Using AI in Research

🖼️ 인포그래픽

🖼️ 4컷 인포그래픽

💡 한 줄 결론

스탠퍼드 CS193T 패널이 제시하는 연구용 AI의 핵심은 인간의 해석·판단·학습을 지키면서 새로운 연구 가능성을 넓히는 것이다.

📌 핵심 요점

1. 문체를 바꾸면 의미도 달라질 수 있다. 디지털 인문학 연구에서는 문체 특징만으로 학문 분야를 약 43% 분류했고, 철학 논문을 컴퓨터과학 문체로 바꾸자 내용어 기반 주제 분석에서도 위치가 이동했다. 이는 계산적으로 측정한 문체와 의미의 연관성을 시사한다.
2. 법률 AI의 품질은 전문가 판단과 함께 평가해야 한다. Judgement Bench에서는 두 결과물의 선호 순위를 고르는 방식이 루브릭 평가보다 좋은 성과를 보였다. 자동화는 시간당 과금 구조뿐 아니라 신입 변호사가 반복 업무로 경험을 쌓는 경로에도 영향을 주며, 협상·증언녹취 시뮬레이터가 보완책으로 탐색된다.
3. 생명공학에서는 기존에 불가능했던 연구 목표를 구상할 수 있다. 전체 세포 모델은 유전자와 세포 내 과정의 상호작용을 반영해 표현형을 예측한다. 패널은 이를 인공생명에 가까운 작업으로 구분하며, 현미경 이미지의 세포 탐지·추적에 쓰이는 딥러닝과 함께 새로운 탐구 가능성을 제시한다.
4. 교육용 AI는 학생이 실제로 역량을 얻는지로 판단해야 한다. 학습자가 직접 수행해야 할 사고를 대신하면 역량 형성을 해칠 수 있다. 반면 게임의 서사와 설계가 학습 목표인 수업에서 기계적인 코딩을 맡기는 것처럼, 목표 밖의 구현을 보조하면 핵심 학습 활동을 늘릴 수 있다.
5. 투명성과 검증 책임은 연구자에게 남는다. AI 사용 범위와 방식을 공개하고, 결과물의 설계와 중요한 선택을 설명할 수 있어야 한다. 코버트는 문장을 직접 쓰면서 AI에 누락된 인용·강한 반론·다른 분야의 유추를 요청하고, 제안된 논문을 직접 읽어 논증을 강화했다.

🧩 배경과 문제 정의

• 인문학·법률·생명공학에서 AI는 대규모 자료를 분석하는 도구이면서, 의미 형성·전문가 판단·연구 방식 자체를 바꾸는 연구 대상이다.
• AI 활용의 가치는 생산성만으로 판단하기 어렵다. 문체 변경이 내용에 미치는 영향, 정답이 분명하지 않은 법률 업무의 품질, 자동화로 줄어드는 실무 학습 기회를 함께 살펴야 한다.
• 복합 질환 연구처럼 기존 기술의 한계를 넘어야 하는 과제에서는 새로운 가능성을 상상해야 하지만, 교육 효과와 인간의 사고·돌봄·관계에 미치는 영향도 검토해야 한다.
• 기술 발전을 장기적으로 예측하기 어려운 상황에서, 현재의 제약과 미래 가능성을 연구 설계에 어떻게 반영할지가 공통 과제로 남는다.

🕒 시간순 섹션별 상세정리

1. 디지털 인문학은 대규모 분석과 인간의 해석을 결합한다

• 디지털 인문학은 수천 편의 텍스트에서 기계가 인식하는 패턴을 찾거나, 한 소설을 인간 독자가 직접 파악하기 어려운 분석 축으로 살핀다. GIS를 활용한 소설의 지리적 관심 분석과 근세 서신 관계망 분석도 여기에 포함된다. [02:00]
• 생성형 AI는 통계적 기반과 인간 주도의 해석 사이에 놓이는 중간 계층으로 활용한다. 텍스트 자료뿐 아니라 모델이 수행하는 작업에도 인간의 해석이 필요하다. [03:19]

