AI 추론이란?

AI 추론은 인공 지능 기술이 확률적 패턴 매칭에서 결정론적이고 논리적인 문제 해결로 발전했음을 의미합니다. 생성형 AI가 빠른 콘텐츠 생성(시스템 1 사고)에 뛰어난 반면 AI 추론은 에이전트 시스템(시스템 2 사고)의 '두뇌' 역할을 합니다. 이는 에이전트 AI 시스템이 복잡한 시나리오를 평가하고, 비즈니스 규칙을 적용하고, 논리적 단계를 추적하고, 엔터프라이즈 자동화에 필수적인 검증 가능하고 오류 없는 결과를 제공할 수 있도록 합니다.

AI에 대한 논의는 전환점에 이르렀습니다. 생성형 AI는 콘텐츠 생성이나 텍스트 요약, 아이디어 브레인스토밍에 뛰어난 시스템을 강조하며 오랫동안 화제의 중심에 있었습니다. 이처럼 빠르게 사고하는 AI 모델은 강력하며 종종 고급 패턴 매칭 도구로 묘사되지만 진정한 정확성과 결정론적 논리가 요구될 때는 흔히 한계를 드러냅니다. 이제 업계의 초점은 정교한 모방을 넘어 AI 추론을 통한 진정한 문제 해결로 이동하고 있습니다.

AI 추론은 다음 단어를 추측하는 것이 아니라 상황을 평가하고 규칙을 적용하며 정확한 해답을 도출하는 것입니다. 이는 AI를 단순히 다작하는 작가가 아니라 지능적인 행위자로 자리매김하게 합니다. 추론은 AI 에이전트가 이해하고 계획하고 실행하는 능력입니다. 이를 통해 에이전트는 복잡한 상황을 탐색하고 정보에 기반한 의사 결정을 내리며 중요한 환경에서 신뢰할 수 있는 결과를 제공할 수 있습니다.

패턴 매칭을 뛰어넘는 AI에서의 추론

생성형 AI와 추론형 AI의 차이는 사람의 인지 관점에서 볼 때 명확해집니다. 노벨상 수상자 Daniel Kahneman은 시스템 1 및 시스템 2 사고라는 개념을 도입했으며, 이 프레임워크는 AI의 진화를 이해하는 데 효과적인 비유를 제시합니다.

Kahneman의 프레임워크는 인간이 두 가지 방식, 즉 빠른 방식과 느린 방식으로 사고한다고 봅니다. 그러한 비유를 인공 지능에 적용하면 다음과 같습니다.

• 시스템 1(생성형)은 속도와 직관에 기반하여 작동합니다. 시스템 1 모델은 빠르고 반응성이 뛰어나며, 콘텐츠 생성, 이미지 인식, 데이터 분석과 같은 작업에서 탁월한 성능을 보입니다. 이러한 모델은 '충분히 괜찮은' 수준이면 되는 브레인스토밍과 초기 아이디어 도출 단계에 매우 적합합니다. 답변은 방대한 데이터 세트에서 인식된 패턴을 재구성한 것으로, '확률적 앵무새'와 유사합니다. 다시 말해, 그럴듯하게 보이지만 항상 논리적으로 타당한 응답만 산출하는 것은 아닙니다. 이들은 검증 가능한 정밀성보다는 효율적인 근사치를 제공하도록 설계됩니다.
• 시스템 2(추론형)는 느리고 신중하며 논리적 규칙을 따릅니다. 이러한 모델은 순차적이고 단계적인 처리 과정을 거치며, 명확한 규칙과 제약을 적용하여 검증 가능한 결론에 도달합니다. 이들은 일반적인 규칙에서 구체적인 결론을 도출하기 위해 연역적 추론을 사용하며 단순히 생성하는 것에 그치지 않고 분석하고 추론하고 검증합니다.

금융, 의료, 규정 준수와 같은 분야에서 '충분히 괜찮은' 수준은 곧 실패를 의미합니다. 금융 거래에서의 가벼운 계산 실수나 잘못된 진단 권고, 규정 준수 간과는 상당한 재정적 손실부터 법적 영향에 이르는 심각한 결과를 초래할 수 있습니다. 이러한 유스케이스 및 유사한 상황에서 시스템 2 AI는 '오류 없는' 자동화를 위해 필수적입니다.

