티스토리 뷰
AI 시대에 가장 중요한 능력은 결국 문제해결능력이라고 생각합니다
AI를 잘 다루는 사람이 앞으로 무조건 경쟁력 있는 인재가 될까요?
저는 꼭 그렇지는 않다고 생각합니다. 물론 AI를 활용하는 능력은 앞으로 점점 더 중요해질 것입니다.
ChatGPT와 같은 생성형 AI를 이용하면 몇 분 만에 자료를 조사하고, 보고서를 작성하고, 데이터를 분석하고, 코드를 만들고, 이미지와 영상을 제작할 수도 있습니다. 과거에는 전문적인 지식이나 많은 시간이 필요했던 작업의 진입장벽이 AI를 통해 빠르게 낮아지고 있습니다.
그런데 저는 바로 이 지점에서 한 가지 의문이 생겼습니다.
모두가 AI를 사용할 수 있게 된다면, 단순히 AI를 사용할 줄 안다는 것이 과연 나만의 특별한 경쟁력이 될 수 있을까요?
AI 도구 자체는 특정 사람만 사용할 수 있는 기술이 아닙니다. 시간이 지나면서 더 사용하기 쉬워지고 있으며, 앞으로는 우리가 검색엔진이나 스마트폰을 사용하는 것처럼 자연스러운 기본 도구가 될 가능성이 높습니다. 그렇다면 결국 사람 사이의 차이는 다른 곳에서 만들어질 것입니다.
저는 그중에서도 가장 중요한 능력 중 하나가 문제해결능력(Problem Solving)이라고 생각합니다. 여기서 말하는 문제해결능력은 단순히 주어진 문제의 정답을 빠르게 찾는 능력을 의미하지 않습니다. 현재 상황에서 무엇이 문제인지 발견하고, 문제의 원인을 파악하고, 복잡한 문제를 해결 가능한 단위로 나누고, 필요한 정보를 찾고, 해결 방법을 설계하고, 실제로 실행한 뒤 결과를 검증하고 다시 개선하는 능력을 의미합니다. 오히려 AI가 발전할수록 이러한 능력은 더욱 중요해질 수 있습니다.
AI는 질문을 받으면 수많은 해결책을 제시할 수 있습니다. 코드를 작성해 달라고 하면 코드를 만들어 주고, 마케팅 전략을 요청하면 여러 전략을 제안하며, 사업 아이디어를 요청하면 순식간에 수십 개의 아이디어를 만들어 냅니다.
하지만 그 전에 반드시 인간이 결정해야 하는 것이 있습니다.
“우리가 지금 해결해야 하는 진짜 문제는 무엇인가?”입니다.
예를 들어 어떤 서비스의 사용자가 갑자기 감소했다고 생각해 보겠습니다. AI에게 단순히 “서비스 사용자를 늘리는 방법을 알려줘.”라고 질문할 수도 있습니다. 그러면 AI는 광고, 이벤트, 추천 시스템, SNS 마케팅, UX 개선 등 다양한 방법을 제시할 것입니다.
하지만 정말 광고가 부족해서 사용자가 감소한 것일까요?
회원가입 과정이 너무 복잡한 것일 수도 있습니다. 첫 사용 경험이 좋지 않아 가입한 사람들이 바로 이탈하고 있을 수도 있고, 기존 사용자가 서비스를 다시 방문해야 할 이유가 부족한 것일 수도 있습니다. 특정 업데이트 이후 오류가 발생했거나 경쟁 서비스가 등장했을 가능성도 있습니다. 문제를 제대로 정의하지 않은 상태에서 해결책부터 찾으면 아무리 뛰어난 AI를 사용하더라도 엉뚱한 문제를 열심히 해결하게 될 수 있습니다.
그래서 저는 AI 시대의 경쟁력은 단순히 “AI에게 좋은 답을 받는 능력”에서 끝나지 않는다고 생각합니다. 오히려 중요한 것은 AI에게 무엇을 맡겨야 하는지를 결정할 수 있을 정도로 문제 자체를 이해하는 능력입니다.
문제를 발견하고, 원인을 의심하고, 문제를 작은 단위로 분해하고, 가설을 세우고, 필요한 정보를 수집하고, AI를 적절한 단계에 활용하고, 결과가 정말 문제를 해결했는지 검증하는 것.
