AI 시대, 학생의 배움을 어떻게 평가할 것인가

MIT 보고서가 제안하는 핵심은 AI 사용 여부를 더 정교하게 가려내자는 것이 아니다. 학생이 내용을 실제로 이해하고, 자신의 근거와 판단을 설명할 수 있는지를 여러 평가 자료로 확인하자는 것이다.

이를 위해 최종 답안만 보던 방식에서 벗어나 구술 확인, 학기 포트폴리오, 초안과 수정 이력, 프로젝트 수행, 대면 대화, 교사 피드백을 함께 살핀다. 이 체계에서 AI는 최종 판단자가 아니라 학습을 돕는 도구다. 교사는 AI를 어디에, 왜 사용했는지 공개하고 평가의 최종 책임을 진다.

이 특집은 2026년 8월 13일자 MIT 위원회 보고서 40쪽 전체를 바탕으로 작성했다. 보고서는 8월 25일 MIT가 공식 공개했다. 아래에서는 보고서의 권고, 설문 결과, 이 특집의 해석, 한국 학교 적용 제안을 분명히 구분한다.

1. 먼저 읽는 결론 — AI 사용 여부보다 학생의 배움을 확인하라

보고서가 던지는 핵심 질문은 “이 글을 AI가 썼는가?”가 아니다. “학생이 이 글의 내용을 이해하고, 근거와 판단 과정을 자기 말로 설명할 수 있는가?”다. 어느 질문에 초점을 두느냐에 따라 평가 설계가 달라진다.

AI 작성 여부만 확인하려 하면 탐지기, 잠금 브라우저, 감독 강화가 우선된다. 학생의 배움을 확인하려 하면 교실에서의 짧은 독립 수행, 초안과 수정 과정, 자료를 고른 이유, 구술 설명, 반론 대응, 교사와의 대화가 중요한 평가 자료가 된다.

MIT 보고서는 이 두 번째 접근을 택한다. 탐지 결과 하나로 학생을 판단하지 말고, 최종 답안 밖의 작성 과정과 설명을 함께 살피며, AI를 썼더라도 학생이 결과를 검증하고 책임지게 하라는 것이다.

서·논술형 평가에 옮기면 다음 다섯 원칙이 된다.

1. 학습목표 우선 — AI 허용 여부보다 먼저 학생이 독립적으로 할 수 있어야 할 사고를 정한다.
2. 여러 평가 자료 — 최종 글 한 편을 구술, 초안, 자료 메모, 수정 설명과 함께 살핀다.
3. 형성 피드백 우선 — AI는 초고 점검과 연습에 먼저 쓰고 최종 성취판단은 교사가 책임진다.
4. 공개와 이유 — 학생과 교사 모두 AI가 개입한 단계와 이유를 투명하게 밝힌다.
5. 탐지보다 절차 — 탐지 점수는 부정행위의 단독 증거가 될 수 없으며, 사람이 검토하고 학생이 이의를 제기할 수 있는 절차가 필요하다.

이는 단순히 평가 기술을 바꾸는 일이 아니라 학교가 배움을 확인하는 방식과 책임을 다시 정하는 일이다. 학생에게는 스스로 사고해야 하는 이유를 설명하고, 교사는 평가 책임을 기계에 넘기지 않으며, 학교는 이를 뒷받침할 시간·인력·공간·공통 기준을 마련해야 한다.

2. 보고서의 성격 — 효과를 입증한 연구가 아니라 정책 권고안

MIT는 2026년 1월 위원회를 출범시키며 세 가지 임무를 부여했다. 교원과 학생의 AI 사용 실태를 파악하고, 교수·평가의 혁신 가능성을 찾으며, AI 사용 정책을 제안하는 일이었다. 학부생·대학원생, 전 단과대 교수, MIT Libraries와 Teaching and Learning Lab 등의 직원이 참여했고, 봄학기 동안 매주 회의했다. 위원회는 설문, 다른 대학의 정책 비교, 학부·대학원생 대상 청취 세션, 정보기술·징계·학생생활·교수학습 관련 조직과의 면담을 수행했다(PDF pp. 3–5, 31).

따라서 이 문서는 무작위 실험이나 체계적 문헌고찰이 아니다. MIT 내부 구성원의 경험과 세 차례 설문을 바탕으로 만든 기관 로드맵이다. 설문 수치는 현재 인식과 사용 양상을 보여주지만 AI가 학습 성과를 높이거나 낮춘다는 인과관계를 입증하지 않는다. 오피스아워, 온라인 토론, 기숙사 스터디그룹이 줄었다는 진술도 보고서가 스스로 ‘일화적’이라고 밝힌다(PDF p. 11).

보고서 안에서도 AI 사용을 공개한다. 본문 문장은 AI로 생성하지 않았고, 초기 원고의 중복 탐색에 ChatGPT를 사용했으며, 부록 C의 일부 그래프와 통계 요약에는 Codex를 썼다고 적었다. 다른 대학 정책 자료의 요약에도 위원들이 AI를 활용했다(PDF p. 31). 이는 “AI를 썼다/안 썼다”의 이분법보다 무엇에 썼고 누가 최종 책임을 졌는지를 밝히는 방식의 실제 사례다.

