From Data to Wisdom
A Civilizational Transformation in the Age of Generative Artificial Intelligence
Executive Summary
Artificial intelligence represents far more than the emergence of faster and more powerful computers. Throughout history, humanity has externalized its capabilities in successive stages: writing externalized memory, printing expanded the dissemination of knowledge, computers mechanized calculation, and the Internet connected information across the globe. Now, generative AI is ushering humanity into a new stage in which parts of language and intellectual activity are increasingly shared with machines. This civilizational transformation can be understood through a five-stage progression: Data → Information → Knowledge → Intelligence → Wisdom. Data becomes information when placed in context; information becomes knowledge when organized through concepts and relationships; and knowledge becomes intelligence when it is applied to problem solving and action. Yet determining the direction and value of that intelligence belongs to the realm of wisdom.
Within this transformation, Ontology and Knowledge Graphs provide essential foundations for structuring knowledge, while Prompt Engineering provides a new means of communicating human intent to generative AI. Twelve prompt-engineering techniques—Role, Audience, Context, Task, Examples, Reasoning, Constraints, Format, Grounding, Verification, Iteration, and Meta-Prompting—transform simple questions into structured intellectual instructions. By combining these techniques with the concepts and relationships defined by ontology, Ontology-Guided Prompt Design (OGPD) connects natural-language prompts with structured knowledge. Its core pipeline can be expressed as Ontology → Conceptual Graph → RDF/OWL → Knowledge Graph → Prompt → Generative AI → Verification.
This approach is particularly important in complex domains such as cybersecurity, healthcare, and the Internet of Things (IoT). Yet as AI becomes more capable, technical performance alone will not be sufficient. What AI can do and what humans should do are fundamentally different questions. Ultimately, the direction of AI civilization must be determined not merely by algorithmic performance, but by human values, responsibility, and judgment. The central challenge of the AI era, therefore, is not simply to expand intelligence, but to develop the human capacity to use that intelligence wisely.
I. From Memory to Intelligence
The history of human civilization is also a history of discovering ways to overcome human limitations. Human beings have never confined their intellectual capabilities entirely within the body or the brain. By remembering, recording, storing, connecting, and calculating, humanity has continuously extended its capabilities beyond the limits of the individual mind.
For early human societies, the most important repository of knowledge was memory. Parents told stories to their children, while communities transmitted myths, legends, experiences, and rules through oral traditions. Yet human memory was limited. The death of one generation could mean the loss of knowledge accumulated over a lifetime.
The invention of writing fundamentally changed this condition. Human beings could store memory outside the brain, allowing knowledge to survive beyond the lifespan of individuals. Libraries organized this externalized memory, while the printing press enabled knowledge to be reproduced and disseminated on an unprecedented scale. Knowledge no longer depends entirely on the memory of a particular person or community.
The emergence of computers represented another stage in this historical progression. If writing externalized memory, computers externalized calculation. Computers could calculate, store, search, and compare information far faster than human beings. Databases expanded the capabilities of memory and retrieval, while computer networks connected previously separate systems.
The Internet expanded these boundaries once again. Information no longer remained within individual computers but became interconnected through a global network. Humanity constructed the largest information space in its history.
And now, humanity is approaching another turning point.
Generative AI is beginning to externalize parts of human language and intellectual activity.
This is why AI cannot be understood simply as the next generation of computers. Humanity is no longer externalizing only memory and calculation; it is beginning to share with machines parts of analysis, generation, reasoning support, and other intellectual activities.
II. From Data to Wisdom
This new transformation can be summarized in five stages:
Data → Information → Knowledge → Intelligence → Wisdom
Data represents traces observed from the world. Information emerges when data is placed within context, while knowledge results when information is organized through concepts and relationships. Intelligence is the capacity to analyze such knowledge and apply it to new situations. Wisdom, however, concerns the meaning and value of the choices produced through intelligence.
The development of AI, therefore, cannot be measured simply by the amount of data available. More data does not automatically produce more knowledge, and more knowledge does not automatically produce more wisdom.
