무언가를 조사하기 시작하면 우리는 더 많은 자료를 원하게 되는 경향이 있습니다. 글을 읽고, 숫자를 모으고, 전문가의 의견을 찾고, AI에게 요약을 요청합니다. 정보가 많아질수록 우리의 판단도 더 신뢰할 수 있게 될 것처럼 느껴지기 때문입니다. 물론 자료가 너무 적으면 중요한 사실을 놓칠 수 있습니다. 하지만 자료가 늘어나는 것과 질문을 이해하는 것은 같은 일이 아닙니다. 열 개의 자료를 읽더라도 각각이 서로 분리된 채라면, 우리가 실제로 무엇을 판단해야 하는지는 여전히 불분명할 수 있습니다.
새로운 교통수단을 도입한 지역을 조사한다고 가정해 봅시다. 이용자 수, 비용, 이동 시간, 환경 영향, 안전성 등 많은 수치를 모을 수 있습니다. 하지만 어느 하나의 숫자도 그 자체로 의미를 결정하지는 않습니다. 이용이 늘었다고 해도, 이용자들이 단지 다른 교통수단에서 옮겨온 것인지, 아니면 이전에는 이동할 수 없었던 사람들이 이용할 수 있게 된 것인지에 따라 의미가 달라집니다. 비용이 낮아졌더라도 서비스 범위가 줄었다면 평가는 달라집니다. 조사에는 사실을 모으는 것뿐 아니라 사실들 사이의 관계를 살펴보는 일도 필요합니다.
AI는 자료를 찾고 그 내용을 정리하는 데 필요한 시간을 크게 줄일 수 있습니다. 이는 조사에 중요한 장점입니다. 한편 요약이 빨라지면 여러 자료가 비슷한 결론으로 압축되어 서로의 차이가 덜 보이게 될 수 있습니다. 같은 주제를 다루는 자료라도 대상 지역, 기간, 조건, 측정 방법이 다르다면 단순히 하나로 합칠 수 없습니다. 조사의 질은 정보를 압축하는 능력뿐 아니라 어떤 차이가 질문에 영향을 미치는지를 찾아낼 수 있는지에도 달려 있습니다.
관계를 살펴보면 반대되는 증거의 의미도 달라집니다. 자신의 견해와 다른 결과 하나를 발견했을 때 그것을 예외로 치부할 수도 있습니다. 하지만 “왜 이 조건에서는 반대의 결과가 나타났을까?”라고 묻는다면 새로운 질문이 생깁니다. 반대되는 증거는 단지 결론을 방해하는 것이 아니라, 그 결론이 어디까지 성립하는지를 보여줄 수 있습니다. 조사는 같은 방향의 정보를 쌓는 것만이 아닙니다. 서로 다른 결과 뒤에 있는 조건의 차이를 찾는 일이기도 합니다.
이때 AI에게 기대할 수 있는 것은 단순히 ‘관련 자료를 더 찾는 것’만이 아닙니다. 어떤 주장을 지지하는 증거와 반대하는 증거를 나누고, 어떤 조건에서 결과가 달라지는지 비교하며, 아직 확인되지 않은 관계를 제시할 수도 있습니다. 하지만 그런 연결이 자동으로 옳아지는 것은 아닙니다. 사람은 여전히 자료의 출처, 대상 집단, 기간, 측정 방법을 확인하고, AI가 연결한 정보가 정말 같은 질문에 답하고 있는지 판단해야 합니다.
조사가 진행되면서 처음의 질문이 달라질 수 있습니다. “이 방법은 효과가 있는가?”라는 질문으로 시작했다가, 진짜 질문은 “누구에게, 어떤 조건에서 효과가 있는가?”라는 사실을 발견할 수 있습니다. 이것은 조사의 실패가 아닙니다. 정보들 사이의 관계를 보면서 처음 질문이 너무 거칠었다는 사실이 드러난 것입니다. 좋은 조사는 답을 처음 질문에 억지로 맞추지 않습니다. 필요하다면 질문 자체를 갱신합니다.
Sai＊aus Labo가 지식을 관계를 통해 다루는 이유도 여기에 있습니다. 하나의 글을 완성된 답으로 고립시키는 대신, 다른 질문, 반증, 조건, 나중에 얻은 지식과 연결할 수 있게 합니다. 그러면 새로운 조사가 시작될 때 이전 글을 단순히 반복해서 사용하는 것이 아니라, “이전의 이해에서 무엇이 달라졌는가”를 살펴볼 수 있습니다. 지식의 가치는 저장되어 있다는 데만 있지 않고, 다음 질문을 통해 다시 검토될 수 있다는 데에도 있습니다.
조사는 정보를 모으는 것에서 시작하지만 거기서 끝날 필요는 없습니다. 사실과 사실, 증거와 반증, 결과와 조건, 과거의 질문과 현재의 질문 사이의 관계를 살펴봄으로써 정보는 판단을 뒷받침할 수 있는 지식에 가까워집니다. AI가 수집을 더 빠르게 만들수록 인간의 사고가 필요한 지점은 자료의 수에서 관계의 의미로 이동합니다. 조사의 깊이는 얼마나 많이 모았는가뿐 아니라 어떤 관계를 발견했는가에 따라서도 달라집니다.
답이 아니라, 이해를.