AI 도구를 적극 활용하며 배우는 게 나을까, 기본기를 먼저 쌓는 게 나을까?

📌 오늘의 안건
AI 도구를 적극 활용하며 배우는 게 나을까, 기본기를 먼저 쌓는 게 나을까?

업무나 공부에 AI 도구를 적극적으로 쓰면 결과를 더 빠르게 낼 수 있을 것 같지만, 너무 의존하면 스스로의 기본 실력이 부족해지는 건 아닐지 걱정됩니다.

AI를 적극 활용하면서 배우는 방식과, 속도가 느리더라도 기본기를 먼저 충분히 쌓는 방식 중 어느 쪽이 더 나을까요?

생산성, 학습 효과, 장기 실력, 의존성, 경쟁력을 기준으로 여러 관점에서 근거를 넓게 정리해 비교하고, 앞으로 6개월 안에 성과를 내야 하는 상황을 전제로 현실적인 결론을 내려주세요.

소크라테스입니다. 저는 답을 드리기보다 먼저 되묻겠습니다 — '기본기'와 '의존'이 정확히 무엇을 뜻하는지, 우리가 정말 알고 쓰는 말인지부터 따져보겠습니다.

정하윤입니다. 저는 느낌이 아니라 측정된 수치로 이야기합니다 — AI 활용이 생산성과 학습 정착에 실제로 어떤 숫자를 남겼는지 출처까지 확인해 가져오겠습니다.

서지원입니다. 저는 잘 풀릴 때가 아니라 무너질 때를 먼저 봅니다 — 이 선택이 최악으로 흘렀을 때 무엇이 남는지, 그리고 그 전에 켜질 경고등이 무엇인지 짚겠습니다.

강태오입니다. 저는 옳은 답보다 6개월 안에 실제로 굴러가는 답을 찾습니다 — 쓸 수 있는 시간과 비용부터 계산해 병목이 어디인지 짚겠습니다.

결론: 6개월 안에 성과가 필요하면 “AI 적극 활용 + 기본기 인출연습 병행”이 수치상 최선이다. AI를 금지하고 기본기만 쌓는 전략은 단기 산출에서 손해가 크다. 실험 연구에서 ChatGPT는 전문 글쓰기 과제 시간을 40% 단축하고 품질을 18% 향상시켰다: pubmed.ncbi.nlm.nih.gov[1] . GitHub Copilot 실험은 개발 과제 완료를 55.8% 빠르게 했다: microsoft.com[2] . BCG 컨설턴트 실험도 AI 사용자가 과제를 12.2% 더 많이, 25.1% 더 빠르게 끝냈지만, AI 한계 밖 과제에서는 정답 가능성이 19% 낮아졌다: doi.org[3] .

즉 생산성은 AI 쪽이 우세하나, 무검증 의존은 성능을 깎는다.

학습 효과는 “AI 사용 자체”보다 AI가 인출·검증·설명을 요구하느냐가 갈랐다. ChatGPT 교육 실험 메타분석은 학업 성과에 큰 효과를 보고했다, Hedges g=0.712, 95% CI 0.497~0.926: doi.org[1] . 그러나 장기 정착 근거는 약하고 혼재한다. 프로그래밍 RCT에서는 AI 사용자가 과제 점수는 높았지만 지식 증가·코드 이해는 증가하지 않았다: doi.org[2] . 또 한 RCT는 45일 뒤 보존 점수가 ChatGPT 학습군 57.5%, 전통 학습군 68.5%로 AI군이 낮았다: doi.org[3] . 반대로 기본기 형성법은 수치가 강하다.

간격 인출연습은 집중 반복보다 보존 효과 g=0.74: eric.ed.gov[1] , 실제 교실 연구에서도 분산학습 효과 d=0.54: doi.org[2] .

따라서 비교 판정은 이렇다: 생산성·6개월 성과·시장 경쟁력은 AI 활용 우세, 장기 실력·전이·의존성 통제는 기본기 훈련 우세다. 최종 선택지는 둘 중 하나가 아니라, 산출물 제작은 AI로 가속하고 핵심 개념·판단 기준·오류 검출은 매주 비AI 인출시험으로 측정하는 혼합 전략이다. AI 없이 기본기만 먼저 쌓는 방식은 6개월 성과 조건에서 기회비용이 크고, AI만 쓰는 방식은 장기 정착 수치가 불안정하다. 현실적 결론: AI를 주력 도구로 쓰되, 최소 30~40% 학습 시간은 AI 없이 회상·설명·문제풀이로 기본기를 측정해야 한다.

6개월 성과 전제로 AI 의존·기본기 축적 각각의 꼬리위험을 검증하기 위해 최근 근거부터 확인합니다.결론: 6개월 성과 전제라면 ‘순수 기본기 먼저’도 ‘무검증 AI 위임’도 모두 꼬리에서 진다. AI는 쓰되, 위임이 아니라 검증·설명·디버깅용으로 묶어 쓰는 쪽이 최악을 줄인다.

양 극단의 꼬리위험을 구분하면 이렇다. AI 적극 의존의 최악은 산출물이 빨라 보이는데도 이해·회상·비판적 사고가 동시에 무너지는 것이다. MIT Media Lab EEG 연구에서 LLM 사용 집단은 뇌 연결·언어·행동 지표에서 일관되게 저조했고, 소유감·인용 능력도 약했다. Microsoft·CMU 설문에서는 GenAI 신뢰가 높을수록 비판적 사고 노력 보고가 줄었다. Anthropic RCT에서는 AI 보조가 새 라이브러리 숙달을 약 17%p 낮췄고(거의 두 등급), 속도 이득은 통계적으로 유의하지 않았으며 디버깅 격차가 특히 컸다—산출 위임형 사용은 퀴즈 40%대, 개념·설명형 사용은 65%+였다. 기본기만 쌓는 쪽의 최악은 6개월 안에 ‘검증 가능한 결과물·납기·경쟁자 대비 산출량’에서 밀려, 시장·조직이 요구하는 속도 경쟁에서 탈락하는 기회비용이다. Anthropic도 “이미 익힌 기술에서는 AI가 생산성을 올릴 수 있고, 새 기술 습득에서는 방해할 수 있다”고 분리한다.

현실 운용 원칙은 하나다. 속도는 AI로, 판정·설명·재현은 사람이 소유한다.

