가능하게 하는 하드웨어의 문제이고, 후자는 그 연산으로 어떤 표현과 능력을 얻는가의 문제다. 둘은 서로를 밀어 주지만 같은 뜻의 압축은 아니다.

오늘의 지능은 반도체만의 결과도, 알고리즘만의 결과도 아니다. 학습 방식, 데이터, 연산량, 소프트웨어, 연결망, 전력이 맞물린 결과다. 모델의 크기만 늘리는 대신 데이터와 계산 자원을 어떻게 배분하는지도 성능에 영향을 준다. 실행의 확산에는 이 기반을 안정적으로 운영하는 일까지 포함된다.

지능의 발전에는 더 잘 생각하는 방법과, 그 생각을 감당하는 물리적 기반이 함께 필요하다.

04 · 답변에서 완수로

판단 다음의 일을
맡기다.

“어떻게 하면 될까?”에서 “이 범위 안에서 끝내 줘.”로. 요청의 형태가 달라진다.

대화형 인공지능이 답을 주면, 사용자는 그 내용을 다른 작업으로 옮긴다. 제안된 일정을 달력에 입력하고, 정리된 내용을 문서로 만들고, 계산 결과를 표에 반영한다. 답변이 유용해도 일을 끝내려면 사람이 이어서 움직여야 한다.

실행을 맡는 지능은 이 연결 과정의 일부를 수행한다. 목표를 해석하고, 필요한 단계를 정하고, 연결된 도구를 사용한 다음, 돌아온 결과를 보고 다음 행동을 고른다. 성공했는지 확인하고 부족하면 수정하는 반복이 핵심이다. 계획을 길게 말하는 것만으로 실행이 된 것은 아니다.

미리 정한 규칙대로 움직이는 자동화도 일을 실행한다. 차이는 경로를 고르는 방식에 있다. 정해진 흐름을 따르는 시스템과, 상황에 따라 모델이 다음 도구와 작업을 선택하는 시스템은 구분할 필요가 있다. 안정적인 업무에는 고정된 절차가 더 적합할 수 있고, 열린 문제에는 유연한 판단이 도움이 된다.

완료에는 기준과 경계가 필요하다

“알아서 해 줘”만으로 좋은 결과가 보장되지는 않는다. 무엇을 결과물로 받을지, 어떤 자료를 근거로 삼을지, 어디까지 도구를 써도 되는지가 분명해야 한다. 검색과 초안 작성, 일정 변경, 외부 공유는 영향의 크기가 다르다. 실행 범위는 목표와 함께 정해야 한다.

완료 여부도 말이 아니라 결과로 확인해야 한다. 파일을 만들었다면 열리는지, 수치를 계산했다면 기준이 맞는지, 일정 초안을 만들었다면 겹치는 시간이 없는지 확인한다. 실패한 도구 호출을 성공했다고 서술하는 것은 실행이 아니다. 확인 가능한 결과가 있어야 완수라고 부를 수 있다.

이것은 모든 일을 독립적으로 해내는 만능 지능을 전제하지 않는다. 제한된 업무를 도구와 연결해 맡는 것만으로도 분업은 달라진다. 사람은 목표를 정하고, 중요한 판단 지점에 개입하고, 결과의 의미를 책임지는 역할을 맡게 된다.

실행의 단위는 그럴듯한 답변이 아니라, 확인할 수 있는 결과다.

05 · 일과 사회의 변화

일의 단위가
바뀐다.

실행이 쉬워질수록, 어떤 일을 왜 시킬 것인지가 더 중요해진다.

지금까지 많은 디지털 도구는 사람이 더 빠르게 조작하도록 발전했다. 실행하는 지능이 널리 쓰이면 인터페이스의 중심은 조작에서 목표 전달로 이동할 수 있다. 어떤 메뉴를 누를지보다, 어떤 상태를 만들어야 하는지 설명하는 능력이 중요해지는 것이다.

예를 들어 판매 현황을 보고받는 일은 숫자를 내려받고 표를 그리는 작업으로 끝나지 않는다. 비교 기간을 정하고, 환불을 어떻게 반영할지 결정하고, 급격한 변화의 원인을 확인해야 한다. 표 작성이 쉬워져도 무엇을 매출로 볼지, 어떤 결정을 내릴지는 여전히 중요한 일이다.

교육에서도 자료 제작이 쉬워지는 것과 학습이 깊어지는 것은 별개다. 교사는 여러 수준의 설명과 연습 문제를 빠르게 준비할 수 있지만, 학생이 어디에서 막혔는지 해석하고 다음 경험을 설계해야 한다. 실행을 맡긴다는 것은 목적까지 생각하지 않아도 된다는 뜻이 아니다.

능력의 확산과 책임의 설계를 함께 본다

개인과 작은 조직은 이전에 많은 시간과 인력이 들던 작업을 더 쉽게 시도할 수 있다. 동시에 좋은 모델, 정확한 내부 자료, 필요한 도구에 접근할 수 있는지에 따라 실제 혜택은 달라진다. 지능이 존재하는 것과 누구나 그것을 일에 쓸 수 있는 것은 서로 다른 조건이다.

조직의 책임 구조도 구체적이어야 한다. 누가 목표를 정했고, 어떤 근거로 행동했으며, 어느 지점에서 사람이 확인했는지 기록해야 한다. 문제가 생겼을 때 중단하고 수정할 수 있어야 한다. 결과가 빨리 나올수록 검토 체계를 뒤늦게 덧붙이기는 어려워진다.

