← 목록 · 06-1 · 공감 — AI로 사람을 이해할 때의 한계 · 원문 script.md

06-1: 공감 — AI로 사람을 이해할 때의 한계

rev3(건 2 FAIL 1 대응, 2026-09-06). 공통 조항 assets/contracts/COMMON.md(SPEC.lock v2, 해시 2b579cf13f400ab8). 계약 assets/contracts/06-1.md(contract.py 생성본, rev2 — 이론 다른 예 IDEO 사례로 지정) · 06-1-rev2.md(GC1~GC3) · 06-1-rev3.md(GC4 — 슬라이드 강사 노트 시간). 소재 assets/market.md. 데이터 04-4 코호트 결과(assets/data/daejeon/README.md 「04-4 코호트 실측」 절) · author-c/probe-dj/3b/data/license.csv. 틀은 author-a/ep-04-4/(현행 규격, SPEC.lock v2). 디자인씽킹은 사업단 것 — 우리는 그 위에 AI를 얹는 절차만 말한다(§0.12-3).

기본 정보

학습 목표

• AI가 만드는 페르소나가 학습 데이터의 평균 인물이라는 것과, 그것이 실제 인터뷰 대상을 대신하지 못하는 이유를 설명할 수 있다
• 데이터 파일이 답할 수 있는 질문과, 사람에게 직접 물어야 하는 질문을 가를 수 있다
• 공감 단계의 주체가 AI가 아니라 질문을 고르는 사람이라는 것을 설명할 수 있다

구성

배정 25분(COMMON §0.1-a — 과목 1차시 도입4·이론6·시연13·정리2). 실측 총량은 26분(rev2b, §0.4-a 산식 — 자가측정 절 참조). 시연 구간의 무발화 조작 시간은 화면 지시에 단가표 유형(파일열기20·열고르기30·검사실행30·AI응답대기30·표작성20·없음0, 초)으로 표기한다. 전환 비용 8초는 전환 칸에서만 센다(§0.4-a).

연결

• 이전: 없음(06 과목 첫 편)
• 다음: 6-2 「정의 — 문제를 한 문장으로 좁힌다」

상세 전개

도입 (4분)

[화면: 「데이터가 답하는 질문 / 사람에게 물을 질문」 두 칸 목록 목업(재구성 — 촬영 시 실제 완성본 화면으로 교체). · 조작: 없음 · 전환: 예]

(축자)

"오늘 정하는 것은 누구의 문제인가입니다."

(요점, 과목이 남기는 것) 06 과목이 시작된다. 이 과목이 남기는 것은 공감·정의·발상과 프로토타입·테스트, 디자인씽킹 네 걸음에 AI를 어디에 얹을 수 있는지 판단하는 절차다. 디자인씽킹 자체는 이 과정을 만든 사업단의 방법론이다. 우리는 그 위에 AI를 쓰는 방법만 얹는다. 네 걸음 중 오늘은 첫 걸음, 공감이다. 네 걸음 모두에서 AI를 쓸 수 있는 자리와 쓰면 안 되는 자리가 따로 있고, 그 경계를 매 편마다 확인한다.

(요점) 공감 걸음에서 원래 하는 일은 사람을 만나 묻고 듣는 것이다. 요즘은 그 앞에 AI에게 먼저 물어보는 순서가 끼어든다. 편해 보이지만, AI가 대답한 것과 사람이 답할 것을 구분하지 않으면 공감이 아니라 짐작이 된다. 오늘은 그 경계를 긋는다. 경계를 긋는 사람은 AI가 아니라 우리다.

(요점, 인물·소재 30초) 이 인물은 식품영양학과를 졸업하고 대전에서 첫 직장을 구하는 중이다. 식품위생·원가·메뉴 구성을 아는 사람만 읽을 수 있는 폐업 이유가 있다고 본다. 오늘도 그 눈으로 자료를 본다.