공식 지위도 구분해야 한다. 위원회는 모든 교과목에 명확한 AI 정책을 두라고 권고했지만, MIT Faculty Governance는 2026년 가을학기 현재 전교 차원의 의무 규정은 없다고 밝혔다. 대신 4가지 정책 메뉴와 과제별 정책 선택 도구를 첫 단계로 제공했다. 즉 보고서의 방향은 강하지만, 모든 권고가 이미 시행된 제도는 아니다.

3. 보고서의 여덟 원칙 — 기술보다 교육 목적을 먼저 세운다

보고서는 구체 권고 앞에 여덟 가지 판단 원칙을 둔다(PDF pp. 6–10). 이 순서가 중요하다. 도구가 바뀔 때마다 규칙을 새로 만드는 대신, 흔들리지 않을 교육적 판단 기준을 먼저 제시했기 때문이다.

겸손하라. 생성형 AI의 대중화 기간은 짧고 영향에 대한 장기 증거는 부족하다. 따라서 정책은 새로운 근거가 나올 때 수정할 수 있게 설계해야 한다.

대담하라. 불확실성을 무대응의 이유로 삼지 말고, 기존 과제를 조금 고치는 수준을 넘어 교육 경험 전체를 재설계해야 한다.

인간을 중심에 두라. 연구실의 초보 연구자, 수업의 대화, 교사의 피드백은 비효율이 아니라 견습과 관계 형성의 장치다. AI 에이전트가 더 빠르다는 이유로 학부 연구생을 대체하면 산출 효율은 오를 수 있어도 다음 세대 연구자를 기르는 과정은 사라진다.

학습을 중심에 두라. AI가 답을 만들 수 있다는 사실은 학생이 배웠다는 뜻이 아니다. 교육의 핵심 결과는 GPA와 졸업장이 아니라 성장, 판단, 메타인지, 주체성이다. 학생이 어려움을 무조건 피하지 않고 필요한 인지적 마찰을 거치게 해야 한다.

의도적으로 설계하라. 먼저 무엇을 알고, 할 수 있고, 가치 있게 여겨야 하는지를 정한 뒤 과제와 평가를 설계한다. AI가 그 목표를 돕는 경우에만 허용하거나 요구하고, 방해하는 경우 제한한다. 모든 선택에는 학생이 이해할 수 있는 이유가 있어야 한다.

하나의 규칙을 모두에게 적용하지 말라. 시 창작, 수학 증명, 건축 설계는 다르고, 입문자의 기초 연습과 박사과정 연구도 다르다. 공통되어야 할 것은 하나의 금지선이 아니라 정책의 언어, 공개 방식, 책임 원칙이다.

사람을 대신하기보다 역량을 넓혀라. 좋은 AI는 학생의 사고를 없애지 않고 더 깊은 질문, 실험, 창작을 가능하게 한다. 보고서는 이를 학습자를 위한 AI, 즉 ‘pro-learner AI’로 설명한다. 처리량이 아니라 학생의 판단·숙달·연결이 커졌는지를 본다.

교실과 캠퍼스 밖까지 보라. 교육은 콘텐츠 전달이 아니라 의미, 정체성, 공동체 규범을 배우는 문화적 실천이다. AI가 과제를 단순 결과물로, 교사를 채점자로, 동료를 선택사항으로만 만들면 교육은 거래로 축소된다.

이 원칙들을 한 문장으로 줄이면 이렇다. AI를 얼마나 썼는지가 아니라, AI를 써도 학생의 사고와 관계와 책임이 남아 있는지를 판단하라.

4. 세 갈래의 제도 개혁 — 과제 하나만 고쳐서는 부족하다

보고서의 권고는 세 축, 26개 세부 과제로 구성된다(PDF pp. 11–29). 서로 독립된 체크리스트가 아니라 함께 움직여야 할 변화로 제시된다.

첫째 축: AI가 존재하는 세계에 맞게 교육과정을 바꾼다.

• 3.1.1 모든 교과의 학습목표를 AI 활용 가능성을 고려해 다시 검토한다. 오래된 기능이 여전히 중요한지, AI로 새롭게 가능해진 고차 목표는 무엇인지 정한다.
• 3.1.2 구술시험, 학기 포트폴리오, 수업 밖 과제와 교실 대화의 결합처럼 지속 가능한 학습을 확인하는 평가를 개발한다.
• 3.1.3 AI로 단순 작업을 줄인 만큼 실제 문제를 다루는 경험·프로젝트 학습의 범위와 깊이를 넓힌다.
• 3.1.4 모든 교과에 구조화된 대면 협력 학습을 넣는다. 공동 문제해결, 루브릭 기반 피드백 대화, 주기적 교사·조교 점검이 예다.
• 3.1.5 UROP, 연구조교, 현장·협동교육처럼 멘토링과 실행을 통해 전문 정체성을 기르는 경험을 보존·확대한다.
• 3.1.6 성적 경쟁이 AI 지름길의 유인을 키우지 않는지 검토하고 역량·숙달 기반 평가와 포트폴리오를 탐색한다.
• 3.1.7 대면 실험·협업·평가를 위한 공간과 운영 인력을 확충한다.
• 3.1.8 모든 교과에 명확한 AI 사용정책과 학습목표에 연결된 이유를 게시한다.
• 3.1.9 AI 탐지기와 잠금 브라우저에 신중하고, 단계별 작업과 버전 이력 등 작성 과정 자료 및 명확한 징계 증거 기준을 마련한다.
• 3.1.10 ‘AI 최소 활용’과 ‘AI 적극 활용’ 경로(AI Light/Heavy)처럼 책임 있는 교육과정 실험을 신속히 허용하되 결과를 평가하고, 가능한 경우 AI 최소 활용 경로도 제공한다.

