AI가 줄여주지 않는 것

밤 11시, 독서실 칸막이 안에서 고등학교 2학년 학생이 노트북 화면을 응시하고 있다. 수능 영어 지문 분석을 AI 도구에 맡겼는데, 돌아온 결과물이 세 페이지다. 요약 하나를 얻으려 했는데 오히려 읽어야 할 텍스트가 늘었다. 이 학생은 이 내용을 다시 정리해 내신 서술형 준비에 연결한다. 도구를 쓰기 전보다 책상 위가 더 복잡하다. AI는 공부를 줄여주는가, 아니면 다른 형태로 늘리는가.

왜 지금 이 질문인가

수능 체제는 수십 년 동안 특정한 종류의 노동을 학생에게 요구해 왔다. 반복 숙달, 오답 분석, 지문 구조 내면화가 그런 노동이다. 이 노동은 시간을 먹는다. 학원가는 그 시간을 판매하는 구조로 성장했으며 EBS 연계율은 이 구조에 제도적 정당성을 부여했다. 사교육비는 해마다 역대 최고치를 경신하며 이 노동이 얼마나 가치 있게 거래되는지를 보여준다.

AI 학습 도구가 확산되면서 이 노동의 성격이 바뀐다는 기대가 생겼다. 지문 요약은 AI가 한다. 어휘 정리도 AI가 한다. 오답 해설도 AI가 한다. 학생은 결과물만 흡수하면 된다는 논리다. 내신 준비 시간이 단축되며 자기주도학습이 효율화된다는 서사가 이 위에 얹혔다. 교육과정 개편 논의에서도 AI 리터러시는 새로운 핵심 역량으로 자리를 잡았다.

그러나 현장의 경험은 이 기대와 어긋난다. AI 도입 후 직원 83%가 업무량 증가를 보고했다는 연구 결과가 있다. 62%의 주니어 직원은 번아웃을 경험했다. 이 수치는 기업 환경에서 나왔으나 구조적 논리는 학습 환경에서도 동일하게 작동한다. AI가 한 단계를 자동화하면, 그 결과물을 처리하는 새로운 단계가 생성된다.

자동화의 역설과 새로운 과제

자동화의 역설이라는 개념이 있다. 어떤 과정을 기계에 위임할수록, 인간에게 남겨진 과제의 밀도가 높아진다는 관찰이다. 항공기 자동조종 시스템이 정교해질수록 조종사의 상황 판단 부담은 줄지 않고 오히려 긴박한 순간에 집중된다는 연구가 대표적 사례다. 학습 맥락에서 이 역설은 다른 방식으로 나타난다.

고등학교 3학년 수험생이 수능 비문학 지문 분석에 AI 도구를 사용했다고 가정하자. 철학 지문 하나를 입력하면 AI는 문단별 핵심 주장, 논리 구조 도식, 예상 문항 유형, 오답 함정 패턴을 출력한다. 분량은 원본 지문의 두 배가 넘는다. 학생이 해야 할 일은 이 분석 결과물을 읽고 자신의 독해 방식과 비교하며 차이가 생긴 지점을 찾아내 그 이유를 스스로 언어화하는 작업이다. AI가 분석을 대신했으나 학습의 실질적 노동은 사라지지 않았다. 형태가 바뀌었을 뿐이다.

이 구조는 학습 도구 설계 방식에서 비롯된다. 대부분의 AI 학습 도구는 출력량을 최대화하는 방향으로 설계된다. 더 많은 정보, 더 상세한 분석, 더 다양한 관점을 제공하는 것이 도구의 가치처럼 보이기 때문이다. 그러나 학습은 정보 수신이 아니라 인지적 처리다. 정보가 많아질수록 처리 부담도 커진다. 도구가 생성한 결과물을 소화하는 것 자체가 새로운 공부가 된다.

도구를 쓰는 학생에게 남는 것은 두 가지 과제다. AI 출력물의 신뢰도를 판단하는 것. 그리고 판단 결과를 자신의 학습 계획에 통합하는 것. 두 과제 모두 AI가 대신할 수 없다. 자동화의 역설은 학습 현장에서 이렇게 작동한다.

한국 교실에서 논리가 어긋나는 지점

반론은 존재한다. AI 도구를 잘 쓰는 학생은 실제로 공부 시간이 줄어든다는 주장이다. 단순 반복 작업, 즉 단어 뜻 찾기, 문법 규칙 확인, 동의어 검색 같은 일을 AI에 넘기면 본질적 사고에 집중할 시간이 생긴다는 논리다. 이 주장은 틀리지 않는다. 도구 사용에 숙달된 일부 학생에게 이 효과는 실재한다.

