병원 회의실에서 의료진들이 한 환자의 치료 방향을 두고 논의하고 있었다. 검사 수치와 영상 자료는 이미 정리되어 있었다. AI 분석 시스템은 여러 치료 가능성과 성공 확률을 제시했다. 수술을 선택했을 때의 위험도, 약물 치료를 이어 갈 때의 예후, 회복 가능성까지 표처럼 정리되어 있었다. 숫자는 분명했다. 그러나 회의실은 쉽게 결론을 내리지 못했다. 환자의 나이, 가족의 돌봄 상황, 남은 삶에 대한 본인의 의지, 치료 과정에서 감당해야 할 고통은 숫자만으로 결정할 수 없었기 때문이다. AI는 가능성을 계산할 수 있지만, 무엇이 한 사람에게 더 나은 삶인지 판단하는 일은 인간에게 남아 있다.
계산은 강력하다. 계산은 감정에 휘둘리지 않고, 많은 데이터를 비교하며, 인간이 놓치기 쉬운 패턴을 찾아낸다. AI가 특히 잘하는 일도 여기에 있다. 수많은 사례를 분석하고, 위험과 확률을 비교하고, 여러 조건을 조합해 가장 가능성 높은 결과를 제시한다. 이런 능력은 이미 의료, 금융, 교육, 행정, 마케팅, 법률, 경영 현장에서 중요한 도움을 주고 있다. 문제는 계산이 부족해서가 아니다. 문제는 계산이 너무 정교해질수록 인간이 그것을 판단으로 착각하기 쉽다는 데 있다.
계산과 판단은 다르다. 계산은 주어진 조건 안에서 결과를 비교하는 일이다. 판단은 그 결과를 어떤 가치와 책임 안에서 받아들일지 결정하는 일이다. 계산은 “무엇이 더 유리한가?”를 말할 수 있다. 판단은 “무엇이 더 옳은가?”를 묻는다. 계산은 “성공 가능성이 높은 선택”을 보여 줄 수 있다. 판단은 “그 성공을 어떤 방식으로 감당할 것인가?”를 묻는다. 계산은 빠르지만, 판단은 인간의 삶과 관계와 책임을 함께 통과해야 한다.
기업 현장에서도 이 차이는 자주 드러난다. AI는 어떤 제품이 더 잘 팔릴지 예측할 수 있다. 고객 데이터를 분석하고, 가격 민감도를 계산하고, 광고 효율을 비교할 수 있다. 그러나 그 제품을 정말 출시해야 하는지는 또 다른 문제다. 많이 팔릴 수 있지만 환경에 해롭다면 어떻게 할 것인가? 단기 매출은 높지만 고객의 불안을 자극하는 방식이라면 받아들일 수 있는가? 취약한 사람의 심리를 이용해 판매 성과를 높이는 전략이라면 그것을 성공이라고 부를 수 있는가? 계산은 이익을 보여 주지만, 판단은 그 이익을 얻는 방식까지 묻는다.
AI가 내놓은 숫자는 객관적으로 보인다. 그래서 설득력이 있다. 그래프와 확률, 점수와 순위는 감정보다 더 믿음직해 보인다. 그러나 숫자는 언제나 어떤 기준으로 수집되고, 어떤 방식으로 해석되며, 어떤 목적을 위해 사용된다. 같은 데이터도 질문을 어떻게 던지느냐에 따라 다른 결론을 만든다. 매출을 기준으로 보면 한 선택이 옳아 보이고, 신뢰를 기준으로 보면 다른 선택이 옳아 보인다. 효율을 기준으로 보면 줄여야 할 일이, 공동체를 기준으로 보면 지켜야 할 일이 될 수 있다. 숫자는 중립처럼 보이지만, 숫자를 선택하고 해석하는 인간의 기준은 결코 중립이 아니다.
교육 현장을 생각해 보자. AI는 학생의 학습 데이터를 분석해 취약 과목을 찾아낼 수 있다. 문제 풀이 속도, 정답률, 반복 실수 유형을 계산할 수 있다. 이것은 매우 유용하다. 그러나 한 학생을 점수와 패턴만으로 이해할 수는 없다. 어떤 학생은 성적이 낮아도 질문의 깊이가 있고, 어떤 학생은 정답률은 높지만 실패를 두려워해 새로운 시도를 피한다. 어떤 학생은 학습 능력보다 돌봄과 격려가 먼저 필요할 수 있다. 판단은 학생을 성과 지표로만 보지 않고 한 사람의 성장 가능성으로 바라보는 일이다.
계산은 복잡한 세계를 단순하게 만들어 준다. 그것은 계산의 장점이자 한계다. 숫자로 바꾸면 비교가 쉬워진다. 점수로 바꾸면 순위가 생긴다. 지표로 바꾸면 관리가 편해진다. 그러나 사람이 사는 세계에는 쉽게 숫자로 바꿀 수 없는 것들이 있다. 존엄, 신뢰, 상처, 두려움, 희망, 망설임, 용기 같은 것들이다. 이런 것들은 표에 넣기 어렵지만 판단에서는 빠질 수 없다. 인간의 판단은 숫자로 환산되지 않는 것까지 함께 고려하려는 노력이다.
