1. 작업할때 항상ai를 초대하라.
2. 인간이 주요과정에 계속 개입하라.
3. ai를 사람처럼 대하고 어떤 유형의사람인지 알려줘라.
4. 지금사용하는 ai를 최악의 ai라고 생각하라.
AI 이전 vs. AI 이후, 핵심 차이 한눈에 보기
1. 뭐가 달라졌나?
- AI 이전
- know-how(어떻게 하는지) 중요
- 하나하나 암기해서 쌓는 Bottom-up 방식
- 이미 알고 있는 원칙에 대입하는 연역적 사고
- AI 이후
- know-where(어디서 찾을지) 중요
- 문제를 먼저 정의하고 푼 뒤에 필요한 정보 끌어오는 Top-down 방식
- 구체적 사례나 데이터를 모아서 패턴을 찾아내는 귀납적 사고
2. 쉽게 풀어보면
- 과거엔
- 직접 다 외우고, 직접 머리로 계산하고, 공식에 대입해서 답 찾기
- ‘이 공식을 쓰면 되지?’ 하고 이미 있는 지식으로 해결
- 이제는
- 문제를 내 머리에서 먼저 딱 정의
- “이걸 해결하려면 어떤 정보가 필요할까?”를 AI에게 물어보고
- AI가 찾아준 정보·예시를 바탕으로 답을 만들어내기
3. “AI를 뇌의 절반처럼” 활용하기
- 문제 설정(내 역할)
- 내가 풀어야 할 핵심 질문을 정확히 정리
- 정보 탐색(AI 역할)
- “이런 데이터, 이런 사례, 이런 방법론 어디서 찾아줘”
- AI가 빠르게 수집·요약
- 분석·판단(내 역할)
- AI가 준 자료에서 의미 있는 패턴·인사이트 뽑아내기
- 최종 의사결정·창의적 해결책 제시
요약:
- 외울 건 AI한테 맡기고,
- 문제 정의와 최종 판단은 내 머리에 집중!
이렇게 하면 AI가 뇌의 절반처럼 빠르고 효율적으로 일해줄 거예요.
최종판단과 창의적 해결을 잘하려면 ‘뇌에도’ 꼭 필요한 지식과 사고의 틀(framework)을 갖춰야 합니다.
다만, 모든 세부 정보를 다 외울 필요는 없고, 핵심 원칙·경험·패턴 인식을 중심으로 채워두면 충분해요.
1. 뇌에 담아둘 ‘필수’ vs. AI에 맡길 ‘부수적’
뇌에 담기 (내 역할)AI에 맡기기 (도우미 역할)
| • 핵심 이론·프레임워크 | • 최신 데이터·통계·사례 수집 |
| • 업계·도메인별 주요 원칙 | • 문헌·보고서·뉴스 원문 요약 |
| • 과거 경험·사례에서 얻은 인사이트 | • 특정 키워드 기반 자료 링크·출처 제공 |
| • 비판적 사고·의사결정 기준 | • 반복적 계산·단순 비교·정량 분석 |
2. 뇌에 꼭 넣어야 할 것들
- 핵심 프레임워크
- 퍼포먼스 평가 (예: 투자라면 P/E, ROE, 밸류에이션 모델)
- 문제 해결 프로세스 (예: MECE, 로직 트리, 가설 검증 순서)
- 메타인지 전략
- 내가 아는 것 vs. 모르는 것을 구분
- 판단 기준(리스크·리턴, 비용·효과) 미리 정의
- 패턴 인식 경험
- 과거 성공·실패 사례 정리 (Zettelkasten, 노션 등으로 기록)
- 자주 쓰는 사례와 결과를 반복 확인
3. AI와 협업하는 뇌 활용법
- 질문 설계
- “이 프레임워크에 맞춰 최근 3년 한국 반도체밸류에이션 트렌드 알려줘”
- 자료 검토·필터링
- AI가 준 요약문에서 핵심값(예: 성장률, P/B 밴드 위치)만 뽑아 비교
- 비판적 검증·통합
- AI 데이터가 내 프레임워크·판단 기준과 어울리는지 확인
- 필요하면 추가 질문으로 디테일 보강
4. 실전 팁
- 핵심 원칙만 외워두고, 세부치는 AI에게 맡기세요.
- 주기적 복습(스페이스트 리피티션)으로 프레임워크·핵심지표 유지.
- 노트 테이킹 시스템(Zettelkasten, 마인드맵)으로 인사이트 저장.
- AI에게 퀴즈 내기: “이 개념을 설명해줘” → 내 대답과 비교
결론
뇌에는 ‘의사결정의 나침반’이 될 핵심 원칙과 경험만 채우고,
AI에게는 ‘바다 같은’ 세부정보 수집과 요약을 맡겨
둘이 함께 빠르고 정확하게 일하도록 만드는 게 목표입니다!
ai로 인해 교육, 학습법의 페러다임이 크게 바뀔듯.
https://www.youtube.com/watch?v=c5GXfPCE52E
반응형
댓글