배움은 AI가 대신해줄 수 있을까?
AI는 설명하고 답하고 정리해준다. 하지만 배움은 답을 받는 일이 아니라, 질문을 이어가고 검증하며 다시 생각할 수 있는 구조를 만드는 일이다.
AI에게 물어보면 답이 온다. 개념을 물으면 설명해주고, 어려운 문서를 주면 정리해주고, 막히는 코드를 보내면 풀어준다. 이전에는 며칠이 걸리던 내용이 몇 초 안에 돌아온다. 필요한 정보를 얻는 데 드는 시간과 노력이 줄어든 것은 분명한 사실이다.
겉으로 보면 배움은 훨씬 쉬워진 것처럼 보인다. 모르는 것이 생기면 AI에게 물으면 된다. 이해가 안 되면 다시 물으면 된다. 예전처럼 두꺼운 책을 뒤지거나, 검색어를 조합하거나, 눈치를 보며 누군가에게 물어볼 필요가 줄었다.
하지만 질문은 여기서 시작된다.
답을 더 쉽게 받을 수 있게 된 시대에, 우리는 정말 더 잘 배우고 있을까?
그런데 배움이 단순히 답을 받는 일이 아닐 수 있다. 답을 받고, 그 답을 의심하고, 질문을 좁히고, 근거를 확인하고, 내 말로 다시 세우고, 다시 꺼낼 수 있는 구조로 남기고, 결국 자기 판단으로 바꾸는 과정 전체가 배움일 수 있다. 그렇다면 AI가 답을 빠르게 주는 것은 배움의 시작일 수는 있어도, 배움 자체가 될 수는 없다.
AI는 배움의 장벽을 낮췄다. 그것은 분명하고 실질적인 변화다. 하지만 장벽이 낮아진 것과 배움이 완성된 것은 다른 말이다.
이 글은 AI를 멀리하자는 주장이 아니다. AI가 배움에서 어떤 역할을 할 수 있고, 어떤 부분은 여전히 사람에게 남는지를 짚어보는 글이다. AI가 만든 답을 사람이 다시 생각할 수 있는 구조로 바꾸는 일, 그것이 AI 시대의 배움이 가야 할 방향에 가깝다. 그 방향을 이해하는 것이 AI를 더 잘 사용하는 방법이기도 하다.
Part 1. AI는 배움의 무엇을 바꾸었는가
질문의 비용이 낮아졌다
AI 이전의 배움에서 질문은 비용이 컸다.
선생님이나 동료에게 물어야 했고, 그러려면 타이밍이 맞아야 했다. "이런 것도 모르나"는 시선을 걱정해야 했다. 검색으로 풀려면 적절한 검색어를 먼저 알아야 했고, 검색어를 모르면 검색 자체가 막혔다. 책을 찾아보려면 어느 챕터인지 짐작이라도 해야 했다. 질문 하나를 하기 위해 여러 조건이 맞아야 했다.
AI가 이 모든 비용을 낮췄다.
지금은 모르는 개념이 생기면 바로 물을 수 있다. 이해가 안 되면 다시 물을 수 있다. 다른 비유로 설명해달라고 할 수 있다. 더 쉬운 예시, 더 복잡한 예시, 특정 도메인의 코드 예시, 단계별 설명 — 이 모든 것을 요청할 수 있다. 심지어 잘못된 개념으로 질문해도 AI는 맥락을 파악하고 정정해주기도 한다.
질문의 심리적 비용도 낮아졌다. AI는 판단하지 않는다. 부끄러운 질문이 없다. 새벽 두 시에 물어봐도 바로 답이 온다. 이것은 배움의 진입 장벽을 낮추는 데 실질적인 의미가 있다. 이전에는 "이 정도는 알아야 물어볼 수 있다"는 최소 임계값이 있었다. AI는 그 임계값을 없앴다.
그러나 질문의 비용이 낮아진 것과 질문의 질이 높아진 것은 다른 말이다.
질문을 많이 할 수 있게 됐다는 것과, 정확한 질문을 하고 있다는 것은 구분해야 한다. 쉽게 물을 수 있다는 것이 곧 내가 무엇을 모르는지 정확히 알고 묻고 있다는 뜻이 아니다. 장벽이 낮아지면 더 많은 것이 들어오지만, 들어오는 것의 질이 함께 높아지는 것은 아니다.
예전에는 질문을 하기 위해 적어도 어느 정도는 알아야 했다. 질문을 구성하는 과정 자체가 이미 어느 정도의 이해를 전제로 했다. 그러나 AI 시대에는 완전히 모르는 상태에서도 질문을 던질 수 있다. 그 자체는 나쁜 일이 아니다. 하지만 내가 무엇을 모르는지조차 모르는 상태에서의 질문은 방향 없는 탐색이 될 수 있다. 방향 없는 탐색이 쌓인다고 이해가 깊어지지는 않는다. 질문의 비용이 낮아진 것을 활용하려면, 질문 자체를 어떻게 다듬어야 하는지에 대한 의식이 함께 있어야 한다.
설명의 접근성이 높아졌다
AI는 설명을 잘한다.
어려운 개념도 부드럽게 풀어준다. 추상적인 내용도 비유를 들어 구체적으로 만들어준다. 전문 용어가 섞인 문장을 쉬운 말로 바꿔주고, 복잡한 프로세스를 단계별로 나눠준다. 분야를 가리지 않고 일관되게 설명을 잘 구성한다.
이 능력 덕분에 이전에는 접근이 어려웠던 내용도 빠르게 윤곽을 잡을 수 있게 됐다. 논문의 초록을 읽다가 막히는 부분에서 AI에게 "이 문단을 쉽게 풀어줘"라고 하면 읽을 수 있는 형태로 돌아온다. 프로그래밍 언어를 처음 배울 때 낯선 개념이 나오면 AI가 익숙한 개념과 연결해 설명해준다. 이전에는 전문가를 직접 만나거나 잘 쓰인 책을 찾아야 얻을 수 있었던 설명의 질이, 이제는 질문 하나로 바로 온다.
접근성이 높아진 것은 긍정적이다.
하지만 쉬운 설명이 많아질수록 조심해야 할 것이 하나 생긴다. 설명이 쉬울수록 "이해한 것 같은 감각"도 빨리 생긴다는 점이다.
어려운 책을 읽을 때는 이해가 안 되면 표가 난다. 읽었는데 모르겠다는 것을 안다. 그런데 AI의 유창한 설명을 들으면 고개를 끄덕이는 것이 너무 자연스럽게 이루어진다. 설명이 잘 구성돼 있기 때문에 "따라갔다"는 감각이 "이해했다"는 감각으로 빠르게 이어진다. 설명의 흐름을 따라가는 것과 개념을 내면화하는 것은 다른 일이지만, AI의 유창한 설명 앞에서 그 차이가 보이지 않는다.
그 감각이 진짜 이해인지 확인하지 않으면, 쉬운 설명은 오히려 착각의 속도를 높인다.
AI의 설명이 쉬울수록 "이해하지 못했다"는 신호가 약해진다. 어려운 텍스트를 읽을 때는 모른다는 것이 표가 났고, 그것이 다시 찾아보는 동기가 됐다. AI의 유창한 설명 앞에서는 그 신호 자체가 생기지 않는다. 배움의 접근성이 높아진 만큼, 이해를 검증하려는 의도적인 노력도 함께 높아져야 하는 이유가 여기에 있다.
반복 학습의 문턱이 낮아졌다
AI는 지치지 않는다.
같은 질문을 열 번 해도 답해준다. 이번에는 다른 비유로 설명해달라고 하면 다른 비유가 나온다. 어제 이해했다고 생각했는데 오늘 다시 헷갈린다면 다시 물을 수 있다. 짜증 내지 않는다. 지루한 기색이 없다. 시간이 얼마나 걸렸든 같은 태도로 답한다.
이것은 반복 학습에 실질적인 도움이 된다.
예전에는 "이걸 또 물어봐야 하나"는 부담이 있었다. 같은 개념을 계속 모른다는 것이 스스로에게도 불편했고, 주변 사람에게 폐를 끼치는 것 같았다. AI는 그 불편함을 없애줬다. 부끄러움 없이 반복 질문할 수 있다. 여러 방식으로 다시 설명받을 수 있다.
반복은 배움의 기본이다. 한 번 들어서 완전히 아는 것은 많지 않다. 같은 개념을 다른 맥락에서 다시 만나고, 다른 방식으로 다시 확인하고, 직접 써보면서 몸에 익히는 과정이 필요하다. AI는 그 반복의 마찰을 줄여줬다.
그러나 반복에도 조심해야 할 지점이 있다.
같은 질문을 반복하는 것이 항상 학습 심화를 의미하지는 않는다. "오버라이딩이 뭐야?"라는 질문을 일주일 동안 매일 해도 매번 비슷한 답을 받으면, 그것은 이해가 깊어지는 것이 아니라 같은 입구를 계속 들여다보는 것이다. 반복은 방향이 있을 때 의미가 있다. 매번 같은 자리로 돌아오는 반복은 친숙한 감각을 만들지 모르지만 이해를 깊게 만들지는 않는다.
질문이 많아진 것과 이해가 깊어진 것은 같은 말이 아니다. 반복 학습의 문턱이 낮아진 것은 기회지만, 그 기회를 어떻게 사용하느냐는 여전히 사람의 몫이다.
