Brown University의 AI 부정행위 사례가 드러낸 대학 시험의 위기

Brown University의 Roberto Serrano 교수는 재택 중간고사에서 수강생 평균이 96%를 기록한 뒤 심각한 모순을 발견했다. 이 평균이 감독 환경에서는 급격히 떨어지면서 시험 보안의 지평적 특성이 드러났다. 그의 사례는 대학이 기존 평가 체계를 그대로 둔 채 탐지 도구 하나를 더하는 방식으로는 학업 기준을 지킬 수 없음을 시사한다.

Serrano는 고급 수리경제학 과목인 Welfare Economics and Social Choice Theory를 가르친다. 그는 2025년 12월 Brown 캠퍼스에서 발생한 총격 사건으로 학생들이 불안을 호소하자 재택 시험을 허용했다. 보도된 강의실 사례에 따르면, 그는 이후 해당 과목에서 광범위한 무단 AI 사용의 증거를 발견했다.

이 논쟁은 한 강의나 하나의 챗봇에 국한되지 않는다. 대학은 유연한 학습을 약속하는 동시에, 특정 학생이 정해진 역량을 습득했다는 점을 인증한다. 생성형 AI는 과제가 통제되지 않은 환경에서 이뤄질 때마다 이 두 약속을 조화시키기 어렵게 만든다.

Brown은 이제 전 세계 대학이 직면한 것과 같은 선택지 앞에 서 있다. AI 부정행위를 주로 개인의 위법 행위로 다룰 수도 있고, 검증 가능한 학습을 중심으로 평가를 재설계할 수도 있다. 전자는 익숙한 절차를 유지한다. 후자는 익숙한 절차가 더 이상 충분한 증거를 제공하지 못한다는 사실을 받아들인다.

평균 96%의 중간고사가 경보를 울렸다

중요한 변화는 학생들이 ChatGPT에 접근할 수 있었다는 점이 아니었다. 기존 시험이 더 이상 개별 학습을 신뢰성 있게 입증하지 못하게 됐다는 점이었다.

Serrano는 약 20년간 이 과목을 가르쳤으며, 통상 수강생은 약 30명이었다. 2026년 봄학기에는 재택 시험을 도입한 뒤 수강생이 86명으로 늘었다. 이 방식은 학생들에게 시간 제한 없이 시험을 치를 수 있게 했고, 강의실 복귀에 대한 정당한 우려에도 대응했다.

재택 중간고사의 평균 점수는 96%였다. Serrano에 따르면 새 시험은 더 어려웠지만, 과거 중간고사 평균은 65%에서 80% 사이였다. 보도에 따르면 수강생의 거의 절반이 만점을 받았다.

높은 점수만으로 부정행위를 입증할 수는 없다. 유난히 우수한 수강생 집단, 무제한의 작업 시간, 협업, 더 나은 준비 상태, 시험 간 차이 모두 점수 분포를 바꿀 수 있다. 부정행위 혐의는 학생의 교육과 평판에 영향을 줄 수 있으므로 이 한계는 중요하다.

Serrano는 답안 자체에서도 또 다른 신호를 발견했다. 보도에 따르면 여러 답안이 직접적인 수학적 증명이 더 자연스러운 상황에서 간접 모순법을 사용했다. Serrano와 채점 조교들이 이 문제를 ChatGPT에 입력하자, ChatGPT 역시 비슷하게 복잡한 접근법을 내놓았다.

그 유사성은 의심을 키웠지만, 어느 학생이 어떤 도구를 사용했는지는 여전히 특정하지 못했다. 언어 모델은 같은 프롬프트에 서로 다른 답을 생성할 수 있다. 학생들이 공용 노트를 사용하거나 함께 문제를 논의한 뒤 이례적인 방법에 수렴할 수도 있다.

Serrano는 기말고사를 감독이 있는 강의실로 옮기는 방식으로 대응했다. 그는 기말고사 결과가 중간고사와 대체로 비슷한 분포를 보이면 중간고사 성적을 반영하겠지만, 그렇지 않으면 반영 비중을 바꾸겠다고 학생들에게 알렸다.

수강 인원과 성적의 변화는 극적이었다. 사건 보도에 따르면 중간고사 만점자 22명을 포함해 27명이 수업을 철회했다. 59명이 기말고사를 치렀고, 이 중 19명이 낙제했으며 기말고사 평균은 약 49%로 떨어졌다.

