정보가 흔해질수록, 판단은 더 비싸집니다

무언가를 알아보기 위해 AI에게 질문합니다.

몇 초 뒤 정의와 사례, 장단점과 반론까지 정리된 답변이 도착합니다. 마음에 들지 않으면 더 쉽게 설명해달라고 할 수 있고, 다른 관점에서 다시 써달라고 할 수도 있습니다. 비교표를 만들고, 관련 개념을 덧붙이고, 다음으로 살펴볼 질문까지 제안받는 데에도 오래 걸리지 않습니다.

과거에는 정보를 찾지 못해서 탐구가 멈추는 경우가 많았습니다.

이제는 반대의 이유로 멈춥니다.

답은 충분히 많습니다. 문제는 그중 무엇이 사실인지, 무엇이 나의 목적에 적합한지, 어디까지 믿고 어느 지점에서 판단을 유보해야 하는지 결정하는 일입니다.

답은 흔해졌지만, 판단은 여전히 희소합니다.

AI 시대에 디지털 리터러시와 비판적 사고가 덜 중요해진 것이 아닙니다.

정보를 얻는 일이 쉬워질수록, 정보를 평가하고 선택하고 연결하는 일의 중요성은 더 커집니다.

정보의 가치가 사라진 것이 아니라, 접근 비용이 낮아졌습니다

“정보의 값어치가 떨어졌다”는 말은 직관적으로는 이해되지만, 그대로 사용하기에는 거친 표현입니다.

모든 정보의 가치가 낮아진 것은 아닙니다. 정확한 원자료, 새로운 발견, 희귀한 전문지식, 특정한 맥락을 깊이 이해한 판단은 여전히 중요합니다. AI가 제시하는 정보가 언제나 정확하거나 양질인 것도 아닙니다.

달라진 것은 정보에 접근하고, 설명의 형태로 재구성하는 비용입니다.

인터넷은 이전보다 훨씬 많은 자료에 접근할 수 있게 했습니다. 대화형 AI는 한 걸음 더 나아가, 흩어진 내용을 사용자의 질문에 맞는 설명과 비교, 요약과 초안의 형태로 빠르게 바꿉니다.

생성형 AI가 모든 과업에서 같은 효과를 낸다고 일반화할 수는 없지만, 일부 연구는 이 변화가 얼마나 큰지 보여줍니다. 전문적 글쓰기 과제를 사용한 무작위 실험에서 ChatGPT를 사용할 수 있었던 참가자들은 평균적으로 과제를 더 빠르게 끝냈고 산출물의 품질도 높아졌습니다 (Noy & Zhang, 2023). 실제 고객지원 업무에 AI 보조 도구를 도입한 연구에서도 시간당 해결 건수가 평균적으로 증가했으며, 효과의 크기는 작업자의 경험과 문제 유형에 따라 달랐습니다 (Brynjolfsson et al., 2025).

이 연구들은 AI가 지식의 진위를 보장한다는 뜻이 아닙니다. AI가 인간의 판단을 대체했다는 뜻도 아닙니다.

더 제한적이지만 중요한 사실을 보여줍니다.

정보를 찾아 문장으로 만들고, 일정한 형식의 결과물로 바꾸는 데 들던 비용이 크게 낮아질 수 있습니다.

예전에는 정보를 찾고 정리하는 능력 자체가 희소한 역량이었습니다. 이제는 그 일부를 AI가 빠르게 수행합니다.

그러면 인간에게 남는 일은 사라지는 것이 아니라 이동합니다.

• 이 답변은 실제로 사실인가?
• 어떤 근거를 사용했는가?
• 서로 다른 설명은 왜 충돌하는가?
• 이 정보가 지금의 질문에 정말 필요한가?
• 나의 상황에도 같은 결론이 적용되는가?
• 어디까지 확인하면 충분한가?
• 무엇을 결론으로 받아들이고 무엇을 열어둘 것인가?

정보를 획득하는 능력의 일부가 자동화될수록, 정보를 판단하는 능력이 더 선명한 병목으로 남습니다.

