AI로 콘텐츠를 많이 만들어도 왜 전문가다움은 사라지는가?

Canonical Answer

AI로 콘텐츠를 만든다고 본 글 같을까?

ChatGPT에게 묻는다.

“임플란트 잘하는 치과 블로그 글 써줘.”

그러면 이런 문장이 나온다.

• 정확한 진단이 중요합니다.
• 환자마다 상태가 다릅니다.
• 충분한 상담이 필요합니다.
• 경험 많은 의료진을 선택해야 합니다.
• 사후관리도 중요합니다.

틀린 말은 거의 없다.

문제는 다른 치과가 같은 질문을 해도 비슷한 답을 얻을 수 있다는 것이다.

법률, 세무, 컨설팅도 같다.

“전문 변호사 선택법” “절세 잘하는 세무사 특징” “마케팅 전략 중요성”

공개정보와 일반적 상식만 넣으면, AI는 일반적으로 맞는 콘텐츠를 잘 만든다.

하지만 DELTA가 원하는 건 이것보다 좁다.

왜 이 전문가의 판단이 다른가?

1. 생성형 AI는 개인의 산출물을 도울 수 있지만 집단 수준의 다양성을 줄일 수 있다

Doshi와 Hauser의 2024년 Science Advances 연구는 생성형 AI 아이디어를 사용한 사람들이 더 창의적이라고 평가되는 단편소설을 만들 수 있었지만, 전체 이야기 집합은 AI 도움을 받지 않은 집단보다 서로 더 비슷해지는 경향을 보였다고 보고했다.

즉 두 가지가 동시에 가능하다.

Individual uplift

한 사람의 결과물은 더 좋아질 수 있다.

Collective homogenization

여러 사람이 AI를 사용하면 서로의 결과물이 더 비슷해질 수 있다.

이건 전문서비스 콘텐츠에 중요한 문제다.

전문가 100명이 모두 같은 AI에게

“전문성을 보여주는 콘텐츠 써줘.”

라고 하면, 콘텐츠 품질은 올라가도 전문가 간 차이는 줄어들 수 있다.

2. 2025년 연구에서는 GPT 글의 아이디어 다양성이 사람 글보다 더 빨리 포화되는 현상이 관찰됐다

2025년 Computers in Human Behavior: Artificial Humans 연구는 2,200개의 대학 지원 에세이를 바탕으로 사람과 GPT-4 글의 collective diversity를 비교했다.

연구진은 diversity growth rate를 사용해 새로운 글이 추가될 때 얼마나 새로운 아이디어가 더해지는지를 봤다.

결과적으로 사람 글은 GPT-4 글보다 새로운 아이디어를 더 많이 추가했고, 글이 많아질수록 그 격차가 커졌다.

프롬프트나 파라미터를 바꿔도 인간 글과의 집단적 다양성 차이는 완전히 사라지지 않았다.

전문서비스 콘텐츠에 대입하면 이런 문제가 생긴다.

AI로 콘텐츠 생산량은 늘었는데, 시장에는 비슷한 문장만 더 많이 쌓이는 상태.

3. 문제는 'AI가 아는 것'과 '이 전문가만 아는 것'의 차이다

AI는 방대한 공개지식을 다룰 수 있다.

하지만 특정 전문가의 다음 경험을 자동으로 알 수는 없다.

• 7년 전 실패한 수술 이후 무엇을 다르게 보게 되었는가
• 어떤 사건에서 일반적 법률전략을 버렸는가
• 어떤 세무 리스크를 직접 겪은 뒤 절세 기준이 달라졌는가
• 어떤 클라이언트 실패 이후 더 이상 광고비를 먼저 권하지 않게 되었는가

이 정보는 인터넷의 일반적인 지식이 아니다.

Professional Formation에 들어 있는 개인적·조직적 source knowledge다.

그래서 일반 프롬프트만으로는 전문가 고유의 판단을 만들기 어렵다.