The fundamental question of the AI era is how to transform data into meaningful knowledge and connect that knowledge to trustworthy action.
To accomplish this, knowledge must be structured so that machines can work not only with words, but also with concepts and relationships.
III. Structuring the World: Ontology and Knowledge Graphs
An ontology is more than a list of words. It is a structured representation of knowledge that defines what exists within a particular domain, what properties those concepts possess, and how they relate to one another.
Consider cybersecurity. A security domain may contain concepts such as User, Device, Login, IP Address, Location, Time, Authentication, Risk, and Security Event. Yet the most important information often lies not in the individual concepts, but in the relationships among them.
User → performs → Login
Login → uses → Device
Login → originates from → IP Address
Login → occurs at → Time
Login → has → Location
When these relationships are connected, individual data points acquire contextual meaning.
A Knowledge Graph operationalizes these concepts and relationships as an interconnected network of knowledge. RDF represents knowledge as Subject–Predicate–Object triples, while OWL provides richer representations of classes, properties, constraints, and logical relationships. Ontologies, RDF, OWL, and Knowledge Graphs can therefore be understood as essential knowledge infrastructures that enable AI to work with structured meaning and relationships, rather than relying solely on statistical associations among words.
For example,
John → studies → Artificial Intelligence
Artificial Intelligence → offered by → University
represents more than a simple sentence. It establishes a connected structure of knowledge.
Such structured knowledge becomes increasingly important as AI systems attempt to understand and operate within complex worlds.
IV. Generative AI and a New Language
The emergence of generative AI has transformed the way humans communicate with machines. In the past, humans generally had to specify precisely what computers should do through programming languages and formal commands. Today, people can communicate their intentions to AI through natural language.
Yet natural language is inherently ambiguous.
“Explain Zero Trust security.”
This question does not specify from whose perspective the explanation should be presented, who the intended audience is, how deeply the subject should be explained, or what sources and evidence should support the response.
Prompt Engineering addresses precisely this problem.
A good prompt is not simply a longer question. It is a structured representation of human intent.
A user can define a role, identify the target audience, provide relevant context, decompose a complex task, provide examples, establish a reasoning direction, and specify constraints. The desired output format can be defined, reliable evidence can be required, and the result can be verified and iteratively improved. Ultimately, AI can even be asked to improve the prompt itself.
These techniques can be summarized as:
Role → Audience → Context → Task → Examples → Reasoning → Constraints → Format → Grounding → Verification → Iteration → Meta-Prompting
This is more than a collection of technical techniques. It is a methodology for communicating human intent to machine intelligence.
A good prompt is not one that uses more words; it is one that defines the world and purpose more clearly.
V. OGPD: Connecting Prompts and Knowledge
Prompt Engineering, however, is not always sufficient. Clearly expressing human intent and enabling an AI system to understand the conceptual structure of a particular domain are two different challenges.
This is where Ontology-Guided Prompt Design (OGPD) becomes important.
Where conventional Prompt Engineering tells AI what to do, OGPD additionally provides the conceptual world and relationships within which the problem should be understood.
For example, consider the instruction:
“Analyze these login records and identify suspicious activity.”
Instead of providing only the question, we can also supply concepts such as User, Login, Device, IP Address, Location, Time, Authentication, Risk, and Security Event, together with their defined relationships. The AI can then analyze anomalous behavior within a structured knowledge framework rather than simply generating a textual response.
The core OGPD architecture can be represented as follows:
Ontology
↓
Conceptual Graph
↓
RDF / OWL
↓
Knowledge Graph
↓
Prompt
↓
Generative AI
↓
Verification
Within this architecture, a prompt is more than a question.
A prompt is a semantic interface connecting human intent with structured knowledge.
By combining the flexibility of natural language with the precision of formal knowledge representation, OGPD provides a foundation for AI systems to address complex problems in a more consistent, explainable, and verifiable manner.
VI. Where AI Meets the Real World
This approach has particularly significant potential in complex application domains.