AI 추론 모델의 작동 방식: 세 가지 확장 법칙

정교한 AI 추론에 대한 수요는 에이전트 시스템 개발 방식에 있어 중대한 패러다임 전환을 의미합니다. 솔루션은 무차별적인 데이터 처리에 덜 의존하고 AI의 사고 과정을 정교하게 이해하는 데 더 중점을 둡니다.

늘 그래왔듯이 AI 개발자들은 AI를 개선하기 위해서는 더 많은 훈련 데이터, 더 많은 모델 매개변수, 더 높은 연산 능력이 필요하다고 생각했습니다. 오늘날 그러한 진화는 세 가지 뚜렷한 확장 법칙으로 나눠집니다.

1. 훈련 시점 확장: 이 기존의 법칙에서는 모델에 더 큰 데이터 세트를 제공하고 매개변수 수를 늘려 성능을 향상했습니다. 데이터의 양이 더 많으면 본질적으로 더 나은 결과로 이어질 것이라고 추측했습니다.
2. 사후 훈련 확장: 이 법칙은 AI 모델을 특정 작업이나 분야에 맞게 적응시키기 위해 타겟 데이터를 활용한 미세 조정이나 피드백을 통한 강화 학습과 같은 기법을 사용합니다(예: 모델이 의료 용어를 이해하도록 학습시킴, 효율성을 높이기 위해 감정 분석을 수행함).
3. 추론 시점 확장: 훈련 데이터는 여전히 중요하지만 새로운 패러다임은 실행 중 연산 확장에 중점을 둡니다. 이러한 패러다임은 AI 내부 추론 과정의 품질과 구조를 방대한 훈련 데이터의 양보다 우선시하여 심층 논리와 문제 해결 능력을 획기적으로 향상합니다.

추론 시점 확장의 메커니즘

추론 시점 확장을 가능하게 하는 가장 영향력 있는 발전 중 하나는 CoT(Chain-of-Thought) 프롬프트입니다. CoT는 단순히 즉각적인 답변을 요청하는 대신, AI 모델에 복잡한 문제를 중간 수준의 논리적 단계로 분석하도록 지시합니다.

이러한 프로세스는 AI가 결론에 도달하기 전에 작업 과정을 보여주고 그 과정에서의 추론을 명확히 설명하도록 강제합니다. 고급 모델에서 CoT는 내부 검증 메커니즘으로 작용합니다. 각 단계를 명확하게 제시함으로써 모델은 잠재적인 오류를 식별하고 논리를 개선하며 응답의 신뢰성을 향상할 수 있습니다. 이처럼 구조화된 접근 방식은 사람의 추론 과정을 반영하여 AI 결과물의 추적 가능성과 신뢰도를 극대화합니다.

자가 수정 루프

CoT가 선형적인 추론을 제공하는 반면, 최고의 AI 추론 시스템은 정교한 자가 수정 루프를 구현합니다. 이러한 루프는 논리적 불일치나 예상치 못한 결과, 초기 계획에서의 이탈을 감지할 때 '일시 정지'하고 되돌아갈 수 있는 능력을 에이전트에 제공합니다.

AI 에이전트는 이전의 추론 단계를 검토하고 분기점을 식별한 후 대안적인 접근 방식을 수립할 수 있습니다. 계획-실행-검증-수정의 반복적인 프로세스는 에이전트가 역동적인 환경과 현실적인 복잡성을 탐색할 수 있도록 지원합니다. 이는 에이전트가 사람의 개입 없이 오류에서 복구되고 완벽한 실행이 필수적인 상황에서 높은 수준의 정확도를 유지할 수 있게 합니다.

AI 복합 추론 작업의 8가지 핵심 유형

AI가 진정한 문제 해결 능력을 갖추기 위해서는 다양한 추론 유형을 이해해야 합니다. 각 유형은 논리와 추론의 다양한 측면을 다뤄 AI 시스템의 활용도와 안정성을 높입니다.

다음은 주요 추론 유형을 간략하게 비교한 표입니다.

추론 방법은 AI 추론 시스템 내의 추론 엔진이 데이터를 분석하고 논리를 적용하고 지식 기반에 근거하여 의사 결정을 내릴 때 사용하는 논리적 기법입니다.

