생성형 AI는 이미 캠퍼스 안으로 들어왔지만, 유럽 대학들은 속도보다 가치와 원칙을 먼저 묻기 시작했다
생성형 인공지능은 이제 대학 바깥의 유행어가 아니라 대학 안의 일상이 됐다. 학생들은 과제의 초안을 만들고, 논문의 개요를 잡고, 긴 문서를 요약하는 데 AI를 사용한다. 교수들은 강의자료 구성과 예시 문항 작성, 수업 아이디어 정리에 AI를 시험하고 있다. 행정 부서에서도 민원 응대 문구를 정리하고 회의자료를 압축하는 데 생성형 AI를 도입하려는 움직임이 확산되고 있다. 기술이 캠퍼스 안으로 들어오는 속도만 놓고 보면, 대학은 더 이상 AI를 멀리서 관찰하는 기관이 아니다. 이미 손에 들고 써보고, 수업과 업무의 빈틈에 끼워 넣고, 어디까지 허용할 수 있을지 감을 잡아가는 단계에 들어섰다.
그런데 바로 그 지점에서 대학의 태도는 기업이나 플랫폼 산업과는 사뭇 다르게 움직이고 있다. 대학은 AI를 빨리 도입하는 일 자체를 성과로 내세우기보다, 무엇을 지키며 도입해야 하는지를 먼저 묻기 시작했다. 유럽대학협회(EUA)가 2026년 1월 펴낸 보고서 「Adopting AI that serves the needs and values of universities」는 이 흐름을 상징적으로 보여준다. 이 문서는 대학의 AI 도입 문제를 단순한 기술 혁신이 아니라 윤리, 전략, 훈련, 규제, 지속가능성의 문제로 다루며, 대학이 기술을 받아들이는 기준은 어디까지나 대학 자신의 사명과 가치여야 한다고 본다. 다시 말해 질문은 “AI를 쓸 것인가 말 것인가”가 아니라 “대학은 AI 앞에서 무엇을 지킬 것인가”라는 데 있다.
이 문제의식은 생각보다 무겁다. 지금 많은 조직이 AI를 생산성 향상과 비용 절감의 도구로 바라본다. 그러나 대학은 본질적으로 효율만을 위해 존재하는 기관이 아니다. 대학은 지식을 축적하고 검증하며, 학생에게 판단력과 비판적 사고를 길러주고, 사회가 당연하게 여기는 질서에 질문을 던지는 공간이다. 만약 AI가 이 과정의 속도를 높여주는 대신 숙고와 검증, 토론과 판단의 시간을 잠식한다면, 대학은 가장 중요한 무언가를 잃게 될 수 있다. 기술 도입의 성공이 교육과 연구의 성공을 자동으로 보장하지 않는 이유도 여기에 있다.
AI는 혁신의 도구인가, 대학 가치의 시험대인가
이 보고서가 가장 먼저 던지는 메시지는 분명하다. AI 자체가 대학의 오래된 윤리 문제를 전혀 새로운 것으로 바꾸는 것은 아니며, 핵심은 기존의 윤리 원칙 안에서 AI를 어떻게 받아들일 것인가라는 점이다. 다시 말해 AI는 대학이 이미 알고 있던 질문을 더 선명하게, 더 불편하게 다시 꺼내 들게 만들고 있다. 기술은 강력하지만, 그 강력함이 곧 정당성을 뜻하지는 않는다. 보고서는 의미 있는 변화와 혁신은 단순한 가능성이나 생산성, 비용 절감, 편의에 따라 결정되는 것이 아니라 신중한 의도와 책임 있는 판단에서 출발해야 한다고 강조한다. 특히 대학은 AI를 호기심의 대상으로만 대할 것이 아니라, 그것이 개인과 기관, 환경과 사회에 어떤 영향을 미치는지를 함께 성찰해야 한다고 본다. 이 대목이 중요한 이유는 지금의 AI 담론이 너무 쉽게 ‘쓸 수 있느냐’의 차원으로 축소되기 때문이다. 사용 가능성과 사용 타당성은 전혀 다른 문제다. 더 빠르게 요약할 수 있다는 사실은 더 나은 학습을 뜻하지 않는다. 더 많은 문장을 만들어낼 수 있다는 사실은 더 나은 사고를 뜻하지 않는다. 더 많은 업무를 자동화할 수 있다는 사실도 더 나은 대학 운영을 보장하지 않는다. 대학이 AI를 두고 조심스러워지는 이유는, 기술의 성능을 몰라서가 아니라 기술이 손대는 대상이 사람의 판단, 학습 과정, 연구의 진실성, 지식의 공공성 같은 영역이기 때문이다.
