AI로 무엇이든 배우기: 실제 문제에서 검증 가능한 전달까지

내 이름은 한셴카이이고, 리푸라고도 불린다. 많은 사람이 영어 학습으로 나를 먼저 알았다. 그 뒤에 내가 소프트웨어를 만들고, 음식점을 열고, 회사를 잃고, 몸이 무너졌다가 다시 기술과 AI로 돌아온 이야기를 읽었다. 이제 나는 AI를 나 대신 생각해 주는 버튼이 아니라 학습 인프라로 대하려 한다.

이 방법은 별로 떳떳하지 않은 사실에서 나왔다. 답은 완벽해도 제품에는 사용자가 없을 수 있다. 코드는 돌아가도 데이터와 보안에는 기반이 없을 수 있다. 대화 속에서는 똑똑해 보이던 사람이 창을 닫으면 혼자서는 과제를 끝내지 못할 수도 있다. 진짜 학습의 결과는 AI가 빠진 뒤에도 남아 있어야 한다. 스스로 설명하고, 판단하고, 완수하고, 전이할 수 있어야 한다. 그리고 다른 사람이 확인할 수 있는 증거를 남겨야 한다.

이 장 한눈에 보기

• 먼저 실제 결과를 정의하고, 그다음에 AI가 어느 단계에 들어올지 정한다.
• AI 없는 기준선, 보조 버전, 지연 독립 재측정으로 학습과 대리 수행을 구분한다.
• 출처, 권한, 프라이버시, 비용, 책임을 과제의 경계에 적어 넣는다.
• 세션을 마칠 때 상태를 저장해 다음 작업이 대화의 기억에 기대지 않게 한다.

이 방법이 어디서 왔는지부터 보자

아래 내용은 저자의 개인 기록이다. 연구 결론이 아니며, 누구에게나 통하는 성공 보증도 아니다. 사례마다 네 단계로 읽는다. 무슨 일이 있었는지, 그때 어디서 판단이 틀렸는지, 어떤 원칙이 생겼는지, 오늘 어떤 연습을 할 수 있는지.

공개 기사나 AI 프로젝트 경험, 자신의 실패 기록을 분석하려면 먼저 AI 경험 사례 회고 템플릿을 복사하라. 그리고 출처, 사실, 판단, 결과, 전이 가능한 원칙을 나눠 적자. 템플릿이 결과를 대신 증명해 주지는 못한다. 그래도 서사가 어느새 결론으로 굳어 버리는 일은 막아 준다.

2015–2016: 갈 곳 없던 시절에서 실제 사용자까지

나는 인턴십과 졸업 절차에서 좌절을 겪고 고향으로 돌아간 적이 있다. 2016년에는 영화 사이트 bt0.com을 붙잡고 씨름하기 시작했고, 나중에는 웹사이트 디자인 일감도 받았다. 거창한 제품은 아니었다. 하지만 실제 사용자와 실제 피드백, 실제로 쓰인 흔적이 있었다.

그때 가장 빠지기 쉬운 함정은 “내가 만들 수 있다”를 “남이 필요로 한다”로 착각하는 일이었다. 내 판단을 정말로 바꾼 것은 기술 하나를 더 배운 일이 아니었다. 누군가 그것을 쓰고, 평가하고, 심지어 사소한 부분 하나 때문에 떠나 버린 경험이었다.

원칙: 학습은 실제 문제에서 시작한다. 작업물은 모아 둔 답보다 빈틈을 더 잘 드러낸다.

오늘의 연습: 주변 사람이 실제로 겪는 문제 하나를 고르라. AI 없이 먼저 한 페이지짜리 해결안을 쓴다. 그리고 대상, 행동, 완료 기준, 자신이 모르는 세 가지를 적는다.

2017–2022: 프런트엔드 리팩터링에서 조직과 제품의 제약까지

2017년 나는 변호사와 로펌을 위한 소프트웨어 회사에 들어갔다. 평범한 프런트엔드 개발자로 시작해 부서 책임자, 사장, 파트너가 되었다. 초기 제품은 외주로 만들어졌고 요구 사항이 수시로 바뀌었다. 나중에 내가 Vue 리팩터링을 이끌었지만, 제품을 내놓은 뒤에도 오랫동안 계약이 한 건도 나지 않았다.

이 경험으로 알게 되었다. 노력도, 리팩터링도, 기능의 개수도 요구 사항 관리와 사용자 검증과 팀 협업을 대신하지 못한다. 한 사람이 코드를 쓸 줄 알게 되었다고 해서 조직이 전달하는 법을 익힌 것은 아니다.

