생성형 AI는 학습을 빠르게 단순화하고 있다. 복잡한 자료는 요약되고, 문제는 단계별로 정리되며, 학생들은 이전보다 훨씬 쉽게 ‘시작점’을 얻는다. 어디서부터 읽어야 할지, 무엇을 먼저 풀어야 할지 몰라 멈춰 서 있던 순간에 AI는 분명 유용한 도구로 작동한다. 실제로 교육 현장에서는 AI를 활용한 요약, 예제 제시, 단계화된 안내가 학습 진입 장벽을 낮추는 역할을 하고 있다는 평가도 적지 않다. 그러나 같은 도구가 전혀 다른 결과를 만들어내는 순간도 존재한다. 학습이 쉬워지는 대신, 사고의 흔적이 사라지는 장면이다. 학생은 문제를 풀기보다 답의 구조를 받아들이고, 글을 쓰기보다 완성된 논리를 제출한다. 수행은 남지만 이해는 확인하기 어려워지고, 학습 과정은 점점 보이지 않게 된다. 이 지점에서 질문은 단순해진다. AI는 과연 학습을 돕고 있는가, 아니면 사고를 대신하고 있는가.

이 문제는 AI 자체의 문제가 아니라, AI가 학습 과정의 어느 단계까지 들어오는가의 문제에 가깝다. Faculty Focus에 실린 「Managing the Load: AI and Cognitive Load in Education」는 이 지점을 교육 설계의 관점에서 짚는다. 이 글은 AI가 학습을 지원할 수 있는 방식으로 ‘완성된 풀이 예시(worked example)’와 ‘일부 단계만 제시된 풀이 예시(partial worked example)’를 제공하는 전략을 제시하는 한편, 기술의 새로움이 학습 목표를 가릴 경우 오히려 혼란을 키울 수 있다고 경고한다. AI가 사고의 출발점이 될 수는 있지만, 사고의 종착지가 되어서는 안 된다는 문제의식이다.

결국 핵심은 AI를 사용할 것인가의 문제가 아니라, 무엇을 남겨둘 것인가에 있다. 학습에서 반드시 학생이 직접 감당해야 할 사고의 무게는 어디까지인가. 이 경계를 설계하지 못할 때, AI는 학습을 돕는 도구가 아니라 사고를 대체하는 장치로 작동할 위험이 커진다. 이 글은 AI 활용을 둘러싼 찬반 논쟁을 넘어, 학습이 유지되는 지점과 사고가 사라지는 지점의 경계를 구체적으로 살펴보고자 한다.

AI는 어떻게 학습의 ‘시작’을 쉽게 만들었는가

AI가 교육 현장에서 빠르게 확산된 이유는 분명하다. 학습의 출발점에서 학생들이 가장 자주 마주하는 혼란을 효과적으로 줄여주기 때문이다. 무엇을 먼저 읽어야 하는지, 어떤 순서로 문제를 풀어야 하는지, 과제의 핵심이 무엇인지 알지 못해 멈춰 서는 상황에서 AI는 즉각적인 안내 역할을 한다. 복잡한 자료를 요약하고, 문제를 단계별로 나누며, 학습자가 접근 가능한 형태로 재구성하는 기능은 학습 진입 장벽을 눈에 띄게 낮춘다.

해당 글은 이러한 역할을 설명하면서, AI를 ‘완성된 풀이 예시(worked example)’와 ‘일부 단계만 제시된 풀이 예시(partial worked example)’를 제공하는 도구로 위치시킨다. 이는 학생이 처음부터 모든 사고 과정을 스스로 만들어내야 하는 부담을 지는 대신, 이미 구조화된 사고의 일부를 참고하며 문제 해결의 흐름을 파악하도록 돕는 방식이다. 특히 일부 단계만 남겨둔 풀이 예시는 학생이 전 과정을 위임하지 않으면서도, 문제 해결의 방향을 잃지 않도록 설계된 학습 전략으로 제시된다. 이러한 접근은 단순히 ‘답을 제공하는 것’과는 분명히 구분된다. 글에서 강조하듯, AI의 역할은 학생이 문제를 건너뛰도록 만드는 것이 아니라, 문제 안으로 진입할 수 있도록 돕는 데 있다. 복잡한 과제를 세분화하고, 핵심 단계가 무엇인지 드러내는 과정은 학습자가 사고를 시작할 수 있는 여지를 남긴다. 이때 AI는 사고를 대체하는 존재가 아니라, 사고가 작동할 수 있는 조건을 정리해 주는 도구로 기능한다.