그래서 대학의 AI 도입 원칙을 인간 중심적 접근으로 정리한다. AI는 인간의 활동을 증강하고 끌어올리는 방향이어야지, 인간을 통제하거나 인간의 판단을 대신하는 방향이어서는 안 된다는 것이다. 여기서 핵심은 인간을 루프 안에 남겨두는 수준을 넘어, 아예 인간을 기술 통합의 중심에 두는 일이다. 이것은 단지 감성적인 구호가 아니다. 생성형 AI가 구조적으로 부정확성과 환각의 가능성을 안고 있고, 사용자 입력과 데이터 처리 과정에서 권리 침해가 일어날 수 있으며, 설명 가능성과 책임 소재가 여전히 불분명한 상황에서, 인간 중심성은 가장 현실적인 안전장치이기도 하다.
대학은 본래부터 사람의 사유와 토론, 판단을 통해 진리에 접근하는 공간이었다. 그렇다면 대학이 AI를 대하는 방식도 이 전통을 배반해서는 안 된다. 대학에서 기술이 해야 할 일은 인간의 학습과 연구를 밀어내는 것이 아니라, 그것이 더 나은 방향으로 작동하도록 돕는 것이다. 이 기준을 놓치면 대학은 기술을 활용하는 주체가 아니라 기술의 속도에 휩쓸리는 수동적 기관이 되기 쉽다.
AI는 누구의 지식을 닮았나
대학이 AI 앞에서 조심스러워질 수밖에 없는 또 다른 이유는 편향과 대표성의 문제다. AI는 텅 빈 상태에서 세계를 배우는 기술이 아니다. 이미 존재하는 방대한 데이터, 그리고 그 데이터를 선별하고 정렬한 가치 체계 위에서 작동한다. 보고서는 현재의 AI가 사회에 널리 퍼져 있는 데이터에 기반해 훈련되며, 그 결과 사회에 존재하는 편견과 고정관념을 재생산하고 강화하는 경향을 갖는다고 지적한다. 성별과 인종의 고정관념은 물론이고, 서구 중심적 시각, 영어권 중심의 지식 체계, 특정 지역과 문화의 경험이 AI 출력에 과잉 대표될 수 있다는 것이다.
이 문제는 대학에 특히 민감하다. 대학은 지식의 다양성과 비판성, 소수의 시각과 주변부의 경험을 복원하고 확장해야 하는 공간이기 때문이다. 그런데 학생과 연구자가 생성형 AI가 만들어낸 문장을 손쉽게 받아들이기 시작하면, 그 안에 숨어 있는 데이터 편향과 세계관의 편중은 지식으로 위장된 채 유통될 위험이 커진다. AI가 보여주는 답변은 종종 매끄럽고 단정적이다. 그러나 그 단정함이 곧 균형 잡힌 지식이라는 뜻은 아니다. AI가 “자연스럽게” 말하는 내용은 종종 가장 많이 축적된 데이터의 목소리일 뿐이며, 그 과정에서 덜 기록된 언어, 덜 발화된 경험, 덜 중심적인 관점은 다시 밀려난다.