보도에 따르면 중간고사 결과와 10점 이내의 차이를 보인 학생은 단 두 명이었다. 이 패턴은 재택 중간고사 점수가 독립적인 숙련도를 반영하지 않았다는 Serrano의 주장을 강화한다. 하지만 모든 개인 사례에서 AI 사용을 입증하는 것은 아니다.

이 구분이 제도적 문제를 규정한다. 대학은 통계적 의심을 자동적인 유죄 판단으로 취급하지 않으면서도 자격의 신뢰성을 지킬 만큼 충분한 증거가 필요하다. 개별 표절 사건만을 위해 설계된 절차는 하나의 평가에서 수십 건의 의심스러운 제출물이 나올 때 어려움을 겪는다.

보도에 따르면 Brown은 Serrano에게 개별 학생을 상대로 민원을 제기하고 각 시험 답안을 검토용으로 제출하라고 요청했다. 대학 대변인은 혐의가 한 학생과 관련됐든 여러 학생과 관련됐든 절차는 동일하다고 말했다. Serrano는 이런 대응으로는 이 규모의 부정행위를 처리할 수 없다고 주장했다.

대학의 신중함에는 방어 가능한 목적이 있다. 학사 징계에는 통지, 증거, 그리고 학생이 소명할 기회가 필요하다. 그러나 평가 설계 자체가 수강생 대부분에게 불확실성을 만들 때, 건별 절차는 불충분해진다.

이 사례가 Brown을 넘어 중요한 이유가 여기에 있다. 실패는 공식적인 부정행위 판정 이전에 발생했다. 대학이 점수가 무엇을 측정하는지 더 이상 자신 있게 설명할 수 없게 된 순간 발생했다.

AI 부정행위의 지평적 특성이 판도를 바꾼다

대학은 금지된 지원을 단속하는 데 그치지 않는다. 학위가 여전히 한 사람의 지식과 판단력을 인증하는지 지키고 있다.

여기서 AI 부정행위의 지평적 특성이란 계속 움직이는 경계를 의미한다. 모델의 추론 능력이 향상될 때마다 소프트웨어가 설득력 있게 완료할 수 있는 비감독 과제의 범위도 넓어진다. 이번 학기에 안전하다고 여겨진 평가는 다음 과목이 시작되기 전에 취약해질 수 있다.

생성형 AI는 사용자의 지시를 바탕으로 새로운 텍스트, 이미지, 코드 또는 기타 콘텐츠를 만들어내는 소프트웨어다. 출처를 단어 하나까지 그대로 재현할 필요가 없다. 따라서 결과물이 표현 면에서는 독창적이지만 저작 주체 면에서는 독창적이지 않을 수 있어, 기존 표절 검사는 유용성이 떨어진다.

수리경제학은 한때 일반적인 에세이 작성보다 더 강한 저항력을 가진 분야로 보였다. 학생들은 논증을 선택하고, 증명을 구성하며, 형식적 결과를 연결해야 했다. Serrano의 설명은 현재 도구가 추론 과정이 어색하더라도 높은 점수를 받을 만큼 그럴듯해 보이는 답안을 만들어낼 수 있음을 시사한다.

압박은 먼저 교수진에게 가해진다. 이들은 AI 사용 규칙을 정하고, 과제를 설계하고, 수업을 가르치며, 의심스러운 작업을 검토하고, 사례를 문서화하고, 자신의 결정을 방어해야 한다. 많은 이들이 이런 책임 어느 것에 대해서도 충분한 교육을 받지 못했다.

학생들은 또 다른 형태의 압박에 직면한다. 규칙은 과목, 학과, 교수자에 따라 다르다. 한 수업에서 브레인스토밍용으로 허용된 도구가 다른 수업에서는 부정행위가 될 수 있다. 모호한 경계는 정직한 준수를 어렵게 하고 집행의 일관성도 떨어뜨린다.

관리자는 제도적 위험을 떠안는다. 고용주와 전문 기관은 성적표가 입증된 역량을 반영한다고 가정한다. 대학이 그 역량을 검증할 수 없다면 성적과 자격증명에 대한 신뢰는 약화될 것이다.

호주의 고등교육 규제기관은 평가 보안을 부정행위에 강하도록 과제를 설계하는 조치로 정의한다. 이 기관의 평가 보안 지침은 신뢰할 수 있는 평가를 자격에 대한 대중의 신뢰와 연결한다. 이러한 관점은 문제를 규정 위반자를 적발하는 차원을 넘어선다.

