MIT, AI가 거의 모든 학부 과제를 그럴듯하게 완성할 수 있다고 경고

MIT는 AI가 이제 거의 모든 유형의 학부 과제에서 그럴듯한 결과물을 만들어낼 수 있다는 결론을 내린 뒤, 교육의 대대적인 변화를 촉구했다.

이 경고는 google news를 통해 에세이, 증명, 과학 문제, 코딩 연습을 기계가 완성한다는 이야기로 확산됐다. 그러나 진짜 충돌은 학생과 표절 탐지 소프트웨어 사이의 문제가 아니다. 이는 한 세기에 걸친 산출물 중심 평가 방식과, 필요할 때마다 설득력 있는 산출물을 만들어내는 도구의 충돌이다.

MIT는 캠퍼스 전반의 AI 금지를 제안하지 않는다. 대신 새 프레임워크는 교수진에게 학습 목표를 재검토하고, 평가를 재설계하며, 허용 가능한 사용 범위를 명확히 하고, 기숙형 교육을 뒷받침하는 인간관계를 보호하라고 요구한다. 이 입장은 여전히 AI를 협소한 학문적 진실성 문제로 취급하는 모든 대학에 압박을 가한다.

핵심 질문은 바뀌었다. 대학은 더 이상 제출된 답안이 정확하거나 독창적인지만 물을 수 없다. 학생이 이를 설명하고, 옹호하고, 수정하고, 적용할 수 있는지를 판단해야 한다.

MIT AI 교육 보고서, 완성된 결과물의 가치에 의문 제기

MIT의 보고서는 매끈하게 완성된 숙제가 학습의 증거로서 점점 약해지고 있다고 본다.

2026년 8월 25일, MIT 총장 샐리 콘블루스는 교육, 학습, 연구 훈련에서의 AI를 검토한 특별위원회의 조사 결과를 발표했다. MIT는 1월에 이 위원회를 구성하고 세 가지 초기 과제를 부여했다.

위원회는 교수진과 학생들이 AI를 어떻게 사용하고 있는지 평가해야 했다. 또한 교육과 평가의 혁신 사례를 파악하고, AI 활용에 대한 기관 차원의 접근법을 제안해야 했다.

최종 분석은 여기서 더 나아갔다. MIT에 따르면 현재 시스템은 거의 모든 서면 학부 과제에 대해 합리적인 답변을 생성할 수 있다. 영향을 받는 과제에는 에세이, 수학 및 과학 문제, 증명, 프로그래밍 과제가 포함된다.

이 주장은 ChatGPT가 괜찮은 에세이를 쓴다는 수준보다 광범위하다. 문제 세트, 코딩 프로젝트, 실험실 분석, 기술적 설명까지 포괄한다. 이는 대학이 오랫동안 전공 역량의 증거로 간주해 온 결과물들이다.

“그럴듯한” 것과 “정확한” 것의 차이는 중요하다. MIT는 하나의 모델이 전체 학부 교과과정을 완벽히 소화했다는 통제 실험 결과를 발표한 것이 아니다. 이 보고서는 위원회 연구, 공동체 의견, 설문조사, 그리고 교육과 학습 전반에서 관찰된 변화를 바탕으로 작성됐다.

그럴듯한 결과물에도 숨은 오류가 있을 수 있다. 생성된 증명은 필요한 가정을 빠뜨릴 수 있다. 코드는 익숙한 테스트는 통과하지만 이례적인 조건에서는 실패할 수 있다. 에세이는 면밀한 독해나 독창적 판단을 보여주지 못하면서도 일관성 있게 들릴 수 있다.

하지만 과제가 평가 체계를 흔들기 위해 완벽할 필요는 없다. 교수자가 그 추론을 학생에게 자신 있게 귀속할 수 없을 만큼 충분히 좋아 보이기만 하면 된다.

이것이 MIT의 입장이 google news 프레임이 받은 것보다 더 큰 관심을 받아야 하는 이유다. 위원회는 기계가 완전한 학부 교육을 갖췄다고 선언하는 것이 아니다. 완성된 결과물이 인간 학습의 증거로서 지니던 가치 상당 부분을 잃었다고 주장하는 것이다.

콘블루스 MIT 총장은 이 시점을 MIT와 고등교육의 “분수령”이라고 불렀다. 그녀의 메시지는 세 가지 광범위한 대응 방향을 제시했다.

