일상의소리,아카펠라-그천상의소리, 그리고 음향, 성악

3d프린터 카페에서 ai가 할수 있느니 아직 멀었다느니 얘기들 있어서 한번 시도해 본 작업.

기존 쥔장이 한 작업에 달린 의견들 참조해서 작업했어요.

저는 전자회로 설계라서 기구는 이런 종류 설계는 전혀 지식이 없는 상태이니 

작업을 하면서 나오는 용어들 이해해볼려고 하면서 작업지시를 내렸습니다.

아래 문서 자체들도 모두 astra가 정리한겁니다.

시간은 대략 3~4시간정도, 토큰은 100불 요금제 주간 토큰 절반을 소모했으니 엄청난 양입니다.

그런데 80%정도를 아스트라 엑스트라하이로 했는데 그럴 필요없었겠다 싶습니다..

sol로 해도 가볍게 처리할듯 싶어요. 초기 자료 모으고정리하는거는 아스트라시키고..

-------------------------------------------------------

​

​

전기차 모터 하우징을 AI와 함께 어디까지 설계하고 검토할 수 있을지 진행해 봤습니다.

​

목표는 고성능 전기차를 참고해 연속출력, 냉각, 강성을 우선하는 하우징을 만드는 것이었습니다. FreeCAD로 형상을 만들고, 권선과 터미널이 들어가는 공간을 확인한 뒤, 강성과 수냉을 반영한 열변형까지 검토했습니다.

​

현재 결과물은 ‘개념설계 및 1차 해석 검토 완료’ 단계입니다. 양산 도면이나 실물 제작·시험까지 끝낸 설계는 아닙니다. 오히려 모델과 해석을 통해 어디를 보강해야 하는지 확인한 작업에 가깝습니다.

[사진 삽입: 01_housing.png]

사진 설명: 모터 본체 하우징, 양쪽 엔드커버, 냉각 재킷과 단자함을 포함한 CAD-04 모델.

[사진 삽입: 02_cover_removed.png]

사진 설명: 단자측 커버를 숨긴 모습. 권선 끝단과 터미널 외곽을 기준으로 하우징 공간을 검토했다.

​

​

1. 이번에 만든 결과물

​

• 모터의 고정자·권선 외곽·터미널 패키지 모델

• 모터 슬리브와 수냉 재킷

• 구동측(DE)·단자측/NDE 엔드커버

• 단자함과 분리형 뚜껑, 체결·공구 접근 공간

• 커버 강성 해석 결과

• 수냉 연계 온도·열변형·열응력 결과

• FreeCAD 모델, STEP, 계산 코드와 보고서

​

양산 참고 대상으로는 현대 IONIQ 5 N 후륜 모터와 E-GMP 계열의 공개 자료를 살펴봤습니다. 다만 내부 제작도면이나 실측 자료를 확보한 것은 아닙니다. 공개된 구조·제원과 논문을 참고하고, 확인되지 않은 치수와 조건은 가정값으로 구분한 개념 모델입니다.

​

​

2. 시작할 때 요청한 내용과 작업 방식

​

처음에는 바로 모델링하지 않고 자료와 설계 조건부터 정리하도록 요청했습니다.

​

주요 프롬프트 — 실제 입력 원문 중 일부

​

“양산기준으로 사양을 정하고 이를 만족하는 재질과 구조로 설계.”

“관련된 논문이나 기술 문서를 적극 참고해서 설계하자.”

“아직 freecad 작업은 하지말고 필요한 정보를 먼저 모아서 사전작업을 해두자.”

​

우선순위는 고성능형, 즉 연속출력·냉각·강성으로 잡았습니다. 설계 범위는 모터 본체 하우징과 엔드커버, 냉각 재킷입니다.

​

자료 조사와 조건 정리 → 모터 패키지 모델 → 권선 외곽 보완 → 하우징 수정 → 강성 검토 → 수냉 연계 열변형 검토 순서로 진행했습니다. Codex가 모델링·계산 코드를 작성하고 FreeCAD 및 해석기를 실행하는 방식이었습니다. 모든 형상과 검증이 처음부터 한 번에 완성된 것은 아니고, 결과를 보며 요구사항을 구체화했습니다.

​

​

3. 하우징보다 먼저 보완해야 했던 권선 형상

​

초기 권선 형상은 하우징 상세설계에 쓰기에는 단순화가 컸습니다. 그래서 가장 바깥쪽 권선과 터미널을 포함해 다시 모델링하도록 요청했습니다.