따라서 대학에는 두 종류의 평가가 필요하다. 일부 과제는 학생들이 AI와 함께 학습하도록 도와야 하며, 다른 과제는 학생들이 독립적으로 무엇을 할 수 있는지 검증해야 한다. 이 두 목적을 혼동하면 무제한적인 외주화 또는 일률적인 금지로 이어진다.

학습 과제는 실험, 초안 작성, 피드백 또는 AI 지원 비교를 허용할 수 있다. 검증 과제는 학습 성과에 적합한 조건에서 저작 주체와 역량을 입증해야 한다. 같은 과제가 두 목적을 모두 똑같이 잘 수행하는 경우는 드물다.

예를 들어 학생은 AI를 사용해 정책 분석을 준비할 수 있다. 이후 학생은 그 가정을 구두로 방어하고, 핵심 계산 하나를 재현하며, 대안적 증거가 결론을 어떻게 바꾸는지 설명할 수 있다. 이 순서는 AI 리터러시와 개인의 이해를 모두 평가한다.

교수진은 늘어난 업무 부담에 대한 지원도 필요하다. 구두 확인, 단계별 과제, 감독하 과제에는 시간이 든다. 대학은 개별 교수자가 모든 운영 비용을 떠안게 한 채 평가 개혁을 발표할 수 없다.

Brown 사례에서는 제도적 보증 문제가 한 과목에서 드러나면서 한 교수에게 압박이 집중됐다. 대학은 이 배분을 뒤집어야 한다. 프로그램이 평가 보안을 책임지고, 교수자는 공동의 설계를 실행해야 한다.

탐지만으로는 학업 윤리 체계를 지탱할 수 없다

AI 탐지기는 저작 주체에 대한 취약한 증거에서 시작해 중대한 징계 결정으로 끝나는 갈등을 해결할 수 없다.

AI 탐지 도구는 텍스트가 기계 생성 글쓰기와 얼마나 유사한지를 추정한다. 학생이 작업물을 어떻게 만들었는지는 관찰하지 않는다. 따라서 그 결과는 행위 기록이 아니라 추론이다.

오탐은 정직한 학생을 혐의에 노출할 수 있다. 미탐은 정교한 악용을 통과시킬 수 있다. 편집, 번역, 프롬프트 개선, 인간과 기계가 섞인 초안 작성, 모델 업데이트 모두 결과에 영향을 줄 수 있다.

이 문제는 제2언어로 글을 쓰는 학생에게 특히 심각해진다. 정형화된 어휘나 예측 가능한 문장 구조가 모델 출력과 유사하게 보일 수 있다. 탐지기 점수를 증거로 취급하는 기관은 언어 패턴을 부정행위와 혼동할 위험이 있다.

Quality Assurance Agency는 오탐과 회피를 포함한 탐지의 한계를 고려하라고 기관들에 조언한다. 이 기관의 평가 툴킷은 고위험 과제를 검토하고, 허용되는 AI 사용을 명확히 하며, 적절한 경우 투명성을 요구할 것을 권고한다.

Serrano는 탐지기에만 의존하지 않았다. 그는 과거 성적, 수강 인원 변화, 풀이 패턴, 모델 생성 답안, 수강 철회, 감독하 기말고사를 비교했다. 이 신호들은 함께 중간고사가 신뢰할 수 있는 측정 수단이 아니었다는 강력한 근거를 형성했다.

그럼에도 개인에 관한 질문은 남는다. 기말고사가 더 어려웠을 수 있다. 학생들은 감독 환경에서 더 큰 불안을 경험했을 수 있다. 수강 철회로 비교 대상 집단도 달라졌다. 최근 통계적 비판은 이러한 대안적 설명이 점수 차이만으로 입증할 수 있는 범위를 제한한다고 주장한다.

그 비판이 중간고사에 대한 신뢰를 회복시키는 것은 아니다. 대학이 두 가지 결정을 분리해야 하는 이유를 보여준다. 하나는 평가가 여전히 유효한지 묻는다. 다른 하나는 특정 학생이 부정행위를 저질렀는지 묻는다.

기관은 손상된 평가를 무효로 하거나 그 반영 비중을 낮추면서도, 모든 학생에게 자동으로 유죄를 선고하지 않을 수 있다. 이후 증거가 정해진 기준을 충족하는 경우에만 개별 징계를 진행할 수 있다. 이 접근법은 자격증명의 신뢰성과 적법 절차를 모두 보호한다.

