AI를 반론자로 쓰는 법

AI를 쓴다는 것과 AI를 잘 쓴다는 것은 다르다. 전자는 도구의 존재를 인식한다는 뜻이고, 후자는 그 도구를 자신의 사고 방향에 맞게 재설정할 줄 안다는 뜻이다. 지금 고등학교 교실과 학원 강의실에서 상당수의 학생이 LLM(대규모 언어 모델)을 쓴다. 그러나 대부분의 쓰임새는 비슷하다. 모르는 개념을 묻거나, 긴 지문을 요약해 달라고 하거나, 자신이 푼 정답을 확인받는 것. 이 글은 그 경계 밖에서 LLM을 다르게 쓸 수 있는 방식이 무엇인지, 그것이 한국 중고등 학습 현장에서 실제로 작동할 수 있는지 물으려 한다.

정답 확인 도구로만 쓸 때 사라지는 것

한국 학생이 LLM을 처음 접하는 맥락은 대체로 두 가지다. 모르는 개념을 검색하거나, 영어 지문이나 수학 풀이를 해설해 달라고 요청하는 것. 내신 준비 기간에는 개념 정리를 요약해 달라고 하고, 수능 D-30쯤이면 오답 분석을 요청하는 식이다. 이 사용 방식의 공통점이 있다. 학생이 질문의 방향을 먼저 정하지 않는다는 것이다. '이게 뭐야?'라고 물으면 AI가 설명하고, 학생은 그것을 받아들인다. 확인의 흐름은 언제나 AI에서 학생 방향으로만 흐른다.

이 방식이 나쁜 것은 아니다. 개념 이해의 속도를 높이고, 오답 패턴을 빠르게 파악하는 데는 실질적으로 효과가 있다. 문제는 이 방식이 학습의 전부가 될 때다. LLM은 기본적으로 사용자에게 동의하도록 훈련되어 있다. 학생이 틀린 전제를 들고 오면, 그 전제를 먼저 정정하기보다는 그 위에 설명을 쌓는 경향이 있다. '이렇게 이해한 게 맞죠?'라고 물으면, AI는 대체로 '그렇습니다, 다만...'으로 시작한다. 동의가 먼저다.

EBS 수능특강 지문을 예로 들어 보자. 학생이 특정 문단의 의미를 오독한 채로 '이 지문의 핵심 논지가 A이죠?'라고 물었을 때, AI가 '그렇습니다, A이며...'라고 답하면 오독은 강화된다. 학생은 자신이 틀렸다는 사실을 모른 채 다음 문제로 넘어간다. 정답을 확인하는 도구로만 쓰면, 학습자가 이미 가진 오류를 검증할 기회 자체가 사라진다. AI가 학습 효율을 높이는 것이 아니라 오개념의 정착을 도와주는 역설이 생기는 것이다. 그리고 이 역설은 학생이 AI를 더 열심히 쓸수록 심해진다.

동의 기계를 비판자로 바꾸는 방법

여기서 쓰임새가 달라진다. LLM을 '내 주장의 약점을 찾아내는 반론자'로 설정하면, 학습의 방향이 반전된다. 정보 수신에서 논리 검증으로. 이 방식의 핵심은 AI에게 먼저 말하게 두지 않는 것이다. 학생이 먼저 자신의 이해나 주장을 서술하고, AI는 그것을 검증하거나 반박하는 역할을 맡는다.

국어 비문학이나 논술 준비를 할 때, 학생이 자신의 해석을 먼저 한 단락으로 쓴 뒤 AI에게 이렇게 요청한다. '내가 이 지문을 이렇게 이해했는데, 이 해석에서 논리적으로 약한 부분이나 놓친 전제가 있으면 구체적으로 지적해 줘.' 이때 AI의 역할은 설명자가 아니라 검증자다. 학생이 주장을 먼저 세우고, AI가 그것을 흔드는 구조. 수동적 수신에서 능동적 방어로 전환된다. 이 방식은 고3 논술 준비에서 특히 유효하다. 주요 대학의 논술 평가는 논리 구조의 정합성을 중심으로 평가한다. 학생이 혼자 쓴 글의 약점을 스스로 발견하기는 어렵고, 학원 강사도 한 명이 수십 명의 글을 동시에 검토해야 하기 때문에 개별 피드백의 깊이에 구조적 한계가 있다.