2. AI 문체의 문제는 표현을 넘어 의미 형성에 닿는다

• ‘Style in the Age of AI’ 프로젝트는 생성형 AI의 문체가 인간의 의미 형성에 들어올 때 무엇이 달라지는지 탐구한다. 특히 언어로 논증과 의미를 만드는 인문학에서는 문체 변경을 단순한 표현 수정으로 보기 어렵다. [04:00]
• 핵심 질문은 주제가 달라도 역사학자·심리학자·컴퓨터과학자에게 각자의 학문 분야를 드러내는 문체가 있는지다. 예비 연구는 약 2,000편의 논문을 사용하며, 더 큰 연구에서는 18개 분야의 논문 10,000편 표본을 다루고 있다. [05:09]

3. 학문 분야는 주제뿐 아니라 문체로도 구별된다

• 주제 모델로 논문을 배치하면 학문 분야별 군집이 뚜렷하게 나타나며, 철학과 컴퓨터과학은 특히 멀리 떨어져 있다. 이는 두 분야의 논문이 다루는 내용의 차이를 보여준다. [05:38]
• 주제 정보 없이 문법·문장 길이·고유명사 수 같은 문체 특징만으로 분야를 분류해도 성공률은 약 43%다. 우연 수준으로 제시된 5%보다 높지만, 분류 성능은 여전히 개선 중이다. [06:18]

4. 철학 논문의 문체를 바꾸자 내용의 위치도 이동했다

• 로컬 LLM에 철학 논문을 컴퓨터과학 논문처럼 다시 쓰게 하자, 기존 분류 모델은 변환된 논문의 상당수를 컴퓨터과학으로 분류했다. 다만 철학으로 남거나 다른 분류를 보이는 사례도 있어 문체 전환이 완벽하지는 않았다. [06:52]
• 변환된 논문을 포함해 내용어만으로 주제 모델을 다시 구성하자, 철학 논문은 컴퓨터과학 쪽으로 작지만 눈에 띄는 이동을 보였다. 이 결과는 적어도 계산적으로 측정한 범위에서 문체와 의미 사이에 관계가 있음을 시사한다. [07:42]

5. 법률 AI 평가는 명확한 정답보다 전문가 판단에 의존한다

• Lift Lab은 대형 로펌과 기업 법무 부서의 AI 활용을 연구하며, 법률 서비스에서 품질을 어떻게 정의할지 묻는다. 고객이 구매한 서비스의 가치를 정확히 판단하기 어렵고, 평가의 기준이 되는 품질 자체도 명확하지 않다. [09:00]
• 법률 업무는 개인의 판단과 장기적 신뢰 관계에 크게 의존한다. Judgement Bench 연구에서는 두 결과물 중 더 나은 것을 고르는 선호 순위 평가가 루브릭 평가보다 훨씬 좋은 성과를 보였으며, 변호사의 직관이 중요한 역할을 했다. [10:18]

6. 생산성 향상은 시간당 과금과 업무 가치 평가를 흔든다

• 시간당 과금 모델에서는 AI의 생산성 향상이 수익 구조와 충돌할 수 있다. 예컨대 기존에 10시간을 청구하던 업무가 AI로 2시간에 가능해진다면, 업무 효율뿐 아니라 수익과 이익률을 어떻게 구성할지도 문제가 된다. [11:16]
• 법률 AI 제공업체와 협력할 예정인 관찰 연구는 로펌의 사용 방식과 편집 이력을 통해 사람이 수정하거나 개입하는 업무의 비중을 살피려 한다. [12:08]

7. 일상 업무의 자동화는 신입 변호사의 학습 경로를 줄인다

• 법학 교육과 실제 업무 사이에는 간극이 있으며, 변호사는 실무를 반복하면서 역량을 쌓는다. 신입 변호사들이 담당하던 일상 업무가 사라지면 이러한 경험 학습을 어떻게 제공할지가 문제가 된다. [13:02]
• AI 기반 다중 에이전트 협상 시뮬레이터와 증언녹취 시뮬레이터는 이를 보완하는 훈련 환경이다. 실제 사건에서 실수의 대가가 큰 법률 업무를 반복 연습할 수 있으며, 증언녹취 도구는 오픈소스로 공개되어 있다. [13:44]

