‘내 과제는 AI가 썼다’는 공포는 끝났다: 그 자리를 대신한 것은 무엇인가

ChatGPT가 대중에게 공개되자 교육자들은 최악의 상황을 상상하기 시작했다.

학생들이 더는 직접 에세이를 쓰지 않게 될 것이라고 생각했다.

집에서 하는 과제는 더 이상 믿을 수 없게 될 것이라고도 생각했다.

그리고 어디선가 LLM은 위대한 개츠비를 주제로 완성도 높은 5문단 에세이를 쓰고 있었을 것이다. 그동안 명목상 저자는 다른 방에서 비디오 게임을 하고 있었을 테고 말이다.

그런 우려는 이해할 만했다. 학생들이 거의 모든 주제에 관해 설득력 있는 글을 만들어 낼 수 있는 기술을 무료로 이용할 수 있게 된 것은 처음이었다. 하지만 생성형 AI 시대가 시작된 지 몇 년이 지나면서 논의는 더욱 복잡해지고 있다.

학생들은 여전히 AI를 사용한다. 실제로 AI 사용은 놀라울 정도로 보편화됐다. Higher Education Policy Institute의 2025년 설문조사에 따르면 영국 학부생 1,000명 이상 가운데 92%가 어떤 형태로든 AI를 사용하고 있었으며, 88%는 과제에 생성형 AI를 사용한 적이 있었다. UCLA의 2025년 졸업생을 대상으로 한 연구에서도 응답한 졸업반 학생의 73%가 수업 과제를 돕는 데 생성형 AI를 사용한 것으로 나타났다.

그렇다고 학생들이 반드시 ChatGPT에 과제를 처음부터 끝까지 대신 해 달라고 요청하는 것은 아니다. 학생들은 주제를 조사하고, 아이디어를 구상하고, 시험을 준비하고, 글을 다듬고, 어려운 개념을 설명받으며, 때로는 과제의 일부를 생성하기도 한다.

이로 인해 교육자들은 중요한 질문을 마주하게 된다. 학생들은 자신이 제출하는 내용을 실제로 이해하고 있을까?

AI 탐지기의 문제

AI가 작성한 과제에 대한 대응책은 또 다른 형태의 AI, 즉 탐지 소프트웨어였다.

학생들이 알고리즘을 이용해 에세이를 쓸 수 있다면, 교육자들도 다른 알고리즘을 이용해 학생들을 적발할 수 있지 않을까 하는 생각이었다.

하지만 한 가지 문제가 있다. AI 탐지는 증명과 같은 것이 아니다.

생성형 AI가 널리 확산되기 시작한 초기부터 연구자들은 위양성과 위음성에 대한 우려를 제기해 왔다. 한 편의 2023년에 The International Journal of Management Education에 발표된 연구는탐지기가 실제 사람이 쓴 글과 AI가 생성한 글을 분류하는 방식에 겹치는 부분이 있음을 발견했으며, 이로 인해 두 유형의 오류가 모두 발생할 가능성이 생겼다.

최근 연구에 따르면 근본적인 문제는 여전히 남아 있다. 한 편의 2026년에 Computers & Education에 발표된 평가는AI 콘텐츠 탐지기 13종을 실제 학생 과제와 학위 논문, 코드에 적용해 시험했다. 연구진은 탐지기의 성능이 중요한 학업 관련 의사결정에 활용하기에는 여전히 부족하다고 결론 내렸으며, 편집을 거친 AI 생성 콘텐츠는 탐지를 자주 피할 수 있다는 사실도 확인했다.

그렇다고 탐지 도구가 쓸모없다는 뜻은 아니다. 다만 AI를 활용한 학업 활동에 대응하는 주된 해법으로 탐지 도구에 의존하기는 어렵다.

이는 더 큰 문제도 제기한다.

탐지기가 완벽하게 작동하더라도 교육자에게 알려 줄 수 있는 것은 어떤 글을 AI가 작성했을 가능성이 있는지뿐이다. 학습이 이루어졌는지는 알려 주지 못한다.

두 학생을 떠올려 보자.

• 첫 번째 학생은 AI 챗봇에 과제 전체를 써 달라고 한 뒤 몇 군데를 고쳐, 주장의 내용을 이해하지도 못한 채 제출한다.
• 두 번째 학생은 이해하기 어려웠던 개념을 AI에게 설명해 달라고 하고, 후속 질문을 하며, 가능한 주장을 구상한다. 그런 다음 과제를 스스로 작성하고, 도구를 다시 사용해 초안의 약점을 찾아낸다.

둘 다 AI를 사용했다. 그러나 교육적 측면에서 두 학생이 한 일은 크게 달랐다.

‘AI를 사용했나요?’는 더 이상 적절한 질문이 아니다

생성형 AI는 이제 단순한 글쓰기 도구가 아니다.

