나는 행동 심리학 아키텍처를 만들려고 시작한 것이 아니었다.

나는 기술적이고 실용적이며 매우 구체적인 문제를 해결하려 노력하며 시작했다. 즉, 가능한 최소한의 데이터, 토큰 (tokens), 그리고 컨텍스트 (context)를 사용하여 AI와의 상호작용을 초개인화(hyper-personalize)하는 방법이었다.

AI 시스템에서는 문제에 더 많은 데이터를 쏟아부으려는 거의 자동적인 경향이 있다. 더 많은 히스토리 (history). 더 많은 메모리 (memory). 더 많은 임베딩 (embeddings). 더 많은 컨텍스트 (context). 더 많은 추론 (inference). 더 많은 비용 (cost). 하지만 나에게 이것은 항상 아키텍처적인 낭비처럼 느껴졌다. 만약 인간의 결정이 흔적을 남긴다면, 아마도 핵심은 모든 것을 저장하는 것이 아닐지도 모른다. 어쩌면 핵심은 어떤 신호가 정말로 중요한지를 발견하는 것일지도 모른다.

그때 나는 가치가 단순히 사람이 말하는 내용에만 있는 것이 아님을 깨달았다. 그것은 한 발화와 다음 발화 사이의 움직임에 있었다.

고립된 감정만으로는 부족했다. 메시지가 "긍정적"인지, "부정적"인지, 혹은 "중립적"인지 말하는 것은 실제로는 역동적인 무언가를 얼려놓은 사진처럼 보였다. 인간의 결정은 고정된 지점으로 일어나지 않는다. 그것은 이동(displacement)으로서 일어난다: 호기심, 의구심, 비교, 저항, 수용, 포기, 신뢰.

질문은 더 이상 "사용자의 현재 감정은 무엇인가?"가 아니게 되었다.

대신 다음과 같이 바뀌었다: "사용자를 여기까지 이끈 인지적 전이 (cognitive transition)는 무엇이었는가?"

감정은 표면이다. 전이는 궤적이다.

전통적인 감정 분석 (sentiment analysis)은 상호작용을 마치 최종 상태인 것처럼 바라보는 경향이 있다. 하지만 사람은 단순히 긍정적이거나 부정적이기 때문에 결정하는 것이 아니다. 사람은 일련의 미세 상태 (microstates)를 통과하기 때문에 결정한다.

한 고객은 호기심을 느끼며 시작했다가, 망설이다가, 대안을 비교한 뒤, 다시 참여하여 마침내 수용할 수 있다. 다른 고객은 참여하며 시작했다가, 위험을 감지하고, 저항 단계에 진입하여 포기할 수도 있다.

이 두 사례는 단순히 "긍정" 또는 "부정"으로만 취급될 수 없다. 그것들은 서로 다른 지형 (topographies)을 가지고 있다.

이러한 인식으로부터 SemTempo라는 아이디어가 탄생했다. 이는 의미론 (semantics)과 시간성 (temporality)의 결합이다. 시간은 단순한 메타데이터가 아니다. 응답 지연 (latency)은 단순한 지연이 아니다. 메시지의 순서는 단순한 이력 (history)이 아니다. 이 모든 것에는 의미가 담겨 있다.

즉각적인 응답은 충동, 반사, 친숙함 또는 정서적 반응을 나타낼 수 있다. 느린 응답은 비교, 인지적 노력 (cognitive effort), 의구심 또는 숙고 (deliberation)를 나타낼 수 있다. 간단히 말해, 응답 시간은 더 자동적인 반응과 더 숙고된 결정을 구분하는 데 도움을 준다.

내가 최적화하려고 했던 것은 AI였다. 하지만 의도치 않게, 나는 행동 읽기 아키텍처 (behavioral reading architecture)를 설계하기 시작하고 있었다.

세 가지 메시지의 규칙

무한한 이력에 의존하지 않기 위해, 나는 세 가지 지점을 살펴보는 간단한 휴리스틱 (heuristic)을 만들었다.

이전 상태 (Previous state).
전이 (Transition).
현재 상태 (Current state).

이 삼중주 (triad)는 행동 읽기의 최소 단위가 되었다. 사용자의 인생 전체를 이해하려고 노력하는 대신, 시스템은 최근의 이동 (displacement)을 관찰한다.