둘째 축: 사람·공동체·대면 교육을 중심에 둔다.

• 3.2.1 왜 학생이 한 공간에 모여 대화하고 함께 문제를 푸는지가 분명해지도록 대면 교육의 가치를 정의하고 설명한다.
• 3.2.2 AI 의존, 고립, 목적·자신감 저하 같은 가능성에 대응해 공동 규범·의례·상담 연결을 강화한다.
• 3.2.3 교사가 수업자료, 평가, 채점, 피드백에 AI를 사용하면 방식과 이유를 학생에게 공개한다.
• 3.2.4 오리엔테이션부터 전공 교육과정까지 효과적·책임적·윤리적 AI 사용을 가르친다. 여기에는 출력 검증과 AI를 쓰지 말아야 할 때의 판단도 포함된다.
• 3.2.5 학습데이터의 출처, 편향, 획일화, 환경비용, 지식재산권 등 부정적 영향을 인정하고 완화한다.
• 3.2.6 논문과 연구물에 AI 사용 진술을 넣고 AI를 공동저자로 두지 않으며, 인간 연구자가 사실성을 최종 책임진다.

셋째 축: 계속 고칠 수 있는 조직과 기반을 만든다.

• 3.3.1 상설 AI·교육위원회가 전략, 모니터링, 평가, 정책 조정을 담당한다.
• 3.3.2 학교·단과대 또는 학과별 AI 책임자를 두어 지역 맥락의 교육과정과 평가 변화를 이끈다.
• 3.3.3 AI Implementation Team과 Fellows가 개별 교사 지원, 공통 도구 개발, 현장 효과 관찰을 맡는다.
• 3.3.4 AI 활용뿐 아니라 의도적인 AI 비사용 경험도 지원하는 시범 운영 기금을 만든다.
• 3.3.5 동료 사례 중심 세미나, 실무 연수, 정례 워크숍과 실천공동체를 운영한다.
• 3.3.6 AI 사용량뿐 아니라 참여, 만족도, 학습, 졸업 후 경험을 추적할 지표를 개발한다.
• 3.3.7 특정 업체에 종속되지 않는 공통 플랫폼과 충분한 사용 한도를 제공해 지불 능력에 따른 격차를 줄인다.
• 3.3.8 민감정보를 보호하고 모델 선택권을 보장하며, 가능한 경우 로컬 모델 접근도 제공한다.
• 3.3.9 로그의 수집·보존·열람·감사 범위, 익명화, 위기 개입 기준을 공개적으로 정한다.
• 3.3.10 AI의 재정·에너지·물·자원 비용을 측정하고 더 낮은 영향의 선택을 지원한다.

이 가운데 평가 방식만 따로 바꾸면 실패하기 쉽다. 구술·포트폴리오·프로젝트 평가가 제대로 작동하려면 교사 시간, 보조인력, 공간, 학급 규모, 디지털 기록, 이의신청 절차가 함께 달라져야 하기 때문이다. 보고서는 기술의 문제가 결국 자원 배분과 조직 설계의 문제이기도 하다는 점을 인정한다.

5. 서·논술형 평가는 어떻게 바뀌어야 하나 — 최종 답안과 작성 과정을 함께 본다

보고서는 기존 과제가 AI 때문에 모두 무의미해졌다고 단순하게 말하지 않는다. 문제세트, 장문 글쓰기, 재택시험, 수업 밖 프로젝트는 그동안 연습과 평가를 동시에 맡아 왔다. 다만 이제는 최종 결과물만 보고 학생이 내용을 스스로 이해했는지 판단하기 어려워졌다고 본다(PDF pp. 13–14).

그렇다고 교실에서 치르는 시간제한 시험의 비중만 늘리는 해법도 비판한다. 짧은 시간에 성패가 갈리는 시험은 오래 숙고해 창의적이고 엄밀한 결과물을 만드는 능력을 제대로 평가하지 못할 수 있다. 장기 프로젝트에 공을 들일 동기도 약해질 수 있다. 해결책은 ‘집에서 쓰는 글’과 ‘교실에서 쓰는 글’ 중 하나를 버리는 것이 아니라, 각각에서 얻은 평가 자료를 함께 살피는 것이다.

서·논술형 평가에서 함께 살필 여섯 가지 평가 자료는 다음과 같다. 앞의 네 가지는 보고서의 권고를 직접 반영했고, 마지막 두 가지는 이를 학교 평가 절차로 구체화한 이 특집의 제안이다.

1. 독립 수행 확인 — AI 없이 쓰는 짧은 교실 글이나 핵심 개념 설명으로 학생이 스스로 할 수 있는 수준을 확인한다.
2. 과정 포트폴리오 — 질문 생성, 자료 선택, 개요, 초안, 교사·동료 피드백, 수정본을 함께 본다.
3. AI 사용 공개 기록 — 사용 도구, 사용 단계, 받아들인 제안과 버린 제안, 사실 확인 방법을 기록한다.
4. 구술 확인 또는 대면 대화 — 핵심 주장, 근거 선택, 반론, 수정 이유를 학생이 자기 말로 설명한다.
5. 최종 서·논술 답안 — 주장·근거·추론·표현의 질을 공통 루브릭으로 평가한다.
6. 교사 조정과 이의제기 — 경계 사례는 동료 채점·표본 재채점으로 조정하고 학생에게 설명과 이의제기 기회를 준다.

