표준화와 자율성의 역설: 데이터가 돌보는 순간, 사람이 보이기 시작한다

기계가 강도를 정하는 순간, 왜 사람에 대한 질문이 더 커질까?

치료 계획의 강도를 정하는 일을 기계가 도울 수 있다면, 우리는 더 인간적인 의료에 가까워지는 걸까, 아니면 더 비인간적인 의료로 미끄러지는 걸까? 이 질문은 단순한 기술 논쟁이 아니다. 자폐 스펙트럼 장애 치료처럼 복잡하고 개별차가 큰 영역에서, 표준화는 효율을 높이지만 동시에 사람을 평균으로 만들 위험을 품고 있다.

겉으로 보면 두 이야기는 멀어 보인다. 하나는 자폐 아동에게 어떤 강도의 ABA가 적절한지 예측하는 모델의 이야기이고, 다른 하나는 자폐 성인이자 의사들이 의료 현장에서 어떻게 자신을 이해하고 일하는지에 대한 이야기다. 그러나 둘을 함께 놓으면, 더 큰 긴장이 드러난다. 우리는 언제 분류가 도움이 되고, 언제 분류가 사람을 가리는가?

이 질문은 의료뿐 아니라 교육, 조직, 평가, 심지어 자기 이해에도 닿아 있다. 가장 정교한 시스템은 종종 환자나 직원을 더 잘 이해하기 위해 만든다. 그런데 아이러니하게도, 그 시스템이 충분히 정교해질수록 우리는 마침내 깨닫는다. 정확한 분류의 목적은 사람을 단순화하는 것이 아니라, 사람을 만날 자리를 확보하는 것이라는 사실을.

---

분류는 차갑다기보다, 보통 너무 조악하다

많은 사람은 분류를 싫어한다. 이유는 분명하다. 분류는 복잡한 삶을 라벨 하나로 눌러버리는 것처럼 느껴지기 때문이다. 하지만 문제는 분류 자체가 아니라, 대개 분류가 너무 거칠다는 것이다. 의학에서 아주 넓은 범주 하나로 모두를 묶으면, 실제 필요한 도움을 놓치기 쉽다.

예를 들어, 같은 ASD 진단을 받았더라도 어떤 아이는 언어 습득이 가장 시급하고, 어떤 아이는 감각 과부하가 문제이며, 또 어떤 아이는 사회적 의사소통보다 자기조절을 먼저 다뤄야 한다. 치료 강도가 달라져야 하는 이유가 여기에 있다. 마치 같은 도로 위에 있다고 해서 모두에게 같은 속도 제한이 필요한 것은 아닌 것과 같다. 도로의 폭, 날씨, 운전자 경험이 다르면 규칙도 달라져야 한다.

ML 예측 모델이 의미를 갖는 이유는 바로 여기 있다. 기계가 마법처럼 지혜로워서가 아니라, 일관된 기준으로 많은 변수를 동시에 보는 데 인간보다 유리할 수 있기 때문이다. 나이, 증상, 발달 이력, 기능 수준처럼 손쉽게 얻을 수 있는 정보를 조합해 적절한 치료 강도를 분류하면, 임상의는 초기 결정에서 더 나은 출발점을 얻는다.

좋은 분류는 사람을 줄이는 도구가 아니라, 사람을 덜 오해하게 만드는 도구다.

이 문장이 핵심이다. 분류가 유용한 이유는 각 개인을 평평하게 만드는 데 있지 않다. 오히려 각 개인이 처한 조건의 차이를 더 빨리, 더 정확히 포착하는 데 있다. 치료의 출발선이 달라야 하는 이유를 이해하지 못하면, 우리는 평등을 동일성으로 착각하게 된다.

그러나 여기서 중요한 경계가 있다. 데이터로 치료 강도를 정하는 일은 강력하지만, 그것이 곧 치료의 의미를 정의하지는 못한다. 필요한 것은 예측이 아니라 해석이다. 어떤 아이에게 더 강한 개입이 필요하다고 해서, 그 아이가 더 결함적이라는 뜻은 아니다. 단지 현재 환경과 요구가 더 많은 지원을 필요로 한다는 뜻일 뿐이다.

---

자폐 성인 의사들이 보여주는 것: 능력은 진단보다 넓다

자폐 성인 의사들의 경험은 이 논의를 다른 차원으로 옮긴다. 이들은 종종 세부 사항에 강하고, 패턴을 잘 찾고, 성실하게 일한다. 이런 특성은 의료에서 큰 장점이 된다. 잘 설계된 시스템 속에서 자폐적 특성은 결함이 아니라 전문성의 형태가 될 수 있다.

여기서 우리가 배워야 할 점은 분명하다. 자폐는 단순히 도움을 받아야 하는 상태로만 존재하지 않는다. 많은 경우 그것은 특정 환경에서 높은 성과를 낳는 인지 스타일이기도 하다. 어떤 의사는 진료실의 반복되는 미세한 변화, 환자의 말투 차이, 검사 수치의 아주 작은 패턴을 빠르게 감지한다. 다른 사람이 놓치는 신호를 잡아내는 능력은, 진단의 정확성과 직결된다.

