AI 시대, 기초 학습의 이유

진단실 화면에 AI의 제안이 뜬다. 같은 화면을 본 사람의 판단은 갈렸다. 한 파일럿 연구에서는 유방촬영 판독에 참여한 방사선과 의사가 정답인 AI 제안을 참고했을 때 올바른 진단을 할 확률이 78%였고, 오답인 AI 제안을 참고했을 때 잘못된 진단을 할 확률이 72%였다. AI가 답을 더 빨리 내놓을수록, 인간이 왜 생물학·수학·예술 같은 기초 분야를 계속 배워야 하는지 다시 묻게 된다. 핵심은 산출을 직접 만드는 능력만이 아니다. 무엇을 물을지 정하고, 무엇이 틀렸는지 가려내는 능력이다.

세 줄 요약

이 글의 핵심 쟁점은 AI가 결과물을 잘 만들어도 문제 정의, 검증, 해석, 책임 판단이 여전히 인간의 기초 소양과 도메인 이해에 기대는가다.
중요한 이유는 AI가 맞을 때는 생산성을 높일 수 있지만, 틀릴 때는 사람까지 같이 틀리게 만들 수 있기 때문이다. 이때 수학적 사고·과학 소양·창의성은 자동화 시대의 안전장치이자 증폭기로 작동한다.
독자는 AI를 쓸수록 기초 학습을 줄이지 말아야 한다. 각 업무마다 “내가 독립적으로 검증할 수 있는가”를 기준으로 학습·실험·도구 사용 범위를 다시 나눠야 한다.

현황

국제기구 문서가 제시하는 방향은 비교적 분명하다. OECD는 AI 시대 학습자 역량 가운데 창의성을 **“Use AI to build and reflect on original ideas or to explore new ones”**라고 적었다. 여기서 창의성은 손으로 처음부터 끝까지 만드는 숙련만 뜻하지 않는다. AI를 써서 아이디어를 만들고, 그 아이디어를 다시 돌아보는 능력도 포함한다.

수학과 과학도 비슷하다. OECD의 PISA 2022 프레임워크는 수학적 소양을 단순 계산이 아니라 수학적 추론, 그리고 현실 문제의 수학적 성격을 알아보고 푸는 능력으로 다룬다. PISA 2006 과학 소양 프레임워크는 과학 지식을 써서 질문을 식별하고, 새 지식을 얻고, 현상을 설명하고, 증거 기반 결론을 내리는 역량으로 정의했다. AI가 답을 내놓는다고 해서 이 기초층이 사라지는 것은 아니다. 오히려 초점이 “답을 다루는 능력”으로 이동한다.

실험 연구도 이런 방향과 맞물린다. 제조와 의료 분야에서 설명 가능한 AI를 도메인 전문가와 함께 썼을 때 성과가 올라간 논문이 있다. 이 연구는 제조 실험에서 전문가 성과가 7.7 percentage points 개선됐고, 의료 실험에서는 4.7 percentage points 개선됐다고 적었다. 반대로 앞서 언급한 유방촬영 파일럿 연구는 AI 제안이 맞을 때도 틀릴 때도 사람 판단을 강하게 끌어당긴다고 기록했다. 이는 AI가 인간을 대체한다기보다, 인간의 실력을 증폭하거나 약화하는 방식으로 작동할 수 있음을 보여준다.

분석

그래서 “AI가 다 해주는데 왜 기초 학문을 배우나”라는 질문은 반쯤만 맞다. 초안 작성, 아이디어 발산, 계산 보조, 참고자료 정리처럼 산출의 앞단과 중간 단계에는 자동화가 넓게 들어올 수 있다. 그러나 그다음 단계인 문제 설정, 가정 점검, 오류 탐지, 결과 해석, 책임 판단은 도메인 지식이 없으면 더 취약해질 수 있다. 수학은 정답을 내는 기술만이 아니라 가정을 분해하는 기술이 된다. 생물학은 용어 암기만이 아니라 메커니즘을 의심하는 도구가 된다. 예술은 보기 좋은 결과물 생산만이 아니라 새로운 관점과 제약 조건을 설계하는 훈련이 된다.

