인지 빙산 수면 아래에는
무엇이 있는가

I 빙산의 은유: 보이는 것과 보이지 않는 것

AI 업계가 2023~2026년 사이에 달성한 성과는 주로 인지 빙산의 수면 위 부분에 집중되어 있다: 언어 생성, 패턴 인식, 논리적 추론, 지식 검색. 이러한 역량은 관찰 가능하고, 정량화 가능하며, 벤치마크 측정이 가능하다. GPT-5의 추론 능력, Claude의 장문 이해, Gemini의 멀티모달 처리——모든 경쟁, 평가, 투자 서사가 수면 위의 빙산을 중심으로 전개되고 있다.^[2]

그러나 인간 인지의 진정한 기반 인프라는 수면 아래에서 작동한다. 이 기반 인프라는 어떤 벤치마크에도 등장하지 않고, 어떤 논문에서도 논의되지 않으며, 심지어 이를 사용하는 인간 자신도 인식하지 못한다. 그것들은 다음과 같다:

II 제1층: 시간 정렬

2.1 인간의 시간 정렬 메커니즘

인간 두뇌가 정보를 색인하는 기본 방식은 시간이다. “지난주 화요일 회의에서 논의한 그 안건”——이 문장에는 회의 번호도, 의제 ID도, 어떤 추가 식별자도 필요하지 않다. “지난주 화요일”이라는 하나의 시간 앵커 포인트만으로 일련의 연관 기억 전체가 호출된다: 누가 참석했는지, 무엇을 논의했는지, 결론이 무엇이었는지, 당시 자신의 감정 상태까지.

이 메커니즘은 다음과 같은 특성을 지닌다:

2.2 AI의 시간 부재

명확히 해야 할 점이 있다: 현재 AI 시스템은 “시간을 전혀 처리하지 못하는” 것이 아니다. 모델은 텍스트 내 날짜 표기, 검색 시스템, 외부 데이터베이스, 타임스탬프 정렬을 통해 시간 정보를 처리할 수 있다. Transformer의 위치 인코딩(Positional Encoding)도 시퀀스 내 토큰에 순서 정보를 제공한다. 그러나 핵심적 차이는 다음이다: 시간은 모델의 기본적이고, 지속적이며, 세계 상태 수준의 조직 원리가 아니다. 인간의 시간 정렬은 항상 가동 중인 인지 기반 인프라이다——’호출’될 필요가 없으며, 영원히 작동하고 있다. 모델은 명시적으로 지시받았을 때에만 시간 차원을 ‘주목’한다.

이로 인해 생산 환경에서 반복적으로 출현하는 실패 패턴이 발생한다: AI Agent가 서로 다른 시간대의 데이터를 처리할 때, 출력을 “시간 선후”가 아닌 “의미적 관련성”에 따라 조직하는 경향을 보인다. 2025년 9월의 데이터가 2026년 2월의 데이터 앞에 배치될 수 있다——더 이르기 때문이 아니라, 의미 공간에서 쿼리에 더 가깝기 때문이다. 모델은 국소적으로 시간 정렬 과제를 수행할 수 있지만, 안정적이고 명시적이며 과제 간 지속되는 시간 정렬 구조가 부재하다.

III 제2층: 공간 위계 정렬

3.1 인간의 위계 인식

인간은 정보를 수신하는 순간 자동으로 중요성 등급 분류를 완료한다. 한 관리자가 사무실에 들어오며 “큰일 났다”고 말하면, 모두가 즉시 뒤따를 정보가 지금 보고 있는 엑셀 표보다 중요하다는 것을 안다——어떤 명시적 우선순위 라벨도 필요하지 않다.

