AI시대, 글쓰기 훈련은 필요 없는가

대학에서는 더 이상 글쓰기 수업이 필요 없는 걸까?

생성형 AI가 대학의 글쓰기 교육에 근본적인 질문을 던지고 있다. 보고서의 개요를 만들고 자료를 요약하고 문장을 다듬는 정도가 아니다. 주제와 목적, 몇 가지 조건을 알려주면 제법 완성도 높은 보고서와 제안서를 짧은 시간 안에 만들어 낸다. 코딩도 비슷하다. 프로그래밍 언어와 복잡한 구현 과정을 충분히 익히지 않은 사람도 원하는 기능을 설명하면 상당한 수준의 코드를 얻을 수 있다.

그렇다면 대학생에게 여전히 글쓰기를 가르쳐야 하는가. 특히 산업경영공학이나 기계공학 등을 공부하는 학생들에게 아카데믹 글쓰기를 별도의 교과목으로 가르칠 이유가 있는가.

이 질문에 답하려면 AI가 무엇을 바꾸었는지를 정확하게 볼 필요가 있다. AI가 인간에게서 글쓰기 능력을 빼앗는다고 말하는 것만으로는 충분하지 않다. 더 근본적인 변화는 어떤 결과에 도달하기 위해 이전에는 반드시 통과해야 했던 과정을 상당 부분 건너뛸 수 있게 되었다는 것이다.

1. 과정을 건너뛰고도 결과를 얻는 시대

얼마 전까지만 해도 학습과 수행은 쉽게 분리되지 않았다. 한 권의 책이 말하는 바를 제대로 알려면 그 책을 읽어야 했다. 철학사의 어떤 논쟁을 이해하려면 앞선 사상가들의 주장을 하나씩 따라가야 했다. 프로그램을 만들려면 변수와 함수, 자료구조와 알고리즘을 배우고 수많은 오류를 직접 해결해야 했다. 외국 논문을 읽으려면 상당한 외국어 능력도 필요했다. 무언가를 제대로 수행하려면 먼저 그것을 배워야 했다.

생성형 AI는 이 관계를 크게 바꾸었다. 책을 다 읽지 않아도 내용을 요약받을 수 있다. 코딩을 깊이 배우지 않아도 원하는 프로그램을 만들 수 있다. 여러 자료를 직접 찾고 분류하고 배열하지 않아도 보고서의 개요와 초안을 얻을 수 있다. 예전에는 ‘학습→시행착오→숙련→결과’의 과정을 통과해야 했다면 이제는 상당수의 과업에서 ‘요청→AI→결과’라는 지름길을 이용할 수 있게 되었다.

이러한 상황에서 학생이 “그렇다면 왜 굳이 내가 힘들게 해야 하는가?”라고 묻는 것은 이상한 일이 아니다. 오히려 합리적인 질문이다. 같은 결과를 훨씬 적은 시간과 노력으로 얻을 수 있다면 효율적인 방법을 선택하는 것이 자연스럽다.

그래서 AI 시대의 교육에서 정말 따져보아야 할 문제는 우리가 건너뛰게 된 그 과정이 정말 결과를 얻기 위한 비용에 불과했는가이다.

2. 결과를 만드는 동안 사람에게는 경험이 남겨진다

300쪽짜리 책을 읽고 난 뒤 그 책의 핵심을 세 장으로 정리했다고 생각해 보자. 결과만 비교한다면 300쪽을 읽는 것보다 AI에게 세 장의 요약을 요청하는 편이 압도적으로 효율적이다. 그러나 300쪽을 읽는 동안 인간이 얻은 것이 그 세 장뿐이었을까.

책을 읽으면서 처음에는 저자의 주장을 잘못 이해하기도 한다. 조금 더 읽다가 앞의 해석을 수정한다. 멀리 떨어진 내용을 연결하고, 앞에서 읽은 주장과 지금 읽는 주장이 정말 양립할 수 있는지 의심한다. 중요한 주장과 부수적인 설명을 구별하고, 이해되지 않는 문장에서는 멈추어 다시 읽는다. 자신의 생각과 다른 관점을 한동안 따라가 보기도 한다.