원칙: 학습 목표는 “어떤 주제 이해하기”가 아니라 실제 과제로 적는다. 단계마다 대상과 검수 기준이 있어야 한다.

오늘의 연습: “프로덕트 매니저 공부하기”를 “45분 안에 실제 사용자 한 명을 위한 한 페이지짜리 요구 사항 브리프를 쓰고, 그 사람에게 성립하지 않는 가설 하나를 짚어 달라고 하기”로 바꿔 써 보자.

2022: 검색과 미리 정해 둔 결과를 AI로 착각하다

2022년 소프트웨어 판매량이 절벽처럼 떨어졌다. 고등학교 때 짝꿍이 합류하고 나서야 우리는 문제를 보았다. 프로젝트 구조는 낡았고 성능과 보안에도 문제가 있었다. 이른바 “빅데이터”와 “AI” 기능에는 제대로 된 데이터셋도 학습 기반도 없었다. 일부 기능은 사실상 검색과 미리 정해 둔 결과에 지나지 않았다.

우리는 핵심 역량과 데이터가 실제로 있는지 먼저 확인하지 않았다. 대신 UI, 여러 기기 대응, 기능 늘리기에 에너지를 쏟았다. 회사는 결국 해산했다. 손실도 미안함도 더 그럴듯한 데모로는 지워지지 않았다.

원칙: 데모 효과는 역량이 아니다. 모델의 답은 사실이 아니며, 생성 속도는 전달 품질이 아니다. 핵심 결론은 반드시 출처, 테스트, 사용자, 책임자에게 돌아가 확인해야 한다.

오늘의 연습: 익숙한 주제 하나를 AI에게 설명하게 한다. 그런 다음 대화 기록을 보지 않고 출처, 반례, 모르는 점, 그 설명을 뒤집을 수 있는 테스트 하나를 직접 적는다. 적지 못하는 부분이 곧 학습의 빈틈이다.

2023: 실패 뒤에는 먼저 움직일 힘을 되찾는다

회사가 무너진 뒤 나는 GitHub을 닫고, 여러 단체방에서 나오고, 게임에 빠졌다. 몸도 생활도 경계를 잃었다. 고향에 돌아와 내디딘 진짜 첫걸음은 회사를 다시 차리는 일이 아니었다. 다시 밥을 먹고, 잠을 자고, 밖에 나가고, 지난 일을 마주하는 일이었다. 그리고 해야 할 일을 오늘 끝낼 수 있는 크기로 줄이는 일이었다.

원칙: 학습 체계는 에너지, 건강, 현실의 책임을 함께 고려해야 한다. 짧게 몰아붙이기보다 꾸준히 이어 가는 편이 중요하다. 바닥에 있을 때 “극적인 역전 이루기”를 검수 기준으로 삼아서도 안 된다.

오늘의 연습: 5–15분만 떼어 저장할 수 있는 행동 하나를 끝낸다. 노트 한 페이지를 정리하거나, 테스트 하나를 돌리거나, 자료 한 토막을 듣거나, 세 문장을 쓰면 된다. 그러고 나서 실제로 한 일을 기록하라. 계획으로 행동하지 않은 사실을 덮지 않는다.

2026: AI와 실물 산업으로 다시 들어가다

2026년 나는 중국 토큰 클라우드 컴퓨팅 유한회사 회장으로서 기술, 기업 서비스, 실물 산업의 실천에 다시 뛰어들었다. AI를 농업·임업·목축업·어업 같은 실제 장면에 접목하는 방법을 찾고 있다. 농촌 협동조합에 기초 교육을 무료로 제공할 계획도 세웠다. 이것은 실천의 방향이자 개인 계획일 뿐, 이미 증명된 매출이나 고객 수, 효과가 아니다.

원칙: AI는 결국 실제 업무 흐름에 들어가 비용, 권한, 프라이버시, 사용자 피드백, 장애, 롤백이라는 제약을 받아야 한다.

오늘의 연습: 실제 조직의 문제 하나를 고르라. 데이터가 어디서 오는지, 누가 볼 수 있는지, 어떤 결과를 통과로 볼지, 실패하면 어떻게 멈출지 적는다. 그리고 사람이 져야 할 책임 가운데 자신이 기꺼이 맡을 몫도 적는다.

