기계는 과거를 더 잘 읽게 만들었지만, 동시에 과거를 새로 써버린다

Jun 20, 2026

7 min read

2 views

89%

기계는 보지 못하던 연결을 보지만, 그 대가를 묻지 않는다

역사를 읽는 데 필요한 능력이 정말 바뀌고 있다. 한때는 희미한 필체를 해독하고, 손상된 비문을 추측하고, 수백 권의 교과서를 일일이 넘겨야만 보이던 패턴을 이제는 신경망이 찾아낸다. 그런데 더 흥미로운 질문은 따로 있다. 기계가 과거를 더 잘 읽게 될수록, 우리는 과거를 더 정확하게 이해하게 되는가, 아니면 그럴듯하게 재구성된 과거를 더 쉽게 믿게 되는가?

이 질문은 단순히 역사학의 문제가 아니다. 오늘날의 AI는 텍스트, 이미지, 오디오를 한꺼번에 묶어 이해하려 하고, 더 나아가 생성까지 한다. 즉, 정보를 찾는 도구에서 정보를 엮고, 빈칸을 채우고, 장면을 만들어내는 도구로 바뀌고 있다. 과거를 해석하는 능력과 과거를 조작하는 능력이 같은 기술적 가족 안에서 자라나고 있다는 점이 핵심이다.

우리가 지금 맞닥뜨린 변화는 ‘더 강한 검색’이 아니다. 인식, 추론, 복원, 생성이 하나의 연속선 위에 놓이는 시대다. 그리고 그 연속선은 역사 연구뿐 아니라 지식의 권위 자체를 흔든다.

과거는 원래 데이터가 아니다: 맥락이 사라진 순간, 의미도 흔들린다

역사 자료는 현대 데이터와 다르다. 현대 데이터는 대개 구조화되어 있고, 정답이 어느 정도 고정되어 있으며, 입력 형식도 안정적이다. 반면 고문서, 삽화, 천문표, 비문은 언제나 불완전하고, 지역적이며, 훼손된 상태로 남아 있다. 글씨체는 제각각이고, 언어는 방언과 혼성어가 섞이며, 이미지도 현재의 카메라가 보는 세계와 전혀 다른 질감으로 남는다.

이 차이는 매우 중요하다. 많은 AI 모델은 사실상 ‘최근의 세계’를 잘 배운다. 휴대전화, 테슬라, 디지털 사진, 선명한 컬러 이미지 같은 것들이다. 하지만 역사 자료는 흐릿하고, 손상되었고, 오래된 규칙을 따른다. 그래서 모델은 단순히 오래된 자료를 못 읽는 것이 아니라, 현재의 감각 체계를 과거에 투사하려는 경향을 보인다.

여기서 발견되는 더 깊은 긴장은 이것이다. AI는 본질적으로 패턴 인식 기계지만, 역사 연구는 패턴 인식만으로는 끝나지 않는다. 역사에서 중요한 것은 단지 무엇이 반복되었는가가 아니라, 무엇이 왜 반복되었는지, 반복이 무엇을 가렸는지, 반복되지 않은 예외가 무엇을 드러내는지를 읽어내는 일이다. 즉, AI가 잘하는 것은 연결을 만드는 것이고, 역사가가 잘하는 것은 그 연결의 의미와 침묵을 해석하는 것이다.

이 차이를 이해하지 못하면 AI는 손상된 비문을 복원하는 도구가 아니라, 빈칸을 자연스럽게 채워넣는 환각의 엔진이 될 수 있다.

데이터가 부족할수록 기계는 겸손해지는 것이 아니라, 오히려 더 자신 있게 틀릴 수 있다.

진짜 혁신은 예측이 아니라 재구성의 방식에 있다

많은 사람들은 AI를 예측 도구로 이해한다. 다음 단어를 맞히고, 다음 이미지를 찾고, 다음 행동을 예상하는 식이다. 하지만 인문학과 역사학에서 더 중요한 것은 예측이 아니다. 재구성이다. 잃어버린 조각을 어디까지, 어떤 근거로 되살릴 수 있는가가 핵심이다.

여기서 멀티모달 모델이 가진 의미가 드러난다. 텍스트만 읽는 모델과 달리, 이미지와 오디오, 시각적 표식, 표의 숫자 구조를 함께 묶는 모델은 서로 다른 감각 층위 사이의 공통 패턴을 포착한다. 예를 들어 한 장면에 대한 스케치와 설명을 함께 넣으면 자동차 이미지를 생성할 수 있고, 이미지로 오디오를 찾거나 오디오로 이미지를 찾을 수도 있다. 이는 단순한 편의 기능이 아니다. 세계는 원래 단일한 형식으로 존재하지 않기 때문이다.

역사 자료도 마찬가지다. 어떤 지식은 텍스트에 있고, 어떤 것은 표의 배치에 있고, 어떤 것은 삽화의 반복 모티프에 있으며, 어떤 것은 문서들 사이의 연결망에 숨어 있다. 종이 한 장만 보면 사소해 보이는 표가 수백 장 쌓이면 시대의 지식 구조를 드러내고, 한 명의 발언 기록은 미미해 보여도 네트워크 속 위치에 따라 실제 영향력이 달라질 수 있다.