반복이 의미 있으려면 방향이 있어야 한다. "같은 개념을 다시 물어보는" 것과 "이전에 이해하지 못했던 부분을 더 구체적인 각도에서 다시 물어보는" 것은 형태는 비슷하지만 방향이 다르다. 전자는 답을 다시 받는 것이고, 후자는 이전 이해의 구멍을 메우는 것이다. AI가 반복에 대한 문턱을 낮춰준 것은 분명하지만, 그 반복이 어느 방향으로 이루어져야 하는지는 AI가 정해주지 않는다. 그 방향을 정하는 것은 배우는 사람의 역할이다.
배움의 속도와 착각의 속도가 함께 빨라졌다
AI는 배움의 속도를 높인다.
모르는 개념이 생기면 몇 초 안에 개요를 잡을 수 있다. 연결되는 개념이 떠오르면 바로 물어볼 수 있다. 책이나 강의에서 며칠에 걸쳐 배울 내용의 윤곽을 한 번의 대화에서 그릴 수 있다. 이 속도는 이전 세대의 학습자가 가지지 못했던 것이다.
그런데 배움의 속도가 빨라지면 함께 빨라지는 것이 있다. 착각의 속도다.
AI의 유창한 설명을 들으면 "이제 알았다"는 감각이 빠르게 온다. 불분명하던 개념이 말끔하게 정리된 문장으로 돌아오면 뭔가를 얻은 느낌이 든다. 길고 복잡한 내용이 짧게 요약되면 핵심을 파악한 것처럼 보인다. 이 감각들은 전부 실제 배움과 비슷한 느낌을 준다.
하지만 그 문장이 정확한지, 내가 정말 이해했는지, 실제로 적용할 수 있는지는 별개의 문제다.
더 정확하게 말하면, AI 시대에는 배움이 완성됐다는 착각의 속도도 빨라졌다. 이전에는 이해하지 못했을 때 "모르겠다"는 신호가 시간이 걸리더라도 왔다. 이제는 이해하지 못했는데도 이해했다는 신호가 너무 빠르게 온다.
그래서 AI 시대에는 배움의 속도와 검증의 속도가 함께 필요하다. 빠르게 답을 받은 만큼 빠르게 의심할 수 있어야 한다. 빠르게 정리를 받은 만큼 빠르게 빠진 맥락을 찾을 수 있어야 한다. 속도는 방향이 맞을 때 가치가 있다. 방향이 틀리면 빠를수록 더 멀리 벗어난다.
이것이 AI 시대 배움의 핵심 긴장이다. AI는 답을 더 빠르게 주고, 그 속도가 배움을 더 빠르게 만드는 것처럼 보인다. 하지만 배움의 핵심 작업 — 의심하고, 확인하고, 내 말로 다시 세우고, 판단을 형성하는 일 — 은 속도로 해결되지 않는다. 이 작업들은 시간이 걸리고, 때로는 느림이 필요하다. AI가 배움의 외부 속도를 높인 만큼, 내부 처리 속도 — 이해가 형성되는 속도 — 를 의도적으로 관리해야 할 필요성도 커진 것이다.
Part 2. 왜 답을 받는 것만으로는 배우는 것이 아닌가
AI의 설명이 유창할수록, 설명을 따라간 것과 실제로 이해한 것 사이의 간격이 보이지 않는다. Part 2는 그 간격이 어떤 형태로 나타나는지를 살펴본다.
설명을 따라간 감각은 이해가 아니다
AI 설명은 유창하다.
논리적이고 일관되며 부드럽게 흐른다. 비유가 적절하고, 예시가 그럴듯하고, 단계별로 잘 나뉜다. 설명을 듣고 나면 고개를 끄덕이는 것이 자연스럽다.
그런데 그 고개 끄덕임이 이해를 증명하지는 않는다.
이해에는 몇 가지 검증 기준이 있다. 내 말로 설명할 수 있는가. 예제가 바뀌어도 같은 개념을 적용할 수 있는가. 틀린 설명이 섞였을 때 이상함을 느낄 수 있는가. 실제로 써먹으려 할 때 어디서 막히는지 발견할 수 있는가. 이 네 가지가 되지 않으면 설명을 따라간 것에 더 가깝다.
예를 들어 Java의 오버로딩과 오버라이딩을 AI에게 설명받았다고 하자. "오버로딩은 같은 이름의 메서드를 매개변수의 차이로 구분하는 것이고, 오버라이딩은 상속받은 메서드를 자식 클래스에서 다시 정의하는 것입니다." 설명을 들으면 고개를 끄덕일 수 있다.
그런데 실제 코드에서 Parent p = new Child(); p.method();를 봤을 때 어떤 메서드가 실행되는지 즉시 판단하지 못하면, 그 설명은 아직 내 것이 아니다. 개념의 윤곽을 들었지만 동작 원리를 이해하지 못한 것이다. 컴파일 타임 바인딩과 런타임 바인딩의 차이, 그 결과가 어떻게 달라지는지 내 말로 설명하지 못한다면 설명을 들은 것과 이해한 것은 다르다.
이것은 AI에게만 해당하는 문제가 아니다. 강의를 들을 때도, 책을 읽을 때도, 설명을 듣는 것과 이해하는 것 사이에는 간격이 있다. AI는 그 간격을 더 빠르게 만들어줄 수 있지만, 간격 자체를 없애주지는 않는다. 설명이 유창할수록 그 간격이 보이지 않는다는 것이 AI 시대의 특성이다.
이해는 설명을 받은 뒤에도 직접 적용하고, 예외를 만나고, 틀리고, 수정하는 과정을 통해 형성된다.
이것을 다른 방식으로 확인할 수 있다. AI가 설명해준 내용을 바로 "이해했다"고 느낀 뒤, 그 내용과 관련된 다른 상황을 만났을 때 바로 적용이 되는가. 많은 경우 그렇지 않다. 예를 들어 "클로저는 함수가 선언됐을 때의 스코프를 기억하는 것"이라는 설명을 듣고 이해했다고 느꼈더라도, 실제 코드에서 클로저를 활용한 패턴을 처음 보면 그것이 클로저인지 바로 인식하지 못하는 경우가 많다. 설명을 들은 것과 패턴을 인식하는 것은 다른 수준의 이해다. AI가 설명을 잘한다는 것은 설명의 첫 수준을 빠르게 통과하게 해준다는 것이지, 더 깊은 수준의 이해까지 자동으로 만들어준다는 것이 아니다.
요약은 기억을 줄여주지만 판단을 대신하지 않는다
AI는 요약을 잘한다.
긴 문서도 핵심만 뽑아주고, 복잡한 내용도 구조화해서 보여준다. 몇 천 단어짜리 논문도 "세 가지 핵심 주장"으로 정리해준다. 이것은 정보를 처리하는 데 실질적인 도움이 된다. 모든 것을 다 읽을 수 없는 상황에서 빠르게 방향을 잡는 데 유용하다.
그러나 요약은 판단이 아니다.
잘 정리된 문장은 이해한 것처럼 보이게 만드는 힘이 있다. 깔끔하게 요약된 세 가지 포인트를 보면 "이제 알았다"는 감각이 온다. 하지만 그 세 가지 포인트가 원문에서 가장 중요한 것인지, 맥락이 빠진 것은 없는지, 이 요약을 실제로 활용할 수 있는지는 확인되지 않은 채 안도감만 온다.
요약이 깔끔할수록 빠진 맥락을 조심해야 한다.
긴 논문이 다섯 줄로 요약됐을 때, 그 다섯 줄 밖에 있는 것들이 사라진다. 한계, 조건, 전제, 반례 — 이것들은 논문의 핵심 주장만큼이나 중요한 경우가 많다. AI가 요약할 때 무엇을 덜 중요하게 판단했는지, 그 판단이 내 목적에 맞는지는 직접 확인해야 한다.
특히 중요한 결정을 앞두고 있을 때, 내가 나중에 책임을 질 내용을 배울 때, 요약만 보고 원문을 확인하지 않는 것은 위험하다. 요약은 시작점일 수 있지만 결론이 되어서는 안 된다. 요약을 믿기 전에 무엇이 빠졌는지, 어디까지 믿을 수 있는 내용인지 물어야 한다.
AI 요약의 또 다른 특성이 있다. AI는 "전체적으로 보면 중요한 것"을 골라내는 것이 아니라, "이 질문에 대해 가장 관련성 높아 보이는 것"을 골라낸다. 내가 어떤 맥락에서 이 내용을 배우는지, 어느 부분이 내 목적에 중요한지에 따라 AI의 요약 결과가 달라질 수 있다. 그리고 내가 그것을 명시하지 않으면, AI는 일반적인 맥락에서 가장 중요해 보이는 것을 고른다. 그것이 내 목적과 일치한다는 보장이 없다. 요약을 활용할 때는 "내 목적에서 중요한 것이 빠진 것은 없는가"를 함께 확인해야 한다.
예시는 이해를 돕지만 검증을 끝내지 않는다
AI는 예시를 잘 만든다.
추상적인 개념도 구체적인 장면으로 보여준다. 이해가 안 될 때 예시를 요청하면 여러 개를 만들어준다. 특정 도메인에 맞는 예시를 원하면 그에 맞게 구성해준다. 예시의 풍부함은 AI의 분명한 강점이다.
하지만 예시는 설명을 위해 구성된 장면이다.
AI가 만든 예시는 개념을 이해하기 쉽도록 최적화된 사례다. 실제 세계에서 그 개념이 어떻게 작동하는지와 다를 수 있다. 또 AI가 사용한 예시 자체가 사실 관계에서 정확하지 않을 수도 있다. 예시의 흐름이 자연스럽다고 예시의 사실이 검증된 것은 아니다.
