YouTube티타임즈TV·2026년 11월 20일·0

AI 시대, 시험은 어떻게 설계되어야 하나? (김재인 경희대 교수)

Quick Summary

AI 시대의 시험은 평가 목적에 맞게 설계하고, 정답 산출을 넘어 인간의 이해·독립 수행·AI 활용·실무 책임을 살펴야 한다는 것이 김재인 교수의 제안이다.

영상 보기

클릭 전까지는 가벼운 미리보기만 먼저 불러옵니다.

원본 열기

🖼️ 인포그래픽

AI 시대, 시험은 어떻게 설계되어야 하나? (김재인 경희대 교수) 내용을 설명하는 본문 이미지

🖼️ 4컷 인포그래픽

AI 시대, 시험은 어떻게 설계되어야 하나? (김재인 경희대 교수)의 핵심 내용을 4단계로 요약한 인포그래픽
AI 시대, 시험은 어떻게 설계되어야 하나? (김재인 경희대 교수) 핵심 내용을 4단계로 압축한 4컷 인포그래픽

💡 한 줄 결론

AI 시대의 시험은 평가 목적에 맞게 설계하고, 정답 산출을 넘어 인간의 이해·독립 수행·AI 활용·실무 책임을 살펴야 한다는 것이 김재인 교수의 제안이다.

📌 핵심 요점

  1. 성장·자격·선발의 목적을 구분해야 한다. 학습 과정에서 역량을 키우는 형성평가, 일정 기준을 확인하는 자격 평가, 제한된 인원을 뽑는 선발은 서로 다른 논리를 따른다. 김 교수는 무엇을 위한 시험인지 먼저 정해야 평가 방식도 설계할 수 있다고 본다.
  2. 대학 선발에서는 기본 자격 확인과 심층 평가를 나누자고 제안한다. 수능은 대학 수학에 필요한 기본기를 확인하고, 대학은 논술과 구술을 결합해 필요한 학생을 선발하자는 구상이다. 현장 평가에도 감독이 필요하며, 프로젝트 중심 선발을 확대하려면 재원·인력·시간의 제약을 고려해야 한다.
  3. 작품 평가와 사람 평가는 기준이 다르다. 김 교수는 창작물은 최종 작품의 품질을 평가할 수 있지만, 채용에서는 AI와 함께 일하는 역량과 AI 없이 수행하는 역량을 모두 확인해야 한다고 주장한다. 업무를 이해하고 이끌며 결과에 책임지는 능력이 중요한 판단 기준이다.
  4. 전문자격시험 성적만으로 실무 전문성을 입증하기 어렵다고 본다. 일부 반복 업무의 수행과 직업 전체의 대체를 구분하고, 전문직의 가치를 전체 업무 과정과 최종 책임에서 찾는다. 자격 취득 이후에도 수련과 실무를 통해 역량을 검증하자는 입장이며, 진입 문턱을 낮추고 실무 성과로 전문성을 가리자는 제안도 제시한다.
  5. AI의 답을 얻는 일과 자신의 지식을 만드는 일은 다르다고 강조한다. 김 교수는 정보를 이해하고 실행하는 과정이 사람에게 필요하며, 읽기와 쓰기가 그 토대라고 본다. AI가 이 활동을 대신하면 학습자가 직접 수행하며 쌓아야 할 훈련이 줄어들 수 있다고 우려한다.

🧩 배경과 문제 정의

  • AI를 이용한 시험 부정행위 논란은 적발·감독의 문제와 함께, AI가 정답을 잘 찾는 시대에 사람의 어떤 역량을 평가해야 하는지 묻는다.
  • 시험에는 학습자를 성장시키는 기능과 현재의 능력을 측정해 자격을 인정하거나 인원을 선발하는 기능이 있다. 목적에 따라 평가 설계도 달라져야 한다.
  • 김재인 교수는 대학의 선발 권한 확대, 논술·구술의 결합, AI 사용 여부에 따른 평가 병행을 제안한다. 이러한 방안의 효과와 기술 전망은 교수의 판단으로 구분필요가 있다.
  • 전문직의 가치를 지식 문제의 정답률로 판단할 수 있는지, 업무의 전체 과정과 최종 책임까지 평가하려면 무엇이 필요한지가 후반부의 핵심 쟁점이다.