정보가 풍부해지면, 주의가 희소해집니다

정보 과잉에 관한 문제의식은 AI와 함께 처음 생긴 것이 아닙니다.

Herbert Simon은 1971년에 이미 정보가 풍부한 환경에서는 정보가 소비하는 다른 자원, 곧 수신자의 주의가 희소해진다고 설명했습니다. 정보의 비용은 생산하고 전달하는 데만 있지 않습니다. 누군가가 읽고, 해석하고, 다른 정보와 비교하고, 행동으로 옮기기 위해 사용하는 시간과 주의에도 비용이 있습니다 (Simon, 1971).

이 관점은 AI 시대에 더욱 직접적으로 와닿습니다.

AI가 한 번의 질문에 답변 하나를 만들어내는 데에는 몇 초밖에 걸리지 않을 수 있습니다. 그러나 사용자가 그 답변을 제대로 다루려면 다음 과정이 필요합니다.

• 핵심 주장을 식별합니다.
• 낯선 개념을 확인합니다.
• 출처와 근거를 살펴봅니다.
• 다른 설명과 비교합니다.
• 자신의 상황에 적용 가능한지 판단합니다.
• 새롭게 생긴 질문의 우선순위를 정합니다.
• 결론을 기억하거나 기록합니다.

AI의 생성 속도와 인간의 이해 속도는 같지 않습니다.

답변을 만드는 비용이 낮아졌다고 해서, 답변을 받아들이는 비용까지 사라진 것은 아닙니다. 오히려 생성 가능한 정보의 양이 인간이 검토할 수 있는 양보다 훨씬 빠르게 늘어나면서, 사용자의 시간과 주의가 더 중요한 제한 조건이 됩니다.

정보의 공급은 확장되었지만, 인간의 하루와 작업기억은 함께 확장되지 않았습니다.

이때 좋은 도구는 단지 더 많은 정보를 제공해서는 안 됩니다.

사용자가 어디에 주의를 써야 하는지, 무엇을 지금 보지 않아도 되는지, 어떤 정보가 어떤 질문과 연결되는지를 판단할 수 있도록 도와야 합니다.

정보의 홍수와 정보 과부하는 다릅니다

“정보가 많다”와 “정보 때문에 과부하가 생겼다”는 같은 말이 아닙니다.

두 상태를 구분하면 문제를 더 정확히 볼 수 있습니다.

정보의 홍수

환경에서 접근할 수 있거나 생성할 수 있는 정보의 양이 매우 많은 상태입니다.

검색 결과, 뉴스, 논문, 강의, 소셜미디어 게시물뿐 아니라 AI가 즉시 만들어내는 설명과 요약, 예시와 반론도 여기에 포함될 수 있습니다.

정보의 홍수는 공급 측면의 변화입니다.

정보 과부하

현재 과업이 요구하는 정보처리량이 개인에게 주어진 시간과 주의, 처리 능력을 넘어서는 상태입니다.

정보 과부하에 관한 연구에서는 단순한 정보량뿐 아니라 정보의 복잡성, 모호성, 품질, 과업의 난이도, 사용할 수 있는 시간, 개인의 경험과 처리 역량이 함께 중요하게 다뤄집니다 (Eppler & Mengis, 2004; Roetzel, 2019). 최근의 체계적 문헌고찰도 정보 과부하를 개인의 의지 문제로만 보기보다, 정보기술과 업무 구조, 커뮤니케이션 규칙을 포함한 환경 설계의 문제로 함께 다루어야 한다고 정리합니다 (Arnold et al., 2023).

따라서 같은 양의 정보도 어떤 사람에게는 유용하고, 다른 사람에게는 과부하가 될 수 있습니다.

전문가는 많은 자료를 빠르게 분류할 수 있습니다. 무엇이 핵심이고 무엇이 주변 정보인지 판단하는 기준을 이미 가지고 있기 때문입니다. 반면 해당 분야를 처음 배우는 사람은 중요한 주장과 세부사항, 신뢰할 만한 근거와 그럴듯한 설명을 구분하는 데 더 많은 자원을 사용해야 합니다.

