“전 애인도 쓰레기, 그다음 사람도 쓰레기, 그다음도 쓰레기였어.” 연애는 네 번 했으니 경험도 네 번이죠. 그런데 전부 같은 딱지 하나로만 저장해 두면, 머릿속 데이터에는 사실상 ‘쓰레기’라는 열 하나만 늘어난 셈일 수 있습니다.
여기서부터가 재밌는 부분입니다.
경험이 많은 것과, 그 경험에서 다시 써먹을 수 있는 틀을 뽑아내는 건 다른 얘기예요. ChatGPT도 똑같습니다. 답을 통째로 맡기면 내가 생각하는 양은 줄어들 수 있어요. 반대로 “왜?”, “다르게 설명하면?”, “반례는?”, “연구에서는 뭐라고 해?”, “뭘 알면 결론이 바뀌지?”를 계속 되물으면 AI는 생각을 대신해 주는 도구가 아니라 생각을 같이 겨뤄 주는 스파링 상대가 됩니다.
2026년에 실증 연구 67편을 모아 정리한 체계적 문헌고찰도 비슷한 결론을 냈어요. 질문과 되돌아보기를 넣어 구조적으로 쓸 때는 ChatGPT가 높은 수준의 사고를 돕기 쉬웠고, 아무 구조 없이 나온 답을 그대로 받아들일 때는 얕게 참여하거나 생각을 AI에 떠넘기는 경향이 더 자주 나타났다고 합니다.[1]
1. AI 쓰면 정말 생각을 덜 하게 될까?
제일 정확한 답은 “쓰는 방식에 따라 다르다”입니다.
2025년에 지식노동자 319명이 알려 준 실제 AI 사용 사례 936건을 조사한 연구가 있어요. AI를 더 믿을수록 비판적으로 따져 봤다는 응답은 줄었고, 자기 판단에 자신이 있을수록 더 꼼꼼히 검증했습니다. AI를 쓸 때의 비판적 사고는 목표 정하기, 결과물 검증하기, 정보 합치기, 마지막 결정 책임지기 쪽으로 옮겨 갔고요.[2]
그러니까 이런 식이면
AI에게 질문 → 답을 그대로 채택 → 끝
생각을 외주 주기 쉽습니다.
반면 이렇게 하면
뭔가 이상한데?
→ 질문으로 바꾸기
→ 가설 세우기
→ AI에게 반대 가설도 내 보라고 하기
→ 논문·원자료로 확인하기
→ 다른 사례와 비교하기
→ 틀 고치기
→ 현실에서 해 보기
→ 결과 보고 다시 고치기
사람이 할 일이 꽤 많이 남아요. 오히려 바쁩니다.
편하자고 AI를 썼는데, 어느새 머릿속에 심사위원단을 따로 고용하고 있어요.
2. “걔는 쓰레기였어”만으로는 왜 배우는 게 없을까?
“쓰레기”라고 하면 속은 시원하지만, 앞날을 예측하기에는 너무 뭉뚱그린 말입니다.
A = 쓰레기
B = 쓰레기
C = 쓰레기
D = 쓰레기
이렇게 넣어 두면 네 번을 겪고도 사례끼리 구분할 단서가 거의 안 남아요.
대신 어떻게 흘러갔는지를 적어 보세요.
작게 선을 넘음
→ 상대 반응을 살핌
→ 지적받고 멈춤 / 계속함
→ 요구가 줄어듦 / 커짐
엄청 잘해 줌
→ 관계가 안정됨
→ 쏟는 노력이 자연스럽게 보통 수준으로 / 갑자기 뚝 사라짐
문제를 지적받음
→ 사정을 설명함
→ 고쳐 보려 함 / 책임을 전부 상대에게 돌림
행동 한 번으로 사람 성격을 못 박을 수는 없어요. 오해, 피곤함, 서툶, 한 번의 실수도 비슷하게 보이거든요.
그래서 눈여겨볼 건 어떤 상황에서 그랬는지, 반복되는지, 지적받은 뒤 달라지는지, 이득이 한쪽에만 쏠리는지, 바로잡으려 하는지입니다.
“나쁜 행동을 한 번 했다”에서 곧바로 “나쁜 사람이다”로 순간이동하지 마세요. 라벨 대신 과정을 남겨 두자는 얘기예요.
3. 경험을 몇 번 했느냐보다 어떻게 비교하느냐가 더 중요할 때도 있을까?
있습니다.
Gick과 Holyoak의 고전 연구에서는, 겉보기엔 다른 두 문제의 공통 구조를 말로 설명해 본 사람이 새 문제에 그 원리를 더 잘 가져다 썼어요.[3]
협상 훈련 연구도 마찬가지예요. 같은 두 사례를 따로따로 공부한 팀보다 “둘의 공통점이 뭘까?” 하고 비교한 팀이 새 협상에서 핵심 전략을 더 잘 써먹었습니다.[4]
그러니까
연애 A: 최악
연애 B: 최악
직장 C: 최악
으로 끝내지 말고,
연애 A: 선이 흐릿해지니 요구가 늘었다
직장 C: 역할 구분이 흐릿해지니 일이 늘었다
공통 구조: 경계가 정해져 있지 않으면 부담이 한쪽으로 몰리기 쉽다
이렇게 남겨 두면 다른 분야에서도 써먹을 수 있어요.
등장인물은 달라도 속의 배선도는 같을 수 있습니다.
4. “왜?”와 “반례는?”을 계속 되물으면 뭐가 길러질까?