예시가 그럴듯하다고 개념이 검증된 것은 아니다. 비유가 매끄럽다고 설명이 정확한 것도 아니다.
예시는 이해의 발판이다. 발판은 올라서기 위한 것이지 목적지가 아니다. AI가 만든 예시를 이해한 뒤에는 실제 문서, 실제 코드, 실제 데이터에서 같은 개념이 어떻게 나타나는지 확인해야 한다. 그것이 예시를 진짜 이해로 바꾸는 과정이다.
AI가 만든 예시에서 이해가 됐다면, 그 다음 질문은 이것이다. "AI가 만들지 않은 실제 상황에서도 이 개념을 적용할 수 있는가?" 이것이 되지 않으면 아직 예시 안에만 머물러 있는 이해다.
이것을 간단히 확인할 수 있는 방법이 있다. AI가 만들어준 예시를 이해한 뒤, 다른 AI 대화창을 열어서 "이 개념의 예시를 하나 만들어줘"라고 요청하지 않고, 직접 새로운 예시를 만들어보는 것이다. 내가 직접 만든 예시가 개념에 맞는지 다시 확인해보는 것이다. 이 과정에서 막히면 이해가 완성되지 않은 것이다. 막히는 지점이 정확히 내가 아직 이해하지 못한 부분이다. AI가 만든 예시를 보고 이해된 것처럼 느끼는 것과, 직접 예시를 만들 수 있는 것 사이에는 간격이 있다.
AI의 확신은 학습자의 확신으로 옮겨갈 수 있다
AI는 틀린 답도 자신 있게 말할 수 있다.
틀린 개념을 설명할 때도 문장은 유창하고 논리는 일관된 것처럼 보인다. 존재하지 않는 함수를 실제처럼 설명하기도 한다. 잘못된 역사적 사실을 자신감 있는 서술로 제시하기도 한다. 이것은 AI의 구조적 특성이다. AI는 옳고 그름을 판단해서 말하는 것이 아니라 문맥상 그럴듯한 다음 말을 생성한다.
배우는 입장에서는 이것이 특히 위험한 지점이다.
모르는 사람은 틀린 답이 틀렸는지 알아보기 어렵다. 모르기 때문에 배우는 것이고, 모르기 때문에 AI에게 물어보는 것이다. 그런데 AI가 자신 있게 말할수록 사람은 더 쉽게 안심한다. 안심은 이해가 아니다. 틀린 답에 대한 안심은 오히려 이해를 멀어지게 한다.
더 위험한 것은 이 확신이 옮겨갈 수 있다는 점이다. AI가 자신 있게 설명한 것을 들으면, 나도 그것을 자신 있게 아는 것처럼 느끼게 된다. 실제로 이해하지 못했는데 이해한 것처럼 행동하거나, 확인하지 않은 것을 확인한 것처럼 말하게 된다.
그래서 AI 시대의 학습에는 검증이 구조적으로 들어와야 한다. 특히 이 내용을 실제로 사용할 예정이라면, AI의 답을 공식 자료나 실제 사례와 비교하는 과정이 필요하다. AI의 확신과 내 확신은 독립적으로 형성되어야 한다.
Part 3. 질문은 어떻게 배움이 되는가
질문은 많이 하는 것이 아니라 좁혀가는 것이다
질문이 많아지는 것과 질문이 나아지는 것은 다르다.
많은 질문을 던지는 것은 탐색의 형태를 띨 수 있다. 하지만 그 질문들이 매번 같은 자리로 돌아온다면, 그것은 탐색이 아니라 반복이다. 반복은 익숙한 감각을 만들지 모르지만 이해를 깊게 만들지는 않는다.
제대로 된 질문은 수렴한다. 모르는 범위가 점점 좁아진다.
"데이터베이스란 뭔가요"라는 질문이 "인덱스는 왜 쓰나요"로, "인덱스가 있어도 왜 느려질 수 있나요"로, "카디널리티가 낮으면 왜 인덱스 효과가 줄어드나요"로 이어질 때, 질문이 나아지고 있는 것이다. 모르는 위치가 점점 더 구체적으로 드러나는 것이다. 처음에는 데이터베이스 전체가 불분명했지만, 질문이 이어지면서 "인덱스와 카디널리티의 관계"라는 훨씬 작은 지점에 도달했다.
중요한 것은 질문이 많아지는 것이 아니라, 이전 답에서 다음 질문이 얼마나 정확해졌느냐다.
끝없는 질문은 방황이 아니라 수렴이다. 질문을 반복할수록 모르는 지점이 더 선명해져야 한다. 처음에는 "모르겠다"만 있었는데 다섯 번 대화를 나누고 나면 "이 부분을 정확히 모른다"로 바뀐다면, 그것이 질문이 배움으로 이어지는 방향이다.
이것을 배움의 해상도가 높아지는 것이라고 볼 수 있다. 처음에는 낮은 해상도로 보인다. 전체 윤곽이 흐릿하게 보이는 수준이다. 질문이 이어지면서 해상도가 높아진다. 흐릿하던 부분이 더 선명해지고, 선명해진 부분에서 다시 더 세밀한 부분이 보인다. "오버라이딩이란 무엇인가"에서 시작했던 질문이 "오버라이딩에서 공변 반환 타입을 허용하는 이유가 무엇인가"로 좁혀진다면, 해상도가 높아진 것이다. AI와의 대화가 이런 방향으로 진행될 때, 질문은 소비가 아니라 이해를 깊게 만드는 과정이 된다.
좋은 질문은 답을 늘리지 않고 모르는 위치를 드러낸다
AI에게 던지는 질문의 형태에 따라 돌아오는 것의 밀도가 달라진다.
막연하고 넓은 질문은 막연하고 넓은 답을 만든다. "JavaScript에 대해 알려줘"라는 질문에는 백과사전식 개요가 온다. 그 답은 정보가 많지만 내 이해가 어디서 막혔는지와 관계없는 내용이 대부분이다.
반면 모르는 위치를 드러내는 질문은 다르다.
"JavaScript에서 클로저를 읽었는데, 루프 안에서 변수가 예상대로 안 되는 이유를 모르겠어. 이 코드에서 어디가 문제야?"처럼 물을 때, 돌아오는 답은 내 이해의 빈틈을 직접 메워준다.
자연스럽게 이어지는 질문의 방향은 이렇다.
"다시 설명해줘", "쉽게 설명해줘", "더 자세히 알려줘"는 내 위치를 감추는 질문이다. 내가 어디서 막혔는지 드러내지 않는다. 대신 "이 개념에서 A와 B가 갈라지는 기준이 뭐야", "내가 이해한 게 맞는지 이 예시로 확인해줘", "이 설명에서 틀릴 가능성이 높은 부분은 어디야", "반례가 있다면 어떤 경우야"처럼 내가 어디서 헷갈리는지를 드러내는 질문이 더 좋은 배움을 만든다.
좋은 질문은 AI로부터 더 많은 답을 이끌어내는 질문이 아니다. 내가 모르는 위치를 더 정확히 보여주는 질문이다. 그 위치가 보일 때, 그 다음 행동이 생긴다. 확인해야 할 자료가 보이고, 실험해봐야 할 코드가 생기고, 다음에 물어야 할 것이 더 좁아진다.
이것을 AI와의 대화에서 체감하려면 대화 전과 후를 비교해보는 것이 도움이 된다. 대화하기 전에 "내가 모르는 것이 무엇인가"를 한 문장으로 적어본다. 대화가 끝난 뒤 다시 적어본다. 처음에 적은 것과 나중에 적은 것이 같다면, 모르는 것이 달라지지 않은 것이다. 처음보다 더 좁고 구체적인 것을 모르게 됐다면, 그 대화에서 질문이 제대로 일했다는 뜻이다. 모르는 것이 더 구체적으로 바뀌는 것이 배움이 진행되고 있다는 신호다. AI에게 많이 물어봤다고 느끼더라도 모르는 것의 위치가 달라지지 않았다면, 다시 생각해볼 필요가 있다.
질문의 기록이 곧 학습의 지도다
AI와 나눈 질문을 저장해야 하는 이유는 정답을 보관하기 위해서만이 아니다. 내가 어떻게 이해가 바뀌었는지 남기기 위해서다.
처음에는 어떤 개념이 완전히 낯설다. AI에게 설명을 들으면 조금 가까워진다. 그 다음 질문에서 예외 케이스를 발견한다. 또 다른 질문에서 기존 이해가 수정된다. 다른 개념을 배우다가 이전 개념이 다시 연결된다. 이 과정 자체가 배움이다.
그런데 이 과정이 채팅창 안에 두면 남지 않는다. 결론만 남거나, 아무것도 남지 않는다.
남겨야 할 것은 최종 답이 아니다. 내가 무엇을 몰랐는가, 어디서 헷갈렸는가, 어떤 답을 믿었다가 수정했는가, 어떤 기준으로 판단이 바뀌었는가, 아직 확정하지 않은 것은 무엇인가 — 이것들이 학습의 지도가 된다.
나중에 그 지도를 다시 펼쳤을 때, 내가 어떤 경로로 이해를 형성했는지 볼 수 있어야 한다. 그 길이 보여야 다음에 같은 개념을 만났을 때 처음부터 시작하지 않아도 된다. 어디서 막혔었는지, 어떻게 넘어갔는지, 아직 어떤 부분이 불확실한지 — 이 지도가 있을 때 배움은 반복이 아니라 누적이 된다.
끝없는 질문은 끝없는 소비가 아니다
질문이 계속 이어진다는 것이 결론을 내리지 않겠다는 뜻은 아니다.