• 산출물은 “왜 맞는지 / 어디서 깨지는지”를 스스로 재현·테스트할 수 있을 때만 납품한다.
• 조기경보: 방금 만든 산출물을 AI 없이 요약·디버그·인용하지 못함, 도구·정책 변경 시 작업이 멈춤, 에러를 고치지 못하고 재생성만 반복.
• 방어: AI에게 코드를 받기 전에 개념을 묻거나(개념 문의), 생성 후 설명을 강제하고(generation-then-comprehension), 주당 고정 비율로 AI 금지 연습 블록을 둔다.

6개월 안에 성과를 내야 한다면, 기본기만 쌓다 타이밍을 놓치는 위험보다 검증 근육이 죽은 채 ‘빠른 산출’만 쌓이는 위험이 더 치명적이다. 그래서 AI를 끄지 말고, 위임 모드를 끄고 써라.

먼저 되묻자 — 당신이 말하는 '기본기'는 무엇인가? 당신은 그것을 "AI 없이 혼자 해내는 능력"으로 정의하고 있다. 그런데 그 정의가 참이라면, 계산기 없이 회귀분석을 못 하는 통계학자, 디버거 없이 스택을 못 읽는 개발자, 혈액검사 없이 진단 못 하는 의사도 전부 기본기가 없는 셈이다. 우리는 그들을 그렇게 부르지 않는다. 즉 '기본기'의 실제 기준은 도구 없이 산출하는 능력이 아니라, 도구의 산출물이 틀렸을 때 그것을 알아채는 능력이다. 정의가 이렇게 바뀌는 순간 "AI 활용 vs 기본기"라는 대립 자체가 무너진다. 검증 능력은 AI를 끄고 길러야 하는 것이 아니라, AI가 틀리는 장면을 반복해서 목격해야 길러지기 때문이다.

두 번째 전제도 틀렸다 — "AI를 쓰면 빨라진다." METR의 무작위 대조 실험에서 숙련 개발자들은 AI 도구 허용 시 실제로 과제를 19% 느리게 끝냈다. 그런데 본인들은 끝난 뒤에도 "20% 빨라졌다"고 답했다(METR, 2025[1], arXiv:2507.09089[2]). 여기서 결정적인 것은 19%라는 숫자가 아니라 속도에 대한 자기 인식이 39%포인트나 빗나갔다는 사실이다(METR 자신도 2026년 현재는 격차가 줄었을 것이라 보며 실험 설계를 개정했다[3] — 즉 숫자는 유동적이고, 무너진 것은 '체감'의 신빙성이다). 당신의 걱정 "AI를 쓰면 빨라지지만 실력이 준다"는 두 절 모두 검증되지 않은 채였다.

그리고 진짜 위험은 실력 저하가 아니라 자기가 모른다는 사실을 모르게 되는 것이다. 지식노동자 319명 조사에서 AI에 대한 신뢰가 높을수록 비판적 사고는 줄었고, 반대로 자기 역량에 대한 자신감이 높은 사람일수록 AI 출력을 더 비판적으로 따졌다(Lee et al., CHI 2025[1], PDF[2]). 무지의 자각은 AI가 가장 먼저 앗아가는 것이다.

그렇다면 남는 질문은 "쓸 것인가"가 아니라 "언제 답을 보는가"이다. 터키 고교생 약 1,000명 실험이 이 지점을 정확히 갈랐다: 표준 GPT-4를 준 집단은 연습 중 성적이 48% 올랐지만 AI를 회수하자 아예 안 쓴 집단보다 17% 낮았다. 반면 답 대신 힌트만 주는 'GPT Tutor'를 쓴 집단은 그 손실이 사라졌다(Bastani et al., PNAS 2025[1], SSRN[2]). 해로운 변수는 'AI'가 아니라 스스로 답을 시도하기 전에 답을 본 것이었다.

결론은 단정적으로 이렇다 — 6개월 안에 성과를 내야 한다면 AI를 전면적으로 쓰되, 단 하나의 규칙을 지켜라: 프롬프트를 넣기 전에 30초든 3분이든 당신의 답을 먼저 적고, AI 결과와 대조하라. 그리고 위임 범위는 실력이 아니라 검증 가능성으로 그어라 — 당신이 틀린 것을 알아볼 수 있는 영역은 전부 위임하고, 알아볼 수 없는 영역은 직접 해라(그 영역이 바로 지금 당신에게 기본기가 없는 곳이다). 참고로 "기본기부터 6개월"은 실행 가능한 선택지도 아니다. 시장에서 아무도 당신에게 도구 없는 6개월을 주지 않는다.

출처

• METR, Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity[1] / arXiv:2507.09089[2] / 설계 개정 공지 (2026.2)[3]
• Lee et al., The Impact of Generative AI on Critical Thinking, CHI 2025[4]
• Bastani et al., Generative AI without guardrails can harm learning, PNAS 2025[5]

AI 도구를 즉시 도입하여 '성과 창출'과 '기본기 습득'을 동시에 처리하는 '생산 중 학습(Learning-in-Production)' 방식을 채택해야 합니다. 6개월이라는 극단적인 시간 제약 속에서 기본기를 먼저 쌓는 방식은 초기 수개월간 아웃풋이 전무한 '시간 병목'을 유발하여 목표 달성(MBO)을 불가능하게 만듭니다. 제약이론(TOC) 관점에서 AI는 지식 부족으로 시작조차 못 하는 초기 진입 장벽(Cold Start) 병목을 즉각 제거하고, 실행 가능한 아웃풋을 첫 주부터 만들어낼 수 있게 하는 유일한 수단입니다.

하버드 비즈니스 스쿨과 BCG의 공동 연구인 Navigating the Jagged Technological Frontier[1]에 따르면, AI를 활용한 작업자는 그렇지 않은 이들에 비해 태스크 완료 속도가 25.1% 빨랐고, 완료한 태스크 수는 12.2% 많았으며, 최종 아웃풋의 품질은 40% 이상 높았습니다.

• 자원/비용 계산: 6개월(24주)간 주당 15시간 투입, 도구 비용 월 $20(구독료) 수준으로 고정합니다.
• 최적 실행 순서: 'AI를 활용한 실전 결과물 초안 고속 생성'을 최우선으로 두고, 생성된 코드나 텍스트의 작동 원리를 역추적(Reverse Engineering)하며 부족한 이론을 메우는 방식으로 성과와 공부를 일원화합니다.

