인간의 듣기는 왜 왜곡되는가: 선별성, 편향, 그리고 AI+코드의 등장

인간의 듣기 과정은 단순한 수동적 정보 수용이 아니라, 인지적 한계와 선택 메커니즘에 의해 구조화된 능동적 처리 과정이다. 이 과정의 핵심적 특징은 ‘선별성(selectivity)’에 있다. 인간은 작업기억의 용량이 제한되어 있기 때문에, 외부에서 유입되는 방대한 정보를 모두 처리할 수 없으며, 필연적으로 일부만을 선택적으로 받아들인다. 이러한 선택은 무작위가 아니라, 경험적으로 형성된 휴리스틱(heuristics)과 인지적 틀(schema)에 의해 이루어진다.

이러한 선별성의 작동은 행동경제학 연구에서 명확하게 관찰된다. Sheena Iyengar의 대표적 실험, 이른바 ‘잼 실험(jam study)’에서는 24종류의 잼을 제시한 경우보다 6종류만 제시한 경우 구매율이 약 10배 이상 높게 나타났다. 이후 선택 실험 전반에서 유사한 결과가 반복적으로 확인되었다. Iyengar는 TED Talk by Sheena Iyengar The Art of Choosing에서도 선택의 과잉이 의사결정을 촉진하기보다 오히려 회피를 유발한다고 설명한다. 이 현상은 듣기 상황에서도 동일하게 적용되어, 인간은 많은 발화와 정보 중 일부만을 선택적으로 주목하고 나머지를 배제한다.

문제는 이 선별성이 단순한 정보 축소가 아니라 체계적인 왜곡을 동반한다는 점이다. 인간은 기존 스키마와 일치하는 정보에 더 높은 가중치를 부여하는 경향을 보이며, 이는 확인편향으로 이어진다. 그 결과, 서로 다른 정보 환경이 형성되면서 ‘에코 챔버(echo chamber)’ 현상이 발생한다. 동일한 신념을 공유하는 정보만 반복적으로 접하게 되면, 듣기는 더 이상 외부 현실을 반영하는 창이 아니라 자기 신념을 강화하는 폐쇄적 순환 구조로 변형된다. 이는 현대 SNS 환경에서 극단적으로 강화된 형태로 나타난다.

또 다른 중요한 메커니즘은 기준점(reference)의 가변성이다. 인간의 지각과 판단은 절대적 기준이 아니라 상대적 기준에 의존한다. 큰 자극을 먼저 접한 후 작은 자극을 보면 그것이 실제보다 더 작게 인식되는 ‘대비 효과(contrast effect)’가 대표적이다. 이는 듣기에서도 동일하게 작동하여, 강한 주장이나 극단적 사례를 먼저 접한 후에는 이후 정보의 중요도나 강도가 왜곡되어 평가된다. 즉 인간의 듣기는 항상 고정된 기준 위에서 이루어지는 것이 아니라, 직전에 노출된 정보에 의해 동적으로 재구성된다.

이러한 논의는 Daniel Kahneman의 연구에서 보다 체계적으로 정식화된다. 카네만의 전망이론(Prospect Theory)은 인간이 절대적 효용이 아니라 기준점 대비 손실과 이익으로 판단한다는 점을 밝힌다. 또 다른 주목할 개념은 ‘피크-엔드 규칙(peak-end rule)’이다. 인간은 경험 전체를 평균적으로 평가하지 않고, 경험 중 가장 강렬한 순간(peak)과 마지막 순간(end)에 의해 전체를 기억한다. 예컨대 동일한 길이의 강의라도 중간에 매우 인상적인 순간과 긍정적 마무리가 존재하면 전체 평가가 크게 상승한다. 이는 듣기가 단순한 누적 과정이 아니라, 특정 지점에 의해 재구성되는 기억 중심 과정임을 보여 준다.