8. 증언녹취 시뮬레이션은 까다로운 증인과 방해 상황을 재현한다

• 증거개시 문서나 증인 진술서를 올리면 AI 증인을 생성하고 성격을 조절할 수 있다. 선임 소송 변호사들과 정리한 14개 전형에는 공격적·회피적·잘 잊는 증인 등이 포함되며, 성향의 강도를 바꿔 질문으로 필요한 답변을 끌어내는 연습을 한다. [14:44]
• 상대 변호사가 질문마다 이상한 웃음으로 주의를 흐트러뜨려, 신입 변호사가 사건에 필요한 사실을 확보하지 못한 사례도 훈련 설계의 근거가 된다. 시뮬레이션은 정상적인 절차뿐 아니라 피해야 할 실패 상황까지 연습하는 데 활용하려 한다. [15:25]

9. 법률 전문가의 AI 분신에는 세밀한 성향 조절이 필요하다

• ‘파트너 페르소나’ 또는 ‘법률 페르소나’는 특정 개인처럼 행동하도록 LLM을 개인화하는 연구다. 선임 파트너의 AI 분신을 만드는 것이 가능한지 탐색하지만, 현재 AI의 역할 연기는 고정관념과 과장된 인물상으로 쉽게 기운다. [16:22]
• 공격적인 협상가도 모든 상황에서 극단적으로 공격적인 것은 아니다. 협상 단계와 의뢰인의 목적에 따라 달라지는 개인의 성향을 재현하기 위해, 수치 기반 조절로 더 세밀하게 모델을 유도할 수 있는지 연구하고 있다. [17:13]

10. 복합 질환을 이해하려면 세포 전체의 상호작용을 다뤄야 한다

• 암 같은 복합 질환은 단일 유전자의 문제가 아니라 수백·수천 개의 유전적 요인과 후성유전적·환경적 요인이 비직관적으로 상호작용하는 문제다. 이를 다루려면 다요인적 복잡성 자체를 연구에 반영해야 한다. [18:37]
• 코버트 연구실의 전체 세포 모델은 모든 유전자 내용을 반영해 표현형을 예측한다. 세균의 성장·DNA 복제·분열을 시뮬레이션하며, 세포 하나의 한 세대 시뮬레이션에서 약 1GB의 데이터가 생성된다. [19:17]

11. 인공생명과 AI의 결합은 이전에 불가능했던 목표를 열 수 있다

• 전체 세포 시뮬레이션은 인공지능보다는 인공생명에 가까운 작업으로 구분된다. 한편 딥러닝은 현미경 이미지에서 세포를 자동으로 찾고 시간에 따라 추적해, 세포별 특성과 상호작용을 연구하는 데 활용되어 왔다. [20:14]
• Google X에서 초기 TPU와 AlphaGo 개발을 가까이 접한 경험은, 새로운 계산 기술이 어떤 대담한 인간의 목표를 가능하게 만드는지 묻는 계기가 됐다. 기존 과제를 조금 개선하는 수준을 넘어 이전에는 불가능했던 일을 구상해야 한다는 관점이다. [20:52]

12. 교육용 AI는 편의성과 실제 학습 효과를 구분해야 한다

• 코버트와 조교들은 직접 집필한 교과서와 수업 자료를 넣은 AI 학습 도우미를 만들었다. 그러나 그가 인용한 MIT 보고서에서는 유사한 도구 사용자에게 학습 성과 저하와 우울감·고립감·불안 증가가 나타났다. [22:20]
• 이 결과를 우려해 투표로 도구를 학생들에게 제공하지 않기로 결정했다. 교육용 AI의 판단 기준은 도구를 만들 수 있는지가 아니라, 학생에게 가능한 최선의 교육을 제공하는 데 실제로 도움이 되는지다. [23:05]