In cybersecurity, users, devices, networks, IP addresses, locations, timestamps, authentication events, and risk information can be connected to analyzing anomalous behavior beyond isolated events. For example, an unfamiliar device accessing an account at an unusual time, or authentication occurring simultaneously from geographically distant locations, may reveal risks that could be overlooked when individual records are examined separately. A relational context allows these signals to be interpreted as part of a larger security pattern.
In healthcare, patients, symptoms, tests, diagnoses, medications, treatments, healthcare providers, and clinical guidelines can be connected. AI can thereby move beyond generating medical language toward reasoning that considers patient circumstances together with relevant clinical knowledge.
In IoT environments, the individual value reported by a sensor may be less important than knowing which device the sensor is connected to, where that device is located, when the measurement was produced, and under what environmental conditions. Knowledge Graphs and structured prompts can help transform such isolated observations into contextual knowledge.
Although these domains differ, they reveal a common principle:
The quality of intelligence depends not only on the quantity of data, but also on the relationships and context among data.
VII. The Question After AI Is Ethics
Yet technological possibility does not automatically constitute civilizational legitimacy.
AI can analyze what is happening, predict possible outcomes, and propose alternative solutions. But determining what should be done, what is right, and what is fair belongs to a different level of judgment.
As AI becomes more powerful, the human role does not disappear; it becomes more important. Humans must define purposes, establish priorities among values, set boundaries for technology, and remain accountable for its consequences.
AI education should not stop teaching students how to use AI tools effectively. Students must also learn how to work with data, structure knowledge, evaluate evidence, verify AI-generated results, and exercise judgment when technological efficiency conflicts with human values.
Humanities likewise have a new role to play in the AI era. Their purpose should not be limited to preserving the intellectual heritage of the past. They must also ask a fundamental question:
What should AI exist for?
As the range of what technology can do continues to expand, human beings must ask more deeply why those things should be done in the first place.
VIII. Beyond Intelligence to Wisdom
Humanity has advanced civilization by extending memory through writing, calculation through computers, and information through networks. We are now extending portions of intellectual activity through artificial intelligence. This transformation is not merely another stage in technological evolution; it is a civilizational transition that is redefining the relationship between humans and machines.
As AI performs an increasing share of intellectual work, the human role does not disappear. Instead, it becomes more clearly defined. Humans must establish purposes and standards of value, critically examine AI-generated results, and remain responsible for the effects of technology on society and human life. AI education and research must therefore cultivate not only technical competence but also judgment, ethical awareness, and historical understanding.
Ultimately, the central issue is not how intelligent machines will become. The more important question is how human beings will use that intelligence, for what purposes, according to which values, and with what degree of responsibility. Intelligence expands the range of possibilities; wisdom asks which of those possibilities should be chosen.
The future we should seek is not Artificial Intelligence alone, but Human Wisdom + Artificial Intelligence. Humans should use the capabilities of AI without surrendering purpose or responsibility, while AI should support rather than replace human judgment, enabling deeper understanding and better decisions.
Humanity now stands at a new civilizational boundary: beyond the externalization of memory and calculation lies the externalization of intelligence. For this transformation to become genuine progress, technological power and human wisdom must advance together.
The future of AI will not be determined solely by how intelligent machines become. It will be determined by how wisely human beings can guide that intelligence.
References
1. Bombieri, M., Fiorini, P., Ponzetto, S. P., & Rospocher, M. (2026). Do LLMs dream of ontologies? ACM Transactions on Intelligent Systems and Technology, 17(6), Article 130. https://doi.org/10.1145/3725852
Published August 25, 2026.
2. He, J., Chen, H., Yang, H., Li, P., & Zheng, Z. (2026). Text2Onto-Agent: An LLM agent-based end-to-end automated ontology construction method and a case study of green building domain modeling. Journal of Construction Engineering and Management, 152(9). https://doi.org/10.1061/JCEMD4.COENG-18479
Published online July 11, 2026; print September 1, 2026.
