웨이모 효과: AI는 연구자의 협업을 줄이는가

대니얼 훅(Daniel Hook)은 AI가 연구자의 생산성을 높이는 동시에 동료와 함께 생각할 이유를 조용히 줄이고 있다고 주장한다. 그는 샌프란시스코에서 운전자가 없는 웨이모(Waymo)를 탄 경험을 출발점으로, 사람을 상대하는 번거로움이 사라질 때 함께 사라지는 가치가 무엇인지 묻는다. 연구 현장에서 대형 언어 모델이 언제든 응답하고 초안까지 써주는 지금, 이 질문은 개인의 도구 사용법을 넘어 연구기관이 무엇에 시간과 돈을 쓰는지로 이어진다.

핵심 요약

  • 훅은 웨이모의 편안한 침묵에 빗대어, AI가 연구자에게 인간 협업의 번거로움 없이 답을 얻는 선택지를 준다고 설명한다.
  • 동료는 연구자의 전제와 방향을 뜻밖의 순간에 뒤집을 수 있지만, 대형 언어 모델의 비판은 대체로 연구자가 요청한 범위에서 시작한다.
  • 훅은 연구비 압박, 빠른 논문 생산을 중시하는 평가, 저자 지위를 나눌 필요가 없다는 이점이 AI와의 단독 작업을 부추긴다고 본다.
  • AI가 글쓰기를 대신하면 초안 작성은 빨라져도, 논증의 빈틈을 발견하고 생각을 다듬는 과정까지 건너뛸 수 있다는 것이 훅의 경고다.
  • 훅은 도구 사용을 막기보다 워크숍과 방문 연구, 비공식 대화에 자원을 투입하고 연구 성과뿐 아니라 누구와 함께 생각했는지도 평가하자고 제안한다.

빈 운전석에서 시작된 질문

훅은 샌프란시스코에서 운전석이 비어 있는 웨이모에 올라탔다. 그는 홀츠브링크(Holtzbrinck) 그룹의 동료이자 맥밀런 러닝(Macmillan Learning) 최고경영자인 수전 윈즐로(Susan Winslow)를 만나러 간 길이었다. 두 사람이 먼 거리를 이동한 목적은 연구와 교육에서 AI가 일으키는 변화를 한 공간에서 논의하는 것이었다. 그런데 서로의 탑승 경험을 비교하다 보니, 둘 다 누구와도 말을 섞지 않아도 되는 차 안을 무척 편하게 느꼈다는 사실이 드러났다.

훅이 말하는 ‘웨이모 효과’는 기술이 사람을 상대하는 마찰을 없앨 때, 그 변화를 순수한 이득으로 받아들이는 현상이다. 택시 기사와 대화할 때 드는 수고는 바로 느껴지지만, 평소 만나지 않을 사람의 관점을 우연히 듣는 가치는 눈에 잘 띄지 않는다. 그는 편리함의 횡포를 논한 팀 우(Tim Wu)와, 기기가 원하는 결과만 전달하며 그 뒤의 실천을 감춘다고 본 알베르트 보르그만(Albert Borgmann)의 논의를 끌어온다. 문제는 한 번의 조용한 이동이 아니라, 매번 편한 쪽을 고르는 동안 원치 않았던 만남마저 일상에서 사라질 수 있다는 데 있다.

언제든 응답하는 동료의 한계

훅은 대형 언어 모델을 지적 작업에서의 웨이모에 비유한다. 실제 공동연구자는 수업과 연구비 신청, 시차 사이에서 시간을 내야 하지만 모델은 일요일 새벽에도 응답한다. 동료에게는 자신의 관심사와 문제를 보는 방식이 있어 설득이 필요하지만, 모델에는 질문을 입력하면 된다. 당장의 작업을 진행하는 연구자에게 어느 쪽이 편한지는 분명하다.

그러나 훅은 바로 그 불편함이 협업의 핵심이라고 본다. 동료는 연구자가 내세운 논증뿐 아니라 문제 설정 자체를 의심하고, 다른 분야의 경험을 들이밀거나 예상하지 못한 반론을 제기할 수 있다. 반면 모델에 비평을 요청하면 가져간 주장에 관해 능숙하게 답하더라도, 요청하지 않은 방향 전환을 동료처럼 밀어붙이지는 않는다는 것이 그의 설명이다. 연구는 아이디어를 논문으로 바꾸는 공정만이 아니라 논쟁, 도제식 배움, 우연한 대화로 유지되는 공동체이기도 하다.