정보 자체가 많아서만 힘든 것이 아닙니다.

정보를 평가할 기준과 정보 사이의 관계가 보이지 않을 때, 풍부함은 부담으로 바뀝니다.

AI 채팅에서는 이 전환이 빠르게 일어날 수 있습니다.

하나의 질문에서 여러 개념이 등장하고, 각 개념을 확인하기 위한 질문에서 다시 새로운 정보가 생깁니다. 답변은 계속 늘어나지만, 어떤 정보가 최초 질문에 필수적인지, 어느 주장은 확인했고 어느 주장은 아직 검증하지 않았는지 점점 흐려집니다.

정보의 홍수가 과부하가 되는 지점은 단순히 글자 수가 많아지는 순간이 아닙니다.

사용자가 정보의 출처, 관계, 우선순위, 현재 상태를 머릿속에서만 관리해야 하는 순간입니다.

많은 정보가 언제나 나쁜 것은 아닙니다

정보 과부하를 말하다 보면 “선택지가 많을수록 사람은 더 나쁜 결정을 내린다”는 단순한 결론으로 넘어가기 쉽습니다.

하지만 연구 결과는 그렇게 일관적이지 않습니다.

선택 과부하 연구를 종합한 한 메타분석에서는 선택지가 많을 때 나타나는 평균적인 부정적 효과가 거의 0에 가까웠고, 연구마다 결과의 차이가 컸습니다 (Scheibehenne et al., 2010). 이후의 개념적 검토와 메타분석에서는 선택 과부하가 나타날 가능성이 선택 과업의 난이도, 선택지의 복잡성, 개인이 자신의 선호를 얼마나 명확히 알고 있는지, 선택에 들이려는 노력과 같은 조건에 따라 달라질 수 있음을 제안했습니다 (Chernev et al., 2015).

이 차이는 중요합니다.

정보가 많으면 오히려 더 좋은 판단이 가능할 수 있습니다.

• 다양한 근거를 비교할 수 있습니다.
• 예외와 반론을 발견할 수 있습니다.
• 불확실성을 줄일 수 있습니다.
• 자신에게 더 적합한 대안을 찾을 수 있습니다.

문제는 정보의 양 자체가 아닙니다.

다음 조건이 겹칠 때 판단의 어려움이 커집니다.

• 무엇을 결정하려는지 목표가 불분명합니다.
• 정보를 평가할 기준이 아직 없습니다.
• 비슷해 보이는 대안이 너무 많습니다.
• 정보들이 서로 충돌하지만 이유가 보이지 않습니다.
• 출처와 확실성의 수준이 섞여 있습니다.
• 정보 사이의 관계가 구조화되어 있지 않습니다.
• 시간은 제한되어 있는데 계속 새로운 정보가 들어옵니다.

따라서 해결책은 무조건 정보를 줄이는 것이 아닙니다.

필요한 정보는 남기되, 무엇이 왜 필요한지 알 수 있게 만드는 것이 중요합니다.

정보가 풍부한 환경에서 좋은 설계는 사용자를 빈곤하게 만들 정도로 정보를 숨기지 않습니다. 대신 사용자가 현재 목표와 기준에 따라 정보의 우선순위와 관계를 볼 수 있게 합니다.

AI는 정보 과부하의 해결책인 동시에 증폭 장치입니다

AI는 정보 과부하를 줄이는 데 매우 유용할 수 있습니다.

긴 문서를 요약하고, 낯선 용어를 풀어주고, 여러 관점을 비교하고, 사용자의 수준에 맞게 설명을 바꿉니다. 검색 결과를 하나씩 열어볼 때보다 훨씬 빠르게 탐색의 출발점을 만들 수 있습니다.

그러나 같은 특성 때문에 AI는 정보 과부하를 키울 수도 있습니다.

AI는 압축합니다

• 긴 내용을 짧게 요약합니다.
• 여러 자료의 공통점을 모읍니다.
• 복잡한 표현을 쉽게 바꿉니다.
• 사용자의 질문과 관련된 부분을 먼저 제시합니다.

