AI가 틀렸다고 말하게 하라

AI에게 수학 풀이를 받는 것과, AI에게 내 풀이의 논리적 빈틈을 찾아달라고 하는 것. 두 행위는 겉으로는 비슷해 보이지만, 학습자에게 남기는 것이 다르다. 전자는 정답 하나를 남기고, 후자는 사고 과정 전체를 시험대에 올린다. 대다수 학생이 AI를 전자의 방식으로만 쓰는 지금, LLM의 기능에는 이 방향과 전혀 다른 층위가 존재한다. 이 글은 그 층위가 한국 교실과 학습에서 어떤 의미를 갖는지를 묻는다.

정답을 받는 것과 생각을 점검하는 것은 다른 행위다

수능을 준비하는 고등학교 3학년 학생이 AI를 쓰는 방식은 대체로 수렴한다. 모르는 문제를 찍거나 풀이를 붙여넣고 해설을 받는다. 내신 기간에는 단원 요약을 받아 암기에 쓰고, 수행평가 시즌에는 초고를 부탁한다. EBS 연계 지문을 AI에 넣고 핵심 논지를 뽑아달라거나, 어휘 뜻을 물어보는 방식도 많다. AI가 답을 준다는 사실은 알지만, AI가 어떤 종류의 답을 줄 수 있는지는 탐색하지 않는다. 그 결과 LLM은 고급 검색창으로만 소비된다.

이 사용 패턴에는 구조적 이유가 있다. 수능과 내신은 모두 정답을 맞히는 구조 위에서 설계되어 있다. 객관식 5지선다, 단답형, 서술형 채점 기준까지 모두 정답이 있다는 전제 위에서 작동한다. 학원에서 전달되는 학습법도 마찬가지다. 오답 노트, 기출 분석, 빠른 패턴 인식 — 모두 맞히기 위한 전략이다. AI가 빠른 정답 생성기로 기능할 때 이 구조와 잘 맞아떨어진다. 교사도, 학원 강사도, 학생도 자연스럽게 그 방향으로 수렴한다.

문제는 수능 시험장에 AI가 없다는 것이다. 수능 국어 비문학은 익숙하지 않은 지문을 처음 보는 상황에서 논리를 추적하는 능력을 측정한다. 수능 수학은 풀이 경로를 스스로 설계하는 역량을 측정한다. AI에게 풀이를 받아온 경험은 이 능력을 키우지 않는다. 오히려 내가 몰라도 AI가 안다는 상태를 반복적으로 학습하게 만든다. 이것이 AI를 정답 도구로만 쓸 때 발생하는 구조적 공백이다. 그 공백은 모의고사 등급이 아니라 실제 시험장에서 드러난다.

AI에게 틀렸다고 말하게 하면 무엇이 보이는가

LLM의 비정형 활용 가운데 교육 맥락에서 가장 주목할 만한 것은 악마의 변호인 기능이다. 일반적인 AI 사용은 동의와 보완을 중심으로 작동한다. 사용자가 쓴 것을 더 좋게 만들어달라거나, 모르는 것을 알려달라거나, 정보를 정리해달라는 요청이 대부분이다. 그런데 AI에게 반대 방향의 역할을 맡기면 전혀 다른 상호작용이 시작된다. 이 주장의 논리적 빈틈을 세 가지 찾아라, 내가 놓친 가정을 구체적으로 지적해라, 내 풀이 과정에서 내가 암묵적으로 건너뛴 단계가 있는가 — 이런 프롬프트는 AI를 검증자로 전환시킨다. AI는 기본적으로 사용자에게 동의하도록 훈련되어 있지만, 역할을 명시적으로 바꿔달라고 요청하면 그 방향을 따른다.

구체 사례를 들면 이렇다. 고등학교 2학년 국어 시간에 학생이 기후 변화는 개인의 책임보다 구조의 문제라는 주제로 논증문을 썼다고 하자. AI에게 첨삭을 받으면 대개 문장 교정, 표현 개선, 구조 제안이 돌아온다. 글이 더 매끄러워지지만 논증 자체가 강해지지는 않는다. 그런데 이 논증에서 반론이 가능한 지점 세 가지를 구체적으로 지적하고, 내 주장이 무너질 수 있는 가장 취약한 가정을 찾아라라고 물으면 전혀 다른 응답이 온다. 개인 행동의 누적이 구조를 형성한다는 반론, 구조와 개인이 이분법으로 나뉘지 않는다는 지적, 사례 선택의 지역적 편향 같은 것들이 제시된다. 학생은 자신의 논증에 구멍이 있었다는 사실을 처음으로 인식한다. 정답을 받는 것으로는 이 인식이 생기지 않는다.