또 하나 주목할 지점은 AI가 ‘단계적 학습 지원(scaffolding)’과 ‘학습 과정 점검 평가(formative assessment)’ 도구로 활용되는 방식이다. 원문에서는 AI가 수업 중 짧은 점검 질문이나 즉각적인 피드백을 생성함으로써, 학생과 교사 모두가 이해 수준을 빠르게 확인할 수 있다고 설명한다. 이는 평가를 위한 평가가 아니라, 학습 과정 중간에 방향을 조정하기 위한 장치로서의 활용이다. 학습자가 어디에서 막히고 있는지, 무엇을 아직 이해하지 못했는지를 조기에 드러내는 기능은 학습 효율을 높이는 요인으로 작용한다. 이 지점까지 놓고 보면, AI는 분명 학습을 ‘쉽게’ 만들었다. 적어도 학습을 시작하지 못하게 만들던 혼란과 부담은 상당 부분 줄어들었다. 문제는 바로 다음 단계에서 등장한다. 학습의 시작을 돕던 도구가, 언제부터 사고의 일부를 대신하기 시작하는가라는 질문이다. 그리고 그 순간은 생각보다 빠르게 찾아온다.

광고

문제가 시작되는 순간 – AI가 사고를 대신하기 시작할 때

AI가 학습을 돕는 도구로 작동하던 장면은, 언제부터 다른 얼굴을 드러내기 시작할까. Faculty Focus의 글은 그 전환점이 기술 자체가 아니라 학습 목표가 흐려지는 순간에 있다고 지적한다. 기술의 새로움이 수업의 중심으로 올라오는 순간, 학습을 지원하던 장치는 오히려 새로운 혼란을 만들어낼 수 있다는 경고다. AI가 눈에 띄기 시작할수록, 정작 학생이 무엇을 이해해야 하는지는 점점 배경으로 밀려난다. 이 변화는 수업 현장에서 비교적 익숙한 장면으로 나타난다. 학생은 과제를 시작하지 못해 멈춰 서는 대신, AI가 제시한 구조를 그대로 따라간다. 문제 해결 과정은 빠르게 완성되지만, 그 안에서 어떤 선택이 이루어졌는지, 왜 그런 결론에 도달했는지는 분명하지 않다. 글쓰기 과제에서도 비슷한 일이 반복된다. 학생은 문장을 고민하는 대신, 완성된 논리를 받아들인다. 제출물은 정교해졌지만, 사고의 과정은 확인하기 어려워진다.

여기서 중요한 것은 결과의 완성도가 아니다. 문제는 사고가 이루어져야 할 지점이 이미 지나가 버렸다는 점이다. 앞선 단락에서 살펴본 완성된 풀이 예시나 일부 단계만 제시된 풀이 예시는, 학생이 사고를 시작할 수 있도록 여지를 남기는 방식이었다. 그러나 AI가 그 다음 단계까지 채워 넣기 시작하면 상황은 달라진다. 학생은 더 이상 ‘생각해야 할 빈칸’을 마주하지 않게 되고, 학습은 수행으로만 남는다. 이러한 위험을 인지부하라는 개념을 통해 설명하지만, 핵심은 복잡하지 않다. 학습자가 감당해야 할 사고의 부담이 줄어드는 순간과, 사고 자체가 사라지는 순간은 다르다는 점이다. 전자는 학습을 가능하게 만들지만, 후자는 학습의 의미를 약화시킨다. AI가 사고를 돕는 도구로 머무르기 위해서는, 반드시 학생이 직접 통과해야 할 사고의 구간이 남아 있어야 한다.

이 경계는 매우 미세하다. 같은 AI 도구라도 어떻게 설계되고, 어디에 배치되는지에 따라 결과는 전혀 달라진다. 학습의 출발점에서 방향을 제시하던 AI가, 어느 순간부터 결론을 대신 내리기 시작할 때, 학습은 빠르게 효율화되지만 동시에 얇아진다. 이때 학생은 더 적은 혼란을 경험하지만, 그만큼 덜 생각하게 된다. 결국 문제는 AI의 사용 여부가 아니라 AI가 학습 과정에서 차지하는 위치다. 사고 이전에 머무르는가, 사고를 통과해 버리는가. 이 차이가 학습을 돕는 순간과 사고를 대신하는 순간을 가르는 기준이 된다.

‘도움’과 ‘대체’를 가르는 기준은 무엇인가

AI 활용을 둘러싼 논쟁이 자주 막히는 이유는 질문이 너무 거칠기 때문이다. “AI를 써도 되는가”라는 질문은 결국 찬반으로 갈릴 수밖에 없다. 그러나 핵심은 학습을 어렵게 만드는 요소를 무작정 제거할 것인가가 아니라, 학습에서 반드시 유지되어야 할 사고의 핵심을 어디에 둘 것인가에 있다. 이를 ‘인지부하를 줄이는 것’이 아니라 ‘최적화하는 것’의 문제로 설명한다. 학습자가 정보를 처리하지 못할 정도로 혼란에 빠지는 상태는 분명 피해야 하지만, 그렇다고 모든 어려움을 제거하는 것이 학습을 돕는 것은 아니라는 점이다. 학습에는 반드시 통과해야 할 사고의 구간이 존재하며, 이 구간까지 대신해 주는 순간 학습은 더 이상 학습이 되지 않는다.

