OECD AI 시험 점수, 학생 학습의 역전을 드러내다

OECD AI 시험 점수는 우려스러운 충돌을 드러낸다. 학교 과제에 챗봇을 사용하지 않는 학생들이 이를 사용하는 동급생보다 더 높은 성과를 내는 경우가 많다는 것이다. 이 결과는 OECD가 실시하는 15세 학생 대상 국제 평가인 PISA 2025에서 나왔다.

이 결과는 교육 분야 AI에 관한 널리 퍼진 가정에 이의를 제기한다. 챗봇은 매끄러운 과제를 작성하고, 읽을거리를 요약하며, 수초 안에 질문에 답할 수 있다. 그러나 보조를 받은 과제의 완성도가 높아진다고 해서 학생이 독립적으로 활용할 수 있는 지식이 자동으로 쌓이는 것은 아니다.

이 구분은 범용 챗봇을 새롭게 형성되는 분열의 한쪽에 놓는다. 다른 한쪽에는 학생이 추론하고, 연습하며, 자신의 답을 설명하게 만드는 구조화된 시스템이 있다. 증거는 교육에서 AI를 금지해야 한다는 주장을 뒷받침하지 않는다. 대신 이 기술이 학생의 사고를 돕는지, 아니면 학생을 대신해 사고를 끝내는지를 물어야 한다는 점을 시사한다.

PISA가 발견한 AI 시험 점수 격차

OECD의 핵심 발견은 챗봇 사용과 더 낮은 독립 수행 능력 간의 연관성이지, AI가 낮은 점수를 초래했다는 증거는 아니다.

PISA 2025 결과는 학생들의 AI 사용에 관한 가장 폭넓은 관점 중 하나를 제공한다. 국제학업성취도평가인 PISA는 15세 학생이 익숙하지 않은 문제에 지식을 어떻게 적용하는지 측정한다.

2025년까지 대부분의 참여 교육 시스템에서 학생 다수는 학교 과제를 위해 AI 챗봇을 사용한 경험이 있었다. OECD 국가 전체에서 조사 대상 용도로 챗봇을 거의 사용하지 않는다고 답한 학생은 14%에 불과했다.

여기에는 지정된 텍스트 요약, 예비 조사, 글쓰기 과제 초안 작성, 일반적인 학습 도움 받기 등이 포함됐다. 일반 학습 지원이 가장 흔히 보고된 용도였다.

거의 매일 사용하는 사례는 여전히 비교적 드물었다. OECD 국가 전체에서 정기적으로 사용한다고 답한 학생은 약 5명 중 1명이었다. 빈도와 목적 모두 서로 다른 성취 패턴과 연결됐기 때문에 이는 중요하다.

특정 학교 과제에서 챗봇을 사용하지 않았다고 답한 학생들은 대체로 사용자보다 더 높은 과학 점수를 받았다. 이 패턴은 대부분의 참여 국가와 경제권에서 나타났다.

이 관계는 단순한 직선 형태가 아니었다. 연구진이 사회경제적 배경을 조정한 뒤에도 일반 학습을 위해 매주 AI를 사용한 학생들은 비사용자와 비슷한 성과를 보였다.

AI를 거의 매일 사용하거나 아주 가끔만 사용한 학생들은 비사용자보다 낮은 점수를 받는 경향이 있었다. 텍스트를 요약하거나 새로운 주제를 조사할 때 중간 수준 사용자는 제한적 사용자와 빈번한 사용자보다 더 높은 성과를 내기도 했다.

초안 작성은 달랐다. AI가 과제 작성에 도움을 준 경우, 중간 수준 사용자의 성과 우위는 덜 뚜렷했다. 이는 텍스트 생성이 조사 지원보다 더 많은 인지 작업을 대체할 수 있다는 우려와 맞아떨어진다.

이 비교는 학생들의 사회경제적 특성을 조정한 예측 과학 점수를 사용한다. 그럼에도 관찰 연구와 자기보고식 사용 데이터에 기반한다. 학생들은 챗봇 사용 집단과 비사용 집단에 무작위 배정되지 않았다.