AI는 이 모든 과정을 엄청나게 빠르게 만들어 줄 수 있습니다. 하지만 어떤 문제를 해결할 것인지, 어디서부터 시작할 것인지, 그리고 나온 결과가 정말 좋은 해결책인지 판단하는 역할은 여전히 매우 중요합니다. 그래서 저는 앞으로 AI를 잘 사용하는 사람과 AI를 이용해 실제 문제를 해결할 수 있는 사람 사이에는 생각보다 큰 차이가 생길 것이라고 생각합니다. AI에게 답을 받는 사람과 AI를 이용해 문제를 해결하는 사람은 다릅니다. 그리고 AI가 누구에게나 강력한 도구를 제공하는 시대가 될수록, 결국 특별한 인재를 만드는 것은 도구 그 자체가 아니라 그 도구를 가지고 어떤 문제를 발견하고 어떻게 해결하느냐가 될 것이라고 생각합니다.
AI가 발전할수록 문제해결능력의 가치는 오히려 높아질 수 있습니다
과거에는 어떤 결과물을 만들어 내기 위해 직접 수행해야 하는 과정이 많았습니다.
웹사이트를 하나 만들기 위해서는 HTML, CSS, JavaScript와 같은 기술을 익혀야 했고, 데이터를 분석하려면 SQL이나 Python을 사용할 줄 알아야 했습니다. 보고서를 작성하려면 직접 자료를 검색하고 내용을 읽은 뒤 핵심 내용을 정리해야 했으며, 디자인을 만들기 위해서는 디자인 프로그램을 다루는 방법도 배워야 했습니다. 즉, ‘직접 할 수 있는 능력’ 자체가 상당한 경쟁력이었습니다.
하지만 생성형 AI가 발전하면서 이러한 구조가 조금씩 바뀌고 있습니다.
이제는 자연어로 원하는 기능을 설명하면 AI가 코드의 초안을 작성해 주고, 수십 페이지의 자료를 빠르게 요약하며, 데이터를 전달하면 분석 방향을 제안하기도 합니다. 이미지나 영상 역시 전문 프로그램을 오랫동안 배우지 않아도 AI를 이용해 빠르게 초안을 만들 수 있습니다.
물론 그렇다고 해서 기존의 전문지식이 필요 없어지는 것은 아닙니다. 오히려 AI가 만들어 낸 결과를 검토하고 수정하려면 해당 분야에 대한 이해가 필요합니다.
다만 저는 실행의 진입장벽이 낮아질수록 다른 능력의 가치가 상대적으로 높아질 것이라고 생각합니다. 바로 문제를 정의하고 해결 과정을 설계하는 능력입니다. 예를 들어 한 카페의 매출이 최근 20% 감소했다고 생각해 보겠습니다. 단순히 AI에게 “카페 매출을 올리는 방법을 알려줘.”라고 질문하면 할인 이벤트, SNS 마케팅, 신메뉴 개발, 멤버십 도입 등 수많은 아이디어를 받을 수 있습니다.
하지만 문제해결능력이 뛰어난 사람이라면 바로 해결책부터 찾지 않을 것입니다.
먼저 질문을 바꿉니다. “매출은 왜 감소했을까?”
그리고 매출이라는 큰 문제를 더 작은 문제로 나누기 시작합니다. 방문 고객 수가 감소했는지, 고객 한 명당 평균 결제 금액이 줄었는지, 신규 고객 유입이 줄었는지, 기존 고객의 재방문율이 떨어졌는지 확인할 수 있습니다. 시간대별 매출이나 메뉴별 판매량을 비교해 볼 수도 있고, 주변에 새로운 경쟁 매장이 생겼는지도 살펴볼 수 있습니다.
그러면 처음에는 단순히 ‘매출이 떨어졌다’였던 문제가 점점 구체적인 형태로 바뀝니다. 예를 들어 분석 결과 점심시간 방문객은 그대로인데 오후 시간대 재방문 고객이 크게 감소했다는 사실을 발견했다고 가정해 보겠습니다. 이제 문제는 “매출을 어떻게 올릴까?”가 아니라 “왜 오후 시간대 기존 고객의 재방문율이 감소했을까?”로 바뀝니다. 이 순간부터 AI의 활용 방법도 완전히 달라집니다. 고객 데이터를 분석하게 할 수도 있고, 가능한 원인에 대한 가설을 만들게 할 수도 있으며, 경쟁 매장을 조사하거나 고객 인터뷰 질문을 설계하도록 요청할 수도 있습니다. 가설을 확인한 이후에는 다시 AI와 함께 해결책을 만들고 작은 실험을 설계할 수도 있습니다. 결국 같은 AI를 사용하더라도 어떤 문제를 입력하느냐에 따라 얻을 수 있는 결과의 수준이 달라지는 것입니다.
