서울대 임하진 교수의 연구가 밝혀낸, AI가 인간의 정체성을 이해하는 방식의 한계와 가능성
뉴스를 읽어주는 AI 아나운서, 광고 속 가상 인간, 세상을 떠난 이의 목소리를 되살리는 음성 복원, 나를 대신해 대화하는 개인화 챗봇. 이런 장면 앞에서 우리는 흔히 "얼마나 그럴듯한가"를 묻습니다. 그런데 더 근본적인 질문이 있습니다. AI는 과연 한 사람의 '나다움'까지 재현할 수 있을까요?
서울대 언론정보학과 임하진 교수가 《신문과방송》 2026년 8월호에서 소개한 논문 〈'나'는 무엇으로 구성되는가〉는 바로 이 질문을 정면으로 다룹니다. 흥미로운 점은 이 연구가 "AI가 인간을 얼마나 잘 흉내 내는가"가 아니라, "어떤 정보로 정체성을 구성하는가"를 묻는다는 데 있습니다.
정체성은 오랫동안 사회과학이 붙들어 온 개념이지만, 실제로 측정하기는 까다로웠습니다. 사람은 성별·연령·학력 같은 사회적 범주만으로 설명되지 않습니다. 성격과 가치관, 매일의 경험과 좋고 싫음, 남에게 보이는 모습과 쉽게 드러내지 않는 속마음이 함께 얽혀 한 사람을 이룹니다. 연구팀은 이 복합적인 정체성을 세 층위로 나누었습니다.
바로 이 지점에서 AI는 흥미로운 실험 도구가 됩니다. 현실에서는 서로 분리하기 어려운 정체성 요소들을, 대규모 언어모델(LLM)에서는 프롬프트 안에서 선택적으로 넣고 빼며 무엇이 '나다움'을 만드는지 견주어 볼 수 있기 때문입니다.
먼저 오해를 하나 걷어낼 필요가 있습니다. 이 연구의 '도플갱어'는 개인의 데이터로 AI 모델을 다시 학습시킨 결과가 아닙니다. 연구팀은 참여자가 제공한 정보를 조건별 프로필로 정리한 뒤, 이를 프롬프트에 담아 LLM이 해당 참여자를 대리하는 페르소나로 응답하게 했습니다. 미국 거주자 50명을 대상으로, 참여자마다 네 가지 프로필 조건을 만들었습니다.
각 조건의 페르소나는 자기소개와 10년 후 비전, 스트레스 관리법을 담은 에세이 작성, "높은 연봉을 위해 가족과 떨어져 이사할 것인가" 같은 가치 판단, 그리고 드러낸 자아와 숨긴 자아를 표현하는 과제를 수행했습니다. 이후 참여자 본인이 각 응답이 자신과 얼마나 닮았는지 직접 평가했습니다.
정보를 더 많이 준다고 해서 반드시 더 '나다운' 응답이 만들어지는 것은 아니었습니다. 자기소개나 미래 비전 같은 일반적인 과제에서는 조건 간 차이가 뚜렷하지 않았습니다. 반면 스트레스 관리 에세이나 가치 판단 과제처럼 개인의 경험과 우선순위가 직접 개입하는 과제에서는, 참여자가 중요하다고 평가한 요소를 강조한 조건이 더 '나다운' 것으로 평가됐습니다.
같은 30대 여성이라도 누구에게는 성별이 자신을 설명하는 핵심이고, 누구에게는 직업이나 종교·가족이 더 중요할 수 있습니다. '나다움'은 정보의 단순한 총합이 아니라, 그 정보가 개인 안에서 어떤 무게를 갖는지에 달려 있었습니다.
가장 불편한 지점입니다. 인구사회학적 정보만 주어진 조건에서, LLM은 참여자를 한 개인으로 이해하기보다 사회적 범주에 대한 일반화된 이미지를 끌어와 응답하는 경향을 보였습니다.
"전통적인 남아시아 요리에 별로 관심이 없고, 그 음식이 내 뿌리와 연결된다고 느끼지도 않는다."
"스트레스를 받으면 기도하러 간다는데, 나는 전혀 그런 사람이 아니다."
프롬프트의 정보가 제한적일 때, LLM은 빈틈을 대규모 학습 데이터 속 일반적 연상으로 채웁니다. "이런 배경이니 이런 삶을 살 것"이라는 추론은, 한 사람을 정교하게 설명하는 대신 집단의 전형적 이미지를 덧씌우는 방식으로 작동합니다. 이는 이용자 분석, 콘텐츠 추천, 광고 타기팅에도 그대로 적용되는 경고입니다.
연구팀은 심리학의 '조하리의 창(Johari's Window)' 개념을 참고해, 페르소나가 드러낸 자아와 숨긴 자아를 얼마나 잘 표현하는지 살폈습니다. 드러낸 자아에 대해서는 어느 정도 높은 정합성 평가를 받았지만, 숨긴 자아에 대한 평가는 전반적으로 낮았습니다. 정보를 더 주거나 중요도를 반영해도 이 차이는 좁혀지지 않았습니다.
이는 단순한 모델 성능의 문제가 아니라, 애초에 드러나지 않은 정보에는 접근할 수 없다는 개인화의 근본적 한계입니다. 클릭과 시청 시간, 댓글, 검색 기록은 모두 겉으로 드러난 행동일 뿐, 그가 왜 그 콘텐츠를 봤는지, 무엇을 원하면서도 끝내 말하지 않는지는 알기 어렵습니다.
AI로 인간을 시뮬레이션하려는 시도는 가상 인간, 소비자 반응 예측, 여론 시뮬레이션, 개인화 추천, AI 상담과 교육으로 계속 확장되고 있습니다. 이 연구가 남긴 결론은 세 가지입니다.
사람을 이해한다는 것은 어떤 정보가 있는지 확인하는 일뿐 아니라, 그 정보가 그 사람에게 어떤 의미를 갖는지, 어디까지 추론해도 되는지를 함께 묻는 일입니다. AI가 사람을 닮아갈수록, 우리는 그 닮음이 무엇을 드러내고 무엇을 놓치는지 더 신중하게 따져볼 필요가 있습니다.