“요즘 책을 거의 안 읽는데, 머리에 안 좋은 것 아닐까?”
결론부터 말하면 책을 펼쳤다는 사실만으로 뇌에 경험치가 자동으로 쌓이는 것은 아니다. 중요한 것은 읽는 동안 뇌가 어떤 일을 하느냐다.
책은 새 지식을 넣고, 예전 지식과 연결하고, 긴 설명을 따라가게 하며, 내가 찾지 않았던 생각을 만나게 한다. 오랫동안 문장을 접하게 하고, 소설이라면 다른 사람의 마음과 삶을 상상하게 한다.
그런데 AI와 “왜?”, “정말?”, “연구에서는?”, “그럼 이 경우는?”, “전에 본 것과 같은 구조야?”라고 계속 대화하면 이 기능의 상당 부분이 겹친다. 이해가 막힌 바로 그 지점에서 물을 수 있고, 반론을 요구할 수 있고, 원 논문을 찾을 수 있고, 이미 아는 것과 연결할 수도 있다.
따라서 책을 적게 읽는다고 해서 지적 활동이 줄었다고 단정할 수 없다. 적극적인 AI 대화는 수동적인 독서보다 오히려 더 많은 사고를 요구할 때도 있다.
다만 AI는 답을 너무 빨리 준다. 기억해 내기, 직접 풀기, 긴 논리를 끝까지 따라가기까지 외주화하기 쉽다. 이 글의 핵심은 “외주하면 좋은 일”과 “직접 해야 배우는 일”을 나누는 것이다.
1. 독서의 효과를 ‘기능’으로 나눠 보자
“독서는 좋다”만으로는 너무 뭉뚱그린 말이다.
첫째, 지식을 얻는다. 역사, 과학, 경제, 심리 같은 내용을 배운다.
둘째, 지식을 연결한다. 금리가 인플레이션, 대출, 중앙은행, 투자와 이어진다.
셋째, 긴 논리를 따라간다. 저자가 A → B → C → D로 쌓은 설명을 머릿속에 유지한다.
넷째, 내가 고르지 않은 정보와 만난다. 검색은 내가 이미 가진 질문에 답하는 경우가 많지만, 책은 “관심 없던 부분인데 이게 중요했네?”라는 사고를 일으킨다.
다섯째, 언어에 오래 노출된다. 어휘, 표현, 문장 구조를 많이 본다.
여섯째, 특히 소설에서는 타인의 마음을 시뮬레이션한다. 2024년 사전등록 메타분석에서 소설 읽기의 실험적 인지 효과는 평균 g = 0.14로 작았지만, 공감과 타인의 마음을 추론하는 영역에서는 유의한 이점이 나타났다 [1]. 즉 효과는 있지만 초능력 수준은 아니다.
책의 고유한 장점은 정보만이 아니다. 긴 길을 걷기, 내가 선택하지 않은 길로 끌려가기, 언어 속에 오래 머물기도 포함된다.
2. AI 벽치기는 무엇을 대신할 수 있을까?
AI에게 질문 하나 하고 답을 복사하는 것과, AI를 상대로 계속 생각을 부딪치는 것은 다르다.
“비 냄새는 뭐야?”에서 끝나면 검색에 가깝다. 하지만,
- 왜 비가 오면 냄새가 나?
- 흙의 무엇이 원인이야?
- 미생물 때문이야?
- 인간은 왜 그렇게 적은 양도 느껴?
- 비가 오기 전에도 느껴질 때가 있는 이유는?
- 다른 동물은?
- 실제 연구는 어디까지 말해?
라고 이어 가면 지식이 네트워크가 된다.
이는 학습 연구의 **자기설명(self-explanation)**과 **정교화(elaboration)**에 가깝다. 자기설명은 “왜 그런가?”, “어떤 개념과 연결되는가?”를 학습자가 스스로 만들어 내는 과정이다. 2018년 메타분석은 64개 연구 보고서의 69개 효과크기를 종합해 자기설명 유도의 평균 학습 효과를 g = 0.55로 보고했다 [2].