저는 이것이 AI 시대에 문제해결능력이 더욱 중요해지는 이유라고 생각합니다. AI가 실행의 속도를 높여 줄수록 사람은 더 높은 단계의 질문을 해야 합니다. 무엇이 문제인지 발견하고, 왜 발생했는지 의심하고, 복잡한 문제를 작은 단위로 분해하고, 어떤 정보를 확인해야 하는지 판단하며, 여러 해결책 가운데 무엇을 실행할지 결정해야 합니다.
결국 AI 시대의 경쟁력은 단순히 ‘얼마나 많은 일을 직접 할 수 있는가’에서 끝나지 않을 것입니다.
‘어떤 문제를 해결해야 하는지 알고 있는가.’ 그리고 ‘AI를 포함한 여러 도구를 이용해 그 문제를 실제 해결까지 끌고 갈 수 있는가.’
저는 이 능력이 앞으로 특별한 인재를 구분하는 중요한 기준 중 하나가 될 것이라고 생각합니다.
문제해결능력이 뛰어난 사람은 문제를 그대로 받아들이지 않습니다
그렇다면 문제해결능력이 뛰어난 사람은 일반적으로 어떤 방식으로 문제를 바라볼까요?
저는 가장 중요한 차이가 눈앞에 보이는 현상을 곧바로 문제라고 생각하지 않는 태도에 있다고 생각합니다.
예를 들어 어떤 앱에서 사용자 이탈률이 높아졌다고 가정해 보겠습니다. 처음에는 자연스럽게 “사용자가 많이 이탈하는 것이 문제다.”라고 생각할 수 있습니다.
하지만 이것은 문제라기보다 하나의 현상에 가깝습니다. 문제해결을 위해서는 한 단계 더 들어가야 합니다.
사용자는 어느 화면에서 가장 많이 이탈하는지, 신규 사용자와 기존 사용자의 이탈률에 차이가 있는지, 특정 업데이트 이후 이탈률이 증가했는지, 회원가입 과정에서 문제가 발생하는지 등을 확인해야 합니다.
그러다 데이터를 분석했더니 신규 사용자 대부분이 회원가입 이후 첫 번째 화면에서 서비스를 어떻게 사용해야 할지 몰라 앱을 종료하고 있다는 사실을 발견했다고 생각해 보겠습니다.
이제 문제는 훨씬 구체적으로 바뀝니다. “사용자가 이탈한다.”에서 “신규 사용자가 가입 직후 서비스의 핵심 가치를 이해하지 못한다.”로 바뀐 것입니다. 저는 좋은 문제해결의 상당 부분은 바로 이 과정에서 결정된다고 생각합니다. 문제를 잘못 정의하면 아무리 좋은 해결책을 만들어도 효과가 없을 수 있기 때문입니다.
그래서 어떤 문제가 발생했을 때 저는 곧바로 해결책부터 찾기보다 다음과 같은 순서로 생각하는 습관이 중요하다고 생각합니다.
현상 발견 → 원인 탐색 → 문제 정의 → 문제 분해 → 가설 설정 → 해결책 설계 → 실행 → 검증 → 개선
예를 들어 서비스 사용자가 감소했다면 바로 광고를 시작하는 것이 아니라, 먼저 데이터를 살펴보고 원인을 찾습니다. 원인을 하나로 단정하지 않고 여러 가설도 만들어 봅니다.
‘신규 사용자 유입이 감소했을 것이다.’
‘가입 과정이 복잡해졌을 것이다.'
‘기존 사용자의 재방문율이 떨어졌을 것이다.’
‘경쟁 서비스가 등장했을 것이다.’
그리고 각각의 가설을 확인하기 위해 필요한 데이터를 찾습니다. 여기서 AI는 굉장히 강력한 도구가 될 수 있습니다.
AI에게 가능한 원인들을 함께 브레인스토밍하도록 요청할 수도 있고, 분석해야 할 데이터를 정리하게 할 수도 있습니다. SQL 쿼리를 작성하거나 사용자 인터뷰 질문을 만드는 데 도움을 받을 수도 있으며, 분석 결과를 기반으로 새로운 가설을 세우는 데 활용할 수도 있습니다.