모든 것을 알 필요는 없다. 변화의 방향을 이해할 수 있을 만큼만 알면 된다.

예를 들어:

HES → Confirmação → ACE

이 흐름은 망설임 (hesitation)에서 시작하여, 어떤 내부 검증 메커니즘을 거쳐, 수용 (acceptance)으로 끝난 사람을 나타낸다.

또 다른 예:

CUR → Exploração → ENG

여기서 호기심 (curiosity)은 참여 (engagement)로 변한다.

또는:

ENG → Objeção → RES

이 경우, 초기 참여가 어떤 마찰 (friction)에 부딪혀 저항 (resistance)으로 전환되었다.

이 구조는 내가 BehaviorID라고 부르는 것이 되었다.

BehaviorID = INITIAL — COGTRANSITION — FINAL

BehaviorID는 정서적 라벨이 아니다. 그것은 전이의 지문 (fingerprint)이다. 그것은 사람이 어디에 있는가뿐만 아니라, 어떻게 그곳에 도달했는지를 설명한다.

전통적인 RAG에서 Cognitive Behavior SemTempo Graph RAG로

전통적인 RAG는 사실을 검색한다.

그것은 다음과 같은 질문에 답한다: “어떤 정보가 이 쿼리와 의미론적으로 유사한가?”

이것은 유용하지만, 인간의 의사결정이 포함된 문제에서는 한계가 있습니다. 영업, 교육, 고객 서비스, 의료, 지원 또는 개인 비서 분야에서 가장 중요한 지점은 항상 가장 유사한 사실을 검색하는 것이 아닙니다. 종종 가장 유사한 '궤적 (trajectory)'을 검색하는 것이 핵심입니다.

유사한 전환 (conversion)이 일어나기 전에 어떤 일이 있었는가?

이탈 (desistência)에 앞서 나타난 패턴은 무엇이었는가?

조작을 유발하지 않으면서 저항을 줄인 개입 (intervention)의 유형은 무엇인가?

어떤 질문의 시퀀스 (sequence)가 학생이 의존 상태를 벗어나 숙달 (mastery)에 도달하도록 도왔는가?

Cognitive Behavior SemTempo Graph RAG는 바로 이러한 차이에서 탄생했습니다. 이것은 메모리를 단순한 청크 (chunks)의 저장소로 취급하지 않습니다. 메모리를 행동 궤적의 살아있는 그래프 (graph)로 취급합니다.

전통적인 RAG가 의미론적 유사성 (semantic similarity)을 바라보는 반면, 이 모델은 전이 (transition), 인과관계 (causality), 그리고 순서 (order)를 바라봅니다.

데이터는 단순히 "무엇이 말해졌는가"를 넘어 다음과 같이 변합니다:

무엇이 말해졌는가
언제 말해졌는가
그 사람이 어떤 상태인 것처럼 보였는가
...

이는 개인화 (personalization)를 생각하는 방식을 완전히 바꿉니다.

디지털 바디 랭귀지 (Digital Body Language)

물리적 세계에서 사람은 몸으로 망설임을 표현합니다. 멈칫하거나, 시선을 피하거나, 말을 재정리하거나, 어조를 바꿉니다. 디지털 세계에서 이러한 신호들은 다른 방식으로 나타납니다.

이 신호들은 응답 시간, 텍스트의 양, 단어의 선택, 구조의 변화, 세부 수준의 변화, 이미 했던 질문으로의 회귀, 과도한 정당화, 또는 갑작스러운 참여도 (engagement) 저하 등의 형태로 나타납니다.

이것이 바로 디지털 바디 랭귀지입니다.

몇 가지 기본적인 행동 상태는 다음과 같이 모델링될 수 있습니다:

CUR = 호기심 (Curiosity)
ENG = 참여 (Engagement)
HES = 망설임 (Hesitation)
...

이러한 상태들은 심리학적 진단으로 취급되어서는 안 됩니다. 이것들은 상호작용의 운영 상태 (operational states)입니다. 이는 사람에게 라벨을 붙이기 위한 것이 아니라, 아키텍처 (architecture)를 안내하기 위한 것입니다.

이 점은 매우 필수적입니다.

