효율의 유혹, 이미 시작된 자동화

대학은 더 이상 AI 도입을 논의하는 단계에 머물러 있지 않다. 이미 많은 대학이 입학 사정, 수강 신청, 학사 경고, 재정 관리, 상담 예약과 같은 행정 영역에서 알고리즘 기반 시스템을 운영하고 있다. 보고서에 따르면 고등교육 행정 책임자의 80%가 효율성 향상을 이유로 AI 도입을 고려하거나 확대하고 있으며, AI 활용 비율은 최근 1년 사이 두 배 이상 증가했다. 자동화는 비용을 줄이고, 속도를 높이며, 데이터 기반 의사결정을 강화한다는 명분을 갖는다. 효율은 분명 설득력 있는 언어다. 문제는 자동화가 점점 전면으로 이동하고 있다는 점이다. 초기에는 보이지 않는 백엔드 시스템에 머물렀던 AI가 이제는 강의실 안으로 들어오고 있다. 글쓰기 보조 도구, 실시간 피드백 시스템, 생성형 AI 튜터는 학생의 과제 작성과 문제 해결 과정에 직접 개입한다. MIT와 Harvard를 비롯한 주요 대학들은 특정 과목에서 AI 튜터를 시범 운영하고 있으며, Georgia State University의 챗봇은 학생 문의의 대부분을 자동으로 응답한다. 자동화는 더 이상 인프라가 아니라 교육 경험의 일부가 되고 있다.

기술은 점점 더 자율성을 갖는다. 일정 관리나 데이터 정리에 머물던 시스템은 이제 학습 조언을 제공하고, 과제를 설계하며, 연구 초안을 제안한다. 연구 영역에서는 Lawrence Berkeley National Lab의 자동화 실험실처럼 로봇이 실험을 설계하고 수행하는 사례도 등장했다. 아직 완전한 자율 시스템이라 보기는 어렵지만, 방향성은 분명하다. 자동화의 범위는 행정에서 학습으로, 학습에서 연구로 확장되고 있다.

학습은 원래 느린 구조였다

그러나 대학의 본질은 속도에 있지 않았다. 배움은 원래 느린 구조였다. 초안을 쓰고, 틀리고, 수정하고, 다시 생각하는 반복 속에서 사고는 깊어진다. 교육 심리학에서 ‘테스트 효과’라 불리는 연구들은 반복적이고 노력적인 회상이 장기 기억을 강화한다는 사실을 보여준다. 글쓰기 연구 역시 스스로 오류를 수정하고 구조를 재구성하는 과정이 성장을 이끈다고 설명한다. 배움의 핵심은 결과가 아니라 과정에 있다. 대학은 단순히 지식을 전달하는 기관이 아니었다. 조교와 대학원생은 채점과 토론 지도를 통해 교육의 기술을 익혔고, 교수는 학생의 초안을 직접 읽으며 사고의 결을 파악했다. 연구실에서의 협업은 단순 노동 분담이 아니라 암묵지의 전수 과정이었다. 이러한 느린 상호작용 속에서 학문 공동체는 두께를 유지해왔다. 배움은 고된 반복과 대면적 관계 위에서 형성되는 생태계였다.

AI는 바로 이 ‘고된 과정’을 가장 먼저 대체한다. 초안 작성, 요약, 문제 풀이, 피드백 생성은 알고리즘이 가장 효율적으로 처리할 수 있는 영역이다. 학생은 더 빠르게 결과물을 얻고, 교수는 더 적은 시간으로 더 많은 과제를 관리할 수 있다. 그러나 그 효율성은 과정의 압축을 의미한다. 결과는 남지만, 숙련은 축적되지 않을 가능성이 있다. 배움이 얇아진다는 우려는 바로 여기에서 시작된다.

고된 과정의 대체, 무엇이 사라지는가

생성형 AI의 가장 큰 장점은 ‘과정의 단축’에 있다. 긴 텍스트를 요약하고, 문제 풀이의 방향을 제시하며, 보고서의 구조를 잡아주는 일은 이제 몇 초면 가능하다. 학생은 막막함을 줄일 수 있고, 교수는 반복적인 피드백 업무에서 해방될 수 있다. 표면적으로 보면 이는 학습 지원의 확대처럼 보인다. 그러나 이 과정에서 학습의 성격 자체가 바뀌고 있다는 점은 쉽게 간과된다. 인지과학에서는 이를 ‘인지적 오프로딩(cognitive offloading)’이라고 부른다. 인간은 외부 도구를 활용해 기억과 계산을 대신해왔다. 계산기와 검색 엔진은 사고를 보조해왔다. 그러나 AI는 단순 계산이나 정보 검색을 넘어, 사고의 중간 단계를 대신 수행한다. 논증의 구조를 설계하고, 표현을 다듬으며, 결론을 정리하는 기능은 사고의 핵심 영역에 가깝다. 최근 연구들은 과도한 AI 의존이 비판적 사고 참여를 약화시킬 수 있음을 지적한다. 문제는 학생이 덜 노력한다는 도덕적 비난이 아니라, 사고의 근육이 사용되지 않는다는 구조적 변화다.