하지만 중요한 것은 AI가 제시한 첫 번째 답을 곧바로 정답이라고 생각하지 않는 것입니다. AI가 제시한 해결책을 다시 질문해야 합니다.
“왜 이 방법이 효과가 있을까?”
“이 가설을 뒷받침하는 근거가 있는가?”
“반대로 이 가설이 틀렸다는 것을 어떻게 확인할 수 있을까?”
“더 근본적인 원인이 존재하지 않을까?”
“이 해결책을 가장 작은 규모로 검증하려면 어떻게 해야 할까?”
이러한 질문을 반복하면서 문제를 점점 구체화하는 것입니다.
저는 AI 시대에는 정답을 빨리 얻는 습관보다 좋은 질문을 계속 만들어 내는 습관이 더욱 중요해질 수 있다고 생각합니다. AI는 우리가 질문한 범위 안에서 놀라울 정도로 많은 해결책을 만들어 줄 수 있습니다. 하지만 처음 설정한 문제가 잘못되어 있다면 AI는 잘못된 방향으로도 매우 빠르게 달려갈 수 있습니다.
그래서 앞으로 AI를 잘 활용하려면 프롬프트 작성법만 배우는 것으로는 부족합니다. 눈앞의 현상을 의심하고, 문제를 더 작은 단위로 나누고, 원인에 대한 가설을 세우고, 근거를 확인하며, 해결책을 실행하고 다시 결과를 검증하는 사고방식을 함께 훈련해야 합니다.
결국 문제해결능력이 뛰어난 사람은 모든 문제의 답을 알고 있는 사람이 아닙니다.
오히려 답을 모르는 상황에서도 무엇부터 확인해야 하는지 알고 있는 사람에 더 가깝습니다.
그리고 저는 바로 이러한 능력이 AI라는 강력한 도구를 만났을 때 더욱 큰 차이를 만들어 낼 것이라고 생각합니다.
AI 시대의 문제해결능력은 어떻게 훈련해야 할까요?
문제해결능력은 단순히 책을 많이 읽거나 문제해결 방법론을 외운다고 해서 갑자기 생기는 능력은 아니라고 생각합니다. 오히려 일상에서 마주치는 작은 문제를 그냥 지나치지 않고, 직접 정의하고 해결해 보는 경험을 반복하면서 만들어지는 능력에 가깝습니다.
그래서 저는 AI 시대에는 무언가를 배울 때 단순히 지식을 습득하는 것에서 끝내지 않고, 배운 것을 실제 문제에 적용해 보는 습관이 중요하다고 생각합니다. 예를 들어 프로그래밍을 공부한다면 문법만 계속 공부하는 것이 아니라 작은 서비스를 직접 만들어 볼 수 있습니다. 데이터를 공부한다면 SQL 문제만 푸는 것에서 끝내지 않고 실제 데이터를 가져와 “왜 특정 지표가 감소했을까? “라는 질문을 만들어 분석해 볼 수 있습니다. AI를 공부한다면 프롬프트 기법을 외우는 것보다 내가 반복적으로 수행하는 일을 하나 선택해 AI를 이용해 개선해 보는 것이 더 좋은 훈련이 될 수 있습니다.
여기서 제가 중요하다고 생각하는 습관이 하나 있습니다.
바로 ’왜?’와 ’ 어떻게?’를 반복해서 질문하는 것입니다. 어떤 현상을 발견했을 때 그냥 받아들이지 않고 질문해 보는 것입니다.
“왜 이런 결과가 나왔을까?”
“왜 사람들은 이 기능을 사용하지 않을까?”
“왜 이 과정은 이렇게 오래 걸릴까?”
“왜 나는 이 작업을 계속 반복하고 있을까?”
그리고 문제를 발견했다면 다시 질문합니다.
“어떻게 하면 더 간단하게 만들 수 있을까?”
“어떻게 하면 자동화할 수 있을까?”
“어떤 데이터를 확인하면 원인을 알 수 있을까?”
“가장 적은 비용으로 이 가설을 검증하려면 어떻게 해야 할까?”
저는 이런 질문을 반복하는 습관 자체가 문제해결능력을 키우는 좋은 훈련이라고 생각합니다.
