집단 지능이란 무엇인가? 집단 지능은 개인의 집단 — 인간, 기계 또는 둘 다 — 이 지능적으로 보이는 방식으로 집단적으로 행동할 수 있는 능력으로, 어떤 구성원이 혼자서 달성할 수 있는 것보다 더 나은 판단, 결정 및 솔루션을 생성합니다.
집단 지성은 토마스 말론과 마이클 번스타인이 집단 지성 핸드북(MIT Press, 2015)에서 정의한 바와 같이 '지능적으로 보이는 방식으로 집단적으로 행동하는 개인 그룹'입니다. 이 분야는 콩도르세 배심정리(1785)와 프랜시스 갈톤의 1906년 소 무게 실험에서 현대 실험실 과학에 이르기까지 확장됩니다: 아니타 윌리엄스 울리와 동료들은(Science, 2010) 집단 성과의 약 43%의 분산을 설명하는 일반 집단 지성 요인 — c 요인 — 에 대한 증거를 발견했으며, 이는 사회적 민감성, 대화 턴 테이킹의 평등, 그룹 내 여성 비율과 더 많은 상관관계를 가집니다. c 요인은 논란이 되었고(크레드와 하워드슨, 2017) 22개 연구와 1,356개 그룹을 포함한 메타 분석에 의해 지지받았습니다(리들 외, PNAS, 2021). 집단 지성 유전자(말론, 라우바허, 델라로카스, 2010)는 Who, Why, What, How에 따라 스마트 그룹의 구성 요소를 매핑합니다. 현재 MIT 집단 지성 센터 연구(2026)는 생성적 AI와 집단 지성, 슈퍼마인드 디자인, 인간-AI 팀 설계에 초점을 맞추고 있습니다; 2024년 메타 분석(바카로, 알마투크, 말론)은 인간-AI 조합이 단순히 단독의 최선보다 우수하지 않음을 발견했습니다 — 진정한 시너지는 작업 할당 및 상호작용의 의도적인 설계가 필요합니다. 현재 CCI 시스템에는 대형 언어 모델을 구조화된 창의적 문제 해결 스캐폴딩으로 감싸는 Supermind Ideator와 180,000건 이상의 자율 AI 간 협상을 연구한 2026년 PNAS 대회가 포함됩니다. 의사 결정 생애 주기 내에서 — 참석, 프레임, 생성, 조사, 집계, 심의, 할당, 선택, 구현, 모니터링 — 집단 지성 연구는 주로 집계 및 심의 단계에 관한 것입니다: 그룹이 분산된 지식을 어떻게 풀고 함께 추론하는지. Argumentree는 독립적 비동기 주장을 제출하고, 평등 참여 구조, 다차원 평가를 합의 점수로 집계하고, 그룹의 추론에 대한 전체 감사 추적을 통해 이러한 발견을 운영화합니다.
집단 지능이란 무엇인가?
집단 지능은 그룹 — 인간, 기계 또는 둘 다 — 이 지능적으로 보이는 방식으로 행동할 수 있는 능력입니다. 이는 은유가 아닙니다: 연구는 이를 측정하고, 논의하며, 이를 설계하는 방법을 보여주었습니다. 이 가이드는 Condorcet (1785)부터 MIT의 인간-AI 팀 연구 (2026)까지의 과학을 다룹니다.
마지막 업데이트: 2026-07-18
TL;DR
그룹은 측정 가능한 스마트함을 가질 수 있습니다. Woolley et al. (Science, 2010)은 집단 성과를 예측하는 집단 지능 요인 (c)을 발견했습니다 — 이는 구성원의 IQ보다 사회적 민감성, 평등한 턴 테이킹, 그리고 과정에 의해 더 많이 영향을 받습니다. 이 발견은 논의되고 있지만 (Credé & Howardson, 2017) 1,356개 그룹에 대한 메타 분석 (Riedl et al., PNAS, 2021)에 의해 지지받았습니다. 현대의 경계는 인간-AI 집단 지능입니다: MIT의 2024년 메타 분석은 인간을 루프에 추가하는 것이 AI 시스템을 자동으로 개선하지 않는다는 것을 보여줍니다 — 시너지는 작업 할당 및 프로세스 설계에 따라 달라집니다. Argumentree는 그 교훈에 기반하여: 추론을 구조화하고, 판단을 집계하며, 인간이 결정을 내리도록 유지합니다.