13. 인간의 번영은 AI 활용의 상위 목적이 된다

• 교황의 AI 관련 글과 바티칸 관계자와의 교류에서 제기된 ‘인간의 보호’는 기술 활용의 목적을 묻는 관점이다. 종교적·비종교적 전통이 AI를 어떻게 받아들이는지도 탐구할 가치가 있다. [23:34]
• 핵심 질문은 AI로 인간의 번영과 문명의 높은 이상을 어떻게 증진할 수 있는지다. 기술의 기능과 성능을 넘어 인간에게 어떤 삶을 가능하게 하는지 살펴야 한다. [24:22]

14. 생산성 도구가 늘어도 생각할 시간은 줄어들 수 있다

• 인용된 Nature 글은 과학자에게 더 많은 사고 시간이 필요하다고 지적한다. 이메일 같은 생산성 도구로 처리량은 늘었지만, 내용을 내면화하고 서로 충돌하는 증거를 조화시키는 시간은 오히려 줄어들 수 있다. [24:42]
• AI가 만들어야 할 여유는 과학자가 생각할 시간, 의사가 돌볼 시간, 학생이 탐색할 시간, 사람이 서로 연결될 시간으로 구체화된다. [25:33]

15. 미래를 겨냥한 연구는 현재의 계산 한계를 넘어 구상할 수 있다

• 연구와 도구를 설계할 때 현재 AI의 능력·한계와 향후 5년의 발전 가능성을 어떻게 함께 고려할지가 패널 토론의 첫 쟁점이다. [26:16]
• 코버트는 Google X에서 계산량과 메모리가 무한하다고 가정하고 현재의 용량에 얽매이지 말라는 조언을 받았다. 이는 기술적 제약 때문에 목표를 줄이던 태도에서 벗어나 더 큰 연구를 구상하게 한 사고방식의 전환이었다. [27:04]

16. 장기 예측의 불확실성 속에서는 인간 경험을 중심에 둔다

• 알지휴잇은 최근의 큰 도약과 그 원인에 대한 불완전한 이해를 근거로, 특히 5년 뒤의 LLM을 예측하는 일은 신뢰하기 어렵다고 본다. [28:15]
• 인간도 기술에 반응해 변하지만 LLM만큼 빠르게 변하지는 않는다. 따라서 교육과 연구에서 인간이 모델과 상호작용하는 경험을 중심에 두면, 향후 기술 변화와 관계없이 다룰 수 있는 비교적 안정적인 연구 대상을 확보할 수 있다. [29:03]

17. 법률 문서의 표준화만으로는 전문가의 직관을 설명하기 어렵다

• 법률 기술에서 법률 AI로 이어진 기존 접근은 계약서와 법률 문서의 품질을 판단할 표준과 지표를 붙이는 데 집중했다. [30:01]
• 법률 서비스의 사업 구조는 개인의 전문성과 직관에 크게 의존하지만, 변호사가 “보면 안다”고 판단하는 과정은 충분히 해명되지 않았다. 이러한 업무 문화와 기술의 작동 방식 사이에 간극이 존재한다. [30:25]

18. 소크라테스식 질문으로 변호사의 암묵지를 구체화한다

• 교육용 시뮬레이션과 ‘Socratic Mentor’는 전문가가 지식을 전수하는 과정을 참고해, 판단 이유를 반복해서 묻고 연구 문제를 세분화한다. 선임 변호사를 대상으로 한 실험에서도 이러한 질문 방식을 적용했다. [31:05]
• 모델이 발전할수록 변호사는 자신의 결정 이유와 업무 품질을 뒷받침하는 구체적인 경험을 더 깊이 설명해야 했다. 법률 AI의 연구 가능성은 업무 실행뿐 아니라 전문가가 자신의 판단 과정을 이해하도록 돕는 데에도 있다. [32:04]

19. 개인의 윤리적 판단과 관계자의 기대가 충돌할 수 있다

• AI 활용을 신중하게 결정하더라도 동료·고객·상사·공동체 구성원은 다른 기준을 가질 수 있다. 학생이 제한적인 에세이 교정을 적절하다고 여겨도 교수는 그 정도의 개입까지 부적절하다고 판단할 수 있다. [33:26]
• 종교 지도자의 업무에서도 사무 효율화를 위한 AI 사용과 신도가 기대하는 영적 영감·개인적 돌봄 사이에 차이가 생길 수 있다. 이러한 기대 불일치가 뒤늦게 드러나면 신앙에 심각한 영향을 줄 가능성이 있다. [34:17]

