Serendipity by Design: Evaluating the Impact of Cross-domain Mappings on Human and LLM Creativity
이 논문은 무작위 원거리 도메인 매핑이 인간의 창의성을 향상시키지만 LLM 은 평균적으로 인간보다 더 독창적인 아이디어를 생성하며 매핑의 영향이 통계적으로 유의미하지 않다는 점을 발견하고, 두 시스템 모두에서 원천과 대상 간의 의미적 거리가 멀어질수록 매핑의 효과가 증가한다는 공통점을 규명했습니다.
원저자:Qiawen Ella Liu, Marina Dubova, Henry Conklin, Takumi Harada, Thomas L. Griffiths
사용자 요구 (User-Need): "사람들이 배고플 때 무엇을 원할까?"라고 묻는 것. (기존의 논리)
크로스 도메인 매핑 (Cross-domain Mapping): "완전히 상관없는 다른 것 (예: 문어, 선인장, 태풍) 에서 아이디어를 가져와요"라고 강제로 시키는 것. (우연한 영감)
이 실험을 인간 참가자와 최신 AI 모델 7 개에게 모두 시켰습니다.
🧠 1. AI 는 이미 '창의적'인 편입니다 (평균적으로)
인간: 보통은 "배고플 때 맛있는 음식이 필요해"라고 생각하면, 기존에 알려진 음식 (라면, 피자 등) 을 조금 더 맛있게 만드는 아이디어를 냅니다.
AI: AI 는 수천 권의 요리책과 레시피를 다 읽었기 때문에, 아무것도 시키지 않아도 인간보다 훨씬 낯설고 독창적인 아이디어를 평균적으로 더 많이 냅니다.
비유: 인간이 "새로운 국물 요리를 만들어줘"라고 하면 '김치찌개'를 변형하지만, AI 는 "우주에서 자란 버섯으로 만든 스프" 같은 걸 바로 뚝딱 만들어냅니다.
🌪️ 2. 하지만 '강제 영감'은 인간에게만 효과가 있었습니다
여기가 가장 재미있는 부분입니다. 연구진이 **"문어 (Octopus) 에서 아이디어를 가져와서 스마트폰을 만들어봐"**라고 강제로 시켰을 때:
인간: "아! 문어는 다리가 많고 물속을 잘 헤엄치지? 그럼 스마트폰에도 다리가 달리고 물속에서도 작동하게 해보자!"라며 아이디어의 질이 확실히 좋아졌습니다.
비유: 인간은 평소에는 같은 길만 걷다가, 갑자기 "저기 저 산으로 가봐"라고 지시받으면 그 산에서 새로운 꽃을 발견하는 것처럼, 강제된 영감이 창의성을 깨우는 열쇠가 됩니다.
AI: AI 는 이미 문어와 스마트폰을 연결할 수 있는 아이디어를 평소에도 많이 가지고 있었습니다. 그래서 "문어에서 아이디어 가져와"라고 시켜도 아이디어의 질이 크게 변하지 않았습니다.
비유: AI 는 이미 모든 산을 다 올라본 경험이 있어서, "저기 저 산으로 가봐"라고 해도 "이미 가봤는데, 거기엔 꽃이 없어요"라고 답하는 것과 비슷합니다.
📏 3. '멀리 있을수록' 더 창의적입니다
두 그룹 모두에게 공통적으로 적용된 규칙이 하나 있었습니다. "영감의 원천이 목표와 얼마나 먼가?"
가까운 것: "신발"과 "쿠션"을 연결하면? → "쿠션이 두꺼운 신발" (너무 평범함)
먼 것: "태풍"과 "스마트폰"을 연결하면? → "바람을 일으켜서 잃어버린 폰을 찾아주는 스마트폰" (매우 창의적!)
인간이든 AI 가든, 완전히 상관없어 보이는 것 (태풍, 문어, 선인장 등) 과 연결할 때 아이디어가 가장 독창적이었습니다.
💡 결론: 인간과 AI 는 서로 다른 방식으로 춤을 춥니다
이 연구는 우리에게 중요한 메시지를 줍니다.
인간은 '강제된 우연'이 필요합니다. 우리가 막힌 길을 뚫을 때는, 전혀 관련 없는 낯선 세계 (문어, 태풍 등) 로 눈을 돌리게 하는 의도적인 방해가 창의성을 폭발시킵니다.
AI 는 이미 '광활한 지식'을 가지고 있습니다. AI 는 인간처럼 '고정관념'에 갇히지 않아서 평소에도 다양한 아이디어를 냅니다. 하지만 인간처럼 '영감을 받아서' 더 좋아지는 효과는 덜합니다.