​

주요 프롬프트

​

“하우징 상세 설계할려면 모터모델링 필요하겠어. 가장 외곽 권선과 터미널포함해서”

​

“그럼 실제 양산 모터 자료를 참고해서 권선부터 다시 모델링해줘. 굽힘 반경, 크라운측·용접측 형상과 터미널까지 반영해서 하우징 상세설계에 쓸 수 있게.”

​

다시 만든 모델에서는 헤어핀 권선의 크라운측, 용접측, 굽힘 형상, 접속부와 터미널 외곽을 표현했습니다. 고정자 내부에 길게 들어가는 도체는 생략하고 외부 엔드권선을 유지했습니다. 전자기 성능보다 하우징과의 간섭·공간 검토가 목적이기 때문입니다.

​

단, ‘양산 모터를 참고한 외곽 모델’이지 특정 OEM 권선의 정확한 복제 모델은 아닙니다. 굽힘 치수와 터미널 위치에는 가정이 있으며, 도체 간 전기적 연결과 제조 공정까지 검증한 상태도 아닙니다.

[사진 삽입: 03_motor.png]

사진 설명: 하우징 공간 검토에 사용한 모터 외곽 모델. 슬롯 내부의 긴 도체는 생략했다.

[사진 삽입: 04_crown.png]

사진 설명: 크라운측 권선 외곽과 굽힘 형상.

[사진 삽입: 05_weld.png]

사진 설명: 용접측 권선과 접속부·터미널 외곽.

​

​

4. 권선과 터미널을 넣기 위해 하우징도 변경

​

권선 외곽을 보완하니 커버의 공간도 다시 맞춰야 했습니다.

​

기존 모델 대비 크라운측 외곽 공간은 26 mm, 용접측은 52 mm 확장했습니다. 축과 베어링의 공칭 위치는 유지하면서 외곽이 깊어진 계단형 커버로 구성했습니다. 단자함, 분리형 뚜껑, 주 체결부의 공구 접근 공간도 반영했습니다.

​

솔리드 유효성, 부품 중첩, 설정한 권선 여유체와의 간섭, STEP 재수입 상태를 확인했습니다. 일부 리브 뿌리와 외곽에는 필렛을 적용했지만, 주조 구배·최종 필렛·국부 두께·씰링까지 양산 수준으로 확정한 것은 아닙니다.

​

이 단계에서 ‘공간에 들어간다’는 것과 ‘강성·냉각 성능이 충분하다’는 것은 별도로 확인해야 했습니다.

​

​

5. 강성 해석: 단자측 보강이 우선

​

주요 프롬프트

​

“강성, 열변형 검증을 해서 결과를 보여줘. 단 해석 시간이 너무 걸리지 않도록 설정해줘 최종 양산 적용은 아니고 검토용이니”

​

시간을 줄이기 위해 실제 CAD 형상의 양쪽 커버를 개별 해석했습니다. 본체와 볼트의 접촉까지 포함한 전체 조립체 해석은 생략했습니다. 재질 후보는 AlSi10MnMg, 탄성계수는 74 GPa로 고정했습니다.

​

가정 하중은 반경방향 5 kN, 축방향 2 kN입니다. 두 하중은 각각 독립적으로 적용했습니다. 볼트 구멍을 구속한 조건이므로 실제 조립체 강성과는 차이가 있을 수 있습니다.

​

반경방향 5 kN에서 베어링 중심 이동

• 구동측 DE: 약 0.017 mm

• 단자측 NDE: 약 0.055 mm

​

반경방향 강성

• DE: 약 291 kN/mm

• NDE: 약 91 kN/mm

​

축방향 2 kN에서 베어링 중심 이동

• DE: 약 0.042 mm

• NDE: 약 0.058 mm

​

같은 반경하중에서 단자측 강성은 구동측의 약 31%였습니다. 서로 다른 커버 형상의 비교이므로 이것만으로 합격·불합격을 정할 수는 없지만, 단자측 지지부를 먼저 보강해야 한다는 판단 근거가 됐습니다.

​

단자측 메시를 8 mm에서 6 mm로 세분화했을 때 주요 변위 차이는 1.3% 이내였습니다. 국부 최대 응력은 약 8~9% 달라져 변위보다 민감했습니다. 초기 강성·열변형 검토의 솔버 9회 계산 합계는 약 68초였습니다. 모델 준비·후처리 시간은 별도입니다.

