인지적 오프로드와 비판적 사고의 약화
교실에서 생성형 AI는 점점 더 ‘보조 도구’가 아니라 ‘생각의 동반자’로 자리 잡고 있다. 질문을 입력하면 정리된 개념 설명이 제공되고, 복잡한 자료는 요약되며, 토론 주제에 대한 찬반 논거까지 정돈된다. 문제 해결의 속도는 눈에 띄게 빨라졌다. 그러나 이 속도는 다른 질문을 남긴다. 우리가 해결 과정을 단축하는 동안, 사고의 과정도 함께 단축되고 있는 것은 아닌가. 인지과학은 이를 ‘인지적 오프로드(cognitive offloading)’라는 개념으로 설명한다. 인간은 계산기, 지도, 검색엔진과 같은 외부 도구에 기억과 계산을 위임해왔다. 생성형 AI는 그 범위를 한 단계 확장한다. 단순 계산이나 정보 검색을 넘어, 개념 정리와 논증 구조 설계까지 외부화할 수 있기 때문이다. MAiLS와 같은 프레임워크는 AI 사용 수준을 단계적으로 구분한다. 온라인 검색이나 맞춤법 교정처럼 낮은 수준의 활용은 여전히 사용자의 사고 개입을 요구한다. 반면 프로젝트 관리 자동화, 데이터 시각화, 논증 구조 생성과 같은 중간 이상 수준의 활용은 사고 과정의 상당 부분을 대체할 수 있다. 도구의 ‘에이전시’가 높아질수록 인간의 개입 영역은 줄어드는 경향이 나타난다.
문제는 모든 오프로드가 동일하지 않다는 점이다. 전화번호를 외우지 않는 것과, 자신의 주장 구조를 스스로 설계하지 않는 것은 질적으로 다르다. 전자는 기억 부담을 줄이는 행위지만, 후자는 사고 형성의 핵심 단계를 건너뛸 수 있다. 실제로 교사와 학부모를 대상으로 한 조사에서는 생성형 AI가 비판적 사고 능력을 약화시킬 수 있다는 우려가 반복적으로 제기됐다. 빠른 답변에 익숙해질수록 결과를 검증하려는 태도는 약화될 가능성이 높아진다. 편리함이 습관이 되는 순간, 질문은 줄어들고 수용은 늘어난다.
생성형 AI의 응답은 종종 확신에 찬 어조를 띤다. 문장은 매끄럽고, 논지는 정리되어 있으며, 반론까지 포함한다. 이 형식적 완성도는 사용자에게 신뢰감을 준다. 그러나 LLM의 작동 방식은 진실을 검증하는 구조가 아니라, 확률적으로 가장 그럴듯한 문장을 생성하는 구조에 가깝다. 정보는 방대한 데이터에서 맥락을 분리한 채 평균화되어 재구성된다. 이 과정에서 복잡한 맥락은 단순화되고, 논쟁적 지점은 중립적 표현으로 완화되는 경향이 나타난다. 여기에 ‘사용자 만족’을 우선하는 특성이 결합될 경우, 응답은 비판적 긴장을 더욱 낮출 수 있다. 긍정적 피드백을 강화하고, 사용자의 기대에 부합하는 방향으로 답변을 조정하는 경향은 학습 상황에서 중요한 문제를 낳는다. 학생이 제시한 가설이 불완전하더라도, AI가 이를 정교하게 보완해 제시하면 오류를 인식할 기회는 줄어든다. 이는 사고의 검증 단계를 약화시킬 수 있다. 단순한 정보 오류보다 더 큰 문제는, 오류를 발견하는 능력이 훈련되지 않는다는 점이다.
연구자들은 이를 ‘grounding’의 약화와 연결한다. 효과적인 학습은 새로운 정보를 기존 이해와 능동적으로 통합하는 과정에서 발생한다. 준비된 답을 받아들이는 방식은 이 통합 과정을 단축시킨다. 결과를 이해했다고 느끼지만, 실제로는 자신의 개념 체계 안에 깊이 연결되지 않을 가능성이 존재한다. 외부에서 제공된 구조를 수정하는 행위와, 스스로 구조를 설계하는 행위 사이에는 인지적 깊이의 차이가 존재한다.