이 구조의 장점은 AI를 완전히 금지하지 않아도 학생의 배움을 확인할 수 있다는 데 있다. 과정 기록만으로 학생이 직접 작성했다고 확정할 수는 없고, 구술 확인도 모든 학생에게 같은 방식으로 실시하기 어렵다. 그러나 서로 다른 한계를 지닌 평가 자료를 함께 살피면 최종 답안 하나에 의존할 때보다 더 타당한 판단에 가까워진다.

평가 루브릭과 과정 준수는 분리하는 편이 낫다. 좋은 글의 내용·추론·근거를 평가하는 점수와 AI 사용 공개, 출처 확인, 제출 절차를 지켰는지를 별도 기록해야 한다. 그렇지 않으면 글의 질과 규정 준수를 한 점수에 섞어 무엇을 측정했는지 불분명해진다.

6. AI 채점은 어디까지 맡길 것인가 — 최종 점수가 아닌 형성 피드백부터

보고서의 AI 채점 관련 대목은 짧지만 방향은 분명하다(PDF pp. 22–23). AI는 루브릭과 답안을 대조하거나 채점의 일부를 보조하는 데 유용할 수 있다. 그러나 학생이 시간과 생각을 들여 과제를 했는데 기계의 피드백만 받는다면 교사와 학생의 교육적 관계가 훼손될 수 있다는 학생들의 강한 우려를 전한다.

위원회는 AI가 보이지 않는 곳에서 최종 점수를 매기게 하기보다, 학생이 제출 전에 피드백을 받는 형성평가 도구로 활용하자고 제안한다. 학생은 피드백을 검토해 수정 여부를 결정하고, 교사는 최종 답안과 다른 평가 자료를 종합해 판단한다. 교사가 AI로 채점이나 피드백을 보조했다면 어느 단계에서 어떻게 썼는지도 공개한다.

학교 서·논술형 평가에서는 다음 경계를 권한다.

• AI가 할 수 있는 일: 루브릭 기준 누락 표시, 주장과 근거의 연결 질문, 반론 제안, 표현 명료성 점검, 학생 자기점검용 예비 피드백.
• 사람이 해야 하는 일: 학습목표와 과제 설계, 루브릭 확정, 기준답안·앵커 검토, 맥락과 창의성 판단, 최종 점수 승인, 경계 사례 재검토, 학생 설명과 이의제기 처리.
• AI에게 맡기지 말아야 할 일: AI가 근거를 설명하지 못한 채 최종 점수를 단독으로 매기는 일, 탐지 점수에 근거한 징계, 근거를 확인할 수 없는 자동 감점, 학생에게 알리지 않은 평가 자료 재사용.

AI 보조채점을 도입하려면 정확도 하나만 보아서는 안 된다. 교사 간 채점 일치도와 비교한 일관성, 평가하려는 사고를 실제로 재는 타당성, 언어 배경·장애·표현 양식에 따른 공정성, 결과 설명과 이의제기가 가능한 책임성, 시간 절감이 실제로 생기는지 보는 업무 효과를 함께 확인해야 한다.

7. AI 탐지기를 평가의 중심에 두지 말아야 하는 이유

보고서는 AI 탐지기의 한계를 네 가지로 정리한다(PDF p. 19).

첫째, AI가 전부 생성한 글에는 어느 정도 작동해도 개요 작성, 문장 다듬기, 일부 초안처럼 사람과 AI가 함께 만든 실제 글은 잘 가려내지 못한다. 둘째, 비영어권 학습자나 신경다양성 학생의 글을 AI가 생성한 글로 오인할 수 있다. 셋째, 학생이 탐지를 피하려 AI 문체 변환 도구(humanizer)를 쓰는 군비 경쟁이 생긴다. 넷째, 오탐의 비율이 낮아도 개인에게는 학업·징계상 피해가 크고 교사와 학생 사이의 신뢰를 무너뜨린다.

MIT의 Committee on Discipline도 탐지기 출력만을 AI 관련 부정행위의 충분한 증거로 보지 않는다. 보고서는 초기 구상을 교실에서 직접 작성하게 하거나, 단계별 마감·면담·중간 피드백·버전 이력을 함께 살피는 방안을 제시한다. 다만 버전 이력만으로 학생이 직접 작성했다고 확정할 수는 없으며, 로그를 수집하면 개인정보와 감시 문제가 생긴다는 점도 함께 고려해야 한다.

학교의 안전한 절차는 다음 순서다.

1. 탐지 점수만으로 감점하거나 징계하지 않는다.
2. 사전에 고지한 정책과 제출된 과정 자료를 먼저 확인한다.
3. 학생에게 구체적 의문을 설명하고 자기 작업을 해명할 기회를 준다.
4. 교사는 내용·과정·구술 설명을 종합하고 필요하면 동료 검토를 받는다.
5. 최종 판단의 근거를 기록하며, 학생이 이의를 제기할 통로를 둔다.

핵심은 ‘AI 사용을 완벽히 검출’하는 것이 아니라 평가 판단에 필요한 증거 수준과 적법한 절차를 미리 정하는 것이다.

8. 네 가지 AI 사용 정책 — 허용 범위보다 이유가 중요하다

부록 B는 교과 전체 또는 개별 과제에 적용할 수 있는 4가지 메뉴를 제안한다(PDF pp. 31–32).

