2026년 5월, 워런 버핏과의 점심 식사권이 이베이 경매에서 900만 달러, 한화로 약 135억 원에 낙찰됐다. 4년 만에 부활한 행사였다. 낙찰자는 신원조차 공개되지 않았다. 한 끼 밥값으로 135억을 쓰는 사람이 원하는 건 메뉴가 아니다. 버핏이 수십 년 동안 쌓아온 도메인 지식 — 그 판단의 방식과 사고의 결 자체다.
그런데 이상하지 않은가. AI는 이미 버핏의 투자 철학을 학습했다. 그의 주주 서한은 수십 년치가 공개되어 있고, 인터뷰와 강연은 텍스트로 정리되어 있다. 그러나 시장은 여전히 AI에게 물어보는 대신 135억을 냈다. 이 글은 그 이유를 따진다. 전문가의 도메인 지식이 왜 AI로 대체되지 않는지, 그리고 현장 엔지니어의 경험이 왜 AI 시대에 오히려 무기가 되는지.
135억짜리 점심 — 시장이 도메인 지식에 매긴 가격
버핏과의 점심 경매는 2000년에 시작됐다. 첫 낙찰가는 2만 5천 달러였다. 이후 매년 올랐고, 2022년에는 1,900만 달러(약 285억 원)로 역대 최고가를 찍었다. 올해 낙찰가 135억은 그보다 낮지만, 4년의 공백 뒤 재개된 첫 경매라는 점을 생각하면 여전히 압도적인 숫자다.
낙찰자들이 이 돈을 내는 이유가 뭔지 생각해보면 답은 명확하다. 책에서 못 얻는 것, 데이터에서 못 추출하는 것, AI에게 물어봐도 안 나오는 것 — 바로 살아있는 판단의 맥락이다.
버핏이 어떤 기업을 고르는지는 공개 정보로 추적 가능하다. 하지만 “왜 그때 그걸 샀는지”, “어떤 신호에서 확신을 얻었는지”, “반대 의견을 들었을 때 어떻게 처리했는지”는 텍스트로 기록되지 않는다. 이게 도메인 지식의 핵심이다. 결론은 공개돼 있지만, 결론에 이르는 과정의 질감은 공개되지 않는다.
AI는 왜 도메인 지식을 복사하지 못하는가
AI는 패턴을 학습한다. 버핏의 주주 서한 수십 년치를 학습하면 그의 투자 언어를 흉내 낼 수 있다. “장기 보유”, “경제적 해자”, “내재 가치”라는 단어를 적재적소에 쓴다. 그런데 이건 복사가 아니라 모방이다.
차이는 여기서 나온다.
| 구분 | AI가 할 수 있는 것 | AI가 못 하는 것 |
|---|---|---|
| 정보 처리 | 수만 건의 재무제표 패턴 분석 | “이 숫자의 냄새가 이상하다”는 감지 |
| 언어 생성 | 버핏 스타일의 문장 작성 | 그 문장 뒤에 있는 50년의 실패 경험 |
| 판단 모사 | 과거 결정의 재현 | 처음 보는 상황에서의 즉각 판단 |
| 맥락 이해 | 데이터 기반 추론 | 숫자에 찍히지 않는 현장 분위기 |
AI가 학습하는 건 명시된 지식(explicit knowledge)이다. 문서화된 것, 기록된 것, 언어로 표현된 것. 하지만 전문가의 핵심 역량은 대부분 암묵지(tacit knowledge)에 있다. 말로 설명하기 어렵고, 가르치기도 어렵고, 글로 남기기도 어려운 것들.
버핏이 135억의 가치를 가지는 건 그가 쓴 글 때문이 아니라, 그가 글로 못 쓴 것들 때문이다.
암묵지란 무엇인가 — AI가 수집하지 못하는 경험의 정체
철학자 마이클 폴라니는 이렇게 말했다. “우리는 말할 수 있는 것보다 더 많은 것을 안다(We know more than we can tell).” 이게 암묵지의 정의다.
자전거 타는 법을 생각해보자. 몸의 중심을 어느 방향으로 얼마나 기울여야 하는지 언어로 설명할 수 있는가. 설명할 수 없다. 하지만 몸은 안다. 수천 번 넘어지고 다시 타면서 몸에 새긴 것이기 때문이다.
현장 엔지니어의 도메인 지식도 같은 구조다.
장비 소리가 조금 달라졌을 때 “이상하다”고 느끼는 감각. 어제까지 멀쩡하던 공정 파라미터가 바뀌기 시작했을 때 예측하는 직관. 데이터에는 아직 찍히지 않았지만 경험으로 먼저 감지하는 변화의 전조. 이것들은 매뉴얼에 없고, 보고서에 없고, AI 학습 데이터에도 없다.
AI가 아무리 수백만 개의 공정 데이터를 학습해도, 그 데이터를 수집할 위치를 결정하는 판단은 현장 엔지니어만 할 수 있다. 데이터 설계가 AI 분석보다 먼저인 이유가 여기 있다. 어디에 센서를 붙이고, 어떤 파라미터를 기록할지는 도메인 지식에서 나온다.