학습과 성과를 한 작업에서 동시에 뽑아내기 위해, 매주 작동하는 프로토타입(Working Prototype)을 최소 1개 이상 출시하는 스프린트 구조로 실행 설계를 고정합니다.

• 주차별 점검 기준: 매주 일요일 '실제 배포/완성되어 작동하는 결과물의 개수'와 'AI 활용을 통해 단축된 시간적 처리량(Throughput)'만으로 진척을 평가합니다.
• 6개월 로드맵: 1~8주는 AI 프롬프팅 중심의 빠른 빌드, 9~16주는 AI 출력물의 에러 디버깅을 통한 핵심 이론 강제 습득, 17~24주는 AI 한계 영역을 직접 보완하는 고도화 단계를 거쳐 실전 경쟁력을 완성합니다.

결론을 수정한다. 6개월 성과 전제에서는 “AI 적극 활용”이 맞지만, ‘위임형 AI 사용’이 아니라 ‘검증·힌트·인출형 AI 사용’이어야 한다. 내 초안의 방향은 유지하되, 다른 초안들이 지적한 체감 생산성 착시와 학습 보존 저하를 더 강하게 반영해야 한다.

다른 초안 비평

소크라테스 초안의 강점은 크다. “기본기 = 도구 없이 산출하는 능력”이 아니라 도구 산출물을 판정하는 능력이라는 재정의는 타당하다. 또한 METR 연구의 AI 사용 시 숙련 개발자가 19% 느려졌고, 본인은 20% 빨라졌다고 인식했다는 수치는 내 초안의 “AI는 생산성을 올린다”를 과도하게 일반화하지 못하게 한다. 다만 이 초안은 생산성 연구 전체를 뒤집기보다, AI 효과는 과제·숙련도·도구 적합성에 따라 이질적이라는 결론으로 흡수하는 것이 맞다. Copilot 55.8% 빠름, 글쓰기 40% 시간 단축, BCG 25.1% 빠름도 여전히 존재하기 때문이다.

서지원 초안은 꼬리위험을 잘 잡았다. 특히 “AI 의존의 최악은 이해·회상·비판적 사고 약화”라는 지적은 내 초안의 의존성 부분을 보강한다. 다만 MIT EEG, Anthropic RCT 등은 이 대화 안에서 구체 출처와 수치가 충분히 검증된 형태로 제시되지 않았으므로, 내 data 렌즈에서는 보조 근거로만 쓴다. 확실히 흡수할 부분은 “속도는 AI로, 판정·설명·재현은 사람이 소유한다”는 운영 원칙이다.

강태오 초안은 6개월이라는 제약을 가장 현실적으로 반영했다. “기본기 먼저”가 초기 산출 병목을 만든다는 지적은 맞다. BCG 수치도 내 초안과 일치한다: 12.2% 더 많은 과제, 25.1% 더 빠른 완료, 품질 개선. 그러나 “AI가 유일한 수단”이나 “매주 프로토타입 1개”는 근거 수치보다 강한 실행 처방이다. data 관점에서는 AI 도입은 우세하지만, 무조건 고속 산출 중심은 학습 손실 위험을 키운다고 정리한다.

보완된 판정

기준별로 보면:

• 생산성: AI 활용 우세. 글쓰기 40% 시간 단축, 품질 18% 향상, Copilot 55.8% 빠름, BCG 25.1% 빠름. 단, METR의 19% 느림 사례 때문에 “항상 빠르다”는 명제는 기각한다.
• 학습 효과: 조건부. ChatGPT 교육 메타분석은 Hedges g=0.712로 성과 효과가 크지만, AI 사용자가 지식 증가·코드 이해에서 이득이 없거나, 45일 뒤 보존 점수 57.5% vs 68.5%로 낮은 사례가 있다.
• 장기 실력: 기본기 훈련 우세. 간격 인출연습 g=0.74, 교실 분산학습 d=0.54는 장기 보존 쪽 근거가 더 직접적이다.
• 의존성: AI 위임형 사용은 열세. BCG의 AI 한계 밖 과제에서 정답 가능성 19% 하락, METR의 체감-실제 속도 괴리는 의존성 위험을 수치로 보여준다.
• 경쟁력: 혼합 전략 우세. AI를 안 쓰면 단기 처리량에서 밀리고, AI만 쓰면 검증 능력과 전이에서 손실이 난다.

최종 결론: 6개월 안에 성과를 내야 한다면 AI를 주력 도구로 써라. 단, 학습 시간의 최소 30~40%는 AI 없이 인출·설명·오류검출·재현 테스트에 고정해야 한다.

즉 선택지는 “AI 먼저”가 맞다. 그러나 더 정확히는 AI로 산출 속도를 확보하고, 비AI 인출연습으로 실력 소유권을 확보하는 전략이다. 기본기만 먼저 쌓는 방식은 6개월 성과 조건에서 생산성 손실이 크고, AI만 믿는 방식은 장기 보존·전이·판정 능력에서 수치상 위험하다.

비판 요약

소크라테스 — 핵심을 맞췄다. ‘기본기 = AI 없이 산출’은 잘못된 정의다. 진짜 기본기는 도구 산출이 틀렸을 때 알아채는 능력이다. METR의 19% 실제 둔화 vs 20% 체감 가속(인식 오차 ~39%p)은 내 초안의 ‘속도는 AI로’를 수정해야 할 만큼 강한 꼬리 신호다. Bastani의 답 제공 vs 힌트(Tutor) 분리는 ‘언제 답을 보는가’를 운영 변수로 고정시킨다. 다만 “대립이 무너진다”는 과하다. 검증 근육도 AI를 끄고 인출해야 측정된다. 정의 교정 ≠ 순수 AI 위임 허용.

정하윤 — 생산성·보존·인출의 수치 분리가 가장 균형 있다. BCG jagged frontier(한계 밖 −19%p), 45일 보존(AI 57.5% vs 전통 68.5%), 인출 g=0.74는 내 ‘검증 없이 빠른 산출’ 꼬리위험과 정합한다. 30~40% 비AI 인출 비중은 방어책으로 흡수한다. 약점은 평균 이득(40%/55.8%/25%)을 6개월 성과의 주축으로 두면, 무검증·환각·도구 정책 변경 같은 꼬리는 평균에 가려진다.