학생들은 AI를 편집자, 튜터, 아이디어 구상 파트너, 번역가, 연구 보조 도구, 코딩 보조 도구 또는 학습 도구로 활용할 수 있다. 사람들이 이미 사용하는 소프트웨어에도 AI 기능이 점점 더 많이 통합되고 있다.

학생들 스스로도 그 차이를 인식하고 있다. Chegg의 2025년 글로벌 학생 설문조사에서 조사에 참여한 학부생의 80%는 학업을 돕기 위해 생성형 AI를 사용한 적이 있다고 답했다. 그중 56%는 주로 개념이나 주제를 이해하는 데 AI를 사용했다. 한편 53%는 부정확한 정보를 받을까 봐 우려했다.

마지막 수치는 첫 번째 수치만큼이나 중요할 수 있다. AI를 활용하는 법을 배우는 과정에는 답변을 믿어도 되는지 판단하는 법을 익히는 일도 포함되기 때문이다.

챗봇은 에세이에 사용할 자료를 추천할 수 있다. 하지만 그중에는 실제로 존재하지 않는 자료도 있을 수 있다. 문단을 다듬어 줄 수도 있지만, 학생이 말하려던 바를 미묘하게 바꿀 수도 있다.

AI가 답을 더 쉽게 만들어낼수록, 그 답을 판단할 만큼 충분히 아는 일이 더욱 중요해진다. 학문적 정직성에 관한 논의가 AI 리터러시에 관한 논의로 전환되는 지점이 바로 여기다.

학생은 자신이 이해했음을 입증해야 한다

수십 년 동안 충분한 조사를 거쳐 완성한 과제물은 학습의 증거로 여겨지는 경우가 많았다.

학생이 에세이, 실험 보고서, 발표 자료 또는 코드를 제출하면, 교사는 완성된 결과물을 평가해 학생이 해당 내용을 얼마나 잘 이해했는지 판단한다.

생성형 AI는 이러한 전제를 약화한다. 이제는 완성도 높은 결과물이 존재하더라도, 그 결과물이 보여주는 듯한 지식을 학생이 반드시 갖추고 있는 것은 아니기 때문이다.

이에 따라 교육자는 완성된 결과물 너머를 살펴봐야 한다.

1. 학생에게 왜 그런 결론에 도달했는지 설명해 달라고 한다.
2. 어떤 증거가 생각을 바꾸게 했는지 묻는다.
3. 주장을 말로 옹호해 보라고 한다.
4. 과제에서 가장 어려웠던 부분이 무엇인지 묻는다.
5. 문제의 변수 하나를 바꾸고 다시 풀어 보라고 한다.
6. 자신의 작업에서 부족한 점을 찾아보라고 한다.

AI 사용이 허용됐다면, 어떻게 활용했는지, 어떤 내용을 제공받았는지, 무엇을 받아들이지 않았는지 묻는다.

이제 인상적인 답을 내놓는 것은 과제의 일부일 뿐이다. 학생은 그 답을 뒷받침하는 사고 과정의 주체가 자신임을 입증해야 한다.

숙제에는 과정이 더 많이 드러나야 한다

수년 동안 디지털 도구 덕분에 평가의 초점을 완성된 결과물에 맞추기가 점점 더 쉬워졌다. 생성형 AI는 일부 교육자를 반대 방향, 즉 결과물을 만들어낸 과정으로 이끌고 있다.

최종 제출물만 보는 대신 개요와 초안을 검토하는 방식이 될 수 있다. 교실 토론이나 구두 평가를 포함할 수도 있다. 학생은 주장이 어떻게 발전했는지 기록하고, 특정 자료를 선택한 이유를 설명하거나, 어느 부분에서 어려움을 겪었는지 돌아볼 수 있다.

AI 자체가 평가의 일부가 될 수도 있다.

교사는 학생에게 챗봇을 사용하지 말라고 하는 대신, AI가 생성한 답변을 제시하고 비판적으로 검토하게 할 수 있다.

• 모델은 무엇을 제대로 짚었는가?
• 무엇을 간과했는가?
• 어떤 주장을 확인해야 하는가?
• 답변을 신뢰하기 전에 어떤 자료가 필요한가?
• 학생은 더 나은 주장을 펼칠 수 있는가?

이제 과제에서 인간의 판단력을 요구하기 때문에 이런 질문에 대한 답을 외주화하기는 훨씬 어렵다. AI가 그럴듯한 정보를 필요할 때마다 만들어낼 수 있는 상황에서 학생에게 꼭 필요한 역량이 바로 판단력이다.

AI 리터러시는 학문적 리터러시와 동의어가 된다

한때 ‘디지털 리터러시’는 대체로 컴퓨터를 조작하고, 인터넷을 탐색하고, 일반적인 소프트웨어를 사용하는 방법을 아는 것을 뜻했다.

