생성형 AI를 둘러싼 논쟁은 대개 모델이 얼마나 똑똑한가에 집중된다. 그러나 실무 현장에서 도입을 가로막는 것은 성능 그 자체가 아니라 훨씬 평범한 질문이다. "이 도구로 내가 무엇을 할 수 있는가." 마크 아세베도는 자신의 글에서 이 문제를 '발견(discovery)의 문제'라고 부른다. 시스템은 거의 무엇이든 해낼 수 있지만, 그러려면 사용자가 이미 무엇을 요청해야 하는지 알고 있어야 한다는 것이다. 능력은 충분한데, 그 능력에 접근하는 통로가 막혀 있는 셈이다.
핵심은 '모르는 것을 모른다'는 데 있다. 버튼을 눌러보기 전까지는 그 버튼이 무슨 일을 하는지 알 수 없고, 프롬프트를 써서 실행해보기 전까지는 그것이 어떤 결과를 만들어내는지 알 수 없다. 기능이 빈 텍스트 상자 뒤에 숨어 있는 한, 가능성은 계속 보이지 않는 상태로 남는다. 채팅형 AI가 무한한 잠재력을 표방하면서도 많은 사용자에게 여전히 낯선 이유가 여기에 있다. 무엇이든 물어볼 수 있다는 자유는, 무엇을 물어야 할지 모르는 사람에게는 오히려 막막함으로 돌아온다.
부분적 해법의 한계
물론 업계가 손을 놓고 있는 것은 아니다. 대표적인 보완책이 템플릿이다. 사용자가 요청 자체를 처음부터 고안하지 않아도, 미리 준비된 예시를 그대로 실행해볼 수 있게 해준다. 하지만 여기서 새로운 질문이 따라붙는다. 그 템플릿이 실제로 내 업무와 맞아떨어지는가, 그리고 나는 그것에 관심이 있는가 하는 '적합성'의 문제다. 또 다른 축은 맥락이다. 사용자에 대해 아는 시스템은 일반적으로 유용한 것이 아니라 그 사람에게 의미 있는 것을 제안할 수 있다. 두 접근 모두 도움이 되지만, 아세베도는 어느 쪽도 문제를 근본적으로 해결하지는 못한다고 본다.
계곡 바닥의 개미
그는 앨런 케이의 비유를 빌려 이 간극을 설명한다. 그랜드캐니언 바닥에 선 개미를 상상해보라. 위를 올려다봐도 개미에게 하늘이란 두 절벽 사이로 보이는 가느다란 파란 띠가 전부다. 반면 협곡 가장자리에 선 사람은 하늘이라는 거대한 평면 전체를 본다. 같은 하늘이지만, 무엇이 존재하는지에 대한 감각은 완전히 다르다. 개미가 능력이 모자라서가 아니라, 서 있는 위치에서는 가능성의 축 자체를 볼 수 없기 때문이다.
이 비유는 숙련된 AI 사용자와 그렇지 않은 사람 사이의 격차를 날카롭게 드러낸다. 에이전트와 도구 사용에 능숙한 사람은 비기술직 마케터가 한 시간 일하는 모습을 지켜보는 것만으로, 자동화하거나 위임하거나 다시 설계할 수 있는 일을 열 가지쯤 금세 찾아낸다. 심지어 그 마케터가 아직 시도조차 해보지 않은 것들까지 포함해서다. 그러나 세상에서 가장 똑똑한 도구를 그 마케터 앞에 놓아도, 그는 빈 프롬프트 창을 바라보며 무엇을 입력해야 할지 막막해한다. 지능은 전부 거기 있는데, 그것을 볼 방법이 없는 것이다.
실무자에게 주는 의미
이 진단은 한국의 IT 실무자에게도 시사하는 바가 크다. 많은 조직이 AI 도입의 성패를 모델 성능이나 API 비용으로 가늠하지만, 정작 현장의 병목은 '무엇에 쓸지 모른다'는 쪽에 몰려 있는 경우가 많다. 이 관점에서 보면 사내 AI 확산의 관건은 더 강력한 모델을 붙이는 일이 아니라, 직원 각자의 실제 업무 흐름 속에서 가능성을 드러내 보여주는 설계에 있다. 제품을 만드는 입장이라면, 기능을 빈 입력창 뒤에 감춰두는 대신 업무 맥락에 맞춰 점진적으로 능력을 노출하는 인터페이스가 경쟁력이 된다.
다만 글이 제시하는 것은 문제의 정교한 정의이지 완성된 처방은 아니라는 점도 분명히 해둘 필요가 있다. 템플릿과 맥락 기반 추천이 부분적 개선책이라는 언급 외에, 구체적으로 어떤 인터페이스가 '하늘을 보여주는' 데 성공했는지에 대한 사례나 데이터는 제시되지 않는다. 그럼에도 이 글의 가치는 분명하다. 발견의 부담이 지금처럼 사용자에게 전가되어 있는 한, 아무리 지능이 고도화되어도 대다수는 계곡 바닥에 머문다. 다음 단계의 과제는 시스템이 스스로 자신의 능력을, 사용자의 일에 맞춰 드러내도록 만드는 것이다.