AI가 의사들도 해결하지 못한 점들을 연결할 때: 모든 지식 노동자를 위한 교훈

수년간 전문가들을 당혹스럽게 했던 의료 사례들이 이제 해결되고 있습니다. 그리고 그 이면에 있는 방식은 AI가 실제로 지식 노동 (knowledge work)을 어떻게 변화시키고 있는지에 대해 중요한 사실을 알려줍니다.

복잡성을 가로지르는 추론의 도전 과제

인간에게 진정으로 어려운 특정 유형의 문제가 있습니다. 우리가 충분히 똑똑하지 않아서가 아니라, 관련 정보가 수천 개의 문서, 연구 논문, 환자 기록, 그리고 유전체 데이터베이스 (genetic databases)에 흩어져 있기 때문입니다. 그 어떤 단일 전문가도 이 모든 것을 한꺼번에 머릿속에 담아둘 수는 없습니다.

소아의 희귀 유전 질환은 이러한 문제의 극적인 사례입니다. 가족들은 종종 진단 여정 (diagnostic odyssey)을 위해 수년을 보냅니다. 전문가를 계속 찾아다니고, 테스트를 반복하지만, 명확한 답을 얻지 못합니다. 해당 상태가 의학 문헌 어딘가에 기록되어 있을 수는 있지만, 그 기록을 이 특정 아이의 구체적인 증상 세트와 연결하려면 엄청난 양의 정보를 동시에 합성 (synthesizing)해야 합니다.

이것이 최근의 연구를 매우 놀랍게 만든 지점입니다. AI 추론 (reasoning) 모델을 이전에 해결되지 않았던 소아 사례에 적용했을 때, 모델은 인간 전문가들을 패배시켰던 사례들에서 진단을 식별해 냈습니다. 이는 단순히 보여주기식 기술이 아니라, 모델이 개별 임상의 (clinician)가 할 수 있는 것보다 더 복잡한 정보를 한꺼번에 유지하고 추론할 수 있었기 때문입니다.

추론 모델이 실제로 다르게 하는 것

추론 모델 (reasoning model)이 무엇인지 잠시 짚어볼 가치가 있습니다. 왜냐하면 이는 대부분의 사람들이

희귀 질환 진단의 맥락에서, 이는 모델이 단순히 흔한 질환들에 대해 패턴 매칭 (pattern-matching)을 수행하는 것이 아님을 의미합니다. 모델은 감별 진단 (differential diagnoses) 과정을 거치며, 드문 가능성들의 확률을 따져보고, 모호한 무언가를 가리킬 수 있는 증상들의 조합을 찾아냅니다. 그 가치는 모델이 의사보다 더 많이 안다는 데 있는 것이 아니라, 인지적 피로 (cognitive fatigue)나 확증 편향 (confirmation bias)으로 인해 초점이 좁아지지 않으면서, 훨씬 더 방대한 증거들을 바탕으로 더 인내심 있고 포괄적으로 추론 (reason)할 수 있다는 점에 있습니다.

실제 사례 - 단계별 과정

이것을 여러분이 병원 근처에도 가지 않는 상황에서 실제로 마주할 수 있는 시나리오로 변환해 보겠습니다.

여러분이 중견 SaaS 기업의 제품 관리자 (product manager)라고 가정해 봅시다. 팀에 문제가 생겼습니다. 사용자 이탈 (user churn)이 증가하고 있는데, 그 이유가 명확하지 않습니다. 여러분에게는 고객 지원 티켓, NPS 설문조사, 세션 녹화본, 영업 통화 기록, 그리고 이탈한 계정들의 스프레드시트가 있습니다. 정보는 존재하지만, 여기저기 흩어져 있으며 그 모든 것을 종합할 시간은 아무에게도 없습니다.

추론 모델 (reasoning-model) 접근 방식이 실제로는 어떻게 적용되는지 살펴보겠습니다:

1단계 - 입력값 제공. AI가 작업할 수 있는 형식으로 데이터 소스를 취합합니다. 이는 문서를 업로드하거나, 텍스트 요약본을 붙여넣거나, 데이터에 연결되는 도구를 사용하는 것을 의미할 수 있습니다. 여러분이 이해하고자 하는 바를 구체적으로 명시하세요.

2단계 - 문제를 명확하게 정의.

4단계 - 반복 (Iterate). 수집한 정보를 가지고 다시 돌아가세요. "우리는 가설 A를 테스트했습니다 - 결과는 이렇습니다. 이 내용이 상황을 바꾸나요?" 추론 모델 (Reasoning models)은 여러분이 모델을 단발성 신탁 (one-shot oracles)이 아닌 사고 파트너 (thinking partners)로 대할 때 더욱 유용해집니다.

오늘 바로 적용하는 방법

이러한 사고 방식을 시작하기 위해 전문적인 소프트웨어나 연구 파트너십이 필요하지는 않습니다. 지금 바로 할 수 있는 일은 다음과 같습니다.

정리되지 않은 정보를 대화에 가져오세요. 추론 모델 (Reasoning models)의 힘은 복잡성을 가로질러 작동하는 데 있습니다. 모든 것을 먼저 깔끔한 요약본으로 정리하지 마세요. 미묘한 차이 (nuance)를 공유하세요. 모순되는 점이나 "이것은 잘 맞지 않는다"라고 느껴지는 데이터 포인트들을 포함시키세요. 바로 그 지점에서 흥미로운 추론이 일어납니다.

생각하기를 멈췄던 문제들에 적용해 보세요. 이 연구에 등장한 의료 사례들은 수년 동안 해결되지 않은 상태였습니다. 여러분이 막혀 있는 문제들에도 동일한 논리를 적용해 보세요. 해결하지 못했던 제품 결정, 명확한 답을 얻지 못했던 포지셔닝 질문, 파악하기 어려웠던 고객 세그먼트 등이 있습니다. 그것들은 다시 검토할 가치가 있습니다.

핵심 요약 (Key Takeaways)

• 추론 모델 (Reasoning models)은 문제를 단계별로 해결합니다. 이들은 기본적인 AI 질의응답 (question-answering)과는 근본적으로 다릅니다.
• 핵심적인 장점은 더 많이 아는 것이 아니라, 피로감이나 시야가 좁아지는 편향 (narrowing bias) 없이 더 많은 복잡성을 가로질러 추론할 수 있는 능력입니다.
• 의학뿐만 아니라 어떤 분야에서든 막혀 있는 문제에 추론 모델 (reasoning-model)식 사고를 적용할 수 있습니다.
• AI의 결과물을 실행해야 할 결론이 아니라 검증해야 할 가설 (hypotheses)로 취급하세요. 그것이 최고의 실무자들이 AI를 사용하는 방식입니다.
• 가장 큰 돌파구 (unlock)는 여러분의 가장 무질서하고, 가장 복잡하며, 가장 오랫동안 해결되지 않은 문제들을 테이블 위로 가져오는 것입니다.

이에 대한 여러분의 경험은 어떠신가요? 아래에 댓글을 남겨주세요. 하나하나 모두 읽고 있습니다.

_참조 출처: OpenAI Blog - "Using AI to help physicians diagnose rare genetic diseases affecting children"