AI 활용, 당신은 지금 ‘학습’하는가 ‘위임’하는가?
인공지능은 이제 단순한 도구가 아니다. 우리 학습과 일상의 근본적인 방식을 재편하는 강력한 존재다. 하지만 그 막강한 능력 앞에서 우리는 종종 길을 잃는다. 챗GPT 같은 생성형 AI를 어떻게 써야 할지, 내가 배우고 성장하는 데 도움이 될지, 아니면 오히려 내 역량을 좀먹을지 고민한다.
이 논문은 그 질문에 대한 명쾌한 답을 제시한다. AI와 인간의 협업을 비고츠키의 근접 발달 영역(ZPD)과 메타인지 개념 위에 세우고, ‘SCAN’이라는 의사결정 프레임워크로 학습자의 성장을 돕는 방법을 제안한다. 우리에게 필요한 것은 AI 사용 능력(AI 리터러시)을 넘어, AI를 통한 ‘학습’을 설계하는 전략적 사고다.
AI 시대, 학습자의 길을 묻다
챗GPT의 등장은 우리에게 전례 없는 생산성 향상의 기회를 가져다주었다. 정보 수집, 필터링, 합성 등 일반적인 지식 작업을 AI가 처리하면서 작업 시간을 단축하고, 남은 인지 자원을 더 중요한 곳에 쓸 수 있게 됐다. 하지만 이 놀라운 도구는 역설적으로 새로운 문제를 야기한다.
연구들은 AI 지원이 과도한 의존 또는 과소 활용으로 이어지며, 자동화 편향, 비판적 사고 저해, 내재적 동기 감소, 심지어 메타인지 능력 저하까지 초래한다고 보고한다. 본질적으로, AI 시대의 학습은 도구의 성능이 아니라, 학습자 자신의 지식 경계를 얼마나 선명하게 인지하는지에 달렸다. 자신의 역량과 AI의 한계를 정확히 알아야만, AI가 진정한 지렛대가 될 순간을 포착한다. 그렇지 않으면 단순히 강력한 맞춤법 검사기에 불과하거나, 반대로 우리의 핵심 역량을 잠식하는 위협이 된다. 이 연구는 바로 이 문제, 즉 개인이 자신의 지식 상태를 기준으로 AI와 효과적으로 과제를 할당하는 방법에 대한 체계적인 해답을 찾는다.
SCAN 프레임워크 해부 — 4가지 AI 협업 영역
SCAN 프레임워크는 비고츠키의 ZPD와 메타인지를 기반으로 한다. 논문은 기존 ZPD 모델에 ‘GenAI가 아는 영역(known to GenAI)’을 추가해, 인간-AI 상호작용의 네 가지 하위 영역을 정의한다. 이 영역들은 우리가 AI와 어떻게 상호작용해야 하는지, 그리고 그 과정에서 어떤 인지적 부하가 발생하며 어떤 기회와 위험이 따르는지 명확히 보여준다.
다음 표는 SCAN의 네 가지 하위 영역을 학습자의 지식 수준, GenAI의 역할, 인지 부하, 그리고 인지적 오프로딩 및 아첨(sycophancy) 성향이라는 측면에서 비교한다.
| SCAN 영역 | 학습자 지식 수준 | GenAI 역할 | 상호작용 방식 | 인지 부하 (본질/외재/수양) | 인지적 오프로딩/아첨 성향 |
|---|---|---|---|---|---|
| Substitute (S) | 전혀 모름 (None) | 일반 지식 제공 (Generic) | 자동화 (Automation) | 높음/높음/차단 | 높음/높음 |
| Aid (A) | 일부 알지만 불충분 (Some) | 비계 제공 (Scaffold) | 증강 (Augmentation) | 중간/감소/활성화 | 중간/중간 |
| Complement (C) | 충분히 앎 (Sufficient) | 실행 위임 (Execution) | 협업 (Collaboration) | 낮음/낮음/최대화 | 낮음/낮음 |
| Non-negotiable (N) | 인간 전문가 필요 (MKO) | 관여 없음 (No GenAI) | 인간 비계 (Human Scaffold) | 높음/보통/활성화 | 해당 없음 |
Substitute (대체) 영역은 학습자가 과제에 대해 전혀 알지 못하는 경우다. GenAI는 일반적인 지식으로 과제를 처리하지만, 학습자는 이를 비판적으로 평가할 스키마가 없어 인지적 오프로딩과 자동화 편향에 취약하다. 외재적 인지 부하가 높아 학습이 차단되는 가장 위험한 영역이다.