강태오 — Cold start·첫 주 아웃풋은 기본기-only의 기회비용 꼬리를 잘 짚는다. 그러나 주간 KPI를 ‘작동 개수·처리량’만으로 두면 검증 불가능한 산출이 쌓이는 실패 모드가 조기경보 없이 통과한다. HBS/BCG 품질 +40%는 평균이지 꼬리 보증이 아니다. Learning-in-Production은 채택하되, 판정 지표에 비AI 재현·오류 검출을 넣지 않으면 취약해진다.

---

입장 수정

초안의 “속도는 AI로”는 METR·인식 오차 때문에 철회한다.
수정 원칙: 가속은 조건부다. 익숙한 과제·검증 루프가 있을 때만. 새 영역·답 위임에서는 느려지거나 보존이 깨질 수 있다.
정하윤의 혼합·소크라테스의 ‘답 보는 시점’·강태오의 생산 중 학습을 흡수하되, 리스크 렌즈의 우선순위는 유지한다.

---

최종 결론 (6개월 성과 전제)

**순수 기본기 먼저도, 무검증 AI 위임도 꼬리에서 진다.
채택안은 ‘생산 중 학습 + 검증·인출 강제’다. AI는 켜되 위임 모드를 끈다.**

운용 규칙 (단정)

1. 답을 보기 전에 가설·스케치·실패 조건을 적는다. 생성 후엔 설명·재현·테스트 가능할 때만 납품(generation-then-comprehension / Tutor형).
2. 학습 시간의 30~40%는 AI 금지 인출·디버깅·인용(정하윤).
3. 주간 점검: 작동 산출물 수 그리고 AI 없이 설명·수정 가능한 비율. 후자가 전자를 따라가지 못하면 위임 모드로 판정하고 즉시 축소.
4. 이미 익힌 영역에서만 가속을 기대하고, 새 라이브러리·새 도메인은 개념 문의 → 소량 생성 → 강제 디버깅 순으로 묶는다(Anthropic 분리).

왜 이 쪽이 덜 치명적인가:
6개월 안에 ‘빠른 산출만’ 쌓이면 납품 직후·도구 변경·한계 밖 과제에서 한꺼번에 무너진다. 기본기만 쌓으면 그 전에 탈락한다. 평균 생산성 숫자는 참고일 뿐이고, 무너지는 쪽은 검증 근육이 죽은 산출 더미다.
따라서 AI를 끄지 말고, 위임을 끄고, 틀리는 장면을 반복 목격하며 인출로 측정하라.

다른 참가자들의 초안을 비평하고, 타당한 논거를 흡수하여 6개월 제약 조건에 맞춘 최적의 실행 설계를 제시합니다.

---

1. 다른 참가자 초안 비평 및 흡수

• 소크라테스 초안 비평: '기본기'를 '도구의 오류를 잡아내는 검증 능력'으로 재정의한 통찰은 탁월합니다. 다만, "언제 답을 볼 것인가"라는 질문만 던질 뿐, 6개월이라는 시간 제약 속에서 이를 어떻게 물리적 시간으로 배분할지에 대한 실행 방법론이 빠져 있습니다.
• 정하윤 초안 비평: AI의 단기 생산성 효과(시간 40% 단축 등)와 장기 파지율 저하(ChatGPT 학습군 57.5% vs 전통군 68.5%) 데이터를 기반으로 '30~40%의 비-AI 인출 시간 확보'라는 구체적 수치를 제시한 점이 매우 현실적입니다. 이 자원 배분율을 그대로 흡수합니다.
• 서지원 초안 비평: AI에게 아웃풋을 통째로 넘겼을 때 발생하는 꼬리위험(디버깅 불가, 에러 시 재생성만 반복하는 무한 루프)을 정확히 지적했습니다. "속도는 AI로, 판정·재현은 사람이 소유한다"는 원칙과 조기경보 지표를 실행 설계에 반영합니다.

---

2. 보완된 최종 실행 설계 (Feasibility 관점)

초기의 '고속 생성 후 사후 공부' 방식은 검증 근육이 죽은 채 쓰레기 아웃풋만 양산할 위험(꼬리위험)이 큽니다. 따라서 AI 고속 생산(67%)과 비-AI 검증/인출(33%)을 매주 강제 병행하는 '하이브리드 스프린트'로 입장을 수정하여 제안합니다.

[자원 및 비용 배분 (주 15시간 / 월 $20)]

• AI 생산 블록 (주 10시간): GPT-4, Copilot 등 월 $20 도구 활용. 템플릿 코드, 문서 초안, 프로토타입의 뼈대를 고속으로 생성합니다.
• 비-AI 검증 블록 (주 5시간): AI를 완전히 끄고, 생성된 아웃풋의 핵심 로직을 스스로 역추적하여 설명(Generation-then-comprehension)하거나 디버깅하는 인출 연습을 수행합니다.

---

3. 주차별 점검 기준 및 조기경보

• 진척도 평가: 매주 일요일 다음 두 가지만 측정합니다.
• 생산량: 실제 작동하는 프로토타입/산출물 1개 이상 배포 완료 여부.
• 검증 통과: "AI 없이 이 결과물의 에러를 스스로 디버깅하고 핵심 로직을 5분 내로 설명할 수 있는가?" (Pass/Fail)
• 조기경보 (🚨 Red Flag):
• 에러 발생 시 코드를 수정하지 못하고 AI에게 '재생성(Regenerate)'만 반복해서 요청하고 있다면 즉시 작업을 멈추고 비-AI 검증 시간을 2시간 늘려야 합니다.

---

4. 6개월(24주) 로드맵

• 1~8주 (AI 빌드 및 힌트 학습 단계): AI로 프로토타입을 빠르게 뽑아내되, 모르는 개념은 정답 대신 힌트만 요구(GPT Tutor 방식)하여 초기 진입 장벽을 넘습니다.
• 9~16주 (수동 디버깅 강제 단계): 생성된 코드와 텍스트의 에러를 AI 없이 직접 고치는 비중을 늘려, 도구 오작동 시의 대응력을 훈련합니다.
• 17~24주 (인간 아키텍처 소유 단계): 전체 아키텍처와 최종 판정은 사람이 직접 설계하고, AI는 단순 반복 코딩 및 텍스트 채우기 용도로만 격하시켜 실전 경쟁력을 완성합니다.