(요점, 도구) 시연 도구는 04 과목에서 이미 소개한 것을 그대로 쓴다. 오늘은 도구를 다시 설명하지 않고, 그 도구가 내놓은 답을 어떻게 걸러 쓸지만 본다.

(요점) 오늘 시연은 04 과목에서 이미 열어 본 인허가 자료를 다시 연다. 04에서는 그 자료로 폐업률을 셌다. 오늘은 같은 자료를 놓고, 그 숫자 뒤에 있는 사람에게 무엇을 물어야 하는지를 가른다. 같은 표를 두고도 이론이 다르면 다음에 할 일이 달라진다는 것을 오늘 보게 된다.

(축자)

"오늘은 숫자 뒤에 있는 사람에게 무엇을 물을지를 정합니다."

(요점) 첫 화면의 두 칸 목록이 오늘의 결과물이다. 왼쪽엔 데이터 파일이 답하는 질문을, 오른쪽엔 사람에게 직접 물어야 하는 질문을 넣는다. 그 경계를 오늘 시연에서 직접 긋는다. 이 목록은 다음 걸음인 정의에서 그대로 쓰인다. 목록이 완성될 때까지 어느 쪽에 무엇을 넣을지 답을 미리 말하지 않는다.

이론 (6분)

(요점, 도입) 공감은 디자인씽킹 네 걸음의 첫 자리다. 요즘은 이 자리에도 AI를 쓴다 — 사람 대신 질문에 답하는 가상 인물을 만들어 준다. 오늘은 이 가상 인물이 할 수 있는 일과 못 하는 일을 가른다. 잘못 쓰면 한 번도 만나지 않은 사람을 다 이해했다고 착각하게 된다.

(축자, 핵심 정의)

"AI는 학습한 자료의 평균에 가까운 인물을 만듭니다. 실제로 인터뷰한 사람을 대신하지 못합니다."

(요점) 가상 인물은 자료에 자주 나온 말투와 사정을 골라 그럴듯하게 짜 맞춘 결과다. 자료 안에 없는 이야기는 만들지 못한다. 실제 사람 한 명이 가진 특이한 사정, 그 사람만 아는 사연은 가상 인물에게 없다. 여러 사람을 하나로 뭉쳐 낸 평균값이라, 그 평균과 똑같은 사람은 애초에 존재하지 않을 수도 있다. 평균은 누구에게도 딱 맞지 않는 값이라는 것을 여기서 다시 기억해 둔다.

(축자)

"AI가 공감 단계에서 할 수 있는 일은 질문을 다듬는 것, 답을 나누는 것, 빠진 관점을 짚는 것 셋입니다."

(요점) 인터뷰 전에 무엇을 물을지 다듬거나, 모은 답을 종류별로 나누거나, 놓친 관점이 있는지 짚어 주는 데는 쓸 수 있다. 인터뷰 그 자체를 대신하는 일은 이 셋에 들지 않는다. 셋 다 사람이 이미 모은 것을 정리하는 일이지, 없는 것을 새로 만드는 일이 아니다. 이 경계를 넘는 순간, AI는 모르는 것도 답한다 — 모른다고 말하는 대신 그럴듯한 문장으로 빈자리를 채운다. 질문을 다듬는 일과 답을 지어내는 일은 결과물의 모양이 비슷해서 구분하기 더 어렵다.

(요점) 이건 AI가 거짓말을 하려는 것이 아니다. 다음에 올 말로 가장 그럴듯한 단어를 잇는 방식으로 작동하기 때문에, 자료에 없는 자리도 매끄러운 문장으로 메운다. 매끄럽다는 것과 맞다는 것은 다른 말이다. 그래서 공감 단계에서 AI가 만든 문장은 항상 「이 문장이 어느 자료에서 나왔는가」를 되물어야 한다.