🕒 시간순 섹션별 상세정리

1. AI 부정행위 논란은 기술과 제도 인식의 시차를 드러낸다

  • 김 교수는 AI를 활용한 부정행위가 기술적으로 가능해진 상황에서 관련 사태가 발생한 것을 예상 가능한 결과로 본다. 새로운 기술적 수단과 AI의 빠른 처리 능력에 비해 시험 관리와 사회적 인식이 뒤처졌다는 진단이다 [01:08]
  • 기술은 이미 몇 년 전부터 앞서 있었을 수 있지만, 과거에도 같은 일이 발생했는지는 의심의 수준으로 언급한다. 적발되지 않은 부정행위의 실제 규모는 확인되지 않는다 [02:01]

2. 시험의 목적은 성장과 능력 측정으로 나뉜다

  • 형성평가는 시험을 준비하고 치르는 과정에서 공부하게 하고 실력을 쌓게 하는 평가다. 김 교수는 학습자를 길러내는 이 기능에 교육의 본령이 있다고 본다 [03:44]
  • 현재 갖춘 실력과 능력을 측정하는 평가는 별도의 목적을 갖는다. 사람을 성장시키는 교육과 사람의 능력을 재는 선발을 구분해야 평가 방식도 논의할 수 있다 [04:10]

3. 자격 인정과 제한된 인원의 선발은 다른 논리를 따른다

  • 절대평가는 일정한 기준을 넘으면 자격을 인정하는 방식이며, 운전면허가 대표적인 예다. 상대평가는 정해진 인원 안에 들어야 통과하는 방식이다 [04:40]
  • 500명을 선발할 때 500등과 501등의 합격 여부는 갈리지만, 두 사람 사이에 시험으로 확인할 만한 역량 차이가 있는지는 별개의 문제다. 김 교수는 이 점에서 상대평가의 문제를 지적한다 [05:04]

4. 수능은 기본 자격을 확인하고 대학은 필요한 학생을 선발한다

  • 김 교수는 수능을 대학 수학에 필요한 기본기를 확인하는 단계로 두고, 학교마다 다른 인재 기준에 따른 최종 선발 권한은 대학에 부여하자고 제안한다 [07:25]
  • 약 50만 명이 응시하는 대규모 시험에서는 현재 형식을 크게 바꾸기 어렵고 감독 강화 외의 대안도 제한적이라는 판단이다. 대학별 평가로 나누면 다른 형식을 적용할 여지가 커진다 [08:07]

5. 대학별 논술·구술을 결합하되 포트폴리오는 신중하게 본다

  • 대학별 고사를 허용하는 방향에 대해 과거 본고사로 돌아가는 것이라는 반론이 나온다. 김 교수는 대학이 원하는 학생을 직접 선발하도록 권한을 주는 변화로 이해해야 한다고 주장한다 [09:35]
  • 대학은 25년 넘게 논술과 구술을 출제·채점하며 시행착오를 축적해 왔으므로, 이를 활용하는 데 제도적 경험이 있다고 평가한다 [11:20]

6. 현장 평가의 유효성에도 AI 개입을 통제하는 감독이 필요하다

  • 김 교수는 현장 논술과 즉각적인 질의응답이 학생의 평소 사고와 순간적인 판단을 확인하는 데 유효하다고 본다. 다만 이러한 평가에도 별도의 감독이 필요하다고 전제한다 [13:26]
  • AI의 도움을 받은 면접 응답이 높은 평가를 받았다는 기사 사례는 면접도 AI 개입에서 안전한지 의문을 제기한다. 이는 진행자가 소개한 사례이며, 대화 안에서 별도로 검증되지는 않는다 [14:18]

7. 부정행위의 유인을 줄이고 출제 방식도 바꿔야 한다

  • 김 교수는 과거에도 부정행위가 있었고 앞으로도 사각지대가 생길 수 있다고 본다. AI는 그 수단에 새롭게 추가된 변수라는 해석이다 [15:56]
  • 성공했을 때의 이익에 비해 적발됐을 때의 손실이 작으면 부정행위가 반복될 수 있다. 사후 적발을 포함해 처벌과 징계의 실효성을 높이면 예방 효과가 있을 수 있다고 제안한다 [16:08]

8. 자기주도 프로젝트 중심 교육은 보편적 적용에 자원 제약이 있다

  • 자기주도적으로 수행한 프로젝트와 앞으로의 잠재력을 중시하는 새로운 교육기관이 대안 사례로 등장한다. 기존 시험 성적 외의 역량을 살피려는 접근이다 [17:43]
  • 김 교수는 이런 기관이 상대적으로 풍부한 재원과 인력, 시간을 활용한다는 점을 강조한다. 수천 명을 선발하는 일반 대학에 같은 방식을 적용하기는 어렵고, 충분한 자원을 들여 정교하게 선발할 수 있다면 현재의 문제 상당수도 줄어들 것이라고 본다 [18:17]

