핵심 요약
첫째, 독일의 마지막 학년 IT 도제 673명을 대상으로 한 무작위 현장 실험에서, ChatGPT 접근권은 정규 직업교육과정 안의 과제 점수를 44%p, 교육과정 밖의 두 과제 점수를 각각 26%p와 31%p 높였다. 여기서 생산성은 최대 배점 중 획득한 점수의 비율이다. 취업률이나 임금이 그만큼 높아졌다는 뜻이 아니다. 연구는 이미 숙련된 업무의 효율뿐 아니라 수행 가능한 과제의 확장을 구분하여 측정했다.
둘째, 과제 직후 AI 없이 답하도록 한 이해도 문항에서는 전체 표본의 정답 비율이 각각 6.7%p, 9.7%p, 4.4%p 높아졌다. 즉각적인 이해 저하가 관찰되지는 않았다. 그러나 장기 기억, 새로운 상황으로의 전이, 이후 독립 수행을 검증한 것은 아니다. 일부 참가자는 이해도 검사에서도 AI를 사용했고, 이를 제외한 분석에서도 결과는 유지됐다.
셋째, AI 활용 리터러시가 높은 도제에게서 성과 증가가 대체로 더 컸지만, 기존 학력에 따른 차이는 일관되지 않았다. 이 결과는 AI 사용을 효과적으로 배우는 일이 중요할 수 있음을 시사한다. 다만 리터러시는 처치 후 자기보고로 측정했고 교육을 무작위 제공한 것이 아니므로, 리터러시 수업이 생산성을 높인다는 인과적 증거는 아니다. 본 자료는 2026년 공개된 워킹페이퍼이며 동료심사 학술지 게재 논문으로 확인된 자료가 아니다.
배경 및 이론적 맥락
AI의 노동시장 효과를 업무 대체만으로 보면 초년생에게 열리는 새로운 수행 기회를 놓칠 수 있다. 연구는 중간 숙련 인력이 AI와 함께 이전에는 자신의 훈련 범위 밖에 있던 과제에 접근할 수 있는가를 묻는다. 같은 과제를 더 잘하는 것은 과제 심화이고, 정규 훈련 범위 밖의 과제를 더 성공적으로 수행하는 것은 과제 확장이다. 두 효과는 함께 나타날 수 있지만 동일하지 않다.
독일의 이원화 직업교육은 기업의 훈련과 직업학교 교육을 결합하며, 전국적으로 표준화된 자격과 교육과정이 있다. 연구는 응용개발과 시스템통합이라는 두 IT 직종의 마지막 학년 도제를 대상으로 한다. 이들은 정규 자격을 취득하여 노동시장에 진입하기 직전의 인력이다. 교육과정과 시험의 범위가 분명하므로, 그 범위 안팎의 과제를 구분하기에 유리하다. 그렇다고 이들이 한국의 모든 신규 대졸자나 학습 경험이 전혀 없는 초보자를 대표하는 것은 아니다.
연구에서 요구 숙련 수준과 과제 난이도는 구분된다. 교육과정 밖의 과제라고 해서 반드시 정답률이 더 낮은 것은 아니다. 시스템통합의 교육과정 밖 하이브리드 클라우드 과제는 대조군이 교육과정 안의 서브넷 과제보다 높은 점수를 얻었다. 따라서 ‘AI는 어려운 일일수록 더 잘한다’ 또는 ‘고급 업무는 모두 더 어렵다’라는 일반화보다, 각 과제의 기존 지식 요구와 도구의 지원 가능성을 함께 보아야 한다.
연구 방법론
연구진은 2025년 10월부터 2026년 1월까지 독일 6개 주, 12개 직업학교에서 23회 실험을 진행했다. 분석 표본은 673명이며 평균 나이는 약 23.5세, 여성 비율은 9%, 응용개발 전공은 30%, 시스템통합 전공은 70%이다. 학교 안에서 참가자별로 카드를 뽑아 처치군과 대조군을 무작위 배정했고, 서로 다른 교실에서 과제를 수행하게 했다. 연구는 AEA RCT Registry에 사전등록됐다.
