원문은 프랑스어입니다. AI로 번역했습니다 — 문체가 아니라 의미를 보존했습니다.
이 주제는 제 책 Le contexte에서 더 깊이 다룹니다. 읽으시려면 책을 내려받거나 Amazon에서 구매하실 수 있습니다.
이 블로그에서는 아직 말씀드리지 않았습니다. 저는 지금 Contexte에 관한 책을 쓰고 있습니다.

집필 중인 책의 표지입니다.
Contexte는 사람과 AI가 대화할 때마다 처음부터 다시 시작하지 않고 하나의 미션을 중심으로 오래 함께 일할 수 있도록 제가 만들고 있는 방법론입니다. 이때 다음을 잃지 않는 것이 목표입니다.
- 출처
- 만들어 낸 지식
- 결정
- 작업의 상태, 그리고 나중에 작업을 재개하는 데 필요한 것
책은 이제 거의 완성되었습니다.
이 시점에서 저는 계속 다시 읽고, 몇몇 표현을 고치고, 예시를 보강하고, 출간을 준비할 수도 있었습니다.
그 대신 꽤 불편한 질문을 스스로에게 던졌습니다.
이 안에서 내가 정말로 발명한 것은 무엇인가?
모든 아이디어에 대해 권리를 주장할 수 있어야 한다는 의미의 "발명"이 아닙니다.
질문은 훨씬 단순했습니다.
나는 이미 존재하는 것을 모르는 사이에 다시 발명해 놓고, 그것을 새로운 방법론처럼 내놓고 있는 것은 아닐까?
무엇보다 이것은 의심하는 과학적 태도의 문제입니다.
몇 달 동안 무언가를 만들다 보면, 내 아이디어가 좋고, 다르고, 독창적이라는 사실을 확인해 주는 것만 무의식적으로 찾기가 매우 쉽습니다.
저는 그 반대로 해 보려고 했습니다.
이 확신을 해체할 수 있는 모든 것을 체계적으로 찾는 것입니다.
제가 Contexte 방법론이라고 내놓는 모든 것 가운데서:
- 이미 존재하던 것은 무엇인가?
- 의식적으로 빌려 온 것은 무엇인가?
- 변형해서 가져온 것은 무엇인가?
- 모르는 사이에 다시 발견한 것은 무엇인가?
- 다른 곳에서 이미 조립된 것은 무엇인가?
- 그리고 제가 전체를 한데 모은 방식에 고유하게 남는 것이 있다면, 그것은 무엇인가?
처음에는 단순히 선행 사례 조사를 할 생각이었습니다.
실제로는 제 확신을 조금씩 해체하는 법을 배운 시간이었습니다.
맨손으로 시작한 것이 아니라는 건 이미 알고 있었습니다
몇몇 영향은 분명했습니다.
Domain-Driven Design의 bounded context는 제가 공공연히 밝혀 온 영감의 원천입니다.
원자적 노트는 자연스럽게 저를 Zettelkasten으로 이끌었습니다.
PARA와 Second Brain은 지식 공간을 생각하는 제 방식에 영향을 주었습니다.
더 기술적인 부분에서는 Git에서 얻은 발상도 의식적으로 가져왔습니다. 특히 분리, 복사, merge에 관한 것들입니다. 또 Contexte 사이의 일부 관계에는 Observer 패턴을 참고했습니다.
그러니 질문은 이런 것이 아니었습니다.
"내 아이디어가 모두 새로운가?"
그렇지 않다는 것은 이미 알고 있었습니다.
제가 관심을 가진 것은 오히려 조립이었습니다.
책에서 Contexte는 미션으로 경계가 정해진 공간입니다. 그 안에는 출처, 그 출처에서 만들어 낸 지식, 현재 상태, 이력, 결정, 모순, 행동, 산출물이 들어 있습니다. 중단했다가 다시 이어 갈 수 있어야 합니다. 작업이 진행될수록 지식이 쌓여야 합니다. 그리고 여러 Contexte가 각자의 자율성을 잃지 않고 서로 교환할 수 있어야 합니다.