9. 창작물 심사는 AI 사용 내역보다 최종 작품을 평가할 수 있다

  • 신춘문예에서 AI 활용 내역을 제출하도록 요구하는 방식은 사용을 허용하면서 투명성을 확보하려는 대안으로 묶인다 [19:18]
  • 김 교수는 창작물 심사에서는 어떤 도움을 받았는지보다 최종 작품의 품질과 작품성을 판단하면 된다고 주장한다. 사람에게 조언이나 수정을 받는 것과 AI의 도움을 받는 것 사이에 본질적인 차이가 있는지 의문을 제기한다 [19:46]

10. 채용에서는 AI와 함께하는 역량과 독립적인 역량을 함께 평가한다

  • 작품 자체를 심사하는 경우와 달리, 사람을 선발할 때는 AI와 함께 발휘하는 역량과 AI 없이 수행할 수 있는 역량을 모두 살펴야 한다 [20:46]
  • 인간은 조직의 업무를 이해하고 목표를 실현하며 결과에 책임지는 주체다. 따라서 AI를 도구나 조수로 활용할 때도 업무를 이끌고 책임질 소질이 있는지가 중요하다 [21:20]

11. 선발 수요가 지속되는 한 시험 설계의 문제도 남는다

  • 김 교수는 시험 무용론에 동의하지 않는다. 조직이 필요한 인력을 뽑으려면 어떤 형태로든 선발 절차가 필요하며, 시험은 지원자보다 선발하는 쪽의 필요에서 생긴다는 설명이다 [23:56]
  • 다수의 지원자 가운데 제한된 인원을 뽑아야 하는 구조가 유지되는 한 평가도 사라지기 어렵다. 핵심 과제는 시험의 폐지가 아니라 각 조직의 목적에 맞게 평가를 설계하는 일이다 [24:15]

12. 뇌·컴퓨터 결합의 전망에는 기술적 불확실성이 크다

  • 김 교수는 BCI가 인간과 AI의 고도 결합으로 이어질 것이라는 전망에 회의적이다. 제한적인 운동이나 느린 단어 인식의 가능성과, 복잡한 사고에 필요한 정보를 생체와 기계 사이에서 빠르게 주고받는 문제를 구분한다 [25:01]
  • 모든 사람이 AI와 결합한 상태가 된다는 가정이 실현된다면, AI 이용 여부를 둘러싼 현재의 공정성 문제도 달라질 수 있다고 본다. 이는 기술 실현을 확정한 예측이 아닌 조건부 논의다 [25:34]

13. 전문직의 가치는 일부 업무의 수행을 넘어 최종 책임에 있다

  • 기사 작성이 가능하다는 사실만으로 기자 업무 전체를 대체할 수 있다고 보기는 어렵다. 기자의 일에는 아이디어와 기획, 취재, 편집을 잇는 전체 과정이 포함된다는 설명이다 [26:43]
  • 김 교수는 다른 전문직도 여러 업무 단계 가운데 일부를 AI가 수행할 수 있는 것과 직업 전체를 대신하는 것은 구분해야 한다고 본다 [27:08]

14. AI의 높은 시험 성적은 기존 전문자격 평가의 한계를 드러낸다

  • 전문직의 핵심을 책임이라고 보더라도, 실제 선발 시험은 규칙적이고 반복적인 업무를 잘하는지에 치우쳐 있다는 반론이 나온다. AI가 전문자격시험에서 높은 성적을 얻는다는 사례는 이 평가 방식의 의미를 문제 삼는 근거로 드러난다 [28:42]
  • 김 교수는 현재의 시험 방식이 전문가를 제대로 선발하지 못한다는 점이 드러났다는 비판에 동의한다. 전문직 자체의 소멸과 기존 시험의 타당성 부족을 구분하는 입장이다 [29:21]

15. 전문성은 법·제도의 적용과 생명을 다루는 영역으로 나뉜다

  • 김 교수는 전문가를 크게 두 부류로 나누며, 먼저 법·제도와 관련된 전문직을 든다. 변호사·회계사·세무사·공인중개사 등에서는 관련 법과 제도를 이해하고 실제 현장에서 다루는 능력이 중요하다 [29:31]
  • 다른 부류로는 사람의 목숨을 다루는 의사를 구분한다. 이 시점까지는 생명을 다룬다는 특성이 제시되며, 구체적인 평가 대안까지 이어지지는 않는다 [29:56]

