대규모 언어모델(LLM)의 등장으로 이제 누구나 특정 분야의 전문가가 아니더라도 상당한 수준의 결과물을 만들어낼 수 있게 되었습니다. 과거에는 숙련된 동료나 정확한 인터넷 검색을 통해서만 해결 가능했던 문제들을 LLM에 위임하여 어느 정도 만족스러운 결과를 얻을 수 있게 된 것입니다. 하지만 이러한 변화 속에서도 LLM을 통해 더 큰 가치를 창출하는 핵심은 단순히 프롬프트 기법을 넘어선 '도메인 전문성'에 있다는 분석이 나왔습니다.
세계적인 수학자 테렌스 타오(Terence Tao) 교수가 최근 발견된 야코비안 추측(Jacobian Conjecture)의 반례를 챗GPT(ChatGPT)와 논의한 사례는 이를 명확히 보여줍니다. 타오 교수는 짧고 핵심적인 질문, 간접적인 반박, 그리고 독자적인 도약과 대안 제시를 통해 대화를 주도했습니다. 이는 모델이 초보자에게 설명하듯 장황하게 답하는 것이 아니라, 마치 동료 수학자와 대화하듯 간결하고 깊이 있는 답변을 유도하는 방식입니다. 단순히 대화 형식을 흉내 내는 것만으로는 같은 결과를 얻기 어려우며, 모델의 긴 답변에서 핵심 아이디어를 추출하고 이상한 부분을 판별하는 수학적 이해가 필수적입니다. 마찬가지로 코드베이스에 익숙한 개발자 역시 “더 단순하게 할 수 있지 않은가”, “이미 X를 하고 있지 않은가”처럼 구체적으로 방향을 교정하며 LLM을 훨씬 강력하게 활용할 수 있습니다.
이러한 사례들은 LLM이 만능 해결사가 아니라, 인간의 전문성을 증폭시키는 도구임을 시사합니다. 모델 안에 필요한 정보가 이미 존재하더라도, 원하는 해법의 종류를 정확히 전달하고 이를 끌어내기 위해서는 높은 수준의 판단력과 소통 능력이 필요합니다. 결국 모델 성능이 아무리 향상되더라도, 특정 분야에 대한 깊은 지식과 경험을 가진 인간 전문가의 역할은 계속해서 중요하게 유지될 것입니다. LLM은 단순 반복 작업을 자동화하여 일반적인 생산성을 높이지만, 복잡하고 미묘한 문제 해결 과정에서는 여전히 인간의 전문성이 병목으로 작용하며, 이는 전문가와 비전문가 간의 격차를 오히려 확대할 수도 있습니다.