세 초안에 되묻는다 — 당신들은 '기본기'를 정의했는가?

정하윤은 정의했다: "AI 없이 회상·설명·문제풀이로 측정되는 것." 서지원도 정의했다: "재현·디버깅·설명을 스스로 소유하는 것." 강태오만 정의하지 않았다. 그리고 정의하지 않은 대가로, 그의 로드맵에서 기본기는 '빠른 빌드를 하다 보면 9~16주쯤 저절로 붙는 것'이 된다. 정의되지 않은 것은 측정되지 않고, 측정되지 않은 것은 붙었는지 아무도 모른다. 6개월 뒤 "붙지 않았다"는 사실을 확인할 방법조차 그 계획엔 없다.

강태오에게 구체적으로. 당신이 인용한 BCG 연구의 "품질 40% 향상"은 정하윤이 인용한 "AI 한계 밖 과제에서 정답 가능성 19% 하락"과 같은 논문이다(Dell'Acqua et al.[1]). 당신은 그 논문의 절반을 인용해, 나머지 절반이 정확히 경고하는 조건 — 지식이 없는 사람이 한계를 모른 채 프롬프팅으로 밀어붙이는 1~8주 — 을 설계했다. 게다가 "9~16주에 디버깅으로 이론을 강제 습득한다"는 순서는 뒤집혀 있다. 서지원이 전한 대로 디버깅 격차가 AI 학습군에서 가장 크게 벌어지는 지점이다. 읽지 못하는 코드는 디버깅할 수 없다. 미래의 디버깅에 학습을 외주 주는 것은, 학습을 계획한 게 아니라 연기한 것이다.

서지원에게. 당신의 MIT EEG 근거는 가장 약한 카드다. 동료심사 전 프리프린트에 표본은 수십 명대이고, 저자들 스스로 "AI가 뇌를 망친다"는 식의 독해를 경계했다. 무엇보다 신경 연결성 저하는 능력 저하와 같지 않다 — 위임한 과제에 뇌가 덜 관여하는 것은 도구의 실패가 아니라 도구의 정의다. 그 카드를 빼라. 당신의 진짜 근거는 따로 있다: 같은 AI를 써도 산출 위임형은 40%대, 개념·설명형은 65%+ 라는 사용 방식 간 대비다. 이것은 AI 대 비AI 비교가 아니라 AI 내부의 갈림길이고, 뒤에서 말할 터키 실험과 정확히 같은 기전이다. 그 하나가 당신 초안 전체를 지탱한다.

정하윤에게. 당신의 수치 배열이 가장 성실하다. 다만 "Copilot 55.8% 빠름"과 "METR 19% 느림"은 상쇄되는 모순이 아니라 조절변수다. 전자는 합성 과제·비숙련 조건, 후자는 자기가 수년간 유지해온 저장소의 실제 이슈다. 결론은 이것이다 — AI는 당신이 약하고 과제가 일반적인 곳에서 빨라지고, 당신이 강하고 맥락이 깊은 곳에서 느려진다. (이 지점에서 내 초안도 정정한다. "AI를 쓰면 빨라진다"를 통째로 부정한 것은 과했다. 무너진 것은 속도 자체가 아니라 속도에 대한 자기 인식이다 — METR 참가자들은 39%p 빗나갔다.) 반면 "학습 시간의 30~40%는 AI 없이"는 흡수하지 않겠다. 그 비율의 근거가 없고, 무엇보다 내가 해체한 이분법을 다시 들여온다. Bastani 실험에서 해로운 변수는 AI의 존재가 아니라 스스로 시도하기 전에 답을 본 것이었다(표준 GPT군은 AI 회수 후 17% 낮았고, 힌트만 주는 튜터군은 손실이 사라졌다).

분리된 30% 블록보다, 모든 AI 작업 안에 심긴 3분 선(先)시도가 인출 밀도가 높다.

흡수한 것 — 내 초안의 두 구멍

내 규칙은 "검증 가능한 영역은 위임하라"였다. 순환논법이었다. 검증할 수 있는지를 어떻게 아는가? 서지원이 답을 줬다: 방금 만든 것을 AI 없이 요약·디버그·인용해보라. 못 하면 그 영역은 위임 대상이 아니다. 그리고 정하윤이 두 번째 구멍을 메웠다 — 즉시 대조만으로는 정착이 안 된다(45일 뒤 보존 57.5% vs 68.5%). 간격 인출이 필요하다(g=0.74, d=0.54).

결론

AI를 전면적으로 써라. 기본기 6개월 선행은 선택지가 아니다. 단, 세 층으로 묶어라.

1. 작업마다 — 프롬프트 전 3분, 당신의 답을 먼저 적고 AI 결과와 대조한다. (인출 + 즉시 피드백)
2. 주마다 — 그 주에 납품한 것 중 하나를 무작위로 골라 AI 없이 재현·설명·디버그한다. 강태오의 주간 스프린트 구조는 그대로 쓰되 지표를 바꾼다: 산출물 개수와 처리량은 METR이 사람이 가장 크게 오판한다고 보여준 바로 그 지표다. 주간 지표는 비AI 재현 성공 여부 하나다.
3. 경계를 움직여라 — 재현에 실패한 영역은 다음 주 직접 하는 영역으로 옮기고, 성공한 영역은 위임으로 옮긴다. 위임선은 고정된 규칙이 아니라 매주 측정으로 갱신되는 좌표다.

서지원의 "위임 모드를 끄라"에는 절반만 동의한다. 경계를 한 번도 넘지 않으면 자기 무지의 위치를 영원히 모른다. 넘어라. 다만 매주 걸리도록 설계해두고 넘어라. 소크라테스가 남긴 원칙은 하나뿐이다 — 모른다는 사실을 아는 것. AI 시대에 그것은 신념이 아니라 주간 테스트 일정의 형태로만 유지된다.