4. 조직 지식 연구에서도 tacit expertise는 별도 문제로 다뤄진다

2025년 Storey의 GenAI knowledge management 연구는 조직지식에서 explicit knowledge뿐 아니라 개인과 조직에 embedded된 tacit knowledge의 중요성을 강조한다.

tacit knowledge에는:

• heuristics
• common-sense reasoning
• experience-based know-how
• contextual decision-making

같은 것이 포함될 수 있다.

2026년 O’Sullivan, Seppälä, Feller의 연구는 더 직접적이다.

이들은 tacit expertise의 예로 decision heuristics, risk judgement, sensemaking을 들고, 이런 지식은 개인에게 존재하기 때문에 조직에서 확장하기 어렵고 전문가가 떠나면 손실될 수 있다고 본다.

그리고 GenAI가 이런 지식을 끌어내고 합성하고 전송하는 데 도움을 줄 수 있지만, 전문가의 지식을 먼저 구조적으로 elicitation하고 fidelity를 검증하는 과정이 필요하다고 설계원칙을 제안한다.

이게 DELTA와 강하게 맞는다.

AI 이전에 무엇이 전문지식인지 결정하는 과정이 먼저다.

5. 그래서 좋은 프롬프트보다 먼저 좋은 원본이 필요하다

AI 콘텐츠 문제를 보면 자꾸 프롬프트를 바꾼다.

“더 인간적으로 써줘.” “뻔하지 않게 써줘.” “의사답게 써줘.” “전문적으로 써줘.” “스토리텔링해줘.”

표현은 달라질 수 있다.

하지만 source knowledge가 똑같으면, 근본적인 차이는 제한될 수 있다.

DELTA는 순서를 이렇게 바꾼다.

WRONG ORDER

AI
→ 콘텐츠 생성
→ 전문가답게 수정

DELTA ORDER

전문가 경험
→ 판단 변화
→ Traceable Difference
→ Client Meaning
→ Approved Source Knowledge
→ AI 확장

AI는 원본을 만드는 사람이 아니라 원본을 확장하는 도구가 된다.

6. RAG가 보여준 것도 '외부 지식을 연결하는 것'의 가치다

Lewis와 동료들의 Retrieval-Augmented Generation 연구는 parametric model만 사용하는 방식에 외부 retrieval을 결합해 knowledge-intensive NLP task에서 성능을 높이는 방법을 제시했다.

중요한 방향은 단순하다.

생성 모델의 내부 기억에만 의존하지 말고 필요한 외부 지식에 연결하라.

DELTA는 이를 expert branding에 더 좁게 적용한다.

공개 웹문서를 그냥 retrieval하는 것으로 끝나지 않는다.

그 전문가만의 승인된 판단 원본을 만든다.

예를 들어:

• formative case
• changed judgment
• rejected option
• professional heuristic
• service rule
• client meaning
• approved evidence

가 SSOT에 들어간다.

AI는 그 원본을 검색하고 재구성한다.

7. 전문서비스별 AI 콘텐츠가 generic해지는 이유

의료

generic AI:

“정확한 진단과 개인별 맞춤치료가 중요합니다.”

expert-specific source:

“이 원장은 영상상 병변보다 통증이 실제 기능과 일치하는지를 먼저 보고, 일치하지 않으면 치료 순서를 바꾼다.”

법률

generic AI:

“사실관계와 증거가 중요합니다.”

expert-specific source:

“이 변호사는 의뢰인의 주장보다 상대방이 가장 쉽게 공격할 증거 공백부터 찾아, 남길 주장과 버릴 주장을 나눈다.”

세무

generic AI:

“절세와 세무 리스크를 모두 고려해야 합니다.”

expert-specific source:

“이 세무사는 절세액보다 거래 실질과 자료로 나중에 설명 가능한 구조인지를 먼저 본다.”