낮은 성과를 보이는 학생들이 AI 도움을 더 자주 찾을 수 있다. 과제 부담이 크거나, 지원 네트워크가 약하거나, 자신감이 낮은 학생들 역시 챗봇을 다른 방식으로 채택할 수 있다.

OECD는 그 결과가 부정적 인과 효과를 확립하지 않는다고 명시적으로 경고한다. 대신 누가 AI를 채택하는지, 왜 사용하는지, 얼마나 자주 사용하는지에 따라 형성된 관계를 설명한다.

이 경고는 손쉬운 헤드라인이 잘못된 결론이 되는 일을 막아야 한다. PISA는 모든 학생이 ChatGPT를 열면 지식을 잃는다고 증명하지 않았다. 다만 학교가 안전하게 무시할 수 없는 일관된 격차를 드러냈다.

이 격차는 PISA가 보조 없이 지식을 적용하는 능력을 시험한다는 점에서도 중요하다. 챗봇은 집에서 제출하는 과제의 완성도를 높일 수 있지만, 도구가 사라졌을 때 학생의 준비도를 낮게 남길 수 있다.

완성된 과제와 유지된 능력 사이의 이 차이가 실제 충돌을 만든다. 교육 시스템은 수년간 눈에 보이는 결과물을 평가해 왔다. 이제 생성형 AI는 학습자를 확실하게 향상시키지 않으면서도 그 결과물을 개선할 수 있다.

OECD AI 시험 점수가 드러낸 숙제의 역전

AI는 과제를 더 좋아 보이게 만들 수 있지만, 그 과제와 학생이 실제로 아는 것 사이의 연결을 약화시킬 수 있다.

OECD의 이전 교육 전망 보고서는 새로운 PISA 결과가 나오기 전부터 이 문제를 지적했다. 범용 AI는 지속적인 학습 향상을 만들지 못한 채 과제 수행 능력을 높일 수 있다.

학생은 챗봇에게 한 장을 요약하거나, 논증을 정리하거나, 에세이 초안을 작성해 달라고 요청할 수 있다. 학생이 읽기, 계획, 수정에 들이는 시간이 줄어들어도 최종 제출물은 더 명확해질 수 있다.

이렇게 건너뛴 단계는 행정적 마찰이 아니다. 그것이 바로 학습 활동 자체인 경우가 많다.

글쓰기는 학생에게 정보를 끌어내고, 증거를 저울질하며, 아이디어를 배열하고, 이해의 빈틈을 알아차리도록 요구한다. 요약은 어떤 사실이 중요한지, 또 그것들이 어떻게 연결되는지를 판단하도록 요구한다.

챗봇이 이런 작업을 수행하면 학생은 그 뒤의 정신적 구조를 반드시 구축하지 않아도 답을 받게 된다. 즉각적인 결과는 생산적으로 보이지만, 독립 시험은 무엇이 실제로 남았는지를 드러낸다.

연구자들은 때때로 이 패턴을 인지적 외주화라고 설명한다. 학습자가 정신적 과제의 일부를 외부 시스템에 넘겨 과제를 완료하는 데 필요한 노력을 줄이는 것이다.

외주화가 자동으로 해로운 것은 아니다. 계산기, 맞춤법 검사기, 검색 엔진, 참고서는 모두 작업 일부를 마음 밖으로 옮긴다. 학생들은 이런 도구를 사용하면서도 더 깊은 기술을 발전시킬 수 있다.

차이는 학습자에게 무엇이 남는가에 있다. 계산기는 여전히 누군가가 연산을 선택하고 결과를 해석해야 한다. 챗봇은 논증을 선택하고, 설명을 작성하며, 결론까지 제시할 수 있다.

이처럼 더 광범위한 대체는 연구자들이 메타인지적 게으름이라고 부르는 현상을 만든다. 메타인지는 학습 과정에서 자신의 이해, 전략, 오류를 점검하는 것을 뜻한다.