질문은 판단을 미루는 도구가 아니다. 판단을 더 정확하게 만들기 위한 과정이다. 그러므로 끝없는 질문에도 멈춤 조건이 있어야 한다. 멈추지 못하는 질문은 탐색이 아니라 회피가 될 수 있다.
오늘의 판단을 내릴 수 있을 때 질문은 잠시 멈출 수 있다. 내 말로 설명할 수 있을 때 멈출 수 있다. 다음 행동이 정해졌을 때 멈출 수 있다. 미확정인 부분을 따로 표시했을 때 멈출 수 있다. 다음에 확인할 자료를 정했을 때 멈출 수 있다.
중요한 것은 멈추는 것이 이해가 완성됐다는 의미가 아니라는 점이다. 오늘의 이해 수준에서 내릴 수 있는 판단을 내리고, 아직 모르는 것을 보류 상태로 표시하고, 다음 탐색을 위한 질문을 남겨두는 것이다. 그리고 다시 돌아와 질문을 이어가는 것이다.
이 리듬이 쌓일 때 배움은 깊어진다. 질문이 끝나지 않는 것이 문제가 아니라, 질문이 나아지지 않는 것이 문제다.
멈추지 않는 질문과 결론을 미루는 질문은 구분해야 한다. 배우는 것이 좋아서 계속 탐색하는 것과, 결론을 내리기 싫어서 계속 물어보는 것은 다른 상태다. 후자에서는 아무리 많은 대화를 나눠도 이해가 내면화되지 않는다. 이해는 어느 지점에서 "지금 내가 아는 것은 이것이고, 아직 모르는 것은 저것이다"라고 적을 수 있을 때 형성된다. 그것을 적는 행위가 판단을 내리는 행위다. AI와 계속 대화하면서 이 행위를 미루고 있다면, 멈추고 적는 것이 그 순간의 배움이다.
Part 4. 검증은 왜 학습의 일부가 되었는가
Part 2에서 다룬 것이 "이해된 것 같다는 착각"이라면, Part 4는 다른 질문에서 시작한다. AI와 함께 배울 때, 그 배움을 실제로 사용하는 책임은 누구에게 있는가. 검증은 AI를 불신하는 태도가 아니라, 배운 것을 사용하기로 선택한 사람 쪽에서 맡아야 할 역할이다.
예전에는 검증이 공부 이후의 일이었다
예전의 배움에는 순서가 있었다.
배우고, 연습하고, 시험을 보고, 실제로 적용했다. 검증은 뒤에 있었다. 교과서나 강의가 신뢰할 수 있는 정보를 제공하고, 학습자는 그것을 흡수하는 방식이었다. 물론 교재나 강사가 틀리는 경우도 있었지만, 배움의 구조 자체가 어느 정도 검증된 출처를 전제로 했다.
AI와 함께 배우는 것은 이 구조를 바꿔놓았다.
AI는 검증된 정보만 제공하지 않는다. AI의 답 안에는 정확한 정보와 부정확한 정보가 섞여 있을 수 있다. 답을 받는 순간 이미 검증의 필요성이 생긴다. "이게 맞는 말인가"라는 질문이 배움의 마지막이 아니라 배움의 과정 안에 들어오게 됐다.
검증은 공부의 마지막 단계가 아니라, AI와 함께 공부하는 방식 그 자체가 된다.
이것을 부담으로만 볼 필요는 없다. 다르게 보면 기회이기도 하다. 예전에는 나중에 발견되던 오류를 학습 과정에서 바로 다룰 수 있게 됐다. 배우면서 의심하는 능력이 배움 자체에 통합된 것이다. 의심이 배움의 방해물이 아니라 배움의 도구가 됐다.
이 변화를 구체적으로 상상해보면 이렇다. 예전에는 어떤 개념을 배우고, 나중에 실제로 써보다가 틀렸다는 것을 발견했다. 잘못된 이해가 오래 유지됐다. AI와 함께 배울 때는 다르다. 답을 받은 직후 "이 설명에서 틀릴 수 있는 부분이 있어?"라고 바로 물을 수 있다. 공식 문서와 바로 비교해볼 수 있다. 잘못된 이해가 형성되는 시간이 줄어들 수 있다. 단, 이것은 검증을 실제로 할 때만 가능하다. 답을 받고 바로 넘어가면 예전과 다를 것이 없다. 오히려 더 빠르게 잘못된 이해를 쌓을 수 있다.
공식 문서와 교재는 왜 여전히 필요한가
AI를 사용한다고 공식 자료가 필요 없어지는 것이 아니다. 오히려 AI를 더 잘 사용하기 위해 공식 자료가 필요해진다.
AI는 방향을 잡아주는 데 유용하다. 낯선 개념의 윤곽을 빠르게 그려준다. 어디를 더 봐야 할지 알려준다. 하지만 그 방향이 맞는지 확인하려면 기준점이 필요하다.
공식 문서는 그 기준점이다. 교재는 검증된 설명의 기준점이다. 논문은 주장의 근거와 한계를 담은 기준점이다. 실제 코드는 개념이 실제로 어떻게 구현됐는지 보여주는 기준점이다.
이 기준점들은 AI를 이기기 위해 필요한 것이 아니다. AI의 답을 어디까지 믿을지 판단하기 위해 필요하다.
예를 들어 코드를 작성할 때 AI의 도움을 많이 받는다. AI가 React 코드나 JavaScript 코드를 만들어주고, 오류를 설명해주고, 구조를 제안해준다. 그렇다고 React나 JavaScript에 대한 기준 전부를 AI에게 맡기는 것은 아니다. AI가 코드를 작성해줄 때도 옆에는 React Deep Dive나 JavaScript 공식 명세 같은 기준 자료를 함께 열어둔다. 이유는 AI를 믿지 않아서가 아니다. AI가 써준 코드를 판단해야 하기 때문이다.
AI가 코드를 써주는 시대일수록, 기준이 되는 문서를 더 가까이 두어야 한다. AI가 작성한 코드를 그대로 믿기 위해 공식 문서를 보는 것이 아니다. 그 코드가 왜 맞는지, 어디까지 믿어도 되는지 판단하기 위해 공식 문서를 본다. AI가 빠르게 만들어준 결과물 옆에 공식 문서를 열어두는 것은 느린 방식이 아니다. 빠른 결과를 내 판단으로 바꾸기 위한 최소한의 기준점이다.
기술 학습에서는 공식 문서와 실제 코드가 중요하다. AI가 "이 함수는 이렇게 동작합니다"라고 했을 때, 실제 공식 문서에서 어떻게 명세되어 있는지 확인해야 한다. AI가 설명한 것과 공식 명세가 다른 경우, 그 차이가 새로운 질문이 된다.
개념 학습에서는 교재, 원문, 검증 가능한 자료가 중요하다. AI의 설명이 어떤 출처를 기반으로 한 것인지 추적할 수 있어야 한다. AI에게 "이 설명의 근거가 되는 원문이나 자료는 어디야"라고 물어볼 수 있다. 그 자료를 직접 확인하는 것이 이해를 내면화하는 과정의 일부다.
AI는 좋은 길잡이가 될 수 있다. 하지만 길잡이가 항상 정확한 길을 알고 있지는 않다. 최종 확인은 지도에서 해야 한다.
검증은 의심이 아니라 책임이다
검증이라는 말에서 불신의 뉘앙스를 느끼는 경우가 있다. AI를 믿지 않기 때문에 검증한다고 생각할 수 있다. 하지만 그것이 검증의 본질이 아니다.
검증은 내가 배운 것을 사용할 책임을 받아들이는 일이다.
AI가 설명해줬다. 내가 이해했다고 느꼈다. 그것을 실제로 사용했다. 결과가 나왔다. 이 과정에서 만약 결과가 잘못됐다면, 그 답을 검증 없이 사용한 것은 나다.
특히 중요한 영역에서는 이것이 더 분명해진다. 코드를 배워서 실제 서비스에 적용할 때, 의학 지식을 배워서 판단에 사용할 때, 법률이나 금융 정보를 배워서 결정에 활용할 때, "AI가 말했다"는 것은 이유가 되지 않는다. 내가 그 답을 선택했고 사용했다는 것이 남는다.
검증은 AI를 배척하는 태도가 아니다. AI와 함께 배울 때 필요한, 사람 쪽에서 맡아야 할 역할이다. 검증을 통해 배운 것은 자신 있게 사용할 수 있다. 내가 그 답이 왜 맞는지, 어디까지 믿을 수 있는지, 어느 조건에서만 성립하는지 알고 있기 때문이다. 그 확신은 AI에서 오는 것이 아니라 내 검증 과정에서 온다.
AI가 틀렸을 때 책임은 누구에게 남는가
AI가 답했다. 내가 그 답을 사용했다. 결과가 틀렸다.
이 상황에서 책임을 AI에게 넘길 수 있는가.
넘길 수 없다.
AI는 도구다. 도구가 만든 답을 선택하고 사용한 것은 사람이다. 그 선택을 할 때 검증을 거쳤는지, 근거를 확인했는지, 판단을 내렸는지는 사람의 영역이다. 결과에 대한 책임은 도구에게 넘어가지 않는다.
이것을 두렵게 받아들일 필요는 없다. 다만 AI를 사용해서 배우고 그 배움을 실제로 사용할 때, 검증 없이 지나간 답들이 쌓일수록 위험도 쌓인다. 개별 답 하나는 별 문제가 없어 보여도, 검증되지 않은 이해들이 연결되어 중요한 판단의 기반이 됐을 때 문제가 드러난다.