집단 지능 정의
표준 학술 정의는 Thomas Malone과 Michael Bernstein의 집단 지능 핸드북 (MIT Press, 2015)에서 나옵니다: 집단 지능은 "지능적으로 보이는 방식으로 집단적으로 행동하는 개인의 그룹"입니다. 이 정의는 의도적으로 광범위합니다. 가격을 설정하는 시장, 백과사전을 작성하는 위키피디아 커뮤니티, 증거를 평가하는 배심원, 음식으로 가는 최단 경로를 찾는 개미 집단 — 그리고 점점 더 사람과 AI 시스템의 하이브리드 팀을 포함합니다.
집단 지능은 군중의 지혜보다 더 넓습니다. 군중의 지혜는 많은 독립적인 판단의 통계적 집계를 다룹니다. 집단 지능은 진정한 협력과 심의를 포함합니다 — 서로 상호작용하고, 논쟁하며, 서로의 추론을 기반으로 하는 그룹. 이는 군집 지능과 다릅니다. 군집 지능은 심의 없이 단순한 지역 규칙에서 조정이 발생합니다. 그리고 이는 이웃 분야에서 연구된 메커니즘과 연결됩니다: 투표 시스템은 선호를 집계하고, 예측 시장은 확률적 신념을 집계하며, 구조화된 심의는 이유를 집계합니다 — 많은 마음을 하나의 결정으로 전환하는 방법에 대한 세 가지 다른 답변입니다.
의사 결정 생애 주기 내에서 — 참석, 프레임, 생성, 조사, 집계, 심의, 할당, 선택, 구현, 모니터링 — 집단 지능 연구는 집계 및 심의 단계에 집중합니다: 분산된 지식이 어떻게 모이고, 그룹이 정보의 연쇄와 집단사고의 병리 없이 함께 추론하는지.
집단 지능 연구의 간략한 역사
이 분야는 계몽주의 수학, 통계학, 경제학, 생물학 및 컴퓨터 과학에 뿌리를 두고 있습니다. 주요 주제: 적절한 조건에서 그룹은 그 구성원보다 더 나은 성과를 내며 — 이러한 조건은 설계될 수 있습니다.
콩도르세 후작은 각 유권자가 약간이라도 우연보다 나은 경우 독립적으로 투표하면, 다수가 올바를 확률이 집단이 커짐에 따라 확실성에 가까워진다는 것을 증명합니다 — 집단 지성의 기초가 되는 수학적 결과입니다.
프랜시스 갈톤은 1906년 시골 박람회에서 소의 도축된 무게에 대한 787개의 추측을 분석합니다. 중앙값 추측(1,207 lb)은 실제 무게(1,198 lb)의 1% 이내에 위치합니다 — 소 전문가들보다 더 나은 결과입니다. Nature에 발표되었습니다.
프리드리히 하이에크의 "사회에서의 지식의 사용" (American Economic Review)은 시장이 가격을 통해 분산된 지역 지식을 집계한다고 주장합니다 — 예측 시장의 이론적 기초입니다.
제임스 수로위키는 군중의 지혜를 위한 네 가지 조건(다양성, 독립성, 분산화, 집계)을 정리합니다. 같은 해, 홍과 페이지는 그들의 논란이 있는 "다양성이 능력을 능가한다" 모델을 PNAS에 발표합니다.
울리, 차브리스, 펜틀랜드, 하시미, 말론(Science)은 699명이 소그룹에서 작업하는 동안 일반 집단 지성 요인에 대한 증거를 발견합니다 — 개인 IQ의 집단 수준 유사체입니다.
말론, 라우바허, 델라로카스(MIT Sloan Management Review)는 집단 지성 시스템의 구성 요소 — "유전자" — 를 네 가지 질문: 누가, 왜, 무엇을, 어떻게에 따라 분류합니다.
말론과 번스타인의 MIT Press 핸드북은 이 분야와 그 표준 정의를 통합합니다: 지능적으로 보이는 방식으로 집단적으로 행동하는 개인 그룹입니다.
토마스 말론의 슈퍼마인드는 다섯 가지 지속적인 집단 지성 유형 — 계층, 민주주의, 시장, 커뮤니티, 생태계 — 를 설명하고 컴퓨터가 각 유형을 어떻게 더 똑똑하게 만들 수 있는지 질문합니다.
리들, 김, 굽타, 말론, 울리(PNAS)는 1,356개 그룹의 22개 연구를 분석하고 학생, 군인, 게이머, 온라인 근로자 집단에서 집단 지성 요인에 대한 증거를 발견합니다.