수학 풀이 과정의 검증에도 이 방식이 적용된다. 정답을 맞혔어도 풀이 과정에 논리 비약이 있는 경우가 있다. 자신의 풀이를 서술한 뒤 '이 풀이에서 논리적으로 비약이 있거나 전제가 불완전한 단계를 찾아줘'라고 요청하면, AI는 풀이 안의 구체적인 약점을 짚는다. 정답 여부가 아니라 사고 과정의 완결성을 묻는 방식이다. 수능 수학에서 감점이 나오는 주요 원인 중 하나가 바로 이 과정 서술의 불완전함이다.

더 넓게 보면, 이 방식은 자기 맞춤형 학습 경로를 설계하는 방식으로도 확장된다. '내가 이미 이해한 것은 이것이고, 아직 확실하지 않은 것은 이것이다. 이 간극을 채울 2주 계획을 구체적으로 짜줘'라는 요청은 표준화된 커리큘럼이 채우지 못하는 개별 학생의 약점 지점을 정확하게 겨냥할 수 있다. AI가 모든 학생에게 같은 설명을 제공하는 것이 아니라, 이 학생이 지금 모르는 것을 기준으로 경로를 구성하는 방식이다. 받아 적는 관계가 아니라, 설계하는 관계다.

수험 문화가 이 방식을 밀어내는 이유

그러나 이 방식이 한국 학습 현장에 그대로 이식되기는 어렵다. 마찰이 발생하는 지점이 분명히 있다. 첫째는 시간 압박이다. 대입 일정이 촘촘한 한국에서 고3은 하루 수십 문제를 풀고, 해설지로 빠르게 확인하는 루틴을 유지한다. AI와 자신의 논리를 주고받으며 검증하는 과정은 시간이 더 걸린다. 효율 우선의 수험 문화에서 이 방식은 '느리다'는 이유로 배제되기 쉽다. 내신 시험이 6주 주기로 반복되고, 그 사이에 모의고사와 학원 진도가 끼어 있는 구조에서, 속도를 포기하는 선택은 쉽지 않다.

둘째는 선행 능력의 문제다. 학생 대부분이 자신의 주장을 먼저 문장으로 서술하는 것 자체를 어색해한다. 한국 교육 환경에서 학생은 오랫동안 정답을 찾는 훈련을 받아왔다. 틀릴 것 같은 생각을 먼저 써서 제출하는 행위 자체가 낯설다. AI에게 '내 해석을 비판해 줘'라고 말하려면, 먼저 자신의 해석을 문장으로 구성할 수 있어야 한다. 이 선행 능력이 없으면 방법론은 시작조차 되지 않는다. 자신이 무엇을 알고 무엇을 모르는지 인식하는 능력이 부족한 상태에서, AI를 반론자로 설정하는 것은 공허하다.

셋째는 피드백 해석 능력이다. AI가 '이 부분의 전제가 약합니다'라고 했을 때, 학생이 그것을 이해하고 자신의 논리에 반영하려면 일정 수준의 사고 훈련이 있어야 한다. 그 훈련이 부족한 상태에서 AI의 지적은 또 다른 받아 적어야 할 정보가 된다. 비판자의 기능이 또 다른 설명자의 기능으로 흡수되는 역설이다. 이 역설은 방법론의 문제가 아니라 학습 역량의 문제다. 역량이 먼저 쌓이지 않으면 도구를 바꿔도 결과가 바뀌지 않는다.

학원가 강사의 입장도 다르지 않다. 강사는 정해진 커리큘럼 안에서 학생의 성취를 증명해야 한다. AI와 논리를 검증하는 시간은 커리큘럼 진도와 경합한다. 그 경합에서 커리큘럼이 이기는 구조가 지금 한국 학원가의 현실이다. AI를 비판자로 쓰는 방식이 내신 점수나 모의고사 등급이라는 단기 지표와 직접 연결되지 않으면, 강의 현장에서 채택될 유인이 구조적으로 약하다.

마찰 너머에서 이 방향이 버티는 이유

그럼에도 이 사용 방식이 중요한 이유는 사라지지 않는다. 수능이 끝난 이후를 생각해 보자. 대학에 입학한 학생은 보고서를 쓰고, 발표에서 질의에 답하고, 팀 프로젝트에서 자신의 논거를 방어해야 한다. 이때 필요한 능력은 정답을 빠르게 찾는 것이 아니라, 자신의 주장을 논리적으로 구성하고 반론에 대응하는 것이다. AI를 비판자로 활용하는 훈련은 이 능력을 미리 기르는 과정이다. 수능 이후의 학습 환경에서 이 습관이 없는 학생은 처음부터 다시 적응해야 한다.