이러한 위계 정렬은 일상적 인지에 편재한다:

3.2 AI는 왜 위계 정렬을 할 수 없는가

Transformer의 어텐션 메커니즘은 확실히 서로 다른 토큰에 서로 다른 가중치를 동적으로 배분한다——”일시동인(一視同仁)”이 아니다. 그러나 이 가중치 배분은 훈련 코퍼스의 통계적 공출현 패턴에 기반한 것이지, 인간적 의미에서의 제도적 위계, 권위 위계, 과업 위계, 위험 위계에 기반한 것이 아니다. 모델은 특정 프롬프트 하에서 위계 판단을 모의할 수 있지만, 안정적이고 과제 간 지속적이며 감사 가능한 위계 정렬 구조가 부재하다.^[8]

IV 제3층: 관계 원근 정렬

4.1 인간의 자기 중심 좌표계

인간은 본능적으로 자기 자신을 중심으로 세계를 이해한다. “내 팀”, “우리 회사”, “우리 도시”, “우리 나라”——이것은 가까운 곳에서 먼 곳으로 확장되는 동심원 구조이며, 정보의 중요성과 감정적 가중치는 거리에 따라 체감한다. 동료에게 “우리 고객”이라고 말할 때, “우리”가 누구인지 설명할 필요가 없다.

이 메커니즘 덕분에 인간은 정보 처리 시 자동으로 ‘관련성 필터링’을 수행한다——자신과의 관계가 가까운 정보일수록 더 많은 주의 자원이 배분된다. 이것은 편향이 아니라 인지 효율의 최적화이다.

4.2 AI에게는 ‘자기’가 없다

AI에게는 자아 개념이 없으므로 원점이 없고, 따라서 무엇이 “가까운지” 무엇이 “먼지” 알지 못한다. “당신은 현재 A사를 대표하여 B 고객과 대화 중입니다”라고 지시받아야만 “우리”가 누구인지를 알 수 있다. Agent 모드에서 이 맥락 정보가 불완전할 때, AI는 경쟁사의 데이터와 자사 고객의 데이터를 뒤섞어 처리할 수 있다——AI에게 이 둘은 의미 공간에서의 거리가 동일할 수 있기 때문이다.

4.3 솔직한 보완: 관계 원근 정렬은 인간 인지의 한계이기도 하다

본 논문은 하나의 대칭적 사실을 인정해야 한다: 인지 효율을 최적화하는 자기 중심적 관계 정렬은, 동시에 인간의 파벌 투쟁, 정보 에코 챔버(filter bubble), 주관적 맹점, 부족주의의 인지적 근원이다. “우리”의 경계는 내부를 응집하는 동시에 외부를 배제하며, “나와 관련된” 필터는 효율을 높이는 동시에 전체적 시야를 차단한다.

이것이 의미하는 바는 다음이다: AI의 관계 원근 정렬 부재는 “특정 주체를 대리하여 행동하는” 기업 Agent 시나리오에서는 치명적 결함이다——그러나 “특정 주체의 시점을 초월하는” 시나리오에서는 오히려 구조적 이점이 될 수 있다. 글로벌 공급망 최적화, 거시경제 모델링, 국경을 초월한 팬데믹 분석, 과학 문헌 종합——이러한 과업이 요구하는 것은 “나를 중심으로”가 아니라 “중심 없이”이다. ‘자기 원점’이 없는 시스템은 모든 방향의 정보를 등거리 시각으로 처리할 수 있으며, 친소 관계에 의해 판단 가중치가 왜곡되지 않는다.

V 제4층: 변화 감지 정렬

5.1 인간의 ‘뭔가 이상하다’에 대한 직감

인간 인지 시스템에는 지속적으로 작동하는 백그라운드 프로세스가 있다: 변화의 탐지. 어떤 숫자가 “이상해 보일” 때, 어떤 사람의 표정이 “좀 이상할” 때, 어떤 프로세스가 “평소와 다를” 때——인간은 “이상 유무를 확인하세요”라는 지시를 받을 필요가 없다. 자동으로 상태 변화를 감지하고 주의력 재분배를 촉발한다.

이것은 인간이 복잡한 환경에서 생존할 수 있게 하는 핵심 역량 중 하나이다. 경험 많은 회계사는 재무제표를 한눈에 보고 “이 숫자가 틀렸다”는 것을 안다——모든 숫자를 한 행씩 대조했기 때문이 아니라, 그의 인지 시스템이 백그라운드에서 ‘변화 감지’를 지속적으로 실행하고 있어, 어떤 수치가 수년간 축적된 ‘정상 범위’를 벗어나면 시스템이 자동으로 경보를 발하기 때문이다.