바카로, 알마투크, 말론의 106개 실험 메타 분석(Nature Human Behaviour)은 인간-AI 조합이 평균적으로 인간이나 AI 단독의 최선보다 성과가 낮았음을 발견합니다 — 시너지는 설계되어야 하며, 가정되어서는 안 됩니다.
버튼과 27명의 공동 저자(Nature Human Behaviour)는 대형 언어 모델이 집단 지성을 어떻게 향상시킬 수 있는지 — 그리고 어떻게 관점을 동질화하고 잘못된 합의를 만들어낼 위험이 있는지를 맵핑합니다.
MIT의 집단 지성 센터는 세 가지 주제를 추구합니다: 생성적 AI와 집단 지성, 슈퍼마인드 디자인, 인간-AI 팀 설계 — 180,000개 이상의 AI 간 협상에 대한 PNAS 연구를 포함합니다.
c 요인: 그룹이 IQ를 가질 수 있는가?
2010년, Anita Williams Woolley와 동료들은 개인 심리학의 한 세기를 배경으로 한 간단한 질문을 던졌습니다: 하나의 일반 요인 (g)이 개인의 다양한 인지 작업 성과를 예측하는 것처럼, 그룹에 대한 일반 요인이 있는가? 그들은 두 개에서 다섯 개의 그룹에서 다양한 작업을 수행하는 699명을 테스트했습니다 (Science, 330, 686–688). 대답은 예였습니다: 단일 통계적 요인 — c — 이 다양한 작업에서 그룹 성과의 약 43%의 변동성을 설명했습니다.
무엇이 그룹의 c를 예측하는가 — 그리고 무엇이 아닌가
구성원의 IQ는 거의 중요하지 않다
그룹 구성원의 평균 및 최대 개인 지능은 c와 약한 상관관계만 있었습니다. 가장 똑똑한 사람들을 고용하는 것만으로는 똑똑한 그룹을 만들 수 없습니다.
사회적 민감성이 중요하다
그룹의 평균 점수는 눈에서 마음 읽기 테스트 — 얼굴 신호로부터 정신 상태를 추론하는 능력 — 에서 c의 중요한 예측 변수가 되었습니다 (r = 0.26).
동등한 턴 테이킹이 중요하다
구성원들이 대화에 더 고르게 기여한 그룹은 더 높은 c를 가졌습니다; 발언 턴의 분산은 c와 부정적으로 상관관계가 있었습니다 (r = −0.41). 한두 개의 목소리에 의해 지배되는 그룹은 집단적으로 덜 지능적이었습니다.
구성 효과
2010년 연구에서 여성 비율이 높은 그룹은 c에서 더 높은 점수를 받았습니다 (r = 0.23) — 저자들은 이 효과를 여성의 평균 사회적 민감성이 더 높다는 것과 통계적으로 연결합니다, 즉 인구 통계가 아니라 과정에 관련된 것입니다.
c 요인은 실제인가? 재현 논쟁
심리학에서 가장 영향력 있는 발견들처럼, c는 스트레스 테스트를 거쳤습니다 — 독자들은 증거의 정직한 상태를 받아야 합니다:
비판 (2017)
크레드와 하워드슨(Journal of Applied Psychology)은 여섯 개 샘플을 재분석하고 단일 일반 그룹 요인에 대한 경험적 지지가 약하다고 주장했습니다 — 그룹 성과는 하나의 c보다 작업 특정 능력으로 더 잘 설명될 수 있습니다.
답변 (2018)
울리, 김, 말론은 비판이 그룹이 실제로 수행한 작업과 일치하지 않는 채점 절차와 시뮬레이션 가정에 기반하고 있다고 응답했습니다.
메타 분석 (2021)
리들, 김, 굽타, 말론, 울리(PNAS)는 1,356개 그룹을 포함한 22개 연구를 집계하고 모든 그룹에서 c 요인에 대한 증거를 발견했습니다. 협력 과정과 구성원의 사회적 인식이 가장 강한 상관관계 중 하나였습니다.
결론: 대규모 메타 분석은 측정 가능한 집단 지능 요인의 존재를 지지하며, 그 정확한 구조와 일반성은 여전히 활발히 논의되고 있습니다. 논의되지 않는 것은 실용적인 교훈입니다: 그룹 프로세스 — 누가 들리는지, 판단이 어떻게 결합되는지 — 는 구성원의 brilliance보다 그룹 성과를 더 잘 예측합니다.