책임감 있는 행동 아키텍처는 사용자의 마음을 침해하려 하지 않습니다. 대신 상호작용의 순간을 더 잘 존중하려고 노력합니다.

인간 전이의 물리학 (The Physics of Human Transitions)

이러한 전이(transitions)를 모델링하기 시작했을 때, 저는 어떤 변화는 가볍고 자연스러운 반면, 어떤 변화는 훨씬 더 많은 노력을 필요로 한다는 것을 깨달았습니다.

호기심(curiosity)에서 참여(engagement)로 넘어가는 것은 비교적 쉽습니다. 호기심은 이미 내부 에너지를 가지고 있기 때문입니다. 명확한 경로만 제공하면 됩니다.

하지만 부정(denial)에서 수용(acceptance)으로 넘어가는 것은 어렵습니다. 여기에는 방어, 정체성, 인지된 위험, 재해석, 그리고 신뢰가 개입됩니다.

그래서 저는 전이 가중치(transition weights)에 대해 생각하기 시작했습니다.

CUR → ENG = 낮은 인지 비용 (low cognitive cost)
HES → ACE = 중간 비용
RES → ACE = 높은 비용
...

이 비용 매트릭스(cost matrix)는 누군가를 한 상태에서 다른 상태로 이동시키는 데 필요한 심리적 노력을 표현하는 한 가지 방법입니다.

영업(sales)에서 이는 어리석은 접근 방식을 피하는 데 도움이 됩니다. 만약 어떤 사람이 저항(resistance)하고 있다면, 전환(conversion)을 강요하는 것은 소용이 없습니다. 시스템은 위협을 줄이고, 안전을 높이며, 어쩌면 비교 대상이나 증거, 혹은 시간을 제공해야 합니다.

교육(education)에서는 이와 동일한 논리가 완전히 달라집니다.

교육적 분기점: LearnerID

상업적 의사결정을 위해 탄생한 아키텍처(architecture)는 결국 교육적인 길을 열어주었습니다.

영업에서는 마찰(friction)을 줄이는 것이 경향입니다. 사용자가 망설이고 있다면 의구심을 제거하려 노력합니다. 비교하고 있다면 가치를 보여주려 합니다. 저항하고 있다면 위험을 줄이려 합니다.

교육에서는 모든 마찰을 제거하는 것이 목표가 아닙니다. 오히려 그 반대입니다. 학습은 인지적 마찰(cognitive friction)을 요구합니다.

영업에서는 이탈(churn)의 위험이 될 수 있는 의구심이, 교육학에서는 성장의 신호가 될 수 있습니다.

여기서 LearnerID가 탄생했습니다.

LearnerID는 학습 궤적(learning trajectories)에 맞게 BehaviorID를 적응시킨 것입니다. 이는 단순히 전환을 추구하는 것이 아니라, 자율성(autonomy)을 추구합니다.

학생을 정답으로 빠르게 인도하는 대신, 시스템은 학생이 생산적인 투쟁(productive struggle) 중인지 아니면 실제적인 막힘(blockage) 상태인지 관찰해야 합니다.

학생이 이해에 가까워졌을 때, AI는 정답을 바로 제공해서는 안 됩니다. 대신 비계(scaffolding, 스캐폴딩)를 유지해야 합니다. 더 나은 질문을 던지거나, 힌트를 주거나, 지원을 점진적으로 줄여나가야 합니다. 즉, 페이딩(fading)을 적용해야 합니다.

목표는 의존성이 아닙니다. 인식론적 주체성(epistemic agency)입니다.

나쁜 교육용 AI는 의존적인 학생을 만듭니다. 좋은 교육용 AI는 학생이 AI 없이도 스스로 생각할 수 있도록 돕습니다.

결정론적 에이전트(Deterministic Agents), 확률적 AI(Probabilistic AI) 그리고 책임

이 모델은 나의 또 다른 확신을 강화했습니다. 즉, AI를 에이전트(agent)와 혼동해서는 안 된다는 것입니다.

AI는 모호함을 해석할 수 있습니다. 제안할 수 있고, 요약할 수 있으며, 분류하고 추론할 수 있습니다.

하지만 에이전트는 정체성(identity), 정책(policy), 계약(contract), 추적 가능성(traceability) 그리고 책임(responsibility)을 가져야 합니다.