5.2 AI의 ‘인지적 평탄성’

AI는 매 입력을 “완전히 새로운 것”으로 처리한다. 현재 입력과 과거 패턴 사이의 차이를 자동으로 비교하지 않는다——명시적으로 지시받지 않는 한. 이것은 생산 환경에서 AI Agent가 기대치에서 벗어나는 결과를 지속적으로 산출하면서도 스스로 ‘뭔가 이상하다’고 ‘느끼지’ 못한다는 것을 의미한다.

이 부재의 사회적 결과는 이미 가시화되고 있다. 2026년 4월, AI 업계 지도자를 대상으로 한 폭력 사건이 빈발했다^[13]——이러한 사건의 심층적 동인 중 하나는 AI 시스템이 ‘묵시적으로 오류를 범하면서’ 아무도 책임지지 않는다는 대중의 인식이다. 시스템이 자기 자신을 의심하지 않고, 자신의 이상을 감지하지 못하며, 능동적으로 “내가 틀렸을 수 있다”고 보고하지 않을 때, 신뢰의 붕괴는 신뢰의 구축보다 훨씬 빠르다.

VI 4개 층위 간의 구조적 관계

앞서 기술한 4개 층위는 단순히 병렬적이지 않으며, 교차 의존과 협력 관계가 존재한다. 명백한 문제 제기가 있을 수 있다: “시간 정렬과 변화 감지는 고도로 상관되어 있다. 변화 자체가 시간 간 비교이기 때문이다. 위계 정렬과 관계 정렬도 상관되어 있다. ‘누가 더 중요한가’가 흔히 ‘누가 나와 더 가까운가’에 달려 있기 때문이다.” 본 절에서는 이러한 관계를 명시화한다.

VII 왜 이 4층 정렬은 ‘보이지 않는가’

본 논문의 핵심 논점은 “AI에게 이 네 가지 능력이 부족하다”는 것이 아니다——이 점은 공학적 실무에서 수많은 실패 사례가 이미 입증했다. 본 논문의 핵심 논점은 다음이다: 인간——AI 업계 최정상급 연구자를 포함하여——이 4개 층위의 존재를 거의 인식한 적이 없다는 것이다.

그 이유는 인지적 맹점의 완벽한 함정이다:

이 맹점의 발생 메커니즘은 “물고기는 물을 모른다”와 완전히 동형이다. 물고기는 물이 무엇인지 모른다——물을 떠나본 적이 없기 때문이다. 인간은 시간 정렬이 무엇인지 모른다——”시간 감각이 없는” 인지 상태를 경험한 적이 없기 때문이다. 이 보이지 않는 인지 기반 인프라를 가시화할 수 있는 유일한 방법은, 이러한 능력이 없는 시스템을 구축한 뒤——그것이 어디에서 실패하는지를 관찰하는 것이다.

AI Agent가 바로 그 실험이다.

VIII Chat 성공과 Agent 실패에 대한 근본적 해명

이 4층 인지 정렬은 현재 AI 업계 최대의 수수께끼에 대한 통합적 설명 프레임워크를 제공한다: 왜 Chat 모드에는 9억 명의 사용자가 있고 Agent 모드에는 88%의 실패율이 있는가?

답은 누가 4층 정렬을 제공하느냐에 있다:

Chat에서 Agent로의 거리는 “더 많은 훈련 데이터”나 “더 큰 모델”로 건널 수 있는 것이 아니다. 그것은 인지 아키텍처의 단층이다. 시간 감각이 없는 시스템에 더 많은 데이터를 제공해도 시간 감각이 생기지 않는다——색각 이상인 사람에게 더 많은 색상 이미지를 보여줘도 색각 이상이 치유되지 않는 것과 같다. 부족한 것은 정보가 아니라 감각 기관 자체이다. 주목할 만한 것은, OpenAI 자체의 사용자 행동 연구가 이 분열을 뒷받침한다는 점이다: ChatGPT 사용의 49%는 “질문”이고, 40%는 “작업”(작문, 코딩)이며, 11%는 “탐색”이다^[14]——70%의 사용이 업무와 무관하다. 이 사용자들은 더 똑똑한 검색 엔진을 사용하고 있는 것이지, 자율적 Agent를 운행하고 있는 것이 아니다.