일곱 단계 순환: 일부터 하고, 프롬프트는 그다음이다

1. 실제 결과 정의하기: 장면, 대상, 행동, 마감 시한, 검수 기준을 분명히 적는다.
2. AI 없는 기준선 저장하기: 먼저 혼자 한 번 해 보며 지식의 빈틈과 판단의 사각지대를 드러낸다.
3. 믿을 만한 자료 준비하기: 공식 문서, 교재, 논문, 데이터, 기존 코드, 실제 사례를 우선한다.
4. 안내형 연습 설계하기: AI에게 질문, 설명, 비교, 힌트, 비슷한 문제 만들기를 맡기되 핵심 단계는 대신하게 하지 않는다.
5. 능동적으로 산출하기: 자료를 덮고 설명하거나, 코딩하거나, 글을 쓰거나, 계산하거나, 시연하거나, 결정한다.
6. 여러 출처의 피드백 거치기: AI는 여러 의견 가운데 하나일 뿐이다. 출처, 테스트, 전문가, 사용자, 보안 검토가 함께 판단한다.
7. 상태 갱신하기: 작업물, 오류, 비용, 미결 질문, 다음 최소 과제를 저장한다.

1단계가 빠지면 AI는 바람을 답처럼 포장한다. 2단계가 빠지면 능력이 늘었는지 알 수 없다. 6·7단계가 빠지면 같은 오류가 다음 대화에서 되풀이된다.

한 페이지 과제 브리프

먼저 전체 AI 과제 브리프를 자신의 비공개 프로젝트 디렉터리에 복사한다. 아래는 최소 항목이다. 민감한 자료는 먼저 비식별화한다. 비밀번호, 신분증, 고객 기록, 제3자의 개인 정보를 범용 모델에 그대로 넘기지 않는다.

# AI Task Brief

실제 장면:
사용자/대상:
완료할 결정 또는 행동:
마감 시한:

알려진 사실과 출처:
사용을 허락한 파일:
데이터 민감 등급: 공개 / 내부 / 기밀 / 제한
일부러 제공하지 않는 자료:

최종 전달물:
형식과 분량:
검수 기준:
사람이 반드시 확인할 사항:

AI가 해도 되는 일:
AI가 해서는 안 되는 일:
사람 검토자:
실패 시 롤백 또는 중단 방법:

“사용 경험이 좋음”, “아키텍처가 앞섬”, “AI 익히기”는 검수 기준이 아니다. 관찰할 수 있는 행동으로 적어라. 예를 들면 “사용자가 10분 안에 가져오기를 한 번 끝내고, 설명 가능한 오류 보고서를 받아 볼 수 있다”처럼 쓴다.

세션 한 번의 최소 협약

시작하기 전에는 AI에게 경계를 재진술하는 일만 시킨다.

목표, 대상, 입력, 검수 기준, 제약, 모르는 점, 당신이 확인할 수 없는 내용을 8개 이하의 요점으로 재진술해 주세요.
사용할 출처를 나열해 주세요. 출처가 없는 사실은 점검 대기로 표시해 주세요.
최종 전달물은 아직 만들지 말고, 재작업을 부를 가능성이 가장 큰 위험 3가지를 먼저 짚어 주세요.

진행하는 동안에는 한 번에 확인 가능한 조각 하나만 밀고 나간다.

과제를 검증 가능한 최소 조각으로 나눠 주세요. 한 번에 한 조각만 진행하고, 입력, 가설, 변경 사항, 확인 방법, 다음 단계를 설명해 주세요.
전제가 충돌하면 멈추고 질문해 주세요. 요구 사항을 몰래 바꾸지 마세요. 실패한 방안과 그 이유는 남겨 두세요.

마칠 때는 멋진 요약문이 아니라 상태 갱신을 만든다.

이번에 실제로 완료한 내용을 바탕으로 다음을 출력해 주세요.
1. 완료한 것과 증거 위치
2. 출처, 테스트, 사람으로 확인된 판단
3. 되풀이될 수 있는 오류, 위험, 미결 문제
4. 다음 최소 과제, 완료 기준, 필요한 자료
다른 세션을 기억한다고 주장하지 말고, 추론을 사실로 쓰지 마세요.

출력이 다르면 필요한 증거도 다르다

출력	최소 증거	더 강한 증거
설명	원출처, 핵심 용어, 불확실한 점	자료 없이 재진술하기, 반례, 전이 문제
코드	실행 결과, 기본 테스트	경계 테스트, 정적 검사, 보안 검토, 실제 샘플
조사	중요한 사실의 원문 링크	여러 출처로 점검하기, 데이터 기준, 발표 날짜, 반례
글	대상, 목적, 사실, 구조	실제 독자 피드백, 퇴고 기록, 버전 비교
결정	선택지, 가설, 비용, 위험	소규모 시험, 결정 로그, 사후 회고
가르치기	학습 목표, 연습 결과	독립 전이, 지연 재측정, 오류의 변화

위험도가 높은 내용이라면 매끄러운 추측을 사실처럼 쓰기보다 “아직 확인되지 않음”이라고 쓰는 편이 더 전문적이다.