이처럼 인간의 듣기는 선별성, 편향, 기준점 의존성, 그리고 기억 재구성이라는 다층적 특성을 지닌다. 이러한 구조적 한계는 인공지능의 등장과 함께 새로운 변화를 맞는다. 인공지능은 인간과 달리 대규모 정보를 병렬적으로 처리할 수 있으며, 강한 선별 과정을 거치지 않고도 방대한 텍스트를 분석할 수 있다. 이는 인간의 정보처리 부족을 보완하는 중요한 기제로 작동한다.

그러나 인공지능 역시 제약을 지닌다. 현재의 인공지능은 주로 텍스트 기반 정보에 의존하며, 인간 커뮤니케이션의 본질적 특징인 비언어적 신호—시선, 표정, 억양, 맥락—를 충분히 반영하지 못한다. 또한 데이터 접근 구조의 제한과 학습 데이터의 편향은 또 다른 형태의 왜곡을 낳는다. 요약과 추론 과정에서 발생하는 정보 압축 역시 새로운 편향을 생성한다.

그럼에도 불구하고 인공지능의 핵심적 의미는 ‘듣기의 외재화’에 있다. 인간 내부에서 수행되던 듣기 과정을 외부 시스템으로 이전할 수 있게 된 것이다. 예컨대 뉴스 데이터를 크롤링하고 임베딩하여 의미 구조를 분석하는 시스템은 인간의 듣기를 기계적으로 확장한 형태다. 이는 단순한 보조가 아니라, 듣기의 범위 자체를 확장시키는 변화다.

현재 이러한 외재화는 주로 대규모 수준에서 활용된다. 다수의 대화 데이터 분석, 여론 분석, 문서 집합 분석 등이 대표적이다. 그러나 점차 개인 수준으로 확장되고 있다. 특히 검색 정보 처리, 회의록 요약, 장문 문서 독해, 뉴스 큐레이션, SNS 메시지 분석 등에서 인간의 인지 능력과 ‘AI + 코드’ 결합 시스템 간의 격차는 매우 크다. 개인이 직접 수행하는 듣기는 선별성과 편향에 크게 의존하지만, 코드와 결합된 인공지능은 반복적 처리, 구조화, 필터링을 통해 훨씬 더 안정적이고 확장된 분석을 수행할 수 있다.

여기서 중요한 차이는 단순한 AI 활용이 아니라 ‘AI + 코드’ 결합이다. 단일 AI는 학습된 패턴에 따라 응답하는 수준에 머무를 수 있지만, 코드와 결합될 경우 데이터 수집, 전처리, 구조화, 분석 파이프라인이 형성되면서 처리 용량과 정밀도가 비약적으로 증가한다. 이는 개인 수준에서도 일종의 ‘확장된 인지 시스템’을 구축하는 것을 의미한다.

결론적으로, 인간의 듣기는 본질적으로 제한된 인지 구조 위에서 작동하며, 선별성과 편향, 기준점 의존성, 기억 재구성이라는 특성을 지닌다. 인공지능은 이러한 한계를 보완하면서 동시에 새로운 제약을 도입한다. 그러나 ‘AI + 코드’ 기반의 외재화된 듣기 체계가 확산될수록, 듣기는 더 이상 개인의 생물학적 능력에 제한되지 않는 확장된 인지 행위로 재정의된다. 이는 듣기의 본질 자체를 변화시키는 구조적 전환이라 할 수 있다.

---

특히 우리가 혼동하기 쉬운 지점은 ‘AI 활용’과 ‘AI + 코드 결합’의 차이다. 단순히 AI를 사용하는 경우는 주로 대화창에 질문을 입력하고 답변을 받는 방식에 머무른다. 이 경우 AI는 이미 주어진 정보나 제한된 입력을 기반으로 응답을 생성할 뿐이며, 정보의 수집·선별·구조화 과정은 여전히 인간에게 의존한다. 따라서 인간의 선별성, 즉 무엇을 보고 무엇을 배제할 것인가라는 문제는 근본적으로 해결되지 않는다.