가장 좋은 아이디어는 '가장 먼 연결'에서 나옵니다. 아무리 인간이든 AI 가든, 서로 전혀 다른 두 가지를 연결할 때 가장 놀라운 혁신이 탄생합니다.
한 줄 요약:
"인간은 낯선 곳에서 영감을 받아야 창의적이 되지만, AI 는 이미 그 모든 것을 알고 있어서 평소에도 창의적입니다. 하지만 누구든 완전히 다른 두 가지를 연결할 때 가장 멋진 아이디어가 나옵니다."
이 연구는 앞으로 우리가 AI 와 함께 일할 때, **"AI 에게는 그냥 시키지 말고, 인간에게는 낯선 영감을 주어 함께 고민하게 하는 것"**이 가장 좋은 협업 방식일 수 있음을 보여줍니다.
1. 연구 배경 및 문제 정의 (Problem)
창의성의 기원: 창의성은 종종 원격한 영역 간의 연결 (Remote Association) 을 통해 발생합니다. 역사적으로 벨크로 (엉겅퀴에서 영감), 비행기 (새의 날개), 인큐베이터 (닭장) 등 다양한 발명품이 타 영역에서의 유추 (Analogy) 를 통해 탄생했습니다.
인간의 한계: 인간은 '고정관념 (Fixation)'에 빠지기 쉽습니다. 익숙한 문제 해결 방식에 갇혀 타 영역의 솔루션을 찾기 어렵고, 지식의 단편화 (Unknown Unknowns) 로 인해 원격한 유추가 제한됩니다.
LLM 의 가능성: 대규모 언어 모델 (LLM) 은 방대하고 학제 간 (Cross-disciplinary) 인 코퍼스로 훈련되어 인간의 인지적 병목 현상 (제한된 지식 접근, 급격한 연상 계층 구조 등) 없이도 원격 연상을 생성할 수 있습니다.
핵심 질문: 인간에게 창의성을 증진시키는 것으로 알려진 개입 (Cross-domain Mapping, 즉 무작위 원격 소스 도메인에서의 유추 강요) 이 LLM 에게도 동일한 효과를 발휘하는가? 그리고 인간과 LLM 의 창의성 메커니즘은 어떻게 다른가?
2. 연구 방법론 (Methodology)
2.1 실험 설계
대상: 10 가지 일상적인 제품 (스마트폰, TV, 소파 등) 을 대상으로 새로운 기능 (Novel Features) 을 생성하는 과제 수행.
조건 (Conditions):
Cross-domain Mapping (CDM): 무작위로 할당된 원격 소스 (예: 문어, 선인장, GPS, 토네이도 등 26 개) 와 타겟 제품을 연결하여, 소스의 속성을 제품 기능으로 변환하도록 지시.
User-Need (UN): 소스 없이 사용자의 충족되지 않은 요구사항을 파악하고 이를 해결하는 혁신적 솔루션 제안.
참가자:
인간: Prolific 을 통해 모집된 140 명의 성인 (각 제품당 7 명씩, 총 700 개 아이디어).
LLM: o3, GPT-4o, Claude-Sonnet-4, Deepseek-v3, Llama-3.3-70b, Qwen2.5-72B, Gemini-2.5-pro 등 7 가지 모델 사용 (각 제품당 10 번 반복 생성, 총 700 개 아이디어).
2.2 데이터 전처리 및 평가
형식 표준화: 인간과 LLM 의 생성된 아이디어를 스타일, 길이, 프레임의 차이로 인한 편향을 제거하기 위해 동일한 LLM(o3) 을 사용하여 1~2 문장의 제품 설명으로 재작성 (Rephrasing).
평가: 1002 명의 인간 평가자가 아이디어를 5 점 리커트 척도로 평가.
평가 항목:원작성 (Originality, 주요 지표), 실현 가능성 (Feasibility), 유용성 (Usefulness), 투자 가치 (Investment Worthiness).
시맨틱 거리 측정: 위키피디아 기반의 임베딩 (Sentence-transformer) 을 사용하여 타겟 제품과 영감 소스 간의 시맨틱 거리 (Semantic Distance, Jensen-Shannon Divergence) 를 정량화.
3. 주요 결과 (Key Results)
3.1 원작성 (Originality) 비교
LLM vs 인간: 조건과 관계없이 LLM 이 생성한 아이디어가 인간보다 평균적으로 더 높은 원작성 점수를 받았습니다.
특히 o3 와 Claude-Sonnet-4 모델이 가장 높은 원작성을 보였으며, Llama-3.3-70b 만 인간과 유의미한 차이가 없었습니다.