학생들은 혼란을 인식하고, 약한 답을 재검토하거나, 목표가 분명한 도움을 요청할 때 이를 발휘한다. 유창한 챗봇 응답은 불완전한 이해가 해결된 것처럼 느끼게 해 이런 신호를 억제할 수 있다.

PISA 결과에는 또 다른 단서가 있다. AI 챗봇을 피한 학생들은 더 강한 도움 요청 행동을 보고할 가능성도 높았다.

사람에게 도움을 요청하는 일에는 대개 협상이 따른다. 교사, 부모, 동급생은 학생이 무엇을 시도했고 어디에서 추론이 실패했는지 물을 수 있다. 범용 챗봇은 다르게 행동하도록 요청받지 않는 한 대개 즉시 답을 제공한다.

이러한 편의성은 노력을 피하는 비용을 바꾼다. 생성형 AI 이전에는 완성된 에세이를 외주 맡기려면 돈, 조율 또는 명백한 부정행위가 필요했다. 이제 그럴듯한 초안은 짧은 브라우저 세션만으로도 나타날 수 있다.

이 역전은 도구가 제거될 때 가장 뚜렷해진다. 학생들은 더 나은 보조 과제를 제출한 뒤, 같은 지식을 요구하는 폐쇄형 평가에서 어려움을 겪을 수 있다.

2026년 중국 중등교육을 다룬 한 연구는 이 패턴을 더 선명하게 보여준다. 학습 페널티 연구는 7학년부터 12학년까지 학생 26,811명의 30개월 기록을 분석했다.

연구진은 9개 과목에 걸쳐 숙제, 완료 시간, 월별 폐쇄형 시험, 고위험 입학시험을 추적했다. AI 채택은 더 높은 숙제 생산성과 연관됐지만, 보조 없는 수행 능력은 더 낮았다.

이 연구 역시 신중하게 해석해야 한다. AI 채택은 무작위 배정되지 않았고, 연구진은 행정 데이터에서 일부 외주화 행동을 추론했다. 모든 학생이나 교실에 적용되는 보편적 페널티를 확립할 수는 없다.

그럼에도 이 구조는 일반적인 숙제 분석의 약점을 보완한다. 보조받은 과제와 학생들이 도구 없이 수행해야 하는 평가를 비교한다.

OECD AI 시험 점수는 훨씬 광범위한 국제 표본에서도 같은 방향을 가리킨다. 이 결과들을 함께 보면, 주로 집에서 완성한 결과물에 근거한 성적 평가에 의문을 제기한다.

학교가 계속해서 매끄러운 숙제를 학습의 직접적 증거로 취급한다면, AI는 그 신호의 신뢰도를 떨어뜨릴 것이다. 과제는 독립적 숙달보다 접근성, 프롬프팅, 편집 능력을 점점 더 측정하게 될 수 있다.

데이터는 단순한 AI 금지를 뒷받침하지 않는다

가장 강력한 증거는 통제되지 않은 답변 생성과 교육 및 능동적 참여를 중심으로 설계된 AI 사용을 구분한다.

OECD의 경고는 AI가 언제나 학습을 해친다는 주장으로 쉽게 단순화될 수 있다. 하지만 OECD 자체 결과는 그런 해석을 부정한다.

일반 학습을 위한 주간 사용은 비사용과 유사한 과학 성취와 연관됐다. 특정 과제에서의 중간 수준 사용 역시 드문 사용이나 집중적 사용보다 더 나은 결과를 보였다.

이 패턴은 빈도가 중요하다는 점을 시사하지만, 빈도만으로는 충분하지 않다. 도구의 목적과 이를 둘러싼 교수 설계가 결과를 바꿀 수 있다.

완성된 답을 요청하는 학생의 경험은 힌트를 요청하는 학생의 경험과 다르다. 둘 다 강사가 잘못된 추론에 이의를 제기하는 감독된 수업과는 다르다.

