데이터화가 어려운 곳, 과연 ‘인간만의 영역’인가? 🤔

1. 들어가며: 데이터화가 어려운 곳, 과연 ‘인간만의 영역’인가? 🤔

오늘날 인공지능(AI)은 막대한 양의 데이터를 학습해 다양한 산업과 서비스에 활용되고 있습니다. 이미 금융·물류·마케팅·의료 등 상당수 분야에서 AI의 효용성이 확인되고 있다는 점은 여러 연구에서 공통적으로 보고됩니다1.

그러나 여전히 “인공지능이 결코 넘볼 수 없는 인간만의 영역”이 있다고 보는 견해도 있습니다. 예술·철학·고도의 감정노동·심리상담 등이 대표적인 예로 꼽히며, “데이터화하기 어렵다”는 이유로 ‘AI가 침투하기 힘든 분야’로 여겨져 왔습니다2.

하지만 이러한 영역이 실제로 완전한 ‘안전지대’일 수 있을까요? 이 글에서는 먼저 데이터화가 어렵다고 여겨지는 대표적 영역을 살펴본 뒤, 실제로 AI를 활용하는 과정에서 새로운 형태의 데이터가 축적되고 그 결과 데이터화가 가속될 가능성이 높다는 점을 논의하고자 합니다. 또한 그 결과로, 궁극적으로 데이터화되지 않는 분야가 어떻게 시장 논리에서 외면받을 수 있는지도 함께 살펴보겠습니다.

---

2. 데이터화가 어렵다고 여겨지는 영역들 🎨

2.1 예술과 창작

• 예술적 영감과 직관
  예술가는 직관과 감정을 통해 작품을 창작합니다. 이는 숫자나 논리적 알고리즘으로 단순 치환하기 어려운 부분이 많다는 지적이 있습니다3.
• 맥락적·문화적 배경
  예술 작품은 발생한 사회·문화적 맥락에 따라 해석이 달라집니다. 이러한 복잡성을 데이터로 구조화하기란 쉽지 않아 보입니다.

2.2 심층 심리상담·멘토링

• 고도의 감정 노동
  심리상담은 내담자의 언어·표정·역사 등을 전반적으로 파악해야 하므로 비정형적·주관적 요인이 많습니다4.
• 개인별 맥락 차이
  사람마다 문제의 원인과 해결 방식이 다르기 때문에 표준화된 데이터로 추출·학습하기가 쉽지 않습니다.

2.3 장인의 기술·노하우

• 몸으로 체득된 경험
  전통공예 등 장인 기술은 오랜 세월 축적된 감각적 경험에 기반합니다. 손끝의 미세한 감각을 디지털 신호로 전환하는 일은 여전히 많은 제약을 받습니다.
• 교육·전수 과정의 제한
  비공식적인 구술·시연 등으로 전해지는 노하우가 많아, 구조화·정형화 과정을 거치기까지는 장벽이 상당합니다.

---

3. 역설: AI를 활용함으로써 오히려 데이터화가 가속될 수 있다 🔄

3.1 경쟁 우위를 위해 AI를 도입하는 전문가들

데이터화가 어렵다고 여겨지는 분야 종사자일수록, 역설적이게도 생산성 향상과 작업 효율을 위해 AI 기술을 활용하는 경향이 있습니다1.

• 예시: 예술가들은 AI 기반 이미지 생성 툴을 이용해 여러 시안을 빠르게 만들어보고, 심리상담사는 음성 인식 AI를 통해 상담 내용을 효율적으로 정리·분석합니다.
• 결과: 이러한 AI 활용은 인간 전문가의 생산성과 효율을 높여, 뛰어난 성과로 이어질 가능성이 있습니다.

3.2 새롭게 생겨나는 ‘데이터의 축적’

AI와 협업하는 과정에서, 이전에는 추상적이거나 감각적이라 측정·기록하기 어려웠던 활동조차 디지털 데이터로 남기게 됩니다3.

• 작업 과정의 로그(log)
  예술가의 창작 단계, 수정 이력, 도구 사용 패턴 등이 자동으로 기록됩니다.
• 피드백 및 성과 데이터
  소비자의 반응(댓글, 좋아요 수, 구매 기록), AI의 실시간 분석·추천 등이 모두 데이터로 쌓입니다.
• AI-인간 간 협업 프로세스
  AI 시스템과 인간 전문가 간의 대화, 의사결정 과정이 디지털 형태로 저장되어 새로운 학습 소재가 될 수 있습니다.

이로 인해 초기에는 “인간만의 직관”으로 여겨졌던 부분도 상당 부분 구조화·패턴화될 가능성이 커집니다.

---

4. 센서·피지컬 AI의 확장: 물리적 세계까지 데이터화 💡

한편, 데이터화가 더욱 가속화될 수 있는 또 다른 중요한 동인은 각종 센서(피지컬 AI 포함)를 통한 물리적 데이터 수집입니다.

• IoT(사물인터넷) 디바이스
  스마트워치, 스마트홈 기기 등이 사용자 체온, 심박수, 사용 패턴을 실시간으로 축적하며, 이를 AI가 분석합니다5.
• 자율주행·로보틱스 분야
  라이다(LiDAR), 레이더, 카메라 등 다양한 센서가 차량이나 로봇 주변 환경뿐 아니라 사용자 반응, 행동 패턴까지 데이터를 쌓습니다.

이처럼 물리적 세계에서 발생하는 방대한 정보를 데이터로 전환하려는 시도가 증가함에 따라, 과거에는 구조화하기 어려웠던 인간의 행동 패턴, 정서적 변화가 점차 AI가 학습 가능한 형태로 축적될 가능성이 있습니다6.

