생성형 AI는 비판적 사고를 약화시키는가? 증거는 복잡하다

Google News는 8월 15일 도발적인 해시태그 #DeeperStupidAI를 노출하며, 인지 능력 저하를 둘러싼 논쟁을 즉각 소비되는 또 하나의 갈등으로 바꿔 놓았다.

Saturday Hashtag 에세이는 이 집계 서비스를 통해 직설적인 함의를 던졌다. 생성형 AI는 단지 신뢰할 수 없는 답변을 만들어내는 데 그치지 않는다. 사람들로 하여금 덜 깊이 생각하게 만든다는 것이다.

그 우려를 뒷받침하는 증거는 있지만, 헤드라인은 연구보다 더 빠르게 달린다. 일부 AI 보조 과업에서 보고된 인지적 노력은 더 낮았다는 연구 결과가 있다. 연구자들은 통제된 한 글쓰기 실험에서 더 약한 기억 회상과 감소한 신경 활성도 관찰했다.

어느 결과도 AI가 사람을 영구적으로 덜 지능적으로 만든다는 점을 입증하지는 않는다. 가장 강력한 연구가 뒷받침하는 결론은 더 좁다. 시스템이 사용자가 스스로 판단을 형성하기도 전에 유창한 답변을 제공하면, 사람들은 중요한 정신적 작업을 흔히 넘겨버린다.

이 구분은 Google이 수백만 명의 사람이 정보를 접하는 환경을 바꾸고 있기 때문에 중요하다. 과거 검색은 순위가 매겨진 출처를 제시하고 사용자가 그중에서 선택하도록 했다. AI Overviews와 대화형 검색은 사용자가 출처를 방문하기 전에 그 출처들을 점점 더 종합한다.

따라서 핵심 갈등은 인간 대 기계가 아니다. 편리한 종합과 능동적 탐구의 대립이다.

Google은 AI 검색 기능이 사람들이 더 복잡한 질문을 하고 유용한 웹사이트에 도달하도록 돕는다고 말한다. 독립적인 행동 데이터는 요약이 외부 출처로의 클릭을 줄일 수도 있음을 보여준다. 인지 연구는 생성된 답변을 과도하게 신뢰하면 검증 노력이 줄어든다는 점을 시사한다.

#DeeperStupidAI라는 표현은 관심을 끌지만, 복잡한 문제를 지나치게 평면화할 위험이 있다. 더 유용한 질문은 AI 시스템이 이해를 구축하는 행동, 즉 비교, 회상, 해석, 의심, 수정의 과정을 보존하는지 여부다.

Google News는 논쟁을 하나의 사건으로 만들었다

당면한 사건은 새로운 과학적 결과가 아니라 미디어 신호다.

WhoWhatWhy 항목은 AI와 인지를 다룬 논평으로 Google News에 들어왔다. 제품을 발표하거나 임상 결과를 공개하거나 새로 완료된 실험을 제시한 것은 아니었다.

이 점은 이 항목을 전통적인 기술 뉴스와 다르게 만든다. 추적할 출시일도, 재현할 벤치마크도, 검증할 기업 주장도 없다. 그 중요성은 주장의 시점과 유통 방식에서 나온다.

디지털 도구가 사고력을 약화시킨다는 생각은 새롭지 않다. 검색 엔진, 계산기, GPS 내비게이션, 맞춤법 검사기, 소셜 플랫폼은 모두 비슷한 우려를 불러일으켰다. 각각의 도구는 정신적 과업의 일부를 사람에게서 외부 시스템으로 옮겼다.

심리학자들은 이를 인지적 오프로딩이라고 부른다. 이 용어는 기억, 계산, 결정 또는 길 찾기에 필요한 정신적 노력을 줄이기 위해 외부 자원을 사용하는 일을 뜻한다.