그래서 저는 이렇게 생각했습니다. 벽돌들은 분명 다른 곳에서 왔을 것이다.
하지만 그 결합 방식은 고유할지도 모른다.
제가 무너뜨려 보기 시작한 것이 바로 이 가설입니다.
첫 번째 실수: 제 단어로 검색하기
방법론의 선행 사례를 찾으려 하면 첫 번째 문제가 곧바로 드러납니다.
누구도 내 어휘를 써야 할 의무는 없다는 것입니다.
"Contexte" + AI + 기억으로 검색해 봐야 비슷한 메커니즘이 존재하는지에 대해서는 거의 아무것도 알 수 없습니다.
어떤 의료진은 50년 전부터 내 handoff와 닮은 일을 해 왔을 수 있습니다. 그 단어를 한 번도 쓰지 않은 채로 말입니다.
어떤 기록관리 체계는 knowledge management라는 말 없이 출처 이력, 원천, 해석을 이미 형식화했을 수 있습니다.
1990년대의 어떤 소프트웨어는 내가 2026년에 AI 에이전트를 다루면서 처음 마주쳤다고 믿는 복사와 의존성의 문제를 이미 해결했을 수 있습니다.
그러니 Contexte를 검색하는 일은 그만두어야 했습니다.
저는 먼저 책을 해체했습니다.
ChatGPT와 함께 24개의 개념과 12개의 구조적 관계를 추출했습니다.
책을 질문을 던질 수 있을 만큼 단순한 대상들로 바꾸려는 것이었습니다.
이런 질문만이 아닙니다.
누군가 지속되는 작업 공간을 이미 구상한 적이 있는가?
이런 질문도 던졌습니다.
누군가 원본 출처와 거기서 파생된 지식을 이미 분리한 적이 있는가?
현재와 이력 기록을 구분하는 시스템이 있는가?
하나의 문제에 대한 작업이 다음 문제들에 재사용할 수 있는 기반을 풍부하게 만드는 전통이 있는가?
자율적인 한 공간의 지식이 다른 공간으로 복사되면 어떤 일이 일어나는가?
이렇게 하면 조사가 완전히 달라집니다.
첫 번째 놀라움: 벽돌은 거의 모두 이미 있었습니다
시스템을 해체하고 나자 선례가 사방에서 나타나기 시작했습니다.
몇 가지 예를 들겠습니다.
- 출처 이력(provenance)에는 당연히 방대한 문헌이 있었고, W3C PROV 같은 표준까지 있었습니다. W3C — PROV-O: The PROV Ontology
- Event Sourcing은 이벤트의 이력에서 현재 상태를 재구성하는 방법을 제공합니다.
- Architecture Decision Records는 결정과 그 맥락, 그 이유를 보존합니다. 나중에 그 결정이 대체되더라도 말입니다. Michael Nygard — Documenting Architecture Decisions
- Truth Maintenance Systems는 이미 1980년대에 서로 양립하지 않을 수 있는 여러 가설 집합을 다루고 있었습니다. Johan de Kleer — An assumption-based TMS
이 단계에서는 어느 것도 저를 크게 놀라게 하지 않았습니다.
복잡한 방법론이 난데없이 나타난 메커니즘들로만 이루어지는 경우는 드뭅니다.
첫 번째 결론은 꽤 편안해 보였습니다.
벽돌은 새롭지 않지만, 조립은 새로울지도 모른다.
합리적인 결론이었습니다.
하지만 오래 버티지 못했습니다.
두 번째 반복: 개념이 아니라 기능을 찾기
우리는 방법을 바꾸었습니다.
책의 개념을 찾는 대신, 그 개념들이 답하는 문제를 찾기 시작했습니다.
- 중단된 작업은 어떻게 재개하는가?
- 다른 사람이 이어서 할 수 있을 만큼 사건 파일을 잘 인계하려면 어떻게 하는가?
