Thinket을 만든 이유

Thinket은 거대한 사업 아이디어에서 시작되지 않았습니다.

공부하고 개발하는 동안 반복해서 겪은 한 가지 불편에서 시작되었습니다.

AI에게 하나를 물으면 긴 답변이 돌아왔습니다. 그 안에는 처음 보는 개념과 확인해야 할 주장, 더 깊이 이해하고 싶은 설명이 여럿 들어 있었습니다.

모르는 개념을 하나씩 다시 물었습니다. 사실관계가 의심스러우면 출처를 찾았고, 논리가 선뜻 납득되지 않으면 반례를 요청했습니다. 새로운 답변에서 또 다른 개념을 발견하면 그 개념을 따라갔습니다.

질문은 계속 늘어났습니다.

그런데 대화가 깊어질수록 이상한 일이 생겼습니다.

많은 내용을 읽었는데 무엇을 배웠는지 선명하지 않았습니다. 여러 주장을 확인했는데 무엇을 믿기로 했는지 기억나지 않았습니다. 지금 보고 있는 질문이 처음 질문과 어떤 관계인지 흐려졌고, 원래 해결하려던 문제로 돌아가려면 긴 대화를 다시 훑어야 했습니다.

더 깊이 알고 싶어서 질문했는데, 깊이 들어갈수록 맥락을 잃었습니다.

AI는 계속 답을 만들었지만, 그 답을 따라 움직인 나의 생각은 하나의 긴 채팅 안에서 흩어지고 있었습니다.

Thinket은 바로 이 경험에서 시작되었습니다.

직접 겪은 문제에서 시작했습니다

처음에는 개인의 사용 습관 문제라고 생각했습니다.

질문을 더 잘 정리하면 될 것 같았습니다. 프롬프트에 목표와 맥락을 길게 적고, 일정한 간격으로 대화를 요약해달라고 요청했습니다. 중요한 답변은 별도의 메모에 복사했고, 주제가 달라지면 새 채팅을 열었습니다.

각 방법은 어느 정도 도움이 되었습니다.

하지만 새로운 문제가 생겼습니다.

한 채팅에 계속 이어가면

맥락은 남지만 대화가 너무 길어졌습니다. 이전 질문을 찾는 데 시간이 들었고, 서로 다른 주제가 한 줄에 섞였습니다.

주제마다 새 채팅을 열면

대화는 짧아졌지만 질문이 어디에서 시작됐는지 끊어졌습니다. 새 채팅마다 원래 맥락을 다시 설명해야 했고, 하위 질문의 답을 처음 문제에 연결하는 일은 사용자에게 남았습니다.

별도의 노트에 정리하면

최종 결과를 보관할 수는 있었지만, 질문이 생긴 순간의 맥락을 계속 수동으로 옮겨야 했습니다. AI와 대화하는 공간, 생각을 정리하는 공간, 결과를 보관하는 공간이 서로 갈라졌습니다.

AI에게 대화를 요약해달라고 하면

정보량은 줄어들었지만 무엇을 남길지 결정하는 일까지 AI에게 맡기게 되었습니다. 내가 중요하게 본 갈래와 AI가 중요하다고 판단한 갈래가 같으리라는 보장은 없었습니다. 질문을 하게 된 이유와 중간에 바뀐 판단이 매끄러운 요약 속에서 사라지기도 했습니다.

어느 방법도 근본적인 관계를 보존하지 못했습니다.

이 질문은 어디에서 생겼는가?
이 질문은 무엇을 확인하기 위해 필요했는가?
이 답을 얻은 뒤 처음 판단은 어떻게 달라졌는가?

문제는 대화가 저장되지 않는 데 있지 않았습니다.

대화 속 질문의 관계가 저장되지 않는 데 있었습니다.

심리학의 관점에서 다시 보았습니다

심리학을 주전공하며 인지부하와 작업기억을 공부해왔기에, 이 경험을 단순한 집중력 부족이나 사용성의 불편으로 넘길 수 없었습니다.