오프로딩이 자동으로 해로운 것은 아니다. 노트는 사람이 그렇지 않았다면 잊었을 세부사항을 저장한다. 계산기는 더 큰 수학 문제에 주의를 집중하게 해준다. 지도는 모든 방향 전환을 외우지 않고도 목적지에 도착하도록 돕는다.

상충 관계는 무엇을 위임하는지에 달려 있다. 사용자가 기본 연산을 이해한다면 산술을 외부에 맡기는 일은 더 높은 수준의 추론을 뒷받침할 수 있다. 반면 논증을 형성하는 일을 외주화하면 추론 훈련 자체가 사라질 수 있다.

생성형 AI는 단순히 사실을 찾아주는 것을 넘어선다는 점에서 이 상충 관계를 확장한다. 증거를 선택하고, 주장을 구성하며, 연결 문장을 만들고, 자신감을 흉내 내고, 완성된 결론을 제시할 수 있다.

이 능력은 사용자의 역할을 바꾼다. 전통적인 검색 결과는 일련의 선택을 유도한다. 사용자는 출처를 열고, 관련성을 평가하고, 이견을 파악하고, 답을 구성한다.

AI 요약은 이 과정을 한 문단으로 압축할 수 있다. 사용자는 그 결과를 형성한 모든 선택을 보지 못한 채, 겉보기 추론의 산물을 받는다.

Google News는 한 층을 더한다. 어떤 발행사의 헤드라인이 개인화된 스트림에 들어갈지 선택하고, 이를 다른 보도와 나란히 배치한다. 따라서 도발적인 해시태그는 독자가 그것이 증거인지, 논평인지, 풍자인지 알기 전에 도달할 수 있다.

이는 집계가 본질적으로 오해를 부른다는 뜻은 아니다. 인터페이스가 해석적 무게를 지닌다는 뜻이다. 배치와 제시는 어떤 주장이 중요하고, 최신이며, 신뢰할 만하게 느껴지는지에 영향을 준다.

#DeeperStupidAI 이야기는 그 인터페이스에 대한 경고로서 가장 유용하다. 수동적인 정보 소비에 관한 주장이 정보 소비를 더 빠르게 만들도록 설계된 시스템을 통해 도착했다.

그것이 이 글의 진짜 반전이다. 유통 메커니즘이 비판받는 행동을 보여준다.

독자는 이 해시태그를 과학적 진단으로 받아들여서는 안 된다. 현대의 정보 발견 시스템이 주의를 어떻게 재구성하는지 살펴보라는 계기로 받아들여야 한다.

Google News의 AI 요약은 독자의 역할을 바꾼다

AI 검색은 정보를 찾는 데서 드는 노력을, 종합된 답변이 신뢰할 만한지 판단하는 일로 옮긴다.

Google은 Search 전반에 걸쳐 생성형 기능을 꾸준히 확대해 왔다. 2025년 5월, 회사는 AI Overviews가 40개 이상의 언어로 200개 이상의 국가와 지역에 도달했다고 밝혔다.

Google은 또한 AI Overviews가 미국과 인도에서 대상 쿼리 유형의 사용량을 10% 이상 늘렸다고 보고했다. 이 수치는 이해도나 정확성이 아니라 Google과의 참여도를 설명한다.

회사가 밝힌 목표는 사용자가 더 어려운 질문을 하고, 유용한 맥락을 얻고, 눈에 보이는 링크를 통해 계속 탐색하도록 돕는 것이다. 이후 업데이트에는 인라인 인용, 출처 미리보기, 선호 발행사, 원문으로 연결되는 더 명확한 경로가 추가됐다.

이 변화는 기본적인 문제를 인정한다. 생성된 응답이 페이지의 주된 대상이 되면, 출처는 보조적인 장식물이 될 수 있다.

독립적인 브라우징 데이터는 그 효과를 보여준다. Pew 분석은 2025년 3월 동안 동의한 미국 성인 900명의 Google 활동을 검토했다.