하지만 이 이야기에는 더 복잡한 층위가 있다. 평균 진단 연령이 36세라는 사실은 단순한 통계가 아니다. 그것은 많은 자폐 성인이 오랫동안 오해 속에서 살아왔음을 보여준다. 특히 지적 또는 언어 장애가 없는 사람들은, 사회가 정해둔 자폐의 전형적 이미지와 다르다는 이유로 늦게 발견되기 쉽다. 즉, 진단 체계가 너무 좁으면, 탁월함과 지원 필요성이 동시에 보이지 않게 된다.

이 점에서 자폐 의사들의 이야기는 중요한 반전을 만든다. 그들은 도움을 받아야 할 존재이기만 한 것이 아니라, 동시에 의료 체계의 구성원이며 전문가다. 어떤 이는 자신의 자폐성을 공개하고, 어떤 이는 그렇지 않다. 이것은 단순히 용기의 문제가 아니다. 장애 정체성을 공개할 수 있는 제도적 안전성, 직장 문화, 전문성에 대한 편견의 정도를 반영한다.

의료 현장에서 많은 사람이 “자폐 의사”보다 “자폐증 의사”라는 표현을 선호하는 것도 시사적이다. 표현의 차이는 미묘하지만, 관점의 차이는 크다. 전자는 사람을 먼저 두고, 자폐는 그 사람의 일부로 배치한다. 후자는 자폐라는 속성이 전면에 놓인다. 이 선택은 곧 무엇을 중심에 둘 것인가의 문제다. 진단을 앞세우는 문화는 사람을 설명하기 쉬워지게 만들지만, 사람을 이해하기는 더 어려워질 수 있다.

---

진짜 문제는 AI가 아니라, 평균을 사람보다 높게 두는 습관이다

기술 논쟁은 종종 잘못된 적을 향한다. 사람들은 기계가 의료를 대체할지 걱정하지만, 더 큰 위험은 이미 오래전부터 존재했다. 그것은 인간이 인간을 평가할 때, 불완전한 편견과 희미한 직감에 과도하게 의존해 왔다는 사실이다. 많은 제도는 이름은 공정하지만, 실제로는 사람을 표준에 맞추는 데 특화된 구조다.

ABA 치료 강도를 정하는 모델의 가치도 여기서 이해해야 한다. 모델은 의사의 판단을 없애는 것이 아니라, 판단의 편향을 줄이고 출발점을 일관되게 만들 수 있다. 예를 들어, 두 아이가 비슷한 기능 수준을 보이는데도, 한 아이는 더 설득력 있게 말하거나 더 협조적으로 보인다는 이유로 치료 강도가 달라진다면, 그것은 임상적 차이보다 관찰자의 인상이 개입된 결과일 수 있다. 데이터는 이런 왜곡을 드러내는 거울이 된다.

그러나 기술이 편향을 줄이려면, 먼저 무엇이 측정되고 무엇이 제외되는지 묻는 습관이 필요하다. 쉽게 구할 수 있는 데이터는 편리하지만, 항상 핵심은 아니다. 부모의 부담, 학교의 지원 수준, 감각 환경, 아이의 흥미와 동기 같은 요소는 더 깊은 맥락을 제공할 수 있다. 하지만 이런 변수는 종종 수집이 어렵다. 그래서 실제로는 모델의 정밀도만큼이나, 모델을 둘러싼 질문의 품질이 중요하다.

이 지점에서 두 이야기가 만난다. 자폐 의사들은 의료 시스템이 너무 단순한 기준으로 사람을 판정할 때 얼마나 많은 능력이 놓치는지 몸소 보여준다. 마찬가지로 자폐 아동을 위한 치료 설계도 평균 반응이 아니라 개별 프로필에 맞춰져야 한다. 결국 좋은 시스템은 사람을 더 빨리 분류하는 시스템이 아니라, 분류 뒤에 숨어 있는 다양성을 더 잘 읽는 시스템이다.

데이터는 판단을 대체하지 않는다. 데이터는 판단이 사람을 놓치고 있는지 밝혀준다.

이 말은 의료를 넘어선다. 교육에서, 채용에서, 성과 평가에서, 우리는 자꾸 사람을 한 장의 표준으로 재단하려 한다. 그러나 실제 우수성은 표준 안에만 있지 않다. 표준에서 벗어나는 방식으로 나타나기도 한다. 그래서 진짜 문제는 “누가 평균에 맞는가”가 아니라, 어떤 평균이 너무 작아서 너무 많은 사람을 배제하는가이다.

---

가장 좋은 시스템은 예측한 뒤에 질문을 시작한다

여기서 필요한 것은 기술 낙관론도, 기술 공포증도 아니다. 필요한 것은 이중 시선이다. 첫 번째 시선은 패턴을 본다. 어떤 치료 강도가 필요한지, 어떤 환경에서 성과가 나는지, 어떤 지원이 우선인지 데이터로 빠르게 파악한다. 두 번째 시선은 의미를 본다. 그 강도가 그 사람의 존엄과 자율성에 어떤 영향을 미치는지, 그 지원이 낙인을 강화하지는 않는지, 그 분류가 이후의 선택지를 넓히는지 확인한다.