AI 대화가 강한 이유는 질문할 때마다 머릿속 지도를 갱신할 수 있기 때문이다.
책: 저자가 만든 길을 걷는다.
AI 벽치기: 내가 길을 만들고 AI가 재료를 나른다.
둘 다 학습이지만 역할이 다르다.
3. 스키마란? 머릿속 ‘지식 지도’
스키마(schema)는 어렵게 들리지만 간단하다.
스키마 = “세상은 대체로 이렇게 움직여”라는 머릿속 지도다.
처음에는 “금리”라는 점 하나뿐일 수 있다. 나중에는 예금, 대출, 인플레이션, 중앙은행, 투자, 환율과 연결된다. 그러면 “정책금리 인상”이라는 뉴스 하나만 보고도 “예금금리는?”, “주택대출은?”, “주식은?”, “환율은?”이라는 질문이 자동으로 나온다.
연구에서 스키마는 여러 경험의 공통점을 추상화한 상위 지식 구조로 다뤄진다. 새 정보를 이해하고 기억하는 데 도움이 되지만, 기존 기대가 너무 강하면 기억을 왜곡할 수도 있다 [3].
“뇌의 뉴럴 네트워크가 연결되는 느낌”이라는 비유는 꽤 좋다. 다만 질문 한 번 했다고 물리적인 선 하나가 즉시 자라는 식으로 이해하면 지나치게 단순하다. 더 정확히는 새 정보를 기존 지식 구조에 놓고 관계를 만드는 것이다.
AI는 “구멍 발견 → 즉시 질문 → 연결 → 다음 구멍 발견”을 매우 빠르게 돌린다.
4. 정교화: 외우고 싶다면 점보다 선을 늘려라
**정교화(elaboration)**는 어려운 말이지만 하는 일은 단순하다.
지식을 더 자세히 만들고, 다른 지식과 연결한다.
“게오스민 = 비 냄새” 하나만 외우면 기억으로 들어가는 길이 거의 하나다.
반면,
흙의 미생물이 만든다
→ 빗방울 때문에 공기 중으로 퍼질 수 있다
→ 인간은 아주 적은 양도 감지한다
→ 그래서 비 전후에 냄새가 눈에 띈다
처럼 연결하면 여러 길에서 원래 기억으로 돌아올 수 있다.
A 하나보다 B ← A → C, 그리고 A → D가 강하다.
AI에게 “왜?”, “예를 들어?”, “전에 배운 X와 같은가?”, “반대 경우는?”, “여기에는 어떻게 적용해?”라고 묻는 것이 바로 선을 늘리는 방식이다.
하지만 모든 정보에 정교화를 할 필요는 없다. “오늘 이 ATM 수수료가 220엔” 같은 일시 정보에 거대한 지식망을 만들 필요는 없다. 오래 쓸 원리는 연결하고, 잠깐 필요한 숫자는 밖에 저장하자.
5. 인출 연습: 사람과의 잡담이 갑자기 쪽지시험이 된다
인출 연습(retrieval practice)은 인터넷 검색이 아니다. 머릿속에 넣었던 정보를 화면 없이 꺼내는 연습이다.
며칠 전 AI와 조사한 내용을 사람에게 말하다가,
“아, 그거 전에 봤는데… 뭐였더라…”
라고 기억을 끌어내는 순간이 인출이다.
2021년 교실 연구의 체계적 문헌고찰은 약 2,000개 초록을 검토하고 50개 실험, 총 5,374명을 분석했다. 49개 효과크기 중 57%가 중간 이상 또는 큰 인출 연습의 이점을 보였고, 학년·과목·지연 시간·시험 형식이 달라도 폭넓게 효과가 나타났다 [4].
대화는 한 단계 더 있다.
AI로 배운다
→ 사람에게 설명한다
→ “왜?”라는 질문을 받는다
→ 설명이 막힌다
→ 빈 구멍이 보인다
→ 다시 AI로 조사한다.
이것은 입력 → 인출 → 빈틈 발견 → 재입력의 순환이다.
매일 밤 “오늘 배운 세 가지를 복습하라”는 수행승 모드로 살지 않아도 된다. 잡담이 자연스러운 불시시험이 될 수 있다.