훅은 이런 연결이 조금씩 빠져나가는 현상을 ‘탈협업(decollaboration·함께 연구하고 생각하는 관계가 줄어드는 현상)’이라 부른다. 동료에게 건넬 질문 하나를 챗봇에 대신 묻는다고 연구 공동체가 무너지지는 않는다. 하지만 그런 선택이 쌓이면 서로의 생각을 수정하고 분야 사이를 잇는 기회도 줄어든다. 그가 걱정하는 것은 개인의 한 차례 선택보다, 선택들이 모여 만들어낼 연구의 습관이다.

탈협업을 합리적으로 만드는 보상

훅은 연구자에게 자제력을 요구하는 것만으로는 부족하다고 말한다. 협업에는 이동과 일정 조율, 신뢰 형성, 타협, 저자 순서 협의가 필요하다. 반면 평가에서 알아보기 쉬운 것은 논문과 같은 산출물이며, 그 산출물을 내는 속도도 중요하게 취급된다. 이런 조건에서 AI와 일하는 편이 수월하다면 연구자가 그쪽으로 기우는 것은 개인의 성향만으로 설명할 수 없다.

그가 꼽은 첫 번째 압력은 연구비다. 예산이 빠듯해지면 워크숍, 방문, 연구 휴가처럼 성과를 곧장 숫자로 나타내기 어려운 항목이 밀려나기 쉽다. 두 번째는 속도다. 문헌 검토와 초안을 빠르게 만들 수 있다는 AI의 약속은 실적이 다음 자리에 영향을 주는 연구자에게 매력적이다. 세 번째는 공로 배분으로, 모델은 공동저자 자리를 요구하지 않으므로 연구 성과의 몫을 둘러싼 협의도 필요 없어진다.

훅은 연구팀에 관한 연구에서 작은 팀이 기존 흐름을 뒤흔드는 경향을 보이고, 분야와 기관을 넘나드는 뜻밖의 조합에서 새로운 연구가 나온다는 점을 짚는다. 동시에 그는 생성형 AI에 관한 초기 근거가 개인 생산성 증가와 아이디어 다양성 축소를 함께 가리킨다고 말한다. 연구자가 각자 더 빨리 움직이되 점점 비슷한 길을 택한다면, 논문 수와 속도만으로는 빠진 것을 알아채기 어렵다. 그의 표현대로 연구 현장은 우연한 발견의 기회를 처리량과 맞바꾸는 선택을 거듭하고 있다.

글쓰기를 건너뛰면 생각도 건너뛴다

훅은 AI의 글쓰기 능력에서 더 깊은 비용을 찾는다. 논문을 쓰는 시간은 이미 완성된 생각을 문장으로 옮기는 데만 쓰이지 않는다. 분명하다고 믿었던 논증의 빈틈을 발견하고, 모호한 직관이 정확한 주장으로 설 수 있는지 확인하는 시간이다. 따라서 매끄러운 초안을 빨리 얻는 일과 연구자의 사고가 같은 만큼 빨라지는 일은 다르다.

그는 인지심리학자 로버트 비요크(Robert Bjork)의 ‘바람직한 어려움(desirable difficulties·학습과 이해를 오래 남게 하는 생산적인 수고)’을 이 대목에 연결한다. 자기 말로 생각을 적고 피드백을 기다리며 수정하는 수고는 이해를 가로막는 장애물만이 아니라 이해를 만드는 과정이라는 뜻이다. 동료의 수정 의견 앞에서 설명을 다시 짜는 일도 마찬가지다. 훅은 글쓰기를 통째로 맡기면 사고를 가속하기보다 사고가 일어날 자리를 건너뛸 수 있다고 경고한다.

모델의 문장이 좋아질수록 이 문제는 겉으로 더 알아보기 어려워진다. 훅은 논문 생산량이 늘고 작성 시간이 줄며 문장이 말끔해도, 그 과정에서 연구자의 이해와 상호 검토가 약해질 수 있다고 본다. 결과물이 읽기 좋다는 사실만으로 작성 과정에서 누가 무엇을 고민했는지는 드러나지 않는다. 그래서 그가 우려하는 변화는 눈에 띄는 실패보다 한참 앞서 진행될 수 있다.

조종석에 남을 사람

훅은 AI 사용을 금지하자고 주장하지 않는다. 그는 AI가 실패 비용과 분석 비용을 낮추면 더 대담한 질문을 시도할 수 있고, 작은 연구실이나 새로 들어온 연구자에게도 이전보다 넓은 작업 기회를 줄 수 있다고 인정한다. 분석 단계를 기록하고 다시 실행할 수 있게 만드는 에이전트(목표에 따라 여러 작업을 수행하는 AI 시스템)는 연구 결과의 재현성을 강화할 가능성도 있다. 쟁점은 도구의 능력보다 그 능력을 누가 이끄느냐다.

