맞는 말을 모아도, / 결정은 틀릴 수 있어요 FIRST PENGUIN · COFFEE & AI AI 시대, 왜 커피를 공부해야 할까요? · 3편 맞는 말을 모아도, 결정은 틀릴 수 있어요 매장에 맞는 판단을 배우는 이유 기록 비교 판단 이 글을 위해 제작한 종합 판단 개념 도해예요. 특정 AI의 성능을 수치로 비교한 그림은 아니에요. AI의 답변을 문장별로 읽으면 모두 그럴듯해요. 레시피를 조절하라는 조언도 있고, 로스팅을 바꾸라는 조언도 있고, 물을 확인하라는 조언도 있어요. 그런데 실제 매장에서는 무엇부터 해야 할지 더 막막해질 수 있어요. 맞을 수 있는 설명 여러 개와, 지금 해야 할 결정 한 개는 달라요. 현장에서는 가능한 원인을 나열한 다음, 실제 자료로 후보를 좁히고 우선순위를 정해야 해요. 맛뿐 아니라 메뉴·작업 시간·재현성까지 함께 생각해야 해요. 이 과정을 수행하는 데 필요한 것이 종합 판단력이에요. 한 작업을 잘했다고 다음 판단도 맞는 것은 아니에요 Dell’Acqua 등의 2026년 Organization Science 게재 연구 는 758명의 지식 근로자가 참여한 GPT-4 활용 실험을 다뤘어요. AI를 활용했을 때 성과가 좋아진 업무가 있었지만, 연구진이 AI의 수행 범위 밖으로 선정한 복잡한 판단 과제에서는 정답 도출 성과가 낮아졌어요. 이것은 커피 실험도, 2026년의 모든 AI 성능을 평가한 결과도 아니에요. 여기서 현장에 가져올 질문은 분명해요. “자료를 잘 정리한 AI가 이 결정까지 잘 내렸는가?”를 따로 확인해야 한다는 것 이에요. 이 글은 그 질문을 커피 작업에 적용해볼게요. “쓴맛이 강해졌어요”만으로는 원인을 정할 수 없어요 다음은 판단 과정을 설명하기 위한 가상 매장 사례예요. 특정 매장이나 AI의 실제 실패 사례가 아니에요. 지난주까지 괜찮았던 아메리카노가 오늘은 유난히 거칠고 쓰게 느껴져요. AI에게 “로스팅을 어떻게 바꿀까요?”라고 묻자 배전을 낮추라는 설명을 받았다고 가정해볼게요. 질문에 로스팅이라는 원인...

진짜 논문을 인용해도, / 해석은 틀릴 수 있어요 FIRST PENGUIN · COFFEE & AI AI 시대, 왜 커피를 공부해야 할까요? · 2편 진짜 논문을 인용해도, 해석은 틀릴 수 있어요 빠진 조건이 결론을 바꿔요 원문에서 확인할 세 가지 연구 조건 · 측정 항목 · 적용 범위 이 글을 위해 제작한 자료 해석 안내 도해예요. 논문의 실제 도표를 재현한 그림은 아니에요. AI가 논문 링크를 보여줬어요. 링크도 열리고, 저자와 학술지도 실제로 존재해요. 그러면 그 설명까지 맞다고 믿어도 될까요? 출처의 존재와 해석의 정확성은 각각 확인해야 해요. 자료를 잘못 읽는 오류는 가짜 논문보다 알아차리기 어려울 수 있어요. 원문에는 조건이 분명히 적혀 있는데, 요약하는 과정에서 그 조건이 사라지면 전혀 다른 뜻이 되기 때문이에요. 커피를 공부해야 하는 이유는 여기에 있어요. 빠져서는 안 될 조건이 무엇인지 알아야 해요. “온도가 중요하지 않다”는 말에서 빠진 조건 Batali 등의 2020년 드립 커피 추출 온도 연구 를 살펴볼게요. 연구진은 87°C·90°C·93°C에서 커피를 추출하면서, 목표한 농도와 추출 수율을 맞추기 위해 분쇄도와 추출 과정도 조절했어요. 마실 때의 온도도 관리했어요. 여기서 농도(TDS) 는 음료 질량 중 녹아 있는 커피 고형분의 비율이고, 추출 수율 은 사용한 원두 질량 중 음료로 추출된 고형분의 비율이에요. 두 값의 뜻부터 구분해야 이 연구가 무엇을 비교했는지 이해할 수 있어요. 연구의 핵심은 시험한 범위에서 농도와 수율 등을 맞춘 드립 커피의 감각적 특성에 추출 온도가 미치는 영향이 작았다는 것이에요. 이것을 “다른 조건을 그대로 두고 물 온도만 바꿔도 맛은 달라지지 않는다”로 옮기면 실험 질문 자체가 달라져요. 에스프레소나 모든 온도 범위까지 검증한 결과로 넓혀 읽어서도 안 돼요. 이 사례에서 배울 점은 분명해요. “무엇을 바꿨나요?”와 함께 “비교하려고 무엇을 같게 맞췄나요?” 를 물어야 해요. 요약문에서 조건이 ...

AI의 답변을 믿기 전에, / 커피를 알아야 해요 FIRST PENGUIN · COFFEE & AI AI 시대, 왜 커피를 공부해야 할까요? · 1편 AI의 답변을 믿기 전에, 커피를 알아야 해요 할루시네이션을 걸러내는 기본기 그럴듯한 답변 근거를 확인하는 사람 이 글을 위해 제작한 개념 도해예요. 실제 AI 서비스의 화면이나 성능 평가 결과가 아니에요. “AI에게 물어보면 다 알려주는데, 커피를 따로 공부해야 할까요?” 레시피도 받고, 로스팅 설명도 읽고, 논문 요약도 얻을 수 있으니 자연스럽게 생기는 질문이에요. 하지만 여기에는 빠진 일이 하나 있어요. 그 답이 맞는지 확인하는 일 이에요. 답변을 받는 속도보다, 틀린 답을 알아보는 힘이 중요해요. 틀린 설명을 정확한 지식으로 받아들이면, 잘못된 방향으로 분쇄도를 바꾸고 로스팅 조건을 수정할 수 있어요. 결과가 나빠졌을 때도 무엇이 잘못됐는지 설명하기 어려워져요. AI 시대의 커피 공부는 이 판단을 남에게 맡기지 않기 위해 필요해요. AI 할루시네이션은 자신 있게 틀리는 문제예요 할루시네이션은 AI가 사실과 다른 내용을 그럴듯하게 만들어 제시하는 현상을 말해요. 미국 국립표준기술연구소 NIST의 생성형 AI 위험 관리 문서 는 자신 있게 제시되는 잘못된 정보뿐 아니라, 답을 뒷받침하는 것처럼 보이는 허위 논리와 인용도 문제로 다뤄요. 문장의 완성도와 정보의 정확성은 별도로 확인해야 해요. 설명이 길고 전문 용어가 많아도, 출처를 열어보기 전에는 그 논문이 존재하는지부터 알 수 없어요. 논문이 실제로 있어도 해당 주장을 뒷받침하는지는 다시 읽어야 해요. 근거가 있는 것처럼 보이면 더 쉽게 믿게 돼요 아래는 오류를 설명하기 위해 만든 가상 답변이에요. 특정 AI의 실제 응답을 인용한 것이 아니에요. “한 연구팀이 모든 원두에서 추출 시간 30초가 가장 달다는 사실을 입증했습니다. 따라서 모든 매장은 30초로 맞추면 됩니다.” 처음에는 편리한 답처럼 보여요. 하지만 연구팀과 논문의 정확한 이름도 없고, 어...