이 구분은 통제 연구에서도 나타난다. 세계은행 연구는 나이지리아 에도주 중등학생을 대상으로 6주간 교사 지원형 AI 튜터링 프로그램을 시험했다.

이 프로그램은 방과 후 영어 학습을 지원하기 위해 Microsoft Copilot을 사용했다. 교사들은 구조화된 활동을 감독하고, 프롬프트를 제공하며, 학생들이 시스템의 응답을 평가하도록 도왔다.

개입에 참여한 학생들은 영어, AI 지식, 디지털 기술을 다룬 평가에서 0.31 표준편차의 향상을 달성했다. 따라서 나이지리아 튜터링 실험은 지도된 사용이 학습을 향상시킬 수 있다는 증거를 제공한다.

이 결과는 OECD의 경고와 모순되지 않는다. 오히려 그 경고의 작동 방식을 명확히 한다.

나이지리아 프로그램은 학생들에게 제한 없는 답변 엔진을 제공하고 학습이 뒤따를 것이라고 가정하지 않았다. 모델을 교육과정, 일정, 교사 주도 과정 안에 배치했다.

챗봇은 교수 시스템 안에서 튜터로 기능했다. 시스템을 대체하지는 않았다.

더 최근의 실험적 증거 역시 순전히 부정적인 이야기를 복잡하게 만든다. 연구자 Zara Contractor와 Germán Reyes는 학부생들을 생성형 AI를 사용하거나 사용하지 않고 낯선 주제를 학습하도록 무작위 배정했다.

참가자들은 즉시, 그리고 1주일 뒤에 보조 없는 평가를 완료했다. AI 접근은 즉각적인 지식 점수를 0.27 표준편차 높였고, 그 향상은 1주일 뒤에도 유지됐다.

무작위 실험은 증강 사용자에게서 더 강한 지연 효과를 발견했다. 이 학생들은 AI에게 자신을 대신해 텍스트를 생성하도록 하기보다 개념을 설명해 달라고 요청했다.

자동화 사용자는 반대의 패턴을 보였다. 결과물 품질의 단기적 향상은 AI 접근이 제거된 뒤 사라졌다.

이 대조는 OECD AI 시험 점수를 해석할 실용적 틀을 제공한다. 핵심 질문은 학습 중 챗봇이 등장했는지가 아니다.

문제는 어떤 인지 단계가 학생에게 남았는지다. 설명, 인출, 비교, 자기 수정은 학습을 뒷받침할 수 있다. 자동 생산은 이를 우회할 수 있다.

연령과 맥락 역시 직접 비교를 제한한다. 무작위 실험은 학부생을 대상으로 했지만, PISA는 15세 학생을 살펴본다. 세계은행 개입은 나이지리아의 특정 환경에서 이루어졌다.

수백만 명의 학생이 서로 다른 챗봇을 사적으로 사용할 때 어떤 일이 벌어질지는 체계적인 방과후 프로그램으로 예측할 수 없다. 작은 실험 하나로 모든 과목에 걸친 장기적 영향을 판단할 수도 없다.

그럼에도 긍정적 연구들은 일괄 금지의 취약성을 드러낸다. AI를 없애면 피드백과 연습 기회를 넓힐 수 있는 튜터링 선택지도 함께 사라진다.

따라서 정책의 선택지는 무제한 사용과 전면 배제의 양자택일이 아니다. 학교에는 생산적인 도움과 노력의 대체를 구분하는 규칙이 필요하다.

챗봇은 소크라테스식 질문을 던지거나, 연습 문제를 만들거나, 답이 왜 틀렸는지 설명하는 데는 허용될 수 있다. 반면 평가 대상 과제의 최종 문안을 작성하는 데는 제한될 수 있다.

학생들은 상호작용 기록을 문서화하고 어떤 제안을 수용했는지 설명할 수도 있다. 이 과정은 최종 문서만을 유일한 증거로 취급하는 대신 사고 과정을 드러나게 한다.

학생용 도구는 정보 회수, 성찰, 출처 비교를 지원해야 한다. 개인 학생 워크스페이스는 자료 정리에 도움이 될 수 있지만, 학습자는 여전히 이를 평가하고 연결해야 한다.