교수에게도 변화는 동일하게 작동한다. 과제 설계와 채점, 개별 피드백은 시간이 많이 들지만 교육의 질을 결정하는 요소였다. AI가 자동으로 피드백을 제공하고 루브릭에 따라 평가를 수행하는 상황에서 교수는 감독자나 검수자의 역할로 이동한다. 표준화된 피드백은 공정성과 속도를 높일 수 있지만, 학생 개별 맥락을 읽어내는 해석의 여지는 줄어든다. 교육은 점점 더 ‘관리 가능한 업무’로 재편된다.

광고

이 변화는 단지 역할의 이동에 그치지 않는다. 대학원생과 조교에게는 교육 훈련의 기회가 축소된다. 채점과 토론 지도, 학생 상담은 번거로운 업무이지만 동시에 교수로 성장하는 과정이었다. 자동화가 반복 업무를 제거할수록 훈련의 통로 역시 좁아진다. 생태계는 효율적으로 재편되지만, 장기적으로는 전문가를 길러내는 토양이 얇아질 수 있다.

자동화의 확산은 오랫동안 진행되어온 교육의 표준화 흐름과 맞물린다. 학습 성과 지표, 역량 기반 교육, 인증 평가 체계는 교수의 업무를 세분화하고 측정 가능한 단위로 나누어왔다. 이러한 구조는 AI 시스템이 개입하기에 적합한 환경을 제공한다. 과제가 표준화되고 평가 기준이 명확할수록 자동 채점과 튜터 시스템은 더 쉽게 작동한다. 문제는 표준화가 곧 교육의 본질을 대체할 수 없다는 점이다. 교수의 전문성은 단순 지식 전달이 아니라, 학생의 이해 수준을 읽고 질문을 조정하며 사고를 확장시키는 판단 능력에 있다. 그러나 업무가 분절되고 자동화될수록 전문성은 관리 가능한 기능으로 환원된다. 탈전문화(de-skilling)는 갑작스러운 붕괴가 아니라 점진적 이동의 결과다. 교수는 콘텐츠 관리자이자 시스템 운영자로 변모할 위험에 놓인다. 학생 입장에서도 변화는 복합적이다. 자동화된 피드백은 빠르고 일관되지만, 관계적 학습의 경험은 줄어들 수 있다. 멘토와의 토론, 연구실에서의 실험적 시행착오는 단순 정보 획득과 다르다. 배움은 관계 속에서 형성되는 측면이 크다. 효율을 극대화한 시스템은 개인화된 결과를 제공할 수 있지만, 공동체적 형성의 경험을 대체하지는 못한다.

자동화가 곧 교육의 붕괴를 의미하는 것은 아니다. 다만 효율 중심의 설계가 반복될수록, 대학은 점차 두께를 잃을 수 있다. 속도는 빨라지지만, 깊이는 유지될 수 있을까. 질문은 기술의 성능이 아니라 대학이 어떤 가치를 우선하는가에 달려 있다.

효율의 비용 – 기회 구조는 어떻게 재편되는가

자동화가 가져오는 가장 큰 변화는 눈에 보이는 업무 감소가 아니라, 보이지 않는 기회 구조의 재편이다. 대학은 단순한 지식 전달 기관이 아니라 역할과 단계가 층위적으로 연결된 생태계였다. 학부생은 조교를 통해 배우고, 조교는 교수의 지도 아래 훈련을 받으며, 교수는 연구실과 강의실에서 경험을 축적한다. 이러한 위계적 구조는 단순 노동 분업이 아니라, 학문 공동체가 재생산되는 통로였다. AI가 반복적 업무를 대체할수록 가장 먼저 줄어드는 것은 훈련의 자리다. 자동 채점 시스템이 도입되면 조교의 채점 경험은 축소되고, AI 튜터가 기본적인 질의응답을 담당하면 초급 연구자의 교육적 역할은 줄어든다. 단기적으로는 효율이 향상된다. 그러나 장기적으로는 교육과 연구의 연습장이 사라질 수 있다. 대학은 단지 지식을 소비하는 공간이 아니라 지식을 생산할 사람을 길러내는 구조였다. 그 구조의 일부가 자동화될 때, 누가 다음 세대의 학자를 준비하는가라는 질문이 남는다.