3. Gong, C., Wei, Z., Tao, W., & Miao, D. (2026). Enhancing large language models for knowledge graph question answering via multi-granularity knowledge injection and structured reasoning path-augmented prompting. Information Processing & Management, 63(5), 104614. https://doi.org/10.1016/j.ipm.2026.104614
4. Oarga, A., Hart, M., Bran, A. M., Lederbauer, M., & Schwaller, P. (2026). Scientific knowledge graph and ontology generation using open large language models. Digital Discovery, 5(3), 1269–1279. https://doi.org/10.1039/D5DD00275C
First published February 16, 2026; issue publication March 18, 2026.
5. Liu, Y.-Y., Zheng, Z., Zhang, F., Feng, J.-C., Fu, Y.-Y., Zhai, J.-D., He, B.-S., Zhang, X., & Du, X.-Y. (2026). A comprehensive taxonomy of prompt engineering techniques for large language models. Frontiers of Computer Science, 20(3), 2003601. https://doi.org/10.1007/s11704-025-50058-z
Volume year is 2026, although the article was first published online October 28, 2025.
데이터에서 지혜로
생성인공지능 시대의 문명사적 전환
Executive Summary
인공지능은 단순히 더 빠르고 강력한 컴퓨터가 등장했다는 의미를 넘어선다. 인류는 문자로 기억을 외부화하고, 인쇄술로 지식을 확산했으며, 컴퓨터로 계산을 기계화하고, 인터넷으로 정보를 연결해 왔다. 이제 생성형 AI는 언어와 지적 활동의 일부를 기계와 공유하는 새로운 단계로 진입시키고 있다. 이 문명사적 전환을 이해하는 핵심 경로는 Data → Information → Knowledge → Intelligence → Wisdom이다. 데이터가 맥락을 만나 정보가 되고, 정보가 개념과 관계로 조직되면 지식이 되며, 지식이 문제 해결과 행동에 활용될 때 지능이 된다. 그러나 지능의 방향과 가치를 판단하는 것은 지혜의 영역이다.
이러한 변화에서 Ontology와 Knowledge Graph는 지식을 구조화하는 핵심 기반이며, Prompt Engineering은 인간의 의도를 생성형 AI에 전달하는 새로운 의사소통 기술이다. 역할, 대상, 맥락, 작업, 예시, 추론 방향, 제약 조건, 출력 형식, 근거, 검증, 반복적 개선, Meta-Prompting으로 구성되는 12가지 프롬프트 기술은 단순한 질문을 구조화된 지적 지시로 발전시킨다. 여기에 온톨로지의 개념과 관계를 결합한 ‘Ontology-Guided Prompt Design (OGPD)’은 자연어 프롬프트와 구조화된 지식을 연결한다. 그 핵심 파이프라인은 Ontology → Conceptual Graph → RDF/OWL → Knowledge Graph → Prompt → Generative AI → Verification으로 표현할 수 있다.
이러한 접근은 사이버보안, 헬스케어, IoT와 같은 복잡한 영역에서 특히 중요하다. 그러나 AI의 성능이 높아질수록 기술적 능력만으로는 충분하지 않다. AI가 무엇을 할 수 있는가와 인간이 무엇을 해야 하는가는 서로 다른 질문이기 때문이다. 궁극적으로 AI 문명의 방향은 알고리즘의 성능만이 아니라 인간의 가치, 책임, 판단에 의해 결정되어야 한다. 따라서 AI 시대의 가장 중요한 과제는 지능을 확대하는 것과 동시에 그 지능을 지혜롭게 사용할 수 있는 인간의 능력을 발전시키는 것이다.
1. 기억에서 지능으로
인류 문명의 역사는 인간의 한계를 넘어서는 방법을 발견해 온 역사이기도 하다. 인간은 자신의 지적 능력을 몸과 두뇌 안에만 가두어 두지 않았다. 기억하고, 기록하고, 저장하고, 연결하고, 계산하면서 자신의 능력을 끊임없이 외부로 확장해 왔다.