AI는 증식시킵니다

• 한 번의 질문에 많은 주장과 개념을 동시에 제시합니다.
• 추가 질문을 할 때마다 새로운 설명을 생성합니다.
• 반론, 예시, 대안, 후속 질문을 사실상 무한히 늘릴 수 있습니다.
• 서로 다른 확실성을 가진 내용을 같은 유창한 문체로 제시할 수 있습니다.
• 생성된 모든 내용을 하나의 긴 시간순 대화에 쌓을 수 있습니다.

요약은 정보량을 줄이지만, 요약을 이해하기 위해 다시 질문하면 새로운 정보가 생깁니다. 비교는 선택을 돕지만, 비교 기준을 추가할수록 대안은 더 복잡해집니다. 설명은 모르는 것을 줄이지만, 설명 속 새로운 개념은 또 다른 질문을 만듭니다.

이것은 AI의 결함만은 아닙니다.

깊이 탐구한다는 것 자체가 새로운 정보를 만나고 질문을 확장하는 과정이기 때문입니다.

문제는 탐구가 확장되는 동안 그것을 담는 환경이 정보의 관계를 보존하지 못할 때 생깁니다.

AI는 정보를 줄여주기도 하지만, 생각할 거리를 줄여주지는 않습니다.

오히려 좋은 답변일수록 더 많은 반론과 적용 가능성, 추가 질문을 열어줄 수 있습니다.

따라서 AI 시대의 도구는 정보의 생산량만 최적화해서는 안 됩니다. 정보가 늘어나는 동안 사용자의 판단이 길을 잃지 않도록 설계되어야 합니다.

판단의 부담은 세 가지로 나눠볼 수 있습니다

정보 과부하라는 말 하나에는 서로 다른 문제가 섞여 있습니다.

Thinket의 설계 관점에서는 이를 적어도 세 가지 부담으로 나누어볼 수 있습니다. 이것은 심리학에서 합의된 공식 분류를 그대로 옮긴 것이 아니라, 어떤 부분을 인간에게 남기고 어떤 부분을 도구가 도와야 하는지 구분하기 위한 제품적 틀입니다.

1. 인식론적 부담: 무엇이 사실인가?

• 이 주장은 정확한가?
• 근거는 충분한가?
• 출처는 신뢰할 만한가?
• 사실과 해석이 구분되어 있는가?
• 다른 자료와 충돌한다면 무엇을 더 확인해야 하는가?

이 부담은 완전히 제거할 수 없습니다.

어떤 도구도 모든 상황에서 사용자를 대신해 진실을 판정할 수는 없습니다. 특히 중요한 결정일수록 원자료를 읽고, 출처를 확인하고, 분야의 기준을 적용하는 일은 인간에게 남습니다.

2. 맥락적·구조적 부담: 이 정보는 어디에서 왔고 무엇과 연결되는가?

• 어느 문장이나 답변에서 이 질문이 시작되었는가?
• 지금 보고 있는 정보는 최초 질문과 어떤 관계인가?
• 어떤 하위 질문에서 이 주장이 등장했는가?
• AI의 답변은 어떤 근거와 전제 위에 놓여 있는가?
• 서로 비교해야 할 두 답변은 무엇인가?

이 부담의 상당 부분은 인터페이스가 줄일 수 있습니다.

사용자가 모든 관계를 작업기억에 붙들고 있을 필요 없이, 질문의 출처와 분기, 지나온 경로를 외부에 보존할 수 있기 때문입니다.

3. 메타인지적 부담: 나는 무엇을 알고 무엇을 아직 모르는가?

• 확인한 주장은 무엇인가?
• 아직 검증하지 않은 부분은 무엇인가?
• 읽기만 한 것과 설명할 수 있는 것은 어떻게 다른가?
• 지금의 결론에 대한 확신은 어느 정도인가?
• 탐구가 끝났을 때 무엇이 남았는가?

이 부담 역시 사용자의 몫이지만, 좋은 환경은 현재 상태를 더 잘 보이게 만들 수 있습니다.