[사진 삽입: 06_stiffness.png]

사진 설명: 단자측 커버의 초기 강성·열변형 결과. 왼쪽은 반경하중, 가운데는 축하중, 오른쪽은 처음의 가정 온도 조건이다. 각 그림의 색상 범위가 다르다.

​

​

6. 수냉은 형상만 넣는 것으로 끝나지 않았다

​

처음 열변형 검토는 본체 80°C, 베어링 주변 120°C를 입력한 계산이었습니다. 수냉 재킷 형상은 있었지만 유량과 발열량에서 온도를 계산한 결과는 아니었습니다.

​

이 부분을 확인하면서 다음 질문을 했습니다.

​

“수냉 생각도 반영되나?”

“계산시간 줄이는 방식으로 해보자”

​

추가 검토는 다음 방식으로 진행했습니다.

​

냉각수·본체의 24구간 열회로

→ 실제 커버의 3D 정상 열전도

→ 계산된 온도를 사용한 열변형·열응력

​

전체 유동 CFD 대신 냉각수 온도 상승, 금속 전도, 추정 대류 열전달을 반영하고 기존 커버 메시를 재사용했습니다.

​

기준 조건

• 냉각수 입구: 60°C

• 유량: 15 L/min

• 물/에틸렌글리콜 50 vol% 대용 물성

• 하우징 수냉 경로로 들어오는 열: 4·6·8 kW 비교

• 각 커버로 전달되는 열: 전체의 2.5%씩 가정

• 대류 열전달계수: 1,000 W/m²K 기준, 500·2,000도 비교

​

여기서 6 kW는 모터 출력이 아니라 하우징 냉각 경로로 유입된다고 가정한 열량입니다. 실제 모터의 총 손실이나 수냉·오일 경로의 열 분배를 확정한 값은 아닙니다.

​

6 kW 기준 결과

• 냉각수 출구: 약 66.6°C

• 베어링 좌면 평균: DE 약 160°C / NDE 약 184°C

• Ø72 좌면 직경 증가: DE 약 0.205 mm / NDE 약 0.242 mm

• 최대 열응력: DE 약 53.9 MPa / NDE 약 59.7 MPa

​

냉각수 온도 상승이 작더라도 금속 온도가 낮다는 뜻은 아니었습니다. 이번 가정에서는 금속에서 냉각수로 열이 넘어가는 저항과, 길어진 커버의 열전도 경로가 중요하게 나타났습니다.

​

수냉 때문에 온도가 더 나빠진 것은 아닙니다. 앞서 임의로 입력한 80/120°C를 열전달 계산으로 대체하니 더 높은 온도가 나온 것입니다. 열량·열전달계수와 접촉 조건에 따라 결과가 크게 달라져 실제 운전 온도로 확정할 수는 없습니다.

​

수냉 연계 솔버 8회 계산 합계는 약 58초, 입력 생성과 결과 읽기까지 포함한 최종 실행은 약 64초였습니다. 높은 온도 조건은 단상 유동·상수 물성 가정의 적용 한계를 함께 봐야 합니다.

[사진 삽입: 07_cooling_summary.png]

사진 설명: 냉각수와 재킷 온도, 유입 열량에 따른 베어링 좌면 온도·직경 변화 비교.

[사진 삽입: 08_cooling_contours.png

사진 설명: 6 kW 시나리오의 온도·열변위·열응력. 위는 DE, 아래는 NDE이며 같은 열의 색상 범위를 통일했다. 미변형 형상에 결과를 표시했다.

​

​

7. 아직 미진한 부분

​

현재까지는 다음 개선 과제를 확인한 상태입니다.

​

• 단자측 베어링 지지부의 강성 및 열전도 보강

• 수냉 채널 배분·열전달 면적 개선과 압력손실 검토

• 베어링 외륜과 알루미늄 좌면의 열팽창 차이를 고려한 끼워맞춤

• 실측 모터 치수, 실제 축계 하중, 손실맵과 수냉·오일 열 분배 확보

• 고온 탄성계수·볼트 접촉까지 반영한 열간 강성 확인

• 주조 구배, 씰링, 나사·체결력, 실제 HV 커넥터, 피로·진동 검토

​

특히 앞의 강성값은 탄성계수를 고정한 결과입니다. 이번에 계산한 고온에서 재료 강성이 얼마나 떨어지는지까지 검증한 ‘열간 강성’은 아닙니다. 열응력도 실제 고온 허용응력과 비교해 합격 판정한 상태가 아닙니다.

​

현재 단계는 ‘검토용 개념설계와 1차 해석을 마치고, 다음 개선 방향을 찾은 상태’로 정리했습니다. 다음 설계 반복에서는 단자측 리브와 유로 변경안을 같은 조건으로 비교하는 것이 우선 과제입니다.