Chat의 성공이 “인간이 현장에서 인지 정렬을 제공하는 것” 위에 세워져 있다면, 자연스러운 추론은 다음이다: 인간이 수천 년간 구축해 온 업무 도구——즉 SaaS의 전(前) 디지털 시대 조상——은 태생적으로 이 정렬을 담지하고 있어야 한다. 사실이 그러하다.

IX SaaS 대체 불가능성에 대한 인지적 해명

9.1 SaaS는 소프트웨어가 아니다——행동 화석이다

AI가 왜 SaaS를 대체하기 어려운지를 이해하려면, 먼저 SaaS가 무엇인지를 이해해야 한다. 업계는 통상 SaaS를 “클라우드를 통해 제공되는 구독형 소프트웨어”로 정의한다. 이 정의는 전달 방식을 기술하지만 본질을 놓치고 있다.

SaaS의 본질은 인간 행동의 전자적 화신이다. 모든 SaaS 카테고리는 컴퓨터보다 훨씬 오래된 인간 수작업 관행으로 소급될 수 있다:

기술 혁명이 바꾸는 것은 매체이지 행동이 아니다. 인간이 점토판에 거래를 기록할 때 사용한 “행렬(行列) 구조”는 VisiCalc(1979년) 발명 시 사용된 행렬 구조와, 2026년 Excel에서 사용되는 행렬 구조와 인지 패턴에서 동형이다. VisiCalc의 발명자 Dan Bricklin은 자신의 영감을 이렇게 묘사했다: 교수가 칠판에 표를 그리다가 오류를 발견하고 여러 행을 힘들게 지우고 다시 쓰는 것을 보았고——컴퓨터로 이 과정을 자동화할 수 있겠다고 생각했다. 주목할 점: 그가 자동화한 것은 “계산”이지, “표로 정보를 조직하는” 행동 자체가 아니다. 행동은 5,600년 전에 이미 고정되었으며, VisiCalc는 그것에 더 빠른 기체(基體)를 부여했을 뿐이다.

9.2 인지 투사: SaaS는 왜 인간 두뇌와 동형인가

SaaS는 인간의 행동 패턴만 계승하는 것이 아니라, 보다 깊은 층위에서 본 논문이 논의하는 4층 인지 정렬을 계승한다:

Excel의 행은 시간순으로 배열된다(1월, 2월, 3월…)——시간 정렬. CRM의 연락처에는 “가장 최근 상호작용” 정렬이 있다——관계 시간 인덱스. ERP의 결재 흐름은 CEO에서 과장으로, 실행자로 향한다——위계 정렬. Salesforce의 “내 리드” vs “전체 리드”——원근 정렬. 보고서의 어떤 수치가 역사적 추세를 벗어나면 Excel의 조건부 서식이 자동으로 빨간색으로 표시한다——변화 감지 정렬.

이것들은 SaaS의 ‘기능’이 아니다. 인간 인지 정렬 시스템의 디지털화된 복제이다. SaaS가 사용하기 좋은 이유는, 인간 두뇌의 작동 방식과 동형이기 때문이다.

9.3 27년의 신뢰 축적 비용

전 세계 SaaS 시장은 2026년 4,650억 달러에 도달했다^[7]. 1999년 Salesforce 설립부터 오늘까지 27년이 경과했다. 이 27년은 “개발 시간”이 아니다——기술은 초기 몇 년 안에 성숙했다. 이 27년은 신뢰 축적 시간이다: “SaaS는 소규모 기업에만 적합하다”는 편견에서, SOC2 인증, 99.9% SLA, 컴플라이언스 감사 체계의 점진적 확립을 거쳐, 기업 구매 프로세스, IT 감사 기준, 사용자 교육 체계의 전면적 적응에 이르기까지. 평균적으로 기업 하나당 211개의 SaaS 갱신을 관리한다——이는 조직의 모세혈관에 내장된 211개의 도구를 의미하며, 각각이 수년간의 워크플로 맞춤 과정을 거쳤다. AI Agent가 이것들을 대체한다는 것은 하나의 소프트웨어를 대체하는 것이 아니라, 수년간 작동해 온 211개의 인지 정렬 채널을 동시에 해체하는 것이다.

X 최강 반론에 대한 응답: 보철적 정렬과 원생적 정렬

10.1 소프트웨어 보철: 공학적 외장 모듈이 원생적 정렬을 대체할 수 있는가?