OECD 보고서는 수업 설계를 핵심 기준으로 제시한다. 범용 도구의 이용 가능성 자체가 학습 전략은 아니다. 학교는 어떤 사용이 노력을 보존하고 어떤 사용이 이를 지워버리는지 판단해야 한다.

학교가 이제 직면한 평가 문제

챗봇은 감독 없는 결과물을 개인의 이해와 동일시하는 학교에 가장 큰 압박을 가한다.

생성형 AI가 숙제와 교과 과정 과제의 모든 약점을 새로 만든 것은 아니다. 다만 기존 약점을 더 쉽게 악용할 수 있게 만들고, 더 이상 외면하기 어렵게 했다.

교사들은 오래전부터 가정에서 하는 과제가 불균등한 수준의 도움을 반영한다는 사실을 알고 있었다. 어떤 학생은 광범위한 가족의 도움, 개인 과외 또는 편집 피드백을 받는다. 다른 학생들은 혼자 작업한다.

AI는 답변의 핵심 내용을 만들어낼 수 있는, 언제나 이용 가능한 협업자를 추가한다. 최종 문안은 여전히 정당한 학생 작업과 구분하기 어려울 수 있다.

탐지 소프트웨어는 이 문제를 신뢰성 있게 해결하지 못한다. 오탐은 독창적인 글쓰기를 처벌할 수 있고, 수정된 AI 문안은 탐지를 피할 수 있다. 학교에는 학생의 과정을 드러내는 평가 설계가 필요하다.

압박은 의도적인 부정행위를 넘어선다. 학생은 관대한 정책 안에서 챗봇을 사용하면서도 이후 수행에 필요한 연습을 피할 수 있다.

이 때문에 의도만으로는 불완전한 기준이 된다. 선의의 학습자도 완성도 높은 설명을 반복해서 요청하고, 생산적으로 학습하고 있다고 느끼다가 시험에서야 지식의 공백을 발견할 수 있다.

영국의 자격평가 규제기관은 무결성 측면을 직접 다뤘다. 2026년 교과 과정 과제 지침은 AI가 생성한 작업물을 자신의 것으로 제출하는 행위를 부정행위라고 명시한다.

그러나 처벌은 학습 문제의 한 부분만 다룬다. 학생들은 공개 규정을 따르면서도 생성된 답변에 지나치게 의존할 수 있다.

학교는 여러 형식을 통해 역량을 관찰해야 한다. 짧은 구두 변론, 감독하 글쓰기, 반복 초안, 실습 시연, 실시간 문제 해결은 더 강한 증거를 제공할 수 있다.

이러한 형식도 코칭의 영향을 완전히 피할 수는 없다. 그러나 AI가 만든 최종 산출물이 학생의 이해를 대신하기는 더 어려워진다.

평가 재설계에도 비용이 따른다. 구술시험에는 교직원 시간이 필요하다. 감독하 작업은 유연성을 줄인다. 프로젝트 기반 평가는 주관적 채점과 조정 부담을 초래할 수 있다.

이 비용은 불균등하게 발생할 것이다. 재정 여력이 있는 학교는 교사를 훈련하고 더 작은 평가 집단을 운영할 수 있다. 인력 부족을 겪는 시스템은 확장 가능한 서면 과제에 더 크게 의존할 수 있다.

AI 공급업체도 압박을 받고 있다. 범용 제품은 대체로 유용하고 완결된 답변을 최적화한다. 이 목표는 때로 답을 바로 제공하지 않아야 하는 교육과 충돌할 수 있다.

효과적인 교육 모드는 학습자에게 먼저 해결을 시도하도록 요구할 수 있다. 이후 점진적으로 더 강한 힌트를 제공하고, 오개념을 짚어내며, 다음 단계로 넘어가기 전 설명을 요구할 수 있다.