20. 추천서의 AI 활용 기준은 학생과의 관계와 품질이다

• 추천서 작성에서는 AI를 학생의 인턴십 같은 정보를 보관하고 확인하는 용도로 쓰되, 문장 작성은 직접 맡아 자신의 목소리와 학생과의 개인적 연결을 지키는 방식을 택한다. [35:55]
• 활용 목표를 시간 절약보다 추천서의 품질 향상에 두면, 학생을 얼마나 알고 있는지와 함께한 경험·관심·관계를 더 충실하게 전달하는지가 기준이 된다. [36:25]

21. 젊은 변호사의 AI 사용 불안에는 구체적인 실무 지침이 필요하다

• 젊은 변호사들은 허위 인용이 포함된 서면으로 부정적인 보도의 당사자가 될 위험을 두려워한다. 언급된 Sullivan & Cromwell 사례에서는 변호사 일곱 명이 해당 서면을 확인했는데도 문제가 걸러지지 않았다. [38:37]
• 법률 AI의 내부 사용은 리더십과 파트너에게서 가장 높고 젊은 변호사에게서 가장 낮다는 양상이 드러난다. 일부 파트너는 자신의 활용 방식을 문서화해 후배들이 책임 있게 도구를 사용하도록 안내한다. [39:21]

22. AI 사용의 전면적인 공개가 윤리적 협의의 출발점이 된다

• 튜링 테스트는 기계가 인간처럼 보이도록 속일 수 있는지를 오랫동안 지능의 기준으로 삼았다. 이러한 역사에서 기만이라는 윤리적 문제가 남아 있다는 비판이 제기된다. [40:58]
• AI를 어디에 어떻게 사용하는지 전면적으로 공개하면 다른 사람이 각자의 기준으로 판단하고 논의할 수 있다. AI로 작성한 추천서나 과제를 자신이 직접 작성한 것처럼 제시하면 이러한 판단 기회가 사라진다. [41:48]

23. 일괄 금지보다 분야별 허용 경계가 투명성을 높일 수 있다

• AI를 모든 용도에서 금지하면 사용 자체를 없애기보다 사용 사실을 숨길 유인이 생길 수 있다. 윤리적인 공개를 유도하려면 해당 분야가 무엇을 핵심 가치로 보는지 구분해야 한다. [44:36]
• 디지털 인문학과 계산 문학 연구에서는 글쓰기 자체가 사고 과정이자 인간의 창작물이므로, AI가 논문 본문을 작성하는 일은 문제가 된다. 반면 코딩 보조는 인문학 배경 연구자가 복잡한 계산 기법을 활용할 기회를 넓힌다. [45:28]

24. 연구자는 AI가 만든 결과의 설계와 핵심 선택을 설명해야 한다

• 법률 연구실의 AI 정책은 최신 기술의 사용을 장려하면서도 사용 이유와 방법을 요구한다. 핵심 기준은 연구자가 각 단계의 설계와 중요한 선택을 설명할 수 있는지다. [46:50]
• 정책 도입 전에는 코딩 도구로 결과물을 빠르게 만들어 제출했지만, 연구에 미치는 영향과 설계 선택의 이유를 물으면 설명이 무너지는 경우가 있었다. [47:29]

25. 학교 과제의 자동 해결과 새로운 연구 문제 사이에는 간극이 있다

• 숙제 사례가 많이 축적된 적분 같은 문제에서는 AI로 답을 얻기 쉽다. 그러나 과제를 모두 우회하면 졸업할 때 자신의 내부에 남은 역량이 없을 수 있다. [48:48]
• 실제로 새롭게 풀어야 하는 연구 문제는 AI에 요청한다고 바로 해결되지 않는다. 학교를 생각 없이 통과하는 데 유용했던 도구가 새로운 문제 앞에서는 훨씬 불안정해질 수 있다는 우려가 있다. [49:29]