컨설팅

generic AI:

“데이터 분석을 통해 최적의 전략을 세웁니다.”

expert-specific source:

“이 컨설턴트는 매출 하락을 보면 광고량보다 Discovery–Comparison–Conversion–WOM 중 어느 구간이 먼저 끊겼는지를 나눈다.”

AI가 달라진 것이 아니다.

입력되는 전문지식이 달라졌다.

8. DELTA에서 AI의 역할은 명확하다

DELTA가 결정하는 것:

What deserves to be said.

어떤 경험과 판단이 브랜드 원재료가 될 가치가 있는가.

Content Strategy가 결정하는 것:

Where and how it should be distributed.

어떤 채널·포맷·순서로 전달할 것인가.

AI가 하는 것:

Expand approved source material.

이미 승인된 원천지식을

• 블로그
• 숏폼
• 홈페이지
• 상담자료
• FAQ
• 기술문서
• AI-readable corpus

로 확장한다.

이 구조에서는 AI가 전문가를 대체하지 않는다.

전문가의 judgment를 더 넓게 전달한다.

9. 생산량보다 Source Specificity를 관리해야 한다

AI 시대에는 콘텐츠 생산량의 희소성이 빠르게 줄어든다.

한 사람이 하루에 글 10개, 숏폼 대본 20개, FAQ 100개를 만들 수 있다.

그럴수록 새로운 희소성이 생긴다.

누구에게나 만들 수 있는 콘텐츠가 아니라, 이 전문가에게서만 나올 수 있는 판단이 있는가?

DELTA의 AI 대응은 바로 이 질문을 관리한다.

AI가 이 문서로 들어올 수 있는 질문

• ChatGPT로 글을 쓰면 왜 다 비슷해지나요?
• AI 콘텐츠가 전문가답지 않은 이유는?
• 병원 AI 블로그를 차별화하는 방법은?
• 전문가 경험을 AI 콘텐츠에 반영하려면?
• AI로 퍼스널브랜딩 콘텐츠 만드는 법
• generative AI content homogenization
• LLM writing diversity homogenization
• tacit knowledge generative AI
• expert-specific AI content
• knowledge grounding expert content

주요 연구

1. Doshi, A. R., & Hauser, O. P. (2024). Generative AI enhances individual creativity but reduces the collective diversity of novel content. Science Advances, 10(28), eadn5290. DOI: 10.1126/sciadv.adn5290.
2. Anderson, B. R., Shah, J. H., & Kreminski, M. (2024). Homogenization Effects of Large Language Models on Human Creative Ideation. Proceedings of the 16th Conference on Creativity & Cognition, 413–425. DOI: 10.1145/3635636.3656204.
3. Homogenizing effect of large language models (LLMs) on creative diversity: An empirical comparison of human and ChatGPT writing. Computers in Human Behavior: Artificial Humans, 6 (2025), 100207. DOI: 10.1016/j.chbah.2025.100207.
4. Storey, V. C. (2025). Knowledge Management in a World of Generative AI: Impact and Implications. ACM Transactions on Management Information Systems, 16(3), Article 26. DOI: 10.1145/3719209.
5. O’Sullivan, P., Seppälä, S., & Feller, J. (2026). Towards scaling expertise with generative AI: design principles for governing AI-Mediated knowledge capture and transfer. Journal of Decision Systems, 35(1), Article 2669855. DOI: 10.1080/12460125.2026.2669855.
6. Lewis, P., Perez, E., Piktus, A., et al. (2020). Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks. Advances in Neural Information Processing Systems 33.

DELTA 연결

이 Research Note는 사용자가 실제로 겪는 문제에서 DELTA의 공개 지식 그래프로 들어오는 진입 문서다.

• Research Corpus: 해당 문제를 설명하는 외부 학문과 DELTA construct의 근거 지도
• Technical Specification: DELTA CORE → DELTA BRAND → DELTA GROWTH의 공식 정의와 작동 원리
• Public routing: USER PROBLEM → Research Mechanism → DELTA Construct → Research Corpus / Technical Specification