인터넷 검색 방법을 아는 것만으로는 충분하지 않았기 때문에 그 정의는 한층 정교해졌다. 사람들은 웹사이트를 평가하고, 신뢰할 수 없는 출처를 알아보고, 개인정보를 보호하며, 검색 결과 맨 위에 나온다고 해서 반드시 사실인 것은 아니라는 점도 이해해야 했다.

AI 리터러시도 비슷한 변화를 겪고 있다. 프롬프트 작성법을 아는 것은 유용하지만, 그것은 필요한 역량의 일부일 뿐이다.

학생은 생성형 AI가 무엇을 안정적으로 할 수 있고 무엇을 할 수 없는지도 이해해야 한다. 환각을 알아차리고, 확신에 찬 답변에도 의문을 제기하며, 출처를 확인하고, 개인정보 보호를 고려해야 한다. 또한 AI의 도움을 받는 것이 자신의 사고를 대신하는 선을 넘는 때가 언제인지 이해해야 한다.

이러한 구분을 명확히 하려면 전반적인 학습 목표와 관련해 시행착오를 어느 정도 겪게 될 것이다.

AI에게 어려운 개념을 설명해 달라고 하면 학습이 빨라질 수 있다. 반면 스스로 문제를 풀어보기 전에 AI에게 먼저 풀어 달라고 하면, 과제가 길러내려 했던 바로 그 인지적 노력을 건너뛸 수 있다.

교실 밖 세상

교육은 언제나 미래를 내다보는 여정이었다. 학생들은 졸업한 뒤 학교에서 배운 교훈을 직장으로 가져간다. 그리고 학생들이 들어갈 직장에 AI가 없을 가능성은 낮다.

AI 비서는 창작 플랫폼과 기업 시스템에 도입되고 있다. 오늘날의 많은 학생은 AI를 효과적으로 활용할 것이 기대되는 직업에 종사하게 될 수 있다. 따라서 ‘AI 사용 금지’라는 일률적인 접근 방식으로는 직업 생활을 준비시키기가 점점 더 어려워지고 있다.

그 반대편의 극단적인 접근 방식도 그다지 유용하지 않다.

AI의 도움 없이 논증을 글로 표현하지 못하는 학생이 AI를 활용하는 직장에 더 잘 대비하게 된 것은 아니다. AI가 생성한 분석을 확인도 하지 않고 받아들이는 학생도 마찬가지다.

무엇을 맡기고 무엇은 맡기지 말아야 하는지 아는 것이야말로 중요한 역량이다.

• AI는 몇 초 만에 초벌 요약을 만들어 낼 수 있다. 하지만 무엇이 빠졌는지 알아보려면 사람에게 해당 분야에 대한 충분한 지식이 여전히 필요하다.
• AI는 코드를 생성할 수도 있다. 하지만 그 코드가 제대로 작동하는지, 안전한지, 의도한 문제를 해결하는지 판단하려면 여전히 사람이 알아야 한다.
• AI는 고객에게 보낼 이메일 초안을 작성할 수도 있다. 하지만 그 이메일을 보내는 것이 끔찍한 생각인지 판단하려면 고객을 충분히 이해하는 사람이 여전히 필요하다.

독립적인 판단력이 뒷받침되지 않는 AI 활용 능력은 제대로 된 역량이라고 보기 어렵다.

새로운 학업 윤리의 쟁점

기존의 부정행위 문제는 여전히 존재한다. 학생들은 예전부터 그래 왔듯이, 생성형 AI를 이용해 과제를 하지 않을 수 있다. 교육자는 AI 사용이 허용되는 범위와 독립적으로 수행해야 하는 부분, 학업 부정행위에 해당하는 행위가 무엇인지에 대해 여전히 명확한 기준을 세워야 한다.

하지만 더 큰 논의는 AI가 지식이 있는 듯한 인상을 만들어 내는 일을 놀라울 정도로 쉽게 만들었다는 점에 초점을 맞춰 왔다. 이는 교육이 지식이 있는 듯한 겉모습과 실제 지식을 더 잘 구분해야 한다는 뜻이다.

예전의 질문은 이랬다. “이건 네가 한 일이니?”

새로운 질문은 이렇다. “이 작업에 담긴 생각이 자신의 것임을 보여 줄 수 있니?”

이 질문에 답을 평가하기는 더 어렵다. 교육자에게는 에세이를 탐지기에 돌려 백분율이 나오기를 기다리는 것만으로는 충분하지 않다. 그렇지만 추가로 들이는 노력은 그럴 만한 가치가 있다. 숙제는 했는지 안 했는지로만 나뉘는 단순한 문제가 아니기 때문이다. 숙제는 과거에도 그랬고 지금도, 결과물을 만들어 내는 데 필요한 사고 과정에 관한 것이다.