26. AI로 절약한 시간은 결과 검증과 깊은 사고에 재투자한다

• AI는 짧은 시간에 방대한 결과물을 만들 수 있지만, 생산량이 품질을 보장하지는 않는다. 5분 만에 작성한 50쪽 보고서를 직원들에게 보내는 사례는 생성의 편리함과 읽는 사람에게 주는 가치가 다를 수 있음을 보여준다. [50:21]
• 연구실의 규칙으로, 시간을 90% 절약했다면 20%는 자신과 동료의 작업을 확인하고 재검증하는 데 돌려주도록 요구한다. 오류 가능성이 높으므로 외부로 내보내는 결과의 품질을 지켜야 한다. [51:08]

27. 사람 사이의 교류가 새로운 사고와 패러다임의 토대가 된다

• 절약한 시간의 또 다른 투자처는 깊은 문제를 고민하는 사람들과의 대화다. 뛰어난 개인의 재능뿐 아니라 호기심과 열의를 가진 사람들의 지속적인 사회적 교류가 사상의 혁신에 중요하다는 관점이 드러난다. [52:05]
• AI가 다른 사람에게 이익을 주고 새로운 연결을 만들며, 아직 상상하지 못한 패러다임을 가능하게 하기를 기대한다. 이는 도구로 확보한 여유를 새로운 사고와 공동 탐구로 연결할 때 가능한 전망이다. [53:29]

28. 스스로 해석하는 비판적 사고력을 지켜야 한다

• 핵심 역량은 자신의 생각·경험·아이디어를 바탕으로 대상을 직접 해석하는 능력이다. 이러한 비판적 사고는 특정 과제를 넘어 폭넓게 활용할 수 있다. [55:02]
• 챗봇과 대화하며 질문하는 과정에서도 해석 능력의 일부를 외부에 맡기게 된다. 이미 오랫동안 그 능력을 단련한 사람과 달리, 아직 역량을 기르지 못한 학생에게는 이러한 인지적 외주화가 위험할 수 있다. [55:30]

29. 판단력은 다양한 경험과 좋은 유추에서 자란다

• 법률 분야에서 중요한 과제는 판단력의 습득이지만, 그 의미가 명확하게 정의되지 않는 경우가 많다. 판단력을 기르는 한 방법은 실제 경험을 쌓아 참조할 수 있는 경험의 목록을 만드는 것이다. [55:56]
• 미국의 법학 교육에는 다양한 선행 경험을 가진 사람들이 모인다. 학교를 편법으로 빠르게 통과하기보다 개인적인 모험과 현실 경험을 쌓는 일이 좋은 유추와 참조를 만드는 토대가 된다. [56:37]

30. 과학적 안목은 무엇을 풀고 무엇을 남겨둘지 결정한다

• ‘과학적 안목’은 어떤 문제를 해결하고 어떤 문제는 다루지 않을지, 어디에 자신의 노력을 투입할지 판단하는 능력이다. AI 활용에 능숙하더라도 연구 방향의 선택은 중요한 과제로 남는다. [57:29]
• 과거에는 불가능하다고 여겼던 문제들이 해결되는 시대라는 낙관적 관점에서, 학생들도 해결 불가능해 보이는 문제에 도전하기를 기대한다. 이는 모든 난제가 해결된다는 보장보다 도전할 문제를 크게 선택하라는 권고다. [57:56]

31. 지적 용기와 분야를 연결하는 능력, 지속적인 학습이 필요하다

• 어려운 문제에 도전하려면 지적 용기와 충분한 지식이 필요하다. 두 분야를 이해하고 서로 대조하거나 결합하는 능력, 열의 있는 팀의 일원으로 협력하는 능력도 중요하다. [58:50]
• 구체적인 지식은 빠르게 바뀔 수 있다. 줄기세포에 관한 수업 내용이 불과 1년 사이에 틀린 것으로 바뀌었던 경험처럼, AI 시대에도 호기심을 유지하며 계속 배우고 시도하는 사고 습관이 중요하다. [59:19]