1안: 제한 없이 사용. AI 사용이 학습목표를 훼손하지 않거나 AI 출력의 평가·통합 자체가 목표인 과제에 적합하다. 사용 내역과 성찰을 함께 제출하게 할 수 있다.

2안: 지원 도구로만 제한 사용. 브레인스토밍, 편집, 디버깅, 설명 요청은 허용하되 과제의 전체 또는 상당 부분을 생성하게 하지 않는다. 단계별 허용·금지 범위를 구체적으로 적어야 한다. 위원회는 많은 교과에 적합할 수 있지만 ‘지원’의 의미가 모호해 가장 많은 설계가 필요한 안이라고 본다.

3안: 사용 필수. AI 보조 프로그래밍, 프롬프트 설계, 모델 출력 비평, 인간–AI 협력이 학습목표인 과제에 적용한다. 지정 도구, 작업 흐름, 대화 기록 등 필요한 제출물을 명시한다. 같은 과제 안에서 다른 단계는 제한하거나 금지할 수 있다.

4안: 엄격히 금지. 기초 기능을 학생 스스로 수행해야 하는 과제에 적용할 수 있다. 그러나 수업 밖에서 참고 도구로 쓰는 것까지 일관되게 확인하기 어렵고, 미탐과 오탐 위험이 있어 금지 이유와 대체 평가 자료를 함께 설계하는 일이 특히 중요하다.

한국 학교에서는 네 가지 유형을 그대로 복사하기보다 과제 안내문에 다음 여섯 항목을 함께 제시하는 편이 유용하다.

• 이번 과제의 학습목표
• 적용할 AI 정책 유형
• 허용되는 단계와 금지되는 단계
• 학생이 제출할 사용 공개 기록
• 교사가 AI를 사용하는 단계
• 최종 판단 책임자와 이의제기 방법

정책의 목적은 고백을 받아내는 것이 아니다. 학생이 자신의 사고와 AI의 기여를 구분하고, 결과를 검증하며, 과제마다 달라지는 경계를 예측할 수 있게 하는 데 있다.

9. 설문이 보여 준 현실 — 널리 쓰지만 충분히 신뢰하지는 않는다

보고서 부록 C는 서로 다른 세 설문을 요약한다. 표본과 질문이 달라 수치를 합치거나 직접 비교하면 안 된다. 각 설문의 성격을 구분해 읽어야 한다.

2026년 봄 AI Usage and Attitudes Survey. 교수·수업 담당자·학생 1,632명이 응답했고 응답률은 12%였다. 학생 응답률 12%, 교수·수업 담당자 16%, 단과대별 10~20%였다. 낮은 응답률과 자발적 참여에 따른 자기선택 편향을 고려해야 한다.

• ChatGPT를 자주 또는 매우 자주 쓴 비율은 전체 44%, 학생 46%, 교원 35%였다.
• 학생의 사용은 코딩 48%, 정보 검색 45%, 자기 글 수정 42%, 요약 40%가 높았고 처음부터 새 글을 생성한다는 응답은 13%였다.
• 진로에 AI 역량이 필요하다는 동의는 77%, 더 많은 일을 할 수 있다는 동의는 75%였다. 동시에 과제에서 AI 의존을 걱정한다는 동의도 68%였다.
• AI가 학습에 도움 된다는 동의는 61%였지만, 전통적 글쓰기보다 AI 글쓰기 도구를 선호한다는 응답은 24%에 그쳤고 60%는 반대했다.
• 교원은 행정업무 49%, 학습활동·평가 만들기 38%, 강의 노트 만들기 36%에 썼다. 학생 맞춤 피드백 7%, 자동채점은 약 3%로 낮았다.
• 부정확성·환각을 ‘주요 고려사항’으로 본 비율은 74%, 사회적 영향 40%, 훈련 윤리 34%, 환경영향 32%였다.
• ‘기타 우려’를 쓴 163명 중 79명은 비판적 사고, 글쓰기, 창의성, 추론, 장기 기능 등 학습·인지 발달 저하를 언급했다.

여기서 읽을 수 있는 것은 AI가 글 전체를 대신하는 단일 용도보다 코딩·검색·수정·요약에 넓게 스며들었다는 점이다. 동시에 효율과 학습 도움을 느끼면서 의존과 환각을 걱정한다. 허용·금지의 양자택일보다는 사용 단계별 정책과 검증 역량이 필요한 이유다.

2026년 봄 Quality of Life Survey. 보고서 본문은 약 8,200명이라고 요약하지만 사용 빈도 그래프의 전체 표본은 8,431명이고 문항별 유효 응답 수는 달라진다. 링컨연구소 응답은 분석에서 제외했다.

• AI를 자주 또는 매우 자주 쓴 비율은 전체 약 40%, 학부생 46%, 대학원생·박사후연구원 60%였다. 서비스·지원 직원은 53%가 전혀 쓰지 않는다고 답했다.
• 생성형 AI 미래를 낙관한다는 비율은 23%에 그쳤다.
• AI 덕분에 자신이 더 유능해졌다고 느낀 비율은 40%, 자신이 더 쉽게 대체될 수 있다고 느낀 비율은 27%였다. 학부생에서는 ‘더 유능해졌다’(34%)보다 ‘더 쉽게 대체될 수 있다’(40%)는 응답이 많았다.
• 업무의 질을 개선한다는 응답은 42%, 악화한다는 응답은 21%였다. 효율을 높인다는 응답은 60%였다.
• 현재 AI가 신뢰할 만하다는 응답은 21%, 예측 불가능하고 신뢰하기 어렵다는 응답은 39%였다.
• MIT가 언제·어떻게 AI를 쓸지 충분히 안내했다는 응답은 전체 44%였지만 학부생은 72%였다.