모든 참가자는 먼저 AI 없이 10분짜리 기초 과제를 수행했다. 이후 처치군은 개인 ChatGPT Pro 계정과 인터넷 접근권을 받았고, 대조군은 원칙적으로 인터넷 없이 과제를 수행했다. 실험 시기에 따라 GPT-4o, GPT-5.1, GPT-5.2를 사용했다. 각 참가자는 교육과정 안의 과제 하나와 밖의 과제 두 개를 수행했으며, 각 과제의 제한시간은 20분, 최대 점수는 40점이었다. 과제의 제시 순서도 무작위화했다. 이 처치는 AI 대 비AI만의 순수 비교가 아니라, AI와 인터넷 접근 대 인터넷 없는 수행의 비교이다.
응용개발 과제는 알고리즘 문제 해결, 소프트웨어 구조와 복원력, 머신러닝을 다뤘다. 시스템통합 과제는 IPv4 서브넷 계획, Zero-Trust 보안 개념, 하이브리드 클라우드 전환을 다뤘다. 교육과정 밖의 과제는 초년 소프트웨어·네트워크 엔지니어 업무의 요구를 근사하도록 만들었고 직업학교 교사가 과제와 채점 기준을 검토했다. 이는 실제 기업의 프로젝트 전체를 수행하게 한 실험은 아니다.
주요 결과는 획득 점수 비율과 분당 획득 점수였다. 서술형 답안은 사전 기준에 따라 GPT-5.4 mini로 항목별 채점했고, 채점 모델에는 처치 여부나 AI 사용 정보를 주지 않았다. 수치형 답안은 정답과 대조했다. 답안 길이와 다른 LLM 채점 방식에 대한 강건성 분석도 수행했다. 하지만 모든 답안을 사람이 독립적으로 채점한 것은 아니므로 AI 답안을 AI로 평가하는 측정상의 우려가 완전히 해소됐다고 보기는 어렵다.
각 과제 직후에는 핵심 개념을 묻는 객관식 이해도 문항 네 개를 AI 없이 풀도록 지시했다. 다만 처치군의 인터넷 접근 자체를 차단하지는 못했다. 전체 처치군의 12.68%는 하나 이상의 이해도 검사에서 AI 사용을 자기보고하거나 프롬프트 기록에서 사용이 관찰됐다. 연구진은 이들을 제외한 분석도 제시했다. 효과는 무작위 배정에 따른 ITT이며, 실험 회차 고정효과와 사전 특성 등을 조정했다. 주요 분석은 다중가설 검정 조정, 대체 결과 정의, 표본 제한을 통해 확인했다.
연구 결과
첫째, 교육과정 밖의 수행 성과가 개선됐다. 전체 표본에서 교육과정 안 과제의 획득 점수 비율은 44%p, 밖의 첫 과제는 26%p, 둘째 과제는 31%p 증가했다. 세 결과 모두 p<.01이었다. 이는 제한된 과제 환경에서 도제가 정규 훈련 범위 밖의 문제에도 더 나은 답안을 제출했다는 직접 증거이다. 배점 비율의 변화이므로 단순히 ‘생산성이 31% 증가했다’고 바꾸면 단위와 기준을 잃는다.
둘째, 전공과 과제에 따라 효과가 달랐다. 응용개발의 머신러닝 과제에서는 대조군이 배점의 4%만 얻었고, AI 접근 효과는 54%p였다. 응용개발의 교육과정 안 과제는 51%p, 밖의 첫 과제는 25%p 증가했다. 시스템통합에서는 각각 40%p, 27%p, 20%p 증가했다. 따라서 전체 표본에서 교육과정 안 효과가 가장 크다는 사실과 응용개발에서 머신러닝 효과가 가장 크다는 사실은 모순이 아니다. 참가자의 전문성과 과제 구조에 따라 효과가 달라진다.
셋째, 과제를 시도하는 범위도 일부 늘어났다. 내용 있는 답안을 제출할 확률은 전체 표본의 교육과정 안 과제에서 11%p, 밖의 둘째 과제에서 6%p 증가했다. 밖의 첫 과제에서는 작고 유의하지 않았다. 답안을 제출한 사람만 비교해도 AI 집단의 점수는 높았지만, AI가 제출 여부 자체에 영향을 주므로 이 조건부 비교는 인과효과가 아닌 기술적 비교이다. 분당 점수에서도 전체 표본의 세 과제에 각각 2.74점, 2.31점, 3.47점의 증가가 나타났다.
