학생이 먼저 틀려야 한다: 맥킨지의 '정답지 모델'이 교실에 던지는 순서의 문제

한 부동산 회사에서 AI 에이전트는 신입 직원이 혼자 만들 수 있는 것보다 훨씬 상세한 시장 평가 보고서를 만들어 냈다. 회사는 그 보고서를 그냥 쓰지 않았다. 맥킨지가 소개한 이 사례에서 회사는 신입에게 동네를 직접 걷고 지형과 교통 흐름을 살펴 자기 평가서를 먼저 쓰게 한 뒤, AI가 만든 것과 비교하게 했다. 맥킨지는 이것을 '정답지 모델(answer-key model)'이라고 부른다. 직원이 먼저 시도하고, AI가 그 시도를 채점하고, 관리자와 앉아 차이를 논의하는 순서다. 이 칼럼은 이 모델을 기업의 인재 육성 이야기로만 읽지 않는다. 구조적으로 보면 그것은 AI가 있는 환경에서 초보자의 판단 형성에 핵심적인 순서에 관한 주장으로 읽히고, 이 칼럼의 해석으로는 그 순서는 교실과 학원에도 적용된다.

AI는 선배에게 부스트, 신입에게 드래그다

맥킨지에 따르면 조직은 수십 년간 신입에게 조사, 문서화, 데이터 정리, 기초 코딩, 예비 분석 같은 일상 업무를 맡겨 왔고, 그 일이 곧 판단력을 기르는 수련장이었다. 이제 그 업무가 AI에 흡수되고 있다. 맥킨지가 인용한 마이크로소프트의 두 엔지니어링 리더, 마크 루시노비치와 스콧 핸셀먼의 표현이 이 문제를 압축한다. 에이전트형 코딩 도구는 시니어 엔지니어에게는 처리량을 배로 늘리는 'AI 부스트'가 되지만, AI 출력을 조종하고 검증할 판단력이 없는 주니어에게는 'AI 드래그'가 된다는 것이다. 그 결과 생기는 유인, 곧 시니어를 뽑고 주니어를 자동화하는 선택은 모든 시니어가 딛고 선 인재 피라미드의 바닥을 조용히 허문다.

맥킨지가 전한 수치는 그 압력이 이미 현실임을 보여준다. 2026년 1분기 미국 최근 대졸자 실업률은 약 5.7%였고 약 40%는 과소고용 상태로, 통상 학위를 요구하지 않는 일자리에 종사했다. 스탠퍼드 디지털경제연구소는 AI 노출이 가장 큰 직종의 22~25세 노동자 고용이 기업 단위 충격을 통제한 뒤에도 16% 상대적으로 감소했다고 밝혔다. 다만 맥킨지는 이 가운데 AI의 몫이 얼마인지는 논쟁 중이라고 단서를 달았다. 뉴욕 연방준비은행 경제학자들은 원격근무가 초보자 훈련을 어렵게 만든 영향이 크다고 보고, 예일 예산연구소는 경제 전반의 AI 지문은 아직 뚜렷하지 않다고 본다.

정답지 모델: 시도가 먼저, 채점은 나중

맥킨지의 처방은 네 부분이다. 최고 성과자의 사고 방식을 구조화해 AI가 접근할 수 있게 하는 지식 관리, AI 출력을 감독하고 개선하는 일로 재설계된 신입 역할, 업무 흐름 속의 학습, 그리고 판단을 가르치는 관리자의 코칭이다. 이 가운데 이 칼럼이 주목하는 것은 역할 설계의 핵심인 정답지 모델이다. 맷 빈이 『스킬 코드』에서 주장했듯 초보자의 기술은 도전, 복잡성, 전문가 사고와의 연결을 통해 자라는데, 기술이 일상 업무를 흡수하면 그 조건이 줄어든다. 정답지 모델은 AI를 빼지 않고, 직원의 독립적 시도 뒤에 AI 비교와 피드백을 배치하는 순서로 그 조건을 복원한다.

맥킨지는 이 순서가 왜 중요한지를 다른 분야의 증거로 뒷받침한다. 임상 연구에서 의사에게 대형언어모델을 그냥 주는 것은 장기적 진단 성과를 거의 개선하지 못했지만, 자기 추론과 AI의 추론을 비교하고 조정하게 한 워크플로는 이후 성과를 AI 단독 수준까지 끌어올렸다. 반대 결과도 있다. 노동자가 스스로 할 수 없는 기술 과제를 생성형 AI로 수행했을 때, AI 접근이 사라지는 순간 그 능력도 사라졌다. 맥킨지의 요약은 한 문장이다. 수동적 의존은 산출물을 만들고, 구조화된 비교는 전문가를 만든다.