이 시스템에는 연령에 맞는 개인정보 보호와 투명한 데이터 관행도 필요하다. 학생 대화에는 학업 기록, 개인적 고민, 민감한 행동 신호가 포함될 수 있다.

교사에게는 교육과정 정렬을 통제할 권한이 필요하다. 정답이더라도 교육과정 밖의 방식을 제시하는 챗봇은 학생을 혼란스럽게 하거나 신중하게 구성된 수업 순서를 훼손할 수 있다.

환각 현상도 여전히 문제다. 자신감 있게 제시된 잘못된 설명은, 특히 학습자가 이를 반박할 충분한 지식이 없을 때 오개념을 가르칠 수 있다.

OECD는 수업 중 AI 생성 정보를 평가하라는 요청을 받은 학생이 약 10명 중 6명이라고 보고했다. 이들 중 46%는 가끔, 33%는 자주, 22%는 매우 자주 이를 수행했다.

이 수치는 평가 역량이 많은 교실에 들어왔음을 보여준다. 동시에 상당수 학생이 AI 결과물을 검증하는 정기적 연습을 하지 못하고 있음을 시사한다.

학업 무결성에 대한 우려는 교육자들 사이에 이미 널리 퍼져 있다. OECD Digital Education Outlook에서 중등학교 저학년 교사의 72%는 AI가 학생들이 생성된 작업물을 자신의 것으로 제출하게 할 수 있다고 봤다.

동시에 중등학교 저학년 교사의 37%는 2024년에 업무에 AI를 사용했다고 답했다. 또 다른 57%는 AI가 수업 계획을 작성하거나 개선하는 데 도움이 된다고 동의했다.

이 조합은 제도적 긴장을 포착한다. 학교는 교사에게 유용한 활용 사례를 보면서도, 학생들이 학습 과정을 건너뛸 수 있다는 점을 우려한다.

정책은 양쪽을 모두 고려해야 한다. 교사는 AI를 활용해 수준별 연습 문제를 만들고, 피드백 초안을 작성하거나, 튜터링 대화를 시뮬레이션할 수 있다. 학생에게는 여전히 생산적으로 어려움을 겪을 수 있는 보호된 기회가 필요하다.

생산적인 어려움이란 모든 도움을 거부하는 것을 뜻하지 않는다. 숙달을 쌓는 사고 과정을 없애지 않으면서 앞으로 나아갈 수 있을 만큼 충분한 지원을 제공한다는 의미다.

따라서 OECD의 AI 교육 보고서는 책임을 기관과 제품 설계자 쪽으로 옮긴다. 학생에게 “AI를 책임감 있게 사용하라”고 말하는 것만으로는 행동을 이끌기에는 너무 모호하다.

규칙은 허용되는 행동, 필요한 공개 사항, 그리고 도움 없이 수행해야 하는 역량을 명시해야 한다. 또한 일부 마찰이 왜 교육적으로 여전히 필요한지도 설명해야 한다.

상관관계가 핵심 불확실성이다

PISA 비교는 그 규모 때문에 중요하지만, 그 설계만으로 챗봇 사용이 과학 성취도 하락을 초래했는지는 판단할 수 없다.

학생들은 서로 다른 능력, 동기, 자원을 가진 채 AI를 접한다. 이러한 차이는 AI 채택과 시험 점수 모두에 영향을 줄 수 있다.

학습에 어려움을 겪는 학생은 기존 수업이 효과를 내지 못했기 때문에 챗봇을 더 많이 사용할 수 있다. 그렇다면 낮은 성취도는 AI 사용의 결과가 아니라 그보다 앞서 존재한 요인이 된다.

성취도가 높은 학생은 이미 강한 학습 습관을 갖고 있어 챗봇을 피할 수 있다. 이들의 높은 점수는 AI 부재가 아니라 그러한 습관을 반영할 수 있다.

자기 보고식 사용 빈도도 또 다른 한계를 낳는다. 학생들은 “학습을 도와달라”는 표현을 서로 다르게 해석하거나, 가끔의 사용을 잊거나, 금지된 것으로 보이는 행동을 축소 보고할 수 있다.