대학은 학습 과정에서 생성된 증거도 보존해야 한다. 초안 이력, 주석이 달린 출처, 계산 과정, 실험실 기록, 코드 커밋, 짧은 성찰문은 작업이 어떻게 발전했는지 보여줄 수 있다. 이러한 기록은 최종 문서만 따로 볼 때보다 더 많은 정보를 제공한다.

과정 증거는 반드시 비례성을 유지해야 한다. 지속적인 감시는 개인정보 보호 위험을 만들고 교육을 직장 내 모니터링으로 바꿔 놓을 수 있다. 기관은 명시된 학습 성과와 공개된 평가 규칙을 뒷받침하는 정보만 수집해야 한다.

AI 사용 공개는 또 다른 층위를 제공한다. 학생은 사용한 도구를 밝히고, 허용된 역할을 설명하며, 관련 프롬프트를 보관하고, 어떤 주장을 검증했는지 설명할 수 있다. 공개가 숨겨진 오용을 막지는 못하지만, 승인된 사용을 감사 가능하게 만든다.

같은 원칙은 학생들이 개인 지식 기반을 구축하는 데에도 도움이 된다. 출처 노트, 수정 이력, 추론 기록은 학습을 탐지기 점수로 축소하지 않으면서 지적 발전을 문서화할 수 있다.

명확한 정책은 그러한 증거와 함께 제시되어야 한다. “AI를 책임감 있게 사용하라”는 말은 성적이 부여되는 과제에는 지나치게 모호하다. 평가는 AI가 아이디어를 생성하고, 문장을 편집하며, 코드를 작성하고, 문제를 해결하거나, 인용을 제공할 수 있는지 명시해야 한다.

규칙은 학생이 무엇을 제출해야 하는지도 설명해야 한다. 프롬프트 제출이 필요하다면 어떤 프롬프트를 어떤 형식으로 제출해야 하는지 밝혀야 한다. 구두 검증이 뒤따를 수 있다면, 학생이 과제를 시작하기 전에 이를 공지해야 한다.

그러면 부담은 텍스트가 “AI처럼 보이는지”를 추측하는 데서, 알려진 요구사항에 비추어 명확히 정의된 행동을 확인하는 데로 옮겨간다. 이것이 학문적 진실성을 위한 더 공정한 토대다.

대학에는 안전한 검증과 AI 활용 학습이 필요하다

실행 가능한 대응책은 전면 금지도 무제한 AI 사용도 아닌, 두 갈래 평가 시스템이다.

첫 번째 갈래에는 필수적인 개인 역량을 검증하는 안전한 평가가 포함되어야 한다. 여기에는 감독하 시험, 구두 변론, 실시간 문제 해결, 실습 시연 또는 통제된 디지털 과제가 포함될 수 있다. 형식은 인증하려는 역량에 맞아야 한다.

두 번째 갈래에는 AI 사용이 허용되거나 요구되는 개방형 평가가 포함되어야 한다. 학생들은 모델 출력을 비교하고, 오류를 식별하며, 취약한 추론을 개선하고, 의사결정 과정을 문서화할 수 있다. 이러한 과제는 AI 리터러시를 숨겨진 지름길이 아니라 학습 성과로 다룬다.

각 프로그램은 각 갈래에 어느 정도의 증거가 필요한지 결정해야 한다. 의학 과정에는 임상 판단을 안전하게 시연하는 평가가 필요하다. 소프트웨어 과정은 AI 코딩 지원을 허용하는 한편, 학생에게 생성된 코드를 실시간으로 설명하고, 테스트하고, 수정하도록 요구할 수 있다.

경제학은 명확한 사례를 제공한다. 학생들은 개방형 과제에서 모델을 사용해 복지 논거를 제안할 수 있다. 이후 안전한 과제에서는 결과를 도출하고, 숨겨진 가정을 식별하며, 정책적 함의를 방어하도록 요구할 수 있다.

모델 역량의 지평선적 특성은 대학이 이 균형을 정기적으로 검토해야 함을 뜻한다. 도구가 새로운 추론, 코딩, 브라우징, 멀티미디어 기능을 계속 획득하기 때문에 정적인 정책은 빠르게 낡을 것이다.