반대로 생각하면, 배움에서 검증을 거친 것들은 자신 있게 사용할 수 있다. 내가 왜 맞는지 알고, 어디서 틀릴 수 있는지 알고, 어떤 조건에서만 성립하는지 안다. 이것이 AI 시대에 사람에게 남는 중요한 능력 중 하나다.
검증을 습관으로 만드는 것이 중요한 이유가 있다. 검증 없이 AI에게서 받은 답들을 계속 쌓아가면, 어느 순간 그 답들이 서로 충돌하거나 실제에서 작동하지 않는 상황이 온다. 그때 어느 부분이 잘못됐는지 추적하기가 매우 어렵다. 반면 배우면서 검증을 거치면, 어디까지 확인됐고 어디는 아직 확인되지 않았는지 경계가 명확하다. 그 경계가 명확할수록 배움은 더 단단해진다. AI와 함께 배울수록 검증은 선택이 아니라 구조가 되어야 한다.
Part 5. 정리는 왜 저장이 아니라 구조인가
AI와 나눈 대화는 날것의 재료다
AI와 나눈 대화는 지식의 완성본이 아니다. 날것의 재료에 가깝다.
개념 설명을 들었다고 그것이 내 지식이 되는 것은 아니다. AI가 정리해준 아이디어가 바로 내 생각이 되는 것도 아니다. 대화 안에서 오간 내용들은 아직 내 것이 되지 않은 상태다. 재료는 재료일 뿐이다.
좋은 재료가 있다고 요리가 완성되지 않듯, 좋은 AI 대화가 있다고 지식이 완성되지 않는다. 재료를 어떻게 다루느냐에 따라 지식이 될 수도 있고, 잊혀진 채팅 기록이 될 수도 있다.
채팅창 전체를 복사해서 어딘가에 붙여 넣는 것은 재료를 창고에 쌓아두는 것이다. 창고가 가득 찼다고 요리가 완성되지 않는다. 오히려 창고가 커질수록 무엇이 어디에 있는지 찾기 어려워진다.
대화에서 살아남아야 할 것은 긴 답변 전문이 아니다. 그 대화에서 내가 얻은 질문, 내가 형성한 판단, 내가 확인한 검증 기준이다. 이 세 가지를 꺼내 정리할 때 재료는 지식이 되기 시작한다.
이것을 구체적으로 생각해보면 이렇다. AI와 한 시간 대화했다. 대화가 끝난 뒤 남길 것은 무엇인가. AI가 말한 것 전부가 아니다. 내가 "이것은 몰랐다"고 느낀 순간들이다. 내가 "이건 확인해봐야겠다"고 생각한 지점들이다. 내가 "그렇다면 이 개념은 저 개념과 연결된다"고 느낀 연결들이다. 그리고 아직 "이 부분은 확실하지 않다"고 보류한 것들이다. 이 네 가지를 추리는 것이 한 시간 대화에서 진짜 남길 것을 고르는 과정이다.
채팅창은 생각이 태어나는 곳이지 머무는 곳은 아니다
AI와 대화하다 보면 좋은 생각이 나온다.
막히던 문제가 풀리고, 막연했던 방향이 구체화되고, 연결되지 않던 개념이 이어진다. 그 순간은 분명히 뭔가를 얻은 순간이다.
하지만 그 생각을 채팅창 안에 두면 사라진다.
이 현상이 반복되면 어떤 일이 생기는가. 같은 개념을 다음 날 다시 AI에게 묻는다. 비슷한 설명을 다시 받는다. 또 이해된 것 같다는 감각이 온다. 그리고 다음 날이면 또 찾기 어렵다. 이 반복이 쌓이면 AI와 많이 대화했다는 감각은 생기지만 배움은 쌓이지 않는다. 대화의 양과 이해의 깊이가 비례하지 않는 이유다.
채팅창은 생각이 태어나는 곳일 수 있다. 그러나 생각이 오래 머무는 곳이 되기에는 너무 쉽게 흘러간다. 스크롤을 올리기 불편하고, 검색하기 어렵고, 이전 판단과 지금 판단이 어떻게 달라졌는지 비교하기 어렵다. 무엇보다 대화 맥락이 없으면 나중에 다시 봤을 때 왜 그 생각이 중요했는지 이해하기 어렵다.
생각은 밖으로 꺼내야 다시 다룰 수 있다.
꺼낸 생각을 다시 읽을 수 있어야 한다. 다시 의심할 수 있어야 한다. 다른 생각과 연결할 수 있어야 한다. 그것이 가능한 형태로 남겼을 때, 채팅창에서 태어난 생각은 지식으로 자랄 수 있다. 생각을 밖으로 꺼내는 것은 뇌를 덜 쓰기 위한 일이 아니라, 뇌를 더 멀리 쓰기 위해 생각을 잠깐 고정하는 일이다.
Second Brain은 내 대신 생각하는 뇌가 아니다
Second Brain이라는 개념이 AI가 보급되면서 다시 주목받고 있다.
Obsidian, Notion, 개인 위키, 다양한 노트 도구들이 "제2의 뇌"로 소개된다. 모든 생각과 자료를 담아두는 시스템을 만들면, 두뇌 외부에서 지식을 관리할 수 있다는 아이디어다. AI와 연결하면 더 강력해진다는 주장도 나온다.
이 방향에는 진짜 가치가 있다.
사람은 기억에 한계가 있다. 일정 수준 이상의 정보는 외부에 저장하고 필요할 때 불러오는 것이 효율적이다. 생각을 글로 써두면 나중에 다시 사용할 수 있다. 연결된 개념들을 정리해두면 새로운 아이디어가 생길 때 참고할 수 있다. 생각을 시각화하면 구조가 보인다.
하지만 Second Brain이 내 대신 생각해주는 뇌가 되어서는 안 된다.
Second Brain은 내가 나중에 다시 생각할 수 있도록 붙잡아두는 장소여야 한다. 저장소에 넣는 것과 지식으로 만드는 것은 다르다. 아무리 잘 정리된 저장소라도 그 안에서 다시 질문할 수 없다면, 다시 검증할 수 없다면, 거기서 판단을 형성할 수 없다면 — 그것은 잘 정리된 채팅창과 크게 다르지 않다.
도구는 저장 위치를 정해줄 수 있다. 하지만 지식이 되는 기준은 도구가 아니라 구조가 정한다. 자동으로 정리된 것이 항상 내 생각은 아니다. 무엇을 믿고, 무엇을 남기고, 무엇을 버릴지는 여전히 사람이 판단해야 한다.
AI 도구들이 제공하는 "자동 링크", "자동 태그", "자동 요약" 기능들이 이 점에서 유용하면서 동시에 조심해야 할 부분이다. 자동화된 연결은 내가 미처 보지 못한 연결을 보여줄 수 있다. 그러나 그 연결이 실제로 의미가 있는 연결인지, 지금 내가 탐색하는 방향과 관계가 있는 연결인지는 사람이 판단해야 한다. 자동 연결이 많아진다고 내 생각이 자동으로 깊어지지는 않는다. 연결을 따라가면서 "이 연결이 왜 의미가 있는가"를 묻는 과정이 함께 있어야 한다.
중요한 것은 저장소가 많아지는 것이 아니라, 저장소 안에서 다시 질문할 수 있는가다.
모든 지식을 넣어두면 AI가 알아서 꺼내줄까
요즘 AI 활용 콘텐츠에서 자주 보이는 주장이 있다.
"내 모든 자료를 AI에게 넣어두면 AI가 알아서 찾아준다." "내 자료를 전부 연결하면 나만의 AI 비서가 된다." "Second Brain에 지식을 쌓으면 AI가 필요한 내용을 불러온다." "RAG 시스템을 만들면 내 지식이 자동으로 활용된다." "LLM Wiki를 구축하면 내 생각을 AI가 대신 연결해준다."
이 주장들이 왜 매력적인지 이해한다. 사람은 기억에 한계가 있다. 자료는 계속 늘어난다. AI가 찾아준다면 기억의 한계를 보완할 수 있어 보인다. 검색과 요약이 자동화되면 지식 활용이 훨씬 쉬워 보인다. 특히 많은 자료를 다루는 사람에게는 "기억하는 부담" 없이 일할 수 있다는 약속이 매력적으로 들린다.
그러나 이 주장들을 그대로 받아들이기 전에 몇 가지를 짚어야 한다.
첫 번째. AI가 불러오는 것과 내가 이해하는 것은 다르다.
RAG 시스템이나 LLM Wiki에 자료를 넣어두면, AI는 질문에 맞는 내용을 찾아서 제시해줄 수 있다. 하지만 그 내용을 어떤 맥락에서 어떻게 해석할지, 지금 상황에 어떻게 적용할지는 AI가 자동으로 해주지 않는다. 불러오는 것과 이해하는 것은 다른 작업이다.
예를 들어 1년 전에 읽은 논문의 핵심을 AI가 불러왔다고 하자. AI는 그 논문의 관련 부분을 찾아서 보여줄 수 있다. 하지만 그 논문을 지금 내 상황에 어떻게 연결할지, 그 논문이 1년 사이에 내 생각에서 어떻게 변화했는지, 지금 이 순간 그 논문의 어떤 부분이 중요한지 — 이것은 사람이 판단해야 한다.
두 번째. 찾아주는 것과 판단하는 것은 다르다.
AI가 저장된 자료에서 관련 내용을 가져왔다. 하지만 그 내용이 지금 내 상황에 맞는지, 얼마나 신뢰할 수 있는지, 다른 정보와 어떻게 연결해야 하는지는 사람의 영역이다. 자료가 불려왔다는 것이 판단이 완료됐다는 의미가 아니다.