넷째, 즉각적인 과제 이해가 평균적으로 악화되지 않았다. 전체 표본의 정답 비율 효과는 교육과정 안 6.7%p, 밖의 첫 과제 9.7%p, 둘째 과제 4.4%p로 모두 유의했다. 세부적으로 응용개발에서는 머신러닝 이해가 17.9%p 증가했지만 다른 과제의 효과는 유의하지 않았다. 시스템통합에서는 안의 과제와 밖의 첫 과제가 각각 9.1%p, 11.0%p 증가했고 둘째 과제에서는 거의 변화가 없었다. AI 사용 가능성이 있는 이해도 검사 응답자를 제외해도 결과는 유지됐다. 이 검사만으로 장기 학습 손실이 없다고 단정할 수는 없다.
다섯째, AI는 일부 과제의 좌절감을 줄이고 즐거움을 높였다. 응용개발의 교육과정 안 과제와 머신러닝 과제에서 좌절감이 각각 0.51SD와 0.49SD 낮아졌고, 머신러닝 과제의 즐거움은 0.47SD 높아졌다. 시스템통합의 교육과정 안 과제에서는 좌절감이 0.57SD 낮아지고 즐거움이 0.31SD 높아졌다. 이런 반응은 어려운 문제에 대한 참여 지속과 관련될 수 있지만, 실제 장기 지속성을 측정한 결과는 아니다.
여섯째, AI 리터러시가 높은 집단은 대체로 더 큰 이득을 얻었다. 조정 모형에서 교육과정 안 과제의 효과는 낮은 집단 37.5%p, 높은 집단 51.7%p로, 차이 14.2%p가 유의했다. 밖의 첫 과제 차이는 유의하지 않았고, 둘째 과제 차이는 6.9%p로 10% 유의수준에 그쳤다. 차이는 기술의 작동 원리를 아는 것보다 효과적으로 질문하고 도구를 활용한다고 응답한 항목에 집중됐다. 리터러시 측정이 처치 후 자기보고였다는 점을 고려해야 한다. 기존 학력에 따른 효과 차이는 일관되게 나타나지 않았다.
일곱째, 사용 로그는 학습 과정을 이해하는 단서이지 우수한 사용법의 인과적 순위는 아니다. 사용자들은 세 과제에 평균 6.3회 질문했고, 약 절반은 과제 내용을 그대로 넣는 질문, 약 4분의 1은 과제 내용에 추가 지시를 붙이는 질문이었다. AI 답변을 제출물에 직접 옮기는 행동은 높은 점수와 연관됐다. 그러나 사용 방식은 무작위 배정하지 않았고, 상세 프롬프트 자료는 처치군의 65%에서만 확보했다. 복사하면 배운다는 결론이나 설명 요청이 불필요하다는 처방은 이 자료에서 나오지 않는다.
결론 및 의의
첫째, 이 연구의 가장 큰 기여는 초년생의 AI 효과를 ‘기존 업무의 속도’와 ‘업무 범위의 확장’으로 나누었다는 점이다. 도구가 정규 훈련 밖의 문제를 다룰 수 있게 한다면, 초년생은 자신의 자격이 규정한 좁은 업무 범위를 넘어 기여할 가능성을 얻는다. 그러나 여기서 확장된 것은 실험 과제의 수행 범위이다. 고급 직종으로의 이동, 임금 상승, 기업의 신규 채용 확대, 중간 숙련 일자리의 복원을 관찰한 것은 아니다. 도구를 쓴 답안의 개선과 직업 자격 전체를 대체할 수 있다는 주장은 분리해야 한다.