6. 기사를 만들면 ‘긴 논리를 따라가기’ 대신 ‘긴 논리를 만들기’를 한다
독서의 장점 중 하나는 긴 논리를 따라가는 것이다. 그렇다면 제작자는?
독자는 A → B → C → D를 따라간다.
작성자·편집자는 A, B, C, D를 어떤 순서로 놓아야 이해되는지 결정한다.
즉 논리를 따라가는 일을 일부 대신해, 논리를 조립하는 일이 생긴다.
2020년 1~12학년 학생을 대상으로 과학·사회·수학 내용을 쓰게 한 56개 실험의 메타분석에서는, 내용에 대해 쓰는 활동이 학습을 평균 효과크기 0.30만큼 향상시켰다 [5]. 쓰기는 정보를 고르고, 묶고, 다시 설명하게 만든다.
단, AI에게 “전부 조사하고, 구조 만들고, 글까지 써 줘”라고 한 뒤 완성 글을 한 줄도 보지 않았다면, 긴 논리를 실제로 조립한 쪽은 AI다.
반대로 글이 되기 전 대화에서 “이건 아니야”, “이 연구도 넣어”, “둘을 연결해”, “반론은?”이라고 계속 고르면 기획과 편집의 사고는 사람이 한다.
그래서 책을 거의 안 읽지만 ‘책을 쓰기 전 단계’는 엄청 많이 하는 사람도 있을 수 있다.
7. AI의 함정: AI가 잘해서 내가 잘하는 것처럼 느껴진다
가장 중요한 경고다.
AI는 **“정답이 나온다”**와 “내가 할 수 있다”를 헷갈리게 만들 수 있다.
2025년 PNAS에 실린 고등학교 수학 현장 실험에서 일반적인 GPT-4 스타일의 “GPT Base”를 쓴 학생은 AI를 사용할 수 있는 연습 중 성과가 대조군보다 48% 높았다. 학습 보호장치를 넣은 “GPT Tutor”는 127% 높았다. 하지만 AI를 없앤 시험에서는 GPT Base군이 처음부터 AI를 쓰지 않은 대조군보다 17% 낮았다. Tutor군에서는 이 나쁜 효과가 거의 사라졌지만, AI 없는 시험에서 대조군을 확실히 넘어선 것도 아니었다 [6].
AI 켜짐: “나 수학 잘하네.”
AI 꺼짐: “누구세요?”
2026년 8월 수정된 체스 워킹페이퍼에서도 비슷한 경고가 나온다. 200명 넘는 체스 동아리 학생이 12주간 훈련했는데, 시스템이 필요한 순간에 힌트를 주는 그룹은 실력이 64% 향상된 반면, 원할 때 추가 도움을 요청할 수 있는 그룹은 30% 향상됐다. 연구진은 스스로 해볼 수 있는 문제에서 너무 빨리 도움을 요청해 **생산적인 고생(productive struggle)**이 줄어든 것이 큰 원인이라고 본다 [7]. 워킹페이퍼이므로 후속 검증이 필요하다.
AI가 나빠서가 아니다. 답을 주는 시점과 방식에 따라 가정교사도 되고 복사기도 된다.
8. 수학을 통째로 외주해도 될까? ‘배우는 수학’과 ‘쓰는 수학’
먼저 목적을 묻자.
목표가 수학 실력을 키우는 것이라면 매번 AI가 풀어 주는 것은 약한 훈련이다. 식을 세우고, 틀리고, 고치는 과정 자체가 실력이기 때문이다.
하지만 질문이,
“100만 엔을 연 0.2%와 0.6% 예금에 10년 넣으면 차이가 얼마야?”
라면 이야기가 달라진다.
필요한 것은 손으로 복리 계산을 하는 능력이 아니라,
- 실제 차액,
- 세금,
- 수수료,
- 인플레이션,
- 은행을 바꿀 만큼 이득인지
를 판단하는 것이다.
은행 금리를 볼 때마다 종이와 연필로 복리 공식을 풀 필요는 없다.