세 번째. 저장된 자료가 모두 믿을 만한 것은 아니다.
지식 저장소가 커질수록 오래된 생각, 아직 검증하지 않은 주장, 한때 임시로 받아들인 판단도 함께 쌓인다. AI가 그것들 사이에서 "지금 믿을 수 있는 것"과 "아직 확정하지 않은 것"을 자동으로 구분해주지 않는다. 그 구분은 처음 자료를 저장할 때 사람이 표시해두어야 한다.
두 가지 메모가 있다고 하자. 하나는 "인덱스는 항상 쿼리를 빠르게 만든다"고 적혀 있고, 다른 하나는 "인덱스는 카디널리티가 낮을 때 효과가 없을 수 있다"고 적혀 있다. AI는 두 메모를 모두 가져올 수 있다. 하지만 첫 번째가 나중에 수정된 이해라는 것을 AI는 알지 못한다. 구분하는 것은 사람이다.
네 번째. 많이 넣는다고 생각이 깊어지지 않는다.
자료를 1,000개 저장했다고 그 자료에 대한 이해가 깊어지는 것은 아니다. 읽고, 의심하고, 연결하고, 판단하는 과정이 빠지면 저장소가 커져도 사고가 깊어지지 않는다. 오히려 저장소가 커질수록 "이미 어딘가에 있을 것 같다"는 안도감이 실제 이해를 대체할 수 있다.
Dechive가 보는 기준은 이것이다.
AI에게 넣어야 하는 것은 자료의 양만이 아니다. 자료와 함께 그 자료에 대한 질문, 내가 형성한 판단, 아직 확정하지 않은 이유까지 함께 남겨야 한다. 그래야 AI가 불러온 내용이 단순 자료가 아니라 다시 생각할 수 있는 재료가 된다.
AI가 지식을 불러올 수 있다는 사실은 중요하다. 하지만 더 중요한 것은 그 지식이 어떤 질문에서 나왔고, 어떤 기준으로 검증됐으며, 지금도 믿을 수 있는 상태인지 남아 있는가다.
모든 지식을 넣어두면 AI가 꺼내줄 수는 있다. 그러나 꺼내온 것이 내 판단이 되려면, 그 지식에는 질문과 검증의 흔적이 함께 남아 있어야 한다.
이것을 구체적으로 생각해보면, 내가 6개월 전에 쓴 메모를 AI가 불러왔다고 하자. 그 메모에 "A 기술은 B보다 성능이 좋다"라고 적혀 있다. AI가 이것을 불러왔을 때 나는 무엇을 해야 하는가. 그 메모가 어떤 맥락에서 쓰인 것인지, 당시에 어떤 조건에서 그랬는지, 6개월이 지난 지금도 맞는 말인지 판단해야 한다. 이 판단을 AI가 대신해줄 수 없다. 그 판단을 하려면 메모에 "어떤 상황에서 이렇게 판단했는지"가 함께 있어야 한다. 그것이 없다면 AI가 불러온 메모는 내 판단의 재료가 아니라 또 다른 확인이 필요한 정보가 된다.
RAG, LLM Wiki, Second Brain은 지식의 창고가 될 수 있다. 하지만 판단의 주체가 될 수는 없다. 잘 정리된 지식 저장소도 질문, 검증, 판단이 빠져 있다면 잘 정리된 채팅방과 크게 다르지 않다.
중요한 것은 "얼마나 많이 넣었는가"가 아니라 "다시 질문하고 검증할 수 있는 상태로 남겼는가"다.
다시 질문할 수 있어야 지식이다
지식은 저장된 문서가 아니다.
정리된 지식은 다시 읽을 수 있는 문서가 아니라, 다시 질문할 수 있는 구조여야 한다. 다시 찾을 수 있어야 한다. 다시 의심할 수 있어야 한다. 다시 연결할 수 있어야 한다. 다시 글로 만들 수 있어야 한다. 이 네 가지가 가능한 형태로 남겼을 때 그것이 지식이다.
저장소가 많아져도 그 안에서 다시 질문할 수 없다면, 그것은 기억의 확장이 아니라 기록의 무게가 된다.
기록의 무게는 오히려 생각을 느리게 한다. 무엇이 어디 있는지 찾는 데 시간이 걸린다. 오래된 판단과 최근 판단이 섞인다. 정리됐다는 안도감이 실제 이해를 대체한다. 저장소가 커질수록 "아마 어딘가에 있겠지"라는 심리가 강해지고, 직접 이해하려는 시도가 줄어든다.
지식은 꺼내어 다시 생각할 때 살아있다. 그 상태로 남기는 것이 정리의 목적이다.
이 관점에서 보면 좋은 정리는 "나중에 다시 읽기 좋게" 쓴 글이 아니다. "나중에 다시 질문하기 좋게" 남긴 기록이다. 다시 읽기 좋은 글은 정리된 설명을 다시 접하는 것이다. 다시 질문하기 좋은 기록은 내가 어디까지 알고 어디서 의심해야 하는지를 다시 떠올리게 해준다. 두 번째가 배움을 살아있게 만드는 정리다. AI와 나눈 내용을 정리할 때 이 두 가지를 구분해야 한다. "이 내용을 잘 정리해줘"라는 요청과 "이 내용에서 내가 다시 물어봐야 할 것을 뽑아줘"라는 요청은 다른 결과를 만든다.
배움을 위한 정리는 저장에서 끝나지 않는다. 저장된 것을 다시 꺼냈을 때 "이걸 왜 저장했지"가 아니라 "이걸 바탕으로 지금 어떤 질문을 해야 하지"가 이어져야 한다. 그것이 되려면 처음 저장할 때 질문의 맥락이 함께 있어야 한다. AI가 잘 정리해줬다는 것과 내가 잘 저장했다는 것은 다르다. AI가 요약해준 내용을 붙여 넣는 것은 AI의 정리를 저장한 것이다. 내 질문과 내 판단과 내 미확정을 함께 남기는 것이 내 정리를 저장하는 것이다.
Part 6. AI 시대의 배움은 어떤 구조를 가져야 하는가
AI 학습 루프
AI와 함께 배울 때 배움이 실제로 진행되는 흐름이 있다.
먼저 질문한다. 모르는 개념이 생겼을 때, 막히는 부분이 있을 때 AI에게 묻는다. 이때 막연하게 묻기보다 지금 이해하고 있는 것과 모르는 것을 구체적으로 드러내는 질문이 더 좋다. "X를 설명해줘"보다 "X를 이렇게 이해하고 있는데, 이 부분이 왜 이상한지 모르겠어"가 더 밀도 있는 답을 만든다.
답을 받으면 이해한 감각을 확인한다. 고개가 끄덕여지는가. 그렇다면 다음 질문이 필요하다. "이 설명에서 내가 틀리게 이해한 부분이 있다면 어디야", "반례를 보여줘", "이 개념이 적용되지 않는 경우는 언제야"처럼 이해를 흔드는 질문을 던진다.
그 다음 공식 자료나 실제 코드와 비교한다. AI가 설명한 것이 공식 문서에서 어떻게 명세되어 있는지, 실제 코드에서 어떻게 나타나는지 확인한다. 여기서 차이가 발견되면 그 차이가 새로운 질문이 된다.
내 말로 재구성한다. 공식 자료와 AI 설명을 모두 참고했다면, 이제 내가 이 개념을 어떻게 이해했는지 내 언어로 써본다. 완벽하지 않아도 된다. 쓰다가 막히는 지점이 다음 질문을 만든다.
그것을 남긴다. 내 말로 쓴 이해, 아직 확정하지 않은 부분, 다음에 확인할 것들을 남긴다. 채팅창이 아니라 다시 찾을 수 있는 곳에.
그리고 다시 질문한다.
이 루프가 반복되면서 이해가 깊어진다. 각 단계는 다음 단계를 위한 재료가 된다. 한 번에 완성되는 것이 아니라 반복을 통해 형성된다. 루프 자체가 배움이다.
이 루프에서 가장 쉽게 건너뛰게 되는 단계가 있다. "내 말로 재구성하는" 단계다. 공식 자료도 확인했고, AI 설명도 이해됐고, 이제 됐다고 느끼는 순간에 이 단계를 건너뛰게 된다. 하지만 이 단계가 없으면 이해가 내면화되지 않는다. 내 언어로 쓰는 과정에서 모르는 부분이 드러난다. 매끄럽게 쓰이지 않는 부분이 아직 이해되지 않은 부분이다. AI에게 받은 설명을 그대로 복사하면 이 과정이 생략된다. 내 말로 쓰는 것이 어렵다고 느껴진다면 그 어려움이 다음 질문의 방향을 알려준다. 루프에서 이 단계를 의도적으로 유지하는 것이 중요하다.
네 가지 기록 단위
AI와 공부할 때 남겨야 하는 기록의 최소 단위가 있다.
질문. 내가 무엇을 알고 싶었는가. 어떤 개념이 불분명했는가. 어디서 막혔는가. 이것을 남기면 나중에 그 개념을 다시 만났을 때 처음부터 시작하지 않아도 된다. 질문을 남기는 것은 내가 무엇을 모르는지를 기록하는 것이다. 그것 자체가 이해의 지도가 된다.
판단. 지금 임시로 무엇을 믿는가. 아직 완전히 확정되지 않았지만 현재 내가 가진 이해는 무엇인가. "지금은 이렇게 이해하고 있다"는 현재 상태를 남긴다. 판단은 바뀔 수 있다. 하지만 지금의 판단을 남겨야 나중에 어떻게 바뀌었는지 비교할 수 있다.
