ChatGPT를 쓰면 사고력이 떨어질까? — “나쁜 사람 × 4 = 학습 데이터 1개”가 보여 주는 깊이 파기 사고법

“전 연인도 나쁜 사람이었고, 다음 사람도 그랬고, 그다음도 그랬다.” 경험은 네 번이다. 하지만 모든 사례를 같은 라벨 하나로 저장하면 학습 데이터에는 사실상 ‘나쁜 사람’이라는 열 하나만 남을 수 있다.

경험의 수와 경험에서 재사용 가능한 모델을 뽑아내는 능력은 다르다. ChatGPT도 마찬가지다. 답을 통째로 맡기면 사고량이 줄 수 있다. 반대로 “왜?”, “다른 설명은?”, “반례는?”, “어떤 증거가 결론을 바꾸나?”를 반복하면 AI는 사고의 대체물이 아니라 사고를 겨루는 상대가 된다.

2026년에 67개의 실증 연구를 종합한 체계적 문헌고찰은, ChatGPT가 질문과 성찰이 구조화된 환경에서는 고차 사고를 지원하기 쉬운 반면, 구조 없이 답을 받아들이는 사용에서는 얕은 참여와 인지적 외주화가 나타나기 쉽다고 정리했다.[1]

1. AI를 쓰면 정말 덜 생각하게 될까?

가장 정확한 답은 “사용 방식에 따라 다르다”이다.

2025년 지식노동자 319명의 실제 AI 사용 사례 936건을 조사한 연구에서는 AI에 대한 신뢰가 높을수록 비판적 검토를 덜 했다고 보고하는 경향이 있었고, 자신의 판단 능력에 대한 자신감이 높을수록 더 많이 검증했다. 또한 비판적 사고의 초점은 목표 설정, 결과 검증, 정보 통합, 최종 결과 감독으로 이동했다.[2]

AI에게 질문 → 답을 채택 → 종료

이라면 사고를 외주화하기 쉽다.

반대로,

이상함을 느낌
→ 질문 생성
→ 가설 생성
→ AI에게 경쟁 가설 요청
→ 논문·1차 자료 확인
→ 다른 사례와 비교
→ 모델 수정
→ 현실에서 시험
→ 결과로 다시 수정

이라면 인간이 해야 할 일이 많이 남는다.

편해지려고 AI를 샀는데 머릿속에 동료심사 위원회를 채용하게 된다.

2. “그 사람은 나쁜 사람이었다”만으로는 왜 모델이 자라지 않을까?

도덕적 라벨은 감정을 정리하는 데는 편하지만 예측에는 너무 거칠다.

A = 나쁜 사람
B = 나쁜 사람
C = 나쁜 사람
D = 나쁜 사람

이렇게 저장하면 네 번의 경험에서 구별 가능한 정보가 거의 남지 않는다.

대신 행동의 흐름을 저장한다.

작게 경계를 넘음
→ 상대 반응을 봄
→ 지적 후 멈춤 / 반복함
→ 요구가 줄어듦 / 커짐

강한 호의를 보임
→ 관계가 안정됨
→ 노력 수준이 자연스럽게 평상화 / 갑자기 사라짐

문제를 지적받음
→ 사정을 설명함
→ 관계 복구를 시도 / 책임을 전부 상대에게 돌림

한 번의 행동만으로 사람의 성격을 단정할 수는 없다. 오해, 피로, 미숙함, 일회성 실수도 비슷하게 보일 수 있다.

더 중요한 변수는 조건, 반복, 피드백 후 변화, 이익의 편중, 복구 시도다.

3. 경험의 수보다 비교 방식이 더 중요할 때가 있을까?

그럴 수 있다.

Gick과 Holyoak의 고전 연구에서는 표면적으로 다른 두 문제에서 공통 구조를 설명한 사람들이 이후 새로운 문제에 원리를 더 잘 전이했다.[3]

협상 학습 연구에서도 같은 두 사례를 따로 분석한 팀보다 공통점을 비교한 팀이 새로운 협상에서 핵심 전략을 더 잘 사용했다.[4]

연애 A: 최악
직장 C: 최악

으로 끝내기보다,

연애 A: 경계가 불명확하자 요구가 늘었다
직장 C: 역할 경계가 불명확하자 업무가 늘었다

공통 구조: 경계가 정의되지 않으면 부담이 한쪽으로 몰리기 쉽다

처럼 저장하면 다른 분야에도 쓸 수 있다.

등장인물은 달라도 배선도는 같을 수 있다.

4. “왜?”와 “반례는?”을 반복하면 무엇이 훈련될까?