(요점, 다른 예) 한 디자인 회사가 농촌 지역의 의료 접근성을 개선하는 과제를 맡았다. 3주 동안 AI로 가상 환자와 가상 의사를 만들어 자료를 모았다. 그런데 실제 환자 한 명, 그 지역에서 일하는 의사 한 명과 한 시간 이야기를 나누자, 3주 치 가상 자료보다 더 깊은 사정이 드러났다. 팀은 그 자리에서 설계 방향을 바꿔, 화면 안에서 끝내는 해법 대신 의사와 환자 사이의 신뢰를 키우는 쪽으로 다시 그렸다. (근거: https://www.ideo.com/journal/the-case-against-ai-generated-users)

(축자)

"가상 인물이 만든 3주보다, 실제 사람과의 한 시간이 더 깊었습니다."

(요점) 가상 인물은 인터뷰를 준비하는 데는 쓸 수 있어도, 인터뷰 그 자체를 대신하지는 못한다. 준비와 대신은 다른 일이다. 이 구분을 놓치면, 3주 걸려 만든 가상 자료를 검증도 없이 그대로 결론으로 쓰게 된다. 오늘 시연에서도 같은 함정을 직접 만들고, 같은 방법으로 되짚는다.

시연 (13분 + 조작)

[화면: 2019 인허가 코호트 2년 내 폐업률 표 — 전체 24.34%(13,665건 중 3,326건, 폐업일자가 인허가일자보다 앞선 8행 제외), 구별 동구 28.4%·대덕구 18.2%(재구성 — 촬영 시 실제 실행 화면으로 교체). · 조작: 표작성 · 전환: 예]

(축자)

"2019년에 문을 연 가게 넷 중 하나는 2년 안에 문을 닫았습니다."

(요점, 이론과 연결) 이론에서 「AI는 학습 자료의 평균 인물을 만든다」고 했다. 이 말을 시연에서 확인하려면, 먼저 확실한 숫자부터 세워 둬야 한다. 04-4에서 이미 구한 값에서 출발한다. 2019년 인허가 13,665건 중 3,326건이 2년 안에 폐업으로 찍혔다 — 폐업일자가 인허가일자보다 앞선 8행은 데이터 오류라 폐업으로 세지 않는다. 비율로 24.34퍼센트, 넷 중 하나꼴이다. 이 전체 값은 구가 없는 「대전광역시」 행 109건까지 포함한 13,665건 전부의 값이다. 구별로 보면 동구가 28.4퍼센트로 앞서는 편이고, 대덕구가 18.2퍼센트로 가장 낮다 — 이 두 값은 그 109건을 뺀 다섯 개 구, 13,556건만 다시 센 것이다. 이 표는 「몇 명이」「어느 구에서」를 답한다. 「그 한 명이 누구였는지」는 답하지 않는다. 이 표만으로 다음 걸음을 이어 가면, 3,326이라는 숫자 안에 있던 사람들은 끝까지 얼굴이 없는 채로 남는다. 확실한 숫자에서 출발했으니, 이제 그 숫자만으로 채울 수 없는 자리를 찾는다.

(축자)

"그 넷 중 하나가 누구였는지는, 이 표만으로는 알 수 없습니다."

(요점) 여기서부터 이론에서 말한 「AI가 만드는 평균 인물」이 실제로 어떻게 나오는지 직접 만들어 본다. 표에 있는 숫자는 확실하다. 확실한 숫자에서 출발해야, 뒤에 나올 가상 인물이 얼마나 다른 자리에서 왔는지가 잘 보인다.