보고서가 미국 중심 데이터와 영어권 중심 학습 구조를 언급하는 이유도 여기에 있다. 지금의 생성형 AI는 주로 영어권, 특히 미국에서 축적된 자료의 영향을 크게 받는다. 그 결과 특정 역사 인식과 가치 체계, 정치적 감수성이 출력에 자연스럽게 녹아든다. 대학이 이 문제를 단지 기술적 한계로 넘길 수 없는 이유는, 이것이 결국 교육과 연구가 무엇을 지식으로 인정할 것인가의 문제와 연결되기 때문이다. 대학이 AI에 더 신중해지는 것은 바로 이런 까닭이다. AI는 정보를 많이 아는 것처럼 보이지만, 그 정보가 어떤 세계를 더 크게 반영하고 어떤 세계를 더 작게 만드는지까지 묻지 않으면 대학은 지식의 다양성을 스스로 훼손할 수 있다.
그래서 보고서는 AI 리터러시 교육 안에 편향 인식과 윤리 교육이 포함되어야 한다고 본다. 학생과 교직원은 AI가 가진 편향의 경향을 먼저 인식할 수 있어야 하며, AI의 응답을 비판적으로 검토하는 훈련을 받아야 한다는 것이다. 이 말은 곧 대학이 AI를 잘 쓰는 법뿐 아니라 AI를 쉽게 믿지 않는 법까지 가르쳐야 한다는 뜻이기도 하다. 대학이 AI 앞에서 조심스러워진 것은 기술을 두려워해서가 아니라, 너무 쉽게 믿는 태도가 지식 공동체를 더 취약하게 만들 수 있다는 사실을 알기 시작했기 때문이다.
학생 과제와 연구자료는 어디로 가는가
프라이버시와 데이터 문제는 대학의 AI 도입을 가장 민감하게 만드는 영역 가운데 하나다. 대학은 방대한 개인정보와 연구자료, 학습 기록, 설문 응답, 내부 행정 문서를 다루는 기관이다. 이 데이터들은 단지 업무의 재료가 아니라 학생과 연구자, 기관 전체의 권리와 신뢰를 구성하는 토대다. 보고서는 생성형 AI의 민주화가 프라이버시 위험에 대한 인식을 일부 높였지만, 대학 현장에서는 여전히 디지털 리터러시 부족으로 인해 어떤 데이터가 외부 AI 제공자에게 넘어가는지, 그 결과 무엇이 문제인지 충분히 자각하지 못하는 경우가 많다고 지적한다. 특히 대형 언어모델은 사용자가 명시적으로 거부하지 않는 한 입력 내용을 모델 훈련에 활용할 수 있으며, 여기에 학생 레포트, 저작권이 있는 학술 자료, 민감한 설문 데이터가 포함될 위험이 있다는 점을 분명히 짚는다.
이 지점은 대학이 AI를 대할 때 일반 사무조직보다 훨씬 신중해야 하는 이유를 잘 보여준다. 학생이 수업 과제를 생성형 AI에 통째로 넣는 순간, 그것은 단순한 학습 편의의 문제가 아니라 저작권과 개인정보, 학습 기록의 외부 유출 문제로 이어질 수 있다. 연구자가 인터뷰 자료나 실험 데이터를 외부 AI 도구에 입력하는 행위도 마찬가지다. 대학 내부에서는 “한 번 써보자”는 가벼운 판단일 수 있지만, 그 입력값은 학생의 학업 결과물일 수도, 연구 참여자의 민감한 응답일 수도, 공개되지 않은 연구 설계일 수도 있다. AI를 통한 요약과 정리, 문장 다듬기라는 표면 아래에는 데이터 통제권의 문제, 나아가 대학이 무엇을 보호해야 하는가의 문제가 깔려 있다.