반면 ‘AI + 코드’는 듣기 과정 전체를 하나의 처리 시스템으로 재구성한다는 점에서 질적으로 다르다. 예를 들어 수천 건의 신문 기사 중에서 특정 주제와 관련된 기사만 자동으로 수집하고, 이를 분류한 뒤 요약하여 핵심 흐름을 파악하는 작업은 인간이 직접 수행하기 어려운 규모다. 그러나 코드로 데이터를 수집하고 필터링한 뒤, AI가 의미를 해석하고 요약하는 방식으로 결합하면 이 과정은 자동화되고 반복 가능해진다. 여기서 중요한 점은, 정보 선별 기준이 인간의 직관이나 순간적 관심이 아니라 사전에 설정된 규칙과 조건에 따라 일관되게 적용된다는 것이다.

유사하게 수백 명의 발화를 전사하고 이를 의미 단위로 분류하는 작업을 생각해 볼 수 있다. 전통적으로는 연구자가 일부 발화를 선택해 해석하는 방식이었지만, AI와 코드를 결합하면 모든 발화를 전수 분석하고, 특정 키워드나 주제, 감정, 논점별로 체계적으로 분류할 수 있다. 이는 ‘많은 메시지 중 일부를 선택하는 인간적 선별’에서 ‘전체를 처리한 후 기준에 따라 구조화하는 기계적 선별’로의 전환을 의미한다.

현재 이러한 방식은 주로 집단적 차원에서 먼저 활용되고 있다. 여론 분석, 언론 보도 분석, 인터뷰 데이터 분석, 정책 평가, 맞춤형 보고서 생성 등이 그 예다. 이 영역에서는 이미 인간의 듣기를 대체하기보다, 훨씬 더 넓은 범위와 일관성을 갖는 확장된 듣기 체계가 작동하고 있다.

그러나 개인 차원에서도 기술적으로는 동일한 수준의 활용이 가능하다. 예컨대 연구자가 다수의 인터뷰를 진행하는 경우, 모든 대화를 녹음한 뒤 자동 전사하고, 주제별로 정리하며, 반복적으로 등장하는 의미 패턴을 추출할 수 있다. 또는 개인이 관심 있는 분야의 뉴스, 논문, SNS 데이터를 지속적으로 수집·분석하여 자신의 지식 구조를 업데이트하는 것도 가능하다. 이는 더 이상 ‘기억과 메모에 의존하는 듣기’가 아니라 ‘데이터로 축적되고 재분석 가능한 듣기’다.

그럼에도 현재 개인 수준에서 이러한 활용이 제한적인 이유는 기술적 불가능성 때문이 아니라 사용 방식의 문제에 가깝다. 대부분의 사용자는 AI를 단순한 질문-응답 도구로만 사용하며, 코드와 결합된 데이터 처리 방식이나 AI의 맞춤화(customization)를 충분히 활용하지 않는다. 그 결과 AI가 가진 한계—맥락 이해 부족, 데이터 의존성, 요약 왜곡—가 더 크게 드러나게 된다.

결국 ‘AI + 코드’는 단순한 도구의 추가가 아니라, 듣기 방식 자체의 구조적 전환을 의미한다. 인간이 제한된 정보 속에서 일부를 선택하는 방식에서 벗어나, 가능한 한 많은 정보를 수집한 뒤 명시적 기준에 따라 분석하고 재구성하는 방식으로 이동하는 것이다. 이 전환이 개인 수준까지 확산될 때, 듣기는 더 이상 개인의 인지 능력에 묶인 행위가 아니라, 외부 시스템과 결합된 확장된 인지 과정으로 자리 잡게 된다.