- 수천 개의 정보 조각을 어떻게 증거로, 다시 가설로 바꾸는가?
- 서로 경쟁하는 여러 설명을 억지로 하나만 고르지 않고 어떻게 함께 유지하는가?
- 하나의 작업 공간이 운영 상태와 재사용 가능한 지식을 어떻게 동시에 간직하는가?
이번에는 조사가 아주 빠르게 소프트웨어 바깥으로 나갔습니다.
조사는 우리를 이런 분야로 데려갔습니다. - 정보 분석 - 법 - 의학 - 장애 대응 관리 - 인지과학 - 기록관리학 - 과학 연구
예를 들어 Peter Pirolli와 Stuart Card의 sensemaking 모델은 분석가가 외부 출처에서 출발해 관련 정보를 선별하고, 증거를 구성하고, 스키마와 가설을 세운 다음, 분석 결과를 만들어 내는 과정을 설명합니다. Pirolli & Card — The sensemaking process and leverage points for analyst technology
물론 이것은 Contexte가 아닙니다.
하지만 메커니즘이 닮았다는 점은 흥미로웠습니다.
Jakob Bardram의 Activity-Based Computing도 마찬가지였습니다.
2005년에 Bardram은 중심 단위가 더 이상 애플리케이션이 아니라 사람의 활동이고, 거기에 관련된 작업과 컴퓨팅 자원이 딸려 있는 인프라를 설명합니다. 이 아키텍처는 특히 환경과 환경 사이에서 이동성, 협업, 활동의 연속성을 가능하게 하도록 설계되었습니다. Aarhus University — Activity-Based Computing: Support for Mobility and Collaboration
다시 말해, 작업의 연속성을 위해서는 문서보다 더 풍부한 무언가를 보존해야 한다는 생각은 당연히 AI 에이전트가 나오기 훨씬 전부터 있었습니다.
의학, 지휘 센터, 장애 대응 관리에도 저마다의 handoff 메커니즘이 있습니다.
여기서 이미 영역이 줄어들기 시작했습니다.
재개는 고유하지 않았습니다.
handoff도 마찬가지였습니다.
다음과 같은 흐름조차:
출처 → 해석 → 추론 → 산출물
아주 탄탄한 선례가 있었습니다.
그래서 새로운 가설을 세웠습니다.
어쩌면 고유성은 살아 있는 사건 파일과 지식 자산이 만나는 지점에 있을지도 모른다.
다시 말해, 하나의 문제를 다루면서 동시에 그 문제보다 오래 남을 무언가를 만드는 것입니다.
이 가설은 그보다도 더 빨리 무너졌습니다.
조사를 가장 크게 바꾼 우회로: 영어권을 벗어나기
그때까지는 분야를 바꾸어도 여전히 서구의 영어권 자료 안에 상당 부분 갇혀 있었습니다.
그래서 일본어, 중국어, 러시아어, 아랍어로 검색을 시작했습니다.
조사가 정말로 흥미로워진 것은 이때부터였습니다.
일본에서는 Jirō Kawakita의 KJ法(KJ법)을 만났습니다.
Kawakita는 상향식(bottom-up) 방법을 설명합니다. 현장 데이터에서 출발해 자유롭게 옮길 수 있는 카드에 적고, 의미에 따라 카드를 점차 가까이 모으고 결합해 구조가 떠오르게 하는 방법입니다. J-STAGE — Emergence and Essence of the KJ Method, Jirō Kawakita 인터뷰
그리고 여기서 꽤 재미있는 순간이 찾아왔습니다.
몇 달 전, KJ法을 전혀 모르던 상태에서 저도 제가 기둥 카드라고 부르는 것으로 작업을 시작했기 때문입니다.
최근에 이 블로그에서 그 이야기를 했습니다. Cartes piliers : entretenir sa mémoire pour continuer à penser
같은 방법은 아닙니다.
KJ法은 특히 흩어진 재료에서 출발해 묶기와 재조합을 거쳐 점차 구조를 떠오르게 하는 데 쓰입니다.