더 중요한 것은 AI 자체의 한계를 인식하는 능력이다. LLM은 확률적으로 그럴듯한 답을 생성한다. 그 답이 항상 옳지는 않다. AI를 동의 기계로만 쓰는 학생은 AI의 오류를 감지하지 못한다. AI를 반론자로 설정하고, 그 반론에 다시 의문을 던지는 과정을 반복하면, 학생은 AI의 오류 패턴을 경험적으로 익히게 된다. 'AI가 이렇게 말했는데, 이 논리에 구멍이 있는가'를 묻는 태도. 이것이 AI 리터러시의 실질적인 훈련이다.

고교학점제가 본격 시행되면서 과목 선택의 다양성이 늘었다. 선택 과목이 많아질수록 개별 학생의 학습 궤적이 달라지고, 표준화된 커리큘럼의 적용 범위가 좁아진다. 이 환경에서 자신이 아는 것과 모르는 것의 경계를 정확하게 인식하고, AI와 함께 그 간극을 채우는 경로를 설계할 수 있는 능력은 단순한 활용 스킬이 아니다. 자기 주도 학습의 설계 역량이다. 표준 커리큘럼이 줄어든 공간을 채우려면, AI를 설계 파트너로 쓸 수 있어야 한다. 받아 적는 관계에서는 이 공간이 채워지지 않는다.

질문의 순서를 바꾸는 실험 하나

지금 당장 바꿀 수 있는 것은 AI에게 질문하는 순서다. '이 개념이 뭐야?'보다 '내가 이 개념을 이렇게 이해했는데, 이 이해에서 뭐가 빠졌어?'가 다른 결과를 만든다. 전자는 AI가 먼저 설명하고 학생이 받는 구조다. 후자는 학생이 먼저 서술하고 AI가 검증하는 구조다. 이 순서의 차이가 누적되면 사고 방식이 달라진다. 이것은 거창한 변화가 아니다. 오늘 수업에서 배운 내용 중 하나를 자신의 말로 먼저 써보고, 그것을 AI에게 보내 논리적 약점을 묻는 10분짜리 실험이다.

내신 시험 범위를 정리할 때도 이 순서를 지킬 수 있다. AI에게 개념을 물어보기 전에, 자신이 알고 있는 수준을 먼저 한 단락으로 서술한다. 그 단락을 AI에게 보내고 '이 설명에서 오개념이나 빠진 부분을 찾아줘'라고 요청하면, AI가 돌려주는 지적이 내가 정확하게 이해한 부분과 놓친 부분을 구분해 준다. 그것이 다음 공부의 출발점이 된다. 학습의 출발이 AI의 설명이 아니라 내 서술에서 시작될 때, AI의 역할이 바뀐다.

논술이나 수행평가 글쓰기에서도 이 순서를 실험해 볼 수 있다. 초고를 쓴 뒤 AI에게 '이 글에서 논리적으로 가장 약한 단락을 찾아서 그 이유를 설명해 줘'라고 요청하면, AI는 교사의 빨간 펜과 다른 종류의 피드백을 준다. 교사의 피드백이 결과 평가에 가깝다면, AI의 피드백은 논리 구조 분석에 가깝다. 두 가지가 함께 있을 때 학생은 자신의 글을 더 입체적으로 볼 수 있다. 이 방식을 처음 시도할 때 가장 어색한 순간은 첫 번째 자기 서술이다. 그 어색함이 사라지는 지점이 사고 방식이 전환되기 시작하는 지점이다.

결국 LLM은 동의의 기계이기도 하고, 반론의 기계이기도 하다. 어느 쪽으로 쓸지는 질문을 던지는 사람이 결정한다. 지금 많은 학생이 AI에게 던지는 질문의 대부분이 '이게 맞아?'로 끝나는 확인 요청이라면, AI는 계속 '맞아'라고 답할 것이다. 그 동의가 쌓이는 동안, 검증되지 않은 논리는 굳어진다. 문제는 기술이 아니라 질문의 방향이다. 학생이 AI에게 처음 던지는 질문이 '이게 뭐야?'가 아니라 '내가 틀린 게 뭐야?'로 바뀌는 날, 그 교실에서 AI는 다른 도구가 된다. 그 전환이 언제, 어떤 계기로 일어날 수 있는지는 아직 열린 질문이다.