우리는 유용할 것 같은 정보를 저장합니다. 책을 읽고, 기사를 보관하고, 회의를 기록하며, 사진과 메모를 쌓아 둡니다. 디지털화로 저장할 수 있는 양은 크게 늘었고, AI를 사용하면 방대한 기록 속에서 필요한 정보를 찾기도 쉬워졌습니다. 그래도 ‘가지고 있지만 사용할 수 없는 지식’은 사라지지 않았습니다. 저장했다는 사실 자체를 잊을 수도 있고, 찾아내더라도 지금 마주한 문제와 어떤 관계가 있는지 알지 못할 수도 있기 때문입니다.
지식의 의미는 그것이 놓이는 관계에 따라 달라집니다. 예를 들어 ‘작은 규모로 시험한 뒤 확대한다’는 생각이 예전에는 단지 일하는 방식으로만 관련 있어 보였다고 해 봅시다. 나중에 지역 활동을 시작할 때 같은 생각이 적은 수의 참여자부터 시작하는 방법과 연결될 수 있습니다. 지식의 문구는 바뀌지 않았지만 새로운 질문과 연결되면서 다른 가치를 갖게 됩니다. 지식의 가치는 저장되는 순간에만 결정되는 것이 아닙니다.
이 점은 지식을 어떻게 정리해야 하는지에도 영향을 줍니다. 주제별 분류는 유용하지만 같은 지식이 여러 질문과 관련될 수 있습니다. 건강에 관한 연구가 일하는 방식을 설계하는 데 도움이 될 수도 있고, 교통 분야의 사례가 지역사회의 공정성을 생각하는 자료가 될 수도 있습니다. 모든 것을 하나의 선반에만 깔끔하게 넣으면 이런 횡단적인 관계는 보기 어려워집니다. 답은 분류를 없애는 것이 아니라, 분류를 넘어 다시 연결할 수 있는 여지를 남기는 것입니다.
AI는 이러한 재연결을 도울 수 있습니다. 현재의 질문을 출발점으로 삼아 과거의 기록이나 다른 분야의 지식에서 관련 가능성이 있는 자료를 찾고, 사람이 비교할 수 있는 형태로 제시할 수 있습니다. 하지만 AI가 ‘관련 있다’고 판단했다는 이유만으로 그것이 의미 있는 지식이 되는 것은 아닙니다. 비슷한 단어가 사용되더라도 조건이 달라 출처가 참고할 만하지 않을 수 있습니다. 반대로 서로 다른 단어가 비슷한 구조의 문제를 설명할 수도 있습니다. 연결에는 검색을 넘어서는 검토가 필요합니다.
지식은 사용을 통해서도 갱신됩니다. 어떤 생각을 실제 문제에 적용해 보면 그것이 잘 작동하는 조건과 그렇지 않은 조건이 드러납니다. 그 결과를 원래의 지식과 다시 연결하면 다음에 사용할 때 더 풍부한 맥락에서 시작할 수 있습니다. 지식을 완성된 답으로만 저장한다면 이러한 변화는 사라집니다. 질문, 적용, 판단, 결과를 서로 관계 지음으로써 지식은 경험과 함께 성장할 수 있습니다.
Sai＊aus Labo가 지식을 고립된 기사들로만 보지 않고 관계의 네트워크로 생각하는 이유도 여기에 있습니다. 한 기사가 다른 기사에 단순히 링크되는 데 그치지 않고, 어떤 질문을 공유하는지, 관점이 어디에서 다른지, 어떤 조건에서 이전의 이해를 갱신해야 하는지를 통해 연결될 수 있다면 과거의 지식은 다음 질문을 위한 자료가 됩니다. 인간이 새로운 판단을 내릴 때마다 그러한 관계 역시 갱신될 여지가 생길 수 있습니다.
이 순환에서 성장은 지식의 양이 늘어나는 것만을 뜻하지 않습니다. 오래된 지식과 새로운 지식의 관계가 분명해지는 것, 예전에는 서로 별개라고 생각했던 문제들 사이의 공통점을 찾는 것, 반대로 비슷하다고 생각했던 것들 사이에서 조건의 차이를 발견하는 것도 성장일 수 있습니다. 저장된 양이 같더라도 지식을 연결하는 방식이 달라지면 거기서 생겨날 수 있는 이해도 달라집니다.
지식은 가지고 있다는 것만으로도 가능성을 지닙니다. 하지만 그 가능성이 실제 이해가 되는 것은 새로운 질문을 만나 다른 지식이나 경험과 연결될 때입니다. AI가 지식을 다루는 시대에는 ‘얼마나 많이 기억하는가’뿐 아니라 ‘필요할 때 어떤 관계를 다시 만들 수 있는가’가 중요합니다. 아직 미래의 질문을 알지 못하더라도 지식이 다시 연결될 수 있는 여지를 남겨 두는 것은 저장된 정보를 살아 있는 지식으로 바꿀 수 있습니다.
답이 아니라, 이해를.