AI 시대, 대학 교육이 바뀌고 있다: 신뢰·판단력·인간 중심 교육의 부상

AI는 멈추지 않는다 — 교육은 준비되어 있는가

마이크로소프트 AI CEO 무스타파 술레이만(Mustafa Suleyman)이 MIT 테크놀로지 리뷰 기고를 통해 "AI 발전은 당분간 벽에 부딪히지 않을 것"이라고 단언했다. 그는 인간이 선형적 세계에 적응해 왔지만, AI의 핵심 동력은 지수적(exponential) 성장에 있다고 강조했다. 이 메시지는 단순한 산업 전망이 아니다. 대학에서 AI를 활용해 공부하는 학생, AI를 가르쳐야 하는 교육자 모두에게 "지금의 방식이 1년 후에도 유효할까"라는 질문을 던진다.

실제로 2026년 들어 AI와 교육의 교차점을 다룬 연구가 쏟아지고 있다. 이번 주 공개된 주요 논문들을 통해, AI 시대 대학 교육이 어디로 향하고 있는지 짚어본다.

AI를 많이 믿을수록 판단력이 떨어진다?

피츠버그 대학 등 연구팀이 432명의 학부생을 대상으로 진행한 실험 결과가 흥미롭다. 학생들에게 Python 문제를 풀게 하면서 AI 챗봇의 추천을 제공했는데, 일부는 의도적으로 틀린 답변을 포함시켰다.

결과는 직관에 반했다. AI에 대한 신뢰도가 높은 학생일수록 적절한 의존도(appropriate reliance)가 낮았다. 즉, 맞는 답은 받아들이되 틀린 답은 거부하는 '판별 능력'이 떨어진 것이다. 다만 이 관계는 **AI 리터러시(AI literacy, AI 활용 소양)**와 **인지 욕구(Need for Cognition, 깊이 생각하려는 성향)**가 높은 학생에서는 완화되었다.

교육적 시사점

이 연구는 단순히 "AI를 의심하라"는 메시지가 아니다. AI를 잘 쓰려면 AI가 어떻게 작동하는지 이해하고, 스스로 생각하는 습관이 뒷받침되어야 한다는 것이다. AI 도구를 도입하는 강의에서 AI 리터러시 교육을 병행해야 하는 이유가 여기에 있다.

"AI가 코드를 짜주는 시대" — 학생은 무엇을 배워야 하나

드래니아스와 화이틀리는 CS 교육에서 LLM 기반 코딩 도구가 야기하는 목표 이탈(Objective Drift) 문제를 정면으로 다뤘다. 목표 이탈이란, AI가 생성한 코드가 겉보기에는 그럴듯하지만 원래 과제 명세에서 점점 벗어나는 현상이다.

이들은 시스템 공학과 제어 이론(Control Theory)에서 개념을 빌려, HITL(Human-in-the-Loop, 인간 참여형) 제어를 안정적인 교육 과제로 재정의했다. 핵심 제안은 다음과 같다:

• 계획과 실행을 명시적으로 분리할 것
• AI에게 코드를 생성시키기 전에 수용 기준(acceptance criteria)과 아키텍처 제약을 먼저 정의할 것
• 의도적으로 **개념 정렬된 이탈(concept-aligned drift)**을 주입해, 학생이 명세 위반을 진단하고 복구하는 훈련을 할 것

이 접근은 특정 AI 도구의 프롬프트 기법이 아닌, 도구가 바뀌어도 유효한 메타 역량을 가르치는 데 초점을 맞춘다는 점에서 주목할 만하다.

데이터 사이언스 교육의 핵심은 여전히 '인간'

토론토 대학의 네이선 태백(Nathan Taback) 교수는 생성형 AI가 데이터 사이언스의 많은 루틴 작업 — 정제, 요약, 시각화, 모델링, 보고서 작성 — 을 자동화할 수 있게 되었지만, **가장 중요한 역량은 환원 불가능하게 인간적(irreducibly human)**이라고 주장한다.

그가 꼽은 인간 핵심 역량:

• 문제 정의(problem formulation)
• 측정 설계와 인과 추론(causal identification)
• 통계적·계산적 추론(reasoning)
• 윤리와 책임(ethics & accountability)
• 의미 부여(sensemaking)

맥루한(McLuhan)의 통찰 — "우리가 도구를 만들고, 그 후 도구가 우리를 만든다" — 을 빌려, 태백 교수는 AI와의 반복적 상호작용(prompt-output-prompt cycle) 속에서 판단력을 발휘하는 법을 명시적으로 가르쳐야 한다고 제안한다.

AI가 교육 콘텐츠도 만든다 — EduIllustrate 벤치마크 등장

한편, AI가 교육을 돕는 방식 자체도 진화하고 있다. EduIllustrate는 LLM이 텍스트와 다이어그램이 결합된 교육 설명을 얼마나 잘 생성하는지 평가하는 새로운 벤치마크다. K-12 STEM 문제 230개를 5개 과목, 3개 학년 수준으로 구성했다.

평가 결과, Gemini 3.0 Pro Preview가 87.8%로 최고 성능을 보였고, Kimi-K2.5는 문제당 $0.12의 비용으로 80.8%를 달성해 비용 효율성에서 두각을 나타냈다. 특히 순차적 앵커링(sequential anchoring) 기법을 적용하면 다이어그램 간 시각적 일관성이 13% 향상되면서 비용은 94% 절감된다는 결과가 인상적이다.

이 연구는 AI 튜터가 단순 텍스트 답변을 넘어 시각적 교육 자료까지 자동 생성하는 시대가 가까워지고 있음을 보여준다.

학생이 지금 당장 할 수 있는 것

이번 주 연구들이 공통으로 가리키는 방향은 명확하다. AI를 잘 쓰는 능력은 AI를 비판적으로 평가하는 능력에서 출발한다.

1. AI 코딩 도구를 쓸 때: 먼저 요구사항과 제약 조건을 문서화한 뒤 코드를 생성하자. 결과물이 원래 목표에서 벗어나지 않았는지 체크리스트를 만들어 검증하는 습관이 곧 경쟁력이 된다.
2. AI 답변을 받았을 때: 맞는 것 같아도 한 번 더 검증하자. AI 리터러시를 키우는 가장 좋은 방법은 AI가 틀릴 수 있는 상황을 의도적으로 경험해 보는 것이다.
3. 데이터 분석 과제에서: AI에게 코드 작성을 맡기되, "왜 이 분석을 하는가", "이 결과가 의미하는 바는 무엇인가"는 직접 고민하자. 이것이 대체 불가능한 역량이다.

AI 발전 속도가 둔화될 기미가 보이지 않는 만큼, 도구에 끌려다니지 않고 도구 위에서 판단하는 능력이 앞으로의 교육에서 가장 큰 차별점이 될 것이다.