둘째, 성과 개선과 인력 수요는 서로 다른 경로로 움직일 수 있다. 초년생이 더 많은 과제를 수행하면 기업이 이들에게 더 높은 책임을 맡길 수도 있지만, 같은 산출에 필요한 인원 수가 줄 수도 있다. 연구는 이 두 경로의 어느 쪽이 실제 채용을 지배하는지 말해 주지 않는다. 따라서 졸업생 진입에 대한 적용은 ‘AI가 신입 취업을 보장한다’가 아니라 ‘신입이 제공할 수 있는 기여의 내용이 변할 수 있으므로, 채용과 훈련의 연결을 다시 검증해야 한다’는 가설이다. 대학 졸업생에게도 이런 질문은 유용하지만 독일 IT 도제의 효과 크기를 한국 대졸자에게 그대로 옮길 근거는 없다.
셋째, 기존 지식과 AI 사용 능력을 대체 관계로만 보아서는 안 된다. 전체 표본에서는 교육과정 안 과제의 성과 증가가 가장 컸고, 전공별로는 성과가 낮던 과제에서도 큰 지원이 나타났다. 이는 도구가 기존 전문성을 보완할 수도, 새로운 문제에 진입하도록 도울 수도 있다는 해석과 부합한다. 동시에 교육과정 밖이라는 표지는 문제의 실질 난이도를 완전히 설명하지 못했다. 교육 설계에서는 난이도를 일률적으로 올리기보다 어떤 개념은 이미 알아야 하고 어떤 부분은 도구 도움을 받아 탐색할 수 있는지 과제별로 구분할 필요가 있다. 이 구분을 적용한 수업의 효과는 후속 실험에서 확인해야 한다.
넷째, 즉각적인 이해도 개선은 긍정적이지만 장기 역량 보증은 아니다. 네 문항의 객관식 검사가 과제 직후 맞는 개념을 알아보는 능력을 측정한다면, 며칠 뒤 스스로 문제를 정의하거나 새로운 코드를 고치는 능력과는 다르다. 교육에서는 AI 보조 수행 뒤에 도구 없는 짧은 설명, 새로운 사례 적용, 지연 평가를 붙여 ‘지금 이해한 것’과 ‘다시 할 수 있는 것’을 분리해서 볼 수 있다. 이는 논문에서 도출한 평가 제안이지 이 연구가 시험한 수업 모형은 아니다. 일회성 이해도에서 손실이 없다는 이유로 장기 학습을 확인할 필요가 없다고 해서는 안 된다.
다섯째, AI 리터러시 교육은 원리 지식과 실제 활용 능력을 함께 설계하되, 이번 이질성 결과를 교육 효과로 오인하지 않아야 한다. 효과적으로 질문하고 판단에 도구를 활용한다고 응답한 도제가 더 큰 이득을 얻었다는 사실은 훈련 목표를 정하는 단서이다. 다만 자기보고가 높은 사람은 동기, 기존 숙련, 사용 경험에서도 다를 수 있고, 측정은 처치 뒤에 이루어졌다. 논문은 도구 사용법 교육을 무작위 제공하지 않았다. 따라서 질문 구성, 출력 검증, 오류 수정, 도움의 범위 선택을 가르치는 교육의 효과는 별도로 검증해야 한다. 기술을 안다고 말하는 능력과 실제 오류를 잡는 수행을 함께 평가하는 설계가 특히 필요하다.
여섯째, 정규 교육과정 밖의 과제를 활용하는 실습은 생산성과 역량 형성을 동시에 살펴볼 기회가 될 수 있다. 예를 들어 기존 네트워크 지식으로 새로운 보안 설계를 검토하거나, AI가 만든 머신러닝 절차의 가정과 오류를 설명하게 할 수 있다. 학습자는 도구 도움으로 더 높은 수준의 산출물에 접근하되, 교사는 그 산출물에서 학습자가 직접 책임지는 판단을 확인한다. 그러나 이번 연구의 서술형 점수는 LLM 채점에 의존했다. 수업에 적용할 때는 결과물의 정교한 문장이나 길이가 아니라 사실적 정확성, 직무상 적절성, 학생의 설명과 수정 수행을 함께 평가해야 한다는 제안이 나온다. 사람의 독립 평가와 실제 작동 검증을 보완하면 측정 타당도를 더 분명하게 확인할 수 있다.