첫째, MIT는 AI를 인식하는 교육 과정을 마련해야 한다. 이는 학생들이 무엇을 배워야 하는지, 교수진이 그 학습을 어떻게 검증할 수 있는지를 재검토하는 과정이다.

둘째, 연구소는 사람, 공동체, 기숙형 경험을 강화해야 한다. 이 권고는 AI 문제를 학생들이 물리적 캠퍼스에 모이는 이유와 직접 연결한다.

셋째, MIT는 지속적으로 변화할 수 있는 절차를 수립해야 한다. 한 세대의 모델을 기준으로 작성된 고정 정책은 새로운 역량이 등장하면서 빠르게 낡을 것이다.

이 권고들은 기술 정책 논쟁을 교육 설계의 과제로 전환한다. 교수자가 익숙한 문제를 내고 최종 답만 채점한다면, 이제 AI가 과제와 증거 사이에 자리하게 된다.

따라서 이 보고서는 MIT 교과과정의 상당 부분을 검토할 것을 요구한다. 구술 시험, 포트폴리오, 시연, 단계별 작업, 수업 외 과제에 관한 대화를 지향한다.

이런 형식 어느 하나도 진정한 학습을 보장하지는 않는다. 그러나 함께 사용하면 답안을 만들어낸 과정이 더 많이 드러난다. 증명을 이해하는 학생은 각 단계가 왜 필요한지 설명할 수 있다. 프로그램을 작성한 학생은 실패 원인을 진단하고 설계 선택을 옹호할 수 있다.

이 변화는 이 글의 핵심 긴장을 만든다. 생성형 AI는 학생들이 만들 수 있는 것의 범위를 넓히지만, 제출하는 것과 실제로 이해하는 것 사이의 연결은 약화시킨다.

AI 학부 과제가 교수진에 압박을 가하는 이유

모든 과제에 이제 학습 목적과 AI 정책이 함께 필요해졌기 때문에, 즉각적인 부담은 교수자에게 돌아간다.

대학은 흔히 중앙 차원의 규칙으로 새 기술에 대응한다. MIT는 허용 가능한 AI 사용이 학문 분야, 과목, 학습 목표에 따라 달라지기 때문에 보다 분권적인 접근을 택하고 있다.

프로그래밍 수업에서는 학생들이 도움 없이 기초 코드를 작성하도록 요구할 수 있다. 이후 과목에서는 생성된 코드를 감독하고 적극적으로 테스트하는 것을 기대할 수 있다. 글쓰기 세미나에서는 브레인스토밍은 허용하되 생성된 문장은 금지할 수 있다.

MIT의 2026년 가을 지침은 연구소 전체에 적용되는 단일 수업 정책을 강제하지 않는다. 대신 교수자에게 AI가 금지되는지, 허용되는지, 또는 요구되는지를 학생에게 명확히 알리라고 요청한다.

이 유연성은 학문 분야 간 차이를 존중한다. 동시에 상당한 설계 업무를 교수진, 학과, 조교, 학업 지원팀에 이전한다.

교수자는 먼저 과제가 무엇을 측정하기 위한 것인지 결정해야 한다. 기억력, 절차적 숙련도, 개념적 이해, 판단력, 연구 능력, 의사소통 능력 중 무엇인가? 답에 따라 어떤 AI 사용이 목표를 지원하고 어떤 사용이 이를 우회하는지가 결정된다.

그다음은 집행 문제다. AI 탐지기는 특히 수정된 텍스트나 다언어 사용자의 작업을 분석할 때 중대한 처벌을 뒷받침할 만큼 신뢰할 수 없다. 감시 도구 역시 누가 추론을 수행했는지를 입증하지 못한 채 개인정보와 형평성 문제를 낳을 수 있다.

재택 과제에서 AI를 금지한다고 해서 이런 문제가 사라지지는 않는다. 학생들이 범용 챗봇, 코딩 에이전트, 문장 재작성 서비스, 일상 소프트웨어에 내장된 도구에 접근할 수 있는 상황에서 금지 조항은 검증하기 어렵다.

대안은 평가 재설계다. 초안, 버전 기록, 주석 처리된 출처, 개인 성찰문, 시연, 또는 짧은 구술 변론을 요구하는 방식이 될 수 있다.

각 항목은 시간을 소모한다. 교수는 표준 문제 세트를 비동기적으로 채점할 수 있다. 그러나 모든 학생과 의미 있는 대화를 나누려면 일정, 공간, 인력, 주의가 필요하다.