Complement (보완) 영역은 학습자가 이미 충분한 지식을 가지고 있어 GenAI의 출력을 독립적으로 검증하고 보완할 수 있는 경우다. GenAI는 특정 부분을 실행하고 학습자는 감시한다. 인지 부하가 낮고 수양적 인지 부하가 최대화되어 생산성과 고차원적 스키마 확장에 가장 효과적이다. 연구에 따르면, GenAI를 활용한 문헌 검색에서 숙련된 연구자는 초보자보다 훨씬 빠르고 포괄적인 결과를 얻는다.
Aid (지원) 영역은 학습자가 과제에 대해 부분적인 지식만 가지고 있지만, GenAI가 비계 역할을 하며 능력을 향상시킬 수 있는 경우다. GenAI는 구조, 예시, 힌트를 제공해 외재적 인지 부하를 줄이고 수양적 인지 부하를 활성화한다. 본질적으로, Aid 영역은 학습자가 GenAI와 함께 가장 효과적으로 성장하는 ‘교육적으로 최적화된’ 영역이다.
Non-negotiable (협상 불가) 영역은 GenAI의 개입 없이 인간 전문가(MKO)의 지도가 필수적인 과제들이다. 멘토십, 윤리적 검토, 전문적 판단이 요구되는 경우에 해당한다. 여기서는 암묵적이고 상황 의존적인 지식, 관계적 역량, 그리고 인간적 책임감이 중요하며, GenAI는 이를 대체할 수 없다.
AI가 ‘모든 것을 아는’ 듯 보여도, 인간의 ‘모르는 것’을 진단하지 못하면 최악의 결과를 낳는다. SCAN은 그 진단을 강제한다.
메타인지, AI와의 균형점을 잡는 나침반
메타인지는 자신의 인지 과정을 인식하고 조절하는 능력으로, SCAN 프레임워크의 핵심 작동 메커니즘이다. 최신 연구들은 생성형 AI에 대한 의존이 높아질수록 AI 오류 탐지 정확도는 떨어지지만, 자신감은 줄어들지 않는 ‘수행-메타인지 불일치’ 현상을 보고한다. 즉, AI는 우리를 ‘똑똑하게 만들지만, 현명하게 만들지는 않는다’는 뜻이다.
SCAN에서 메타인지는 과제를 위임하거나, 모니터링하거나, 직접 수행하는 것을 결정하는 ‘제어 계층’으로 작동한다. 메타인지가 없다면 과제 분류는 무너지고, 학습자는 자신의 지식 상태를 잘못 판단하여 과제를 엉뚱한 영역에 할당한다.
메타인지는 크게 세 가지 요소로 구성된다:
- 메타인지적 지식 (Knowledge): 자신의 역량, 과제 요구사항, 전략에 대한 신념. 초기 영역 식별의 토대가 된다. AI는 표면적으로 유창한 답변으로 실제 신뢰도를 착각하게 만들 수 있다.
- 메타인지적 모니터링 (Monitoring): 과제 수행 중 이해도, 불확실성, 성과를 실시간으로 평가하는 능력. AI 환경에서는 ‘모니터링 착시’ 현상으로 오류 탐지 감도가 저하될 수 있다.
- 메타인지적 통제 (Control): 모니터링 데이터를 바탕으로 전략을 선택, 조정, 포기하는 실행 메커니즘. 이 통제는 시간 경과에 따른 ‘영역 이동(S → A → C)’을 가능하게 한다.
AI 시대의 메타인지는 단순한 자기 이해를 넘어, AI의 ‘유창함’이 주는 착각을 꿰뚫는 ‘인지적 방패’이자 ‘성장 동력’이다. 메타인지는 학습자가 AI와 상호작용하며 자신의 지식 스키마를 형성하고, 인지 부하를 줄이며, 궁극적으로 ‘습득(upskilling)’하고 ‘탈숙련(deskilling)’을 방지하는 핵심 기제다. 학습자가 AI의 도움을 받아 과제를 완수하며 얻은 경험은 다시 메타인지적 지식을 강화하고, 더 나은 모니터링과 통제를 가능하게 한다.