보고서가 노르웨이 오슬로대학과 오스트리아의 대학 협력 사례를 언급하는 것도 그래서 의미가 크다. 일부 대학들은 범용 상용 서비스에 데이터를 그대로 맡기지 않고, GDPR을 준수하는 별도의 안전한 환경에서 AI를 활용하는 폐쇄형 모델을 개발하거나 공유 인프라를 구축하고 있다. 이 사례가 시사하는 바는 단순하다. 대학이 AI를 쓰지 말아야 한다는 것이 아니라, 어떤 조건에서 어떤 통제 장치 아래 사용할 것인지를 스스로 설계해야 한다는 것이다. 데이터의 가치를 이해하지 못한 채 기술을 도입하면, 대학은 편의를 얻는 대신 통제권을 잃게 된다.
이 문제는 곧 사회정의의 문제로도 이어진다. 보고서는 높은 수준의 AI 도구에 접근할 수 있는 사람과 그렇지 못한 사람 사이의 격차가 프라이버시와 통제권을 둘러싼 불평등으로 이어질 수 있다고 본다. 더 좋은 도구를 쓰기 위해 더 많은 데이터를 내놓아야 하는 구조가 굳어진다면, AI는 새로운 교육 격차의 통로가 될 수 있다. 대학이 AI에 조심스러워지는 것은 기술이 불편해서가 아니라, 편리함의 비용이 누구에게 전가되는지를 따져보지 않을 수 없기 때문이다.
효율은 대학의 최고 가치가 아니다
가장 인상적인 대목 가운데 하나는 “효율은 대학의 핵심 가치가 아니다”라는 문제의식이다. 오늘날 많은 기술 기업은 AI를 업무 효율 향상과 시간 절약, 비용 절감의 논리로 판매한다. 실제로도 이런 기능은 분명 존재한다. 그러나 대학에서 효율이 가장 높은 가치가 되는 순간, 교육과 연구의 의미는 바뀌기 시작한다. 보고서는 AI 솔루션 제공자들이 효율을 주요한 장점으로 내세우는 반면, 학문 공동체 안에서는 효율 그 자체가 핵심 가치일 수 없다고 말한다. 오히려 우연한 발견, 깊은 숙고, 시간을 들여 문제를 풀어가는 과정, 질문을 바꾸는 능력이야말로 학문의 본령에 가깝다는 것이다.
이 대목은 지금 대학이 AI 앞에서 왜 더 조심스러워졌는지를 가장 잘 설명해준다. 대학은 기업이 아니다. 기업은 시간을 줄이고 속도를 높이며 산출을 늘리는 것으로 성과를 측정할 수 있지만, 대학은 그렇지 않다. 학생의 배움은 종종 느린 과정이며, 연구의 진전은 때로 비효율적으로 보이는 우회와 실패, 질문의 수정 속에서 이루어진다. 논문 초안을 더 빨리 만들 수 있다고 해서 더 나은 논문이 되는 것은 아니다. 시험문항을 더 빨리 생산할 수 있다고 해서 더 나은 평가가 되는 것도 아니다. 오히려 너무 빠른 작성, 너무 매끄러운 요약, 너무 쉬운 대답은 학생과 연구자가 걸어야 할 사유의 과정을 생략하게 만들 수 있다.
보고서는 특히 과도한 자동화가 학문적 덕목을 위태롭게 할 수 있다고 경고한다. 호기심, 성찰, 탐구의 자유, 문제 해결에 시간을 들이는 태도는 대학의 오래된 자산이다. 그런데 AI가 늘 생산성과 속도라는 기준으로 대학 안에 들어오면, 이 자산은 눈에 띄지 않게 닳아갈 수 있다. 학생은 더 이상 문장을 밀고 당기며 자기 생각을 정리하지 않을 수 있고, 연구자는 불완전한 가설을 오랫동안 붙들고 씨름하는 대신, AI가 그럴듯하게 정리해 준 문장과 구조에 기대게 될 수 있다. 이때 대학이 잃는 것은 단순한 글쓰기 능력이 아니라 판단의 근육, 탐구의 습관, 지식을 자기 언어로 다시 구성하는 힘이다.