이 글이 제안하는 관점은 특정 직업의 소멸을 단정하는 예측이 아니다. 업무 안에서 작성·검색·계산·검토·결정이 어떻게 다시 나뉘는지 살펴보자는 것이다. 도입의 성패는 실행량뿐 아니라 결과의 품질, 사람의 통제, 실제로 절약된 부담으로 평가해야 한다.

실행을 맡길수록, 목적과 기준을 더 분명하게 세워야 한다.

06 · 왜, 지능실행화인가

‘화’가 붙을 때,
사회의 이름이 된다.

지능이 실행되는 한 장면을 넘어, 그 방식이 사회 전반으로 퍼지는 과정을 부르기 위해.

‘지능사회’는 지능이 중요해진 사회라는 넓은 인상을 준다. ‘지능화사회’는 사물과 시스템이 판단 능력을 갖춰 가는 변화를 강조한다. ‘지능실행화 사회’는 그중에서도 판단과 계획이 업무와 행동으로 구현되는 데 초점을 맞춘다. 무엇이 달라지는지 더 구체적으로 짚는 이름이다.

여기서 ‘화’는 상태의 선언보다 변화의 과정을 드러낸다. 어떤 지능이 한 번 일을 해냈다는 뜻에 그치지 않는다. 실행하는 방식이 개인의 습관, 조직의 절차, 교육과 공공 서비스로 확산되고 정착해 가는 현상을 가리킨다.

이 이름은 ‘초지능’이 이미 실현됐다는 주장도 필요로 하지 않는다. 사회적 변화는 인간을 모든 면에서 뛰어넘는 지능이 등장해야만 시작되는 것이 아니다. 제한된 범위의 판단과 실행이 일상적인 분업 속에 들어오는 것부터 설명할 수 있다.

능력의 이름에서, 관계의 이름으로

‘지능실행화 사회’는 이 글이 제안하는 표현이다. 정착된 학술 분류나 공식 시대 구분으로 제시하는 말은 아니다. 표현은 다소 길지만, 지능·실행·확산이라는 핵심을 함께 담는다는 장점이 있다. 기술의 이름보다 기술이 사회에서 맡는 역할을 앞에 놓는다.

따라서 이 사회를 묻는 질문은 단순히 “얼마나 똑똑한가”에서 끝나지 않는다. 무엇을 끝낼 수 있는가. 누구의 목표를 따르는가. 잘못된 실행은 누가 멈추고 바로잡는가. 이 세 질문을 함께 다룰 때 기술의 성능과 사회의 방향을 연결할 수 있다.

정보를 다루는 능력이 넓어지고, 지능을 쓰는 문턱이 낮아지고, 판단이 실제 일로 이어진다. 우리가 이름 붙이려는 변화는 바로 이 연결이다. 이제 지능은 답을 주는 대상에서, 함께 일을 수행하는 체계의 일부가 되고 있다.

지능실행화 사회: 지능의 판단과 계획이 실제 업무와 행동으로 구현되는 방식이 사회 전반에 확산되는 사회.

개념 비교

정보

일정, 기록, 수치처럼 전달하고 해석할 수 있는 내용.

“독서 모임은 금요일 저녁 7시, 참여자는 6명이다.”

지식

정보를 맥락과 관계 속에서 이해하고 정리한 것.

“참여자의 배경이 다르므로, 공통 용어부터 맞춰야 한다.”

지능

상황을 해석하고, 배운 것을 적용해 목표에 맞는 판단을 내리는 능력.

“처음 10분은 개념을 정리하고, 의견이 갈리는 질문부터 다루자.”

실행

판단과 계획을 도구를 통한 작업이나 실제 행동으로 옮기는 일.

“합의된 구성에 따라 토론 자료와 진행 순서 문서를 만들었다.”

실행 범위 예시

자료 준비

책의 핵심 주제를 정리하고, 함께 읽을 자료의 출처와 인용할 부분을 확인한다.

결과물: 읽기 자료와 출처 목록

사람의 확인: 선정한 자료가 모임의 목적과 참여자 수준에 맞는지 확인한다.

일정·질문 초안

자료를 바탕으로 60분 진행안을 만들고, 참여자가 서로 다른 관점을 말할 수 있는 질문을 구성한다.

결과물: 진행안과 토론 질문 문서

사람의 확인: 모임 시간과 참여자 구성을 확인하고, 질문의 난이도와 표현을 검토한다.

검토 후 공유

확인된 일시·대상·내용으로 안내문을 준비한다. 연결된 공유 도구가 있고 승인을 받은 범위에서만 전송한다.

결과물: 승인된 안내와 공유 기록

사람의 확인: 사람이 받는 사람, 최종 내용, 실제 전송을 승인한다. 이후 전송 결과를 확인한다.

참고한 자료

[1] Google DeepMind · ICLR 2024 — Language Modeling Is Compression
다음 토큰 예측과 정보 압축의 관계. 압축 관점이 지능 전체의 정의를 뜻하지는 않는다.

[2] Texas Instruments — The chip that changed the world
집적회로의 발명과 전자 시스템의 소형화·집적 기반.

[3] NVIDIA — Why GPUs Are Great for AI
GPU 병렬 연산, 행렬 처리와 소프트웨어 생태계의 역할.

[4] Micron — Powering the future of AI with HBM
적층 메모리와 높은 대역폭이 데이터 공급 병목을 줄이는 방식.

[5] Google DeepMind — Compute-optimal large language model training
모델 크기뿐 아니라 학습 데이터와 계산량의 배분이 중요하다는 연구.

[6] Anthropic — Building effective agents
고정된 워크플로와 자율적으로 경로를 고르는 에이전트의 구분, 도구·피드백·사람의 확인.