초기 인간에게 가장 중요한 지식 저장장치는 기억이었다. 부모는 자녀에게 이야기를 들려주었고, 공동체는 신화와 전설, 경험과 규칙을 구전으로 전달했다. 그러나 인간의 기억에는 한계가 있었다. 한 세대의 죽음은 지식의 손실을 의미할 수 있었다.
문자의 발명은 이러한 한계를 근본적으로 바꾸었다. 인간은 기억을 자신의 두뇌 밖에 저장할 수 있게 되었고, 지식은 개인의 수명을 넘어 살아남기 시작했다. 도서관은 기억을 조직했고, 인쇄술은 지식을 대량으로 복제하고 확산했다. 지식은 더 이상 특정 개인이나 공동체의 기억에만 의존하지 않게 되었다.
컴퓨터의 등장 역시 이러한 역사적 흐름의 연장이었다. 문자가 기억을 외부화했다면 컴퓨터는 계산을 외부화했다. 컴퓨터는 인간보다 빠르게 계산하고, 저장하고, 검색하고, 비교할 수 있었다. 데이터베이스는 기억과 검색 능력을 확대했고, 네트워크는 서로 다른 시스템을 연결했다.
인터넷은 다시 한 번 경계를 확장했다. 정보는 개별 컴퓨터에 머물지 않고 전 지구적 네트워크를 통해 연결되었다. 인류는 역사상 가장 거대한 정보공간을 구축했다.
그리고 이제 또 하나의 전환점에 도달하고 있다.
생성형 AI는 인간의 언어와 지적 활동의 일부를 외부화하기 시작했다.
이것이 AI를 단순히 컴퓨터의 다음 세대로만 볼 수 없는 이유다. 우리는 이제 기억과 계산뿐 아니라 분석, 생성, 추론 지원과 같은 지적 활동의 일부까지 기계와 공유하고 있다.
2. Data에서 Wisdom까지
이 새로운 전환은 다음의 다섯 단계로 압축할 수 있다.
Data → Information → Knowledge → Intelligence → Wisdom
데이터는 세계에서 관찰된 흔적이다. 정보는 데이터에 맥락이 부여된 상태이며, 지식은 정보가 개념과 관계 속에서 조직된 결과다. 지능은 이러한 지식을 분석하고 새로운 상황에 적용하는 능력이다. 그러나 지혜는 지능이 만들어낸 선택의 의미와 가치를 판단한다.
따라서 AI의 발전은 데이터의 양만으로 측정할 수 없다. 더 많은 데이터가 자동적으로 더 많은 지식을 의미하지 않으며, 더 많은 지식이 자동적으로 더 많은 지혜를 보장하지도 않는다.
AI 시대의 중요한 문제는 데이터를 어떻게 의미 있는 지식으로 전환하고, 그 지식을 신뢰할 수 있는 행동으로 연결할 것인가이다.
이를 위해서는 기계가 단어뿐 아니라 개념과 관계를 활용할 수 있도록 지식을 구조화해야 한다.
3. 세계를 구조화하다: Ontology와 Knowledge Graph
온톨로지는 단순한 단어 목록이 아니다. 특정 영역에서 무엇이 존재하는지, 각각의 개념이 어떤 속성을 가지며 서로 어떻게 관계를 맺는지를 정의하는 지식의 구조다.
사이버보안을 예로 들어 보자. User, Device, Login, IP Address, Location, Time, Authentication, Risk, Security Event와 같은 개념이 존재한다. 그러나 중요한 것은 개별 개념보다 그 사이의 관계다.
User → performs → Login
Login → uses → Device
Login → originates from → IP Address
Login → occurs at → Time
Login → has → Location
이 관계들이 연결될 때 개별 데이터는 상황적 의미를 갖는다.
Knowledge Graph는 이러한 개념과 관계를 실제 지식 네트워크로 구현한다. RDF는 지식을 Subject–Predicate–Object 형태의 트리플로 표현하고, OWL은 클래스, 속성, 제약 조건과 논리적 관계를 보다 풍부하게 정의한다. 따라서 Ontology, RDF, OWL, Knowledge Graph는 AI가 단순한 단어의 통계적 연관성을 넘어 구조화된 의미와 관계를 활용하도록 만드는 지식 인프라라고 할 수 있다.