---

여기서 ‘AI + 코드’라는 표현은 단순한 기술 결합을 의미하기보다, 하나의 통합된 인지 구조로 이해할 필요가 있다. 이를 보다 명확하게 표현하면, ‘자동화된 확장 인지 시스템(automated extended cognition system)’이라 할 수 있다. 이 시스템의 핵심은 인간이 직접 수행하던 정보 수집, 선별, 정리, 해석의 전 과정을 외부에 위임하면서도, 그 결과를 즉각적으로 활용할 수 있다는 점에 있다.

이때 중요한 변화는 단순한 처리 능력의 증가가 아니라, ‘과정의 비가시화’다. 전통적으로 연구자는 방대한 자료를 수집하고, 이를 읽고, 분류하고, 의미를 해석하는 데 상당한 시간과 의식적 노력을 투입해야 했다. 즉 듣기와 해석은 본질적으로 고도의 집중과 반복을 요구하는 ‘연구적 활동’이었다. 그러나 자동화된 확장 인지 시스템이 도입되면, 이러한 과정은 사용자가 직접 인식하지 않아도 수행된다. 사용자는 단지 결과를 요청하고 확인하는 수준에 머무르며, 복잡한 처리 과정은 시스템 내부에서 자동으로 이루어진다.

이로 인해 기존에는 연구자나 전문가 집단에 한정되었던 분석 능력이 개인의 일상적 듣기 행위로 확장된다. 예컨대 과거에는 수백 건의 인터뷰를 분석하거나, 장기간 축적된 뉴스 데이터를 종합적으로 이해하는 작업이 연구 프로젝트 수준에서만 가능했다. 그러나 이제는 개인도 자신의 관심사에 맞춰 정보를 자동 수집하고, 핵심만 요약하며, 반복되는 패턴을 파악할 수 있다. 중요한 점은 이러한 과정이 ‘노력의 축적’이 아니라 ‘접근의 방식’에 의해 결정된다는 것이다.

이 변화는 듣기의 성격 자체를 전환시킨다. 기존의 듣기는 제한된 정보 속에서 무엇을 선택할 것인가에 집중된 행위였다면, 자동화된 확장 인지 시스템 하에서는 가능한 한 많은 정보를 확보한 뒤, 사전에 설정된 기준에 따라 구조화하고 재해석하는 행위로 전환된다. 이는 인간의 선별성에 의존하던 듣기에서, 시스템 기반의 일관된 처리로 이동하는 것을 의미한다.

동시에 이러한 변화는 새로운 형태의 개인차를 만들어낸다. 전통적으로 듣기 능력은 개인의 선천적 지적 능력, 장기간의 학습, 그리고 교육을 통해 축적되는 것으로 이해되어 왔다. 즉 듣기의 질은 개인 내부에 축적된 인지 자원에 의해 결정되는 것으로 간주되었다. 그러나 자동화된 확장 인지 시스템이 보편화되는 환경에서는, 이러한 설명만으로는 충분하지 않다. 동일한 개인이라 하더라도 어떤 시스템을 활용하는가에 따라 정보의 범위, 구조화 수준, 해석의 깊이가 현저하게 달라질 수 있기 때문이다. 이 점에서 듣기 능력은 더 이상 전적으로 개인 내부의 능력에 귀속되지 않으며, 개인이 어떤 인지적 도구와 환경을 구성하고 있는가에 의해 크게 좌우된다.

물론 선천적 능력과 학습의 중요성이 사라지는 것은 아니다. 그러나 그 위에 ‘시스템 차이’라는 새로운 결정 변수가 추가되면서, 듣기 능력의 격차는 기존과는 다른 방식으로 재편될 가능성이 크다. 다시 말해, 과거에는 ‘얼마나 잘 생각하는가’가 결정적이었다면, 이제는 ‘어떤 구조로 듣고 있는가’가 점점 더 중요해지는 방향으로 이동하고 있다. 이러한 변화는 개인 간 인지 격차를 완화할 수도 있지만, 반대로 새로운 형태의 격차를 더욱 확대시킬 수도 있다는 점에서, 듣기의 미래를 이해하는 데 핵심적인 문제로 남는다.