원인과 관계를 스스로 설명하는 학습법을 자기설명이라고 한다. 64개 연구 보고서와 69개 효과크기를 종합한 메타분석에서는 자기설명을 유도하는 개입에 평균적으로 중간 정도의 학습 효과가 보고됐다.[5]

또 122개 실험, 10,382명을 종합한 메타분석에서는 기억에서 정보를 꺼내 쓰는 연습이 단순 재노출보다 새로운 문제로의 전이에 평균적인 이점을 보였고, 응용·추론 문제로의 전이도 관찰됐다.[6]

따라서 다음 질문들은 대화를 길게 만드는 것 이상의 기능을 할 수 있다.

• 실제로 무엇이 일어났나?
• 왜 그렇게 해석했나?
• 다른 원인은 무엇인가?
• 가장 강한 반례는?
• 어떤 정보가 결론을 바꾸나?
• 다른 영역에도 같은 구조가 있나?

경험을 검색 가능한 구조로 바꾸는 작업이다.

5. 이것이 왜 “처음 보는 상황인데 다음이 보인다”는 느낌으로 이어질까?

추상 모델이 많아지면 새 사건을 매번 처음부터 처리할 필요가 없다.

새 사건
→ 기존 모델 A·B·C와 대조
→ 현재 단계를 추정
→ 다음 전개 가설 생성
→ 관찰하고 갱신

예언이 아니다. 패턴 보관함에서 사전 가설을 꺼낼 수 있다는 뜻이다.

다만 결과를 본 뒤 “역시 그럴 줄 알았다”라고 말하는 것은 너무 쉽다. 진짜 예측력을 확인하려면 결과 전에 기록해야 한다.

예측: 2주 안에 X가 발생
확률: 70%
근거: A와 B가 이미 관찰됨
반증 조건: C가 나오면 모델 수정
결과: 발생 / 미발생

의사결정 과학에서도 예측 정확도와 불확실성을 정량적으로 추적하는 방식이 권고된다.[7]

6. ChatGPT를 외부 두뇌로 쓴다면 무엇을 인간이 가져야 할까?

검색, 후보 생성, 비교, 반대 가설, 요약, 형식 정리는 AI에게 맡기기 좋다.

하지만 다음은 인간이 소유해야 한다.

1. 무엇을 이상하게 느꼈는가
2. 문제를 어떻게 정의할 것인가
3. 어떤 증거를 신뢰할 것인가
4. 무엇이 모델을 반증하는가
5. 어떤 모델을 최종 채택할 것인가
6. 현실에서 무엇을 시험할 것인가
7. 결과를 보고 무엇을 버릴 것인가

유용한 질문은 다음과 같다.

• 이 가설에 대한 가장 강한 반증은?
• 같은 사실을 설명하는 다른 인과 모델은?
• 내 전제가 틀렸다면 어디가 가장 의심스러운가?
• 1차 자료로 확인 가능한 부분은?
• 상관관계와 인과관계를 섞고 있나?
• 어떤 추가 정보가 결론을 바꾸나?
• 다른 분야의 유사 사례는?
• 이 모델이 예측하는 다음 사건은?

“내 말이 맞지?”만 물으면 AI는 거대한 끄덕이 인형이 될 수 있다.

외부 두뇌에 필요한 것은 목의 가동 범위가 아니라 반증 성능이다.

7. 왜 기사로 남기면 더 강해질까?

대화는 흘러가지만 글은 구조를 남긴다.

경험
→ 질문
→ 연구
→ 반례
→ 공통 구조
→ 실용 규칙
→ 저장
→ 다음 사례에서 재사용

기사는 발신물인 동시에 과거의 비싼 사고를 빠르게 불러오는 사고 캐시가 될 수 있다.

자료가 늘수록 “이거 예전 문제와 같은 구조 아닌가?”라는 연결도 늘어난다.

지식만 늘어나는 것이 아니다. 지식 사이의 배선도 늘어난다.

8. 결국 ‘보는 눈’은 무엇으로 만들어질까?

단순히 경험한 사람 수로 결정되지 않는다.

판단력
≈ 사례 수
× 사례당 정보 해상도
× 사례 간 비교
× 반증 시도
× 현실 피드백

네 사람을 모두 “나쁜 사람”으로 저장하면 나쁜 사람 × 4 = 데이터 1개가 될 수 있다.

경계, 책임 전가, 관계 복구, 말과 행동의 일치, 조건에 따른 변화로 나누면 네 경험에서 여러 모델이 남는다.

ChatGPT의 가장 큰 가치는 빠른 답만이 아니다.

가설을 만들고, 공격하고, 다시 만들고, 다른 사례로 옮기고, 현실에서 검증하는 속도를 높이는 것이다.

사고를 AI에게 넘기지 말자. 사고의 반복 횟수를 늘리자.

그러면 AI는 대체 두뇌가 아니라 공을 끝없이 다시 던져 주면서 퇴근하지 않는 연구실 동료가 된다.