대규모 강의에서는 규모의 문제가 분명해진다. 코넬대 생의공학 교수 크리스 섀퍼는 서면 문제 세트 뒤에 20분짜리 구술 변론을 도입했다. 그의 수업에는 70명의 학생이 있었고, 조교들이 세션 진행을 도왔다.

섀퍼는 Associated Press에 학생들이 구술 시험을 통해 AI를 이용해 회피할 수는 없을 것이라고 말했다. 그의 교수진은 서면 문제 세트 채점을 중단하고 대신 구술 변론을 평가했다.

이 사례는 MIT가 제시한 방향의 가능성과 비용을 모두 보여준다. 구술 질문은 학생이 자신의 작업을 이해하는지 드러낼 수 있다. 동시에 부족한 교육 인력을 결과물 검토에서 사람과의 상호작용으로 재배분한다.

기관이 이를 뒷받침한다면 이러한 전환은 잘 작동할 수 있다. 그러나 추가 인력이나 업무량 재설계가 없다면 교수진은 기존 채점 업무 위에 구술 확인을 단순히 추가할 수 있다.

그 결과는 이미 요구가 큰 일을 더 어렵게 만들 것이다. 기관의 AI 지침에 관한 연구는 광범위한 과목 개편 기대가 교수진에 큰 부담을 줄 수 있다고 경고해 왔다.

따라서 대학은 운영상의 선택에 직면한다. 소규모 그룹, 훈련된 조교, 평가 공간, 과목 설계 지원에 투자할 수 있다. 또는 개별 교수자가 일관되게 실행하기 어려운 야심 찬 지침을 발표할 수 있다.

MIT는 연구소 전반의 AI Community Hub를 통해 이런 지원을 구축하기 시작했다. 발표된 활동에는 과목 재설계 지원, 정책 템플릿, 실무 공동체, 연구 훈련, 컴퓨팅 접근성 관련 조정이 포함된다.

AI teaching hub는 MIT가 정책만으로는 교실을 바꿀 수 없다는 점을 이해하고 있음을 보여준다. 교수진은 익숙한 과제를 대체할 검증된 사례, 시간, 그리고 기관의 허가가 필요하다.

학생들에게도 명확성이 필요하다. 같은 활동이 한 수업에서는 권장되고 다른 수업에서는 부정행위로 취급될 수 있기 때문에, 문서화되지 않은 규칙의 모음은 책임 있는 사용을 더 어렵게 만들 수 있다.

명확한 정책은 보조와 대체를 구분하는 데 도움이 된다. 보조는 AI를 사용해 학생의 사고를 도전하고, 정리하고, 검증하거나 확장한다. 대체는 과제가 길러내도록 설계된 지적 작업을 시스템에 수행하도록 맡긴다.

그 경계가 항상 명확한 것은 아니다. 논증에 대한 피드백을 요청하는 학생은 더 깊이 관여할 수 있다. 완성된 논증을 요청하고 표현만 수정하는 학생은 거의 배우지 못할 수 있다.

이 모호성은 교수자가 금지 도구 목록만으로 문제를 해결할 수 없음을 뜻한다. 학생들이 계속 책임지고 수행해야 하는 인간의 활동이 무엇인지 정의해야 한다.

진짜 충돌은 평가와 이해의 대립이다

AI는 챗봇보다 앞선 약점을 드러냈다. 대학은 학습 과정을 관찰하는 데 비용이 많이 들기 때문에 흔히 결과물을 평가한다.

전통적인 교과 과정은 대리 지표에 의존한다. 에세이는 독해와 해석을 나타낸다. 증명은 수학적 추론을 나타낸다. 프로그램은 문제 분해, 구현, 테스트를 나타낸다.

이 대리 지표는 결과물을 만들어내는 과정 자체가 대개 의도된 사고의 상당 부분을 요구했기 때문에 작동했다. 외주가 가능하긴 했지만, 다른 사람을 찾거나, 작업물을 구매하거나, 발견 가능한 출처에서 복사해야 했다.

생성형 AI는 대체의 경제성을 바꾼다. 학생은 즉시 맞춤형 답변을 요청하고, 대화를 통해 수정하며, 다른 사람에게 연락하지 않고도 대안 버전을 생성할 수 있다.