그는 다슌 왕(Dashun Wang)이 제안한 ‘조종사가 지휘하는 과학’을 소개한다. 왕은 AI 에이전트를 초안 작성자, 비평가, 계획 담당자로 쓰되 연구자가 질문과 진행 경로, 결론에 대한 권한을 유지해야 한다고 본다. 왕 역시 AI가 개인의 성과를 높이는 한편 집단의 결과를 비슷하게 만들 수 있다고 경고하며, 서로 다른 방식으로 생각하는 모델과 이견을 내도록 설계된 절차를 제안한다. 훅의 시각에서 이는 기술이 없앤 마찰 중 필요한 부분을 다시 만들어 넣자는 제안이다.

훅은 리산 베인브리지(Lisanne Bainbridge)가 설명한 ‘자동화의 역설’도 떠올린다. 자동화가 안정적으로 작동할수록 이를 감독하는 사람은 정작 위기 때 필요한 기술을 연습할 기회가 줄어든다는 것이다. 연구에서도 에이전트의 결과를 승인하는 일만 반복하면, 질문을 세우고 오류를 짚는 능력을 어떻게 유지할지가 과제로 남는다. 앞좌석에 사람이 있다는 선언보다 그 사람이 실제로 판단할 수 있는 상태인지가 중요하다.

우연한 대화에 예산을 쓰는 법

훅이 제안하는 해법은 연구자에게 기계보다 사람을 더 자주 만나라고 당부하는 데서 끝나지 않는다. 연구비 지원기관과 연구기관이 협업을 부가 활동이 아닌 기반 시설로 취급해야 한다는 것이다. 워크숍과 방문 연구, 같은 공간에서 보내는 시간, 계획표에 없는 대화에 자원을 배분하자는 제안이 뒤따른다. 그런 만남의 가치는 시작 전에 어떤 논문으로 이어질지 지정하기 어렵다는 데에도 있다.

평가 기준도 바꾸자고 그는 주장한다. 무엇을 얼마나 빨리 출판했는지만큼 누구와 함께 생각했고 어떤 기여를 했는지도 진지하게 물어야 한다는 것이다. AI가 그럴듯한 결과물을 더 쉽게 만들수록, 남과 부딪치며 생각을 바꾸는 시간은 오히려 귀해진다는 판단이다. 훅은 편리한 도구를 거부하기보다 도구가 대신하기 어려운 관계에 비용을 지불하자고 말한다.

다시 바라본 빈 앞좌석

훅과 윈즐로의 웨이모 이동은 편안했고, 두 사람은 목적지에도 도착했다. 그러나 훅이 기억하는 협업은 차 안의 고요함이 아니라 그 뒤에 이어진 예정에 없던 대화와 의견 차이에서 일어났다. 두 사람이 같은 방에 들어가기 전에는 갖고 있지 않았던 생각이 그 시간에 생겨났다는 것이다. 이동을 효율적으로 만든 기술과 연구를 풍성하게 만든 경험은 그에게 서로 다른 장면으로 남았다.

훅이 끝에 남기는 질문은 연구의 앞좌석에 누가 앉아 있느냐다. AI가 논문 초안을 내고 분석을 돕는 동안 연구자가 방향을 정하고 동료와 논쟁한다면, 도구의 속도는 연구를 넓힐 수 있다. 반대로 매끄러운 결과가 도착한다는 이유로 질문과 판단까지 맡기면 연구자는 편안한 승객에 가까워진다. 웨이모 효과는 도착 여부만 확인하는 사이, 운전석이 비어 있는 데 익숙해질 수 있다는 경고다.

커뮤니티 의견

한 사용자는 글 자체가 LLM으로 작성된 것 같다고 주장했다. 표현 방식이 그 근거로 거론됐고, 답글에서는 판별 도구가 AI 작성으로 표시했다는 경험도 나왔다. 다른 답글은 AI가 널리 쓰던 수사법까지 의심받게 만들어, 사람이 효과적인 표현을 쓰기 어려워진 점을 아쉬워했다.