예를 들어,
John → studies → Artificial Intelligence
Artificial Intelligence → offered by → University
라는 관계는 단순한 문장을 넘어 연결된 지식의 구조를 형성한다.
AI가 복잡한 세계를 더 잘 다루기 위해서는 이러한 구조적 지식이 중요하다.
4. 생성형 AI와 새로운 언어
생성형 AI의 등장으로 인간과 기계의 의사소통 방식도 변화했다. 과거에는 인간이 프로그래밍 언어와 명령어를 통해 컴퓨터에 무엇을 해야 하는지 정확하게 지정해야 했다. 이제 인간은 자연어를 통해 AI에게 자신의 의도를 전달할 수 있다.
그러나 자연어는 본질적으로 모호하다.
“Explain Zero Trust security.”
이 질문만으로는 AI가 누구의 관점에서 설명해야 하는지, 누구를 대상으로 하는지, 어느 정도 깊이로 설명해야 하는지, 어떤 근거를 사용해야 하는지 명확하지 않다.
Prompt Engineering은 바로 이 문제를 다룬다.
좋은 프롬프트는 단순히 질문을 길게 만드는 것이 아니다. 인간의 의도를 명확하게 구조화하는 것이다.
역할을 지정하고, 대상 독자를 정하며, 필요한 맥락을 제공한다. 복잡한 작업을 분해하고, 원하는 결과의 예를 제시하며, 분석 방향과 제약 조건을 설정한다. 출력 형식을 지정하고, 신뢰할 수 있는 근거에 기반하도록 하며, 결과를 검증하고 반복적으로 개선한다. 궁극적으로는 AI에게 프롬프트 자체를 개선하도록 요청할 수도 있다.
이를 하나의 흐름으로 압축하면 다음과 같다.
Role → Audience → Context → Task → Examples → Reasoning → Constraints → Format → Grounding → Verification → Iteration → Meta-Prompting
이것은 단순한 기술 목록이 아니라 인간의 의도를 기계의 지능으로 전달하는 하나의 방법론이다.
좋은 프롬프트란 더 많은 말을 하는 프롬프트가 아니라 더 명확한 세계와 목적을 정의하는 프롬프트이다.
5. OGPD: 프롬프트와 지식을 연결하다
그러나 Prompt Engineering만으로는 충분하지 않은 경우가 있다. 인간의 의도를 명확하게 표현하는 것과 AI가 특정 분야의 개념적 구조를 이해하도록 하는 것은 서로 다른 문제이기 때문이다.
여기에서 ‘Ontology-Guided Prompt Design (OGPD)’이 등장한다.
일반적인 Prompt Engineering이 AI에게 무엇을 하라고 지시하는 것이라면, OGPD는 AI가 어떤 개념과 관계의 세계를 기반으로 문제를 이해해야 하는가까지 제공한다.
예를 들어,
“Analyze these login records and identify suspicious activity.”
라는 질문에 User, Login, Device, IP Address, Location, Time, Authentication, Risk, Security Event라는 개념과 그 관계를 함께 제공할 수 있다. 그러면 AI는 단순히 문장을 생성하는 것이 아니라 정의된 지식 구조를 바탕으로 이상행위를 분석하고 결과를 일정한 형식으로 제시할 수 있다.
OGPD의 핵심 구조는 다음과 같다.
Ontology
↓
Conceptual Graph
↓
RDF / OWL
↓
Knowledge Graph
↓
Prompt
↓
Generative AI
↓
Verification
이 구조에서 프롬프트는 단순한 질문이 아니다.
프롬프트는 인간의 의도와 구조화된 지식을 연결하는 의미론적 인터페이스다.
자연어의 유연성과 형식적 지식 표현의 정확성을 결합함으로써 AI가 보다 일관되고 검증 가능한 방식으로 복잡한 문제를 다룰 수 있는 기반을 제공한다.
6. AI가 현실 세계를 만나는 곳
이러한 접근은 복잡한 산업 영역에서 특히 큰 가능성을 가진다.