출력물도 개별화될 수 있다. 두 학생이 비슷한 질문을 해도 서로 다른 문장이나 코드를 받을 수 있으므로, 일반적인 표절 대조의 효용은 낮아진다.

MIT의 핵심 대응은 답안의 과거 희소성을 되돌리는 것이 아니다. 상호작용, 반복, 적용을 통해 학습을 더 가시화하는 것이다.

구술 변론은 하나의 선택지다. 교수자는 학생이 왜 특정 방법을 선택했는지, 개발 중 무엇이 실패했는지, 새로운 가정 아래 결과가 어떻게 달라지는지를 물을 수 있다.

포트폴리오는 또 다른 경로를 제공한다. 포트폴리오는 초안, 피드백, 수정, 성찰을 포함해 시간에 걸친 작업을 보여준다. 하나의 완성도 높은 제출물보다 학습의 궤적을 더 중요하게 만든다.

실습 프로젝트는 지식을 물리적 시스템이나 실제 상황과 연결할 수 있다. 학생들은 장비를 구성하고, 관찰 자료를 수집하고, 동료와 협업하거나, 현실이 모델과 다르게 전개될 때 대응해야 할 수 있다.

대면 글쓰기와 시험도 여전히 역할을 할 수 있다. 이는 학생의 독립적인 수행이 더 분명하게 드러나는 통제된 환경을 만든다.

그러나 완전히 폐쇄형 시험으로 되돌아가면 유익한 학습 방식까지 포기하게 된다. 실제 전문 업무에는 도구, 참고자료, 협업, 수정이 빈번히 수반된다. 졸업생들은 AI의 결과물을 무비판적으로 받아들이지 않고 활용하는 방법도 알아야 한다.

따라서 MIT의 접근법은 금지라기보다 일종의 절충에 가깝다. 학생들은 일부 과제에서 정당하게 AI에 접근할 수 있지만, 다른 영역에서는 더 강한 이해의 증거를 제시해야 한다.

이러한 절충은 더 나은 과제를 만들어낼 수 있다. 학생은 모델에게 서로 경쟁하는 설명을 생성하게 한 뒤, 그 오류를 찾아내고 자신이 선호하는 해석을 방어할 수 있다. 프로그래머는 생성된 코드를 감사하고, 적대적 테스트를 구성하며, 모든 실패 사례를 기록할 수 있다.

이런 과제는 단순한 산출물 생산이 아니라 판단력을 평가한다. 또한 직원들이 기계 생성 자료를 검토하고, 지시하고, 통합하는 일이 늘어나는 실제 직장 환경과도 닮아 있다.

위험은 “AI 인식형”이라는 말이 변하지 않은 수업에 챗봇 하나를 추가하는 꼬리표가 되는 데 있다. 학습 목표와 평가가 그대로라면, 도구 접근성은 이해를 깊게 하지 못한 채 과제 완료만 앞당길 수 있다.

질문을 받는 상황에서의 수행과 학습 자체를 혼동할 위험도 있다. 어떤 학생은 대면 환경에서 자신감 있게 소통하지만, 다른 학생은 더 많은 시간이나 접근 가능한 형식이 필요하다. 구술시험은 장애, 언어적 배경, 불안, 서로 다른 의사소통 방식까지 고려해야 한다.

다양한 평가 체계는 이 문제를 완화할 수 있다. 포트폴리오, 시연, 서면 성찰, 인터뷰, 감독하 작업은 여러 형태의 증거를 제공할 수 있다.

최적의 설계는 분야에 따라 달라진다. 화학 전공생은 안전한 실험실 실습을 보여줘야 한다. 역사 전공생은 자료를 평가하고 해석을 방어해야 한다. 컴퓨터과학 전공생은 컴파일 가능한 코드를 만드는 일을 넘어 시스템의 동작을 추론해야 한다.

공통 요건은 추적 가능성이다. 교수자는 제출된 결과물과 학생의 의사결정 사이를 연결할 수 있을 만큼 충분한 증거가 필요하다.

학생들은 메모, 출처 기록, 초안, 프롬프트, 실험, 수정 내용을 보존함으로써 그 연결을 강화할 수 있다. personal knowledge system은 이 과정을 정리하는 데 도움이 될 수 있지만, 문서화가 직접적인 이해를 대체할 수는 없다.

이 접근법은 학문적 정직성의 의미도 바꾼다. 핵심 문제는 도구가 과제에 관여했는지보다, 학생이 기계의 작업을 자신의 사고로 제시했는지에 더 가까워진다.

