핵심 요약
- 노스웨스턴대 브라이언 우지 교수의 연구에서 AI와 인간의 창의성 테스트 점수는 유사했지만, AI는 과제에 접근하는 더 나은 방법을 제시했다. (출처: 월스트리트저널, 2026)
- AI의 더 나은 방법은 10개의 개별 단어를 바로 생각하는 대신, 매우 다른 10개의 범주를 먼저 정하고 그 안에 단어를 채우는 방식이었다.
- 우지 교수는 "AI를 창의적 파트너로 활용하려면 정답을 묻지 말고 정답에 도달하는 방법을 생각해 내도록 요청해야 한다"고 말했다.
- 메드비 창업자 매튜 갤러거의 성공 사례도 AI에게 답을 구하기보다 AI를 적재적소에 배치하고 조율하는 능력에서 나왔다는 분석이 이를 뒷받침한다.
목차
- 문제 제기 — AI에게 정답만 묻는 사용법의 한계
- 우지 교수의 창의성 실험 설계
- 점수는 같았지만 방법은 달랐다
- "범주를 먼저, 단어는 나중에"라는 접근법
- 프롬프트 엔지니어링에서 프로세스 엔지니어링으로
- 마치며
1. 문제 제기 — AI에게 정답만 묻는 사용법의 한계
많은 사람이 AI를 검색 엔진의 업그레이드 버전처럼 쓴다.
질문을 던지고 답을 받는다.
그런데 이 방식이 AI의 진짜 잠재력을 끌어내지 못한다는 연구 결과가 나왔다.
2026년 초 노스웨스턴대학교 브라이언 우지 교수가 진행한 연구가 이 문제를 정면으로 다뤘다.
인간과 AI 모델에게 동일한 창의성 측정 테스트를 시켜본 결과,
단순히 "정답"을 비교하는 것보다 "어떻게 정답에 도달했는가"의 과정에서 더 중요한 차이가 발견됐다.
(출처: AI타임스, 2026.04.07, 월스트리트저널 인용)
2. 우지 교수의 창의성 실험 설계
실험 설계는 단순하면서도 표준화된 창의성 측정 방법을 사용했다.
인간과 AI 모델에게 창의성을 측정하는 표준 테스트,
즉 최대한 서로 다른 명사 10개를 생각해 내도록 요청하는 연구를 진행한 것이다.
이 테스트는 심리학에서 이른바
발산적 사고(divergent thinking) 를 측정하는 데 흔히 쓰이는 방식이다.
서로 의미적으로 멀리 떨어진 단어를 많이 생각해낼수록 창의성이 높다고 평가된다.
[실험 과제]
"최대한 서로 다른 명사 10개를 생각해 내세요"
[측정 대상]
인간 참가자 vs AI 모델
3. 점수는 같았지만 방법은 달랐다
결과에서 가장 먼저 드러난 것은 점수의 유사성이었다.
AI와 인간의 점수는 매우 유사했는데,
이는 AI가 방대한 양의 데이터에 접근할 수 있었다는 점을 감안하면 의외의 결과다.
AI가 인터넷의 거의 모든 텍스트 데이터에 접근할 수 있다는 점을 고려하면,
단순히 "다른 단어를 많이 안다"는 것만으로는
AI가 인간보다 압도적으로 높은 점수를 받을 거라 예상할 수 있다.
그런데 실제로는 점수가 비슷했다는 것이 첫 번째 발견이다.
그런데 진짜 흥미로운 차이는 점수가 아니라 접근 방식에 있었다.
AI가 더 뛰어난 점은 과제에 접근하는 데 있어서 더 나은 방법을 제시했다는 것이다.
4. "범주를 먼저, 단어는 나중에"라는 접근법
AI가 제시한 더 나은 방법론은 구체적으로 다음과 같았다.
AI는 10개의 개별 단어를 생각하는 대신,
매우 다른 10개의 범주를 생각하고 나서 그 안에 단어를 채워 넣는 방식이다."
이 차이를 비교하면 다음과 같다.
| 접근 방식 | 과정 | 결과물의 다양성 |
| 일반적 접근 (단어 직접 생성) | 머릿속에 떠오르는 단어를 순서대로 나열 | 비슷한 범주 내 단어가 몰릴 위험 |
| AI 제안 접근 (범주 우선) | 먼저 10개의 다른 범주를 정함 → 각 범주에서 단어 채움 | 구조적으로 더 먼 단어들이 보장됨 |
이 방법이 더 나은 이유는 명확하다.
범주를 먼저 정하면
"동물", "감정", "건축물", "색깔"처럼 의미적으로 멀리 떨어진 영역을 의도적으로 확보할 수 있다.
반면 단어를 그냥 떠올리면
무의식적으로 연관된 단어들(예: 강아지→고양이→토끼)이 연속해서 나오기 쉽다.