인간이 한 번에 의식적으로 다룰 수 있는 정보는 제한되어 있습니다. 작업기억의 용량을 하나의 고정된 숫자로 단순화해서는 안 되지만, 새로운 요소와 관계를 동시에 유지하고 조작하는 능력에 분명한 한계가 있다는 점은 오랫동안 연구되어 왔습니다 (Cowan, 2001).

AI와 깊이 대화할 때 사용자는 답변의 내용만 처리하지 않습니다.

동시에 다음 정보도 붙들고 있어야 합니다.

• 처음 무엇을 알고 싶었는가
• 현재 질문이 어느 주장과 연결되는가
• 어느 내용은 확인했고 어느 내용은 아직 불확실한가
• 지금 보고 있는 답이 기존 결론을 지지하는가 수정하는가
• 하위 질문이 끝난 뒤 어디로 돌아가야 하는가
• 여러 갈래 중 무엇을 비교해야 하는가

배워야 할 개념 자체가 어렵다면 그 어려움은 피할 수 없습니다.

하지만 질문의 위치와 부모 관계, 지나온 경로까지 작업기억에 붙들어야 하는 것은 학습 내용의 본질이 아닙니다. 인터페이스가 관계를 보여주지 않기 때문에 생기는 추가 과제에 가깝습니다.

인지부하 관점에서 보면, 학습자의 제한된 자원이 두 곳에 동시에 사용되고 있었습니다.

내용을 이해하고 판단하는 일
+
대화의 위치와 질문의 관계를 기억하는 일

후자는 전자를 위해 필요할 수 있지만, 반드시 머릿속에서 수행할 필요는 없습니다.

정보 사이의 관계를 외부에 드러내는 표상은 단순한 장식이 아닙니다. 무엇을 기억해야 하고 어떤 연산을 머릿속에서 수행해야 하는지를 바꿀 수 있습니다 (Zhang & Norman, 1994). 메모와 달력, 도표처럼 과업의 일부를 환경에 맡기는 인지적 오프로딩은 제한된 자원을 다른 판단에 사용할 수 있게 합니다 (Risko & Gilbert, 2016).

그때 문제를 이렇게 다시 정의했습니다.

인간의 탐구는 비선형적으로 갈라지는데, AI 채팅은 모든 것을 시간순으로만 쌓고 있다.

개인이 더 집중해서 해결할 문제가 아니라, 인간의 탐구 방식과 인터페이스의 기록 방식이 어긋난 문제였습니다.

사고는 한 줄로만 흐르지 않습니다

하나의 질문은 보통 하나의 답으로 끝나지 않습니다.

어떤 설명을 이해하다가 모르는 용어를 발견합니다. 그 용어를 확인한 뒤에는 원래 설명의 전제가 잘못되었을 가능성을 발견합니다. 반례를 살펴보다 다른 관점과 비교하게 되고, 새로운 근거를 얻은 뒤 처음 결론을 수정합니다.

탐구에는 여러 움직임이 있습니다.

• 앞으로 나아갑니다.
• 옆으로 갈라집니다.
• 더 기초적인 개념으로 내려갑니다.
• 잠시 보류한 뒤 다른 갈래를 살펴봅니다.
• 처음 질문으로 돌아옵니다.
• 서로 다른 갈래를 비교합니다.

그러나 채팅은 이 모든 움직임을 하나의 방향으로 펼칩니다.

질문 → 답변 → 질문 → 답변 → 질문 → 답변

시간순서는 보존되지만 의미 관계는 보이지 않습니다.

예를 들어 세 번째 질문이 두 번째 답변이 아니라 첫 번째 답변의 한 주장에 대한 검증이어도, 채팅에서는 가장 최근 메시지 아래에 놓입니다. 사용자는 문장의 내용을 기억해 관계를 스스로 복원해야 합니다.

처음에는 이 문제를 ‘긴 채팅의 불편’이라고 생각했습니다.

하지만 더 정확히는 표상의 문제였습니다.

같은 정보도 어떤 관계를 눈에 보이게 하느냐에 따라 수행해야 할 인지 작업이 달라집니다. 시간순 로그는 대화의 기록에는 적합하지만, 질문의 분기와 복귀를 보여주는 지도에는 충분하지 않았습니다.