이 기준은 이분법적 규칙으로 환원하기가 더 어렵다. 동시에 과제의 실제 교육 목적에도 더 가깝다.

google news의 헤드라인은 AI가 학부 과제를 정복했다는 인상을 준다. MIT의 더 깊은 주장은 고등교육이 애초에 과제물을 증거로 지나치게 의존해 왔다는 것이다.

MIT의 경고가 입증하지 않는 것

이 보고서는 시급한 평가 문제를 제기하지만, AI가 모든 학부 과목을 마스터했다는 사실을 입증하지는 않는다.

이 이야기의 가장 강한 버전은 서로 다른 여러 주장을 하나로 뭉뚱그린다. 그럴듯한 답변을 만들어내는 것은 정답에 도달하는 것과 다르다. 과제를 통과하는 것은 수업을 이해하는 것과 다르다.

AI 시스템은 인용을 날조하면서도 설득력 있는 설명을 생성할 수 있다. 표준 문제는 풀 수 있어도 문제의 틀이 바뀌면 실패할 수 있다. 일반적인 입력에서는 작동하는 코드를 만들지만 보안 또는 신뢰성 결함을 숨길 수도 있다.

모델은 익숙한 과제 패턴에서도 이점을 얻는다. 대학들은 교과서 연습문제, 관례적인 에세이 주제, 공개된 수업 자료를 재사용한다. 학습 데이터와 웹 접근성은 모델에 관련 해법을 폭넓게 노출할 수 있다.

이 때문에 일부 과제는 그 기반 학문 자체보다 자동화하기 쉽다. 알려진 증명 패턴을 인식하고 재현하는 것은 낯선 연구 상황에서 접근법을 선택하는 일과 다르다.

따라서 MIT 위원회의 주장은 기계 역량에 대한 보편적 벤치마크가 아니라, 그럴듯한 산출물에 관한 경고로 읽어야 한다.

이 한계가 교육적 우려를 약화시키지는 않는다. 교수자들은 대체로 모든 문장이나 코드 한 줄을 법의학적으로 조사할 수 없다. 전문가가 결국 결함을 찾아낼 수 있더라도, 그럴듯한 답변은 평가를 무너뜨릴 수 있다.

이 보고서는 모든 학생이 과제 전체를 위임하고 있다는 사실도 보여주지 않는다. AI 활용은 문법을 점검하는 일부터 완성된 제출물을 생성하는 일까지 매우 넓은 행동 범위를 포괄한다.

국가 및 기관 단위 설문조사는 정기적으로 높은 도입률을 보여주지만, 보고되는 비율은 정의, 조사 대상 집단, 질문 문구에 따라 달라진다. 도구 사용만으로 학습이 늘었는지 줄었는지는 거의 알 수 없다.

2026년 Coursera 설문조사는 5개국의 학생과 교수진 4,200명 이상을 대상으로 했다. 이 조사는 AI 활용이 널리 퍼져 있다고 보고했지만, 교수진 응답자 중 소속 기관에 공식 AI 정책이 있다고 답한 비율은 26%에 불과했다.

이 결과는 업계 맥락을 제공하지만, AI 기반 교육에 상업적 이해관계를 가진 온라인 학습 기업에서 나온 것이다. 모든 캠퍼스를 중립적으로 측정한 결과로 취급해서는 안 된다.

별도의 EDUCAUSE 프로젝트는 평가에 관해 교수진과 직원 438명을 조사했다. 이 프로젝트의 존재는 수업 재설계가 고립된 MIT의 반응이 아니라 이제 교육 부문 전반의 관심사임을 보여준다.

가장 강력한 독립적 증거는 관찰 가능한 교실 변화에서 나온다. 교수자들이 최종 결과물만으로는 더 이상 신뢰하지 않기 때문에, 대학들은 구술 평가, 감독하 글쓰기, 발표, 단계별 프로젝트를 실험하고 있다.

oral exam shift에는 대조적인 접근법이 포함돼 있다. Cornell은 문제 세트 이후 사람이 질문하는 방식을 사용한다. New York University는 그룹 프로젝트에 관해 학생에게 질문하는 AI 음성 에이전트를 시험했다.

NYU 실험은 고등교육이 마주한 역설을 포착한다. 한 AI 시스템이 학생이 다른 AI 시스템에 지나치게 의존했는지 확인하는 데 도움을 준다.

