무슨 일이냐면요
요즘 AI 제품을 쓰다 보면 이런 경험 한 번쯤 해보셨을 거예요. 챗봇이나 AI 기능한테 뭘 물어보면 아주 자신만만하고 매끄러운 말투로 답을 척척 내놓는데, 막상 확인해보면 틀린 정보인 경우요. 그런데도 AI는 '죄송해요, 이건 제가 잘 모르겠어요' 같은 말을 좀처럼 안 하죠. 제품 성장 전문가 엘레나 베르나(Elena Verna)는 이런 현상을 딱 꼬집어서 'AI 자신감 연극(confidence theater)을 이제 그만두라'고 말해요.
'자신감 연극'이 뭐냐면요, 실제로는 확신이 없는데 확신이 있는 '척'하는 연기를 말해요. AI가 내용의 정확도와는 상관없이, 무조건 당당하고 완성도 높아 보이게 답을 포장하는 거죠. 문제는 이 연기가 사용자를 속이고, 결국엔 제품 전체에 대한 신뢰를 무너뜨린다는 거예요.
왜 이게 문제냐면
사람은 상대방의 말투와 태도로 신뢰도를 판단하거든요. 누가 또박또박 자신 있게 말하면 '아 맞나 보다' 하고 믿게 되죠. AI도 똑같은 착시를 일으켜요. 문법도 완벽하고, 근거처럼 보이는 문장도 붙이고, 표까지 그려주니까 '이 정도로 정리했으면 맞겠지' 싶은 거예요. 이게 바로 위험한 지점이에요.
왜 생기냐면, 요즘 대형 언어 모델(LLM, 사람 말을 배워서 다음에 올 단어를 확률로 예측하는 AI)은 기본적으로 '그럴듯한 문장'을 만들도록 훈련됐지, '내가 얼마나 확신하는지'를 정직하게 표현하도록 훈련된 게 아니거든요. 게다가 제품 회사들도 데모에서 멋져 보이려고 일부러 '모르겠다'는 답을 줄이고 항상 뭔가 그럴듯한 결과를 내놓게 튜닝하는 경우가 많아요. 그래서 겉으로는 똑똑해 보이지만 속으로는 찍고 있는 상황이 벌어지는 거죠.
그럼 어떻게 하라는 거냐
베르나의 메시지는 'AI가 모를 땐 모른다고 말하게 하고, 확신의 정도를 사용자에게 투명하게 보여줘라'는 거예요. 실무에서 적용할 만한 방향은 이런 것들이에요.
- 근거를 함께 보여주기. 답만 툭 던지지 말고 '이 문서의 이 부분을 참고했어요' 하고 출처를 링크로 달아주면 사용자가 스스로 검증할 수 있어요. RAG(검색으로 근거 문서를 찾아 답에 붙이는 방식)를 쓰는 이유가 여기 있죠.
- 불확실성 드러내기. '확실하지 않지만', '이건 추정이에요' 같은 표현을 자연스럽게 허용하고, 신뢰도가 낮으면 낮다고 표시하는 UI를 두는 거예요. 자신감 100%로 위장하는 것보다 훨씬 신뢰가 가요.
- 검증 흐름 만들기. 중요한 작업은 AI가 바로 실행하지 말고, 사람이 한 번 확인하고 승인하는 단계를 두는 거죠. 특히 코드 실행·결제·삭제처럼 되돌리기 힘든 작업일수록요.
업계 맥락
이건 사실 오래된 '캘리브레이션(calibration)' 문제와 연결돼요. 좋은 예측 모델은 '70% 확신'이라고 말했으면 실제로 열 번 중 일곱 번은 맞아야 해요. 그런데 요즘 챗봇들은 90%짜리 말투로 50%짜리 답을 해서 이 균형이 깨져 있죠. 앤트로픽·오픈AI 같은 곳도 모델이 '모른다'고 답하는 능력, 환각(hallucination, 없는 사실을 그럴듯하게 지어내는 현상)을 줄이는 연구에 힘을 쏟고 있어요. 결국 '똑똑한 척'보다 '정직함'이 다음 경쟁력이 되고 있다는 신호예요.
한국 개발자에게
AI 기능을 붙인 서비스를 만들고 있다면, 데모에서 화려해 보이는 것과 실제로 신뢰받는 것 사이에서 균형을 잡아야 해요. 사용자는 한두 번 크게 틀린 답에 데면 그 기능을 아예 안 써버리거든요. '항상 답을 준다'보다 '모를 땐 솔직하고, 근거를 보여준다'가 장기적으로 리텐션(사용자가 계속 남아있는 비율)을 지키는 길이에요. 프롬프트에 '모르면 모른다고 답하라'는 지침을 넣는 것부터, 출력에 출처와 신뢰도를 함께 렌더링하는 것까지 지금 당장 해볼 수 있는 게 많고요.
마무리
핵심은 '자신 있는 척하는 AI보다, 솔직한 AI가 결국 이긴다'는 거예요. 여러분의 서비스는 AI가 '잘 모르겠어요'라고 말할 수 있게 허락하고 있나요, 아니면 무조건 그럴듯한 답을 강요하고 있나요?
🔗 출처: Hacker News