결과물만 놓고 보면 ‘300쪽→세 장’이지만 그 안에서 일어난 인지 활동을 펼쳐 놓으면 전혀 다른 모습이 나타난다. 주의하고, 구별하고, 연결하고, 추론하고, 의심하고, 오류를 발견하고, 수정하고, 재구성하고, 판단하는 과정이 있었다.

코딩에서도 비슷한 일이 일어난다. 오류가 발생한 위치를 찾아가면서 자신이 예상한 것과 실제 시스템의 작동이 어디에서 달라졌는지를 확인한다. 한 가지 방법이 실패하면 원인을 추적하고 다른 방법을 시도한다. 그러는 동안 개별 명령어뿐 아니라 시스템의 구조와 작동 원리에 대한 감각이 생긴다. 글을 직접 구성하는 과정에서도 무엇을 먼저 설명해야 하는지, 어떤 근거가 부족한지, 자신의 주장에 어떤 전제가 숨어 있는지를 발견한다.

이러한 과정에는 사실 두 종류의 산출물이 있다. 하나는 보고서, 프로그램, 정답과 같이 눈에 보이는 외적 산출물이다. 다른 하나는 문제를 발견하는 능력, 관계를 파악하는 능력, 모순을 감지하는 능력, 명확하게 이해하려는 습관, 성급한 판단을 보류하는 능력, 여러 가능성을 비교하고 잘못된 생각을 수정하는 능력과 같은 내적 산출물이다.

AI는 외적 산출물을 만드는 비용을 놀라울 정도로 낮추었다. 그러나 외적 산출물을 AI가 대신 만들어 준다고 해서 그 과정에서 형성되던 내적 산출물까지 사람에게 제공하는 것은 아니다.

여기에 AI 시대, 교육의 어려운 문제가 생겨난다. 결과를 얻는 데 더 이상 필요하지 않은 과정이 인간의 능력을 형성하는 데에는 여전히 필요할 수 있다.

3. AI를 잘 쓰려면 AI가 제공해 줄 수 없는 무엇이 필요하다

이 문제에서 한 가지 역설이 발생한다. AI 덕분에 어떤 지식과 기능을 직접 익힐 필요성이 줄어드는 것처럼 보이지만, AI를 능숙하게 사용하려면 오히려 그 분야에 대한 지식과 사고력이 필요하다.

코딩을 깊이 공부한 사람은 AI가 만들어 낸 코드에서 구조적인 문제를 발견한다. 오랫동안 연구한 사람은 그럴듯하게 작성된 설명에서 결정적인 전제가 빠졌음을 알아챈다. 어떤 분야의 문헌을 충분히 읽은 사람은 서로 다른 이론을 AI가 부정확하게 결합했을 때 그 이상함을 감지한다. 무엇보다 이들은 질문하는 방식부터 다르다. 단순히 답을 요구하는 데 그치지 않고 어떤 조건에서 그 답이 성립하는지 묻고, 반례를 요구하고, 자신이 처음 설정한 문제 자체가 잘못되었을 가능성까지 검토한다.

실제로 생성형 AI를 사용하는 지식노동자를 대상으로 한 최근 연구에서도 AI에 대한 신뢰가 높을수록 비판적 사고에 들이는 노력이 감소하는 경향이 나타난 반면, 해당 과업에 대한 자신의 지식과 능력에 대한 자신감이 높을수록 비판적 사고가 더 많이 이루어지는 경향이 관찰되었다. 연구자들은 AI가 등장하면서 비판적 사고의 방향은 정보의 검증, AI 응답의 통합, 과업 전체에 대한 관리와 감독 쪽으로 이동하고 있다는 점에 주목한다.