분류 체계는 여러 상호작용 방식도 한데 묶는다. 주 1회 사용자 한 명은 연습 문제를 요청할 수 있다. 같은 빈도로 보고한 다른 사용자는 과제 전체를 생성할 수 있다.

PISA는 과학 성취도 비교에서 사회경제적 배경을 보정했다. 이는 분석을 개선하지만, 사용자와 비사용자 사이의 모든 차이를 통제할 수는 없다.

OECD도 이를 직접 인정한다. 보고서는 이런 관계가 누가 AI를 채택하는지와 어떻게 사용하는지가 복잡하게 결합된 결과일 수 있다고 설명한다.

따라서 헤드라인 표현도 신중해야 한다. “AI를 사용하는 학생의 점수가 더 낮았다”는 관찰된 연관성을 설명한다. “AI가 학생의 점수를 낮췄다”는 PISA 데이터가 뒷받침할 수 없는 인과 주장을 한다.

중국 패널 연구는 시점과 결과 비교가 더 강력하지만, 여전히 관찰 연구다. 연구진은 수천 명의 아동에게 장기 챗봇 접근권을 무작위로 배정하지 않았다.

통제 실험은 일부 선택 편향 문제를 해결한다. 그러나 대개 더 작은 표본, 더 짧은 기간 또는 매우 구조화된 개입을 다룬다.

나이지리아 실험은 안내형 AI 튜터링이 특정 조건에서 도움이 될 수 있음을 보여준다. 이것이 감독 없는 챗봇 사용도 같은 결과를 낼 것임을 입증하는 것은 아니다.

학부생 대상 실험에서는 AI가 설명을 보완했을 때 학습 향상이 나타났다. 그러나 참가자, 과목, 통제된 환경은 일상적인 중등학교 사용과 다르다.

이러한 한계가 경고의 의미를 없애는 것은 아니다. 학교가 다음에 무엇을 조사해야 하는지를 규정할 뿐이다.

서로 다른 데이터 출처에서 더 나은 과제 결과와 더 약한 비보조 수행이 반복적으로 나타난다면, 교육자에게는 평가를 재설계할 설득력 있는 이유가 생긴다. 보편적인 인과 추정치를 기다릴 필요는 없다.

동시에 성급한 확신은 좋지 않은 정책을 낳을 수 있다. 전면 금지는 사용을 음지로 몰아넣고, 유익한 튜터링을 막으며, 학교가 AI 리터러시를 가르칠 기회를 차단할 수 있다.

더 방어 가능한 대응은 통제된 도입이다. 학교는 도움을 받은 산출물과 이후의 비보조 수행을 모두 측정하면서, 학급·과목·도구 설계를 비교할 수 있다.

또한 학생 집단별 차이도 관찰해야 한다. AI는 과외 접근성이 제한된 학습자를 지원할 수 있는 반면, 주로 노력을 피하기 위해 사용하는 학생에게는 해가 될 수 있다.

접근성 요구에는 특별한 주의가 필요하다. 일부 학생은 언어 지원, 읽기 보조 또는 생각 정리를 위해 AI를 사용한다. 제한 조치는 동등한 대안 없이 이러한 지원을 없애서는 안 된다.

과목 간 차이도 중요하다. 역사 에세이를 생성하는 것은 수학 증명에 피드백을 받는 것과는 다른 정신적 작업을 대체한다.

장기 측정은 필수적이다. 어떤 도구는 1주일 뒤 퀴즈 성적을 높일 수 있지만 한 학기 뒤 기억 정착을 약화시킬 수 있다. 다른 도구는 처음에는 작업 속도를 늦추더라도 지속적인 추론 역량을 쌓을 수 있다.

따라서 핵심 불확실성은 AI가 학습을 바꾸는지 여부가 아니다. AI는 이미 학습의 순서, 노력, 증거를 바꾸고 있다.