그래서 채팅을 없애는 대신, 채팅 위에 사고의 구조를 남기기로 했습니다.

첫 번째 설계는 아주 단순한 질문에서 나왔습니다

“답변의 한 문장에서 질문이 생겼다면, 왜 그 질문은 그 문장에 붙어 있지 않을까?”

기존 채팅에서는 답변의 특정 구절이 궁금해도 화면 아래의 입력창으로 이동해야 합니다. 새 질문은 방금 읽은 문장에서 태어났지만, 기록상으로는 대화의 맨 끝에 추가됩니다.

그 순간의 맥락은 사용자의 머릿속에만 있습니다.

그래서 Thinket의 첫 번째 원칙을 세웠습니다.

질문이 생긴 지점에서 바로 갈라질 수 있어야 한다.

사용자가 답변 속 구절을 선택해 질문하면, 새 질문은 그 구절과 연결됩니다. 다시 그 답변에서 질문하면 또 하나의 갈래가 생깁니다.

질문의 순서는 시간만으로 결정되지 않습니다.

어느 답변의 어느 맥락에서 생겼는지가 함께 남습니다.

이 작은 변화는 대화의 의미를 바꿨습니다.

입력창은 단순히 다음 메시지를 보내는 곳이 아니게 되었습니다. 사용자가 무엇에 주목했고, 어디에서 이해가 멈췄으며, 어떤 주장을 의심했는지가 탐구 구조에 남기 시작했습니다.

분기는 질문의 개수만 늘리는 기능이 아니라, 사용자의 관심과 의심이 태어난 위치를 보존하는 기능입니다.

왜 자동 마인드맵이 아니라 직접 분기하게 했을까요?

긴 대화를 AI가 자동으로 요약하고 마인드맵으로 변환하게 할 수도 있습니다.

실제로 이 방식은 빠르고 보기 좋습니다. 사용자가 직접 정리하지 않아도 대화의 주제와 핵심 개념을 한눈에 보여줄 수 있습니다.

그런데 Thinket이 보존하려던 것은 대화의 ‘객관적인 주제 구조’만이 아니었습니다.

같은 답변을 읽어도 사람마다 멈추는 지점이 다릅니다.

• 누군가는 용어의 정의를 묻습니다.
• 누군가는 근거의 질을 의심합니다.
• 누군가는 자신의 상황에 적용되는지 살펴봅니다.
• 누군가는 전혀 다른 개념과의 연결을 발견합니다.

AI가 만든 자동 구조는 글에 포함된 내용을 잘 분류할 수 있습니다.

하지만 사용자가 왜 그 지점에서 질문했는지까지 대신 결정할 수는 없습니다.

질문을 직접 분기하는 행위에는 메타인지적 정보가 들어 있습니다.

• 여기까지는 이해했다.
• 이 부분은 아직 불확실하다.
• 이 주장은 확인이 필요하다.
• 이 개념은 원래 문제와 연결될 것 같다.
• 이 갈래는 지금 더 깊이 들어갈 가치가 있다.

Thinket은 이 선택을 자동화하지 않기로 했습니다.

자동화하면 더 편해질 수 있지만, 사용자의 탐구가 AI가 만든 분류 체계를 따라가게 될 수 있기 때문입니다.

Thinket은 생각의 지도를 대신 그려주는 도구보다, 사용자가 생각하며 지나간 길이 지도에 남는 도구가 되고자 했습니다.

AI는 새로운 질문 후보를 제안할 수 있습니다.

그러나 어떤 질문을 자신의 탐구로 받아들일지는 사용자에게 남아 있어야 합니다.

분기만으로는 충분하지 않았습니다

질문이 갈라지는 모습을 보존하자 새로운 문제가 보였습니다.

깊이 들어갈 수는 있지만, 현재 어디에 있는지 알아야 했습니다.

하위 질문의 답변이 흥미로워 계속 파고들다 보면 처음 질문은 여전히 멀어질 수 있었습니다. 트리가 존재해도 현재 경로를 빠르게 이해하지 못하면 전체 구조를 다시 살펴야 했습니다.