AI가 강력해질수록 인간에게 요구되는 일의 무게 중심이 '생산'에서 '검증·선택·판단'으로 이동할 가능성이 커진다. AI가 코드를 만들면 인간은 그 코드가 적절한지 검증해야 한다. AI가 열 가지 해결책을 내놓으면 인간은 어느 것을 선택할지 결정해야 한다. AI가 보고서를 작성하면 중요한 변수가 빠지지 않았는지 살펴야 한다.

산업경영공학이나 기계공학을 공부하는 학생들이 앞으로 만날 문제를 생각하면 이 점은 더욱 분명하다. 가령 어떤 생산 공정을 자동화한다고 하자. AI는 자동화 방안을 제안하고 필요한 프로그램을 작성하며 비용을 계산하고 보고서 초안까지 만들 수 있다. 그러나 결과물에 대한 판단과 의사결정이 남겨진다. 생산성이 얼마나 높아지는지, 초기 투자비용은 어느 정도인지, 안전에는 어떤 변화가 생기는지, 기존 작업자의 업무는 어떻게 달라지는지, 고장 시 사람이 개입할 수 있는지, 유지보수 비용은 얼마나 드는지 등을 함께 따져야 한다. 기술적 성능뿐 아니라 비용, 안전, 사용자, 조직, 시장, 환경, 법규, 시간, 여러 이해관계자의 요구가 하나의 문제 안에서 충돌할 수 있다. AI가 여러 대안을 만들어 주는 것과 그 가운데 무엇이 좋은 해결책인지를 판단하는 것은 다른 일이다. 대안이 부족한 시대에는 생산이 어려운 문제였다면, 대안이 넘쳐나는 시대에는 선택과 판단이 더 어려운 문제가 된다.

그래서 역설적인 상황이 만들어진다. AI 때문에 굳이 힘들게 배울 필요가 없어졌는데, AI를 제대로 사용하기 위해서는 바로 그 힘든 배움 속에서 형성되던 능력이 필요하다. 이는 곧 ‘역량 형성의 역설’이 된다.

4. 왜 '글쓰기'를 단련하는가 ― 생각을 눈앞에 꺼내 놓는 기술

이러한 능력을 왜 글쓰기를 통해 훈련해야 하는가. 글은 '말'이나 머릿속의 '사고'와 달리, 생각을 외부로 꺼내 눈앞의 검토 대상으로 만든다.

머릿속에서는 여러 생각이 뒤섞여 대충 그럴듯하게 느껴진다. 어떤 현상을 원인이라고 생각하기도 하고, 서로 다른 기준으로 두 대안을 평가하면서도 일관되게 판단했다고 착각하기도 한다. 중요한 변수를 빠뜨렸다는 사실조차 그 생각 안에 머물러 있을 때에는 발견하기 어렵다.

그러나 글로 써 놓으면 자신의 생각과 일정한 거리를 둘 수 있다. 앞에서 문제라고 정의한 것이 뒤에서는 단순한 현상으로 취급되고 있지 않은지 확인할 수 있다. 이 근거로 이 결론까지 갈 수 있는지, 같은 내용을 다른 말로 반복하고 있지는 않은지, 중요한 변수가 하나 빠지지는 않았는지 살펴볼 수 있다. 기술적 관점만 보고 사용자나 조직의 관점을 빠뜨렸는지, 한 문제를 해결하면서 다른 문제를 만들어 내지는 않는지도 검토할 수 있다.

그래서 글쓰기에서는 ‘생각→외재화→관찰→비교→의심→수정→재구성’의 순환이 가능해진다. 생각을 일단 밖으로 꺼내 놓고 그것을 다시 사고의 대상으로 삼는 것이다. 전략적 글쓰기는 문제를 해결하기 위해 필요한 사고를 외재화하고, 그 사고의 구조를 스스로 점검하며, 더 나은 판단으로 수정해 가는 방법에 해당한다.