생산성과 신뢰의 간극이 선명하다. 더 빠르고 더 많은 일을 하게 된다는 경험이 곧 신뢰할 만한 판단 도구라는 뜻은 아니다. 특히 평가에서는 이 간극 때문에 인간 검토와 이의제기가 필요하다.

2025년 가을 The Tech 설문. MIT 학생신문이 관계자 1,002명의 응답을 받았다. 학부생 659명, 대학원생·박사후연구원 248명, 교수 18명, 직원 72명을 포함한다.

• 학부생의 46%가 매일, 30%가 주 여러 차례 LLM을 썼다. 대학원생·박사후연구원은 각각 46%, 35%였다.
• 학부생은 교과 설명 80% 이상, 코딩 약 70%, 과제 완성 50% 이상, 논문 요약 50% 이상에 사용했다.
• 학부생 90%가 과잉 의존을 우려했고 67%는 매우 우려했다. 부정확하거나 오도하는 출력은 45%가 매우 우려했다.
• 75%는 교수의 AI 사용 기대가 명확하다고 봤고, 50%는 사용 결정이 개별 교원·학과에 있어야 한다고 답했다.
• 70%는 진로에 AI 숙련이 중요하다고 봤지만 MIT가 전문적 사용을 준비시킨다고 본 비율은 25%였다.

Quality of Life Survey의 ‘사용 안내 충분’ 72%와 The Tech의 ‘직업적 사용 준비 충분’ 25%는 모순이라기보다 질문이 다르다. 규정 안내는 받을 수 있어도 AI를 전문적으로 판단하고 활용하는 교육은 부족하다고 느낄 수 있다.

10. 보고서의 근거와 한계 — 권고를 효과 검증으로 읽지 않기

이 보고서의 강점은 기술 낙관과 금지론 사이에서 학습, 공동체, 형평성, 개인정보, 환경을 하나의 제도 설계로 묶었다는 점이다. 위원 구성과 의견수렴 범위가 넓고, 설문 결과를 공개했으며, AI를 활용한 작성 과정도 밝혔다. 무엇보다 탐지 강화 같은 단기 반응을 넘어 평가와 성적의 목적까지 질문한다.

그러나 근거의 지위는 구분해야 한다.

설문은 인식을 보여주지만 효과를 입증하지 않는다. 1,632명 설문의 응답률은 12%이고, 세 설문은 표집·질문·시기가 다르다. AI 사용이 학습, 성취, 웰빙, 공동체 참여를 얼마나 변화시켰는지는 이 자료로 알 수 없다.

핵심 위험 진술 중 일부는 일화적이다. 오피스아워, 온라인 토론, 스터디그룹 감소, AI 의존과 정서 문제는 중요한 신호지만 보고서가 인과관계나 규모를 제시하지 않는다.

권고의 비용과 성공 기준이 충분히 정량화되지 않았다. 구술평가, 포트폴리오, 대면 협력 학습, 보조인력, 공간, 시범 운영 기금, 공통 플랫폼을 권하지만 우선순위·예산·책임 일정·평가 지표를 완성된 실행계획으로 제시하지는 않는다.

평가의 신뢰도를 확보하는 구체 설계는 부족하다. 구술·프로젝트·포트폴리오는 AI 시대에 유용한 평가 자료지만 평가자 일치도, 접근성, 대규모 운영, 채점 부담, 이의제기 절차를 자동으로 해결하지 않는다. 서·논술형 평가에서는 공통 루브릭, 앵커 답안, 채점자 협의, 표본 재채점이 추가로 필요하다.

문서 안의 수치 표현도 주의가 필요하다. Quality of Life Survey는 본문에서 ‘약 8,200명’으로 적지만 그래프의 사용 빈도 문항은 8,431명이다. 응답자 수는 문항마다 달라 전체 표본과 유효 응답을 구분해야 한다. AI 대중화 기간을 앞부분은 4년 미만으로, 다른 대목은 캠퍼스 변화가 3년 미만에 일어났다고 표현하므로 같은 사실처럼 인용하면 안 된다.

Quality of Life Survey 도표에 표시된 다섯 하위집단의 표본을 합하면 문항별 전체보다 423~437명이 적지만 어떤 직군이 생략됐는지 설명이 없다. The Tech 설문도 제시된 학부생·대학원생/박사후연구원·교수·직원 수의 합이 997명으로 전체 1,002명보다 5명 적다. 이는 핵심 결론을 뒤집는 차이는 아니지만, 원자료 없이 세부 비율을 재계산하거나 집단 전체로 일반화해서는 안 된다는 경고다.

도표와 본문 해석이 어긋나는 곳도 있다. 연구에서의 AI 사용을 묻는 도표는 ‘절대 허용 불가–때때로 허용–모름–항상 허용’ 척도다. 익명 원고 동료심사와 개요·메모에서 원고 문단 만들기의 ‘절대 허용 불가’는 각각 8%, 5%이고 가장 큰 구간은 ‘때때로 허용’ 58%, 45%다.

