AI, 정말 모두가 모든 것에 사용하고 있을까?

커뮤니티에서는 AI 사용에 대한 정의가 모호하다는 지적이 있습니다. 스마트폰 카메라의 머신러닝 필터나 검색 엔진의 AI 개요(AI Overview) 기능까지 포함하면 실제 사용률은 훨씬 높을 수 있다는 의견입니다. 반면, ChatGPT와 같은 챗 인터페이스 기반의 생성형 AI(Generative AI)만을 AI로 정의할 경우, 실제 월 90분 이상 사용자는 약 30%에 불과하다는 Microsoft의 데이터가 이를 뒷받침합니다. 이는 AI 기술의 광범위한 적용(Broad Application)과 실질적 사용자 채택(Actual User Adoption) 간의 괴리를 보여줍니다.

개발자들은 기술 면접에서 LLM 활용 경험을 질문받지만, AI에 대한 기업의 기대와 개인의 실제 경험 사이에서 답변을 망설이는 경우가 많다고 합니다. 일부는 빠른 디버깅이나 신기술 학습에 LLM을 활용하지만, 복잡한 레거시 코드 리팩토링 등에서는 AI의 부정확한 결과(Inaccurate AI Results)와 과도한 오버엔지니어링(Over-engineering)으로 인해 오히려 비효율을 경험했다고 토로합니다. 이는 AI가 문제 해결 능력(Problem-Solving Capability)보다는 문제 발견 보조(Problem Discovery Assistance)에 더 유용할 수 있다는 시사점을 줍니다.

일부 기업들이 지원 흐름(Support Flow)에서 기존의 결정론적 시스템(Deterministic System)을 LLM 기반 시스템으로 대체하면서 서비스 품질이 저하되고 있다는 비판이 제기됩니다. 특히 CI/CD 파이프라인처럼 일관되고 정확한 응답(Consistent and Accurate Responses)이 필수적인 영역에서는 AI 도입이 오히려 성능 저하를 야기할 수 있다는 지적입니다. 이는 AI가 모든 문제에 대한 최적의 해결책이 아니며, 결정론적 접근 방식(Deterministic Approach)의 중요성을 간과해서는 안 된다는 점을 시사합니다.

미디어에서 AI를 '모든 것을 위한 만능 해결사'처럼 묘사하는 것과 달리, 실제 사용자들은 AI의 실질적인 가치를 아직 발견하지 못해 사용을 망설이는 경우가 많습니다. AI의 개인적인 효용성(Individual Utility)이 우려 사항(일자리 대체, 프라이버시 침해, 허위 정보)을 상쇄할 만큼 크지 않다는 것입니다. 이는 마치 육류 소비에 대한 다양한 태도처럼, AI 역시 개인적인 선택의 영역(Personal Choice Domain)으로 자리 잡고 있음을 보여줍니다.

ChatGPT와 같은 AI 도구가 단순히 검색 엔진을 대체하는 것을 넘어, 히스토리 관리(History Management) 및 후속 질문(Follow-up Questions) 기능을 통해 향상된 워크플로우를 제공한다는 의견이 있습니다. 이러한 워크플로우 개선(Workflow Improvement)은 AI의 핵심적인 장점일 수 있으나, 이는 AI 자체의 능력보다는 사용자 경험(User Experience) 측면에서의 이점으로 해석될 수 있습니다. 즉, AI의 진정한 가치는 특정 작업의 효율성 증대뿐만 아니라, 전반적인 작업 흐름(Overall Workflow)을 얼마나 원활하게 만드는지에 달려있다는 분석입니다.