‘은행 금리를 손계산해서 뇌를 단련하는 종교’에 가입할 필요 없다. 계산기 써라.
수학 개념은 여전히 중요하다. 엉터리 결과를 알아볼 만큼은 이해해야 한다. 하지만 계산 자체를 숙련하는 것이 목적이 아니고 외부 도구가 정확히 해 준다면 외주는 합리적이다.
9. 마작: AI만 단위가 올라가는 문제
마작 같은 기술 게임도 같다.
매 판,
“뭐 버려?”
AI: “5만.”
사람: “오 그렇구나.”
만 반복하면 상태를 보고 후보를 만들고, 비교하고, 선택하고, 결과를 보고 수정하는 연습이 사라진다.
AI만 승급하고 사람은 옆에서 ‘그렇군요’ 담당이 된다.
그렇다고 AI를 금지할 이유도 없다.
마작은 취미다. “내가 직접 더 좋은 판단을 하고 싶다”가 재미라면 연습할 가치가 있다. 하지만 “그냥 놀고 싶다”, “AI와 같이 분석하는 게 재밌다”, “승률 몇 퍼센트를 위해 수백 판 훈련하기 싫다”면 숙련 최대화를 의무로 만들 이유가 없다.
취미가 “승률 2%를 위해 오늘도 반복 훈련”이 되어 재미가 사라지면,
“내 취미가 언제 숙제가 됐지?”
라고 물어도 된다.
직접 할 수 있는 것 자체가 즐겁거나, 외주가 불가능하거나, 실패 비용이 큰 기술은 머릿속에 남길 가치가 높다. 그렇지 않으면 외부 도구에 둬도 된다.
10. 소설 알레르기인데 영화 보면 안 돼?
어느 정도는 된다.
목표가 이야기, 캐릭터, 감정, 다른 삶의 경험이라면 영화도 많은 것을 제공한다. 표정, 목소리, 방, 움직임, 음악까지 다 준다.
소설은 그중 일부를 독자에게 맡긴다.
문장: “어두운 방에 한 남자가 서 있었다.”
뇌: 어떤 방? 어떤 얼굴? 어떤 목소리? 어떤 공기?
영화는 제작사가 뇌 속 렌더링을 상당 부분 외주 처리해 준다.
2024년 메타분석에서 소설 읽기의 평균 실험 효과는 g = 0.14로 작았고, 특히 공감과 타인의 마음을 추론하는 영역에서 유의한 효과가 보였다 [1]. 따라서 “소설 안 읽으면 인간성이 끝난다”는 식으로 말할 근거는 없다.
소설에는 긴 문장 경험, 텍스트만으로 장면을 만드는 작업, 작가의 언어를 오래 따라가는 일이 남는다. 영화에는 짧은 시간에 풍부한 시청각 정보와 연기를 받는 장점이 있다.
“이야기를 즐기기”가 목적이면 영화도 충분한 길이다. “지속적인 읽기와 머릿속 장면 생성”까지 훈련하고 싶으면 소설만의 역할이 있다.
11. 인지적 오프로딩: 뇌의 일을 밖으로 빼는 건 나쁜가?
**인지적 오프로딩(cognitive offloading)**은 머릿속에서만 처리하지 않고 행동이나 도구를 이용해 인지 부담을 줄이는 것이다 [8].
알림 앱.
메모.
계산기.
지도 앱.
AI.
모두 같은 가족이다.
사람은 오래전부터 외주해 왔다. 전화번호를 전부 외우지 않는다고 문명이 무너지지 않았다.
중요한 질문은 “외주했나?”가 아니라 “독립적으로 해야 하는 일까지 외주했나?”다.
- 금리 곱셈 → 외주하기 쉽다.
- 무엇을 비교할지 정하기 → 직접 갖고 있어야 한다.
- 맞춤법 확인 → 외주하기 쉽다.
- 주장에 이상함을 느끼기 → 어느 정도 직접 판단해야 한다.
- 마작 최선 수 → 취미의 목적에 따라 다르다.
- 비상시 조작 → 필요하면 직접 할 수 있어야 한다.