그런데 본문은 다수가 이를 허용 불가로 본다고 요약한다. 척도를 이분화한 기준이 제시되지 않아 이 대목은 원자료 확인 없이 단정적으로 인용하면 안 된다. ‘기타 우려’ 163명의 주제별 건수 합도 173건으로, 한 응답을 복수 코딩한 것으로 보이지만 방법 설명은 없다.

MIT 맥락은 특수하다. 성인 학습자, 선택성이 높은 학생집단, 기숙형 대학, UROP 참여율 93%, 풍부한 교수학습·IT 조직과 보조인력은 일반 초중등학교와 다르다. 방향 원칙은 옮길 수 있어도 운영 규모를 그대로 복제할 수는 없다.

따라서 이 보고서는 “이 방법이 효과가 검증됐다”는 근거가 아니라 “어떤 교육적 가치를 지키며 무엇을 실험하고 측정해야 하는가”를 제시한 고품질 기관 로드맵으로 읽는 것이 정확하다.

11. 한국 학교에 적용할 때 — 바로 적용할 원칙과 조정할 방법

바로 적용할 수 있는 원칙은 학습목표 우선, 과제별 AI 정책과 이유 공개, 탐지기 비의존, 작성 과정 확인, 교사의 최종 책임, AI 사용 공개, 공평한 접근, 개인정보 보호, 지속적인 시범 운영 평가다. 대학과 초중등의 차이에도 불구하고 평가 타당성과 학생 권리를 지키는 기본 원칙이기 때문이다.

학교 여건에 맞게 조정해야 할 방안은 전원 구술시험, 장기 포트폴리오, AI 최소 활용·적극 활용 분리 경로, 모든 수업의 대면 협업 평가다. 학급 규모, 수업시수, 교사 업무, 장애·언어 배경, 내신의 표준화 요구에 맞춰 사전에 정한 기준에 따른 짧은 구술 확인, 짧은 회고, 디지털 포트폴리오, 교과 공동 채점 등으로 바꿔야 한다.

그대로 옮기기 어려운 조건은 UROP, 대규모 TA 배치, 월별 AI 크레딧과 GPU 인프라, 기숙형 공동체다. 한국 학교에서는 담임·교과교사·교육청·정보담당자·상담조직의 역할 분담과 승인 도구, 미성년자 개인정보, 보호자 고지가 더 중요하다.

학교 정책은 세 수준으로 나누어 설계하는 것이 현실적이다.

• 학교 공통 기준 — 승인 도구, 개인정보·로그 기준, 네 가지 AI 사용 유형, 탐지기 비의존, 교사의 최종 책임, 이의제기 절차를 정한다.
• 교과 협의 기준 — 성취기준별로 학생이 스스로 해야 할 기능과 AI를 활용할 기능을 나누고 공통 루브릭·앵커·재채점 표본을 마련한다.
• 과제별 안내 — 학습목표, 허용 단계, 제출할 작성 과정 자료, 교사의 AI 사용, 평가 기준을 학생에게 안내한다.

가장 중요한 공정성 문제는 유료 모델 접근 격차다. MIT도 월 200달러 수준의 상용 서비스와 기관 플랫폼의 월 30달러 크레딧 차이를 지적한다(PDF p. 27). 학교가 프리미엄 모델을 사실상 요구하면 가정의 지불 능력이 평가 결과에 섞인다. 학교가 승인한 공통 환경을 제공하거나 AI 비사용 대안을 동등하게 보장해야 한다.

12. 학교 실행안 — 30일, 90일, 한 학기

0–30일: 규칙보다 평가 지도를 먼저 만든다.

• 주요 수행평가를 목록화하고 최종 결과물만 보는 과제를 찾는다.
• 각 과제의 학습목표를 ‘AI가 있어도 학생이 독립적으로 해야 할 것’과 ‘AI와 함께 더 잘할 수 있는 것’으로 나눈다.
• 네 가지 AI 사용 유형과 한 쪽짜리 과제 안내 템플릿을 만든다.
• AI 탐지 점수 단독 판정을 금지하고 학생 설명·이의제기 절차를 적는다.
• 교사의 AI 채점·피드백 사용 공개 문구를 정한다.

31–90일: 소규모 시범 운영으로 여러 평가 자료를 함께 살핀다.

• 한두 교과에서 독립 글쓰기–초안–피드백–수정–구술 확인을 연결한다.
• AI 피드백을 활용하더라도 최종 점수는 교사가 확정한다.
• 공통 앵커 답안을 사용해 교사 채점과 AI 제안의 불일치 사례를 모은다.
• 학생의 이해, 수정의 질, 소요시간, 신뢰, 접근성, 이의제기 건수를 함께 기록한다.
• AI를 쓰지 않는 학생에게도 동등한 대안을 제공한다.

91–180일: 확대 여부를 근거로 결정한다.

• 교사 간 일치도와 표본 재채점 결과를 확인한다.
• 성별·언어 배경·장애·성취수준별로 불리한 패턴이 없는지 살핀다.
• AI가 줄인 시간과 새로 생긴 검토·설명 업무를 함께 계산한다.
• 학생이 받은 피드백 중 기계와 사람의 비중, 학생 만족과 신뢰를 확인한다.
• 개인정보·로그 보존·오류·민원·이의제기를 검토하고 정책을 수정한다.
• 학습 개선과 공정성, 교사 업무가 함께 수용 가능한 경우에만 확장한다.