사이버보안에서는 사용자, 장치, 네트워크, IP 주소, 위치, 시간, 인증 및 위험정보를 연결하여 개별 사건을 넘어선 이상행위를 분석할 수 있다. 예를 들어 익숙하지 않은 장치에서 비정상적인 시간에 접속하거나 서로 먼 지역에서 동시에 인증이 발생하는 경우, 개별 기록만으로는 놓칠 수 있는 위험을 관계적 맥락에서 파악할 수 있다.
헬스케어에서는 환자, 증상, 검사, 진단, 약물, 치료, 의료진 및 임상지침을 연결할 수 있다. 이를 통해 AI는 단순히 의학적 문장을 생성하는 것을 넘어 환자의 상황과 관련 지식을 함께 고려하는 방향으로 발전할 수 있다.
IoT에서는 센서의 개별 수치보다 센서가 어떤 장치에 연결되어 있고, 어디에 위치하며, 언제 어떤 환경에서 데이터를 생성했는지가 중요하다. Knowledge Graph와 구조화된 프롬프트는 이러한 고립된 데이터를 상황적 지식으로 전환하는 데 도움을 줄 수 있다.
세 영역은 서로 다르지만 공통된 원리를 보여준다.
지능의 품질은 데이터의 양뿐 아니라 데이터 사이의 관계와 맥락에 의해 결정된다.
7. AI 이후의 문제는 윤리다
그러나 기술적 가능성이 곧 문명적 정당성을 의미하지는 않는다.
AI는 무엇이 일어나고 있는지 분석할 수 있고, 가능한 결과를 예측하며, 다양한 해결책을 제시할 수 있다. 그러나 무엇을 해야 하는지, 무엇이 옳은지, 무엇이 공정한지에 대한 판단은 다른 차원의 문제다.
AI가 강력해질수록 인간의 역할이 사라지는 것이 아니라 오히려 더욱 중요해진다. 인간은 목적을 정하고, 가치의 우선순위를 결정하며, 기술의 경계를 설정하고, 그 결과에 책임을 져야 한다.
따라서 AI 교육 역시 단순히 AI 도구를 잘 사용하는 방법을 가르치는 데 머물러서는 안 된다. 학생들은 데이터를 다루고 지식을 구조화하는 능력뿐 아니라, 근거를 평가하고 결과를 검증하며 기술적 효율성과 인간적 가치가 충돌할 때 판단하는 능력을 갖추어야 한다.
AI 시대의 인문학 역시 새로운 역할을 가져야 한다. 인문학은 과거의 유산을 보존하는 데 그치지 않고 AI가 무엇을 위해 존재해야 하는가를 질문해야 한다. 기술이 할 수 있는 일의 범위가 넓어질수록 인간은 왜 그것을 해야 하는지를 더욱 깊이 물어야 하기 때문이다.
8. 지능을 넘어 지혜로
인류는 기억을 문자로, 계산을 컴퓨터로, 정보를 네트워크로 확장하면서 문명을 발전시켜 왔다. 이제 우리는 지적 활동의 일부를 인공지능으로 확장하고 있다. 이 변화는 단순한 기술의 진화가 아니라 인간과 기계의 관계를 새롭게 정의하는 문명적 전환이다.
AI가 더 많은 지적 작업을 수행할수록 인간에게 필요한 역할은 사라지는 것이 아니라 더욱 분명해진다. 인간은 목적과 가치의 기준을 세우고, AI의 결과를 비판적으로 검토하며, 기술이 사회와 인간의 삶에 미치는 영향을 책임져야 한다. 따라서 AI 시대의 교육과 연구는 기술적 숙련과 함께 판단력, 윤리적 감수성, 역사적 이해를 길러야 한다.
결국 AI의 미래를 결정하는 핵심은 기계가 얼마나 지능적인가에 있지 않다. 중요한 것은 인간이 그 지능을 어떤 목적을 위해, 어떤 가치에 따라, 얼마나 책임 있게 사용할 것인가이다. 지능이 가능성의 범위를 넓힌다면 지혜는 그 가능성 가운데 무엇을 선택해야 하는지를 묻는다.