학생들은 그 에이전트에 대해 엇갈린 경험을 보고했다. 일부는 대화가 어색하거나 혼란스럽다고 느꼈다. 이러한 반응은 기술적 확장성만이 좋은 평가의 기준이 될 수 없는 이유를 보여준다.

MIT의 권고안에서 인간적 상호작용이 중심을 차지하는 이유는 교육에 멘토링, 소속감, 지적 도전, 정체성 발달이 포함되기 때문이다. 구술시험을 자동화하면 검증은 유지할 수 있지만, 그러한 관계는 약화될 수 있다.

같은 우려는 AI 튜터링에도 적용된다. 즉각적인 설명과 개인화된 연습은 도움을 요청하기를 망설이는 학생들을 지원할 수 있다. 그러나 기관이 소프트웨어를 교수 노동의 대체재로 취급한다면, 교수자 및 동료와의 접촉을 줄일 수도 있다.

따라서 MIT의 주된 상대는 AI 자체가 아니다. 값비싼 인간적 상호작용을 최소화하면서 완성된 결과물을 이해의 신뢰할 수 있는 척도로 여기는 교육 모델이다. 그러한 상호작용이야말로 학습을 드러낸다.

이 틀은 생산적인 AI 활용의 여지를 남긴다. 학생은 대안적 설명, 연습 문제, 피드백, 반론을 요청할 수 있다. 그 가치는 도구가 사고를 더 많이 만들어내는지, 아니면 제거하는지에 달려 있다.

불확실성은 크다. 연구자들은 서로 다른 AI 사용 패턴이 기억 유지, 추론, 창의성, 이후의 수행에 어떤 영향을 미치는지 보여주는 종단적 증거를 여전히 필요로 한다.

대학들은 불평등한 접근성도 주시해야 한다. 유료 도구, 더 나은 모델, 고급 프롬프팅 기술을 보유한 학생들은 제한된 시스템을 사용하는 동급생보다 더 강력한 지원을 받을 수 있다.

명확한 규칙이 이런 격차를 없애지는 못한다. AI가 필수 수업 인프라가 된다면, 기관은 승인된 도구를 제공하고 그 한계를 설명해야 할 수 있다.

개인정보 보호 역시 해결되지 않은 문제다. 학생 프롬프트에는 개인정보, 미공개 연구, 저작권 보호 자료, 민감한 기관 데이터가 포함될 수 있다. 수업 정책은 그 정보가 어디로 가는지를 다뤄야 한다.

이러한 한계는 지연이 아니라 신중한 도입을 요구한다. MIT의 보고서는 대학들이 숙고하는 동안에도 AI 역량과 학생 관행은 계속 바뀔 것이므로, 이 작업이 선택 사항이 아니라고 명시한다.

Google News 주기가 끝난 뒤 주목할 점

MIT의 경고는 헤드라인의 열기가 식은 뒤 정책, 예산, 수업 설계가 바뀔 때에만 중대한 의미를 갖는다.

첫 번째 신호는 학과들이 2026년 가을 학기 동안 명확하고 과목별로 구체적인 규칙을 공개하는지 여부다. MIT는 명시적 지침을 장려했지만, 하나의 통일된 정책을 의무화하지는 않았다.

효과적인 규칙은 승인된 도구의 이름만 나열하는 데 그치지 않고, AI가 허용되거나 제한되는 이유를 설명해야 한다. 각 경계를 학습 목표와 연결하고, 학생이 지원을 어떻게 공개해야 하는지 기술해야 한다.

일관성도 중요하다. 규칙이 눈에 보이고 목적이 분명하다면 학생들은 과목마다 다른 규칙을 관리할 수 있다. 숨겨진 기대는 혼란을 만들고 집행을 약화시킨다.

대부분의 과목이 명확한 정책을 채택한다면, MIT의 분권형 전략은 신뢰를 얻는다. 지침이 여전히 들쭉날쭉하다면, 이 보고서는 문제를 지적했을 뿐 일상적 결과를 해결하지 못한 셈이 된다.

두 번째 신호는 평가 재설계의 규모다. 대학들은 얼마나 많은 과목이 재택 결과물을 구술 방어, 포트폴리오, 시연, 감독하 작업, 단계별 제출로 대체하거나 보완하는지 추적해야 한다.

관련 지표는 제공된 AI 워크숍의 수가 아니다. 무엇이 증거로 인정되는지를 바꾸는 과목의 수다.