이 기준을 AI 활용에 적용하면 경계선은 보다 또렷해진다. AI가 학습을 돕는 순간은 학생이 여전히 선택하고 판단해야 할 여지가 남아 있을 때다. 문제 해결의 흐름을 보여주되, 결론에 이르는 핵심 판단은 학생에게 맡기는 경우가 여기에 해당한다. 반대로 AI가 사고를 대신하는 순간은, 학생이 더 이상 무엇을 결정하지 않아도 될 때다. 과정은 매끄럽지만, 그 과정에서 왜 그런 선택이 이루어졌는지는 남지 않는다. 중요한 것은 이 차이가 도구의 종류에서 비롯되지 않는다는 점이다. 동일한 요약 기능, 동일한 문제 생성 기능이라 하더라도 수업 안에서 어디에 배치되느냐에 따라 결과는 완전히 달라진다. 학습 이전에 사용될 때는 방향을 잡아주는 역할을 하지만, 학습의 핵심 구간을 통과하는 데 사용될 경우에는 사고를 건너뛰게 만드는 지름길이 된다.

교육 설계의 목적은 학습자의 부담을 무차별적으로 줄이는 데 있지 않다. 오히려 어떤 부담은 반드시 남겨두어야 하며, 그 부담이 바로 학습의 본질을 구성한다는 것이다. AI가 교육에 기여할 수 있는 지점은 이 본질을 대체하는 것이 아니라, 본질에 도달하기 전의 혼란을 정리해 주는 데까지다. 결국 ‘도움’과 ‘대체’를 가르는 기준은 단순하다. AI가 개입한 이후에도 학생이 여전히 생각하고 있는가, 아니면 생각할 필요가 없어졌는가라는 질문이다. 이 질문에 답하지 않은 채 AI 활용을 확대할 경우, 학습은 더 효율적으로 보일 수는 있어도, 그 깊이는 점점 얕아질 수밖에 없다.

AI는 사고의 어느 단계까지 들어올 수 있는가

AI 활용의 문제를 보다 구체적으로 보기 위해서는, 학습을 하나의 연속된 과정으로 나눠 볼 필요가 있다. 학습에는 언제나 시작 단계가 있고, 사고가 본격적으로 작동하는 핵심 구간이 있으며, 이해를 점검하고 정리하는 마무리 단계가 존재한다. AI가 모든 단계에 동일한 방식으로 개입할 수는 없다. 오히려 어느 단계까지 허용되는지를 구분하지 않을 때, 학습은 가장 빠르게 무너진다. AI 활용의 긍정적 사례들은 대부분 학습의 초기 구간에 집중되어 있다. 문제의 구조를 보여주거나, 풀이의 흐름을 제시하거나, 접근 순서를 안내하는 역할이다. 완성된 풀이 예시(worked example)나 일부 단계만 제시된 풀이 예시(partial worked example)는 학생이 문제를 시작할 수 있도록 돕되, 결론에 이르는 핵심 판단은 남겨두는 방식으로 작동한다. 이 단계에서 AI는 학습을 가로막던 혼란을 정리해 주는 도구에 가깝다.

그러나 AI가 학습의 중간 구간, 즉 사고가 실제로 이루어져야 하는 지점까지 깊이 들어오기 시작하면 상황은 달라진다. 학생이 스스로 선택하고 비교하며 판단해야 할 순간에 AI가 대신 결정해 주기 시작하면, 사고의 과정은 빠르게 축약된다. 문제 해결은 더 빨라지지만, 왜 그런 선택이 필요했는지에 대한 이해는 남지 않는다. 이때 학습은 계단을 오르는 과정이 아니라, 한 번에 목적지로 이동하는 방식으로 바뀐다. 이 차이를 설명하는 데 흔히 사용되는 비유가 있다. AI는 학습을 돕는 계단이 될 수는 있지만, 사고를 건너뛰게 만드는 엘리베이터가 되어서는 안 된다는 것이다. 계단은 힘들지만 반드시 한 단계씩 올라가야 하고, 그 과정에서 균형을 잡고 방향을 익히게 된다. 반면 엘리베이터는 목적지에는 도달하게 하지만, 그 사이의 과정을 경험하지 않는다. 학습에서 중요한 것은 도착 그 자체가 아니라, 그 사이에서 이루어지는 사고다.

