# 언러닝은 전문성을 버리는 일이 아니다

> Expertise trap, control bias, value unit와 preserved principles

- Canonical: https://learning.reopt.ai/en/courses/ai-development-operating-model/lessons/om-m1-concept
- Language: en
- HTML: https://learning.reopt.ai/en/courses/ai-development-operating-model/lessons/om-m1-concept

---

[AI development team operating model](/en/courses/ai-development-operating-model) 1. 보존할 원칙과 놓을 행동 1 / 9

# 언러닝은 전문성을 버리는 일이 아니다

Expertise trap, control bias, value unit와 preserved principles
Concept 45 XP 9 min

직접 코드를 많이 작성하는 능력은 여전히 가치 있지만 모든 코드를 소유해야 품질을 지킬 수 있다는 행동은 팀 throughput을 제한할 수 있습니다. AI 시대에는 문제 경계, 검증 oracle, 통합 판단, 운영 책임이 더 희소한 역량이 됩니다.
행동은 바꾸고 공학 원칙은 강화 호기심, 기초 원리, 사용자 이해, 단순성, 보안, 검증, 책임은 보존합니다. 버릴 것은 코드 줄 수로 기여를 판단하거나, 익숙한 구현을 유일한 품질 통제로 보는 습관입니다.

| 기존 행동 | 보존할 원칙 | 새 행동 |
| 모든 코드 직접 작성 | 이해·책임 | 위험 기반 위임·설명 가능한 review |
| 한 가지 해법 고수 | 깊은 전문성 | 대안·반증·tradeoff 비교 |
| 산출량 중심 평가 | 기여·품질 | outcome·correction·defect |
| 도구 사용을 숙련으로 | 반복 가능한 능력 | 문제·증거·운영 시스템 |

- 1 행동 진단 과거에는 보상받았지만 현재 병목을 만드는 습관을 적습니다.

- 2 원칙 추출 그 행동이 지키려 했던 품질·학습·책임 원칙을 분리합니다.

- 3 대체 행동 같은 원칙을 더 작은 비용으로 지키는 AI 협업 방식을 설계합니다.

- 4 경계 실험 Low-risk task에서 새 행동의 속도·수정·이해도를 비교합니다.

실무에 남길 기준

- AI 도구 사용 개수는 숙련의 지표가 아니며 판단의 재현성이 핵심이다
- 통제감보다 관측·검증·되돌림 가능성이 실제 통제를 만든다
- 직접 구현은 학습·핵심 알고리즘·고위험 경계에서 의도적으로 선택한다

Got it · Continue

---

Site guide for agents: https://learning.reopt.ai/llms.txt · Sitemap: https://learning.reopt.ai/sitemap.xml · Contact: https://learning.reopt.ai/contact