그래서 두 번째 원칙을 세웠습니다.

아무리 깊이 들어가도 처음 질문으로 돌아오는 길이 보여야 한다.

이것이 경로입니다.

현재 질문에서 부모 질문을 거쳐 최초 질문까지 이어지는 맥락을 보여줍니다. 사용자는 하위 개념을 확인한 뒤 자신이 왜 이 갈래에 들어왔는지 복구할 수 있습니다.

그러나 탐구는 돌아오기만 한다고 끝나지 않았습니다.

대화가 끝난 뒤에는 여전히 질문이 남았습니다.

• 무엇을 처음 물었는가?
• 어떤 갈래를 탐색했는가?
• 무엇을 새롭게 알게 되었는가?
• 어떤 판단이 바뀌었는가?
• 아직 확인하지 못한 것은 무엇인가?

그래서 세 번째 원칙을 세웠습니다.

탐색이 끝난 뒤, 넓어진 생각을 다시 펼쳐볼 수 있어야 한다.

이것이 갈무리입니다.

갈무리는 대화를 짧게 요약해주는 기능과 다릅니다.

질문과 답변의 구조를 다시 보며 무엇이 자신의 탐구에서 중요했는지 사용자가 확인하는 과정입니다. 많이 읽고 많이 질문했다는 사실을 배움으로 착각하지 않고, 탐색의 결과를 자신의 이해와 연결할 기회를 만듭니다.

Thinket의 기본 구조는 그렇게 만들어졌습니다.

분기하고, 지나온 경로를 확인하고, 탐색을 하나의 앎으로 갈무리합니다.

작은 수업 프로젝트에서 시작했습니다

이 문제의식을 처음부터 완성된 서비스로 구현한 것은 아닙니다.

서울대학교 컴퓨터공학부 전공 수업의 기말 프로젝트로 작은 프로토타입을 만들었습니다.

핵심은 단순했습니다.

AI 답변의 특정 지점에서 질문을 새로 열고, 그 질문이 어디에서 갈라졌는지 시각적으로 남기는 것이었습니다.

당시 프로토타입은 완성된 제품과 거리가 멀었습니다. 인터페이스는 거칠었고, 실제 사용자가 긴 탐구를 이어가기 위해 필요한 기능도 충분하지 않았습니다.

그럼에도 문제와 해결 방식의 가능성을 인정받아 수업의 Top Project로 선정되었습니다.

중요했던 것은 순위 자체보다, 개인적으로 반복해서 겪은 불편이 다른 사람에게도 설명 가능한 문제라는 사실이었습니다.

• 긴 채팅에서 맥락을 잃는다.
• 질문이 어디에서 생겼는지 알기 어렵다.
• 깊이 탐구할수록 처음 목표로 돌아가기 어렵다.
• 대화는 많이 남지만 무엇을 배웠는지는 구조화되지 않는다.

프로젝트가 끝난 뒤에도 이 문제는 사라지지 않았습니다.

AI는 더 유창해졌고 답변은 더 풍부해졌습니다. 한 번의 대화에서 다룰 수 있는 일도 늘어났습니다. 그만큼 대화 안에서 사용자가 관리해야 할 정보와 질문도 늘어났습니다.

그래서 수업용 프로토타입을 실제로 사용할 수 있는 서비스로 다시 만들기 시작했습니다.

Thinket은 그렇게 프로젝트의 결과물이 아니라, 프로젝트가 끝난 뒤에도 계속 남아 있던 문제에서 자랐습니다.

이름에는 생각이 자라는 방식이 담겨 있습니다

Thinket이라는 이름은 think와 thicket에서 왔습니다.

Thicket은 나무와 덤불이 빽빽하게 자란 숲을 뜻합니다.

하나의 질문은 한 그루의 나무처럼 시작합니다. 답변에서 새로운 질문이 생길 때마다 가지가 뻗습니다. 여러 질문을 탐색한 세션은 서로 다른 나무와 갈래가 모인 숲이 됩니다.