[화면: AI 채팅창 — "폐업한 소상공인의 페르소나를 만들어 줘"를 입력한 응답, 30대 중반·소자본 창업·경쟁 심화로 폐업(재구성 — 촬영 시 실제 실행 화면으로 교체). · 조작: AI응답대기 · 전환: 예]

(요점, 함정 준비) 에이전트에게 "폐업한 소상공인의 페르소나를 만들어 줘"라고 시켜 본다. 에이전트는 곧바로 인물을 하나 그려 낸다 — 30대 중반, 적은 자본으로 시작했다가 경쟁이 심해져 문을 닫았다는 이야기다. 그럴듯하게 들린다. 이 문장 어디에도 방금 구한 24.34퍼센트나 동구·대덕구라는 지역은 나오지 않는다 — 에이전트는 이 파일을 보지 않고, 학습해 둔 다른 자료의 평균으로 답했다.

(재구성 — AI 출력 예시)
이름 없음, 30대 중반, 소자본 창업, 경쟁 심화로 폐업.

(축자)

"이 사람은 없습니다. 자료에 자주 나온 말투를 이어 붙인 평균값입니다."

(요점) 「30대 중반」·「소자본 창업」·「경쟁 심화」는 어디서나 나올 법한 표현이다. 이 편의 인허가 자료 어느 열에도 나이·자본금·경쟁 정도를 적은 열은 없다 — 에이전트가 다른 자료에서 가져온 말이다. 같은 프롬프트를 다시 넣어도 나이나 창업 자본 같은 숫자만 조금 바뀔 뿐, 큰 줄거리는 비슷하게 되풀이된다.

[화면: 같은 채팅창에 "왜 닫았는지 이유도 말해 줘"를 이어 물은 응답 — 상권 쇠퇴·임대료 상승을 단정적으로 나열(재구성 — 촬영 시 실제 실행 화면으로 교체). · 조작: AI응답대기 · 전환: 아니오]

(요점, 함정) 이어서 "왜 닫았는지 이유도 말해 줘"라고 물으면, 에이전트는 망설이지 않고 상권 쇠퇴·임대료 상승 같은 이유를 단정해서 늘어놓는다. 인허가 파일에는 폐업 이유를 적는 열이 없다. 없는 정보를 지어내 채운 것이다. 그럴듯하다고 믿고 그대로 옮기면, 조사하지 않은 것을 조사한 것처럼 쓰는 셈이 된다.

(축자)

"인허가 파일에는 왜 닫았는지가 없습니다. 없는 것을 있는 것처럼 답했습니다."

(요점) 에이전트는 모른다고 말하지 않는다. 물으면 답을 낸다. 그 답이 자료에서 나온 것인지, 자료 밖에서 지어낸 것인지는 물은 사람이 직접 갈라야 한다. 이론에서 본 그 함정이 여기서도 똑같이 나타난다 — 다른 자료로 옮겨도 같은 자리에서 같은 방식으로 걸린다.

[화면: 인허가 파일 다섯 열(개방자치단체명·개방서비스명·인허가일자·폐업일자·영업상태명) 옆에 인물이 적어 내려가는 질문 셋 — 어느 업종이었나·몇 년 버텼나·어느 동네였나(재구성 — 촬영 시 실제 실행 화면으로 교체). · 조작: 표작성 · 전환: 예]

(요점) 인물은 지어낸 답 대신 04-4에서 쓴 인허가 파일 다섯 열을 다시 연다 — 개방자치단체명, 개방서비스명, 인허가일자, 폐업일자, 영업상태명이다. 이 열로 물을 수 있는 질문 셋을 적는다. 어느 업종이었나(개방서비스명), 몇 년을 버텼나(인허가일자부터 폐업일자까지), 어느 동네였나(개방자치단체명)다. 세 질문 모두 파일을 열어 세면 답이 나오는 질문이다 — 사람에게 묻지 않아도 나온다.

(축자)

"이 세 질문은 파일이 답합니다. 왜 닫았는지, 그 뒤에 무엇을 하는지는 파일에 없습니다."