일곱째, 복사 행동과 높은 점수의 연관은 인지적 참여를 생략해도 된다는 허가가 아니다. 결과물을 만드는 단계에서 도구의 답안을 옮겼더라도 이해가 유지될 가능성을 이번 실험은 보여 준다. 하지만 어떤 사용자가 어떤 과제를 복사했는지는 무작위 비교가 아니며, 장기 이해도도 없다. 교육과 기업 훈련에서는 ‘복사 금지’ 또는 ‘복사 허용’만으로 좋은 학습을 정의하기보다, 무엇을 검토했고 왜 채택했으며 어떤 오류를 고칠 수 있는지 확인할 수 있다. 반대로 모든 과제에서 설명 요청만이 최선이라는 주장도 이 연구로는 뒷받침되지 않는다. 사용 전략은 과제·학습 목표·사후 검증에 맞추어 시험해야 한다.
여덟째, 초년생에게 요구되는 책임의 범위도 산출물과 함께 확장되어야 한다. AI가 높은 수준의 설계안을 만들면 초년생이 그 결과를 검증할 능력 이상으로 책임을 맡을 위험이 있다. 연구의 과제 확장은 실제 기업에서의 보안 사고, 유지보수, 고객 피해, 장기 신뢰성을 평가하지 않았다. 직무 배치에서는 도구로 수행 가능한 것과 독립적으로 검증 가능한 것을 구분하고, 고위험 판단에는 감독과 검토 경로를 두는 방안을 검토할 수 있다. 이는 연구 결과를 넘어선 실무적 제안이며, 감독 제도가 어떤 성과를 내는지는 별도 연구가 필요하다.
아홉째, 효과의 비교 기준을 바꾸면 해석도 달라질 수 있다. 이 연구의 대조군은 인터넷 없는 시험 조건이고, 처치군은 AI와 인터넷을 사용할 수 있었다. 일반적인 직장에서는 AI가 없어도 검색과 기술 문서를 사용할 수 있으므로, 여기서 얻은 효과가 인터넷 사용 가능 집단과 비교해도 유지되는지는 추가 검증이 필요하다. 소수의 통제 조건 기술 문제, 이해도 검사 중 AI 사용, 모델 변경도 투명하게 살펴야 한다. 연구진의 로그 확인과 제외 분석은 이러한 우려를 줄이지만, 현실의 작업 환경과 동일한 조건을 만든 것은 아니다. 연구의 큰 효과를 곧바로 기업의 생산성 예측치로 쓰지 않는 이유이다.
열째, 후속 연구의 중심은 과제 확장이 지속 가능한 역량 확장으로 이어지는지에 있다. 인터넷만 허용한 비교군, AI 사용 훈련군, 감독 방식이 다른 집단을 포함하고, 수일·수주 뒤 독립 수행과 실제 기업 프로젝트를 추적할 필요가 있다. 졸업 이후 직무 배치, 채용, 임금, 성과를 연결하면 초년생의 공급 능력 변화가 노동시장 기회로 이어지는지 확인할 수 있다. 다른 직종, 여성 참여가 더 높은 표본, 다른 국가의 직업교육에서도 재현이 필요하다. 이 논문의 교육적 의미는 AI를 배제하거나 무조건 허용하라는 단순한 선택보다, 도구와 함께 넓어진 수행 범위를 무엇으로 검증하고 어떻게 오래 유지할 것인가라는 질문에 있다.
참고문헌
Brosch, H., Langer, C., Lergetporer, P., Müller, S., Pfeifer, H., & Tschöpe, N. (2026). Task expansion with generative AI: Experimental evidence on middle-skilled, early-career workers [Working paper]. Stanford Digital Economy Lab. https://digitaleconomy.stanford.edu/app/uploads/2026/10/AI_Task_Expansion_07102026.pdf
현재 연구기관에서 공개한 2026년 워킹페이퍼 원문을 기준으로 했다. 확인된 학술지명·권호·논문 DOI가 없어 만들어 넣지 않고 공개 원문 URL을 제시했다. 본문은 해당 논문의 연구와 그로부터 도출한 해석만을 다룬다.
AI 활용 내역
이 글은 AI(Instinct AI 어시스턴트)를 활용하여 논문의 핵심 내용을 분석·요약하고, 한국어 리뷰 원고를 작성하였습니다. 최종 검토 및 발행은 블로그 운영자가 수행합니다.
답글 남기기