우리가 지향해야 할 미래는 Artificial Intelligence alone이 아니라 Human Wisdom + Artificial Intelligence의 미래다. 인간은 AI의 능력을 활용하되 목적과 책임을 포기하지 않아야 하며, AI는 인간의 판단을 대체하기보다 더 깊은 이해와 더 나은 결정을 지원해야 한다.
인류는 지금 기억과 계산의 외부화를 넘어 지능의 외부화라는 새로운 문명적 경계에 서 있다. 이 전환이 인류에게 진정한 진보가 되기 위해서는 기술의 힘과 인간의 지혜가 함께 발전해야 한다.
AI의 미래는 기계가 얼마나 지능적이 되는가에 의해서만 결정되지 않는다. 그것은 인간이 그 지능을 얼마나 지혜롭게 이끌 수 있는가에 의해 결정될 것이다.
2026년 9월 10일
{솔티}
References
1. Bombieri, M., Fiorini, P., Ponzetto, S. P., & Rospocher, M. (2026). Do LLMs dream of ontologies? ACM Transactions on Intelligent Systems and Technology, 17(6), Article 130. https://doi.org/10.1145/3725852
Published August 25, 2026.
2. He, J., Chen, H., Yang, H., Li, P., & Zheng, Z. (2026). Text2Onto-Agent: An LLM agent-based end-to-end automated ontology construction method and a case study of green building domain modeling. Journal of Construction Engineering and Management, 152(9). https://doi.org/10.1061/JCEMD4.COENG-18479
Published online July 11, 2026; print September 1, 2026.
3. Gong, C., Wei, Z., Tao, W., & Miao, D. (2026). Enhancing large language models for knowledge graph question answering via multi-granularity knowledge injection and structured reasoning path-augmented prompting. Information Processing & Management, 63(5), 104614. https://doi.org/10.1016/j.ipm.2026.104614
4. Oarga, A., Hart, M., Bran, A. M., Lederbauer, M., & Schwaller, P. (2026). Scientific knowledge graph and ontology generation using open large language models. Digital Discovery, 5(3), 1269–1279. https://doi.org/10.1039/D5DD00275C
First published February 16, 2026; issue publication March 18, 2026.
5. Liu, Y.-Y., Zheng, Z., Zhang, F., Feng, J.-C., Fu, Y.-Y., Zhai, J.-D., He, B.-S., Zhang, X., & Du, X.-Y. (2026). A comprehensive taxonomy of prompt engineering techniques for large language models. Frontiers of Computer Science, 20(3), 2003601. https://doi.org/10.1007/s11704-025-50058-z
Volume year is 2026, although the article was first published online October 28, 2025.
Prof. Dr. Young Choi (Editor in Chief) — Regent University
Young B. Choi is a Professor in the Department of Engineering & Computer Science at Regent University. He published 38 books with ‘Selected Readings in Cybersecurity’ (2018) (over 800 copies archived globally at university/college libraries around the world) and ‘Cybersecurity Applications and Artificial Intelligence’ (2023) available in seven major world languages. He proposed the world’s first global and universal telecommunications “Service Order Handling (SOH)” Model (T-SOH Model) (1995) with Dr. Adrian Tang. With this innovative research work, he received the IEEE NOMS ’96 Best Paper Award and became the first recipient of the Outstanding Contribution Award of the TeleManagement Forum in 1998. His research areas include Natural Language Processing-focused AI, AI-applied cybersecurity, network and telecom service management, and Korean studies on Gani Choi Rip’s Jeonggwan (靜觀: Quiet Contemplation) philosophy and Shilhak ( 實學: Practical Learning).
© K-GSP (K-Global Scholars and Professionals) Forum. All rights reserved. 2026.
Suggested Citation:
Choi, Y. B. (2026, September 10). From Data to Wisdom: A Civilizational Transformation in the Age of Generative Artificial Intelligence. K-GSP.