출처

• METR (2025)[1] / arXiv:2507.09089[2] / 설계 개정 (2026.2)[3]
• Bastani et al., PNAS 2025[4]
• Lee et al., CHI 2025[5]
• Dell'Acqua et al., Organization Science[6] — 정하윤·강태오 공통 인용
• 간격 인출 g=0.74[7], 분산학습 d=0.54[8] — 정하윤 제시

최종 수정안:

결론: 6개월 안에 성과를 내야 한다면 “AI 적극 활용 + 강제 검증형 기본기 훈련”이 최선이다.
단순히 “AI를 많이 써라”가 아니라, AI가 만든 결과를 외부 기준으로 채점하고, 핵심 능력은 AI 없이 재현하게 만드는 방식이어야 한다. 초심자일수록 이 조건이 더 중요하다.

근거상 AI 활용은 단기 생산성에서 우세하다. 이 대화에서 제시된 수치만 보면 글쓰기 40% 시간 단축, 품질 18% 향상, Copilot 과제 55.8% 빠른 완료, BCG 실험 12.2% 더 많은 과제 수행, 25.1% 빠른 완료가 있다. 따라서 6개월 성과 압박이 있으면 “기본기만 먼저”는 처리량 손실이 크다.

하지만 AI의 생산성 효과는 일관되지 않다. METR 사례처럼 숙련 개발자가 AI 사용 시 실제로는 19% 느려졌지만, 본인은 20% 빨라졌다고 인식한 결과가 제시됐다. 이 수치는 핵심이다. AI는 실제 성과를 높일 수도 있지만, 성과 착시를 만들 수도 있다. 그러므로 자기 체감 속도는 지표로 쓰면 안 된다.

학습 효과도 양면적이다. ChatGPT 교육 메타분석의 Hedges g=0.712는 AI 보조 학습의 성과 효과를 지지한다. 반면 45일 뒤 보존 점수 57.5% vs 68.5% 사례는 AI 의존 사용이 장기 기억에 불리할 수 있음을 보여준다. 간격 인출연습 g=0.74, 교실 분산학습 d=0.54는 장기 실력 형성에는 여전히 비AI 인출·반복 훈련이 강한 근거를 가진다는 쪽이다.

따라서 최종 전략은 비율보다 측정 장치가 핵심이다.

• AI는 산출 속도 확보용으로 쓴다.
• 기본기는 AI 없이 설명, 재현, 오류 탐지, 변형 문제 해결로 측정한다.
• 초심자는 AI 답변을 직접 판정하지 말고, 외부 정답지·테스트·리뷰·채점 기준을 붙인다.
• 마감 압박이 있어도 주 1회 이상은 AI 없이 재현 테스트를 고정한다.
• 성과 평가는 “빨리 한 느낌”이 아니라 완료 시간, 오류율, 재작업률, 보존 점수, 전이 과제 점수로 한다.

특히 초심자나 낯선 영역에서는 “검증형 AI 사용”이라는 말만으로 충분하지 않다. 판정할 지식이 없으면 AI가 틀려도 승인할 수 있기 때문이다. 이 경우에는 AI + 외부 채점 기준 + 사람 리뷰가 최소 조건이다. 외부 검증이 없으면 AI 적극 활용은 생산성 도구가 아니라 오답 증폭 장치가 될 수 있다.

현실 결론은 이렇다.
6개월 성과 조건에서는 AI를 먼저 써야 한다. 그러나 AI가 최종 판단자가 되면 안 된다. 최종 판단자는 테스트, 채점 기준, 리뷰, 재현 가능성 같은 측정 장치여야 한다. 기본기만 먼저 쌓는 전략은 단기 경쟁력에서 밀리고, AI만 쓰는 전략은 장기 보존·전이·판정 능력에서 위험하다.

출처 링크는 이 라운드 자료 안에 제공되지 않았으므로 새로 만들지 않는다. 위 수치는 모두 앞선 라운드에서 제시된 근거로만 사용한다.

최종 수정안 (리스크 렌즈)

핵심 판정

순수 기본기 선행도, 무검증 AI 위임도 꼬리에서 진다.
채택안은 「생산 중 학습 + 검증·인출 강제 + 외부 측정」이다. AI는 켜되 위임 모드를 끈다.
다만 초안·중간안의 ‘검증 먼저’는 초심자·낯선 영역에서 순환 전제가 되므로, 아래처럼 단계·측정·외부 제약을 고정한다.

---

1. 정의 교정 (소크라테스 수용)

기본기 ≠ “AI 없이 처음부터 산출”.
진짜 기본기는 도구 산출이 틀렸을 때 알아채고, AI 없이 재현·수정할 수 있는 능력이다.
검증 근육도 AI를 끄고 인출해야 측정된다. 정의 교정 ≠ 순수 위임 허용.

2. 가속은 조건부 (METR로 ‘속도=AI’ 철회)

METR: 실제 19% 둔화 vs 체감 20% 가속(인식 오차 ~39%p).
→ 익숙한 과제 + 검증 루프가 있을 때만 가속을 기대한다.
새 영역·답 위임에서는 느려지거나 보존이 깨질 수 있다(Bastani: 답 제공 vs Tutor 힌트 분리; 회수 후 −17%p 등).

3. 평균 이득은 참고, 꼬리가 설계 기준 (정하윤·BCG)

• BCG jagged frontier: 한계 밖 −19%p
• 45일 보존: AI 57.5% vs 전통 68.5%
• 인출 효과 g≈0.74

평균 생산성(+40%/+55.8%/+25% 등)을 6개월 KPI의 주축으로 두면 무검증·환각·도구 변경 꼬리가 가려진다. 거부한다.

4. Cold start 꼬리 (강태오 흡수, 지표 교정)

기본기-only는 수주째 외부 전달물 0 → 납기·타이밍 탈락.
Learning-in-Production은 채택하되, 주간 KPI를 ‘작동 개수’만으로 두면 검증 불가능한 산출이 조기경보 없이 통과한다.
반드시 ‘AI 없이 설명·수정 가능 비율’을 같이 본다.