세 번의 대조: AI가 무엇을 도왔는지 증명하기

AI 학습 기록을 써서 같은 과제의 샘플을 적어도 세 개 남긴다.

1. AI 없는 기준선: 먼저 혼자 끝내고 걸린 시간, 품질, 막힌 곳, 자신감을 기록한다.
2. AI 보조 버전: AI에게는 약속한 일만 맡기고 프롬프트, 출처, 받아들이거나 거절한 제안, 재작업을 기록한다.
3. 지연 독립 버전: 3–7일 뒤 대화와 답을 닫고, 비슷한 다른 조건에서 다시 완성한다.

대조 결과	더 신중한 해석
보조 버전과 독립 버전이 모두 좋아짐	AI가 효과적인 발판을 제공했을 수 있고, 능력이 남을 가능성이 있다
보조 버전은 좋아졌지만 독립 버전은 뒤처짐	결과물은 나아졌지만 핵심 단계가 외주로 넘어갔을 수 있다
시간은 줄었지만 재작업과 오류가 늘어남	속도를 얻는 대신 “속도 부채”가 쌓였다
자신감은 커졌지만 사실 정확도는 그대로이거나 떨어짐	도구 권한을 늘리기 전에 자신감부터 보정해야 한다

적어도 과제 완료, 품질, 독립 수행, 재작업, 비용, 전이의 다섯 항목을 기록한다. 대조 한 번으로 인과를 증명할 수는 없다. 그래도 “AI가 꽤 쓸모 있는 것 같다”는 느낌보다는 다시 점검할 수 있는 판단에 가깝다.

흔한 통제 이탈과 인계

이탈 지점	현장 신호	즉시 할 일
사실 날조	원문, 버전, 데이터 위치를 찾을 수 없음	퍼뜨리기를 멈추고 1차 출처로 돌아가 미점검으로 표시
요구 사항 표류	답은 점점 완벽해지는데 원래 과제에는 더 이상 답하지 않음	과제 브리프를 다시 붙여 넣고 충돌과 모르는 점을 나열하게 함
프라이버시 유출	입력에 고객, 신원, 의료, 키 정보가 들어 있음	업로드를 멈추고 비식별화하거나 승인된 환경으로 옮김
가짜 완료	코드는 돌아가지만 경계 테스트가 없고, 글은 읽히지만 인용이 없음	검수 기준에 따라 최소 테스트를 하고, 매끄러움을 완료로 인정하지 않음
세션 의존	대화를 벗어나면 다음 단계를 설명하지 못함	결과를 AI 학습 기록과 학습 상태에 적음

인계할 때는 최소한 현재 목표, 완료한 것과 증거 위치, 아직 확인되지 않은 사실, 오류와 위험, 비용, 다음 최소 과제, 중단/롤백 조건을 저장한다. 대화창은 임시 작업 공간일 뿐, 프로젝트의 유일한 기록 보관소가 아니다.

학습에서 프로젝트 전달로

과제가 코드나 팀 프로젝트로 넘어가면 관문 세 개를 더한다.

• 설명할 수 있다: 대화 기록이 없어도 책임자가 핵심 결정과 제약을 설명할 수 있다.
• 테스트할 수 있다: 실제 입력, 경계 상황, 권한, 실패 경로를 모두 점검한다.
• 롤백할 수 있다: 데이터 위험, 공급업체 중단, 품질 저하가 생기면 누가 일시 중지하고, 어떻게 알리고, 어떻게 회복할지 안다.

프로젝트 디렉터리는 이렇게 구성할 수 있다.