이 이중 시선을 실천하는 가장 쉬운 방법은 질문을 바꾸는 것이다. “이 사람은 무엇인가?” 대신 “이 사람에게 지금 무엇이 필요하며, 어떤 조건에서 가장 잘 기능하는가?”라고 묻는 것이다. 전자는 정체성의 낙인을 만들기 쉽다. 후자는 지원의 설계를 촉진한다. 같은 정보를 보더라도 질문이 바뀌면 해석이 바뀐다.

예를 들어, 자폐 성인이 직장에서 어려움을 겪는다고 하자. 오래된 방식은 “사회성이 부족하다”라고 빠르게 정리한다. 더 나은 방식은 “이 환경의 소음, 회의 구조, 암묵적 규칙, 피드백 방식이 이 사람의 인지 스타일과 충돌하는가?”를 묻는다. 이렇게 보면 문제는 사람 내부의 결함이 아니라, 사람과 환경의 적합성으로 바뀐다. 치료 강도 결정도 마찬가지다. 어떤 아이가 더 많은 지원을 필요로 한다는 것은, 그 아이가 덜 유능하다는 의미가 아니라, 현재의 환경이 그 아이의 능력을 충분히 드러내지 못하고 있다는 의미일 수 있다.

이 관점은 특히 자폐를 바라볼 때 중요하다. 자폐는 단일한 상태가 아니다. 어떤 상황에서는 장애가 분명하고, 어떤 상황에서는 독특한 강점이 된다. 따라서 최선의 접근은 하나의 정답을 찾는 것이 아니라, 맥락에 따라 변화하는 적합성을 설계하는 것이다. 데이터 모델은 그 적합성을 찾는 첫 단계가 될 수 있고, 자폐 의사들의 경험은 그 적합성이 실제 삶에서 어떻게 체감되는지를 보여준다.

그리고 이것이야말로 더 큰 통찰이다. 의료의 미래는 더 많은 자동화가 아니라, 더 정확한 인간화에 있다. 기계가 치료 강도를 분류할수록, 우리는 사람을 더 빨리 라벨링하기 위해서가 아니라, 사람마다 다른 필요를 더 빨리 알아차리기 위해 그것을 사용해야 한다. 자폐 성인 의사들이 보여주는 것처럼, 진단은 능력의 상한이 아니라 사회적 지원의 방식에 관한 언어일 수 있다.

---

Key Takeaways

1. 분류의 목적을 바꿔라. 분류는 사람을 단순화하려는 도구가 아니라, 더 정확한 지원을 위한 출발점이어야 한다.

2. 평균보다 적합성을 보라. “보통 이렇다”는 기준보다, “이 사람에게 무엇이 맞는가”를 먼저 묻는 것이 더 공정하고 더 효과적이다.

3. 데이터는 판단을 끝내지 않는다. 좋은 예측 모델은 임상의의 생각을 대체하는 것이 아니라, 편향과 누락을 드러내는 보조 거울이다.

4. 장애와 전문성은 공존할 수 있다. 자폐적 특성은 어떤 환경에서는 지원이 필요하지만, 다른 환경에서는 세밀함, 패턴 인식, 성실함 같은 강점이 된다.

5. 질문을 바꾸면 시스템이 바뀐다. “이 사람은 무엇인가?”보다 “이 사람에게 어떤 조건이 필요한가?”라고 물을 때, 낙인보다 설계가 앞선다.

---

사람을 더 잘 분류하는 기술보다, 사람을 덜 오해하는 제도가 필요하다

우리는 종종 기술이 인간을 위협한다고 말하지만, 더 깊은 위협은 오래전부터 존재해 왔다. 바로 인간이 서로를 너무 빨리, 너무 좁게 이해해 온 습관이다. 제대로 설계된 ML 모델은 이 습관을 흔들 수 있다. 자폐 성인 의사들의 존재는 그 흔들림이 얼마나 필요한지 증명한다.

결국 핵심은 이것이다. 좋은 의료는 사람을 한 번에 알아맞히는 능력이 아니라, 사람을 더 오래, 더 정확하게 이해하려는 태도다. 데이터는 그 태도를 돕는다. 경험은 그 태도에 깊이를 준다. 그리고 자율성을 존중하는 문화가 있을 때, 분류는 낙인이 아니라 지원의 문이 된다.

아마 진짜 진보는, 기계가 사람을 더 잘 예측하는 순간이 아니라, 사람이 데이터 뒤에 있는 인간을 더 잘 보게 되는 순간일 것이다. 그때 비로소 우리는 표준화를 인간성의 반대말로 보지 않게 된다. 오히려 표준화는, 각자의 다름을 더 공정하게 대우하기 위해 필요한 최소한의 질서가 된다.