(요점) 세 질문을 먼저 가려내는 이유가 있다. 파일이 이미 답할 수 있는 것까지 사람에게 물으면, 정작 사람만 답할 수 있는 자리에 쓸 시간이 줄어든다. 인터뷰 시간은 짧고, 짧은 시간을 어디에 쓸지는 이 구분에서 정해진다. 세 질문을 파일에서 미리 확인해 두면, 실제 인터뷰에서는 그 확인을 반복하지 않고 다음 자리로 바로 넘어갈 수 있다.

[화면: 「데이터가 답하는 질문 / 사람에게 물을 질문」 두 칸 표 완성 — 왼쪽 세 줄(업종·기간·동네), 오른쪽 두 줄(왜 닫았나·그 뒤 무엇을 하나)(재구성 — 촬영 시 실제 완성본 화면으로 교체). · 조작: 표작성 · 전환: 아니오]

(요점) 왼쪽엔 파일이 답하는 세 질문을 넣는다. 오른쪽엔 파일이 못 답하는 두 질문을 넣는다 — 왜 닫았는지, 그 뒤 무엇을 하는지다. 오른쪽 두 줄이 오늘 만든 결과물이다. 이 자리에 넣을 질문은 사람에게 직접 물어야 나온다. 앞서 에이전트가 지어낸 「상권 쇠퇴」·「임대료 상승」은 이 오른쪽 자리를 채운 것이 아니라, 왼쪽 자리처럼 파일이 답한 척 꾸며 낸 것이었다. 표 하나를 만드는 동안 왼쪽 세 줄과 오른쪽 두 줄이 서로 다른 방법으로만 채워진다는 것이 분명해진다.

(축자)

"왼쪽은 파일이 답합니다. 오른쪽은 사람만 답합니다."

(요점) 이 오른쪽 두 줄이 다음 걸음, 정의로 넘어가는 재료다. 사람을 실제로 만났을 때 이 두 질문부터 묻는다. 파일이 답한 왼쪽 세 줄은 인터뷰 자리에서 다시 묻지 않는다 — 이미 확인된 것이기 때문이다. 오늘 만든 표 한 장이 다음 인터뷰의 질문지 초안이 된다.

[화면: 개방서비스명 식품접객 3종 표 — 일반음식점 60,899·휴게음식점 14,545·제과점영업 1,685(재구성 — 촬영 시 실제 실행 화면으로 교체). · 조작: 표작성 · 전환: 예]

(요점, 전공이 드러나는 곳) 인물은 이 세 업종을 한 줄로 묶지 않는다. 일반음식점 6만 899건, 휴게음식점 만 4천545건, 제과점영업 천685건이다. "몇 년 버텼나"를 업종별로 나눠 볼 때 인물이 묻는 질문이 다르다. 같은 폐업이라도 준비 방식이 다르면 버틴 기간이 뜻하는 것도 달라진다고 본다. 이런 구분은 업종 이름만 봐서는 안 나온다 — 그 업종에서 실제로 일해 본 사람만 먼저 떠올린다.

(축자, 전공)

"제과점영업은 반죽을 미리 준비하는 시간이 길어서, 손님이 없어도 재료비와 인건비가 그대로 나간다고 봅니다. 버틴 기간의 의미가 일반음식점과는 다르다고 보고, 이 업종만 따로 물어야 한다고 봅니다."

정리 (2분)

[화면: 도입에서 본 두 칸 목록이 다시 뜬다(재구성 — 촬영 시 실제 완성본 화면으로 교체). · 조작: 없음 · 전환: 예]

(축자, 지정)

"공감은 AI가 대신 느끼는 것이 아니라, 내가 물을 질문을 고르는 것입니다."

(요점) 오늘 두 칸 목록을 만드는 과정 전체를 다시 짚는다. 가상 인물은 그럴듯한 사정을 지어냈지만, 그 사람은 없었다. 진짜 질문은 파일이 답하지 못하는 자리에서 시작한다. 왜 닫았는지, 그 뒤 무엇을 하는지 — 이 둘은 사람에게 직접 물어야 나온다. AI는 그 질문을 다듬는 데까지만 돕는다. 답을 대신 내놓게 두면, 오늘 만든 함정으로 되돌아간다. 이 구분을 매 편 처음에 다시 그어야 하는 이유도 여기에 있다 — 자료가 바뀌어도 함정의 모양은 똑같다. 다음 걸음에서는 이 오른쪽 두 줄 중 하나를 문제 하나로 좁힌다.