원인과 관계를 스스로 설명해 보는 학습법을 ‘자기설명’이라고 해요. 연구 보고서 64건, 효과크기 69개를 합쳐 분석한 메타분석에서는 자기설명을 이끌어 내는 방법이 평균적으로 중간 정도의 학습 효과를 보였습니다.[5]
또 하나, 실험 122건에 참가자 10,382명을 묶은 메타분석이 있어요. 기억에서 직접 꺼내 쓰는 연습은 그냥 다시 읽는 것보다 새로운 문제로 이어지는 효과가 평균적으로 더 컸고, 응용·추론 문제에서도 확인됐습니다.[6]
그래서 이런 질문들은 대화를 늘려 줄 뿐 아니라 이런 역할을 해요.
- 실제로 무슨 일이 있었지?
- 나는 왜 그렇게 해석했지?
- 다른 원인은 없을까?
- 가장 센 반례는 뭘까?
- 어떤 정보가 나오면 결론이 바뀔까?
- 다른 분야에도 같은 구조가 있나?
경험을 나중에 찾아 쓸 수 있는 구조로 바꿔 주는 거죠.
5. 이게 어떻게 “처음 보는 일인데도 다음이 보이는” 느낌으로 이어질까?
머릿속에 추상적인 틀이 쌓이면, 새 일이 생겨도 매번 맨땅에서 시작하지 않아도 됩니다.
새로운 일
→ 기존 틀 A·B·C와 맞춰 보기
→ 지금 어느 단계인지 짐작하기
→ 다음에 일어날 법한 일을 가설로 세우기
→ 지켜보고 고치기
예언은 아니에요. 패턴 모음에서 첫 가설을 빨리 꺼낼 수 있다는 얘기입니다.
다만 큰 함정이 있어요. 결과를 보고 나서 “내가 그럴 줄 알았어”라고 말하는 건 공짜입니다.
진짜 예측력을 알고 싶다면 결과가 나오기 전에 적어 두세요.
예측: 2주 안에 X가 일어난다
확률: 70%
이유: A와 B가 이미 보였다
틀렸다고 볼 조건: C가 일어나면 틀을 고친다
결과: 일어남 / 안 일어남
의사결정 연구에서도 예측이 얼마나 맞았는지와 불확실성을 숫자로 계속 기록하라고 권합니다.[7]
“맞힌 것 같은 기분”을 보정할 수 있는 예측으로 바꾸는 거예요.
6. ChatGPT를 외장 두뇌로 쓴다면, 사람이 쥐고 있어야 할 건 뭘까?
검색, 후보 뽑기, 비교, 반대 가설, 요약, 형식 다듬기처럼 품이 많이 드는 반복 작업은 AI에게 맡기기 좋아요.
사람이 직접 쥐고 있어야 할 건 이런 것들입니다.
- 뭐가 이상하다고 느꼈는지
- 문제를 어떻게 정의할지
- 어떤 증거를 믿을지
- 뭐가 나오면 틀렸다고 볼지
- 마지막에 어떤 틀을 택할지
- 현실에서 뭘 해 볼지
- 결과를 보고 뭘 버릴지
이럴 때 쓸 만한 질문이에요.
- 이 가설을 반박하는 가장 강한 근거는?
- 같은 사실을 설명하는 다른 원인 이야기는?
- 내 전제가 틀렸다면 어디가 제일 수상해?
- 원자료로 확인할 수 있는 부분은?
- 상관관계를 인과관계로 착각한 건 아닐까?
- 어떤 정보가 더 있으면 결론이 달라질까?
- 다른 분야에 비슷한 사례는?
- 이 틀대로라면 다음에 무슨 일이 생길까?
“내 말 맞지?”만 계속 물으면 AI는 거대한 끄덕끄덕 인형이 됩니다.
외장 두뇌에 필요한 건 끄덕이는 목이 아니라 내 생각을 반박하는 힘입니다.
7. 글로 남기면 왜 더 강해질까?
대화는 흘러가 버리지만, 글은 구조를 남깁니다.
경험
→ 질문
→ 연구
→ 반례
→ 공통 구조
→ 쓸 만한 규칙
→ 저장
→ 다음 사례에서 다시 쓰기
글은 그냥 올리는 게시물이 아니에요. 예전에 오래 고민해서 얻은 결과를 나중에 금방 꺼내 쓰게 해 주는 생각 캐시가 됩니다.
글이 쌓일수록 “어, 이거 전에 겪은 그 일이랑 구조가 같은데?” 하는 순간도 늘어나요.
아는 것만 늘어나는 게 아닙니다. 아는 것들 사이의 연결도 늘어나요.
8. 그럼 ‘사람 보는 눈’은 결국 뭐로 만들어질까?
만난 사람이 몇 명이냐로만 정해지지는 않아요.
대충 이렇게 생각하면 이해하기 쉽습니다.
판단력
≈ 사례 수
× 사례 하나에서 뽑아낸 정보의 해상도
× 사례끼리 비교
× 스스로 반박해 본 횟수
× 현실로 확인해 본 횟수
네 사람을 전부 “쓰레기”로 저장하면 쓰레기 × 4 = 데이터 1개가 될 수 있어요.
반면 선 넘기, 책임 떠넘기기, 바로잡기, 말과 행동이 맞는지, 상황에 따라 달라지는지를 따로 뽑아 두면 같은 네 번의 경험에서 쓸 만한 틀이 여러 개 남습니다.
ChatGPT의 가치도 빠른 답이 전부가 아니에요.
가설을 세우고, 부수고, 다시 짜고, 다른 사례에 옮기고, 현실에서 확인하는 속도를 높여 준다는 데 있습니다.
생각을 AI에게 넘기지 마세요.
생각을 돌려 보는 횟수를 늘리세요.
그러면 AI는 대신 생각해 주는 뇌가 아니라, 공을 끝없이 다시 던져 주면서 퇴근도 안 하는 연구실 동료가 됩니다.