​

​

8. 모델 공유와 참고 자료

​

모델은 본문의 이미지로 먼저 볼 수 있도록 하고, 직접 열어볼 분들을 위해 별도 ZIP으로 공유할 수 있게 정리했습니다.

​

• EV_Housing_v4.FCStd: 모터 패키지와 변경 하우징

• EV_Motor_Exterior_v3.FCStd: 모터 외곽 모델

• Housing_v4.step: 하우징 부품을 다른 CAD에서 확인할 때 사용

​

저장 모델은 정적 솔리드입니다. 속성 숫자만 바꾸면 전체가 자동 재생성되는 완전한 파라메트릭 모델은 아닙니다. 형상 재생성에는 별도 코드가 필요합니다.

​

참고한 자료 일부

​

• Hairpin Windings: Twists and Bends of a Technological Breakthrough (2024)

https://repository.tudelft.nl/file/File_94a8480e-93ee-4940-b960-68a8a1d00d2d

​

• 양산 전기차 모터 벤치마킹 자료 (2025)

https://link.springer.com/article/10.1007/s00502-025-01331-3

​

• 헤어핀 도체 성형 연구 (2024)

https://link.springer.com/article/10.1007/s11740-024-01271-5

​

• Silafont-36 / AlSi10MnMg 제조사 자료

https://rheinfelden-alloys.eu/legierungen/silafont/

​

• CalculiX 2.22 매뉴얼

https://www.dhondt.de/ccx_2.22.pdf

​

본문 이미지는 이번 작업에서 생성한 CAD·해석 결과입니다. 논문의 도면이나 OEM의 내부 제작도면을 그대로 사용한 것은 아닙니다

두 글을 올리고 나서

오늘 커뮤니티에 글을 두 개 올렸습니다.

하나는 FreeCAD에 MCP를 붙여서 클로드로 기구 설계를 하는 바이브 모델링 얘기였고, 다른 하나는 AI 관련 글을 읽을 때마다 걸리는 "아직은 안 돼요"라는 말이 왜 불편한지에 대한 글이었습니다.

올리고 나서 클로드한테 그 두 글을 주고 의견을 물어봤는데, 생각보다 반론이 많이 들어오더군요. 그걸 받아서 한참 얘기를 하다 보니 처음 글보다 한 단계 정리가 된 거 같아서 여기 다시 적어봅니다.

AI 얘기를 AI랑 나눈 걸 정리하는 거라 좀 묘하긴 한데, 그게 또 이 글의 요점이기도 하네요..

'아직은 안 돼'는 누구의 한계인가

제가 올린 글의 명제는 "아직은 안 된다는 건 그걸 쓰는 사람의 한계인 경우가 많다"였습니다.

클로드는 절반만 맞다고 하더군요. 이유가 재밌었습니다. "저는 지금도 형상을 틀리게 만듭니다. 그걸 아시니까 cadxray를 만드신 거 아닌가요."

맞는 말입니다. 올 초에 MCP 붙여봤다가 공이나 박스 만드는 수준이라 포기했던 건 그 시점 기준으로는 정말 안 됐던 게 맞거든요. 그걸 되게 만든 건 모델이 좋아져서가 아니라 제가 확인하는 도구를 붙여서입니다. 이름부터 분석하고 확인하는 도구고요.

그러니까 제 경험이 증명하는 건 "AI가 이미 다 된다"가 아니라 "안 되는 부분은 도구를 붙여서 되게 만들 수 있다"에 가깝습니다. 이게 훨씬 반박하기 어려운 얘기이기도 하고요.

또 하나. 저는 회로 30년 경험이 있으니까 AI 답을 보고 틀린 데를 짚고 방향을 틀 수 있는 겁니다. 그 경험이 없는 사람에게는 "아직 안 돼"가 그 사람 기준으로는 틀린 말이 아니에요. 검증 못 하는 결과물은 못 쓰는 거니까요.

그래서 "사용자의 한계"라는 말은 맞는데, 그 한계가 노력 부족이 아니라 검증 능력이라고 해야 정확합니다. 그렇게 말하면 덜 공격적이기도 하고요.

전문가의 '안 돼'가 제일 아깝다

그런데 그 검증 능력이 있는 사람, 그러니까 도메인 지식이 풍부한 경력자가 결과물 한 번 보고 "아직 안 돼"라고 하는 경우가 있습니다. 이게 제일 아까운 경우라고 봅니다.

