회의가 20분 뒤다.
팀장이 공유한 산업 보고서는 80페이지가 넘는다. 처음 보는 용어도 많다. 예전 같으면 첫 장부터 읽다가 회의 시간이 되었을 것이다.
AI를 쓰면 준비 방식이 달라진다.
파일을 AI에 넣고 묻는다.
“핵심만 정리해줘.”
몇 초 뒤 구조가 생긴다.
시장 규모, 경쟁사, 성장 요인, 위험 요소까지 깔끔하게 정리된다. 이해가 안 되는 용어를 하나 더 묻는다. 그것도 금방 해결된다.
회의에 들어가기 직전에는 꽤 안심된다.
이 정도면 안다고 느낀다.
그런데 회의에서 팀장이 묻는다.
“그래서 이 시장이 왜 지금 커진다는 거예요?”
방금 읽었던 문장이 머릿속 어딘가에 있다.
분명 본 내용이다.
화면을 보면 알아볼 수 있을 것 같다.
하지만 자기 말로 설명하려고 하자 문장이 나오지 않는다.
이 장면은 이상하지 않다.
AI가 있어서 생긴 완전히 새로운 현상도 아니다.
답지를 읽고 “이제 알겠다”고 생각했다가 비슷한 문제에서 다시 막히는 일, 형광펜을 잔뜩 칠한 책을 덮고 나면 무엇을 읽었는지 설명하기 어려운 일은 오래전부터 있었다.
AI가 바꾼 것은 이 착각이 생기는 속도다.
예전에는 답지를 펴고 읽어야 했다.
지금은 내가 막히는 순간 바로 가장 이해하기 좋은 형태의 설명이 나온다.
‘알아본다’와 ‘꺼낸다’는 다르다
화면에 “시장 성장의 세 가지 원인”이 적혀 있다고 해보자.
읽으면 모두 이해된다.
첫째는 규제 변화, 둘째는 비용 하락, 셋째는 신규 수요 증가.
문장을 보면서는 어렵지 않다.
하지만 화면을 닫고 “왜 이 시장이 성장하죠?”라는 질문을 받으면 이야기가 달라진다.
내 머릿속에서 구조를 다시 만들어야 한다.
어떤 항목이 있었는지 떠올리고,
각 항목의 의미를 연결하고,
상대방이 알아들을 수 있는 문장으로 만들어야 한다.
이것은 단순히 읽는 것과 다른 작업이다.
학습 연구에서 인출 연습, 즉 배운 것을 기억에서 직접 꺼내보는 활동이 중요하게 다뤄지는 이유도 여기에 있다. 테스트와 재학습을 비교한 연구들을 종합한 메타분석에서는 정보를 직접 인출하는 활동이 이후 기억 유지에 이점을 보였다.6
여기서 바로 “시험을 많이 봐야 한다”고 결론 내릴 필요는 없다.
우리에게 필요한 메시지는 더 간단하다.
공부의 어느 시점에는 화면을 닫고 자기 머리에서 꺼내는 행동이 필요하다.
그 과정이 빠지면 나는 “설명을 이해한 상태”와 “내가 설명할 수 있는 상태”를 구별하기 어렵다.
나쁜 설명은 우리를 멈추게 한다.
“무슨 말인지 모르겠다.”
좋은 설명은 우리를 앞으로 보낸다.
“아, 이제 알겠다.”
이 반응 자체는 정상이다.
문제는 ‘이해했다’는 느낌이 공부 종료 버튼으로 쓰일 때다.
AI는 설명을 점점 더 잘한다.
같은 내용을 초등학생 수준, 대학생 수준, 실무자 수준으로 바꿔달라고 할 수 있다. 예시를 세 개 달라고 할 수 있고, 표로 정리해달라고 할 수 있고, 내가 틀린 이유를 설명해달라고 할 수도 있다.
설명이 매끄러울수록 내가 이미 알고 있다는 느낌도 강해진다.
그러나 내 머릿속에 실제 구조가 생겼는지 확인하려면 설명을 읽는 것만으로는 부족하다.
화면을 한 번 가려보면 금방 드러난다.
요약은 시작점이지 종료점이 아니다
AI 시대에 가장 흔한 공부 행동 중 하나가 요약이다.
보고서를 넣고 요약한다.
책 한 장을 요약한다.
회의 자료를 요약한다.
영상 내용을 정리한다.
요약은 분명 강력한 도구다.
긴 자료에서 무엇이 중요한지 빠르게 파악하게 한다.
업무에서 특히 유용하다.
요약 결과를 저장한 순간 내 학습까지 저장되었다고 느끼기 쉽다.
요약본은 외부에 있다.