여기서 예술을 빼면 그림이 달라진다. 인간-AI 조합을 다룬 메타분석은 인간의 창의성, 직관, 맥락 이해와 AI의 속도, 확장성, 분석 능력이 함께 작동할 때 성과가 좋아질 수 있다고 정리했다. 예술 학습의 가치는 “예술가가 되기 위해서만”에 있지 않다. 스타일을 구분하고, 상징을 읽고, 낯선 조합을 견디고, 피드백을 주고받는 감각은 AI 활용에도 이어진다. 다만 한계는 있다. 현재 확인되는 연구는 의료·제조·수술처럼 전문성이 강한 분야에 몰려 있다. 이 결과를 생물학, 수학, 예술 교육 전반에 곧바로 같은 강도로 적용하기는 어렵다.

실전 적용

실무자와 학습자가 바로 바꿔야 할 것은 “AI가 대신한다”는 업무 분류표가 아니다. “내가 검증할 수 있는가”를 기준으로 다시 나누는 표다. 예를 들어 생물학을 공부하는 사람은 AI가 만든 설명을 바로 외우지 말고, 인과관계와 예외 조건을 따져야 한다. 수학을 공부하는 사람은 답보다 풀이 구조를 먼저 봐야 한다. 예술을 공부하는 사람은 결과물보다 의도와 선택 기준을 먼저 적어야 한다.

예: AI에게 세포 메커니즘 설명을 받았다면 핵심 용어 정의, 원인-결과 연결, 반례 가능성을 따로 적어본다. AI에게 수학 풀이를 받았다면 각 단계가 왜 필요한지 거꾸로 설명해본다. 이미지나 글 초안을 받았다면 “왜 이 구성이 먹히는가”를 언어로 풀어본다. 기초 학습은 산출 속도를 늦추는 우회로가 아니다. AI 출력의 품질을 판별하는 검사 장비에 가깝다.

오늘 바로 할 일

지금 쓰는 AI 업무 3개를 적고, 각 업무마다 “내가 독립적으로 오류를 찾을 수 있는가”에 따라 사용 범위를 나눠라.
생물학·수학·예술 중 하나를 골라, AI 답변의 결과가 아니라 추론 과정을 검증하는 연습을 1회 해봐라.
팀 문서에 “AI 초안은 누구의 어떤 지식으로 검토하는가”라는 검증 책임 항목을 추가해라.

FAQ

Q. AI가 잘 설명해주는데 기초 과목을 깊게 배울 필요가 정말 있나?
그렇습니다. AI는 설명을 빠르게 만들 수 있지만, 그 설명이 맞는지 판단하는 일은 사용자의 기초 소양에 크게 좌우됩니다. 특히 틀린 AI 제안도 사람 판단을 강하게 끌 수 있어서, 검증 능력이 없으면 생산성보다 오류 비용이 커질 수 있습니다.

Q. 수학적 사고는 코딩이나 계산 능력과 같은 말인가?
그렇지 않습니다. 조사 결과에 포함된 OECD PISA 프레임워크는 수학적 소양을 수학적 추론과 현실 문제의 수학적 성격을 인식하고 해결하는 능력으로 설명합니다. 계산은 일부일 뿐입니다. 핵심은 구조를 보고 가정을 다루는 힘입니다.

Q. 예술 학습도 AI 시대에 실용적인가?
그렇습니다. OECD는 AI 시대의 창의성을 AI로 새로운 아이디어를 만들고 그것을 다시 성찰하는 능력으로 설명합니다. 예술 학습은 결과물 생산 자체보다 관점 전환, 맥락 이해, 피드백 해석 같은 능력을 기르는 데 쓰일 수 있다는 점에서 실용적입니다.

결론

AI 시대에 기초 학문은 덜 중요해지는 것이 아니라 역할이 바뀐다. 답을 직접 만드는 능력에서, 답을 의심하고 조정하고 책임지는 능력으로 무게중심이 이동한다. 앞으로 볼 지점도 하나다. 누가 AI를 더 자주 쓰느냐보다, 누가 AI를 더 잘 검증하느냐다.

Aionda

AI 시대, 기초 학습의 이유

세 줄 요약

현황

분석

실전 적용

FAQ

결론

다음으로 읽기

참고 자료

업데이트 받기