AI 요약이 표시된 방문에서 사용자는 전통적인 검색 결과를 8%의 비율로 클릭했다. AI 요약이 없는 방문에서는 15%의 비율로 결과를 클릭했다. 요약이 포함된 방문 중 그 안에 인용된 출처를 클릭한 경우는 1%에 불과했다.

이 수치가 독자가 덜 배웠다는 사실을 입증하지는 않는다. 요약은 단순한 질문에 정확히 답하고 시간을 절약할 수 있다.

그러나 질문에 맥락이 필요할 때 클릭 행동은 중요하다. 검색 결과 페이지를 벗어나면 독자는 짧은 종합문에 담을 수 없는 방법론, 단서, 경쟁하는 해석, 증거를 접하게 된다.

이 변화는 발행사에도 영향을 준다. 원천 보도에는 인터뷰, 문서 검토, 전문 지식, 편집 책임이 필요하다. 요약이 즉각적인 질문을 충족하면, 그 작업을 수행한 조직은 방문도 독자와의 관계도 얻지 못할 수 있다.

Google은 추천 트래픽 붕괴에 관한 가장 광범위한 주장에 이의를 제기한다. 집계 클릭 데이터는 종종 부정확하게 측정되며, AI 결과를 통해 이뤄진 방문은 더 높은 참여도를 보일 수 있다고 말한다.

회사는 원천 출처를 더 잘 드러내기 위한 기능도 도입했다. 2026년 Google은 사용자가 영향력 있는 보도를 식별하도록 돕기 위해 선호 출처 라벨과 “Highly Cited” 표시를 추가했다.

이러한 개선은 정보 발견 문제를 다루지만, 인지적 문제 전체를 해결하지는 않는다. 사용자가 결코 열어보지 않는다면 눈에 보이는 인용은 도움이 되지 않는다. 정확한 요약도 지속적인 이해를 낳는 비교 과정을 저해할 수 있다.

압력은 세 집단에 가해진다.

독자는 언제 요약만으로 충분한지 판단해야 한다. 발행사는 사실이 압축된 뒤에도 가치가 남는 작업을 만들어야 한다. Google은 즉각적인 답변과 출처 방문에 의존하는 정보 시장 사이의 균형을 맞춰야 한다.

같은 압력은 교육자와 고용주에게도 미친다. 두 집단 모두 그 배경의 추론을 명확히 볼 수 없는 매끄러운 결과물을 점점 더 많이 받는다.

과거의 검색 역량은 유용한 페이지를 찾는 일이었다. 새롭게 요구되는 AI 검색 역량은 겉보기에 유용한 답변이 필요한 불확실성을 제거했는지 알아차리는 일이다.

비판적 사고 연구가 실제로 발견한 것

현재의 증거는 노력 감소에 대한 우려를 뒷받침하지만, AI가 필연적으로 사용자를 어리석게 만든다는 주장을 뒷받침하지는 않는다.

가장 강력한 동료 심사 연구 중 하나는 Microsoft Research와 Carnegie Mellon University에서 나왔다. 연구진은 지식 노동자 319명을 대상으로 생성형 AI 사용 사례 936건을 조사했다.

비판적 사고 연구는 2025 CHI Conference on Human Factors in Computing Systems에서 발표됐다.

연구는 생성형 AI에 대한 자신감이 높을수록 비판적 사고는 더 적게 나타나는 연관성을 발견했다. 반면 자신의 능력에 대한 자신감이 높을수록 비판적 사고는 더 많이 나타나는 연관성이 있었다.

이 관계는 AI가 모두를 약화시킨다는 구호보다 더 많은 정보를 제공한다. 문제는 단지 모델에 접근할 수 있다는 사실이 아니었다. 사용자가 자신과 비교해 모델에 부여한 신뢰 수준이었다.