또 다른 활용은 러버덕킹의 AI 버전이다. 소프트웨어 개발자들이 자신의 코드 오류를 찾기 위해 고무 오리 인형에게 코드를 설명하듯 말하는 방법인데, 같은 원리가 학습에 적용된다. 자신이 이해했다고 생각하는 개념을 AI에게 설명하고, 내 설명에서 논리적으로 잘못되거나 불완전한 부분을 짚어달라고 요청하는 것이다. 이는 메타인지를 외부화하는 작업이다. 수학 개념 하나를 배운 뒤 그 원리를 AI에게 말로 설명해보면, 자신이 공식은 외웠지만 왜 그 공식이 성립하는지를 모르고 있었다는 사실이 드러나는 경우가 많다. 개념을 설명할 수 없다면 이해한 것이 아니라는 점을, AI와의 대화를 통해 확인하는 구조다.

역사 인물이나 전문가 페르소나를 AI에게 부여하는 방법도 있다. 조선 후기 실학자의 관점에서 현대 교육 제도를 비평해라, 1960년대 광고 전문가의 시각으로 내 발표 구성을 평가해라 같은 방식이다. 한국사를 공부하는 학생이라면 특정 역사 인물의 사고방식을 탐색하는 데 이 방법을 활용할 수 있다. 교과서는 역사 인물의 주장을 요약해서 제공하지만, AI를 통해 그 관점에서 현재의 문제를 판단하게 해보면 그 사상의 논리 구조가 훨씬 구체적으로 잡힌다. 수동적으로 암기하는 것과 능동적으로 그 관점을 적용해보는 것은 기억의 깊이가 다르다.

개인화 학습 로드맵 기능도 주목할 만하다. 내가 이미 아는 것은 X이고, 내가 모르는 것은 Y다. 14일 안에 Y를 학습할 수 있는 구체적 일정을 짜라 — 이런 방식의 요청은 학원 커리큘럼이 채우지 못하는 빈칸을 겨냥한다. 학원 수업은 집단 평균에 맞춰 설계된다. 개별 학생이 어디를 알고 어디를 모르는지 정밀하게 파악하고 그에 맞는 일정을 짜는 것은 1:1 과외가 아니면 구조적으로 어렵다. AI는 이 역할을 부분적으로 대신할 수 있다. 단, 학생이 자신의 현 수준을 정확하게 파악하고 있어야 한다는 전제가 필요하다. 자신이 무엇을 모르는지조차 모르는 상태라면, 이 기능도 제대로 작동하지 않는다.

한국 입시 구조가 이 방식을 수용하지 못하는 이유

이 비정형 활용들은 전제가 있다. 학습자가 자신의 사고 과정에 개입할 의지가 있어야 하고, 틀렸다는 피드백을 처리할 준비가 되어 있어야 한다. 한국의 중고등 학습 환경에서 이 두 전제는 동시에 충족되기 어렵다. 이것은 학생 개인의 의지 문제가 아니라 구조의 문제다.

첫 번째 장벽은 시간이다. 내신 기간 중 수면 시간을 5시간 이하로 줄이는 학생이 적지 않은 상황에서, AI와 자신의 논증을 30분에 걸쳐 점검하는 것은 현실적으로 선택하기 어렵다. EBS 연계 수능을 앞두고 기출 문제 하나를 더 푸는 것이 더 합리적인 선택처럼 보인다. AI의 비정형 활용은 즉각적인 점수 향상으로 연결되는 경로가 명확하지 않다. 효과가 나타나기까지 몇 달이 걸릴 수도 있다. 그 시간을 감당할 여유가 한국 학습 구조 안에서는 제한되어 있다.

두 번째 장벽은 평가 방식의 단일성이다. 수능은 2028 교육과정 개편 논의가 진행 중이지만 여전히 객관식이 중심이다. 논술형 평가가 학교 현장에 점진적으로 도입되고는 있지만, 당장 올해 수능을 준비하는 학생에게 논증 능력을 기르는 것이 점수에 어떻게 반영될지는 불분명하다. 학원 강사도 이 방향을 권장하기 어렵다. 결과가 성적표에 보이지 않는 학습에 수업 시간을 쓰는 것은 학부모의 신뢰를 잃을 위험이 있다. 학원은 성적으로 평가받는 구조이기 때문이다.

세 번째 장벽은 피드백 문화다. 수업 시간에 틀린 답을 말했을 때 어떤 반응이 돌아오는지가 학생의 태도를 형성한다. 틀렸다는 지적이 학습 과정의 자연스러운 일부로 받아들여지는 환경에서 자란 학생은 AI에게 반론을 요청하는 것을 편안하게 여긴다. 그렇지 않은 학생은 내가 틀렸다는 것을 굳이 확인하고 싶지 않은 심리적 상태에서 AI 앞에 앉는다. AI가 기술적으로 악마의 변호인 역할을 할 수 있다고 해도, 그 역할을 요청하는 학습자가 없다면 기능은 사용되지 않는다. 기술의 한계가 아니라 경험의 한계다.

AI를 사고 도구로 쓰기 위한 조건

LLM의 비정형 활용이 실제 학습에 기여하려면, AI 쪽의 기능만이 아니라 학습자 쪽의 준비가 함께 있어야 한다. 세 층위로 나눌 수 있다.