과의존은 어떻게 학습 태도를 바꾸는가
과의존은 갑작스럽게 발생하지 않는다. 처음에는 보조 도구로 시작된다. 어려운 개념을 정리하거나, 글의 구조를 점검하거나, 자료를 요약하는 수준에서 활용된다. 그러나 반복 사용이 습관이 되면 질문의 방식이 달라진다. 스스로 문제를 정의하기보다, 이미 정리된 틀을 받아들이는 쪽으로 이동한다. 사고의 출발점이 외부로 이동하는 순간, 학습자는 점차 결과를 소비하는 위치에 서게 된다. 이 변화는 눈에 띄지 않지만 축적된다. 교실을 가정해보자. 학생이 토론 수업을 준비하면서 생성형 AI에 찬반 논거를 요청한다. 정리된 논점과 사례가 즉시 제시된다. 학생은 이를 참고해 자신의 입장을 구성한다. 겉으로 보면 준비 과정은 효율적이다. 그러나 처음부터 스스로 자료를 찾고, 상반된 견해를 비교하며, 논리적 약점을 발견하는 과정은 축소된다. 토론의 깊이는 유지될 수 있지만, 준비 과정에서의 사고 훈련은 줄어든다. 반복될수록 이 차이는 커진다.
검색엔진 시대에도 정보는 외부에 존재했다. 그러나 검색은 사용자의 판단을 요구했다. 어떤 자료가 신뢰할 만한지, 어떤 주장이 타당한지 비교해야 했다. 생성형 AI는 이 판단 과정을 일부 대체한다. 하나의 응답 안에 요약과 정리가 포함된다. 정보 탐색의 경로가 단순화되면서, 검증의 필요성도 체감상 감소한다. 이는 학습 태도에 미묘한 변화를 일으킨다. 질문은 줄고, 확인은 간소화된다. 정답처럼 보이는 응답은 비판적 긴장을 완화한다.
사고의 근육은 어떻게 약화되는가
비판적 사고는 단순한 능력이 아니라 훈련의 결과다. 자료를 비교하고, 가설을 검증하며, 반례를 찾는 과정이 반복될 때 강화된다. 이러한 훈련에는 시간과 불확실성이 수반된다. 생성형 AI는 이 과정을 효율화한다. 초안을 제공하고, 논증의 공백을 보완하며, 반론까지 자동으로 생성한다. 학습자는 더 완성도 높은 결과를 얻게 되지만, 그 과정에서 수행해야 할 인지적 노동은 줄어든다. 인지적 오프로드가 문제로 지적되는 이유는 여기 있다. 계산을 외주화하는 것은 사고 능력에 큰 영향을 미치지 않을 수 있다. 그러나 논증 구조 설계와 같은 고차원적 사고를 반복적으로 위임할 경우, 해당 영역의 훈련 기회는 감소한다. 이는 단기간에 드러나지 않는다. 성취도는 유지될 수 있고, 과제 수행 속도는 오히려 증가한다. 그러나 장기적으로는 스스로 문제를 정의하고 해결하는 능력의 기반이 약화될 가능성이 있다.
여기에서 중요한 것은 공포가 아니라 균형이다. 생성형 AI를 전면 배제하는 접근은 현실적이지 않다. 이미 학생들은 일상적으로 활용하고 있으며, 산업과 사회 역시 이를 전제로 움직이고 있다. 문제는 사용의 범위와 조건이다. 어느 단계까지를 보조로 허용할 것인가, 어떤 과정을 반드시 인간이 수행해야 하는가에 대한 합의가 필요하다. 사고의 근육은 사용하지 않으면 약화된다. 기술이 이를 대체할수록, 훈련의 설계는 더 정교해져야 한다.
생성형 AI 확산 이후 학부모와 교사 집단에서 공통적으로 제기되는 우려는 비판적 사고 약화다. 설문과 인터뷰에서 가장 많이 언급된 항목 역시 “아이들이 스스로 생각하지 않게 될 것”이라는 불안이었다. 이는 단순한 세대 간 기술 격차의 반응으로 치부하기 어렵다. 실제 실험 결과에서도 학생들은 AI가 제공한 응답을 재검증하지 않는 경향을 보였다. 간단한 이미지 생성이나 차트 작성과 같은 보조적 작업에서도 평가가 생략되는 사례가 확인됐다. 과거의 긍정적 사용 경험이 누적될수록, 응답에 대한 비판적 검토는 더 줄어드는 경향이 나타났다. 신뢰가 반복을 낳고, 반복이 검증의 필요성을 약화시키는 구조다. 여기에서 중요한 것은 기술의 정확도가 아니라 사용자의 태도다. 생성형 AI는 오류 가능성을 완전히 제거하지 못한다. 그럼에도 불구하고 결과물이 매끄럽고 확신에 차 보일수록 오류는 더 쉽게 간과된다. 이는 학습의 ‘검증 단계’를 약화시킬 위험을 내포한다. 오류를 발견하는 능력은 정답을 아는 능력과 다르다. 정답이 자동으로 제공되는 환경에서는, 오류를 찾는 훈련이 축소될 가능성이 있다. 장기적으로 이는 판단 능력의 약화로 이어질 수 있다.