이것이 AI를 잘 쓰는 법과 직결된다는 분석이다.
즉 AI를 검색 엔진 이상으로 제대로 활용하라는 말이다.
5. 프롬프트 엔지니어링에서 프로세스 엔지니어링으로
우지 교수는 월스트리트저널과의 인터뷰에서 이 발견을 실용적인 조언으로 정리했다.
"AI를 창의적인 파트너로 활용하고 싶다면 정답을 묻는 것이 아니라,
정답에 도달하는 방법을 생각해 내도록 요청해야 한다."
이 원칙을 실제 업무에 적용하면 다음과 같은 질문 전환이 일어난다.
[정답을 묻는 질문]
"이 마케팅 캠페인에 좋은 슬로건 10개를 줘"
[방법을 묻는 질문]
"서로 완전히 다른 10가지 마케팅 전략 카테고리를 먼저 제시하고,
각 카테고리에 맞는 슬로건을 하나씩 만들어줘"
이 원칙은 메드비 창업자 매튜 갤러거의 사례와도 연결된다.
기사는 "갤러거의 사례에서 보듯
중요한 것은 AI라는 도구 자체가 아니라,
이를 어떻게 활용하느냐는 능력입니다"라고 짚었다.
그는 더 나아가 이 흐름이 가리키는 변화의 방향도 제시했다.
"그리고 이는 앞으로 AI로부터 정답을 잘 끌어내는 '프롬프트 엔지니어링'을 넘어,
AI를 적재적소에 배치하고 조율하는 '프로세스 엔지니어링'이
점점 중요해진다는 것으로 볼 수 있습니다."
| 단계 | 핵심 역량 |
| 1단계: 프롬프트 엔지니어링 | 한 번의 질문으로 좋은 답을 끌어내는 능력 |
| 2단계: 프로세스 엔지니어링 | 여러 AI 도구를 어떤 순서·구조로 배치할지 설계하는 능력 |
프롬프트 엔지니어링에서 프로세스 엔지니어링으로의 전환
FAQ
Q: 우지 교수의 연구에서 AI와 인간의 창의성 점수는 어떻게 나왔는가?
A: 동일한 창의성 테스트(서로 다른 명사 10개 생각하기)에서 AI와 인간의 점수는 매우 유사했다.
AI가 방대한 데이터에 접근할 수 있다는 점을 고려하면 의외의 결과였다.
Q: AI가 인간보다 더 잘했던 부분은 무엇인가?
A: 점수 자체가 아니라 과제에 접근하는 방법이었다.
AI는 10개의 개별 단어를 바로 생각하는 대신, 먼저 서로 다른 10개의 범주를 정하고 그 안에 단어를 채우는 방식을 제시했다.
Q: AI를 창의적 파트너로 제대로 활용하는 방법은 무엇인가?
A: 우지 교수에 따르면 AI에게 정답을 직접 묻지 말고, 정답에 도달하는 방법을 먼저 생각해 내도록 요청해야 한다.
이것이 프롬프트 엔지니어링을 넘어선 활용법이다.
Q: 프롬프트 엔지니어링과 프로세스 엔지니어링의 차이는 무엇인가?
A: 프롬프트 엔지니어링은 한 번의 질문으로 좋은 답을 끌어내는 능력이고,
프로세스 엔지니어링은 여러 AI 도구를 어떤 순서와 구조로 배치할지 설계하는 능력이다.
마치며
AI에게 "정답을 줘"라고 요구하는 것은 AI의 가장 강력한 능력을 놓치는 방식이다.
우지 교수의 연구가 보여준 것은
AI가 답 자체보다 답에 도달하는 더 나은 구조를 제시하는 데 강하다는 것이다.
범주를 먼저 정하고 단어를 채우는 단순한 방법론 전환이 결과의 다양성을 크게 바꿨듯,
AI 활용에서도 "무엇을 물을지"보다 "어떻게 접근하라고 요청할지" 를 설계하는 능력이 다음 단계의 경쟁력이 된다.
참고자료
'AI' 카테고리의 다른 글
| AI 에이전트에게도 예외 없다 — 명세서 기반 개발이 무너지는 경우(Garbage In, Garbage Out) (0) | 2026.06.19 |
|---|---|
| 같은 AI를 써도 결과가 160배 다른 이유 — AI는 덧셈이 아니라 곱셈이다 (0) | 2026.06.13 |
| '동료'를 만드는가 vs '일꾼'을 만드는가 — Anthropic과 OpenAI의 철학이 만든 다른 AI 도구 (1) | 2026.05.31 |
| "틀려도 좋으니 지적해 줘" — AI 반론 요청법이 답변 품질을 바꾸는 이유 (1) | 2026.05.28 |
| IDE 시대가 끝났다 — 구글 안티그래비티 2.0이 선언한 에이전트 우선 개발의 의미 (0) | 2026.05.24 |