(축자)

"다음은 6-2 「정의 — 문제를 한 문장으로 좁힌다」입니다."

(요점) 오늘 나눈 두 칸 목록 중 오른쪽 줄이 다음 편의 재료다. 질문을 고르는 것에서, 그 질문을 문제 하나로 좁히는 다음 단계로 넘어간다. 공감에서 정의로 가는 다리는 이 목록 하나다. 다음 편에서는 이 오른쪽 두 줄 중 하나를 골라 문장 하나로 좁힌다. 오늘 만든 것은 정답이 아니라, 다음에 물을 것을 고르는 기준이다.

[자막: 이 숫자 뒤의 사람에게 무엇을 묻겠습니까?]

근거

2019 코호트 2년 내 폐업률 — 두 모집단(rev2b 정정): author-c/probe-dj/3b/data/license.csv(260,856행 × 17열, CP949)를 집필자가 python csv(quote-aware)로 전수 재확인. 인허가일자 연도 2019인 행은 13,665건(구 없는 「대전광역시」 109건 포함) — 이 전체가 전체 값의 모집단이다. 그중 폐업일자가 (인허가일자 ≤ 폐업일자 ≤ 인허가일자+2년) 범위에 있는 행 3,326건 → 24.34%→표시 24.3%(모집단 13,665건 전체, 대전광역시 109건 포함). 폐업일자가 인허가일자보다 앞선 행 8건은 정의상 제외(계약·assets/data/daejeon/README.md 「04-4 코호트 실측」 절과 일치).

구별 값(다른 모집단): 개방자치단체명 「대전광역시」 109행을 분자·분모 모두에서 뺀 5개 구, 13,556건(13,665−109)만 다시 센 값이다 — 동구 2,023건 중 575건(28.4%) · 대덕구 1,237건 중 225건(18.2%). 즉 전체 24.34%는 13,665건(대전광역시 포함) 기준, 구별 28.4%·18.2%는 13,556건(대전광역시 제외) 기준으로 모집단이 다르다 — 발화 L89에서 이 사실을 한 번 밝혔다(rev2b, 04-5 검증 지적 대응). README·04-4·계약 「숫자 출처」 표와 일치.

식품접객 3종: 같은 파일에서 개방서비스명 값 집계 — 일반음식점 60,899·휴게음식점 14,545·제과점영업 1,685(합 260,856행 중, README 「더러운 원천 실측」 절과 일치).

설문 「999」·고유값 35: author-c/probe-dj/3b/data/survey.csv(31,635행, CP949)의 「지역경제활성화를 위한 노력」 열을 재확인 — 고유값 35, 「999」 17,638행. 이 편의 시연에는 쓰지 않는다(계약 지시 — 인허가로 간다).

대장 등재(sources.md 2026-09-06): 이론 「다른 예」의 AI 페르소나 vs 실제 인터뷰 사례 — IDEO 「The case against AI-generated users」(Dan Perkel·Angela Kochoska·Will Notini·Beth Holzer, 2025-01-30). 계약 06-1.md rev2(GC1)로 이 사례가 지정 다른 예로 확정됐고, assets/sources.md에 오케스트레이터가 원문을 확인해 등재했다. URL은 대장 URL 그대로: https://www.ideo.com/journal/the-case-against-ai-generated-users

앤스컴·아이스크림류 다른 예는 이 편에서 쓰지 않는다 — 04-4가 이미 썼다. 이 편 이론의 다른 예는 위 IDEO 사례 하나다.