AI 시대에 엔지니어의 경쟁력은 더 이상 “답을 아는 것”에 있지 않다. 답을 빠르게 내놓는 일은 이미 AI가 우리보다 잘한다. 진짜 차이를 만드는 건 질문하는 능력이다. 어떤 질문을 던지느냐가 AI에게서 어떤 답을 끌어낼지 결정하고, 그 답을 어떻게 다시 의심해 다음 질문으로 잇느냐가 결과의 깊이를 가른다.
이 글에서는 질문하는 능력이 왜 AI 시대의 핵심 무기가 됐는지를 세 가지 관점으로 정리한다. 정답이 이미 따라잡힌 이유, 문제 앞에서 던지는 두 종류의 질문, 그리고 AI를 자판기가 아니라 대화 파트너로 바꾸는 법까지 — 현장에서 바로 적용할 수 있는 형태로 풀어본다.
질문하는 능력이 중요해진 이유 — 정답은 이미 따라잡혔다
우리는 오랫동안 “정답을 빨리 찾는 사람”을 유능하다고 불렀다. 그런데 그 영역은 AI가 통째로 가져가 버렸다. 코드를 짜고, 보고서를 요약하고, 수백 페이지를 몇 초 만에 정리하는 일에서 인간이 속도로 이길 방법은 없다. 그래서 남는 질문은 단순하다. “그럼 사람은 뭘 해야 하는가.”
여기서 흔한 오해 하나를 짚어야 한다. AI는 직업 전체를 대체하지 않는다. 직업을 이루는 여러 구성 요소 중 “정형화된 일부”를 대체한다. 데이터를 정리하고 선례를 분석하는 일은 빠르게 넘어가지만, 정답이 없는 회색지대에서 무엇을 우선할지 판단하는 일은 그대로 남는다. 기계가 잘하는 것과 사람이 지켜야 할 것을 구분하면 그림이 분명해진다.
| 구분 | AI가 압도하는 영역 | 사람이 지키는 영역 |
|---|---|---|
| 작업 성격 | 정형화·반복·검색 | 비정형·맥락·판단 |
| 속도 | 즉시 답을 생성 | 느리지만 의미를 부여 |
| 의사결정 | 규칙이 명확한 문제 | 정답 없는 회색지대 |
| 핵심 동사 | 처리한다(cure) | 살핀다(care) |
엔지니어에게 이 표가 말하는 건 분명하다. AI가 처리(cure)하는 영역에서 경쟁하지 말고, 맥락을 읽고 무엇이 문제인지 정의하는(care) 영역으로 무게중심을 옮겨야 한다. 그 무게중심이 바로 질문하는 능력이다. 같은 맥락에서 도메인 지식이 AI 시대에 더 중요해지는 이유도 여기에 있다. 어떤 데이터를 봐야 하고 어떤 질문을 던져야 하는지는 현장을 아는 사람만 설계할 수 있기 때문이다.
F1 시나리오로 보는 두 가지 질문 — 심판자와 학습자
F1 레이스에서 이런 상황을 상상해보자. 우승을 다투던 레이스에서 피트 크루가 타이어 교체 타이밍을 한 박자 놓쳤다. 1초가 아쉬운 승부에서 그 한 박자 때문에 순위가 뒤집혔다. 가라지로 돌아온 뒤, 팀은 두 가지 방식으로 질문을 던질 수 있다.
첫 번째는 “누가 늦췄어? 왜 신호를 못 봤어?”라고 책임을 추궁하는 질문이다. 두 번째는 “다음 피트인에서 같은 상황이 와도 0.5초를 줄이려면 무엇을 바꿔야 할까?”라고 가능성을 여는 질문이다. 같은 사건을 보고도 첫 번째 팀은 패배감과 방어만 남기고, 두 번째 팀은 다음 레이스에서 실제로 더 빨라진다.
이 시나리오는 개념 설명을 위한 가상의 상황입니다. 실제 F1 팀의 전략과 다를 수 있습니다.