개별 과목의 단편적 변경보다 프로그램 수준의 검토가 더 중요하다. 모든 교수가 독립적으로 대응하면 학생들은 혼란스러운 누더기식 규정에 직면한다. 일부 과목은 지나치게 제한적으로 변하는 반면, 다른 과목은 더 이상 학습을 검증하지 못하는 과제를 계속 사용할 것이다.

호주 규제기관을 위해 마련된 평가 개혁 원칙은 프로그램 전반에 걸쳐 평가를 설계할 것을 권고한다. 또한 학습을 위한 평가와 학습을 보증하는 평가를 구분한다.

이 구분은 자원 배분 결정을 이끌어야 한다. 대학은 고가치 학습 성과를 검증할 충분한 감독 역량이 필요하다. 또한 AI를 활용하면서도 과목 목표를 포기하지 않는 개방형 과제를 교수진이 만들도록 도울 학습 설계자도 필요하다.

안전한 평가가 모든 디지털 이전 시대 시험을 재현한다는 뜻은 아니다. 전통적인 시간제한 시험은 기억력을 보상하면서 연구, 협업 또는 전문적 판단을 놓칠 수 있다. 목표는 향수가 아니라 검증된 역량이다.

구두 평가에도 한계가 있다. 불안이 큰 학생에게 불리할 수 있고, 접근성 문제를 만들며, 상당한 교직원 시간을 소모할 수 있다. 대학은 의미 있는 증거를 더할 수 있는 경우에 짧고 구조화된 구두 검증을 사용해야 한다.

무작위 검증은 업무량을 줄일 수 있다. 교수자는 제출된 주장 중 제한된 수를 골라 설명을 요구하거나, 학생에게 하나의 필수 단계를 재현하도록 요청할 수 있다. 학생들은 자신의 작업 어느 부분이든 방어 가능해야 한다는 점을 알게 될 것이다.

평가 포트폴리오는 또 다른 선택지다. 포트폴리오는 시간에 걸쳐 수집한 여러 증거를 결합한다. 그러면 의심스러운 제출물 하나의 비중은 줄어들고, 성장과 독립적 수행의 패턴은 더 쉽게 파악할 수 있다.

대학은 고위험 관문 과목과 최종 학년 과제를 우선시해야 한다. 이러한 평가는 자격 증명에 가장 큰 위험을 수반한다. 가치가 낮은 모든 퀴즈를 한꺼번에 재설계하는 것은 제한된 교직원 시간을 낭비하게 된다.

정책에는 조정된 결과 조치도 필요하다. 금지된 시험을 고의로 외부에 맡기는 행위는 심각한 부정행위다. 혼란스러운 규정 아래 처음으로 공개 의무를 실수한 경우에는 다른 대응이 필요하다. 하나의 처벌이 모든 형태의 AI 사용에 맞을 수는 없다.

보도에 따르면 Brown의 위원회는 처벌에 지나치게 집중하지 않으면서 더 명확한 기대 기준을 권고했다. 이 입장은 더 강력한 평가 보안과 양립할 수 있다. 예방, 검증, 교육, 징계는 서로 다른 기능을 수행한다.

안전한 시스템은 처벌이 필요해지기 전에 부정행위 기회를 줄인다. 학생에게 어떤 증거를 제출해야 하는지와 독립적 역량이 왜 여전히 중요한지를 알려준다. 그러면 규칙과 평가 조건이 일치하기 때문에 집행도 더 신뢰할 수 있게 된다.

대학은 재설계에 학생을 참여시켜야 한다. 학생들은 정책이 충돌하는 지점, 과목들이 이미 정상화한 도구, 업무량 압박이 행동에 미치는 영향을 알고 있다. 이들의 참여는 허점을 드러내고 준수를 개선할 수 있다.

교수진 개발도 똑같이 중요하다. UNESCO의 교육 지침은 기관에 AI의 교육적·윤리적 적합성을 평가할 것을 촉구한다. 이를 위해서는 평가 설계, 개인정보 보호, 모델의 한계, 공정한 접근성에 관한 교육이 필요하다.

형평성은 나중에 고려할 문제가 될 수 없다. AI 사용이 요구된다면 모든 학생이 적절한 도구에 접근할 수 있어야 한다. 선택 사항이라면 학생에게 학업상 불이익 없는 실질적인 비AI 경로가 필요하다.

