베낄 수 없는 것의 값

한 카피라이터가 자기가 쓴 문장을 챗봇에서 거의 그대로 돌려받았다. 출처도, 이름도 없이. 그는 화가 났는데, 정작 더 오래 머문 감정은 다른 것이었다. 이게 나였구나. 내가 평생 갈고닦았다고 믿은 솜씨가, 학습 한 줄로 압축되는구나.

2026년의 풍경은 이렇다. 모델은 사람이 만든 글과 그림과 코드를 빨아들여 학습하고, 이제는 모델이 만든 합성데이터까지 다시 원료로 쓴다. 사람을 베껴 사람을 가르치고, 그다음엔 베낀 것을 베껴 가르친다.

여기서 흔한 반응은 분노다. 2차 수탈이라는 말이 나온다. 내 노동의 결과물이 동의 없이 누군가의 자본이 되었다는. 정당한 분노다. 하지만 분노는 경계를 그어주지 못한다.

분노가 묻는 건 누가 가져갔는가다. 내가 묻고 싶은 건 다른 질문이다. 무엇이 끝내 가져가지지 않는가.

생각해보자. 모델이 학습하는 건 산출물이다. 완성된 문장, 마감된 그림, 머지된 코드. 결과의 표면. 그런데 그 결과가 나오기까지 사람이 한 일의 대부분은 산출물에 적히지 않는다.

쓰지 않기로 한 문장이 데이터에 없다. 세 번 갈아엎은 이유가 없다. 클라이언트의 표정을 보고 방향을 튼 순간이 없다. 모델은 우리가 남긴 것을 배우지, 우리가 버린 것을 배우지 못한다. 판단은 버린 것들의 총합인데 말이다.

그래서 경계는 산출물과 맥락 사이에 그어진다. 베낄 수 있는 건 산출물이다. 베끼기 어려운 건, 그 산출물이 이 상황에 맞는지를 아는 능력이다.

의료를 보자. 진단 모델은 영상 판독에서 전문의를 따라잡았다는 보고가 쌓인다. 그러나 환자에게 나쁜 소식을 어떤 순서로, 어떤 침묵을 두고 전할지는 데이터에 없다. 그건 결과가 아니라 관계다.

법을 보자. 판례 요약은 이미 모델이 더 빠르다. 그런데 이 사건이 판례의 예외가 되어야 하는지를 결정하는 건, 텍스트가 아니라 그 결정에 책임지는 사람이다. 책임은 외부화되지 않는다. 책임질 주체가 없으면 그건 판단이 아니라 출력이다.

여기서 노동의 마지막 해자가 드러난다. 맥락, 책임, 현장. 모델은 평균을 안다. 사람은 이 경우를 안다. 모델은 무엇이 보통 옳은지를 안다. 사람은 지금 여기서 누가 그 결과를 감당하는지를 안다.

그렇다면 일은 어떻게 재정의되는가. 산출물을 생산하던 노동에서, 산출물이 옳은지 책임지고 판정하는 노동으로 옮겨간다. 만드는 사람에서 끝맺는 사람으로. 가치는 생성에서 검증과 결정으로 이동한다.

교육은 이 지점에서 흔들린다. 우리는 오래 정답을 빨리 산출하는 능력을 길러왔다. 그런데 그건 이제 모델이 가장 잘하는 일이다. 남는 교육은, 산출물이 틀렸음을 알아차리는 감각이다. 무엇을 버려야 하는지 아는 훈련이다.

조직도 바뀐다. 결과물의 양으로 사람을 평가하던 구조는 무너진다. 모델이 양을 무한정 찍어내는 세계에서 사람의 몫은, 어떤 양을 내보낼지 책임지고 고르는 일이다. 적게 만들고 깊게 책임지는 쪽으로.

한국은 준비가 되어 있나. 부산의 한 중소 제조 현장을 떠올린다. 매뉴얼은 모델이 완벽하게 안다. 그런데 이 기계가 오늘 왜 평소와 다른 소리를 내는지는, 20년 만진 사람의 손끝에 있다. 그 손끝은 데이터화되지 않았다. 우리 사회는 그 손끝을 보호 대상이 아니라 자산으로 재평가해야 한다. 베낄 수 없는 노동에 값을 매겨야 한다.

반론은 날카롭다. 맥락도 책임도 결국 데이터로 축적되면 모델 안으로 들어온다고. 시간문제일 뿐이라고. 맞는 부분이 있다. 어제의 현장은 오늘 학습된다. 그러나 해자는 특정 기술이 아니라 시간 자체에 있다. 모델은 어제까지를 안다. 책임은 늘 내일에 대해 진다. 학습이 따라잡는 순간, 사람의 일은 이미 다음 경계로 이동해 있다.

그러니 질문을 바꾸자. 기계가 인간처럼 될 것인가는 흥미롭지만 한가한 물음이다. 진짜 물음은 이것이다. 우리는 무엇을 끝내 인간의 일로 남길 것인가. 모델은 우리가 만든 것을 가져간다. 우리가 무엇을 만들지, 그것을 내보낼지 말지 결정하는 일까지 넘길 이유는 없다. 베낄 수 없는 건 답이 아니라, 답에 책임지는 사람이다.