질문이 어떻게 갈라졌는지, 어떤 갈래를 아직 탐색하지 않았는지, 어느 답변의 어떤 구절에서 질문이 시작되었는지가 남아 있다면 자신의 이해를 점검할 단서도 더 많아집니다.

이 구분을 통해 Thinket이 무엇을 하려는지 더 정확히 말할 수 있습니다.

Thinket은 무엇이 옳은지 대신 결정하지 않습니다.
무엇이 옳은지 판단하는 데 필요한 맥락을 잃지 않게 합니다.

비판적 사고는 모든 것을 끝없이 의심하는 일이 아닙니다

판단의 중요성을 강조하면 또 다른 함정이 생깁니다.

AI의 모든 문장을 하나씩 검증하고, 모든 출처를 열어보고, 가능한 반론을 끝없이 수집해야 한다고 느낄 수 있습니다. 하지만 이것은 현실적인 비판적 사고가 아니라 검증의 무한 회귀에 가까워질 수 있습니다.

좋은 판단에는 의심뿐 아니라 범위와 종료 기준도 필요합니다.

• 이 결정의 중요도는 어느 정도인가?
• 오류가 생겼을 때의 비용은 얼마나 큰가?
• 지금 필요한 정확도의 수준은 어느 정도인가?
• 독립된 근거를 몇 개까지 확인할 것인가?
• 무엇이 밝혀지면 결론을 바꿀 것인가?
• 어느 불확실성은 현재 남겨두어도 되는가?

예를 들어 일상적인 아이디어를 얻기 위한 질문과 의료적 결정을 위한 질문은 같은 수준의 검증을 요구하지 않습니다. 개념의 대략적인 윤곽을 잡는 단계와 논문의 결론을 비판적으로 평가하는 단계도 다릅니다.

비판적 사고는 모든 정보를 다 확인하는 능력이 아니라, 무엇을 얼마나 확인해야 하는지 결정하는 능력까지 포함합니다.

정보가 많아질수록 중요한 것은 더 오래 탐색하는 일이 아니라, 탐색의 목적과 기준을 잃지 않는 일입니다.

AI의 답을 판단하기 전에 다섯 가지를 묻습니다

AI가 제공한 정보를 그대로 받아들이지 않으면서도 검증에 압도되지 않으려면, 모든 문장을 같은 무게로 다루지 않는 것이 중요합니다.

다음 다섯 질문은 판단의 기준을 세우는 데 사용할 수 있습니다.

1. 나는 지금 무엇을 결정하려는가?

정보를 모으는 목적을 한 문장으로 적습니다.

“이 개념의 기본 원리를 이해하려 한다.”
“두 방법 중 현재 프로젝트에 더 적합한 것을 고르려 한다.”
“이 논문의 결론이 근거로부터 타당하게 도출되었는지 확인하려 한다.”

목적이 없으면 관련 있어 보이는 모든 정보가 중요해집니다.

2. 이 문장은 사실, 해석, 추천 중 무엇인가?

• 사실이라면 근거를 확인할 수 있는가?
• 해석이라면 다른 해석이 가능한가?
• 추천이라면 어떤 가치와 조건을 전제로 하는가?

AI의 한 답변 안에는 서로 다른 종류의 주장이 같은 목소리로 섞일 수 있습니다.

3. 출처와 원문으로 돌아갈 수 있는가?

주장이 어디에서 왔는지 확인합니다.

원문이 있다면 AI의 요약만 읽지 말고, 질문과 관련된 문장을 직접 봅니다. 원문에 없는 해석이 추가되었는지, 문맥이 생략되었는지 살펴봅니다.

4. 이 정보는 나의 맥락에 적용되는가?

일반적으로 맞는 설명도 현재 상황에는 맞지 않을 수 있습니다.

대상, 시점, 목적, 제약조건, 전문성 수준이 달라지면 같은 정보의 유용성도 달라집니다.

5. 무엇이 아직 불확실한가?

결론을 내린 뒤에도 남아 있는 불확실성을 적습니다.

모든 질문을 없애야만 판단할 수 있는 것은 아닙니다. 중요한 것은 무엇을 모른 채 결정했는지 알고 있는 것입니다.

이 다섯 질문의 목적은 AI 사용을 느리게 만드는 데 있지 않습니다.

필요한 판단에는 시간을 쓰고, 필요하지 않은 검증에는 주의를 낭비하지 않도록 만드는 데 있습니다.

판단은 인간에게 남기고, 판단에 필요한 구조는 도구가 맡습니다

AI 시대의 좋은 도구는 두 극단을 피해야 합니다.

하나는 사용자를 더 많은 정보 속에 그대로 내버려두는 것입니다.

다른 하나는 정보를 지나치게 압축하고 결론까지 대신 내려, 사용자가 무엇을 근거로 판단했는지 알 수 없게 만드는 것입니다.

Thinket은 그 사이에서 다른 역할을 지향합니다.

AI의 답변 속 궁금한 부분에서 새로운 질문을 분기하고, 각 질문이 최초 질문에서 어떤 경로를 거쳐 나왔는지 보존합니다. 여러 갈래를 탐색한 뒤에는 전체 트리를 펼쳐 무엇을 확인했고 무엇이 아직 남아 있는지 갈무리할 수 있습니다.

• 어느 답변에서 질문이 시작되었는지 남깁니다.
• 질문들이 서로 어떻게 갈라졌는지 남깁니다.
• 깊이 들어가도 처음 질문으로 돌아오는 경로를 남깁니다.
• 탐색이 끝난 뒤 무엇을 알게 되었는지 되짚을 수 있게 합니다.

이것은 사용자를 대신해 판단하는 기능이 아닙니다.

사용자가 판단에 필요한 관계를 머릿속으로만 유지하지 않게 하는 인지적 오프로딩에 가깝습니다. 인지적 오프로딩은 외부 행동과 도구를 사용해 과업이 요구하는 정보처리 부담을 바꾸는 것을 뜻합니다 (Risko & Gilbert, 2016).

다만 모든 것을 도구에 넘기는 것은 아닙니다.

주장을 의심하고, 근거와 원자료를 확인하고, 서로 다른 설명을 비교하고, 자신의 결론을 내리는 수고는 인간에게 남습니다. 도구가 맡아야 할 것은 긴 대화를 되감고, 질문이 어디에서 갈라졌는지 기억하고, 흩어진 맥락을 작업기억에 붙들어 두는 수고입니다.

판단은 인간에게 남기고,
판단에 필요한 구조는 Thinket이 맡습니다.

더 많은 정보가 아니라, 더 나은 판단을 위한 환경

정보가 풍부해진 것은 분명한 진전입니다.

누구나 어려운 개념을 쉽게 설명받고, 낯선 분야의 출발점을 찾고, 여러 관점을 빠르게 비교할 수 있습니다. 문제는 이 풍부함을 없애는 것이 아닙니다.

정보가 늘어날수록 인간에게 남는 판단의 부담을 보이지 않는 것으로 취급하지 않는 것이 중요합니다.

AI는 답을 빠르게 만들 수 있습니다.

하지만 다음 질문은 여전히 인간에게 남습니다.

• 무엇을 물을 것인가?
• 무엇을 믿을 것인가?
• 어떤 근거를 더 확인할 것인가?
• 나의 맥락에는 무엇이 적합한가?
• 어디에서 탐색을 멈출 것인가?
• 얻은 정보를 어떤 지식으로 연결할 것인가?

이 질문들에 답하기 위해 필요한 것은 정보의 양만이 아닙니다.

주의를 보존하고, 출처를 확인하고, 정보 사이의 관계를 보고, 자신의 불확실성을 인식할 수 있는 환경이 필요합니다.

정보가 흔해질수록, 판단은 더 비싸집니다.

좋은 AI 도구는 그 판단을 빼앗아서는 안 됩니다.

인간이 더 잘 판단할 수 있도록, 판단의 맥락이 사라지지 않게 해야 합니다.