도메인 지식이 AI 시대에 무기가 되는 3가지 이유
이유 1. AI는 질문을 모른다 — 도메인 지식이 질문을 만든다
AI는 질문을 받으면 답한다. 하지만 어떤 질문이 의미 있는 질문인지는 판단하지 못한다. 이게 결정적인 차이다.
회귀분석을 예로 들어보자. 회귀분석 모델은 설명 변수를 넣으면 예측값을 뱉는다. 하지만 어떤 변수를 설명 변수로 넣어야 하는지는 AI가 결정하지 못한다. 온도를 넣어야 하는지, 압력을 넣어야 하는지, 아니면 온도와 압력의 비율을 넣어야 하는지 — 이건 현장을 아는 사람만 판단할 수 있다.
버핏도 마찬가지다. 그가 기업을 볼 때 어떤 숫자에 집중하고 어떤 숫자를 무시할지는 50년의 경험에서 나온다. 질문 자체가 도메인 지식이다.
이유 2. AI는 처음 보는 상황에 약하다 — 경험이 변수를 안다
AI는 학습 데이터 안에서 강하다. 하지만 학습 데이터 밖의 상황, 즉 처음 보는 패턴 앞에서는 급격히 불안정해진다.
귀무가설을 세울 때도 같은 얘기가 적용된다. 무엇을 검정해야 하는지는 현장 경험에서 나온다. 어떤 변화가 실제로 의미 있는 변화인지는 데이터가 아니라 경험이 먼저 감지한다. 처음 보는 이상 징후 앞에서 AI는 “이건 데이터 부족”이라고 말하지만, 경험 있는 엔지니어는 “이거 예전에 비슷한 걸 봤다”고 반응한다.
전문가 가치는 바로 이 지점에서 드러난다. 반복된 경험은 새로운 상황에서도 유효한 패턴 인식을 만든다.
이유 3. AI는 책임을 지지 않는다 — 판단에는 무게가 있다
AI의 답변에는 책임이 없다. 틀려도 아무도 처벌받지 않는다. 하지만 현장의 판단에는 무게가 있다. 잘못된 판단은 공정 중단, 불량 확대, 납기 지연으로 이어진다.
버핏이 135억의 가치를 갖는 또 다른 이유가 여기 있다. 그는 자기 돈으로 자기 판단을 실행했다. 수십 년 동안 틀렸을 때 직접 손실을 감수했다. 그 책임의 반복이 판단을 단련시켰다. AI는 틀려도 아무것도 잃지 않는다. 그래서 AI의 “확신”과 버핏의 “확신”은 같은 단어지만 다른 무게다.
현장 엔지니어가 “이 장비 지금 멈춰야 한다”고 말할 때 그 판단의 무게도 같은 구조다. 데이터가 아직 한계치를 넘지 않아도, 경험이 “지금이다”라고 말하면 그 판단에는 수년의 책임 경험이 실려 있다.
마무리 — AI 시대에 도메인 지식이 더 희귀해진다
역설이 있다. AI가 명시적 지식을 빠르게 처리할수록, 암묵지를 가진 사람의 희소성은 높아진다.
모두가 AI에게 같은 질문을 하면, 모두가 비슷한 답을 받는다. 차별점은 사라진다. 반면 좋은 질문을 던질 수 있는 사람, 답의 맥락을 해석할 수 있는 사람, AI가 틀렸을 때 알아챌 수 있는 사람은 점점 더 귀해진다. 그 능력의 원천이 바로 도메인 지식이다.
135억짜리 점심은 버핏의 암묵지에 대한 시장의 가격 매기기다. 현장 경험도 같은 구조의 자산이다. AI가 읽을 수 없는 것들, 말로 설명하기 어려운 것들, 수년의 실패와 수정이 쌓인 감각들 — 그게 AI 시대에 가장 대체하기 어려운 전문가 가치다.
도메인 지식은 배경이 아니다. 무기다.
핵심 요약
| 구분 | 내용 |
|---|---|
| 도메인 지식의 정의 | 현장 경험이 쌓인 암묵지 — 말로 설명하기 어렵고 AI가 학습하기 어려운 판단의 질감 |
| AI의 한계 | 명시적 지식 처리는 탁월, 암묵지·질문 설계·책임 있는 판단은 불가 |
| 전문가 가치의 원천 | 좋은 질문을 만드는 능력 + 처음 보는 상황의 패턴 인식 + 책임 경험의 누적 |
| AI 시대의 방향 | AI를 쓰되, 도메인 지식으로 AI의 질문과 해석을 설계하는 쪽으로 |
함께 읽으면 좋은 글
AI 시대에 도메인 지식이 왜 핵심인지를 데이터 설계 관점에서 더 구체적으로 보고 싶다면:
엔지니어가 AI를 레버리지로 쓰는 구체적인 방법이 궁금하다면:
