최근 저는  Bookforge스킬을 만들고 나서, 많은 분들에게 연락을 받고있습니다.
감사하다는 분들부터 사업을 같이 해보자는 연락까지 다양한 형태로 저를 찾아주심에 감사하고있습니다.

이 스킬 같은 경우 제가 활동하고 있는 에이전트 코리아 커뮤니티에서 몇몇 지인분들이 요청해 주신 것을 계기로 만들게된 것으로 PDF 생성시 자료 조사부터 집필, 편집, 레이아웃 검수까지 하나의 워크플로우에 담아둔 전자책 생성 스킬입니다.

Claude Code와 Codex에서 사용할 수 있도록 만들어 두었으니, 관심 있으신 분들은 직접 한번 사용해 보시는걸 추천드립니다.

그래서 왜 이걸로 포문을 여냐? 이 질문을 답변드리면 이걸 만들면서 떠오른 생각이 굉장히 많았기 떄문입니다.

작업중에 이 질문이 계속해서 떠오르더군요 그래서 오늘은 이부분을 공부해 글을 준비했습니다. 우선 결과물부터 한번 볼까요?

위 PDF는 암묵지를 주제로 만든 결과물로 자료를 조사하고, 내용을 구성하고, 글을 작성하고, 각 페이지에 텍스트와 이미지를 배치하는 과정까지 제 스킬들을 합쳐 Bookforge를 기반으로 진행했습니다.

AI로 문서나 PDF를 많이 만들어 보신 분이라면 많이 노력했다라는걸 알아주시겠지만 잘모르겠는 분들은 그냥 아무것도 없이 pdf를 만들어줘 라 입력해보시면 오... 이렇게까지 했구나를 아실수있을겁니다.

실제로 PDF를 만들라고 시키면 페이지의 20~30%만 채운 채 다음 장으로 넘어가기도 하고,  오히려 장을 나누지 못해 다른곳으로 침범하거나 도표는 텍스트가 박스를 뚫고 나오기도 하는등의 여러가지 문제들은 PPT를만드시면서도 경험해 보셨을겁니다.

여기에 이미지가 엉뚱한 위치에 들어가거나, 제목과 본문의 간격이 무너지고, 페이지마다 밀도가 제각각이 되기도 하죠. 

조금 더 복잡한 문서를 주고

이런 프롬프트를 주더라도 솔직하게 구조 자체를 제대로 파악하지 못하는 경우도 많습니다.

아마 이 뉴스레터를 읽고 계신 분들 중 AI로 PPT나 PDF, 보고서를 만들어 보신 분이라면 한 번쯤 겪어보셨을 문제겠지요

솔직하게 AI는 각각의 업무를 이제는 모두 할수있는 수준까지 올라왔습니다.

글쓰는거야 과거부넡 충분히 잘작성하였고 특정한 부분의 코드를 바꾸거나 고치는건 매우 잘했죠 

그런데 이 모든 것을 모아서 완성된 문서 하나로 만들려하면 위에서 말씀드린 문제가 발생하며 난도가 갑자기 올라가게 됩니다.

왜그런걸까요?

문서에는 생각보다 많은 조건이 동시에 존재한다?

저는이걸 암묵지와 명시지의 문제라 설명 하는데요 조금더 자세하게 풀어보면

이렇게 설명드릴수 있을것 같습니다. 일예로 내용의 흐름도 맞아야 하고, 페이지마다 적절한 정보량이 들어가야 하고, 제목과 본문의 계층도 유지되어야 하죠, 여기에 이미지 크기와 위치도 맞아야 하고, 텍스트가 영역을 벗어나서는 안 되며, 앞뒤 페이지의 디자인도 일관되어야 합니다.

글을 만드는 문제와 문서를 만드는 문제는 무척 다릅니다. Bookforge를 개발한 이유또한 바로 이 지점으로

AI에게 PDF를 만들줘 이러는게아니라  AI가 문서를 만들면서 반복적으로 발생시키는 실패를 어떻게 시스템적으로 잡을 것인가? 를 고민한 결과물에 가깝습니다

위에서 이야기했지만 이 구조를 다 만들고 나니 저도 정말 이상한 기분이 들었습니다.

고작 문서 하나 만드는 건데 이렇게까지 해야 하나? PDF 하나 만들려고 생성하고, 검사하고, 다시 만들고, 또 검사해야 한다니...

왜 AI는 똑똑해졌는데 우리가 만드는 시스템은 오히려 점점 복잡해지는 걸까요?

그리고 왜 최근 AI 에이전트 이야기를 따라가다 보면 에이전트, 스킬, 하네스, 루프, 검증, 서브에이전트 같은 개념들이 계속 등장하는 걸까요?

오늘 뉴스레터에서는 Bookforge를 하나의 사례로 삼아, 암묵지와 명시지에대해 풀어보며 요즘 AI 시스템이 왜 이런 구조로 발전하고 있는지를 조금 더 큰 관점에서 이야기해 보려고 합니다.

그럼 출발해 봅시다.

자전거를 말로 가르칠 수 있나요 [AI를 잘 쓰는 사람이 따로 있는 이유]

자전거를 처음 배우던 날을 떠올려 볼까요?

아마 옆에서 누군가 이렇게 말했을 겁니다.

 틀린 말은 아닌데, 그 말만 듣고 자전거를 탈 수 있었던 분은 아마 없을 겁니다.

몸이 어느 쪽으로 얼마나 기울었을 때 핸들을 몇 도쯤 꺾어야 넘어지지 않는지 혹은 패달은 얼마나 세게 밟아야 하는지 등등 분명 계속 밟으라했지만 처음타게되면 분명 말로설명을 듣는것과는 전혀혀 다르며 제대로 타는법은 단순히 말로 알려주지 못했다 저는 기억하고있습니다.

수십 번 수백 번 넘어지고 나서야 몸이 스스로 그 각도를 찾아냈을 뿐이지만,  일단 그 감각을 몸이 익히고 나면 몇 년을 안 타다가 다시 올라타도 저절로 균형이 잡히죠 대략 10년동안 자전거를안타도 몸이 본능적으로 자전거를 타게해주죠

지식은 분명히 남아 있는데, 그게 어디에 저장돼 있고 어떤 규칙으로 작동하는지는 본인조차 설명할 길이 없습니다.

자전거의 균형 감각은 결국 우리가 말로 표현하기는 어렵지만  타는 방법은 뇌속어딘가에 감각으로 저장돼 있고, 결과로는 확인되지만, 절차로는 인출되지 않는 앎.

오늘 이 글은 이 낯설지 않은 경험에서 출발해, 이 앎이 요즘 AI를 다루는 실무에서 예상보다 훨씬 자주, 훨씬 비싸게 문제를 일으켰던 이야기를 해봅시다.

자 한가지를 해봅시다

일단 저는 불가능하지만 이미지를 주변 레퍼런스로 그린경험은 한번쯤있으시죠?

그렇다면 분명 가능하다는건데 말이에요 확실히 가능하지만,  막상 말로 설명하려면 너무나도 어렵죠?

이와 비슷하게 운전일 수도 있고 요리일 수도 있고, 회의 중 누군가의 표정만 보고 분위기를 읽어내는 감각일 수도, 오래 다룬 기계의 소리만 듣고 어디가 고장 났는지 짐작하는 감각들을 말로 표현하는게 가능하신가요?

우리는 말할 수 있는 것보다 더 많이 안다

사실 이 문제를 처음 건드린 건 AI 연구자들이 아니라 철학자와 경제학자들입니다. 계보를 잠깐만 거슬러 올라가 보겠습니다.

시작은 언어철학입니다. 길버트 라일(Gilbert Ryle)이 1949년 저서에서 무엇을 안다는 것(knowing-that)과 어떻게 할 줄 안다는 것(knowing-how)이 같은 구조의 앎이 아니라고 주장했다는 사실부터 출발해야합니다.

당시 지배적이던 입장은 어떤 행동을 지적으로 수행하려면 그 전에 관련된 규칙이나 기준에 대한 지식이 먼저 있어야 한다는 것이었죠

이에대하여 라일은 이렇게 반박했습니다.

말이어렵죠? 간단하게 표현해 라일이 못박는 건, 영리하다 어리석다 같은 형용사가 어떤 사람에게 붙을 때 그것이 가리키는 건 진리에 대한 지식이 아니라 특정 종류의 일을 해낼 수 있는 능력이라는 것입니다.

라일이 개인 안의 앎을 갈랐다면, 경제학자 프리드리히 하이에크(Friedrich Hayek)는 사회 전체로 눈을 돌렸습니다. 하이에크의 1945년 논문을 봐보죠

이것도 조금예시를봅시다.

특정 시간과 장소의 구체적 상황에 대한 지식, 이를테면 유휴 설비를 알아채는 것, 잘 쓰이지 못하고 있는 누군가의 기술을 아는 것 같은 앎이 더 나은 기술에 대한 지식 못지않게 사회적으로 유용하다는 것입니다.