AI 시대의 질문은 “AI를 쓰지 말자”가 아니다.
“어떤 일을 뇌 밖으로 빼고, 빈 뇌 용량을 어디에 쓸까?”
12. 그 질문은 스키마를 키우나? ‘그때 데코핀은?’ 문제
질문이 많다고 전부 학습이 되는 것은 아니다.
오타니 쇼헤이가 2024년 12월 첫 아이 임신 소식을 알린 사진에는 반려견 데코핀(Decoy)도 함께 등장했다 [9]. 일본 SNS에서는 이를 계기로 “그때 데코핀은?”처럼 필요 이상으로 세부를 캐묻는 표현이 농담처럼 퍼졌다. 여기서는 특정 한 게시물을 ‘원조’라고 단정하지 않고, 널리 퍼진 밈 형식으로만 다룬다.
좋은 정교화 질문:
“A가 B를 일으키나?”
“C와 같은 원리인가?”
“예외는?”
“상관관계야, 인과관계야?”
잡질문:
“언제?”
“어디서?”
“몇 시 몇 분?”
“그때 데코핀은?”
후자는 빈칸이 보이니까 전부 클릭하는 것이 될 수 있다.
물론 재미는 있다. 모든 호기심이 효율적 학습일 필요는 없다. 데코핀 부서는 인생의 지루함을 막아 준다.
하지만 기억과 이해가 목표라면, 질문 수가 아니라 유용한 연결이 늘어나는 질문인가를 보자.
13. AI 시대에 뇌에 남겨야 할 것
AI가 강해지면 사람은 무엇을 배워야 할까?
모든 숫자와 계산을 머리에 넣을 필요는 없다.
남겨야 할 것은 적어도 다음과 같다.
목적: 무엇을 하고 싶은가.
기본 개념: 금리, 확률, 인과, 위험처럼 결과를 이해할 토대.
질문을 만드는 힘: 왜? 무엇과 비교? 반례는?
의심하는 힘: AI도 자신 있게 틀릴 수 있다. 중요한 것은 원자료를 본다.
연결하는 힘: 새 지식을 기존 지식과 연결한다.
판단: 숫자가 나온 뒤 “그래서 뭘 할까?”를 결정한다.
AI가 계산, 검색, 초안을 맡아도 무엇을 계산할지, 어떤 답을 믿을지, 어디에 쓸지는 남는다.
14. 실전: AI 벽치기를 학습 장치로 만들기
새로운 공부법을 거창하게 만들 필요 없다. 대화를 조금 바꾸면 된다.
기억하고 싶은 지식
“정답 알려 줘”에서 멈추지 말고:
- 중학생도 알게 설명해 줘.
- 왜?
- 구체적인 예는?
- 반대 예는?
- 전에 배운 X와 어떻게 연결돼?
- 연구에서 확실한 범위는?
- 1차 자료는?
- 내가 이렇게 설명하면 어디가 틀려?
라고 파고든다.
직접 하고 싶은 기술
AI를 운전사에서 교관으로 강등한다.
수학: “아직 답 말하지 말고 식 세우는 데까지만 힌트.”
마작: 먼저 내가 한 장 고른 뒤 AI에게 평가받기.
직접 배울 필요 없는 계산
거리낌 없이 외주한다.
은행 금리, 긴 집계, 세후 비교처럼 목표가 의사결정이라면 손계산을 신성시하지 않는다.
마지막은 인출
사람과 이야기할 때 화면 없이 설명한다. 막히는 부분이 다음 조사 항목이다.
AI 입력 → 정교화로 연결 → 대화에서 인출 → 빈틈 발견 → 다시 AI
이 순환이 만들어진다.
15. 요약: 정보보다 ‘연결’을 늘려라
책은 여전히 강하다.
- 내가 선택하지 않은 정보와 만난다.
- 긴 논리를 따라간다.
- 문어에 오래 노출된다.
- 텍스트로 인물과 세계를 머릿속에 만든다.
AI 벽치기는 다음에 강하다.
- 막힌 지점에서 즉시 묻는다.
- 연구를 찾는다.
- 반론을 만든다.