풀 에이전틱 스택(Full Agentic Stack)에서 AI는 실행의 주권적인 핵심이 아닙니다. AI는 더 넓은 생태계 내의 인지 계층(cognitive layer)입니다. 결정론적 에이전트는 감사(audit) 가능한 것을 실행합니다. AI는 모호함이 존재하는 곳에서 지원합니다.

이것이 중요한 이유는 행동 시스템(behavioral systems)이 강력하기 때문입니다. 만약 시스템이 망설임, 저항, 호기심 또는 취약성을 식별할 수 있다면, 이는 조작적인 방식으로 사용될 수도 있습니다.

그렇기에 아키텍처는 태생부터 한계를 가지고 태어나야 합니다.

"이것이 전환율을 더 높이는가?"라고 묻는 것만으로는 부족합니다.

다음과 같이 물어야 합니다:

이것이 사용자의 의도를 존중하는가?
이것이 자율성(autonomy)을 보존하는가?
이것이 혼란을 줄이는가, 아니면 취약성을 이용하는가?
...

행동 아키텍처(behavioral architecture)는 거버넌스(governance)가 동반될 때에만 의미가 있습니다.

의도치 않은 심리학

이 여정에서 가장 흥미로운 점은 내가 이론에서 시작하지 않았다는 것입니다.

나는 제약(restriction)에서 시작했습니다.

토큰(tokens)을 적게 쓰고 싶었습니다.
데이터에 덜 의존하고 싶었습니다.
더 효율적인 아키텍처를 만들고 싶었습니다.
AI가 사람의 상황을 더 잘 이해하기를 원했습니다.
시스템이 모든 사용자를 동일한 상태에 있는 것처럼 취급하는 것을 피하고 싶었습니다.

이 문제들을 해결하려 노력하다 보니, 결국 행동 심리학(behavioral psychology), 인지 이론(cognitive theory), 학습(learning), 의사결정(decision making) 및 인간-컴퓨터 상호작용(human-computer interaction)과 대화하는 개념들에 도달하게 되었습니다.

하지만 그 순서가 중요했습니다.

나는 심리학에서 출발하여 기술을 그 안에 끼워 맞춘 것이 아닙니다.

나는 기술적인 문제에서 출발했고, 그 과정에서 심리학을 발견한 것입니다.

저에게 있어 이것이 바로 Solution-First (솔루션 우선) 접근 방식의 가치입니다. 먼저 실제 문제에 부딪히고, 제약 사항을 느끼며, 최소한의 솔루션 (minimum solution)을 구축하고, 창발적 행동 (emergent behavior)을 관찰한 뒤에야 비로소 발견된 것에 이름을 붙이는 것입니다.

의사결정의 지형학

오늘날 저는 이 아키텍처 (architecture)를 의사결정의 지형학 (topography of decision)을 매핑하려는 시도로 보고 있습니다.

사람을 통제하기 위해서가 아닙니다.

인간을 벡터 (vector)로 축소하기 위해서도 아닙니다.

심리학을 저렴한 자동화로 변질시키기 위해서도 아닙니다.

그보다는 의사결정에는 기복이 있다는 것을 인식하는 시스템을 만들기 위함입니다. 오르막과 내리막, 마찰, 멈춤, 회귀, 망설임, 그리고 전진이 존재한다는 사실 말입니다.

대부분의 디지털 시스템은 여전히 사용자를 고립된 이벤트 (event)로 취급합니다. 클릭했다. 클릭하지 않았다. 구매했다. 구매하지 않았다. 응답했다. 사라졌다.

하지만 자극과 행동 사이에는 훨씬 더 풍부한 층위가 존재합니다.

그곳에는 전이 (transition)가 존재합니다.

그리고 아마도 응용 지능 (applied intelligence)의 가장 중요한 부분은 바로 그 전이 속에 머물고 있을 것입니다.

지능형 인터페이스의 미래는 단순히 단어를 이해하는 것에 있지 않습니다. 변화를 이해하는 데 있습니다.

사용자가 무엇을 말했는지 아는 것만으로는 부족합니다.

사용자가 어디에서 왔는지, 어디로 가고 있는지, 그리고 그 경로에 영향을 미치려 할 때 시스템이 어떤 책임을 지게 되는지를 이해해야 합니다.