---

5. 중간 점검 약점 → 설계 수정 (이번 라운드 핵심)

통제 불가 변수 (하나라도 어긋나면 설계 축소/중단)

1. 소속 AI 사용·보안·반출 정책 위반 여부
2. 도구 가격·성능·정책 변경 시 대체 경로(비AI 재현) 존재 여부
3. ‘6개월 성과’가 인정받는 산출물 정의(데모·문서·테스트 통과·리뷰 승인 등)

---

6. 운용 규칙 (단정)

1. 답을 보기 전 가설·스케치·실패 조건을 적는다. 생성 후 설명·재현·테스트 가능할 때만 납품 (generation-then-comprehension / Tutor형).
2. 학습 시간의 30~40%는 AI 금지 인출·디버깅·인용 — 단, 주간 외부 측정으로만 충족 판정(자기보고 무효).
3. 주간 점검: 작동 산출물 수 그리고 AI 없이 설명·수정 가능 비율. 후자가 전자를 못 따라가면 위임 모드로 판정하고 즉시 축소.
4. 익힌 영역만 가속 기대. 새 라이브러리·새 도메인은 개념 문의 → 소량 생성 → 강제 디버깅(Anthropic식 분리).
5. 한계 밖 과제 오답률·비AI 퀴즈 점수 하락이 보이면 BCG −19%p형 경계 침범으로 보고 AI 비중을 낮춘다.

---

7. 전략별 꼬리·조기경보

왜 이 쪽이 덜 치명적인가:
빠른 산출만 쌓이면 납품 직후·도구 변경·한계 밖에서 한꺼번에 무너진다. 기본기만 쌓으면 그 전에 탈락한다. 무너지는 쪽은 검증 근육이 죽은 산출 더미다.
따라서 AI를 끄지 말고, 위임을 끄고, 틀리는 장면을 반복 목격하며 외부 측정으로 인출하라.

---

한 줄 결론

6개월 성과 전제: AI 켜고 위임 끄기 + 힌트/검증 우선 + 비AI 인출 30~40%를 외부 게이트로 강제. 초심자·낯선 영역은 ‘스스로 승인’을 금지하고 재현·테스트·리뷰만으로 통과시킨다.

1. 다른 참가자 초안 비평 및 흡수

• 정하윤(흡수): ChatGPT 학습군의 장기 파지율 저하(ChatGPT 57.5% vs 전통군 68.5%) 데이터에 기반한 '33% 비-AI 인출 시간(주 5시간)' 자원 배분을 실행 뼈대로 삼습니다.
• 서지원(흡수): 에러 발생 시 AI 재생성만 반복하는 무한 루프(꼬리위험)를 방어하기 위해 "속도는 AI로 내되, 판정과 재현은 사람이 소유한다"는 원칙을 적용합니다.
• 소크라테스(비평): 검증 능력의 중요성은 타당하나 구체적 시간 배분과 측정 도구가 없어 즉시 기각하고, 아래의 객관적 장치로 대체합니다.

---

2. 보완된 최종 실행 설계 (Feasibility & 약점 극복)

초심자의 '환각 승인(틀린 걸 모른 채 승인)'과 마감 압박 시 '자기규율 붕괴(비-AI 시간 포기)'를 차단하기 위해 인간의 의지에 의존하지 않는 기계적 통제 장치를 추가한 설계입니다.

[자원 및 비용 배분 (주 15시간 / 월 $20)]

• AI 생산 (주 10시간): GPT-4o/Claude 3.5 Sonnet 활용. 프롬프트 템플릿 기반 뼈대 코드 및 문서 고속 생성.
• 비-AI 검증 & 재현 (주 5시간): 생성된 아웃풋의 핵심 로직을 AI 없이 백지 상태에서 직접 타이핑하여 실행하는 '재현 테스트(Replication Test)' 강제.

[약점 극복을 위한 3대 외부 통제 장치]

1. 환각 방지 (기계적 판정): 사람이 눈으로 검증하지 않고, 자동화 린터(Linter)와 단위 테스트(Test Suite)의 'Pass/Fail' 기계적 지표로만 작동 여부를 판정합니다.
2. 자기규율 강제 (패널티 룰): 주간 '재현 테스트' 실패 시, 다음 주차 AI 사용 시간을 5시간 박탈하고 강제 수동 학습으로 전환합니다.
3. 통제 불가 변수 차단: 1주차에 조직 내 AI 보안 가이드라인(데이터 외부 유출 금지 규칙)을 확인하여 도구를 확정하고, '6개월 성과'를 '주간 활성 사용자(WAU) 10명 서비스 배포'와 같이 외부 측정 가능한 정량 지표로 못 박습니다.

---

3. 주차별 점검 기준 및 조기경보

• 주간 진척도 평가 (매주 일요일)
• 생산량: 배포된 프로토타입/산출물 1개 이상 빌드 성공 (Github Actions 통과 여부로만 판정)
• 재현력: "AI가 짠 코드의 핵심 로직 1개를 AI 없이 5분 내로 직접 작성하고 구동할 수 있는가?" (Pass/Fail)
• 🚨 Red Flag (조기경보): 에러 발생 시 코드를 읽지 않고 'Regenerate' 버튼을 2회 이상 연속 클릭하는 즉시 작업을 중단하고 수동 디버깅 모드로 강제 전환합니다.

---

4. 6개월(24주) 실행 로드맵

• 1~8주 (기계적 판정 및 힌트 단계): AI로 프로토타입을 뽑되, 에러는 AI 번역기가 아닌 컴파일러/린터 에러 메시지 원문을 직접 읽고 고칩니다. GPT에게는 정답 대신 힌트(Q&A)만 요청합니다.
• 9~16주 (수동 디버깅 및 재현 단계): 주 5시간의 비-AI 블록에서 AI 산출물 중 핵심 모듈 1개를 완전히 삭제한 후, 수동으로 재작성하여 작동시키는 재현 훈련을 매주 실시합니다.
• 17~24주 (인간 아키텍처 및 외부 검증 단계): 시스템 아키텍처 설계와 API 명세는 인간이 작성하고, AI는 단순 코딩 및 텍스트 채우기(Copilot)로만 제한합니다. 최종 성과 지표(WAU 10명) 도달 여부로 전체 설계를 평가합니다.

최종 수정안 — 순환논법을 인정하고, 그 대가로 '채점자'를 밖으로 내보낸다

1. "판정할 지식이 이미 있어야 한다"는 순환 — 인정한다. 단, 이것은 내 설계만의 문제가 아니다

중간 점검의 지적이 옳다. 내 3분 선(先)시도는 "쓸 답이 하나라도 있는 사람"을 전제했다. 완전한 초심자에겐 빈 종이만 남는다.

