English

AI 시대 공부법, 아직도 외워야 할까요?

한눈에 보기
  • 다 외울 필요는 없어요. 다만 그 분야의 바탕 개념과 용어는 머리에 있어야 해요.
  • 같은 야구 글도 야구를 아는 학생이 더 잘 기억했어요. 읽기 실력이 높든 낮든 마찬가지였어요.
  • 메타분석에서 공부 전에 많이 알던 사람이 공부 뒤에도 많이 알았어요(상관 .53).
  • 다만 많이 알던 사람이 평균적으로 더 많이 늘지는 않았어요(상관 −.06).
  • 찾으면 되는 건 AI에 맡기고, 읽고 판단할 때 쓰는 핵심은 덮고 떠올려 머리에 둬요.

AI 시대에도 외우는 공부는 필요해요. 모든 걸 외울 필요는 없지만, 그 분야의 바탕 개념과 용어는 머리에 있어야 AI의 답을 읽고 이해하고, 틀린 곳을 알아챌 수 있어요. 연구가 보여 주는 건 "많이 알면 무조건 빨리 배운다"가 아니라 "머릿속 지식이 같은 글에서 무엇을 이해하고 남길지를 바꾼다"는 쪽이에요.

AI가 다 아는데, 왜 아직 외워야 하나요?

AI가 아는 것과 내가 아는 것은 하는 일이 달라서예요. AI의 답은 내가 읽고 이해해야 쓸모가 생기고, 읽고 이해하는 일은 머릿속 지식으로 해요.

이걸 잘 보여 주는 오래된 실험이 있어요. Recht와 Leslie(1988)는 중학생 64명을 읽기 실력(높음, 낮음)과 야구 지식(많음, 적음)으로 나눠 네 모둠을 만들었어요. 모두 야구 경기 반 이닝을 적은 글을 읽고, 인형을 움직여 경기를 재현하고, 말로 다시 이야기했어요. 그리고 중간에 다른 과제를 한 뒤 요약하고, 문장을 중요한 순서로 골랐어요.

결과는 모든 측정에서 같았어요. 야구를 아는 학생이 더 잘 기억하고 더 잘 요약했어요. 그리고 이 효과는 읽기 실력과 엮이지 않았어요. 읽기 실력이 낮은 학생도 야구를 알면 도움을 받았다는 뜻이에요.

같은 글을 읽어도 남는 양은 읽기 실력뿐 아니라 그 분야를 얼마나 아는지에도 달려 있어요.

AI의 답도 글이에요. 그 분야를 모르면 같은 답을 읽어도 덜 이해하고 덜 남아요. 물어보면 된다는 말은 답을 받는 데까지만 맞아요.

아는 게 많으면 새로운 것도 더 빨리 배우나요?

꼭 그렇지는 않아요. 공부 전에 많이 알던 사람이 공부 뒤에도 많이 알았지만, 평균적으로 더 많이 늘지는 않았어요.

Simonsmeier와 동료들(2022)은 효과 크기 8,776개를 모은 메타분석을 했어요. 공부 전 지식과 공부 뒤 지식의 상관은 .534로 높았어요. 많이 알던 사람이 끝나고도 많이 안다는 뜻이에요. 그런데 공부 전 지식과 '얼마나 늘었는지'의 상관은 −.059로 거의 0이었어요. 연구마다 결과가 크게 달라서, 새 연구의 결과가 들어갈 범위가 −.688에서 .621까지 걸쳤어요.

아는 양과 새로 느는 양의 관계는 연구마다 크게 갈렸어요

-0.8-0.400.40.8상관(r)새로느는 양새로 느는 양 · -0.688~0.621-0.688~0.621평균 −.059
공부 전 지식과 정규화한 학습 증가량 사이의 상관(r). 막대는 95% 예측 구간으로, 새 연구 하나의 결과가 들어갈 것으로 보는 범위예요. 평균은 −.059였어요.출처: Simonsmeier 외 (2022), 초록
표로 보기
부터까지
새로 느는 양-0.6880.621

저자들은 이 결과가 "아는 것이 힘"이라는 말도, "앞선 지식은 상관없다"는 말도 일반 원칙으로는 틀렸다는 뜻이라고 썼어요. 그리고 앞선 지식이 어떤 조건에서 도움이 되고, 방해가 되고, 별 차이가 없는지 연구해야 한다고 했어요.