연구 영역에서도 유사한 변화가 나타난다. 자동화 실험실과 AI 기반 문헌 분석 도구는 실험 설계와 자료 처리의 시간을 획기적으로 단축한다. 이는 연구 생산성을 높이고 비용을 줄이는 효과를 낳는다. 그러나 대학원생과 초기 연구자에게는 실험의 실패와 반복, 자료 정리의 시행착오가 학습 과정이었다. 기계가 과정을 최적화할수록, 인간은 결과를 감독하는 위치로 이동한다. 그 이동은 능률적이지만, 숙련의 축적을 압축한다.

이러한 변화는 대학의 내부 생태계를 넘어, 학문 공동체의 장기적 역량에도 영향을 미친다. 학문은 네트워크 위에서 성장한다. 연구실에서의 긴 토론, 공동 프로젝트에서의 갈등 조정, 세미나에서의 비판적 질문은 단순 지식 축적 이상의 의미를 갖는다. 자동화가 이 과정을 직접 대체하지는 않더라도, 반복적 상호작용의 빈도를 줄일 수 있다. 대학은 더 많은 결과를 생산할 수 있지만, 관계적 밀도는 낮아질 수 있다.

자동화는 교육을 출력 중심으로 재편할 가능성을 높인다. 이미 많은 대학이 성취도 지표와 평가 결과를 중심으로 운영된다. 학습의 과정은 측정하기 어렵고, 결과는 비교하기 쉽다. AI 시스템은 바로 이 ‘측정 가능한 영역’에서 강점을 발휘한다. 점수화 가능한 문제, 구조화된 보고서, 표준화된 평가 기준은 알고리즘과 잘 맞는다. 문제는 교육이 점차 측정 가능한 부분에 맞춰 설계될 위험이다. 자동화가 가능한 영역이 확대될수록, 대학은 평가 가능한 성과를 우선시하게 된다. 학생은 더 빠르게 과제를 완성하고, 교수는 더 많은 수업을 관리하며, 행정은 더 많은 데이터를 확보한다. 그러나 이러한 구조는 ‘배우는 법을 배우는’ 경험을 후순위로 밀어낼 수 있다. 학습은 점수와 성과로 환원되기 어렵다.

특히 재정이 열악한 대학일수록 자동화 의존도는 높아질 가능성이 있다. 비용을 줄이고 대규모 학생을 지원하기 위해 AI 시스템을 적극 도입할 수밖에 없다. 반면 자원이 풍부한 대학은 여전히 멘토링과 소규모 세미나, 연구 공동체를 프리미엄 가치로 유지할 수 있다. 자동화는 접근성을 넓힐 수 있지만, 동시에 교육 경험의 질적 격차를 심화시킬 위험도 내포한다.

여기서 핵심은 기술의 선악이 아니다. 자동화는 분명 장점을 갖는다. 행정 부담을 줄이고, 학습 지원을 확장하며, 연구의 속도를 높인다. 그러나 대학이 오랫동안 유지해온 두께, 즉 관계적 밀도와 반복적 훈련의 구조를 어떻게 보존할 것인가가 더 중요한 질문이 된다. 얇아지는 대학은 빠르고 효율적일 수 있다. 그러나 그 얇음이 축적될 때, 대학의 정체성은 달라질 수 있다.

AI 도입을 중단하자는 주장은 현실적이지 않다. 이미 많은 영역에서 자동화는 되돌리기 어려운 흐름이 되었다. 중요한 것은 도입 여부가 아니라 설계 방식이다. AI가 학습을 대체하는 도구가 될 것인지, 학습을 보완하는 장치가 될 것인지는 정책과 운영의 선택에 달려 있다. 대학은 스스로에게 질문해야 한다. 무엇을 자동화하고, 무엇을 남길 것인가. 반복적 행정 업무를 줄이는 것은 합리적일 수 있다. 그러나 숙련을 형성하는 과정까지 기계에 넘길 것인지는 별개의 문제다. 배움의 고된 부분을 완전히 제거하면, 교육은 편리해질 수 있지만 깊어지지는 않는다.

AI는 대학을 빠르게 만들 수 있다. 그러나 대학이 단지 빠른 조직이 될 때, 그곳은 더 이상 배움의 공간이 아닐 수 있다. 자동화의 역설은 여기에서 드러난다. 효율은 높아질 수 있다. 그러나 배움의 두께는 스스로 지키지 않으면 얇아진다. 대학이 어떤 선택을 할 것인가는 기술이 아니라, 대학이 무엇을 목적으로 삼는가에 달려 있다.

#AI자동화 #고등교육 #대학의미래 #학습생태계 #인지적오프로딩 #탈전문화 #AI튜터 #교육격차 #대학구조변화 #생성형AI #교육정책 #대학의역설