AI는 사고의 시작을 열어주는 역할까지는 충분히 수행할 수 있지만, 사고의 핵심을 대신해서는 안 된다. 교육 설계에서 중요한 것은 AI가 무엇을 할 수 있는지가 아니라, AI가 하지 않아야 할 일이 무엇인가를 명확히 구분하는 일이다. 이 경계가 흐려질수록 학습은 편리해지지만, 동시에 얇아진다. 결국 AI가 들어올 수 있는 범위는 기술의 성능이 아니라 교육의 판단에 의해 정해진다. 학습의 출발점과 정리 단계에서 AI를 활용하는 것은 사고를 돕는 선택일 수 있다. 그러나 사고가 실제로 이루어져야 할 구간까지 AI를 허용하는 순간, 학습은 더 이상 사고를 요구하지 않게 된다. 이 차이를 인식하는 것이 AI 활용의 핵심 기준이다.

무엇을 허용하고, 무엇을 남길 것인가

AI 활용의 경계는 선언으로 정해지지 않는다. 결국 수업과 과제, 평가 설계의 세부 선택 속에서 만들어진다. Faculty Focus의 글이 제시하는 접근 역시 특정 도구의 사용 여부를 규정하기보다, 교사가 스스로 판단할 수 있는 기준을 분명히 하는 데 초점을 둔다. 이 기준은 복잡하지 않지만, 분명해야 한다.

우선은 AI가 개입한 이후에도 학생이 여전히 결정해야 할 선택지가 남아 있는가를 묻는 것이다. 요약이나 예시 제공은 학습의 출발을 돕지만, 문제의 핵심 판단까지 대신 내려주는 순간 학습은 수행으로만 남는다. 학생이 무엇을 선택했고, 왜 그 선택을 했는지를 설명할 수 없다면, 그 과제는 이미 사고의 핵심 구간을 통과해 버린 상태다. 다음으로는 AI 활용이 학습의 이해 과정을 드러내는 데 기여하는가, 아니면 결과만 매끄럽게 만드는가를 살펴야 한다. 학습 과정 점검 평가(formative assessment)나 중간 피드백 도구로서의 AI는 학생의 이해 수준을 조기에 드러내는 역할을 할 수 있다. 그러나 동일한 기능이 최종 산출물의 완성도를 높이는 데만 사용될 경우, 교사는 학생이 무엇을 이해했는지 확인하기 어려워진다. 그리고, AI가 과제의 앞단에 위치하는지, 뒷단에 위치하는지를 구분할 필요가 있다. 과제를 시작하기 전 방향을 잡는 데 사용되는 AI와, 과제를 마무리하는 데 사용되는 AI는 교육적 의미가 다르다. 전자는 사고를 준비하게 만들 수 있지만, 후자는 사고를 정리하기보다 대체하는 역할을 할 가능성이 높다. 이 기준들은 AI를 제한하기 위한 장치라기보다, 학습을 보호하기 위한 최소한의 설계 원칙에 가깝다. AI가 허용되는 범위를 명확히 하지 않을 때, 학생은 더 편해질 수는 있어도 더 깊이 생각할 기회를 잃게 된다.

AI는 이미 교육 현장에 깊숙이 들어와 있다. 학습을 시작하기 쉽게 만들고, 혼란을 줄이며, 접근성을 높이는 데서 그 가치는 분명하다. 문제는 이 단순화가 어디까지 허용되어야 하는가라는 질문이다. 학습을 돕는 단순화와 사고를 제거하는 단순화는 닮아 보이지만, 그 결과는 전혀 다르다. Faculty Focus의 「Managing the Load: AI and Cognitive Load in Education」이 던지는 메시지는 명확하다. 교육의 목적은 학습자의 부담을 무작정 줄이는 데 있지 않다. 오히려 학습자가 반드시 통과해야 할 사고의 핵심을 분명히 남겨두는 데 있다. AI는 그 핵심에 이르기 전의 혼란을 정리해 줄 수는 있지만, 그 자리를 대신할 수는 없다.

AI 활용의 기준은 기술의 발전 속도가 아니라, 교육이 무엇을 지켜야 하는가에 대한 판단에서 나와야 한다. 학생이 여전히 고민하고, 선택하고, 설명해야 하는 지점이 남아 있는가라는 질문은 앞으로 더 중요해질 것이다. 편해진 공부가 아니라, 남아 있는 사고가 교육의 기준이 되는 순간, AI는 비로소 학습을 돕는 도구로 자리 잡을 수 있다.

#AI교육, #생성형AI, #대학수업, #학습설계, #사고력교육, #교수학습, #교육기술, #과제설계, #평가방식, #고등교육