'실험보고서'를 작성할 때에는 무엇을 관찰했는지와 그것을 어떻게 해석하는지를 구별해야 한다. 예상과 실제 결과가 다르다면 그 차이를 설명해야 하고, 자신의 가설에 유리한 결과만 선택적으로 보고 있지는 않은지 살펴야 한다. '제안서'를 작성할 때에는 누구에게 어떤 문제가 있는지 정의하고, 관련된 이해관계자를 파악하고, 여러 대안을 같은 기준에서 비교하고, 선택한 방안의 비용과 예상되는 부작용까지 검토해야 한다.

이러한 사고를 머릿속에서만 수행하면 빠르게 지나가기 쉽다. 글쓰기는 생각의 속도를 늦춘다. 분명하게 이해하고, 차분히 살피고, 섬세하게 구별하고, 충분히 음미하고, 앞뒤 관계를 따져본 뒤 판단할 시간을 만든다.

그래서 아카데믹 글쓰기 수업에서 연습해야 하는 것은 단순한 ‘글 잘 쓰기’가 아니다. 복잡한 현실에서 문제를 발견하고, 그것을 구조화하고, 여러 조건을 고려하고, 근거를 가지고 판단하며, 그 판단을 다른 사람과 공유할 수 있도록 표현하는 전략적 사고와 표현의 훈련이다.

5. 모든 어려움을 없애는 것이 좋은 학습일까

기술은 오랫동안 인간이 겪는 마찰을 제거하는 방향으로 발전해 왔다. 더 빨리 계산하고, 더 쉽게 검색하고, 더 편하게 이동하고, 더 빠르게 작성할 수 있게 했다. AI 역시 인간이 수행하던 많은 인지적 작업의 수고를 크게 줄여 준다. 이러한 편리함을 굳이 거부할 이유는 없다.

다만 교육에서는 한 가지를 더 생각해야 한다. 모든 어려움이 제거해야 할 장애물인 것은 아니다. 학습심리학에서는 학습할 때의 일정한 어려움이 당장의 수행을 떨어뜨리더라도 장기적인 기억과 전이를 향상시킬 수 있다는 ‘바람직한 어려움(desirable difficulties)’이 논의되어 왔다. 당장은 편하지 않지만 그 어려움을 처리하는 과정에서 장기적으로 필요한 능력이 형성될 수 있다는 것이다.

자동화가 인간의 숙련에 미치는 영향을 다룬 연구에서도 비슷한 문제가 제기되어 왔다. 자동화가 정상적인 상황에서 수행 부담을 크게 낮춰 주더라도 사람이 지속적으로 수행 과정에 관여하지 않으면 자동화가 실패하거나 예외적인 상황이 발생했을 때 필요한 상황 판단과 개입 능력이 충분히 유지되지 않을 수 있다. 중요한 것은 자동화를 사용하느냐 사용하지 않느냐보다, 자동화된 환경에서도 어떤 능력을 계속 사용하고 유지하게 할 것인가이다.

글쓰기에도 이러한 ‘인지적 마찰’이 있다. 어려운 문장을 다시 읽는 것, 자신의 생각을 정확한 문장으로 표현하려고 애쓰는 것, 두 대안을 같은 기준으로 비교하는 것, 근거가 부족하다는 사실을 발견하는 것, 반론을 예상하는 것, 앞뒤가 맞지 않아 다시 고치는 것은 모두 불편하다. 그러나 바로 그 불편함 때문에 생각이 작동한다. 이해가 불분명하다는 것을 발견하고 다시 살펴보게 되며, 막연했던 생각을 구별하고, 서로 다른 가능성을 비교하고, 처음의 판단을 수정한다. 이런 어려움은 단순한 낭비가 아니라 능력을 만들어 내는 인지적 마찰에 해당한다.