제 기둥 카드의 역할은 오히려 몇 가지 구조적인 아이디어를 살아 있게 유지하고, 다시 찾아보고, 제가 읽고 실험하는 것과 계속 맞대어 보는 데 있습니다.
그래도 저를 크게 사로잡은 닮은 점이 있었습니다.
- 생각의 단위를 머릿속에서 꺼낸다
- 그것을 손으로 다룰 수 있게 만든다
- 비교적 자율적인 대상으로 유지한다
- 서로 가까이 놓고 재조합한다
- 그렇게 가까이 놓은 것을 계속 생각하는 데 활용한다
무엇보다 저는 이 실천을 시작하고 한참 뒤에야 KJ法을 알게 되었습니다.
바로 이런 것이 제가 이 조사로 찾고 싶었던 것입니다.
"나도 같은 생각을 했었다"라고 말하기 위해서가 아닙니다.
그 반대입니다.
자기 나름대로 진심으로 무언가를 만들고 나서, 다른 전통이 수십 년 전부터 비슷한 메커니즘을 탐구해 왔다는 사실을 나중에 발견할 수 있다는 것을 확인하기 위해서입니다.
우리는 Tadao Umesao도 찾아냈습니다. 그는 이미 1969년에 재조합을 위해 만든 독립된 카드 시스템을 설명했고, 그 재조합으로 생겨난 새로운 지식이 다시 시스템 안으로 들어갈 수 있었습니다.
다시 말해:
기존 지식 자산 → 재조합 → 새로운 지식 → 풍부해진 지식 자산
이미 Contexte와 그리 멀지 않았습니다.
그다음 우리는 중국에 이르렀습니다.
그리고 거기서 Hall for Workshop of Meta-Synthetic Engineering(HWMSE)를 발견했습니다.
HWMSE: 가설이 정말로 무너지기 시작한 순간
Meta-Synthesis는 1990년대 초 Qian Xuesen을 중심으로 복잡계를 다루기 위해 발전했습니다.
HWMSE는 이를 실천에 옮기기 위한 환경이 됩니다.
그 아키텍처는 다음을 명시적으로 결합합니다. - 인간 전문가 - 기계 시스템 - 지식 시스템
목표는 기존 지식을 활용하는 데서 그치지 않습니다.
저자들은 지식 창출에 대해서도 이야기합니다.
이들은 일반 지식 시스템과 연구 대상에 특화된 지식 시스템을 구분하고, 후자는 사용을 통해 끊임없이 누적될 수 있어야 한다고 설명합니다. Yu, Zhou & Feng — Man-machine collaborated knowledge creation in HWMSE
제가 Contexte로 표현하려던 것과 이미 매우 닮아 있었습니다.
게다가 이것은 개념도에 그치지 않았습니다.
HWMSE 연구는 프로토타입과 실험적 응용으로 이어졌고, 특히 거시경제 의사결정 분야에서 그랬습니다. JAIST — Knowledge System Construction and Knowledge Creation in HWMSE
다음과 같은 손쉬운 구분은:
사건 파일 시스템은 작업을 관리하고, 지식 시스템은 자산을 관리하며,
Contexte는 둘을 합친다
더 이상 제대로 성립하지 않았습니다.
다른 이들이 이미 이 두 차원의 상당 부분을 합친 시스템을 만들어 놓았습니다.
한 단계 더 내려가야 했습니다.
세 번째 반복: 아키텍처 차원의 경쟁자 찾기
우리는 더 이상 이렇게 묻지 않았습니다.
"어떤 개념이 Contexte와 닮았는가?"
그 대신 몇 가지 판별 기준을 정했습니다. - 그 시스템은 하나의 문제를 중심으로 한, 구체적인 상황 속의 작업을 관리하는가? - 정보를 지식으로 바꾸는가? - 그 지식을 다른 사례에 쓸 수 있는가? - 여러 종류의 기억을 구분하는가? - 여러 공간이 자율성을 유지하면서 협력할 수 있는가?