- 기존 지식과 연결한다.
- 스키마의 구멍을 빠르게 메운다.
2025년 하버드 물리 수업 RCT에서 연구 기반으로 설계된 AI 튜터는 교실의 액티브 러닝보다 더 큰 학습 향상을 보였다. AI 사용 시간 중앙값은 49분, 교실 학습은 약 60분이었고, 천장효과를 고려한 분석에서 효과크기는 0.73~1.3 표준편차로 추정됐다. 이것은 “AI 대 인간 개인과외”가 아니다. 같은 학생이 두 조건을 모두 경험한 교차설계였고, 비교 대상은 연구 기반의 참여형 하버드 수업이었다 [10].
따라서 “AI로 공부하면 무조건 얕다”는 일반론은 성립하기 어렵다.
반대로 수학과 체스 연구는, AI가 너무 많은 고생을 없애면 AI를 켜야만 잘하는 상태가 생길 수 있음을 보여 준다 [6][7].
답은 책 대 AI가 아니다.
기억하고 싶은 원리는 AI로 연결을 늘린다.
혼자 할 수 있어야 하는 기술은 먼저 직접 시도한다.
숙련할 필요 없는 계산은 외주한다.
가끔은 책이나 다른 작품이 내가 검색하지 않았을 곳으로 데려가게 한다.
뇌에 모든 숫자를 저장할 필요는 없다.
필요한 것은 좋은 지도와, 지도 속 점을 잇는 많은 길이다.
기억하고 싶다면 정보만 늘리지 말고 연결을 늘려라.
- Wimmer, L. F., Currie, G., Friend, S., Wittwer, J., & Ferguson, H. J. (2024). “Cognitive effects and correlates of reading fiction: Two preregistered multilevel meta-analyses.” Journal of Experimental Psychology: General, 153(6), 1464–1488. DOI: 10.1037/xge0001583
- Bisra, K., Liu, Q., Nesbit, J. C., Salimi, F., & Winne, P. H. (2018). “Inducing Self-Explanation: a Meta-Analysis.” Educational Psychology Review, 30, 703–725. DOI: 10.1007/s10648-018-9434-x
- Gilboa, A., & Marlatte, H. (2017). “Neurobiology of Schemas and Schema-Mediated Memory.” Trends in Cognitive Sciences, 21(8), 618–631. DOI: 10.1016/j.tics.2017.04.013
- Agarwal, P. K., Nunes, L. D., & Blunt, J. R. (2021). “Retrieval Practice Consistently Benefits Student Learning: a Systematic Review of Applied Research in Schools and Classrooms.” Educational Psychology Review, 33, 1409–1453. DOI: 10.1007/s10648-021-09595-9
- Graham, S., Kiuhara, S. A., & MacKay, M. (2020). “The Effects of Writing on Learning in Science, Social Studies, and Mathematics: A Meta-Analysis.” Review of Educational Research, 90(2), 179–226. DOI: 10.3102/0034654320914744
- Bastani, H., Bastani, O., Sungu, A., Ge, H., Kabakcı, Ö., & Mariman, R. (2025). “Generative AI without guardrails can harm learning: Evidence from high school mathematics.” Proceedings of the National Academy of Sciences, 122(26), e2422633122. DOI: 10.1073/pnas.2422633122
- Poulidis, S., Bastani, H., & Bastani, O. (working paper; posted 2025, revised 1 Aug 2026). “Self-Regulated AI Use Hinders Long-Term Learning.” Wharton School Research Paper / SSRN
- Risko, E. F., & Gilbert, S. J. (2016). “Cognitive Offloading.” Trends in Cognitive Sciences, 20(9), 676–688. DOI: 10.1016/j.tics.2016.07.002
- MLB.com (2024-12-28). “Baby Ohtani! Shohei, wife Mamiko expecting first child.
- Kestin, G., Miller, K., Klales, A., Milbourne, T., & Ponti, G. (2025). “AI tutoring outperforms in-class active learning: an RCT introducing a novel research-based design in an authentic educational setting.” Scientific Reports, 15, 17458. DOI: 10.1038/s41598-025-97652-6