불확실성은 어떤 설계가 어떤 학생에게 어떤 조건에서 지속적인 지식을 만들어내는지에 관한 것이다. OECD 조사 결과는 출발선이지 최종 답은 아니다.

다음에 무엇이 일어나는지 보여줄 세 가지 신호

다음 단계는 챗봇 채택 자체가 아니라 독립 수행, 교육용 제품 설계, 평가 개혁을 기준으로 판단해야 한다.

첫 번째 신호는 연구자들이 PISA 2025 데이터베이스를 어떻게 분석하는지다. 국가 수준 연구는 이러한 연관성이 과목, 학교 정책, 학생 배경 전반에서 지속되는지 검증할 수 있다.

더 강한 통제 이후에도 일관된 격차가 나타난다면 OECD의 경고는 더욱 뒷받침될 것이다. 목적이나 학교 관행에 따라 큰 차이가 나타난다면 광범위한 제한보다 표적화된 규칙의 필요성이 강화될 것이다.

연구자들은 초안 작성, 요약, 조사, 피드백, 튜터링을 구분해야 한다. 이를 일반적인 AI 사용이라는 범주 아래 묶으면 학교가 가장 이해할 필요가 있는 작동 메커니즘이 가려진다.

두 번째 신호는 주요 챗봇 제공업체가 교육 모드를 바꾸는지 여부다. 의미 있는 제품 변화는 모든 상호작용을 즉각적인 완료에 맞춰 최적화하는 대신 학생을 능동적으로 참여시켜야 한다.

유용한 지표로는 지연된 힌트, 시도 요건, 교사 제어 기능, 교육과정 정렬, 진단된 오개념에 맞춘 설명 등이 있다. 독립 실험은 이러한 기능이 비보조 기억 정착을 개선하는지 검증해야 한다.

마케팅 주장이 이 문제를 해결해주지는 않는다. 공급업체는 수업 후 도구를 제거하고 학생들이 지식을 새로운 문제에 전이할 수 있는지 측정하는 비교 연구를 제시해야 한다.

세 번째 신호는 다음 학년도 동안의 평가 재설계다. 학교와 시험 기관은 채점 규칙, 감독 과제, 공개 요건을 통해 무엇을 우선시하는지 드러낼 것이다.

더 많은 구술 시험, 단계별 초안 제출, 수업 중 시연은 교육기관이 더 이상 최종 과제물만으로는 신뢰하지 않는다는 점을 보여줄 것이다. 감독 없이 생성된 텍스트에 계속 의존한다면 현재의 불일치는 유지될 것이다.

학교는 개인정보 규정이 허용하는 범위에서 이러한 변화의 근거를 공개해야 한다. 교육자들은 평가를 재설계했을 때 과도한 업무 부담 없이 타당성이 개선되는지 알아야 한다.

학부모와 학생에게도 더 명확한 기대 기준이 필요하다. 단지 “AI”를 허용하거나 금지하는 규정만으로는 튜터링과 자동 완성을 구분할 수 없다.

가장 유용한 기준은 직접적인 질문을 던진다. 챗봇 없이도 학생이 해당 작업을 설명하고, 재현하며, 적용할 수 있는가?

OECD AI 시험 점수는 이 질문을 국제 정책 이슈로 만들었다. 이는 공황을 정당화하지도, 안일함을 뒷받침하지도 않는다.

학생들은 현재 챗봇을 어떻게 사용하고 있는지 점검해야 한다. 설명, 반론, 연습 문제, 그리고 자신이 처음 시도한 답안에 대한 피드백을 요청하라. 시스템이 사고의 첫 초안을 대신하게 해서는 안 된다.

교사는 도구가 사라진 뒤의 학습을 검증해야 한다. 제품팀은 단순히 더 빠른 완료나 더 높은 만족도뿐 아니라, 유지된 역량을 측정해야 한다.

다음 증거는 학교가 학습자의 노력을 외주화하지 않으면서도 AI의 튜터링 가치를 유지할 수 있는지를 보여줄 것이다. 그 결과는 지금 이루어지는 설계 선택에 달려 있다.