참가자들은 비판적 사고를 완전히 포기했다고 보고하지는 않았다. 대신 그들의 노력은 다른 활동으로 이동했다. AI 결과물을 점검하고, 응답을 기존 작업에 통합하며, 과업 완료를 감독했다.

이 변화는 생산적일 수 있다. 경험 많은 분석가는 AI로 초안을 만든 뒤, 가정을 검증하고 증거를 비교하는 데 더 많은 시간을 쓸 수 있다.

하지만 피상적인 검토 순환을 만들 수도 있다. 사용자는 답변을 요청하고, 명백한 문제를 훑어보고, 표현을 수정한 뒤, 편집상 정리를 검증으로 착각한다.

유창성은 이 실패를 알아차리기 더 어렵게 만든다. 대규모 언어 모델은 단어의 개연성 높은 순서를 생성하기 때문에, 모든 주장이 사실인지 확립하지 않고도 일관된 설명을 만들어낼 수 있다.

따라서 사용자는 인터페이스가 선택 사항처럼 만드는 작업을 수행해야 한다. 출처를 식별하고, 관련성을 살피며, 인용문이 실제로 존재하는지 확인하고, 빠진 반증을 찾아야 한다.

여기서 경험은 특히 중요해진다. 전문가는 기존 지식과 충돌하기 때문에 그럴듯하지 않은 결과를 알아차리는 경우가 많다. 초보자는 같은 오류를 감지하는 데 필요한 기준점을 갖추지 못했을 수 있다.

이는 AI 보조 학습에 역설을 만든다. 가장 즉각적인 혜택을 받는 사람이 그것을 평가할 역량은 가장 부족할 수도 있다.

연구는 초보자가 AI를 피해야 한다고 말하지 않는다. 도구가 사용자가 자신의 추론을 형성하고 검증할 기회를 보존해야 한다는 점을 시사한다.

시스템은 답을 공개하기 전에 사용자에게 예측을 하도록 요청할 수 있다. 상충하는 출처를 너무 일찍 하나로 압축하는 대신 이를 드러낼 수 있다. 직접적인 증거와 모델의 해석을 분리할 수도 있다.

사용자도 스스로 비슷한 구조를 만들 수 있다. 프롬프트를 입력하기 전에 입장을 초안으로 작성하고, 반론을 요청하며, 1차 출처를 열어보고, 최종 추론을 자신의 말로 다시 구성할 수 있다.

개인 지식 시스템은 출처와 변화하는 해석도 보존할 수 있다. 이런 접근은 종합된 내용이 사용자가 다시 확인할 수 있는 자료와 연결된 상태를 유지하게 한다.

Microsoft가 주도한 이 연구에는 중요한 한계가 있다. 연구는 참가자들이 자신의 노력에 대해 보고한 내용에 의존했다. 지능, 기억력, 직무 수행 능력의 장기적 변화를 측정하지는 않았다.

표본 역시 특정한 지식 노동 사례를 다뤘다. 글쓰기, 연구, 분석, 커뮤니케이션 과제에서 나온 결과가 모든 AI 사용 사례로 자동 적용되는 것은 아니다.

그럼에도 이 연구는 신뢰할 만한 메커니즘을 제시한다. 시스템에 대한 신뢰는 사용자가 그 결과물을 검증하려는 의지를 낮출 수 있다.

이 메커니즘은 #DeeperStupidAI에 담긴 모욕적 표현보다 더 중요하다. 제품 설계와 사용자 행동이 어디에 개입할 수 있는지 보여주기 때문이다.

뇌 연구는 데이터보다 더 큰 주장으로 번졌다

가장 많이 인용된 실험은 에세이 작성 과정에서 유의미한 차이를 발견했지만, 그 설계만으로 영구적인 인지 저하를 입증할 수는 없다.

논쟁은 MIT Media Lab과 연관된 연구진이 2025년 6월 “Your Brain on ChatGPT”를 발표한 뒤 가속화됐다.