16. 자격 취득과 실무 역량 검증을 구분해야 한다

  • 김재인은 법률가가 자격을 받은 뒤 업무를 수행하는 구조와 달리, 의사는 의대 졸업과 자격시험 이후에도 수련을 거쳐 전문의 등으로 나아간다고 비교한다. 의사의 경로에는 자격 취득 이후 실무 역량을 추가로 검증하는 단계가 있다는 설명이다. [30:31]
  • 선발 인원을 하나의 관문에서 제한하고 그 관문을 통과한 사람에게 권한을 부여하는 구조는, 전문직의 높은 진입 장벽과 소수의 권한 독점으로 이어져 왔다고 비판한다. [31:08]

17. 진입 문턱을 낮추고 실무 성과로 전문성을 가리는 구상

  • 김재인은 미국 CPA를 예로 들며 선발 인원을 크게 늘리고 전문직 진입 장벽을 낮추자고 제안한다. 품질 관리는 진입 단계의 제한에 집중하기보다, 이후 수련과 경험을 쌓는 과정에서 다룰 수 있다고 본다. [31:39]
  • 시장이 업무 역량을 충분히 가려낼 수 있다는 견해를 제시한다. 일을 잘하는 사람이 더 높은 보수와 명성을 얻는 방식으로, 실무 능력이 있는 전문가가 살아남는 구조를 예상한다. [32:02]

18. AI가 제공하는 정보와 사람이 갖추는 지식의 차이

  • 김재인은 전문가를 특정 영역에서 한 단계 깊은 지식과 실행 능력을 갖춘 사람으로 정의한다. 앎은 단편적인 자료, 맥락을 갖춘 정보, 의미를 이해한 지식, 실천으로 확장된 지혜의 네 단계로 구분한다. [34:10]
  • AI가 제공하는 것은 주로 자료와 정보이며, 지식에 해당하는 이해의 수준은 불확실하다고 본다. 같은 기자 업무 설명도 초등학생과 전문적인 활동 경험이 있는 성인이 이해하는 범위가 다르다는 예로, 정보 전달과 이해를 구별한다. [35:18]

19. 시험 정답을 얻는 일과 내용을 이해하는 일은 다르다

  • AI가 시험 문제의 정답을 내놓았다고 해서 사용자가 내용을 이해한 것은 아니다. 김재인은 AI의 정답 산출 역시 확률적 계산의 결과로 보며, 이를 내용의 이해와 동일시하지 않는다. [36:19]
  • 이해는 사람이 직접 거쳐야 하는 과정이며, 전문가는 그렇게 자기 것으로 만든 지식을 보유하고 이를 지혜로 발전시킬 수 있는 사람이라고 구분한다. 전문성과 일반적인 상식의 차이도 특정 영역에서 확보한 지식의 깊이에 있다고 본다. [37:10]

20. AI 시대 교육의 토대는 읽기와 쓰기를 통한 언어력이다

  • 김재인은 교육의 핵심 역량으로 듣기·말하기·읽기·쓰기를 포함한 언어력을 제시한다. 특히 읽고 쓰는 활동은 혼자 깊이 생각하고, 어려운 내용을 이해하며, 생각을 표현하고 정리하는 훈련의 바탕이라고 보여준다. [38:23]
  • 읽기와 쓰기는 반복하면서 서로를 발전시키는 능력이다. 정답이 담긴 정보를 확보하는 것과 이를 활용하는 것은 별개이며, 활용하려면 먼저 내용을 이해해 자기 것으로 만들고 실제로 써먹는 능력까지 갖춰야 한다. [39:11]

21. AI의 읽기·쓰기 대행이 학습 경험을 줄일 수 있다

  • AI가 읽기와 쓰기를 대신하면 직접 수행하며 얻어야 할 경험과 훈련이 제거될 수 있다고 우려한다. 스스로 했다는 느낌은 남지만, 실제 행위를 통해 능력을 습득하는 과정은 빠질 수 있다는 문제다. [40:59]
  • 이미 학습과 훈련을 거친 사람은 AI의 성능이 높아질수록 전문 능력을 더 발휘할 수 있다고 본다. 반면 젊은 층은 AI가 발전할수록 자신이 안다는 느낌은 커지면서 직접 수행하는 일은 줄어들 수 있다고 우려한다. [41:36]