기술이 대학을 위협하는 방식은 늘 파괴적 혁신의 모습으로만 오지 않는다. 오히려 훨씬 더 위험한 경우는, 기술이 너무 편리해서 대학 구성원 모두가 그것을 점차 당연하게 받아들이는 경우다. 교수가 더 쉽게 강의자료를 만들고, 학생이 더 쉽게 과제를 정리하고, 행정이 더 쉽게 문서를 처리하는 동안, 대학은 어느 순간 속도와 편의에 익숙한 기관으로 변해 있을 수 있다. 그 변화가 교육의 본질을 바꾸는지 여부를 스스로 묻지 않는다면, 대학은 기술을 활용하는 것이 아니라 기술의 논리에 자기 기준을 내어주게 된다.
학문윤리와 인간의 판단, 대학이 놓칠 수 없는 마지막 기준
AI와 대학의 관계가 가장 민감하게 드러나는 영역은 학문윤리다. 보고서는 학문 공동체에서 AI는 인간의 행위를 대체하는 기술이 아니라 증강하는 기술이어야 한다고 전제한다. 그러나 실제 현장에서는 이미 학생의 에세이 작성, 교수의 평가문항 작성, 연구자의 자료 정리와 문장 다듬기까지 AI의 활용 범위가 빠르게 넓어지고 있다. 여기서 문제는 단지 부정행위냐 아니냐가 아니다. 더 깊은 문제는 투명성과 재현 가능성, 검증 가능성이다. AI는 결과를 내놓지만, 그 결과가 어떤 경로를 거쳐 만들어졌는지를 사용자가 명확히 추적하기 어려운 경우가 많다. 이는 과학적 검증과 동료 평가, 연구 재현성의 원리에 정면으로 부딪힌다.
대학이 이 문제 앞에서 조심스러워지는 것은 너무도 자연스럽다. 과학 연구는 결과만으로 성립하지 않는다. 어떤 방법을 거쳤는지, 어떤 데이터에 기반했는지, 어떤 판단이 개입했는지를 밝힐 수 있어야 한다. 그런데 생성형 AI가 개입한 글과 분석, 아이디어는 종종 그 형성과정이 흐릿하다. 무엇이 인간의 판단이고 무엇이 모델의 생성인지 경계가 모호해질 때, 대학은 지식 생산의 기본 규칙을 다시 점검해야 하는 상황에 놓인다. 보고서가 고품질 데이터와 인간의 감독을 강조하는 이유도 이 때문이다. AI가 과학을 가속할 잠재력은 크지만, 그 잠재력이 빠르지만 부정확한 연구 결과를 양산하는 방향으로 쓰일 경우, 그것은 연구의 신뢰를 약화시키고 시민사회 전체에 위험을 남길 수 있다.
이 대목은 오늘날 대학이 가장 진지하게 고민해야 하는 질문과 맞닿아 있다. 학생이 AI의 도움을 받아 작성한 글은 어디까지 자기 생각인가. 연구자가 AI로 정리한 선행연구 검토는 어느 수준까지 학문적 기여로 인정될 수 있는가. 교수자가 AI로 만든 시험문항과 평가기준은 어떤 설명 가능성을 가져야 하는가. 대학은 아직 이 질문들에 대해 통일된 답을 갖고 있지 않다. 그럼에도 불구하고 분명한 것은 있다. 대학은 AI 활용의 허용 여부를 단지 편의성과 효율의 기준으로만 판단할 수 없다는 점이다. 대학이 유지해야 하는 마지막 기준은 언제나 인간의 책임 있는 판단이다.
그래서 보고서는 AI 도입을 일회성 규정이나 금지 조항의 문제로 보지 않는다. 대학 구성원 전체가 어떤 사용이 타당하며, 어디서부터 학문적 통제권을 잃는지에 대해 지속적이고 참여적인 대화를 해야 한다고 본다. AI 사용 실태를 파악하고, 활용의 이익과 손실을 비교하고, 그 판단을 공동체가 함께 조정해 나가는 과정이 필요하다는 것이다. 윤리는 고정된 규칙이 아니라 안전하고 책임 있는 행위를 이끄는 원칙이어야 한다는 보고서의 지적은 그래서 더 중요하다.