내가 필요할 때 다시 읽을 수 있는 좋은 자료다.
그 자체로 충분한 경우도 많다.
앞으로 다시 설명할 일도 없고, 판단할 일도 없는 정보라면 그렇게 끝내도 된다.
하지만 내일 회의에서 설명해야 한다면 이야기가 달라진다.
시험에서 꺼내야 한다면 달라진다.
나중에 비슷한 상황을 혼자 판단해야 한다면 더 달라진다.
그때는 요약을 입력 자료로 써야 한다.
종료 자료로 쓰면 안 된다.
반드시 그럴 필요는 없다.
처음 보는 분야라면 AI의 설명부터 듣는 편이 효율적일 수 있다.
전체 지도를 잡아주는 설명이 없으면 어디서부터 시작할지도 모를 수 있다.
이 책은 모든 학습에서 반드시 “AI 없이 먼저 10분 고민하라”는 규칙을 만들지 않는다.
직장인에게 그런 규칙은 오래 가지 않는다.
대신 한 가지 구분을 둔다.
AI가 설명하는 시간과, 내가 설명하는 시간을 둘 다 만든다.
순서는 상황에 따라 달라질 수 있다.
하지만 둘 중 하나만 있고 끝나서는 안 된다.
지금 바로 60초만 해보자
최근 AI에게 배운 주제 하나를 고른다.
거창한 주제를 고를 필요는 없다.
- 새로 알게 된 업무 용어
- 읽은 보고서의 핵심 주장
- 자격증 개념
- Excel 기능
- 뉴스에서 알게 된 경제 개념
이제 AI와 자료를 닫는다.
그리고 60초 동안 설명한다.
말로 해도 되고 메모장에 적어도 된다.
질문은 하나면 충분하다.
“이걸 처음 듣는 동료에게 설명한다면 뭐라고 말할까?”
중간에 막혀도 검색하지 않는다.
틀린 답이 나와도 괜찮다.
60초에 특별한 과학적 의미가 있는 것도 아니다.
30초도 되고 2분도 된다.
60초를 사용하는 이유는 실용적이다.
짧아서 바로 해볼 수 있고, “대충 아는 상태”를 드러내기에는 충분히 불편하다.
이 실습에서 원하는 것은 점수가 아니다.
AI가 열려 있을 때의 나와, 닫혀 있을 때의 나 사이의 간격이다.
설명이 잘 됐다면 좋다.
그 주제는 어느 정도 내 쪽으로 넘어왔다.
설명이 잘 안 됐다면 그것도 유용하다.
“나는 공부를 못했다”는 뜻이 아니다.
어디가 아직 외부에 남아 있는지 발견했다는 뜻이다.
가령 재무제표를 설명하다가 이렇게 막혔다고 하자.
“손익계산서는 이익을 보여주고… 현금흐름표는… 회사에 현금이 얼마나 있는지 보여주는 건가?”
이제 다음 질문은 “재무제표를 다시 설명해줘”가 아니다.
이제 질문 범위를 더 좁힐 수 있다.
“현금흐름표가 특정 시점의 현금 잔액을 보여주는 표인지, 일정 기간 현금의 변화를 보여주는 표인지 헷갈린다.”
질문의 범위가 훨씬 작아졌다.
AI에게 빌려야 할 도움의 범위도 작아진다.
우리는 앞으로 이런 식으로 공부한다.
모든 설명을 다시 받지 않는다.
막힌 위치를 드러내고, 필요한 만큼만 빌린다.
학습성과가 좋아져도 메타인지가 자동으로 생기는 것은 아니다
생성형 AI를 이용한 학습 연구들을 종합한 2025년 메타분석에서는 전체 학습성과에서 긍정적인 결과가 보고됐다. 학업성취, 언어, 고차 사고 등 여러 영역에서 효과가 나타났다. 그러나 메타인지에서는 통계적으로 유의한 개선 효과가 확인되지 않았다.1
이 결과를 과장해서 읽으면 안 된다.
“AI가 메타인지를 망친다”는 연구가 아니다.
우리에게 필요한 부분은 이것이다.
AI가 좋은 설명과 연습을 제공한다고 해도,
내가 무엇을 알고 무엇을 모르는지를 스스로 확인하는 과정까지 자동으로 해결되는 것은 아니다.
우리가 확인할 것은 그 간격이다.
오늘 무엇을 읽었는가가 아니라,
오늘 무엇을 혼자 설명할 수 있게 되었는가를 본다.
AI 대화에는 좋은 답변이 많이 남는다.
하지만 학습 관점에서 더 중요한 기록은 의외로 이런 것이다.