MIT 연구 페이지에 따르면, 이 실험에는 처음 세 세션 동안 54명의 참가자가 참여했다. 18명은 네 번째 세션까지 완료했다.

연구진은 참가자를 세 가지 조건으로 나눴다. 한 그룹은 대규모 언어 모델을 사용했고, 다른 그룹은 검색 엔진을 사용했으며, 세 번째 그룹은 어느 도구도 없이 글을 썼다.

연구팀은 두피에서 기록한 전기 활동 패턴을 측정하기 위해 뇌파 검사, 즉 EEG를 활용했다. 또한 자연어 처리, 교사 평가, AI 심사를 통해 에세이를 평가했다.

LLM 그룹은 과제 수행 중 검색 그룹과 도구 없이 작성한 그룹보다 더 낮은 신경 연결성을 보였다. 모델을 사용한 참가자들은 에세이의 문단을 기억하는 데도 더 어려움을 겪었고, 작업물에 대한 주인의식도 낮게 보고했다.

이 결과는 주목할 가치가 있다. 글쓰기는 완성된 생각을 보여주는 방식에 그치지 않는다. 단어를 선택하고, 지식을 끌어내고, 근거를 정리하며, 모순을 해소하는 일은 모두 사고의 일부다.

모델이 이러한 작업을 수행한다면 사용자가 같은 과정을 직접 거칠 이유는 줄어든다. 따라서 과제 참여도가 낮아질 가능성은 충분히 있다.

문제는 “이 실험 중 참여도가 낮았다”는 결과가 “ChatGPT가 뇌를 손상시킨다”는 주장으로 바뀔 때 시작된다. 둘은 다른 주장이다.

이 논문은 출판 당시 통상적인 동료 심사를 마치지 않은 프리프린트로 공개됐다. 표본은 작았고 지역적으로도 제한적이었다. 핵심적인 교차 세션에는 18명만 참여했다.

실험은 정의된 조건에서의 에세이 작성만 연구했다. 모든 형태의 AI 사용, 전문적 협업, 장기 기억, 일반 지능의 변화를 측정한 것은 아니다.

이후 발표된 방법론 비평은 표본 크기, 재현성, EEG 분석, 보고의 일관성, 절차적 투명성에 관한 우려를 제기했다.

비판이 원래의 발견을 지우는 것은 아니다. 다만 그 발견이 뒷받침할 수 있는 주장에 경계를 설정한다.

EEG 데이터는 신중한 해석이 필요하다. 연결성의 차이가 지능의 서열로 곧바로 이어지지는 않는다. 낮은 활성화는 참여도 저하를 뜻할 수 있지만, 효율성, 익숙함, 전략, 과제 설계 역시 신경 측정치에 영향을 미칠 수 있다.

‘부채’라는 표현도 또 다른 문제를 낳는다. 이는 줄어든 노력이 축적되어 나중에 비용을 초래한다는 뜻을 암시한다. 이 실험은 AI 보조 글쓰기 이후 기억 회상과 주인의식이 약해질 수 있다는 예비 근거를 제시하지만, 평생에 걸친 인지 손익계산서를 확립할 수는 없다.

가장 방어 가능한 해석은 더 좁다. 사람들이 LLM에게 에세이를 작성하게 하면, 해당 자료에 덜 관여하고 결과 텍스트를 기억하는 능력도 떨어질 수 있다.

이는 심각한 교육적 우려다. 그렇다고 모든 AI 보조 과제를 생성된 에세이를 그대로 베끼는 행위와 같게 취급할 근거는 되지 않는다.

두 명의 사용자를 생각해 보자.

첫 번째 사용자는 모델에게 보고서를 쓰게 하고, 겉모양만 손본 뒤 제출한다. 이 작업 흐름은 주제 선정, 구조, 근거, 언어 표현을 모두 위임한다.

