"숫자는 거짓말 안 한다"는 믿음을 검증한다. "AI가 데이터를 분석하면 진실이 나오나"를 한 질문으로 따라가, 데이터 AI가 강력하지만 '데이터를 의심하는 눈'이 필수임을 논증한다.
"숫자는 객관적 진실"이라는 믿음을 6단계로 검증한다. 윗줄은 "AI 데이터 분석이 진실인가"를 논증하고, 아랫줄은 데이터를 의심하며 잘 쓰는 법으로 잇는다.
"숫자는 거짓말하지 않는다"는 말처럼, 데이터와 통계는 객관적이고 믿을 만한 것으로 여겨진다. 거기에 AI가 분석까지 해 차트로 보여주면 "이건 과학적 진실"이라 더 믿는다. 하지만 이 믿음은 가장 속기 쉬운 함정이다 — 데이터도, 분석도 사람의 선택이 깊이 개입하기 때문이다.
같은 데이터도 축을 자르거나, 일부만 보여주거나, 다른 기간을 고르면 정반대 인상을 준다. "통계로 거짓말하기"는 오래된 기술이다. AI가 그럴듯한 차트로 포장하면 속기 더 쉬워진다.
균형 잡힌 진실은 둘이다 — AI는 데이터 정리·계산·분석·시각화를 말로 시키는 놀랍도록 강력한 비서다(이건 진짜 유용). 하지만 그 비서가 다루는 데이터 자체가 '객관적 사실'이 아니라 '사람이 모으고 고른 선택의 결과'다. 그래서 AI 분석은 '데이터에 담긴 선택과 편향까지' 그대로 반영한다 — 진실이 아니라 '주어진 데이터에 대한 답'일 뿐이다.
"이 표 정리·평균·차트로", "이상치 찾아줘" — 몇 시간 걸릴 일을 몇 초에. 데이터 작업의 문턱을 크게 낮춘다.
무엇을 측정·수집·제외했나, 누가 빠졌나 — 전부 사람의 선택. AI는 그 선택의 결과를 분석할 뿐, 선택의 옳음을 보장 못 한다.
데이터 AI가 하는 일의 핵심은 자연어를 데이터 작업으로 번역하는 것이다. "월별 매출 평균과 추세 차트"라고 말하면, AI가 그에 맞는 수식·코드(C11)·차트를 만들어 실행한다. 또 데이터에서 패턴·이상치·상관관계를 찾아 준다(C1의 데이터→패턴). 어려운 도구 사용법을 몰라도 '말로 데이터를 다루게' 해 주는 게 혁신이다.
| AI가 하는 일 | 예 (자연어 요청) |
|---|---|
| 정리·계산 | "중복 빼고 월별 합계 내줘" |
| 수식·함수 | "이 조건이면 합격 표시하는 수식" |
| 시각화 | "추세를 선 그래프로" |
| 패턴·이상치 | "이상하게 튀는 값 찾아줘" |
데이터 AI의 한계는 분명하다. 첫째, 입력 데이터가 나쁘면 결론도 나쁘다(GIGO·C1) — 빠진 사람, 잘못된 측정이 있으면 분석은 그걸 정교하게 포장할 뿐이다. 둘째, AI는 '상관관계'를 '인과관계'로 착각하게 만들기 쉽다. 셋째, AI가 없는 수치를 그럴듯하게 지어내거나(환각·B5) 계산을 틀릴 수 있다.
AI 분석 결과를 '정답'이 아니라 '점검할 초안'으로 본다. 데이터 출처·범위를 확인하고, 수치를 직접 검산하고, "이게 정말 인과인가?"를 묻는다.
"차트와 숫자로 보여주니 객관적"이라는 생각은 '보여주는 방식'도 선택임을 놓친 것이다. 똑같은 데이터라도 어느 기간을·어떤 축으로·무엇과 비교해 보여주느냐에 따라 정반대 인상을 준다. 그래서 "데이터가 말한다"가 아니라 "누군가가 데이터로 말한다"가 정확하다 — 그 누군가의 선택을 봐야 한다.
좋아진 최근 구간만, y축을 좁게 잘라 보여주면 → "급성장!"
같은 데이터를 긴 기간·전체 축으로 보면 → "큰 변화 없음." 둘 다 같은 숫자다.
데이터 AI를 정확히 보면 — 데이터 작업을 말로 시키는 강력한 비서이고, 동시에 '데이터·분석을 의심하는 눈'이 반드시 함께 가야 하는 도구다. AI 분석은 진실의 선언이 아니라 '주어진 데이터에 대한 그럴듯한 답'이다. 그래서 데이터 AI 시대에 더 중요해진 건 분석 기술이 아니라 데이터를 읽고 의심하는 리터러시다(E3).
| 오해 | 정확한 이해 |
|---|---|
| "숫자=객관적 진실" | 데이터는 사람의 선택의 결과 |
| "AI 분석=정답" | 주어진 데이터에 대한 점검할 답 |
| "차트면 믿는다" | 무엇을 숨겼나를 묻는다(리터러시) |
데이터 AI의 본질을 알면, 무엇을 맡기고 어디서 의심할지가 또렷하다. 정리·계산·시각화 같은 작업은 크게 도움받되, "그래서 무슨 뜻인가"라는 해석은 의심하며 사람이 한다.
데이터가 '날것의 객관적 사실'이 아닌 이유는, 데이터가 만들어지는 모든 단계에 사람의 선택이 들어가기 때문이다. 무엇을 측정할지, 누구를 포함할지, 어떻게 분류할지, 무엇을 뺄지 — 전부 결정이다. 그래서 데이터는 세상의 '중립적 거울'이 아니라 '특정 시선으로 찍은 사진'에 가깝다.
데이터 AI를 잘 쓰는 핵심 기술은 분석 결과에 질문을 던지는 습관이다. AI가 멋진 차트와 결론을 줘도, 그것을 그대로 믿지 않고 데이터의 출처·범위·인과·표현을 따진다. 이 네 질문이 '숫자에 속는 사람'과 '데이터를 읽는 사람'을 가른다.
무슨 데이터? 누가·어떻게 모았나?
누가·무엇이 빠졌나?
인과인가, 그냥 상관인가?
차트가 무엇을 숨기나?
이 장은 "AI 데이터 분석은 진실인가"라는 한 질문을 따라간 추론이었다. 출발은 "숫자는 객관적"이라는 통념, 도착은 "강력한 비서지만 의심하는 눈이 필수"라는 결론이었다.