이 차이가 곧 좋은 질문의 핵심이다. 질문은 크게 심판자의 질문과 학습자의 질문으로 나뉜다. 심판자의 질문은 사람을 향하고, 학습자의 질문은 문제를 향한다.
| 구분 | 심판자의 질문 | 학습자의 질문 |
|---|---|---|
| 향하는 곳 | 사람(누구 책임인가) | 문제(무엇이 원인인가) |
| 전제 | 잘못은 이미 정해졌다 | 바꿀 여지가 남아 있다 |
| 결과 | 패배감·방어·은폐 | 본질 파악·해결책 |
| 다음 행동 | 같은 실수 반복 | 절차 개선 |
현장에서 장비가 멈추거나 측정값이 튀었을 때를 떠올려 보면 이 구분이 더 와닿는다. “누가 세팅을 건드렸어?”로 시작하는 팀은 원인을 끝까지 못 찾는다. 사람들이 입을 닫기 때문이다. 반면 “언제부터, 어떤 조건에서 값이 달라졌나?”로 시작하는 팀은 변곡점을 찾아낸다. 사람과 싸우지 말고 문제와 싸우라는 말은 그래서 단순한 처세술이 아니라 문제 해결 능력을 키우는 구조 그 자체다.
AI를 쓰는 법 — 자판기가 아니라 대화 파트너로
질문하는 능력은 동료에게만 쓰는 게 아니다. AI를 다루는 방식에도 그대로 적용된다. 대부분의 사람은 AI를 자판기처럼 쓴다. 동전을 넣으면 음료가 나오듯, 명령을 넣으면 결과가 나온다고 믿는다. “요약해줘”, “코드 짜줘”, “맛집 5개 찾아줘” — 단답을 받고 그대로 가져다 쓴다. 빠르지만, 여기에는 질문하는 능력이 들어설 자리가 없다.
반대편에는 대화 파트너 모델이 있다. 답을 받은 뒤 그 답을 다시 의심하는 방식이다. “이 근거는 어디서 나왔지?”, “이것 말고 다른 대안은 없나?”, “이 가정이 틀리면 결론은 어떻게 바뀌지?” 이렇게 한 번 더 질문을 던지면 AI는 단순 검색기에서 검증 가능한 사고 파트너로 바뀐다. 자판기와 대화 파트너의 차이를 정리하면 다음과 같다.
| 구분 | 자판기 모델 | 대화 파트너 모델 |
|---|---|---|
| 입력 | 단발성 명령 | 맥락을 깔고 질문 |
| 검증 | 결과를 그대로 사용 | 근거·대안을 되묻기 |
| 결과물 | 평균적인 답 | 내 문제에 맞춘 답 |
| 남는 역량 | 줄어든다 | 질문하는 능력이 자란다 |
실무에서 이 전환은 프롬프트를 짜는 방식부터 다르다. 답을 곧장 요구하기 전에 내 생각의 구조부터 검증받는 메타 프롬프팅이 좋은 예다. AI에게 “이 답이 맞아?”가 아니라 “내 접근이 어디서 틀릴 수 있어?”를 묻는 순간, 질문하는 능력이 곧 실력이 된다. AI가 내놓은 결과를 다시 따져 묻는 할루시네이션 방지 패턴도 같은 원리 위에 서 있다.
여기서 한 걸음 더 나아가면, 정답을 잘 찾는 사람보다 좋은 문제를 잘 내는 사람이 앞선다. 정답 찾기는 AI가 이미 따라잡았다. 누구도 쉽게 답하지 못하는 문제를 던지는 능력, 즉 질문을 설계하는 능력이 다음 단계의 차별점이다. 엔지니어가 평생 “남이 낸 문제의 정답”만 풀어왔다면, AI 시대는 처음으로 직접 문제를 내야 하는 시대인 셈이다.
핵심 요약
- AI는 직업 전체가 아니라 정형화된 구성 요소만 대체한다. 처리(cure)는 AI에게 넘기고, 맥락을 살피는(care) 영역으로 무게중심을 옮긴다.
- 문제가 터지면 심판자의 질문(누구 책임인가) 대신 학습자의 질문(무엇이 원인인가)을 던진다. 사람이 아니라 문제와 싸운다.
- AI는 자판기가 아니라 대화 파트너로 쓴다. 근거·대안·가정을 되묻는 순간 질문이 곧 실력이 된다.
- 정답 찾기는 따라잡혔다. 이제는 좋은 문제를 설계하는 사람이 앞선다.
함께 읽으면 좋은 글
질문 이전에 “기술만으로 부족한 이유”부터 짚고 싶다면 이 글이 좋은 출발점이다.
엔지니어 역량, 기술만으로는 부족한 4가지 이유
AI에게 처음 질문을 던지는 세팅 단계가 궁금하다면 이어서 읽어볼 만하다.
프롬프트 엔지니어링이란 — 생각을 마치기 전에 펜을 들지 말라
AI가 사회·산업에 미치는 흐름을 공식 자료로 더 보고 싶다면 OECD.AI Policy Observatory에서 살펴볼 수 있다.