기술과 응용 연구 현장에서 일한다는 사용자는 협업 상대가 자기 전문 분야 밖의 문제를 예전보다 강한 확신을 갖고 말한다고 했다. LLM이 만든 정교한 코드나 논리를 들고 오지만 그 방향이 어긋난 경우가 있고, 한계를 설명해도 모델의 답변 조각을 다시 가져와 논쟁이 반복된다는 것이다. 이 사용자는 여러 분야 전문가와 직접 선택지를 검토하기보다 모델을 사실상의 권위로 삼는 태도 때문에 협업 의욕이 줄어든다고 말했다.

AI를 쓰며 실제 이해 없이 이해했다고 믿기 쉽다는 의견도 나왔다. 이 사용자는 코드뿐 아니라 수학과 과학 개념에서도 같은 문제가 생기며, 내용을 스스로 가르치거나 상황에 맞게 바꿔 설명할 수 있는지가 이해의 기준이라고 봤다. 부족한 부분을 알았다면 속도를 늦추고 공부할 수 있지만, AI의 속도와 깊은 이해, 원활한 협업을 한꺼번에 얻기는 어렵다는 주장이다.

또 다른 사용자는 AI가 내놓은 분석 수치를 의심할 수 있었던 이유가 과거에 직접 질의하고 계산하며 질문을 받아본 경험에 있다고 했다. AI에게 확인을 요구하면 빠뜨린 검토를 인정하는 경우가 있지만, 경험이 적은 사람은 무엇부터 의심해야 할지 모를 수 있다는 걱정이다. 이 사용자는 앞으로 에이전트의 목표를 정하고 결과를 검증하는 역할이 중요해질 것으로 보면서도, 그 역할을 맡을 판단력을 어떻게 기를지 물었다.

도구를 단계별로 감독하면 결과가 달라진다는 의견도 있었다. 이 사용자는 연구 주제를 정하고 자료를 찾고 적합성을 평가한 뒤 읽고 연결하는 과정마다 사람이 기준을 세우고 확인해야 한다고 주장했다. 자신의 영어 댓글도 AI로 다듬었지만 시제 오류를 직접 찾아 여러 차례 수정 지시를 내렸다며, AI를 전적으로 맡길 대상이 아니라 검토하며 쓸 도구로 설명했다.

웨이모의 비유에 선을 긋는 반론도 나왔다. 한 사용자는 택시 안의 어색한 잡담을 모든 경우에 지킬 가치가 있는 인간적 교류로 볼 수 없다고 했다. 답글에서는 그런 대화를 건너뛰어 더 중요한 관계에 시간을 쓸 수도 있다는 의견과, 편리함의 숨은 비용은 사라진 뒤에야 보일 수 있다는 재반론이 이어졌다.

한 사용자는 마찰을 줄이겠다는 약속이 개인용 기술과 인터넷 서비스 전반에 오래 이어져 왔다고 봤다. 원하는 결과에 빠르게 도착하는 사람에게 AI는 매력적이지만, 이웃과 조율하고 시행착오를 겪는 과정에는 타인과 현실을 받아들이는 경험도 있다는 주장이다. 이에 공감한 답글은 결과를 중시하는 사람과 작업 과정 자체에서 배움을 얻는 사람이 AI를 다르게 받아들이는 듯하다고 말했다.

소프트웨어 개발에 빗댄 의견은 필요한 협업을 우연에만 맡겨서는 안 된다고 짚었다. 한 사용자는 이용자의 의견을 구하지 않고 만드는 소프트웨어처럼, AI로 혼자 연구하면 다른 사람이 무엇을 필요로 하는지 놓칠 수 있다고 봤다. 다만 자신이 쓰려고 만든 웹사이트에 다른 사람이 합류하면 그것도 좋은 결과라며, 협업하려면 택시 안의 잡담 같은 부산물을 기대하기보다 의도적으로 사람을 찾아야 한다고 말했다.

핵심 통찰

훅의 글이 겨냥한 것은 AI와의 대화 자체가 아니라, 사람과의 대화를 포기해도 연구자가 손해 보지 않는 보상 구조다. 토론에서도 택시 안의 모든 잡담을 지킬 필요는 없다는 반론이 나온 만큼, 필요한 마찰과 불필요한 마찰은 구분해야 한다. 앞으로 볼 지점은 AI로 아낀 시간이 동료의 반론을 듣고 결과를 검증하는 데 다시 쓰이는지, 아니면 더 많은 초안을 혼자 내는 데만 쓰이는지다. 연구기관의 평가와 예산이 어느 쪽을 보상하느냐가 그 갈림길을 정할 것이다.


원본: The Waymo effect: how AI is quietly making research less collaborative

토론: Hacker News