22. 지식과 지혜의 평가는 자격증 이후의 실무까지 이어져야 한다

  • 지식과 지혜를 어떻게 정의하느냐에 따라 AI의 능력에 대한 판단도 달라질 수 있다. 김재인은 전문가가 자신의 업무에 꼭 필요하다고 여기는 것을 AI가 제공하는지 묻는다면, 그렇지 않다고 답할 것이라는 견해를 제시한다. [42:38]
  • 평가의 초점은 객관식 정답을 맞히는 능력을 넘어 지식과 지혜를 갖췄는지로 옮겨가야 한다. 김재인은 이러한 역량은 실무를 통해서만 평가할 수 있을 것이라고 본다. [42:57]

🧾 결론

  • 김 교수의 핵심 입장은 시험 폐지보다 목적에 맞는 재설계다. 선발 수요가 남는 한 평가도 필요하다는 설명이다.
  • 평가 대상은 정답률뿐 아니라 이해의 깊이, 독립적인 수행, AI를 활용한 업무 수행, 결과에 대한 책임까지 확장된다.
  • 논술·구술 결합, AI 사용 여부에 따른 평가 병행, 자격 취득 이후 실무 검증은 제안된 방향이며, 효과가 입증된 제도로 제시된 것은 아니다.
  • 교육에서는 AI 활용과 함께 학습자가 직접 읽고 쓰며 이해를 형성하는 경험을 확보해야 한다는 메시지가 이어진다.

📈 투자·시사 포인트

  • 교육·평가 제도: 대학별 심층 평가와 프로젝트 평가를 논의할 때는 평가 방식의 타당성과 함께 운영 인력·시간·비용을 검토필요가 있다. 영상에서도 자원 제약이 보편적 적용의 한계로 제시된다.
  • 채용·인재 판단: AI를 사용한 결과물의 완성도와 지원자의 독립적인 이해·수행 능력을 함께 살피자는 제안은 채용 평가 기준을 재검토하는 출발점이 된다.
  • 전문직 변화: AI의 높은 시험 성적을 직업 전체의 대체와 곧바로 연결하기보다, 자동화되는 일부 업무와 인간이 맡는 전체 과정·책임을 구분해 볼 필요가 있다.
  • 투자 해석의 한계: 이 대화는 교육과 전문성 평가에 관한 견해를 제공한다. 특정 기업의 경쟁력이나 투자 수익을 판단할 실적·가치평가 근거는 제시하지 않는다.

⚠️ 불확실하거나 확인이 필요한 부분

  • 적발되지 않은 AI 부정행위의 실제 규모는 확인되지 않는다. 과거에도 유사한 일이 있었을 것이라는 언급은 추정 수준이다.
  • AI 도움을 받은 면접 응답이 높은 평가를 받았다는 내용은 진행자가 소개한 기사 사례이며, 대화 안에서 별도로 검증되지 않았다.
  • 논술·구술의 평가 효과, 징계 강화의 예방 효과, 대학별 선발 권한 확대의 성과는 김 교수의 판단과 제안이다. 제도 간 비교 결과나 효과 측정 자료는 제공되지 않는다.
  • 자막 기반 정리: 타임스탬프가 있는 자막을 기준으로 정리했으며, 고유명사·수치·인용은 원문 확인 필요 시 별도 검증한다.
  • 영상 속 주장: 발표자의 해석·전망·비교는 확인된 외부 사실이 아니라 영상 속 주장으로 분리해 읽는다.
  • 검증 필요: 수치, 기업 실적, 정책·시장 전망은 발행 전 최신 자료로 별도 검증이 필요하다.

✅ 액션 아이템

  • 현재 운영하거나 준비하는 시험이 학습 촉진·자격 확인·인원 선발 중 무엇을 목적으로 하는지 명시한다.
  • 사람을 평가할 때 AI 없이 수행하는 과제와 AI를 활용하는 과제에서 각각 확인할 역량을 구분한다.
  • 논술·구술·프로젝트 평가를 검토한다면 평가 기준, 감독, 인력·시간·비용을 함께 점검한다.
  • 학습 과정에서 직접 읽고 쓰고 설명하는 시간을 확보하고, AI가 제시한 내용을 자신의 말로 이해했는지 확인한다.

❓ 열린 질문

  • 이해의 깊이와 실무 책임을 대규모 시험에서 타당하고 일관되게 평가하려면 어떤 기준이 필요한가?
  • 대학별 선발의 자율성과 공정성을 함께 확보하면서 운영 자원 부담을 감당할 수 있는가?
  • AI 활용 능력을 평가하면서도 학습자의 독립적인 성장 가능성을 어떻게 확인할 수 있는가?

관련 문서

공통 태그와 주제 흐름을 기준으로 같이 보면 좋은 문서를 이어서 제안합니다.