쉽게말하면 정보의 차이로 이를 판매하는 지식사업들 고작해야 스킬을 모아둔 PDF를 만원주고 사는것 등의 행위가 오래된 방법론이고 흩어진 지식은 중앙의 계획자에게 전부 모일 수 없다는 것이 그의 유명한 논지인것이죠이 구분에 이름을 붙이고 하나의 이론으로 정식화한 사람이 화학자 출신 철학자 마이클 폴라니(Michael Polanyi)입니다.

폴라니는 사람들이 천 명의 얼굴 중에서 아는 얼굴을 순식간에 알아보면서도 정작 어떻게 알아보는지는 설명하지 못한다는 관찰에서 출발해, 1966년 저서에서 "우리는 말할 수 있는 것보다 더 많이 안다"라는 말을하며 결국 우리가 생각보다 말로 설명하지 못하는 개념들이 머리속에 많이 들어있다 이야기했지요

그리고 이렇게 몸과 감각에는 있는데 언어로는 옮겨지지 않는 앎에 암묵지(tacit knowledge)라는 이름을, 반대로 문서·규칙·코드·매뉴얼처럼 언어와 기호로 옮겨져 다른 사람이 그대로 전달받을 수 있는 앎에 명시지(explicit knowledge)라는 이름을 붙혔죠

자전거의 균형 감각이나 김장의 손맛이 혹은 내가 말로 표현하기 어려운 부분들이 바로 암묵지겠지요

타이핑을 오래 한 사람이 자판을 보지 않고도 손가락이 알아서 글자를 찾아가는 것

오래 운전한 사람이 옆 차선 차와의 거리를 계기판 숫자 없이도 감으로 맞추는 것

이러한 감각정인 영역들 또한다 같은 부류입니다.

근위항과 원위항

폴라니는 이 앎이 두 개의 층으로 이루어져 있다고 설명합니다.

이를 구분해보면 하나는 우리가 자각하지 못한 채 의지하는 근위항이고

다른 하나는 우리가 실제로 주목하는 대상인 원위항입니다.

자전거를 탈 때로 치면, 몸이 시시각각 기울어지는 미세한 감각들이 근위항

넘어지지 않고 앞으로 나아간다는 목표가 원위항

이렇게 두가지로 구분하셔도 무방합니다.

다른예시를 보자면 얼굴을 알아볼 때로 치면, 눈매와 광대뼈와 목소리 톤이 조합된 무수한 단서들이 근위항이고 "아, 저 사람이구나" 하는 순간의 인식이 원위항인것이지요

우리는 언제나 원위항에만 의식이 쏠려 있고, 그걸 가능하게 하는 근위항의 세부는 애초에 언어로 끌어올릴 대상으로조차 인식하지 않습니다.

그러니 누군가에게 "어떻게 알아봤어?"라고 물으면 "그냥 알아봤어"라는 답 이상을 기대하기 어려운 것도 당연합니다. 물론 말로 설명할 수 없다고 해서 신비한 능력이라는 뜻은 아닙니다.

근위항은 원위항에 통합되기 위해 존재하는 것이라서, 따로 떼어내 조사하는 순간 오히려 아무 쓸모없는 정보가 되어 버리는 경우도 많습니다. 자전거를 타면서 "지금 내 발목이 몇 도로 꺾여 있지?"를 의식적으로 따져보지는 않잔아요?

이번에는 잠시다리를 봐볼까요? 사회학자 해리 콜린스(Harry Collins)는 폴라니 이래 하나로 뭉뚱그려지던 암묵지를 세 가지로 구분했습니다.

어떤 암묵지는 원리상 명시화할 수 있고, 어떤 암묵지는 그렇지 않다는 것을 구별할 수 있게 해 주죠 문제는 AI가 모르는것과 우리가 생각하기에 이건 알겠지 하는것이 다르다는 겁니다. 이걸 고급스럽게 말하면 정보를 줘야한다? 즉 컨텍스트 엔지니어링 이라 표현하는것이죠

AI는 명시지를 다 먹었다

그렇다면 AI, 특히 요즘 흔히 쓰는 대형언어모델(LLM)은 이 구도에서 어디쯤 있을까요?

경영학자 노나카 이쿠지로(Ikujiro Nonaka)는 1994년 논문에서 지식이 조직 안에서 이동하는 방식을 네 가지로 정리했습니다.

이렇게 4가지로 구분하지요  말이어려우니 김장으로 바꿔볼까요?

[이 개념은 국내에서 흔히 형식지라는 번역어와 짝지어 소개되지만, 이 글에서는 명시지로 표기를 후술하겠습니다.]