32. AI 활용의 경계는 학습자가 직접 역량을 기르는가에 달려 있다

• AI에 코딩 방법을 가르쳐 달라고 하는 것과 작업 자체를 수행하라고 하는 것은 다르다. 출발점은 효율적인 과제 수행과 지식 형성을 위한 도구 활용 사이의 경계를 어떻게 정하느냐는 문제다. [1:00:35]
• 운동의 목적이 자신의 건강과 근력을 기르는 데 있다면 로봇이 대신 역기를 드는 모습을 보는 것으로는 목적을 달성할 수 없다. 학습에서도 AI가 자신의 훈련을 대신하는 상황을 피할 활용법이 필요하다. [1:01:40]

33. 글을 대신 쓰게 하기보다 논증을 압박하는 상대로 활용한다

• Covert는 자신의 글쓰기 수준을 높이기 위해 Claude에 논문 작성을 도와달라고 요청하면서도, 문장은 직접 쓰고 자신의 목소리를 유지한다는 조건을 세웠다. [1:02:38]
• 직접 쓴 문단의 각 문장에 대해 놓친 인용 자료 세 가지, 논증을 가장 강하게 무너뜨릴 반론 세 가지, 다른 분야에서 가져올 유추 세 가지를 요구했다. 제안받은 논문은 신뢰를 전제하지 않고 직접 읽어 오류를 확인했다. [1:03:26]

34. 학습 목표 밖의 작업을 맡기면 탐구 범위를 넓힐 수 있다

• 비디오게임을 비판적으로 탐구하는 수업에서는 학생들이 서사와 게임플레이 원리에 따라 게임을 설계하고 직접 플레이하는 경험이 중요하다. 코딩을 가르치는 수업은 아니므로, 간단한 게임을 만드는 AI를 활용해 사려 깊은 창작 과정에 집중할 수 있다. [1:05:58]
• 가르치거나 평가하려는 대상이 아닌 기계적인 구현을 AI에 맡기면 핵심 학습 활동을 더 많이 수행할 수 있다. 다른 수업에서는 반대의 판단이 가능하며, 수업이나 연구에서 무엇을 이루려는지 명확해야 AI가 활동 범위를 확장할 수 있다. [1:06:39]

35. AI로 얻은 기초 지식은 후속 탐구와 협업으로 이어져야 한다

• YouTube와 Coursera가 교육 접근성을 넓혀 온 흐름을 AI가 더욱 가속한다는 관점이다. 중요한 것은 익숙하지 않은 기술을 처음 배우는 데서 멈추지 않고, 그다음 무엇을 하려는지 결정하는 호기심이다. [1:07:05]
• 당장 필요한 수리를 해결하는 데 사용할 수도 있고, 인접 분야의 기초를 배운 뒤 해당 분야에 더 능숙한 동료와 대화하는 계기로 삼을 수도 있다. AI 활용은 한 번의 답변으로 끝내기보다 기초 습득과 후속 활동이 연결되는 과정이 될 수 있다. [1:07:37]

36. 교육용 AI의 설계 과제는 학생의 직접적인 사고를 지키는 것이다

• 교육용 AI에 관한 후속 질문은 어떤 기능이나 설계 선택이 부정적 학습 결과에 기여했으며, 학생이 스스로 역기를 들듯 학습하도록 무엇을 바꿀 수 있느냐는 것이다. [1:08:27]
• 질문자가 수강하는 CS 수업에서는 학생이 선택한 AI에 AGENTS.md 파일을 넣어 학습에 가드레일을 적용하도록 허용한다. 이는 학생의 AI 사용 방식에 수업 차원의 지침을 부여하는 구체적인 사례다. [1:08:47]