맥킨지가 인용한 수치. 2026년 1분기 미국 최근 대졸자 실업률 약 5.7%, 약 40%는 과소고용 상태(통상 학위를 요구하지 않는 일자리). AI 노출 최상위 직종 22~25세 고용 16% 상대 감소(스탠퍼드 디지털경제연구소). 졸업 예정자의 취업 비관 46%→62%(2년 새). 2026년 3월 임원 및 고위 인재 책임자 약 1,500명 설문: AI로 신입 채용이 늘 것이라는 응답이 줄 것이라는 응답의 약 3배, 그러나 3분의 1은 AI가 주니어의 기초 학습 과제를 이미 줄였다고 답함.

교실은 이미 이 실험을 하고 있다

맥킨지가 든 학습 과학의 증거는 기업이 아니라 의과대학에서 나왔다. 한 실험에서 AI가 만든 사례 문제에 답하고 자동화된 개인별 피드백을 닷새간 받은 의대 1학년생은, 영상 기반 시험의 해당 진단 항목에서 한 학년 위인 2학년생을 앞섰고 2주 뒤 추적 평가에서도 그 학습이 유지됐다. 스탠퍼드의 시범 설계는 한 걸음 더 나간다. 챗봇이 환자 역할을 하고, 학생이 문진해 진단을 확정하고 방어한 뒤에야 시스템이 추론을 비평한다. 맥킨지가 강조하는 것은 순서다. 학생이 먼저 가고, AI가 그 시도를 채점한다.

기업의 신입 육성은 인재 파이프라인의 문제이고 학교의 학습은 이해와 평가의 문제여서 이해관계는 다르다. 그 차이를 전제로, '시도 후 비교'라는 구조만 교육에 옮겨 보면 이 칼럼의 해석으로는 이 순서가 한국 교육 현장의 AI 활용 논쟁에 빠져 있는 변수다. AI 튜터와 AI 첨삭을 둘러싼 질문은 대개 도입 여부와 효과 여부였다. 그러나 맥킨지의 증거가 맞다면 효과는 도구가 아니라 순서에서 나온다. 학생이 풀기 전에 AI가 풀이를 보여주는 설계와, 학생이 먼저 쓰고 AI가 차이를 보여주는 설계는 같은 도구로 정반대의 결과를 낳는다. 전자는 산출물을 만들고 후자는 실력을 만든다. 맥킨지는 이런 인지적 개입을 요구하는 워크플로가 초보자에게 부담스러울 수 있어 의도적으로 설계하고 용량을 조절해야 한다고도 경고했다.

측정할 수 없던 것이 측정된다

정답지 모델에는 맥킨지가 지적한 부산물이 하나 있다. 직원의 독립적 시도와 AI 출력 사이의 간격은 관찰 가능하고, 그 간격이 시간이 지나며 좁아진다면 그것은 판단력이 형성되고 있다는 직접 증거다. 맥킨지의 표현으로는 도제 제도가 그 긴 역사에도 한 번도 측정하지 못했던 것이다. 이 칼럼이 보기에 이것은 교육에서 더 큰 의미를 갖는다. 시험 점수는 결과를 재지만, 학생의 첫 시도와 AI 출력 사이의 차이는 과정을 잰다. 그 거리가 줄어드는 속도는 어떤 등급표보다 학습 상태를 정확히 말해 줄 수 있다.

맥킨지는 채용 기준의 변화도 함께 짚었다. 조직은 좁은 전문성보다 적응력을, "무엇을 공부했는가"보다 "어떻게 생각하는가"를 묻기 시작했고, AI 기술을 요구하는 직무는 분석적 사고, 회복력, 민첩성을 함께 요구할 가능성이 두 배 가까이 높았다. 지속 가능한 베팅은 도구 능숙도가 아니라 판단력이라는 것이 맥킨지의 결론이다. 이 결론을 뒤집어 읽으면 교육의 과제가 나온다. 이 칼럼의 관점에서 판단을 기르려면, 학생이 먼저 가설을 세우고 AI 출력과 비교·검증할 기회를 설계하는 일이 중요하다.

이 글이 다룬 초보자 학습 설계에서 AI 활용 능력만으로는 충분하지 않다. 먼저 시도하고 그 차이를 읽는 과정이 판단력 형성의 핵심으로 제시된다.

출처: McKinsey — Building expertise in the age of AI: Who trains the next generation?