이 조사로 예상보다 훨씬 가까운 시스템이 여럿 드러났습니다.
Experience Factory
Victor Basili의 연구와 NASA Software Engineering Laboratory의 경험을 바탕으로 발전한 Experience Factory는 두 기능을 명시적으로 분리합니다.
한쪽에서는 프로젝트 조직이 프로젝트를 수행합니다.
다른 쪽에서 Experience Factory는: - 만들어진 경험을 수집하고 - 분석하고 - 종합하고 - 재사용 가능한 단위로 바꾸고 - 앞으로의 프로젝트가 쓸 수 있게 다시 제공합니다.
NASA Goddard의 Software Engineering Laboratory는 이미 1992년에, 15년의 운영과 수백 건의 연구를 거친 Experience Factory의 실제 운영 사례로 소개되었습니다. NASA — The Software Engineering Laboratory: An operational software experience factory
이후 Basili와 Caldiera는 Experience Factory를 프로젝트와 구별되는 조직으로, 경험을 축적하고 재사용하는 일을 맡는 조직으로 명시적으로 설명합니다. NASA — The Experience Factory: Strategy and Practice
이것은 제가 중요하다고 생각했던 또 다른 아이디어를 정면으로 겨누었습니다.
산출물은 자산이 아니다. 프로젝트의 작업은 프로젝트보다 오래 남을 무언가를 풍부하게 만들어야 한다.
Experience Factory는 이미 그렇게 말하고 있었습니다.
Knowledge-Centered Service
이어서 Knowledge-Centered Service(KCS)가 같은 메커니즘의 또 다른 버전을 보여 주었습니다.
KCS에서 지식은 작업과 분리된 별도의 프로세스에서 만들어지지 않는 것을 원칙으로 합니다.
문제 해결 루프는 특히 다음으로 이루어집니다. - 기존 지식을 찾는다 - 그것을 재사용한다 - 사용할 때 개선한다 - 필요하면 새로운 지식을 기록한다
Consortium for Service Innovation은 이 생각을 아주 명쾌한 한마디로 요약합니다. reuse is review. 지식은 작업의 흐름 안에서 바로 검증되고 개선됩니다. Consortium for Service Innovation — The Solve Loop
영역이 또 줄었습니다.
이것조차:
일상 업무를 재사용 가능한 지식을 만들고 개선하는 기계로 만든다
이미 형식화되어 있었습니다.
네 번째 반복: 마지막 세부 사항 공략하기
이 단계에서 커다란 유추를 계속 쌓아 가는 것은 더 이상 큰 의미가 없었습니다.
그래서 아직 비교적 고유해 보이는 몇 가지 요소를 골랐습니다.
- 원본 출처와 파생된 지식의 엄격한 분리
- state / history / synthesis / handoff의 분리
- 지지되거나 반박될 수 있는, 출처가 붙은 명제로서의 원자적 노트
- 정보를 참조하는 것과, 정보를 복사한 뒤 그 유지 관리를 떠맡는 것의 차이
여기서도 벽은 하나씩 무너졌습니다.
나노출판(nanopublication)과 마이크로출판(micropublication)은 이미 출처 이력, 근거 요소, 때로는 반론까지 딸린 작은 주장들을 표현하고 있었습니다.
연합 데이터베이스 시스템은 원격 데이터와, 원본과 어긋날 수 있는 로컬 복사본의 차이를 오래전부터 다루어 왔습니다.
인지 아키텍처는 작업 기억, 일화 기억, 의미 기억을 구분했습니다.
디지털 포렌식 실무는 증거를 보존하기 위해 원본을 보관하고 복사본으로 작업합니다.
그때마다 아직 고유해 보이던 것이 알려진 메커니즘들의 재조합이 되었습니다.
마지막 진짜 발견: ScholOnto와 SWAN
그래도 우리가 끝에 이른 것인지, 아니면 찾는 데 그저 지친 것인지는 알아야 했습니다.
그래서 기준 하나를 더했습니다.
