회의록을 넣고 “해야 할 일을 정리해 줘”라고 하면 AI는 그럴듯한 목록을 줍니다. 그러나 회의에서 결정한 일과 누군가 제안만 한 일을 한 줄에 섞었다면, 읽기 좋은 목록도 다음 행동의 근거가 되지 못합니다. 이 차이는 글을 더 짧게 만드는 것으로 해결되지 않습니다. 입력에서 무엇을 읽고, 출력에 무엇을 남길지 먼저 정해야 합니다.
수츠케버 읽기의 출발점은 일리야 수츠케버, 오리올 비냘스, 꾸옥 레가 쓴 2014년 논문 「Sequence to Sequence Learning with Neural Networks」입니다. 논문은 하나의 순서를 다른 순서로 바꾸는 학습 문제를 다룹니다. 여기서 업무에 가져올 것은 번역 모델의 구현법이 아니라, 입력과 출력의 관계를 별도의 설계 대상으로 보는 관점입니다.
입력 길이와 출력 길이가 달라도 연결할 수 있습니다
논문은 고정된 크기의 입력과 출력만 다루는 대신, 길이가 다른 문장 사이의 관계를 학습하는 접근을 제시합니다. 한 신경망이 입력 순서를 고정 길이 표현으로 만들고, 다른 신경망이 출력 순서를 생성합니다. 저자들은 영어에서 프랑스어로 번역하는 실험을 통해 그 가능성을 평가했습니다. 이것은 2014년 기계 번역 연구의 결과입니다. 오늘의 대화형 AI가 어떤 업무든 정확하게 이해한다는 증거는 아닙니다.
눈여겨볼 대목은 논문이 입력과 출력의 형식을 분명한 연구 문제로 삼았다는 점입니다. “많은 글을 읽는다”만으로는 무엇을 만들어야 할지 알 수 없습니다. 출력의 형식과 평가할 기준이 있어야 실험 결과도 해석할 수 있습니다.
업무에서는 입력·변환·출력을 한 장에 나눠 봅니다
여기서부터는 카이로스의 업무 적용 제안입니다. 기계 번역의 두 신경망을 업무 절차와 동일시하지 않습니다. 다만 AI에게 회의록, 고객의 소리, 요구사항 문서처럼 길고 다른 형태의 자료를 맡길 때 다음 세 질문을 분리하면 도움이 됩니다.
| 구분 | 사람이 정할 질문 | 가상의 회의록 예시 |
|---|---|---|
| 입력 | 어떤 자료와 범위를 읽게 하나? | 확정 회의록 한 건과 결정 기록만 사용 |
| 변환 | 무엇을 구별해야 하나? | 결정·제안·보류를 서로 다른 상태로 표시 |
| 출력 | 어떤 결과를 누가 확인하나? | 후속 업무 표와 원문 문장 위치를 함께 제시 |
이 표는 논문의 기술 구조를 번역한 설명이 아닙니다. 업무 결과를 검토 가능하게 만들기 위한 편집 틀입니다. 예를 들어 회의록에 담당자가 없다면 담당자 칸을 비워 두고 질문을 남기는 편이 낫습니다. 빈칸을 그럴듯한 이름으로 채운 결과는 오히려 위험합니다.
이번 주 과제: 요청 하나의 입출력 계약을 적어 봅니다
AI에게 맡긴 업무 하나를 고르고, 입력·구분 규칙·출력·검토자를 각각 한 줄로 씁니다. 실제 자료를 쓸 수 없다면 합성 회의록으로 해도 됩니다. 그런 다음 AI 결과에서 원문으로 되돌아갈 수 없는 항목 하나를 찾아 표시합니다.
완료 기준은 답변이 짧거나 예쁜지가 아닙니다. 다른 사람이 결과 한 줄의 근거를 입력에서 찾을 수 있는가입니다. 찾지 못한다면 입력 범위를 좁히거나 출력에 근거 위치를 추가해야 합니다. 다음 편에서는 같은 문제를 더 잘 풀었다고 말할 때 어떤 비교 기준이 필요한지 살펴봅니다.
이 글은 AI의 도움을 받아 작성했습니다. 원문 요약과 업무 해석을 구분했습니다.
AI의 도움을 받아 작성하고 원문 주장과 업무 해석을 구분했습니다. 대표 이미지는 카이로스가 생성한 개념 이미지입니다.