통계적 군중 vs. 상호작용 군중
사실 두 가지 종류의 집단 지성이 있으며, 서로 다른 연료로 작동합니다:
통계적 군중
많은 독립적인 추정치가 기계적으로 집계됩니다 — 평균, 투표, 시장 가격. 이것이 갈톤의 박람회와 이후 모든 예측 시장입니다. 성공은 독립성과 다양성에 달려 있으며, 이 과정은 종종 일회성입니다.
상호작용 군중
사람들이 서로 영향을 주어 공유된 이해를 구축합니다 — 토론, 심의, 협력. 이것이 위키백과, 과학 커뮤니티, 디자인 팀입니다. 성공은 의사소통의 질과 발언의 안전성에 달려 있으며, 작업은 지속적입니다.
두 가지 모드는 반대 방향으로 끌어당깁니다: 독립성은 통계적 군중을 돕지만 상호작용 군중을 굶깁니다. 대화하지 않는 팀은 잘 집계할 수 있지만 새로운 것을 만들지 못합니다; 항상 대화하는 팀은 공유된 이해를 구축할 수 있지만 그 판단에 필요한 독립성을 조용히 파괴합니다.
구조화된 심의는 두 가지를 모두 얻으려는 시도입니다. Argumentree에서는 기여와 평점이 독립적으로 제출됩니다 — 통계적 모드 — 반면 그들이 도착하는 주장은 그룹이 심의하는 공유되고 진화하는 객체입니다 — 상호작용 모드입니다. 구조는 각 모드가 적용되는 시점을 결정하며, 가장 시끄러운 모드가 이기는 것을 허용하지 않습니다.
집단 지능 게놈
집단 지능이 측정될 수 있다면, 설계될 수 있을까요? Malone, Laubacher, 및 Dellarocas (MIT Sloan Management Review, 2010)는 집단 지능 시스템의 반복되는 구성 요소 — "유전자" — 를 네 가지 질문에 따라 분류했습니다. 위키피디아에서 기업 전략 프로세스에 이르기까지 모든 시스템은 이러한 유전자의 조합입니다:
누가 작업을 수행하고 있는가?
정의된 계층이 작업을 할당하거나 열린 군중이 자가 선택합니다. 군중은 규모와 다양성을 가져오고; 계층은 책임과 조정을 가져옵니다.
왜 그들이 하고 있는가?
동기 유전자: 돈(지불, 상금), 사랑(내재적 즐거움, 커뮤니티), 영광(인정, 명성). 지속 가능한 시스템은 인센티브를 기여와 일치시킵니다.
무엇이 이루어지고 있는가?
무언가 새롭게 생성(디자인, 아이디어, 주장을 생성)하거나 결정(대안 중 평가 및 선택)합니다. 대부분의 실제 과정은 두 가지를 연결합니다.
어떻게 이루어지고 있는가?
독립적으로(상호작용 없이 집계된 기여 — 경연, 투표, 평균) 또는 의존적으로(기여가 서로를 기반으로 하는 협력). 선택은 당신이 상속받는 실패 모드를 결정합니다.
다섯 가지 슈퍼마인드
슈퍼마인드 (2018)에서 Malone은 인간 사회가 계속 재발명하는 다섯 가지 지속적인 집단 지능 형태를 설명하고 AI에 대한 진정한 질문은 "우리를 대체할 것인가?"가 아니라 "각 슈퍼마인드를 어떻게 더 스마트하게 만드는가?"라고 주장합니다:
계층
결정이 권한의 사슬을 따라 위아래로 위임됩니다. 빠르고 책임감이 있으며; 상단에서 정보 병목 현상에 취약합니다.
민주주의
투표에 의한 결정. 정당하고 포괄적이며; 투표가 선호를 집계하는 방식은 그 자체로 깊은 과학입니다 (사회적 선택 이론).
시장
가격과 거래를 통한 결정. 분산된 신념의 훌륭한 집계기 — 예측 시장의 메커니즘입니다.
커뮤니티
규범, 명성 및 비공식적 합의에 의한 결정. 오픈 소스와 위키백과의 힘; 느리지만 회복력이 있습니다.
생태계
공유된 결정 메커니즘이 전혀 없습니다 — 결과는 힘과 생존에서 발생합니다. 다른 슈퍼마인드가 설계되지 않았을 때의 기본값입니다.
슈퍼마인드 디자인: 여섯 가지 움직임
MIT CCI의 슈퍼마인드 디자인 방법론은 게놈을 창의적 문제 해결 관행으로 전환합니다. 여섯 가지 "움직임"은 문제를 체계적으로 재구성하여 사람과 컴퓨터의 그룹을 위한 새로운 디자인을 표면화합니다:
줌 아웃
문제가 위치한 더 넓은 시스템이나 목적을 되돌아보세요.