두 번째 사용자는 논지를 작성하고, 출처를 수집하며, 초안을 만든 뒤 모델에게 근거 없는 비약을 찾아 달라고 요청한다. 이 작업 흐름에서는 AI를 반대 심문을 하는 검토자로 활용한다.

두 사용자 모두 기술적으로는 생성형 AI를 사용했다. 그러나 이들의 인지 활동은 비교할 수 없다.

이 때문에 “AI 사용자”와 “비사용자”를 단순 비교하는 방식은 앞으로 유용성이 떨어질 것이다. 미래 연구는 상호작용 패턴, 사용자의 전문성, 과제, 지원이 제공되는 시점을 설명해야 한다.

또한 지연 회상, 새로운 문제로의 전이, 도구가 사라진 뒤의 수행 능력도 검증해야 한다. 이러한 측정은 AI 지원이 판단력을 키우는지, 아니면 판단력을 빌려 쓰게 할 뿐인지를 드러낼 것이다.

#DeeperStupidAI 프레임은 이런 구분을 건너뛴다. 설계와 행동의 문제를 사용자 정체성에 관한 주장으로 바꿔 버린다.

논평으로서는 통할 수 있다. 그러나 과학적 해석을 대신하기에는 부족하다.

진짜 갈등은 지원과 대체 사이에 있다

AI는 판단 형성을 지원하는 대신 그것을 대체할 때 인지적으로 위험해진다.

업계는 생성형 AI를 흔히 생산성 계층으로 설명한다. 사용자가 목표를 제시하면 시스템이 마찰을 줄이고, 작업은 더 빨리 끝난다.

속도는 측정하기 쉽다. 판단력은 그렇지 않다.

팀은 생산된 보고서 수, 답변한 메시지 수, 처리한 티켓 수, 생성한 요약 수를 추적할 수 있다. 하지만 직원들이 그 결과물에 담긴 결정을 이해하는지 측정하기는 더 어렵다.

이 차이는 대체를 부추긴다. 조직은 숨은 비용이 약한 검토, 맥락 상실, 의존성의 형태로 나중에 나타나더라도, 시간이 눈에 띄게 절약되는 곳에 AI를 배치한다.

위험은 결과의 영향이 큰 업무에서 가장 선명해진다. 의료 요약은 중요한 단서가 되는 세부 사항을 빠뜨릴 수 있다. 법률 종합 분석은 관련 없는 판결을 인용할 수 있다. 재무 설명은 서로 호환되지 않는 기간의 수치를 섞을 수 있다.

유창한 응답은 언어가 능숙한 작업처럼 보이기 때문에 빠른 검토를 통과할 수 있다. 검토자는 내용 자체를 시험할 만큼 충분히 알아야 한다.

이는 생성형 AI만의 고유한 결함이 아니다. 사람들은 언제나 세련된 문서, 유명 기관, 자신감 있는 동료를 지나치게 쉽게 신뢰해 왔다.

AI는 그 규모를 키운다. 불확실성, 책임, 당혹감을 느끼지 않으면서도 수천 개의 그럴듯한 결과물을 만들 수 있다.

검색 설계는 그 규모를 더욱 강화한다. Google은 주요 시장에서 AI Overviews가 표시된 유형의 검색어에서 사용량을 10% 이상 추가로 늘렸다고 보고했다. 회사는 이 증가를 유용성의 증거로 해석한다.

검색 횟수 증가는 생산적인 탐색을 의미할 수 있다. 하지만 사용자가 다양한 출처를 방문하는 대신 하나의 플랫폼 안에서 더 긴 대화를 이어 가고 있다는 뜻일 수도 있다.

Google의 AI Overview 확장은 눈에 잘 띄는 링크와 더 쉬운 탐색을 약속했다. 이후 업데이트에서는 더 직접적인 인용, 기사 제안, 출처 제어 기능이 추가됐다.

이런 기능은 사용자가 웹으로 돌아갈 경로를 제공한다. 하지만 누구에게도 그 경로를 이용하도록 강제하지는 않는다.