“영업이익과 현금흐름의 연결을 설명하지 못함.”
“XLOOKUP의 첫 번째 인수에서 막힘.”
“보고서의 결론은 기억하지만 근거 숫자 두 개를 못 꺼냄.”
이런 기록은 보기 좋지 않다.
하지만 다음 공부를 정확하게 만든다.
대화창에 정리된 완벽한 답변보다 내가 막힌 위치가 학습 경로를 더 잘 알려줄 때가 많다.
이 책에서는 그 위치를 계속 기록할 것이다.
그리고 도움의 깊이가 어떻게 변하는지를 본다.
전체 설명이 필요했던 상태에서,
첫 단계만 필요해지고,
나중에는 한 줄 힌트만 필요해지고,
마지막에는 혼자 할 수 있게 되는지 본다.
같은 자료를 두 번 본 사람의 차이
같은 40페이지 보고서를 읽은 두 사람이 있다고 하자.
첫 번째 사람은 AI에게 요약을 요청한 뒤 요약문을 세 번 읽었다. 문장은 익숙하다. 페이지를 다시 열면 대부분 알아볼 수 있다. 그는 “이 보고서는 거의 봤다”고 느낀다.
두 번째 사람은 한 번 요약을 본 뒤 화면을 닫았다. 그리고 메모장에 세 줄을 적었다.
이 시장이 커지는 이유는 무엇인가.
보고서가 제시한 근거 숫자는 무엇인가.
내가 아직 설명하지 못하는 부분은 무엇인가.
처음에는 두 번째 사람이 더 느려 보인다. 요약을 세 번 읽는 쪽이 훨씬 많은 내용을 접하기 때문이다.
그런데 다음 날 상황이 바뀐다.
첫 번째 사람은 “어디서 본 내용인데”라는 느낌이 강하다. 두 번째 사람은 내용이 적더라도 자기가 만들어본 문장이 남아 있다. 회의에서 질문을 받으면 그 세 줄을 중심으로 답을 시작할 수 있다.
이 차이는 지식을 많이 저장했느냐의 차이가 아니다.
입력에 익숙해진 것과 출력을 한 번 만들어본 것의 차이다.
AI 시대에는 입력이 지나치게 쉬워졌다. 한 주제에 대해 서로 다른 설명을 열 개 받아볼 수도 있다. 그래서 “얼마나 많이 봤는가”는 공부량을 과장하기 쉽다.
반대로 출력은 여전히 불편하다.
자기 말로 설명하려면 빈칸이 드러난다. 숫자를 떠올리려 하면 기억이 끊긴다. 예시를 만들려 하면 개념의 경계가 흔들린다.
그 불편함 때문에 우리는 출력을 뒤로 미룬다. 그러나 바로 그 순간에 학습 상태가 가장 잘 보인다.
알아보는 데는 성공했지만 설명에는 실패하는 경우
이를테면 ‘매출총이익’과 ‘영업이익’을 AI에게 여러 번 설명받았다고 하자. 다음 설명을 읽으면 어렵지 않다.
매출총이익은 매출액에서 매출원가를 뺀 금액이고, 영업이익은 여기에서 판매비와 관리비까지 뺀 금액이다.
문장을 보고 있으면 명확하다.
그런데 화면을 닫고 “왜 두 이익을 굳이 나눠서 보죠?”라고 물으면 막힐 수 있다.
정의는 알아보지만 구분의 이유를 자기 말로 꺼내지 못하는 것이다.
이때 필요한 것은 정의를 세 번 더 읽는 일이 아닐 가능성이 크다.
“매출총이익은 상품 자체의 수익성을 보고, 영업이익은 영업조직과 관리비까지 포함한 사업 운영 결과를 보려는 것 아닌가?”
처럼 한 번 자기 설명을 만들어보는 편이 다음 빈칸을 더 빨리 드러낸다.
이 책에서 계속 “먼저 내 답을 남기라”고 하는 이유가 여기에 있다.
완성도 높은 답을 만들라는 뜻이 아니다.
AI의 답을 읽기 전후에 내 생각이 어디까지 있었는지 흔적을 남기라는 뜻이다.
1장 실습 — 내 첫 번째 간격 기록
최근 AI와 공부한 주제:
________________________________________
AI를 닫고 설명했을 때 잘 나온 부분:
________________________________________
막힌 부분:
________________________________________
지금 필요한 도움은 무엇인가?
- 전체 설명
- 첫 단계
- 한 줄 힌트
- 다시 한 번 혼자 시도
마지막으로 한 문장만 적는다.
“내가 이해하지 못한 것은 주제 전체가 아니라 __________이다.”
이 한 줄이 다음 공부의 시작점이다.