줌 인
문제를 각기 재설계할 수 있는 부분과 과정으로 분해하세요.
유추하기
다른 분야 — 자연, 다른 산업, 역사 — 가 구조적으로 유사한 문제를 어떻게 해결하는지 질문하세요.
그룹화하기
다른 슈퍼마인드 — 시장, 커뮤니티, 민주주의 — 가 현재 한 사람이나 계층이 처리하는 작업을 어떻게 처리할지 질문하세요.
인지하기
해결책이 필요한 인지 과정(감지, 기억, 결정, 학습)과 각 과정을 수행해야 할 사람이나 무엇인지 질문하세요.
기술화하기
기술 — AI 포함 — 이 이러한 과정을 수행, 연결 또는 증강할 수 있는 곳을 질문하세요.
MIT 집단 지능 센터 내부 (2026)
MIT의 집단 지능 센터 (CCI)는 Thomas Malone이 설립한 이 분야의 대표 연구소입니다. 이전 프로젝트 — 기후 협력실, CI 디자인 연구소, 집단 지능 측정, 집단 예측 — 는 이제 완료된 유산 작업입니다. 2026년 현재, CCI의 연구는 세 가지 주제로 조직되어 있습니다:
생성적 AI와 집단 지성
AI를 사용하여 인간의 창의성을 증강합니다 — 인간-AI 아이디어 생성을 지원하는 Supermind Ideator 및 DesignAID와 같은 도구를 포함합니다.
슈퍼마인드 디자인
유전자와 여섯 가지 디자인 이동을 기반으로 사람과 컴퓨터의 혁신적인 조합을 설계합니다.
인간-AI 팀 설계
인간-기계 팀에서 작업을 설계하고 할당합니다 — "인간 대 기계"의 후속 질문입니다. 싱가포르-MIT M3S 프로그램과 함께 CCI는 작업 할당의 체계적인 과학을 구축하고 있습니다: 어떤 하위 작업이 사람과 AI에 할당되는지, 누가 감독하고 검증하는지, AI가 도구, 보조자, 동료 또는 관리자 역할을 하는지.
2024–2026 연구 파동의 주요 발견
아이디어 생성에서 스캐폴딩이 원시 LLM보다 우수하다
슈퍼마인드 아이디어 생성기는 대형 언어 모델을 창의적 문제 해결 스캐폴딩(여섯 가지 이동 포함)으로 감쌉니다. 실험 연구에서 사용자는 ChatGPT 단독 사용이나 도움 없이 작업하는 사람들보다 훨씬 더 혁신적인 아이디어를 생성했습니다; 베타 테스터들은 이 시스템으로 10,000개 이상의 아이디어를 생성했습니다 (ACM Collective Intelligence Conference, 2024).
"루프 안의 인간"이 자동으로 더 나은 것은 아니다
바카로, 알마투크, 말론의 106개 실험 메타 분석(Nature Human Behaviour, 2024)은 인간-AI 조합이 평균적으로 인간이나 AI 단독보다 성과가 낮았음을 발견했습니다 — 손실은 의사 결정 작업에 집중되었고 콘텐츠 생성 작업에서는 이득이 있었습니다. CCI는 이제 강한 시너지(조합이 인간 단독과 AI 단독 모두를 초과함)와 약한 증강(인간 단독을 초과하지만 AI는 초과하지 않음)을 구분하며, 강한 시너지는 단순히 인간을 추가하는 것이 아니라 의도적으로 설계된 작업 할당이 필요하다는 것을 발견합니다.
180,000건의 AI 간 협상
2026년 PNAS 연구는 AI 에이전트가 서로 180,000건 이상의 협상을 수행하는 국제 대회를 진행했습니다. 고전적인 인간 협상 과학이 유지되었습니다: 따뜻함 — 긍정성, 감사, 질문하기 — 은 거래를 성사시키고 가치를 창출하는 것과 일관되게 연관되었으며, 지배 전술은 교착 상태를 예측했습니다.
AI가 사용될 수 있는 곳 매핑하기
2026년 MIT 작업 문서(arXiv 2603.20619)는 미국 O*NET 데이터베이스의 약 20,000개 작업 활동을 깊은 온톨로지로 재구성하고 13,275개의 AI 응용 프로그램을 분류했습니다 — 상위 1.6%의 활동이 AI 시장 가치의 60% 이상을 차지합니다. 인간-AI 작업 할당에 대해 체계적으로 추론하는 도구입니다.