틀린 데를 정확히 짚을 수 있는 사람이면 이미 피드백 한 턴 거리에 있는 거거든요. 그 한 턴을 안 하고 끝내는 겁니다. 초보자의 "안 돼"는 정보가 없어서 그런 거지만, 전문가의 "안 돼"는 정보를 가진 채로 버리는 거죠.

왜 그렇게 되는지는 이해가 됩니다. 판단력이 좋을수록 결과물의 흠이 바로 보이고, 흠이 보이면 "이건 못 쓴다"는 결론이 즉시 나옵니다. AI를 잘 다루게 해주는 그 능력이, 한 번 보고 접게 만드는 능력과 같은 능력이에요.

거기에 우리가 30년 써온 도구들이 전부 결정론적이었다는 것도 있습니다. 토크렌치는 되거나 안 되거나지 두 번째 시도에서 나아지지 않잖아요. 그 기준으로 AI를 보면 첫 결과가 곧 성능이 되는 겁니다. 신입 직원 첫 초안이 틀렸다고 해고하지는 않으면서 말이죠.

다만 그분들 편을 하나 들자면, "아직 안 돼"가 틀린 게 아니라 범위가 틀린 경우가 많습니다. "이 방식으로 한 번 던져서는 안 된다"는 그 시점에 정확한 판단이었는데, 그게 "안 된다"로 일반화되는 거죠.

그래서 그런 분들께는 "AI가 되냐 안 되냐"로 싸우는 것보다 "어디가 틀렸는지 말해줄 수 있느냐"고 묻는 게 낫다고 봅니다. 말할 수 있으면 한계에 닿은 게 아니라 첫 반복을 한 겁니다.

클로드가 한 말 중에 이게 제일 기억에 남네요. 전문가가 "여기가 틀렸다"고 해주는 한 줄이 초보자 백 명의 "와, 잘하네"보다 훨씬 가치 있다고. 자기가 정확히 못 가진 게 그거라고요.

그 판정은 항상 맞을까

여기서 한 발 더 나가봤습니다. 전문가의 "틀렸다"는 판정 자체가 항상 맞을까요.

저는 의심이 됩니다. 전문가의 판단은 자기가 걸어본 길 안에서는 정확한데, 그 바깥에서는 "내가 안 해본 방식이다"와 구분이 잘 안 되거든요. 30년 아날로그 회로라는 건 30년 동안 특정한 접근들로 문제를 풀어왔다는 뜻이기도 해서, 그 접근에 없는 토폴로지나 안 써본 부품이 나오면 첫 반응이 "이건 아니다"가 되기 쉽습니다.

제 부품 선택도 사실 제가 써본 부품 집합 위에서 생긴 직관입니다. AI는 데이터시트를 전부 비교해서 가져오니까 그 집합 밖에서 온 제안이 나오고, 그게 틀려 보이는 건 당연한 거죠.

그런데 여기서 클로드가 솔직한 얘기를 하더군요. 자기가 내놓는 것 중에는 정말 그 사람이 못 가진 관점도 있고 그럴듯하게 생긴 오류도 있는데, 겉보기로는 둘이 거의 똑같다고. 그리고 자기도 안에서 항상 구분하지는 못한다고요.

그러니까 전문가가 "틀렸다"고 바로 접는 것과 "새로운 관점이네"라고 바로 받는 것은 사실 같은 실수입니다. 둘 다 따져보는 단계를 건너뛴 거예요.

구분하는 방법은 하나뿐인 거 같습니다. 이상해 보이면 "왜 그렇게 했느냐"고 묻는 거죠. 진짜 관점은 질문을 받으면 근거가 나오고 더 단단해집니다. 오류는 질문 한두 개면 무너져요.

"아직 안 돼"가 틀릴 수 있다는 의심은 맞는데, 그 결론이 "그러니 믿어보자"면 안 되고 "그러니 물어보자"여야 합니다. 그리고 그 물어보는 과정이 결국 제가 직원들한테 늘 얘기하는 "몇 시간 같이 의논하기"입니다.

AI가 AI를 만드는 시대, 사람에게 남는 것

요즘 흐름은 AI가 AI를 개발하는 쪽으로 가고 있잖아요. 사람 쪽에서는 AI를 다루는 기법이 발전하는 거고요.