접근성은 안전한 평가에도 반영되어야 한다. 감독, 손글씨 작성, 구두 질문, 잠금 소프트웨어는 장벽을 만들 수 있다. 대학은 동등한 검증 기준을 유지하면서도 편의 제공을 보장해야 한다.

목표는 모든 부정행위를 없애는 것이 아니다. 어떤 평가 시스템도 그런 목표를 달성한 적은 없다. 목표는 부정행위를 더 어렵게 만들고, 정직한 참여를 더 명확히 하며, 자격의 신뢰성을 지키는 것이다.

대학의 진정성을 보여줄 세 가지 신호

다음 시험대는 기관이 책임 있는 AI에 관한 또 하나의 일반적 성명을 발표하는지가 아니라, 평가 운영을 바꾸는지다.

첫 번째 신호는 프로그램 수준의 평가 매핑이다. 대학은 독립적 검증이 필요한 학습 성과를 식별하고 그러한 검증이 어디에서 이루어지는지 보여야 한다. 이 지도가 없는 정책은 자격 증명의 핵심 질문에 답하지 못한다.

매핑은 일반적 우려를 책임 있는 설계로 전환하기 때문에 구조적 개혁의 논거를 강화할 것이다. 대학이 계속 이 문제를 개별 교수에게 맡긴다면 Brown의 경험은 다른 과목에서도 반복될 것이다.

두 번째 신호는 검증 역량에 대한 투자다. 감독형 시험 공간, 훈련된 구두 평가자, 학습 설계자, 접근 가능한 평가 시스템, 업무량 조정을 살펴봐야 한다. 인력 배치 없는 개혁은 불균등하고 취약한 상태로 남을 것이다.

이 투자가 모든 과제를 통제된 방식으로 만들 필요는 없다. 프로그램이 필수 역량을 인증하는 고위험 지점에 집중해야 한다. 기관은 학생과 고용주가 그러한 보증을 이해할 수 있도록 충분한 정보를 공개해야 한다.

세 번째 신호는 AI 부정행위에 대한 공정한 증거 기준이다. 대학에는 탐지기 출력, 문서 이력, 구두 검증, 오류 일치, 수행 이상 징후를 어떻게 평가할지 설명하는 서면 규칙이 필요하다. 이의 제기 절차도 정의해야 한다.

명확한 기준은 사건이 처벌 없이 종결되더라도 신뢰를 강화할 것이다. 이는 기관이 훼손된 평가와 입증된 개인 위반을 구분할 수 있음을 보여줄 것이다. 탐지기 점수를 계속 결정적 증거로 취급하는 것은 이러한 신뢰를 약화시킬 것이다.

Brown의 사례는 모든 학생에 대한 완료된 판단이 아니라, 광범위한 무단 지원이 있었다는 주장으로 남아 있다. 증거는 재택 중간고사에 심각한 의문을 제기하지만, 개인의 책임에 대해서는 불확실성이 남아 있다.

그 불확실성은 취약한 시험을 유지할 이유가 아니다. 그것이 시험을 재설계해야 하는 이유다. 더 나은 평가는 관리자가 제출 후 저작자를 재구성해야 하기 전에 학습에 대한 직접적 증거를 만든다.

AI 부정행위의 지평선적 특성은 기술적 탐지가 계속 움직이는 표적을 뒤쫓게 될 것임을 보장한다. 대학은 더 지속적인 지렛대를 통제한다. 즉, 학생에게 무엇을, 어떤 조건에서, 어떤 뒷받침 증거와 함께 보여주도록 요구하는가이다.

학생들은 자신의 프로그램이 AI 활용 학습과 독립적 검증을 명확히 구분하는지 물어야 한다. 교수진은 기관 절차가 학급 전체의 평가 실패를 처리할 수 있는지 물어야 한다. 고용주는 대학이 학위가 뒷받침하는 역량을 어떻게 보증하는지 물어야 한다.

Brown 사건은 경고를 제공하지만, 실질적인 방향도 제시한다. 대학은 필수 평가를 안전하게 운영하고, 투명한 AI 사용을 가르치며, 비례적인 과정 증거를 보존하고, 개별 주장에 적법 절차를 적용해야 한다.

가장 중요한 질문은 더 이상 학생들이 AI를 사용해 전통적인 과제를 완료할 수 있는지가 아니다. 그들은 할 수 있다. 질문은 대학이 자격 증명에 대한 신뢰가 Serrano의 시험 점수만큼 급격히 떨어지기 전에 평가를 재설계할 것인지다.