이 지점에서 우리는 AI의 진짜 잠재력을 다시 정의해야 한다. AI는 정보를 더 빠르게 읽는 기계가 아니라, 서로 다른 형식의 흔적을 한 세계의 단서로 묶어내는 기계다. 멀티모달 모델은 이 점을 기술적으로 드러낸다. 이미지바인드가 텍스트, 이미지, 오디오를 단일 임베딩에 묶는 방식은, 역사학이 늘 해오던 일과 닮아 있다. 서로 다른 자료를 하나의 해석적 장 안에서 교차시키는 것, 바로 그것이다.

하지만 여기에는 또 다른 위험이 있다. 하나의 임베딩에 모두 묶는 순간, 차이를 보존하기보다 차이를 평준화할 수 있다. 역사가가 자료를 모을 때 가장 경계해야 할 것은 통합 자체가 아니라, 통합이 불러오는 과잉 단순화다. 하나의 해석이 모든 형식을 설명하는 순간, 과거는 풍부한 현실이 아니라 매끄러운 설명문으로 변한다.

우리가 원하는 것은 정답이 아니라, 가설의 지도다

AI를 역사에 적용할 때 가장 유용한 방식은 정답을 내놓는 모델이 아니라, 가능한 해석들의 지형을 보여주는 모델이다. 왜냐하면 역사에서는 단일 정답보다 경쟁하는 가설의 구조가 더 중요하기 때문이다. 어떤 법령의 연대가 기원전 446년인지 421년인지 같은 문제는 단지 숫자의 문제가 아니다. 그 날짜가 달라지면 권력, 개혁, 제도 변화의 해석이 달라진다.

이때 좋은 AI는 판결자가 아니라 지도 제작자여야 한다. 무엇이 가장 가능성 높은지 순위를 매기고, 어떤 특징이 결과에 영향을 줬는지 설명하며, 인간이 다시 검증할 수 있는 흔적을 남겨야 한다. 설명 가능한 AI가 중요한 이유는 기술적 투명성 때문만이 아니다. 그것은 역사학의 기본 윤리와 닿아 있다. 역사는 증거와 해석 사이의 긴장을 지우는 일이 아니라, 그 긴장을 보존하는 학문이기 때문이다.

이런 관점에서 보면, AI가 잘하는 일과 역사가가 잘하는 일은 서로를 대체하는 관계가 아니다. 오히려 서로의 약점을 메우는 관계다. AI는 수만 개의 표와 삽화, 네트워크와 비문을 동시에 훑어 상관관계를 찾는다. 인간은 그 상관관계가 우연인지 구조인지, 권력의 결과인지 자료 편향의 산물인지 판별한다.

여기서 중요한 원리는 하나다. AI가 제공해야 하는 것은 해석의 결론이 아니라 해석의 압축된 출발점이다. 역사가가 더 깊게 질문할 수 있도록, 후보군을 줄이고, 숨은 연결을 드러내고, 반례를 찾을 수 있게 해야 한다. 즉, 기계는 역사 서술의 종착역이 아니라 발굴 작업의 삽질이어야 한다.

좋은 AI는 역사를 대신 말하는 기계가 아니라, 역사가가 더 정확히 질문하게 만드는 기계다.

생성형 AI는 과거를 복원하는 동시에, 과거를 위조할 수 있다

문제는 여기서 끝나지 않는다. 같은 기술이 복원에 쓰일 수 있다면, 위조에도 쓰일 수 있다. 고문서의 글씨체를 흉내 내고, 19세기 의회 연설문 같은 문체를 재현하고, 사진처럼 보이는 장면을 합성하는 것은 이제 어렵지 않다. 기술이 정교해질수록 가짜는 더 이상 조악한 사기물이 아니라, 검증 없이는 실제와 구분하기 어려운 대체 역사가 된다.

이 지점에서 역사학이 맞닥뜨리는 위기는 단순한 사실 오류가 아니다. 더 근본적인 위기는 증거의 권위가 시각적 사실감에 잠식되는 것이다. 우리는 오래전부터 조작된 사진과 선전, 검열과 삭제에 익숙했다. 하지만 지금의 차이는 속도와 규모, 그리고 상호작용성이다. 과거의 위조는 대체로 한 방향이었다. 오늘날의 생성형 AI는 사용자의 요청에 따라 무한히 변형되는 반사형 위조를 만든다.

게다가 챗봇은 역사 인물을 ‘대화 가능한 캐릭터’로 바꾸면서 그 인물의 불편한 면을 흐릴 수 있다. 이 또한 단순한 유희가 아니다. 한 인물의 발언을 실시간으로 모사하는 순간, 우리는 원문보다 말 잘하는 시뮬레이션을 더 신뢰할 위험에 빠진다. 진짜 역사보다 그럴듯한 역사가 더 설득력 있게 보이기 시작하면, 문제는 해석이 아니라 감각이 된다.