그렇다고 감정만으로 판단하자는 뜻은 아니다. 인간의 판단은 데이터와 반대편에 있는 것이 아니다. 좋은 판단은 계산을 무시하지 않는다. 오히려 계산을 충분히 활용한다. 위험을 보고, 가능성을 비교하고, 조건을 확인하고, 근거를 검토한다. 그러나 거기서 멈추지 않는다. 그 결과가 사람에게 어떤 영향을 주는지, 어떤 책임을 낳는지, 어떤 가치를 훼손하거나 지키는지까지 묻는다. 좋은 판단은 계산을 버리는 것이 아니라, 계산 위에 인간의 기준을 세우는 일이다.
AI가 계산한 결과를 받아들일 때 가장 위험한 태도는 “AI가 그렇게 말했으니 맞겠지”라는 생각이다. 그 말은 판단을 중단하겠다는 선언과 다르지 않다. AI가 제시한 결과가 맞을 수도 있다. 그러나 맞을 가능성이 높다는 말과 인간이 그대로 따라도 된다는 말은 다르다. 특히 사람의 삶, 조직의 방향, 사회적 책임이 걸린 문제라면 더 깊이 보아야 한다. AI의 계산은 판단의 자료가 될 수 있지만, 판단의 주체가 되어서는 안 된다.
한 지방자치단체가 복지 예산을 배분한다고 생각해 보자. AI는 인구 통계, 소득 수준, 신청 건수, 지역별 수요를 분석해 효율적인 배분안을 제시할 수 있다. 그러나 실제 현장에는 데이터에 잘 잡히지 않는 사람들이 있다. 제도를 몰라 신청하지 못한 사람, 서류를 준비할 힘이 없는 사람, 도움을 요청하는 것 자체를 부끄러워하는 사람, 숫자로는 드러나지 않는 돌봄의 사각지대에 놓인 사람들이다. 행정의 판단은 계산된 수요만 보는 것이 아니라, 보이지 않는 사람까지 예상하는 능력이어야 한다.
판단에는 언제나 책임이 따른다. 계산은 틀리면 다시 하면 된다. 그러나 판단은 결과를 남긴다. 어떤 사람을 뽑고, 어떤 사업을 중단하고, 어떤 정책을 선택하고, 어떤 메시지를 세상에 내보내는 일은 누군가의 삶에 영향을 준다. 그래서 판단은 빠르게 끝낼 수 없는 일이다. 필요한 것은 더 많은 자신감이 아니라 더 깊은 책임감이다. 판단하는 사람은 자기 결정이 닿을 사람들을 떠올릴 수 있어야 한다. 판단은 머리로 결론을 내리는 일이 아니라, 결론이 닿을 삶을 함께 생각하는 일이다.
아날로그 인간학은 인간의 판단을 특별한 재능으로 보지 않는다. 그것은 훈련해야 할 능력이다. 판단력이 있는 사람은 먼저 멈춘다. 계산 결과를 확인하되 곧바로 결론으로 뛰어들지 않는다. 누가 영향을 받는지 묻고, 무엇이 훼손될 수 있는지 살피며, 내가 감당할 책임이 어디까지인지 확인한다. 그는 AI의 분석을 존중하지만, 분석의 바깥에 있는 사람의 무게를 놓치지 않는다. 아날로그 인간은 계산을 활용하되, 판단의 마지막 문을 인간의 책임으로 통과한다.
계산과 판단을 구분하는 간단한 방법이 있다. 계산은 주로 “얼마나”를 묻는다. 얼마나 빠른가, 얼마나 많은가, 얼마나 높은가, 얼마나 낮은가. 판단은 “어떻게”와 “왜”를 묻는다. 어떻게 해야 사람을 해치지 않는가. 왜 이 선택이 우리에게 중요한가. 어떤 방식으로 책임질 것인가. 무엇을 포기하더라도 지켜야 하는가. 질문이 바뀌면 AI의 결과를 보는 눈도 달라진다. ‘얼마나’의 답만으로는 삶의 방향을 정할 수 없다. 인간은 반드시 ‘왜’와 ‘어떻게’를 함께 물어야 한다.
AI는 앞으로 더 정교하게 계산할 것이다. 더 많은 데이터를 읽고, 더 빠르게 비교하고, 더 정확한 예측을 제시할 것이다. 그것은 환영할 일이다. 인간이 모든 계산을 직접 할 필요는 없다. 그러나 계산이 발전할수록 판단의 책임도 함께 커진다. AI가 제시한 결과를 어떤 가치 위에서 받아들일지, 어떤 사람에게 어떤 영향을 줄지, 어떤 책임으로 실행할지 결정해야 하기 때문이다. 기술은 선택지를 더 선명하게 보여 줄 수 있지만, 그 선택의 도덕적 무게까지 대신 들어 주지는 않는다.
계산은 세계를 정리한다. 판단은 그 세계 안에서 인간이 어떻게 살아야 하는지 묻는다. 계산은 유용성을 말하고, 판단은 정당성을 묻는다. 계산은 가능성을 보여 주고, 판단은 책임을 세운다. AI 시대의 인간은 계산을 두려워할 필요가 없다. 다만 계산이 인간의 판단을 대신하도록 방치해서는 안 된다. AI는 계산한다. 인간은 계산된 결과 앞에서 사람과 가치와 책임을 함께 보며 판단한다.
){kind=small}
){kind=small}
){kind=small}
){kind=small}