MIT의 Community Hub는 과제와 학습 목표를 수정하는 교육팀을 위한 시드 지원을 발표했다. 그 지원의 규모, 기간, 채택률은 재설계가 핵심 투자 대상인지 제한적 파일럿인지 보여줄 것이다.

다른 대학들은 초기 비교 사례를 제공한다. Cornell은 교수자 지원 프로그램에 구술 평가 교육을 포함했다. University of Pennsylvania는 구술 및 대면 평가의 활용이 늘고 있다고 보고했다.

이 실험들은 실질적인 제약을 드러낼 것이다. 대규모 입문 과목, 시간제 교수진, 접근성 요건, 제한된 강의실 공간은 노동집약적 평가를 어렵게 만들 수 있다.

기관이 추가 교육 역량에 자금을 지원한다면, MIT의 인간 중심 모델은 더 현실적이 된다. 기존 인력에 의존한다면 재설계는 소규모 또는 자원이 풍부한 과목에 집중될 수 있다.

세 번째 신호는 학습 성과에 관한 증거다. 대학들은 서로 다른 AI 사용 패턴에 따라 기억 유지, 전이, 추론, 학생 자신감을 비교해야 한다.

과목은 더 부정행위하기 어려워질 수는 있어도 교육적으로 더 나아지지 않을 수 있다. 감시와 시험, 불안이 늘어난다고 해서 자동으로 더 깊은 이해가 생기는 것은 아니다.

연구자들은 AI를 튜터로 쓰는 경우, 비평가로 쓰는 경우, 생산 보조자로 쓰는 경우, 대체재로 쓰는 경우를 구분해야 한다. 이러한 행동을 하나의 “AI 사용” 범주로 묶으면 중요한 작동 메커니즘이 가려진다.

과정이 풍부한 평가가 학생들의 지식을 설명하고 적용하는 능력을 향상한다면, 종단적 결과는 MIT의 판단을 강화할 수 있다. 재설계된 과목이 학습을 개선하지 못한 채 업무만 늘린다면, 그 판단은 약화될 수 있다.

기숙형 교육의 미래는 이러한 발견에 달려 있을 수 있다. 콘텐츠 제공과 일상적 피드백이 저렴해진다면, 대학들은 관계, 실험실, 협업, 멘토링, 공동의 지적 삶을 통해 캠퍼스의 가치를 정당화해야 한다.

MIT의 언어는 바로 그 방어를 향한다. MIT 지도부는 인간의 역량을 강화하는 곳에서 AI를 사용하되, 교육은 인간이 인간을 위해 수행되기를 원한다.

이는 금지나 무제한적 도입 어느 쪽보다 더 까다로운 입장이다. 교수자에게는 모든 과제의 목적을 명확히 하도록 요구한다. 학생에게는 기계가 결과물 생산을 도울 때에도 판단에 대한 책임을 지도록 요구한다.

또한 대학 지도자들에게 AI를 대규모 수업과 낮은 교육 비용을 위한 지름길로 취급하는 대신, 인간적 접촉에 자금을 지원하도록 요구한다.

원래의 google news 기사는 AI가 학부 과제 전반에 미치는 범위를 강조한 점에서 정확했다. 그러나 과제에 관한 주장은 출발점에 불과하다.

더 큰 문제는 대학들이 더 이상 신뢰할 만한 제출물을 곧 교육받은 사람과 동일시할 수 없다는 점이다. 대학은 추론 과정을 관찰하고, 지적 고투의 기회를 만들며, 위임이 언제 자기 소거로 이어지는지 학생들에게 가르쳐야 한다.

학생과 지식 노동자도 지금 같은 기준을 적용할 수 있다. AI가 답을 만들 때, 그 추론을 자신의 것으로 만드는 출처, 가정, 초안, 수정 과정을 보존하라. 그리고 도구 없이도 그 결과를 옹호할 수 있는지 자문하라.

이 습관은 대학 밖에서도 중요하다. 특히 의사결정이 고객, 안전, 돈, 또는 대중의 신뢰에 영향을 미칠 때 고용주 역시 근로자가 기계 보조 결과물을 이해한다는 증거를 필요로 하게 될 것이다. google 뉴스 사이클이 지나간 뒤, 기관들은 그 책임을 중심으로 학습을 재설계할까, 아니면 더는 신뢰하지 않는 결과물에 계속 점수를 매길까?