Thinking과 Understanding 분리
한 줄 정의
Thinking과 Understanding 분리는 LLM에게 분석과 처리 작업은 위임할 수 있지만, 무엇을 만들고 왜 만들며 어떻게 검증할지에 대한 이해는 사람이 직접 가져야 한다는 주장이다.
핵심 요지
- Thinking은 정보를 받아 단계적으로 처리하고 결론을 내는 작업이다.
- Understanding은 정보가 자기 mental model 안에 자리 잡아 판단과 지휘의 기준이 되는 상태다.
- AI 위임이 늘어날수록 사람이 이해하지 못한 채 결과물만 받는 위험도 커진다.
상세
카파시 자료는 “Thinking is outsourceable. Understanding is not.”이라는 문장을 중심 메시지로 소개한다. 이 문장은 LLM 시대의 학습과 위임 기준으로 쓸 수 있다. 코드를 직접 치는 능력보다 어떤 시스템을 만들고 있는지, 어떤 위험을 막아야 하는지, 무엇을 검증해야 하는지 이해하는 능력이 병목이 된다.
이 노트는 Plan Mode 기반 AI 작업의 철학적 근거다. 에이전트는 API 세부사항, 반복 구현, 문서 초안 같은 thinking 작업을 잘 처리할 수 있다. 그러나 사용자 식별자를 이메일로 묶으면 안 된다는 시스템 모델, 결제 흐름의 보안 경계, 제품의 미학적 판단은 사람이 이해 위에서 지휘해야 한다.
Sequoia Ascent 2026에서 카파시는 교육 관점에서 이 주장을 다시 강조했다. 정보를 이해로 변환하는 도구로서 LLM Wiki는 단순한 답변 기계가 아니라 이해를 증진하는 도구다. 이해하지 못하면 좋은 디렉터가 될 수 없기 때문이다. 그는 microGPT 프로젝트를 예로 들며, LLM에게 계속 더 단순화하라고 프롬프트핬지만 코드를 복잡하게 만드는 경우를 설명했다. 이는 해당 작업이 RL 회로 밖에 있어서 개선되지 않는 영역이라는 뜻이다. LLM Wiki 운영 패턴은 이 주장의 실무형 예시다. raw를 그대로 묻는 대신, 개념 노트와 충돌 기록을 누적해 사람이 장기적으로 이해를 축적하게 만든다.
raw/아무도 AI를 배우고 싶어 하지 않는다.md는 이 구분을 커리어 관점으로 확장한다. 최신 AI 도구나 framework를 배웠다는 신호는 빠르게 감가상각되지만, 시스템을 읽고 깨지는 이유를 설명하는 understanding은 오래 남는다. 그래서 단기 최신성을 좇느라 understanding을 쌓을 시간을 잃는 상태를 Competence Debt로 볼 수 있다.
예시
PyTorch와 NumPy의 세부 API 이름은 에이전트에게 물어볼 수 있다. 하지만 tensor storage, view 공유, 복사 비용 같은 시스템 모델을 이해하지 못하면 에이전트가 낸 코드의 성능과 의미를 판단하기 어렵다.
충돌
현재 확인된 충돌 없음.