AI와 작업을 하나의 척도로 평가하기
AGI-Elo(NeurIPS 2025, arXiv 2505.12844)는 말론을 포함한 CCI 관련 연구자들이 AI 모델과 개별 테스트 사례를 체스 플레이어처럼 서로 평가합니다 — 모델의 능력과 작업의 난이도를 비교 가능한 하나의 척도로 설정하여 인간-AI 팀에서 원칙적인 작업 할당을 위한 전제 조건입니다.
AI 시대의 집단 지능
대형 언어 모델은 집단 지능의 참여자가 되고 있으며, 단순한 도구가 아닙니다. Burton과 27명의 공동 저자들은 (Nature Human Behaviour, 2024) 양날의 결과를 매핑했습니다:
기회
참여 장벽 낮추기
LLM은 번역, 요약 및 초안을 작성할 수 있습니다 — 언어 또는 작문 기술에 관계없이 더 많은 사람들이 집단 과정에 기여할 수 있게 합니다.
분산된 지식 집계
LLM은 대량의 텍스트를 종합할 수 있습니다 — 회의록, 개방형 설문 응답, 공공 상담 — 이전에는 인간 집계자가 압도당했던 것들입니다.
심의 지원
AI는 반론을 제시하고 유사한 입장을 클러스터링하며 논의를 구조화할 수 있습니다 — 대체하는 것이 아니라 심의 단계를 증강합니다.
위험
관점의 동질화
많은 사람들이 동일한 모델을 참조하면 그 출력이 수렴하게 됩니다 — 집단 지성이 의존하는 관점의 다양성이 감소합니다.
잘못된 합의
유창한 AI 생성 텍스트는 실제 인간 사이에 존재하지 않는 합의 또는 다수 의견의 외관을 만들어낼 수 있습니다.
정보 생태계 축소
몇 개의 모델을 통해 점점 더 필터링되는 정보 환경은 군중이 집단적으로 어리석게 만드는 상관된 오류의 위험이 있습니다.
디자인의 함의는 Vaccaro 발견과 일치합니다: AI는 전사, 추출, 번역, 요약과 같은 하위 작업을 부여받을 때 집단 지능을 향상시킵니다 — 판단, 평가 및 결정 자체는 책임 있는 인간에게 남겨둡니다. 이는 의사 결정 과학이 현재 매핑하고 있는 인간-AI 시스템의 경계입니다 (자동화 편향, 신뢰 조정, 의미 있는 인간 통제).
Argumentree가 집단 지능 연구를 적용하는 방법
Argumentree는 이러한 발견을 직접 기반으로 한 협력적 의사 결정 플랫폼입니다. 각 디자인 선택은 문헌의 결과에 매핑됩니다:
독립적이고 비동기적인 기여
참가자들은 그룹이 수렴하기 전에 자신의 시간에 주장을 추가합니다 — 집계 연구가 군중에게 필요한 독립성과 다양성 조건을 보호합니다.
참여의 구조적 평등
울리의 연구는 집단 지성을 동등한 턴 테이킹과 연결합니다. 주장이 들어가는 구조는 바닥이 없으며: 모든 참가자의 주장은 동일한 구조에 들어가고 동일한 방식으로 평가됩니다.
다차원 평가에 의한 집계
주장은 유용성, 명확성, 정확성 및 완전성에 따라 평가되며, 평가는 합의 점수로 집계됩니다 — 집단 판단이 가정되는 것이 아니라 측정되는 명시적 집계 메커니즘입니다.
구조가 있는 심의
질문, 타협 및 검토의 4단계 체인은 참가자들이 주장을 탐구하고 다듬을 수 있게 합니다 — 유전자 용어로는 의존적 협력이지만, 추론을 가시적으로 유지하는 구조 내에서 이루어집니다.
올바르게 수행된 인간-AI 작업 할당
AI 추출은 회의록과 문서를 초안 주장 트리로 변환합니다 — AI가 잘하는 콘텐츠 처리 작업 — 반면 평가와 결정은 사람에게 남아 있으며, 2024년 인간-AI 시너지 증거와 일치합니다.
슈퍼마인드를 위한 메모리
전체 감사 추적(초안, 공개, 폐쇄 생애 주기 및 버전 관리)은 그룹의 추론을 보존하여 조직이 회의가 끝날 때 잃지 않고 자신의 집단 지성에서 배울 수 있게 합니다.
자주 묻는 질문
집단 지능이란 무엇인가요?