그러나 한국 교육 구조 안에서 이 논리는 빠르게 한계에 부딪힌다. 내신 시험은 교사의 출제 의도를 정확히 독해하는 능력을 요구한다. 수능은 지문을 빠르게 처리하면서 동시에 선택지 사이의 미세한 차이를 감지하는 능력을 요구한다. 두 역량 모두 AI가 대신할 수 없으며 대신해서도 안 된다. 평가의 목적이 바로 거기에 있기 때문이다. AI가 분석해준 내용을 읽는 것과 스스로 분석하는 것 사이의 간극은 시험장에서 드러난다.

더 근본적인 문제는 도구 사용 자체가 새로운 격차를 만든다는 점이다. AI 도구를 효과적으로 쓰려면 도구에 맞는 질문을 설계하는 능력, 출력물을 비판적으로 검토하는 능력, 자신의 학습 목표와 도구 출력을 연결하는 메타인지 능력이 필요하다. 이 능력들은 저절로 생기지 않는다. 사교육이나 정보 접근성이 좋은 환경에서 더 빨리 개발된다. 도구의 보편화가 오히려 학습 격차를 심화시킨다는 역설이 여기에서 드러난다.

판단의 틀

도구를 쓸 때 가장 먼저 물어야 할 질문은 이렇다. 이 도구가 내 인지적 노동을 줄여주는가, 아니면 다른 종류의 노동으로 전환해주는가. 두 경우는 전혀 다르다. 전자라면 효율이 생긴다. 후자라면 총량은 유지되거나 늘어난다. 대부분의 AI 학습 도구는 후자에 해당한다. 분석을 대신해주지만 그 분석을 소화하고 내면화하는 과정은 사라지지 않는다.

두 번째 기준은 대체된 노동의 질이다. AI가 대신하는 작업이 단순 검색과 정리라면, 전환의 효과는 긍정적일 수 있다. 그러나 AI가 대신하는 작업이 실제로 학습이 일어나는 지점, 즉 지문과 씨름하는 과정, 오답의 이유를 스스로 추적하는 과정이라면, 그 노동을 외주화하는 순간 학습 자체를 외주화하는 셈이다. 결과물을 받는 것과 과정을 경험하는 것은 뇌 안에서 다르게 처리된다.

세 번째 기준은 도구가 없어졌을 때 내 능력이 어디 있는가다. 수능 시험장에 AI 도구는 없다. 내신 서술형 답안지 앞에도 없다. 그 자리에서 실제로 작동하는 능력이 학습의 실질이다. 도구 의존도가 높아질수록 도구가 없는 환경에서 발휘하는 수행 능력을 별도로 관리한다. 도구를 잘 쓰기 위해 도구 없이 공부하는 시간을 의도적으로 확보한다는 역설이 여기서 나온다.

도구와의 거리를 설계하는 방법

AI 도구를 쓰기 전에 도구 없이 그 과제를 먼저 시도해보는 것이 하나의 원칙이 될 수 있다. 비문학 지문이라면 스스로 읽고 문단 요지를 한 줄씩 적어본다. 영어 지문이라면 혼자 해석해본다. 그다음 AI 출력물과 비교한다. 이 방식은 AI를 검증 도구로 쓰는 셈이다. AI의 분석을 기준으로 삼는 것이 아니라 자신의 분석을 기준으로 삼아 AI의 출력이 어디서 달라지는지를 확인한다. 그 차이를 분석하는 과정이 실제 학습이다.

도구 사용 시간과 도구 없는 공부 시간을 분리해서 기록하는 것도 하나의 방법이다. 하루 공부 시간 중 AI 도구를 켜놓은 시간이 얼마인지를 확인하면, 자신이 도구에 얼마나 의존하고 있는지가 보인다. 의존도 자체가 나쁜 것은 아니다. 그러나 의존도를 모르는 상태로 도구를 쓰는 것은 다르다. 자신의 사용 패턴을 데이터로 볼 수 있을 때, 도구를 전략적으로 쓴다.

이번 주 시도할 구체적인 행동은 하나다. 평소에 AI 도구로 처리하던 공부 과제 하나를 골라서, 이번 한 번만 도구 없이 끝까지 해본다. 어렵거나 느리더라도 멈추지 않는다. 끝난 후 어느 지점이 막혔는지, 어떤 판단을 내리지 못했는지를 짧게 적어둔다. 그 기록이 실제 학습 수준의 지도가 된다. 도구가 무엇을 대신하고 있었는지는 도구를 치웠을 때 비로소 보인다.

밤 11시 독서실 칸막이 안의 학생은 마침내 AI 출력물을 덮고 직접 지문을 다시 읽기 시작했다. 세 페이지의 분석이 오히려 혼란스러웠기 때문이다. 화면을 닫고 나서야 지문이 조금씩 읽혔다. 도구를 끈 덕분인지, 아니면 AI 분석을 앞서 읽어서 배경 이해가 생겼기 때문인지는 학생도 모른다. AI가 학습을 돕는다는 것이 정확히 무엇을 의미하는지, 그 답은 아직 완성되지 않았다.