새로운 출처는 단지 Contexte와 닮았다는 이유만으로는 더 이상 인정되지 않았습니다.
그 출처는 지도를 바꾸어야 했습니다.
예를 들면:
- 이미 찾은 것보다 더 오래되었거나
- 확연히 더 가깝거나
- 그때까지 따로 떨어져 있던 여러 메커니즘을 한데 모으거나
- 우리의 결론을 바꾸도록 강제하는 경우입니다.
이 규칙 덕분에 아무 유추나 억지로 끼워 맞추는 함정에 빠지지 않고 조사를 이어 갈 수 있었습니다.
이 시험을 통과한 시스템이 두 개 더 있었습니다.
ScholOnto
2000년부터 지원을 받아 2000년대 초에 활발했던 ScholOnto 프로젝트는 연구자들이 claims를 발표하고, 그것을 문헌과 연결하고, 반박할 수 있는 인프라를 만들고자 했습니다.
그 시스템인 ClaiMaker로는 claim과 논증의 네트워크를 만들고 탐색할 수 있었습니다. Knowledge Media Institute — ScholOnto / ClaiMaker
SWAN
이어서 생물의학 연구 분야의 SWAN은 한 걸음 더 나아갔습니다.
SWAN은 외부의 과학 자원과 시스템 안에서 만들어진 담론 요소를 명시적으로 구분했습니다.
Research Statement는 논문이나 다른 자원에서 파생될 수 있었고, 출처 이력을 간직한 채 supports, refutes, alternativeTo 같은 관계로 다른 statement와 연결될 수 있었습니다.
statement가 바뀌면 시스템은 이전 버전도 보존했습니다. Ciccarese et al. — The SWAN Scientific Discourse Ontology
이쯤 되자 제 원자적 노트와의 유사성은 외면하기 어려워졌습니다. - 구별된 출처 - 해석 - 명제 - 출처 이력 - 근거 - 모순 - 재사용 - 시간에 따른 변화
그리고 여기서도 이론적인 온톨로지에 그치지 않았습니다. 저자들은 이 지식 베이스를 구축하고 탐색하는 데 쓰인 Workbench와 Browser를 설명합니다. PubMed — The SWAN biomedical discourse ontology
조각 대부분이 이미 거기 있었습니다.
그리고 결과가 더 이상 결론을 바꾸지 않게 되었습니다
아마 이것이 이 방법에서 가장 중요한 부분일 것입니다.
어느 순간에는 멈춰야 합니다.
다른 선행 사례가 전혀 없다는 것을 증명했기 때문이 아닙니다.
그것은 불가능합니다.
새로운 검색이 계속 같은 계열의 결과만 내놓기 시작하기 때문입니다.
새 논문은 연도 하나를 앞당깁니다.
다른 출처는 예시 하나를 보탭니다.
어떤 시스템은 다른 어휘를 쓰지만 이미 확인한 메커니즘을 다룹니다.
더 나쁜 경우도 있습니다. 무언가가 왜 막연하게나마 비교할 만한지 열 줄에 걸쳐 설명하기 시작해야 할 때입니다.
그 순간에 위험이 생깁니다.
더 이상 가설을 시험하는 것이 아니게 됩니다.
찾고 싶었던 닮음을 스스로 만들어 내기 시작합니다.
그래서 우리는 조사가 합리적인 포화 상태에 이르렀다고 판단했습니다.
그렇다면 무엇이 독창적인가?
결론은 처음에 상상했던 것과 다릅니다.
이제 저는 Contexte 안에서 "새로운 아이디어"를 찾는 것이 그다지 유용하다고 생각하지 않습니다.
중요한 벽돌은 거의 모두 선례가 있습니다.
그 벽돌들 사이의 관계도 상당수가 그렇습니다.
그리고 여러 선행 시스템이 이미 그중 큰 덩어리들을 조립해 놓았습니다.