---

5. 인공지능이 결국 학습할 데이터가 생길 가능성 🤖

앞서 살펴본 것처럼,

1. 인간 전문가들의 AI 활용 과정에서 활동 기록이 자연스럽게 데이터화됨
2. 센서·피지컬 AI를 통해 미세한 신체·환경 정보를 대량으로 수집하게 됨

이 두 가지 흐름으로 인해 “데이터화하기 어렵다”고 여겨졌던 분야도 어느 정도 구조화가 가능해질 수 있습니다. 예술 분야에서도 AI가 작가의 반복적 습관·스타일을 학습하고, 심리 상담 분야에서도 음성·생체 데이터와 과거 상담 기록을 연계해 더 정교한 조언을 제공할 수 있게 될 가능성이 높다는 점이 여러 보고서에서 제기됩니다2.

물론 모든 부분이 완벽히 데이터화된다고 단언하기는 어렵지만, 현실적으로 다양한 시도와 기술 발전이 빠르게 이어지고 있는 만큼, 데이터화의 잠재적 확장은 계속될 가능성이 크다고 볼 수 있습니다6.

---

6. 결국 데이터화되지 않는 곳은 “돈이 되지 않는 영역”으로 남을 가능성 💰

6.1 시장 논리와 AI의 선택

AI 개발에 투입되는 자본(투자)의 목적은 대부분 사업화와 수익 창출에 있습니다7. 기업 입장에서는, 충분한 데이터 확보와 시장성이 보장되는 분야에 집중 투자하는 것이 일반적입니다. 따라서 데이터화를 시도해도 크게 이익이 예상되지 않는 곳은 상대적으로 외면받을 수 있습니다.

• 데이터 미확보: 규모가 너무 작거나, 투자 대비 가치가 낮은 분야라면
• 사업성 부족: 데이터화·자동화 비용이 시장에서 회수되기 어렵다고 판단되는 영역이라면

이 같은 영역은 AI 개발사나 투자자로부터 주목받지 못할 가능성이 있습니다.

6.2 외면받은 영역의 의미

• AI가 관심 갖지 않는 곳 = 시장성이 낮다고 판단된 곳
• 데이터화되지 못하는 곳 = 투자 대비 이익이 없다고 여겨지는 곳

결국, 데이터화되지 않는 영역이라 해서 자동적으로 ‘인간만의 신성 불가침 영역’이라고 단정하기는 어렵습니다. 오히려 AI 기업들이 투자할 만한 가치가 없다고 여겨 데이터화가 일어나지 않은 것일 수 있다는 점에 주목해야 합니다.

---

7. 맺음말: 데이터화 난이도는 영원한 안전지대가 아닐 수 있다 📢

1. 데이터화 난이도가 높은 영역(예술, 심층 상담, 장인 기술 등)도, 전문가들이 AI를 활용하는 과정에서 예기치 않게 새로운 데이터가 축적될 가능성이 큽니다.
2. 센서 및 피지컬 AI를 통한 물리세계 데이터 수집 확장은, 과거에 구조화하기 어렵던 인간의 행동·정서 패턴까지 포착할 수 있는 잠재력이 높습니다.
3. 궁극적으로, 지금은 “데이터화가 어렵다”고 여겨지는 곳도 부분적이나마 AI가 학습할 여지가 커질 수 있습니다.
4. 반면, 데이터화되지 않은 곳은 사업적으로 매력도가 낮아 “AI에게조차 외면받는 영역”으로 남을 공산이 크다는 지적이 있습니다7.

결국 “데이터화 난이도가 높은 분야”가 곧 “영원히 안전한 분야”라고 보기는 어렵습니다. 오히려 AI가 경쟁 우위를 위해 도입되는 과정에서 더 많은 데이터가 쌓여, ‘인간만의 직관 영역’을 계속해서 잠식해갈 가능성이 제기되고 있습니다. 그리고 최후까지 데이터화되지 않는 곳이라면, 대개 시장성이 낮아 굳이 투자할 필요가 없는 곳이 될 가능성이 있습니다.

따라서, AI 시대를 살아가는 우리는 ‘어떤 가치를 만들어낼 것인가?’라는 질문과 함께, 그러한 가치가 어떻게 데이터화되며, 시장에서 어떤 식으로 평가될지 꾸준히 살펴볼 필요가 있습니다.

---

참고문헌 👀

[1] Brynjolfsson, E., & McAfee, A. (2014). The Second Machine Age: Work, Progress, and Prosperity in a Time of Brilliant Technologies. W. W. Norton & Company.
[2] Cukier, K., & Mayer-Schönberger, V. (2013). Big Data: A Revolution That Will Transform How We Live, Work, and Think. Eamon Dolan/Houghton Mifflin Harcourt.
[3] Harari, Y. N. (2016). Homo Deus: A Brief History of Tomorrow. Vintage.
[4] Cozolino, L. (2017). The Neuroscience of Psychotherapy: Healing the Social Brain (3rd ed.). W. W. Norton & Company.
[5] McKinsey Global Institute. (2015). The Internet of Things: Mapping the Value Beyond the Hype.
[6] Stanford University. (2022). AI Index Report 2022. AI Index Steering Committee, Stanford Institute for Human-Centered AI.
[7] OECD. (2021). OECD AI Principles: Recommendations to Policymakers and Stakeholders. OECD Publishing.

---

위 문헌들은 실제로 데이터화(Datafication), AI, IoT, 심리학적 접근(감정 노동, 상담 등)과 관련된 주요 관점·사례를 제시하는 자료들로, 본 글에서 주장하는 내용을 좀 더 폭넓은 시각에서 검토할 때 참고할 만합니다.