집단 지능은 사람, 기계 또는 둘 모두의 그룹이 지능적으로 보이는 방식으로 집단적으로 행동할 수 있는 능력입니다 (Malone & Bernstein, 집단 지능 핸드북, 2015). 이는 통계적 군중 지혜, 위키피디아와 같은 협력적 생산, 심의 팀, 신념을 집계하는 시장, 현대의 인간-AI 팀을 포함합니다.
집단 지능에서 c 요인은 무엇인가요?
c 요인은 Woolley 외 (Science, 2010)에 의해 확인된 일반 집단 지능 요인입니다: 여러 다른 작업에서 그룹의 성과 변동의 약 43%를 설명하는 단일 통계적 요인으로, 개인의 IQ의 g 요인과 유사합니다. 이는 그룹의 사회적 민감성과 대화의 턴 테이킹의 평등성과 훨씬 더 상관관계가 있었습니다.
c 요인이 복제되었나요?
지지되지만 논란이 있습니다. Credé와 Howardson (2017)은 단일 일반 요인에 대한 증거가 약하다고 주장했으며, Woolley와 동료들은 2018년에 상세한 답변을 발표했습니다. Riedl 외 (PNAS)의 2021년 메타 분석은 22개의 연구와 1,356개의 그룹을 포함하여 다양한 인구에서 c 요인에 대한 증거를 발견했습니다. 실질적인 시사점은 — 그룹 프로세스가 성과를 예측하는 데 멤버 IQ보다 더 나은 — 논란을 넘어 강력합니다.
집단 지능과 군중의 지혜의 차이는 무엇인가요?
군중의 지혜는 더 좁은 현상입니다: 많은 독립적인 판단이 통계적으로 집계되어 정확한 답변으로 수렴합니다 (Galton의 1906년 소 실험과 같이). 집단 지능은 더 넓은 분야입니다: 이는 군중 지혜를 포함하지만 진정한 협력, 심의, 시장, 커뮤니티 및 인간-AI 팀도 포함합니다 — 그룹이 지능적으로 행동하는 모든 시스템입니다.
집단 지능과 군집 지능의 차이는 무엇인가요?
군집 지능은 많은 단순한 에이전트가 지역 규칙을 따르면서 나타나는 조정입니다 — 개미 집단, 새 떼, 로봇 군집 — 심의나 명시적인 추론 없이. 인간의 집단 지능은 이유를 교환하고 평가하는 것을 포함합니다. 그들은 깊은 원칙(탈중앙화, 지역 지식, 집계)을 공유하며, 이는 의사 결정 플랫폼이 두 가지에서 차용하는 이유입니다.
슈퍼마인드란 무엇인가요?
슈퍼마인드는 Thomas Malone의 2018년 동명의 책에서, 지능적으로 보이는 방식으로 함께 행동하는 개인의 그룹입니다. Malone은 다섯 가지 반복되는 유형 — 계층, 민주주의, 시장, 커뮤니티 및 생태계 — 을 식별하고 컴퓨터가 슈퍼마인드를 더 똑똑하게 만드는 주된 방법은 그들을 대체하는 것이 아니라 새로운 조합을 가능하게 하는 것이라고 주장합니다.
MIT 집단 지능 센터란 무엇인가요?
MIT 집단 지능 센터 (cci.mit.edu)는 MIT 슬론에서 설립되고 Thomas Malone이 이끌며, 사람들이 — 점점 더 사람과 AI가 함께 — 어떻게 조직되어 개인보다 더 지능적으로 행동할 수 있는지를 연구합니다. 그 이전의 크라우드소싱 시대 프로젝트(기후 CoLab 및 CoLabs, 집단 지능 측정)는 이제 유산 작업입니다; 2026년 현재 그들의 연구는 세 가지 우산 아래 조직되어 있습니다: 생성적 AI 및 집단 지능, 슈퍼마인드 디자인, 인간-AI 팀 설계, Supermind Ideator 및 DesignAID와 같은 도구와 함께, 싱가포르-MIT M3S 프로그램을 통해 인간-AI 작업 할당의 체계적인 과학을 제공합니다.
루프에 인간을 추가하면 AI 결정이 개선되나요?
자동으로는 아닙니다. 2024년 106개의 실험에 대한 메타 분석(Vaccaro, Almaatouq & Malone, Nature Human Behaviour)은 인간-AI 조합이 평균적으로 인간 또는 AI 단독의 최선보다 성과가 낮았으며, 손실은 결정 작업에 집중되었습니다. 조합은 콘텐츠 생성 작업에서 가장 많은 도움을 주었습니다. 효과적인 인간-AI 집단 지능은 각 당사자가 가장 잘 수행하는 하위 작업을 의도적으로 할당해야 합니다.