그리고 이 과정에서 AI를 정답을 알려주는 선생님이 아니라 함께 문제를 탐색하는 파트너처럼 사용하는 것도 좋은 방법입니다.
예를 들어 문제가 발생했을 때 처음부터 “해결 방법을 알려줘. “라고 요청하기보다 이렇게 사용할 수 있습니다. 먼저 현재 상황과 관찰한 현상을 AI에게 설명합니다. 그리고 가능한 원인을 여러 개 만들어 달라고 요청합니다. 그다음 각각의 가설을 검증하려면 어떤 정보가 필요한지 물어봅니다. 필요한 데이터를 수집한 뒤 다시 AI와 분석하고, 가장 가능성이 높은 원인을 좁혀 갑니다. 이후 여러 해결책을 만들고 각각의 장점과 위험을 비교한 뒤, 가장 작은 실험부터 실행해 보는 것입니다.
즉, 문제 발견 → AI와 원인 탐색 → 문제 분해 → 가설 설정 → 정보 수집 → 해결책 설계 → 작은 실험 → 결과 측정 → 다시 개선이라는 하나의 사이클을 반복하는 것입니다.
특히 마지막의 검증과 개선을 빼먹지 않는 것이 중요합니다. 문제해결은 좋은 아이디어를 생각해 내는 순간 끝나는 것이 아니기 때문입니다. 내가 선택한 해결책이 실제로 효과가 있었는지 확인해야 합니다. 예상과 다른 결과가 나왔다면 실패했다고 끝내는 것이 아니라 “왜 예상과 달랐을까? “라는 새로운 문제로 다시 돌아가야 합니다.
저는 이 과정이 개발에서 사용하는 반복적인 개선 방식과도 비슷하다고 생각합니다. 처음부터 완벽한 답을 만드는 것이 아니라 작은 해결책을 만들고, 실행하고, 결과를 확인한 뒤 다시 수정하면서 점점 목표에 가까워지는 것입니다.
그래서 문제해결능력을 키우고 싶다면 거대한 문제부터 해결하려고 할 필요는 없습니다. 학교 혹은 회사생활에서 불편한 점 하나, 프로젝트를 진행하면서 반복되는 작업 하나, 내가 공부하면서 계속 막히는 부분 하나부터 시작해도 됩니다.
중요한 것은 문제를 발견했을 때 그냥 불편하다고 넘어가는 것이 아니라, “왜 이런 문제가 발생했지?” 그리고 “내가 이것을 더 나은 방식으로 바꿀 수 없을까?”라고 질문해 보는 것입니다.
AI 시대에는 해결책을 만들어 주는 강력한 도구가 이미 우리 앞에 있습니다. 그렇기 때문에 저는 앞으로 더욱 중요한 능력은 모든 해결 방법을 머릿속에 가지고 있는 것이 아니라, 해결해야 할 문제를 발견하고, 올바른 질문을 만들고, AI와 다양한 도구를 조합해 끝까지 해결해 보는 능력이라고 생각합니다.
결국 AI 시대의 특별한 인재는 문제를 끝까지 해결하는 사람이라고 생각합니다
AI 시대가 시작되면서 우리는 이전보다 훨씬 강력한 도구를 사용할 수 있게 되었습니다.
몇 년 전만 해도 개발자가 직접 작성해야 했던 코드를 AI가 몇 초 만에 만들어 주고, 수십 개의 자료를 직접 찾아 읽어야 했던 조사 작업도 빠르게 수행할 수 있습니다. 데이터 분석, 문서 작성, 디자인, 번역, 영상 제작처럼 전문적인 기술이 필요했던 영역에서도 AI가 사람의 작업을 빠르게 보조하기 시작했습니다.
앞으로 AI가 더욱 발전한다면 우리가 직접 수행해야 하는 작업의 범위는 지금보다 더 줄어들 수도 있습니다.
하지만 저는 이것이 인간의 능력이 중요하지 않아 진다는 의미라고 생각하지 않습니다.
오히려 인간에게 요구되는 능력의 위치가 이동하고 있는 것에 가깝다고 생각합니다.
과거에는 ’ 어떻게 만들 것인가?’가 큰 장벽이었다면 AI 시대에는 점점 더 많은 사람이 강력한 제작 도구를 사용할 수 있게 됩니다.
그렇다면 자연스럽게 더 중요한 질문이 등장합니다.