숲은 언제나 반듯하지 않습니다.

어떤 갈래는 깊어지고, 어떤 갈래는 잠시 멈춥니다. 서로 멀어 보였던 가지가 나중에 하나의 생각으로 연결되기도 합니다.

이 은유는 단순히 화면을 아름답게 꾸미기 위한 것이 아닙니다.

Thinket이 전제로 삼는 사고의 모습을 보여줍니다.

• 좋은 탐구는 언제나 직선으로 진행되지 않습니다.
• 질문이 늘어나는 것은 실패가 아닙니다.
• 돌아가는 길도 탐구의 일부입니다.
• 다만 어떤 가지가 어디에서 돋았는지는 잃지 않아야 합니다.

폴리곤으로 표현된 나무 역시 같은 생각에서 출발했습니다.

복잡한 대상을 모든 세부 묘사로 재현하기보다, 핵심적인 면과 연결을 남깁니다. Thinket이 대화에서 하려는 일도 비슷합니다.

모든 문장을 더 많이 보여주는 것이 아니라, 질문과 생각 사이의 중요한 관계를 드러냅니다.

Thinket이 대신하지 않는 것

AI 제품은 무엇을 더 많이 해줄 수 있는지 경쟁합니다.

더 긴 답변, 더 빠른 검색, 더 완성도 높은 결과물, 더 많은 자동화를 약속합니다.

Thinket도 AI의 능력을 사용합니다.

하지만 무엇을 자동화하지 않을지 또한 제품의 중요한 결정이라고 생각합니다.

Thinket은 AI의 답을 모두 참으로 만들어주지 않습니다.

사용자를 자동으로 비판적인 사람으로 만들어주지도 않습니다. 질문을 분기했다는 사실만으로 깊은 학습이 보장되는 것도 아닙니다. 트리 구조가 존재한다고 모든 탐구가 좋은 탐구가 되는 것은 아닙니다.

사용자는 여전히 해야 할 일이 있습니다.

• 무엇을 물을지 결정해야 합니다.
• 어느 답을 믿을지 검토해야 합니다.
• 근거와 해석을 구분해야 합니다.
• 자신의 이해를 확인해야 합니다.
• 어느 갈래를 더 탐색할지 선택해야 합니다.
• 언제 결론을 내리고 언제 유보할지 판단해야 합니다.

Thinket이 하는 일은 더 제한적입니다.

• 질문이 생긴 맥락을 남깁니다.
• 갈라진 질문의 관계를 보존합니다.
• 현재 위치에서 처음 질문까지의 경로를 보여줍니다.
• 탐색이 끝난 뒤 전체 구조를 다시 보게 합니다.

Thinket은 생각을 대신하지 않습니다. 생각이 계속될 자리를 만듭니다.

이 제한은 부족함이 아니라 설계 원칙입니다.

판단의 주도권을 사용자에게 남기기 위한 경계입니다.

더 많은 자동화보다 더 나은 역할 분담

이 연재를 쓰며 반복해서 세운 구분이 있습니다.

• 답을 얻는 것과 배우는 것은 다릅니다.
• 유창하게 읽히는 것과 이해한 것은 다릅니다.
• 정보가 풍부한 것과 판단할 수 있는 것은 다릅니다.
• AI가 기억하는 것과 인간이 알아야 하는 것은 다릅니다.
• 사고의 수고와 인터페이스의 수고는 다릅니다.

이 구분들은 모두 같은 질문으로 이어집니다.

AI에게 무엇을 맡기고, 인간에게 무엇을 남길 것인가?

AI는 답변을 만들 수 있습니다.

질문의 위치와 경로는 인터페이스가 보존할 수 있습니다.

그러면 인간은 더 중요한 일에 주의를 사용할 수 있습니다.

• 문제를 정의합니다.
• 좋은 질문을 선택합니다.
• 근거를 비교합니다.
• 자신의 맥락을 고려합니다.
• 판단을 수정합니다.
• 결과에 책임집니다.

이것은 인간이 모든 과정을 혼자 해야 한다는 뜻이 아닙니다.

