창의적인 사람이 지금 더 중요한 이유

OpenAI는 사람들이 이제 자사 도구로 매주 30억 장이 넘는 이미지를 만든다고 말합니다. 다른 모델이 만드는 글, 음악, 영상까지 더하면 결론은 뻔해 보입니다. 기계가 몇 초 만에 무난한 창작물을 만들 수 있다면, 예전에 그것을 만들던 사람들은 덜 중요해진다는 것입니다.

증거는 반대쪽을 가리킵니다. AI는 창작물의 바닥을 끌어올리고 그것을 가운데로 끌어당깁니다. 그래서 그것을 다른 곳으로 이끌 수 있는 사람들은 덜이 아니라 더 가치 있어집니다.

혼자서는 더 낫고, 모이면 더 비슷하다

가장 분명한 연구는 2024년 7월 Science Advances에 실린 Anil Doshi와 Oliver Hauser의 연구입니다. 언어 모델에게서 이야기 아이디어를 받은 작가들은 독자들이 더 창의적이고, 더 잘 쓰였고, 더 재미있다고 평가한 이야기를 썼으며, 덜 창의적인 작가일수록 향상 폭이 컸습니다. 하지만 AI와 함께 쓴 이야기들은 서로 더 비슷했습니다. 저자들은 이를 “집단적 새로움을 잃을 위험을 안은 개인 창의성의 증가”라고 설명합니다.

Niklas Holzner, Sebastian Maier, Stefan Feuerriegel이 참가자 8'214명이 참여한 연구 28건을 아울러 2025년에 낸 메타분석은 같은 패턴을 대규모로 확인했습니다. 생성형 AI 혼자서는 창의적 과제에서 사람과 비슷한 성과를 냈습니다. AI와 함께 일한 사람은 AI 없이 일한 사람보다 조금 더 나았습니다. 그리고 AI는 “아이디어의 다양성에 유의미한 부정적 영향”을 미쳤으며, 그 영향은 향상 폭의 약 세 배였습니다.

들쭉날쭉한 경계

획일성만이 위험은 아닙니다. 현재 Organization Science에 실린 Boston Consulting Group과의 현장 실험에서 컨설턴트 758명이 GPT-4를 쓰거나 쓰지 않고 현실적인 과제를 수행했습니다. 모델의 능력 범위 안에 있는 과제에서 AI를 쓴 사람들은 12.2퍼센트 더 많은 과제를 25.1퍼센트 더 빠르게, 분명히 더 높은 품질로 완료했습니다. 그 범위 밖에 놓이도록 고른 과제에서는 AI 없이 일한 동료들보다 정답에 이를 가능성이 19퍼센트포인트 낮았습니다.

저자 중 한 명인 Ethan Mollick은 AI로 만든 답변들이 “전체적으로 보면 다소 균질하고 엇비슷하다”고 지적했습니다. Microsoft Research가 지식 노동자 319명을 조사한 결과, AI에 대한 신뢰가 높을수록 비판적 사고가 줄었고, 일 자체가 기계가 만든 것을 확인하고, 조합하고, 그에 대해 책임지는 쪽으로 옮겨 갔습니다. 도구의 경계가 어디인지 아는 것은 기술적 능력이 아닙니다. 판단입니다.

사람이 가져오는 것

모델은 이미 존재하는 것으로 학습하며, 그대로 두면 가장 그럴듯한 버전을 돌려줍니다. Ted Chiang은 The New Yorker에 쓴 에세이의 부제에서 그 차이를 이렇게 표현했습니다. “예술가는 인공지능에게 근본적으로 낯선 선택을 한다.” 브리프, 프롬프트, 레퍼런스 보드는 각각 선택의 묶음입니다. 사람이 의도적으로 하는 선택이 많을수록 결과가 평균에 맡겨지는 부분은 줄어듭니다.

그 선택은 모델에게 없는 것에 기댑니다. 관점, 특정한 한 청중에 대한 앎, 시도했다가 실패한 것에 대한 기억, 브랜드가 결코 하지 않을 말에 대한 감각입니다. 고용주들도 이를 보는 듯합니다. 세계경제포럼(World Economic Forum)의 Future of Jobs Report 2025에서 창의적 사고는 AI와 빅데이터와 함께 2030년까지 중요성이 계속 커질 것으로 예상되는 역량 가운데 하나입니다.

회사가 이를 잊으면 현장의 사람들이 알아챕니다. The Register에 따르면 2월 영상 플랫폼 Higgsfield는 자사 모션 디자인 도구가 20개가 넘는 창작 일자리를 끝냈다고 자랑하는 게시물을, 그 도구를 쓰는 아티스트들의 반발 끝에 삭제했습니다. Motion Management를 운영하는 Aharon Rabinowitz는 아티스트들의 경력이 끝난 것을 축하하는 것은 “그냥 정말 어리석고 근시안적”이라고 썼고, 그 도구들은 누군가의 일자리를 빼앗을 만큼 좋지도 않다고 덧붙였습니다.

좋은 팀이 AI와 일하는 방식

연구는 획일성 없이 이득을 지키는 방법도 시사합니다. 프롬프트를 쓰기 전에 생각하십시오. Doshi와 Hauser는 작가들이 기계의 아이디어에 닻을 내리는 위험을 설명하므로, 첫 아이디어, 관점, 레퍼런스는 사람에게서 나와야 합니다. Mollick은 둘 다 좋은 성과를 낸 두 가지 작업 방식을 설명합니다. 일에 “사람과 기계 사이의 분명한 선”이 있는 켄타우로스, 그리고 둘을 엮어 짜는 사이보그입니다. 어느 쪽도 결정을 넘기지 않습니다.

실제로 좋은 팀은 기계로 넓게 펼치고 사람으로 좁힙니다. 형용사 대신 레퍼런스를 넣고, 많은 선택지를 요청하고, 대부분을 버립니다. 경쟁사가 내놓는 것과 자기 작업을 비교합니다. 위험은 나쁜 결과물이 아니라 다른 모두의 것처럼 보이는 결과물이기 때문입니다. 그리고 이름이 있는 사람이 사실을 확인하고 최종 승인합니다. 도구를 가장 크게 신뢰하는 순간이 바로 비판적 사고가 떨어지는 순간이기 때문입니다.

crue가 서 있는 곳

저희는 만들기, 변형, 반복 작업에 AI를 쓰며, 그 모두가 더 빨라지기를 바랍니다. Reel에서는 무엇을 만들기 전에 아이디어, 레퍼런스, 고정할 스타일을 사람과 합의하고, 일마다 가장 좋은 모델을 고르며, 사용되는 모든 이미지와 모든 클립은 사람이 고릅니다. 기계는 선택지를 만듭니다. 방향과 거절은 사람이 내놓습니다.

AI는 무난한 결과물을 넘쳐나게 만들었습니다. 바로 그렇기 때문에 그것을 구체적이고, 놀랍고, 옳게 만들 수 있는 사람들은 그 어느 때보다 가치가 있습니다.