모든 형태의 추론이 가치를 지니지만 특히 가추적 추론은 에이전트 AI가 IT 및 고객 지원과 같은 분야에서 특히 뛰어난 성과를 내도록 합니다. 가추적 추론은 관찰된 효과나 증상들로부터 가장 그럴듯한 설명을 추론하는 과정을 포함합니다. 많은 비즈니스 시나리오가 불완전한 정보와 복잡한 시스템을 포함하고 있기 때문에 가추적 추론이 탑재된 AI 에이전트는 입력값을 분석하고, 이를 잠재적인 원인과 결과와 연관 지으며, 효과가 입증될 가능성이 가장 높은 해결책을 우선시할 수 있습니다.

예를 들어, IT 문제 해결에서 사용자가 네트워크 성능 저하를 보고하면 가추적 AI 에이전트는 라우터 문제, 서버 과부하, 대역폭 혼잡 등 다양한 가능성을 고려할 수 있습니다. 그런 다음, 에이전트는 과거 데이터와 현재 네트워크 지표를 활용하여 가능성이 가장 높은 원인을 추론할 수 있습니다. 마찬가지로 고객 지원에서 에이전트는 분산된 고객 불만을 수집하고 가추적 논리를 통해 근본적인 제품 문제나 사용자 오류를 추론함으로써 더 빠르고 정확한 해결책을 도출할 수 있습니다. 결과에서 원인으로 거슬러 올라가 추론하는 이러한 능력은 에이전트가 실제 문제를 효율적이고 지능적으로 해결하는 역량을 크게 향상합니다.

귀납적 추론은 구체적인 관찰을 통해 더 넓은 일반화를 도출하며, 이는 주로 지도 학습과 같은 머신러닝 기법에서 구현됩니다.

추론이 엔터프라이즈 자동화의 핵심 동력인 이유

오늘날의 엔터프라이즈에서는 리더들이 자동화가 단순한 작업 실행에서 나아가 더 발전할 것을 요구하고 있습니다. 리더들이 기대하는 수준의 가치를 제공하려면 자동화에는 역동적으로 적응하고 미묘한 의사 결정을 내릴 수 있는 지능형 엔진이 필요합니다. 그 엔진이 바로 AI 추론입니다.

전통적인 AI 모델과 자동화는 송장이나 ERP 시스템에서 정보를 추출하는 등 데이터 추출에 뛰어난 성능을 보입니다. 생성형 AI와 자동화는 고객 서비스, 송장 처리, 보고와 같은 반복적인 작업의 자동화를 발전시켜 효율성을 크게 높이고 사람의 업무량을 줄입니다. 하지만 추론형 AI는 이를 맥락을 이해하는 수준으로 끌어올립니다.

예를 들면 AI 에이전트가 송장에서 단순히 숫자를 추출하는 것에 그치지 않고 그 숫자가 더 넓은 비즈니스 맥락에서 무엇을 의미하는지, 즉 금액인지, 수량인지, 품목 식별 번호인지, 구매 주문 번호인지를 이해할 수 있음을 의미합니다. AI는 1,000만 달러 송장이 1만 달러 송장에 비해 훨씬 더 큰 위험을 내포하고 있으며 법률 검토와 경영진의 최종 승인 등 보다 엄격한 승인 절차가 필요하다는 점을 인식합니다.

이러한 단순한 데이터 추출에서 깊은 맥락적 이해로의 전환은 추론형 AI가 데이터의 미묘한 차이를 고려하고 비즈니스 규칙을 적용하며 맥락을 활용해 이후의 행동을 이끌 수 있도록 합니다. 추론형 AI는 논리적 연결, 지식 그래프, 시맨틱 네트워크를 활용하여 실제 개체와 관계를 해석하고 추론함으로써 다양한 정보 소스 전반에 걸쳐 결론을 도출하고 정보에 기반한 의사 결정을 내릴 수 있습니다.

대부분의 엔터프라이즈 환경에는 다양한 애플리케이션, 레거시 시스템 및 통합이 복잡하게 얽혀 있으므로 자동화는 이러한 복잡성을 효과적으로 탐색하고 원활하게 워크플로를 조율할 수 있어야 합니다. 추론형 AI는 비즈니스 맥락을 파악할 수 있으므로 언제 어떤 도구를 사용해야 하는지 지능적으로 결정할 수 있습니다. 경직된 규칙 기반 단계 대신, 추론 능력을 갖춘 AI 에이전트는 상황을 동적으로 평가하고 요구 사항을 이해하며 가장 적합한 애플리케이션이나 통합을 선택할 수 있습니다.