AI 시대 교육에서 필요한 질문은 “AI를 사용할 것인가, 금지할 것인가”에 머물러서는 안 된다. 더 중요한 질문은 AI가 제거할 수 있는 수많은 인지적 마찰 가운데 어떤 것은 없애고, 어떤 것은 인간의 능력을 형성하기 위해 의도적으로 남겨둘 것인가이다.

결과를 얻는 데 더 이상 필요하지 않은 어려움이라고 해서 학습에서도 곧바로 불필요한 어려움이 되는 것은 아니다.

6. AI에게 맡길 것과 내가 해야 할 것을 구별하는 능력

중요한 것은 AI를 사고의 대체자로 사용할 것인지, 사고를 시험하고 확장하는 상대로 사용할 것인지의 문제이다. 학생이 문제를 받자마자 “보고서를 써 줘”라고 요청하고 AI가 만든 완성본을 제출한다면 외적 산출물은 빠르게 얻을 수 있다. 그러나 문제를 정의하고, 원인을 분석하고, 관련된 변수를 찾아내고, 여러 대안을 비교하고, 자신의 판단을 수정하는 과정은 상당 부분 사라진다.

학생이 먼저 문제를 관찰하고 자신의 언어로 정의한 뒤 몇 가지 가능성을 검토해 볼 수도 있다. 자기 생각을 먼저 글로서 구조화한 후 AI에게 “내가 놓친 이해관계자는 없는가?”, “내가 원인이라고 생각한 것이 사실은 결과일 가능성은 없는가?”, “이 해결책이 실패한다면 어떤 이유 때문인가?”, “내가 세운 대안들에 서로 다른 평가 기준을 적용하고 있지는 않은가?”, “내 주장에 가장 강력한 반론을 제기한다면 무엇인가?”라고 물을 수 있다. 그런 다음 다시 사람이 판단한다. AI가 제시한 반론이 타당한지 검토하고, 받아들일 것과 받아들이지 않을 것을 구별하고, 필요하다면 최초의 생각을 수정한다. 이렇게 보면 AI 시대의 글쓰기 과정은 '인간의 1차 사고 → 글을 통한 외재화 → AI를 이용한 반론과 확장 → 인간의 재검토 → 수정 → 최종 판단'으로 설계할 수 있다.

산업경영공학이나 기계공학을 공부한 학생들이 사회에 나가 해결해야 할 문제에는 기술만 존재하지 않는다. 기술, 비용, 안전, 사용자, 조직, 시장, 환경, 법, 시간, 여러 이해관계자가 동시에 얽힌다. AI는 그 문제에 대해 수십 개의 대안을 만들어 줄 수 있다. 그러나 무엇이 진짜 문제인지, 무엇을 우선할 것인지, 어떤 위험을 감수할 것인지, 누구의 입장을 고려할 것인지, 어떤 근거가 충분한지, 어느 시점에서 결정을 내려야 하는지를 판단하는 일은 여전히 남는다.

그렇기 때문에 대학에서 글쓰기를 가르치는 이유도 달라지게 된다. 이제는 사람이 직접 글을 생산해야만 결과를 얻을 수 있기 때문에 글쓰기를 배우는 것이 아니다. 생각을 외재화하고, 관계를 따지고, 빠진 것을 발견하고, 여러 가능성을 비교하고, 자신의 판단을 수정하는 경험이 인간에게 여전히 필요하기 때문에 글쓰기를 배운다. AI 시대의 아카데믹 글쓰기 수업에서 중요한 질문은 “AI를 사용했는가?”가 아니다. “AI를 사용하면서도 자신의 사고를 충분히 사용했는가?”이다. AI가 결과물을 대신 만들어 줄 수는 있어도 사람 스스로 문제를 발견하고 판단하는 힘을 줄 수는 없다. 대학의 글쓰기 수업이 지켜야 할 것은 글의 생산 자체가 아니라, 글을 쓰고 고치는 과정에서 사람이 생각하는 방식이다.