저는 조명 분야에서 오랫동안 일해왔기 때문에 광섬유의 기본 원리는 알고 있었습니다. 하지만 움직이는 대형 콘크리트 패널에 광섬유를 실제로 어떻게 적용할 수 있을지는 별개의 문제였습니다.
이때 ChatGPT에게 정답을 요구하기보다, 제가 알고 있는 현장 조건을 하나씩 설명하며 질문을 구체화했습니다. 그 과정이 생각보다 유용했습니다.
1. 처음부터 답을 묻기보다 조건을 하나씩 넣었습니다
제가 궁금했던 것은 단순히 “광섬유가 가능한가?”가 아니었습니다.
- 패널 뒤 공간이 충분하지 않을 때 광원을 어떻게 배치할 것인가?
- 수백 개의 광섬유를 어떻게 묶고 보호할 것인가?
- 패널이 움직일 때 케이블과 광원은 어떻게 처리할 것인가?
- 설치 후 유지관리까지 고려하면 어떤 방식이 현실적인가?
대화를 이어가면서 광섬유 번들, 광원 위치, 입사각, 후면 공간, 케이블 보호 같은 검토항목이 자연스럽게 정리됐습니다.
중요했던 점은 AI가 알려준 내용을 그대로 믿은 것이 아니라, 제가 알고 있는 조명 원리와 현장 조건을 다시 대입해 계속 반문했다는 것입니다.
2. 기술 설명을 말로 했더니 개념 이미지로 보여줬습니다
글로만 설명하다 보니 구조가 잘 보이지 않았습니다. 그래서 ChatGPT에 이렇게 요청했습니다.
그러자 패널, 광섬유 리드, 번들, 광원, 전면 발광 효과의 관계를 한눈에 볼 수 있는 개념 이미지가 만들어졌습니다.
물론 이것은 제작도면이나 시공도면이 아닙니다. 실제 설계에는 광섬유 수량, 곡률, 광원 출력, 방열, 유지관리 조건 등을 다시 계산해야 합니다.
하지만 초기 아이디어를 관계자에게 설명하고, 제가 놓친 조건을 찾아 다시 질문하는 데는 매우 유용했습니다.
3. AI의 첫 답변이 현장과 맞지 않을 때가 더 중요했습니다
ChatGPT가 처음 제안한 방식 중에는 실제 현장조건과 맞지 않는 것도 있었습니다. 일부 패널은 앞뒤로 크게 움직이는 구조였기 때문입니다.
이렇게 다시 질문하자 고정 패널과 움직이는 패널을 구분하고, 광섬유를 적용할 영역과 다른 조명 방식을 적용할 영역을 나누어 생각하게 됐습니다.
여기서 제가 느낀 것은 분명했습니다. AI는 사용자가 알려주지 않은 현장조건을 알 수 없습니다. 실제 제약조건을 넣고, 답변의 문제점을 지적할수록 검토가 현실적으로 바뀝니다.
4. 가장 큰 도움은 ‘전문가에게 물어볼 질문’이 정교해진 것이었습니다
AI와 대화하기 전에도 광섬유 전문업체에 문의할 수는 있었습니다. 하지만 대화를 거친 후에는 질문의 수준이 훨씬 구체적으로 바뀌었습니다.
- 한 광원에 연결할 수 있는 적정 광섬유 수는 어느 정도인가?
- 긴 리드케이블에서 예상되는 광량 손실은 어느 정도인가?
- 움직이는 구조에 적용할 때 허용 곡률과 보호방식은 무엇인가?
- 실제 유지관리에서 가장 문제가 되는 부분은 무엇인가?
즉, ChatGPT가 전문업체를 대신한 것이 아니라 전문가에게 더 좋은 질문을 준비하게 해준 것입니다.
제가 이 경험에서 얻은 결론
전문가도 모든 응용기술을 다 알 수는 없습니다. 특히 여러 분야가 섞이는 프로젝트에서는 자신의 전문영역 밖으로 나가는 순간이 생깁니다.
이럴 때 저는 ChatGPT를 세 가지 용도로 활용할 수 있다고 느꼈습니다.
- 낯선 기술을 빠르게 이해하는 도구
- 검토해야 할 조건과 질문을 정리하는 도구
- 말로 설명한 아이디어를 개념 이미지로 시각화하는 도구
반대로 최종적인 제품 선정, 광량 계산, 구조 검토, 시공 가능성 판단은 실제 전문업체와 엔지니어가 확인해야 합니다.
AI는 전문가를 대신하기보다, 전문가가 낯선 영역을 더 빠르게 탐색하도록 돕는 도구에 가깝습니다. 저는 이번 경험에서 그 가능성을 분명히 느꼈습니다.
🐯 타이거의 한마디
모르는 기술을 만났을 때 AI에게 정답부터 묻기보다, 내가 알고 있는 조건을 하나씩 넣고 함께 질문을 만들어가면 훨씬 유용합니다.
🐯 글쓴이
Tiger (시니어 타이거)
글로벌 비즈니스 현장에서 AI를 실제 업무에 적용한 경험을 기록합니다.