예를 들어, 고객 서비스 에이전트가 환불을 처리해야 하는 경우 추론형 AI는 먼저 CRM에서 고객의 구매 이력을 확인한 다음, 금융 시스템의 API를 사용해 환불을 시작하고 마지막으로 이메일 플랫폼을 업데이트하여 고객에게 알릴 수 있습니다. 더 나아가 새로운 데이터나 예기치 않은 시스템 반응에 따라 계획을 동적으로 조정할 수 있습니다. 이러한 동적인 오케스트레이션은 실제 비즈니스 프로세스의 변동성에 대응할 수 있는 진정으로 탄력적이고 유연한 자동화를 구축하는 데 필수적입니다.

산업별 지능형 시스템에서의 AI 추론 유스케이스

AI 추론은 다양한 산업 분야의 지능형 에이전트가 정밀성과 적응성을 바탕으로 복잡하고 중대한 문제를 해결할 수 있도록 지원합니다. 문제 해결에 뛰어난 AI 추론 시스템은 조직이 실제 운영에 필수적인 다단계 과제, 논리적 추론 및 복잡한 의사 결정 과정을 해결하는 방식을 혁신적으로 변화시키고 있습니다.

금융 서비스

금융 서비스에서 AI 추론은 단순히 의심스러운 거래를 식별하는 것을 넘어 사기 탐지 기능을 강화합니다. 대신, 추론형 AI 에이전트는 연역적 논리를 활용하여 거래에 플래그가 지정된 이유를 설명할 수 있습니다.

예를 들어, 신규 계정 보유자의 낯선 IP 주소에서 대규모 국제 송금이 발생하는 경우 에이전트는 사전에 정의된 사기 규칙과 과거 패턴을 기반으로 이러한 요인들의 조합이 고위험 거래임을 논리적으로 추론할 수 있습니다. 이 연역적 추적 가능성은 또한 명확한 감사 추적을 제공하여 규정 준수 담당자가 사기 경고로 이어지는 정확한 추론 과정을 따라갈 수 있도록 합니다. 이러한 투명성은 규제 준수를 지원하고 자동화된 의사 결정 시스템에 대한 신뢰를 구축합니다.

또한 AI 추론은 위협을 모니터링하고 탐지함으로써 사이버 보안 기술을 지원하여 금융 기관의 보안 태세를 한층 더 강화합니다.

공급망

끊임없이 변동하는 엔터프라이즈 공급망을 위해 AI 추론은 귀납적이고 비단조적 접근 방식을 활용하여 동적인 경로 재설정과 최적화를 가능하게 합니다. AI 에이전트는 특정 지역의 특정 기상 패턴이 항만 폐쇄나 선적 지연으로 이어진다는 것을 과거 데이터를 통해 귀납적으로 학습할 수 있습니다.

새로운 실시간 기상 및 항만 데이터(비단조 정보)가 제공되면 에이전트는 이전의 경로 설정 가정을 무효화하고 상품 운송을 위한 가장 효율적이고 신뢰할 수 있는 경로를 다시 평가할 수 있습니다. 이는 지연을 최소화하고 비용을 절감하며 예측할 수 없는 상황에서도 탄력적으로 대응할 수 있도록 합니다. AI 추론은 또한 제조업에서 재고 관리를 개선하기 위한 수요 예측을 지원하고 소매업에서는 재고 수준을 최적화하여 공급망 전반에 걸쳐 효율성과 대응력을 높입니다.

의료

의료 분야, 특히 의료 분류 및 치료 계획 권고안 생성에 있어서는 가추적 추론이 매우 중요합니다. 환자가 몇 가지 증상(관찰 결과)으로 내원할 때 AI 에이전트는 가추적 논리를 활용하여 불완전한 정보만으로도 방대한 질병 및 관련 증상에 대한 지식 기반에서 가장 가능성 높은 진단을 도출할 수 있습니다.

이는 의료 전문가들이 예비 인사이트와 추가 테스트 또는 초기 치료 권고안과 같은 가능한 다음 단계를 빠르게 확인할 수 있도록 합니다. AI 추론은 방대한 데이터 세트를 분석하여 질병 진행을 예측하고 치료 위험을 평가할 수 있으므로 보다 정보에 기반한 선제적 의료 의사 결정을 지원합니다.