AI를 사용하지 말자는 주장도 아닙니다.

AI의 능력을 적극적으로 사용하되, 그 능력이 인간의 학습과 판단을 어디까지 돕고 어디서부터 대신하기 시작하는지 계속 살펴야 한다는 뜻입니다.

좋은 역할 분담은 고정되어 있지 않습니다.

초보자에게는 더 많은 설명과 안내가 필요할 수 있고, 숙련자에게는 더 큰 자유와 직접적인 검증 도구가 필요할 수 있습니다. 같은 사람도 처음 배우는 단계와 독립적으로 수행하는 단계에서 필요한 지원이 달라집니다. 복잡한 학습을 설계할 때 학습자의 전문성과 과제 요구에 따라 지원 방식을 조정해야 한다는 점도 인지부하 연구가 강조해온 부분입니다 (van Merriënboer & Sweller, 2005).

Thinket 역시 답을 대신하는 방향보다, 사용자가 자신의 탐구를 더 잘 주도하게 하는 방향으로 발전해야 합니다.

앞으로도 지키려는 원칙

제품의 기능은 바뀔 수 있습니다.

사용자가 시작하는 방식과 AI 모델, 화면의 세부 구조도 계속 달라질 수 있습니다.

그래도 Thinket이 지키려는 원칙은 분명합니다.

1. 사용자의 질문이 제품의 중심에 있어야 합니다

AI가 만들어낸 주제 분류보다 사용자가 실제로 궁금해하고 의심한 지점을 우선합니다.

2. 답변보다 질문의 맥락을 함께 남겨야 합니다

좋은 답도 어디에서 왜 필요했는지 잃으면 나중에 사용하기 어렵습니다.

3. 깊이 들어갈수록 돌아오는 길이 더 선명해야 합니다

탐구의 깊이가 맥락 손실의 대가가 되어서는 안 됩니다.

4. 생각의 수고를 자동화하지 않아야 합니다

이해하고, 비교하고, 판단하는 활동은 사용자의 몫으로 남깁니다. 대신 그 활동을 방해하는 위치 기억과 구조 복구의 부담을 줄입니다.

5. AI의 유창함보다 사용자의 메타인지를 보호해야 합니다

대화가 많이 생성되었다는 사실보다 무엇을 알고 모르는지 확인할 수 있는 경험을 중요하게 봅니다.

6. 결과물뿐 아니라 판단이 만들어진 경로를 존중해야 합니다

같은 결론이라도 어떤 질문과 근거를 거쳐 도달했는지에 따라 의미가 달라집니다.

이 원칙들은 기능 목록이 아닙니다.

새로운 기능을 만들 때 무엇을 넣고 무엇을 거절할지 판단하는 기준입니다.

답은 넘치지만, 생각은 남아야 합니다

AI는 앞으로 더 정확하고, 더 빠르고, 더 유창해질 것입니다.

더 많은 정보를 찾고, 더 긴 맥락을 처리하고, 더 완성된 결과물을 만들 것입니다.

이 발전은 많은 사람에게 새로운 가능성을 열어줍니다.

그러나 답변 생성 기술이 발전한다고 인간의 이해가 자동으로 깊어지지는 않습니다. 더 많은 답을 받을수록 무엇을 믿고, 무엇을 연결하고, 무엇을 자신의 지식으로 만들지 판단하는 일은 더 중요해집니다.

그리고 그 판단은 하나의 완성된 답에서 일어나지 않습니다.

질문하고, 의심하고, 다른 갈래를 살펴보고, 처음으로 돌아가고, 새 근거에 따라 생각을 수정하는 과정에서 만들어집니다.

Thinket은 그 과정이 한 줄의 채팅 속에서 사라지지 않도록 만들고자 합니다.

AI는 더 많은 답을 제공합니다.

Thinket은 그 답 사이에서 움직인 인간의 생각을 남깁니다.

AI가 답을 만드는 시대,
우리는 생각이 사라지지 않는 환경을 만듭니다.

이것이 Thinket을 만든 이유입니다.