대규모 언어모델(LLM)의 등장으로 누구나 코딩이나 글쓰기 같은 작업을 '어느 정도' 해낼 수 있게 되면서, LLM 활용에 특별한 기술이 필요 없다는 인식이 확산되고 있습니다. 하지만 이는 오해일 수 있습니다. LLM은 모든 사람을 '제너럴리스트'로 만들지만, 특정 분야의 깊이 있는 전문 지식(expertise)을 가진 사용자에게 훨씬 더 큰 가치를 제공한다는 분석이 제기되었습니다.
이 주장의 핵심은 사용자가 가진 도메인 지식이 LLM의 잠재력을 최대한 끌어내는 데 결정적인 역할을 한다는 것입니다. 저명한 수학자 테렌스 타오(Terence Tao) 교수가 챗GPT(ChatGPT)와 야코비안 추측(Jacobian Conjecture)에 대한 대화를 나눈 사례가 대표적입니다. 타오 교수는 짧고 핵심적인 질문을 던지고, 모델의 답변이 틀렸을 때 직접 반박하기보다는 '생각보다 복잡하다'는 식으로 우회적으로 피드백하며 모델을 '수학자 모드'로 유도했습니다. 또한, 모델의 다음 제안을 따르기보다 스스로 새로운 접근 방식을 제시하며 대화를 주도했습니다. 이러한 방식은 단순한 프롬프트(prompt) 기술을 넘어, 타오 교수의 깊은 수학적 이해가 있었기에 가능했습니다. 코드베이스에 대한 깊은 이해를 가진 개발자가 LLM에게 '이 부분이 더 간단할 수 있다'거나 '우리가 이미 X를 하지 않았나?'와 같은 구체적인 질문을 던져 더 나은 솔루션을 얻는 것과 같은 맥락입니다.
결론적으로, LLM은 단순히 정보를 제공하는 도구를 넘어, 사용자의 전문성을 바탕으로 더 정교하고 맞춤화된 결과물을 도출하는 데 기여합니다. 이는 모델 자체의 성능이 아무리 향상되어도, 인간 전문가의 역할이 줄어들기보다는 오히려 '모델에게 정확히 어떤 종류의 해결책을 원하는지' 소통하는 능력이 더욱 중요해질 것임을 의미합니다. 결국, 정보는 모델 안에 이미 존재하지만, 이를 효과적으로 추출하고 활용하는 것은 여전히 '매우 똑똑한 인간'의 몫이며, 이는 인간 전문성의 가치가 AI 시대에도 지속될 것임을 분명히 보여줍니다.