팀이 집단 지능을 증가시키려면 어떻게 해야 하나요?
증거는 프로세스 설계를 가리킵니다: 참여를 평등하게 하세요 (개방 토론보다는 구조화된 또는 비동기 입력), 그룹 수렴 전에 독립적인 판단을 보호하세요, 인지적 다양성과 사회적 민감성을 위해 모집하세요, 평가 또는 투표와 같은 명시적인 집계 메커니즘을 사용하세요, 그리고 그룹이 배울 수 있도록 추론 기록을 유지하세요. Argumentree와 같은 도구는 기본적으로 이러한 메커니즘을 구축합니다.
참고 문헌 및 추가 읽기
콩도르세, M. de (1785). 다수결의 결정에 대한 확률 분석의 적용에 관한 에세이.
기초적인 수학적 결과: 독립적이고 우연보다 나은 유권자의 다수가 진실에 수렴한다.
하이에크, F. A. (1945). 사회에서의 지식의 사용. 미국 경제 리뷰, 35(4), 519–530.
시장: 분산된 지식의 집합체로서.
수로위키, J. (2004). 군중의 지혜. 더블데이.
네 가지 조건: 다양성, 독립성, 분산화, 집합.
울리, A. W., 차브리스, C. F., 펜틀랜드, A., 하시미, N., & 말론, T. W. (2010). 인간 집단의 성과에서 집단 지능 요인에 대한 증거. 사이언스, 330(6004), 686–688.
c 요인: 699명, 2–5명의 그룹, 성과 변동의 약 43%를 설명하는 하나의 요인.
말론, T. W., 라우바허, R., & 델라로카스, C. (2010). 집단 지능 게놈. MIT 슬론 경영 리뷰, 51(3), 21–31.
집단 지능 시스템의 Who/Why/What/How 구성 요소.
View source →말론, T. W., & 번스타인, M. S. (Eds.) (2015). 집단 지능 핸드북. MIT 프레스.
이 분야의 표준 참고 문헌 및 정의.
크레드, M., & 하워드슨, G. (2017). 그룹 작업 성과의 구조 — "집단 지능"에 대한 두 번째 시선. 응용 심리학 저널, 102(10).
c 요인의 일반성에 대한 주요 비판.
말론, T. W. (2018). 슈퍼마인드. 리틀, 브라운.
다섯 가지 슈퍼마인드 유형과 컴퓨터가 그것들을 더 똑똑하게 만드는 방법.
리들, C., 김, Y. J., 굽타, P., 말론, T. W., & 울리, A. W. (2021). 인간 집단에서 집단 지능 정량화. PNAS, 118(21).
메타 분석: 22개 연구, 1,356개 그룹, 인구 전반에 걸친 c에 대한 증거.
바카로, M., 알마투크, A., & 말론, T. W. (2024). 인간과 AI의 조합이 유용할 때: 체계적 검토 및 메타 분석. 네이처 휴먼 행동, 8, 2293–2303.
106개의 실험: 인간-AI 조합이 각각 단독으로 최고의 성과를 자동으로 초과하지 않는다.
View source →버튼, J. W., 외 (2024). 대형 언어 모델이 집단 지능을 어떻게 재구성할 수 있는가. 네이처 휴먼 행동, 8, 1643–1655.
집단 지능을 위한 LLM 기회와 위험에 대한 28명의 저자.
View source →차이, A., 외 (2026). AI는 어디에 사용될 수 있는가? 작업 활동의 깊은 온톨로지에서 얻은 통찰. arXiv 2603.20619.
인간-AI 작업 할당에 대한 추론을 위한 약 20,000개의 작업 활동에 대한 깊은 온톨로지.
View source →선, S., 외 (2025). AGI-Elo: 우리는 작업을 마스터하는 데 얼마나 멀리 있는가? NeurIPS 2025.
AI 모델과 테스트 케이스 난이도의 공동 Elo 스타일 평가; 말론을 포함한 CCI 소속 공동 저자.
View source →관련 개념
당신의 팀을 측정 가능한 더 똑똑한 그룹으로 바꾸세요
집단 지능은 설계 문제입니다: 참여를 평등하게 하고, 독립적인 판단을 보호하며, 명시적으로 집계하고, 추론을 유지하세요. Argumentree는 모든 결정에 이러한 메커니즘을 내장합니다 — AI가 번거로운 작업을 수행하고 당신의 사람들이 판단을 내립니다.
무료 체험 시작하기