대학이 먼저 가르쳐야 할 것은 사용법이 아니라 판단력이다
AI 시대의 대학이 해야 할 가장 중요한 일은 기술 사용법을 빠르게 보급하는 것만이 아니다. 오히려 그보다 앞서 필요한 것은 AI를 어떤 맥락에서 써야 하는지, 어디서 멈춰야 하는지, 무엇을 넘겨주면 안 되는지 판단할 수 있는 힘을 기르는 일이다. 보고서는 대학 공동체 전체가 AI의 실제 사용 양상을 파악하고, 개별 사용자가 어디서 이익을 얻고 어디서 손해를 보는지를 이해해야 한다고 말한다. 또 AI 통합을 위한 가이드라인과 정책은 한 번 만들고 끝내는 문서가 아니라, 기술의 변화 속도와 사회적 파장을 고려해 계속 갱신되는 참여적 과정이어야 한다고 본다. 결국 대학이 세워야 하는 것은 금지 목록보다 더 깊은 차원의 공통 감각, 곧 무엇이 책임 있는 사용인가에 대한 공동체적 판단이다.
이 점에서 대학은 다른 어떤 기관보다 더 중요한 위치에 있다. 대학은 기술의 사용자이면서 동시에 기술의 의미를 사회적으로 해석하는 기관이기 때문이다. 학생들에게 AI 활용법을 가르치는 일은 필요하다. 그러나 그것만으로는 충분하지 않다. 대학은 학생들에게 AI가 만든 답변을 한 번 더 의심하는 법, 지나치게 매끄러운 문장을 경계하는 법, 자신이 무엇을 알고 무엇을 모르는지 점검하는 법, 데이터와 저작권과 프라이버시를 함부로 넘기지 않는 법을 가르쳐야 한다. 다시 말해 대학이 길러야 할 것은 단순한 ‘AI 사용자’가 아니라, 기술을 비판적으로 다룰 수 있는 시민이다.
이것이 바로 대학이 AI를 도입하면서도 더 조심스러워진 이유다. 대학은 기술 도입의 최전선에서 뒤처지지 않기 위해 뛰고 있지만, 동시에 누구보다 분명하게 알고 있다. 대학이 기술에 적응하는 것만으로는 충분하지 않다는 사실을 말이다. 대학은 사회가 기술을 어떻게 받아들여야 하는지를 보여주는 공공기관이기도 하다. 그러므로 대학의 AI 도입은 빠른 적응의 문제가 아니라, 가치의 순서를 다시 세우는 문제다.
생성형 AI는 이미 캠퍼스 안으로 들어왔다. 이제 남은 질문은 그것을 쓸 것인가 말 것인가가 아니다. 더 중요한 질문은 이것이다. 대학은 AI를 통해 무엇을 얻으려 하는가. 그리고 그 과정에서 무엇만큼은 잃지 않으려 하는가. 유럽 대학들이 지금 던지는 질문은 단지 유럽만의 질문이 아니다. AI 시대를 통과하는 모든 대학이 곧 마주해야 할 질문이다. 기술의 속도가 빨라질수록, 대학은 더 많은 것을 서둘러야 할 것처럼 보인다. 그러나 대학이 진짜로 서둘러야 하는 일은 도입 자체가 아니라 기준을 세우는 일인지도 모른다. 속도보다 먼저 원칙을 묻는 일, 편의보다 먼저 책임을 따지는 일, 효율보다 먼저 교육과 연구의 본질을 붙드는 일, 그것이야말로 지금 대학이 AI 앞에서 보여주고 있는 가장 중요한 신중함이다.
#인공지능 #생성형AI #대학 #고등교육 #유럽대학협회 #AI윤리 #학문윤리 #프라이버시 #데이터거버넌스 #AI리터러시
답글 남기기