앞선 지식이 많을수록 더 많이 배운 경우를 보인 연구도 있어요. Witherby와 Carpenter(2022)는 학생들에게 미식축구와 요리 지식을 시험한 뒤, 두 분야의 새 정보를 질문과 피드백으로 배우게 했어요. 모두에게 새로운 정보가 되도록 일부러 사실이 아닌 내용을 썼어요. 세 실험에서 한 분야를 많이 아는 학생일수록 그 분야의 새 정보를 더 많이 배웠고, 다른 분야에서는 그렇지 않았어요. 다만 이 연구는 학생이 원래 가진 지식을 잰 것이지, 지식을 나눠 준 실험은 아니에요. 세 번째 실험에서는 학생들이 문항마다 얼마나 궁금한지 직접 매겼는데, 그 호기심이 둘 사이를 이어 줬어요. 아는 분야라서 더 궁금해했고, 궁금한 만큼 더 배웠어요.

반대로 지식을 무작위로 나눠 준 실험에서, Buchin과 Mulligan(2025)은 사람들을 무작위로 나눠 3일 동안 두 학문 분야 중 하나를 훈련시킨 뒤 새 내용을 배우게 했어요. 이번에는 훈련으로 만든 지식이 새로 배우는 양을 바꾸지 않았어요.

그러니 "외워 두면 다음 공부가 빨라진다"는 약속은 할 수 없어요. 확실한 건 지식이 쌓인다는 쪽이에요. 오늘 아는 것이 공부를 마친 뒤 아는 것의 바탕이 돼요.

전문가는 무엇을 다르게 기억하나요?

전문가는 자기 분야에서 잠깐 본 것을 더 많이 기억하고, 자료를 섞어 버려도 그 이점이 조금 남았어요. 저자들은 이를 전문가가 그 분야의 작은 덩어리(청크)를 머릿속에 많이 갖고 있다는 신호로 봤어요.

Sala와 Gobet(2017)은 체스 판의 말을 아무렇게나 섞거나 프로그램 줄을 뒤섞은 '무작위 자료'로 전문가와 초보를 비교한 연구 45편(실험 55개, 1,401명)을 모았어요. 55개 중 49개에서 전문가가 더 많이 기억했어요. 이 가운데 상관을 계산할 자료가 있는 연구 24편(903명)에서 전문성과 기억의 상관은 전체 .41이었고, 출판 편향을 보정하면 .29였어요. 분야별로는 음악이 가장 컸는데, 저자들은 음악 자료가 덜 무작위였기 때문으로 봤어요.

섞어 놓은 자료에서도 전문가가 더 많이 기억했어요

00.250.50.751전문성과 기억의 상관 · 음악 · 0.690.69음악전문성과 기억의 상관 · 게임 (체스 등) · 0.420.42게임(체스 등)전문성과 기억의 상관 · 프로그래밍 · 0.360.36프로그래밍전문성과 기억의 상관 · 스포츠 · 0.30.3스포츠전문성과 기억의 상관 · 기타 · 0.240.24기타전체 .41
그 분야의 말이나 음표, 코드 줄을 무작위로 섞어 보여 준 뒤 떠올린 양과 전문성의 상관(r). 보여 준 시간은 게임 판과 음표는 몇 초, 프로그램은 몇 분이었어요. 스포츠와 기타 분야는 통계적으로 의미 있지 않았어요. 전체는 .41(연구 24편), 출판 편향 보정 뒤 .29예요.출처: Sala & Gobet (2017), Results의 Moderator analyses
표로 보기
전문성과 기억의 상관
음악0.69
게임 (체스 등)0.42
프로그래밍0.36
스포츠0.3
기타0.24

뜻이 살아 있는 실제 자료라면 차이는 더 커요. 저자들은 실제 판이나 실제 악보에서의 효과 크기가 무작위 자료보다 40~50% 크다고 적었어요.

머릿속 덩어리가 많으면 한 번에 담을 수 있는 양이 늘어요. AI의 긴 답을 읽을 때도 아는 용어와 개념은 덩어리로 넘어가고, 주의는 새로운 부분에 쓸 수 있어요. 이 마지막 문장은 연구가 직접 잰 것이 아니라 우리가 이어 본 해석이에요.

AI가 틀릴 때 알아챌 수 있나요?

내용을 모르면 알아채기 어려워요. AI가 약한 문제에서는 AI를 쓴 사람들이 오히려 더 자주 틀렸어요.

Dell'Acqua와 동료들(2026)은 컨설팅 회사 BCG와 함께 지식 노동자 758명을 무작위로 나눠, GPT-4 없이 또는 GPT-4를 쓰며 실제와 비슷하게 만든 컨설팅 과제를 풀게 했어요. AI가 잘하는 18개 과제에서는 AI를 쓴 사람이 과제를 12.2% 더 많이, 25.1% 더 빨리 끝냈고 결과물의 질도 높았어요. 그런데 AI가 약하도록 고른 복잡한 과제 하나에서는 AI를 쓴 사람이 정답을 낼 가능성이 19% 낮았어요.