근거. 무엇을 보고 그렇게 판단했는가. AI의 설명인가, 공식 문서인가, 직접 실행해본 결과인가. 근거의 출처와 신뢰 수준을 함께 남긴다. 나중에 그 판단을 재검토할 때 근거가 있어야 다시 의심하거나 확인할 수 있다. 근거 없는 판단은 나중에 바꾸기도 어렵다.
미확정. 아직 무엇을 믿으면 안 되는가. 어떤 부분이 아직 검증되지 않았는가. 어떤 조건에서만 성립하는지 불명확한 것은 무엇인가. 이것을 미확정으로 표시해두는 것이 중요하다. 미확정을 확정된 것처럼 쌓아두면 나중에 잘못된 판단의 재료가 된다. "아직 모른다"는 상태를 명확히 표시하는 것도 지식 관리의 일부다.
이 네 가지가 함께 남겨질 때 기록은 단순 저장이 아니라 다시 생각할 수 있는 구조가 된다.
실제로 이것을 적용하면 이렇게 보인다. AI와 인덱스에 대해 대화를 나눴다고 하자. 이 네 가지를 남긴다면: 질문 — "인덱스가 있어도 쿼리가 느린 이유가 궁금했다." 판단 — "카디널리티가 낮을 때 풀스캔이 더 빠를 수 있다고 이해했다." 근거 — "AI 설명 + MySQL 공식 문서에서 optimizer 동작 확인." 미확정 — "인덱스 힌트를 강제로 쓰는 것이 언제 의미가 있는지 아직 확인 안 함." 이 네 가지를 남기는 것이 "인덱스 정리.md"에 AI 설명을 통째로 붙여 넣는 것보다 훨씬 작지만, 나중에 훨씬 더 유용하다. 다음에 인덱스 관련 문제를 만났을 때 이 네 가지를 보면, 어디서 다시 시작해야 할지 바로 알 수 있다.
검증 질문
AI에게 답을 받은 뒤 스스로에게 던져볼 수 있는 질문들이 있다.
이 답을 내 말로 설명할 수 있는가. 책을 닫고 다른 사람에게 설명한다고 할 때 어디서 막히는지 확인한다. 막히는 지점이 다음 질문이 된다.
이 답이 틀렸다면 어디서 틀릴 가능성이 큰가. AI에게 직접 물어볼 수도 있고, 스스로 반례를 떠올려볼 수도 있다. 틀릴 수 있는 지점을 아는 것이 이해의 경계를 아는 것이다.
공식 자료나 실제 사례와 비교했는가. 특히 실제로 사용할 내용이라면 이 단계를 건너뛰지 않아야 한다.
예제가 바뀌어도 같은 기준을 적용할 수 있는가. AI가 준 예제로만 이해하고 있다면, 다른 예제에서는 막힐 수 있다.
이 답을 어디에 남겼고, 나중에 다시 찾을 수 있는가. 채팅창 안에 두면 다음에 같은 것을 또 물어봐야 한다.
이 답으로 다음 행동이 바뀌었는가. 배움이 실제 행동으로 이어지지 않으면 그 배움은 아직 완결되지 않았다.
이 질문들을 모두 매번 거칠 필요는 없다. 하지만 이 중 하나라도 확인하는 습관이 생기면, AI에게 답을 받는 속도만큼 이해의 질도 함께 높아진다.
이 중 가장 쉽게 시작할 수 있는 것은 "이 답을 내 말로 설명할 수 있는가"다. AI에게 답을 받고 나서 화면을 닫고, 방금 배운 것을 한 문단으로 써본다. 잘 써지면 이해가 됐다는 신호다. 막히면 막히는 부분이 다음 질문이다. 이것을 습관으로 만들면, AI와의 대화가 답을 받는 것으로 끝나지 않고 이해를 확인하는 것으로 마무리된다. AI에게 답을 받은 뒤 바로 다음 대화로 넘어가는 것보다, 잠시 멈추고 이 한 가지를 확인하는 것이 배움의 질을 다르게 만든다.
멈춤 조건
배움이 무한히 이어지는 것처럼 느껴질 때, 언제 잠시 멈출 수 있는지 알아야 한다. 끝없는 질문이 판단을 피하는 수단이 되지 않으려면, 멈추는 기준이 있어야 한다.
오늘의 판단을 글로 적었을 때 멈출 수 있다. 아직 확정하지 않은 부분을 "미확정"으로 표시했을 때 멈출 수 있다. 다음에 확인할 자료를 정해두었을 때 멈출 수 있다. 이 개념을 내 말로 한 문단 이상 설명했을 때 멈출 수 있다. 이 배움을 바탕으로 실제 행동 하나를 정했을 때 멈출 수 있다.
멈춘다는 것이 완성됐다는 의미가 아니다. 오늘 내릴 수 있는 판단을 내렸고, 모르는 것을 보류 상태로 남겨두었고, 다음에 돌아올 이유를 만들었다는 뜻이다. 이것이 지속 가능한 배움의 리듬이다.
질문은 결론을 미루는 핑계가 아니라 판단을 더 정확하게 만들기 위한 과정이다.
멈추는 것에 대한 저항이 생기는 이유 중 하나는 "아직 모르는 것이 있는데 멈춰도 되는가"라는 불안이다. 하지만 모르는 것이 없어질 때까지 기다리면 멈출 수 없다. 배움은 완성이 아니라 현재 내가 서 있는 위치를 확인하고, 다음 방향을 정하는 과정이다. 오늘의 판단을 내리는 것이 내일의 더 나은 질문을 만든다. 그래서 멈추는 것은 포기가 아니라 다음 시작을 위한 준비다.
Part 7. AI는 배움을 대신하지 않고 배움의 책임을 더 선명하게 만든다
AI가 대신할 수 있는 것
AI가 배움에서 실질적으로 도울 수 있는 것들은 분명히 있다.
처음 접하는 개념의 윤곽을 빠르게 잡아준다. 아무것도 모르는 상태에서 시작할 때의 진입 비용을 크게 줄여준다. 어디를 먼저 봐야 할지 방향을 잡아주는 데 유용하다.
추상적인 개념을 구체적인 장면으로 만들어준다. 비유를 여러 각도에서 만들어줄 수 있고, 다른 도메인의 예시로 연결해줄 수 있다. 처음 개념을 잡을 때 다양한 비유를 요청하면 자신에게 맞는 설명을 찾는 데 도움이 된다.
긴 내용을 정리해주거나 개념들 사이의 관계를 구조화해준다. 방대한 양을 다룰 때 전체 맥락을 파악하는 데 유용하다.
내가 이해한 것을 말했을 때 확인해주는 역할을 한다. "이렇게 이해한 게 맞아?"라고 물으면 맞는지 틀린지 피드백해준다. 이해를 검증하는 대화 상대가 된다.
"이 개념이 적용되지 않는 경우"를 물으면 제안해준다. 이해를 흔들어보는 데 도움이 된다.
배운 내용을 바탕으로 문제를 만들어달라고 하면 만들어준다. 이해를 테스트하는 도구로 사용할 수 있다.
저장된 자료에서 관련 내용을 찾는 것을 도와줄 수 있다. RAG 시스템이나 개인 위키와 연결하면 이전에 정리해둔 내용을 다시 꺼내는 속도를 높여줄 수 있다.
이것들은 배움을 더 효율적으로 만들어줄 수 있다. 배움의 재료를 만드는 데, 배움의 장벽을 낮추는 데, 반복을 쉽게 하는 데 AI는 실질적인 도움이 된다.
여기서 중요한 것은, AI가 이 모든 것을 더 잘하게 됐다는 것이 배움의 가치를 낮추는 것이 아니라는 점이다. 오히려 이 재료들을 다루는 사람의 능력이 더 중요해진다. 좋은 재료가 많아질수록 그 재료를 제대로 다룰 줄 아는 사람과 그렇지 않은 사람의 차이는 더 커진다. AI가 모든 사람에게 비슷한 재료를 줄 수 있게 됐을 때, 그 재료를 어떻게 활용하는지가 학습의 질을 가른다.
AI가 대신할 수 없는 것
하지만 배움의 어떤 부분은 사람에게 남는다.
내가 무엇을 믿을지 결정하는 일. AI가 두 가지 다른 설명을 줬을 때, 어느 쪽이 내 상황에 맞는지 판단하는 것은 사람이 한다. 맥락을 알고, 목적을 알고, 그것이 어디에 쓰일지 아는 것은 사람이다.
내가 무엇을 모르는지 인정하는 일. AI에게 물어보면 답이 온다. 하지만 내가 어디서 정말 막혀 있는지, 어떤 부분이 아직 이해되지 않았는지 스스로 알아야 좋은 질문이 나온다. 그 인식은 AI가 대신해줄 수 없다.
틀렸을 때 수정하는 일. AI의 설명을 받아들였다가 나중에 틀린 것을 발견했을 때, 기존 이해를 폐기하고 새로운 이해로 바꾸는 것은 사람이 한다. 이 수정의 고통을 통해 이해가 더 단단해진다.
현실 자료와 비교하는 일. AI의 답이 실제 공식 문서, 실제 코드, 실제 데이터와 맞는지 비교하는 것은 사람이 한다. AI는 비교해야 한다고 말할 수 있지만, 직접 비교하는 것은 사람이다.