제조

AI 추론은 기계의 예측 보전을 통해 제조업의 생산성을 높이며 가동 중단 시간을 줄이고 비용이 많이 드는 고장을 예방합니다.

로보틱스

로보틱스 분야의 AI 추론은 기계가 복잡한 작업을 관리 가능한 단계로 분석할 수 있도록 하여 변화하는 환경에서도 보다 유연하고 적응력 있는 자동화를 가능하게 합니다.

AI 추론의 미래: 뉴로심볼릭 AI와 자율 실험실

AI 추론을 활용하려는 엔터프라이즈의 열의는 지속적으로 혁신을 이끌고 있으며, 이는 다양한 AI 패러다임의 강점을 결합한 하이브리드 접근 방식으로 나아가고 있습니다.

AI 추론 분야에서 가장 유망한 영역 중 하나는 신경망과 기호주의 AI를 결합한 뉴로심볼릭 융합입니다. 이 접근 방식은 패턴 인식, 일반화 및 비구조화된 데이터 처리에 뛰어난 딥 러닝 모델의 강점과 명확한 규칙, 논리 및 지식에 기반하여 작동하는 기호주의 AI의 엄격한 신뢰성과 투명성을 결합하고자 합니다. 기호 체계는 논리, 규칙 기반 추론 및 규정 준수 검증에 필수적이며, 명시적 추론이 필요한 작업에서 다른 대규모 언어 모델과 통합할 때 중요한 구성 요소가 됩니다.

뉴로심볼릭 시스템은 인지와 모호한 이해를 위한 신경망의 직관적인 패턴 매칭 능력과 의사 결정 및 검증을 위한 기호 체계의 논리적 처리 능력을 결합합니다. 이러한 하이브리드 접근 방식은 방대한 양의 데이터로부터 학습하는 동시에 명확한 규칙을 준수할 수 있는 AI 시스템을 제공합니다. 법률 문서의 미묘한 맥락을 이해할 수 있는 AI(신경망 기반)가 정확한 법률 조항(기호 기반)을 적용하여 최종 판결에 도달하는 모습을 상상해 보세요.

고급 AI 시스템의 핵심 아키텍처 특징 중 하나는 작업 기억으로, 이는 모델이 복잡한 추론이나 문제 해결 작업 중, 특히 장기간의 상호 작용과 세션에 걸쳐 여러 정보를 보유하고 관리할 수 있도록 합니다.

조직은 원시 데이터가 비구조화되어 있고 아직 추론 시스템에 적합하지 않을 때 종종 어려움에 직면하며, 이는 효과적인 AI 추론을 가능하게 하기 위한 데이터 준비와 의미론적 구조화의 중요성을 강조합니다.

또 다른 새로운 트렌드는 이른바 자율 실험실의 부상으로, 여기서는 AI 추론이 과학적 발견의 원동력이 되고 있습니다. 이러한 실험실은 AI 에이전트를 활용하여 실험을 설계하고 로봇 시스템을 통해 실험을 수행하며 결과를 분석한 후 가설을 정교화하는 모든 과정을 사람의 개입을 최소화하여 진행합니다.

예를 들어 재료 과학 분야에서 AI 에이전트는 무수한 화학 조합과 실험 매개변수를 분석하고 새로운 재료의 특성을 예측한 다음 이를 자동으로 합성하고 테스트할 수 있습니다. 신약 개발에서 AI는 분자 구조와 생물학적 표적과의 잠재적 상호 작용을 분석하여 전망이 좋은 신약 후보 물질의 발견을 가속화할 수 있습니다. 자율 실험실은 다양한 과학 분야에서 발견과 혁신의 속도를 획기적으로 가속화할 잠재력을 지니고 있습니다.

Automation Anywhere가 AI 추론으로 비즈니스를 강화하는 방법

경영진이 엔터프라이즈 내 더 많은 영역에서 자동화와 신속한 결과를 요구함에 따라 AI 리더들은 고급 AI 추론 역량을 실질적으로 구현하기 위한 신뢰할 수 있는 견고한 플랫폼이 필요합니다. 추론 시스템은 엔터프라이즈 의사 결정, 위협 탐지, 예측 분석을 지원하는 데 중요한 역할을 하며 조직이 복잡한 프로세스를 자신 있게 자동화할 수 있도록 합니다.