00-brief/       과제 브리프와 검수 기준
01-baseline/    AI 없는 샘플과 초기 테스트
02-sources/     원자료, 라이선스, 출처 색인
03-working/     초안, 실험, 프롬프트
04-output/      전달 가능한 버전, 녹음, 빌드 산출물
05-feedback/    사용자 피드백과 오류 분류
06-decisions/   결정 로그와 미결 문제
07-operations/  권한, 모니터링, 배포, 롤백
learning-state.md

데이터, 프라이버시, 저작권

등급	예시	기본 처리
공개	발표된 문서, 공개 코드, 공개 데이터	출처와 라이선스를 확인한 뒤 사용
내부	발표 전 계획, 업무 절차, 민감하지 않은 로그	조직이 승인한 도구만 쓰고, 접근 인원과 보존 기간을 제한
기밀	고객 자료, 계약서, 사업 전략, 공개되지 않은 취약점	명시적 승인 없이는 업로드하지 않고, 로컬 처리나 비식별화를 우선
제한	키, 신원/의료 자료, 아동 데이터, 제3자 개인 정보	범용 모델에 넣지 않고, 조직 정책과 관련 법률을 따름

파일을 지워도 이력, 공유 링크, 내보낸 파일, 캐시, 백업까지 지워지지는 않는다. 공개된 글에도 개인 정보가 들어 있을 수 있다. 먼저 사용 허락, 필요한 최소 범위, 삭제 기한을 확인하라.

7일, 30일, 12주

7일: 재현 가능한 작은 전달 하나 끝내기

• 과제 브리프와 검수 기준 쓰기
• AI 없는 기준선 저장하기
• 일곱 단계 순환으로 1–3시간짜리 전달물 하나 완성하기
• 출처, 프롬프트, 테스트, 피드백, 상태 갱신 저장하기
• AI가 무엇을 도왔고 무엇을 잘못 이끌었는지, AI를 빼도 무엇을 할 수 있는지 적기

30일: 반복 가능한 작업 흐름 하나 세우기

• 같은 종류의 과제로 순환을 네 번 완료하기
• 시간, 품질, 재작업, 비용, 독립 수행 비교하기
• 결과를 개선하지 못하는 단계 지우기
• 성공 사례만 보여 주지 말고 실패 회고도 한 번 하기

12주: 실제 사용자나 조직에 전달하기

• 2–4주마다 실제 대상에게 피드백 받기
• 사실, 테스트, 보안, 프라이버시, 저작권, 비용, 인계 점검 마치기
• 자료와 상태를 내보내고 한 페이지 회고와 다음 주기 결정 쓰기
• 증거가 부족하면 문제를 좁히거나, 대상을 바꾸거나, 중단하기. 프롬프트를 더 쌓아 빈틈을 가리지 않는다.

세 번의 대조와 주기 결과를 90일 행동 총괄표에 넣고, 다음 주기에는 변수 하나만 바꾼다.

출처와 점검 안내

• 개인 경험: 주로 나의 이야기, 창업 편, 저자 프로젝트와 현실 실천에서 가져왔다. 저자의 개인 기록이며 보편 법칙이 아니다.
• 제품 정보: AI로 영어 배우기에 실린 공식 도움말 페이지를 참고했다. 기능, 지역, 요금제는 바뀔 수 있다.
• 프로젝트 현황: 중국 토큰 클라우드, token.love, 공개 글, 실물 산업 계획에는 모두 이해관계가 있거나 아직 검증되지 않은 범위가 있다. 독립 평가나 매출 증명으로 삼을 수 없다.
• 마지막 점검 날짜: 2026-08-24. 내용을 갱신하거나 실제로 쓰기 전에 공식 제품 페이지, 외부 링크, 프로젝트 현황을 다시 확인하라.

맺음말: 능력을 사람에게 남기기

AI가 가장 쉽게 만들어 내는 것은 틀린 답만이 아니다. 너무 이른 완료감도 만들어 낸다. 설명이 매끄럽고, 코드가 돌아가고, 계획이 짜여 있으면 우리는 문제를 제대로 이해했다고 믿어 버린다. 그러나 답이 나오는 속도는 판단이 서는 속도보다 빠를 때가 많다.

계속할 가치가 있는 학습이라면 끝날 때 대화 기록이 가져갈 수 없는 것을 남겨야 한다. 더 정확한 질문 하나, 거슬러 올라가 확인할 수 있는 출처 하나, 실패한 테스트 한 번, 증거로 바뀐 판단 하나, 다른 사람이 쓸 수 있는 작업물 하나, 그리고 도구를 닫은 뒤에도 어떻게 해 나갈지 아는 사람이다.

학습은 AI가 대신 도착해 주는 일이 아니다. AI의 힘을 빌려 원래는 보이지 않던 곳까지 가 보고, 발밑에 무엇이 있는지 직접 확인하는 일이다. 창을 닫고, 실제 사람에게 설명하고, 다음 단계를 끝내고, 결과를 책임져라. 대화를 떠날 때 능력이 함께 따라 나와야 비로소 정말로 남은 것이다.