따라서 제품 과제는 행동에 관한 것이다. 인터페이스는 어떻게 검증을 답변 이후의 추가 작업이 아니라 답변의 일부처럼 느끼게 할 수 있을까?

한 가지 접근은 불확실성 공개다. 시스템은 확립된 사실, 논쟁 중인 해석, 근거가 부족한 추론을 구분할 수 있다.

또 다른 접근은 출처 추적성이다. 이는 특정 주장이 어디에서 비롯됐는지, 출처가 그 주장을 얼마나 직접적으로 뒷받침하는지를 보여주는 것을 뜻한다. 느슨하게 관련된 링크 목록만으로는 충분하지 않다.

세 번째 접근은 생산적인 마찰이다. 복잡하거나 위험성이 큰 질문에는 하나의 압축된 결론을 제시하는 대신 비교를 유도할 수 있다.

생산적인 마찰이라는 표현은 비효율적으로 들리지만, 가치 있는 인지 활동의 상당수는 비효율적이다. 문단을 수정하고, 계산을 확인하며, 다른 사람에게 아이디어를 설명하는 일은 모두 시간을 소모한다.

그러나 그 과정은 이해의 빈틈도 드러낸다.

제품 설계가 따라잡는 동안 사용자는 자신만의 운영 원칙이 필요하다.

사실 질문이라면 인용된 페이지를 열어야 한다. 분석이라면 종합을 요청하기 전에 초기 견해를 먼저 작성해야 한다. 의사결정이라면 가장 강력한 반대 사례를 요청하고 독립적으로 검증해야 한다.

학습을 위해서는 도구를 사용한 뒤 도움 없이 아이디어를 떠올려야 한다. 채팅 창을 닫는 순간 설명이 사라진다면, 사용자는 지식을 쌓은 것이 아니라 답을 빌려 쓴 것이다.

조직은 완료 시간 이상의 기준으로 AI 작업 흐름을 평가해야 한다. 오류 탐지, 지연 회상, 출처 정확성, 자동화를 이용할 수 없을 때의 수행 능력을 시험할 수 있다.

책임 있는 소유권도 유지해야 한다. 누군가는 단순히 형식을 승인하는 것이 아니라 결과물을 이해하고 방어할 수 있어야 한다.

같은 원칙은 뉴스 소비에도 적용된다. 요약을 읽는 것은 독자의 방향을 잡아 줄 수 있다. 하지만 기저 주제가 여전히 논쟁 중이라면 조사를 끝내서는 안 된다.

Google News는 하나의 주장을 소개할 수 있다. 하지만 그 주장이 얼마나 많은 근거를 받을 자격이 있는지 결정할 수는 없다.

#DeeperStupidAI 주장을 확인하거나 약화할 요소

세 가지 신호는 인지적 외주화가 지속적인 문제가 되고 있는지, 아니면 AI 지원 업무의 관리 가능한 특징인지 보여줄 것이다.

첫 번째 신호는 더 크고 다양한 표본을 활용한 재현 연구다.

향후 연구에는 연령, 직업, 교육 수준, 주제 전문성의 정도가 다양한 참가자가 필요하다. 모든 LLM 사용을 하나의 범주에 넣는 대신 여러 상호작용 방식을 비교해야 한다.

연구자들은 몇 주 또는 몇 달 뒤에 어떤 일이 일어나는지도 측정해야 한다. 즉각적인 과제 활동도 중요하지만, 지연 회상과 기술 전이는 사용자가 이해를 유지했는지 보여준다.

더 큰 집단, 사전 등록된 방법론, 독립 검토를 갖춘 MIT 연구 결과의 재현은 인지 부채 주장을 강화할 것이다. 결과가 주로 프롬프팅 방식에 따라 달라진다면, 광범위한 주장은 약화되고 작업 흐름 설계에 관심이 집중될 것이다.