그래서 앞으로의 핵심 질문은 이것이다. 얼마나 많은 과거를 기계에 넘길 것인가가 아니라, 어떤 종류의 과거는 절대 기계가 단독으로 말하게 두면 안 되는가이다. 예측, 복원, 생성, 서술 중에서 어디까지를 자동화할 수 있는지보다, 어디부터는 인간의 서명과 책임이 반드시 남아 있어야 하는지를 정해야 한다.

새로운 지식 인프라의 규칙: 통합, 검증, 반사실성

이 모든 논의를 관통하는 하나의 프레임이 있다. 나는 이것을 지식 인프라의 3원칙이라고 부르고 싶다.

통합: 텍스트, 이미지, 표, 네트워크, 오디오를 분리된 조각으로 보지 말고 서로를 교차 검증하는 단서로 묶는다.
검증: 모델이 내놓는 결과를 결론이 아니라 가설로 취급하고, 출처와 근거를 추적 가능하게 만든다.
반사실성: AI가 생성한 결과를 곧바로 사실로 받아들이지 말고, 이것이 다른 해석과 무엇이 다른지, 어떤 편향을 내포하는지 함께 본다.

이 세 가지는 단지 연구자들에게만 필요한 규칙이 아니다. 일반 사용자에게도 필요하다. 우리는 이제 뉴스 사진, 역사 콘텐츠, 인물 챗봇, 요약된 문헌, 재구성된 이미지가 뒤섞인 환경에서 살게 된다. 따라서 정보 소비자의 새로운 역량은 빠르게 읽는 능력이 아니라 출처와 생성 경로를 보는 능력이다.

예를 들어 다음과 같은 습관이 필요하다.

이미지가 나오면, 무엇을 근거로 생성되었는지 묻기
역사적 주장 앞에서, 원문과 중간 해석을 구분해 보기
챗봇의 답변을 “그럴듯함”과 “검증됨”으로 나눠 읽기
하나의 데이터셋에 지나치게 의존한 결론을 경계하기

이런 습관은 번거로워 보이지만, 사실상 미래의 읽기법이다. 과거를 이해하는 일은 이제 단지 자료를 찾는 것이 아니라, 자료가 어떻게 만들어지고, 압축되고, 선택되고, 다시 생성되었는지 추적하는 일이 되었다.

Key Takeaways

AI는 과거를 더 잘 보여주는 동시에, 과거를 더 쉽게 재구성하고 조작할 수 있게 만든다. 따라서 “정확성”만이 아니라 “생성 경로의 투명성”이 중요하다.
역사 연구에서 AI의 가장 큰 가치는 정답 제공이 아니라 가설 지도 제작이다. 모델은 결론보다 후보군, 설명, 연결망을 제공해야 한다.
멀티모달 AI는 역사 연구와 닮아 있다. 텍스트, 이미지, 표, 음성은 분리된 정보가 아니라 서로를 해석하는 단서다.
가짜의 위협은 이제 내용보다 감각에 가깝다. 사람들은 사실보다 더 그럴듯한 재현을 믿기 쉬우므로, 출처와 검증 절차를 습관화해야 한다.
AI를 쓸수록 인간의 역할은 줄지 않는다. 오히려 더 선명해진다. 무엇을 자동화할지, 어디서 멈출지, 어떤 해석에 책임질지는 인간이 정해야 한다.

우리는 과거를 더 많이 아는 대신, 더 엄격하게 믿어야 한다

AI가 역사 자료를 읽는 능력은 단순한 기술 진보가 아니다. 그것은 우리가 지식을 생산하고, 보존하고, 인증하는 방식 전체를 바꾸는 사건이다. 기계는 이제 희미한 필체를 해독하고, 부서진 비문을 복원하고, 이미지와 표의 숨은 구조를 찾고, 심지어 그럴듯한 가짜 과거를 만들어낸다. 이 모든 변화는 한 가지 사실을 드러낸다. 과거는 더 이상 저절로 남아 있는 것이 아니라, 끊임없이 다시 편집되는 대상이라는 점이다.

그래서 진짜 질문은 “AI가 역사를 읽을 수 있는가”가 아니다. 진짜 질문은 “우리는 AI가 읽어낸 역사와 만들어낸 역사를 어떻게 구분할 것인가”이다. 이 구분을 잘하는 사회일수록, 과거를 더 많이 소유하는 것이 아니라 더 정교하게 이해하게 된다.

결국 미래의 역사학은 기계와 인간의 경쟁이 아니다. 그것은 기계가 발견한 패턴을 인간이 책임 있는 의미로 바꾸는 기술이다. 과거를 더 많이 알수록, 우리는 더 쉽게 확신할 것이 아니라 더 엄격하게 의심해야 한다. 그 의심이야말로, AI 시대에 역사적 진실을 지키는 마지막 형태의 지성이다.