배운 것을 책임지고 사용하는 일. 배운 것을 실제 상황에 적용하고 결과를 감당하는 것은 사람이 한다. 좋은 결과든 나쁜 결과든, 그 경험이 다시 배움으로 이어진다.
내 말로 다시 세우는 일. 이해한 것을 내 언어로 다시 써보는 과정은 이해를 내면화하는 일이다. AI가 대신 써준 것을 복사하는 것과, 내가 직접 쓰는 것은 다르다.
오래된 판단을 폐기하는 일. 이전에 믿었던 것이 잘못된 것으로 밝혀졌을 때, 그것을 지우고 새로운 판단을 세우는 것은 사람이 한다. 저장소에서 오래된 메모를 "이 판단은 수정됐다"고 업데이트하는 것은 자동으로 되지 않는다.
미검증 주장을 보류하는 일. 아직 확인하지 못한 내용을 "일단 맞는 것"으로 처리하지 않고 보류 상태로 두는 것은 인식의 문제다. AI는 자동으로 이 분류를 해주지 않는다.
이 목록을 보면 패턴이 있다. 배움에서 사람에게 남는 것들은 대부분 판단과 관련된 것들이다. 믿기, 의심하기, 수정하기, 비교하기, 책임지기, 보류하기 — 이것들은 모두 판단의 영역이다. 그리고 이 목록의 공통점은 하나다. 모두 AI가 자동으로 해줄 수 없는 것들이다. AI가 제안할 수는 있다. 하지만 결정하는 것은 사람이다.
배움은 답의 소유가 아니라 판단의 형성이다
AI 시대의 배움을 한 문장으로 정리한다면 이것이다.
배움은 답을 소유하는 일이 아니라, 판단을 형성하는 일에 가깝다.
답은 받을 수 있다. AI가 줄 수 있다. 설명도 받을 수 있다. 요약도 받을 수 있다. 저장소에 넣어두면 나중에 불러올 수도 있다.
하지만 판단은 형성해야 한다.
판단은 질문을 통해 형성된다. 의심을 통해 형성된다. 검증을 통해 형성된다. 적용을 통해 형성된다. 틀리고 수정하면서 형성된다. 내 말로 다시 쓰면서 형성된다.
이 과정을 AI가 대신해줄 수 없다. AI는 이 과정의 재료가 되어줄 수 있고, 이 과정의 속도를 높여줄 수 있다. 하지만 과정 자체는 사람이 거쳐야 한다.
판단을 형성한 사람은 답을 받은 사람보다 더 많은 것을 갖고 있다. 왜 그 답이 맞는지, 어디까지 믿을 수 있는지, 언제 다시 의심해야 하는지 알고 있다. 그 앎이 배움이다.
판단을 형성하는 것이 답을 소유하는 것과 다른 또 다른 이유가 있다. 판단은 상황에 따라 유연하게 적용될 수 있다. 어떤 개념이 "이럴 때는 이렇고, 저럴 때는 저렇다"는 식으로 맥락에 따라 달라질 수 있다는 것을 알 때, 그 개념을 실제로 쓸 수 있다. 반면 답을 소유하는 것은 특정 형태로 외운 것이다. 맥락이 조금만 달라지면 그 답이 맞는지 모르게 된다. AI가 매번 새로운 답을 줄 수 있어서 괜찮다고 생각할 수 있지만, 그것은 판단을 AI에게 계속 위임하는 것이다. 판단을 위임하면 그 판단으로 행동할 때의 책임도 불분명해진다.
AI는 배움의 많은 과정을 도와줄 수 있다. 설명하고, 예시를 만들고, 질문을 받아주고, 요약하고, 정리하고, 복습 문제도 만들어준다. 하지만 배움 자체를 대신해주지는 못한다. 배움은 답을 받는 일이 아니라, 그 답에서 판단을 만드는 과정이기 때문이다.
Dechive의 관점
AI는 답을 만든다. Dechive는 그 답을 검증한다.
이 두 문장이 이 글의 출발점이다.
AI를 멀리하자는 말이 아니다. AI가 만든 답을 받은 뒤 사람이 다시 생각할 수 있는 구조를 만들자는 말이다.
Dechive가 추구하는 것은 빠른 답이 아니라 검증된 이해다. AI가 설명을 잘한다는 사실과, AI의 설명이 정확하다는 사실은 다른 말이다. AI가 요약을 잘해준다는 사실과, 그 요약이 맥락을 담고 있다는 사실은 다른 말이다. AI가 자료를 불러올 수 있다는 사실과, 그 자료가 검증된 상태라는 사실은 다른 말이다.
이 구분들이 모두 같은 방향을 가리킨다. AI가 무언가를 할 수 있다는 것과, 그 결과가 검증됐다는 것은 다른 수준의 문제다. AI의 능력을 신뢰하는 것과 AI의 결과를 검증하는 것은 별개다. Dechive는 AI의 능력을 부정하지 않는다. AI가 만든 결과를 사람이 다시 생각할 수 있는 구조로 바꾸자고 말하는 것이다. 그것이 AI와 함께 배우는 것의 방향이다.
배움에서 사람에게 남는 역할은 사라지지 않았다. 오히려 AI가 보급될수록 더 선명해졌다. AI가 빠르게 답을 만들어줄수록, 그 답을 다시 질문하고 검증하는 사람의 역할이 더 중요해진다.
AI 시대에 배움의 책임은 줄어든 것이 아니라 달라진 것이다. 책을 찾고, 강의를 들어야 했던 시대와 달리 이제는 빠르게 답을 받는다. 하지만 그 답을 내 판단으로 바꾸는 일은 여전히 사람이 해야 한다. 어떤 의미에서 이 책임은 더 선명해졌다. 이전에는 책이나 강의라는 검증 구조가 어느 정도 걸러줬다. 지금은 그 필터가 없는 상태에서 AI의 답이 바로 온다. 걸러주는 것이 줄어든 만큼, 판단하는 것이 더 중요해졌다.
배움의 재료를 만드는 것은 AI가 잘한다. 배움의 책임을 지는 것은 사람이 해야 한다.
이 구분이 중요한 이유는 AI의 역할을 부정하는 것이 아니라, AI의 역할을 더 명확하게 활용하기 위해서다. 재료를 잘 만들어주는 도구와 함께 일하려면, 그 재료를 어떻게 다루는지 알아야 한다. AI가 만든 설명은 배움의 재료다. 그 재료를 의심하고, 확인하고, 내 것으로 만드는 과정이 배움이다. AI와 함께 배우는 것을 잘한다는 것은 AI에게 더 많은 답을 받는 것이 아니다. AI가 만든 재료를 더 잘 다루는 것이다.
정리 — 배움은 끝나는 것이 아니라 다시 질문할 수 있게 되는 것이다
AI가 답을 주면 배움이 끝나는 것처럼 보인다.
질문을 했고, 답이 왔고, 이해했다는 감각이 온다. 끝난 것 같다.
하지만 제대로 된 배움은 그 답에서 다시 질문이 생길 때 시작된다.
"이 설명에서 내가 아직 모르는 부분은 어디인가." "이 답이 실제로 적용될 때 어떤 조건이 필요한가." "이 개념과 저 개념은 어떻게 연결되는가." "이 답이 틀릴 수 있는 상황은 언제인가."
이 질문들이 생긴다는 것은 이해가 깊어지고 있다는 신호다. 처음에는 아무것도 몰라서 질문할 수 없다. 조금 알게 되면 더 정확한 질문을 던질 수 있다. 더 잘 알게 되면 더 날카로운 질문이 가능해진다. 질문의 질이 달라지는 것이 이해가 깊어지는 증거다.
배움이 끝난 상태는 더 이상 질문이 없는 상태가 아니다. 오히려 이 개념에 대해 다시 질문할 수 있는 상태, 다시 의심할 수 있는 상태, 다른 개념과 연결할 수 있는 상태가 배움이 살아있는 상태다.
AI가 내 저장소에서 지식을 불러와도, 그 지식에서 다시 질문할 수 없다면 배움은 멈춘 것이다. 반대로 아직 불완전한 이해라도 거기서 새로운 질문이 이어진다면, 배움은 계속 움직이고 있는 것이다.
AI는 배움의 재료를 만든다. 하지만 배움의 책임은 사람에게 남는다. 그 책임은 무거운 것이 아니다. 배운 것을 진짜 내 것으로 만드는 과정이다. 질문하고, 의심하고, 확인하고, 다시 세우는 과정이다.
AI 시대의 배움은 답을 더 많이 모으는 일이 아니다. 답을 다시 질문할 수 있는 상태로 남기는 일이다. 그 상태가 유지될 때 배움은 쌓이고, 이해는 깊어진다.
질문은 끝이 아니라 살아있다는 표시다.
AI 시대에 배움은 더 쉬워 보이지만 더 어려운 것을 요구하기도 한다. 쉽게 답을 받을 수 있기 때문에, 더 의식적으로 그 답을 질문하고 검증하고 내 것으로 만들어야 한다. AI가 배움의 재료를 더 빠르게 만들어준다는 것은, 그 재료를 다루는 사람의 역할이 더 중요해졌다는 뜻이기도 하다.
답을 받은 것으로 배운 것이라고 착각하기 가장 쉬운 시대에, 진짜 배움이 무엇인지 더 명확하게 알아야 한다. AI가 답을 줄수록 그 답을 자기 판단으로 바꾸는 능력이 더 중요해진다. 그것이 AI 시대에 사람에게 남는 배움의 핵심 역할이다.
나는 AI에게 더 많은 답을 받고 있는가, 아니면 그 답을 다시 질문하고 검증하면서 내 판단으로 바꾸고 있는가.