예를 들면: - HWMSE는 사람, 기계, 문제 해결, 지식 축적을 한데 모읍니다. - Experience Factory는 프로젝트와, 그 경험을 자산으로 바꾸는 조직적 메커니즘을 분리합니다. - KCS는 지식의 생성과 개선을 일상 업무에 직접 통합합니다. - Project Memory는 프로젝트의 이력과 맥락을 다룹니다. - ScholOnto와 SWAN은 명제, 출처, 출처 이력, 모순을 구조화합니다. - 연합 시스템은 자율성, 가져오기, 복사, 의존성을 다룹니다.
그렇다고 Contexte가 아무것도 기여하지 않는다는 뜻은 아닙니다.
기여하는 지점이 다른 곳에 있다는 뜻입니다.
지금이라면 저는 이렇게 표현하겠습니다.
Contexte는 여러 전통에서 온 메커니즘을 명시적으로 선택하고, 결합하고, 규격화하여, AI와 오래 함께 일하기 위한 실행 가능한 방법론으로 묶은 것입니다.
이 시스템에는 특히 다음이 있습니다. - 자체 어휘 - 자체 대상 - 자체 제약 - 자체 절차 - 출처, 지식, 상태, 이력, 종합, 결정, 모순, handoff, 산출물을 나누는 고유한 방식 - 자율적인 여러 Contexte 사이에서 정보를 흐르게 하는 자체 규칙
이 문법 전체를 정확히 갖춘 기존 시스템은 찾지 못했습니다.
하지만 이 문법의 거의 모든 구성 요소에는 Contexte 이전의 이력이 있습니다.
그리고 결국, 저는 이 답이 훨씬 더 마음에 듭니다.
의심하는 과학적 태도
처음에 질문은 대략 이랬습니다.
내 아이디어는 정말 독창적인가?
돌이켜 보면, 아마 가장 좋은 질문은 아니었습니다.
선행 사례 조사가 무엇보다 알려 준 것은 제 아이디어가 무엇으로 이루어져 있는지였습니다.
어떤 직관이 제가 아는 전통에서 왔는지.
어떤 직관이 제가 들여다볼 생각조차 하지 못했을 분야에 이미 있었는지.
어떤 조각들이 이미 조립되어 있었는지.
그리고 제 작업의 어느 부분이 주로 흩어진 메커니즘을 번역하고, 단순하게 만들고, 재조합하고, 쓸 수 있게 만드는 일이었는지.
이것은 제가 말하는 의심하는 과학적 태도를 잘 보여 주는 예이기도 합니다.
저에게는 암묵적인 가설이 하나 있었습니다.
어쩌면
Contexte의 이 부분은 새로울지도 모른다.
그것을 시험하는 올바른 방법은 그 가설을 믿을 이유를 찾는 것이 아니었습니다.
가능한 가장 강력한 반례를 찾는 것이었습니다.
그리고 반례를 찾을 때마다 가설을 수정하는 것이었습니다.
반복할 때마다 제가 합리적으로 고유하다고 내세울 수 있는 영역은 줄어들었습니다. - 처음에는 벽돌 - 다음에는 일부 조립 - 다음에는 작업을 축적의 메커니즘으로 만든다는 아이디어 - 다음에는 정보 문법 자체의 일부
역설적으로, 제안은 더 분명해졌습니다.
저는 이렇게 말할 수 있는 편이 낫습니다.
이것은 내가 빌려 온 것이고, 이것은 변형한 것이며, 이것은 결합한 것이고, 이것이 내가 거기에 부여한 형태다
단지 그 조상들을 한 번도 만난 적이 없다는 이유로 어떤 아이디어가 새롭다고 이야기하는 것보다는 말입니다.
다시 쓰고 싶은 방법
다른 아이디어로 이런 조사를 다시 한다면, 이번처럼 시작하지는 않겠습니다.
곧바로 이렇게 하겠습니다.