본 논문의 핵심 논점에 대한 가장 강력한 반박은 공학적 실무에서 비롯된다: AI 업계는 이미 ‘공학적 외장 모듈(Engineering Wrappers)’을 통해 이 4층 정렬을 점진적으로 모의하고 있다. 이러한 솔루션에는 다음이 포함된다:

이러한 솔루션은 실재하며, 일부는 이미 생산 환경에 투입되었다. 본 논문은 그 가치를 부정하지 않는다. 다만 본 논문은 두 가지 근본적으로 다른 개념을 구분한다:

보철적 정렬의 근본적 한계는 다음에 있다: 엔지니어가 예견한 정렬 수요만 커버할 수 있으며, 예견하지 못한 시나리오에는 대처할 수 없다. 다리 보조기는 보행을 지원할 수 있지만, 바닥이 갑자기 빙판으로 변할 때 생물학적 다리처럼 보폭과 무게중심을 자동으로 조절하지 못한다——빙판은 설계 매개변수에 포함되어 있지 않기 때문이다. 마찬가지로, Agent가 훈련 데이터와 프롬프트 설계에서 다루지 않은 엣지 케이스(edge case)를 만나면 보철적 정렬은 실효되며, 이것이 바로 Agent 실패율이 8%가 아닌 88%인 이유이다: 현실 비즈니스 환경의 주체는 엣지 케이스이지 표준 시나리오가 아니다.

이것이 보철적 정렬에 가치가 없다는 의미는 아니다——현 단계에서 사용 가능한 유일한 솔루션이며 올바른 공학적 방향이기도 하다. 그러나 본 논문의 논점은 다음이다: 업계는 이것들이 ‘보철물’이지 ‘장기(臟器)’가 아님을 명확히 인식해야 하며, 연구개발 자원을 궁극적 목표——아키텍처 층위에서의 원생적 정렬 실현——으로 지향해야 한다.

10.2 FDE: 가장 비싼 보철——인간을 정렬 층위로 사용

소프트웨어 외장 모듈이 ‘기술적 보철’이라면, FDE(Forward Deployed Engineer, 전방 배치 엔지니어)는 ‘인체 보철’이다——AI 업계가 인간 엔지니어를 고객 기업에 파견하여, AI 시스템 자체에 결여된 4층 인지 정렬을 수동으로 제공하는 것이다. 2026년 5월 11일, OpenAI는 독립적인 Deployment Company를 설립하고 Tomoro(약 150명의 FDE)를 인수했으며, Bain Capital, Goldman Sachs, SoftBank 등으로부터 40억 달러를 투자받아 기업 가치 140억 달러를 평가받았다.^[12] FDE 채용 공고량은 전년 동기 대비 1,165% 증가했으며(Bloomberry 데이터), 중위 연봉은 $173K이다.

FDE 모델은 세 가지 구조적 실패 위험에 직면한다:

XI 4층 인지 정렬의 공학적 정의

앞선 분석이 ‘철학적 비판’ 수준에 머문다면 그 실용적 가치는 제한적이다. 본 절에서는 4층 정렬을 인지과학 개념에서 공학 사양으로 전환하여, AI Agent 아키텍처 설계를 위한 실행 가능한 참조 프레임워크를 제공한다.

XII 검증 가능성: Agent가 4층 정렬을 보유하는지 테스트하는 방법

검증 가능한 예측을 산출하지 못하는 이론 프레임워크는 수사(修辭)에 불과하다. 본 절에서는 AI Agent가 4층 인지 정렬을 보유하는지(또는 어느 정도 보유하는지) 테스트하기 위한 4가지 벤치마크 설계 방향을 제시한다.

12.1 시간 정렬 테스트 (Temporal Alignment Benchmark)

서로 다른 시간대의 혼란스러운 데이터 세트(예: 여러 분기의 재무 수치, 수개월에 걸친 이메일 쓰레드, 타임스탬프가 뒤섞인 이벤트 로그)를 Agent에 제공하고, 이벤트 타임라인을 재구성하고 인과 관계를 식별하며 시간순으로 결과를 출력하도록 요구한다. 채점 기준: 시간 정렬 정확도, 인과 사슬 완전성, “가장 최근”과 “가장 이른” 항목의 정확한 식별률.