성공 지표를 ‘AI 사용률’이나 ‘자동채점 비율’로 두면 방향을 잃는다. 학생이 더 나은 근거를 선택하는가, 자기 수정 이유를 설명하는가, 교사 판단이 일관되는가, 불이익 집단이 없는가, 인간 피드백이 유지되는가가 핵심 지표다.

13. 이해관계자별 실천안

교사에게. 다음 수행평가부터 AI 사용 유형과 그 이유를 한 문단으로 밝히고, 최종본 외에 초안 또는 짧은 수정 설명을 받는다. AI 피드백을 쓰면 학생에게도 같은 루브릭에 따른 자기점검 기회를 제공하고, 최종 판단은 교사가 직접 내린다.

교과협의회에. 공통 루브릭만 맞추지 말고 AI 허용 단계, 작성 과정 자료, 구술 확인 질문, 경계 사례 처리 방식까지 합의한다. 일정 비율의 답안을 공동 또는 재채점해 기준을 조정한다.

학교 관리자에게. 평가 재설계를 개별 교사의 추가 업무로 남기지 않는다. 공동 설계 시간, 승인 도구, 개인정보 검토, 상담·특수교육 지원, 민원·이의제기 담당을 명확히 한다. AI 활용 시범 운영과 AI를 사용하지 않는 학습 경험 모두에 자원을 배분한다.

학생에게. AI 사용 기록을 처벌을 피하기 위한 고백이 아니라 학생 자신의 생각과 AI의 기여, 검증 과정을 보여주는 학습 기록으로 가르친다. AI 제안을 거절한 이유도 중요한 판단 자료다.

보호자에게. 학교가 AI를 쓰는 목적, 다루는 데이터, 보존기간, 최종 판단 책임, 이의제기 방법을 평이한 언어로 안내한다. AI가 교사를 대체하는 것이 아니라 연습 피드백을 보조한다는 경계를 분명히 한다.

교육청·정책 담당자에게. 도구 구매보다 공통 정책 언어, 개인정보 계약, 평가 타당성 검증, 교원 공동설계 시간과 전문지원 인력을 먼저 마련한다. 학교별 시범 운영 결과를 사용량이 아니라 학습·공정성·업무·신뢰 지표로 비교한다.

14. 오해하기 쉬운 다섯 가지

“MIT는 모든 수업에서 AI를 쓰라고 했다.” 아니다. AI를 모든 활동에 넣을 필요는 없지만, 모든 수업이 AI 활용 가능성을 고려해야 한다는 입장이다. AI 최소 활용 경로도 권한다.

“MIT는 전교 AI 정책을 이미 의무화했다.” 아니다. 위원회는 명확한 교과별 정책을 권고했지만 2026년 가을 현재 공식 안내는 전교 의무가 없다고 밝힌다.

“시험을 교실에서 보면 해결된다.” 보고서는 교실 내 시험 비중 확대가 깊은 사고와 장기 프로젝트를 약화시킬 수 있다고 경고한다. 학생이 스스로 수행한 평가 자료는 필요하지만 그것만으로 평가 전체를 대체할 수는 없다.

“버전 기록이 있으면 학생이 직접 썼다고 확정할 수 있다.” 버전 기록은 유용한 작성 과정 자료이지만 그 자체로 작성 주체를 완전히 확인해 주지는 않는다. 로그 열람과 보존에는 개인정보·감시 문제도 있다.

“AI 채점이 루브릭과 맞으면 최종채점을 맡겨도 된다.” 보고서는 오히려 학생에게 형성 피드백 도구로 제공하는 방안을 제안하고, 교사의 AI 사용 공개와 교사 피드백을 강조한다. 최종 자동채점의 타당성과 공정성을 입증한 문서가 아니다.

15. 최종 판단 — 보고서의 기여와 남은 과제

이 보고서의 가장 큰 기여는 AI를 부정행위 관리의 문제로만 보지 않고, 배움의 근거와 교육 관계, 평가 책임을 다시 설계할 과제로 본 데 있다. 평가에서 학생을 믿을 수 없다는 불안에 탐지와 감독으로만 대응하면 교사–학생 관계가 손상되고, 깊은 글쓰기와 프로젝트의 가치까지 줄어들 수 있다. MIT는 최종 답안 하나에 의존하지 않고 과정, 대화, 수행, 성찰을 함께 보는 방향을 제시한다.

동시에 이 문서가 모든 답을 제시한 것은 아니다. 대안평가의 신뢰도, 대규모 운영비, 장애·언어 배경에 대한 공정성, AI 보조채점의 정확도와 설명가능성, 장기 학습 효과는 후속 실험이 필요하다. 보고서가 제안한 상설위원회, 시범 운영 기금, 공통 플랫폼, 지표 개발은 바로 이러한 한계를 인정하고 계속 보완하기 위한 장치다.

서·논술형 평가의 다음 단계는 AI 작성 여부를 알아맞히는 일이 아니다. 학생의 사고가 어떻게 시작되고 어떤 근거를 거쳐 바뀌었는지, 그리고 최종 판단을 자기 말로 설명할 수 있는지 확인하는 일이다. AI는 이 과정을 도울 수 있지만, 평가의 의미를 정하고 결과에 책임지는 일은 사람의 몫이다.

16. 출처와 최종 확인처