37. AI의 향방이 불확실할수록 최전선의 연구와 수업에 참여한다

• Lycos, WebCrawler, Ask Jeeves 등 여러 검색 서비스가 공존하다 Google의 PageRank 등장 뒤 판도가 바뀐 사례를 바탕으로, 현재의 AI 변화도 앞으로 올 더 큰 격변의 전조일 수 있다는 전망이 나온다. [1:10:16]
• Stanford에서는 연구실에서 새로운 시도를 하는 사람들이 교실에서도 실험하고 있어, 학생들이 변화가 진행되는 현장에 참여할 기회를 얻는다. [1:10:31]

🧾 결론

• AI 활용의 가치는 처리량과 시간 절약뿐 아니라 연구의 품질, 인간의 판단력, 실제 학습 효과로 평가해야 한다.
• 분야와 과제의 핵심 목표를 먼저 정해야 어떤 작업을 AI에 맡길지 결정할 수 있다. 글쓰기 자체가 사고인 연구와 구현이 보조 수단인 수업은 허용 경계가 달라질 수 있다.
• 절약한 시간은 결과 검증, 깊은 사고, 동료와의 대화에 재투자할 수 있다. 무엇을 연구할지 선택하고 결과를 해석하는 능력은 계속 길러야 한다.

📈 투자·시사 포인트

• 법률 서비스의 수익 구조: 업무 시간이 줄어도 시간당 과금에 의존하면 매출과 효율이 충돌할 수 있다. 법률 AI의 사업성을 볼 때는 절감 시간과 함께 품질·가격·이익률의 관계를 살펴야 한다.
• 교육용 AI의 평가 기준: 접근성과 편의성만으로 도입 효과를 판단하기 어렵다. 학생의 독립적인 수행 능력과 학습 경험을 어떻게 확인하는지가 중요한 검토 항목이다.
• 전문가 판단을 지원하는 도구: 선호 평가, 실무 시뮬레이션, 판단 이유를 묻는 도구는 법률 AI 연구의 구체적인 탐색 영역이다. 전문가의 개입이 적다는 사실만으로 품질이 높다고 단정해서는 안 된다.
• 연구 도구의 도입 조건: 빠른 생성 능력과 함께 사용 공개, 결과 검증, 설계 설명을 지원하는지도 살펴볼 필요가 있다. 패널은 특정 기업이나 자산의 투자 수익을 뒷받침하는 근거를 제시하지 않는다.

⚠️ 불확실하거나 확인이 필요한 부분

• 문체 기반 분류의 약 43% 성공률과 문체 변환 후 주제 위치 이동은 소개된 연구 조건에서의 결과다. 이를 모든 글쓰기에서 의미가 같은 방식으로 바뀐다는 증거로 일반화하기 어렵다.
• 교육용 AI의 학습 저하와 정서적 문제는 패널이 인용한 MIT 보고서에 관한 설명이다. 보고서 원문, 연구 대상, 도구 설계, 비교 조건이 제공되지 않아 인과관계와 적용 범위는 확인이 필요하다.
• 선호 순위 평가의 우수성은 소개된 법률 연구 맥락에 해당한다. 평가자 구성, 업무 유형, 성과 지표와 다른 법률 업무에서의 재현 여부는 원문 확인이 필요하다.
• 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

• 연구나 수업의 핵심 목표를 적고, 직접 길러야 할 역량과 AI에 맡길 보조 작업을 구분한다.
• AI가 제안한 인용 자료와 핵심 주장을 원문으로 확인하고, 결과물의 설계·선택 이유를 자신의 말로 설명해 본다.
• 공동연구자·교수·고객과 AI 사용 범위를 협의하고, 사용 목적과 방식이 드러나도록 기록한다.
• 직접 쓴 문단에 대해 누락된 근거, 가장 강한 반론, 다른 분야의 유추를 요청한 뒤 타당성을 검토한다.

❓ 열린 질문

• 전문가의 선호와 직관에서 평가 기준을 추출하면, 상황에 따라 달라지는 법률 판단을 어디까지 모델 학습에 반영할 수 있을까?
• AI가 학습자의 사고를 대신하지 않으면서도 탐구 범위를 넓히도록 하려면 어떤 질문 방식과 설계가 필요할까?
• 자동화로 줄어드는 초급 실무 경험을 시뮬레이션이 어느 정도까지 보완할 수 있을까?