- 아이디어를 구성 요소와 관계로 분해한다
- 어휘가 아니라 메커니즘을 찾는다
- 구성 요소, 관계, 조립, 목적을 따로따로 비교한다
- 출발한 분야에서 빨리 벗어난다
- 여러 언어로 찾는다
- 이론만이 아니라 실제로 만들어진 시스템을 본다
- 가장 좋은 출처의 참고문헌을 거슬러 올라가고, 그 출처를 인용한 연구를 살핀다
- 현재 결론을 무너뜨릴 수 있는 반례를 의도적으로 찾는다
- 새로운 발견이 중요하다고 인정받으려면 무엇을 바꿔야 하는지 정한다
- 새로운 출처가 이미 지도에 올린 선례의 변형밖에 가져오지 않을 때 멈춘다
좋은 출처의 참고문헌을 거슬러 올라가고 그 출처를 인용한 논문을 따라가는 작업을 snowballing이라고 부르기도 합니다.
이름보다 메커니즘이 중요합니다.
좋은 출처 하나는 키워드 검색으로는 끝내 찾지 못했을지도 모르는 어휘 전체와 전통 전체로 들어가는 입구가 됩니다.
마지막 항목, 곧 멈출 줄 아는 것이 아마 가장 어렵습니다.
조사는 언제나 계속할 수 있습니다.
언제나 이런 것이 있을 것입니다. - 새 논문 - 새 특허 - 새 분야 - 또 다른 언어 - 새 키워드
질문은 모든 것을 찾았느냐가 아닙니다.
질문은 이것입니다.
계속하는 것이 여전히 답을 바꾸는가?
한계
이 방법은 물론 선행 사례가 없다는 것을 증명하지 않습니다.
이 방법은 다음에 좌우됩니다. - 검색 엔진 - 떠올리는 언어 - 디지털화된 문서 - 여전히 접근할 수 있는 출판물 - 그 출판물의 색인 - 저자들이 고른 어휘 - 그리고 서로 다른 두 어휘 뒤에 있는 같은 메커니즘을 알아보는 우리 자신의 능력
두 메커니즘이 정말로 비교할 만하다고 판단할 때 쓰는 판단력에도 좌우됩니다.
닮음은 동일함이 아닙니다.
원자력 발전소에서 쓰는 기법이 handoff를 갖추었다고 해서 AI 기억 시스템의 직계 조상이 되는 것은 아닙니다.
마찬가지로, 일본의 한 방법이 카드를 쓴다는 것을 나중에 알았다고 해서 제 기둥 카드가 KJ法이라는 뜻은 아닙니다.
다음 두 가지를 동시에 말할 수 있어야 합니다.
흥미로울 만큼 충분히 가깝다
그리고:
같은 것은 아니다.
결과가 없다는 것이 결과가 없다는 것으로 남아야 하는 이유도 여기에 있습니다.
이렇게 바뀌어서는 안 됩니다.
아무도 그것을 한 적이 없다.
제가 얻은 것
저는 제가 무엇을 발명했는지 알아내려고 이 조사를 시작했습니다.
그리고 조금 다른 질문으로 조사를 마칩니다.
이미 존재하던 모든 것에서 출발해 나는 무엇을 만들었는가?
이 답이 더 흥미롭게 느껴집니다.
Contexte가 흥미로운 이유는 아마 다음을 발견했기 때문이 아닐 것입니다.
- 출처 이력
- 원자적 노트
- handoff
- 조직 기억
- 경계가 정해진 공간
- 지식 축적
이 모든 것은 이미 존재했습니다.
Contexte가 흥미로워지는 것은, 그 조립이 이 메커니즘들을 충분히 단순하고 일관되게 만들어 사람과 AI가 몇 주, 몇 달 동안 배운 것을 잃지 않고 함께 일할 수 있게 할 때입니다.
그러니 저는 이 조사를 마치며 깃발을 꽂을 빈 땅을 얻지 못했습니다.
대신 지도 한 장을 얻었습니다.
그리고 자신이 무엇을 만들고 있는지 이해하는 데에는, 좋은 지도 한 장이 깃발보다 훨씬 더 값질 것입니다.