첫째는 질문을 구성하는 능력이다. 이 문제 풀어줘와 내가 이렇게 풀었는데 이 방식의 논리적 오류를 찾아줘는 출발점이 다르다. 후자는 자신이 어떻게 생각했는지를 먼저 언어화해야 한다. 이 언어화 과정 자체가 학습이다. 질문을 정교하게 만들기 위해 자신의 사고를 정리하는 과정에서, 학습자는 이미 메타인지를 작동시키고 있다. 거꾸로 말하면, 자신의 생각을 언어로 구성하지 못하는 상태에서는 AI의 비정형 기능도 제대로 작동하지 않는다. AI에게 어디를 모르는지 물을 수 있으려면, 자신이 어디까지는 알고 있는지를 먼저 파악해야 한다.

둘째는 피드백을 받아들이는 태도다. AI가 이 부분이 논리적으로 취약하다고 지적했을 때, 그것을 받아들이고 수정하는 과정이 뒤따라야 한다. 반론을 요청해놓고 AI의 지적을 무시하거나, 지적이 맞는지 틀린지를 검토하지 않는다면 그 상호작용은 형식에 그친다. AI에게 반론을 요청하는 것은 시작일 뿐이고, 그 반론을 자신의 언어로 처리하는 것이 실제 학습이다. 이 단계는 빠르지 않다. 한 번의 대화가 아니라 반복적인 시도를 통해 쌓인다.

셋째는 기대치의 조정이다. AI의 비정형 활용은 단기 성적을 보장하지 않는다. 논증 능력, 자기 사고 점검 능력, 개념 이해의 깊이 같은 것들은 시험 점수에 반영되는 데 시차가 있다. 이 시차를 견디는 학습자만이 AI를 사고 도구로 활용할 수 있다. 그렇지 않으면 첫 번째 모의고사 결과를 보고 다시 정답 생성기로 돌아가게 된다. 결국 AI를 어떻게 쓸 것인가의 문제는, AI에 대한 이해보다 학습자 자신의 동기와 인내에 더 많이 달려 있다. 도구는 준비된 사람에게만 도구로 기능한다.

오늘 공부를 마치기 전, 한 가지만

오늘 수업하거나 공부한 내용 중 하나를 골라라. 문법 개념이든 수학 공식이든 역사적 사건이든 상관없다. AI에게 그 내용을 설명해라. 내가 오늘 배운 내용은 이것이다라고 쓰고, 알고 있는 대로 최대한 자세히 적는다. 그다음 이렇게 물어라. 내 설명에서 논리적으로 불완전하거나 틀린 부분이 있는가, 있다면 구체적으로 어느 부분인지 알려달라. AI가 돌려주는 응답을 읽고, 자신이 놓쳤던 부분이 있는지 확인한다. 내용이 길 필요는 없다. 세 문장이어도 충분하다.

이 과정은 5분에서 10분이면 충분하다. 복습이 아니다. 자신이 이해했다고 생각하는 것이 실제로 이해한 것인지를 확인하는 작업이다. 차이는 크다. 모의고사에서 풀었는데 틀리는 문제, 설명은 할 수 있는데 응용이 안 되는 개념들은 대부분 이 확인 단계를 건너뛴 곳에서 발생한다. 공부 시간이 길다고 해서 이 간극이 사라지지 않는다. 이해했다는 느낌과 이해한 상태 사이의 거리를 좁히는 것이 이 한 가지 행동의 목적이다.

수업을 진행하는 입장에서는, 이 방식을 짧은 과제 형식으로 실험해볼 수 있다. 학생들에게 오늘 배운 것을 AI에게 설명하고, AI의 반론이나 빈틈 지적을 받아오는 것을 과제로 내보는 것이다. AI가 무엇을 지적했는지를 다음 수업 첫 5분에 공유하게 하면, 학생들이 어디를 놓쳤는지가 집합적으로 드러난다. 이것은 객관식 채점으로는 보이지 않는 정보다. 정답 맞힘이 아니라 이해의 빈 곳을 찾는 작업이기 때문이다.

AI에게 반론을 요청했을 때 AI가 반박할 것이 없다고 답하는 경우도 있다. 그때가 오히려 더 좋은 출발점이다. 왜 반박할 것이 없는지를 AI에게 다시 물어라. 내 논리가 완전한 것인지, 아니면 AI가 내 전제를 그냥 받아들인 것인지를 구분하는 것 자체가 비판적 사고의 훈련이다. AI의 동의를 의심하는 법을 배우는 것도 이 비정형 활용의 일부다.

AI가 틀렸다고 말할 준비가 되어 있을 때, 학습자가 그 말을 들을 준비가 되어 있다면, 그때 비로소 AI는 사고 도구가 된다. 그 준비는 AI 밖에서 시작된다. 수업 중 틀린 답을 말했을 때 어떤 반응을 받아왔는가, 자신의 논리가 검토된 경험이 있는가 — 그 경험이 AI 앞에서의 태도를 결정한다. 기술이 아니라 경험이 먼저다. 그렇다면 지금 한국 교실은 그 경험을 얼마나 제공하고 있는가.