AI가 잘하는 일에서는 AI가 사람을 끌어올렸지만, AI가 약한 일에서는 AI를 쓴 사람이 정답을 낼 가능성이 19% 낮았어요.

이 연구는 사람들이 무엇을 알았는지를 따로 재지 않았어요. 다만 AI의 답이 언제 틀렸는지 알려면 그 답과 맞대 볼 무언가가 머리에 있어야 해요. 확인하려고 다시 AI에게 묻는 건 같은 답을 한 번 더 받는 일일 수 있어요.

그럼 무엇을 외우고, 무엇을 찾아 쓸까요?

찾았을 때 맞기만 하면 되는 것은 맡기고, 생각할 때 쓰는 것은 머리에 둬요. 기기에 맡긴 것은 덜 기억한다는 연구는 디지털 치매 글에 정리해 두었어요. 맡기는 것 자체는 손해가 아니에요. 무엇을 맡기느냐가 중요해요.

아래 표는 연구가 정한 기준이 아니라, 위 연구들을 바탕으로 우리가 쓰는 구분이에요.

종류예어디에 둘까
자주 바뀌거나 한 번 쓰고 말 세부함수 이름, 버전, 날짜, 수치표찾아 쓰기, 저장
그 분야의 핵심 용어와 개념경제학의 기회비용, 통계의 표준편차머리(덮고 떠올리기)
개념 사이의 관계왜 그런지, 무엇과 다른지, 언제 틀리는지머리(내 말로 설명하기)

기준은 하나예요. 그 지식이 없으면 AI의 답을 읽고도 맞는지 판단할 수 없는가. 그렇다면 외울 쪽이에요.

오늘 바로 해볼 수 있는 방법

오늘 AI에게 물은 것 하나를 골라 창을 닫고 떠올려 보세요. Aloom 없이 종이 한 장으로 할 수 있어요.

  1. 오늘 AI에게 물은 질문 하나를 고르고, 답이 적힌 창을 닫아요.
  2. 그 답의 핵심을 세 문장으로 떠올려 적어요. 막힌 용어가 있으면 따로 적어 둬요.
  3. 창을 다시 열어 비교하고, 빠뜨린 것을 고쳐 적어요.
  4. 막혔던 용어만 내일과 사흘 뒤에 다시 덮고 떠올려요. 간격을 두는 이유는 장기기억 글에 있어요.

다음에 AI에게 물을 때는 먼저 내 답을 한 줄 적고 나서 물어보세요. 내가 아는 것과 AI의 답이 어디서 다른지가 바로 보여요.

Aloom에서는

이 글의 결론은 다 외우지 말고, 생각할 때 쓸 핵심만 골라 머리에 두라는 거예요. Aloom에서는 그 고르는 일이 출발점이에요. AI한테 묻고 남길 답만 고르면 그 답이 이미 아는 것과 이어지고, 하루에 1·3·5개 중 고른 만큼을 답을 보기 전에 질문으로 먼저 떠올려요. 떠올릴수록 노드의 잉크가 진해져요. 찾으면 되는 답은 남기지 않아도 돼요. Aloom 둘러보기

자주 묻는 질문

AI 시대에는 암기 공부가 필요 없나요?

필요해요. 다만 무엇을 외우는지가 달라져요. 자주 바뀌는 세부는 찾아 쓰고, 그 분야의 핵심 개념과 용어는 머리에 둬야 AI의 답을 이해하고 판단할 수 있어요.

많이 외우면 공부가 빨라지나요?

연구 결과가 엇갈려요. 메타분석에서 아는 양과 새로 느는 양의 상관은 평균 −.059로 거의 0이었고, 연구마다 크게 달랐어요. 한 분야를 많이 아는 학생일수록 그 분야의 새 정보를 더 배운 실험도 있고, 훈련으로 만든 지식이 새로 배우는 양을 바꾸지 않은 실험도 있어요. 확실한 건 공부 전에 많이 알던 사람이 공부 뒤에도 많이 안다는 쪽이에요.

암기식 공부는 나쁜 공부인가요?

외우는 방법에 따라 달라요. 여러 번 다시 읽거나 베껴 쓰는 반복은 오래 남기 어렵고, 덮고 떠올리기와 간격을 둔 복습은 오래 남아요. 외우는 것과 이해하는 것은 서로를 돕는 관계예요.

참고 자료