이건 어디까지나 개인적인 해석이지만 형식지라는 번역이 단어 때문에 마치 정해진 서식이나 절차만을 가리키는 것처럼 읽히기 쉬운데, 원어 explicit이 강조하는 것은 형식의 유무가 아니라 "명시적으로 드러나 있어 타인에게 그대로 전달 가능한가"라는 성질이기 때문에 저는 명백한 해석을 선호하기 떄문이지요

어쨌든 다시 원론으로 돌아가 문서든 규칙이든 코드든, 언어와 기호로 옮겨져 다른 사람이 그대로 습득할 수 있다면 서식이 정형화되어 있든 아니든 명시지입니다. 

좋습니다 이제 LLM이야기를 해보자구요 대형언어모델이 하는 일은 이 네가지 중 압도적으로 조합에 가깝습니다.

책, 코드, 문서, 웹페이지처럼 이미 누군가 말이나 글로 옮겨 놓은 텍스트, 그러니까 정의상 명시지인 재료를 대량으로 학습해서 패턴을 압축해뒀다가, 질문이 들어오면 그걸 다시 풀어내고 재조합해서 답을 내놓으니까 말이죠

다만 사회화나 내재화처럼 몸으로 부딪혀야 하는 경로는 애초에 갖고 있지 않지만, 학계는 " LLM은 정말 암묵지를 하나도 못 갖는가"를 정색하고 따진 논증또한 하고있어요

부딩(Budding)의 2025년 논문은 LLM의 임베딩층이 이 정의가 요구하는 제약을 어느 정도 만족시킨다고 이야기하긴 합니다.

핵심 제약인 인과적 체계성은 의미상 유사한 입력-출력 쌍들을 모두 매개하는 공통된 인과적 요인이 시스템 내부에 있어야 한다는 이야기인데...

직관적으로 봐볼까요? 일반적으로 우리는 AI에게 뭔가를 물을 때 우리는 은연중에 두 가지를 섞어서 요구하고 있습니다.

이두가지를 한번에 요구하면 실패하거나 어떻게 굴러갈지 모른다는 거에요

예를들어 봅시다.

이두가지는 표면적으로 비슷해 보여도 AI 안에서 요구하는 작업의 성격이 다릅니다.

기본적으로저걸하려면 믿을만한 자료조사 자료분석 재 조합후 추천이 되어야하는데 추천하고 설명하라하면 꼬이기 딱좋겠죠? 오히려 근거에 맞춤화된자료를 끌고오는 경우도 생기고 말이죠

질문을 던지기 전에 스스로에게 "나는 지금 설명을 원하는가, 재조합을 원하는가"

두개의 목적이 다른데 둘다 해달라했다 할루시네이션이 발생하기도 한다는 것이죠

실제로 이러한 절차설계와 나누는 방법론 자체를 우리는 하네스라고 부르니, 우리는 1950년대에 나온개념들을 활용하고 있는거에요

당신이 AI보다 잘하는 것은, 아직 말로 안 옮긴 것

정리하겠습니다. LLM은 이미 말로 옮겨진 지식, 명시지를 압축하고 재조합하는 데 놀랍도록 능숙한 기계입니다.

실제로 AX현장에 가보게되면 사람 사이의 차별화 가치는 아직 압축되지 않은 지식을 넣어줘야 합니다.

하이에크가 말했듯이 흩어져 있는 현장 판단, 몸에 밴 요령, 말로 옮기는 데 비용이 큰 감각 을 정리해 줘야지요. 그리고 실무에서 AI가 무너지는 지점은 대부분 모델의 지능이 모자란 곳이 아니라, 사람이 암묵적으로 알고 있던 판단 기준이 지시·컨텍스트·견본·검증 어디에도 옮겨져 있지 않던 부분들 마저도 찾아내고 정렬해야 합니다.

결국 폴라니의 말대로 완전한 형식화는 자기 파괴적이지만, 어차피 전부는 못 옮기니까, 무엇을 지금 옮겨야 결과가 달라지는지를 알아채는 감각이 필수적이라는 말이되는것이죠

그래서 AI를 잘 쓰는 사람을 다시 정의 해 본다면 프롬프트를 한 번에 완벽하게 쓰는 사람이 아니라, 자신이 암묵적으로 알고 있는 판단 기준을 조금씩이라도 명시적인 장치로 옮겨 담는 사람.

즉 어떤 표현이 먹히는지 버전으로 기록하고, 무엇이 진짜 최소집합인지 가려내고, 완료 보고를 실물로 재확인하고, 견본에서 화면이 아니라 절차를 읽어내고, 다 보여주는 대신 이해되게 추리는 사람이라 정의되지요

이걸 한마디로 바꾸면

암묵지를 외재화하는 능력이 곧 AI를 잘 쓰는 능력입니다.

참고문헌