Automation Anywhere는 AI 추론 모델이 논리적 사고를 실질적인 비즈니스 성과로 전환할 수 있도록 지원하는 커넥터, 프레임워크 및 거버넌스 가드레일을 제공합니다.

• AI 추론 모델이 조치를 취해야 할 때 당사의 PRE(프로세스 추론 엔진)는 맥락을 해석하고 다음 단계를 결정하는 데 도움을 주며 APA(에이전트 프로세스 자동화) 시스템은 이러한 조치를 실행하여 방대한 운영상의 영향을 실현할 수 있도록 인프라, 통합, 오케스트레이션을 제공합니다.
• 엔터프라이즈 전반의 팀과 직원들에게 자동화를 확장할 수 있도록 Automation Co-Pilot은 강력한 추론 어시스턴트를 기존 엔터프라이즈 애플리케이션 내 모든 직원의 일상 워크플로에 직접 제공합니다. 팀은 코드가 아닌 자연어를 사용하여 복잡한 워크스트림을 실행해 비즈니스가 중단 없이 운영되도록 할 수 있습니다.
• AI 추론이 운영의 핵심 요소가 됨에 따라 CoE Manager는 ROI 추적부터 성능 최적화에 이르기까지 전체 자동화 수명 주기를 포괄적으로 관리할 수 있도록 지원합니다. 여기에는 추론 비용 및 관련 자원의 '추론 예산' 모니터링도 포함됩니다. APA 시스템의 내장된 거버넌스 가드레일은 또한 규정 준수, 감사 및 벤치마킹을 보장합니다.

하지만 AI 추론 시스템은 종종 추론 기법과 의사 결정 과정에서 투명성이 부족하여 블랙박스 모델이 된다는 점을 인식하고 있어야 합니다. 게다가 훈련 데이터에 존재하는 편향이 AI 추론 시스템에까지 영향을 미쳐 불공정한 결과를 초래할 수 있습니다. 알고리즘 개발 과정에 사람의 감독을 도입하고 AI 윤리를 통합하는 것은 AI 추론 시스템에서 윤리적인 의사 결정을 보장하는 데 필수적입니다.

에이전트와 모델을 확장하기 전에 정확성, 일관성 및 성능을 벤치마킹합니다. 2026년에는 모든 엔터프라이즈가 견고한 AI 전략을 갖추어야 하며, 특히 AI의 역할을 콘텐츠 생성에서 나아가 진정한 문제 해결로 끌어올려줄 핵심 동력인 추론에 집중해야 합니다. AI 추론이 측정 가능한 ROI를 제공하고 내부 및 규제 정책을 준수하며 기업 목표를 달성해야 하는 시점에서 APA 시스템은 독보적인 존재입니다. AI 추론을 활용하는 엔터프라이즈는 보다 데이터 기반적이고 효과적인 의사 결정을 통해 경쟁 우위를 확보합니다.

AI 추론을 전사적으로 적용하세요. 지금 바로 맞춤형 데모를 신청해 보세요.

AI 추론 관련 FAQ

2026년에 가장 우수한 AI 추론 모델은 무엇인가요?

2026년을 대표하는 주요 모델로는 GPT-5.2, Gemini 3, Claude 4.6이 있습니다. 이러한 모델은 사슬형 사고 처리와 자가 수정에 뛰어나며 복잡한 논리적 작업을 능숙하게 수행할 수 있습니다.

추론은 어떻게 환각을 줄이나요?

AI 추론은 검증 단계를 도입하여 환각을 줄입니다. 모델은 논리적 연쇄 과정을 통해 작업 과정을 보여줌으로써 답변을 제시하기 전에 스스로 불일치 사항을 식별하고 수정할 수 있어 보다 정확한 결과를 보장합니다.

AI 추론은 AGI와 동일한가요?

아니요, AI 추론은 AGI(인공 일반 지능)와 동일하지 않습니다. AI 추론은 논리 기반 문제 해결에 중점을 둔 AGI를 향한 중요한 진전입니다. 하지만 현재의 AI 추론은 여전히 한정적이며 진정한 AGI가 가진 사람과 유사한 폭넓은 인지 능력이 부족합니다.