두 번째 신호는 AI 검색 안에서 나타나는 제품 행동이다.

Google은 이제 인용이 실제로 출처 탐색을 이끄는지 검토할 만큼 충분한 규모를 갖췄다. 회사는 클릭 행동, 정정, 검색어 재구성, 상충하는 증거에 대한 사용자 반응을 공개할 수 있다.

Google은 이미 출처 미리보기, 구독 라벨, 선호 출판물 기능을 추가했다. 2026년 5월, 회사는 사용자가 선호 출처를 선택한 뒤 해당 출처를 방문할 가능성이 두 배가 됐다고 밝혔다.

이는 고무적인 설계 신호이지만, 일반적인 검증보다는 사용자가 선택한 출판사를 다룬다. 독자들은 생성된 주장이 인용된 자료와 일치한다는 명확한 근거를 여전히 필요로 한다.

Google News와 Search가 주장 단위의 출처 표시를 더 쉽게 만든다면, 지원 모델은 더 방어 가능해진다. 요약이 더 자족적으로 변하는 동안 외부 클릭이 계속 감소한다면, 대체에 대한 우려는 더 강해질 것이다.

세 번째 신호는 지원이 사라진 뒤의 수행 능력이다.

학교와 고용주는 사용자가 모델을 다시 열지 않고도 AI 보조 작업을 설명, 재현, 적용할 수 있는지 시험할 수 있다. 이를 위해 기술 사용을 금지할 필요는 없다.

AI를 사용해 코드를 초안 작성하는 개발자라면 여전히 그 실패 모드를 설명할 수 있어야 한다. 분석가는 권고안의 추론을 재구성해야 한다. 학생은 같은 개념을 다른 문제에 적용해야 한다.

도움 없이도 강한 수행 능력을 보인다면 AI가 학습을 지원할 수 있음을 뜻한다. 약한 수행 능력은 세련된 결과물 뒤에 숨은 의존성을 드러낼 것이다.

이 신호들은 또 하나의 바이럴 라벨보다 더 가치 있다. 감정적 주장을 검증 가능한 질문으로 바꿔 주기 때문이다.

더 큰 연구에서 서로 다른 과제와 집단 전반에 걸쳐 지속적인 손실이 발견된다면 #DeeperStupidAI 논지는 강화될 것이다. AI 답변이 더 두드러질수록 검증이 감소한다는 결과가 나와도 그 주장은 힘을 얻을 것이다.

구조화된 AI 활용이 전이 능력, 오류 감지, 독립적 수행 능력을 향상시킨다면 이 주장은 약화될 것이다. 인터페이스가 사용자를 다양한 1차 출처로 성공적으로 이끈다면 더욱 약화될 것이다.

현재로서는, 증거는 공황이 아닌 신중함을 뒷받침한다.

생성형 AI는 통상 이해를 형성하는 과업에서 필요한 노력을 줄일 수 있다. 이를 지나치게 쉽게 신뢰하는 태도는 비판적 검토의 감소와 연관돼 있다. AI가 생성한 검색 요약은 외부 출처 방문을 줄일 수 있다.

이 증거가 영구적인 지적 능력 저하를 입증하는 것은 아니다. 모든 AI 워크플로가 같은 효과를 낸다는 의미도 아니다. 과업 참여도의 저하를 지능의 손상과 혼동할 근거도 되지 않는다.

Google News는 #DeeperStupidAI에 유통 경로를 제공했다. 빠진 판단은 독자가 채워야 한다.

다음에 AI 시스템이 완성된 답변을 제시하면, 그 틀을 받아들이기 전에 잠시 멈춰라. 출처를 열어 요약이 무엇을 생략했는지 확인하고, 자신의 말로 결론을 표현하라.

그런 다음 도구를 닫고 마지막 질문을 던져라. 왜 그 답이 참인지 여전히 설명할 수 있는가?