개입의 효과 (CDM 의 영향):
인간: 무작위 Cross-domain Mapping 조건이 User-Need 조건보다 원작성을 유의미하게 향상시켰습니다.
LLM: Cross-domain Mapping 조건이 User-Need 조건 대비 원작성에 통계적으로 유의미한 향상을 보이지 않았습니다. (LLM 은 이미 User-Need 프롬프트에서도 높은 수준의 원격 연상을 수행하는 것으로 보임).
3.2 시맨틱 거리와 원작성의 상관관계
공통된 경향: 인간과 LLM 모두에서 타겟과 영감 소스 간의 시맨틱 거리가 멀수록 원작성 점수가 높아지는 경향이 관찰되었습니다.
인간: β=.1,p<.01
LLM: β=.18,p<.001
극단적 사례: CDM 조건에서 인간이 생성한 아이디어 중 상위 10% (가장 원작성이 높은 것들) 는 LLM 의 평균 원작성을 능가하기도 했습니다. (예: 토네이도 형성 원리를 스마트폰에 적용하여 강력한 바람을 만들어 물건을 찾아오게 하는 아이디어 등).
3.3 원작성과 실현 가능성/유용성의 관계
원작성 - 실현 가능성: 강한 음의 상관관계 (r=−0.74). 아이디어가 매우 독창적일수록 실현 가능성은 낮아지는 경향이 있습니다.
원작성 - 유용성: 약한 음의 상관관계.
투자 가치: 원작성보다는 실현 가능성과 유용성에 의해 주로 결정되었습니다.
4. 주요 기여 및 논의 (Contributions & Discussion)
4.1 인간과 LLM 의 창의성 메커니즘 차이
민감도 차이: 인간은 명시적인 Cross-domain Mapping 프롬프트가 있을 때만 원격 연상이 활성화되지만, LLM 은 프롬프트와 관계없이 광범위한 연상을 수행합니다. 즉, LLM 에게는 추가적인 '유도 (Induction)'가 인간의 경우만큼 효과적이지 않습니다.
유추의 질적 차이 (Qualitative Differences):
인간: 소스 도메인의 **지각적/감각적 특징 (Perceptual features)**에 집중하는 경향이 있습니다. (예: 선인장의 가시를 모방한 가방의 가시질감).
LLM: 소스 도메인의 **기능적/메커니즘적 구조 (Functional/Mechanistic structures)**를 타겟에 투사하는 경향이 강합니다. (예: 선인장의 수분 저장 메커니즘을 모방한 가방의 수분 수집 시스템).
4.2 시맨틱 거리의 중요성
창의적 아이디어의 핵심은 단순히 '다른 것'을 연결하는 것이 아니라, 시맨틱적으로 멀리 떨어진 개념을 연결하는 데 있음을 재확인했습니다. 이는 인간과 LLM 모두에게 적용되는 보편적 원리입니다.
5. 의의 및 한계 (Significance & Limitations)
의의:
인간 중심의 창의성 증진 기법 (Cross-domain Mapping) 이 AI 시스템에는 다르게 작용할 수 있음을 실증했습니다.
LLM 이 인간보다 평균적으로 더 독창적인 아이디어를 생성할 수 있음을 보여주었으나, 인간의 '극단적 창의성 (Top 10%)'은 여전히 LLM 이 따라잡기 어려운 영역임을 시사합니다.
창의성 도구를 설계할 때, 인간에게는 '원격 유추 유도'가 효과적이지만, LLM 에 대해서는 '시맨틱 거리가 먼 소스'를 제공하는 것이 더 중요할 수 있음을 제안합니다.
한계 및 향후 과제:
단일 회기 (One-shot) 생성: 실제 창의성은 비판, 수정, 반복 (Iterative) 과정을 거치므로, 향후 인간 - AI 협업이나 다중 에이전트 시스템을 통한 반복적 워크플로우 연구가 필요합니다.
정성적 분석: 인간과 LLM 이 어떤 유형의 속성 (지각적 vs 기능적) 을 유추하는지에 대한 체계적인 코딩 연구가 필요합니다.
결론
이 연구는 **"Serendipity by Design(설계된 우연성)"**을 통해 인간과 LLM 의 창의성 차이를 규명했습니다. 인간은 외부의 유도 (Cross-domain Mapping) 가 필요할 때 비로소 원격 연상이 활성화되지만, LLM 은 내재된 지식 구조 덕분에 항상 높은 수준의 원작성을 보이며, 특히 시맨틱 거리가 먼 연결이 두 시스템 모두에서 창의성을 극대화하는 핵심 요소임을 발견했습니다.