그러나 되묻겠다. '기본기 먼저' 쪽은 이 순환에서 자유로운가? 낯선 영역에서 무엇이 기본기인지 어떻게 아는가? 교재 선택, 학습 순서, "이 정도면 됐다"는 판단 — 전부 그 영역을 이미 아는 사람의 판단이다. 순환은 AI 활용안의 결함이 아니라 모든 학습의 출발 조건이다. 차이는 하나뿐이다. 어느 쪽이 틀렸다는 사실을 더 빨리 통보받는가.

그래서 설계를 바꾼다. 판정(judgment)을 요구하지 마라. 반증(falsification)만 요구하라. 초심자는 정답인지 모른다. 하지만 다음은 지식 없이도 할 수 있다:

• 돌려본다. 실행되지 않는 코드, 재현되지 않는 수치, 존재하지 않는 링크는 지식 없이도 걸린다.
• 두 번 독립 생성해 차이만 본다. 같은 질문을 새 세션에서 다시 던져 두 산출물이 갈라지는 지점 — 그곳이 모델이 흔들리는 곳이고, 정확히 당신이 모르는 곳이다. 초심자가 쓸 수 있는 유일한 자기보고 없는 불확실성 탐지기다.
• 답 대신 절차를 요구한다. "정답을 줘"가 아니라 "네 답이 맞는지 내가 확인할 방법을 줘." Bastani 실험에서 손실이 사라진 조건이 바로 힌트형이었다(PNAS 2025[1]).
• AI에게 자기 답을 공격시킨다. "이 산출물의 오류 세 가지를 찾아라"는 초심자도 던질 수 있다.

무지의 자각은 성찰로 얻어지지 않는다. 걸려야 얻어진다. 그러니 걸릴 장치를 지식보다 먼저 설치하라.

2. 자기보고는 지표에서 완전히 추방한다

중간 점검의 두 번째 지적이 가장 아프다. 그리고 이미 데이터가 있다 — METR 참가자들은 자기 속도를 39%p 빗나갔다(METR 2025[1]). 숙련 개발자조차 자기 체감이 이만큼 틀린다면, 학습 진척도 체감은 논할 가치가 없다.

따라서 세 가지를 금지·강제한다.

• 금지: "이해했다", "감이 왔다", "이제 혼자 할 수 있을 것 같다" — 전부 지표가 아니다. 기록하지 마라.
• 강제: 주간 지표는 밖에서 채점되는 것 하나뿐이다. 기계(테스트 통과·재현 성공·실행 여부), 사람(코드리뷰·설명 듣고 되물어줄 동료 1명), 또는 산출물 수령자의 수용 여부.
• 의식(ritual)을 없애라. 마감이 오면 별도 훈련 블록은 가장 먼저 버려진다 — 그러니 별도 블록을 만들지 마라. 주간 재현 테스트를 납품물 자체에 포함시켜라. 이번 주 납품한 것 중 하나를 AI 없이 재구성해 동료에게 5분 설명하는 일정을 상대방 캘린더에 잡아둬라. 빠지면 남이 알아차리는 구조여야만 마감 압박에서 살아남는다. 혼자만 아는 규율은 규율이 아니라 희망이다.

3. 당신이 검토하지 않은 세 전제 — 이걸 먼저 확인하라

질문은 "AI냐 기본기냐"를 물었다. 그 이분법은 세 가지를 이미 안다고 가정한다. 첫 주에 확인하라.

• 조직 정책. 사내 코드·고객 데이터를 외부 모델에 넣어도 되는가. 이 하나가 어긋나면 6개월치 학습 설계가 아니라 경력이 무효가 된다. AI를 쓰기 전에 확인하라. 예외 없다.
• 도구. 가격·성능·약관은 6개월 안에 바뀐다. 그러니 특정 도구 사용법에 숙련되지 마라. 위 반증 절차(돌려보기·교차 생성·절차 요구)는 어떤 모델로 갈아타도 그대로 옮겨진다.
• '성과'의 정의. 당신의 6개월을 채점할 사람에게 직접 물어라 — 산출량인가, 재현 가능한 시스템인가, 문제를 혼자 끝까지 끌고 가는 능력인가. 답에 따라 위임선의 위치가 달라진다. 모르는 채로 6개월을 설계하는 것이 이 질문에서 가장 큰 리스크다.

4. 최종 결론

AI를 전면적으로 써라. '기본기 6개월 선행'은 선택지가 아니다. 근거는 조절변수다 — AI는 당신이 약하고 과제가 일반적인 곳에서 빨라지고(Copilot 55.8%), 당신이 강하고 맥락이 깊은 곳에서 느려진다(METR −19%). 6개월 신규 성과의 대부분은 전자에 있다.

단, 네 층으로 묶는다.

위임선은 규칙이 아니라 매주 갱신되는 좌표다. 재현 실패 영역 → 다음 주 직접 하는 영역. 재현 성공 영역 → 위임. 산출물 개수와 처리량은 지표에서 뺀다. METR이 사람이 가장 크게 오판한다고 보여준 바로 그 지표다.

그리고 하나 덧붙인다. 경계를 한 번도 넘지 않으면 자기 무지의 위치를 영원히 모른다. 넘어라. 다만 매주 남에게 걸리도록 설계해두고 넘어라. 내가 남긴 원칙은 하나뿐이다 — 모른다는 사실을 아는 것. AI 시대에 그것은 성찰이 아니라 타인이 채점하는 주간 일정의 형태로만 유지된다.

출처

• METR (2025)[3] / arXiv:2507.09089[4] / 설계 개정(2026.2)[5]
• Bastani et al., PNAS 2025[6] — 표준 GPT군 −17%, 힌트형 튜터군 손실 소멸
• Dell'Acqua et al., Organization Science[7] — 한계 안 +40%, 한계 밖 −19% (같은 논문)
• Lee et al., CHI 2025[8] — AI 신뢰↑ ↔ 비판적 검토↓
• 간격 인출 g=0.74[1], 분산학습 d=0.54[2] — 정하윤 제시
• 사용 방식 대비(산출 위임형 40%대 vs 개념·설명형 65%+) — 서지원 제시.

MIT EEG 근거는 프리프린트·소표본이며 신경 연결성 저하≠능력 저하이므로 여전히 채택하지 않는다.