“무엇을 만들어야 하는가?”
“왜 이것을 만들어야 하는가?”
“우리가 해결하려는 문제는 정확히 무엇인가?”
그리고 마지막으로,
“우리가 만든 것이 실제로 그 문제를 해결했는가?”
저는 앞으로 이 질문들에 답할 수 있는 사람이 더욱 강해질 것이라고 생각합니다.
AI에게 코드를 작성하게 하는 것과 실제 사용자의 문제를 해결하는 서비스를 만드는 것은 다릅니다.
AI에게 마케팅 전략 30개를 만들어 달라고 하는 것과 매출이 감소한 원인을 찾아 실제 매출을 회복시키는 것도 다릅니다.
AI에게 보고서를 작성하게 하는 것과 복잡한 데이터를 분석해 조직이 어떤 결정을 내려야 하는지 제시하는 것 역시 전혀 다른 능력입니다.
결국 중요한 것은 AI를 사용했다는 사실이 아니라 그 도구를 이용해 어떤 문제를 해결했느냐입니다.
그래서 취업이나 포트폴리오에서도 앞으로 이런 차이가 더욱 중요해질 수 있다고 생각합니다.
단순히 “React를 사용할 수 있습니다.”, “Python을 사용할 수 있습니다.”, “생성형 AI를 활용할 수 있습니다.”라고 말하는 것보다, “이런 문제가 있었고 → 원인을 이렇게 분석했고 → 이런 가설을 세웠으며 → AI와 여러 기술을 이용해 이런 해결책을 만들었고 → 실제로 이런 결과를 얻었습니다.”라고 설명할 수 있는 사람이 훨씬 강한 인상을 줄 수 있습니다. 기술은 문제를 해결하기 위한 수단이기 때문입니다. AI 역시 마찬가지입니다.
마무리
저는 AI 시대에 특별한 인재가 되기 위해 반드시 모든 분야의 전문가가 되어야 한다고 생각하지 않습니다. 모든 프로그래밍 언어를 알 필요도 없고, 등장하는 AI 도구를 하나도 빠짐없이 사용할 필요도 없습니다.
오히려 중요한 것은 문제가 발생했을 때 그것을 외면하지 않고 해결 가능한 형태로 바꾸는 능력이라고 생각합니다.
현상을 관찰하고, 왜 그런 일이 발생했는지 질문하고, 문제를 구체적으로 정의하고, 작은 단위로 분해하고, 가설을 세우고, 필요한 정보를 찾아보고, AI와 여러 도구를 이용해 해결책을 만들고, 직접 실행한 뒤, 결과를 검증하고, 실패했다면 다시 원인을 찾아 개선하는 것.
저는 이것이 AI 시대의 문제해결능력이라고 생각합니다. AI는 이 과정에서 인간에게 엄청난 힘을 줄 수 있습니다.
혼자라면 며칠이 걸렸을 자료조사를 빠르게 도와줄 수 있고, 아이디어를 함께 고민할 수도 있으며, 코드를 작성하거나 데이터를 분석하고 결과물을 만드는 과정까지 지원할 수 있습니다.
그러나 강력한 도구를 가지고 있다는 것과 그 도구로 실제 문제를 해결할 수 있다는 것은 다른 이야기입니다.
그래서 앞으로 저는 ’AI를 얼마나 잘 사용하는가?’보다 한 단계 더 나아가 ’AI를 이용해 어떤 문제를 해결할 수 있는가?’를 질문해야 한다고 생각합니다. AI가 더 많은 사람에게 보편화될수록 이 차이는 더욱 중요해질 것입니다.
누구나 비슷한 AI를 사용할 수 있는 시대라면 결국 사람을 특별하게 만드는 것은 AI에 접근할 수 있다는 사실이 아닐 것입니다.
문제를 발견하는 눈, 본질을 파고드는 질문, 복잡한 상황을 구조화하는 사고력, 필요한 도구를 선택하는 판단력, 그리고 해결될 때까지 실행하고 개선하는 힘.
저는 이런 능력을 가진 사람이 AI라는 강력한 도구를 만났을 때 가장 큰 가능성을 만들어 낼 수 있다고 생각합니다.
AI 시대의 특별한 인재는 모든 답을 알고 있는 사람이 아니라, 답이 없는 문제 앞에서도 해결 방법을 찾아 나갈 수 있는 사람입니다.