교육 현장, AI 학습의 조건을 재설계하다
이 SCAN 프레임워크는 교육 현장에 매우 실질적인 시사점을 준다. 지식 근로자와 학습자 모두에게 ‘인간 중심적’ 의사결정 프로토콜을 제공한다.
교육 현장 적용 원칙:
- 명시적 과제 분류: 교사는 학생들에게 각 과제를 S/C/A/N 중 어느 영역에 속하는지 분류하게 하고, 그 선택에 대한 메타인지적 근거(왜 자동화/증강/협업을 선택했는지)를 제시하도록 요구한다.
- 감사 추적 (Audit Trail) 의무화: 학생들은 AI 프롬프트, AI 초안, 그리고 자신의 수정 내역을 포함하는 작업 과정을 제출한다. 이는 학생의 메타인지를 활성화하고, AI 사용에 대한 책임을 명확히 한다.
- 능동적 비계 (Active Scaffolding): Aid 영역의 과제에서는 AI가 힌트, 예시, 소크라테스식 질문을 통해 학생의 호기심을 자극하고, 외재적 부하를 줄여 ‘생산적인 고투(productive struggle)’를 유도한다.
- 고차원적 비판 능력 함양: Complement 영역에서는 학생이 AI 출력을 단순히 수용하는 것이 아니라, 여러 AI의 논리를 비교하고, 루브릭과 학문적 기준에 따라 비판하며, 통합하는 고차원적 기술을 연마한다.
- 메타인지적 보정: 학생들은 AI 사용 전 성과를 예측하고, 사용 후 성찰하며, 시간이 지남에 따라 과제가 S→A→C로 이동하는 과정을 추적한다. 이는 학습 진행 상황을 가시화한다.
- 비보조 학습 능력 평가: 평가는 AI가 지원한 결과물의 품질뿐만 아니라, 학생이 ‘혼자서도 할 수 있는’ 능력을 평가하도록 설계한다 (예: 구두 방어, 과정 포트폴리오, 무작위 전이 과제).
하지만 이 프레임워크가 모든 문제를 해결하는 마법 지팡이는 아니다. 이 프레임워크는 강력한 개념적 렌즈이지만, 교실에서 그 ‘운영화(operationalization)’는 세심한 교수 설계와 교사의 끈질긴 지도를 요구한다.
이 연구의 한계와 필자의 비판적 관점:
- 초보 학습자의 메타인지 역량 부족: SCAN은 학습자의 메타인지적 역량을 전제로 한다. 초보 학습자는 자신의 지식 상태를 정확히 진단하는 것 자체가 버거울 수 있다. 현장에서 교사의 추가적인 ‘진단과 처방’ 과정 없이는 이 프레임워크는 무용지물이 될 수 있다. 학습자에게는 프레임워크 학습 자체도 인지 부하가 될 가능성이 크다.
- 과제 복합성: 실제 프로젝트는 S, C, A, N 영역이 명확히 구분되지 않고 뒤섞이는 경우가 많다. 실제 현장에서 ‘미션 브리핑’과 같은 명확한 구조화된 가이드라인이 선행되지 않으면, 학습자는 과제 분할 자체에서 큰 어려움을 겪는다.
- 동적인 의사결정 환경: 시간 압박이나 끊임없이 변하는 의사결정 환경에서는 SCAN 프레임워크를 실시간으로 적용하기 어렵다. 비록 ‘반성적 도구’로서의 가치는 인정하지만, 급박한 현장에서는 즉각적인 행동 지침으로 활용되기 어렵다.
그럼에도 불구하고, SCAN은 AI 시대의 학습에 대한 우리의 사고방식을 혁신적으로 바꿀 잠재력을 지닌다. 우리는 AI를 ‘무엇이든 해주는 블랙박스’로 여기는 대신, 나의 학습과 성장에 맞춰 ‘어떻게 비계를 제공할지’를 고민하는 동반자로 인식해야 한다.
다음 주 수업 준비 시, 당신은 챗GPT에 어떤 과제를 ‘S, A, C, N’ 중 어디에 놓을지, 그리고 그 이유를 동료와 5분간 이야기해본다. 최소한의 실천이 가장 강력한 통찰을 제공한다.
출처
- Tsim, F., & Gutoreva, A. (2026). SCAN: A Decision-Making Framework for Effective Task Allocation with Generative AI. arXiv preprint arXiv:2606.15601v1 [cs.HC].