AI 리터러시는 무엇을 포함해야 하는가
이 지점에서 ‘AI 리터러시’라는 개념이 등장한다. 단순히 도구를 사용할 줄 아는 능력을 의미하지 않는다. 생성형 모델의 한계와 작동 원리를 이해하고, 응답을 검증하며, 필요할 경우 수정하거나 거부할 수 있는 능력을 포함한다. 정보 검색 능력이 검색엔진 시대의 기본 역량이 되었듯, 생성형 AI 시대에는 응답을 비판적으로 읽는 능력이 핵심 역량이 될 가능성이 높다. 그러나 이 역량은 자연스럽게 형성되지 않는다. 설계된 교육 과정과 반복적 훈련이 필요하다. 사고의 외주화를 통제하기 위한 설계 원칙은 몇 가지로 정리될 수 있다. 첫째, 사고의 출발점은 인간에게 두어야 한다. 문제 정의와 가설 설정 단계는 가능한 한 학생이 직접 수행하도록 설계하는 것이 중요하다. 둘째, AI 활용 과정에 ‘검증 단계’를 의무적으로 포함해야 한다. 응답을 그대로 수용하기보다 근거를 확인하고 대안을 탐색하도록 요구하는 방식이다. 셋째, 평가 기준을 결과 중심에서 과정 중심으로 일부 이동시킬 필요가 있다. 초안 작성 과정과 수정 기록을 함께 평가하는 방식은 사고의 흐름을 가시화한다.
기술은 이미 교실 안에 들어와 있다. 이를 통제할 수 있는가의 문제는, 기술을 차단할 수 있는가의 문제가 아니다. 어떤 사고 과정을 인간에게 남겨둘 것인가, 어떤 영역에서 보조를 허용할 것인가에 대한 설계의 문제다. 생성형 AI는 사고를 확장하는 도구가 될 수도 있고, 사고를 대체하는 장치가 될 수도 있다. 그 경계는 사용자의 의지보다 교육 체계의 설계에 더 크게 좌우될 가능성이 높다.
이 변화는 특히 탐구·토론·프로젝트 기반 수업에서 구조적 영향을 미칠 가능성이 크다. 탐구 수업의 핵심은 질문을 정교하게 만드는 과정에 있다. 문제를 설정하고, 가설을 세우고, 자료를 수집하고, 반례를 검토하는 일련의 단계는 결과물 못지않게 중요하다. 그러나 생성형 AI가 질문의 틀과 논증 구조를 신속히 제시할 경우, 학생은 탐구의 경로를 단축할 수 있다. 표면적으로는 더 완성도 높은 발표와 보고서가 제출될 수 있지만, 탐구 과정에서의 사고 훈련은 축소될 위험이 존재한다.
토론 수업 역시 마찬가지다. AI는 찬반 논거를 균형 있게 제시하고, 반론을 정리하며, 결론까지 구조화할 수 있다. 이는 토론 준비의 효율을 높인다. 그러나 토론의 목적이 단순한 논거 제시가 아니라, 논리의 취약점을 발견하고 자신의 입장을 재구성하는 데 있다면, 준비 과정의 자동화는 훈련 강도를 낮출 수 있다. 프로젝트 기반 학습에서도 설계안 초안을 자동으로 생성할 수 있다면, 시행착오를 통한 문제 해결 능력은 축소될 가능성이 있다.
결국 사고의 외주화는 개별 과제의 문제가 아니라 학습 문화의 문제로 확장된다. 효율을 중시하는 문화에서는 자동화가 자연스럽게 확산된다. 그러나 학습의 본질이 사고 과정의 훈련에 있다면, 자동화의 범위는 신중하게 설계되어야 한다. 생성형 AI는 사고를 대신할 수 있다. 그러나 대신하는 순간, 훈련의 기회도 함께 이동한다. 2회차가 남기는 질문은 단순하다. 우리는 어디까지를 외주화할 것인가, 그리고 무엇을 반드시 인간의 몫으로 남겨둘 것인가.
#AI와교육 #학습의재설계 #인지적오프로드 #비판적사고 #AI리터러시 #탐구수업 #토론수업 #프로젝트학습 #교육설계 #사고훈련
답글 남기기