이것도 클로드는 반만 동의했습니다. 지금 시점에서는 "AI가 AI를 개발한다"보다 "AI가 AI 개발을 가속한다"가 정확하다고요. 코드도 데이터도 평가도 AI가 하지만, 뭘 학습시킬지, 어떤 목표를 줄지, 내놓을지 말지는 아직 사람이 정한다는 겁니다. 고리가 닫힌 게 아니라 중간 구간이 자동화된 거죠.

그리고 사람 쪽의 "다루는 기법"은 유통기한이 짧다는 얘기도 했습니다. 작년에 사람들이 손으로 짜던 것들, 단계별로 생각하게 하는 프롬프트나 검색해서 다시 묻는 루프 같은 게 올해는 모델 안에 들어가 있잖아요. 하네스니 루프니 하는 것도 비슷한 길을 갈 거고요.

생각해보니 제가 FreeCAD 26.3 얘기하면서 "파이썬으로 일일이 하던 걸 더 효율적으로"라고 쓴 게 딱 그 장면이네요. 기법이 흡수되는 거죠.

그러면 사람 쪽에 오래 남는 건 뭘까요. 두 가지인 거 같습니다.

하나는 뭘 만들어야 하는지 아는 것. 현장에서 1년 버티는 툴이 어떤 모양이어야 하는지는 AI가 바다에 나가본 적이 없으니 모릅니다.

다른 하나는 결과가 맞는지 판별하는 것. 앞에서 계속 얘기한 그 검증 능력이죠.

그래서 전문가가 "아직 안 돼"로 접는 건 툴 하나 버리는 게 아니라, 자기 30년을 처음으로 복제할 수 있는 수단을 버리는 겁니다. 그 지식은 지금까지 본인 손의 처리량에 갇혀 있었잖아요. 하루에 회로 하나, 도면 하나. AI는 그걸 대체하는 게 아니라 처음으로 곱셈을 해주는 물건인데 말이죠.

"아직"이라는 말도 문제입니다. 거기엔 "준비되면 다시 보겠다"가 들어 있는데, 준비됐다는 신호는 어디서도 안 옵니다. 써보는 것 말고는 아는 방법이 없어요.

교류는 어디에 쌓이는가

그래서 결론은 "아직 안 돼"로 버릴 게 아니라 계속 서로의 지식을 교류하는 과정이 필요하다는 건데, 여기에 비대칭이 하나 있다고 클로드가 짚더군요.

대화 안에서는 교류가 맞는데, 끝나고 나면 쌓이는 쪽은 사람이라는 겁니다. 클로드는 다음 대화에서 제가 가르쳐준 걸 동료처럼 들고 오지 못해요.

그래서 그 교류의 결과가 어딘가에 남으려면 사람 머릿속 아니면 사람이 만든 도구에 남아야 합니다. cadxray가 바로 그거네요. 모델링하면서 알게 된 "여기서 틀리더라"가 코드로 굳어진 겁니다. 회사 ERP도 마찬가지고요. 몇 시간씩 채팅하면서 정리된 제 머릿속이 시스템으로 남은 거죠.

"아직 안 돼"로 접는 사람이 잃는 건 결국 그 쌓임입니다. AI는 다음 버전에서 어차피 좋아지는데, 그 사람의 다루는 감각과 도구는 안 쌓이는 거예요. 나중에 돌아와도 그때 처음부터 다시 쌓아야 하고요.

마무리

결국 같은 자리로 돌아왔습니다. 그런데 처음보다 한 단계 정리된 자리인 거 같네요.

처음 글의 명제가 "아직 안 돼는 사용자의 한계"였다면, 지금은 "아직 안 돼는 교류를 시작하기 전에 내린 판정"입니다. 같은 사람을 향한 말인데 하나는 등을 돌리게 하고 하나는 한 번 더 해보게 합니다.

하나 남는 질문이 있습니다. AI는 있는 판단을 증폭하지 없는 판단을 만들어주지는 않습니다. 지금 경력자들은 수십 년 몸으로 해보면서 판단력이 생긴 건데, AI랑 몇 시간 의논하는 방식으로 일하는 신입은 그 판단력이 어디서 생기는 걸까요. 전문가의 "아직 안 돼"는 그 사람 개인의 손해지만, 이쪽은 다음 세대 전문가가 안 만들어지는 문제라 부서를 맡은 입장에서는 더 큰 숙제입니다. 아직 답은 없네요.

지금은 먼저 쓰는 사람이 훨씬 큰 걸 얻어가는 시기인 거 같습니다. 그리고 그 얻어가는 것의 대부분은 AI가 주는 게 아니라, 묻고 답하는 사이에 내 쪽에 쌓이는 겁니다.