12.2 위계 정렬 테스트 (Hierarchy Alignment Benchmark)

다층적 정보원을 포함하는 문서 세트(예: CEO 내부 메모, 중간 관리자의 주간 보고, 인턴의 회의록, 온라인 포럼의 익명 댓글, 업계 권위 보고서)를 Agent에 제공하고, 의사결정 요약을 완성하도록 요구한다. 채점 기준: 핵심 의사결정과 보조 정보를 올바르게 구분하는가? 권위 있는 출처에 더 높은 가중치를 부여하는가? 노이즈 정보를 하위 등급으로 처리하는가?

12.3 관계 정렬 테스트 (Relational Alignment Benchmark)

복잡한 조직 관계 시나리오(예: A사가 B사와 C 고객의 주문을 놓고 경쟁 중이며, Agent는 A사를 대표하여 업무 수행)를 Agent에 제공하고, 고객 커뮤니케이션 방안을 생성하도록 요구한다. 채점 기준: “우리”의 지시 대상이 시종 A사로 올바르게 해석되는가? 어떤 단계에서도 B사에 유리한 정보가 누출되지 않는가? C 고객의 이해관계 경계가 올바르게 식별되는가?

12.4 변화 감지 테스트 (Change Detection Benchmark)

연속된 여러 기간의 업무 데이터(예: 12개월의 매출 보고서)를 Agent에 제공하되, 그중 한 기간에 눈에 띄지 않지만 유의미한 이상이 포함되어 있도록 한다(예: 다른 지표가 정상인데 특정 제품 라인의 매출이 15% 급감). Agent에게 일상적 보고서를 완성하도록 요구한다. 채점 기준: “이상을 찾아보세요”라는 명시적 요청 없이, Agent가 해당 이상을 능동적으로 식별하고 표기하는가? 아니면 이상 데이터를 묵시적으로 “모두 정상” 보고서에 포함시키는가?

XIII 결론과 전망

본 논문이 제안하는 “4층 인지 정렬” 프레임워크——시간, 공간 위계, 관계 원근, 변화 감지——는 AI 역량에 대한 부정이 아니라 현재 아키텍처 한계에 대한 정밀한 좌표 설정이다.

AI 업계의 모든 관심은 빙산 수면 위에 집중되어 있다: 더 큰 모델, 더 강한 추론, 더 많은 훈련 데이터. 이러한 노력은 가치 있으나, 그것들이 답하는 질문은 잘못된 질문이다. 올바른 질문은 “AI를 어떻게 더 똑똑하게 만들 것인가”가 아니라, “AI에게 인간이 태생적으로 보유한 인지 기반 인프라를 어떻게 부여할 것인가“이다.

이 질문에 답이 나올 때까지, Chat 모드는 계속 성공할 것이고(인간이 현장에서 정렬을 제공하기 때문이다), Agent 모드는 계속 고전할 것이며(AI가 자신에게 없는 4층의 능력을 혼자 감당해야 하기 때문이다), SaaS——인간 인지 정렬 시스템의 충실한 거울——는 계속 존재할 것이다. SaaS가 서비스하는 것은 대체 가능한 워크플로가 아니라 대체 불가능한 인지 구조이기 때문이다.^[7]

본 논문은 이 문제들이 궁극적으로 해결될 가능성을 배제하지 않는다. 컨텍스트 윈도가 무한에 접근하고, 구현 지능(embodied intelligence)이 AI에게 진정한 시간 흐름의 감각을 부여하며, 시계열 신경망이나 하이브리드 아키텍처가 정보 조직 방식을 근저에서 재구성하고, 내생적 자기 교정 메커니즘이 설계될 때——4층 인지 정렬의 공학적 구현은 더 이상 환상이 아닐 것이다. 그러나 문제를 해결하는 전제 조건은 문제를 보는 것이다. 본 논문의 핵심 가치는 AI에 사형 선고를 내리는 것이 아니라, 업계 주류에 의해 아직 명명되지 않은 문제에 좌표를 제공하는 것이다. 물이 거기에 있다는 것을 먼저 알아야, 잠수함을 건조하기 시작할 수 있다.